PEMODELAN CURAH HUJAN DI INDONESIA DENGAN FUNCTIONAL PREDICTION REGRESSION

RAINFALL MODELING IN INDONESIA WITH FUNCTIONAL  PREDICTION REGRESSION

Perubahan iklim adalah masalah global yang sampai saat ini dihadapi dipicu oleh aktivitas akibat efek gas rumah kaca atau merupakan hasil dari jangka waktu yang lama proses atmosfir dan cuaca. Perubahan iklim berpengaruh besar terhadap perubahan suhu yang berdampak pada pola curah hujan salah satunya berdampak pada Indonesia. Oleh karena itu, masuk akal jika dilakukan penelitian mengenai pemodelan curah hujan menggunakan data rata-rata suhu dan rata-rata curah hujan pertahun di Indonesia dari 1951 hingga 2016 yang diambil dari website World Bank Climate Change Knowladge Portal data ini merupakan multivariate time series yang dianalisis menggunakan pendekatan Functional Data Analysis. Functional Data Analysis merupakan salah satu metode yang fleksibel untuk mengeksplorasi data salah satu metodenya yaitu Functional Prediction Regression. Functional Prediction Regression merupakan salah satu bentuk pemodelan pada data fungsional dan merupakan improve metode dari metode regresi untuk fungsional data. Functional Prediction Regression adalah metode yang memiliki kemampuan menguji model secara keseluruhan berdasarkan pengaturan data dapat dimodelkan melalui boosting dan GAMLSS. Penelitian ini dilakukan pemodelan dengan Functional Prediction Regression melalui boosting dan GAMLSS. Melalui boosting diperoleh pemodelan curah hujan dengan dua model prediktor tambahan dengan 5-folds bootstrap dan knots 16 ditunjukkan oleh nilai iterasi boosting bootstrap untuk model 1 yang memiliki efek fungsional linear nya yaitu 18 dan 8 dan model 2 yang memiliki efek kombinasi interaksi linear nya yaitu 22 dan 8. Melalui GAMLSS dengan dua model diperoleh AIC sebesar 170.3513 dan 182.187, derajat kebebasan dalam memodelkan sebesar 9.628938 dan 9.551611, dan derajat kebebasan residualnya sebesar 56.37106 dan 54.44839.

Climate change is a global problem that is currently being faced, triggered by activities due to the effect of greenhouse gases or as a result of a long period of atmosphere and weather processes. Climate change has a major impact on temperature that has an impact on rainfall patterns, one of which has an impact on Indonesia. Therefore, it makes sense to research rainfall modeling using data on average temperature and the average rainfall per year in Indonesia from 1951 to 2016 was taken from the website of World Bank Climate Change Knowledge Portal, this data is a multivariate time series were analyzed using Functional Data Analysis’s approach. Functional Data Analysis is a flexible method for exploring data, one of the methods is Functional Prediction Regression. Functional Prediction Regression is a form of modeling in functional data and is an improved model of the regression method for functional data. Functional Prediction Regression is a method that can test the overall model based on data settings that can be modeled via boosting and GAMLSS. This study was conducted modeling using Functional Prediction Regression via boosting and GAMLSS. Via boosting, rainfall modeling is obtained with two additive predictor models with 5-fold bootstrap and knots 16 indicated by boosting bootstrap iteration value for the first model which has linear functional effects with  are 18 and 8, and the second model which has a combination of linear interaction with  are 22 and 8. Via GAMLSS with two models, the AIC values ​​are 170.3513 and 182,187, the degrees of freedom in modeling are 9.628938 and 9.551611, and residual degrees of freedom are 56.37106 and 54.44839.