16 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.
17 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.
18 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 Prognosis
Peubah cuaca permukaan Peubah atmosfir bebas
NWP Klein 1982
2
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 SST
GISS Hewitson 1994
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 ANN
Curah hujan harian dan bulanan
Sea level pressure SLP ECHAM-3
Zorita Storch 1999 ANN
Temperatur maksimum dan minimum harian
HadCM3 Trigo Palutikof 1999
1
ANN Curah hujan harian
Humidity Cavazos 1999
Keterangan: 1. diacu dalam Trigo Palutikof 2001
2.
diacu dalam Sailor Li 1999
tidak tercantum
19 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, Geopotential height
NCAR Sailor et al. 2000
PCA dan Regresi berganda
Curah hujan bulanan; temperatur bulanan
Geopotential height, Geopotential thickness
ECHAM-3 Huth Kysely 2000
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, Wind speed
Uvo et al. 2001 CCA
Curah hujan musiman SLP
HadCH2 Busuioc et al. 2001
PCA Jumlah hari waktu
pembungaan Dandelion SST
NCEPNCAR HadCM-3
ECHAM-4 Bergant et al 2002
CCA dan PCA Temperatur
Geopotential height, NCEPNCAR
Chen D Chen Y 2002 PCA
dan Regresi linear; Analog
Temperatur harian; Curah hujan musiman
SST, SLP ERA-40
Fernandez 2005
Keterangan: 1. diacu dalam Trigo Palutikof 2001
2.
diacu dalam Sailor Li 1999
tidak tercantum
20 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
21 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
22 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 NCEPNCAR.
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
23 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
