1. Pendahuluan Sampai saat ini Organisme Pengganggu Tanaman masih menjadi kendala serius bagi para pengelola pertanian komoditas padi. OPT adalah salah satu cekaman biotik yang menyebabkan kesenjangan antara potensi hasil dan hasil aktual, dan juga menyebabkan produksi tidak stabil. Hama atau OPT tanaman padi sangat beragam, antara lain adalah penggerek batang padi, wereng batang coklat dan ganjur. Serangan wereng batang coklat telah meyerang di 28 Kabupaten atau kota di provinsi Jawa Tengah. Pada tahun 2010, serangan wereng coklat telah menyerang lebih dari 32 ribu hektar di Jawa Tengah. Menurut data yang diperoleh, untuk tahun 2011 hingga bulan Maret, wereng coklat telah menyerang lebih dari 17 ribu hektar. [1]. Peningkatan populasi OPT dipengaruhi oleh beberapa faktor, diantaranya adalah faktor iklim/cuaca dan musuh alami. Musuh alami telah diketahui sangat berguna dalam menekan populasi OPT padi, salah satu musuh alami tersebut adalah predator hama padi. Predator dapat mengendalikan kepadatan populasi OPT dengan baik karena mereka memburu, memakan atau menghisap cairan tubuh OPT sehingga menyebabkan kematian. Untuk mengetahui potensi predator sebagai musuh alami OPT tanaman padi, maka dibutuhkan sebuah sistem yang dapat memberikan gambaran serangan organisme pengganggu tanaman padi, serta gambaran potensi predator terhadap OPT tanaman padi dalam bentuk besaran kejadian dan dalam peta prediksi kejadian serangan. Oleh karena itu dalam penelitian ini akan dikembangkan sistem pemetaan dan prediksi dalam Sistem Informasi Geografis (SIG) berbasis web. Sistem informasi geografis yang dirancang akan dapat memberikan informasi tentang OPT padi dan predator beserta prediksi di wilayah Jawa Tengah menggunakan metode runtun waktu yaitu triple exponential smoothing. 2. Kajian Pustaka Prediksi merupakan kegiatan untuk memperkirakan nilai-nilai sebuah dari variabel yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Teknik peramalan dibagi menjadi dua bagian, yaitu metode peramalan subjektif dan metode peramalan objektif. Metode peramalan subjektif mempunyai model kualitatif sedangkan metode peramalan objektif mempunyai dua model, yaitu model kausal dan model time series. Model kualitatif tidak menggunakan pendekatan matematis atau hanya menggunakan intuisi saja, model ini akan sangat bermanfaat jika data kuantitatif yang akurat sulit diperoleh. Model kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan model time series hanya meninjau nilai sebuah variabel sebagai fungsi waktu. Model time series digunakan untuk memprediksi masa depan dengan menggunakan data historis. Dengan kata lain, model time series mencoba menggunakan data masa lalu untuk melihat apa yang terjadi pada masa mendatang dalam suatu kurun waktu tertentu. Contoh dari model time series ini antara lain Moving average, Exponential Smoothing dan proyeksi trend. [2]. 2
Langkah penting dalam memilih metode peramalan adalah dengan mengidentifikasi jenis pola data. Pola data yang mungkin terjadi ketika suatu data akan dianalisis ada tiga jenis yaitu, pola data stasioner, pola data trend dan pola data musiman yang ditunjukkan pada Gambar 1. [3]. Pola data stasioner merupakan pola data yang terjadi jika terdapat data yang berfluktuasi disekitar nilai rata-rata (mean) dan varians yang konstan dari waktu ke waktu. Pola data trend merupakan kondisi dimana terdapat flutuasi data yang cenderung naik atau turun. Pola data ini terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Pola data musiman dapat dilhat jika terdapat suatu deret data yang dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Musiman didefinisikan sebagai kecenderungan data time series untuk menunjukkan perilaku yang berulang setiap periode tertentu. [4]. Panjang periode musiman dapat dilihat dari jarak periode antar puncak pada plot time series. (a)
(b)
(c)
Gambar 1 Jenis-jenis Pola Data, (a) Pola Data Stationer / Horizontal, (b) Pola Data Trend, (c) Pola Data Musiman
Metode triple exponential smoothing disebut juga metode “Holt-Winters” sesuai dengan nama penemunya. Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik mengandung trend maupun tidak. Winter’s Method memberikan tiga pembobotan dalam prediksinya, yaitu α, β, dan γ yang bernilai antara 0 dan 1. Pembobotan α memberikan pembobotan pada nilai ramalan, β memberikan pembobotan pada slope, dan γ memberikan pembobotan pada efek musiman. Winter’s Method mempunyai dua bentuk model. Bila besarnya efek musiman konstan dari waktu ke waktu, maka bentuk model yang dipakai adalah Additive Seasonality. Sedangkan bila besarnya efek musiman berubah dari waktu ke waktu, maka bentuk model yang dipakai adalah Multiplicative Seasonality. [5]. Dalam penelitian ini akan digunakan model HoltWinters Multiplicative.
3
Model Holt-Winters Additive. Model ini digunakan apabila data time series mempunyai pola musiman
dengan variasi musiman konstan. Level
:
Lt = α (Yt – St-s) + (1 - α) (L t-1+ Tt-1)
Trend
:
Tt = β (Lt - Lt-1) + (1 - β)Tt-1
Musiman
:
St = γ (Yt - Lt) + (1 - γ)St-s
Ramalan
:
Yt+m = L + Ttm + St-s+m
Model Holt-Winters Multiplicative. Model ini digunakan apabila data time series mempunyai pola musiman dengan variasi musiman tidak konstan.
Keterangan : Yt = data pada periode waktu t Lt = level factor periode waktu t Tt = trend factor periode waktu t St = seasonal index periode waktu t Yt+m = hasil peramalan periode waktu m Sebuah data musim lengkap terdiri dari periode musiman "m". Untuk itu perlu memperkirakan trend factor dari satu periode ke periode berikutnya. Untuk mencapai hal ini, disarankan untuk menggunakan dua musim lengkap, yaitu periode 2m. [6]. Rumus untuk mencari initial trend adalah :
Besarnya populasi OPT di dalam tanaman padi sangat dipengaruhi oleh beberapa faktor, beberapa diantaranya adalah faktor cuaca, musuh alami yang salah satu jenisnya adalah predator. Predator merupakan organisme hidup yang paling penting dalam mengendalikan OPT pada tanaman padi secara alami, karena selain jenisnya yang beragam, jumlahnya juga sangat melimpah di alam [7]. Predator dapat menyerang serangga mangsa dari mulai fase immature (pra dewasa) sampai dengan fase dewasa. Dan untuk mencapai fase dewasa, predator membutuhkan lebih dari satu individu inang.
4
OPT dan predator yang akan diprediksi dalam penelitian ini adalah serangga yang tertangkap lampu perangkap. Tangkapan tersebut terdiri dari 10 jenis data OPT, 7 jenis data predator. Nama – nama OPT dan predator ditunjukkan pada tabel berikut. Tabel 1 Daftar Jenis – jenis Serangga
Jenis
Nama Serangga Penggerek Batang Wereng Batang Coklat Wereng Daun Ganjur Kepinding Tanah Walang Sangit Anjing Tanah Kepik Hijau Belalang Daun Serangga Penggangu Lainnya Kumbang Coccinelid Capung Paederus Sp Cyrtorhinus Parasit Kumbang Air Musuh Alami Lainnya
OPT
Predator
Iklim atau cuaca merupakan faktor yang sangat berpengaruh pada perkembangan OPT serta predator [8]. Di dalam kondisi cuaca normal, organisme pengganggu tanaman hampir tidak pernah menjadi masalah serius kecuali organisme pengganggu tanaman yang bisa berkembang dan berkonsolidasi di luar ekosistem tanaman pangan seperti tikus, belalang, burung, dan lain lain [9]. Ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai ratarata kesalahan (mean error), nilai rata-rata kesalahan absolut (mean absolute error), dan nilai rata-rata kesalahan kuadrat (mean squared error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (mean percentage error) dan nilai rata-rata kesalahan persentase absolut (mean absolute percentage error). Cara yang cukup sering digunakan dalam mengevaluasi hasil peramalan yaitu dengan menggunakan metode Mean Squared Error (MSE). Dengan menggunakan MSE, error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan hasil yang akan diestimasi.
5
Dimana: MSE = Mean Square Error N = Jumlah Sampel t y = Nilai Aktual Indeks t yˆ = Nilai Prediksi Indeks 3. Metode Penelitian Dalam pengembangan aplikasi, metode yang digunakan pada penelitian ini adalah metode prototyping model yang dimulai dengan pengumpulan bahan dan data yang berhubungan dengan organisme pengganggu tanaman dan predator, kemudian dilanjutkan dengan perancangan aplikasi, dan evaluasi prototipe sebagai langkah akhir dari metode ini. Sebelum melakukan peramalan atau implementasi peramalan, langkah pertama yang harus dilakukan adalah mengidentifikasi pola data dengan melihat pada plot data. Data yang digunakan untuk peramalan adalah data tangkapan lampu perangkap selama 4 tahun yaitu tahun 2008 – 2011 dari Balai Pengamatan OPT (BPOPT) provinsi Jawa Tengah. Data total OPT yang telah dirata-rata diplot dengan menggunakan aplikasi excel. Salah satu data yang sudah diplot adalah data total OPT kabupaten Pemalang tahun 2008 - 2011.
Gambar 2 Grafik Total OPT Kabupaten Pemalang
Setelah mendapatkan plot data tersebut kemudian dianalisis jenis pola datanya untuk menentukan metode peramalan yang sesuai. Dari pola data tersebut dapat dilihat data tidak stationer dan dipengaruhi oleh faktor musiman dengan variasi musiman tidak konstan, karena pada hampir setiap akhir tahun terjadi kenaikan jumlah populasi OPT. Maka metode peramalan yang akan digunakan adalah metode triple exponential smoothing multiplicative.
6
Setelah menentukan metode peramalan, maka akan dilakukan uji coba peramalan dengan perhitungan manual. Dengan menggunakan program bantu excel akan dicari nilai α, β dan γ untuk menentukan nilai Mean Squared Error (MSE) terkecil. Berikut ini adalah perbandingan dari nilai MSE. Tabel 2 Perbandingan MSE
MSE
α
β
γ
451.24 517.10 438.47
0.4 0.1 0.1
0 0.1 0.1
0 0 0.2
422.84
0.001
0.001
0.2
253.62
0.001
0.001
0.6
Tabel 2 menunjukkan nilai MSE terkecil adalah 253.62 dengan perhitungan optimal prediksi menggunakan α = 0.001, β = 0.001, γ = 0.6. Dengan mendapatkan nilai parameter yang optimal maka error yang didapatkan dari hasil peramalan semakin kecil dan hasil peramalan mendekati data yang riil. Aplikasi Sistem Informasi Geografis berbasis web ini dibangun dengan menggunakan bahasa pemrograman PHP. Berikut ini adalah spesifikasi dari pembuatan SIG, yakni : Sistem Operasi Windows 7 Ultimate 32-bit, PHP version 5.3.10, MapServer 6.0.2 dan MySQL 5.1.41. Sistem ini dibuat untuk dua pemakai dengan hak akses yang berbeda-beda yakni user dan admin. Pemakai pertama adalah admin yang mempunyai hak penuh atas sistem yang dibuat. Pemakai kedua adalah user yang mempunyai hak akses untuk melihat data historis dan melakukan prediksi. Hak akses dan hubungan dari pengguna dan sistem akan ditunjukkan dalam use case diagram pada Gambar 3.
7
<<extend>> Melihat halaman utama
melihat info dan peta jawa tengah <<extend>>
melihat data dan peta per tahun
<<extend>>
melihat data dan peta OPT
<<extend>> <<extend>>
user
melihat data dan peta predator
<<extend>> <<extend>>
melihat data dan peta curah hujan
melihat data dan peta per kabupaten
mengakses halaman prediksi
melihat peta dan hasil prediksi
melihat halaman about admin mengubah data mengupload data <
>
Gambar 3 Use Case Diagram Sistem
Class diagram merupakan diagram yang digunakan untuk menampilkan beberapa kelas serta paket-paket yang ada di dalam sistem yang akan dikembangkan. Class diagram pada sistem ini akan ditunjukkan pada Gambar 4 seperti berikut. admin
uploadData
username password
jenisData tahunData 1
login() uploadData()
1 user 1
1
0..*
kode_kab nama_Kab
1
1 1 1
1 predator
0..* curahHujan
0..* 1
1
jenisCH namaCH jumalhCH tanggal bulan tahun kode_kab
jenisPrediksi tahunPrediksi
0..*
kabupaten
selectData() 0..* viewData() 0..* 0..*
jenisPredator namaPredator jumlahPredator tanggal bulan tahun kode_kab
prediksi
0..*
0..*
ubahData() tambahData()
1
0..* lihatData jenisData tanggal bulan tahun
0..*
hitungPrediksi() saveDataPrediksi() showDataPrediksi() 0..* 0..* 0..* 1 OPT 0..*
1
1
jenisOPT namaOPT jumlahOPT tanggal bulan tahun kode_kab 0..*
0..*
0..* 1 jenisData 1
idJenis namaJenis
1
Gambar 4 Class Diagram
8
4. Implementasi dan Pengujian Sistem Dari penelitian ini dihasilkan sebuah sistem informasi geografis berbasis web pemetaan dan prediksi serangan OPT dan potensi predator. Secara garis besar sistem ini terbagi menjadi dua bagian utama, yaitu bagian pemetaan dan bagian prediksi. Gambar 5 menunjukkan tampilan halaman utama dari aplikasi. Halaman utama dalam sistem ini berisikan tampilan selamat datang dan peta wilayah Jawa Tengah beserta menu dan submenu untuk mengakses halaman lainnya.
Gambar 5 Halaman Utama
Bagian pemetaan merupakan bagian yang berisikan semua informasi dan data historis dari seluruh jenis indikator-indikator. Informasi dan data historis tersebut disajikan dalam bentuk map, tabel, grafik serta informasi dari masingmasing jenis indikator. Setiap jenis dari masing-masing indikator ditampilkan dalam halaman sendiri-sendiri.
Gambar 6 Halaman OPT Wereng Daun
Untuk data geografis data disajikan dalam bentuk peta Jawa Tengah disertai dengan parameter tinggi rendahnya nilai. Penyajian data untuk memberikan perbandingan tinggi rendahnya data di tiap kabupaten akan disajikan dalam bentuk grafik. Gambar 7 merupakan tampilan grafik total OPT kabupaten Pemalang pada tahun 2008.
9
Gambar 7 Grafik Total OPT kabupaten Pemalang tahun 2008
Pada sistem ini fokus penelitian akan menggunakan prediksi dengan metode triple exponential smoothing atau holt winters untuk menghasilkan output berupa nilai prediksi dimasa yang akan datang. Data yang akan diprediksi adalah variabel organisme pengganggu tanaman pada tahun 2008 – 2011 digunakan untuk memprediksi nilai tahun 2012 – 2015. Variabel yang akan diprediksi bukan hanya OPT, namun juga variabel predator dan iklim yaitu curah hujan dan juga hujan harian. Untuk melakukan prediksi user harus membuka halaman prediksi yang terdiri dari halaman prediksi OPT, halaman prediksi predator dan halaman prediksi curah hujan. Tampilan halaman prediksi ditunjukkan pada Gambar 8. Pada tampilan awal user akan memasukan input pilihan jenis variabel yang akan diprediksi dan juga tahun prediksi.
Gambar 8 Halaman Prediksi OPT
Pilihan jenis variabel disesuaikan dengan pilihan halaman prediksi pada menu. Sedangkan pilihan tahun berisikan tahun prediksi yaitu tahun 2012 – 2015. Data historis dari tiap kabupaten diprediksi menggunakan metode holt winters. Setelah mendapatkan hasil prediksi, sistem akan menyimpannya pada database. Kemudian data-data tersebut akan ditampilkan dalam bentuk peta, tabel dan grafik.
10
Validasi merupakan perbandingan antara data riil dengan data hasil prediksi. Setelah sistem melakukan proses prediksi dari data historis, maka akan dihasilkan nilai prediksi dari data historis tersebut. Sistem akan menampilkan perbandingan kedua data tersebut dalam grafik validasi. Grafik validasi pada sistem dapat dilihat melalui pilihan kabupaten pada tab grafik.
Gambar 9 Grafik Validasi Curah Hujan Kabupaten Pemalang Tahun 2011
Gambar 9 menunjukkan grafik validasi dari prediksi curah hujan kabupaten Pemalang pada tahun 2011. Grafik data historis ditunjukkan dengan garis berwarna oranye, sedangkan grafik data prediksi ditunjukkan dengan garis berwarna biru. Dalam melakukan pengujian peramalan pada sistem ini, akan dilakukan validasi prediksi WBC tahun 2011 dari 5 kabupaten lalu akan dihitung nilai MSE dari setiap kabupaten tersebut. Tabel 3 Hasil MSE Peramalan
Kabupaten Rembang Kudus Pati Batang Banjarnegara
MSE 19.08 12.28 1.29 20.67
0.38
Tabel 3 menampilkan nilai MSE dari prediksi di 5 kabupaten. Hasil dari tabel tersebut menunjukkan nilai error pada peramalan menggunakan metode triple exponential smoothing pada sistem ini sangat kecil dengan nilai rata-rata MSE 10.74 dan nilai MSE terbesar adalah 20.67 pada kabupaten Pemalang, hal tersebut menunjukkan hasil prediksi mendekati nilai riil. Nilai MSE yang tinggi diduga karena adanya fluktuasi pola serangan OPT selama pembentukan model
11
dengan validasi model. Semakin banyak data time series maka hasil prediksi dan nilai MSE akan lebih baik, karena data time series semakin dimuluskan. Pada penelitian ini analisis akan difokuskan pada analisis hubungan antara jumlah OPT dan predator. Sebagai variabel tambahan akan dianalisis hubungan kedua indikator tersebut dengan data curah hujan. Analisis data historis dilakukan untuk menganalisa data pada masa lampau, sedangkan untuk analisis data prediksi dilakukan untuk menganalisa kapan keadaan atau kondisi seperti pada analisis data historis akan terulang kembali. Untuk data historis data yang dianalisa adalah data dari jenis-jenis serangga pada tahun 2008 – 2011. Langkah pertama yaitu mencari data historis dari salah satu jenis OPT dengan nilai tertinggi atau terendah pada tahun dan kabupaten tertentu.
Gambar 10 Peta Wereng Batang Coklat tahun 2009
Pada Gambar 10 menunjukkan peta historis populasi wereng batang coklat (WBC) pada tahun 2009. Dalam peta tersebut diketahui bahwa kabupaten Pemalang mempunyai jumlah populasi wereng batang coklat tinggi pada tahun 2009. Setelah mengetahui data peta tersebut, pengguna akan melihat grafik wereng batang coklat pada kabupaten Pemalang tersebut. Setelah melihat grafik data OPT tersebut, pengguna membandingkannya dengan data historis musuh alami dari jenis OPT tersebut pada tahun dan kabupaten yang sama. Salah satu musuh alami dari WBC adalah Kumbang Coccinelid. Karena kedua indikator (OPT dan predator) tersebut tidak lepas dari pengaruh iklim, maka akan dilakukan perbadingan antara dua data tersebut dengan data curah hujan pada kabupaten dan tahun yang sama. Ketiga grafik tersebut akan ditunjukkan pada Gambar 11.
12
(a)
(b)
(c)
Gambar 11 Grafik Analisis Kabupaten Pemalang tahun 2009, (a) Grafik WBC, (b) Grafik Kumbang Coccinelid, (c) Grafik Curah Hujan
Setelah mendapatkan ketiga grafik tersebut, maka dapat dianalisis hubungan dari ketiga jenis data tersebut. Dari ketiga grafik tersebut bisa dilihat bahwa pada saat jumlah WBC mencapai nilai tertinggi yaitu pada bulan Agustus, nilai predator berada pada nilai rendah. Sedangkan pada bulan Oktober saat jumlah predator mencapai nilai tertinggi, jumlah WBC berada pada nilai rendah. Keadaan tersebut menunjukkan ada hubungan antara WBC dengan musuh alaminya bahwa keberadaan musuh alami WBC yaitu kumbang Coccinelid dapat menekan populasi WBC dengan baik. Selain itu pada saat nilai curah tinggi yaitu pada bulan Januari sampai bulan April nilai data WBC dan predator berada pada nilai rendah. Hal ini menunjukkan bahwa populasi OPT dan predator juga dipengaruhi oleh iklim.
13
Selanjutnya adalah analisis data prediksi. Langkah pada analisis data prediksi sebenarnya hampir sama dengan analisis data historis, perbedaannya dalah untuk mengetahui kapan keadaan seperti pada analisis historis terulang kembali. Pada penelitian ini akan dianalisis data WBC tahun 2012.
Gambar 12 Peta Prediksi Wereng Batang Coklat tahun 2012
Pada Gambar 12 menunjukkan peta prediksi populasi wereng batang coklat (WBC) pada tahun 2012. Dalam peta tersebut diketahui bahwa kabupaten Pemalang mempunyai jumlah populasi wereng batang coklat dengan nilai tinggi pada tahun 2012. Setelah mengetahui data peta tersebut, akan dilihat grafik wereng batang coklat pada kabupaten Pemalang tersebut. Setelah melihat grafik data OPT tersebut, akan dibandingkan dengan data prediksi kumbang Coccinelid pada tahun dan kabupaten yang sama. Kemudian setelah mendapatkan kedua grafik prediksi tersebut, akan dilakukan perbadingan antara dua data tersebut dengan data curah hujan pada kabupaten dan tahun yang sama. Ketiga grafik prediksi tersebut akan ditunjukkan pada Gambar 13.
(a)
14
(b)
(c)
Gambar 13 Grafik Analisis Prediksi Kabupaten Pemalang tahun 2012, (a) Grafik Prediksi WBC, (b) Grafik Prediksi Kumbang Coccinelid, (c) Grafik Prediksi Curah Hujan
Setelah mendapatkan ketiga grafik tersebut, maka akan dianalisis hubungan dari ketiga jenis data tersebut. Data prediksi ditunjukkan dengan warna biru. Dari ketiga grafik tersebut bisa dilihat bahwa populasi WBC akan mencapai nilai tinggi pada bulan Agustus dan pada waktu tersebut diprediksi jumlah kumbang Coccinelid akan berada pada jumlah rendah. Selain itu populasi WBC dan musuh alaminya pada tahun 2012 diprediksi berada pada nilai rendah saat nilai curah tinggi yaitu pada bulan Januari sampai bulan April nilai. Pada penelitian ini pengujian sistem dilakukan dengan menggunakan metode black box dan kuesioner. Pengujian dengan metode black box merupakan metode pengujian sistem untuk mengetahui apakah sistem telah berfungsi dengan benar dan sesuai dengan spesifikasi sistem yang dibuat. Pengujian pada user dilakukan untuk melihat bagaimana kinerja sistem ketika user menggunakan fungsi-fungsi yang ada di dalamnya, seperti fungsi menampilkan data historis, memprediksi OPT, predator serta curah hujan semua sudah berjalan dengan baik. Sedangkan kuesioner dilakukan untuk menguji sistem kepada responden. Sistem ini telah diujikan kepada 15 orang yang terdiri dari 10 orang Penyuluh Pertanian Lapangan (PPL) Kabupaten Banyumas dan 5 orang mahasiswa dari Fakultas Teknologi Informasi (FTI). Peneliti melakukan demonstrasi program dan menjelaskan cara kerja sistem kepada responden,
15
kemudian responden menguji coba program dan mengisi kuesioner. Kuesioner terdiri dari 14 pernyataan terkait kualitas sistem, mulai dari user interface, kinerja sistem dan kemampuan prediksi. Hasil dari kuesioner yang telah diisi menunjukkan bahwa sistem Pemetaan dan Prediksi serangan OPT dan potensi Predator ini dapat berfungsi dengan baik dan dapat membantu PPL dalam menganalisa data serta memprediksi serangan OPT. Pada Gambar 14 akan ditunjukkan grafik dari respon pernyataan nomor 14 mengenai kepuasan terhadap sistem. 8
Sangat Setuju
7 6
Setuju
5 4
Ragu-ragu
3 Tidak Setuju
2 1 0
Sangat Tidak Setuju
1st Qtr
Gambar 14 Grafik Kepuasan Responden
Dari 15 responden, 8 orang memilih sangat setuju bahwa mereka puas dengan sistem ini, 7 orang memilih setuju dan tidak ada yang memilih ragu-ragu, tidak setuju atau sangat tidak setuju. 5. Simpulan Prediksi dengan metode triple exponential smoothing baik diterapkan untuk memprediksi data dengan pola musiman seperti data OPT, predator dan Curah Hujan. Dengan menganalisis nilai data historis OPT dan musuh alaminya/predator dari grafik yang ditampilkan sistem dapat diketahui bahwa jumlah predator mempengaruhi jumlah populasi dari OPT. Sedangkan dengan menganalisis data curah hujan akan diketahui bahwa jumlah OPT dan predator juga dipengaruhi oleh intensitas curah hujan seperti terlihat pada grafik analisis kabupaten Pemalang tahun 2009 yang telah dilakukan dalam penelitian ini.. Analisis data prediksi digunakan untuk mengetahui kapan populasi OPT akan mencapai nilai tinggi karena sedikitnya jumlah predator pada waktu tersebut.
16
6. Daftar Pustaka [1]
BB Padi. 2011. Upaya Antisipasi Ancaman Gagal Panen Karena Hama Wereng Coklat. http://bbpadi.litbang.deptan.go.id/index.php/in/berita/infoaktual/375-upaya-antisipasi-ancaman-gagal-panen-karena-hama-werengcoklat (diakses tanggal 19 Juni 2012)
[2]
Makridakis, Spyros dan Wheelwright, Steven C. 1999. Metode dan Aplikasi Peramalan.Jakarta : Binarupa Aksara.
[3]
Raharja, Alda, Wiwik Angraeni, dan Retno Aulia Vinarti. 2010. Penerapan Metode Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon Di PT.Telkomsel DIVRE3 Surabaya.
[4]
Kalekar, Prajakta S. 2004. Time series Forecasting using Holt-Winters Exponential Smoothing. Kanwal Rekhi School of Information Technology
[5]
Prasetyo, Dedy Dwi. 1998. Peramalan Menggunakan Metode Pemulusan (Smoothing). Analisis Time Series.
[6]
NIST/SEMATECH. 2003. NIST/SEMATECH e-Handbook of Statistical Methods. http://www.itl.nist.gov/div898/handbook/ pmc/section4/pmc43.htm (diakses tanggal 25 Juni 2012).
[7]
Natanegara, Firdaus. 1997. Peran Parasitoid Dan Predator Dalam Pengendalian Hayati.
[8]
Hendartoro 2012. Prediksi Wilayah Endemis Serangan Hama Wereng Batang Coklat (WBC) Berdasarkan Indikator Curah Hujan Menggunakan Metode Single Exponential Smoothing Berbasis Spasial Temporal. Salatiga : Universitas Kristen Satya Wacana.
[9]
Supriyono, S.W., 2006, Keterkaitan Antara Penyimpangan Cuaca Pertanian dengan Organisme.
17
