7. PEMBAHASAN UMUM
Pembahasan ini merupakan rangkuman dari hasil bahasan dan kajian dalam Bab 2, 3, 4, 5, dan 6 sebelumnya. Secara umum pembahasan meliputi
perkembangan metode- metode peramalan untuk SD dan permasalahan yang terkait baik dengan model maupun data, hasil penentuan domain GCM, dan hasil
penerapan metode PPR dalam SD, dan hasil penentuan DPM berdasarkan pola dugaan model PPR untuk stasiun-stasiun di kabupaten Indramayu.
Metode PPR termasuk ke dalam kategori teknik SD berbasis regresi nonlinear, nonparametrik, dan data-driven. Teknik SD dengan PPR dengan
domain Segi8 lebih akurat daripada dengan PCR, dan PPR lebih konsisten dalam pendugaannya. DPM berbasis dugaan model PPR menghasilkan pola nilai dugaan
yang lebih mendekati pola data aktualnya. Namun demikian teknik SD ini masih perlu perbaikan dan penyempurnaan untuk berbagai kondisi di lapangan.
7.1. Penentuan Domain
Penelitian ini mempelajari berbagai domain, yaitu 1 domain berbentuk bujursangkar Segi8, Segi10, Segi12, Segi14, dan Segi16 tepat di atas lokasi
target pendugaan wilayah kabupaten Indramayu; 2 domain berupa gabungan grid-grid berkorelasi tinggi positif dan negatif dengan curah hujan lokal dan
grid-grid tepat di atas target pendugaan atb1t88, atb2t88, dan atb3t88; dan 3 domain berbentuk bujursangkar dan berkorelasi tinggi Segi8kor. Domain Segi8
dan Segikor memberikan hasil dugaan yang lebih akurat daripada domain lainnya. Penentuan kedua domain ini lebih bersifat subyektif terutama penentuan lokasi
domain dan jumlah grid dalam domain. Metode penentuan domain yang lebih objektif belum ada.
Domain Segi8 dan Segikor ditentukan untuk wilayah kabupaten Indramayu yang bertopografi homogen. Domain ini dapat digunakan untuk
wilayah sekitar kabupaten Indramayu yang topografinya relatif sama. Namun domain ini belum tentu dapat digunakan untuk lokasi target yang berbeda dan
wilayah dengan topografi yang heterogen.
77 Dalam penelitian ini hanya menggunakan satu peubah prediktor, yaitu
presipitasi. Peubah ini pernah digunakan oleh Venugopal et al 1999, diacu dalam Yarnal et al 2001, dan berpotensi untuk digunakan sebagai prediktor
dalam pemodelan SD BIOCLIM 2004. Meskipun model PPR memberikan hasil dugaan yang cukup akurat untuk
pendugaan curah hujan dengan presipitasi sebagai prediktor, model ini perlu diuji coba dengan menggunakan lebih banyak prediktor dan representatif untuk kondisi
wilayah tropis yang heterogen. Wilby et al 2004 berpendapat bahwa untuk wilayah tropis yang kompleks dengan adanya pengaruh lautan dan atmosfir dan
hubungan peubah prediktor dan respon yang bervariasi, maka diperlukan sejumlah besar prediktor.
7.2. Metode
ProjectionPursuit
Metode PPR yang digunakan dalam penelitian ini termasuk kategori model berbasis regresi nonlinear, nonparametrik, dan data-driven, serta tanpa
mensyaratkan asumsi kelinearan dan kenormalan. Metode ini serupa dengan PCA dan PCR dapat mengatasi masalah curse of dimensionality dan multikolinearitas.
Hasil kajian dalam penelitian ini menunjukkan bahwa model PPR lebih akurat daripada model PCR terutama untuk panjang data historis 35, 30, 25, dan
20 tahun 1966-2000. Pola nilai dugaan curah hujan dengan model PPR lebih mendekati pola data aktualnya dibandingkan denga n model PCR.
Dalam penelitian ini juga dilakukan pembandingan berdasarkan dua domain, yaitu domain Segi8 yang berada tepat di atas lokasi target pendugaan dan
Segi8kor yang berkorelasi kuat =0.6 dengan peubah respon. Hasilnya menunjukkan bahwa domain Segi8kor memberikan hasil yang lebih akurat
daripada domain Segi8. Hal ini sesuai dengan persyaratan suatu model regresi bahwa peubah respon berkorelasi kuat dengan peubah prediktor.
Namun keragaman hasil pendugaan dengan domain Segi8kor lebih tinggi daripada keragaman hasil dengan domain Segi8. Hal ini menunjukkan bahwa
domain Segi8kor memberikan hasil pendugaan yang kurang konsisten. Keadaan ini terjadi sebagai akibat adanya beberapa data pencilan.
78 Setelah dilakukan koreksi terhadap data pencilan, keragama n hasil
pendugaan dengan domain Segi8kor lebih kecil daripada sebelum data pencilan dikoreksi. Keragaman ini relatif sama dengan keragaman hasil pendugaan dengan
domain Segi8. Sedangkan keragaman dengan domain Segi8 sebelum dan sesudah koreksi terhadap data pencilan relatif sama. Dengan demikian pendugaan model
PPR dengan domain Segi8 lebih stabil dan relatif tidak sensitif terhadap data pencilan daripada dengan domain Segi8kor.
Data pencilan berpengaruh terhadap pendugaan model terutama jika domain Segi8kor digunakan, sehingga metode PPR harus bersifat robust terhadap
pencilan atau data pengamatan ekstrim. Model SD sering disusun tanpa secara khusus memperhatikan kejadian-kejadian ekstrim yang nyata terjadi Wilby et al.
2004. Pada awalnya metode PP dapat mengidentifikasi pencilan. Namun demikian metode dapat dimodifikasi untuk mengurangi pengaruh pencilan
terhadap pendugaan model, antara lain dengan memodifikasi indeks proyeksi Ryan 1997; Hastie Tibshirani 1990. Indeks proyeksi pada persamaan 4.8
dapat dimodifikasi seperti persamaan berikut.
∑ ∑
= =
• −
ρ −
=
t 1
i 2
i t
1 i
2 i
a i
r x
r 1
I
a S
a
di mana:
+ =
ρ k
| e
| untuk
; 2
k |
e |
k |
e |
untuk ;
2 e
e
2 2
k = suatu konstanta =1,325 Hastie Tibshirani 1990 Fungsi Biweight dapat juga digunakan sebagai fungsi ?e Simonoff 1996.
7.3. Daerah Prakiraan Musim
Kategori