Perubahan iklim yang drastis merupakan fenomena yang saat ini tengah kita alami di berbagai negara di dunia, tak terkecuali Indonesia. Perubahan iklim di Indonesia berdampak sangat besar karena menimbulkan beberapa fenomena alam yang merugikan seperti fenomena alam seperti banjir, tanah longsor, kebakaran, gempa bumi, gunung meletus dan masih banyak yang lainnya. Pada dasarnya perubahan iklim disebabkan oleh efek rumah kaca oleh adanya peningkatan konsentrasi gas-gas di udara, salah satunya adalah karbondioksida (CO2). Peningkatan konsentrasi gas CO2 menyebabkan suhu permukaan bumi meningkat secara drastis. Hal ini dikarenakan tingkat konsentrasi gas CO2 yang terkandung di udara berperan terhadap tingkat presentase kelembaban udara, apabila tingkat presentase kelembaban udara semakin kecil maka suhu permukaan bumi akan semakin naik tinggi. Kabupaten Sragen yang terletak di Provinsi Jawa Tengah, Indonesia, merupakan salah satu daerah yang merasakan dampak langsung dari tingginya suhu permukaan bumi. Berbagai sektor di Kabupaten Sragen, termasuk pertanian, kesehatan, dan lingkungan hidup, terkena dampak dari tingginya suhu permukaan bumi. Kabupaten Sragen secara geografis didominasi oleh daerah pertanian, yang sangat rentan terhadap suhu permukaan bumi yang ekstrem. Hal ini berdampak langsung pada produktivitas pertanian dan ketersediaan air untuk irigasi.
Penelitian ini mengkaji penggunaan model regresi semiparametrik dengan estimator Deret Fourier berbasis Penalized Least Squares (PLS) untuk menganalisis hubungan antara suhu permukaan bumi dan kelembaban relatif di Kabupaten Sragen. Disini dengan cara menggabungkan komponen parametrik dan nonparametrik, model ini secara efektif mengatasi pola data iklim yang kompleks. Kumpulan data yang terdiri dari 100 observasi dianalisis berdasarkan tiga skenario data pelatihan N = 70, N = 80, dan N = 90, menghasilkan koefisien Fourier optimal sebesar 1, 1, 1, dan nilai lambda sebesar 0,035; 0,028; dan 0,02.
Hasil-Hasil yang diperoleh menunjukkan bahwa untuk data iklim yang pola siklusnya dominan (misalnya, suhu musiman, siklus matahari), deret Fourier memberikan pendekatan yang lebih efisien dan efektif dibandingkan dengan spline atau kernel. Spline dan kernel lebih cocok untuk menangkap variasi non-periodik atau menginterpolasi data yang hilang. Nilai minimum Generalized Cross Validation (GCV) yang dihasilkan adalah 0,3534871, 0,3711413, dan 0,3918924. Model ini berhasil membuat prediksi yang baik untuk pengujian dengan ukuran data 30, 20, dan 10, dengan nilai MAPE masing-masing adalah 1,606545, 1,518221, dan 1,018482.
Berikut ini kurva hasil-hasil penelitian yang diperoleh, meliputi plot data prediksi dibandingkan dengan data pengujian berdasarkan model regresi semi parametrik terbaik menggunakan estimator deret Fourier disajikan pada Gambar 1, dan plot perbandingan nilai-nilai GCV antara metode kasik berdasarkan metode OLS (ordinary least squares) dan metode yang diusulkan yakni metode PLS (penalized least squares) disajikan pada Gambar 2.
Gambar 1. Plot data prediksi dibandingkan dengan data pengujian berdasarkan model regresi semi parametrik terbaik menggunakan estimator deret Fourier
Gambar 2. Plot perbandingan nilai-nilai GCV antara metode kasik berdasarkan metode OLS dan metode yang diusulkan yakni berdasarkan metode PLS
Akhirnya dapat disimpulkan bahwa hasil yang didapatkan dari penelitian ini menggarisbawahi kemampuan model untuk menangkap hubungan terbalik antara suhu permukaan bumi dan kelembaban relatif. Penelitian ini menyoroti efektivitas pendekatan semiparametrik berbasis Fourier dalam skenario dinamis dan merekomendasikan penerapannya pada variabel iklim atau wilayah lain untuk mengevaluasi lebih lanjut kemampuan adaptasi dan ketahanannya.
Penulis: Prof. Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
Ihsan Fathoni Amri, Nur Chamidah, Toha Saifudin, Budi Lestari, Dursun Aydin (2025). Forecasting Temperature of Earth Surface in Sragen Regency Using Semiparametric Regression Based on Penalized Fourier Series Estimator. Data and Metadata 2025; 4: 890,pp.1“18.DOI: 10.56294/dm2025890.
