dengan peubah bebas sangat diperhatikan. Pendugaan yang dilakukan tidak bermakna
jika prediktornya saling berkorelasi atau multikolinieritas Bilfarsah 2005.
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 Fitriani 2010.
Salah satu cara untuk mengatasi masalah multikolinieritas yang terjadi adalah
dengan menggunakan metode kuadrat terkecil parsial Partial Least SquarePLS. Metode
kuadrat terkecil parsial merupakan soft model yang dapat menjelaskan struktur keragaman
data dengan menggeneralisasi dan menggabungkan antara motode analisis faktor,
principal component analysis,
dan multiple regression
Abdi 2007. Metode kuadrat terkecil parsial dapat dilihat sebagai dua
bentuk yang saling berkaitan antara Canonical Correlation Analysis CCA
dan Principal Component Analysis PCA.
Metode ini bertujuan untuk membentuk komponen yang dapat menangkap
informasi dari peubah bebas untuk memprediksi peubah respon. PLS terfokus
pada kovarians 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 Fitriani 2010. 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.
III. METODOLOGI
3.1 Waktu dan Tempat Penelitian
Penelitian dilakukan mulai Maret – November 2010 di Laboratorium Klimatologi,
Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan
Alam, Institut Pertanian Bogor serta CCROM SEAP Center for Climate Risk Management
in Southeast Asia and Pacific
Baranangsiang.
3.2 Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah seperangkat komputer dengan
beberapa perangkat lunak software penunjang seperti Microsoft Office 2007,
Minitab 14, dan Arc View 3.3. Data yang digunakan dalam penelitian ini adalah data
curah hujan keluaran CMORPH periode tahun 2003 sampai 2008. Data tersebut diperoleh
dari http:cpc.ncep.noaa.gov. Data curah hujan observasi harian periode tahun 2003
sampai 2008 untuk Stasiun Simpang Tiga, Pekanbaru dan Stasiun Dabo Singkep. Data
tersebut diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika BMKG Jakarta.
Data curah hujan observasi harian periode tahun 2003 sampai 2008 untuk stasiun Kijang,
Tanjung Pinang dan Stasiun Japura Rengat. Data tersebut bersumber pada data yang
dipertukarkan di bawah WMO yang dipublikasikan oleh NCDC-NOAA-USA.
3.3 Wilayah Kajian
Penelitian dilakukan dengan wilayah kajian meliputi empat titik pengamatan yang
mewakili pola hujan ekuatorial, yaitu Pekanbaru dan Japura Rengat di Provinsi Riau
serta Tanjung Pinang dan Dabo Singkep di Kepulauan Riau.
Tabel 1. Lokasi wilayah kajian
3.4
Metode Penelitian 3.4.1
Metode Pengumpulan Data dan Ekstraksi Data Satelit
Data satelit yang digunakan untuk pembangunan model statistical downscaling
adalah data CMORPH CPC MORPHing Technique
dengan periode harian dan memiliki resolusi 0.25
o
lintang bujur. Data ini dapat diperoleh dengan mengakses situs CPC
NOAA melalui http:cpc.ncep.noaa.gov. Data tersebut tersimpan dalam format .zip sehingga
dilakukan proses ekstraksi terlebih dahulu untuk menterjemahkan informasi dari raw
data menjadi informasi numerik sehingga dapat dibaca oleh model numerik. Selanjutnya
dilakukan koreksi geometrik terhadap data tersebut sehingga koordinat lintang dan
bujurnya sesuai dengan koordinat bumi yang sebenarnya Oktavariani 2008.
3.4.2
Metode Pengolahan Data
Data CMORPH memberikan gambaran curah hujan estimasi secara global sehingga
diperlukan tahap cropping untuk memperoleh data pada beberapa titik tertentu yang sesuai
Bujur Lintang
Simpang Tiga, Pekanbaru 101
o
26’ BT 00
o
28’ LU 31
Kijang, Tanjung Pinang 104
o
32’ BT 00
o
55’ LU 17
Japura Rengat 102
o
19’ BT 00
o
20’ LS 19
Dabo Singkep 104
o
35’ BT 00
o
29’ LS 29
Stasiun Posisi
Ketinggian m
dengan peubah bebas sangat diperhatikan. Pendugaan yang dilakukan tidak bermakna
jika prediktornya saling berkorelasi atau multikolinieritas Bilfarsah 2005.
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 Fitriani 2010.
Salah satu cara untuk mengatasi masalah multikolinieritas yang terjadi adalah
dengan menggunakan metode kuadrat terkecil parsial Partial Least SquarePLS. Metode
kuadrat terkecil parsial merupakan soft model yang dapat menjelaskan struktur keragaman
data dengan menggeneralisasi dan menggabungkan antara motode analisis faktor,
principal component analysis,
dan multiple regression
Abdi 2007. Metode kuadrat terkecil parsial dapat dilihat sebagai dua
bentuk yang saling berkaitan antara Canonical Correlation Analysis CCA
dan Principal Component Analysis PCA.
Metode ini bertujuan untuk membentuk komponen yang dapat menangkap
informasi dari peubah bebas untuk memprediksi peubah respon. PLS terfokus
pada kovarians 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 Fitriani 2010. 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.
III. METODOLOGI