BAB II TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Berbagai studi kajian untuk melakukan prediksi curah hujan telah banyak dikembangkan dengan menggunakan berbagai model dan indikator dalam melihat
gejala anomali iklim. Beberapa penelitian yang sudah dilakukan sebelumnya diantaranya, Wigena 2006 melakukan kajian mengenai pemodelan Statsitical
Downscaling SD dengan Projection Pursuit Regression PPR untuk peramalan curah hujan bulanan studi kasus hujan bulanan di Indramayu. Hasil penelitian
yang diperoleh yaitu perkembangan teknik SD dapat ditentukan berdasarkan karakteristik data luaran GCM yang bersifat curse of dimensionality, nonlinear
dan multikolinearitas dan data peubah respon. Penentuan domain dilakukan berdasarkan ukuran kedekatan hubungan antara peubah global luaran GCM
dengan peubah lokal observasi. Pendugaan curah hujan bulanan dengan model PPR lebih akurat dan pola nilai dugaan lebih mendekati pola nilai observasinya
dari pada model Principal Component Analysis PCR. Selanjutnya, Buono 2010 menggunakan metode statistical downscaling
dengan Jaringan Syaraf Tiruan JST untuk melakukan pendugaan pemodelan curah hujan di Kabupaten Indramayu. Penelitian tersebut secara umum
menghasilkan nilai prediksi hampir mendekati pola dari data observasi. Akan tetapi pada kasus tertentu dimana data observasi terdapat titik, hasil prediksinya
belum mampu mencapai nilai maksimum ataupun minimum dari data observasi. Mutaqqin 2011 dalam penelitiannya melakukan kajian tentang
pengembangan JST pada pemodelan downscaling data GCM curah hujan bulanan studi kasus Indramayu dengan melakukan pengelompokan data terlebih dahulu
sebelum melakukan pelatihan. Pada penelitiannya tahapan pelatihan menggunakan metode JST backpropagation dengan jumlah neuron pada hidden
layer sebanyak 50 dan 100 buah neuron. Terdapat 2 dua buah model JST yang digunakan yaitu penggunaan parameter dengan algoritma Levenberg-Marquardt
nilai gradien minimum sebesar 1 x 10
-10
untuk selanjutnya disebut JST-1. Kedua, yaitu model JST-2 yaitu penggunaan parameter algoritma Levenberg-Marquardt
nilai gradien minimum sebesar 1 x 10
-100
. Penelitian ini dilakukan untuk memperbaiki pola distribusi yang dihasilkan oleh Buono 2010. Secara umum
4
model yang dihasilkan oleh pelatihan menggunakan JST lebih baik. Dimana pola hasil prediksi yang dihasilkan oleh model JST mengikuti pola data observasi dan
beberapa titik yang belum dicapai oleh Buono 2010, pada penelitian ini tercapainya beberapa titik yang pada penelitian sebelumnya tidak dapat dicapai
oleh hasil prediksinya. Akan tetapi pada beberapa titik dalam keadaan ekstrim, nilai prediksi yang dihasilkan belum mampu mendekati pola sebaran dari data
observasi. Penelitian berikutnya dilakukan oleh Agmalaro 2011, pada penelitian
tersebut melakukan suatu pengembangan model downscaling data luaran GCM menggunakan
Support Vector Regression SVR.
Pada penelitiannya menggunakan 1 satu variabel masukan inputan yaitu data luaran GCM peubah
precipitation curah hujan sebagai peubah penjelas dan data observasi sebagai peubah respon. Pemodelan data dilakukan dengan pembagian data berdasarkan
bulan musiman seasonal, yaitu bulan pada musim hujan dengan rataan curah hujuan yang tinggi terjadi pada bulan Desember-Januari-Februari DJF, bulan
pada musim kemarau dengan rataan curah hujan yang sedikit terjadi pada bulan Juni-Juli-AgustusJJA dan bulan pada masa pancaroba yang merupakan peralihan
musim hujan ke kemarau terjadi pada bulan Maret-April-Mei MAM serta peralihan musim kemarau ke musim hujan terjadi pada bulan September-Oktober-
NovemberSON. Sehingga PCA data matriks GCM terbagi menjadi 4 bagian menjadi GCM-DJF, GCM-MAM, GCM-JJA, dan GCM-SON. Kemudian
melakukan penyusunan model SVR berdasarkan data GCM dan observasi. Penelitian ini, secara keseluruhan model yang dihasilkan cukup bagus untuk
memprediksi curah hujan dengan kondisi normal, tetapi untuk keadaan ekstrim, walaupun model prediksi sudah dapat mengikuti pola dari data pengamatan
namun nilai prediksi yang dihasilkan belum berhasil menjangkau dan mendekati nilai pengamatan yang sesungguhnya.
Oleh karena itu, dalam studi penelitian ini akan dilakukan pengembangan downscaling menggunakan SVR dengan melakukan perpaduan 2 dua variabel
masukan inputan yaitu data luaran GCM variabel precipitation curah hujan, data anomali SST Nino 3.4 peubah penjelas dan data observasi 13 stasiun
pengamatan curah hujan wilayah Indramayu peubah respons. Pada penelitian ini dilakukan proses preprocessing menggunakan Principal Component Analysis
PCA terhadap data luaran GCM peubah precipitation. Pemodelan data dilakukan dengan menggabungkan parameter input luaran GCM peubah
precipitation dengan anomali SST Nino 3.4 menggunakan waktu time lag 3
tiga bulan sebelumnya dalam melakukan prediksi sebagai parameter masukan. Penggunaan leg-3 dilakukan untuk melihat maju mundurnya hubungan antara
prediktor dan prediktan. Peubah SST yang digunakan dalam penelitian ini yaitu anomali SST Nino 3.4. Dimana SST Nino 3.4 menjadi indikator fenomena ENSO
yang sering digunakan untuk melihat gejala terjadinya anomali iklim. Menurut Pramudia 2002 Analisis faktor lag bertujuan memperoleh
informasi korelasi anomali iklim pada waktu tertentu. Hubungan curah hujan dan SST Nino 3.4 dinyatakan melalui skenario tenggang waktu time lag 0, 1 2 dan 3
bulan. lag 0 : curah hujan bulan ini dipengaruhi oleh SST pada bulan yang sama
lag 1 : curah hujan bulan ini dipengaruhi oleh SST 1 bulan sebelumnya lag 2 : curah hujan bulan ini dipengaruhi oleh SST 2 bulan sebelumnya
lag 3 : curah hujan bulan ini dipengaruhi oleh SST 3 bulan sebelumnya Semakin besar time lag yang digunakan pada pemodelan pendugaan anomali
iklim maka menjadi lag yang dominan di setiap stasiun hujan berdasarkan besarnya nilai koefisien korelasi r validasi tertinggi.
Diharapkan pada penelitian pemodelan downscaling luaran GCM dan anomali SST Nino 3.4 dengan menggunakan SVR ini dapat menghasilkan nilai
prediksi lebih bagus dari penelitian oleh Agmalaro 2011 khususnya pada kasus beberapa titik yang hasil prediksinya belum sensitif menangkap pola ektrim dan
belum berhasil mendekati nilai observasinya.
2.2 General Circulation Model GCM