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

6

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 Holt-

Winters, 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

7

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

8

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;

9

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)

10

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

tY merupakan data aktual untuk periode t

tY merupakan ramalan untuk periode t

2. Nilai tengah kesalahan mutlak (Mean Absolute Deviation) dari seluruh

peramalan.

(10)

3. Nilai tengah kesalahan kuadrat (Mean Squared Error)

(11)

4. Nilai tengah kesalahan persentase (Mean Percentage Error)

(12)

n

t

tt

n

YY

1

||MAD

n

t

tt

n

YY

1

2)(MSE

n

y

YYn

t t

tt

%

||MPE

1

11

5. Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage

Error)

(13)

3. Perancangan Sistem

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

Sistem mengambil data curah hujan

berdasarkan data yang dipilih

Prediksi CH

(Holt Winters)

Hasil prediksi CH

Menghitung Ketepatan Peramalan

Data Hasil Predksi Curah Hujan dan

Pola tanam

Peta / kalender pola

tanam

Selesai

Data

ba

se

Data Curah

Hujan

Tepat ?

Data hasil

prediksi ?

Y

T

Y

T

1

2

3

4

5

6

7

8

9

Gambar 2 Tahapan penelitian

n

y

YYn

t t

tt

%

||MAPE

1

12

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.

13

Mulai

yt = (b1 +b2t) St + εt

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

Ft+m = St + btm + It−L+m

It = γ(Xt − St) + (1 − γ)It−L

bt = β(St−1 − St) + (1 − β)bt−1

Hasil Perhitungan

Dasar

Hasil Pemulusan

Keseluruhan

Hasil Pemulusan

Trend

Hasil Pemulusan

Musiman

Hasil Peramalan

EoF ? A

A

Selesai

MASE terkecil

Nilai MASE ?

T Y

Y

T

Data Curah

Hujan

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,

14

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

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:

1. Mulai

2. Select Kecamatan

3. Read Kecamatan,Curah Hujan dari Database

4. 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

15

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

16

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

Kode tersebut mengurutkan data secara otomatis mulai dengan tahun 2001 bulan

Januari sampai dengan Desember 2013.

Data curah hujan Kec. Ampel tahun 2001 - 2013 digambarkan dengan grafik

dapat dilihat pada gambar 8.

ampel.ts <- ts(ampel, start=c(2001,1), freq=12)

ampel.ts

17

Gambar 8 Grafik Curah Hujan Kec. Ampel tahun 2001 - 2013

Untuk mendaptakan hasil peramalan tahun 2014 dari ketersediaan data

curah hujan tahun 2001 sampa dengan tahun 2013, maka dilakukan peramalan

untuk tahun 2014 sampai dengan tahun 2015 dari bulan januari sampai dengan

Desember. Ditampilkan pada gambar 9.

Gambar 9 Grafik data asli dan peramalan menggunakan 2 metode berbeda

Grafik prediksi memperlihatkan 3 macam garis. Garis hitam

menggambarkan data asli yang digunakan untuk meramalkan data curah hujan

tahun 2014 sampai dengan 2015. Garis merah menggambarkan hasil prediksi

peramalan menggunakan metode Holt-Winters additive dengan tingkat Error yang

ditampilkan pada gambar 10.

18

Gambar 10. Tingkat Error perhitungan metode Additive

Hasil tersebut didapatkan menggunakan fungi yang dapat dilihat pada kode

program 2 .

Kode Program 3. Kode program pengukuran tingkat keakuratan

Kode fit1 adalah kode program class pemanggilan data curah hujan dengan

peramalan menggunakan metode additive, Sedangkan kode accuracy digunakan

untuk mendapatkan nilai error peramalan tersebut. Adapun hasil perumusan

peramlan menggunakan kode program 3.

Kode Program 4. Kode program peramalan dengan menggunakan multiplicative

Pada kode program 3 dilakukan untuk melakukan prediksi dengan metode

multiplicative dengan periode minimal 2 periode, jika tidak akan tidak bisa

dilakukan perhitungan, adapun dalam perhitungan tersebut akan mencari nilai

perhitungan yang paling halus menggunakan kode program diatas. Untuk garis

hijau adalah pengukuran peramalan menggunakan metode Holt-Winters

Multiplicative dengan tingkat error yang ditampilkan pada gambar 11.

function (x, alpha = NULL, beta = NULL, gamma = NULL, seasonal =

c("additive",

"multiplicative"), start.periods = 2, l.start = NULL, b.start =

NULL,

s.start = NULL, optim.start = c(alpha = 0.2, beta = 0, gamma =

0.1), optim.control = list())

{

x <- as.ts(x)

seasonal <- match.arg(seasonal)

f <- frequency(x)

if (!is.null(alpha) && (alpha == 0))

stop("cannot fit models without level ('alpha' must not be 0

or FALSE)")

if (!all(is.null(c(alpha, beta, gamma))) && any(c(alpha,

beta, gamma) < 0 || c(alpha, beta, gamma) > 1))

stop("'alpha', 'beta' and 'gamma' must be within the unit

interval")

if ((is.null(gamma) || gamma > 0)) {

if (seasonal == "multiplicative" && any(x == 0))

stop("data must be non-zero for multiplicative Holt-

Winters")

if (start.periods < 2)

stop("need at least 2 periods to compute seasonal start

values")

fit1 <- hw(ampel.ts,seasonal="additive")

accuracy(fit1)

19

Gambar 11. Tingkat Error perhitungan metode Multiplicative

Hasil tersebut didapatkan menggunakan fungsi yang dapat dilihat pada kode

program 4 .

Kode Program 5. Kode Program tingkat keakuratan metode Multiplicative

Kode ampel.hw2 adalah kode program class pemanggilan data curah hujan

dengan peramalan menggunakan metode additive adapun dengan perhitungan

manual Ft+m = St + btm + It−L+m. Sedangkan kode accuracy digunakan untuk

mendapatkan nilai error peramalan tersebut.

dengan rumus manual

Sehingga diperoleh data peramalan curah hujan yang ditampilkan pada gambar

12.

Gambar 12. Data Hasil Peramalan

Perbandingan antara data ramalan dengan data asli yang diperoleh dari

stasiun pemantau hujan milik Dinas Ketahanan pangan dan tingkat prosentase

keakuratan dapat dilihat pada tabel 1.

ampel.hw2 <- forecast.HoltWinters(ampel.hw, h=4*12)

accuracy(ampel.hw2)

20

Tabel 1 Perbandingan data ramalan dengan data asli

Hasil peramalan klimatologi menggunakan metode Holt-Winters Addictive

pada tahun 2014 kemudian di analisa dan disusun secara manual sehingga

mendapatkan pola tanam baru yang sesuai dengan standar kesetaraan curah hujan

sehingga bisa terbentuknya kalender pola tanam baru. Standar kalender tanam

sendiri disesuaikan berdasarkan klasifikasi kesesuaian lahan [13]. Beberapa tipe

klasifikasi tanah yang sesuai untuk pertanian, diklasifikasikan kedalam setiap

komoditas pertanian. Struktur klasifikasi kesesuaian lahan sebagai standar

kalender tanam ditampilkan pada tabel 2.

Tabel 2 Kesetaraan iklim [12]

Komoditas Curah Hujan Suhu Udara Kelembapan

Udara

Keputusan

Padi 175 - 500

<174 atau >500

24 - 29

<24 atau >29

33 - 90

<33 atau >90

Diterima

Ditolak

Jagung 165 - 400

<165 atau >400

20 - 26

<20 atau >26

>42

<42

Diterima

Ditolak

Ketela 200 - 400

<200 atau >400

22 - 25

<22 atau >25

<75

>75

Diterima

Ditolak

Tahapan penyusunan kalender tanaman ini dibagi menjadi 3 komoditas

yaitu : Komoditas padi, komoditas jagung dan komoditas ketela. Didalam

penyusunan kalender tanam ini penulis melakukan secara manual antara

klasifikasi kesesuaian lahan dengan hasil prediksi Curah hujan Kabupaten

Boyolali pada tahun 2014 dari bulan Januari sampai dengan Desember. Hasil

prediksi pada gambar 12 akan disesuaikan dengan tabel 1 menggunakan data

curah hujan untuk penyusunan kalender tanam 2014. Kalender tanam komoditas

padi, komoditas jagung dan komoditas ketela ditentukan berdasarkan intensitas

curah hujan dan dikelompokkan menjadi 2 jenis yaitu tanam dan bera hal itu dapat

dapat dilihat pada tabel 3.

21

Tabel 3 Tabel kalender tanam di daerah Kabupaten Boyolali pada tahun 2014

Bulan Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des

Padi TANAM

BERA TANAM

Jagung BERA TANAM

BERA TANAM

Ketela BERA TANAM BERA TANAM

Hasil dari peramalan curah hujan menggunakan metode Holt-Winters ditampilkan

pada gambar 13.

Gambar 13 Peta Curah Hujan di Kabupaten Boyolali

Pada gambar 13 menunjukkan intensitas curah hujan di daerah Kabupaten

Boyolali yang disajikan menggunakan data tiap kecamatan yang berasal dari hasil

peramalan curah hujan tahun 2014 yang ditampilkan menggunakan ArvView,

untuk mempermudah dalam penggunaan digunakan PHP atau berbasis web,

dengan data Curah Hujan Rendah yaitu tingkat curah hujan kurang dari 200 mm

curah hujan sedang tigkat curah hujan antara 200 mm sampai dengan 400 mmm

sedangkan curah hujan lebih dari 400 mm tergolong curah hujan dengan intensitas

tinggi. Adapun hasil akhir dari metode peramalan dan klasifikasi kesesuaian lahan

yaitu pola cocok tanam yang menggunakan ArcView, dengan metode ini

22

diharapkan Petugas Penyuluh Lapangan dan juga para petani modern lebih mudah

didalam melihat kalender pola tanam. Gambar peta ditampilkan pada gambar 14.

Gambar 14 Peta Pola Tanam tahun 2014 di Kabupaten Boyolali

Gambar 14 adalah peta pola tanam baru tahun 2014 hasil tersebut

didapatkan dari perbandingan data curah hujan dengan data kesesuaian lahan

sehingga diperolehlah peta pola tanam baru tersebut. Daerah sawah

menggambarkan daerah Kecamatan yang memiliki lahan sawah, komoditas padi

adalah dimana daerah tersebut memiliki curah hujan 175 mm sampai dengan 500

mm, komoditas ketela dimana daerah tersebut cocok ditanami ketela dengan

intensitas hujan 200 mm - 400 mm dan komoditas jagung dimana daerah tersebut

cocok ditanami ketela dengan intensitas hujan 165 mm - 400 mm.

5. Simpulan

Pemodelan pola cocok tanam berbasis data spasial dan curah hujan dapat

menghasilkan peramalan pola cocok tanam baru yang berdasarkan curah hujan.

Hal tersebut diramalkan dengan metode Holt-Winters sehingga dapat

menghasilkan peramalan dengan tingkat eror seminimal mungkin. Dengan

dibuatnya metode pola cocok tanam baru ini sehingga Petugas Penyuluh

Lapangan dan para petani moderen dapat memperkirakan jenis tanaman apakah

yang cocok ditanam pada bulan - bulan yang akan datang sehingga dapat

23

berkurangnya kegagalan panen. Sebagai saran pengembang pada penelitian

mendatang diharapkan dapat dikembangkanya program ini kedalam platform

Android sehingga para Petugas Penyuluh lapangan dan petani moderen lebih

mudah didalam pemanfaatan program ini.

.

6. Daftar Pustaka

[1] BPS Provinsi Jawa Tengah, 2011, Keadaan Geografi,

http://jateng.bps.go.id/2006/web06bab101/101geog_ind.html (Diakses

tanggal 12 Juni 2015).

[2] Bursa, Khulung., Hartomo, Kristoko D., Suprihadi., 2010, Pemodelan

Dinamis Pola Tanam Berbasis Metode Learning Vector Quantization,

Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Salatiga.

[3] Simanjuntak, Bistok H., Yulianto, Sri., & Hartomo, Kristoko D., 2010,

Laporan Hibah Bersaing Pranatamangsa,

http://bp3m.uksw.edu/uploads/documents/Laporan_HB_Pranatamangsa.pdf

[4] http://birohukum.pu.go.id/uploads/DPU/2015/Lamp1-PermenPUPR11

2015.pdf

[5] Effendy, Sobri, 2001, Urgensi Prediksi Cuaca dan Iklim di Bursa

Komoditas Unggulan Pertanian, Program Pasca Sarjana/S-3,

InstitutPertanian Bogor, Bogor.

[6] https://id.wikipedia.org/wiki/Kabupaten_Boyolali.

[7] Hasanah, Lilik, 2010, Pemodelan Sistem,upi.edu/Direktori/FPMIPA/

JUR._PEND._FISIKA/197706162001122LILIK_HASANAH/Pemodelan_S

istem_%255B Compatibilit Mode%255D.pdf

[8] Wisnu, Arista I, 2012 Perencanaan Kalender Tanam Berdasarkan

Modifikasi Pranata Mangsa dan Klimatologi Menggunakan Metode Prediksi

Exponential Smoothing.

[9] Makridakis, Spyros.1993. Metode dan Aplikasi Peramalan. Jakarta:Erlangga

[10] Arsyad, Lincolin, 2001, Peramalan Bisnis, Edisi Pertama, Yogyakarta

:BPFE-Yogyakarta.

[11] Djaenudin, D., Marwan H., Subagyo H., dan A. Hidayat. 2003. Petunjuk

Teknis untuk Komoditas Pertanian.Edisi Pertama tahun 2003, ISBN979-

9474-25-6. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan

Tanah dan Agroklimat, Bogor, Indonesia.

[12] Dhawiyanti, Sri, 2003, Pengantar Unified Modeling Language

(UML),http://bos.fkip.uns.ac.id/pub/bebas/v15/umum/yanti/yantiuml.doc.

[13] Djaenudin, D., Marwan H., Subagyo H., dan A. Hidayat. 2003. Petunjuk

Teknis untuk Komoditas Pertanian.Edisi Pertama tahun 2003, ISBN979-

9474-25-6. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan

Tanah dan Agroklimat, Bogor, Indonesia.