PEMODELAN STATISTICAL DOWNSCALING REGRESI KUANTIL LASSO DAN ANALISIS KOMPONEN UTAMA UNTUK PENDUGAAN CURAH HUJAN EKSTRIM

Dewi Santri, Yusrianti Hanike

Abstract


Curah hujan ekstrim yang sering terjadi di Indonesia menimbulkan berbagai dampak negatif bagi masyarakat. Terdapat banyak pemodelan curah hujan yang telah dilakukan untuk meminimumkan dampak yang terjadi. Global circulation model (GCM) diyakini menjadi metode terbaik untuk meramalkan data curah hujan ekstrim. Kelemahan dari data GCM adalah masih bersifat global sehingga akan sulit untuk menjelaskan keragaman dalam skala lokal yang lebih rinci. Statistical Downscaling (SD) hadir untuk menangani permasalahan tersebut. SD menghubungkan antara data luaran GCM dan curah hujan untuk menduga perubahan pada skala lokal dengan menggunakan metode regresi. Untuk mengakap nilai ekstrim dari curah hujan maka digunakan metode regresi kuantil. Data luaran GCM yang memiliki multikolinearitas tidak dapat langsung diterapkan dalam model SD. Metode-metode yang dapat digunakan untuk mengatasi masalah multikolinearitas dalam SD antara lain metode analisis komponen utama (AKU) dan metode shrinkage seperti Least Absolute Shrinkage and Selection Operator (LASSO). Metode AKU paling sering digunakan dalam mereduksi dimensi data luaran GCM dan menangani masalah multikolinearitas. Metode shringkage selain dapat menghilangkan multikolinearitas juga dapat meminimumkan ragam penduga parameter dari model regresi. Tujuan penelitian ini adalah  menentukan model curah hujan ekstrim di Kabupaten Indramayu dengan pendekatan SD menggunakan metode regresi kuantil dengan LASSO dan AKU serta memilih model SD terbaik dari kedua metode yang digunakan tersebut. Hasil penelitian menunjukkan bahwa dugaan curah hujan ekstrim di kabupaten Indramayu dengan model SD menggunakan regresi kuantil dengan LASSO menghasilkan prediksi yang lebih konsisten terhadap berbagai selang waktu dugaan dibandingkan model yang menggunakan metode AKU.

Abstract

Extreme rainfall that frequently occurs in Indonesia has negative impact to society. there are several methods that required to minimize the damage that may occur. So far, Global circulation models (GCM) are the best method to forecast global climate changes include extreme rainfall. GCM data has global scale and unable to provide reliable information at local scale. Statistical Downscaling (SD) has been developed in an attempt to bridge this scale gap. SD uses regression models to represent the link between GCM data and local rainfall. Quantile regression is used to catch the extreme rainfall.  GCM data which has multicolinearity can not be directly applied in SD model. The methods that can be used to overcome multicollinearity are principal component analysis (PCA) and shrinkage methods such as Least Absolute Shrinkage and Selection Operator (LASSO) and ridge. PCA is the most commonly used in SD modeling. PCA can reduce the dimension of GCM data and multicollinearity. Shringkage method can eliminate multicolinearity and minimize variance. The objectives of this study are modeling SD using quantile regression with LASSO and PCA to predict extreme rainfall in Indramayu and to choose the best SD model of  both methods. The result shows that the prediction of extreme rainfall in Indramayu with SD models using quantile regression with LASSO is more consistent at any time prediction compared to models using PCA.

Keywords


GCM, SD, Regresi Kuantil, AKU, LASSO

Full Text:

PDF


DOI: https://doi.org/10.15548/map.v2i1.1639
Abstract views : 251 times
PDF : 253 times

References


Acharjee A, Finkers R, Visser RGF, Maliepaard C. 2013. Comparison of regularized regression methods for omics data. Metabolomics 3:126.

[BPS]. Badan Pusat Statistik. 2011. Indramayu dalam Angka 2011. Indramayu : BPS Kabupaten Indramayu.

Buhai S. 2004. Quantile regression overview and selected application. Ad Astra. 4:1-17.

Chen C, Wei Y. 2005. Computational Issues on Quantile Regression. The Indian Journal of Statistics. 67:299-417.

Djuraidah A, Wigena AH. 2011. Regresi kuantil untuk eksplorasi pola curah hujan di Kabupaten Indramayu. Jurnal Ilmu Dasar. 12(1): 50 – 56.

Handayani L. 2014. Statistical downscaling dengan model aditif terampat untuk pendugaan curah hujan ekstrim [tesis]. Institut Pertanian Bogor.

Hastie T, Tibshirani R, Friedman J. 1990. The Elements of Statistical Learning. Ed ke-2. Springer, London (GB).

Koenker R, W Bassett, Gilbert Jr .1978. Regression quantiles econometric society. Econometrica. 46(1):33–50.

Koenker R. 2005. Quantile Regression. Cambridge University Press, New York.

Mondiana YQ. 2012. Pemodelan statistical downscaling dengan regresi kuantil untuk pendugaan curah hujan ekstrim [tesis]. Institut Pertanian Bogor.

Stockdale TN, Busalacchi AJ, Harrison DE, Seager R. 1998. Ocean modeling for ENSO. Journal of Geophysical research. 103:14325-14355.

Sutikno. 2008. Statistical downscaling luaran GCM dan pemanfaatannya untuk peramalan produksi padi, [disertasi]. Institut Pertanian Bogor.

Wigena AH. 2006. Pemodelan statistical downscaling dengan regresi projection pursuit untuk peramalan curah hujan bulanan (kasus curah hujan bulanan di Indramayu) [disertasi]. Bogor (ID): Institut Pertanian Bogor.

Wilby RL, Wigley TML. 2000. Precipitation predictors for downscaling: observed and general circulation model relationships. Journal of Climatology. 20: 641-661.

Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO. 2009. A review of climate risk information for adaptation and development planning. Journal of Climatology. 29: 1193-1215.


Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Lisensi Creative Commonsis licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.