Teknik Statistical Downscaling Menggunakan Response Based Unit Segmentation-Partial Least Square Rebus-Pls Untuk Peramalan Curah Hujan Bulanan Studi Kasus: Kabupaten Jember

Abstract

Ketersediaan informasi iklim merupakan suatu hal penting dalam berbagai bidang. Terlebih lagi saat ini iklim berubah dengan cepat dan tidak ada pola yang dapat menggambarkannya dengan pola yang pasti. Perubahan iklim yang berfluktuasi secara tidak menentu menuntut tersedianya model atau metode untuk menyediakan informasi iklim yang akurat. Peramalan (forecasting) merupakan prediksi nilai-nilai sebuah variabel kepada nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Salah satu teknik peramalan yang terbaru saat ini adalah teknik Statistical Downscaling (SD). Teknik SD adalah prosedur untuk menyimpulkan informasi resolusi tinggi dari variabel resolusi rendah. peramalan curah hujan menggunakan teknik SD adalah membangun suatu fungsi yang dapat memprediksi nilai suatu variabel respon yaitu curah hujan menggunakan variabel prediktor yaitu variabel-variabel pada Global Circular Model (GCM). Adapun data GCM yang digunakan adalah variabel presipitasi (pr), temperatur udara (tas), dan tekanan permukaan laut (psl) dari periode Januari 2005 sampai dengan Desember 2017. Sedangkan data curah hujan lokal yang digunakan adalah data curah hujan lokal di Kabupaten Jember pada 77 titik stasium pengamatan periode Januari 2005 sampai dengan Desember 2017. Model Partial Least Square (PLS) telah banyak digunakan dalam peramalan curah hujan menggunakan teknik statistical downscaling. Pada penelitian ini, akan dilakukan peramalan menggunakan model PLS dan dibandingkan dengan model PLS yang sudah dilakukan segmentasi waktu yang selanjutnya disebut sebagai model REBUS-PLS. Response Based Units Segmentation Partial Least Square (REBUS-PLS) adalah teknik peramalan curah hujan menghasilkan beberapa fungsi yang dapat digunakan untuk melakukan peramalan. Jumlah fungsi yang dihasilkan ditentukan oleh banyaknya kelompok atau segmen yang ditentukan berdasarkan analisis klaster pada REBUS-PLS. Selanjutnya model PLS pada penelitian ini disebut sebagai model global. Sedangkan model pada masing-masing segmen disebut sebagai model lokal. Model PLS dilakukan dengan membangun inner dan outer model. Merancang inner model yaitu merancang hubungan antar variabel laten pada PLS dengan didasarkan pada hipotesis penelitian Pada penelitian ini digunakan empat variabel laten yang terdiri dari tiga variabel laten eksogen 𝝃 dan satu variabel laten endogen 𝜼. Variabel eksogen 𝜉1 adalah presipitasi, 𝜉2 adalah tekanan udara, dan 𝜉2 adalah temperatur sedangkan variabel endogen 𝜂 merupakan curah hujan bulanan. Data yang digunakan pada penelitian ini terdiri dari 100 variabel presipitasi, 100 variabel tekanan udara, 100 variabel temperatur dan 77 variabel curah hujan. Selanjutnya dilakukan uji validitas dan uji reliabilitas untuk menyeleksi variabel manifes mana yang valid dan konsisten sebagai penjelas variabel laten