Pemodelan Statistical Downscaling Dengan Lasso Dan Group Lasso Untuk Pendugaan Curah Hujan (original) (raw)
Related papers
2020
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 sepert...
Pemodelan Semiparametrik Statistical Downscaling Untuk Menduga Curah Hujan Bulanan DI Indramayu
Xplore: Journal of Statistics, 2018
Abstrak-Semiparametric statistical downscaling (SD) model is a statistical model which consists of parametric and non-parametric functional relationship between local scale and global scale variable. This study used rainfall intensity in Indramayu as local scale variable and Global Precipitation Climatology Project (GPCP) precipitation as global scale variable. GPCP precipitation data have multicollinearity, therefore they were reduced by principal component analysis. Eight principal components which have been selected then used as the prediktors and rainfall intensity in Indramayu as the response. Semiparametric SD model was used to predict the rainfall intensity in the district of Indramayu. The semiparametric model developed by mixed model approach where the nonparametric relationship is represented using spline with truncated power basis. Linier semiparametric model is the best model to estimate monthly rainfall in indramayu district. The model performance evaluated by RMSEP (root mean square error prediction) and R 2 (coefficient of determination). The result shows that the best model have values of RMSEP and R 2 are 61.64 and 71%. Kata kunci-Statistical Downscaling; Semiparametrik; GPCP
Jurnal Meteorologi Dan Geofisika, 2011
Pemilihan prediktor terbaik untuk curah hujan di 15 pos pengamatan di Indramayu telah dilakukan menggunakan metode statistical downscaling. Teknik Singular Value Decomposition (SVD) yang diaplikasikan pada metode ini menggunakan data curah hujan bulanan dari GPCP dan CMAP, serta data tekanan udara, precipitable water, tekanan udara permukaan laut, suhu, dan komponen angin zonal luaran NCEP/NCAR reanalisis sebagai input. Dari metode ini diperoleh hasil bahwa angin zonal adalah prediktor terbaik untuk memprediksi rata-rata curah hujan bulanan di 15 pos pengamatan di Indramayu. Selanjutnya, digunakan data input NCEP/NCAR reanalisis yang telah di-downscale menggunakan CCAM (dynamical downscaling) resolusi ~60 km untuk wilayah Indonesia. Kombinasi dua metode ini (dynamical dan statistical downscaling) terbukti mampu meningkatkan akurasi prediksi curah hujan bulanan dan menurunkan nilai RMSEP di 15 pos pengamatan tersebut.
JURNAL GEOGRAFI, 2019
Pulau Jawa merupakan bagian dari Benua Maritim dengan karakteristik geografis yang terdiri dari pegunungan dan dataran rendah. Wilayah ini menjadi sentra produksi padi sehingga prediksi curah hujan penting dilakukan untuk dimanfaatkan para petani dalam mengambil kebijakan. Model sirkulasi global (GCM) digunakan dalam prediksi dinamis untuk mendapatkan informasi curah hujan satu bulan, namun resolusinya yang rendah menjadikan model ini tidak dapat digunakan untuk memperoleh informasi dalam skala kecil sehingga diperlukan metode statistical downscaling. Untuk mendapatkan akurasi yang baik diperlukan prediktor yang terkait dengan curah hujan di wilayah Jawa. Pemilihan lokasi kotak grid prediktor didasarkan pada kandungan air mampu curah (precipitable water) di daerah prediksi dan transpor uap air ke wilayah prediksi. Hasil pemilihan kotak grid terdiri dari Laut Cina Selatan, sekitar wilayah Sumatera dan Samudera Pasifik bagian barat. Pemilihan variabel prediktor dilakukan pada 8 parameter unsur cuaca, yaitu angin zonal dan meridional paras 850 dan 200 milibar, suhu udara paras 2-meter dan 850 milibar, tekanan udara pada paras permukaan laut, serta ketinggian geopotensial pada paras 500 milibar. Hasil korelasi prediktor dan prediktan menunjukkan prediktor terpilih terdiri dari beberapa variable (multivariabel). Perbandingan antara hasil prediksi curah hujan model dan observasi menunjukkan RMSE (Root Mean Square Error) terkecil pada kombinasi Laut Cina Selatan dan Sumatera diikuti oleh kombinasi variabel yang lain. Hasil prediksi juga menunjukkan pola hujan prediksi mampu mengikuti pola monsunal dan antar tahunan (ENSO).
2013
anomaly Nino 3.4 as input in the training to predict a rainfall monthly in Indramayu. The techniques of a downscaling is used for a phenomenon indicators of El Nino and Southern Oscillation (ENSO) climate anomaly such as a Global Circulation Model (GCM) and Sea Surface Temperature (SST) nino 3.4 are commonly used as a primary study learn and understand the climate system. This research propose a method for developing a downscaling model GCM output and SST anomaly Nino 3.4 by using Support Vector Regression (SVR). The research result showed that GCM output and SST anomaly Nino 3.4 can be approach the average value of monthly rainfall. The best result of prediction is Bondan station which has average correlation that is 0.700.
Abstrak Telah dilakukan penelitian dampak pemanasan global terhadap perubahan pola hujan bulanan di Indonesia dengan menggunakan data luaran model GCM-CSIRO (Mk 3.0) dan CGCM3.1 (T47). Wilayah kajian Aceh, (tipe hujan monsun), Solok (tipe hujan ekuatorial) dan Ambon (tipe hujan lokal), periode 1900-2000. Persoalan utama dalam kajian dengan luaran Global Circulation Model (GCM) adalah resolusi yang terlalu rendah, sehingga digunakan statistical downscaling (SD) untuk meningkatkan informasi (resolusi tinggi). Berbagai metode SD digunakan dengan tujuan untuk mendapatkan luaran dengan akurasi tinggi, diantaranya regresi komponen utama (RKU), jaringan syaraf tiruan (JST), dan regresi splines adaptif berganda (RSAB). Berdasarkan hasil validasi model, metode RSAB mempunyai tingkat akurasi yang relatif stabil tinggi diberbagai wilayah kajian. Kata kunci: Iklim, GCM, Statistical downscaling 1. Pendahuluan Perubahan gas di atmosfer selain terjadi secara alami dapat juga terjadi sebagai akibat...
Agromet, 2018
Future rainfall projection can be predicted by using Global Climate Model (GCM). In spite of low resolution, we are not able specifically to describe a local or regional information. Therefore, we applied downscaling technique of GCM output using Regional Climate Model (RCM). In this case, Regional Climate Model version 3 (RegCM3) is used to accomplish this purpose. RegCM3 is regional climate model which atmospheric properties are calculated by solving equations of motion and thermodynamics. Thus, RegCM3 is also called as dynamic downscaling model. RegCM3 has reliable capability to evaluate local or regional climate in high spatial resolution up to 10 × 10 km. In this study, dynamically downscaling techniques was applied to produce high spatial resolution (20 × 20 km) from GCM EH5OM output which commonly has rough spatial resolution (1.875 o × 1.875 o). Simulation show that future rainfall in Indramayu is relatively decreased compared to the baseline condition. Decreased rainfall generally occurs during the dry season (July-June-August/JJA) in a range 10-20%. Study of extreme daily rainfall indicates that there is no significant increase or decrease value.
Pemodelan Data Curah Hujan DI Kota Langsa Dengan Model Arima
2022
Tujuan dari penelitian untuk memberikan hasil pemodelan ARIMA pada data curah hujan di Kota Langsa tahun 2017-2021. Tahap awal dari pemodelan ARIMA adalah identifikasi stasioneritas data. Sedangkan stasioneritas dalam mean dapat dilakukan dengan plot data dan bentuk ACF. Identifikasi bentuk ACF dan PACF dari data yang sudah stasioner digunakan untuk menentukan orde model ARIMA dugaan. Tahapan selanjutnya adalah estimasi parameter untuk melihat kesesuaian model. Proses cek diagnosa dilakukan untuk mengevaluasi apakah residual model sudah memenuhi syarat white noise dan berdistribusi normal. Uji Ljung-Box adalah uji yang dapat digunakan untuk memvalidasi syarat white noise. Data curah hujan membentuk deret waktu yang stasioner. Selanjutnya dari uji kecocokan model diperoleh bahwa model MA(1) yang cocok untuk meramalkan model tersebut. Sedangkan AR(1) dan ARMA(1,1) tidak digunakan untuk meramalkan karena tidak memenuhi uji kecocokan model. Adapun model yang diperoleh dengan model MA(1) adalah sebagai berikut yaitu = − 0,4096 −1 + 521,57.
Pemodelan Curah Hujan-Limpasan Menggunakan Artificial Neural Network (ANN) dengan Metode Backpropagation, 2015
Abstrak Hubungan curah hujan-limpasan telah dikembangkan secara terus-menerus dengan menerapkan artificial intelligence sebagai alternatif pemodelan yang pada penelitian ini menggunakan black box model yakni Jaringan Syaraf tiruan (artificial neural network). Dengan menggunakan model kotak hitam (black box model) tersebut, maka dalam penerapanya tidak membutuhkan pengetahuan yang komplek antar elemen-elemen dalam suatu sistem Daerah Aliran Sungai (DAS) yang juga tidak secara eksplisit merepresentasikan hubungan antar elemen dalam DAS dan proses interaksi curah hujan-limpasan. Sehingga perubahan antar elemen di dalam suatu DAS tidak perlu diketahui sepanjang hujan dan limpasan diukur dengan akurat dari waktu ke waktu, oleh karena itu pemodelan dapat dilakukan secara lebih sederhana dengan hanya memiliki input hujan dan output limpasan didalam pengembangan model tersebut. Studi kasus yang digunakan adalah data curah hujan tengah bulanan dan debit limpasan DAS Way Sekampung-Pujorahayu, selama kurun waktu 19 tahun. Data curah hujan merupakan input sedangkan data debit merupakan variable output. Dari hasil penelitian ini diperoleh kofisien korelasi tertinggi sebesar 0,813 atau 81,3%. Dalam studi ini disimpulkan bahwa secara umum ANN dapat diterapkan dalam pemodelan curah hujan-limpasan, walaupun hasilnya belum terlalu akurat oleh karena masih ada penyimpangan. Kata-kata Kunci : Pemodelan hujan-limpasan, jaringan syaraf tiruan, metode backpropagation. Abstract Rainfall-runoff relation has been developed continuously by applying artificial intelligence as one of the black box model alternative called Artificial Neural Network. By applying black box model, it is not necessary to apply complexity of knowledge due to interrelated elements in a river basin in which it is not explicitly representing the relation of the elements and interaction process of the rainfall-runoff modeling. Consequently, the changes of the elements in a river basin is not necessary to be quantified as long as rainfall dan runoff is observed accurately from time to time, furthermore, the modeling can be applied within less complexity due to rainfall and runoff data observation as an input and output, respectively. The case study applied to the river flow on the way Sekampung River in Lampung Province. The data used is rainfall data and stream flow discharge data in the middle of the month on the water level station Pujorahayu, for 19 years from 1983 up to 2001. The rainfall data is input and stream flow is a variable output. Learning method that is used reduced gradient. From the result of this research got correlation coefficient 0,813 or 81,3% the tallest. The conclusion of this research is the generally ANN can implementated in the rainfall run off modeling, although the result is not extremely accurate yet because of the deviation between observation and result of the model. urnal 1. Pendahuluan Perencanaan, pengelolaan dan pengembangan sumberdaya air selalu memerlukan analisa terhadap variabel hidrologi seperti curah hujan, dan aliran sungai. Untuk keperluan analisa hidrologi diperlukan data hidrologi yang panjang, tetapi sering dijumpai data yang tersedia tidak lengkap atau bahkan tidak ada sama sekali. Sesuai dengan karakteristik fenomena hidrologi suatu daerah pengaliran sungai, aliran sungai berubah-ubah tidak beraturan, oleh karena itu sukar untuk meramalkan besarnya debit yang melintasi penampang sungai secara pasti pada suatu saat tertentu. Untuk mendekati fenomena tersebut maka perlu dikembangkan suatu analisa sistem hidrologi dengan menggunakan model yang merupakan