Pemodelan Statistical Downscaling PEMBAHASAN UMUM

9. PEMBAHASAN UMUM

9.1 Pemodelan Statistical Downscaling

Secara umum prosedur statistical downscaling adalah sebagai berikut: 1 pra-pemrosesan dan reduksi dimensi peubah penjelas GCM, 2 menentukan domain peubah penjelas, 3 mengidentifikasi dan menentukan peubah penjelas yang berkorelasi tinggi terhadap peubah prediktanrespon, 4 menyusun model hubungan antara peubah penjelas dan peubah prediktanrespon, 5 validasi dan evaluasi model, dan 6 menerapkan data GCM. Penentuan lokasi dan luasan domain grid GCM penting dilakukan karena skill GCM berbeda-beda antar model pada wilayah observasi dan tidak uniform antar lokasi space dan waktu Lambert dan Boer 2001, diacu dalam Wilby et al. 2004. Wilby et al. 2004 menyatakan bahwa lokasi dan luasan domain peubah seharusnya mencerminkan pengaruh dominan terhadap peubah respon pada wilayah observasi, seperti gangguan siklon, orografi dan lain-lainnya. Sehingga jumlah grid yang optimum bisa berbeda pada GCM yang berbeda, karena setiap GCM mempunyai resolusi yang berbeda pula, namun mempunyai luasan domain yang sama. Dalam penelitian ini diperoleh jumlah grid yang menghasilkan kinerja model yang baik adalah 12x12 dengan lokasi domain grid GCM CSIRO Mk3 di tengah-tengah di atas wilayah peubah respon observasi. Luasan domain ini sama dengan jumlah grid 8x8 GCM ECHAM Wigena 2006. Dalam penelitian ini belum membedakan musim dalam menentukan luasan domain. Wetterhall 2005 menyimpulkan bahwa terdapat perbedaan luasan domain pada musim yang berbeda di wilayah temperate, sementara untuk wilayah tropik tidak ada perbedaan luasan domain.Yang menjadi pembeda luasan domain untuk wilayah tropik adalah lokasi dari peubah prediktan stasiunwilayah Wetterhal 2005. Daerah tropik mempunyai kompleksitas yang tinggi daripada daerah kutub. Di tropik dan subtropik, kekuatan kopel lautan-atmosfer cukup berpengaruh, sehingga memungkinkan pemilihan peubah prediktor semakin banyak Wilby et al. 2004. Hubungan antara peubah penjelas dan peubah respon mempunyai skill yang berbeda antar waktu musim. Di samping itu terdapat keterkaitan antara luasan grid dan peubah penjelas GCM. Salah satu peubah 93 penjelas yang mempunyai korelasi tinggi terhadap curah hujan adalah kelembaban spesifik. Dalam pemilihan peubah penjelas, Wilby et al. 1998, diacu dalam Wetterhal 2005 memberikan acuan sebagai berikut: 1 sensitif secara fisika dan konseptual, 2 dimodelkan dengan ketepatan tinggi dan tersedia dalam data GCM, 3 mempunyai korelasi yang tinggi dengan peubah prediktan, 4 mempunyai hubungan yang stasioner dengan peubah prediktan. Metode RSAB digunakan untuk menyusun model hubungan antara peubah penjelas dan peubah prediktan. Metode RSAB merupakan metode regresi yang dikategorikan regresi nonparametrik, nonlinear dan data-driven, serta tidak terlalu ketat terhadap asumsi-asumsi dasar regresi. Prosedur pemodelan RSAB adalah sebagai berikut: 1 penentuan basis fungsi, 2 menentukan maksimum jumlah interaksi antar peubah penjelas, 3 menentukan banyaknya observasi pada setiap subregion, dan 4 penentuan besarnya penalty. Penentuan masing-masing nilai masukan model RSAB tersebut membutuhkan simulasi, karena belum tersedia referensi penelitian sebelumnya. Berdasarkan uraian hasil dari Bab 6 menunjuk- kan bahwa sebagian besar basis fungsi berjumlah 80, maksimum interaksinya=2- 3, dan minimal observasi pada setiap subregion adalah 5 - 10. Besarnya penalty γ sebagian besar 0.10 untuk musim hujan MH dan 0.05 untuk musim kemarau MK. Penentuan besarnya penalty biasanya dipilih mulai 0 – 0.1 Friedman 1991. Berdasarkan validasi model, secara umum metode RSAB mempunyai kinerja yang lebih baik dari metode RKU. Hasil dugaan metode RKU di beberapa lokasi menunjukkan nilai yang underestimated bernilai negatif. Kinerja model bergantung pada musim, model musim kemarau menunjukkan kinerja yang lebih baik daripada musim hujan. Hasil identifikasi pembentukan model RSAB menunjukkan bahwa kompleksitas proses terbentuknya curah hujan pada musim hujan meningkat. Keterkaitan antara peubah penjelas semakin tinggi. Hal ini ditunjukkan dengan nilai penalty γ semakin tinggi 0.10, jika dibandingkan dengan musim kemarau γ =0.05. Beberapa penyebab kinerja model musim hujan lebih rendah daripada musim kemarau, yaitu tidak tertangkapnya proses fisis dalam grid, seperti peningkatan proses konveksi, ketidaksempurnaan GCM 94 CSIRO Mk3 dalam menyimulasikan peubah penjelas, khususnya untuk wilayah tropik Cavazos dan Hewitson 2005. Proses pemodelan SD yang digunakan dalam Bab 4, 5 dan 6 adalah diawali dengan reduksi dimensi dengan menggunakan komponen utama. Model SD tersebut dinyatakan dalamn y = f pc 11 , pc 12 ,..., pc 1k, , pc 21 , pc 22 , ..., pc 2l , pc ij + ε, dimana pc 11 , pc 12 merupakan skor komponen dari peubah x 11 , x 12 , x 13 , ..., x 1p ; pc 21 , pc 22 merupakan skor komponen dari x 21 , x 22 , x 23 , ..., x 2p , pc ij adalah skor komponen peubah ke-i dan banyaknya komponen utama ke-j. Salah satu permasalahan yang mungkin muncul dalam pemodelan regresi komponen utama tersebut adalah adanya pembengkakan sisaan amplification error akibat dari akumulasi sisaan. Untuk mengetahui apakah terjadi pembengkakan sisaan dilakukan pembuktian melalui simulasi. Hasil simulasi menunjukkan tidak terbukti bahwa terjadi pembengkakan nilai sisaan dari regresi dengan peubah penjelas gabungan nilai komponen utama.

9.2 Model ramalan produksi padi