Pemodelan Statistical Downscaling menggunakan Regresi Komponen Utama dengan Metode Minimum Vector Variance untuk Pendugaan Curah Hujan. (Studi Kasus: Data Curah Hujan Kabupaten Pangkep)


Ramadani, Ayu Riski (2021) Pemodelan Statistical Downscaling menggunakan Regresi Komponen Utama dengan Metode Minimum Vector Variance untuk Pendugaan Curah Hujan. (Studi Kasus: Data Curah Hujan Kabupaten Pangkep). Skripsi thesis, Universitas Hasanuddin.

[thumbnail of Cover]
Preview
Image (Cover)
H12116014_skripsi cover1.png

Download (170kB) | Preview
[thumbnail of Bab I & II] Text (Bab I & II)
H12116014_skripsi 1-2.pdf

Download (972kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
H12116014_skripsi dp.pdf

Download (446kB)
[thumbnail of Full text] Text (Full text)
H12116014_skripsi.pdf
Restricted to Repository staff only

Download (1MB)

Abstract (Abstrak)

Curah hujan merupakan salah satu unsur iklim yang sangat penting dan sangat berdampak besar bagi kehidupan manusia, namun keberadaannya masih sulit diprediksi. Global circulation model (GCM) merupakan salah satu model untuk meramalkan data curah hujan. 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. Pemodelan SD dapat dipengaruhi oleh adanya data pencilan dan multikolinearitas. Keberadaan data tersebut perlu diperhatikan sehingga diperoleh model terbaik antara lain dengan cara mengoreksi atau dengan metode pendugaan model yang robust untuk mengurangi pengaruh pencilan serta mengatasi multikolinearitas. Regresi komponen utama (RKU) dan minimum vector variance (MVV) digunakan dalam model SD untuk mengatasi masalah tersebut. Terdapat 5 komponen utama (KU) yang optimal untuk digunakan pada model SD dengan regresi komponen utama. Selain itu penambahan 3 peubah dummy berdasarkan k-means cluster sebagai peubah prediktor untuk mengatasi masalah heterogenan sisaan data. Hasil penelitian curah hujan lokal yang diperoleh dari regresi komponen utama dummy (k-means) merupakan model yang terbaik berdasarkan nilai koefisien determinasi (R^2)sebesar 92% dengan root mean square error (RMSE) yaitu 84.33, serta validasi modelnya menghasilkan root mean square error prediction (RMSEP) yang lebih rendah yaitu 94.74 dengan korelasi curah hujan aktual dan dugaannya sebesar 0.9570.

Item Type: Thesis (Skripsi)
Uncontrolled Keywords: Statistical Downscaling, Global Circulation Model, Regresi Komponen Utama, Minimum Vector Variance, Multikolinearitas, Pencilan, Peubah Dummy
Subjects: Q Science > QA Mathematics
Depositing User: Andi Milu
Date Deposited: 18 Mar 2021 02:52
Last Modified: 18 Mar 2021 02:52
URI: http://repository.unhas.ac.id:443/id/eprint/3652

Actions (login required)

View Item
View Item