<![CDATA[Curah hujan ekstrim yang sering terjadi di Indonesia menimbulkan berbagai dampak negatif bagi masyarakat. Terdapat banyak pemodelan curah hujan yang telah dilakukan untuk meminimumkan dampak yang terjadi. Global circulation model (GCM) diyakini menjadi metode terbaik untuk meramalkan data curah hujan ekstrim. Kelemahan dari data GCM adalah masih bersifat global sehingga akan sulit untuk menjelaskan keragaman dalam skala lokal yang lebih rinci. Statistical Downscaling (SD) hadir untuk menangani permasalahan tersebut. SD menghubungkan antara data luaran GCM dan curah hujan untuk menduga perubahan pada skala lokal dengan menggunakan metode regresi. Untuk mengakap nilai ekstrim dari curah hujan maka digunakan metode regresi kuantil. Data luaran GCM yang memiliki multikolinearitas tidak dapat langsung diterapkan dalam model SD. Metode-metode yang dapat digunakan untuk mengatasi masalah multikolinearitas dalam SD antara lain metode analisis komponen utama (AKU) dan metode shrinkage seperti Least Absolute Shrinkage and Selection Operator (LASSO). Metode AKU paling sering digunakan dalam mereduksi dimensi data luaran GCM dan menangani masalah multikolinearitas. Metode shringkage selain dapat menghilangkan multikolinearitas juga dapat meminimumkan ragam penduga parameter dari model regresi. Tujuan penelitian ini adalah menentukan model curah hujan ekstrim di Kabupaten Indramayu dengan pendekatan SD menggunakan metode regresi kuantil dengan LASSO dan AKU serta memilih model SD terbaik dari kedua metode yang digunakan tersebut. Hasil penelitian menunjukkan bahwa dugaan curah hujan ekstrim di kabupaten Indramayu dengan model SD menggunakan regresi kuantil dengan LASSO menghasilkan prediksi yang lebih konsisten terhadap berbagai selang waktu dugaan dibandingkan model yang menggunakan metode AKU.AbstractExtreme rainfall that frequently occurs in Indonesia has negative impact to society. there are several methods that required to minimize the damage that may occur. So far, Global circulation models (GCM) are the best method to forecast global climate changes include extreme rainfall. GCM data has global scale and unable to provide reliable information at local scale. Statistical Downscaling (SD) has been developed in an attempt to bridge this scale gap. SD uses regression models to represent the link between GCM data and local rainfall. Quantile regression is used to catch the extreme rainfall.  GCM data which has multicolinearity can not be directly applied in SD model. The methods that can be used to overcome multicollinearity are principal component analysis (PCA) and shrinkage methods such as Least Absolute Shrinkage and Selection Operator (LASSO) and ridge. PCA is the most commonly used in SD modeling. PCA can reduce the dimension of GCM data and multicollinearity. Shringkage method can eliminate multicolinearity and minimize variance. The objectives of this study are modeling SD using quantile regression with LASSO and PCA to predict extreme rainfall in Indramayu and to choose the best SD model of both methods. The result shows that the prediction of extreme rainfall in Indramayu with SD models using quantile regression with LASSO is more consistent at any time prediction compared to models using PCA.]]>
Copyrights © 2020
