PEMODELAN DOWNSCALLING LUARAN GCM MENGGUNAKAN METODE PCR DAN PLS UNTUK PREDIKSI CURAH HUJAN DI JAWA TENGAH

Loading...
Thumbnail Image
Date
2016-05-31
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
BB Pengkajian Teknologi Pertanian
Abstract
Statistical downscalling adalah metoda untuk memperoleh informasi pada skala lokal dari skala yang lebih besar dengan menarik kesimpulan dari hubungan-hubungan antar skala, sedangkan fungsi yang digunakan adalah fungsi acak atau deterministik. Metode ini dapat diaplikasikan diantaranya untuk prediksi curah hujan. Data GCM yang digunakan adalah peubah luaran curah hujan dari ECHAM3 dengan resolusi 2,8o x 2,8o . Sedangkan data lokal curah hujan bulanan digunakan dari 12 stasiun hujan di Kabupaten Subang, yaitu Stasiun Ciasem, Cibandung, Cinangling, Ciseuti, Curugagung, Dangdeur, Kasomalang, Pamanukan, Pawelutan, Ponggang, Subang dan Tanjungsari dengan periode data dari tahun 1986-2002. Model SD disusun dengan menggunakan data curah hujan dari tahun 1986-2000, demikian pula data GCMnya. Reduksi data global GCM dilakukan dua tahap. Tahap pertama adalah reduksi klimatologis dengan cropping domain (grid) prediktor dengan asumsi bahwa kondisi iklim di wilayah stasiun-stasiun di Kabupaten Subang dipengaruhi oleh data GCM pada 98o44’BT – 118o13’BT dan 1o39’LU – 18o14’LS, dengan grid 8x8 sehingga terdapat 64 grid. Reduksi tahap dua dilakukan dengan metode statistik yaitu PCR (Principle Component Regression), PSL (Partial Least Squares) dan MARS (Multivariate Adaptive Regression Spline). Untuk analisis dua metode yang pertama digunakan Minitab ver. 14.1, sedangkan untuk metode yang terakhir digunakan MARS ver 2.0. Hasil uji prediksi curah hujan lokal dengan menggunakan prediktor curah hujan hasil ECHAM melalui pemodelan dengan PCR, PLS dan MARS, menunjukkan bahwa PLS memiliki nilai root mean square error prediction (RMSEP) dan mean absolute error prediction (MAEP) yang kecil dengan korelasi validasi yang lebih besar dibanding PCR ataupun MARS. Hal ini menunjukkan bahwa PLS merupakan model yang lebih akurat dibanding kedua metode lainnya. Sementara MARS masih lebih baik dibanding PCR meskipun pada nilai yang lebih bervariasi, tetapi dari nilai rata-rata, hasil RMSEP dan MAEP MARS lebih kecil dari PCR, dengan korelasi validasi yang sedikit lebih besar dibanding PCR. Sehingga untuk pembentukan model, PLS dapat dipilih, karena selain memiliki model yang lebih akurat, juga bersifat multi respon sehingga pelaksanaan pembentukan model pada banyak prediktan dapat dilakukan sekaligus, lebih cepat dibanding PCR ataupun MARS.
Description
Keywords
Citation