T1 672006257 Full text
Perancangan Kalender Tanam
Berdasarkan Data Klimatologi
Menggunakan Metode Forecasting Holt-Winters
(Studi Kasus : Boyolali)
Artikel Ilmiah
Peneliti :
Gabriel Alvin Pryanto (672006257)
Kristoko Dwi Hartomo, M.Kom.
M. A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
April 2013
1.
Pendahuluan
Perubahan iklim merupakan rentetan kejadian alam yang secara global berdampak
terhadap pola kehidupan manusia di bumi. Pola kehidupan manusia memiliki tiga unsur dasar
yaitu : sandang, pangan, dan papan. Sumber bahan pangan mayoritas dihasilkan dari proses
produksi pertanian. Pada sektor pertanian, perubahan iklim memiliki pengaruh besar terhadap
perubahan pola tanam dan penurunan hasil produksi. Perubahan iklim secara langsung
mengakibatkan terjadinya pergeseran awal musim tanam [1]. Adanya perubahan iklim yang
ekstrim, baik kering (El-Nino) maupun basah (La-Nina) mengakibatkan kesalahan waktu masa
tanam. Hal ini membuat para petani Jawa khususnya di beberapa kabupaten sekitar wilayah
gunung Merapi dan Merbabu tidak dapat lagi menggunakan “Pranata Mangsa” dan ”Kertamasa”
sebagai pola strategi tanam [2]. Hal ini mengakibatkan kegagalan panen yang terjadi di sektor
pertanian di Kabupaten Boyolali. Berdasarkan data Dinas Kesbang Linmas Provinsi Jawa
Tengah, Kabupaten Boyolali mengalami kegagalan panen sebesar 613 ha pada tahun 2003, pada
tahun 2004 sebesar 715 ha. Pada tahun 2005 kegagalan panen sebesar 340 ha, pada tahun 2006
sebesar 175 ha dan sebesar 500 ha pada tahun 2007 [3].
Berdasarkan fakta-fakta tersebut, dapat diambil pemahaman bahwa perubahan iklim
secara langsung mempengaruhi sektor pertanian terutama di daerah yang memiliki lahan
pertanian ekstrim seperti di kabupaten Boyolali. Dampak dari perubahan iklim terhadap
produksi pertanian secara khusus meliputi dua hal, yaitu: hilangnya acuan masa tanam dalam
pertanian dan penurunan hasil produksi pertanian akibat terjadinya kegagalan panen. Bila hal ini
terjadi terus menerus, dapat menyebabkan kerugian pada sektor pertanian lokal dan secara
permanen akan mengancam ketahanan pangan nasional.
Metode forecasting merupakan sebuah metode yang digunakan untuk meramalkan suatu
waktu akan datang (future) dengan berdasarkan data masa lampau (past) dan masa sekarang
(present). Salah satu metode forecasting yang sering digunakan adalah metode forecasting HoltWinters. Metode forecasting Holt-Winters mampu meramalkan data dengan pola musiman
dengan atau tanpa trend. Untuk kasus di Kabupaten Boyolali ini, digunakan penerapan metode
forecasting Holt-Winters, yaitu dengan melihat grafik dan history dari sepuluh tahun (seratus
dua puluh periode) data klimatologi di Kabupaten Boyolali yang bersumber dari BMKG
Semarang. Metode forecasting Holt-Winters mampu memberikan gambaran mengenai iklim
dan cuaca di masa depan sehingga dapat memberikan informasi secara reliabilitas [4].
Penelitian yang dilakukan tentang Perancangan Kalender Tanam untuk komoditas Padi,
Jagung, dan Ketela Berdasarkan Data Klimatologi Menggunakan Metode Forecasting HoltWinters, yang mengambil Studi Kasus di Kabupaten Boyolali, diharapkan dapat menghasilkan
suatu pemodelan pengalenderan yang baru dengan menggunakan data history klimatologi
BMKG, sehingga para petani memiliki kembali acuan yang reliabilitas. Berdasarkan beberapa
fakta yang telah dijelaskan berikut, maka pada penelitian ini akan dipaparkan mengenai
bagaimana merancang kalender tanam untuk komoditas Padi, Jagung, dan Ketela berdasarkan
data klimatologi menggunakan metode forecasting Holt-Winters. Metode forecasting HoltWinters sendiri akan diterapkan dalam proses peramalan data klimatologi yang nantinya hasil
dari peramalan data klimatologi tersebut akan digunakan dalam penyusunan kalender tanam.
Sehingga penelitian yang dilakukan diharapkan dapat membantu para petani di daerah
Kabupaten Boyolali memiliki kembali acuan pola tanam berupa kalender tanam yang
reliabilitas.
2.
Tinjauan Pustaka
Pada tahun 2009, dilakukan sebuah penelitian mengenai produksi kelapa sawit di PT.
Perkebunan Nusantara III untuk tahun 2010 dan tahun 2011 dengan menggunakan metode
pemulusan eksponensial ganda dari Brown untuk prediksi produksi kelapa sawit. Data yang
digunakan adalah hasil produksi kelapa sawit. Produksi kelapa sawit yang digunakan adalah
1
produksi dalam waktu tiga tahun yaitu tahun 2006 sampai dengan tahun 2008 [5]. Penelitian
lainnya dilakukan oleh Arista Wisnu Irawan pada tahun 2012 adalah menerapkan metode
prediksi Exponential Smoothing dalam perencanaan kalender tanam berdasarkan data Curah
Hujan dan modifikasi Pranata Mangsa [6]. Sedangkan perbedaan dengan penelitian yang
dilakukan adalah membahas tentang perancangan kalender tanam tahun 2013 di daerah Adi
Sumarmo, Kabupaten Boyolali berdasarkan data klimatologi / iklim (yang mencakup Curah
Hujan, Suhu Udara, dan Kelembaban Udara) dari tahun 2000 sampai tahun 2009 menggunakan
metode Forecasting Holt-Winters.
Penelitian yang dilakukan membahas tentang Interpolasi Polinomial Newton. Interpolasi
Polinomial Newton merupakan suatu metode yang dapat digunakan untuk mencari nilai di
antara data yang ada. Misalnya, jika pada data tersedia untuk tahun 2000 dan 2005, maka dapat
ditentukan data untuk tahun di antaranya. Bentuk persamaan polinomial yang lengkap
ditampilkan pada Persamaan 1 dengan beda terbagi tiga seperti yang ditampilkan pada Tabel 1
[7].
�
=�
�
0
1
2
3
+
−
0
− 0 � 1, 0 + −
− 1 … − −1 �
0
,
−
1
�
2, 1, 0
+
−1 , … , 1 , 0
(1)
Tabel 1 Beda Terbagi Newton [7]
�
0
1
2
3
�
=�
� 0
� 1
� 2
� 3
�
�
�
�
ST-1
1, 0
2, 1
3, 1
ST-2
�
�
2, 1, 0
3, 2, 1
ST-3
�
3, 2, 1, 0
Metode peramalan yang digunakan dalam penelitian ini adalah metode forecasting HoltWinters. Metode forecasting Holt-Winters merupakan turunan dari metode forecasting
Exponential Smoothing yang dapat meramalkan data dengan pola musiman dengan atau tanpa
trend. Prinsip metode forecasting Holt-Winters adalah metode yang menggunakan penghalusan
secara eksponensial sebagai ramalan dari kejadian di satu waktu yang akan datang, yaitu suatu
metode analisis statistika untuk membantu user menggambarkan keadaan iklim dan cuaca yang
selalu berubah-ubah berdasarkan data klimatologi di masa lampau. Metode forecasting HoltWinters menitikberatkan pada penurunan prioritas secara eksponensial pada objek pengamatan
yang lebih tua. Dengan kata lain, nilai terbaru akan diberikan prioritas lebih tinggi bagi prediksi
daripada nilai yang lebih lama. Penggunaan model Holt-Winters pada penelitian ini dianggap
cocok untuk meramalkan kebutuhan suatu produk berdasarkan data yang memiliki trend dan
perilaku musiman.
Ada tiga parameter yang perlu penetapan, bergantung dari komponen trend dan variasi
musiman [9] : 1) Alpha (α) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan. Parameter alpha digunakan pada semua model. Jika nilai
alpha 1, maka hanya pengamatan terbaru yang digunakan. Jika alpha bernilai 0, maka
pengamatan yang lalu dihitung sepadan dengan bobot yang terbaru. Parameter alpha digunakan
untuk model eksponensial sederhana dan model eksponensial Holt; 2) Beta ( ) merupakan
parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk
kemunculan trend seri. Parameter beta digunakan pada model yang memiliki komponen trend
linier atau eksponensial yang tidak memiliki variasi musiman. Nilai beta berkisar 0 sampai 1.
Jika nilai semakin besar, maka menunjukkan pemberian bobot yang semakin besar pada
pengamatan terbaru. Parameter beta digunakan di dalam model Holt-Winters; 3) Gamma ( )
merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru
dilakukan untuk kemunculan variasi musiman. Parameter gamma digunakan pada model yang
memiliki variasi musiman. Nilai gamma berkisar dari 0 sampai 1. Jika nilai gamma semakin
besar, maka menunjukkan pemberian bobot yang semakin besar pada pengamatan yang terbaru.
Parameter gamma digunakan untuk model Holt-Winters.
2
Pada penelitian ini model Exponential Smoothing yang digunakan adalah model HoltWinters yang menggunakan satu kali tahap pemulusan dengan satu parameter α yang merupakan
metode dengan data musiman. Besarnya α terletak di antara 0 dan 1. Persamaan 2 digunakan
untuk prediksi. Persamaan 2 adalah bentuk umum yang digunakan dalam penyusunan suatu
prediksi dengan metode Exponential Smoothing model Holt-Winters. Pada metode ini nilai α
terletak di antara 0 dan 1. St merupakan nilai prediksi Curah Hujan pada satu tahun yang akan
datang. St-1 adalah nilai prediksi Curah Hujan pada tahun sebelumnya. Xt-1 adalah nilai data
Curah Hujan asli pada tahun sebelumnya [10]. Fungsi prediksi pada model Holt‐Winters aditif
(untuk runtun waktu dengan panjang periode p) adalah [4]
ℎ
dengan
+ℎ =
,
+ℎ∗
+ [ −
dan [ ] didapat dari
=
=
−
=
−
−
+1+ ℎ−1
+ 1−
−
(
−1 + 1−
+ 1−
� ]
−1 +
[ − 1]
(2)
−1 )
[ − ]
Ketepatan prediksi dapat diuji dengan menggunakan Mean Square Error (MSE) atau nilai
tengah kesalahan kuadrat adalah metode alternatif untuk mengevaluasi teknik peramalan
masing-masing kesalahan (selisih data aktual terhadap data peramalan) dikuadratkan, kemudian
dijumlahkan dan dibagi dengan jumlah data. MSE dapat dihitung dengan Persamaan 3 [11].
�� =
2
=
=1
dimana : t
Et
n
Xt
Ft
:
:
:
:
:
−
(3)
periode ke-t
nilai kesalahan pada periode ke-t
total jumlah periode
nilai data asli periode ke-t
forecast untuk periode ke-t
Persamaan 3 adalah bentuk umum yang digunakan untuk menghitung kesalahan kuadrat
suatu prediksi. Semakin kecil (mendekati nilai 0) jumlah error yang dihasilkan maka prediksi
dinyatakan valid [12].
Penelitian yang dilakukan juga membahas tentang Standart Kesesuaian Lahan.
Kesesuaian lahan adalah tingkat kecocokan suatu bidang lahan untuk penggunaan tertentu.
Dalam menilai kesesuaian lahan ada beberapa cara, antara lain dengan perkalian parameter,
penjumlahan, atau menggunakan hukum minimum yaitu mencocokkan (matching) antara
kualitas lahan sebagai parameter dengan kriteria kelas kesesuaian lahan yang telah disusun
berdasarkan persyaratan penggunaan atau persyaratan tumbuh tanaman atau komoditas lainnya
yang dievaluasi [13]. Berdasarkan penilaian yang dilakukan didapatkan tabel Kesetaraan Iklim
yang merujuk pada penilaian kesesuaian lahan seperti ditampilkan pada Tabel 2.
Komoditas
Padi
Jagung
Ketela
Tabel 2 Tabel Kesetaraan Iklim [13]
Curah
Suhu
Kelembaban
Hujan
Udara
Udara
175 - 500
24 - 29
33 - 90
165 - 400
20 - 26
> 42
200 - 400
22 - 25
< 75
3
Data penelitian yang digunakan dalam penelitian ini, dijelaskan sebagai berikut. Data
Curah Hujan Boyolali Tahun 2000-2009 dipaparkan pada Tabel 3, Data Suhu Udara Boyolali
Tahun 2000-2009 dipaparkan pada Tabel 4, dan Data Kelembaban Udara Boyolali Tahun 20002009 dipaparkan pada Tabel 5.
Tabel 3 Data Curah Hujan Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
JAN
253
359
398
322
533
426
108
136
264
551
FEB
301
316
449
404
219
391
595
448
429.4
735
JAN
25.6
25.9
25.9
26.3
26.3
26.6
25.7
26.2
26.0
26.0
FEB
25.7
25.6
25.6
26.0
25.8
26.4
26.3
25.6
25.6
25.5
JAN
83
85
85
86
77
82
86
80
82
86
FEB
85
84
85
88
85
83
87
86
84
87
MRT
400
320
304
285
309
632
407
305
471
202
APR
206
208
284
75
114
579
464
452
198
230
MEI
85
100
46
96
86
84
462
67
42.6
265
JUN
29
78
8
30
11
165
266
22
0
184
JUL
21
14
7
0
108
292
2
0
0
0
AGS
8
0
0
14
0
0
0
0
0
0
SEP
71
44
0
31
0
236
0
0
0
0
OKT
128
190
15
50
79
235
4
42
0
39
NOV
210
240
245
210
558
482
1
194
298
246
DES
96
135
341
210
435
491
23
OKT
27.4
25.9
27.4
27.8
28.2
27.8
27.1
26.8
27.0
28.9
NOV
26.8
26.2
27.1
27.5
27.7
27.9
28.0
25.9
26.6
27.7
DES
26.9
25.9
26.2
26.6
26.5
25.6
26.1
25.6
26.6
27.6
NOV
81
85
81
75
78
74
71
82
82
75
DES
77
82
85
83
86
87
84
82
81
76
303
87
Tabel 4 Data Suhu Udara Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
MRT
25.8
25.7
25.9
27.0
26.3
26.8
26.5
26.2
25.9
26.9
APR
26.4
26.1
26.2
28.7
27.7
27.1
26.3
26.7
25.8
27.0
MEI
27.2
26.2
26.2
27.0
27.4
27.4
25.6
27.3
26.5
26.9
JUN
26.2
25.6
25.3
25.3
26.0
27.2
26.3
26.8
26.5
26.8
JUL
26.5
25.0
24.9
24.0
25.1
26.6
25.7
26.4
24.1
26.4
AGS
26.5
24.8
24.2
24.3
24.1
26.5
25.7
26.3
25.4
26.4
SEP
28.0
26.5
25.9
27.6
26.1
27.5
26.4
25.4
26.1
27.3
Tabel 5 Data Kelembaban Udara Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
3.
MRT
84
85
84
87
84
83
83
84
86
80
APR
82
83
84
81
78
81
83
85
85
80
MEI
77
81
81
80
77
78
81
79
74
81
JUN
74
82
80
80
75
78
65
76
71
77
JUL
70
81
80
78
81
75
70
71
81
67
AGS
67
77
75
76
76
70
70
68
78
68
SEP
69
76
71
67
74
69
64
72
77
69
OKT
74
83
70
71
68
74
68
74
81
68
Metode Penelitian
Penelitian ini dilakukan di Kabupaten Boyolali dengan acuan data klimatologi berupa data
Curah Hujan, Suhu Udara, dan Kelembaban Udara berdasarkan referensi dari Badan
Meteorologi, Klimatologi, dan Geofisika Stasiun Klimatologi Semarang. Berdasarkan data yang
diperoleh, dirancang sebuah sistem pola tanam dalam bentuk sebuah kalender tanam pertanian
pada komoditas Padi, Jagung, dan Ketela.
4
Gambar 1 Tahapan Penelitian
Tahapan penelitian pada Gambar 1, terbagi dalam lima tahapan yaitu : 1) Pengumpulan
Data Klimatologi, merupakan langkah awal pengumpulan data klimatologi dari BMKG
Semarang. Data-data yang dibutuhkan pada penelitian ini antara lain : data Curah Hujan, data
Suhu Udara, dan data Kelembaban Udara Boyolali pada tahun 2000-2009 [14]; 2) Interpolasi
Polinomial Newton, tahapan untuk mencari nilai data yang hilang dengan menggambil nilai data
di antara data yang hilang menggunakan Interpolasi Polinomial Newton dengan beda terbagi
tiga; 3) Peramalan (Holt-Winters), tahapan peramalan data klimatologi Boyolali untuk tahun
2010, 2011, 2012, dan tahun 2013. Data klimatologi Boyolali diolah menggunakan metode
prediksi Holt-Winters. Data melewati tiga proses yaitu : proses input menggunakan fungsi scan
data .dat, proses penghalusan menggunakan fungsi Holt-Winters, dan proses peramalan
menggunakan fungsi Prediction. Dimana ketiga proses ini dilakukan untuk 48 periode dengan
merujuk pada 48 bulan atau sama dengan empat tahun, sehingga menghasilkan nilai ramalan
tahun 2010, 2011, 2012, dan tahun 2013; 4) Pengujian Hasil Peramalan, tahapan pengujian dari
hasil peramalan menggunakan standar deviasi untuk melihat seberapa jauh simpangan setiap
data peramalan dari rata-rata; dan 5) Penyusunan Kalender Tanam, adalah tahapan penyusunan
kalender tanam. Dimana nilai ramalan tahun 2013 dibandingkan secara manual terhadap tabel
kesetaraan kalender tanam sehingga menghasilkan sebuah pola strategi tanam yang disebut
dengan kalender tanam. Tabel kesetaraan kalender tanam mengacu pada klasifikasi kesesuaian
lahan pertanian [13].
5
4.
Pembahasan dan Analisis
Pada bagian ini, dibahas dan dianalisis hasil penerapan metode forecasting Holt-Winters
pada data klimatologi Boyolali, serta perbandingan nilai prediksi terhadap tabel kesetaraan
kalender tanam untuk mengetahui pola tanam per komoditas per bulan selama 12 bulan di
Tahun 2013 untuk Kabupaten Boyolali. Pada Data Curah Hujan terlihat bahwa terdapat data
yang bernilai nol dan kosong. Data yang bernilai nol tidak sama dengan data yang kosong. Data
yang bernilai nol masih memiliki nilai yaitu nol, sedangkan data yang kosong dapat
diasumsikan bahwa data tidak ada atau tidak ada pengisian (human missing) dikarenakan tidak
dilakukannya pengukuran klimatologi lapangan. Pada kasus ini, bisa diasumsikan bahwa adanya
data kosong pada data Curah Hujan Boyolali bulan Desember tahun 2007 dinilai atas dasar
kelalaian dalam pengukuran klimatologi. Sehingga untuk data Curah Hujan Boyolali bulan
Desember tahun 2007 diberi nilai nol (0) sebagai nilai data yang baru.
Interpolasi Polinomial Newton digunakan untuk mencari nilai di antara data yang ada.
Pada kasus ini data Curah Hujan bulan Desember tahun 2007 hilang. Sehingga untuk
membangkitkan nilai pada data Curah Hujan bulan Desember tahun 2007 yang hilang, diambil
nilai data pada bulan Oktober 2007, November 2007, Januari 2008, dan Februari 2008. Nilai
data di antaranya dapat ditentukan dengan persamaan Interpolasi Polinomial Newton. Sehingga
data Curah Hujan bulan Desember tahun 2007 dapat diperoleh 226.84 ≈ 227.
�4
�4
= 20.58 3 − 183.06
= 226.84 ≈ 227
2
+ 557.12 − 352.64
Data Fix Curah Hujan Boyolali tahun 2000-2009 setelah dilakukan proses Interpolasi
Polinomial Newton dipaparkan seperti pada Tabel 6.
Tabel 6 Data Fix Curah Hujan Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
JAN
253
359
398
322
533
426
108
136
264
551
FEB
301
316
449
404
219
391
595
448
429.4
735
MRT
400
320
304
285
309
632
407
305
471
202
APR
206
208
284
75
114
579
464
452
198
230
MEI
85
100
46
96
86
84
462
67
42.6
265
JUN
29
78
8
30
11
165
266
22
0
184
JUL
21
14
7
0
108
292
2
0
0
0
AGS
8
0
0
14
0
0
0
0
0
0
SEP
71
44
0
31
0
236
0
0
0
0
OKT
128
190
15
50
79
235
4
42
0
39
NOV
210
240
245
210
558
482
1
194
298
246
DES
96
135
341
210
435
491
23
227
303
87
Data Curah Hujan Boyolali tahun 2000-2009 digambarkan ke dalam bentuk Grafik Curah
Hujan seperti ditampilkan pada Gambar 2.
Gambar 2 Grafik Curah Hujan Boyolali Tahun 2000-2009
6
Untuk mendapatkan hasil peramalan pada tahun 2013 dari ketersediaan data 2000-2009,
maka dilakukan peramalan selama 48 periode dengan merujuk pada 48 bulan atau sama dengan
empat tahun, yaitu : tahun 2010, 2011, 2012, dan tahun 2013.
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction Curah
Hujan Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada Gambar 3.
Gambar 3 Grafik Prediction Curah Hujan Boyolali Tahun 2010, 2011, 2012, dan 2013
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction Suhu
Udara Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada Gambar 4.
Gambar 4 Grafik Prediction Suhu Udara Boyolali Tahun 2010, 2011, 2012, dan 2013
7
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction
Kelembaban Udara Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada
Gambar 5.
Gambar 5 Grafik Prediction Kelembaban Udara Boyolali Tahun 2010, 2011, 2012, dan 2013
Nilai fit dari R Process yang dilakukan pada data klimatologi BMKG Semarang
menghasilkan peramalan klimatologi di Tahun 2013 seperti ditampilkan pada Tabel 7.
No
1
2
3
4
5
6
7
8
9
10
11
12
Tabel 7 Prediksi Klimatologi Boyolali Tahun 2013
Peramalan Klimatologi Boyolali tahun 2013
Bulan
Curah Hujan
Suhu Udara
Kelembaban Udara
Januari
346
28.1
74
Febuari
448
27.7
76
Maret
338
28.5
74
April
271
28.7
73
Mei
130
28.8
69
Juni
77
28.6
65
Juli
26
27.6
64
Agustus
-4
27.7
63
September
37
28.4
62
Oktober
83
29.6
63
November
270
29.0
68
Desember
218
28.6
71
Pengujian proses peramalan ini dilakukan untuk mendapatkan peramalan klimatologi di
tahun 2013 dengan alpha, beta, dan gamma terpilih dengan trial & error yang disesuaikan
dengan standar deviasi terkecil. Untuk Curah Hujan standar deviasi : 145.1229, untuk Suhu
Udara standar deviasi : 0.651034, dan untuk Curah Hujan standar deviasi : 5.134079. Tabel
parameter terpilih ditampilkan seperti pada Tabel 8.
8
Tabel 8 Parameter Klimatologi Boyolali Tahun 2013
Curah Hujan
0.1832593
0
0.1820199
alpha
beta
gamma
Suhu Udara
0.2712768
0.02851754
0.4151946
Kelembaban Udara
0.326593
0.03166622
0.4405462
Hasil peramalan klimatologi menggunakan metode forecasting Holt-Winters tahun 2013
kemudian dianalisis dan disusun secara manual sehingga dapat menghasilkan sebuah pola tanam
yang sesuai dengan standar kesetaraan iklim dan nantinya disebut dengan kalender tanam.
Standar kalender tanam sendiri disesuaikan berdasarkan klasifikasi kesesuaian lahan [13].
Beberapa tipe klasifikasi tanah yang sesuai untuk pertanian, diklasifikasikan ke dalam setiap
komoditas pertanian. Struktur klasifikasi kesesuaian lahan sebagai standar kalender tanam
ditampilkan pada Tabel 9.
Komoditas
Padi
Jagung
Ketela
Tabel 9 Kesetaraan Iklim [13]
Curah
Suhu
Kelembaban
Keputusan
Hujan
Udara
Udara
175 - 500
24 - 29
33 - 90
Diterima
< 175 atau > 500 < 24 atau > 29
< 33 atau > 90 Ditolak
165 - 400
20 - 26
> 42
Diterima
< 165 atau > 400 < 20 atau > 26
< 42
Ditolak
200 - 400
22 - 25
< 75
Diterima
< 200 atau > 400 < 22 atau > 25
> 75
Ditolak
Tahap penyusunan kalender tanam ini dibagi menjadi per komoditas yaitu : komoditas
Padi, komoditas Jagung, dan komoditas Ketela. Penyusunan kalender tanam dilakukan
berdasarkan perbandingan secara manual antara klasifikasi kesesuaian lahan dengan nilai
prediksi klimatologi Boyolali Tahun 2013. Hasil prediksi pada Tabel 8 akan disesuaikan dengan
Tabel 9 untuk menentukan strategi tanam dalam proses penyusunan kalender tanam. Dalam
penelitian ini ditentukan dengan aturan berikut :
Strategi Tanam apabila dua dari tiga parameter diterima
Strategi Bera apabila kurang dari dua parameter yang diterima.
Sebagai contoh pada komoditas padi untuk bulan Januari 2013, Curah Hujan diterima,
Suhu Udara diterima, Kelembaban Udara diterima. Karena ketiga parameter diterima sehingga
ditentukan untuk komoditas Padi pada bulan Januari tahun 2013 dengan strategi Tanam.
Kalender Tanam Komoditas Padi, Jagung, dan Ketela Boyolali Tahun 2013 dipaparkan
pada Tabel 10.
Tabel 10 Tabel Kalender Tanam Boyolali Tahun 2013
Bulan
Padi
Jagung
Ketela
Jan
Feb
Mrt Apr
tanam
tanam
tanam
Mei
Jun
Jul
Ags Sep
bera
bera
bera
Okt
Nov
Des
tanam
tanam
tanam
Berdasarkan pengujian atau observasi hasil penelitian “Perancangan Kalender Tanam
Berdasarkan Data Klimatologi Menggunakan Metode Prediksi Holt-Winters (Studi Kasus :
Boyolali)” yang dilakukan pada tanggal 15 Januari β01γ melalui Dinas Pertanian, Perkebunan,
dan Kehutanan Boyolali, didapatkan sebuah fakta bahwa kenyataan yang terjadi di lapangan
berbeda dengan hasil penelitian. Hal ini bisa terjadi dikarenakan ada pembagian wilayah dalam
sektor pertanian di kota Boyolali yang mana dibagi menjadi tiga wilayah, yaitu : 1) Wilayah
Utara, Pertanian Boyolali wilayah utara mencakup daerah : Juwangi, Wonosegoro, Kemusu,
Andong, Klego, dan Karanggede. Daerah ini merupakan daerah yang bisa dikatakan rawan
pertanian, dikarenakan sukarnya tanaman pertanian untuk bertahan hidup di daerah ini.
9
Kebanyakan para warga menggunakan lahan pertanian untuk menanam jenis tanaman untuk
perkebunan dan jenis pepohonan besar; 2) Wilayah Selatan, Pertanian Boyolali wilayah selatan
mencakup daerah : Ngemplak, Nogosari, Simo, Sambi, Bayudono, Sawit, dan Teras. Daerah ini
merupakan daerah subur pertanian, dikarenakan daerah ini memiliki iklim yang cocok untuk
pertanian dan dijadikan sebagai lumbung pertanian kota Boyolali. Dalam setahun saja dapat
terjadi tiga masa tanam untuk daerah tersebut ini; dan 3) Wilayah Lereng, Pertanian Boyolali
wilayah lereng mencakup daerah : Boyolali, Mojosongo, Musuk, Cepogo, Selo, dan Ampel.
Daerah ini merupakan daerah yang sukar untuk pertanian karena berada di dalam jalur deret
lereng gunung Merapi. Tanaman yang cocok dan sering digunakan warga untuk senjata
pertanian adalah tanaman jenis perkebunan.
Adanya pembagian wilayah pertanian Boyolali menjadi tiga, berdampak pada keakuratan
data mentah, karena data satu wilayah tidak dapat mewakili value dari satu Kabupaten Boyolali.
Data yang digunakan dalam penelitian ini merupakan data klimatologi dari BMKG Semarang
yang merupakan rata-rata secara global dari Kabupaten Boyolali. Sedangkan di Kabupaten
Boyolali sendiri terdapat tiga wilayah pertanian dengan tiga tipe klimatologi yang berbeda. Hal
tersebut mengakibatkan adanya perbedaan antara hasil penelitian dengan kondisi kenyataan di
lapangan pada saat dilakukan pengujian atau observasi lapangan. Sebagai contoh pada
komoditas Padi, pada hasil penelitian menghasilkan satu setengah kali masa tanam (enam
bulan). Sedangkan fakta yang didapatkan dari Dinas Pertanian Perkebunan dan Kehutanan
Boyolali bahwa kota boyolali memiliki antara dua kali sampai tiga kali masa tanam untuk
komoditas Padi.
5.
Simpulan
Berdasarkan hasil penelitian, dapat disimpulkan bahwa model forecasting Holt-Winters
dapat digunakan untuk meramalkan klimatologi yang akan terjadi di tahun 2013 guna
menunjang dalam penelitian “Perancangan Kalender Tanam Berdasarkan Data Klimatologi
Menggunakan Metode Prediksi Holt-Winters (Studi Kasus : Boyolali)” dengan menggunakan
data klimatologi tahun 2000 – 2009 dari BMKG Semarang. Hal ini dibuktikan dengan
dirancangnya sebuah pola tanam berupa kalender tanam menggunakan data Curah Hujan, Suhu
Udara, dan Kelembaban Udara pada komoditas pertanian Padi, Jagung, dan Ketela. Sebagai
saran pengembangan pada penelitian selanjutnya dapat ditambahkannya data sesuai dengan
ketiga data klimatologi yang ada di tiga wilayah pertanian Boyolali secara terpisah, guna
mendapatkan hasil penelitian yang lebih akurat dan lebih baik lagi.
6.
Daftar Pustaka
[1]
Balai Penelitian Agroklimat dan Hidrologi (BPAH), 2008, Kalender Tanam Tanaman
Pangan Pulau Jawa.
pustaka.litbang.deptan.go.id/publikasi/wr303082.pdf.
Diakses 4 November 2012.
Wiriadiwangsa, Dedik, 2005, Pranata Mangsa, masih penting untuk pertanian.
pustaka.litbang.deptan.go.id/bppi/lengkap/st090305-1.pdf.
Diakses pada 4 November 2012.
Badan Perencanaan Pembangunan Nasional (BAPPENAS), 2008, Provinsi jawa Tengah.
bappenas.go.id/get-file-server/node/8852/. Diakses pada 17 November 2012.
Suhartono, 2008, Analisis Data Statistik dengan R, Jurusan Statistika, Institut Teknologi
Sepuluh Nopember, Surabaya.
Susanti Endang P., 2009, Proyeksi Tingkat Produksi Ketersediaan Jagung Propinsi
Sumatra Utara.
http://www.repository.usu.ac.id/bitstream/123456789/14118/1/09E02364.pdf.
Diakses pada 4 november 2012.
[2]
[3]
[4]
[5]
10
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
Wisnu, Arista I., 2012, Perencanaan Kalender Tanam Berdasarkan Modifikasi Pranata
Mangsa dan Klimatologi Menggunakan Metode Prediksi Exponential Smoothing. Skripsi
Fakultas Teknologi Informasi Univesitas Kristen Satya wacana.
Munir, Rinaldi, 2003, Metode Numerik, Bandung.
Yusup, M., 2005, Penggunaan Metode Exponential Smoothing Dalam Prediksi Jumlah
Calon Mahasiswa Baru Tahun 2006 Di Jurusan Matematika FMIPA Unnes, Semarang.
Badria, 2008, Penggunaan Metode Exponential Smoothing untuk meramalkan Kebutuhan
Cengkeh di Pabrik Rokok Adi Bungsu.
http://elibrary.ub.ac.id/bitstream/123456789/24310/1/Penggunaan-metode-exponentialsmoothing-untuk-meramalkan-kebutuhan-cengkeh-di-Pabrik-Rokok-Adi-Bungsu.pdf.
Diakses pada 11 november 2012.
Subagyo, P., 1986, Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE.
Bahri S.T.M, Syaipul, 2009, Prediksi Produksi Jagung Kabupaten Simalungun pada
Tahun 2012.
repository.usu.ac.id/bitstream/123456789/14032/1/09E02354.pdf.
Diakses pada 24 oktober 2012.
Hendra, Riki, 2005, Peramalan Produk Dengan Menggunakan Metode Exponential
Smoothing.
http://elib.unikom.ac.id/files/disk1/30/jbptunikompp-gdl-s1-2005-rikihendra-1470-babii.doc.
Diakses pada 14 november 2012.
D. Djaenudin, Marwan H., Subajo H., A. Hidayat, 2003, Petunjuk Teknis Evaluasi Lahan
untuk Komoditas Pertanian, Badan Penelitian Tanah, Bogor.
Lutfiati, Evi, 2010, Badan Meteorologi, Klimatologi dan Geofisika, Stasiun Klimatologi
Semarang, Semarang.
11
Berdasarkan Data Klimatologi
Menggunakan Metode Forecasting Holt-Winters
(Studi Kasus : Boyolali)
Artikel Ilmiah
Peneliti :
Gabriel Alvin Pryanto (672006257)
Kristoko Dwi Hartomo, M.Kom.
M. A. Ineke Pakereng, M.Kom.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
April 2013
1.
Pendahuluan
Perubahan iklim merupakan rentetan kejadian alam yang secara global berdampak
terhadap pola kehidupan manusia di bumi. Pola kehidupan manusia memiliki tiga unsur dasar
yaitu : sandang, pangan, dan papan. Sumber bahan pangan mayoritas dihasilkan dari proses
produksi pertanian. Pada sektor pertanian, perubahan iklim memiliki pengaruh besar terhadap
perubahan pola tanam dan penurunan hasil produksi. Perubahan iklim secara langsung
mengakibatkan terjadinya pergeseran awal musim tanam [1]. Adanya perubahan iklim yang
ekstrim, baik kering (El-Nino) maupun basah (La-Nina) mengakibatkan kesalahan waktu masa
tanam. Hal ini membuat para petani Jawa khususnya di beberapa kabupaten sekitar wilayah
gunung Merapi dan Merbabu tidak dapat lagi menggunakan “Pranata Mangsa” dan ”Kertamasa”
sebagai pola strategi tanam [2]. Hal ini mengakibatkan kegagalan panen yang terjadi di sektor
pertanian di Kabupaten Boyolali. Berdasarkan data Dinas Kesbang Linmas Provinsi Jawa
Tengah, Kabupaten Boyolali mengalami kegagalan panen sebesar 613 ha pada tahun 2003, pada
tahun 2004 sebesar 715 ha. Pada tahun 2005 kegagalan panen sebesar 340 ha, pada tahun 2006
sebesar 175 ha dan sebesar 500 ha pada tahun 2007 [3].
Berdasarkan fakta-fakta tersebut, dapat diambil pemahaman bahwa perubahan iklim
secara langsung mempengaruhi sektor pertanian terutama di daerah yang memiliki lahan
pertanian ekstrim seperti di kabupaten Boyolali. Dampak dari perubahan iklim terhadap
produksi pertanian secara khusus meliputi dua hal, yaitu: hilangnya acuan masa tanam dalam
pertanian dan penurunan hasil produksi pertanian akibat terjadinya kegagalan panen. Bila hal ini
terjadi terus menerus, dapat menyebabkan kerugian pada sektor pertanian lokal dan secara
permanen akan mengancam ketahanan pangan nasional.
Metode forecasting merupakan sebuah metode yang digunakan untuk meramalkan suatu
waktu akan datang (future) dengan berdasarkan data masa lampau (past) dan masa sekarang
(present). Salah satu metode forecasting yang sering digunakan adalah metode forecasting HoltWinters. Metode forecasting Holt-Winters mampu meramalkan data dengan pola musiman
dengan atau tanpa trend. Untuk kasus di Kabupaten Boyolali ini, digunakan penerapan metode
forecasting Holt-Winters, yaitu dengan melihat grafik dan history dari sepuluh tahun (seratus
dua puluh periode) data klimatologi di Kabupaten Boyolali yang bersumber dari BMKG
Semarang. Metode forecasting Holt-Winters mampu memberikan gambaran mengenai iklim
dan cuaca di masa depan sehingga dapat memberikan informasi secara reliabilitas [4].
Penelitian yang dilakukan tentang Perancangan Kalender Tanam untuk komoditas Padi,
Jagung, dan Ketela Berdasarkan Data Klimatologi Menggunakan Metode Forecasting HoltWinters, yang mengambil Studi Kasus di Kabupaten Boyolali, diharapkan dapat menghasilkan
suatu pemodelan pengalenderan yang baru dengan menggunakan data history klimatologi
BMKG, sehingga para petani memiliki kembali acuan yang reliabilitas. Berdasarkan beberapa
fakta yang telah dijelaskan berikut, maka pada penelitian ini akan dipaparkan mengenai
bagaimana merancang kalender tanam untuk komoditas Padi, Jagung, dan Ketela berdasarkan
data klimatologi menggunakan metode forecasting Holt-Winters. Metode forecasting HoltWinters sendiri akan diterapkan dalam proses peramalan data klimatologi yang nantinya hasil
dari peramalan data klimatologi tersebut akan digunakan dalam penyusunan kalender tanam.
Sehingga penelitian yang dilakukan diharapkan dapat membantu para petani di daerah
Kabupaten Boyolali memiliki kembali acuan pola tanam berupa kalender tanam yang
reliabilitas.
2.
Tinjauan Pustaka
Pada tahun 2009, dilakukan sebuah penelitian mengenai produksi kelapa sawit di PT.
Perkebunan Nusantara III untuk tahun 2010 dan tahun 2011 dengan menggunakan metode
pemulusan eksponensial ganda dari Brown untuk prediksi produksi kelapa sawit. Data yang
digunakan adalah hasil produksi kelapa sawit. Produksi kelapa sawit yang digunakan adalah
1
produksi dalam waktu tiga tahun yaitu tahun 2006 sampai dengan tahun 2008 [5]. Penelitian
lainnya dilakukan oleh Arista Wisnu Irawan pada tahun 2012 adalah menerapkan metode
prediksi Exponential Smoothing dalam perencanaan kalender tanam berdasarkan data Curah
Hujan dan modifikasi Pranata Mangsa [6]. Sedangkan perbedaan dengan penelitian yang
dilakukan adalah membahas tentang perancangan kalender tanam tahun 2013 di daerah Adi
Sumarmo, Kabupaten Boyolali berdasarkan data klimatologi / iklim (yang mencakup Curah
Hujan, Suhu Udara, dan Kelembaban Udara) dari tahun 2000 sampai tahun 2009 menggunakan
metode Forecasting Holt-Winters.
Penelitian yang dilakukan membahas tentang Interpolasi Polinomial Newton. Interpolasi
Polinomial Newton merupakan suatu metode yang dapat digunakan untuk mencari nilai di
antara data yang ada. Misalnya, jika pada data tersedia untuk tahun 2000 dan 2005, maka dapat
ditentukan data untuk tahun di antaranya. Bentuk persamaan polinomial yang lengkap
ditampilkan pada Persamaan 1 dengan beda terbagi tiga seperti yang ditampilkan pada Tabel 1
[7].
�
=�
�
0
1
2
3
+
−
0
− 0 � 1, 0 + −
− 1 … − −1 �
0
,
−
1
�
2, 1, 0
+
−1 , … , 1 , 0
(1)
Tabel 1 Beda Terbagi Newton [7]
�
0
1
2
3
�
=�
� 0
� 1
� 2
� 3
�
�
�
�
ST-1
1, 0
2, 1
3, 1
ST-2
�
�
2, 1, 0
3, 2, 1
ST-3
�
3, 2, 1, 0
Metode peramalan yang digunakan dalam penelitian ini adalah metode forecasting HoltWinters. Metode forecasting Holt-Winters merupakan turunan dari metode forecasting
Exponential Smoothing yang dapat meramalkan data dengan pola musiman dengan atau tanpa
trend. Prinsip metode forecasting Holt-Winters adalah metode yang menggunakan penghalusan
secara eksponensial sebagai ramalan dari kejadian di satu waktu yang akan datang, yaitu suatu
metode analisis statistika untuk membantu user menggambarkan keadaan iklim dan cuaca yang
selalu berubah-ubah berdasarkan data klimatologi di masa lampau. Metode forecasting HoltWinters menitikberatkan pada penurunan prioritas secara eksponensial pada objek pengamatan
yang lebih tua. Dengan kata lain, nilai terbaru akan diberikan prioritas lebih tinggi bagi prediksi
daripada nilai yang lebih lama. Penggunaan model Holt-Winters pada penelitian ini dianggap
cocok untuk meramalkan kebutuhan suatu produk berdasarkan data yang memiliki trend dan
perilaku musiman.
Ada tiga parameter yang perlu penetapan, bergantung dari komponen trend dan variasi
musiman [9] : 1) Alpha (α) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan. Parameter alpha digunakan pada semua model. Jika nilai
alpha 1, maka hanya pengamatan terbaru yang digunakan. Jika alpha bernilai 0, maka
pengamatan yang lalu dihitung sepadan dengan bobot yang terbaru. Parameter alpha digunakan
untuk model eksponensial sederhana dan model eksponensial Holt; 2) Beta ( ) merupakan
parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk
kemunculan trend seri. Parameter beta digunakan pada model yang memiliki komponen trend
linier atau eksponensial yang tidak memiliki variasi musiman. Nilai beta berkisar 0 sampai 1.
Jika nilai semakin besar, maka menunjukkan pemberian bobot yang semakin besar pada
pengamatan terbaru. Parameter beta digunakan di dalam model Holt-Winters; 3) Gamma ( )
merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru
dilakukan untuk kemunculan variasi musiman. Parameter gamma digunakan pada model yang
memiliki variasi musiman. Nilai gamma berkisar dari 0 sampai 1. Jika nilai gamma semakin
besar, maka menunjukkan pemberian bobot yang semakin besar pada pengamatan yang terbaru.
Parameter gamma digunakan untuk model Holt-Winters.
2
Pada penelitian ini model Exponential Smoothing yang digunakan adalah model HoltWinters yang menggunakan satu kali tahap pemulusan dengan satu parameter α yang merupakan
metode dengan data musiman. Besarnya α terletak di antara 0 dan 1. Persamaan 2 digunakan
untuk prediksi. Persamaan 2 adalah bentuk umum yang digunakan dalam penyusunan suatu
prediksi dengan metode Exponential Smoothing model Holt-Winters. Pada metode ini nilai α
terletak di antara 0 dan 1. St merupakan nilai prediksi Curah Hujan pada satu tahun yang akan
datang. St-1 adalah nilai prediksi Curah Hujan pada tahun sebelumnya. Xt-1 adalah nilai data
Curah Hujan asli pada tahun sebelumnya [10]. Fungsi prediksi pada model Holt‐Winters aditif
(untuk runtun waktu dengan panjang periode p) adalah [4]
ℎ
dengan
+ℎ =
,
+ℎ∗
+ [ −
dan [ ] didapat dari
=
=
−
=
−
−
+1+ ℎ−1
+ 1−
−
(
−1 + 1−
+ 1−
� ]
−1 +
[ − 1]
(2)
−1 )
[ − ]
Ketepatan prediksi dapat diuji dengan menggunakan Mean Square Error (MSE) atau nilai
tengah kesalahan kuadrat adalah metode alternatif untuk mengevaluasi teknik peramalan
masing-masing kesalahan (selisih data aktual terhadap data peramalan) dikuadratkan, kemudian
dijumlahkan dan dibagi dengan jumlah data. MSE dapat dihitung dengan Persamaan 3 [11].
�� =
2
=
=1
dimana : t
Et
n
Xt
Ft
:
:
:
:
:
−
(3)
periode ke-t
nilai kesalahan pada periode ke-t
total jumlah periode
nilai data asli periode ke-t
forecast untuk periode ke-t
Persamaan 3 adalah bentuk umum yang digunakan untuk menghitung kesalahan kuadrat
suatu prediksi. Semakin kecil (mendekati nilai 0) jumlah error yang dihasilkan maka prediksi
dinyatakan valid [12].
Penelitian yang dilakukan juga membahas tentang Standart Kesesuaian Lahan.
Kesesuaian lahan adalah tingkat kecocokan suatu bidang lahan untuk penggunaan tertentu.
Dalam menilai kesesuaian lahan ada beberapa cara, antara lain dengan perkalian parameter,
penjumlahan, atau menggunakan hukum minimum yaitu mencocokkan (matching) antara
kualitas lahan sebagai parameter dengan kriteria kelas kesesuaian lahan yang telah disusun
berdasarkan persyaratan penggunaan atau persyaratan tumbuh tanaman atau komoditas lainnya
yang dievaluasi [13]. Berdasarkan penilaian yang dilakukan didapatkan tabel Kesetaraan Iklim
yang merujuk pada penilaian kesesuaian lahan seperti ditampilkan pada Tabel 2.
Komoditas
Padi
Jagung
Ketela
Tabel 2 Tabel Kesetaraan Iklim [13]
Curah
Suhu
Kelembaban
Hujan
Udara
Udara
175 - 500
24 - 29
33 - 90
165 - 400
20 - 26
> 42
200 - 400
22 - 25
< 75
3
Data penelitian yang digunakan dalam penelitian ini, dijelaskan sebagai berikut. Data
Curah Hujan Boyolali Tahun 2000-2009 dipaparkan pada Tabel 3, Data Suhu Udara Boyolali
Tahun 2000-2009 dipaparkan pada Tabel 4, dan Data Kelembaban Udara Boyolali Tahun 20002009 dipaparkan pada Tabel 5.
Tabel 3 Data Curah Hujan Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
JAN
253
359
398
322
533
426
108
136
264
551
FEB
301
316
449
404
219
391
595
448
429.4
735
JAN
25.6
25.9
25.9
26.3
26.3
26.6
25.7
26.2
26.0
26.0
FEB
25.7
25.6
25.6
26.0
25.8
26.4
26.3
25.6
25.6
25.5
JAN
83
85
85
86
77
82
86
80
82
86
FEB
85
84
85
88
85
83
87
86
84
87
MRT
400
320
304
285
309
632
407
305
471
202
APR
206
208
284
75
114
579
464
452
198
230
MEI
85
100
46
96
86
84
462
67
42.6
265
JUN
29
78
8
30
11
165
266
22
0
184
JUL
21
14
7
0
108
292
2
0
0
0
AGS
8
0
0
14
0
0
0
0
0
0
SEP
71
44
0
31
0
236
0
0
0
0
OKT
128
190
15
50
79
235
4
42
0
39
NOV
210
240
245
210
558
482
1
194
298
246
DES
96
135
341
210
435
491
23
OKT
27.4
25.9
27.4
27.8
28.2
27.8
27.1
26.8
27.0
28.9
NOV
26.8
26.2
27.1
27.5
27.7
27.9
28.0
25.9
26.6
27.7
DES
26.9
25.9
26.2
26.6
26.5
25.6
26.1
25.6
26.6
27.6
NOV
81
85
81
75
78
74
71
82
82
75
DES
77
82
85
83
86
87
84
82
81
76
303
87
Tabel 4 Data Suhu Udara Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
MRT
25.8
25.7
25.9
27.0
26.3
26.8
26.5
26.2
25.9
26.9
APR
26.4
26.1
26.2
28.7
27.7
27.1
26.3
26.7
25.8
27.0
MEI
27.2
26.2
26.2
27.0
27.4
27.4
25.6
27.3
26.5
26.9
JUN
26.2
25.6
25.3
25.3
26.0
27.2
26.3
26.8
26.5
26.8
JUL
26.5
25.0
24.9
24.0
25.1
26.6
25.7
26.4
24.1
26.4
AGS
26.5
24.8
24.2
24.3
24.1
26.5
25.7
26.3
25.4
26.4
SEP
28.0
26.5
25.9
27.6
26.1
27.5
26.4
25.4
26.1
27.3
Tabel 5 Data Kelembaban Udara Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
3.
MRT
84
85
84
87
84
83
83
84
86
80
APR
82
83
84
81
78
81
83
85
85
80
MEI
77
81
81
80
77
78
81
79
74
81
JUN
74
82
80
80
75
78
65
76
71
77
JUL
70
81
80
78
81
75
70
71
81
67
AGS
67
77
75
76
76
70
70
68
78
68
SEP
69
76
71
67
74
69
64
72
77
69
OKT
74
83
70
71
68
74
68
74
81
68
Metode Penelitian
Penelitian ini dilakukan di Kabupaten Boyolali dengan acuan data klimatologi berupa data
Curah Hujan, Suhu Udara, dan Kelembaban Udara berdasarkan referensi dari Badan
Meteorologi, Klimatologi, dan Geofisika Stasiun Klimatologi Semarang. Berdasarkan data yang
diperoleh, dirancang sebuah sistem pola tanam dalam bentuk sebuah kalender tanam pertanian
pada komoditas Padi, Jagung, dan Ketela.
4
Gambar 1 Tahapan Penelitian
Tahapan penelitian pada Gambar 1, terbagi dalam lima tahapan yaitu : 1) Pengumpulan
Data Klimatologi, merupakan langkah awal pengumpulan data klimatologi dari BMKG
Semarang. Data-data yang dibutuhkan pada penelitian ini antara lain : data Curah Hujan, data
Suhu Udara, dan data Kelembaban Udara Boyolali pada tahun 2000-2009 [14]; 2) Interpolasi
Polinomial Newton, tahapan untuk mencari nilai data yang hilang dengan menggambil nilai data
di antara data yang hilang menggunakan Interpolasi Polinomial Newton dengan beda terbagi
tiga; 3) Peramalan (Holt-Winters), tahapan peramalan data klimatologi Boyolali untuk tahun
2010, 2011, 2012, dan tahun 2013. Data klimatologi Boyolali diolah menggunakan metode
prediksi Holt-Winters. Data melewati tiga proses yaitu : proses input menggunakan fungsi scan
data .dat, proses penghalusan menggunakan fungsi Holt-Winters, dan proses peramalan
menggunakan fungsi Prediction. Dimana ketiga proses ini dilakukan untuk 48 periode dengan
merujuk pada 48 bulan atau sama dengan empat tahun, sehingga menghasilkan nilai ramalan
tahun 2010, 2011, 2012, dan tahun 2013; 4) Pengujian Hasil Peramalan, tahapan pengujian dari
hasil peramalan menggunakan standar deviasi untuk melihat seberapa jauh simpangan setiap
data peramalan dari rata-rata; dan 5) Penyusunan Kalender Tanam, adalah tahapan penyusunan
kalender tanam. Dimana nilai ramalan tahun 2013 dibandingkan secara manual terhadap tabel
kesetaraan kalender tanam sehingga menghasilkan sebuah pola strategi tanam yang disebut
dengan kalender tanam. Tabel kesetaraan kalender tanam mengacu pada klasifikasi kesesuaian
lahan pertanian [13].
5
4.
Pembahasan dan Analisis
Pada bagian ini, dibahas dan dianalisis hasil penerapan metode forecasting Holt-Winters
pada data klimatologi Boyolali, serta perbandingan nilai prediksi terhadap tabel kesetaraan
kalender tanam untuk mengetahui pola tanam per komoditas per bulan selama 12 bulan di
Tahun 2013 untuk Kabupaten Boyolali. Pada Data Curah Hujan terlihat bahwa terdapat data
yang bernilai nol dan kosong. Data yang bernilai nol tidak sama dengan data yang kosong. Data
yang bernilai nol masih memiliki nilai yaitu nol, sedangkan data yang kosong dapat
diasumsikan bahwa data tidak ada atau tidak ada pengisian (human missing) dikarenakan tidak
dilakukannya pengukuran klimatologi lapangan. Pada kasus ini, bisa diasumsikan bahwa adanya
data kosong pada data Curah Hujan Boyolali bulan Desember tahun 2007 dinilai atas dasar
kelalaian dalam pengukuran klimatologi. Sehingga untuk data Curah Hujan Boyolali bulan
Desember tahun 2007 diberi nilai nol (0) sebagai nilai data yang baru.
Interpolasi Polinomial Newton digunakan untuk mencari nilai di antara data yang ada.
Pada kasus ini data Curah Hujan bulan Desember tahun 2007 hilang. Sehingga untuk
membangkitkan nilai pada data Curah Hujan bulan Desember tahun 2007 yang hilang, diambil
nilai data pada bulan Oktober 2007, November 2007, Januari 2008, dan Februari 2008. Nilai
data di antaranya dapat ditentukan dengan persamaan Interpolasi Polinomial Newton. Sehingga
data Curah Hujan bulan Desember tahun 2007 dapat diperoleh 226.84 ≈ 227.
�4
�4
= 20.58 3 − 183.06
= 226.84 ≈ 227
2
+ 557.12 − 352.64
Data Fix Curah Hujan Boyolali tahun 2000-2009 setelah dilakukan proses Interpolasi
Polinomial Newton dipaparkan seperti pada Tabel 6.
Tabel 6 Data Fix Curah Hujan Boyolali Tahun 2000-2009
THN
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
JAN
253
359
398
322
533
426
108
136
264
551
FEB
301
316
449
404
219
391
595
448
429.4
735
MRT
400
320
304
285
309
632
407
305
471
202
APR
206
208
284
75
114
579
464
452
198
230
MEI
85
100
46
96
86
84
462
67
42.6
265
JUN
29
78
8
30
11
165
266
22
0
184
JUL
21
14
7
0
108
292
2
0
0
0
AGS
8
0
0
14
0
0
0
0
0
0
SEP
71
44
0
31
0
236
0
0
0
0
OKT
128
190
15
50
79
235
4
42
0
39
NOV
210
240
245
210
558
482
1
194
298
246
DES
96
135
341
210
435
491
23
227
303
87
Data Curah Hujan Boyolali tahun 2000-2009 digambarkan ke dalam bentuk Grafik Curah
Hujan seperti ditampilkan pada Gambar 2.
Gambar 2 Grafik Curah Hujan Boyolali Tahun 2000-2009
6
Untuk mendapatkan hasil peramalan pada tahun 2013 dari ketersediaan data 2000-2009,
maka dilakukan peramalan selama 48 periode dengan merujuk pada 48 bulan atau sama dengan
empat tahun, yaitu : tahun 2010, 2011, 2012, dan tahun 2013.
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction Curah
Hujan Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada Gambar 3.
Gambar 3 Grafik Prediction Curah Hujan Boyolali Tahun 2010, 2011, 2012, dan 2013
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction Suhu
Udara Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada Gambar 4.
Gambar 4 Grafik Prediction Suhu Udara Boyolali Tahun 2010, 2011, 2012, dan 2013
7
Grafik Prediction memperlihatkan ada dua garis biru dan satu garis merah. Garis biru
menggambarkan batas atas dan bawah dari prediksi, sedangkan garis merah adalah nilai
tengahnya. Garis biru atas mewakili nilai upper (upr) , garis merah mewakili nilai fit (fit), dan
garis biru bawah mewakili nilai lower (lwr). Nilai upper (upr) dan nilai lower (lwr) merupakan
batas simpangan kesalahan maximum pada permalan yang dilakukan. Grafik Prediction
Kelembaban Udara Boyolali tahun 2010, 2011, 2012, dan tahun 2013 ditampilkan seperti pada
Gambar 5.
Gambar 5 Grafik Prediction Kelembaban Udara Boyolali Tahun 2010, 2011, 2012, dan 2013
Nilai fit dari R Process yang dilakukan pada data klimatologi BMKG Semarang
menghasilkan peramalan klimatologi di Tahun 2013 seperti ditampilkan pada Tabel 7.
No
1
2
3
4
5
6
7
8
9
10
11
12
Tabel 7 Prediksi Klimatologi Boyolali Tahun 2013
Peramalan Klimatologi Boyolali tahun 2013
Bulan
Curah Hujan
Suhu Udara
Kelembaban Udara
Januari
346
28.1
74
Febuari
448
27.7
76
Maret
338
28.5
74
April
271
28.7
73
Mei
130
28.8
69
Juni
77
28.6
65
Juli
26
27.6
64
Agustus
-4
27.7
63
September
37
28.4
62
Oktober
83
29.6
63
November
270
29.0
68
Desember
218
28.6
71
Pengujian proses peramalan ini dilakukan untuk mendapatkan peramalan klimatologi di
tahun 2013 dengan alpha, beta, dan gamma terpilih dengan trial & error yang disesuaikan
dengan standar deviasi terkecil. Untuk Curah Hujan standar deviasi : 145.1229, untuk Suhu
Udara standar deviasi : 0.651034, dan untuk Curah Hujan standar deviasi : 5.134079. Tabel
parameter terpilih ditampilkan seperti pada Tabel 8.
8
Tabel 8 Parameter Klimatologi Boyolali Tahun 2013
Curah Hujan
0.1832593
0
0.1820199
alpha
beta
gamma
Suhu Udara
0.2712768
0.02851754
0.4151946
Kelembaban Udara
0.326593
0.03166622
0.4405462
Hasil peramalan klimatologi menggunakan metode forecasting Holt-Winters tahun 2013
kemudian dianalisis dan disusun secara manual sehingga dapat menghasilkan sebuah pola tanam
yang sesuai dengan standar kesetaraan iklim dan nantinya disebut dengan kalender tanam.
Standar kalender tanam sendiri disesuaikan berdasarkan klasifikasi kesesuaian lahan [13].
Beberapa tipe klasifikasi tanah yang sesuai untuk pertanian, diklasifikasikan ke dalam setiap
komoditas pertanian. Struktur klasifikasi kesesuaian lahan sebagai standar kalender tanam
ditampilkan pada Tabel 9.
Komoditas
Padi
Jagung
Ketela
Tabel 9 Kesetaraan Iklim [13]
Curah
Suhu
Kelembaban
Keputusan
Hujan
Udara
Udara
175 - 500
24 - 29
33 - 90
Diterima
< 175 atau > 500 < 24 atau > 29
< 33 atau > 90 Ditolak
165 - 400
20 - 26
> 42
Diterima
< 165 atau > 400 < 20 atau > 26
< 42
Ditolak
200 - 400
22 - 25
< 75
Diterima
< 200 atau > 400 < 22 atau > 25
> 75
Ditolak
Tahap penyusunan kalender tanam ini dibagi menjadi per komoditas yaitu : komoditas
Padi, komoditas Jagung, dan komoditas Ketela. Penyusunan kalender tanam dilakukan
berdasarkan perbandingan secara manual antara klasifikasi kesesuaian lahan dengan nilai
prediksi klimatologi Boyolali Tahun 2013. Hasil prediksi pada Tabel 8 akan disesuaikan dengan
Tabel 9 untuk menentukan strategi tanam dalam proses penyusunan kalender tanam. Dalam
penelitian ini ditentukan dengan aturan berikut :
Strategi Tanam apabila dua dari tiga parameter diterima
Strategi Bera apabila kurang dari dua parameter yang diterima.
Sebagai contoh pada komoditas padi untuk bulan Januari 2013, Curah Hujan diterima,
Suhu Udara diterima, Kelembaban Udara diterima. Karena ketiga parameter diterima sehingga
ditentukan untuk komoditas Padi pada bulan Januari tahun 2013 dengan strategi Tanam.
Kalender Tanam Komoditas Padi, Jagung, dan Ketela Boyolali Tahun 2013 dipaparkan
pada Tabel 10.
Tabel 10 Tabel Kalender Tanam Boyolali Tahun 2013
Bulan
Padi
Jagung
Ketela
Jan
Feb
Mrt Apr
tanam
tanam
tanam
Mei
Jun
Jul
Ags Sep
bera
bera
bera
Okt
Nov
Des
tanam
tanam
tanam
Berdasarkan pengujian atau observasi hasil penelitian “Perancangan Kalender Tanam
Berdasarkan Data Klimatologi Menggunakan Metode Prediksi Holt-Winters (Studi Kasus :
Boyolali)” yang dilakukan pada tanggal 15 Januari β01γ melalui Dinas Pertanian, Perkebunan,
dan Kehutanan Boyolali, didapatkan sebuah fakta bahwa kenyataan yang terjadi di lapangan
berbeda dengan hasil penelitian. Hal ini bisa terjadi dikarenakan ada pembagian wilayah dalam
sektor pertanian di kota Boyolali yang mana dibagi menjadi tiga wilayah, yaitu : 1) Wilayah
Utara, Pertanian Boyolali wilayah utara mencakup daerah : Juwangi, Wonosegoro, Kemusu,
Andong, Klego, dan Karanggede. Daerah ini merupakan daerah yang bisa dikatakan rawan
pertanian, dikarenakan sukarnya tanaman pertanian untuk bertahan hidup di daerah ini.
9
Kebanyakan para warga menggunakan lahan pertanian untuk menanam jenis tanaman untuk
perkebunan dan jenis pepohonan besar; 2) Wilayah Selatan, Pertanian Boyolali wilayah selatan
mencakup daerah : Ngemplak, Nogosari, Simo, Sambi, Bayudono, Sawit, dan Teras. Daerah ini
merupakan daerah subur pertanian, dikarenakan daerah ini memiliki iklim yang cocok untuk
pertanian dan dijadikan sebagai lumbung pertanian kota Boyolali. Dalam setahun saja dapat
terjadi tiga masa tanam untuk daerah tersebut ini; dan 3) Wilayah Lereng, Pertanian Boyolali
wilayah lereng mencakup daerah : Boyolali, Mojosongo, Musuk, Cepogo, Selo, dan Ampel.
Daerah ini merupakan daerah yang sukar untuk pertanian karena berada di dalam jalur deret
lereng gunung Merapi. Tanaman yang cocok dan sering digunakan warga untuk senjata
pertanian adalah tanaman jenis perkebunan.
Adanya pembagian wilayah pertanian Boyolali menjadi tiga, berdampak pada keakuratan
data mentah, karena data satu wilayah tidak dapat mewakili value dari satu Kabupaten Boyolali.
Data yang digunakan dalam penelitian ini merupakan data klimatologi dari BMKG Semarang
yang merupakan rata-rata secara global dari Kabupaten Boyolali. Sedangkan di Kabupaten
Boyolali sendiri terdapat tiga wilayah pertanian dengan tiga tipe klimatologi yang berbeda. Hal
tersebut mengakibatkan adanya perbedaan antara hasil penelitian dengan kondisi kenyataan di
lapangan pada saat dilakukan pengujian atau observasi lapangan. Sebagai contoh pada
komoditas Padi, pada hasil penelitian menghasilkan satu setengah kali masa tanam (enam
bulan). Sedangkan fakta yang didapatkan dari Dinas Pertanian Perkebunan dan Kehutanan
Boyolali bahwa kota boyolali memiliki antara dua kali sampai tiga kali masa tanam untuk
komoditas Padi.
5.
Simpulan
Berdasarkan hasil penelitian, dapat disimpulkan bahwa model forecasting Holt-Winters
dapat digunakan untuk meramalkan klimatologi yang akan terjadi di tahun 2013 guna
menunjang dalam penelitian “Perancangan Kalender Tanam Berdasarkan Data Klimatologi
Menggunakan Metode Prediksi Holt-Winters (Studi Kasus : Boyolali)” dengan menggunakan
data klimatologi tahun 2000 – 2009 dari BMKG Semarang. Hal ini dibuktikan dengan
dirancangnya sebuah pola tanam berupa kalender tanam menggunakan data Curah Hujan, Suhu
Udara, dan Kelembaban Udara pada komoditas pertanian Padi, Jagung, dan Ketela. Sebagai
saran pengembangan pada penelitian selanjutnya dapat ditambahkannya data sesuai dengan
ketiga data klimatologi yang ada di tiga wilayah pertanian Boyolali secara terpisah, guna
mendapatkan hasil penelitian yang lebih akurat dan lebih baik lagi.
6.
Daftar Pustaka
[1]
Balai Penelitian Agroklimat dan Hidrologi (BPAH), 2008, Kalender Tanam Tanaman
Pangan Pulau Jawa.
pustaka.litbang.deptan.go.id/publikasi/wr303082.pdf.
Diakses 4 November 2012.
Wiriadiwangsa, Dedik, 2005, Pranata Mangsa, masih penting untuk pertanian.
pustaka.litbang.deptan.go.id/bppi/lengkap/st090305-1.pdf.
Diakses pada 4 November 2012.
Badan Perencanaan Pembangunan Nasional (BAPPENAS), 2008, Provinsi jawa Tengah.
bappenas.go.id/get-file-server/node/8852/. Diakses pada 17 November 2012.
Suhartono, 2008, Analisis Data Statistik dengan R, Jurusan Statistika, Institut Teknologi
Sepuluh Nopember, Surabaya.
Susanti Endang P., 2009, Proyeksi Tingkat Produksi Ketersediaan Jagung Propinsi
Sumatra Utara.
http://www.repository.usu.ac.id/bitstream/123456789/14118/1/09E02364.pdf.
Diakses pada 4 november 2012.
[2]
[3]
[4]
[5]
10
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
Wisnu, Arista I., 2012, Perencanaan Kalender Tanam Berdasarkan Modifikasi Pranata
Mangsa dan Klimatologi Menggunakan Metode Prediksi Exponential Smoothing. Skripsi
Fakultas Teknologi Informasi Univesitas Kristen Satya wacana.
Munir, Rinaldi, 2003, Metode Numerik, Bandung.
Yusup, M., 2005, Penggunaan Metode Exponential Smoothing Dalam Prediksi Jumlah
Calon Mahasiswa Baru Tahun 2006 Di Jurusan Matematika FMIPA Unnes, Semarang.
Badria, 2008, Penggunaan Metode Exponential Smoothing untuk meramalkan Kebutuhan
Cengkeh di Pabrik Rokok Adi Bungsu.
http://elibrary.ub.ac.id/bitstream/123456789/24310/1/Penggunaan-metode-exponentialsmoothing-untuk-meramalkan-kebutuhan-cengkeh-di-Pabrik-Rokok-Adi-Bungsu.pdf.
Diakses pada 11 november 2012.
Subagyo, P., 1986, Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE.
Bahri S.T.M, Syaipul, 2009, Prediksi Produksi Jagung Kabupaten Simalungun pada
Tahun 2012.
repository.usu.ac.id/bitstream/123456789/14032/1/09E02354.pdf.
Diakses pada 24 oktober 2012.
Hendra, Riki, 2005, Peramalan Produk Dengan Menggunakan Metode Exponential
Smoothing.
http://elib.unikom.ac.id/files/disk1/30/jbptunikompp-gdl-s1-2005-rikihendra-1470-babii.doc.
Diakses pada 14 november 2012.
D. Djaenudin, Marwan H., Subajo H., A. Hidayat, 2003, Petunjuk Teknis Evaluasi Lahan
untuk Komoditas Pertanian, Badan Penelitian Tanah, Bogor.
Lutfiati, Evi, 2010, Badan Meteorologi, Klimatologi dan Geofisika, Stasiun Klimatologi
Semarang, Semarang.
11