PEMODELAN STATISTICAL DOWNSCALING MENGGUNAKAN REGRESI KUANTIL LASSO DENGAN METODE PENALTY ADAPTIVE UNTUK PENDUGAAN CURAH HUJAN EKSTREM = STATISTICAL DOWNSCALING MODELING USING LASSO QUANTIL REGRESSION WITH ADAPTIVE PENALTY METHOD FOR EXTREME RAINFALL ESTIMATION

Latar Belakang. Statistical Downscaling (SD) merupakan pendekatan statistik yang bertujuan untuk menghubungkan variabel prediktor berskala besar dari Global Circulation Model (GCM) dengan variabel respon berskala lokal, seperti curah hujan ekstrem. SD digunakan untuk menduga curah hujan ekstrem di suatu wilayah berdasarkan informasi iklim berskala global dari GCM. Namun, karakteristik data GCM yang berdimensi tinggi sering menimbulkan masalah multikolinearitas, yang dapat mengganggu akurasi pemodelan. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan metode Regresi Kuantil LASSO dengan Metode Penalty Adaptive, yang mampu melakukan seleksi variabel sekaligus menangani multikolinearitas. Pendekatan kuantil juga memungkinkan pemodelan pada bagian ekstrem distribusi curah hujan, sehingga lebih sesuai dalam konteks perubahan iklim. Tujuan. Penelitian ini bertujuan untuk mendapatkan model SD dan mendapatkan hasil pendugaan curah hujan ekstrem di Kabupaten Pangkep periode Januari-Desember 2023. Metode. Metode Penelitian ini terdiri dari dua tahap umum, yakni 1) reduksi dimensi prediktor GCM menggunakan Partial Least Squares (PLS); 2) pemodelan Statistical Downscaling menggunakan Regresi Kuantil LASSO dengan Metode Penalty Adaptive untuk pendugaan curah hujan ekstrem. Hasil. Hasil analisis menunjukkan bahwa model terbaik diperoleh pada kuantil 0.70 dengan nilai korelasi sebesar 0.90 dan RMSEP sebesar 16.83. Penambahan variabel dummy meningkatkan performa model terutama pada kuantil ekstrem, dengan korelasi tetap stabil di angka 0.90 dan penurunan RMSEP yang signifikan. Kesimpulan. Pendekatan Regresi Kuantil LASSO dengan Metode Penalty Adaptive terbukti efektif dalam menangani multikolinearitas dan menangkap pola curah hujan ekstrem. mengikuti pola curah hujan aktual dengan baik. Model ini berpotensi menjadi alat bantu dalam perencanaan dan mitigasi risiko bencana hidrometeorologi di wilayah tropis seperti Kabupaten Pangkep.