Pemodelan Statistical Downscaling menggunakan Regresi Komponen Utama dengan Metode Minimum Vector Variance untuk Pendugaan Curah Hujan.
(Studi Kasus: Data Curah Hujan Kabupaten Pangkep)
Total View This Week0
Total View This Week0
Institusion
Universitas Hasanuddin
Author
Ayu Riski Ramadani (STUDENT ID : H12116014)
Sitti Sahriman, S.Si., M.Si. (LECTURER ID : 0018108801)
Dr. Georgina Maria Tinungki, M.Si. (LECTURER ID : 0026096205)
Sitti Sahriman, S.Si., M.Si. (LECTURER ID : 0018108801)
Dr. Georgina Maria Tinungki, M.Si. (LECTURER ID : 0026096205)
Subject
QA Mathematics
Datestamp
2021-03-18 02:52:14
Abstract :
Curah hujan merupakan salah satu unsur iklim yang sangat penting dan sangat berdampak besar bagi kehidupan manusia, namun keberadaannya masih sulit diprediksi. Global circulation model (GCM) merupakan salah satu model untuk meramalkan data curah hujan. Kelemahan dari data GCM adalah masih bersifat global sehingga akan sulit untuk menjelaskan keragaman dalam skala lokal yang lebih rinci. Statistical Downscaling (SD) hadir untuk menangani permasalahan tersebut. SD menghubungkan antara data luaran GCM dan curah hujan untuk menduga perubahan pada skala lokal dengan menggunakan metode regresi. Pemodelan SD dapat dipengaruhi oleh adanya data pencilan dan multikolinearitas. Keberadaan data tersebut perlu diperhatikan sehingga diperoleh model terbaik antara lain dengan cara mengoreksi atau dengan metode pendugaan model yang robust untuk mengurangi pengaruh pencilan serta mengatasi multikolinearitas. Regresi komponen utama (RKU) dan minimum vector variance (MVV) digunakan dalam model SD untuk mengatasi masalah tersebut. Terdapat 5 komponen utama (KU) yang optimal untuk digunakan pada model SD dengan regresi komponen utama. Selain itu penambahan 3 peubah dummy berdasarkan k-means cluster sebagai peubah prediktor untuk mengatasi masalah heterogenan sisaan data. Hasil penelitian curah hujan lokal yang diperoleh dari regresi komponen utama dummy (k-means) merupakan model yang terbaik berdasarkan nilai koefisien determinasi (R^2)sebesar 92% dengan root mean square error (RMSE) yaitu 84.33, serta validasi modelnya menghasilkan root mean square error prediction (RMSEP) yang lebih rendah yaitu 94.74 dengan korelasi curah hujan aktual dan dugaannya sebesar 0.9570.
Curah hujan merupakan salah satu unsur iklim yang sangat penting dan sangat berdampak besar bagi kehidupan manusia, namun keberadaannya masih sulit diprediksi. Global circulation model (GCM) merupakan salah satu model untuk meramalkan data curah hujan. Kelemahan dari data GCM adalah masih bersifat global sehingga akan sulit untuk menjelaskan keragaman dalam skala lokal yang lebih rinci. Statistical Downscaling (SD) hadir untuk menangani permasalahan tersebut. SD menghubungkan antara data luaran GCM dan curah hujan untuk menduga perubahan pada skala lokal dengan menggunakan metode regresi. Pemodelan SD dapat dipengaruhi oleh adanya data pencilan dan multikolinearitas. Keberadaan data tersebut perlu diperhatikan sehingga diperoleh model terbaik antara lain dengan cara mengoreksi atau dengan metode pendugaan model yang robust untuk mengurangi pengaruh pencilan serta mengatasi multikolinearitas. Regresi komponen utama (RKU) dan minimum vector variance (MVV) digunakan dalam model SD untuk mengatasi masalah tersebut. Terdapat 5 komponen utama (KU) yang optimal untuk digunakan pada model SD dengan regresi komponen utama. Selain itu penambahan 3 peubah dummy berdasarkan k-means cluster sebagai peubah prediktor untuk mengatasi masalah heterogenan sisaan data. Hasil penelitian curah hujan lokal yang diperoleh dari regresi komponen utama dummy (k-means) merupakan model yang terbaik berdasarkan nilai koefisien determinasi (R^2)sebesar 92% dengan root mean square error (RMSE) yaitu 84.33, serta validasi modelnya menghasilkan root mean square error prediction (RMSEP) yang lebih rendah yaitu 94.74 dengan korelasi curah hujan aktual dan dugaannya sebesar 0.9570.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
