Pemodelan Decision Network untuk Menentukan Pola Tanam Pertanian Dinamis

PEMODELAN DECISION NETWORK UNTUK MENENTUKAN
POLA TANAM PERTANIAN DINAMIS

ABDUL RAHMAN HALIM

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PEMODELAN DECISION NETWORK UNTUK MENENTUKAN
POLA TANAM PERTANIAN DINAMIS

ABDUL RAHMAN HALIM

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

ABSTRACT
ABDUL RAHMAN HALIM. Dynamic Cropping Pattern Modelling using Decision Network.
Supervised by AGUS BUONO.
Plants require different climatic conditions to grow well. The knowledge of optimum climate
for plant to grow is essentially needed. The El Nino and La Nina phenomena affect the climate
changes variability in Indonesia. El Nino causes a decrease in agricultural productivity due to the
reduction in availability of water for crops. However, the La Nina phenomenon increases agricultural
productivity due to the abundant availability of water. The strategy that can be done to solve the
problem of climate change are to adjust the shape of cropping patterns and to forecast the season by
using a Decision Network. Based on the Decision Network, the decision to select established cropping
patterns is done using climate information and other obtained information before the decision is made.
In this study, there are four information to be used. They are SOI index in August which can be used
as an early possible indicator of rainy season changes, the length of rainy season, the rainfall in dry
season, and the land area affected by drought. The objective of this research was to build the

information model for agricultural cropping pattern by decision network. The data in this research
were from 1965 to 2010. Cropping pattern can be used to produce a proper and accurate decision
regarding to possibility of drought in areas. It also can be used to predict the possibility of loss amount
that may arise. This study is conducted Indramayu District. The decisions are based on cropping
patterns in Indramayu. The result showed that the model accuracy was 61.9% based on the
relationship between the possibility of drought and drought data record in Indramayu from 1989 until
2009.
Keywords: Cropping Pattern, Decision Network, Drought, Southern Oscillation Index.

Judul Skripsi
Nama
NRP

: Pemodelan Decision Network untuk Menentukan Pola Tanam Pertanian Dinamis
: Abdul Rahman Halim
: G64080063

Menyetujui:
Pembimbing

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP.196607021993021001

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP.196607021993021001

Tanggal Lulus :

KATA PENGANTAR
Segala puji bagi Allah subhanahu wata’ala atas segala limpahan rahmat serta karunia-Nya
sehingga penulis mampu menyelesaikan penelitian ini dengan baik. Shalawat dan salam penulis
sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya,
sahabatnya, serta para pengikutnya hingga akhir zaman. Penulis juga menyampaikan terima kasih
kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1

Ayahanda Sigit Sudjamiko, Ibunda Rosita Arniati, serta Adik Muhammad Husni dan Hilmy

Zhafran atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian
penelitian ini.

2

Bapak Dr. Ir. Agus Buono, M.Si, M.Kom selaku dosen pembimbing yang telah memberi
banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.

3

Center for Climate Risk and Opportunity Management in Southeast Asia Pasific (CCROMSEAP) Institut Pertanian Bogor sebagai sumber data dalam penelitian ini.

4

Indonesia Managing Higher Education for Relevance and Effeciency (I-MHERE) Institut
Pertanian Bogor yang telah membantu dalam penyelesaian penelitian ini.

5

Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Mushthofa, S.Kom, M.Sc selaku dosen penguji

yang telah memberi masukan dan saran pada penelitian dan tugas akhir penulis.

6

Ngesti Dyah Sekar Mumpuni yang selalu memberikan semangat dan motivasi dalam
menyelesaikan penelitian ini.

7

Muti Relegi, Panji Cahya Mawarda, Melki Hasali, Wiggo Windi Riswandy, Fatkurrohman,
Dewi Citra Sari, Restu Rahmana Putra, Eva Selenia Desi, Nur Amalina Fitria, Fatimah Zachra
Fauziah, Sigit Eko Prasetya, dan Larasati Dena Mahardika, sebagai teman seperjuangan, satu
tim dan satu keluarga Kementerian Pendidikan BEM KM IPB 2012.

8

Catur Purbo Yuwono, Irvan Ahadi, Putri Dewi Purnamasari, Meriska Defriani, Mohamad
Firman, Ryan Satria Nugroho, dan semua rekan-rekan seperjuangan di Ilmu Komputer IPB
angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama
menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses.

9

Teman-teman satu perjuangan BEM KM IPB 2011 Kabinet Bersahabat atas pengalaman dan
persahabatan yang telah diberikan.

10

Muhamad Rifkiaansyah, Wuri Setyani, Galuh Hanifatiha, Diah Rahmi, Dewi Irmawati, dan
teman-teman satu perjuangan BEM KM IPB 2012 Kabinet Berkarya atas bantuan dan karya
yang telah diciptakan.

11

Rekan-rekan satu bimbingan, Alif Kurniawan, Ahmad Bagus Diponegoro, Nanda Ichsan
Pratama, Retno Larasati, dan Wido Aryo Andhika semoga selalu bersemangat dan sukses.

Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi peneliti Ilmu
Komputer dan Institut Pertanian Bogor serta Badan Geofisika Meteorologi Klimatologi dan Geofisika
dan Departemen Pertanian pada umumnya.

Bogor, Januari 2013

Abdul Rahman Halim

RIWAYAT HIDUP
Penulis dilahirkan di Wellington, Selandia Baru pada tanggal 30 Mei 1990. Penulis merupakan
anak pertama dari tiga bersaudara, dari pasangan Sigit Sudjatmiko dan Rosita Arniati. Pada tahun
2008, penulis menyelesaikan pendidikan di SMA Negeri 5 Kota Bengkulu. Penulis lulus seleksi
masuk Institut Pertanian Bogor pada tahun yang sama melalui jalur Undangan Seleksi Masuk IPB dan
diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam.
Selama aktif menjadi mahasiswa, penulis menjadi anggota Kementerian Pendidikan Badan
Eksekutif Mahasiswa Keluarga Mahasiswa (BEM KM) IPB pada tahun 2011, dan menjadi Menteri
Pendidikan BEM KM IPB di tahun berikutnya. Penulis juga aktif dalam kegiatan kemahasiswaan,
salah satunya adalah IPB’s Dedication for Education dan International Scholarship Education Expo,
Penulis menjadi ketua International Scholarship Education Expo di tahun 2011. Penulis juga ikut di
kegiatan kemasyarakatan sebagai salah satu pendiri gerakan IPB Mengajar pada tahun 2012. Penulis
juga menjadi asisten praktikum Rangkaian Digital pada tahun 2011. Selain itu penulis melaksanakan
kegiatan Praktik Kerja Lapangan di Center for Climate Risk and Opportunity Management in

Southeast Asia Pasific (CCROM-SEAP) Institut Pertanian Bogor.

DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................................................ vi
DAFTAR GAMBAR .................................................................................................................... vi
DAFTAR LAMPIRAN ................................................................................................................ vi
PENDAHULUAN
Latar Belakang .......................................................................................................................... 1
Tujuan Penelitian ....................................................................................................................... 2
Ruang Lingkup .......................................................................................................................... 2
METODE PENELITIAN
Studi Literatur dan Pemahaman Masalah ................................................................................... 2
Identifikasi Peubah Terkait ........................................................................................................ 2
Pengumpulan Data ..................................................................................................................... 3
Pembagian Data ......................................................................................................................... 3
Pembuatan Bayesian Network.................................................................................................... 3
Pembuatan Decision Network .................................................................................................... 4
Pembuatan Fungsi Utility ........................................................................................................... 4
Pengujian Model dan Analisis .................................................................................................... 4

HASIL DAN PEMBAHASAN
Pengumpulan Data ..................................................................................................................... 4
Penentuan Variabel Bayesian Network ....................................................................................... 4
Pembuatan Struktur Bayesian Network ...................................................................................... 6
Teknik Inferensi......................................................................................................................... 7
Pembuatan Decision Network .................................................................................................... 8
Evaluasi Model .......................................................................................................................... 9
KESIMPULAN DAN SARAN
Kesimpulan ............................................................................................................................. 12
Saran ....................................................................................................................................... 12
DAFTAR PUSTAKA .................................................................................................................. 12
LAMPIRAN ................................................................................................................................ 14

v

DAFTAR TABEL
Halaman
1 Peluang bersyarat untuk SOI bulan Agustus................................................................................... 7
2 Peluang bersyarat panjang musim hujan jika diketahui nilai SOI ................................................... 7
3 Peluang bersyarat curah hujan di musim kemarau .......................................................................... 7

4 Peluang bersyarat luas lahan yang mengalami kekeringan jika diketahui nilai panjang
musim hujan dan curah hujan di musim kemarau ........................................................................... 7
5 Nilai fungsi utility berdasarkan peluang luas lahan yang mengalami kekeringan dan
kemungkinan keputusan yang bisa diambil .................................................................................... 9

DAFTAR GAMBAR
Halaman
1 Diagram alir penelitian. .................................................................................................................. 3
2 Lima fase SOI berdasarkan nilai SOI dua bulan yang berurutan (Stone et al. 1996). ....................... 5
3 Panjang musim hujan di Indramayu dari tahun 1965 hingga 2010. ................................................. 5
4 Curah hujan di Indramayu dari tahun 1965 hingga 2010. ................................................................ 6
5 Luas lahan kekeringan di Indramayu dari tahun 1989 hingga 2010. ................................................ 6
6 Model Bayesian network. ............................................................................................................... 7
7 Struktur decision network. .............................................................................................................. 8
8 Peluang kekeringan apabila diberikan input nilai SOI di bulan Agustus. ......................................... 9
9 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
nilai SOI di bulan Agustus. ............................................................................................................ 9
10 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
panjang musim hujan di bawah normal. ....................................................................................... 10
11 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input

panjang musim hujan di atas normal. ........................................................................................... 10
12 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
curah hujan di musim kemarau di bawah normal.......................................................................... 11
13 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
curah hujan di musim kemarau di atas normal................................ Error! Bookmark not defined.
14 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
panjang musim hujan dan curah hujan di musim kemarau di bawah normal. ................................ 12
15 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input
panjang musim hujan dan curah hujan di musim kemarau di atas normal. .................................... 11

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7
8
9

Data nilai SOI tahun 1965-2010 .................................................................................................. 15
Data luas lahan kekeringan di Indramayu tahun 1989-2010 ......................................................... 16
Hasil analisis korelasi sederhana data SOI bulan Agustus dan data panjang musim hujan ............ 17
Kode pembuatan Bayesian network ............................................................................................. 18
Kode penggunaan maximum likelihood ....................................................................................... 19
Hasil prediksi dengan prediktor nilai SOI bulan Agustus ............................................................. 20
Hasil prediksi dengan prediktor nilai panjang musim hujan ......................................................... 21
Hasil prediksi dengan prediktor nilai curah hujan di musim kemarau ........................................... 22
Hasil prediksi dengan prediktor nilai panjang musim hujan dan nilai curah hujan di
musim kemarau .......................................................................................................................... 23
10 Grafik keterkaitan antara peluang kekeringan dan luas lahan kekeringan ...................................... 24

vi

PENDAHULUAN
Latar Belakang
Setiap tanaman membutuhkan kondisi
iklim yang berbeda untuk dapat tumbuh
dengan baik. Pengetahuan tentang kebutuhan
iklim yang optimum bagi pertumbuhan dan
perkembangan tanaman sangat diperlukan.
Pengetahuan tersebut dapat digunakan untuk
menentukan jenis tanaman dan strategi
budidaya yang sebaiknya digunakan pada
tempat tertentu sesuai dengan kondisi
iklimnya.
Salah satu hal mengenai iklim yang
menjadi fokus utama pada saat ini di
Indonesia adalah anomali iklim. Secara
harfiah, anomali iklim adalah pergeseran
musim dari rata-rata normalnya. Anomali
iklim sendiri terjadi disebabkan oleh beberapa
hal, namun fenomena yang sering terjadi dan
mempengaruhi daerah di Indonesia ialah El
Nino (Irianto & Suciantini 2006). Salah satu
faktor dominan terjadinya El Nino ialah
Indeks Osilasi Selatan (Southern Oscillation
Index).
Gejala El Nino dan La Nina berpengaruh
terhadap perubahan variabilitas iklim di
Indonesia (Haylock & McBridge 2001). Pada
umumnya, El Nino membawa dampak berupa
berkurangnya curah hujan bahkan kekeringan,
sedangkan La Nina membawa dampak berupa
meningkatnya curah hujan yang bisa
mengakibatkan banjir (Estiningtyas & Wigena
2011). Kedua gejala tersebut menyebabkan
pergeseran pola curah hujan. Perubahan iklim
yang tidak menentu akan memengaruhi
produktivitas pertanian. Gejala El Nino
menyebabkan
penurunan
produktivitas
pertanian karena ketersedian air untuk
tanaman berkurang. Sebaliknya, pada gejala
La Nina, produktivitas pertanian meningkat
akibat melimpahnya ketersediaan air (Irawan
2006).
Menurut Boer (2009), ada tiga dampak
utama El Nino dan La Nina terhadap kondisi
musim di Indonesia. Pertama, musim hujan
lebih lambat atau lebih cepat datang yang
berkaitan dengan awal musim hujan. Kedua,
musim hujan berakhir lebih cepat atau lebih
lambat dari biasanya yang berkaitan dengan
panjang musim hujan. Ketiga, hujan yang
sangat jarang atau berlebih di musim kemarau
atau musim hujan yang menjurus pada curah
hujan musim kemarau dan curah hujan musim
hujan. Awal musim hujan, panjang musim

hujan, curah hujan musim kemarau, dan curah
hujan musim hujan saling berhubungan terkait
fenomena El Nino dan La Nina.
Berdasarkan data yang ada, menurut
Boer (1999), antisipasi lebih diperlukan untuk
menghadapi pergeseran musim akibat El
Nino, mengingat bencana yang ditimbulkan
akibat bencana El Nino lebih serius dari La
Nina. Hal itu ditunjukkan dengan data hujan
musim kemarau selama 100 tahun, penurunan
hujan dari normal akibat kejadian El Nino
dapat mencapai 80 mm/bulan, sedangkan
peningkatan hujan dari normal akibat terjadi
La Nina tidak lebih dari 40 mm/bulan.
Berdasarkan
keterkaitan
beberapa
variabel yang telah disebutkan sebelumnya,
salah satu cara yang dapat dilakukan
berdasarkan pengetahuan tersebut ialah
mengubah pola penanaman benih berdasarkan
kondisi cuaca di Indonesia. Penanaman benih
pada musim hujan diharapkan akan
menghasilkan produksi pertanian yang
optimal sehingga pada saat memasuki masa
musim kemarau, ketersediaan pangan untuk
konsumsi nasional dapat terjaga. Pengenalan
pola tanam benih tersebut berkaitan dengan
pengetahuan Departemen Pertanian untuk
memprediksi musim hujan (BBSDLP 2008).
Awal musim tanam pada suatu pola
tanam biasanya ditetapkan berdasarkan pola
hujan. Musim tanam pertama dimulai pada
awal musim hujan dan musim tanam kedua
dimulai menjelang musim kemarau. Untuk
penanaman kedua, keberhasilan panen sangat
ditentukan oleh awal masuk musim hujan,
lama musim hujan, dan sifat hujan.
Kekeringan seringkali terjadi pada tanaman
kedua apabila sifat hujan di bawah normal
atau awal masuk musim hujan mengalami
kemunduran sehingga penanaman kedua juga
mengalami kemunduran. Oleh sebab itu, salah
satu strategi yang dapat dilakukan untuk
mengatasi masalah pada musim tanam kedua
tersebut ialah menyesuaikan bentuk pola
tanam dengan prakiraan musim menggunakan
pendekatan decision network.
Melalui decision network, indikator
perubahan iklim tersebut akan diubah menjadi
peluang dalam berbagai selang berdasarkan
data yang ada. Pembagian selang ini bertujuan
mengakomodasi perubahan berbagai variabel
terkait secara dinamis. Peluang yang
didapatkan akan diolah sehingga bisa
menghasilkan suatu keputusan.

2

Berdasarkan
decision
network,
keputusan
pemilihan
pola
ditetapkan
berdasarkan informasi iklim dan informasi
lainnya yang diperoleh sebelum keputusan
dibuat. Informasi yang dimaksud di antaranya
adalah indeks SOI di bulan Agustus, prakiraan
panjang musim hujan, dan curah hujan pada
musim kemarau.
Ada berbagai penelitian mengenai iklim
yang menggunakan Bayesian network.
Elfitriadi (2011) melakukan penelitian
pemodelan kejadian hujan dengan dynamic
Bayesian network. Penelitian ini juga sangat
berhubungan dengan penelitian-penelitian
lainnya seperti peramalan panjang musim
hujan dan peramalan curah hujan musim
kemarau di Indonesia. Said (2011) melakukan
peramalan
panjang
musim
hujan
menggunakan jaringan saraf tiruan resilient
backpropagation
dengan
koefisien
determinasi
84%.
Agmalaro
(2011)
melakukan peneltian mengenai prediksi curah
hujan bulanan Indramayu menggunakan
metode support vector regresion. Beberapa
hasil dari penelitian tersebut ke depannya
sangat berpengaruh pada penelitian ini yang
akan menggunakan data SOI, panjang musim
hujan, dan curah hujan musim kemarau.
Tujuan Penelitian
Tujuan dari penelitian ini ialah
membangun model informasi pola tanam
pertanian dengan decision network. Pola
tanam ini akan digunakan untuk menghasilkan
suatu keputusan yang baik dan rasional
mengenai peluang suatu daerah mengalami
kekeringan beserta jumlah kerugian yang
mungkin muncul. Penelitian ini akan
dilakukan untuk Kabupaten Indramayu.
Ruang Lingkup
Penelitian ini menggunakan data SOI
bulan Agustus tahun 1965–2010 merujuk pada
situs Badan Meteorologi Australia. Selain itu,
data yang digunakan ialah data panjang
musim hujan beserta data curah hujan di
musim kemarau dari tahun 1965–2010 yang
diperoleh dari Badan Meteorologi Klimatologi
dan Geofisika. Data lain yang digunakan ialah
data luas lahan yang mengalami kekeringan di
daerah Indramayu yang diperoleh dari
CCROM IPB. CCROM IPB adalah lembaga
penelitian iklim yang berfokus pada
perubahan iklim di Asia Tenggara.
Fokus penelitian ini ialah daerah
Indramayu. Metode yang digunakan yaitu

pendekatan jejaring pengambil keputusan
(decision network). Pengujian akurasi
dilakukan dengan mencoba variasi data input
dan melihat hasil sesuai dengan kemungkinan
fakta yang akan terjadi berdasarkan variasi
input tersebut. Data yang digunakan untuk
memeriksa akurasi ialah data luas lahan
kekeringan di daerah Indramayu.

METODE PENELITIAN
Diagram alir metode penelitian yang
dilakukan pada penelitian ini dapat dilihat
pada Gambar 1. Gambar 1 menunjukkan
tahapan proses penelitian mulai dari
pemahaman
permasalahan
hingga
terbentuknya suatu model decision network
yang telah dianalisis dan dievaluasi.
Studi Literatur dan Pemahaman Masalah
Pada tahapan ini dilakukan pengumpulan
dan pembelajaran buku dan jurnal yang terkait
dengan penelitian ini. Buku dan jurnal yang
terkait meliputi karakteristik Bayesian
network dan pembuatan model decision
network. Selain itu, pembelajaran juga
dilakukan mengenai berbagai variabel iklim
yang akan digunakan pada penelitian ini.
Masalah yang muncul akan diformulasikan
untuk mencegah permasalahan yang terlalu
luas maupun terlalu sempit.
Identifikasi Peubah Terkait
Penelitian ini berfokus pada perkiraan
luas lahan yang mengalami kekeringan beserta
tingkat kerugian yang mungkin muncul dari
pola tanam tersebut yang akan digunakan
untuk musim tanam padi kedua. Peubah yang
akan digunakan adalah peubah yang akan
berpengaruh pada terjadinya kekeringan di
suatu daerah. Penelitian ini khusus untuk
daerah Indramayu yang mudah terkena
pengaruh iklim global.
Beberapa peubah yang digunakan dalam
penelitian ini dipilih berdasarkan hubungan
peubah tersebut dengan kemungkinan
terjadinya kekeringan. Peubah yang akan
digunakan yaitu nilai SOI di bulan Agustus,
panjang musim hujan dalam dasarian, curah
hujan di musim kemarau, dan luas lahan yang
mengalami kekeringan. Semua peubah
tersebut sangat memengaruhi terjadinya
kekeringan di suatu daerah.

3

Pengumpulan Data
Mulai

Pemahaman Permasalahan

Identifikasi Peubah Terkait
dan Bentuk Keputusan

Pengumpulan Data

Data training

Data testing

Pembuatan Struktur Bayes

Pada tahapan ini, data SOI diambil
berdasarkan situs
Badan
Meteorologi
Australia. Data panjang musim hujan dan data
curah hujan di musim kemarau merupakan
data yang merujuk pada Badan Meteorologi
Klimatologi dan Geofisika. Data yang
digunakan untuk evaluasi ialah data luas lahan
kekeringan di Indramayu. Semua data tersebut
akan diakomodasi oleh peubah dalam
Bayesian network yang dibentuk untuk
menentukan tingkat kekeringan, dalam hal ini
difokuskan di daerah Indramayu.
Pembagian Data
Pembagian
data
ini
bertujuan
menentukan data latih dan data uji. Data latih
akan digunakan dalam pembuatan struktur
bayes dan pembentukan fungsi utility agar
didapatkan suatu model lengkap decision
network, sedangkan data uji akan digunakan
untuk melihat akurasi dari model yang dibuat
agar bisa dianalisis dan dievaluasi terkait
model yang dibuat. Data yang digunakan
adalah data dari tahun 1965 hingga 2009 dari
daerah pengamatan Indramayu.
Pembuatan Bayesian Network

Pendugaan Parameter
Bayesian Network

Fungsi Utility

Bayesian
Network

Model Decision Network
Decision Network
Pengujian

Analisis dan Evaluasi

Selesai
Gambar 1 Diagram alir penelitian.

Bayesian network merupakan Directed
Acyclic
Graph
(DAG)
untuk
merepresentasikan secara visual mengenai
keterkaitan langsung antar peubah dalam
suatu
domain
permasalahan
tertentu
(Neapolitan 2004; Russel & Peter 2003). Pada
dasarnya, Bayesian network merupakan model
visual menggunakan graph dari distribusi
bersama sejumlah peubah. Oleh karena itu,
bisa diketahui peluang dari suatu peubah
tertentu (peubah query) jika diketahui nilai
peubah lain (peubah evidence).
Terdapat tiga komponen dalam suatu
Bayesian network. Komponen pertama adalah
himpunan node yang mewakili setiap peubah.
Komponen kedua adalah link antar dua node
yang merepresentasikan keterkaitan sebab
akibat dari node sumber ke node lainnya.
Komponen terakhir adalah tabel peluang
bersyarat pada setiap node dengan syarat
parent dari node tersebut.
Tingkat
kekeringan
yang
dicari
menggunakan empat peubah. Peubah tersebut
yaitu nilai SOI di bulan Agustus, panjang
musim hujan dalam dasarian, curah hujan di
musim kemarau, dan luas lahan yang

4

mengalami kekeringan. Keempat
tersebut akan menjadi chance node.

peubah

Pembuatan Decision Network
Bayesian network hanya bisa digunakan
untuk mendapatkan informasi distribusi dari
suatu peubah (node) baik ada atau tidaknya
informasi dari peubah lain. Pada pengambilan
keputusan, ingin diketahui keputusan yang
layak diambil yang akan memberikan nilai
sesuai dengan harapan yang diinginkan.
Model yang bisa mengintegrasikan antara
keputusan yang diambil dan kejadian tertentu
yang bersifat peluang disebut decision
network.
Decision network atau sering disebut
juga dengan influenced network merupakan
pengembangan dari Bayesian network. Output
dari Bayesian network adalah distribusi
peubah query, sedangkan pada decision
network akan diketahui kaitan dari keputusan
yang diambil, resiko yang terjadi, serta
ketidakpastian peubah dalam Bayesian
network sehingga bisa diperoleh informasi
yang diinginkan.
Decision network merupakan Bayesian
network yang dikembangkan dengan dua hal
yaitu keputusan yang bisa diambil dan resiko
yang mungkin terjadi sehingga decision
network terdiri atas tiga jenis node, yaitu
chance node, decision node dan utility node.
Nilai dari decision node pada penelitian kali
ini ialah berupa pilihan pola penanaman.
Pembuatan Fungsi Utility
Utility node adalah node yang
merepresentasikan nilai resiko yang mungkin
terjadi. Oleh karena itu, nilai dari node ini
adalah semua kemungkinan resiko yang bisa
terjadi akibat dari keputusan yang diambil dan
ketidakpastian yang ada pada Bayesian
network. Utility node pada penelitian kali ini
yaitu jumlah lahan padi yang terkena
kekeringan pada musim tanam kedua.
Pengujian Model dan Analisis
Proses pengujian model dilakukan
dengan memasukkan variasi nilai input. Hasil
yang didapatkan berdasarkan berbagai variasi
input tersebut akan dibandingkan sesuai
dengan fakta yang mungkin terjadi dan sesuai
kondisi keilmuan. Hasil dari model yang telah
dibentuk juga akan dibandingkan dengan
kondisi luas lahan kekeringan yang ada.

Tahap analisis dilakukan untuk melihat
tingkat akurasi dari hasil pendugaan utility.
Parameter yang digunakan pada tahap analisis
ialah kecocokan variasi input dari pengguna di
lapangan dengan kemunginan kejadian
kekeringan yang terjadi berdasarkan nilai
input tersebut. Pada tahapan analisis akan
dicoba semua kemungkinan input nilai dari
pengguna lalu saling dibandingkan hasil yang
diperoleh dan data yang ada.

HASIL DAN PEMBAHASAN
Pengumpulan Data
Data pertama yang digunakan pada
penelitian ini ialah data SOI yang diperoleh
dari Badan Meteorologi Australia dari tahun
1965 sampai tahun 2012 (BOM 2012).
Penelitian ini hanya menggunakan data SOI
dari tahun 1965 sampai tahun 2010 seperti
terlihat pada Lampiran 1.
Data pengamatan panjang musim hujan
diperoleh dari Badan Meteorologi Klimatologi
dan Geofisika yang merupakan data numerik
dengan satuan dasarian. Data pengamatan
curah hujan di musim kemarau juga diperoleh
dari Badan Meteorologi Klimatologi dan
Geofisika yang merupakan data numerik. Data
luas lahan yang mengalami kekeringan
merupakan data sekunder yang diperoleh dari
CCROM IPB seperti terlihat pada Lampiran 2.
Penentuan Variabel Bayesian Network
Untuk mendapatkan nilai-nilai batas
setiap peubah, dilakukan praproses terhadap
variabel-variabel terkait. Variabel pertama
yang digunakan ialah Southern Oscilation
Index (SOI). Variabel ini adalah indikator
yang biasa digunakan untuk menunjukkan
berlangsungnya El Nino. Indeks Osilasi
Selatan
merupakan
indeks
yang
menggambarkan perbedaan tekanan udara
dekat permukaan laut di kawasan Tahiti
(PTahiti) dan Darwin (Pdarwin) dengan rumus:
I

P ah t P a w n
x
td v P ah t P a w n

Biro
Meteorologi
Australia
menggunakan rumus di atas dalam
menghitung SOI. Selanjutnya, nilai SOI
dikelompokkan menjadi lima fase seperti
terlihat pada Gambar 2 yaitu (Stone et al.
1996):

5

1

Konstan negatif (constantly negative).

2

Konstan positif (constantly positive).

3

Menurun cepat (rapidly falling).

Panjang musim hujan didapatkan dari hasil
pengurangan tanggal berakhirnya musim
hujan dengan tanggal dimulainya musim
hujan dengan rumus:

4

Meningkat cepat (rapidly rising).

PLC = PEC - PBC

5

Mendekati nol (near zero).

PL adalah persentil dari panjang musim hujan
dan c: 10, 30, 50, 70, dan 90. Panjang PL10
berarti untuk setiap batas yang dicari, 10% di
tahun tersebut musim hujan akan lebih
panjang dan 90% akan lebih pendek (Aviad et
al. 2003).
Nilai yang harus dicari yaitu jumlah sisa
dasarian setiap bulan berdasarkan informasi
panjang musim hujan. Melalui informasi yang
didapatkan dari data seperti terlihat pada
Gambar 3, selang untuk parameter panjang
musim hujan dibagi tiga, yaitu:

Gambar 2 Lima fase SOI berdasarkan nilai
SOI dua bulan yang berurutan
(Stone et al. 1996).
Kondisi El Nino biasanya digambarkan
oleh fase konstan negatif dan fase menurun
cepat (fase 1 dan 3). Kondisi La Nina
digambarkan oleh fase konstan positif dan
meningkat cepat (2 dan 4). Fase 5
menunjukkan kondisi normal.
Fase SOI pada suatu bulan ditentukan
berdasarkan perbedaan nilai SOI di bulan
tersebut dengan nilai SOI di bulan
sebelumnya. Informasi yang digunakan ialah
nilai SOI bulan Agustus karena penelitian ini
digunakan untuk musim tanam kedua, yang
diasumsikan dimulai pada bulan September.
Lampiran 3 menunjukkan korelasi nilai SOI
dengan panjang musim hujan. Nilai SOI di
bulan Agustus akan menjadi parent dari
Bayesian network yang dibentuk karena tidak
dipengaruhi oleh variabel yang lain.
Berdasarkan informasi tersebut, maka selang
untuk parameter nilai SOI di bulan Agustus
dibagi tiga, yaitu:

a

Jumlah sisa dasarian kurang dari 10
dasarian.

b

Jumlah sisa dasarian 10, 11, 12, atau 13
dasarian.

c

Jumlah sisa dasarian lebih dari 13
dasarian.

Panjang musim hujan di musim kemarau
dipengaruhi oleh nilai SOI di bulan Agustus.
Oleh karena itu, panjang musim hujan di
musim kemarau akan menjadi child dari nilai
SOI di bulan Agustus dalam Bayesian
network. Gambar 3 menunjukkan variasi
panjang musim hujan di daerah Indramayu
dari tahun 1965 hingga 2010. Dari grafik
tersebut terlihat bahwa panjang musim hujan
di Indramayu sangat fluktuatif sekitar 10
hingga 18 dasarian setiap tahun.
20

16
14
12
10
8
6

a

Konsisten Negatif untuk nilai SOI kurang
dari -7.5.

4

b

Mendekati Nol untuk nilai SOI antara
-7.5 sampai 7.5.

0

c

Konsisten Positif untuk nilai SOI lebih
dari 7.5.

Peubah kedua yang digunakan ialah
panjang musim hujan dalam dasarian.

PMH

18

1965
1968
1971
1974
1977
1980
1983
1986
1989
1992
1995
1998
2001
2004
2007

2

Tahun

Gambar 3 Panjang musim hujan di Indramayu
dari tahun 1965 hingga 2010.

6

Peubah ketiga yang digunakan ialah
curah hujan di musim kemarau. Terdapat nilai
curah hujan di musim kemarau yang diperoleh
dari Badan Meteorologi Klimatologi dan
Geofisika untuk daerah Indramayu. Hal yang
pertama kali dilakukan ialah menghitung ratarata tahunan nilai curah hujan untuk setiap
bulan.
Menurut ketentuan Badan Meteorologi
Klimatologi dan Geofisika, curah hujan di
musim kemarau dibagi menjadi tiga, yaitu di
bawah normal, normal, dan di atas normal
berdasarkan ketentuan nilai rata-ratanya. Oleh
karena itu, selang untuk parameter curah
hujan di musim kemarau juga akan dibagi
menjadi tiga, yaitu:

lahan yang mengalami kekeringan ini
dipengaruhi oleh panjang musim hujan dan
curah hujan dimusim kemarau. Berdasarkan
data yang ada seperti terlihat pada Gambar 5,
penentuan kode untuk variabel luas lahan
kekeringan mengikuti aturan sebagai berikut:
a

Tidak terjadi kekeringan jika luas lahan
kekeringan kurang dari 15000 Ha.

b

Terjadi kekeringan jika luas
kekeringan lebih dari 15000 Ha.

2010

Di bawah normal jika nilai curah hujan
kurang dari 0.85 dikali rata-rata tahunan.

2005

b

Normal jika nilai curah hujan diantara
0.85 dikali rata-rata tahunan dan 1.15
dikali rata-rata tahunan.

2000

Di atas normal jika nilai curah hujan lebih
dari 1.15 dikali rata-rata tahunan.

Curah hujan di musim kemarau langsung
didapatkan dari BMKG sesuai ketentuan yang
telah dijabarkan sebelumnya. Oleh karena itu,
curah hujan di musim kemarau tidak
terpengaruh langsung oleh nilai SOI di bulan
Agustus dan lama musim hujan pada Bayesian
network. Gambar 4 menunjukkan curah hujan
di daerah Indramayu dari tahun 1965 hingga
2010. Curah hujan dimusim kemarau
merupakan jumlah curah hujan dari dasarian
setelah musim hujan hingga bulan Juli dibagi
dengan total dasarian.
60

Tahun

2015

a

c

lahan

1995
1990
1985
0

50000

100000

Luas Lahan Kekeringan

Gambar

5

Luas lahan kekeringan di
Indramayu dari tahun 1989
hingga 2010.

Penentuan selang
diperoleh melalui
penelitian dan survey dari tim CCROM IPB
terkait luas lahan yang mengalami kekeringan
serta melalui data yang diperoleh dari tahun
1989 hingga 2010.

CHMK

Pembuatan Struktur Bayesian Network

50

Bayesian network akan dibentuk sesuai
dengan keterkaitan antarpeubah terkait.
Tujuan yang ingin diketahui ialah prediksi
jumlah luas lahan yang mengalami
kekeringan. Penelitian ini berfokus pada
daerah Indramayu.

40
30
20
10

1965
1968
1971
1974
1977
1980
1983
1986
1989
1992
1995
1998
2001
2004
2007

0
Tahun

Gambar 4 Curah hujan di Indramayu dari
tahun 1965 hingga 2010.
Peubah keempat yang digunakan ialah
luas lahan yang mengalami kekeringan. Luas

Penelitian ini menggunakan empat
peubah yang dapat menentukan tingkat
kekeringan, yaitu nilai SOI di bulan Agustus,
panjang musim hujan (PMH), curah hujan di
musim kemarau (CH), dan luas lahan yang
mengalami kekeringan (K). Keterkaitan antara
keempat peubah tersebut ialah seperti pada
Gambar 6. Nilai SOI adalah root. Parent dari
lama musim hujan adalah SOI. Parent dari K
ialah lama musim hujan dan curah hujan.

7

Tabel 3 Peluang bersyarat curah hujan di
musim kemarau
PMH

SOI

P(X3)

K

CH

Gambar 6 Model Bayesian network.
Setelah diperoleh diagram keterkaitan
variabel seperti terlihat pada Gambar 6,
dengan menggunakan data sampel maka pada
setiap
node dihitung tabel peluang
bersyaratnya. Tabel peluang bersyarat
(Conditional Probability Table) diperoleh
dengan mencari maximum likelihood dari
variabel di dalam Bayesian network yang
dibentuk. Lampiran 4 menunjukkan kode
pembuatan Bayesian network dan Lampiran 5
menunjukkan kode penggunaan maximum
likelihood.
Tabel 1 merupakan peluang bersyarat
untuk SOI bulan Agustus. Tabel 2 merupakan
peluang bersyarat panjang musim hujan jika
diketahui nilai SOI bulan Agustus. Tabel 3
merupakan peluang bersyarat curah hujan di
musim kemarau. Tabel 4 merupakan peluang
bersyarat luas lahan yang mengalami
kekeringan jika diketahui nilai panjang musim
hujan dan curah hujan di musim kemarau.
Tabel 1 Peluang bersyarat untuk SOI bulan
Agustus
P(X1)
1

2

3

0.43150

0.24658

0.32192

Tabel 2 Peluang bersyarat panjang musim
hujan jika diketahui nilai SOI
X1

P(X2|X1)
1

2

3

1

0.66667

0.19444

0.13889

2

0.68254

0.09524

0.22222

3

0.61702

0.10638

0.27660

1

2

3

0.4136

0.1619

0.4245

Tabel 4 Peluang bersyarat luas lahan yang
mengalami
kekeringan
jika
diketahui nilai panjang musim
hujan dan curah hujan di musim
kemarau
X2

X3

1

P(X4|X2,X3)
1

2

1

0.6

0.4

1

2

1

0

1

3

0.875

0.125

2

1

0.8182

0.1818

2

2

1

0

2

3

0.8333

0.1667

3

1

0.8462

0.1538

3

2

1

0

3

3

1

0

Teknik Inferensi
Proses inferensi akan menggunakan tiga
jenis peubah. Peubah yang digunakan yaitu
peubah query yaitu peubah yang akan
dihitung distribusinya (Q), peubah evidence
yaitu peubah yang sudah diketahui (E), dan
peubah hidden yaitu peubah selain peubah
query dan evidence (Y). Menggunakan kaidah
Bayes, maka distribusi dari P(Q | E) ialah:
P

P

P

Berdasarkan kasus penelitian, akan
dihitung semua kemungkinan dari peubah
query, sehingga nilai P(E) dalam persamaan di
atas hanya sebagai faktor normalisasi saja,
sehingga bisa ditulis sebagai:
P

|

P
P
P

8

Va ab l α merupakan konstanta
normalisasi sehingga jumlahnya adalah satu.
Sementara itu, P(Q, E) dihitung sebagai
berikut:
P

∑P

y

y

Persamaan di atas menunjukkan jumlah
kemungkinan berdasarkan peubah query,
hidden, dan evidence. Melalui keterkaitan
tersebut, untuk mencari nilai dari setiap
kemungkinan, rumus di atas dapat dirumuskan
menjadi:
P

∏ P

| Pa nt

berupa mulainya penanaman pada musim
tanam kedua pada musim kemarau dengan
kode sebagai berikut:





D1: awal musim hujan.
D2: satu bulan setelah musim hujan.
D3: dua bulan setelah musim hujan.
D4: tiga bulan setelah musim hujan.

Node U adalah fungsi utility yang
nilainya tergantung keputusan (D) yang
diambil berdasarkan nilai node kekeringan
(K). Karena node K memiliki dua
kemungkinan nilai dan node D memiliki
empat kemungkinan tindakan, maka node U
terdiri atas delapan kemungkinan. Apabila
telah diketahui nilai dari node D dan node K,
maka nilai harapan kerugian yang muncul dari
setiap keputusan yang diambil dapat dihitung.

Oleh karena itu, distribusi posterior yang
ingin diketahui dihitung sebagai berikut:
P

|

PMH

P
P

SOI

K

P
CH
∑P

y

y

∑ ∏ P
y

U

| Pa nt

Bayesian network
hanya bisa
mengetahui distribusi satu peubah baik
diketahui atau tidaknya informasi dari peubah
lain tanpa bisa digunakan untuk pengambilan
keputusan. Pengambilan keputusan harus
mengintegrasikan keputusan yang akan
diambil dengan kejadian yang bersifat peluang
untuk memaksimalkan harapan yang disebut
dengan decision network.
Pembuatan Decision Network
Penelitian ini menggunakan beberapa
asumsi. Asumsi pertama, tanaman yang akan
menjadi objek penelitian ialah padi, sehingga
penelitian
ini
digunakan
untuk
memperkirakan risiko kekeringan penanaman
padi yang kedua, yaitu pada musim kemarau.
Berdasarkan diagram keterkaitan Bayesian
network yang telah dibentuk, Bayesian
network akan diintegrasikan dengan decision
node dan utility node sehingga hasilnya adalah
seperti terlihat pada Gambar 7. Nilai dari
keputusan D adalah berupa pola penanaman

D
Gambar 7 Struktur decision network.
Cara
menghitung
fungsi
utility
menggunakan alur logika sebagai berikut.
Pertama, dihitung proporsi luas tanam pada
D1, D2, D3, dan D4 pada bulan berjalan
berdasarkan data yang ada, lalu proporsi luas
tanam tersebut akan dikalikan dengan total
luas lahan kekeringan sehingga akan diperoleh
nilai seperti tertera pada Tabel 5. Oleh karena
itu, decision network bisa digunakan untuk
menentukan keputusan yang paling optimum.
Expected utility dihitung berdasarkan rumus
berikut:
∑

P

i = kemungkinan luas lahan kekeringan
j = kemungkinan pola tanam

9

Tabel 5 Nilai fungsi utility berdasarkan
peluang luas lahan yang mengalami
kekeringan
dan
kemungkinan
keputusan yang bisa diambil
U(X4,D)
1

2

1

0

68.2399

2

0

145.2

3

0

1013.58

4

0

1885.49

0.185
Pel. Kekeringan

D

0.19

0.18

0.175

0.17

Berdasarkan model yang dibuat akan
dicoba beberapa data dari data uji lalu dilihat
hasil yang didapatkan dari model tersebut.
Proses evaluasi ini akan melihat hasil dari
model
yang
telah
dibuat
mampu
merepresentasikan keadaan yang sebenarnya
sesuai dengan logika. Logika yang diambil
merupakan logika berdasarkan konsep
keilmuan yang ada. Nilai input yang akan
digunakan ialah SOI pada bulan Agustus,
panjang musim hujan, dan curah hujan di
musim kemarau. Percobaan pertama akan
menggunakan informasi nilai SOI bulan
Agustus. Apabila dimasukkan nilai SOI di
bulan Agustus tanpa memasukkan nilai
variabel lainnya, hasinya seperti terlihat pada
Gambar 8.
Berdasarkan grafik pada Gambar 8, jika
nilai SOI pada bulan Agustus masuk ke kelas
satu yang berarti fase menurun, grafik
menunjukkan peluang terjadinya El Nino
lebih tinggi dibandingkan fase lainnya, seperti
terlihat pada Lampiran 6. Grafik menunjukkan
bahwa peluang kekeringan di kelas satu lebih
tinggi dari kelas lainnya.
Informasi
selanjutnya
yang
bisa
didapatkan yaitu perkiraan kerugian dari
masing-masing pola penanaman. Perkiraan
kerugian yang muncul pada masing-masing
pola penanaman apabila diberikan informasi
nilai SOI di bulan Agustus dapat dilihat pada
Gambar 9. Terlihat bahwa kondisi El Nino
bisa menyebabkan kerugian paling besar pada
masing-masing pola penanaman.

0.165

0.16
1

Gambar

2
SOI

3

8 Peluang kekeringan apabila
diberikan input nilai SOI di bulan
Agustus.
Fase Menurun

Fase Normal

Fase Menaik
400
350
300
250
Perkiraan kerugian

Evaluasi Model

200
150
100
50
0
1

2

3

4

Pola penanaman

Gambar 9 Perkiraan kerugian masing-masing
pola penanaman apabila diberikan
input nilai SOI di bulan Agustus.

10

Fase Menurun

Fase Normal

Fase Menurun

Fase Normal

Fase Menaik

PMH < Normal

Fase Menaik

PMH < Normal

PMH > Normal

400

450

350

400

300

350
Perkiraan Kerugian

Perkiraan Kerugian

450

250
200
150
100

300
250
200
150
100

50

50
0

0
1

2

3

4

Fase Penanaman (D)

1

2

3

4

Fase Penanaman (D)

Gambar 10 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input panjang musim
hujan di bawah normal.

Gambar 11 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input panjang musim
hujan di atas normal.

Percobaan
selanjutnya
ialah
menambahkan informasi panjang musim
hujan. Lampiran 7 menunjukkan hasil prediksi
dengan prediktor nilai panjang musim hujan.
Apabila panjang musim hujan masuk ke kelas
satu atau di bawah normal, maka informasi
yang dihasilkan seperti terlihat pada Gambar
10.

Apabila curah hujan musim kemarau di
bawah normal, maka perkiraan kerugiannya
akan meningkat seperti terlihat pada Gambar
12. Sebaliknya, apabila curah hujan musim
kemarau di atas normal, maka perkiraan
kerugiannya akan menurun seperti terlihat
pada Gambar 13.

Grafik pada Gambar 10 menunjukkan
bahwa terjadi peningkatan perkiraan kerugian
masing-masing pola penanaman. Panjang
musim hujan di bawah normal akan
mengakibatkan peluang kekeringan yang lebih
besar sehingga memungkinkan kerugian yang
lebih tinggi dibandingkan sebelumnya, tanpa
mengetahui informasi panjang musim hujan.
Percobaan selanjutnya yaitu penambahan
panjang musim hujan yang masuk ke kelas
ketiga yang berarti di atas normal.
Informasinya terlihat pada Gambar 11.
Percobaan
selanjutnya
ialah
menggunakan informasi curah hujan di musim
kemarau. Lampiran 8 menunjukkan hasil
prediksi dengan prediktor nilai curah hujan di
musim kemarau.

Percobaan selanjutnya menggunakan
kombinasi dari ketiga variabel, yaitu nilai SOI
di bulan Agustus, panjang musim hujan, dan
curah hujan di musim kemarau. Lampiran 9
menunjukkan hasil prediksi dengan prediktor
nilai panjang musim hujan dan nilai curah
hujan di musim kemarau. Hasilnya terlihat
pada Gambar 14.
Panjang musim hujan di bawah normal
serta curah hujan di musim kemarau yang di
bawah normal diprediksi akan menghasilkan
tingkat kerugian paling besar di daerah
Indramayu seperti terlihat pada Gambar 14.
Apabila dimasukkan informasi sebaliknya,
maka perkiraan kerugian terlihat pada Gambar
15. Kondisi panjang musim hujan yang di atas
normal dan curah hujan di musim kemarau
yang di atas normal diprediksi akan

11

menghasilkan peluang kekeringan paling
minimum di daerah Indramayu seperti yang
terlihat pada Gambar 15.
Fase Menurun

Fase Normal

Fase Menaik

PMH < Normal

PMH > Normal

CH < Normal

700

600

Perkiraan Kerugian

500

400

300

200

2006, dan 2009. Selain itu, terdapat pula
record data yang tidak teridentifikasi sebagai
kejadian kekeringan, yaitu pada tahun 1991,
2000, dan 2005.
Adanya data yang tidak teridentifikasi
sebagai kejadian kekeringan disebabkan tidak
sesuainya informasi dari variabel yang
digunakan dengan informasi kekeringan yang
didapatkan. Sebagai contoh, pada tahun 1991,
panjang musim hujan masuk ke dalam
kategori di atas normal dan curah hujan di
musim kemarau masuk ke dalam kategori di
atas normal. Model akan menghasilkan
informasi tidak terjadi kekeringan, sedangkan
data menunjukkan kejadian kekeringan. Selain
itu, dari 21 data kekeringan diperoleh 9
kejadian tidak terjadi kekeringan dari 14
kejadian. Oleh karena itu, akurasi dari model
untuk menentukan kejadian kekeringan
berdasarkan data dari tahun 1989 hingga 2009
adalah jumlah kejadian benar dibagi total
percobaan, yaitu 61.9% dan batas peluang
yang menandakan suatu daerah mengalami
kekeringan sebesar 15%.

100

0

Fase Menurun

Fase Normal

Fase Menaik

PMH < Normal

PMH > Normal

CH < Normal

CH > Normal
1

2

3

4

Fase Penanaman (D)

700

Gambar 12 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input curah hujan di
musim kemarau di bawah
normal.

Grafik pada Lampiran 10 menunjukkan
bahwa bila ditarik garis untuk memisahkan
luas lahan kekeringan yang melebihi 15000
Ha yang menandakan terjadinya kekeringan
berdasarkan data kekeringan dari tahun 1989
hingga 2009, didapatkan 7 record data yang
menandakan terjadinya kejadian kekeringan.
Berdasarkan pemodelan decision network
yang telah dibuat, terdapat empat record data
yang
teridentifikasi
sebagai
kejadian
kekeringan, yaitu pada tahun 1994, 1997,

500

Perkiraan Kerugian

Setelah melakukan percobaan dengan
memasukkan kombinasi dari setiap variabel,
akurasi dari model yang telah dibuat akan
dilihat berdasarkan grafik keterkaitan antara
peluang kekeringan dan luas lahan kekeringan
yang terjadi berdasarkan data. Grafik yang
didapatkan seperti terlihat pada Lampiran 10.

600

400

300

200

100

0
1

2

3

4

Fase Penanaman (D)

Gambar 13 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input curah hujan di
musim kemarau di atas normal.

12

network untuk setiap daerah belum tentu
sama.

PMH < Normal
PMH > Normal

2

Mengembangkan model untuk daerah lain
di Indonesia.

3

Melakukan pengecekan terhadap tabel
peluang bersyarat dan diusahakan selalu
mengikuti data yang tersedia, karena data
iklim setiap tahun akan bertambah.

4

Mencoba menggunakan variabel lain di
dalam model, seperti nilai Sea Surface
Temperature agar didapatkan model yang
lebih baik.

CH < Normal
CH > Normal
PMH & CH < Normal
800
700

Perkiraan Kerugian

600
500

CH < Normal
CH > Normal

400

PMH & CH < Normal
300

PMH & CH > Normal

200
800

100

700

0
1

2

3

4

600

Gambar 13 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input panjang musim
hujan dan curah hujan di musim
kemarau di bawah normal.

Perkiraan Kerugian

Fase Penanaman (D)

500
400
300
200

KESIMPULAN DAN SARAN
100

Kesimpulan
Berdasarkan penelitian ini, pembuatan
pola tanam dinamis menggunakan Bayesian
network dapat digunakan sesuai dengan
fenomena yang ada secara rasional. Model
yang dibuat juga bisa digunakan untuk
pengambilan keputusan strategi pola tanam
untuk meminimumkan resiko kekeringan.
Akurasi model yang dibuat sebesar 61.9%
berdasarkan 21 data dari tahun 1989 hingga
2009.

0
1

2

3

4

Fase Penanaman (D)

Gambar 14 Perkiraan kerugian masing-masing
pola
penanaman
apabila
diberikan input panjang musim
hujan dan curah hujan di musim
kemarau di atas normal.

DAFTAR PUSTAKA
Saran
Saran untuk penelitian selanjutnya yaitu:
1

Membangun
sistem
untuk
mengakomodasi
perubahan
model
decision network karena model decision

Agmalaro MA. 2011. Pemodelan statistical
downscaling
data
GCM
menggunakan
Support
Vector
Regression untuk memprediksi curah
hujan bulanan Indramayu [tesis].

13

Bogor: Sekolah Pascasarjana, Institut
Pertanian Bogor.
Aviad Y, Kutiel H, Lavee H. 2003. Analysis
of beginning, end, and length of the
rainy season along a Mediterraneanarid climate transect for geomorphic
purposes.
Journal
of
Aris
Environments 59:189-204.
Boer R. 1999. Perubahan iklim, El Nino dan
La Nina. Prosiding pelatihan dosenDosen perguruan tinggi negeri
Indonesia bagian Barat bidang
Agroklimatologi Biotrop. Bogor 1-12
Februari 1999.
Boer R. 26 Jan 2009. Sekolah lapangan iklim
antisipasi risiko perubahan iklim.
Salam.
[BBSDLP] Balai Besar Penelitian dan
Pengembangan Sumberdaya Lahan
Pertanian. 2008. Dampak perubahan
iklim terhadap sektor pertanian, serta
strategi antisipasi dan teknologi
adaptasi. Pengembangan Inovasi
Pertanian 1(2):138-140.
[BOM]

Bureau of Meteorology. 2012.
Monthly Southern Oscillation Index.
ftp://ftp.
bom.gov.au/anon/home/ncc/www/sc
o/soi/soiplaintext.html [2 Oktober
2012].

Elfitriadi E. 2011. Pemodelan kejadian hujan
dengan dynamic Bayesian network
[tesis]. Bogor: Sekolah Pascasarjana,
Institut Pertanian Bogor.
Estiningtyas W, Wigena AH. 2011. Teknik
statistical
downscaling
dengan
regresi komponen utama dan regresi
kuadrat terkecil parsial untuk
prediksi curah hujan pada kondisi El
Nino, La Nina, dan normal. Jurnal
Meteorologi dan Geofisika 12(1):6572.
Haylock M, McBridge J. 2001. Spatial
coherence and predictability of
Indonesian wet season rainfall.
Journal of Climate 14:3882-3887.
Irawan B. 2006. Fenomena anomali iklim El
Nino dan La Nina: kecenderungan
jangka panjang dan pengaruhnya
terhadap produksi pangan. Forum
Penelitian Agro Ekonomi 24(1): 2845.

Irianto G, Suciantini. 2006. Anomali iklim:
faktor penyebab, karakteristik, dan
antisipasinya. Iptek Tanaman Pangan
2:10