Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
4
1. Pendahuluan
Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering menghadapi masalah yang menyebabkan penurunan hasil panen bahkan gagal panen. Permasalahan yang menyebabkan terjadinya gagal panen dan puso adalah hama penyakit atau sering disebut Organisme Pengganggu Tanaman (OPT) [1].
OPT yang sering menyebabkan penurunan hasil panen pada komoditas padi atau bahkan gagal panen (puso) adalah Wereng batang coklat (Nilaparvata lugens) atau yang dikenal dengan WBC. WBC menjadi parasit dengan menghisap cairan tumbuhan dalam kasus ini adalah komoditas padi sehingga mengakibatkan perkembangan tumbuhan menjadi terganggu bahkan mati [2].
Data peningkatan serangan WBC di Indonesia terjadi pada lahan pertanian seluas 2,5 juta ha tahun 1970 – 1980, kemudian pada periode 1980 – 1990 terjadi serangan seluas 50.000 Ha, dan serangan 200.000 Ha pada tahun 1990 – 2000. Daerah serangan WBC terparah hingga periode Juni 2010 terjadi di kabupaten Klaten dengan 1.442 Ha dan puso 411 Ha, Sukoharjo terserang WBC 1.258 Ha, puso 227 Ha, kabupaten Pekalongan 1.100 Ha, puso 15 Ha, Boyolali 248 Ha, puso 37 Ha [3].
Tujuan dari penelitian ini yang pertama adalah menyusun model konseptual dan metode prediksi wilayah endemis serangan WBC berdasarkan pada variabel LTS menggunakan metode single exponential smoothing. Tujuan yang kedua adalah membangun model sistem informasi geografis berbasis web untuk memberikan pemetaan wilayah endemis serangan. Tujuan yang ketiga adalah merumuskan dan mengusulkan kebijakan yang bersifat implementatif berupa prosedur operasional standar (POS) sebagai pedoman dalam prediksi wilayah endemis WBC LPHP Surakarta.
Sistem ini dapat memberikan gambaran wilayah serangan WBC dalam bentuk besaran kejadian dan dalam peta prediksi kejadian serangan WBC yang akan ditampilkan dalam SIG berbasis web agar lebih mudah untuk diakses melalui jaringan internet.
2. Tinjauan Pustaka
Prediksi merupakan kegiatan untuk memperkirakan nilai-nilai dari variabel yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Dalam penelitian ini variabel yang digunakan adalah data LTS. Variabel yang berhubungan dengan variabel tersebut dan menjadi indikator adalah variabel iklim [4].
Metode single exponential smoothing digunakan karena karakteristik data historis berfluktuasi secara acak. Metode ini menggunakan sebuah parameter , yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1-) kepada hasil prediksi periode sebelumnya. Harga terletak antara 0 dan 1 [5].
Single exponential smoothing merupakan salah satu kategori metode runtun waktu yang menggunakan pembobotan data masa lalu secara eksponensial. Pembobotan secara eksponensial berarti metode mengadakan penghalusan atau pemulusan terhadap data masa lalu dengan mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode. Secara prinsip, metode pemulusan eksponensial akan memuluskan data – data hasil pengamatan masa lampau untuk menghilangkan keacakan [6].
5
Persamaan umum dari metode yang digunakan dalam prediksi adalah:
tt1t F1XF
Keterangan : Ft+1 : ramalan untuk periode t+1 Xt : data pada periode waktu t Ft : ramalan untuk periode waktu t.
Nilai et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Dengan demikian dapat dikatakan bahwa prediksi pada periode yang akan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan prediksi dengan menggunakan metode single exponential smoothing, besarnya α (alpha) ditentukan secarat trial dan error sampai diketemukan α (alpha) yang menghasilkan kesalahan prediksi terkecil. Metode ini cocok digunakan untuk meramal data-data yang fluktuatif secara random [7].
Ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai rata-rata kesalahan (mean error), nilai rata-rata kesalahan absolut (mean absolute error), dan nilai rata-rata kesalahan kuadrat (mean squared error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (mean percentage error) dan nilai rata-rata kesalahan persentase absolut (mean absolute percentage error). Dalam penelitian ini penerapan MSE adalah untuk mengetahui nilai kesalahan hasil prediksi variabel [8].
n
eMSE
n
ii
1
2
Keterangan: MSE : rata-rata kesalahan kuadrat n : jumlah periode waktu data ei : kesalahan pada periode waktu i
3. Perancangan dan Metodologi Penelitian
Pada penelitian ini metode yang digunakan dalam perancangan aplikasi adalah dengan menggunakan metode Analisis Simulasi. Metode ini merupakan penggabungan antara perspektif analisis spasial temporal dan juga deskriptif tentang model spasial temporal. Model metode analisis simulasi akan ditunjukan pada Gambar 1 [9].
.................................................................................... (2)
........................................................................... (1)
6
Gambar 1 Model Analisis Simulasi
Pada tahap rumusan masalah adalah bagaimana membuat rumusan masalah tentang pembangunan SIG yang dapat menampilkan prediksi wilayah serangan endemis WBC di LPHP.
Pengumpulan dan analisis data historis yang dibutuhkan dalam penelitian ini adalah data LTS yang menjadi data historis kejadian searangan WBC di LPHP Surakarta tahun 2001 hingga tahun 2010. Sebagai data indikator digunakan data iklim selama kurun waktu 10 tahun yaitu tahun 2001 hingga 2010 di LPHP Surakarta.
Pengembangan Model adalah tindak lanjut dari tahapan rumusan masalah yang telah diidentifikasi pada tahap sebelumnya kemudian mulai pengerjaan dan testing model yang sesuai dengan keadaan pada dunia nyata. Inti dari tahap ini adalah mengerti sistem yang akan dikembangkan dalam penelitian prediksi wilayah endemis WBC pada LPHP Surakarta.
Pada Tahap Pemilihan Model penelitian ini menggunakan metode runtun waktu single exponential smoothing.
Pada tahapan model eksperimen dan optimasi data telah menjadi data hasil prediksi dengan menggunakan metode single exponential smoothing. Data historis LTS dan iklim diolah menjadi data prediksi yang akan disajikan kedalam SIG.
Tahap Testing yaitu dimana pengujian terhadap hasil prediksi dengan single expnential smoothing akan dilakukan uji validasi dengan menggunakan Mean Squared Error (MSE) untuk mengetahui seberapa besar kesesuaian dan ketepatan pada kondisi riil.
Rumusan masalah
PengumpulanData dan Analisis
PengembanganModel
Verifikasi model dan Validasi
Experimen Model dan Optimisasi
Implementasi dan Hasil
Simulasi
7
Pemodelan yang akan diimplementasikan dalam SIG sistem prediksi akan ditunjukkan pada Gambar 2 hingga Gambar 7 sebagai berikut.
Gambar 2 Use Case Sistem Prediksi
Use Case yang di tunjukan pada Gambar 2 menunjukkan model bagi pengguna. Pengguna dapat mengakses halaman web SIG sebagai pengguna, secara garis besar informasi yang ditampilkan adalah data historis serangan WBC juga pengguna dapat mengakses halaman prediksi WBC yang diinginkan. Menu yang dapat diakses oleh pengguna adalah menu curah hujan, hujan harian, prediksi, login dan contact. pada menu login pengguna hanya dapat melihat halaman login karena sistem ini hanya memberikan akses login dan hak akses ubah data hanya pada administrator.
Gambar 3 Activity Diagram Model SIG Pengguna
Activity diagram Model SIG pada Gambar 3 menunjukkan bahwa permintaan dari pengguna kemudian diproses oleh sistem dan melalui proses
Admin
Melihat Info dan Peta kabupaten LPHP Surakarta
Melihat Peta dan data rerata 10 tahun
Melihat Peta dan data pertahun
Melihat Peta dan data hasil Prediksi
Melihat DatabaseMengubah Data
<<extend>>Ubah database
<<include>>Info Contact
Akses Halaman Prediksi
<<extend>>
Melihat Peta dan Data OPT
<<extend>>
<<extend>>
Melihat Peta dan Data Hujan Harian
<<extend>>
<<extend>>
Melihat Peta dan Data Curah Hujan
<<extend>>
<<extend>>
Melihat halaman Index
<<extend>>
Request menu
Start
Input data prediksi
melihat data historis
Melihat data prediksi
End
Menampilakan menu
Generate data prediksi
menampilkan data request user
Prediksi dengan single exponential smoothing
menampilkan data prediksi
memberikan nilai request dari sistem
memberikan data historis sebagai data penghitungan
menyimpan data prediksi
DatabaseSIGUser
user
8
perhitungan prediksi dengan metode single exponential smoothing data kemudian akan disimpan dalam database kemudian database memberikan keluaran berupa array. Array dari database kemudian sama pada proses sebelumnya bahwa array tersebut di render ke dalam peta digital, grafik dan tabel.
Gambar 4 Activity Diagram Model SIG Administrator
Activity Diagram pada Gambar 4 hampir sama dengan activity pengguna namun ada perbedaan yaitu dalam hak akses pada database sistem. Hak akses ini memungkinkan administrator melakukan up date database.
Deskripsi terhadap sistem prediksi akan digambarkan lebih jelas dalam Gambar sequence diagram dan class diagram sebagai berikut.
Gambar 5 Sequence Diagram Model SIG Pengguna
Start
Login
Diterima
Input update data
Melihat data
Input data prediksi
Melihat data prediksi
Logout
End
Menampilkan Admin Page
menu edit data
Editya
Menu index
tidak
simpan update
tidak
menampilakn data request
Prediksi dengan single exponential smoothing
Generate data prediksi
menampilkan data prediksi
Simpan
ya
memberikan data historis sebagai d...
menyimpan data prediksi
Verifikasi Usertidak ya
DatabaseSIGadmin
: User : boundary
: Control
: Database
Akses Halaman index
View index
return data
request data index
menampilkan halaman index
View data historis
getRequest user
requestDataHistoris
return data
Menampilkan Data Historis
input data prediksi
GetInputDataPrediksi
RequestDataHistoris
returnData
MenampilkanDataPrediksi
9
Sequence Diagram Pada Gambar 5 Model SIG pengguna menjelaskan tentang tahap demi tahap yang terjadi dari proses pengguna yang berinteraksi dengan sistem kontrol dan database secara berurutan. Pada tampilan awal pengguna akan mendapatkan tampilan index yang berisi informasi seputar wilayah studi dan juga variabel yang digunakan dalam sistem.
Antar muka pengguna yang kemudian dapat diakses oleh pengguna adalah view data historis dan juga menu prediksi. Dalam permintaan menu historis, pengguna mengirimkan perintah kedalam sistem kontrol dan sistem akan meminta data ke dalam database untuk dikembalikan ke antar muka pengguna dengan menampilkan data kembalian berupa peta, grafik dan tabel historis baik menu informasi Curah Hujan, Hujan Harian dan juga data LTS serangan WBC.
Menu prediksi yang akan menampilkan hasil perhitungan prediksi menggunakan single exponential smoothing sebelumnya pengguna melakukan input yang berupa kecamatan yang akan diprediksi beserta jenis variabel yang akan diprediksi dan juga musim. Setelah pengguna melakukan input tombol proses yang akan memberikan permintaan kedalam sistem kontrol yang akan mengambil nilai historis yang akan dijadikan variabel penghitung dan kemudian kontrol melakukan penghitungan dengan single exponential smoothing. Kemudian sistem melakukan penyimpanan data prediksi ke database. Setelah proses penyimpanan data akan dipanggil kembali dalam nilai prediksi yang akan ditampilkan dalam peta, grafik dan tabel prediksi.
Gambar 6 Sequence Diagram Model SIG Administrator
Sequence Diagram Pada Gambar 6 dalam model SIG administrator. Semua hak akses yang dimiliki pengguna juga dapat dilakukan oleh administrator. Hanya satu hak akses yang membedakannya dengan pengguna biasa yaitu hak akses langsung kedatabase. Hak akses tersebut adalah menu edit database. Hal ini memungkinkan admin merubah database yang berada dalam sistem.
: Admin : boundary
: Control
: Database
ViewIndex
ViewIndex
ReturnData
ShowDataIndex
RequestDataIndex
ViewDataHistoris
GetRequestData
RequestDataHistoris
ReturnData
ShowDataHistoris
InputDataPrediksi
GetInputDataPrediksi
RequestDataHistoris
ReturnDataPrediksi
ShowDataPrediksi
PilihDataYangAkanDIUpdate
GetDataUpdate
SelectDataLama
ReturnNilaiBaru
ShowDataUpdate
Clasdeskripsi pengguna akan diolaperintah te
4. Hasil
Hasiyaitu yangmerupakandata sumbbagian ini
Bagkomoditassingle exp
Menkonten wihalaman b
Padasecara sekLPHP SurWilayah dKabupatenKarangany
ss Diagramobjek dan ayang dapat
ah di dalamerhadap sist
l dan Pemb
il antar mug pertama n menu vieber yang asistem akan
ian kedua s padi. Data
ponential smnu index dailayah LPHberanda dari
a halaman kilas dan jurakarta akadengan 7 kn Klaten, yar, Kabupa
V
Gamba
m Gambar atribut dalamt mengaksem kelas kotem untuk m
bahasan
uka sistem iadalah me
ewer yang akan digunan menampiladalah fokua historis y
moothing yanalam SIG iP Surakartai sistem ada
G
awal SIG auga Wilaya
an ditunjukkkabupaten
Kabupatenaten Sragen
SelectViewData
User
ControlUser
EntityAdmin
Id : integernama : StringPassword : varchar
SelectData()ViewData()UpdateData()Prediksi()
ar 7 Class D
7 model Sm sistem p
es sistem prontroler sistmenampilka
ini secara genu Curah
menampilkakan dalamlkan data hi
kus dari penang diproseng diharapkini berisikaa. Halamanalah sebagai
Gambar 8 H
akan ditamah Studi kkan Gambadan 124 k
n Boyolalin, Kabupaten
ViewData
ControlDataHistoris
EntityDataHistoris
id : integerkodekecamatan : Integekecamatan : Stringkodekabupaten : Integerbulan : datetahun : date
SelectData()ViewData()UpdateData()
update
Diagram mo
SIG menunrediksi. Akediksi. Akstem. Kelas
an data dan m
garis besar tHujan, Huj
kan data hism penghitunistoris sebagnelitian ini es dalam sikan menjadian konten n index yangi berikut sep
Halaman ind
mpilkan konkasus yaitu ar 8. Peta Lecamatan. , Kabupaten Sukoharjo
Show
Pre
Count
Contro
EntityDa
id : integerkodekecamakecamatan kodekabupabulanPrediktahunPredik
HitungPrediSelectDataPShowDataP
r
r
odel SIG
njukkan struktor dalam ses penggunkontrol ak
melakukan
terbagi menjan Harian storis. Datangan predikgai informa
yaitu predstem menggi nilai predikselamat datg akan ditaperti Gamba
dex
nten berupa LPHP Sur
LPHP SuraKabupaten en Sukohao dan Kodia
Show
ediksi
olPrediksi
ataPrediksi
atan : Integer: Stringaten : Integerksi : dateksi : date
ksi()Prediksi()rediksi()
uktur kelassistem ini ana dengan skan membeprediksi.
njadi dua bdan OPT
a historis aiksi. Menu asi. diksi WBC gunakan miksi yang baatang, WBCampilkan sear 7:
deskripsi Wrakarta. Wiakarta menc
tersebut aarjo, Kabua Surakarta.
10
s dan adalah sistem erikan
bagian yang
adalah pada
pada metode aik. C dan ebagai
WBC ilayah cakup adalah upaten .
MenCurah Hugrafik. Danilainya dprediksi d
Menkabupatenmempuny
Setepengguna
nu yang akaujan dan Hualam penyadibutuhkan ditunjukkan
nu prediksin yang telayai pilihan C
elah penggumenekan to
Gamban menampiujan Harianajian param
legenda yn pada Gamb
Gamb
Gamb
Gamba
i akan meah dipilih. Curah Hujan
Gamba
una memasuombol prose
bar 9 Wilayailkan data hn akan ditammeter peta yang akan bar 10a, Ga
bar 10a Leg
bar 10b Lege
ar 10c Legen
enampilkanSedangkan
n, Hujan Ha
ar 11 Menu I
ukan masues secara ot
ah LPHP Suhistoris indikmpilkan dayang digun
menunjukambar 10b d
genda Curah
enda Hujan
nda Seranga
n pilihan jenis vari
arian dan OP
Input Predik
kan pada htomatis peng
urakarta kator iklim lam bentuk
nakan dalamkan klasifikdan Gambar
h Hujan
Harian
an WBC
kecamatan bel yang aPT.
ksi
halaman pregguna mem
yang terdirk peta, tabem tinggi rekasi dalam r 10c.
sesuai deakan diram
ediksi kemmberikan per
11
ri dari el dan endah
peta
engan malkan
udian rintah
pada sistemelalui prdatabase tmenampil
PadaJenis Varidari databexponentiaditunjukkaprediksi CContoh MFJanuari2188.64382FFebruari2308.15247FMaret20300.01849 Coprediksi cadalah pekecamatanrerata bulaprediksi ydata akan SIG dalam
Indiditunjukkaakan ditun
Klas3 tingkataapabila dTingkatannilai reratrendah den
Pada2015 padakeseluruhadianalisis pola spasi
em untuk mroses generatersebut yankan dalam pa saat pengiabel dan T
base yang kal smoothinan salah sat
Curah HujanManual:
015 = 310.024768 mm 2015 = 30071052 mm 15 = 297.2598012 mm ontoh manucurah hujanerhitungan n Sukoharjoan Januari ang diasumdisimpan k
m bentuk pekator yangan dengan njukkan Gam
sifikasi yangan. Tingkatdata rerata n ke 2 adalaa antara 2,5ngan nilai ra analisis ha seluruh 7 an prediksi data spasia
al intensitas
memprediksate data kemng akan mepeta, grafikgguna melaTahun prediemudian dihng. Sebagau contoh pe
n.
0133983067
.708762032
5744192940
ual menjelan yang akan
prediksi bo kabupatenselama 200
msikan sebagke dalam data kejadian,g akan mgradasi warmbar 12.
Gamb
g digunakantan klasifik
hasil predah klasifika5 hektar hinerata kuranasil pediksiKabupatenLTS. Samp
al dan tems serangan W
si sesuai pmudian menenjadi nilai pk dan tabel pakukan masiksi sistem hitung men
ai contoh perhitungan d
71 * 0.2 + (
2645 * 0.2 +
08 * 0.2 + (
askan tentan dijalankanbulan Janun Sukoharjo01 – 2014 pgai nilai histatabase. Da, tabel dan g
menunjukkanrna sebagai
bar 12 Lege
n dalam prekasi yang pdiksi memiasi sedang, ngga 7,5 he
ng dari 2,5 hi pada LPHn di LPHP pel kabupat
mporal hasil WBC.
parameter pnyimpannyaprediksi yan
prediksi WBsukan berupsebenarnya
nggunakan merhitungan dari variabe
1 - 0.2) * 15
+ (1-0.2) * 3
1-0.2) * 300
ang satu cn oleh siste
uari 2015 o. Sistem akpada kecamtoris data pa
ata akan ditagrafik sebagn wilayah i legenda p
enda Prediks
ediksi LTS ertama adailiki kisarannilai kisaraektar dan y
hektar. HP Surakarta
Surakarta sen pada tahprediksiny
pengguna. Da dalam datng dibutuhk
BC. pa Kabupata mengambmetode pred
sistem di el prediksi L
58.3014313
310.013398
0.70876203
ontoh perhem prediksihingga Makan mulai m
matan Sukohada tahun 2ampilkan kegai presenta
endemis ada peta pr
si OPT
WBC akan alah klasifikn nilai dia
an klasifikasyang ke 3 a
a akan diamsebagai samhun 2015 yaya sehingga
Data yang tabase. Datakan sistem u
aten, Kecambil masukandiksi yaitu sbawah ini
LTS dan var
383405 =
830671 =
32645 =
hitungan mi. Contoh daret 2015 menghitungharjo. Nilai 2015 dan terembali ke d
asi. serangan
rediksi. Leg
dibagi ke dkasi tinggi atas 7,5 hsi sedang a
adalah klasi
mbil hanya mpel analisisang diambila akan dike
12
telah a dari untuk
matan, n data single
akan riabel
manual diatas pada
g data hasil
rsebut dalam
akan genda
dalam yaitu
ektar. adalah fikasi
tahun s dari l akan etahui
Padatahun 201Nilai premenunjukbawah 2,5
Padabahwa sebtinggi. KkecamatanMojolabanSukoharjoklasifikasiklasifikasihektar.
G
a Gambar 5 hanya pad
ediksi padakkan wilaya5 hektar.
G
a Kabupatebagian besa
Kecamatan yn yaitu Gatn: 29,75 ho: 16,45 hi sedang yi rendah yai
Gambar 13 P
13 menunjda 1 kecama daerah ahnya terma
Gambar 14 P
en Sukoharar wilayah pyang masutak: 12,41 hhektar, Polohektar dan aitu kecamitu Kecamat
Prediksi Wo
ukkan hasimatan Selogi
Selogiri: 6asuk pada k
Prediksi Suk
rjo yang dpada kabupauk dalam hektar, Bakokarto: 17,
Tawangsamatan Weru
tan Bulu: 1
onogiri tahu
il prediksi iri yang mas6,74 hektaklasifikasi r
koharjo tahu
ditunjukkan aten Sukohklasifikasi
ki: 16,3 hek,53 hektar, ari: 15,05u: 4,04 hek,51 hektar d
un 2015
pada Kabusuk pada kl
ar. Pada wrendah deng
un 2015
pada Gamarjo masuk LTS tingg
ktar, GrogoBendosari
5. Satu kektar dan 2 dan kecama
upaten Wonlasifikasi sewilayah lagan nilai LT
mbar 14 tek pada klasigi mencakol: 14,65 hi: 10,04 h
ecamatan mwilayah m
atan Nguter
13
nogiri dang. innya TS di
erlihat fikasi
kup 8 ektar, ektar,
masuk masuk : 2.73
Anamenunjukkecamatansedang yaTanon: 3,klasifikasi
Padakecamatandalam kokecamatanKliwon se
alisis pada kkan kecaman yang maaitu kecama,91 hektar. i rendah yai
Gam
a Gambar 1n paling sedodia surakan tersebut emua memp
Gambar 15
kabupatenatan Masar
asuk klasifiatan KedawWilayah y
itu di bawah
mbar 16 Pred
16 merupakdikit yaitu arta termasadalah Law
punyai kisar
Gambar 17
5 Prediksi S
n Sragen yran: 26,76 hikasi tinggiwung: 6,8yang lain ph 2,5 hektar
diksi Kodia
kan wilayah5 kecamata
suk dalam weyan, Baran nilai di b
7 Prediksi K
ragen tahun
yang ditunhektar yangi, 3 wilaya1 hektar, Sada kabupa
r.
a Surakarta t
h pada Kodian. Pada ta
klasifikasinjarsari, Jebawah 2,5 h
Klaten tahun
n 2015
njukkan pag merupakanah yang mSidoharjo: 5aten Sragen
tahun 2015
ia Surakartaahun 2015 Li LTS renebres, Serenhektar.
n 2015
ada Gamban satu – sa
masuk klasi5,53 hektar
n termasuk
a dengan juLima kecamndah kecamngan dan
14
ar 15 tunya fikasi r dan pada
umlah matan matan Pasar
PredEmpat da16,28 hekhektar. W3,02 hekthektar, TrWilayah skecamatanPrambanadan Kalikdi bawah 2
Klasbahwa klJatiyoso, Karangpanbawah 2,5Jaten: 6,1tahun 201dalam klas
Anaterdapat s12,35 hek
diksi pada aerah yang ktar, Delang
Wilayah yantar, Polanharucuk: 7,53sisa yang tn Kemalaan, Jogonalakotes masuk2,5 hektar.
Ga
sifikasi LTlasifikasiny
Jatipuro, ndan, Mojo5 hektar. Te8 hektar, C5 kabupatesifikasi LTS
G
alisis data hsatu kecamaktar. Klasifik
kabupaten masuk kla
ggu: 9,5 heng masuk karjo: 7,25 hektar, Catidak termaang, Tulunan, Kebonark pada kasif
ambar 18 Pr
S tahun 20a didomin
Tawangmogedang, Kerdapat bebColomadu: en KaranganS tinggi yait
Gambar 19
asil prediksatan dengakasi sedang
Klaten masifikasi LTektar, Juwirklasifikasi Lhektar, Ka
awas: 8,42 asuk dalam ng, Karanrum, Klatenfikasi renda
rediksi Kara
015 pada knasi LTS mangu, M
Kerjo dan Jberapa keca5,93 hektarnyar hanya tu Kecamat
Prediksi Bo
si pada tahuan klasifikag pada kabu
memiliki sebTS tinggi yring: 25,27 LTS sedangaranganom:
hektar, danklasifikasi
ngnongko, n utara, Klaah dengan k
anganyar tah
kabupaten rendah yai
Matesih, JJenawi denmatan dengr dan Gondmemiliki s
tan Kebak K
oyolali tahu
un 2015 di si LTS tinupaten Kara
baran LTS aitu Kecamhektar, Ka
g yaitukeca5,05 hekt
n Gantiwari tinggi dan
Ngawen, aten Selatankisaran nilai
hun 2015
Karanganyaitu KecamJumantono, ngan kisaragan klasifikdangrejo: 4,satu wilayahKramat: 11,5
un 2015
Kabupaten ggi Kecamanganyar ad
yang beramatan Wonarangdowo:amatan Jatitar, Ceper: rno: 3,33 hn sedang a
Manisrenn, Klaten Tei LTS pada
ar menunjumatan Juma
Karangaan nilai LTkasi sedang ,98 hektar. h yang term5 hektar.
Boyolali amatan Ngem
dalah kecam
15
agam. osari: 21,2 inom:
3,27 ektar.
adalah nggo, engah 2015
ukkan apolo, anyar, TS di
yaitu Pada
masuk
adalah mplak: matan
16
Nogosari, Sambi, Banyudono dan Sawit. Kecamatn dengan klasifikasi rendah di kabupaten Boyolali adalah kecamatan Selo, Ampel, Cepogo, Musuk, Boyolali, Mojosongo, Simo, Klego, Andong, Kemusu, Karanggede, Wonosegoro dan Juwangi.
Dari peta prediksi wilayah endemis serangan WBC pada LPHP Surakarta diatas menunjukkan bahwa Kabupaten Klaten dan Kabupaten Sukoharjo yang memiliki kecamatan terbanyak yang memiliki klasifikasi tinggi pada wilayah endemisnya.
Kemudian pembandingan antara data prediksi dengan data historis yang sesuai dengan nilai pada riil. Validasi yang akan dilakukan untuk menunjukkan kemampuan metode single exponential smoothing dalam memberikan hasil prediksi. Digunakan data tahun 2001 – 2005 sebagai data sumber untuk memprediksi tahun 2006 - 2010.
Secara umum perhitungan kesalahan prediksi dapat dijabarkan sebagai berikut:
ei = xi – Fi ................................................................................................. (3)
Keterangan : ei = kesalahan pada periode ke-i xi = nilai sesungguhnya pada periode ke-i Fi = nilai hasil prediksi pada periode ke-i
Validasi yang dilakukan akan diambil sampel penghitungan untuk menghitung nilai ei (kesalahan peramalan) pada Kecamatan Gemolong Kabupaten Sragen. Persamaan (3) akan digunakan untuk menghitung nilai kesalahan hasil prediksi.
EGemolong = xGemolong – FGemolong
EGemolong = 210 – 208.08
= 1,92
Nilai xGemolong didapatkan dari rerata data historis pada Kecamatan Gemolong pada tahun 2001 – 2005, kemudian nilai tersebut dikurangi dengan rerata hasil prediksi menggunakan metode single exponential smoothing dari 2006 -2010. Nilai kesalahan peramalan (ei) yang didapatkan adalah 1,92 yang akan dihitung menggunakan MSE seperti pada persamaan (2). Perhitungan manual yang akan dilakukan adalah sebagai berikut.
0,737285
92,1 2
MSE
Nilai MSE didapatkan dengan menghitung kuadrat dari ei kemudian dibagi dengan jumlah periode data. Periode data dalam validasi adalah 5 periode yaitu 2001 – 2005. Hasil validasi yang didapatkan pada Kecamatan Gemolong dengan menggunakan MSE Adalah 0,73728.
5. Kesimpulan
Metode single exponential smoothing dapat dipergunakan sebagai metode prediksi dengan karakteristik data yang mempunyai fluktuatif. Pola spasial
17
temporal data hasil prediksi akan mengalami penurunan dari periode satu ke periode berikutnya. Pola penurunan data hasil pediksi dikarenakan karakteristik single exponential smoothing memberikan pembobotan lebih besar pada hasil yang pertama diprediksi. Wilayah prediksi luas tambah sebaran endemis LTS WBC mempunyai pola yang fluktuatif di LPHP Surakarta. Hasil prediksi periode satu dengan yang lainnya akan memiliki karakteristk yang tidak jauh berbeda baik dari nilai prediksi. Metode runtun waktu yang digunakan pada sistem ini yaitu Single Exponential Smoothing dapat diterapkan sebagai metode prediksi WBC dengan indikator iklim. Hasil prediksi dapat digunakan menjadi pertimbangan dalam pengambilan keputusan dalam bidang – bidang yang terkait dengan hasil prediksi. Validasi sebagai pengukur keakuratan metode prediksi dapat dilakukan dengan membuat perbandingan data riil dengan data prediksi yang telah diketahui nilai sebenarnya.
6. Daftar Pustaka
[1] Waluyo, B., 2011, Memberantas Hama Wereng Batang Cokelat, Bappeda Jawa Tengah, Suara Merdeka 24 Juni 2010,
http://suaramerdeka.com/v1/index.php/read/cetak/2010/06/24/114348/Memberantas-Hama-Hama-Wereng-Batang-Cokelat-
[2] Supriyono, S.W., 2006, Keterkaitan Antara Penyimpangan Cuaca Pertanian Dengan Organisme Pengganggu Tanaman Pangan.
[3] Effendi B. S., 2009, Strategi Pengendalian Hama Terpadu tanaman Padi Dalam Perspektif Praktek Pertanian Yang Baik (Good Agricultures Practices).
[4] Ai, T. J., 1999, Optimalisasi Peramalan Pemulusan Eksponensial Satu Parameter Dengan Menggunakan Algoritma Non linear Programming, Jurnal Teknologi Industri vol.3 No.3.
[5] Makridakis, S., Whell Wright, Steven C., Mcgee Victor E, alih bahasa: Untung Sus Andriyanto, Abdul Basith, 2000, Metode dan Aplikasi Peramalan Edisi Kedua, Penerbit Erlangga. Jakarta. http://www.uajy.ac.id/jurnal/jti/1999/3/3/doc/1999_3_3_1.doc.
[6] Supriana, U., 2010, Universitas Sumatera Utara, Peramalan Produk Domestik Regional Bruto (Pdrb) Kabupaten Labuhan Batu Pada Sektor Pertanian Tahun 2011
[7] Kuncono, 2010, rancang bangun sistem peramalan permintaan barang pada cv. konveksi jaya dengan menggunakan metode exponential smoothing
[8] Astuti, Y., 2005, Peramalan (Forecasting) Volume Penjualan Teh Hitam Dengan Metode Exponential Smoothing Pada Pt Perkebunan Tambi Wonosobo.
[9] Hoover, S.V. & Perry, R.F., 1989, Simulation: A Problem-Solving Approach.
Boston: Addison-Weshey