PEMODELAN STATISTICAL DOWNSCALING DENGAN REGRESI

PROJECTION PURSUIT UNTUK PERAMALAN CURAH HUJAN

BULANAN
Kasus Curah hujan bulanan di Indramayu

AJI HAMIM WIGENA

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2006
 PERNYATAAN MENGENAI DISERTASI DAN
SUMBER INFORMASI

Dengan ini saya menyatakan bahwa disertasi ‘Pemodelan Statistical

Downscaling dengan Regressi Projection Pursuit untuk Peramalan Curah Hujan
Bulanan. Kasus: Curah Hujan Bulanan di Indramayu’ adalah karya saya sendiri
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan atau tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir disertasi ini.

Bogor, Maret 2006

Aji Hamim Wigena

NIM G32601002

ii
 ABSTRAK

AJI HAMIM WIGENA. Pemodelan Statistical Downscaling dengan Regresi

Projection Pursuit untuk Peramalan Curah Hujan Bulanan. Kasus: Curah hujan
bulanan di Indramayu. Dibimbing oleh AUNUDDIN, BARIZI, dan RIZALDI
BOER.

Pemodelan Statistical Downscaling (SD) menyusun model hubungan

fungsional antara luaran GCM dengan curah hujan lokal. Model SD memerlukan
suatu domain (luasan dan lokasi) GCM sebagai peubah prediktor dan curah hujan
lokal sebagai peubah respon. Penentuan domain GCM merupakan langkah
pertama dalam penyusunan model SD.
Secara umum data curah hujan bersifat nonlinear dan tidak berdistribusi
normal, sedangkan data luaran GCM (Generalized Circulation Model) bersifat
curse of dimensionality dan multikolinearitas, sehingga langkah kedua dalam
pemodelan SD adalah mereduksi dimensi data luaran GCM. Metode PPR
(Projection Pursuit Regression) dapat digunakan untuk mengantisipasi
karakteristik luaran GCM dan data curah hujan lokal, di mana PPR dapat
melakukan reduksi dimensi dan menyusun model regresi yang bersifat
nonparametrik dan data-driven. Pemodelan SD memerlukan panjang data historis
tertentu. Periode data historis yang berbeda akan memberikan dugaan model yang
berbeda pula. Suatu uji konsistensi model penduga dilakukan pada berbagai
periode dan panjang data historis. Pene ntuan Daerah Prakiraan Musim (DPM)
dilakukan berdasarkan hasil dugaan model SD.
Penelitian ini menggunakan data presipitasi GCM dan data curah hujan
bulanan di Kabupaten Indramayu. Hasil studi literatur memberikan gambaran
bahwa perkembangan pemodelan SD mengarah ke penggunaan teknik-teknik
berbasis regresi nonlinear, model nonparametrik, dan data-driven. Hasil kajian
analisis menunjukkan bahwa (1) Penentuan domain dapat dilakukan berdasarkan
keeratan hubungan antara luaran GCM dengan peubah lokal, namun pemilihan
grid dalam suatu domain yang berkorelasi tinggi tidak mudah dilakukan dan
kemungkinan grid-grid dalam suatu domain tidak contiguous; (2) Penggunaan
domain berukuran 8×8 grid dan tepat berada di atas lokasi target pendugaan
memberikan curah hujan dugaan yang lebih stabil atau konsisten dan tidak terlalu
sensitif terhadap data pencilan. Penentuan domain ini lebih praktis; (3) Pendugaan
curah hujan bulanan dengan model PPR lebih akurat dan pola nilai dugaan lebih
mendekati pola data aktualnya daripada model PCR (Principal Component
Regression), terutama untuk panjang data historis yang lebih dari atau sama
dengan 20 tahun; dan (4) DPM_PPR terdiri dari lima DPM. Lokasi kelima DPM
adalah satu DPM di wilayah utara, satu DPM di wilayah selatan, dan tiga DPM di
wilayah tengah kabupaten Indramayu. Secara umum perbedaan nilai dugaan curah
hujan dengan aktualnya dalam DPM_PPR lebih kecil dari pada perbedaannya
dalam DPM_BMG (Badan Meteorolgi dan Geofisika) dan pola nilai dugaannya
relatif lebih mendekati pola data aktualnya.

Kata Kunci: Statistical Downscaling, GCM, PPR, PCR, curse of dimensionality,

nonparametrik, data-driven

iii
 ABSTRACT

AJI HAMIM WIGENA. Statistical Downscaling Modeling using Projection

Pursuit Regression to Forecast Monthly Rainfall. A Case of Monthly Rainfall in
Indramayu. Under the direction of AUNUDDIN, BARIZI, and RIZALDI BOER.

Statistical Downscaling (SD) modeling develops a model of functional

relation between GCM output and local rainfall. An SD model requires a GCM
domain (area and location) as a predictor variable and the local rainfall as a
response variable. The determination of the GCM domain is the first step in SD
model development.
Generally, the local rainfall data are nonlinear and do not follow a normal
distribution, while the characteristics of the GCM output are curse of
dimensionality and multicollinearity. The second step in the SD model
development is the dimension reduction of GCM data. A Projection Pursuit
Regression (PPR) method can be used to reduce the GCM output dimension and
to develop a regression model to anticipate the characteristics of both GCM output
and the local rainfall data. The PPR model is categorized into a nonparametric
and data-driven model. An SD model estimation needs a certain length of records.
Different length of records would give different results. A test of model stability
or consistency is accomplished to different periods and length of records. The
determination of seasonal prediction region (Daerah Prakiraan Musim or DPM) is
based on the SD model estimate.
This research uses precipitation GCM data and monthly rainfall data in
Indramayu district. A literature review shows that the development of SD
modeling tends to use techniques which are nonlinear, nonparametric, and data-
driven. The results of the analysis indicate that (1) The determination of GCM
domain can be based on the strong correlation between GCM output and the local
variable, but the selection of grids in the domain may not be straight forward and
would be resulted in not a contiguous domain; (2) The use of domain 8×8 grids
above the target of estimation gives the estimate rainfall more stable or consis tent
and not too sensitive to outlier data. The determination of the domain is easier and
more practical; (3) The monthly rainfall estimation using PPR model is more
accurate and the pattern of the estimate rainfall is more similar to that of the
actual one than using PCR (Principal Component Regression) model, especially
for the length of records more than or equal 20 years; and (4) DPM_PPR consists
of five DPMs, i.e. one DPM in the north region, one DPM in the south region, and
three DPMs in the middle region of Indramayu district. In general the difference
between the actual and the estimate rainfall of DPM_PPR is smaller than that of
DPM_BMG (Badan Meteorolgi dan Geofisika) and the pattern of the estimate
rainfall is relatively similar to that of the actual rainfall.

Keywords: Statistical Downscaling, GCM, PPR, PCR, curse of dimensionality,

nonparametric, data-driven

iv
Pemodelan Statistical Downscaling dengan Regresi Projection Pursuit
untuk Peramalan Curah Hujan Bulanan
Kasus: Curah hujan bulanan di Indramayu

AJI HAMIM WIGENA

Disertasi
sebagai salah satu syarat untuk memperoleh gelar
Doktor pada
Program Studi Statistika

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2006

v
Judul Disertasi : Pemodelan Statistical Downscaling dengan Regresi Projection
Pursuit untuk Peramalan Curah Hujan Bulanan.
Kasus: Curah hujan bulanan di Indramayu
Nama : Aji Hamim Wigena
NIM : G326010021

Disetujui:

Komisi Pembimbing

Dr. Ir. Aunuddin, MSc

Ketua

Prof. Dr. Barizi, MES Dr. Ir. Rizaldi Boer, MAgr

Anggota Anggota

Diketahui:

Ketua Program Studi Statistika Dekan Sekolah Pascasarjana

Dr. Ir. Budi Susetyo, MS Prof. Dr. Ir. Syafrida Manuwoto, MSc

Tanggal Ujian: 28 Februari 2006 Tanggal Lulus:

vi
 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala
karunianya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian telah
dilaksanakan sejak pertengahan tahun 2003 dengan judul Pemodelan Statistical
Downscaling dengan Regresi Projection Pursuit untuk Peramalan Curah
Hujan Bulanan. Kasus: Curah Hujan Bulanan di Indramayu.
Penulis mengucapkan terima kasih kepada Dr. Ir. Aunuddin, MSc, Prof.
Dr. Barizi, MES, dan Dr. Ir. Rizaldi Boer, MAgr atas bimbingan, arahan, dan
sarannya selama penelitian ini. Terima kasih kami sampaikan juga kepada:
1. Pimpinan IPB dan FMIPA IPB atas kesempatan studi ini dan Direktorat
Jendral Pendidikan Tinggi Depdiknas atas bantuan dana BPPS.
2. Pimpinan Sekolah Pascasarjana, Ketua PS Statistika, dan staf pengajar serta
karyawan Sekolah Pascasarjana yang telah memberikan laya nan pengajaran
dan administrasi dengan baik.
3. Rekan-rekan dosen Departemen Statistika yang selalu meluangkan waktu
untuk berdiskusi dan memberikan saran serta dorongan moril, dan juga
karyawan Departemen Statistika atas bantuannya.
4. Pimpinan LPPM dan staf administrasi atas dorongan morilnya.
5. Rekan-rekan di Laboratorium Klimatologi, Departemen Geofisika dan
Meteorologi, FMIPA IPB atas bantuan fasilitas dan informasinya.
6. Kedua orang tua, Bapak Wigena dan Ibu Rusmiati, istri tercinta Evi Hartati
dan anak-anak tersayang Genui Harviti, Ginea Harvita, Ganand a Hayardisi,
dan Girisa Hartiwi, serta seluruh keluarga besar di Garut dan Jakarta yang
telah memberikan dorongan moril dan do’a yang tulus; kepada Pesi atas
bantuan pengolahan data.
Dengan segala kerendahan hati, penulis menyadari bahwa disertasi ini
masih jauh dari sempurna. Namun demikian penulis berharap tulisan ini dapat
bermanfaat bagi pihak-pihak lain yang memerlukan.
Bogor, Maret 2006
Aji Hamim Wigena
NIM G326010021

vii
 RIWAYAT HIDUP

Penulis dilahirkan di Garut pada tanggal 28 September 1952, sebagai anak

kedua dari pasangan Wigena dan Rusmiati. Pendidikan sarjana ditempuh di
Departemen Statistika dan Komputasi, Fakultas Pertanian IPB, lulus pada tahun
1976. Pada tahun 1980 penulis diterima di Division of Computer Applications
pada Asian Institute of Technology (AIT), Bangkok, Thailand, dan
menyelesaikannya pada tahun 1981, dan pernah mengikuti pendidikan juga di
Departement of Computing Science pada University of Alberta, Canada pada
tahun 1986 s/d 1989. Kesempatan untuk melanjutkan ke program doktor pada
program studi Statistika, Sekolah Pascasarjana IPB, diperoleh pada tahun 2001.
Beasiswa pendidikan (BPPS) diperoleh dari Direktorat Jendral Pendidikan Tinggi,
Depdiknas. Penulis bekerja sebagai dosen pada Departemen Statistika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, IPB, sejak tahun 1977.
Penulis menikah dengan Evi Hartati dan telah dikaruniai empat orang
anak, yaitu Genui Harviti, Ginea Harvita, Gananda Hayardisi dan Girisa Hartiwi.
Selama mengikuti program S3, penulis pernah menyajikan beberapa
makalah karya ilmiah pada Seminar dan Workshop baik nasional maupun
internasional. Karya-karya ilmiah ini merupakan bagian dari program S3 penulis.
Karya-karya ilmiah tersebut adalah:
1) Wigena AH, Aunuddin. 2004a. Beberapa model statistical-downscaling untuk
peramalan curah hujan. Pertemuan Ilmiah Nasional Basic Science I, di
UNIBRAW Malang, 17 Januari 2004.
2) Wigena AH, Aunuddin. 2004b. Aplikasi projection pursuit dalam pemodelan
statistical-downscaling. Seminar Nasional Statistika, di FMIPA IPB, Bogor, 4
September 2004.
3) Wigena AH, Aunuddin. 2004c. Application of projection pursuit and artificial
neural network on statistical downscaling. International Conference on
Statistics and Mathematics, Bandung, West Java.
4) Wigena AH, Aunuddin, Boer R. 2005a. Comparison of statistical downscaling
models. Climate Forecast Application Workshop. 18-21 July 2005. AIT,
Bangkok, Thailand.
5) Wigena AH, Aunuddin, Boer R. 2005b. Prediction of local rainfall from GCM
output using projection pursuit. International Roundtable on Understanding
and Prediction of Summer and Winter Moonson. 21-24 November 2005.
Jakarta - Bandung.

viii
 DAFTAR ISI

Halaman
DAFTAR TABEL xi
DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xiv
1. PENDAHULUAN 1
1.1. Latar Belakang 1
1.2. Tujuan Penelitian 4
1.3. Kegunaan Penelitian 5
1.4. Kerangka Pemikiran 6
2. PERKEMBANGAN TEKNIK STATISTICAL DOWNSCALING DAN
PERMASALAHAN STATISTIK 9
2.1. Pendahuluan 9
2.2. Karakteristik Luaran GCM 9
2.3. Teknik Downscaling 12
2.3.1. Pendekatan Dynamical Downscaling 13
2.3.2. Pendekatan Statistical Downscaling 14
2.4. Beberapa Teknik Statistical Downscaling 16
2.5. Kategori Teknik Statistical Downscaling 23
2.6. Permasalahan Dalam Teknik Statistical Downscaling 25
2.7. Simpulan 28
3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN MODEL
STATISTICAL DOWNSCALING 30
3.1. Pendahuluan 30
3.2. Bahan dan Metode 31
3.2.1. Bahan 31
3.2.2. Metode 31
3.3. Hasil dan Pembahasan 33
3.4. Simpulan 36

4. PENGGUNAAN PROJECTION PURSUIT UNTUK REDUKSI

DIMENSI DAN PEMODELAN STATISTICAL DOWNSCALING 37
4.1. Pendahuluan 37
4.2. Pereduksian Dimensi 38
4.3. Model Regresi Projection Pursuit 39
4.4. Bahan dan Metode 46
4.4.1. Bahan 46
4.4.2. Metode 46
4.5. Hasil dan Pembahasan 47
4.5.1. Perbandingan PPR dan PCR 47
4.5.2. Perbandingan PPR Berdasarkan Domain Segi8
dan Segi8kor 52
4.6. Simpulan 54

ix
5. UJI KONSISTENSI MODEL STATISTICAL DOWNSCALING
BERBASIS PROJECTION PURSUIT DALAM PREDIKSI CURAH
HUJAN 55
5.1. Pendahuluan 55
5.2. Bahan dan Metode 55
5.2.1. Bahan 55
5.2.2. Metode 56
5.3. Hasil dan Pembahasan 56
5.4. Simpulan 67

6. PENENTUAN DAERAH PRAKIRAAN MUSIM BERBASIS

DUGAAN MODEL REGRESI PROJECTION PURSUIT 68
6.1. Pendahuluan 68
6.2. Bahan dan Metode 69
6.2.1. Bahan 69
6.2.2. Metode 69
6.3. Hasil dan Pembahasan 69
6.4. Simpulan 75

7. PEMBAHASAN UMUM 76
7.1. Penentuan Domain GCM 76
7.2. Metode Projection Pursuit 77
7.3. Daerah Prakiraan Musim 78
7.4. Metode Peramalan 79

8. SIMPULAN DAN SARAN 82

8.1. Simpulan 82
8.2. Saran 83
DAFTAR PUSTAKA 84
LAMPIRAN 88

x
 DAFTAR TABEL

Halaman
1. Beberapa GCM 11
2. Beberapa Teknik Statistical Downscaling 18
3. Kategori Teknik-Teknik Statistical Downscaling 24
4. RMSEP dan r untuk Setiap Domain Bujur Sangkar 34
5. RMSEP dan r untuk Setiap Domain Berdasarkan Korelasi 35
6. Tahun Pemodelan untuk Tahun Peramalan 2001 47
7. Curah Hujan Dugaan berdasarkan Panjang Data Historis (35, 30,
25, 20, dan 15 Tahun) dengan PCR dan PPR: untuk Domain Segi8 48
8. Curah Hujan Aktual dan Dugaan berdasarkan Panjang Data
Historis (35, 30, 25, 20, dan 15 Tahun) dan Domain (Segi8 dan
Segi8kor) dengan PPR 52
9. Tahun Pemodelan dan Tahun Peramalan untuk Konsistensi Model 56
10. Rataan dan STD RMSEP dan Nilai Korelasi (r) 57
11. RMSEP dan Korelasi ( r ) untuk Domain Segi8 59
12. RMSEP dan Korelasi ( r ) untuk Domain Segi8kor 60
13. Rataan dan STD RMSEP dan Nilai Korelasi (r) setelah Koreksi Data 64
14. RMSEP dan Korelasi ( r ) untuk Domain Segi8 setelah Koreksi Data 65
15. RMSEP dan Korelasi ( r ) untuk Domain Segi8kor setelah Koreksi
Data 66
16. Stasiun-Stasiun dalam DPM_BMG dan DPM_PPR 71
17. Curah Hujan Aktual dan Dugaan untuk Setiap DPM_PPR 73
18. Curah Hujan Aktual dan Dugaan untuk Setiap DPM_BMG 74

xi
 DAFTAR GAMBAR

Halaman
1. Tahapan Penelitian 7
2. Domain-Domain Berbentuk Bujur Sangkar 32
3. Domain-Domain Berdasarkan Korelasi 33
4. RMSEP untuk Domain-Domain Bujur Sangkar 34
5. Nilai r untuk Domain-Domain Bujur Sangkar 35
6. RMSEP untuk Domain-Domain Berdasarkan Korelasi 36
7. Nilai r untuk Domain-Domain Berdasarkan Korelasi 36
8. Nilai fungsi Y dan Proyeksi X terhadap Z 41
9. Domain Segi8 dan Segi8kor 47
10. Nilai RMSEP dan Korelasi (r) pada Metode PCR dan PPR dengan
Berbagai Panjang Data Historis (35, 30, 25, 20, dan 15 tahun) 49
11. Dugaan Curah Hujan dengan Metode PCR dan PPR dengan
Panjang Data Historis 35 Tahun 50
12. Dugaan Curah Hujan dengan Metode PCR dan PPR dengan
Panjang Data Historis 30 Tahun 50
13. Dugaan Curah Hujan dengan Metode PCR dan PPR dengan
Panjang Data Historis 25 Tahun 51
14. Dugaan Curah Hujan dengan Metode PCR dan PPR dengan
Panjang Data Historis 20 Tahun 51
15. Dugaan Curah Hujan dengan Metode PCR dan PPR dengan
Panjang Data Historis 15 Tahun 51
16. Nilai RMSEP dan Korelasi (r) untuk Domain Segi8 dan Segi8kor
dengan Berbagai Panjang Data Historis (35, 30, 25, 20, dan 15
tahun) 53
17. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1967-1996 dan Tahun Prediksi 1997 (sebelum koreksi data) 61
18. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1968-1997 dan Tahun Prediksi 1998 (sebelum koreksi data) 61
19. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1969-1998 dan Tahun Prediksi 1999 (sebelum koreksi data) 62

xii
20. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1967-1996 dan Tahun Prediksi 1997 (setelah koreksi data) 62
21. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1968-1997 dan Tahun Prediksi 1998 (setelah koreksi data) 63
22. Plot Residua l, Y_Aktual dengan Y_dugaan Tahun Pemodelan
1969-1998 dan Tahun Prediksi 1999 (setelah koreksi data) 63
23. Daerah Prakiraan Musim BMG (BMG 2003) 70
24. Daerah Prakiraan Musim PPR 70

xiii
 DAFTAR LAMPIRAN

Halaman
1. Daftar Istilah 89
2. Elevasi dan Koordinat Setiap Stasiun di Kabupaten Indrama yu 90
3. Dendrogram Pengelompokan Stasiun Curah Hujan 91
4. Curah Hujan (mm) Aktual dan Dugaan Setiap DPM_PPR 92
5. Curah Hujan (mm) Aktual dan Dugaan Setiap DPM_BMG 93
6. Sub-Program S-Plus yang digunakan untuk Pendugaan Model PPR 94

xiv
 1. PENDAHULUAN

1.1. Latar Belakang

Informasi ramalan curah hujan sangat berguna bagi petani dalam
mengantisipasi kemungkinan kejadian-kejadian ekstrim (kekeringan akibat El-
Nino dan kebanjiran akibat La-Nina), yang sering menimbulkan kegagalan
produksi pertanian. Curah hujan sebagai faktor yang penting bagi pertanian akan
berpengaruh secara langsung terhadap ketersediaan air. Kurangnya ketersediaan
air akan berdampak kekeringan, dan sebaliknya, apabila kelebihan air akan
menimbulkan banjir jika tidak dilakukan pengelolaan dengan baik dan benar.
Dampak kerugian akibat kekeringan maupun banjir pada sektor pertanian ini
sering terjadi karena (1) kekurangan informasi tentang curah hujan yang akurat,
cepat, dan bersifat spesifik lokasi; (2) tingkat kemampuan peramalan yang masih
belum baik ; dan (3) tingkat adopsi pengguna akhir, dalam hal ini petani, terhadap
hasil ramalan masih sangat rendah. 1
Fenomena El Nino berkaitan dengan kejadian iklim ekstrim. Dalam
periode 1960 sampai 1988 terdapat 10 dari 14 kali kemarau panjang terjadi pada
tahun-tahun El Nino. Kejadian kekeringan pada tahun 1982/1983 telah
menimbulkan kerugian yang sangat besar di Indonesia mencapai 0,4 miliar dollar
AS dan pada tahun 1997/1998 sekitar 375 juta dollar AS di mana sebesar 24
persen di antaranya dari sektor pertanian. Kekeringan maupun banjir selalu terjadi
hampir setiap tahun di Indonesia dengan luasan dan intensitas yang bervariasi.
Dalam periode 1993 sampai 2002 rata-rata lahan pertanian yang terkena
kekeringan seluas 220.380 hektar dengan lahan puso mencapai 43.434 hektar atau
setara dengan 530.000 ton gabah kering giling (GKG), sedangkan yang terlanda
banjir seluas 158.479 hektar dengan puso 38.928 hektar (setara dengan 400.000
ton GKG).1 Khususnya di kabupaten Indramayu, yang sangat sensitif terhadap
kejadian iklim ekstrim, luas lahan yang terkena kekeringan pada tahun El Nino
selalu melonjak tinggi dibanding tahun normal. Pada tahun-tahun ekstrim kering
(El Nino 1991, 1994, dan 1997), kerugian ekonomi akibat kegagalan panen di

1
[Link] (24- 08-2003)
[8 Januari 2006]
daerah ini mencapai Rp 571 miliar, sedangkan pada tahun-tahun ekstrim basah,
kerugian dapat mencapai Rp. 91 miliar (GFM & BMG, 2003).
Proses pembentukan hujan di kawasan tropis, termasuk Indonesia,
merupakan proses yang sukar disimulasikan. Storch & Zwiers (1999) menyatakan
bahwa belum ada suatu model iklim yang dapat digunakan untuk memprediksi
curah hujan dengan baik. Topografi dan interaksi antara laut, darat dan atmosfir
yang kompleks mempersulit prediksi curah hujan di wilayah Indonesia sehingga
diperlukan model peramalan curah hujan yang akurat pada skala lokal (propinsi
atau kabupaten) dengan mempertimbangkan informasi tentang sirkulasi atmosfir
global yang dapat diperoleh dari luaran GCM (General Circulation Model).
GCM adalah suatu model berbasis komputer yang terdiri dari berbagai
persamaan numerik dan deterministik yang terpadu dan mengikuti kaidah-kaidah
fisika. GCM mensimulasi peubah-peubah iklim global pada setiap grid (berukuran
±2,5o atau ±300 km2 ) setiap lapisan (layer) atmosfir, yang selanjutnya digunakan
untuk memprediksi pola-pola iklim dalam jangka waktu panjang (tahunan).
Dalam kajian klimatologi jangka panjang GCM merupakan suatu model
yang berorientasi spasial dan temporal dan mampu menghasilkan ciri sirkulasi
global pada skala besar, yaitu skala benua dan skala tahun atau dekade, dengan
resolusi rendah. GCM merupakan alat prediksi utama iklim dan cuaca secara
numerik dan sebagai sumber informasi primer untuk menilai pengaruh perubahan
iklim. Namun informasi GCM masih berskala global dan tidak untuk fenomena
skala lebih kecil (mesoscale atau lokal), sehingga sulit untuk memperoleh
langsung informasi berskala lokal dari GCM. Resolusi GCM terlalu rendah untuk
memprediksi iklim lokal yang dipengaruhi oleh sirkulasi atmosfir dan parameter
lokal seperti topografi dan tataguna lahan, tetapi GCM masih mungkin digunakan
untuk memperoleh informasi skala lokal atau regional bila teknik downscaling
digunakan (Fernandez 2005).
Teknik downscaling adalah suatu proses transformasi data dari suatu grid
dengan unit skala besar menjadi data pada grid-grid dengan unit skala yang lebih
kecil. Wilby & Wigley (1997) menyatakan bahwa downscaling adalah suatu cara
menginterpolasi peubah-peubah prediktor atmosfir berskala regional terhadap
peubah-peubah berskala lebih kecil. Ada dua jenis teknik downscaling yaitu

2
dynamical downscaling dan statistical downscaling. Dynamical downscaling
merupakan proses downscaling yang dilakukan secara terus menerus sepanjang
waktu di mana perubahan data suatu peubah pada grid- grid dengan skala yang
lebih kecil mengikuti perubahan data peubah yang sama pada grid berskala besar.
Statistical downscaling adalah proses downscaling yang bersifat statik di mana
data pada grid- grid berskala besar dalam periode dan jangka waktu tertentu
digunakan sebagai dasar untuk menentukan data pada grid berskala lebih kecil.
Teknik ini menggunakan model statistik yang menggambarkan hubungan antara
data pada grid-grid berskala besar dengan data pada grid berskala lebih kecil.
Dalam statistical downscaling peubah-peubah data pada kedua jenis grid (besar
dan kecil) sama atau berbeda. Teknik lainnya adalah statistical-dynamical
downscaling yang merupakan kombinasi kedua nya.
Sehubungan dengan kajian dampak iklim dalam bidang pertanian dengan
skala lokal diperlukan suatu pendekatan statistical downscaling (SD) untuk
memprediksi curah hujan pada skala lokal dengan resolusi tinggi berdasarkan data
GCM berskala global. Pendekatan SD menjembatani skala global GCM dengan
skala yang lebih kecil, berdasarkan adanya hubungan fungsional antara kedua
skala tersebut (Fuentes & Heimann 2000). Menurut Uvo et al. (2001), metode ini
menduga nilai peubah meteorologis dalam selang waktu tertentu berdasarkan
karakteristik sirkulasi atmosfir berskala besar atau mentransformasi data GCM ke
peubah yang berskala lebih kecil. Pendekatan ini menggunakan model regresi
untuk menentukan hubungan fungsional antara peubah iklim skala global GCM
sebagai prediktor dengan peubah iklim lokal sebagai prediktan (respon). Namun
data GCM tidak dapat digunakan secara langsung sebagai prediktor pada model
regresi yang baku.
Data iklim (data GCM dan curah hujan) umumnya bersifat non-stasioner
dalam ruang dan waktu, dinamik dan non- linear, menyebar non-Gaussian atau
mungkin tidak mempunyai sebaran yang baku. Data GCM merupakan data spasial
dan temporal di mana kemungkinan besar terjadi korelasi spasial antara data pada
grid yang berbeda dalam satu domain dan otokorelasi dalam data deret waktu.
Pemodelan SD untuk pendugaan curah hujan harus memperhatikan kendala-
kendala tersebut.

3
 Di samping itu domain GCM merupakan salah satu faktor dalam SD, yaitu
lokasi dan luasan area permukaan atmosfir. Domain menentukan keakuratan
pendugaan model sehingga pene ntuan domain merupakan langkah penting dalam
SD. Dalam pemodelan SD domain ini dijadikan sebagai prediktor yang
berdimensi banyak di mana kemungkinan terjadi curse of dimensionality, korelasi
spasial antar grid dalam domain, dan multikolinearitas antar peubah. Semakin
besar domain dan semakin banyak peubah akan menimbulkan permasalahan
statistik dalam pemodelan, terutama bila data historisnya tidak lebih banyak dari
besar domain dan jumlah peubah.
Selama ini ada beberapa metode SD yang telah digunakan antara lain
regresi linear berganda, regresi komponen utama, dan korelasi kanonik (untuk
multi respon) (Wilby & Wigley 1997). Analisis komponen utama dapat digunakan
untuk mengatasi masalah curse of dimensionality. Regresi komponen utama dapat
mengatasi korelasi spasial atau multikolinearitas antar peubah prediktor (grid-
grid) tetapi metode ini bersifat linear sehingga belum dapat mengatasi sifat data
GCM yang non- linear dan belum mengatasi masalah otokorelasi pada data deret
waktu (temporal). Kombinasi regresi komponen utama dan ARIMA telah
digunakan untuk mengatasi otokorelasi (Notodiputro et al. 2004). Metode Regresi
Projection Pursuit (PPR – Projection Pursuit Regression) berpotensi untuk
mengatasi masalah- masalah tersebut dan dapat digunakan untuk pemodelan SD.
Metode PPR ini telah digunakan dalam penyusunan model kalibrasi dalam bidang
kimia (Malthouse 1995), di mana PPR dapat mengatasi multikolinearitas antara
peubah prediktor dan sifat peubah respon yang nonlinear dan tidak berdistribusi
baku.

1.2. Tujuan Penelitian

Model- model SD untuk peramalan curah hujan atau unsur iklim lainnya
telah dikaji dan diterapkan di wilayah luar tropis berdasarkan peubah-peubah data
GCM dan memberikan hasil ramalan cukup baik. Model ini tentunya berkaitan
dengan kondisi keragaman iklim di wilayah masing- masing. Apakah model-
model SD ini dapat diterapkan di wilayah tropis dengan keragaman iklim
Indonesia? Oleh karena itu penelitian ini bertujuan mengkaji metode Projection

4
Pursuit untuk memperoleh suatu model SD untuk peramalan curah hujan bulanan
yang lebih akurat dan dapat diterapkan di wilayah Indonesia. Secara spesifik
tujuan penelitian ini adalah:
1) Mempelajari perkembangan teknik-teknik SD dan permasalahan yang sering
terjadi dalam pemodelan SD.
2) Menentukan domain GCM yang sesua i untuk pendugaan curah hujan lokal.
3) Menyusun model SD dengan metode PPR yang menggambarkan hubungan
fungsional antara data GCM dan curah hujan dan apakah model PPR dapat
mengatasi masalah curse of dimensionality, multikolinearitas, dan nonlinear.
Model PPR dibandingkan dengan PCR (Principal Component Regression)
yang selama ini banyak digunakan untuk pemodelan SD. Kedua model
menggunakan domain GCM yang sama.
4) Mempelajari apakah panjang data historis berpengaruh terhadap peramalan
curah hujan, yaitu apakah data historis yang lebih pendek sudah representatif
untuk pemodelan SD, dan mengetahui konsistensi peramalan curah hujan
untuk berbagai tahun yang berbeda. Data pencilan (outlier) kemungkinan akan
berpengaruh terhadap pemodelan sehingga pemeriksaan dan koreksi terhadap
data pencilan dilakukan untuk memperoleh model yang lebih baik. Hasilnya
adalah suatu model PPR dan domain GCM tertentu yang akan digunakan
dalam kajian berikutnya.
5) Menentukan wilayah prakiraan hujan, yaitu pewilayahan atau pengelompokan
(regionalisasi) stasiun curah hujan di kabupaten Indramayu, sehingga hanya
satu model peramalan untuk satu kelompok stasiun. Model PPR diterapkan
untuk regionalisasi stasiun-stasiun curah hujan. Pewilayahan dilakukan
berdasarkan pola model dugaan setiap stasiun curah hujan. Hasil yang
diharapkan adalah peta pewilayahan prakiraan curah hujan sehingga satu
wilayah dapat diwakili dengan satu model.

1.3. Kegunaan Penelitian

Metode Projection Pursuit diharapkan dapat digunakan sebagai metode
alternatif yang handal untuk pemodelan SD dan dapat digunakan untuk kajian-
kajian dampak iklim.

5
1.4. Kerangka Pemikiran
Penelitian ini mencakup Studi Literatur terutama tentang data Luaran
GCM dan Teknik-Teknik SD luaran GCM dan Permasalahan Statistik dalam
pemodelan SD, Pene ntuan Wilayah dan Stasiun Curah Hujan, Penentuan Peubah
Luaran GCM, kemudian Pengumpulan Data baik curah hujan maupun luaran
GCM, Penentuan Domain GCM, Pre-processing (Reduksi Dimensi) yang
kemudian dilakukan Pemodelan SD, Uji Konsistensi berdasarkan model SD yang
terbentuk, dan selanjutnya dilakukan Penentuan Daerah Prakiraan Musim
berdasarkan pola model penduga. Tahapan penelitian ini tercantum pada Gambar
1.1. Penelitian ini menggunakan data curah hujan lokal dari 32 stasiun di
kabupaten Indramayu dan data presipitasi (luaran GCM).
Pemodelan SD menyusun model hubungan fungsional antara luaran GCM
dengan curah hujan lokal sehingga model SD memerlukan suatu domain (luasan
dan lokasi) GCM yang akan memberikan pendugaan curah hujan yang akurat.
Dalam hal ini luaran GCM dalam domain sebagai peubah prediktor yang akan
menentukan peubah responnya, yaitu curah hujan lokal. Penentuan domain GCM
merupakan langkah pertama dalam penyusunan model SD.
Secara umum data curah hujan bulanan bersifat nonlinear dan tidak
berdistribusi yang baku, sedangkan data luaran GCM bersifat curse of
dimensionality terutama bila dimensi semakin besar dan multikolinearitas,
sehingga langkah kedua dalam pemodelan SD adalah mereduksi dimensi data
luaran GCM. Model nonparametrik (soft modeling) dan bersifat data-driven
diperlukan untuk mengatasi masalah data curah hujan yang bersifat nonlinear dan
tidak berdistribusi yang baku. Metode PPR merupakan salah satu metode yang
dapat digunakan untuk mengatasi masalah- masalah tersebut, di mana PPR dapat
melakukan reduksi dimensi dan menyusun model regresi yang bersifat
nonparametrik dan data-driven.

6
 Studi Literatur
Data Meteorologis Analisis Statistika

Penentuan 1
Wilayah dan Survei Teknik Teknik-Teknik
Penentuan
Stasiun Curah Statistical Statistical
Peubah-Peubah
Hujan Downscalling Downscalling

Kab. Indramayu Presipitasi

(32 stasiun) (Data GCM)

2
Pengumpulan Pengumpulan Penentuan
Domain GCM
Data Curah Hujan Data Presipitasi Domain GCM

3
Data Curah Data Presipitasi Data Hasil
Pre-processing
HujanLokal GCM Reduksi
(Reduksi Dimensi)
Y X Z

4
Pemodelan
Statistical
Downscalling

5 Model SD
Uji Konsistensi
Model Penduga

6
Penentuan
Daerah Prakiraan
Daerah Prakiraan
Musim (DPM)
Musim (DPM)

Gambar 1.1. Tahapan Penelitian

(Nomor pada setiap kotak menunjukkan Tahapan Analisis Statistika)

Pemasalahan lain yang berkaitan dengan pemodelan SD adalah panjang

data historis dan periodenya. Panjang data historis juga akan menentukan dugaan
model SD. Panjang data historis berapa yang cukup representatif untuk pemodelan
SD. Biasanya dalam pendugaan model digunakan panjang data historis lebih dari
30 tahun. Periode data historis yang berbeda nampaknya akan memberikan
dugaan model yang berbeda pula, sehingga dalam penelitian ini akan dilakukan
uji konsistensi model penduga pada berbagai periode untuk panjang data historis
tertentu.
Penentuan Daerah Prakiraan Musim (DPM) dilakukan berdasarkan hasil
dugaan model SD dengan domain luaran GCM dan panjang data historis yang

7
diperoleh pada tahapan sebelumnya. DPM yang terbentuk akan dibandingkan
dengan DPM berdasarkan data dasarian (BMG 2003; Nuryadi 2005).
Perkembangan Teknik SD Luaran GCM dan Permasalahan Statistik
diuraikan pada Bab 2. Penentuan Domain GCM untuk Penyusunan Model SD
diuraikan pada Bab 3. Bab 4 membahas Penggunaan Projection Pursuit untuk
Reduksi Dimensi dalam Pemodelan SD, yaitu tentang penggunaan PPR dalam
pemodelan SD. PPR dibandingkan dengan PCR pada setiap panjang data historis
(35, 30, 25, 20, dan 15 tahun). PPR juga dibandingkan berdasarkan dua domain
GCM. Bab 5 membahas Uji Konsistensi Model SD Berbasis Projection Pursuit
dalam Prediksi Curah Hujan, yaitu konsistensi pendugaan pada beberapa tahun
peramalan. Dua domain GCM pada Bab sebelumnya juga dibandingkan
berdasarkan konsistensi model. Untuk kedua domain ini dilakukan pemeriksaan
data pencilan dan pembandingan model dengan data tanpa pencilan (yang
dikoreksi) dengan model sebelumnya yang menggunakan data yang ada pencilan
sehingga diperoleh domain yang relatif tidak sensitif terhadap data pencilan. Bab
6 membahas Penentuan Daerah Prakiraan Musim Berbasis Dugaan Model Regresi
Projection Pursuit. Dalam Bab ini dilakukan pewilayahan 32 stasiun curah hujan
di kabupaten Indramayu berdasarkan dugaan model dan domain GCM pada Bab 4
dan 5. Pembahasan Umum pada Bab 7 mencakup bahasan-bahasan pada Bab 2, 3,
4, 5, dan 6. Simpulan dan Saran dicantumkan pada Bab 8.

8
 2. PERKEMBANGAN TEKNIK STATISTICAL
DOWNSCALING DAN PERMASALAHAN STATISTIK

2.1. Pendahuluan
Luaran GCM hanya dapat memberikan informasi untuk skala besar dan
belum dapat memberikan secara langsung informasi untuk skala kecil. Pada
umumnya GCM hanya menghasilkan informasi tentang sirkulasi atmosfir berskala
besar (Sailor & Li 1999). Luaran GCM belum dapat digunakan terutama untuk
kawasan tropis dengan topografi dan vegetasi yang heterogen karena GCM belum
dapat mempertimbangkan kondisi heterogenitas di kawasan berskala lokal dengan
resolusi lebih tinggi daripada resolusi luaran GCM, sehingga diperlukan suatu
proses downscaling, yaitu teknik SD. Teknik SD digunakan untuk mendapatkan
informasi pada skala lokal berdasarkan luaran GCM yang berskala besar atau
resolusi rendah.
Teknik SD membentuk suatu model statistik yang menyatakan hubungan
fungsional antara peubah-peubah prediktor (luaran GCM) dengan peubah respon
lokal. Model ini berupa fungsi transfer (Sailor et al. 2000; Trigo & Palutikof
2001) yang melakukan transfer informasi dari luaran GCM terhadap peubah lokal
sehingga dapat digunakan untuk memprediksi nilai peubah lokal berdasarkan
luaran GCM. Prediksi iklim dengan resolusi lebih tinggi ini selanjutnya
diperlukan untuk kajian iklim, misalnya untuk keperluan dalam bidang pertanian.
Berbagai Teknik SD telah digunakan terhadap luaran GCM dengan
karakteristik, asumsi-asumsi, dan permasalahannya masing- masing. Berbagai
upaya telah dilakukan agar karakteristik dan asumsi yang disyaratkan bagi suatu
teknik SD sesuai dengan karakteristik data yang akan digunakan (luaran GCM dan
curah hujan) dan teknik SD tersebut dapat mengatasi masalahnya. Dalam Bab 2
ini dibahas tentang luaran GCM dan karakteristik nya, pendekatan downscaling,
beberapa teknik SD yang selama ini digunakan, dan permasalahan dalam SD.

2.2. Karakteristik Luaran GCM

Studi dampak iklim biasanya menghendaki skenario perubahan iklim
regional atau lokal dengan resolusi spasial dan temporal tinggi. Dalam kajian
klimatologi jangka panjang GCM mampu menghasilkan ciri sirkulasi global pada
skala besar atau resolusi rendah dan merupakan sumber informasi primer untuk
menilai pengaruh perubahan iklim. GCM merupakan model numerik,
deterministik, dan simulasi komputer yang kompleks tentang kondisi iklim
dengan berbagai komponennya yang berubah sepanjang waktu. GCM
menggambarkan hubungan matematik sejumlah interaksi fisika, kimia, dan
dinamika atmosfir bumi. Model ini diakui dan diyakini sebagai model penting
dalam upaya memahami iklim di masa lampau, sekarang dan masa yang akan
datang.
GCM adalah suatu alat penting dalam studi keragaman iklim dan
perubahan iklim (Zorita & Storch 1999). Model ini menggambarkan sejumlah
subsistem-subsistem dari iklim di bumi, seperti proses-proses di atmosfir, lautan,
dan daratan, dan mampu mensimulasi kondisi-kondisi iklim berskala besar.
Misalnya GCM dapat memproduksi dengan baik pola-pola keragaman atmosfir
dan temperatur permukaan laut (sea surface temperature atau SST). Namun GCM
dirancang tidak untuk menghasilkan informasi penting dengan resolusi lebih
tinggi, misalnya untuk temperatur dan curah hujan skala lokal. Walaupun GCM
dapat melakukan simulasi dengan baik untuk peubah iklim skala besar, tetapi
tidak untuk peubah dengan skala yang lebih kecil (lokal atau regional) (Huth &
Kysely 2000). Beberapa alasan mengapa GCM tidak menghasilkan informasi
untuk skala lokal, antara lain (Zorita & Storch 1999): (1) Deskripsi solusi spasial
tentang struktur permukaan bumi, terutama topografi, tidak jelas; (2)
Hidrodinamika atmosfir bersifat nonlinear dan adanya interaksi nonlinear antara
grid skala kecil; (3) Terlalu banyak parameter yang tidak mungkin tepat untuk
proses-proses pada skala kecil.
Penyempurnaan GCM dilakukan terus untuk mengatasi perbedaan skala,
yaitu dengan (1) Meningkatkan kemampuan komputer, terutama untuk resolusi
lebih tinggi, sehingga RCM (Regional Circulation Model) atau LAM (Limited
Area Model) dari luaran GCM dapat dilakukan; (2) Menerapkan teknik SD.
Menurut Fuentes & Heimann (2000) GCM perlu disempurnakan secara terus
menerus dan bertahap, meskipun model- model ini masih belum memadai untuk
fenomena berskala lebih kecil di kawasan dengan topografi yang kompleks. Oleh

10
karena itu GCM tidak dapat digunakan secara langsung untuk studi dampak iklim
regional atau lokal.
Beberapa model sirkulasi global yang ada, antara lain GISS (Goddard
Institute for Space Studies) dari NASA, GFDL (Geophysical Fluid Dynamic
Laboratory) dari NOAA, UKMO (United Kingdom Meteorological Office),
CSIRO (Commonwealth Scientific and Industrial Research Organization) dari
Australia, dan NCEP (National Centers for Environmental Prediction). Setiap
GCM berbeda dalam bentuk resolusi spasial (Tabel 2.1) dan persamaan-
persamaan untuk membangkitkan parameter-parameter atmosfir.

Tabel 2.1. Beberapa GCM

No Nama GCM Resolusi Jumlah Lapisan
1 GISS 1 4,0º×5,0º 20
2 UKMO 2 2,80º×3,75º 19
3 GFDL3 2,8º×2,8º 18
4 CSIRO 4 1,875º×1,875º 18
5 NCEP 5 2,5º×2,5º 17
6 ECHAM 6 2,8125º×2,789º 18

Selama ini GCM telah dikembangkan dan digunakan di Indonesia untuk

simulasi, prediksi dan pembuatan skenario iklim. GCM juga telah dimanfaatkan
untuk mempelajari variabilitas iklim dan mengkaji dampak perubahan iklim
(Ratag 2001; Mole et al. 2001). Siswanto dan Ratag (2001) memprediksi curah
hujan dan temperatur permukaan bulanan berbasis GCM CSIRO-9. Prediksinya
dilakukan dengan menjalankan model sirkulasi global dari tahun 1949 sampai
dengan 1999, menggunakan data pengamatan temperatur permukaan untuk
memprediksi curah hujan tahun 2000, dengan kriteria (1) di bawah normal, (2)
normal, dan (3) di atas normal.

1
[Link] [10Januari 2006]
2
[Link] [12 Maret 2006]
3
[Link] [12 Maret 2006]
4
[Link] [12 Maret 2006]
5
[Link] [12 Maret 2006]
6
[Link] [12 Maret 2006]

11
 Pemodelan SD memerlukan domain GCM yang terdiri dari sejumlah grid
dan berada pada suatu lokasi tertentu. Data luaran GCM dalam suatu domain
umumnya bersifat curse of dimensionality, yang sering menjadi masalah terutama
kalau dimensinya atau domainnnya semakin besar, yaitu jika pemodelan SD
melibatkan banyak peubah dan lapisan-lapisan atmosfir. Dalam keadaan ini data
bersifat nonlinear dan tidak berdistribusi yang baku, seperti sebaran normal.
Masalah lain yang berkaitan dengan data adalah terjadinya korelasi spasial
dan/atau multikolinearitas antar peubah. GCM menghasilkan luaran untuk
berbagai peubah pada berbagai lapisan atmosfir atau ketinggian. Apabila banyak
peubah dan lapisan yang terlibat dalam pemodelan SD maka permasalahan data
akan semakin kompleks.

2.3. Teknik Downscaling

GCM beresolusi rendah dan tidak memiliki resolusi lebih kecil dari 100
km2 sehingga model ini tidak akan dapat meresolusikan kejadian-kejadian atau
efek-efek berskala meso atau lokal dari keberadaan heterogenitas topografi,
vegetasi, dan komposisi tanah (Ratag 2001). Untuk kawasan dengan topografi
yang relatif homogen, seperti pada kawasan dengan perubahan ketinggian yang
relatif kecil, parameter-parameter skala kecil GCM akan me madai digunakan
untuk memprediksi variabilitas dan perubahan lokal. Perubahan iklim yang
disimulasi terjadi dalam satu grid kemungkinan besar akan berlaku secara merata
pada wilayah-wilayah yang homogen tersebut. Sebaliknya, pada kawasan dengan
variasi topografi yang besar sangat dipengaruhi oleh iklim regional, sehingga
perlu dilakukan pendekatan downscaling untuk memprediksi peubah lokal.
Teknik SD diperlukan untuk menjembatani jenjang antara skala besar GCM
dengan skala di kawasan di mana studi dampak ik lim akan dilaksanakan.
Pada pendekatan downscaling suatu model berskala meso dengan resolusi
tinggi ditempatkan pada grid-grid GCM dan digunakannya syarat-syarat batas
(boundary conditions) hasil prediksi GCM terhadap batas-batas model berskala
meso tersebut. Dalam downscaling iklim regional atau lokal berada pada kondisi
iklim skala global, dan informasi pada skala kecil ini diperoleh dari skala besar
(Storch et al. 2001). Model berskala meso ini, yang beresolusi tinggi dengan

12
ukuran grid lebih kecil daripada grid GCM, dapat memperhitungkan topografi
lokal, vegetasi, dan jenis tanah, dan mentranslasikan hasil prediksi GCM pada
skala lokal. Ada dua jenis pendekatan downscaling yaitu (1) dynamical
downscaling dan (2) statistical downscaling. Dynamical downscaling dilakukan
dengan cara menetapkan GCM tersarang dengan resolusi spasial yang lebih tinggi,
sedangkan SD berdasarkan hubungan fungsional antara prediktor berskala besar
dan peubah respon berskala kecil. Pendekatan lainnya adalah statistical-dynamical
downscaling yang merupakan gabungan kedua pendekatan sebelumnya.

2.3.1. Pendekatan Dynamical Downscaling

Pendekatan dynamical downscaling menggunakan model berskala lebih
kecil daripada skala GCM. Salah satu model meso adalah model area terbatas,
yang dikenal dengan LAM. GCM mensimulasi nilai parameter-parameter berskala
global, sedangkan LAM mensimulasi nilai parameter berdasarkan nilai- nilai pada
grid-grid GCM. Grid-grid LAM berada tersarang pada grid GCM sehingga secara
kontinu LAM tergantung kepada GCM. LAM ini dikendalikan oleh GCM dalam
batas-batas domainnya. Proses simulasi ini memerlukan komputasi yang intensif
dan terus menerus.
DARLAM (Division of Atmospheric Research Limited Area Model)
merupakan salah satu model meso melalui pendekatan dynamical downscaling.
DARLAM berskala 44 km2 dengan 9 level vertikal yang dikembangkan oleh
CSIRO Australia. Model DARLAM dibentuk untuk kawasan Asia Tenggara dan
ditempatkan secara tersarang di dalam grid model global ECMWF (European
Center for Medium Range Weather Forecast) atau NCEP (National Center for
Environmental Prediction). Model lainnya adalah model sirkulasi regional, yang
dikenal dengan RCM yang berskala lebih besar dari skala pada LAM tetapi lebih
kecil daripada skala pada GCM. Di Indonesia hasil prediksi DARLAM telah
digunakan untuk reanalisis curah hujan di 15 stasiun curah hujan (Ratag 2001).
Secara umum hasil reanalisis menunjukkan bahwa model DARLAM telah mampu
mensimulasi pola umum curah hujan meskipun perbedaan nilai prediksi masih
besar.

13
 2.3.2. Pendekatan Statistical Downscaling
Pendekatan SD menggunakan data regional atau global untuk memperoleh
hubungan fungsional antara skala lokal dengan skala global GCM, seperti model
regresi. Pendekatan SD disusun berdasarkan adanya hubungan antara grid skala
besar (prediktor) dan grid skala lokal (respon) yang dinyatakan dengan model
statistik yang dapat digunakan untuk menterjemahkan anomali-anomali skala
global menjadi anomali dari beberapa peubah iklim lokal (Zorita & Storch 1999).
Pendekatan ini mencari informasi skala lokal dari skala global melalui hubungan
fungsional antara kedua skala tersebut (Storch et al. 2001). Namun untuk keadaan
skala global yang sama, keadaan skala lokalnya bisa bervariasi atau adanya
regionalisasi. SD menjelaskan hubungan antara skala global dan lokal dengan
lebih memperhatikan keakuratan model penduga untuk mempelajari dampak
perubahan iklim (Yarnal et al. 2001).
Pendekatan SD memanfaatkan data GCM untuk peramalan iklim lokal
(Fuentes & Heimann 2000). Dalam pendekatan ini perlu dilakukan pemilihan
peubah-peubah yang akan dijadikan sebagai prediktor dan penentuan domain
(lokasi dan jumlah grid), karena kedua hal ini merupakan faktor kritis yang akan
mempengaruhi kestabilan peramalan (Wilby & Wigley 2000). Dengan demikian
dalam hal peramalan curah hujan, pemilihan peubah prediktor (data GCM)
sebaiknya berdasarkan pada adanya korelasi yang kuat antara peubah tersebut
dengan curah hujan.
Hasil dari model SD terkait langsung dengan statistik iklim pada waktu
sebelumnya dan dapat memberikan hasil ramalan deret waktu yang panjang untuk
studi dampak iklim. Model ini juga memerlukan data deret waktu yang homogen
dalam berbagai perubahan iklim (Schubert & Henderson-Sellers 1997). Model SD
juga akan memberikan hasil yang baik jika ketiga syarat berikut terpenuhi, yaitu
(1) Hubungan erat antara respon dengan prediktor yang menjelaskan keragaman
iklim lokal dengan baik; (2) Peubah prediktor disimulasi baik oleh GCM, dan (3)
Hubungan antara respon dengan prediktor tidak berubah dengan perubahan waktu
dan tetap sama meskipun ada perubahan iklim (Busuioc et al. 2001).
Model SD merupakan suatu fungsi transfer (Sailor et al. 2000; Trigo &
Palutikof 2001), yang menggambarkan hubungan fungsional sirkulasi atmosfir

14
global dengan unsur- unsur iklim lokal. Secara umum bentuk modelnya adalah
sebagai berikut:
Y = f(X) (2.1)
di mana: Y(t x p) = peubah-peubah iklim lokal (misal: curah hujan),
X(t x q x s x g) = peubah-peubah luaran GCM (misal: presipitasi),
t = banyaknya waktu (misal: harian, dasarian, atau bulanan),
p = banyaknya peubah y,
q = banyaknya peubah x,
s = banyaknya lapisan atmosfir,
g = banyaknya grid domain GCM.

Model SD tersebut sangat kompleks dan solusi yang baku untuk model ini
belum tersedia. Kompleksitas model ini terjadi karena berbagai kemungkinan
sebagai berikut:
1) q>1 dan X berkorelasi,
2) q>1 dan pengamatan peubah Y berotokorelasi,
3) q>1, X berkorelasi, dan pengamatan peubah Y berotokorelasi.
Pada umumnya model SD melibatkan data deret waktu (t) dan data spasial
GCM (g). Banyaknya peubah y, peubah x, dan lapisan atmosfir dalam model, dan
otokorelasi dan kolinearitas pada peubah y maupun pada peubah x menunjukkan
tingkat kompleksitas model. Semakin banyak peubah y dan peubah x, semakin
kompleks model SD. Dengan demikian dalam penerapan dan pengembangan
model SD untuk wilayah Indonesia diperlukan suatu solusi terutama terhadap
permasalahan pemodelan me lalui kajian teoritis, verifikasi, validasi dan evaluasi
model. Pengembangan ini dapat berupa modifikasi terhadap teknik-teknik SD
yang ada.
Selama ini ada berbagai teknik untuk pemodelan SD, antara lain analisis
regresi linear berganda dan analisis regresi komponen utama (Huth & Kysely
2000; Mpeloska et al. 2001; Uvo et al. 2001; Lanza et al. 2001; Bergant et al.
2002), analisis korelasi kanonik (Landman & Tennant 2000; Busuioc et al. 2001;
Chen D & Chen Y 2002; Fenoglia-Marc 2001), analisis regresi berstruktur pohon
(Tree Structure Regression-TSR) (Li & Sailor 2000), Multivariate Additive

15
Regression Spline (MARS), Artificial Neural Network (ANN) (Sailor et al. 2000;
Dawson & Wilby 2001; Wilby et al. 1998; Cavazos 1999; Mpeloska et al. 2001),
metode analog (Zorita & Storch 1999), model rantai Markov (Charles et al.
1999a; Charles et al. 1999b ). Disamping itu ada beberapa metode pre-processing
yang digunakan antara lain single value decomposition (SVD), analisis komponen
utama. Beberapa metode yang berpotensi untuk pendugaan model SD antara lain
model PPR (Projection Pursuit Regression), model aditif terampat (Generalized
Additive Model atau GAM), metode Bayes. Pada Tabel 2.2 tercantum, beberapa
teknik SD yang pernah digunakan di luar wilayah Indonesia.
Beberapa kajian tentang model SD telah dilakukan untuk data curah hujan
di Indonesia, khususnya di kabup aten Indramayu dan data di sekitar area
Saguling. Notodiputro et al (2004) mengkaji penggunaan model regresi
komponen utama yang dikombinasikan dengan ARIMA. Metode ini diterapkan
terhadap data temperatur GCM dan curah hujan di area Saguling. Wigena dan
Aunuddin (2004b) menggunakan metode projection pursuit (PP) untuk pre-
processing dan PPR dan kombinasi antara PP dan ANN, dan membandingkan
kedua metode tersebut dengan kombinasi antara PCA (Principal Component
Analysis) dan ANN. Berdasarkan kajian awal tersebut metode PP dan PPR
menjadi fokus kajian lebih mendalam dalam penelitian ini.

2.4. Beberapa Teknik Statistical Downscaling

Meskipun GCM dapat digunakan untuk menghasilkan dugaan dengan
resolusi yang lebih tinggi, teknik SD luaran GCM masih diperlukan terutama
untuk memperoleh informasi dari masing- masing lokasi untuk keperluan studi
dampak iklim. Teknik SD merupakan pendekatan alternatif untuk mengatasi
kesenjangan skala antara kemampuan sirkulasi iklim dengan GCM dan kebutuhan
ekosistem dan model- model sektoral (Giorgi & Mearns 1991 diacu dalam Zorita
& Storch 1999). Kim et al. (1984), diacu dalam Huth & Kysely (2000), mulai
menggunakan model statistik untuk SD. Teknik ini menjadi populer karena relatif
sederhana dan biaya komputasi murah, tidak memerlukan komputasi yang intensif
seperti halnya dynamical downscaling (RCM atau LAM).

16
 Teknik SD masih berkembang terus sesuai dengan tingkat
kompleksitasnya. Hal ini sejalan dengan adanya berbagai teknik untuk SD di
berbagai tempat terutama di Eropa, Amerika, dan Australia. Bahkan beberapa
teknik SD telah diklasifikasikan dan dibandingkan berdasarkan kompleksitas
secara teknis dan keakuratan pendugaan (Wilby & Wigley 1997; Zorita & Storch
1999; Sailor & Li 1999). Namun teknik-teknik ini belum diterapkan di kawasan
tropis seperti Indonesia.
Perkembangan teknik-teknik SD tercantum pada Tabel 2.2, berdasarkan
kepustakaan yang ada sampai tahun 2005. Perkembangan ini mulai dari
penggunaan MOS (Model Output Statistics) untuk SD oleh Klein (1982), diacu
dalam Sailor & Li (1999), sampai dengan teknik-teknik yang linear seperti
Empirical Orthogonal Function (EOF) atau PCA dan nonlinear seperti ANN.
Pada umumnya teknik SD yang banyak digunakan adalah teknik SD
berbasis model regresi linear, seperti MOS, Perfect Prognosis, PCA, CCA,
regresi polinomial, regresi bertatar. Tetapi yang paling banyak digunakan adalah
regresi dengan PCA, yang sering disebut PCR. Dalam hal ini PCA digunakan
sebagai metode pereduksian dimensi karena adanya masalah multikolinearitas.
Demikian juga penggunaan SVD oleh Uvo et al. (2001). Teknik SD berbasis
model nonlinear dan nonparametrik yang digunakan adalah ANN dan MARS.
ANN digunakan antara lain oleh Zorita & Storch (1999), Trigo & Palutikof
(1999), Cavazos (1999), dan Sailor et al. (2000). MARS digunakan sebagai teknik
SD oleh Corte-Real et al. (1996), diacu dalam Li &Sailor (2000). Teknik CART
atau TSR berbasis klasifikasi dan bersifat linear yang digunakan oleh Zorita &
Storch (1999) dan Li & Sailor (2000). Charles et al. (1999b) memperkenalkan
penggunaan metode rantai Markov untuk teknik SD.

17
 Tabel 2.2. Beberapa Teknik Statistical Downscaling

Teknik SD Peubah Lokal Peubah Prediktor GCM Kepustakaan

MOS Peubah cuaca permukaan Peubah atmosfir bebas (NWP) Glahn & Lowry (1972) 2
MOS dan Perfect
Peubah cuaca permukaan Peubah atmosfir bebas (NWP) Klein (1982) 2
Prognosis
Weather Generator Curah hujan harian * UKTR Goodes & Palutikof (1978) 1
PCA dan CCA Curah hujan musiman * ECHAM-1 Storch et al.(1993) 1
Regresi Polinomial Temperatur Sea surface temperature GISS Hewitson (1994)
(SST)
Regresi ganda bertatar Temperatur permukaan Peubah atmosfir bebas CCC Winkler et al. (1995) 2
PCA dan MARS Curah hujan bulanan * UKTR Corte-Real et al. (1996) 1
PCA dan Analog Curah hujan harian * ECHAM-1 Cubasch et al. (1996)1
Cluster dan PCA Curah hujan harian * HadCM2 Corte-Real et al. (1997) 1
PCA, CCA, Analog & Curah hujan harian dan Sea level pressure (SLP) ECHAM-3 Zorita & Storch (1999)
ANN bulanan
ANN Temperatur maksimum * HadCM3 Trigo & Palutikof (1999) 1
dan minimum harian
ANN Curah hujan harian Humidity Cavazos (1999)
Keterangan:
1). diacu dalam Trigo & Palutikof (2001)
2). diacu dalam Sailor & Li (1999)
*) tidak tercantum

18
 Tabel 2.2. (Lanjutan)

Teknik SD Peubah Lokal Peubah Prediktor GCM Kepustakaan

CART Curah hujan harian SLP ECHAM-3 Zorita & Storch (1999)
NHMM Curah hujan harian Moisture, SLP CSIRO-9 Charles et al. (1999a)
Charles et al. (1999b)
PCA dan CCA Curah hujan musiman * Had CM3 Gonzales-Ronco (2000) 1
ANN dan MOS Kecepatan angin harian SST, Humidity, SLP, NCAR Sailor et al. (2000)
Geopotential height
PCA dan Regresi Curah hujan bulanan; Geopotential height, ECHAM-3 Huth & Kysely (2000)
berganda temperatur bulanan Geopotential thickness
TSR Curah hujan harian Humidity, SLP, Wind speed NCAR Li & Sailor (2000)
CCA Curah hujan regional SST NCEP Landman & Tenant (2000)
SVD dan Regresi linear Curah hujan rata-rata Precipitable water, Uvo et al. (2001)
Wind speed
CCA Curah hujan musiman SLP HadCH2 Busuioc et al. (2001)
PCA Jumlah hari waktu SST NCEP/NCAR Bergant et al (2002)
pembungaan Dandelion HadCM-3
ECHAM-4
CCA dan PCA Temperatur Geopotential height, NCEP/NCAR Chen D & Chen Y (2002)
PCA dan Regresi Temperatur harian; SST, SLP ERA-40 Fernandez (2005)
linear; Analog Curah hujan musiman
Keterangan:
1). diacu dalam Trigo & Palutikof (2001)
2). diacu dalam Sailor & Li (1999)
*) tidak tercantum

19
 Teknik SD berawal dari metode numerical weather prediction (NWP)
(Wilks 1995) dari National Weather Services (NWS) yang digunakan untuk
peramalan curah hujan. Teknik SD yang pernah digunakan adalah Perfect
Prognosis dan MOS oleh Klein (1982), diacu dalam Sailor & Li (1999). MOS
lebih banyak digunakan untuk peramalan jangka menengah daripada Perfect
Prognosis yang sering digunakan untuk jangka pendek. MOS, yang termasuk
teknik prediksi cuaca tradisional, sebelumnya mulai diperkenalkan
penggunaannya untuk prediksi peubah cuaca dari luaran suatu model numerik
oleh Glahn & Lowry (1972), diacu dalam Sailor et al. (2000). Teknik MOS
menentukan suatu hubungan statistik antara hasil ramalan model prediksi numerik
dan suatu peubah respon (Bocchieri & Glahn 1972). Dalam prosesnya prosedur
MOS terdiri dari dua tahap, yaitu (1) Membuat hubungan empirik antara peubah
cuaca lokal aktual sebagai respon dan peubah prediktor berskala besar; (2)
Menerapkan hubungan ini, berupa persamaan regresi, terhadap peubah dari luaran
model prediksi cuaca berskala besar. Pada dasarnya MOS ini berbasis model
regresi linear.
Metode Analog merupakan alternatif teknik SD luaran GCM. Metode ini
termasuk teknik prediksi cuaca tradisional juga seperti MOS dan Perfect
Prognosis. Pada dasarnya dalam metode ini luaran GCM dibandingkan dengan
data pengamatan historisnya. Pola luaran GCM yang paling sesuai digunakan
sebagai analoginya dari data pengamatan. Selanjutnya secara simultan pola luaran
GCM tersebut diasosiasikan dengan peubah cuaca lokal aktual.
Metode Analog memerlukan data historis yang cukup panjang untuk
memperoleh analogi yang memadai. Metode ini lebih cocok untuk kawasan
dengan topografi yang relatif homogen dan akan memberikan hasil yang kurang
baik untuk kawasan dengan topografi yang kompleks (Zorita & Storch 1999).
Pada umumnya metode ini tidak digunakan untuk memprediksi, tetapi sebagai
suatu cara untuk menspesifikasi kondisi cuaca lokal yang bersesuaian dengan pola
luaran GCM.
Pada awalnya metode Analog pernah diterapkan pertama kali dalam
peramalan cuaca dan prediksi jangka pendek masing- masing oleh Lorenz pada
tahun 1969 dan kemudian oleh Barnett & Palutikof pada tahun 1978 (Zorita &

20
Storch 1999). Metode ini merupakan metode yang sederhana, namun jarang
digunakan sebagai teknik SD (Zorita et al. 1995; Biau et al. 1999). Zorita &
Storch (1999) dan Fernandez (2005) menggunakan kombinasi EOF atau PCA
dengan metode Analog. EOF ini digunakan untuk mengatasi masalah
multikolinearitas dalam data luaran GCM.
Model lain yang paling banyak digunakan sebagai teknik SD adalah model
regresi linear mulai dari yang sederhana sampai regresi linear berganda, baik
model parametrik maupun nonparametrik. Pada dasarnya model ini membuat
hubungan fungsional antara luaran GCM dengan peubah iklim lokal. Model
regresi ini telah digunakan untuk SD dan khusus diterapkan untuk menilai
perubahan iklim oleh Kim et al (1984), diacu dalam Wilby & Wigley (1997).
Hewitson (1994) menggunakan model ini dengan fungsi polinomial untuk
hubungan antara luaran GCM dengan temperatur permukaan. Winkler et al
(1995), diacu dalam Sailor & Li (1999), menggunakan model regresi bertatar
(stepwise).
Pendekatan model regresi umumnya mene ntukan hubungan linear atau
nonlinear antara peubah lokal dengan peubah prediktornya yang berskala global.
Hubungan nonlinear umumnya diimplementasi dengan jaringan syaraf tiruan
(ANN). Teknik ini dapat menghasilkan model nonlinear antara peubah lokal dan
peubah luaran GCM. Cavazos (1999) dan Cavazos & Hewitson (2002) telah
menggunakan ANN untuk memperoleh model SD antara SLP (tekanan
permukaan laut), geopotential height, dan kelembaban dengan curah hujan harian.
Trigo & Palutikof (2001) menerapkan ANN baik untuk model linear maupun
nonlinear dengan menggunakan data luaran GCM HadCM2 sebagai prediktor dan
curah hujan di Iberia sebagai peubah respon.
Teknik-teknik SD yang lebih kompleks antara lain CCA, MARS, CART
atau TSR. Teknik SD dengan CCA menentukan hubungan dua gugus peubah X
dan Y dan menghasilkan sejumlah pasangan pola hubungan yang bekorelasi
optimal antara keduanya. CCA telah digunakan oleh Storch et al. (1997), diacu
dalam Zorita & Storch (1999), Zorita & Storch (1999), Gonzales-Ronco (2000),
diacu dalam Trigo & Palutikof (2001), Landman & Tenant (2000), Busuioc et al.
(2001). MARS adalah model regresi spline aditif berganda yang bersifat nonlinear

21
dan nonparametrik di mana pendugaan modelnya berdasarkan fungsi spline.
MARS ini telah digunakan oleh Corte-Real et al (1996), diacu dalam Li &Sailor
(2000), untuk pendugaan curah hujan bulanan berdasarkan luaran GCM UKTR
(United Kingdom Meteorological Transient). CART atau TSR merupakan
gabungan antara klasifikasi dan regresi. Dalam proses pendugaannya teknik ini
melakukan pengelompokan biner berdasarkan kriteria tertentu sampai kriteria
optimal tercapai. Pada akhir pengelompokan dilakukan pendugaan berdasarkan
model regresi tertentu untuk setiap kelompok.
Di samping itu ada teknik SD yang menggunakan metode rantai Markov
terutama untuk klasisfikasi cuaca yang bersifat diskrit. Charles et al. (1999a;
1999b) telah menerapkan model rantai Markov, yang disebut Nonhomogenuous
Hidden Markov Model (NHMM), untuk memprediksi curah hujan harian
berdasarkan luaran GCM (SLP) CSIRO 9. NHMM ini berdasarkan proses
stokastik ganda di mana proses-proses yang ‘tersembunyi’ (hidden atau
unobserved) hanya dapat diketahui melalui sejumlah proses stokastik lainnya yang
dapat menghasilkan sekuen data pengamatan. Dalam NHMM didefinisikan
adanya hubungan bersyarat stokastik antara pola kejadian curah hujan harian
aktual dengan sejumlah keadaan cuaca yang tersembunyi.
Ada beberapa teknik SD yang merupakan kombinasi dari dua metode,
antara lain Huth & Kysely (2000) menggunakan regresi linear ganda dengan PCA
untuk memprediksi total curah hujan dan temperatur rata-rata bulanan berdasarkan
SST luaran GCM ECHAM-3 di Republik Cekoslovakia; Uvo et al. (2001)
mengembangkan model regresi linear berdasarkan dekomposisi nilai singular
(SVD) untuk pendugaan curah hujan rata-rata dengan basis 12 jam di pulau
Kyushu Jepang. Sailor et al. (2000) mengkombinasikan ANN dengan MOS untuk
data luaran GCM NCAR (National Centre for Atmospheric Research) untuk
memprediksi kecepatan angin permukaan harian. Chen D & Chen Y (2002)
menggunakan CCA dan PCA untuk peramalan temperatur berdasarkan luaran
GCM NCEP/NCAR.
Secara umum teknik-teknik SD banyak digunakan untuk memprediksi
curah hujan harian, bulanan, maupun musiman, dan temperatur. Teknik SD tidak
hanya dapat digunakan untuk memprediksi peubah iklim lokal, tetapi juga peubah

22
respon lainnya, antara lain populasi zooplankton di Belanda dan polusi udara di
London (Wilby et al. 2004). Bergant et al (2002) memprediksi jumlah hari untuk
mulai pembungaan tanaman Dandelion berdasarkan temperatur (luaran GCM).
Peubah prediktor yang sering digunakan adalah SST (Sea Surface Temperature),
SLP (Sea Level Pressure), Geopotential height, Humidity. Peubah prediktor
lainnya yang digunakan, antara lain Wind speed, Precipitable water, Presipitasi.

2.5. Kategori Teknik Statistical Downscaling

Teknik-teknik SD pada Tabel 2.2 dapat dikelompokkan menjadi lima
kategori seperti tercantum pada Tabel 2.3. Kategori ini berdasarkan teknik
berbasis Regresi atau Klasifikasi, teknik dengan model Linear atau model
Nonlinear, teknik dengan model Parametrik atau model Nonparametrik, teknik
berbasis Proyeksi atau Seleksi, dan teknik berbasis model-driven atau data-driven.
Sailor & Li (1999) mengemukakan bahwa ada dua kelompok teknik SD, yaitu (1)
Teknik SD berbasis Regresi; dan (2) Teknik SD berbasis Klasifikasi tipe cuaca.
Kelompok teknik pertama baik digunakan untuk memprediksi peubah lokal yang
bersifat kontinu berdasarkan waktu, sedangkan kelompok teknik kedua dapat
digunakan baik untuk peubah lokal yang kontinu maupun diskrit. Zorita & Storch
(1999) mengklasifikasikan teknik-teknik SD menjadi tiga kategori, yaitu (1)
Teknik SD berbasis model linear; (2) Teknik SD berbasis model nonlinear; dan
(3) Teknik SD berbasis klasifikasi tipe cuaca.
Suatu teknik SD bisa termasuk ke dalam kombinasi kelima kategori. PCR
termasuk kategori metode berbasis regresi, linear, parametrik, berbasis proyeksi,
dan model-driven. PCR adalah suatu metode pemodelan regresi berdasarkan PCA,
di mana PCA melakukan pereduksian dimensi atau melakukan proyeksi peubah-
peubah awal berdimensi besar menjadi sejumlah peubah baru yang berdimensi
lebih kecil, yang disebut komponen utama. Model regresi dibentuk berdasarkan
peubah-peubah baru sebagai prediktor. Modelnya sudah ditentukan sejak awal
(model-driven), bersifat linear, dan parametrik yang ketat asumsi. Pendugaan
model dilakukan dengan metode kuadrat terkecil.

23
 Tabel 2.3. Kategori Teknik-Teknik Statistical Downscaling

No Kategori Teknik-Teknik SD
1 a. Berbasis Regresi MOS, Perfect Prognosis, Analog, PCR,
CCA, MARS, Regresi bertatar, ANN,
[PPR]
b. Berbasis Klasifikasi CART (TSR), NHMM
2 a. Model Linear MOS, Perfect Prognosis, Analog, Regresi
bertatar, PCR, CCA, CART (TSR)
b. Model Nonlinear ANN, MARS, [PPR]
3 a. Model Parametrik MOS, Regresi bertatar, PCR, CCA, CART
(TSR)
b. Model Nonparametrik ANN, MARS, [PPR]
4 a. Berbasis Proyeksi PCR, [PPR]
b. Berbasis Seleksi CART (TSR), Regresi Bertatar
5 a. Model driven MOS, PCR, CCA, Regresi Bertatar, ANN
b. Data driven MARS, CART (TSR), [PPR]
Keterangan: [PPR] belum digunakan dalam SD

Berbeda dengan PCR, MARS berbasis regresi, nonlinear, nonparametrik

yang tidak memerlukan asumsi yang ketat (soft modeling), dan data-driven.
Dalam metode ini pendugaan model regresi menggunakan fungsi spline
berdasarkan kondisi data, tanpa model yang baku dan spesifik. Teknik SD lainnya
yang berbasis regresi, nonlinear, nonparametrik dan model-driven adalah ANN.
Model regresi bertatar termasuk kategori teknik berbasis regresi, linear,
parame trik, berbasis seleksi, dan model-driven. Dalam teknik ini dilakukan proses
seleksi peubah prediktor yang memenuhi syarat masuk ke dalam model. CART
atau TSR termasuk teknik SD berbasis klasifikasi di mana dalam prosesnya teknik
ini melakukan penge lompokan secara bertahap, bersifat linear, parametrik,
berbasis seleksi, dan data-driven.
Model PPR termasuk kategori model berbasis regresi nonlinear,
nonparametrik, berbasis proyeksi, dan data-driven, serta tidak mempunyai bentuk
model yang baku dan tidak ketat asumsi atau tidak memerlukan asumsi seperti
halnya pada model regresi parametrik. Teknik ini tidak menghasilkan bentuk
model penduga, tetapi dapat memberikan hasil pendugaannya. Serupa dengan
PCR, PPR melakukan pendugaan model yang diawali dengan pereduksian
dimensi peubah asal menjadi peubah baru berdimensi lebih kecil dari dimensi
asal, sehingga PPR termasuk kategori model regresi berbasis proyeksi. Dalam

24
proses pendugaan modelnya, teknik ini menggunakan fungsi kernel atau spline
serupa dengan pada teknik MARS, yang membiarkan model PPR mengikuti
keadaan datanya, sehingga PPR termasuk ke dalam kategori model berbasis data-
driven.

2.6. Permasalahan Dalam Teknik Statistical Downscaling

Pemodelan SD diawali dengan penyusunan hubungan fungsional antara
peubah atmosfir skala global dengan peubah skala lokal. Pemodelan ini
memerlukan asumsi-asumsi dan prosedurnya. Prosedur-prosedurnya mencakup
pemilihan peubah lokal sebagai peubah respon (y), pemilihan peubah global
sebagai peubah prediktor (X) dan domain GCM, dan penentuan model dan
metode pendugaannya.
Beberapa asumsi diperlukan dalam penggunaan model statistik untuk
teknik SD. Asumsi penting untuk menilai dampak iklim dengan pendekatan
statistik adalah adanya hubungan antara sirkulasi atmosfir skala besar dan iklim
lokal yang tidak berubah dengan terjadinya perubahan iklim, meskipun tidak ada
jaminan demikian (Zorita & Storch 1999). Namun jika data pengamatan historis
(record length) untuk pemodelan cukup panjang, maka data tersebut dapat
diasumsikan mengandung informasi penting tentang kondisi iklim yang berbeda
atau adanya perubahan iklim. Hal ini berguna untuk menilai iklim lokal dengan
memanfaatkan model statistik yang dapat mengidentifikasi informasi tersebut
dalam data historis, dan dapat menduga kemungkinan dampaknya terhadap iklim
lokal. Keadaan ini akan valid jika keragaman di masa lampau sama dengan
keragaman pada saat sekarang dan masa datang. Tetapi kenyataannya bahwa
model yang dapat memberikan hasil yang baik untuk masa lampau belum tentu
berimplikasi bahwa model tersebut dapat digunakan dengan baik pula untuk
kondisi yang akan datang, bahkan ada kemungkinan model itu sudah tidak berlaku
lagi karena adanya perubahan keragaman, apalagi kalau ada kejadian ekstrim.
Sehubungan dengan teknik SD ini, Zorita et al (1995) mengemukakan
tiga asumsi, yaitu (1) GCM dapat memprediksi peubah atmosfir berskala besar
yang lebih realistis daripada memprediksi peubah iklim lokal; (2) Hubungan
antara peubah skala besar dan lokal tidak berubah dengan adanya perubahan

25
iklim; dan (3) Prosedur statistik tidak hanya menghasilkan suatu replika data
historis tetapi juga makna pengaruh setiap peubah dan hubungannya secara fisik
terhadap peubah lokal. Yarnal et al (2001) menyatakan bahwa salah satu asumsi
dalam pemodelan SD adalah kestabilan hubungan antara peubah luaran GCM
dengan peubah lokal, di mana hubungan ini tidak tergantung waktu (time
invariant). Namun hubungan ini umumnya tidak stabil, terutama kalau banyak
peubah yang terlibat dalam penyusunan model dan untuk jangka panjang.
Cavazos (1999) menyebutkan asumsi-asumsi dalam pemodelan linear,
yaitu (1) Kelinearan; (2) Kenormalan; dan (3) Tidak ada multikolinearitas.
Dengan asumsi kelinearan, model SD harus bersifat linear. Model ini memerlukan
asumsi kenormalan, di mana suatu model tidak dapat digunakan secara langsung
bila peubah lokal tidak menyebar normal, terutama untuk model paramterik. Pada
umumnya peubah lokal tidak menyebar normal, misalnya curah hujan. Luaran
GCM menyebar normal selama sirkulasi atmosfir skala besar menyebar normal,
tetapi secara umum kenyataannya tidak normal (Cavazos 1999). Multikolinearitas
adalah suatu keadaan di mana peubah-peubah prediktor dalam model saling
berkorelasi tinggi. Keadaan ini akan menjadi masalah dalam penduga model yang
berbias dan overestimate.
Pada dasarnya model SD adalah model regresi yang melibatkan
pemodelan suatu fungsi antara satu atau lebih peubah prediktor dan satu atau lebih
peubah respon, yaitu pendugaan f(X). Bentuk umum model SD pada persamaan
(2.1) terdiri dari peubah respon Y(t x p) dan peubah prediktor X(t x q x s x g) . Bila
fungsi f(X) diketahui, maka pendugaannya dapat dilakukan dengan baik. Tetapi
pada kenyataannya bentuk fungsi ini sering tidak diketahui dan model yang tidak
tepat akan memberikan hasil dugaan yang tidak tepat pula (Friedman & Stuetzle
1981). Bila bentuk fungsi tidak diketahui dan hanya melibatkan satu peubah
prediktor, maka f(X) dapat dimodelkan dengan pemulusan linear seperti spline
atau kernel. Untuk jumlah peubah prediktor yang lebih banyak, metode
pemulusan linear akan bermasalah karena data prediktor bersifat curse of
dimensionality di mana ukuran ruang peubah prediktor bertambah besar secara
eksponensial sesuai dengan bertambahnya jumlah peubah prediktor. Hal ini akan

26
menimbulkan masalah dalam pendugaan f(X) apabila tidak didukung dengan
jumlah data yang besar.
Tahap awal dalam SD adalah pemilihan peubah lokal dan lokasi target
pendugaan, sehubungan dengan peubah respon pada model SD. Peubah ini harus
terukur dan berhubungan dengan sirkulasi global. Pada umumnya temperatur
banyak digunakan dalam studi SD. Temperatur bersifat kontinu dan berdistribusi
normal. Di samping itu curah hujan juga sering digunakan. Curah hujan
berdistribusi skewed dengan nilai minimum nol dan berhubungan dengan proses-
proses yang terjadi pada skala lokal sehingga sukar untuk proses downscaling
(Yarnal et al. 2001).
Setelah peubah respon terpilih, tahap berikutnya adalah memilih peubah
prediktor dan domainnya. Peubah prediktor mempengaruhi lingkungan pada
tingkat permukaan dan dapat disimulasi secara akurat oleh GCM (Yarnal et al.
2001). Peubah GCM yang sering digunakan adalah SLP, geopotential height,
moisture, humidity, dew point temperature, vorticity, dan presipitasi. Presipitasi
pernah digunakan sebagai prediktor oleh Venugopal et al (1999), diacu dalam
(Yarnal et al. 2001), dan Semenov & Barrow (1996), Palutikof & Wigley (1995),
dan Wilks (1999), diacu dalam Giorgi & Hewitson (2001). Presipitasi bulanan
luaran GCM merupakan salah satu peubah prediktor yang berpotensi digunakan
dalam pemodelan SD (BIOCLIM 2004).
Peubah respon juga bersifat temporal sehingga kemungkinan ada masalah
otokorelasi. Jika peubah respon lebih dari satu, maka masalah multikolinearitas
mungkin terjadi dalam peubah respon. Permasalahan lain yang mungkin terjadi
pada peubah respon adalah kondisi kawasan di mana lokasi target pendugaan akan
dilakukan, terutama berkaitan dengan kehomogenan topografi dan vegetasi di
wilayah target di kawasan tropis seperti Indonesia. Wilayah yang heterogen
memerlukan teknik SD yang dapat digunakan dengan skala ‘titik’ (point scale),
yaitu khusus untuk suatu lokasi tertentu, tidak berlaku untuk wilayah sekitarnya
yang lebih luas. Untuk wilayah target yang lebih homogen, teknik SD dapat
digunakan untuk pendugaan target yang lebih luas. Kejadian ekstrim pada peubah
respon juga akan merupakan masalah dalam pendugaan model SD. Kejadian ini
akan menjadi data pencilan yang mungkin akan mengganggu pendugaan model

27
SD, sehingga teknik SD harus bersifat kekar (robust) terhadap kejadian ekstrim
atau pencilan.
Peubah prediktor bersifat spasial (g) dan temporal (t) sedangkan peubah
respon bersifat temporal (t) di mana peubah ini berupa deret waktu. Kedua jenis
peubah ini mempunyai permasalahannya masing- masing, di samping masalah
curse of dimensionality terutama pada peubah prediktor. Peubah prediktor adalah
data luaran GCM yang tergantung pada luasan dan lokasi domain GCM yang
bersifat spasial sehingga kemungkinan adanya korelasi spasial antar grid dalam
domain. Keadaan ini menunjukkan kemungkinan adanya masalah
multikolinearitas antar grid. Demikian juga jika model melibatkan lebih dari satu
prediktor dan lebih dari satu lapisan atmosfir, yang kemungkinan ada korelasi
antara peubah prediktor. Di samping bersifat spasial, prediktor ini bersifat
temporal sehingga kemungkinan ada masalah otokorelasi.
Secara umum permasalahan dalam pemodelan SD adalah sebagai berikut:
(1) Luasan dan lokasi domain GCM, yaitu jumlah grid dalam domain dan lokasi
domain di mana peubah prediktornya berkorelasi tinggi dengan peubah
respon.
(2) Peubah prediktor (luaran GCM) yang bersifat curse of dimensionality,
nonlinear, non Gaussian, bahkan tidak mengikuti sebaran statistik yang
baku, dan multikolinearitas.
(3) Peubah respon juga bersifat nonlinear, non Gaussian, bahkan tidak
mengikuti sebaran statistik yang baku.
(4) Panjang data historis, di mana umumnya teknik SD memerlukan data
historis yang relatif panjang.
(5) Data peubah respon yang ekstrim atau pencilan.

2.7. Simpulan
1). Penggunaan suatu teknik SD perlu memperhatikan permasalahan yang
ada. Teknik-teknik SD yang ada sudah memberikan hasil yang cukup
akurat dengan berbagai asumsi dan kendala tertentu. Pada kenyataannya
teknik SD masih terus berkembang dan mencoba untuk mengantisipasi
permasalahan yang ada sehingga dapat memberikan hasil dugaan dengan

28
 kesalahan yang relatif kecil. Teknik-teknik SD berbasis regresi nonlinear,
nonparametrik, proyeksi atau seleksi, dan data-driven akan menjadi
pilihan yang lebih tepat untuk data iklim, antara lain metode PPR.
2). Pemilihan domain GCM yang berhubungan kuat dengan peubah
responnya masih merupakan masalah dalam SD. Peubah prediktornya
bersifat curse of dimensionality dan peubah respon umumnya bersifat
nonlinear dan tidak menyebar menurut sebaran yang baku (tidak normal),
sehingga diperlukan teknik SD berbasis regresi nonlinear, nonparametrik,
proyeksi atau seleksi, dan data-driven. Masalah lainnya berkaitan dengan
kestabilan model hubungan peubah prediktor dengan peubah respon dari
waktu ke waktu atau bahwa apakah model tersebut time invariant.
Meskipun tidak sering menjadi kendala, panjang data historis dan data
peubah respon yang ekstrim (mungkin berupa data pencilan) juga dapat
mempengaruhi hasil pendugaan model SD.

29
 3. PENENTUAN DOMAIN GCM DALAM PENYUSUNAN
MODEL STATISTICAL DOWNSCALING

3.1. Pendahuluan
Domain GCM berperan penting dalam pemodelan SD. Data pada domain
ini dijadikan sebagai faktor yang menentukan pendugaan dalam pemodelan SD.
Pemodelan SD menghubungkan data luaran GCM pada domain tertentu yang
berskala global dengan data yang berskala lebih kecil atau skala lokal. Pemilihan
domain GCM akan menentukan hasil peramalan dan merupakan faktor kritis
dalam pemodelan SD (Wilby & Wigley 2000). Ketepatan pemilihan domain, baik
luasan maupun lokasinya, akan menghasilkan pendugaan curah hujan yang lebih
akurat. Dengan demikian diperlukan suatu metode untuk memperoleh domain
optimum.
Selama ini belum ada suatu metode yang dapat digunakan untuk pemilihan
domain GCM. Pada umumnya domain ditetapkan secara apriori yaitu berupa
persegi (atau bujur sangkar) mencakup lokasi pendugaan. Dalam penelitiannya
tentang teknik SD, Bergant et al (2002) menyarankan domain minimum seluas
8×8 grid dengan posisi tepat di atas lokasi target pendugaan. Fernandez (2005)
membandingkan tiga domain untuk peramalan rata-rata temperatur harian dan
rata-rata curah hujan di sekitar Eropa. Ketiga domain tersebut adalah (1) domain
besar (30o LU-75o LS dan 30o BB-40o BT), (2) domain sedang yaitu seperempat dari
domain besar atau seluas 22,5o lintang dan 35o bujur, dan (3) domain kecil seluas
10o lintang dan 20o bujur. Hasil kajiannya menunjukkan bahwa perbedaan luasan
ketiga domain kurang berpengaruh terhadap hasil peramalan.
Secara umum dalam pemodelan SD antara peubah respon dan peubah
prediktor harus berkorelasi kuat. Busuioc et al (2000) menyatakan bahwa salah
satu syarat dalam pemodelan SD adalah adanya hubungan erat antara respon
dengan prediktor. Hal ini dapat menjadi pertimbangan dalam penentuan domain
GCM. Domain dipilih berdasarkan nilai korelasi tinggi sehingga domain terpilih
terdiri dari grid-grid dengan data yang berkorelsi tinggi dengan data peubah
respon. Wigena & Aunuddin (2004a) menggunakan domain yang tidak
contiguous, yaitu sebagian di sebelah utara dan sebagian di sebelah selatan lokasi
target pendugaan, di mana grid-grid dalam domain tersebut berkorelasi tinggi
dengan curah hujan di lokasi target. Wigena et al (2005) menentukan domain
GCM dengan teknik variogram. Teknik ini digunakan untuk menentukan luasan
domain sedangkan lokasinya ditentukan berdasarkan nilai korelasi tinggi suatu
grid dengan curah hujan di lokasi target. Namun teknik ini memerlukan area dasar
atau awal untuk penentuan variogram, misalnya wilayah Indonesia (6o LU-11o LS
dan 95o BT-141o BT). Hasil pendugaan dengan PCR menunjukkan bahwa domain
dengan variogram memberikan hasil (r=0.78; RMSEP=98) lebih baik daripada
domain 8×8 grid tepat di atas lokasi target (r=0.60; RMSEP=119). Dalam Bab ini
dibahas tentang kajian berbagai domain GCM. Kajian ini bertujuan untuk
memperoleh domain yang dapat digunakan untuk penyusunan model SD.

3.2. Bahan dan Metode

3.2.1. Bahan
Data GCM yang digunakan adalah presipitasi tahun 1966 sampai dengan
2001, yang diperoleh dari ECHAM, dengan wilayah 50o LU-40o LS dan 50o -
185o BT, yang mencakup wilayah Indonesia (6o LU-11o LS dan 95o -141o BT).
Penelitian ini juga menggunakan data curah hujan di stasiun Sukadana kabupaten
Indramayu, dengan panjang data historis 35 tahun (tahun 1966 sampai dengan
2001).

3.2.2. Metode
Penentuan domain dilakukan berdasarkan (1) domain berbentuk segi bujur
sangkar (Berga nt et al. 2002), dan (2) nilai korelasi tinggi (=0.6) antara sejumlah
grid dalam domain dengan curah hujan di stasiun Sukadana. Domain-domain
berbentuk segi bujur sangkar yang digunakan berlokasi tepat di atas wilayah
kabupaten Indramayu dengan berbagai uk uran (Gambar 3.1), yaitu: (1) 8×8 grid
(Segi8), (2) 10×10 grid (Segi10), (3) 12×12 grid (Segi12), (4) 14×14 grid (Segi14),
dan (5) 16×16 grid (Segi16). Sedangkan domain-domain yang berdasarkan
korelasi antara grid- gird dalam wilayah 50o LU-40o LS dan 50o -185o BT dengan
lokasi target pendugaan, yaitu atb1t88 (besar), atb2t88 (sedang), dan atb3t88
(kecil), seperti tercantum pada Gambar 3.2. Ketiga domain ini masing- masing

31
merupakan gabungan grid-grid dengan nilai korelasi tinggi yang negatif, positif,
dan grid-grid di atas sekitar lokasi target. Domain lainnya (Segi8kor) berbentuk
bujur sangkar 8×8 grid dan berkorelsi tinggi (6.9o –25.5o LS dan 126.5o -146.2o
BT) pada Gambar 3.1. Domain-domain dibandingkan berdasarkan nilai RMSEP
(Root Mean Square Error of Prediction) dan korelasi (r) melalui model SD
dengan PPR. Nilai RMSEP menunjukkan besarnya perbedaan antara nilai dugaan
dengan aktualnya. Semakin besar RMSEP semakin besar perbedaan dugaan
dengan aktualnya, yang berarti dugaan tersebut kurang akurat. Sedangkan nilai
korelasi (r) menunjukkan keeratan hubungan antara nilai dugaan dengan
aktualnya. Semakin besar (dan positif) nilai korelasi r, semakin kuat hubungan
antara dugaan dengan aktualnya, yang berarti pola nilai dugaan semakin
mendekati pola data aktualnya.

Segi8

Segi10
Segi8kor

Segi12

Segi14
Segi16
Indramayu

Gambar 3.1. Domain-Domain Berbentuk Segi Bujur Sangkar

32
 atb2t88

Indramayu

atb3t88

atb1t88

Gambar 3.2. Domain-Domain Berdasarkan Korelasi

3.3. Hasil dan Pembahasan

Hasil kajian domain tercantum pada Tabel 3.1 untuk domain-domain
berbentuk bujur sangkar dan Tabel 3.2 untuk domain-domain berdasarkan nilai
korelasi antar grid GCM dengan curah hujan lokal di wilayah kabupaten
Indramayu. Berdasarkan Tabel 3.1 domain Segi8 memberikan nilai RMSEP yang
lebih kecil dari RMSEP domain lainnya, kecuali untuk periode 1986-2000 nilai
RMSEP domain Segi8 lebih besar dari domain Segi10. Pada periode 1979-2000
nilai RMSEP Segi8 (63) lebih kecil dari RMSEP domain lainnya (86, 114, 173,
dan 231 masing- masing untuk Segi10, Segi12, Segi14, dan Segi16). Pada periode
1981-2000 RMSEP Segi8 (63) lebih kecil dari RMSEP domain lainnya (88, 133,
186, dan 205 masing- masing untuk Segi10, Segi12, Segi14, dan Segi16). Hal ini
menunjukkan bahwa perbedaan dugaan dan aktualnya untuk Segi8 lebih kecil dari
perbedaan keduanya untuk domain lainnya, yang berarti bahwa pendugaan dengan
domain Segi8 lebih akurat daripada dengan domain lainnya. Perbandingan ini
dapat dilihat pada Gambar 3.3.

33
 Demikian juga dengan nilai korelasi r. Pada periode 1979-2000 dan 1981-
2000 nilai r dengan Segi8 (masing- masing 0,76 dan 0,78) lebih besar daripada
nilai r dengan domain lainnya. Hal ini menunjukkan bahwa pola nilai dugaan
dengan domain Segi8 lebih mendekati pola data aktualnya daripada pola nilai
dugaan dengan domain lainnya. Nilai r untuk Segi14 periode 1986-2000 bernilai
negatif (-0.44) dan untuk Segi16 pada periode 1981-2000 dan 1986-2000 adalah -
0,76 dan -0,64 masing- masing. Nilai r yang negatif menunjukkan bahwa terdapat
hubungan negatif antara dugaan dengan aktualnya, yang berarti bahwa pola nilai
dugaan tidak serupa dengan pola data aktualnya. Perbandingan ini dapat dilihat
pada Gambar 3.4.

Tabel 3.1. RMSEP dan r untuk Setiap Domain Bujur Sangkar

Periode Data Historis

Domain 1979 - 2000 1981 - 2000 1986 - 2000
RMSEP 63 63 98
Segi8 r 0,76 0,78 0,50
RMSEP 86 88 74
Segi10 r 0,64 0,56 0,73
RMSEP 114 133 105
Segi12 r 0,56 0,61 0,67
RMSEP 173 186 182
Segi14 r 0,55 0,12 -0,44
RMSEP 231 215 186
Segi16 r 0,31 -0,76 -0,64

250

200

150
RMSEP

100

50

0
Segi8 Segi10 Segi12 Segi14 Segi16

1979 - 2000 1981 - 2000 1986 - 2000

Gambar 3.3. RMSEP untuk Domain-Domain Bujur Sangkar

34
 1.00
0.80

0.60

0.40

0.20

0.00
r
Segi8 Segi10 Segi12 Segi14 Segi16
-0.20
-0.40

-0.60

-0.80

-1.00

1979 - 2000 1981 - 2000 1986 - 2000

Gambar 3.4. Nila i r untuk Domain-Domain Bujur Sangkar

Tabel 3.2 menunjukkan bahwa pada setiap periode nilai RMSEP untuk
domain Segi8kor (103, 94, 95, 84, dan 110 masing- masing untuk periode 35, 30,
25, 20, dan 15 tahun) lebih kecil daripada RMSEP untuk domain-domain atb1t88
(151, 207, 186, 158, dan 156), atb2t88 (166, 159,197,212, dan 185), atb3t88 (111,
195, 133, 204, dan 198),. Sedangkan nilai r untuk domain Segi8kor (0,70; 0,84;
0,93; 0,85; dan 0,84 masing- masing untuk periode 35, 30, 25, 20, dan 15 tahun)
lebih besar daripada nilai r untuk domain lainnya. Keadaan ini dapat dilihat pada
Gambar 3.5 dan 3.6. Hal ini menunjukkan bahwa domain Segi8kor akan
memberikan hasil dugaan yang lebih akurat dan pola nilai dugaan lebih mendekati
pola data aktualnya daripada domain la innya.

Tabel 3.2. RMSEP dan r untuk Setiap Domain Berdasarkan Korelasi

Periode Data Historis

(35th) (30th) (25th) (20th) (15th)
1966- 1971- 1976- 1981- 1986-
Domain 2000 2000 2000 2000 2000
Segi8kor RMSEP 103 94 95 84 110
r 0,70 0,84 0,93 0,85 0,84
atb1t88 RMSEP 151 207 186 158 156
r 0,45 -0,23 0,29 0,43 0,35
atb2t88 RMSEP 166 159 197 212 185
r 0,50 0,40 -0,24 0,14 0,09
atb3t88 RMSEP 111 195 133 204 198
r 0,57 0,13 0,36 0,09 0,09

35
 250

200

RMSEP
150

100

50

0
Segi8kor atb1t88 atb2t88 atb3t88

1966-2000 1971-2000 1976-2000 1981-2000 1986-2000

Gambar 3.5. RMSEP untuk Domain-Domain Berdasarkan Korelasi

1.00
0.80
0.60
0.40
r

0.20
0.00
Segi8kor atb1t88 atb2t88 atb3t88
-0.20
-0.40

1966-2000 1971-2000 1976-2000 1981-2000 1986-2000

Gambar 3.6. Nilai r untuk Domain-Domain Berdasarkan Korelasi

3.4. Simpulan
1). Domain Segi8 dan Segi8kor berpotensi untuk digunakan dalam pemodelan
SD. Penentuan domain Segi8 lebih praktis daripada Segi8kor karena tidak
perlu menentukan nilai korelasi antara grid-grid dengan lokasi target
pendugaan.
2). Penentuan domain masih bersifat subyektif, meskipun berdasarkan nilai
korelasi antara grid-grid GCM dengan lokasi target pendugaan. Penentuan
domain berkaitan dengan pemilihan grid-grid yang berkorelasi tinggi ya ng
termasuk dalam domain. Pemilihan grid- grid ini masih dilakukan secara
subyektif. Hal ini kurang praktis, sehingga diperlukan suatu metode
penentuan domain yang lebih objektif.

36
 4. PENGGUNAAN PROJECTION PURSUIT UNTUK
REDUKSI DIMENSI DAN PEMODELAN STATISTICAL
DOWNSCALING

4.1. Pendahuluan
Analisis data dengan dimensi besar sering dipengaruhi oleh keadaan data
yang disebut curse of dimensionality, yang sering menjadi masalah, terutama
kalau dimensinya semakin besar (Scott 1992), sehingga diperlukan data yang
lebih banyak. Keadaan data seperti ini mendorong penggunaan suatu metode yang
dapat mengatasi masalah tersebut atau yang dapat menghasilkan informasi penting
dalam data dengan dimensi yang lebih kecil, yaitu pereduksian dimensi berbasis
proyeksi dari peubah berdimensi besar menjadi peubah baru yang berdimensi
kecil.
Metode pereduksian dimensi dilakukan dengan tetap mempertahankan
struktur informasi penting pada data asal di dalam data tereduksi. PCA dan
Projection Pursuit (PP) dapat digunakan untuk mereduksi dimensi. Hasil reduksi
dimensi dapat diterapkan antara lain untuk pendugaan model regresi berganda.
Hasil proyeksi atau pereduksian dimensi dengan PCA, yang disebut komponen-
komponen utama, digunakan dalam model PCR, sedangkan hasil reduksi dimensi
dengan PP digunakan untuk pemodelan regresi PP atau PPR. Oleh karena itu
kedua model ini termasuk dalam kategori model regresi berbasis proyeksi. Model
PCR digunakan untuk f(X) linear, sedangkan model PPR untuk pendugaan f(X)
nonlinear. Keduanya dapat digunakan untuk keadaan multikolinearitas antar
peubah-peubah.
Dalam pemodelan regresi berbasis proyeksi, masalah data berdimensi
besar dapat diatasi dengan cara pengepasan sejumlah sekuen fungsi sederhana
yang disebut fungsi ridge (Donoho & Johnstone 1989). Setiap fungsi
memproyeksikan peubah-peubah prediktor terhadap suatu vektor dan
menghubungkan panjang proyeksi ini terhadap peubah respon dengan suatu
fungsi pemulus. Jumlah fungsi- fungsi ridge merupakan penduga bagi f( X) pada
persamaan 2.1.
Beberapa aplikasi dari metode PP antara lain untuk klasifikasi atau analisis
diskriminan, pendugaan fungsi kepekatan, dan pemodelan regresi nonparametrik

37
(Friedman & Stuetzle 1981), terutama berhubungan dengan struktur data yang
nonlinear. Metode ini sering digunakan untuk eksplorasi data (Posse 1995).
Dalam bidang ilmu komputer Jimenez & Landgrebe (1999) menggunakan metode
PP untuk menganalisis citra satelit. Metode PP dapat digunakan untuk mengatasi
struktur nonlinear dalam data berdimensi besar dengan cara pemulusan kernel
atau spline. Xia & An (1999) menggunakan metode PP untuk analisis data deret
waktu yang nonlinear. PPR memodelkan secara iteratif permukaan regresi
(regression surface) sebagai penjumlahan fungsi- fungsi pemulusan dari
kombinasi linear peubah-peubah prediktor. Aplikasinya dalam bidang kimia,
model PPR memberikan hasil dugaan yang lebih baik daripada model PCR dalam
pendugaan konsentrasi atau kandungan protein dalam gandum berdasarkan
sejumlah peubah prediktor (absorbans spektrum) yang bersifat multikolinearitas
(Malthouse 1995). Dalam Bab ini dibahas tentang aplikasi metode PP dan model
PPR dalam bidang klimatologi, khusus nya dalam pemodelan SD, dan
pembandingan model PPR dengan model PCR. Kajian ini bertujuan menyusun
model PPR dan membandingkannya dengan model PCR.

4.2. Pereduksian Dimensi

Metode PP termasuk ke dalam kelompok metode pereduksian dimensi
yang bersifat unsupervised berdasarkan pencarian suatu proyeksi informasi utama
(interesting) dari data berdimensi besar (Friedman & Tukey 1974), diacu dalam Li
& Sailor (2000). Ide dasar metode PP adalah untuk memperoleh informasi penting
dalam data berdimensi besar (banyak peubah prediktor) melalui proyeksi ke data
berdimensi lebih kecil dengan cara memaksimumkan fungsi objektif yang disebut
Indeks Proyeksi (Projection Index). Informasi dalam data berdimensi kecil
mencerminkan informasi yang ada dalam data berdimensi besar. Informasi
penting itulah yang akan dicapai (pursue) oleh proyeksinya.
Metode PP berbeda dengan PCA dalam hal prosedur reduksi dimensi.
Pereduksian dalam PCA berdasarkan keragaman terbesar dalam data asal.
Komponen-komponen utama sebagai hasil reduksi merupakan kombinasi linear
dari peubah-peubah asal dengan total keragaman terbesar. Sedangkan metode PP
berdasarkan pemaksimuman indeks proyeksi sehingga informasi yang ada dalam

38
data asal, seperti keadaan data nonlinear, akan tercermin dalam data hasil
proyeksi.
Transformasi reduksi dimensi yang biasa digunakan adalah proyeksi linear
atau kombinasi linear dari peubah-peubah asal karena proyeksi ini paling
sederhana dan mudah diinterpretasi. Jika X = {x1 , x2 , ... , xp} adalah matriks
berdimensi p yang terdiri dari p vektor peubah asal maka proyeksi linear ℜ p à
ℜk adalah:
ZT = A XT, X ∈ ℜ p , Z ∈ ℜ k , k<p (4.1)
di mana A adalah matriks pemetaan atau proyeksi berukuran k×p dengan pangkat
k. Matriks A bersifat ortonormal. Jika X adalah peubah acak berdimensi p dengan
sebaran F maka Z berdimensi k dengan sebaran FA.
Metode PP menggunakan suatu indeks proyeksi, I(FA), untuk
mendapatkan proyeksi A. Indeks proyeksi ini mencirikan struktur yang akan ada
dalam proyeksinya, yang dimaksimumkan melalui optimisasi numerik terhadap
parameternya. Indeks proyeksi ini bersifat invariant (Huber 1985), yaitu bahwa
indeks proyeksi tidak tergantung pada penskalaan dan translasi:
I(sZ+t) = I(Z), s? 0 (4.2)
di mana s dan t adalah bilangan riil.

4.3. Model Regresi Projection Pursuit

Model PPR bersifat nonparametrik dan termasuk kelompok metode data-
driven di mana model yang diperoleh sesuai dengan karakteristik data. Metode ini
dapat diterapkan untuk data GCM yang bersifat curse of dimensionality dan
multikolinearitas dan data curah hujan yang bersifat nonlinear.
Dalam analisis regresi, peubah acak X sebagai prediktor dan Y sebagai
peubah respon. Objektif dari analisis regresi adalah menduga nilai harapan E(Y|X)
berdasarkan contoh acak {(xi,yi); i=1,2, ... ,n}. Biasanya diasumsikan bahwa
bentuk fungsi regresi diketahui sehingga dapat dilakukan pemodelan parametrik.
Namun bila fungsi regresi tidak tepat akan menghasilkan model yang tidak sesuai
dengan kondisi datanya. Untuk kasus seperti ini diperlukan model nonparametrik.
Pendekatan regresi nonparametrik, seperti kernel dan spline, umumnya
berdasarkan rataan lokal dimensi p (local averaging), yaitu pendugaan regresi

39
pada titik x0 adalah rata-rata respon dari sejumlah pengamatan dengan prediktor-
prediktor sekitar x0 . Tetapi metode rataan lokal tidak tepat untuk keadaan data
yang curse of dimensionality. Kondisi data ini dapat diatasi dengan fungsi
polinomial berordo tinggi dengan ukuran contoh besar, atau dengan recursive
partitioning tetapi dengan ukuran contoh yang cukup pada setiap partisi data
pengamatan. Friedman dan Stuetzle (1981) menyarankan penggunaan model PPR
untuk mengatasi masalah- masalah pada rataan lokal, fungsi polinomial, dan
recursive partitioning, yaitu dengan menggunakan sejumlah fungsi pemulus dari
hasil proyeksi atau reduksi dimensi seperti pada persamaan 4.7.
Bentuk umum model SD tercantum pada persamaan (2.1). Dalam
penelitian ini model SD yang digunakan hanya melibatkan satu peubah sirkulasi
atmosfir global (luaran GCM) sebagai prediktor (X) dan satu peubah iklim lokal
sebagai prediktan atau peubah respon (y), yaitu:
y(t) = f(X(t ×g)), t=1,2, ... ,n; g=1,2, ... ,p (4.3)
di mana: y(t) = peubah iklim lokal (curah hujan),
X(t ×g) = peubah luaran GCM (presipitasi),
t = banyaknya waktu (bulanan),
g = banyaknya grid dalam domain GCM (8×8 grid).

Peubah prediktornya hanya satu tetapi datanya ada pada setiap grid dalam
suatu domain GCM yang contiguous. Dalam hal ini setiap grid dianggap sebagai
peubah prediktor sehingga modelnya adalah model regresi berganda. Data
tersebut tidak dapat dimodelkan secara langsung karena adanya korelasi spasial
antar grid atau multikolinearitas antar peubah prediktor. Untuk masalah ini
diperlukan metode pre-processing terhadap X.
Metode pre-processing akan mentransformasi X(t ×g) menjadi peubah baru
Z(k×g) (k<g) sehingga model (4.3) menjadi model berikut.
y(t) = f(Z(t ×k)), t=1,2, ... ,n; k=1,2, ... ,q (4.4)
di mana: y(t) = peubah respon,
Z(t ×k) = peubah hasil pre-processing,
t = banyaknya waktu,
k = banyaknya peubah hasil pre-processing.

40
Selama ini pemodelan SD menggunakan PCR dengan PCA untuk pre-processing.
Dengan PCA matriks X akan ditransformasi menjadi Z dengan persamaan (4.1)
yang disebut skor komponen utama dengan total keragaman terbesar. Model
regresi dibentuk berdasarkan Z seperti berikut.
y = ?0 + ?1 z1 + ?2 z2 + … + ?k zk + d (4.5)
atau
y = ß0 + ß 1 x1 + ß 2 z2 + … + ß g xg + e (4.6)
k
di mana ß0 = ?0 dan ß i = ∑ α jiγ j dan a ji = koefisien transformasi.
j =1

Dalam metode PP, matriks X juga ditransformasi dengan persamaan (4.1),

tetapi prosedur mendapatkan matriks A berbeda dengan prosedur dalam metode
PCA. Matriks A diperoleh dengan cara memaksimum indeks proyeksi, I(A),
seperti pada persamaan (4.8). Matriks A disebut matriks koefisien proyeksi dan
modelnya adalah:
M M
y = ∑ S a m ( Z) = ∑ S a m ( a m • X ) (4.7)
m =1 m =1

di mana S disebut fungsi pemulus dan Z = a m·X yaitu inner product antara a m dan
X. Besaran a m disebut faktor loading, sedangkan Z disebut skor peubah prediktor.
Ilustrasi geometrik proyeksi X yang sederhana (dua peubah X1 dan X2) terhadap
Z dan nilai fungsi y tercantum pada Gambar 4.1.

X1 Y

S( a• Xi)

Z = a• Xi

X2

Gambar 4.1. Nilai fungsi Y dan Proyeksi X terhadap Z

41
 Pemodelan PPR diawali dengan memaksimumkan indeks proyeksi,
menentukan fungsi- fungsi peubah tunggal secara empirik berdasarkan proyeksi-
proyeksi optimum, serta menjumlahkan fungsi- fungsi tersebut (Jones & Sibson
1987). Johnny, Chan & Shi (1997) menyatakan bahwa metode PP dapat
memroses data yang berdimensi besar, tidak berdistribusi normal, dan nonlinear.
Fungsi tersebut merupakan kombinasi linear dari peubah-peubah asal (X). Proses
penentuan fungsi pemulus ini dilakukan secara iteratif. Malthouse (1995)
mengatakan bahwa metode PPR dapat melakukan pendugaan dengan fungsi-
fungsi ridge yang kontinu dan adanya kondisi perlu dan cukup bagi pendugaan
f(X) dengan penjumlahan sebanyak M fungsi ridge, di mana M<p.
Algoritme penentuan model PPR (Friedman & Stuetzle 1981) adalah:
1) Penentuan nilai awal residual dan nilai M (banyaknya fungsi).
ri ? yi , i=1,2, ... ,n
M? 0
di mana ? yi=0 (peubah respon dibakukan).
2) Penentuan a dan fungsi Sa dalam model.
Untuk kombinasi linear Z = a m•X, tentukan fungsi pemulus Sa (Z) sesuai
dengan nilai- nilai Z. Gunakan indeks proyeksi, I(a) berikut.
t

∑ (r − S (a • x ))
i a i
2

I( a ) = 1− i =1
t
(4.8)
∑r i
2

i =1

Tentukan vektor koefisien a M+1 yang memaksimumkan I(a) atau a M+1 =

argmaxa (I(a)) dan fungsi pemulusnya, Sα M + 1 ( z ) .

3) Akhir algoritme.
Jika I(a) lebih kecil dari nilai threshold, maka stop; jika tidak, ubah nilai
residual dan nilai M sebagai berikut, kemudian lanjutkan ke langkah 2).
ri ? ri - Sa (Z), i=1,2, ... ,n
M ? M+1.

Fungsi pemulus Sa (Z) ditentukan secara nonparametrik. Bentuk umum

hubungan antara peubah respon dan Z dengan fungsi pemulusnya dapat dituliskan
sebagai berikut.

42
 yi = Sa (zi ) + ri (4.9)
Pada umunya model regresi dalam bentuk seperti berikut:
yi = f(xi) + ei (4.10)
di mana ei adalah iid dengan E(ei)=0 dan f(•) kontinu. Dalam regresi
nonparametrik fungsi f (•) diduga dengan Sa (•), yang ditentukan berdasarkan
rataan lokal, yaitu:
S(yi ) = AVEi-k=j=i+k (yj) (4.11)
untuk lebar jendela (bandwidth) k tertentu dan dengan formulasi AVE seperti
median atau rataan. Pemilihan nilai k sangat menentukan keragaman penduga dan
besarnya bias. Nilai k terlalu kecil akan memperbesar ragam penduga, sedangkan
nilai k yang terlalu besar akan memperbesar bias. Penentuan fungsi pemulus Sa (•)
menurut Friedman dan Stuetzle (1981):
1) Tentukan median untuk setiap tiga respon secara sekuensial untuk
menghilangkan pengaruh data pencilan.
2) Tentukan penduga ragam respon pada setiap titik dengan residual kuadrat rata-
rata (average squared residual) dari penduga linear lokal dengan k tertentu.
3) Pemulusan penduga ragam dengan rataan bergerak dan k tetap untuk
menghindari perhitungan lebih dari satu kombinasi linear Z = a m•X.
4) Pemulusan sekuen dari tahap 1) dengan pengepasan (fitting) linear lokal
dengan nilai k yang diperoleh pada tahap 3).
Hall (1989) menguraikan model PPR secara matematik berdasarkan fungsi
kernel (kernel-based PPR) dan sifat penduga PP. Pada dasarnya bahwa solusi PPR
invariant terhadap setiap transformasi baik rotasi maupun penskalaan peubah
prediktor. Berikut ini adalah pendugaan PP untuk mendapatkan proyeksi pertama.
Berdasarkan persamaan (4.10), E(yi|xi)=f(x), di mana f(•) disebut fungsi target
(Hall 1989). Jika S(•) adalah fungsi pemetaan ℜ p à ℜ, f(•) adalah fungsi
kepekatan dalam ℜ p , dan X adalah peubah acak berdimensi p, maka untuk suatu
skalar z,
Sa (z) = E{f(x)| a•X=z} (4.12)
Proyeksi pertama terhadap f(x) adalah fungsi f1 (x)= Sα 1 (z ) di mana a 1

meminimumkan L(a) berikut.

L(a) = E[{f(x) - Sa (z)} 2 ] (4.13)

43
sehingga penduga a 1 akan meminimumkan penduga L(a), yaitu:
1 n
L̂( α) = ∑
n i=1
{y k − Ŝα i ( αi • X )}
2
(4.14)

dan penduga proyeksi pertamanya adalah

f̂1 ( x ) = Ŝα1 (αˆ 1 • X) (4.15)

Penduga Ŝα ( z) akan konvergen terhadap Sa (z) dan konsisten, di mana á̂ 1 juga

konvergen terhadap a.
Bentuk model SD (persamaan 4.3) adalah:
yt = f(Xt×g) + et , t=1,2, ... ,n; g=1,2, ... ,p
sedangkan model PPR (persamaan 4.7) adalah:
M
y t = ∑ S a m ( a m • X txg ) + ε t
m =1

sehingga:
M
f ( X ) = ∑ Sa m ( a m • X)
m =1

di mana:
Sα m (α m • X ) = suatu fungsi yang tidak diketahui;

a m = (a m1, am2, ... , amp) = vektor satuan (arah projection pursuit);

Xtg = (xt1 , xt2 , ... , xtp ) = peubah prediktor;
yt = peubah respon;
et = faktor acak dengan E(et ) = 0 dan Var(et ) = s 2 ;
Xtg dan et bebas;
Didefinisikan bahwa:
1). f(X) = E(yt |Xt =X).
2). O = gugus vektor satuan berdimensi p (a m).
3). Sa (a•X) = E(yt | a•Xt = a•X), di mana a e O.
Komponen proyeksi pertama dari f(X) adalah Sα1 ( α1 • X ) , di mana a 1 e O

meminimumkan L( α) (mengacu pada persamaan 4.8) berikut :

L( α) = E[f ( X t ) − Sα ( α • X t )] 2

diasumsikan bahwa nilai minimum ini bersifat unik. Selanjutnya misalkan bahwa:
S(α2) (α • X) = E( y t − Sα1 ( α1 • X t ) | α • X t = α • X)

44
maka komponen proyeksi keduanya adalah S(α22) (α 2 • X) , di mana a 2 e O

meminimumkan L( 2) ( α1, α) berikut:

L( 2) (α1, α) = E[f ( Xt ) − Sα 1 ( α1 • X t ) − Sα (α • X t )]2

diasumsikan juga bahwa nilai minimum ini bersifat unik. Dengan cara yang sama
dapat diperoleh komponen-komponen proyeksi berikutnya dari f(X). L( α) dapat

digunakan untuk mengukur pendekatan Sα (α • X) terhadap f(X), dan L( 2) ( α1, α)

untuk mengukur pendekatan Sα1 ( α1 • X) + S(α2) (α • X) terhadap f(X).

Misalkan bahwa {(yt ,Xt ), 1 = t = n} adalah data pengamatan. Komponen

proyeksi pertama Sα dapat diduga dengan pemulus kernel berikut (Xia & An
1999):
n n
Ŝα (α • X ) = ∑ (K h (α • X t − α • X ) y t / ∑ ( K h (α • X t − α • X ) (4.16)
t =1 t =1

di mana K(•) adalah suatu fungsi kernel, Kh (•)=K(•/h), dan h adalah lebar jendela

(bandwidth). Penduga a 1 meminimumkan L̂( α) berikut,

1 n
L̂( α) = ∑{y t − Ŝα < t > (α • Xt )}2
n t =1
(4.17)

di mana Ŝα <t > (•) diperoleh dari persamaan (4.16) menggunakan data pengamatan

{( y s , X s ), s ≠ t} . Hal ini untuk mengurangi bias pendugaan α̂ 1 (Hall 1989). Jika

α 1 meminimumkan S( α) dan penduga α̂ meminimumkan Ŝ( α) , maka penduga

α̂ mendekati nilai α 1 . Keadaan ini menunjukkan bahwa Ŝ( α) mendekati S( α) .

Hall (1989) menyebutkan bahwa Ŝ( α) konsisten untuk S( α) .

Komponen proyeksi kedua dari f(X) diduga dengan Ŝ(α2) (α • X) berikut:

n n
Ŝα (α • X ) = ∑ ( K h (α • X t − α • X ) ε t / ∑ ( K h (α • X t − α • X )
( 2) (1)
(4.18)
t =1 t =1

ˆ 1 • X) . Penduga α̂ 2 meminimumkan L̂( 2) ( α1, α) berikut:

di mana ε (t1) = y t − Ŝαˆ 1 ( α

1 n
L̂ (α1, α) = ∑{y t − Ŝαˆ 1 ( α1 • X ) − Ŝα< t> ( α • X t )}
( 2) 2

n t =1

45
di mana Ŝ(α2<)t > (•) diperoleh dari persamaan (4.18) menggunakan data pengamatan

{( ε (s1) , X s ), s ≠ t} . Penduga komponen proyeksi kedua adalah Ŝ(αˆ22) (αˆ 2 • X) .

Komponen proyeksi lainnya dapat diperoleh dengan cara yang serupa.

Hall (1989) selanjutnya menguraikan taraf (rate) konvergensi pendugaan
α . Berdasarkan Teorema 4.3 dan 4.4 dalam Hall (1989), untuk suatu penduga α̂ ,
Ŝαˆ (αˆ • X) konvergen terhadap proyeksi target Sα 0 ( α 0 • X ) dengan taraf

konvergensi sebesar ( nh ) −1 / 2 , dengan nilai h optimum sebesar ( n ) −1 /(2 r+1) , di mana

r (=2) menunjukkan turunan ke-r dari fungsi f( X). Uraian yang lebih rinci
tercantum pada Hall (1989).

4.4. Bahan dan Metode

4.4.1. Bahan
Datanya sama dengan data yang digunakan pada Bab 3 yaitu data
presipitasi luaran GCM dan data curah hujan di stasiun Sukadana. Data presipitasi
GCM sebagai matriks X(t ×g) dan curah hujan di stasiun Sukadana sebagai vektor
y(t) pada persamaan (4.3).
Domain GCM ditentukan berdasarkan Bergant et al (2002), yaitu domain
berukuran 8×8 (64 grid), yaitu 1.4o LU – 18.1o LS dan 98.4o BT – 118.1o BT,
yang berada tepat di atas Kabupaten Indramayu, selanjutnya disebut domain
Segi8. Sebagai pembanding digunakan domain (6.9o –25.5o LS dan 126.5o -146.2o
BT) yang ditentukan berdasarkan nilai korelasi tinggi (=0.6) antara sejumlah grid
dalam domain dengan curah hujan di stasiun Sukadana, selanjutnya disebut
domain Segi8kor. Kedua domain tercantum pada Gambar 4.2.

4.4.2. Metode
Dalam kajian pemodelan SD dengan PPR, dilakukan pendekatan PP untuk
pre-processing sebelum pemodelannya. Hasil pendugaannya akan dibandingkan
dengan hasil pendugaan dengan model PCR, untuk data curah hujan di stasiun
Sukadana dengan panjang data historis 35 tahun (1966-2000), 30 tahun (1971-
2000), 25 tahun (1976-2000), 20 tahun (1981-2000), dan 15 tahun (1986-2000)
(Tabel 4.1). Data tahun 1966-2000 digunakan untuk kalibrasi model, sedangkan

46
 data tahun 2001 untuk validasi model. Pembandingan dilakukan berdasarkan
RMSEP dan nilai korelasi (r) antara data aktual dengan nilai dugaannya.

1,4 LU

6,9 LS

Indramayu

18,1 LS

25,5 LS

98,4 BT 118,1 BT 126,5BT 146,2 BT

Gambar 4.2. Domain Segi8 dan Segi8kor

Tabel 4.1. Tahun Pemodelan untuk Tahun Peramalan 2001

Panjang Data Historis
Tahun Pemodelan
(tahun)
35 1966 - 2000
30 1971 – 2000
25 1976 – 2000
20 1981 – 2000
15 1986 - 2000

4.5. Hasil dan Pembahasan

4.5.1. Perbandingan PPR dan PCR
Hasil dugaan curah hujan pada tahun 2001 dengan model PPR dan PCR
masing- masing dengan nilai RMSEP dan nilai r tercantum pada Tabel 4.2. Model
PCR menggunakan dua atau tiga komponen dengan sekitar 80% keragaman data
asal, sedangkan model PPR menggunakan satu fungsi ridge.

47
 Tabel 4.2. Curah Hujan Dugaan berdasarkan Panjang Data Historis
(35, 30, 25, 20, dan 15 Tahun) dengan PCR dan PPR:
untuk Domain Segi8

Curah Hujan Curah Hujan Dugaan (mm)

Bulan Aktual (mm) 35 th 30 th 25 th 20 th 15 th
Th 2001 PCR PPR PCR PPR PCR PPR PCR PPR PCR PPR
Januari 241 245 142 251 226 258 289 252 176 262 330
Pebruari 248 180 141 185 242 195 347 192 175 205 136
Maret 306 148 323 154 146 164 203 166 237 182 147
April 238 67 143 68 52 71 88 80 27 80 23
Mei 144 11 50 5 30 0 37 12 18 15 39
Juni 105 11 50 7 30 0 29 0 28 0 24
Juli 0 9 28 10 29 1 40 0 38 0 38
Agustus 0 38 32 41 31 37 38 34 38 30 26
September 17 53 52 58 39 57 39 55 39 56 23
Oktober 147 32 43 42 41 41 121 51 112 60 46
November 360 79 209 85 163 89 203 99 192 106 148
Desember 207 128 149 130 192 136 216 135 206 137 213
RMSEP 125 83 123 105 121 87 116 97 112 118
r 0,60 0,84 0,60 0,71 0,62 0,73 0,66 0,75 0,68 0,59

Nilai-nilai RMSEP dan r tersebut untuk setiap panjang data historis (35,
30, 25, 20, dan 15 tahun) di stasiun Sukadana. Secara umum nilai RMSEP dari
model PPR lebih kecil dari RMSEP dari model PCR, sedangkan nilai r dari model
PPR lebih besar dari nilai r dari model PCR, kecuali untuk panjang data historis
15 tahun di mana nilai RMSEP dari kedua model relatif sama tetapi nilai r dari
model PPR (0,59) lebih kecil dari nilai r PCR (0,68). Untuk panjang data historis
35 tahun, nilai RMSEP PPR sebesar 83 dan nilai r PPR sebesar 0,84, sedangkan
nilai RMSEP PCR sebesar 125 dan nilai r PCR sebesar 0,60. Untuk panjang data
historis 30 tahun, nilai RMSEP PPR sebesar 105 dan nilai r PPR sebesar 0,71,
sedangkan nilai RMSEP PCR sebesar 123 dan nilai r PCR sebesar 0,60. Untuk
panjang data historis 25 tahun, nilai RMSEP PPR sebesar 87 dan nilai r PPR
sebesar 0,73, sedangkan nilai RMSEP PCR sebesar 121 dan nilai r PCR sebesar
0,62. Demikian juga untuk panjang data historis 20 tahun, nilai RMSEP PPR
sebesar 97 dan nilai r PPR sebesar 0,75, sedangkan nilai RMSEP PCR sebesar
116 dan nilai r PCR sebesar 0,66. Gambar 4.3 menunjukkan perbandingan nilai-
nilai RMSEP dan r dari kedua model. Gambar 4.4 sampai dengan 4.8 masing-

48
masing menunjukkan perbandingan curah hujan aktual pada tahun 2001 dengan
curah hujan dugaannya untuk panjang data historis 35, 30, 25, 20, dan 15 tahun.

140 0.9
120 0.8
0.7
100
0.6
RMSEP

80 0.5 RMSEP

r
60 0.4
0.3 r
40
0.2
20 0.1
0 0.0
metode PCR PPRPCR PPRPCR PPRPCR PPRPCR PPR

35 th 30 th 25 th 20 th 15 th
panjang data

Gambar 4.3. Nilai RMSEP dan Korelasi (r) pada Metode PCR dan
PPR dengan Berbagai Panjang Data Historis (35, 30,
25, 20, dan 15 tahun)

Berdasarkan hasil tersebut, dalam pendugaan curah hujan model PPR lebih
akurat dan pola nilai dugaan lebih mendekati pola data aktualnya daripada model
PCR terutama untuk panjang data historis 35, 30, 25, dan 20 tahun. Untuk panjang
data historis 15 tahun model PCR (RMSEP=112; r=0,68) lebih baik dari model
PPR (RMSEP=118; r=0,59). Pendugaan dengan model PPR untuk panjang data
historis 35 tahun (RMSEP=83; r=0,84) lebih baik dari model PPR untuk panjang
data historis 30 tahun (RMSEP=105; r=0,71), 25 tahun (RMSEP=87; r=0,73), dan
20 tahun (RMSEP=97; r=0,75). Berdasarkan nilai RMSEP dan r tersebut, untuk
pendugaan curah hujan dengan panjang data historis 35 tahun memberikan hasil
yang lebih akurat daripada dengan panjang data historis lainnya. Namun demikian
panjang data historis yang lebih pendek, seperti 20 tahun, masih dapat digunakan
untuk pendugaan curah hujan.
Gambar 4.4 sampai dengan 4.8 memperlihatkan bahwa secara umum
dugaan curah hujan lebih rendah dari curah hujan aktual terutama pada bulan-
bulan Januari s/d Juni dan Oktober s/d Desember, tetapi dugaan tersebut lebih
tinggi dari curah hujan aktual pada bulan-bulan Juli, Agustus, dan September. Di

49
samping itu terlihat bahwa dugaan curah hujan pada musim kemarau lebih
mendekati curah hujan aktualnya daripada dugaan pada musim hujan. Hal ini
dapat dijadikan sebagai pertimbangan untuk melakukan pendugaan model SD dan
peramalannya pada setiap musim (kemarau atau hujan) atau pada setiap tiga
bulanan yaitu JFM (Januari, Februari, dan Maret), AMJ (April, Mei, dan Juni),
JAS (Juli, Agustus, dan September), dan OND (Oktober, November, dan
Desember).

Panjang Data 35 Tahun

400
350
Curah Hujan (mm)

300
250 PCR
200 PPR
150 Aktual
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan (Th 2001)

Gambar 4.4. Dugaan Curah Hujan dengan Metode PCR dan PPR
dengan Panjang Data Historis 35 Tahun

Panjang Data 30 Tahun

400
350
Curah Hujan (mm)

300
250 PCR
200 PPR
150 Aktual
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan (Th 2001)

Gambar 4.5. Dugaan Curah Hujan dengan Metode PCR dan PPR
dengan Panjang Data Historis 30 Tahun

50
 Panjang Data 25 Tahun

400
350

Curah Hujan (mm)

300
250 PCR
200 PPR
150 Aktual
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan (Th 2001)

Gambar 4.6. Dugaan Curah Hujan dengan Metode PCR dan PPR
dengan Panjang Data Historis 25 Tahun

Panjang Data 20 Tahun

400
350
Curah Hujan (mm)

300
250 PCR
200 PPR
150 Aktual
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan (Th 2001)

Gambar 4.7. Dugaan Curah Hujan dengan Metode PCR dan PPR
dengan Panjang Data Historis 20 Tahun

Panjang Data 15 Tahun

400
350
Curah Hujan (mm)

300
250 PCR
200 PPR
150 Aktual
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
Bulan (Th 2001)

Gambar 4.8. Dugaan Curah Hujan dengan Metode PCR dan PPR
dengan Panjang Data Historis 15 Tahun

51
 4.5.2. Perbandingan PPR Berdasarkan Domain Segi8 dan Segi8kor
Model PPR dengan domain Segi8 (dm1) dan domain Segi8kor (dm2)
menghasilkan dugaan curah hujan pada tahun 2001 untuk setiap domain. Nilai
dugaan, RMSEP, dan r untuk setiap domain dan panjang data historis tercantum
pada Tabel 4.3.

Tabel 4.3. Curah Hujan Aktual dan Dugaan berdasarkan Panjang

Data Historis (35, 30, 25, 20, dan 15 Tahun) dan Domain
(Segi8 dan Segi8kor) dengan PPR

Curah Hujan Curah Hujan Dugaan (mm)

Bulan Aktual (mm) 35 th 30 th 25 th 20 th 15 th
Th 2001 dm1 dm2 dm1 dm2 dm1 dm2 dm1 dm2 dm1 dm2
Januari 241 142 128 226 144 289 137 176 117 330 159
Pebruari 248 141 330 242 242 347 177 175 138 136 80
Maret 306 323 118 146 161 203 188 237 262 147 184
April 238 143 117 52 101 88 109 27 249 23 72
Mei 144 50 97 30 95 37 93 18 60 39 75
Juni 105 50 55 30 59 29 46 28 60 24 50
Juli 0 28 24 29 35 40 28 38 28 38 48
Agustus 0 32 19 31 22 38 28 38 23 26 26
September 17 52 31 39 22 39 26 39 22 23 27
Oktober 147 43 59 41 26 121 38 112 41 46 34
November 360 209 168 163 176 203 175 192 256 148 203
Desember 207 149 119 192 150 216 117 206 54 213 69
RMSEP 83 103 105 94 87 95 97 84 118 110
r 0,84 0,70 0,71 0,84 0,73 0,93 0,75 0,85 0,59 0,84
Keterangan: d m1 = domain Segi8; d m2 = domain Segi8kor

Secara umum nilai RMSEP dari domain Segi8 lebih kecil dari RMSEP
dari domain Segi8kor, sedangkan nilai r dari domain Segi8 lebih besar dari nilai r
dari domain Segi8kor, kecuali untuk panjang data historis 35 tahun di mana nilai
RMSEP domain Segi8 (83) lebih kecil daripada RMSEP domain Segi8kor (103)
dan nilai r domain Segi8 (0,84) lebih besar dari nilai r domain Segi8kor (0,70).
Untuk panjang data historis 30 tahun, nilai RMSEP dan r untuk Segi8 masing-
masing sebesar 105 dan 0,71, sedangkan nilai RMSEP dan r untuk Segi8kor
masing- masing sebesar 94 dan 0,84. Untuk panjang data historis 25 tahun, nilai
RMSEP dan r untuk Segi8 sebesar 87 dan 0,73, sedangkan nilai RMSEP dan r
Segi8kor sebesar 95 dan 0,93. Untuk panjang data historis 20 tahun, nilai RMSEP

52
dan r Segi8 sebesar 97 dan 0,75, sedangkan nilai RMSEP dan r Segi8kor sebesar
84 dan 0,85. Demikian juga untuk panjang data historis 15 tahun, nilai RMSEP
dan r Segi8 sebesar 118 dan 0,59, sedangkan nilai RMSEP dan r Segi8kor sebesar
110 dan 0,84. Gambar 4.9 menunjukkan perbandingan nilai- nilai RMSEP dan r
dari kedua domain.

140 1.0
120
0.8
100
RMSEP

80 0.6

r
60 0.4
40 RMSEP
0.2
20
0 0.0 r
segi8kor

segi8kor

segi8kor

segi8kor

segi8kor
segi8

segi8

segi8

segi8

domain segi8

35 th 30 th 25 th 20 th 15 th
panjang data

Gambar 4.9. Nilai RMSEP dan Korelasi (r) untuk Domain Segi8 dan
Segi8kor dengan Berbagai Panjang Data Historis (35,
30, 25, 20, dan 15 tahun)

Berdasarkan hasil pendugaan curah hujan dengan model PPR, pendugaan

dengan domain Segi8kor memberikan hasil yang lebih akurat daripada dengan
Segi8 untuk kelima panjang data historis, kecuali untuk panjang data historis 35
tahun di mana Segi8 (RMSEP=83; r=0,84) lebih akurat daripada Segi8kor
(RMSEP=103; r=0,70). Untuk pendugaan curah hujan panjang data historis 35
tahun dengan domain Segi8 masih lebih baik daripada panjang data historis
lainnya. Pendugaan curah hujan dengan domain Segi8kor untuk panjang data
historis yang lebih pendek, seperti 20 tahun, lebih baik daripada dengan Segi8.
Domain Segi8kor ditentukan berdasarkan adanya hubungan (korelasi)
yang kuat antara curah hujan pada grid-grid GCM (sebagai prediktor) dengan
curah hujan di stasiun Sukadana (sebagai peubah respon). Hal ini berdasarkan
pendapat Busuioc et al. (2001) bahwa salah satu syarat dalam pemodelan SD
adalah adanya hubungan erat antara prediktan dengan prediktor yang menjelaskan

53
keragaman iklim lokal dengan baik. Hanya pemilihan grid-grid untuk domain
Segi8kor ini masih dilakukan subjektif, belum ada suatu metode yang dapat
menentukan domain secara objektif, sehingga domain Segi8 masih digunakan.
Penentuan domain Segi8 relatif lebih mudah daripada domain Segi8kor, tanpa
harus mengetahui besaran nilai korelasi antara grid- grid GCM dengan stasiun
curah hujan.

4.6. Simpulan
1) Secara umum dalam pendugaan curah hujan pada tahun 2001 dengan
berbagai panjang data historis di stasiun Sukadana, model PPR
memberikan hasil dugaan yang lebih akurat dan pola nilai dugaan lebih
mendekati pola data aktualnya daripada model PCR, kecuali untuk
panjang data historis 15 tahun. Namun hal ini belum tentu untuk tahun-
tahun peramalan lainnya dengan panjang data historis yang sama tetapi
periode atau pola data historisnya berbeda. Jika polanya berbeda, maka
ada kemungkinan hasil dugaannya juga berbeda. Apalagi kalau ada
kejadian ekstrim pada suatu periode tertentu. Dengan demikian diperlukan
suatu kajian tentang konsistensi model penduga pada berbagai pola data
historis dan tahun peramalan yang berbeda.
2) Pendugaan curah hujan dengan panjang data historis 35 tahun masih lebih
akurat daripada panjang data yang lebik pendek (30, 25, 20, dan 15 tahun)
tetapi pendugaan dengan panjang data 20 tahun dapat juga digunakan.
3) Penggunaan domain Segi8kor memberikan hasil yang lebih akurat
daripada dengan domain Segi8, namun penentuan Segi8 lebih sederhana
daripada Segi8kor. Dalam penentuan domain Segi8kor perlu ditentukan
dulu korelasi antara luaran GCM dengan peubah curah hujan, sedangkan
penentuan domain Segi8 tidak berdasarkan nilai korelasi.

54
 5. UJI KONSISTENSI MODEL STATISTICAL
DOWNSCALING BERBASIS PROJECTION PURSUIT
DALAM PREDIKSI CURAH HUJAN

5.1. Pendahuluan
Model SD dengan metode PPR memberikan hasil pendugaan yang lebih
akurat atau perbedaan nilai dugaan dengan aktualnya lebih kecil daripada dengan
metode PCR, seperti yang dikaji pada Bab 4. Demikian juga hasil pendugaan
dengan PPR untuk domain Segi8kor lebih akurat daripada untuk domain Segi8.
Namun hasil pendugaan curah hujan ini hanya untuk satu tahun tertentu (tahun
2001), sehingga perlu dilakukan uji kestabilan atau konsistensi model dalam
pendugaan curah hujan. Konsistensi model merupakan salah satu asumsi dalam
pemodelan (BIOCLIM 2004).
Konsistensi model SD dapat diketahui dari hasil pendugaan yang
konsisten pada berbagai tahun pendugaan. Menurut Busuioc et al. (2001),
modelnya akan memberikan hasil yang baik jika hubungan antara peubah respon
dengan prediktor tidak berubah dengan perubahan waktu dan tetap sama
meskipun ada perubahan iklim, atau model SD tetap konsisten dala m
pendugaannya pada tahun-tahun yang berbeda.
Pemodelan SD dapat dipengaruhi oleh adanya data pencilan, terutama data
pencilan yang berpengaruh terhadap pendugaan model. Data pencilan ini perlu
diperhatikan sehingga diperoleh model terbaik, antara lain dengan cara
mengoreksi atau membuang pencilan, atau dengan metode pendugaan model yang
robust untuk mengurangi pengaruh pencilan.
Dalam Bab 5 ini model PPR dikaji tentang konsistensi pendugaannya.
Kajian ini bertujuan mempelajari konsistensi model PPR dalam kondisi ada atau
tanpa data pencilan pada berbagai tahun pemodelan dan tahun pendugaan yang
berbeda, terutama berkaitan dengan penggunaan domain Segi8 dan Segi8kor.

5.2. Bahan dan Metode

5.2.1. Bahan
Data GCM dan domain yang digunakan sama dengan data GCM dan
domain pada Bab 4. Domain GCM yang digunakan adalah Segi8 dan Segi8kor
yang masing- masing terdiri dari 8×8 grid, dengan periode waktu dari tahun 1966-
2001. Data curah hujan di stasiun Sukadana juga masih digunakan, yaitu data
tahun 1966-2001.

5.2.2. Metode
Dalam kajian konsistensi pendugaan model untuk peramalan 12 bulan
mendatang, dilakukan pemodelan dan peramalannya terhadap data curah hujan di
stasiun Sukadana pada berbagai panjang data historis dengan pergeseran waktu
setiap tahun seperti tercantum pada Tabel 5.1. Model yang digunakan dalam
kajian ini adalah model SD pada persamaan (4.3). Untuk pemodelan SD, matriks
X(t ×g) adalah data presipitasi GCM dan vektor y(t) adalah curah hujan di stasiun
Sukadana, di mana t adalah banyaknya waktu dalam bulanan (dari tahun 1966-
2000) dan g adalah banyaknya grid dalam domain Segi8 atau Segi8kor, yaitu 8×8
(64) grid masing- masing.

Tabel 5.1. Tahun Pemodelan dan Tahun Peramalan untuk

Konsistensi Model
Tahun Pemodelan sesuai Panjang Data Historis (tahun) Tahun
30 25 20 15 Peramalan
- 1966 - 1990 1971 - 1990 1976 - 1990 1991
- 1967 - 1991 1972 - 1991 1977 - 1991 1992
- 1968 - 1992 1973 - 1992 1978 - 1992 1993
- 1969 – 1993 1974 – 1993 1979 – 1993 1994
- 1970 – 1994 1975 – 1994 1980 – 1994 1995
1966 - 1995 1971 – 1995 1976 – 1995 1981 – 1995 1996
1967 - 1996 1972 – 1996 1977 – 1996 1982 – 1996 1997
1968 - 1997 1973 – 1997 1978 – 1997 1983 – 1997 1998
1969 – 1998 1974 – 1998 1979 – 1998 1984 – 1998 1999
1970 – 1999 1975 – 1999 1980 – 1999 1985 – 1999 2000
1971 – 2000 1976 – 2000 1981 – 2000 1986 – 2000 2001

5.3. Hasil dan Pembahasan

Konsistensi model dapat diketahui berdasarkan nilai simpangan baku
(STD atau Standard Deviation) dari nilai korelasi (r) pada setiap tahun
pendugaan. Semakin kecil nilai STD semakin konsisten modelnya. Pada kajian ini
dibahas tentang perbandingan konsistensi model dengan domain Segi8 dan
domain Segi8kor.

56
 Nilai rataan dan STD dari nilai RMSEP dan korelasi (r) untuk setiap
panjang data historis (30, 25, 20, dan 15 tahun) tercantum pada Tabel 5.2. Nilai-
nilai tersebut diperoleh berdasarkan nilai RMSEP dan r yang tercantum pada
Tabel 5.3 dan 5.4. Pada Tabel 5.3 tercantum nilai RMSEP dan r pada setiap tahun
pendugaan dengan masing- masing tahun pemodelannya. Misal untuk tahun
pemodelan 1966-1995 dengan panjang data 30 tahun diperoleh nilai RMSEP
sebesar 86 dan r sebesar 0,86 pada tahun pendugaan 1996; untuk tahun
pemodelan 1967-1996 dengan panjang data 30 tahun diperoleh nilai RMSEP
sebesar 121 dan r sebesar 0,62 pada tahun pendugaan 1997; dan seterusnya.

Tabel 5.2. Rataan dan STD RMSEP dan Nilai Korelasi ( r )

Panjang Data Historis

30th 25th 20th 15th
(1966-2000) (1966-2000) (1971-2000) (1976-2000)
Domain: Segi8
Rataan STD Rataan STD Rataan STD Rataan STD
RMSEP 107 17 107 18 114 22 136 21
r 0,59 0,18 0,59 0,12 0,59 0,12 0,45 0,18
Domain: Segi8kor
RMSEP 106 27 95 19 112 16 126 19
r 0,62 0,29 0,66 0,23 0,63 0,11 0,51 0,23

Berdasarkan Tabel 5.2, untuk setiap panjang data nilai r rataan untuk
domain Segi8 lebih kecil daripada untuk domain Segi8kor. Untuk panjang data 30
tahun, nilai r rataan dengan domain Segi8 (0,59) lebih kecil daripada nilai r rataan
dengan domain Segi8kor (0,62); untuk panjang data 25 tahun, nilai r rataan
dengan domain Segi8 (0,59) lebih kecil daripada nilai r rataan dengan domain
Segi8kor (0,66); dan seterusnya. Nilai r rataan dari pendugaan dengan domain
Segi8 relatif stabil untuk panjang data 30 tahun (r=0,59), 25 tahun (r=0,59), dan
20 tahun (r=0,59). Demikian juga nilai r rataan dari pendugaan dengan Segi8kor
(0,62; 0,66; dan 0,63 masing- masing untuk panjang data 30, 35, dan 20 tahun).
Tetapi tidak demikian untuk panjang data 15 tahun, nilai r rataan dengan Segi8
(0,45) dan Segi8kor (0,51) berbeda dengan nilai r rataan untuk panjang data
lainnya dengan kedua domain. Hal ini menunjukkan bahwa hasil pendugaannya
stabil untuk panjang data 30, 25, dan 20 tahun.

57
 Nilai STD untuk domain Segi8 juga lebih kecil daripada nilai STD untuk
domain Segi8kor. Untuk panjang data 30 tahun, nilai STD dengan domain Segi8
(0,18) lebih kecil daripada nilai r rataan dengan domain Segi8kor (0,29); untuk
panjang data 25 tahun, nilai STD dengan domain Segi8 (0,12) lebih kecil daripada
nilai r rataan dengan domain Segi8kor (0,23); dan seterusnya, kecuali untuk
panjang data 20 tahun nilai STD dengan domain Segi8 (0,12) realtif sama dengan
nilai STD dengan Segi8kor (0,11). Keadaan keragaman nilai r ini menunjukkan
bahwa pendugaan dengan domain Segi8 lebih konsisten atau stabil daripada
dengan Segi8kor, di mana keragaman nilai r untuk Segi8 secara umum lebih kecil
daripada keragaman nilai r dengan Segi8kor.
Keragaman nilai r besar pada domain Segi8kor (Tabel 5.4) yang
ditunjukkan dengan nilai- nilai STD yang besar pada domain Segi8kor (Tabel 5.2).
Keragaman besar ini terjadi karena adanya beberapa nilai r yang paling kecil,
yaitu: (1) nilai r sebesar 0,13 untuk panjang data 30 tahun, tahun pemodelan
1969-1998 dan tahun pendugaan 1999; (2) nilai r sebesar 0,21 untuk panjang data
25 tahun, tahun pemodelan 1974-1998 dan tahun pendugaan 1999; (3) nilai r
sebesar 0,26 untuk panjang data 15 tahun, tahun pemodelan 1976-1990 dan tahun
pendugaan 1991; dan (4) nilai r sebesar 0,11 untuk panjang data 30 tahun, tahun
pemodelan 1977-1991 dan tahun pendugaan 1992.
Pemeriksaan terhadap data dilakukan untuk mengetahui penyebab
keragaman besar tersebut, terutama akibat nilai r=0,13 untuk panjang data 30
tahun dengan tahun pemodelan 1969-1998 dan tahun pendugaan 1999.
Pemeriksaan dilakukan berdasarkan plot residual dan plot Y_aktual dengan
Y_dugaan, seperti tercantum pada Gambar 5.1, 5.2, dan 5.3.
Gambar 5.3 menunjukkan plot residual dan plot Y_aktual dengan
Y_dugaan untuk tahun pemodelan 1969-1998 dan tahun pendugaan 1999, Gambar
5.1 menunjukkan plot residual dan plot Y_aktual dengan Y_dugaan untuk tahun
pemodelan 1967-1996 dan tahun pendugaan 1997, dan Gambar 5.2 menunjukkan
plot residual dan plot Y_aktual dengan Y_dugaan untuk tahun pemodelan 1968-
1997 dan tahun pendugaan 1998. Pada Gambar-Gambar tersebut terdapat
beberapa titik yang dianggap sebagai data pencilan ya ng mengganggu terhadap
pemodelan.

58
 Tabel 5.3. RMSEP dan Korelasi ( r ) untuk Domain Segi8
Tahun Pemodelan
Panjang data: 30 th
1966-1995 1967-1996 1968-1997 1969-1998 1970-1999 1971-2000
RMSEP 86 121 95 102 132 105
r 0,87 0,62 0,53 0,38 0,43 0,71
Panjang data: 25 th
1966-1990 1967-1991 1968-1992 1969-1993 1970-1994 1971-1995 1972-1996 1973-1997 1974-1998 1975-1999 1976-2000
RMSEP 108 86 87 130 106 126 126 96 98 129 87
r 0,57 0,74 0,82 0,57 0,47 0,51 0,57 0,51 0,55 0,45 0,73
Panjang data: 20 th
1971-1990 1972-1991 1973-1992 1974-1993 1975-1994 1976-1995 1977-1996 1978-1997 1979-1998 1980-1999 1981-2000
RMSEP 104 112 144 115 94 115 158 87 102 129 97
r 0,71 0,52 0,48 0,78 0,65 0,62 0,46 0,59 0,46 0,44 0,75
Panjang data: 15 th
1976-1990 1977-1991 1978-1992 1979-1993 1980-1994 1981-1995 1982-1996 1983-1997 1984-1998 1985-1999 1986-2000
RMSEP 113 129 126 121 134 129 176 159 167 122 118
r 0,59 0,43 0,58 0,71 0,09 0,51 0,31 0,34 0,27 0,49 0,59

59
 Tabel 5.4. RMSEP dan Korelasi ( r ) untuk Domain Segi8kor
Tahun Pemodelan
Panjang data: 30 th
1966-1995 1967-1996 1968-1997 1969-1998 1970-1999 1971-2000
RMSEP 69 130 97 145 98 94
r 0,92 0,63 0,48 0,13 0,73 0,84
Panjang data: 25 th
1966-1990 1967-1991 1968-1992 1969-1993 1970-1994 1971-1995 1972-1996 1973-1997 1974-1998 1975-1999 1976-2000
RMSEP 99 86 108 118 81 71 71 114 124 74 95
r 0,69 0,77 0,70 0,71 0,66 0,89 0,40 0,40 0,21 0,90 0,93
Panjang data: 20 th
1971-1990 1972-1991 1973-1992 1974-1993 1975-1994 1976-1995 1977-1996 1978-1997 1979-1998 1980-1999 1981-2000
RMSEP 105 126 121 131 89 114 127 118 99 121 84
r 0,73 0,51 0,60 0,59 0,62 0,67 0,67 0,46 0,70 0,58 0,85
Panjang data: 15 th
1976-1990 1977-1991 1978-1992 1979-1993 1980-1994 1981-1995 1982-1996 1983-1997 1984-1998 1985-1999 1986-2000
RMSEP 140 145 104 133 121 111 145 97 149 136 110
r 0,26 0,11 0,74 0,65 0,38 0,64 0,64 0,45 0,63 0,30 0,84

60
 500
2

400
hsl$zhat[, 1]

100 200 300

1

Jan69

y
0

Des83
-1

0
-20 -10 0 10 20 0 100 200 300 Feb70
hsl$z[, 1] y - hsl$ypred
200
100
hsl$ypred
0

Jan69
-100
-200

Des83
0 100 200 300
y - hsl$ypred Feb70

Gambar 5.1. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan

1967-1996 dan Tahun Prediksi 1997 (sebelum koreksi data)

Des77
Jan96
4

100 200 300 400 500

3
hsl$zhat[, 1]
2

y
1
0
-1

Jan69
-10 0 10 100 200 300 400 500
hsl$z[, 1] y - hsl$ypred
Des77

Jan96
200
100
hsl$ypred
0
-200 -100

100 200 300 400 500

y - hsl$ypred Jan69

Gambar 5.2. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan

1968-1997 dan Tahun Prediksi 1998 (sebelum koreksi data)

61
 Mar77

100 200 300 400 500

2
hsl$zhat[, 1]
1

y
0

Des77
-1

0
-15 -10 -5 0 5 10 15 0 100 200 300 400 Feb72
hsl$z[, 1] y - hsl$ypred
Mar77
Nop92
100 200
hsl$ypred
0
-300 -200 -100

Des77

0 100 200 300 400

y - hsl$ypred
Feb72

Nop92
Gambar 5.3. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan
1969-1998 dan Tahun Prediksi 1999 (sebelum koreksi data)
500
3

400
2
hsl$zhat[, 1]

300
1

y
200
0

100
-1

-20 -10 0 10 20 0 100 200 300 400

hsl$z[, 1] y - hsl$ypred
200
100
hsl$ypred
0
-100

0 100 200 300 400

y - hsl$ypred

Gambar 5.4. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan

1967-1996 dan Tahun Prediksi 1997 (setelah koreksi data)

62
 100 200 300 400 500
3
hsl$zhat[, 1]
2

y
1
0
-1

0
-20 -10 0 10 20 100 200 300 400 500
hsl$z[, 1] y - hsl$ypred
50 100 150
hsl$ypred
0
-150 -100 -50

100 200 300 400 500

y - hsl$ypred

Gambar 5.5. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan

1968-1997 dan Tahun Prediksi 1998 (setelah koreksi data)
100 200 300 400 500
3
hsl$zhat[, 1]
2

y
1
0
-1

-15 -10 -5 0 5 10 15 0 100 200 300 400 500

hsl$z[, 1] y - hsl$ypred
100
hsl$ypred
0
-100
-200

0 100 200 300 400 500

y - hsl$ypred

Gambar 5.6. Plot Residual, Y_aktual dengan Y_dugaan Tahun Pemodelan

1969-1998 dan Tahun Prediksi 1999 (setelah koreksi data)

63
 Tabel 5.5. Rataan dan STD RMSEP dan Nilai Korelasi ( r ) setelah
Koreksi Data

Panjang Data Historis

30thn 25thn 20thn 15thn
(1966-2000) (1966-2000) (1971-2000) (1976-2000)
Domain: Segi8
Rataan STD Rataan STD Rataan STD Rataan STD
RMSEP 109 15 97 20 117 21 122 18
r 0,61 0,09 0,64 0,17 0,55 0,14 0,56 0,16
Domain: Segi8kor
RMSEP 99 23 98 11 106 26 117 22
r 0,67 0,15 0,66 0,12 0,64 0,18 0,59 0,15

Titik-titik data pencilan tersebut kemudian dikoreksi dengan rataan data

pada bulan yang sama dan tahun-tahun El-Nino atau La-Nina. Pemodelan SD
dilakukan terhadap data hasil koreksi. Hasilnya tercantum pada Tabel-Tabel 5.5,
5.6, dan 5.7 serta Gambar-Gambar 5.4, 5.5, dan 5.6. Ketiga Gambar ini
menunjukkan perbaikan terhadap model bila dibandingkan dengan Gambar 5.1,
5.2, dan 5.3 sebelum dilakukan koreksi terhadap data. Demikian juga Tabel- Tabel
5.5, 5.6, dan 5.7 menunjukkan perbaikan bila dibandingkan dengan Tabel- Tabel
5.1, 5.2, dan 5.3.
Tabel 5.5 menunjukkan bahwa keragaman nilai r lebih kecil daripada
keragaman nilai r pada Tabel 5.2, terutama untuk domain Segi8kor. Keragaman
pada domain Segi8 relatif sama dengan keragaman pada domain Segi8kor. Pada
Tabel 5.7 nilai r=0,74 untuk panjang data 30 tahun pada tahun pemodelan 1969-
1998 dan tahun pendugaan 1999. Nilai r ini berbeda dengan nilai r=0,13 pada
Tabel 5.4 untuk panjang data, tahun pemodelan dan tahun pendugaan yang sama.
Demikian juga nilai r=0,79 pada Tabel 5.7 berbeda dengan nilai r=0,21 pada
Tabel 5.4 untuk panjang data 25 tahun, tahun pemodelan 1974-1998, dan tahun
pendugaan 1999. Nilai- nilai RMSEP dan r pada Tabel- Tabel 5.6 dan 5.7 berbeda
juga dengan nilai- nilai tersebut pada Tabel-Tabel 5.3 dan 5.4.

64
 Tabel 5.6. RMSEP dan Korelasi ( r ) untuk Domain Segi8 setelah Koreksi Data
Tahun Pemodelan
Panjang data: 30 th
1966-1995 1967-1996 1968-1997 1969-1998 1970-1999 1971-2000
RMSEP 119 118 113 86 123 94
r 0,57 0,69 0,55 0,68 0,48 0,71
Panjang data: 25 th
1966-1990 1967-1991 1968-1992 1969-1993 1970-1994 1971-1995 1972-1996 1973-1997 1974-1998 1975-1999 1976-2000
RMSEP 108 119 61 80 93 86 86 105 101 134 99
r 0,60 0,45 0,95 0,84 0,63 0,86 0,56 0,48 0,50 0,48 0,70
Panjang data: 20 th
1971-1990 1972-1991 1973-1992 1974-1993 1975-1994 1976-1995 1977-1996 1978-1997 1979-1998 1980-1999 1981-2000
RMSEP 101 132 125 111 130 135 148 84 79 129 117
r 0,69 0,49 0,49 0,84 0,38 0,45 0,56 0,62 0,68 0,44 0,45
Panjang data: 15 th
1976-1990 1977-1991 1978-1992 1979-1993 1980-1994 1981-1995 1982-1996 1983-1997 1984-1998 1985-1999 1986-2000
RMSEP 105 134 98 106 114 119 157 129 134 110 142
r 0,69 0,35 0,71 0,78 0,46 0,64 0,48 0,40 0,71 0,59 0,36

65
 Tabel 5.7. RMSEP dan Korelasi ( r ) untuk Domain Segi8kor setelah Koreksi Data
Tahun Pemodelan
Panjang data: 30 th
1966-1995 1967-1996 1968-1997 1969-1998 1970-1999 1971-2000
RMSEP 70 136 99 80 96 112
r 0,88 0,56 0,45 0,74 0,72 0,67
Panjang data: 25 th
1966-1990 1967-1991 1968-1992 1969-1993 1970-1994 1971-1995 1972-1996 1973-1997 1974-1998 1975-1999 1976-2000
RMSEP 113 117 112 85 95 99 99 92 85 91 95
r 0,61 0,59 0,56 0,86 0,55 0,73 0,54 0,54 0,79 0,79 0,74
Panjang data: 20 th
1971-1990 1972-1991 1973-1992 1974-1993 1975-1994 1976-1995 1977-1996 1978-1997 1979-1998 1980-1999 1981-2000
RMSEP 131 133 124 97 110 125 114 65 57 119 93
r 0,60 0,47 0,46 0,78 0,44 0,63 0,63 0,76 0,94 0,48 0,88
Panjang data: 15 th
1976-1990 1977-1991 1978-1992 1979-1993 1980-1994 1981-1995 1982-1996 1983-1997 1984-1998 1985-1999 1986-2000
RMSEP 118 131 104 100 157 111 143 78 109 124 117
r 0,46 0,40 0,66 0,75 0,34 0,64 0,64 0,68 0,79 0,50 0,66

66
 Pada Tabel 5.2 terlihat bahwa pendugaan dengan domain Segi8 relatif
lebih stabil daripada dengan Segi8kor, tetapi pada Tabel 5.5 konsistensi
pendugaan dengan kedua domain (Segi8 dan Segi8kor) sama. Penggunaan domain
Segi8kor lebih sensitif terhadap data pencilan. Tabel 5.2 dan 5.5 menunjukkan
bahwa konsistensi pendugaan dengan Segi8 relatif sama pada sebelum dan setelah
dilakukan koreksi terhadap data pencilan. Dengan demikian konsistensi
pendugaan dengan Segi8 tidak terpengaruh besar oleh adanya data pencilan.
Domain Segi8 lebih representatif digunakan dalam pemodelan SD dengan metode
PPR.

5.4. Simpulan
1) Data pencilan berpengaruh terhadap ketepatan model, baik untuk domain
Segi8 maupun Segi8kor, namun pengaruhnya terhadap pendugaan model
dengan domain Segi8kor lebih besar daripada pengaruhnya terhadap
pendugaan model dengan domain Segi8, atau Segi8 tidak terlalu sensitif
dengan adanya data pencilan.
2) Dalam kondisi ada pencilan, pendugaan model dengan domain Segi8 lebih
konsisten dan lebih robust terhadap data pencilan daripada dengan domain
Segi8kor.

67
 6. PENENTUAN DAERAH PRAKIRAAN MUSIM
BERBASIS DUGAAN MODEL REGRESI
PROJECTION PURSUIT

6.1. Pendahuluan
Informasi tentang cuaca di suatu wilayah sangat diperlukan untuk kegiatan
produksi pertanian sehingga perlu pemahaman karakteristik cuaca di wilayah
tersebut. Untuk itu perlu dilakukan pewilayahan stasiun-stasiun curah hujan.
Pewilayahan iklim (climate zonation) atau penentuan daerah prakiraan musim
(DPM) dimaksudkan untuk memperoleh kelompok-kelompok daerah dengan pola
hujan yang berlainan sehingga karakteristik iklim dan curah hujan di masing-
masing DPM dapat diketahui, yang selanjutnya diharapkan dapat mendukung
kegiatan pertanian dengan mengantisipasi ketersediaan air (BMG 2003). Setiap
DPM mewakili stasiun-stasiun yang ada dalam DPM tersebut.
BMG (2003) telah melakukan pewilayahan 36 stasiun penakar hujan di
kabupaten Indramayu dan menghasilkan enam DPM (yang selanjutnya disebut
DPM_BMG). Keenam DPM ini diperoleh berdasarkan data curah hujan dasaria n
tahun 1981-2000, dengan menggunakan analisis komponen utama (PCA) dan
metode pengelompokan complete linkage. PCA dilakukan sebagai pre-processing
terhadap data curah hujan dasarian, dan pengelompokan dilakukan berdasarkan
komponen-komponen hasil PCA.
Teknik SD dengan PPR yang nonparametrik memberikan hasil dugaan
model berupa pola model dugaan curah hujan dalam periode 20 tahun (1981-
2000). Hasil verifikasi dan validasi menunjukkan bahwa hasil PPR lebih akurat
daripada hasil PCR, khususnya untuk stasiun Sukadana di Indramayu. Model ini
diterapkan untuk stasiun-stasiun lainnya di kabupaten Indramayu. Dalam
penelitian ini pola model dugaan curah hujan di stasiun-stasiun tersebut dijadikan
dasar untuk pewilayahan atau penentuan daerah prakiraan musim di kabupaten
Indramayu sehingga stasiun-stasiun dalam suatu wilayah mempunyai pola model
dugaan curah hujan yang sama. Dengan demikian diharapkan bahwa setiap
wilayah mempunyai karakteristik iklim tersendiri dan satu model penduga dapat
digunakan untuk peramalan curah hujan di wilayah tersebut.
 Bab 6 ini membahas tentang penentuan DPM berbasis model dugaan
dengan metode PPR. Tujuan kajian ini adalah untuk memperoleh daerah prakiraan
musim berdasarkan pola model dugaan untuk setiap stasiun penakar hujan di
kabupaten Indramayu.

6.2. Bahan dan Metode

6.2.1. Bahan
Data GCM yang digunakan sama dengan data GCM domain Segi8 pada
Bab 4. Data curah hujan bulanan di 32 stasiun, termasuk stasiun Sukadana,
digunakan untuk kajian pewilayahan ini. Di stasiun-stasiun itu terdapat data curah
hujan historis selama 20 tahun (dari tahun 1981 sampai dengan 2000). Data luaran
GCM sebagai prediktor atau matriks X(t ×g) dan curah hujan di 32 stasiun masing-
masing sebagai peubah respon atau vektor y(t) seperti pada persamaan (4.3).

6.2.2. Metode
Pewilayahan dilakukan berdasarkan keserupaan pola model dugaan curah
hujan di setiap stasiun penakar hujan. Pendugaan model SD dengan PPR (panjang
data historis 20 tahun, periode 1981-2000, dan domain Segi8) dilakukan untuk 32
stasiun sehingga diperoleh pola model dugaan untuk masing- masing stasiun.
Selanjutnya pewilayahan atau pengelompokan stasiun-stasiun dilakukan
berdasarkan pola model dugaan dengan metode pengelompokan Ward sehingga
diperoleh wilayah-wilayah atau daerah prakiraan musim. Metode ini berdasarkan
jumlah kuadrat jarak minimum antara titik-titik individu dan pusat (centroid)
masing- masing kelompok. DPM-DPM yang diperoleh disebut DPM_PPR.

6.3. Hasil dan Pe mbahasan

Keenam DPM dalam DPM_BMG yang dihasilkan BMG (2003) mencakup
36 stasiun penakar hujan di kabupaten Indramayu (tercantum pada Gambar 6.1
dan Tabel 6.1). Dalam pembahasan ini hanya mencakup 31 stasiun yang berada di
kabupaten Indramayu, untuk keperlua n pembandingan dengan DPM_PPR (pada
Gambar 6.2 dan Tabel 6.1). Keenam DPM dalam DPM_BMG tersebut adalah: (1)
DPMG1 terdiri dari Bantarhuni, Bondan, Cipancuh, Temiyang, dan Gantar; (2)

69
DPMG2 terdiri dari Indramayu dan Bangkir; (3) DPMG3 terdiri dari Bugel; (4)
DPMG4 terdiri dari Cidempet, Lohbener, Losarang, Ujunggaris, Jatibarang,
Juntinyuat, Kedokan Bunder, Krangkeng, Sudimampir, Sukadana, dan Tugu; (5)
DPMG5 terdiri dari Bulak, Sudikampiran, Anjatan, Gabuswetan, Karangasem,
Luwungsemut, Tulangkacang, dan Wanguk; dan (6) DPMG6 terdiri dari Bugis,
Kroya, Cikedung, dan Sumurwatu.

Gambar 6.1. Daerah Prakiraan Musim BMG (BMG 2003)

Gambar 6.2. Daerah Prakiraan Musim PPR

70
 Tabel 6.1. Stasiun-Stasiun dalam DPM_BMG dan DPM_PPR
DPM
No Nama Stasiun
BMG PPR
1 Indramayu 2 1
2 Bugel 3 1
3 Cidempet 4 1
4 Bangkir 2 2
5 Lohbener 4 2
6 Losarang 4 2
7 Ujungaris 4 2
8 Bulak 5 2
9 Jatibarang 4 3
10 Juntinyuat 4 3
11 Kedokan Bunder 4 3
12 Krangkeng 4 3
13 Sudimampir 4 3
14 Sudikampiran 5 3
15 Anjatan 5 4
16 Gabuswetan 5 4
17 Karangasem 5 4
18 Luwungsemut 5 4
19 Tulangkacang 5 4
20 Wanguk 5 4
21 Bugis 6 4
22 Kroya 6 4
23 Bantarhuni 1 5
24 Bondan 1 5
25 Cipancuh 1 5
26 Temiyang 1 5
27 Gantar 1 5
28 Sukadana 4 5
29 Tugu 4 5
30 Cikedung 6 5
31 Sumurwatu 6 5

Ada lima DPM dalam DPM_PPR yang meliputi 32 stasiun, tetapi hanya
31 stasiun, tidak termasuk stasiun Sukra, yang akan dibandingkan dengan
DPM_BMG. Stasiun Sukra tidak termasuk dalam DPM_BMG. Kelima DPM
tersebut adalah: (1) DPMR1 mencakup 3 stasiun yaitu Indramayu, Bugel, dan
Cidempet; (2) DPMR2 terdiri dari 5 stasiun yaitu Bangkir, Lohbener, Losarang,
Ujunggaris, dan Bulak; (3) DPMR3 terdiri dari 6 stasiun yaitu Jatibarang,
Juntinyuat, Kedokan Bunder, Krangkeng, Sudimampir, dan Sudikampiran; (4)
DPMR4 terdiri dari 8 stasiun yaitu Anjatan, Gabuswetan, Karangasem,

71
Luwungsemut, Tulangkacang, Wanguk, Bugis, dan Kroya; (5) DPMR5 terdiri
dari 9 stasiun yaitu Bantarhuni, Bondan, Cipancuh, Temiyang, Gantar, Sukadana,
Tugu, Cikedung, dan Sumurwatu. DPMR1 terletak di pantai utara, DPMR5 di
wilayah selatan kabupaten Indramayu, dan DPMR2, DPMR3 dan DPMR4 berada
di tengah wilayah kabupaten Indramayu.
DPM_PPR berbeda dengan DPM_BMG di mana DPM_PPR terdiri lima
DPM sedangkan DPM_BMG terdiri dari enam DPM. Stasiun-stasiun dalam
masing- masing DPM berbeda, baik dalam DPM_PPR dan DPM_BMG (Tabel
6.1). DPMR1 dalam DPM_PPR terdiri dari tiga stasiun (Indramayu, Bugel, dan
Cidempet), tetapi dalam DPM_BMG ketiga stasiun ini berada dalam tiga DPM
yang berbeda (yaitu masing- masing dalam DPMG2, DPMG3, dan DPMG4).
DPMR2 dalam DPM_PPR terdiri dari lima stasiun (Bangkir, Lohbener, Losarang,
Ujunggaris, dan Bulak), tetapi dalam DPM_BMG kelima stasiun ini berada dalam
tiga DPM yang berbeda, masing- masing satu stasiun dalam DPMG2, tiga stasiun
dalam DPMG4, dan satu stasiun dalam DPMG5. DPMR4 dalam DPM_PPR
terdiri dari delapan stasiun (Anjatan, Gabuswetan, Karangasem, Luwungsemut,
Tulangkacang, Wanguk, Bugis, dan Kroya ), tetapi dalam DPM_BMG kedelapan
stasiun ini terbagi menjadi masing- masing enam stasiun dalam DPMG5 dan dua
stasiun dalam DPMG6. DPMR5 dalam DPM_PPR terdiri dari sembilan stasiun
(Bantarhuni, Bondan, Cipancuh, Temiyang, Gantar, Sukadana, Tugu, Cikedung,
dan Sumurwatu), tetapi dalam DPM_BMG kesembilan stasiun ini terbagi menjadi
masing- masing lima stasiun dalam DPMG1, dua stasiun dalam DPMG4, dan dua
stasiun dalam DPMG6.
Pada Tabel 6.2 tercantum curah hujan rata-rata aktual dan dugaannya
untuk setiap DPM dalam DPM_PPR. Nilai rata-rata RMSEP sebesar 73 dan nilai
korelasinya (r=0,68). Pada Tabel 6.3 tercantum curah hujan rata-rata aktual dan
dugaannya untuk keenam DPM dalam DPM_BMG dengan nilai rata-rata RMSEP
sebesar 94 dan nilai korelasinya (r=0,59). Perbedaan nilai RMSEP ini
menunjukkan bahwa secara umum dalam DPM_PPR perbedaan nilai dugaan
curah hujan dengan aktualnya lebih kecil daripada dalam DPM_BMG. Sedangkan
perbedaan nilai korelasinya memperlihatkan bahwa dalam DPM_PPR pola nilai
dugaan relatif lebih mendekati pola data aktualnya daripada dalam DPM_BMG.

72
 Tabel 6.2. Curah Hujan Aktual dan Dugaan pada Tahun 2001 dengan untuk Setiap DPM_PPR
DPMR1 DPMR2 DPMR3 DPMR4 DPMR5
Aktual Dugaan Aktual Dugaan Aktual Dugaan Aktual Dugaan Aktual Dugaan
120 334 204 189 167 244 243 279 246 230
162 130 166 230 140 146 174 111 172 187
226 103 138 82 179 68 166 109 263 173
124 106 134 93 132 53 167 23 241 102
62 101 45 17 70 38 55 19 111 26
147 98 112 22 196 48 55 23 74 28
27 28 10 24 5 65 15 26 16 29
9 19 22 21 0 36 15 21 11 27
11 19 11 28 24 26 5 26 13 26
95 58 69 54 112 116 133 117 219 36
308 128 363 253 281 146 245 279 407 280
111 113 125 186 181 151 166 200 167 260
RMSEP 91 RMSEP 54 RMSEP 77 RMSEP 54 RMSEP 90
r 0,40 r 0,85 r 0,54 r 0,85 r 0,75
Catatan: Rata-rata RMSEP = 73; STD RMSEP = 19;
Rata-rata r = 0,68; STD r = 0,20

73
 Tabel 6.3. Curah Hujan Aktual dan Dugaan untuk Setiap DPM_BMG

DPMG1 DPMG2 DPMG3 DPMG4 DPMG5 DPMG6

Aktual Dugaan Aktual Dugaan Aktual Dugaan Aktual Dugaan Aktual Dugaan Aktual Dugaan
248 352 199 143 96 440 187 192 223 328 242 357
170 159 93 262 286 152 153 230 183 126 160 104
263 184 205 114 194 85 195 113 139 108 241 103
228 47 148 108 58 23 158 136 150 27 227 130
100 25 78 44 80 83 70 40 50 50 92 35
56 38 177 44 218 54 132 35 86 45 72 24
19 39 27 41 14 32 13 18 12 23 9 32
18 29 3 37 27 11 3 18 20 11 9 31
15 25 2 41 29 15 12 18 16 22 6 32
215 38 130 52 32 48 109 40 121 29 201 147
438 179 466 135 192 85 312 239 227 195 371 309
151 178 168 135 87 45 164 216 122 262 227 309
RMSEP 114 RMSEP 123 RMSEP 126 RMSEP 55 RMSEP 72 RMSEP 74
r 0,60 r 0,36 r 0,24 r 0,82 r 0,72 r 0,81
Catatan: Rata-rata RMSEP = 94; STD RMSEP = 30;
Rata-rata r = 0,59; STD r = 0,24

74
 Perbedaan hasil pewilayahan terjadi karena perbedaan data yang dijadikan
sebagai dasar penentuan daerah prakiraan curah hujan. DPM_BMG menggunakan
data curah hujan dasarian yang bersifat temporal dan lokal, sedangkan DPM_PPR
menggunakan model dugaan berupa pola nilai dugaan curah hujan bulanan yang
memperhitungkan kondisi global dari data luaran GCM yang bersifat spasial dan
temporal. Metode pengelompokan yang digunakan untuk DPM_BMG dan
DPM_PPR juga berbeda.

6.4. Simpulan
1). Pewilayahan iklim berdasarkan pola model dugaan (DPM_PPR) terdiri
dari lima DPM, sedangkan berdasarkan data curah hujan dasarian
(DPM_BMG) terdiri dari enam DPM.
2). Lokasi masing- masing DPM dalam DPM_PPR berbeda dengan lokasi
DPM dalam DPM_BMG. Kabupaten Indramayu terbagi menjadi lima
DPM, yaitu satu DPM di wilayah utara, satu DPM di wilayah selatan, dan
tiga DPM di wilayah tengah.
3). Perbedaan nilai dugaan curah hujan dengan aktualnya dalam DPM_PPR
lebih kecil daripada dalam DPM_BMG. Pola nilai dugaan dalam
DPM_PPR relatif lebih mendekati pola data aktualnya daripada dalam
DPM_BMG.

75
 7. PEMBAHASAN UMUM

Pembahasan ini merupakan rangkuman dari hasil bahasan dan kajian

dalam Bab 2, 3, 4, 5, dan 6 sebelumnya. Secara umum pembahasan meliputi
perkembangan metode- metode peramalan untuk SD dan permasalahan yang
terkait baik dengan model maupun data, hasil penentuan domain GCM, dan hasil
penerapan metode PPR dalam SD, dan hasil penentuan DPM berdasarkan pola
dugaan model PPR untuk stasiun-stasiun di kabupaten Indramayu.
Metode PPR termasuk ke dalam kategori teknik SD berbasis regresi
nonlinear, nonparametrik, dan data-driven. Teknik SD dengan PPR dengan
domain Segi8 lebih akurat daripada dengan PCR, dan PPR lebih konsisten dalam
pendugaannya. DPM berbasis dugaan model PPR menghasilkan pola nilai dugaan
yang lebih mendekati pola data aktualnya. Namun demikian teknik SD ini masih
perlu perbaikan dan penyempurnaan untuk berbagai kondisi di lapangan.

7.1. Penentuan Domain

Penelitian ini mempelajari berbagai domain, yaitu (1) domain berbentuk
bujursangkar (Segi8, Segi10, Segi12, Segi14, dan Segi16) tepat di atas lokasi
target pendugaan (wilayah kabupaten Indramayu); (2) domain berupa gabungan
grid-grid berkorelasi tinggi (positif dan negatif) dengan curah hujan lokal dan
grid-grid tepat di atas target pendugaan (atb1t88, atb2t88, dan atb3t88); dan (3)
domain berbentuk bujursangkar dan berkorelasi tinggi (Segi8kor). Domain Segi8
dan Segikor memberikan hasil dugaan yang lebih akurat daripada domain lainnya.
Penentuan kedua domain ini lebih bersifat subyektif terutama penentuan lokasi
domain dan jumlah grid dalam domain. Metode penentuan domain yang lebih
objektif belum ada.
Domain Segi8 dan Segikor ditentukan untuk wilayah kabupaten
Indramayu yang bertopografi homogen. Domain ini dapat digunakan untuk
wilayah sekitar kabupaten Indramayu yang topografinya relatif sama. Namun
domain ini belum tentu dapat digunakan untuk lokasi target yang berbeda dan
wilayah dengan topografi yang heterogen.
 Dalam penelitian ini hanya menggunakan satu peubah prediktor, yaitu
presipitasi. Peubah ini pernah digunakan oleh Venugopal et al (1999), diacu
dalam Yarnal et al (2001), dan berpotensi untuk digunakan sebagai prediktor
dalam pemodelan SD (BIOCLIM 2004).
Meskipun model PPR memberikan hasil dugaan yang cukup akurat untuk
pendugaan curah hujan dengan presipitasi sebagai prediktor, model ini perlu diuji
coba dengan menggunakan lebih banyak prediktor dan representatif untuk kondisi
wilayah tropis yang heterogen. Wilby et al (2004) berpendapat bahwa untuk
wilayah tropis yang kompleks dengan adanya pengaruh lautan dan atmosfir dan
hubungan peubah prediktor dan respon yang bervariasi, maka diperlukan sejumlah
besar prediktor.

7.2. Metode ProjectionPursuit

Metode PPR yang digunakan dalam penelitian ini termasuk kategori
model berbasis regresi nonlinear, nonparametrik, dan data-driven, serta tanpa
mensyaratkan asumsi kelinearan dan kenormalan. Metode ini serupa dengan PCA
dan PCR dapat mengatasi masalah curse of dimensionality dan multikolinearitas.
Hasil kajian dalam penelitian ini menunjukkan bahwa model PPR lebih
akurat daripada model PCR terutama untuk panjang data historis 35, 30, 25, dan
20 tahun (1966-2000). Pola nilai dugaan curah hujan dengan model PPR lebih
mendekati pola data aktualnya dibandingkan denga n model PCR.
Dalam penelitian ini juga dilakukan pembandingan berdasarkan dua
domain, yaitu domain Segi8 yang berada tepat di atas lokasi target pendugaan dan
Segi8kor yang berkorelasi kuat (=0.6) dengan peubah respon. Hasilnya
menunjukkan bahwa domain Segi8kor memberikan hasil yang lebih akurat
daripada domain Segi8. Hal ini sesuai dengan persyaratan suatu model regresi
bahwa peubah respon berkorelasi kuat dengan peubah prediktor.
Namun keragaman hasil pendugaan dengan domain Segi8kor lebih tinggi
daripada keragaman hasil dengan domain Segi8. Hal ini menunjukkan bahwa
domain Segi8kor memberikan hasil pendugaan yang kurang konsisten. Keadaan
ini terjadi sebagai akibat adanya beberapa data pencilan.

77
 Setelah dilakukan koreksi terhadap data pencilan, keragama n hasil
pendugaan dengan domain Segi8kor lebih kecil daripada sebelum data pencilan
dikoreksi. Keragaman ini relatif sama dengan keragaman hasil pendugaan dengan
domain Segi8. Sedangkan keragaman dengan domain Segi8 sebelum dan sesudah
koreksi terhadap data pencilan relatif sama. Dengan demikian pendugaan model
PPR dengan domain Segi8 lebih stabil dan relatif tidak sensitif terhadap data
pencilan daripada dengan domain Segi8kor.
Data pencilan berpengaruh terhadap pendugaan model terutama jika
domain Segi8kor digunakan, sehingga metode PPR harus bersifat robust terhadap
pencilan atau data pengamatan ekstrim. Model SD sering disusun tanpa secara
khusus memperhatikan kejadian-kejadian ekstrim yang nyata terjadi (Wilby et al.
2004). Pada awalnya metode PP dapat mengidentifikasi pencilan. Namun
demikian metode dapat dimodifikasi untuk mengurangi pengaruh pencilan
terhadap pendugaan model, antara lain dengan memodifikasi indeks proyeksi
(Ryan 1997; Hastie & Tibshirani 1990). Indeks proyeksi pada persamaan (4.8)
dapat dimodifikasi seperti persamaan berikut.
t

∑ ρ(r − S
i a (a • x i )) 2
I( a ) = 1− i =1
t

∑r i
2

i =1

di mana:

 e2
 ; untuk | e |< k
ρ(e) =  2
2
| e | + k ; untuk | e |> k
 2
k = suatu konstanta (=1,325 (Hastie & Tibshirani 1990))
Fungsi Biweight dapat juga digunakan sebagai fungsi ?(e) (Simonoff 1996).

7.3. Daerah Prakiraan Musim

Daerah prakiraan musim (DPM_PPR) ditentukan berdasarkan pola nilai
dugaan curah hujan bulanan dengan model PPR (domain Segi8 dan panjang data
historis 20 tahun, periode 1981-2000). DPM_PPR dibandingkan dengan
DPM_BMG berdasarkan 31 stasiun penakar hujan di kabupaten Indramayu.

78
DPM_PPR berbeda dengan DPM_BMG, baik jumlah DPM yang terbentuk
maupun lokasi setiap DPM. DPM_PPR terdiri dari lima DPM sedangkan
DPM_BMG terdiri dari enam DPM. Lokasi kelima DPM dalam DPM_PPR
adalah satu DPM di wilayah utara, satu DPM di wilayah selatan, dan tiga DPM di
wilayah tengah kabupaten Indramayu. Perbedaan ini terjadi karena berbeda dasar
penentuannya (data dan metode yang digunakan berbeda). DPM_BMG
berdasarkan data curah hujan dasarian dengan metode PCA dan metode
pengelompokan complete linkage. Sedangkan DPM_PPR berdasarkan pendugaan
model SD dengan PPR dan metode pengelompokan Ward. Secara umum
DPM_PPR menghasilkan pola dugaan curah hujan yang lebih mendekati pola data
aktualnya.
Pewilayahan tergantung kepada data yang akan digunakan sebagai dasar
penentuan DPM dan metodenya. Data dan metode penentuan DPM berbeda akan
memberikan hasil yang berbeda. Dalam hal ini perlu suatu metode untuk data
tertentu yang akan memberikan hasil yang lebih akurat dan pola nilai dugaannya
lebih mendekati pola data aktualnya.

7.4. Metode Peramalan

Analisis deret waktu umumnya sering digunakan untuk peramalan curah
hujan, yang hanya melibatkan data deret waktu (curah hujan lokal). Fungsi
transfer adalah salah satu metode dalam analisis deret waktu ya ng melibatkan
peubah-peubah prediktor. Metode ini merupakan dasar penggunaan teknik SD, di
mana luaran GCM yang bersifat spasial dan temporal dijadikan sebagai peubah
prediktor. Keterlibatan luaran GCM ini menimbulkan permasalahan dalam
pemodelan terutama untuk model- model yang bersifat linear dan ketat asumsi.
MOS merupakan metode yang sederhana, berbasis regresi linear, dan parametrik.
MOS inilah yang mulai digunakan sebagai teknik SD luaran GCM.
Teknik SD berkembang dengan memperhatikan karakteristik data terutama
luaran GCM. Data luaran GCM ini berdimensi besar (banyaknya peubah
prediktor) baik karena besarnya domain GCM maupun banyaknya peubah yang
digunakan dalam pemodelan. Semakin besar domain dan semakin banyak peubah,
semakin kompleks permasalahannya atau luaran GCM ini dalam kondisi curse of

79
dimensionality dan multikolinearitas. Teknik SD dengan model regresi linear
berganda tidak bisa digunakan secara langsung terhadap data demikian. Sebelum
pendugaan model, perlu perlakuan khusus terhadap data, ya itu pre-processing
dengan pereduksian dimensi.
Selama ini PCA sering digunakan untuk pereduksian dimensi guna
pemodelan PCR. Teknik SD yang bersifat linear dan parametrik ini dapat
mengatasi masalah multikolinearitas dengan mengasumsikan bahwa data luaran
GCM mengikuti sebaran normal. Teknik ini belum mengantisipasi karakteristik
luaran GCM. Keadaan data ini mendorong perlunya teknik SD yang tidak ketat
asumsi, nonparametrik, dan data-driven, seperti metode MARS, ANN, PPR.
Beberapa teknik SD berbasis model regresi terutama yang melibatkan data
kontinu, dan teknik lainnya berbasis klasifikasi yang khusus digunakan untuk data
diskrit misalnya tipe cuaca hujan atau kemarau, ada hujan atau tidak hujan.
Kombinasi beberapa metode juga telah digunakan untuk mengantisipasi
permasalahan data disesuaikan dengan ciri dan asumsi yang diperlukan suatu
metode, seperti kombinasi PCR dan ARIMA untuk mengatasi masalah
otokorelasi. Perkembangan teknik-teknik SD selanjutnya akan mengarah ke
penggunaan model berbasis regresi atau klasifikasi nonlinear, nonparametrik, dan
data-driven.
Dalam penelitian ini pereduksian dimensi dilakukan sebagai pre-
processing dalam pemodelan SD untuk mengantisipasi karakteristik luaran GCM.
Pada umumnya pemodelan SD tanpa memperhatikan kemungkinan pengaruh
waktu sebelumnya (time lag) sehubungan dengan data luaran GCM dan peubah
lokal yang bersifat temporal (data deret waktu). Dalam hal ini perlu juga
dilakukan pemeriksaan awal terhadap kestasioneran data dan adanya otokorelasi.
Waktu lag, jika diperlukan, disertakan sebagai faktor yang berpengaruh dalam
pemodelan SD.
Metode PPR dalam penelitian ini melakukan pendugaan curah hujan
bulanan untuk satu tahun. Pada umumnya pola nilai dugaan curah hujan pada
musim kemarau (April-Oktober) lebih mendekati pola data aktualnya daripada
pada musim hujan (Oktober-April). Pendugaan ini hanya menggunakan satu
domain (Segi8). Jika pemodelannya dilakukan untuk setiap musim (kemarau atau

80
hujan) maka domain yang representatif untuk pemodelan kedua musim ini akan
berbeda.
Weather generator (WG) digunakan untuk memprediksi kejadian-kejadian
hari hujan (wet-day) atau tidak hujan (dry-day) dengan syarat kejadian pada hari
sebelumnya. Teknik WG digunakan untuk penyusunan model yang dapat
mereplikasi ciri-ciri dari sekuen data pengamatan peubah cuaca. Dalam SD,
teknik ini dapat digunakan dengan menetapkan keadaan peubah luaran GCM
(peubah prediktor) sebagai syarat kejadian pada peubah cuaca lokal, yaitu bahwa
suatu kejadian pada peubah lokal pada waktu tertentu bersyarat adanya kejadian
pada peubah prediktor pada waktu sebelumnya (Storch et al. 2001; Wilby et al.
2004).

81
 8. SIMPULAN DAN SARAN

8.1. Simpulan
Penelitian ini mencakup bahasan tentang perkembangan teknik SD dan
permasalahan statistik, kajian tentang penggunaan metode PP dan model PPR
untuk prediksi curah hujan, konsistensi model PPR, dan penentuan daerah
prakiraan musim di kabupaten Indramayu. Berdasarkan kajian-kajian ini, dapat
disimpulkan sebagai berikut.
1). Teknik SD berkembang sesuai dengan karakteristik data luaran GCM yang
bersifat curse of dimensionality, nonlinear dan multikolinearitas, dan data
peubah respon (dalam penelitian ini adalah curah hujan) juga bersifat
nonlinear. Perkembangan ini mengarah ke penggunaan teknik-teknik
berbasis regresi nonlinear, model no nparametrik, dan data-driven karena
teknik-teknik ini tidak memerlukan asumsi yang ketat.
2). Penentuan domain dapat dilakukan berdasarkan keeratan hubungan antara
peubah lokal dengan peubah global (luaran GCM), namun pemilihan grid
dalam suatu domain yang berkorelasi tinggi tidak mudah dilakukan dan
kemungkinan grid-grid dalam suatu domain tidak contiguous.
3). Penggunaan domain berukuran 8×8 grid dan tepat berada di atas lokasi
target pendugaan memberikan hasil pendugaan yang lebih stabil atau
konsisten dan tidak terlalu sensitif terhadap data pencilan. Penentuan
domain ini lebih praktis.
4). Pendugaan curah hujan bulanan dengan model PPR lebih akurat dan pola
nilai dugaan lebih mendekati pola data aktualnya daripada model PCR,
terutama untuk panjang data historis ya ng lebih dari atau sama dengan 20
tahun.
5). DPM_PPR terdiri dari lima DPM sedangkan DPM_BMG terdiri dari enam
DPM. Lokasi kelima DPM adalah satu DPM di wilayah utara, satu DPM
di wilayah selatan, dan tiga DPM di wilayah tengah kabupaten Indramayu.
Perbedaan nilai dugaan curah hujan dengan aktualnya dalam DPM_PPR
lebih kecil dan pola nilai dugaannya relatif lebih mendekati pola data
aktualnya daripada dalam DPM_BMG.
8.2. Saran
Dalam penelitian ini penerapan metode PPR masih terbatas tetapi masih
berpotensi untuk diperbaik i dan disempurnakan dengan tingkat kesalahan yang
lebih rendah, sehingga diperlukan kajian dalam berbagai hal antara lain:
1). Kajian penentuan domain GCM masih diperlukan untuk memperoleh
dugaan yang lebih baik dan apakah untuk suatu target pendugaan perlu
satu domain tertentu ataukah satu domain dapat digunakan untuk lebih dari
satu target pendugaan.
2). Jika pemodelannya dilakukan untuk setiap musim (kemarau atau hujan),
apakah domain yang representatif sama untuk kedua pemodelan ini, yaitu
menggunakan domain Segi8.
3). Metode PPR diterapkan untuk wilayah kabupaten Indramayu dengan
topografi yang homogen, metode PPR ini perlu diuji cobakan di berbagai
wilayah di Indonesia dengan topografi yang heterogen.
4). Dalam penelitian ini hanya digunakan satu peubah luaran GCM, kajian
lebih lanjut perlu dilakukan dengan jumlah peubah prediktor yang berbeda
dan lebih banyak dan representatif. Jika perlu, melibatkan waktu lag.
5). Pembandingan metode PPR dengan metode lain perlu dilakukan untuk
mempelajari lebih lanjut tentang tingkat akurasi pendugaan.
6). Panjang data historis sering menjadi kendala dalam pemodelan iklim
terutama jika jumlah prediktor lebih banyak daripada panjang data historis,
sehingga diperlukan kajian metode PPR yang dapat diterapkan untuk
panjang data historis lebih pendek dari 20 tahun (misalnya 15, 10, atau 5
tahun), dengan jumlah prediktor yang lebih besar.
7). Untuk mengakomodasi kejadian ekstrim atau data pencilan, perlu suatu
kajian model PPR yang robust sehingga pengaruh kejadian ekstrim atau
data pencilan dapat dikurangi.
8). Pendugaan curah hujan bulanan hanya menghasilkan satu nilai dugaan
untuk setiap bulan, tetapi tidak dapat menghasilkan nilai dugaan terkecil
dan terbesarnya, sehingga perlu suatu metode yang dapat menghasilkan
selang kepercayaan nilai dugaan, misalnya dengan metode bootstrap untuk
data deret waktu.

83
 DAFTAR PUSTAKA
Bergant K, Kajfez-Bogataj L, Crepinsek Z. 2002. Downscaling of general-
circulation- model-simulated average monthly air temperature to the
beginning of flowering of dandelion (Taraxacum officinale) in Slovenia. Int
J Biometeorol, 46:22-32.
Biau G, Zorita E, Storch H von, Wacker-Nagel H. 1999. Estimation of
precipitation by kriging in the EOF space of the sea level pressure field. J
Clim, 12:1070-1085.
BIOCLIM. 2004. Application of statistical downscaling within the BIOCLIM
hierarchical strategy: methods, data requirements, and underlying
assumptions. Technical Note D6b. Http://[Link]/bioclim/pdf/[Link]
[25 April 2005].
BMG [Badan Meteorologi dan Geofisika]. 2003. Pengkajian prakiraan musim
untuk pertanian di kabupaten Indramayu. Laporan Akhir. Badan
Meteorologi dan Geofisika, Jakarta.
Bocchieri JR, Glahn HR. 1972. Use of model output statistics for predicting
ceiling height. Monthly Weather Review, 100(12):869-877.
Busuioc A, Chen D, Hellstrom C. 2001. Perfo rmance of statistical downscaling
models in GCM validation and regional climate change estimates:
Application for Swedish precipitation. Int J Climatol, 21:557-578.
Cavazos T. 1999. Large-scale circulation anomalies conducive to extreme
precipitation events and derivation of daily rainfall in Northeastern Mexico
and Southeastern Texas. J Clim, 12:1506-1523.
Cavazos T, Hewitson B. 2002. Rela tive performance of empirical predictors of
daily precipitation. Proc. of the 1st Biennial Meeting of the IEMSS, Lugano,
Switzerland, vol. 2:349-354.
Charles SP, Bates BC, Whetton PH, Hughes JP. 1999a. Validation of downscaling
models for changed climate conditions: Case study of southwestern
Australia. Clim Res, 12:1-14.
Charles SP, Bates BC, Hughes JP. 1999b. A spasiotemporal model for
downscaling precipitation occurences and amounts. J Geophys Res., Vol
104, no. D24: 31657-31667.
Chen D, Chen Y. 2002. Association between winter temperature in China and
upper air circulation over East Asia revealed by canonical correlation
analysis. Global and Planetary Change, 780:1-11.
Http://[Link]/locate/glopacha. [22 Maret 2003].
Dawson CW, Wilby RL. 2001. Hydrological modeling using artificial neural
networks. Progress in Physical Geography, 25(1): 80-108.
Donoho DL, Johnstone IM. 1989. Projection-based approximation and a duality
with kernel methods. Ann Statist 17:58-106.
Fenoglia-Marc L. 2001. Analysis and representation of regional sea- level
variability from altimetry and atmospheric oceanic data. J Int Geophys,
145:1-18.
Fernandez E. 2005. On the influence of predictors area in statistical downscaling
of daily parameters. Report no.09/2005. Norwegian Meteorological
Institute, Oslo.
Friedman JH, Stuetzle W. 1981. Projection pursuit regression. J Amer Statist
Assoc, 376:817-823.
Fuentes U, Heimann D. 2000. An improved statistical-dynamical downscaling
scheme and its application to the Alpine precipitation climatology.
Theoretical and Applied Climatology, 65:119-135.
GFM (Departemen Geofisika dan Meteorologi, FMIPA IPB) & BMG (Badan
Meteorologi dan Geofisika). 2003. Climate Forecast Information
Application: Case Study at Indramayu District. Final Report on Second
Phase Extreme Climate Events Project.
Giorgi F, Hewitson H. 2001. Regional climate information. Evaluation and
Projections. [Link]
[10 Januari 2006]
Halls P. 1989. On projection pursuit regression. Ann Statist, 12(2):573-588.
Hastie TJ, Tibshirani RJ. 1990. Generalized Additive Models. Chapman &
Hall/CRC. London.
Hewitson B. 1994. Regional climate in the GISS General Circulation Model
surface air temperature. J Clim, 7:283-303.
Huber PJ. 1985. Projection pursuit. Ann Statist, 12(2):435-475.
Huth R, Kysely J. 2000. Constructing site-specific climate change scenarios on a
monthly scale using statistical downscaling. Theoretical and Applied
Climatology, 66:13-27.
Jimenez LO, Landgrebe DA. 1999. Hyperspectral data analysis and supervised
feature reduction via projection pursuit. IEEE Trans. On Geoscience and
Remote Sensing, 37:2653-2667.
Johnny C, Chan L, Shi Jiu-En. 1997. Application of projection-pursuit principal
component analysis method to climate studies. Int J Climatol, 17:103-113.
Jones MC, Sibson R. 1987. What is projection pursuit? J R Statist Soc A, 150:1-
36.
Landman WA, Tennant WJ. 2000. Statistical downscaling of monthly forecasts.
Int J Climatol, 20:1521-1532.
Lanza LG, Ramirez JA, Todini E. 2001. Stochastic rainfall interpolation and
downscaling. Hydrology and Earth System Sciences, 5(2):139-143.
Li X, Sailor D. 2000. Application of tree-structured regression for regional
precipitation prediction using general circulation model output. Clim Res,
16:17-30.
Malthouse EC. 1995. Nonlinear Partial Least Square. Dissertation, Field of
Statistics. Northwestern University.
Mole K, Boer R, Pawitan H, Ratag MA. 2001. Metode pengujian model- model
sirkulasi umum untuk wilayah Indonesia. Prosiding Temu Ilmiah Prediksi
Cuaca dan Iklim Nasional. Lembaga Penerbangan dan Antariksa Nasional
(LAPAN), Bandung.
Mpelasoka FS, Mullan AB, Heerdegen RG. 2001. New Zealand climate change
information derived by multivariate statistical and artificial neural networks
approaches. Int J Climatol, 21:1415-1433.
Notodiputro KA, Wigena AH, Fitriadi. 2004. Pendekatan regresi komponen
utama dan ARIMA dalam statistical downscaling. Forum Statistika dan
Komputasi. Edisi Khusus Seminar Nasional Statistika.

85
Nuryadi. 2005. Pemanfaatan informasi iklim untuk tingkat kabupaten. Contoh
Indramayu dan Malang. Buku Panduan Seminar Sehari, Hari Meteorolgi
Dunia ke 55, 25 Maret 2005. Jakarta.
Posse C. 1995. Projection pursuit exploratory data analysis. Comput. Stat. &
Data Analysis, 20:669-687.
Ratag MA. 2001. Reanalisis curah hujan di Indonesia hasil simulasi model area
terbatas resolusi tinggi CSIRO DARLAM. Prosiding Temu Ilmiah Prediksi
Cuaca dan Iklim Nasional. Lembaga Penerbangan dan Antariksa Nasional
(LAPAN), Bandung.
Ryan TP. 1997. Modern Regression Methods. John Wiley & Sons, Inc. New
York.
Sailor DJ, Li X. 1999. A semiempirical downscaling approach for predicting
regional temperature impact associated with climate change. J Clim,
12:103-114.
Sailor DJ, Hu T, Li X, Rosen JN. 2000. A neural network approach to local
downscaling of GCM output for assessing wind power implications of
climate change. Renewable Energy, 19:359-378.
Schubert S, Henderson-Sellers A. 1997. A statistical model to downscale local
daily temperature extremes from synoptic-scale atmospheric circulation
patterns in The Australian region. Climate Dynamics, 13:223-234.
Scott DW. 1992. Multivariate Density Estimation. Theory, Practice and
Visualization. John Wiley & Sons, Inc. New York.
Simonoff JS. 1996. Smoothing Methods in Statistics. Springer. New York.
Siswanto B, Ratag MA. 2001. Prediksi curah hujan dan temperatur permukaan
bulanan berbasis model sirkulasi global GCM CSIRO-9. Prosiding Temu
Ilmiah Prediksi Cuaca dan Iklim Nasional. Lembaga Penerbangan dan
Antariksa Nasional (LAPAN), Bandung.
Storch H von, Hewitson B, Mearns L. 2001. Review of empirical downscaling
techniques. Http://[Link]/regclim/~/[Link]. [15 Februari
2004].
Storch H von, Zwiers FW. 1999. Statistical Analysis in Climate Research.
Cambridge University Press. London.
Trigo RM, Palutikof JP. 2001. Precipitation scenarios over Iberia: A comparison
between direct GCM output and different downscaling techniques. J Clim,
14:4422-4446.
Uvo CB et al. 2001. Statistical atmospheric downscaling for rainfall estimations
in Kyushu Island Japan. Hydrology & Earth System Sciences, 5(2):259-271.
Wigena AH, Aunuddin. 2004a. Aplikasi projection pursuit dalam pemodelan
statistical downscaling. Forum Statistika dan Komputasi. Edisi Khusus
Seminar Nasional Statistika.
-----------------------------. 2004b. Aplikasi projection pursuit dan jaringan syaraf
tiruan dalam pemodelan statistical downscaling. Statistika. Forum Teori dan
Aplikasi Statistika, 4(2):7-10.
Wigena AH, Syafitri UD, Millafanti YA. 2005. Penentuan domain dengan teknik
variogram. Forum Statistika dan Komputasi (dalam proses penerbitan).
Wilby RL, Wigley TML. 1997. Downscaling general circulation model output: A
review of methods and limitations. Progress in Physical Geography,
21,4:530-548.

86
------------------------------. 2000. Precipitation predictors for downscaling:
Observed and general circulation model relationships. Int J Climatol,
20:641-661.
Wilby RL, Wigley TML, Conway D, Jones PD, Hewitson BC, Main J, Wilks DS.
1998. Statistical downscaling of general circulation model output: A
comparison of methods. Water Resources Research, 34(11): 2995-3008.
Wilby RL, Charles SP, Zorita E, Timbal B, Whetton P, Mearns LO. 2004.
Guidelines for use of climate scenarios developed from statistical
downscaling. Http://[Link]/guidelines/StatDown_Guide.pdf
[15 Mei 2005].
Wilks DS. 1995. Statistical Methods in the Atmospheric Sciences. Academic
Press. New York.
Xia X, An HZ. 1999. Projection pursuit autoregression in time series. J Time
Series Anal, 20(6):693-714.
Yarnal B, Comrie AC, Frakes B, Brown DP. 2001. Developments and prospects
in synoptic climatology. Review. Int J Climatol, 21:1923-1950.
Zorita E, Hughes JP, Lettenmaier DP, Storch H von. 1995. Stochastic
characterization of regional circulation patterns for climate model diagnosis
and estimation of local precipitation. J Clim, 8:1023-1042.
Zorita E, Storch H von. 1999. The analog method as a simple statistical
downscaling technique: Comparison with more complicated methods. J
Clim, 12:2474-2489.

87
LAMPIRAN
Lampiran 1. Daftar Istilah
ARIMA Autoregressive Integrate Moving Average
ANN Artificial Neural Network
CART Classification and Regression Tree
CCA Canonical Correlation Analysis
CCC Canadian Climate Center
CSIRO Commonwealth Scientific and Industrial Research
Organization
DARLAM Division of Atmospheric Research Limited Area Model
DPM Daerah Prakiraan Musim
DPM_BMG DPM hasil pewilayahan olen BMG (2003)
DPM_PPR DPM hasil pewilayahan dengan model PPR
GCM General Circulation Model
GFDL Geophysical Fluid Dynamic Laboratory
GISS Goddard Institute for Space Studies
LAM Limited Area Model
MARS Multivariate Additive Regression Spline
MOS Model Output Statistics
NCAR National Centre for Atmospheric Research
NCEP National Centers for Environmental Prediction
NHMM Non Homogenuous Hidden Markov Model
NWP Numerical Weather Prediction
NWS National Weather Services
PCA Principal Component Analysis
PCR Principal Component Regression
PP Projection Pursuit
PPR Projection Pursuit Regression
RCM Regional Circulation Model
RMSEP Root Mean Square Error of Prediction
TSR Tree Structure Regression
UKMO United Kingdom Meteorological Office
UKTR United Kingdom Meteorological Transient
SD Statistical Downscaling
SLP Sea Level Pressure
SST Sea Surface Temperature
STD Standard Deviation
SVD Single Value Decomposition

89
Lampiran 2. Elevasi dan Koordinat Setiap Stasiun di Kabupaten Indramayu
No Stasiun Nama Stasiun Elevasi(mdpl) LS BT
1a Bugel 1 6,299 107,985
10 Indramayu 6 6,345 108,322
10a Cidempet 7 6,352 108,247
1 Anjatan 1 6,355 107,954
1c Tulangkacang 1 6,357 107,006
4 Bulak/Kandanghaur 2 6,363 108,113
11 Bangkir 11 6,385 108,291
2a Bugis 7 6,389 107,932
17 Karangasem 24 6,395 107,054
23a Sudimampir 4 6,402 108,366
7 Losarang 2 6,405 108,149
12 Lohbener 11 6,406 108,282
16 Wanguk 1 6,416 107,957
15 Luwungsemut 8 6,427 107,009
9a Tugu * 6,433 108,333
23b Juntinyuat 5 6,433 108,438
5 Gabuswetan 8 6,445 107,039
13b Jatibarang 3 6,456 108,307
23 Ujungaris 12 6,457 108,287
8 Cikedung * 6,467 108,167
13a Sudikampiran 7 6,482 108,364
29 Temiyang 26 6,487 107,021
18b Cipancuh 8 6,488 107,944
6 Kroya 48 6,489 107,064
26 Krangkeng 5 6,503 108,483
27 Kedokan Bunder 7 6,509 108,424
9 Sumurwatu * 6,517 108,1
3b Gantar 22 6,528 107,973
14 Sukadana 18 6,546 108,315
3c Bantarhuni 35 6,589 107,951
14b Bondan 9 6,606 108,299

90
Lampiran 3. Dendrogram Pengelompokan Stasiun Curah Hujan

Similarity
31.50

54.33

77.17

100.00
t k el y kr a k ir ng ner lak r is ar a mp yu en un mp na ng ugu t an gis an em ya u t ng at uh an r hu tar ng
pe u g a g a n k t m a w d a
m ng B u r am S u an s ar hb e B u jga at ib ik a nti ng knb i m a ada edu T nj a B u we gas K r o s e kac ur anc on nta Ganm i y
id e Wa d B o o U J d u ra d d k k A s r Lw T l S um Ci p B B a
C In L L S u J K K e S u S u Ci Gb K Te

Stasiun

91
Lampiran 4. Curah Hujan (mm) Aktual dan Dugaan Setiap DPM_PPR

DPM1_PPR DPM2_PPR

500 500

400 400

300 Aktual 300 Aktual

200 Dugaan 200 Dugaan

100 100

0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

DPM3_PPR DPM4_PPR

500 500

400 400

300 Aktual 300 Aktual

200 Dugaan 200 Dugaan

100 100

0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

DPM5_PPR

500

400

300 Aktual
200 Dugaan

100

0
1 2 3 4 5 6 7 8 9 10 11 12

92
Lampiran 5. Curah Hujan (mm) Aktual dan Dugaan Setiap DPM_BMG

DPM1_BMG DPM2_BMG

500 500

400 400

300 Aktual 300 Aktual

200 Dugaan 200 Dugaan

100 100

0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

DPM3_BMG DPM4_BMG

500 500

400 400
300 Aktual 300 Aktual
200 Dugaan 200 Dugaan

100 100

0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

DPM5_BMG DPM6_BMG

500 500
400 400
300 Aktual 300 Aktual
200 Dugaan 200 Dugaan

100 100
0 0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

93
Lampiran 6. Sub-Program S-Plus yang digunakan untuk Pendugaan Model PPR
ppreg(x, y, [Link], [Link]=[Link],
wt=rep(1,nrow(x)), rwt=rep(1,ncol(y)),
xpred=NULL,optlevel=2,bass=0,span="cv")

Outputs by ppreg:
ypred
matrix of predicted values for y given the matrix xpred. If xpred was
not input, then ypred contains the residuals for the model fit.

fl2
the sum of squared residuals divided by the total corrected sums of
squares.

alpha
a minterm by ncol(x) matrix of the direction vectors, alpha[m,j]
contains the j-th component of the direction in the m-th term.

beta
a minterm by ncol(y) matrix of term weights, beta[m,k] contains the
value of the term weight for the m-th term and the k-th response
variable.

z
a matrix of values to be plotted against zhat. z[i,m] contains the z
value of the i-th observation in the m-th model term, i.e., z equals x
%*% t(alpha). The columns of z have been sorted.

zhat
a matrix of function values to be plotted. zhat[i,m] is the smoothed
ordinate value (phi) of the i-th observation in the m-th model term
evaluated at z[i,m].

allalpha
a three dimensional array, the [m,j,M] element contains the j-th
component of the direction in the m-th model term for the solution
consisting of M terms. Values are zero for M less than minterm.

allbeta
a three dimensional array, the [m,k,M] element contains the term
weight for the m-th term and the k-th response variable for the
solution consisting of M terms. Values are zero for M less than
minterm.

esq
esq[M] contains the fraction of unexplained variance for the solution
consisting of M terms. Values are zero for M less than minterm.

esqrsp
matrix that is ncol(y) by maxterm containing the fraction of
unexplained variance for each response. esqrsp[k,M] is for the k-th
response variable for the solution consisting of M terms, for M
ranging from [Link] to [Link]. Other columns are zero.

94