Institutional Repository | Satya Wacana Christian University: Pemodelan Prediksi Curah Hujan Menggunakan Metode Holt-Winters Sebagai Faktor Dominan Dalam Penentuan Pola Cocok Tanam: studi kasus Kabupaten Boyolali

Pemodelan Prediksi Curah Hujan
Menggunakan Metode Holt-Winters Sebagai Faktor Dominan
Dalam Penentuan Pola Cocok Tanam
(Studi Kasus : Kabupaten Boyolali)

Artikel Ilmiah

Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer

Oleh :
Vigor Wayan Sukma
NIM : 672007704

Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Juli 2015

1

2

3

4

5

Pemodelan Pola Cocok Tanam Baru Berdasarkan Curah Hujan
Menggunakan Metode Holt-Winters
(Studi Kasus : Kabupaten Boyolali)
1)

Vigor Wayan Sukma, 2) Kristoko D. Hartomo, 3) Suprihadi

Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1) vigorsukma86@gmail.com, 2) kristoko@gmail.com 3) suprihadi@staff.uksw.edu

Abstarct
Crops and rice become the main commodities in raising the regional income
of Boyolali distric. The displacement of seasons has given a significant effect to
the planting pattern. This displacement also has impacted the level of crops
productivity in Boyolali distric. The writer hopes by using Forecasting HoltWinters, the farmer will be able to predict the season pattern accurately. On the
other hand Forecasting Holt Winters will also help the goverment anf the farmer
to cultivicate their field in order to reduce the corp failure. Holt-Winters can be
use to predict rain fall with accuration error 0.808, result of prediction rain fall
use to make new cropping calendar in Boyolali distric.
Keywords : Forecasting, Holt Winters, Season
Abstrak
Kabupaten Boyolali sangat mengandalkan sektor pertanian sebagai komoditi
utama baik berupa padi maupun palawija, untuk menunjang pendapatan asli
daerah. Seiring terjadinya pergeseran musim baik musim penghujan maupun
kemarau hal ini sangat mempengaruhi pola cocok tanam dimana hal ini sangat
berdampak pada tingkat produktifitas tanaman pangan di Kabupaten Boyolali.
Diharapkan dengan menggunakan metode Forecasting Holt-Winters penulis dapat
memprediksi pola musim dengan tingkat keakuratan yang tinggi, sehingga dapat

membantu pemerintah maupun petani didalam mengolah lahan mereka sehingga
dapat mengurangi resiko terjadinya gagal panen. Holt-Winters dapat digunakan
untuk memprediksi curah hujan dengan tingkat akurasi error 0.808, hasil prediksi
curah hujan tersebut digunakan untuk membuat kalender pola tanam baru.
Kata Kunci : Sistem peramalan, Holt Winters, Musim

6

1.

Pendahuluan

Kabupaten Boyolali merupakan salah satu kabupaten yang memiliki lahan
pertanian yang cukup luas sehingga salah satu sumbangan terhadap Produk
Domestik Regional Bruto. Kabupaten Boyolali yang dominan adalah sektor
pertanian 36%. Kondisi iklim, cuaca dan curah hujan seringkali mempengaruhi
kerberhasilan maupun kegagalan dalam usaha pertanian. Dampak konkrit
pengaruh cuaca maupun curah hujan terhadap produksi pertanian khususnya
tanaman pangan meliputi dua hal, pertama, kegagalan panen akibat kekeringan
atau banjir. Dan kedua penurunan produksi pertanian akibat penyimpangan cuaca

atau curah hujan yang mempengaruhi periode tanam tanaman pertanian. Jika hal
ini terjadi secara terus menerus dapat menganggu produksi tanaman pangan di
Kabupaten Boyolali [1].
Dalam penentuan pola tanam biasanya petani bergantung pada musim atau
curah hujan, pada curah hujan tinggi atau musim penghujan petani menggunakan
lahannya untuk bercocok tanam padi. Sedangkan pada musim kemarau dengan
curah hujan rendah petani menggunakan lahannya untuk bercocok tanam tanaman
palawija yang tidak membutuhkan air banyak. Berdasarkan sumber dari Dinas
Pertanian Perkebunan dan Kehutanan Kabupaten Boyolali, sekarang sangatlah
sulit menggantungkan metode pola tanam berdasarkan metode tahun tahun dulu,
dikarenakan perubahan iklim atau curah hujan yang menggalami pergeseran baik
dikarenakan dampak dari El nino maupun perubahan iklim secara global.
Berdasarkan uraian latar belakang tersebut, maka muncullah keinginan
untuk membuat sebuah sistem penentu pola tanam baru. Saat ini telah
berkembang teknologi informasi berupa metode peramalan cuaca menggunakan
metode Triple Exponential Smoothing atau Holt-Winters, yaitu prosedur
perbaikan secara terus menerus pada peramalan terhadap objek pengamatan
terbaru,metode ini menitik beratkan pada penurunan prioritas secara exponential
pada objek pengamatan yang lebih tua. Dengan kata lain observasi terbaru akan
diprioritaskan lebih tinggi bagi peramalan daripada observasi yang lebih lama.

Dengan metode ini dapat memberikan informasi dengan tingkat keakuratan
tinggi dan dapat membantu Petugas Penyuluh Lapangan dan para petani moderen
didalam menentukan pola cocok tanam baru. Hal ini akan mempengaruhi resiko
kegagalan tingkat produktifitas usaha tani, meningkatan produksi dan
ketersediaan pangan lokal serta meningkatkan pendapatan asli daerah.

2.

Tinjauan Pustaka

Sistem informasi pola tanam pada suatu daerah dengan menggabungkan
data klimatologi, data koordinat dan ketinggian wilayah pada citra landsat
menggunakan data raster dan diolah dengan metode LVQ (Learning Vector
Quantization) [2]. Penyediaan fasilitas diseminasi pembelajaran mandiri terhadap
kelompok penyuluh pertanian lapangan (PPL) untuk penataan pola tanam

7

komoditas pertanian menggunakan perangkat Pranata Mangsa Baru yang disusun
dengan pendekatan agrometeorologi [3].

Variasi curah hujan bulanan rata-rata sangat penting dalam menentukan pola
musim tanam terutama kemungkinan musim tanam kedua dengan sistem tadah
hujan. Menurut Agro-climatic criteria dan classification Oldeman, paling sedikit
dibutuhkan 7 bulan basah (curah hujan lebih dari 200 mm/bulan) untuk dapat
menanam padi dua kali setahun (Hidrotopografi lahan kategori A dan B).
Berdasarkan klasifikasi dimaksud, sebagian besar daerah rawa pasang surut di
Indonesia berpeluang ditanami padi dua kali setahun [4].
Indonesia merupakan negara yang berada diantara dua benua dan dua
samudera. Posisi ini mengakibatkan Indonesia sebagai daerah pertemuan
sirkulasi meridional (Utara-Selatan) dikenal sebagai Sirkulasi Hadley dan
sirkulasi zonal (Timur-Barat) dikenal sebagai Sirkulasi Walker. Posisi Indonesia
berada pada posisi semu matahari perpindah dari 23.5o Lintang Utara ke 23.5 o
Lintang Selatan sepanjang tahun. Faktor lain adalah topografi yang beragam
menyebabkan sistem golakan lokal cukup dominan dalam iklim di Indonesia.
Serta aktivitas siklon tropis yang berlangsung sepanjang tahun. Secara
klimatologis pola iklim di Indonesia dapat dibagi menjadi tiga yaitu pola
moonson, pola ekuatorial dan pola lokal. Pola Moonson dicirikan oleh bentuk
pola hujan yang bersifat unimodal (satu puncak musim hujan). Selama tiga bulan
curah hujan relatif tinggi biasa disebut musim hujan, yakni Desember, Januari dan
Februari dan tiga bulan curah hujan rendah bisa disebut musim kemarau periode

Juni, Juli dan Agustus, sementara enam bulan sisanya merupakan periode
peralihan (tiga bulan peralihan kemarau ke hujan, dan tiga bulan peralihan hujan
ke kemarau). Pola ekuatorial dicirikan oleh pola hujan dengan bentuk bimodal
(dua puncak hujan) yang biasanya terjadi sekitar bulan Maret dan Oktober yaitu
pada saat matahari berada dekat ekuator. Pola lokal dicirikan oleh bentuk pola
hujan unimodal (satu puncak hujan) tapi bentuknya berlawanan dengan pola hujan
pada tipe moonson [5]. Kabupaten Boyolali merupakan salah satu dari Kabupaten
di Provinsi Jawa Tengah, yang terletak antara 110o22 -110o50 Bujur Timur dan
7o7 -7o36 Lintang Selatan, dengan ketinggian antara 75-1500 meter diatas
permukaan laut. Luas wilayahnya yaitu 1.015,07 Km2. wilayah ini terbagi atas 19
Kecamatan, 261 Desa [6].
Istilah pemodelan adalah terjemahan bebas dari istilah "modelling". Untuk
menghindari berbagai pengertian atau penafsiran yang berbeda-beda, maka istilah
"pemodelan" dapat diartikan sebagai suatu rangkaian aktivitas pembuatan model,
Model adalah suatu representasi atau formalisasi dalam bahasa tertentu dari
suatu sistem nyata. Pemodelan merupakan tahapan dalam membuat model
darisuatu sistem. Tujuan dari pemodelan adalah menentukan informasi (variabel
dan parameter) yang dianggap penting untuk dikumpulkan, sehingga tidak ada
model yang unik. Model yang dibuat dapat berfungsi sebagai a) Pembantu untuk
berpikir; b) Pembantu untuk berkomunikasi; c) Alat dan latihan; d) Alat prediksi;

e) Pembantu dalam percobaan. Kriteria model yang baik adalah : a) Mudah
dimengerti pemakainya; b) Harus mempunyai tujuan yang jelas; c) Dinyatakan
secara jelas dan lengkap; d) Mudah dikontrol dan dimanipulasi oleh pemakainya;

8

e) Mengandung pemecahan masalah yang penting dan jelas; f) Mudah diubah,
mempunyai prosedur modifikasi; g) Dapat berkembang dari sederhana menuju ke
kompleks [7].
Exponential Smoothing adalah suatu prosedur yang secara terus menerus
memperbaiki peramalan dengan merata-rata (menghaluskan = smoothing) nilai
masa lalu dari suatu data runtut waktu dengan cara menurun (exponential).
Menurut [8]. Analisis exponential smoothing merupakan salah satu analisis deret
waktu, dan merupakan metode peramalan dengan memberi nilai pembobot pada
serangkaian pengamatan sebelumnya untuk memprediksi nilai masa depan.
Berikut ini adalah macam - macam metode didalam Exponential smoothing
beserta persamaan yang terdapat didalamnya.
Metode Holt-Winters sering disebut metode pemulusan Exponential yang
melakukan pendekatan [9]. Metode ini terbagi menjadi dua bagian yakni:
1. Metode Pemulusan Exponential Holt-Winters dengan Metode Perkalian

Musiman (Multiplicative Seasonal Method) yang digunakan untuk variasi
data musiman yang mengalami peningkatan/penurunan (fluktuasi),
2.
Metode Pemulusan Exponential Holt-Winters dengan Metode Penambahan
Musiman (Additive Seasonal Method) yang digunakan untuk variasi
musiman yang bersifat konstan.
Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni
persamaan pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan
musiman. Untuk pemulusan Exponential Holt-Winters dengan metode perkalian
musiman mempunyai perumusan sebagai berikut:
Pemulusan Keseluruhan
St = α −L + (1 − a)(St−1 + bt−1).

(1)

Pemulusan Trend
bt = β(St − St−1) + (1 − β)bt−1.

(2)

Pemulusan Musiman
It = γ
+ (1 − γ)I1−L.

(3)

Ramalan
Ft+m = (St + btm)I1−L+m.

(4)

Untuk Pemulusan Exponential Holt-Winters dengan Metode Penambahan
Musiman mempunyai persamaan sebagai berikut:
Pemulusan Keseluruhan
St = α(Xt − I1−L) + (1 − a)(St−1 + bt−1).

(5)

Pemulusan Trend
bt = β(St−1 − St) + (1 − β)bt−1.

(6)

9

Pemulusan Musiman
It = γ(Xt − St) + (1 − γ)It−L.

(7)

Ramalan
Ft+m = St + btm + It−L+m.

(8)

Simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah:
Xt
= nilai aktual pada periode akhir t
α
= konstanta penghalusan untuk data (0 < α < 1)
β
= konstanta penghalusan untuk trend (0 < β < 1)
γ
= konstanta penghalusan untuk musiman (0 < γ < 1)
St
= nilai pemulusan awal
bt
= konstanta pemulusan
I
= faktor penyesuaian musiman
L
= panjang musim
Ft+m = ramalan untuk m periode kedepan dari t.
Tingkat ketepatan peramalan suatu metode dipandang sebagai tolak ukur
seberapa jauh metode peramalan itu mampu memprediksi keakuratan data yang
telah diolahnya dengan baik. Dengan demikian perlu dilakukan evaluasi
kesesuaian metode peramalan terhadap suatu kumpulan data yang diberikan.
evaluasi dalam akurasi metode ini dapat diukur melalui penghitungan berikut ini
[10].
1.

Error / kesalahan pada periode ke-t

et = Yt - Y t x 100%

(9)

Yt

Yt merupakan data aktual untuk periode t


Yt merupakan ramalan untuk periode t

2.

3.

4.

Nilai tengah kesalahan mutlak (Mean Absolute Deviation) dari seluruh
peramalan.

n
(10)
| Yt  Yt |
MAD  
n
t 1
Nilai tengah kesalahan kuadrat (Mean Squared Error)

n
(11)
(Yt  Yt )2
M SE  
n
t 1
Nilai tengah kesalahan persentase (Mean Percentage Error)


|Y Y |
M PE   t t
%
yt
t 1
n
n

(12)

10

5.

Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage
Error)


| Y  Yt |
M APE   t
%
yt
t 1
n
Perancangan Sistem
n

3.

(13)

Dalam sistem ini, hanya ada satu pengguna yakni, user. Untuk masuk ke
dalam sistem, user tida perlu login. User di sini adalah pegawai penyuluh
lapangan, atau pegawai Dinas Pertanian Perkebunan dan Kehutanan Kabupaten
Boyolali. Didalam proses perhitungan menggunakan metode Holt-Winters dengan
pengukuran tingkat akurasi menggunakan metode MASE (Mean Absolute Scaled
Error) user tinggal memilih bulan dan tahun sistem akan secara otomatis
menampilkan hasil perhitungan dan grafik. Dalam mengimplementasikan sistem
ini, diperlukan beberapa persiapan yg harus dilakukan. Secara teknis, pada tahap
ini yg harus disiapkan adalah bagaimana mengimplementasikan algoritma dan
metode kedalam sistem dan bagaimana desain physical dari sistem yg akan
diimplementasikan. Pada Gambar 2 adalah rancangan diagram alir sistem
Tahapan penelitian.
Mulai

User Menentukan data
Kecamatan, tahun dan
bulan yang akan
diramalkan

1

2
Database

Sistem mengambil data curah hujan
berdasarkan data yang dipilih

T

Data Curah
Hujan
Tepat ?

3

Y
Prediksi CH
(Holt Winters)

4

Hasil prediksi CH

5

Menghitung Ketepatan Peramalan

6

Data hasil
prediksi ?

7

T

Y

Data Hasil Predksi Curah Hujan dan
Pola tanam

8

Peta / kalender pola
tanam

9

Selesai

Gambar 2 Tahapan penelitian

11

Tahapan penelitian pada gambar 2, terbagi dalam sembilan tahapan yaitu :
1) Pemilihan data curah hujan yang dilakukan user, merupakan langkah awal
pemilihan data di dalam database pada tahun 2001 - 2013.
2)
Sistem akan memilih data curah hujan berdasarkan tahun dan bulan serta
kecamatan yang dipilih oleh user.
3)
Sistem akan menampilkan data yang telah dipilih dan diambil apakah sesuai
dengan data yang dipilih oleh user apabila terjadi kekeliruan maka proses
akan kembali menuju proses pemilihan data kembali apabila telah sesuai
akan diteruskan ke tahap berikutnya.
4)
Apabila data yang diambil benar maka sistem akan memproses perhitungan
peramalan curah hujan menggunakan metode Holt-Winters.
5)
Sistem akan menampilkan hasil peramalan yang telah dilakukan.
6) Pada tahap ini sistem akan menghitung nilai ketepatan peramalan atau tingkat
error peramalan dengan menggunakan metode SSE (Sum Squared Error)
dan MASE ( mean absolute scaled error).
7)
Pada tahapan ini sistem akan menampilkan hasil dari perhitungan Error
apabila terjadi error yang sangat besar maka sistem akan menghitung lagi
proses peramalan dan perhitungan error sedangkan apabila telah sesuai
maka akan diteruskan ke proses selanjutnya .
8)
Pada tahap ini proses yang terjadi yaitu sistem menampilkan tanaman yang
sesuai dengan curah hujan yang terjadi pada bulan yang dipilih.
9)
Pada tahapan yang terakhir yaitu sistem akan menampilkan hasil
perhitungan permalan, grafik dan peta curah hujan dan pola cocok tanam,
yang mengacu pada klasifikasi kesesuaian lahan pertanian [11].
Rancangan diagram alir penerapan penghitungan peramalan menggunakan
metode Holt-Winters dan penghitungan ketepatan peramalan menggunakan
metode sum of squared error (SSE) dan MASE ( mean absolute scaled error) ,
dengan menggunakan dua metode itu dapat menentukan apakah perhitungan yang
dilakukan sudah mendekati tingkat akurasi yang sesuai ataukah harus dilakukan
kembali perhitungan forecasting baru, didalam mencari nilai MASE ( mean
absolute scaled error) tingkat akurasi yang terbaik yaitu dengan skala 0 sampai
dengan 1. Hal ini dapat dilihat pada Gambar 3.

12

A

Mulai

Data Curah
Hujan

yt = (b1 +b2t) St + εt

Nilai MASE ?

T

Hasil Perhitungan
Dasar
Y
MASE terkecil

St = α(Xt − I1−L) + (1 − a)(St−1 + bt−1)

Selesai
Hasil Pemulusan
Keseluruhan

bt = β(St−1 − St) + (1 − β)bt−1

Hasil Pemulusan
Trend

It = γ(Xt − St) + (1 − γ)It−L

Hasil Pemulusan
Musiman

Ft+m = St + btm + It−L+m

Hasil Peramalan

T

Y
EoF ?

A

Gambar 3 Diagram Alir Proses Peramalan dan Ketepatan Peramalan

Desain sistem peramalan produksi tanaman pangan ini dilakukan
menggunakan sebuah bahasa pemodelan sistem, yaitu UML (Unified Modeling
Language). UML (Unified Modeling Language) adalah sebuah bahasa yang
berdasarkan gambar, dapat digunakan untuk melakukan visualisasi, spesifikasi,

13

dan pendokumentasian dari sebuah sistem pengembangan sistem yang bersifat
object oriented. Pemakaian UML dalam merancang sebuah sistem dilakukan
dengan pembuatan berbagai diagram yang menggambarkan proses operasi dan
entitas aplikasi yang saling terkait. Diagram tersebut antara lain use case diagram,
activity diagram, sequence diagram [12]. Pseudocode Peramalan dapat dilihat
pada tabel dibawah ini.
Kode Program 1. Kode Pseudocode peramalan
1.
2.
3.
4.

Mulai
Select Kecamatan
Read Kecamatan,Curah Hujan dari Database
If True Lanjutkan ke Proses perhitungan Holt-Winters
If Else kembali ke pilih kecamatan
5. Output Hasil perhitungan prediksi
6. Hitung Ketepatan peramlan
7. Output hasil ketepatan pelamaran
8. Mengelompokkan curah hujan
if 175 - 500mm padi
if 165 - 400mm Jagung
if 200 - 400mm Ketela
If Else BERA
9. Input data pengelompokan kedalam peta
10. End

Use case diagram memberi visualisasi apa yang terjadi dalam sistem secara
fungsionalitas, visualisasi antara user dengan sistem. Dalam use case diagram
ditonjolkan secara khusus apa saja yang dikerjakan oleh sistem. Dalam penelitian
ini digunakan satu buah use case diagram, dikarenakan sistem ini hanya memiliki
fungsi umum yaitu untuk mengolah data. Use case diagram keseluruhan sistem
dapat dilihat pada Gambar

Gambar 4 Use Case Diagram keseluruhan sistem

Berdasarkan Gambar 4 dapat dilihat bahwa hal yang dapat dilakukan oleh PPL
adalah:

14





Melihat hasil Forecasting pola tanam
Input Data dan Melakukan Olah data
Melakukan Manage atau mengolah Data Curah Hujan dan data Tanaman
pangan.

Dalam sistem peramalan produksi tanaman pangan ini digunakan beberapa
activity diagram untuk menjelaskan beberapa aktivitas utama yang merupakan inti
dari sistem.

Gambar 5 Activity Diagram Forecasting

Pada Activity Diagram Forecasting yang ditunjukkan Gambar 5 menjelaskan
bahwa proses forecasting atau peramalan pola tanam dapat dilakukan oleh setiap
user.

Gambar 6 Sequence Diagram Forecasting

Pada Gambar 6 terlihat bahwa dalam proses forecasting, setelah user masuk
kedalam sistem, user akan memilih menu forecasting, selanjutnya sistem akan
15

mengambil data dari database. Setelah sistem mendapatkan data dari database,
kemudian sistem akan mengolah data dan menampilkan report sehingga user
dapat melihat secara langsung report yang dihasilkan oleh sistem.

4.

Hasil dan Pembahasan

Pada bagian ini berisi dengan pembahasan dan analisis hasil penerapan
forecasting menggunakan metode Holt-Winters pada data curah hujan Kabupaten
Boyolali, serta pengaruh curah hujan terhadap pola cocok tanam pertanian
menggunakan data tahun 2001 sampai dengan tahun 2013 dengan tahun
peramalan 2014 dari bulan Januari sampai dengan Desember. Data curah hujan
terdapat data yang bernilai 0, hal itu bukanlah tidak adanya curah hujan tetapi
terjadinya kelalaian pengisian data (human missing) karena tidak adanya
pengukuran curah hujan di lapangan.
Data yang digunakan adalah data yang berasal dari 19 Kecamatan di
Kabupaten Boyolali dengan sumber data Dinas Pertanian dan Perkebunan yang
memiliki 19 Unit Pelayanan Terpadu (UPTD) di tiap kecamatan. Data jadi curah
hujan di 19 Kecamatan Boyolali setelah dilakukan pengolahan dan penataan dapat
dilihat pada gambar 7 diambil sampel Kecamatan Ampel.

Gambar 7 Data Curah Hujan Kec. Ampel setelah diolah

Data tersebut diolah menggunakan fungi yang dapat dilihat pada kode program 1.
Kode Program 2. pengurutan dan pengolahan data curah hujan
ampel.ts