Principal Component Regression Pada Teknik Statistical Downscaling Untuk Peramalan Curah Hujan Harian

Abstract

Kota Kupang merupakan suatu kota dengan tingkat kekeringan yang panjang sebagai akibat dari pola monsunal yaitu monsun asia dan monsun australia. Oleh sebab itu, upaya terkini yang dapat dilakukan adalah melakukan peramalan terkait potensi datangnya kembali kekeringan di Kota Kupang dengan mengembangkan model peramalan curah hujan. Namun, informasi iklim lokal yang hilang menjadi kendala dalam analisis dan peramalan data. Kalman Filter Imputation dan State Space Model merupakan metode imputasi yang beroprasi secara rekursif dimana terdapat pembaruan prediksi nilai ketika terjadi pembaruan data. Pengembangan model peramalan curah hujan dengan teknik statistical downscaling (SD) adalah salah satu dari beberapa metode peramalan curah hujan dengan pendekatan statistika yang menghubungkan antara peubah respon (data lokal) dengan variabel prediktor (data GCM). Hubungan fungsional pada teknik ini menggunakan model Principal Component Regression (PCR). Penggunaan model ini pada teknik SD memiliki keuntungan yaitu adanya reduksi dimensi variabel prediktor. Hal ini dikarenakan dimensi pada variabel prediktor dapat melebihi banyaknya data yang tersedia. Sementara itu, pada model regrresi salah satu syarat utamanya adalah banyaknya data yang tersedia harus lebih besar dari banyaknya variabel prediktor. Maka digunakan PCR untuk meramalkan curah hujan. Tahapan awal penelitian ini yaitu dengan memperbaiki data unusual obeservation (terjadi hujan dengan nilai kurang dari 1 mm) dan mengestimasi nilai hilang pada variabel respon (data lokal). Perbaikan data dilakukan dengan merata-rata nilai curah hujan kurang dari 1 mm dan lebih dari nol sedangkan estimasi nilai hilang dilakukan dengan data rata-rata curah hujan harian Nusa Tenggara Timur sebagai acuan karakteristik curah hujan harian Kota Kupang menggunakan Kalman Filter dengan State-Space Model Arima (2,1,1). Tahapan selanjutnya yaitu pada Teknik SD, penentuan ukuran domain atau grid search. Langkah ini menjadi penentu tahapan jumlah variabel prediktor yang akan digunakan dalam model PCR. Ukuran domain yang optimum diperoleh pada domain dengan ukuran 4 4. Hal ini menandakan bahwa jumlah variabel prediktor yang digunakan sebanyak 16 variabel. Jumlah variabel prediktor yang sangat besar ini kemudian di reduksi menggunakan Principal Component Analysis (PCA). Adapun jumlah Principal Component (PC) hasil reduksi pada domain ukuran 4 4 sebanyak 10 PC. Model PCR yang diperoleh yang diperoleh