2. 5. Statistical Downscaling
Metode statistical downscalling SD didasarkan pada asumsi bahwa iklim regional dikendalikan oleh dua faktor, yaitu kondisi iklim skala besar resolusi
rendah dan kondisi fisiografik regional Busuioc et al. 1999 dalam Sutikno 2008. Metode SD merupakan suatu fungsi transfer yang menggambarkan
hubungan fungsional sirkulasi atmosfer global; hasil dari Global Climate Model GCM, dengan unsur-unsur iklim lokal Zorita and von Storch 1999 dalam
Bergant and Kajfez-Bogataj 2005 atau merupakan fungsi transfer untuk mereduksi dimensi GCM yang dapat digunakan untuk memprakirakan kondisi
iklim pada tingkat lokal berdasarkan sifat-sifat peubah pada skala global. Metode ini mencari informasi skala lokal dari skala global melalui hubungan fungsional
antara kedua skala tersebut Storch et al. 2001 dalam Wigena 2006. Namun untuk keadaan skala global yang sama, keadaan skala lokalnya dapat bervariasi
atau adanya regionalisasi. SDmenjelaskan hubungan antara skala global dan lokal dengan lebih memperhatikan keakuratan model penduga untuk mempelajari
dampak perubahan iklim Yarnal et al. 2001 dalam Wigena 2006. Downscaling lebih menunjukkan proses perpindahan dari peubah penjelas ke peubah respon,
yaitu perpindahan dari skala global ke skala regional titik. Gambar 2-4 mengillustrasikan proses downscaling.
Deret data yang homogen sangat diperlukan dari lokasi tertentu secara individu untuk memperoleh hubungan secara statistik. Lokasi terpilih haruslah
dapat meliputi suatu area yang sebanding dengan ukuran grid GCM. Hubungan yang diperoleh sangat tergantung pada lokasi yang diambil, sehingga pada lokasi
terpilih untuk downscaling harus tersedia data yang cukup lengkap dan mempunyai deret yang cukup panjang. Jika data yang tersedia cukup, maka
sebagian data digunakan untuk membangun model sedangkan bagian yang lainnya untuk verifikasi model. Hal yang perlu diperhatikan adalah penggalan
data tidak memisahkan deret data dari suatu regim iklim Rummukainen 1997 dalam Haryoko 2004.
Gambar 2-4. Ilustrasi downscaling Sumber : http:cccsn.ca
Bentuk umum model SD adalah Wigena, 2006:y = fXdengan y
t x q
adalah peubah-peubah iklim lokal, X
t x p x s x g
adalah peubah-peubah sirkulasi
atmosfir global, t adalah banyaknya waktu seperti: bulanan, harian, p adalah banyaknya peubah X, q adalah banyaknya peubah y, s adalah banyaknya lapisan
atmosfir, g adalah banyaknya grid domain GCM.
Menurut Weichert and Bürger 1998 dan Zorita and von Storch 1999dalam Kajfez-Bogataj 2005, pendekatan untuk SD dapat dilakukan
melalui pendekatan linier dan non-linier. Pendekatan linier yang umum digunakan antara lain analisis korelasi kanonik CCA = canonical correlation analysis
seperti yang pernah dilakukan oleh von Storch et al., 1993, Busuioc et al. 1999, Landman dan Tennant 2000, Benestad 2001, Busuioc et al. 2001
dalam Bergant dan Kajfez-Bogataj 2005, regresi komponen utama PCR = principal components regression
oleh Schubert 1998, Benestad et al. 2002, Bergant et al. 2002 dalam Bergant dan Kajfez-Bogataj, 2005, dan regresi
berganda pada indeks-indeks sirkulasi skala besar MLR = multiple linear regression
Wilby et al., 1998, 1999 dalam Bergant dan Kajfez-Bogataj 2005. Sementara itu, teknik non-linier yang sering digunakan antara lain metode analog
ANL = analog method oleh Zorita dan von Storch 1999 dan Timbal et al.
2003dalam Bergant dan Kajfez-Bogataj 2005 dan jaringan syaraf tiruan ANN = artificial neural networks oleh Hewitson dan Crane 1996, Cavazos
1997, Weichert dan Bürger 1998, Trigo dan Palutikof 2001 dalam Bergant dan Kajfez-Bogataj 2005.
CCA mempunyai kelebihan dalam memilih pasangan spasial antara peubah tak bebas dengan peubah bebas yang berkorelasi secara optimal. Pada periode
berikutnya Noguer 1994 dalam Haryoko 2004 dan Busuioc et al. 1999 dalam Haryoko 2004 menggunakan metode CCA untuk memvalidasi model GCM.
Sedangkan, Bergant dan Kajfez-Bogataj 2005 dan Zhu et al. 2007 menggunakan teknik PLS partial least squares regression sebagai metode SD.
Sutikno 2008 menggunakan metode Regresi Splines Adaptif Berganda MARS = multivariate adaptive regression splines yang dikembangkan oleh Friedman
pada tahun 1991. Metode kuadrat terkecil parsial Partial Least SquarePLS merupakan soft
model yang dapat menjelaskan struktur keragaman data dengan menggeneralisasi dan menggabungkan antara metode analisis faktor, PCA, dan multiple regression
Abdi 2007. Metode kuadrat terkecil parsial dapat dilihat sebagai dua bentuk yang saling berkaitan antara CCA dan PCA. Deret data yang homogen sangat
diperlukan dari lokasi tertentu secara individu untuk memperoleh hubungan secara statistik. Lokasi terpilih haruslah dapat meliputi suatu area yang sebanding
dengan ukuran grid GCM. Hubungan yang diperoleh sangat tergantung pada lokasi yang diambil, sehingga pada lokasi terpilih untuk downscaling harus
tersedia data yang cukup lengkap dan mempunyai deret yang cukup panjang. Jika data yang tersedia cukup, maka sebagian data digunakan untuk membangun
model sedangkan bagian yang lainnya untuk verifikasi model. Hal yang perlu diperhatikan adalah penggalan data tidak memisahkan deret data dari suatu regim
iklim Rummukainen 1997 dalam Haryoko 2004. PLSdapat digunakan untuk mengatasi masalah multikolinearitas antar
peubah pada persamaan yang menggunakan peubah banyak. Multikolinieritas merupakan hubungan linier yang sempurna atau pasti diantara beberapa atau
semua peubah bebas dari model regresi berganda. Multikolinieritas yang tinggi akan menyebabkan koefisien regresi yang diperoleh tidak unik.
Metode PLS bertujuan untuk membentuk komponen yang dapat menangkap informasi dari peubah bebas untuk memprediksi peubah respon. PLS terfokus
pada kovarian diantara peubah bebas dan peubah tak bebas. Model yang dihasilkan akan mengoptimalkan hubungan prediksi antara dua komponen
peubah. Metode ini terdiri dari dua tahapan, yaitu tahap building set membangun model dan prediction set validasi. Proses penentuan model pada metode
kuadrat terkecil parsial dapat dilakukan secara iterasi dengan melibatkan keragaman peubah x dan y. Struktur ragam dalam y akan mempengaruhi
komponen kombinasi linier dalam x, dan sebaliknya Bilfarsah 2005. Menurut Abdi 2007, regresi PLS merupakan suatu teknik yang umum
yang mengkombinasikan ciri-ciri dari analisis komponen utama dan regresi berganda. Selain itu, menurut Zhu et al. 2007, PLS dapat digunakan untuk
mereduksi dimensi kovariasi, menghindari adanya kolinearitas antar komponen kovariasi, dan mengatasi struktur data yang tidak linier serta mengatasi masalah
dimensi peubah respon yang besar. Dengan demikian, PLS mampu untuk menentukan model prediksi dari sejumlah peubah prediktan berdasarkan peubah
prediktor yang sama secara bersamaan sehingga menghemat waktu pemrosesan data.
Selanjutnya pada Bab 3 akan dibahas hasil hubungan antara data READY- ARL NOAA dengan data radiosonde yang ditujukan untuk menurunkan model
estimasi data iklim non hujan, seperti: suhu T, suhu maksimum T
max
, kelembaban udara RH, arah angin WD, dan kecepatan angin WS.
3. ANALISIS HUBUNGAN DATA READY ARL-NOAA DENGAN DATA OBSERVASI PERMUKAAN MENGGUNAKAN METODE PLS
Kategori