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.
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.
77
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. t
I( a ) = 1−
∑ ρ(r − S i =1
i
a
(a • x i )) 2
t
∑r
2
i
i =1
di mana: e2 ; untuk | e |< k 2 ρ(e) = 2 | e | + k ; untuk | e |> k 2
k = suatu konstanta (=1,325 (Hastie & Tibshirani 1990)) Fungsi Biweight dapat juga digunakan sebagai fungsi ?(e) (Simonoff 1996).
7.3.
Daerah Prakiraan Musim Daerah prakiraan musim (DPM_PPR) ditentukan berdasarkan pola nilai
dugaan curah hujan bulanan dengan model PPR (domain Segi8 dan panjang data historis 20 tahun, periode 1981-2000). DPM_PPR dibandingkan dengan DPM_BMG berdasarkan 31 stasiun penakar hujan di kabupaten Indramayu.
78
DPM_PPR berbeda dengan DPM_BMG, baik jumlah DPM yang terbentuk maupun lokasi setiap DPM. DPM_PPR terdiri dari lima DPM sedangkan DPM_BMG terdiri dari enam DPM. Lokasi kelima DPM dalam DPM_PPR adalah satu DPM di wilayah utara, satu DPM di wilayah selatan, dan tiga DPM di wilayah tengah kabupaten Indramayu. Perbedaan ini terjadi karena berbeda dasar penentuannya (data dan metode yang digunakan berbeda). DPM_BMG berdasarkan data curah hujan dasarian dengan metode PCA dan metode pengelompokan complete linkage. Sedangkan DPM_PPR berdasarkan pendugaan model SD dengan PPR dan metode pengelompokan Ward. Secara umum DPM_PPR menghasilkan pola dugaan curah hujan yang lebih mendekati pola data aktualnya. Pewilayahan tergantung kepada data yang akan digunakan sebagai dasar penentuan DPM dan metodenya. Data dan metode penentuan DPM berbeda akan memberikan hasil yang berbeda. Dalam hal ini perlu suatu metode untuk data tertentu yang akan memberikan hasil yang lebih akurat dan pola nilai dugaannya lebih mendekati pola data aktualnya.
7.4.
Metode Peramalan Analisis deret waktu umumnya sering digunakan untuk peramalan curah
hujan, yang hanya melibatkan data deret waktu (curah hujan lokal). Fungsi transfer adalah salah satu metode dalam analisis deret waktu ya ng melibatkan peubah-peubah prediktor. Metode ini merupakan dasar penggunaan teknik SD, di mana luaran GCM yang bersifat spasial dan temporal dijadikan sebagai peubah prediktor. Keterlibatan luaran GCM ini menimbulkan permasalahan dalam pemodelan terutama untuk model- model yang bersifat linear dan ketat asumsi. MOS merupakan metode yang sederhana, berbasis regresi linear, dan parametrik. MOS inilah yang mulai digunakan sebagai teknik SD luaran GCM. Teknik SD berkembang dengan memperhatikan karakteristik data terutama luaran GCM. Data luaran GCM ini berdimensi besar (banyaknya peubah prediktor) baik karena besarnya domain GCM maupun banyaknya peubah yang digunakan dalam pemodelan. Semakin besar domain dan semakin banyak peubah, semakin kompleks permasalahannya atau luaran GCM ini dalam kondisi curse of
79
dimensionality dan multikolinearitas. Teknik SD dengan model regresi linear berganda tidak bisa digunakan secara langsung terhadap data demikian. Sebelum pendugaan model, perlu perlakuan khusus terhadap data, ya itu pre-processing dengan pereduksian dimensi. Selama ini PCA sering digunakan untuk pereduksian dimensi guna pemodelan PCR. Teknik SD yang bersifat linear dan parametrik ini dapat mengatasi masalah multikolinearitas dengan mengasumsikan bahwa data luaran GCM mengikuti sebaran normal. Teknik ini belum mengantisipasi karakteristik luaran GCM. Keadaan data ini mendorong perlunya teknik SD yang tidak ketat asumsi, nonparametrik, dan data-driven, seperti metode MARS, ANN, PPR. Beberapa teknik SD berbasis model regresi terutama yang melibatkan data kontinu, dan teknik lainnya berbasis klasifikasi yang khusus digunakan untuk data diskrit misalnya tipe cuaca hujan atau kemarau, ada hujan atau tidak hujan. Kombinasi beberapa metode juga telah digunakan untuk mengantisipasi permasalahan data disesuaikan dengan ciri dan asumsi yang diperlukan suatu metode, seperti kombinasi PCR dan ARIMA untuk mengatasi masalah otokorelasi. Perkembangan teknik-teknik SD selanjutnya akan mengarah ke penggunaan model berbasis regresi atau klasifikasi nonlinear, nonparametrik, dan data-driven. Dalam penelitian ini pereduksian dimensi dilakukan sebagai preprocessing dalam pemodelan SD untuk mengantisipasi karakteristik luaran GCM. Pada umumnya pemodelan SD tanpa memperhatikan kemungkinan pengaruh waktu sebelumnya (time lag) sehubungan dengan data luaran GCM dan peubah lokal yang bersifat temporal (data deret waktu). Dalam hal ini perlu juga dilakukan pemeriksaan awal terhadap kestasioneran data dan adanya otokorelasi. Waktu lag, jika diperlukan, disertakan sebagai faktor yang berpengaruh dalam pemodelan SD. Metode PPR dalam penelitian ini melakukan pendugaan curah hujan bulanan untuk satu tahun. Pada umumnya pola nilai dugaan curah hujan pada musim kemarau (April-Oktober) lebih mendekati pola data aktualnya daripada pada musim hujan (Oktober-April). Pendugaan ini hanya menggunakan satu domain (Segi8). Jika pemodelannya dilakukan untuk setiap musim (kemarau atau
80
hujan) maka domain yang representatif untuk pemodelan kedua musim ini akan berbeda. Weather generator (WG) digunakan untuk memprediksi kejadian-kejadian hari hujan (wet-day) atau tidak hujan (dry-day) dengan syarat kejadian pada hari sebelumnya. Teknik WG digunakan untuk penyusunan model yang dapat mereplikasi ciri-ciri dari sekuen data pengamatan peubah cuaca. Dalam SD, teknik ini dapat digunakan dengan menetapkan keadaan peubah luaran GCM (peubah prediktor) sebagai syarat kejadian pada peubah cuaca lokal, yaitu bahwa suatu kejadian pada peubah lokal pada waktu tertentu bersyarat adanya kejadian pada peubah prediktor pada waktu sebelumnya (Storch et al. 2001; Wilby et al. 2004).
81
