4
1. Pendahuluan Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering menghadapi masalah yang menyebabkan penurunan hasil panen bahkan gagal panen. Permasalahan yang menyebabkan terjadinya gagal panen dan puso adalah hama penyakit atau sering disebut Organisme Pengganggu Tanaman (OPT) [1]. OPT yang sering menyebabkan penurunan hasil panen pada komoditas padi atau bahkan gagal panen (puso) adalah Wereng batang coklat (Nilaparvata lugens) atau yang dikenal dengan WBC. WBC menjadi parasit dengan menghisap cairan tumbuhan dalam kasus ini adalah komoditas padi sehingga mengakibatkan perkembangan tumbuhan menjadi terganggu bahkan mati [2]. Data peningkatan serangan WBC di Indonesia terjadi pada lahan pertanian seluas 2,5 juta ha tahun 1970 – 1980, kemudian pada periode 1980 – 1990 terjadi serangan seluas 50.000 Ha, dan serangan 200.000 Ha pada tahun 1990 – 2000. Daerah serangan WBC terparah hingga periode Juni 2010 terjadi di kabupaten Klaten dengan 1.442 Ha dan puso 411 Ha, Sukoharjo terserang WBC 1.258 Ha, puso 227 Ha, kabupaten Pekalongan 1.100 Ha, puso 15 Ha, Boyolali 248 Ha, puso 37 Ha [3]. Tujuan dari penelitian ini yang pertama adalah menyusun model konseptual dan metode prediksi wilayah endemis serangan WBC berdasarkan pada variabel LTS menggunakan metode single exponential smoothing. Tujuan yang kedua adalah membangun model sistem informasi geografis berbasis web untuk memberikan pemetaan wilayah endemis serangan. Tujuan yang ketiga adalah merumuskan dan mengusulkan kebijakan yang bersifat implementatif berupa prosedur operasional standar (POS) sebagai pedoman dalam prediksi wilayah endemis WBC LPHP Surakarta. Sistem ini dapat memberikan gambaran wilayah serangan WBC dalam bentuk besaran kejadian dan dalam peta prediksi kejadian serangan WBC yang akan ditampilkan dalam SIG berbasis web agar lebih mudah untuk diakses melalui jaringan internet. 2. Tinjauan Pustaka Prediksi merupakan kegiatan untuk memperkirakan nilai-nilai dari variabel yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Dalam penelitian ini variabel yang digunakan adalah data LTS. Variabel yang berhubungan dengan variabel tersebut dan menjadi indikator adalah variabel iklim [4]. Metode single exponential smoothing digunakan karena karakteristik data historis berfluktuasi secara acak. Metode ini menggunakan sebuah parameter , yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1-) kepada hasil prediksi periode sebelumnya. Harga terletak antara 0 dan 1 [5]. Single exponential smoothing merupakan salah satu kategori metode runtun waktu yang menggunakan pembobotan data masa lalu secara eksponensial. Pembobotan secara eksponensial berarti metode mengadakan penghalusan atau pemulusan terhadap data masa lalu dengan mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode. Secara prinsip, metode pemulusan eksponensial akan memuluskan data – data hasil pengamatan masa lampau untuk menghilangkan keacakan [6].
5
Persamaan umum dari metode yang digunakan dalam prediksi adalah: Ft 1 X t 1 Ft ........................................................................... (1) Keterangan : Ft+1 : ramalan untuk periode t+1 Xt : data pada periode waktu t Ft : ramalan untuk periode waktu t. Nilai et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Dengan demikian dapat dikatakan bahwa prediksi pada periode yang akan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan prediksi dengan menggunakan metode single exponential smoothing, besarnya α (alpha) ditentukan secarat trial dan error sampai diketemukan α (alpha) yang menghasilkan kesalahan prediksi terkecil. Metode ini cocok digunakan untuk meramal data-data yang fluktuatif secara random [7]. 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). Dalam penelitian ini penerapan MSE adalah untuk mengetahui nilai kesalahan hasil prediksi variabel [8]. n
MSE
e i 1
2 i
.................................................................................... (2)
n Keterangan: MSE : rata-rata kesalahan kuadrat n : jumlah periode waktu data : kesalahan pada periode waktu i ei 3. Perancangan dan Metodologi Penelitian Pada penelitian ini metode yang digunakan dalam perancangan aplikasi adalah dengan menggunakan metode Analisis Simulasi. Metode ini merupakan penggabungan antara perspektif analisis spasial temporal dan juga deskriptif tentang model spasial temporal. Model metode analisis simulasi akan ditunjukan pada Gambar 1 [9].
6
Rumusan masalah PengumpulanData dan Analisis PengembanganModel
Verifikasi model dan Validasi
Experimen Model dan Optimisasi
Implementasi dan Hasil Simulasi Gambar 1 Model Analisis Simulasi Pada tahap rumusan masalah adalah bagaimana membuat rumusan masalah tentang pembangunan SIG yang dapat menampilkan prediksi wilayah serangan endemis WBC di LPHP. Pengumpulan dan analisis data historis yang dibutuhkan dalam penelitian ini adalah data LTS yang menjadi data historis kejadian searangan WBC di LPHP Surakarta tahun 2001 hingga tahun 2010. Sebagai data indikator digunakan data iklim selama kurun waktu 10 tahun yaitu tahun 2001 hingga 2010 di LPHP Surakarta. Pengembangan Model adalah tindak lanjut dari tahapan rumusan masalah yang telah diidentifikasi pada tahap sebelumnya kemudian mulai pengerjaan dan testing model yang sesuai dengan keadaan pada dunia nyata. Inti dari tahap ini adalah mengerti sistem yang akan dikembangkan dalam penelitian prediksi wilayah endemis WBC pada LPHP Surakarta. Pada Tahap Pemilihan Model penelitian ini menggunakan metode runtun waktu single exponential smoothing. Pada tahapan model eksperimen dan optimasi data telah menjadi data hasil prediksi dengan menggunakan metode single exponential smoothing. Data historis LTS dan iklim diolah menjadi data prediksi yang akan disajikan kedalam SIG. Tahap Testing yaitu dimana pengujian terhadap hasil prediksi dengan single expnential smoothing akan dilakukan uji validasi dengan menggunakan Mean Squared Error (MSE) untuk mengetahui seberapa besar kesesuaian dan ketepatan pada kondisi riil.
7
Pemodelan yang akan diimplementasikan dalam SIG sistem prediksi akan ditunjukkan pada Gambar 2 hingga Gambar 7 sebagai berikut. <<extend>>
Melihat halaman Index
Melihat Info dan Peta kabupaten LPHP Surakarta <<extend>> <<extend>>
Melihat Peta dan Data Curah Hujan
<<extend>>
Melihat Peta dan data rerata 10 tahun
<<extend>> <<extend>>
Melihat Peta dan Data Hujan Harian
user
<<extend>>
Melihat Peta dan Data OPT
Melihat Peta dan data pertahun <<extend>>
Akses Halaman Prediksi
Melihat Peta dan data hasil Prediksi
Info Contact <
> <<extend>>
Ubah database
Admin Mengubah Data
Melihat Database
Gambar 2 Use Case Sistem Prediksi Use Case yang di tunjukan pada Gambar 2 menunjukkan model bagi pengguna. Pengguna dapat mengakses halaman web SIG sebagai pengguna, secara garis besar informasi yang ditampilkan adalah data historis serangan WBC juga pengguna dapat mengakses halaman prediksi WBC yang diinginkan. Menu yang dapat diakses oleh pengguna adalah menu curah hujan, hujan harian, prediksi, login dan contact. pada menu login pengguna hanya dapat melihat halaman login karena sistem ini hanya memberikan akses login dan hak akses ubah data hanya pada administrator. User
SIG
Database
Start
Request menu
melihat data historis
Input data prediksi
Menampilakan menu
memberikan nilai request dari sistem
menampilkan data request user
Generate data prediksi
memberikan data historis sebagai data penghitungan
Prediksi dengan single exponential smoothing
Melihat data prediksi
menampilkan data prediksi
menyimpan data prediksi
End
Gambar 3 Activity Diagram Model SIG Pengguna Activity diagram Model SIG pada Gambar 3 menunjukkan bahwa permintaan dari pengguna kemudian diproses oleh sistem dan melalui proses
8
perhitungan prediksi dengan metode single exponential smoothing data kemudian akan disimpan dalam database kemudian database memberikan keluaran berupa array. Array dari database kemudian sama pada proses sebelumnya bahwa array tersebut di render ke dalam peta digital, grafik dan tabel. admin
SIG
Database
Start
Login
Diterima
Verifikasi User
tidak
ya
Menampilkan Admin Page
menu edit data
Input update data
ya
Edit tidak Menu index tidak sim pan update
Sim pan
ya Melihat data
menampilakn data request
Input data prediksi
Generate data prediksi
mem berikan data historis sebagai d...
Prediksi dengan single exponential sm oothing
Melihat data prediksi
menyim pan data prediksi
menampilkan data prediksi
Logout
End
Gambar 4 Activity Diagram Model SIG Administrator Activity Diagram pada Gambar 4 hampir sama dengan activity pengguna namun ada perbedaan yaitu dalam hak akses pada database sistem. Hak akses ini memungkinkan administrator melakukan up date database. Deskripsi terhadap sistem prediksi akan digambarkan lebih jelas dalam Gambar sequence diagram dan class diagram sebagai berikut. : Control : boundary
: Us er
: Databas e
Aks es Halam an index View index reques t data index return data m enam pilkan halam an index
View data his toris getReques t us er reques tDataHis toris return data Menam pilkan Data His toris
input data prediks i GetInputDataPrediks i Reques tDataHis toris returnData Menam pilkanDataPrediks i
Gambar 5 Sequence Diagram Model SIG Pengguna
9
Sequence Diagram Pada Gambar 5 Model SIG pengguna menjelaskan tentang tahap demi tahap yang terjadi dari proses pengguna yang berinteraksi dengan sistem kontrol dan database secara berurutan. Pada tampilan awal pengguna akan mendapatkan tampilan index yang berisi informasi seputar wilayah studi dan juga variabel yang digunakan dalam sistem. Antar muka pengguna yang kemudian dapat diakses oleh pengguna adalah view data historis dan juga menu prediksi. Dalam permintaan menu historis, pengguna mengirimkan perintah kedalam sistem kontrol dan sistem akan meminta data ke dalam database untuk dikembalikan ke antar muka pengguna dengan menampilkan data kembalian berupa peta, grafik dan tabel historis baik menu informasi Curah Hujan, Hujan Harian dan juga data LTS serangan WBC. Menu prediksi yang akan menampilkan hasil perhitungan prediksi menggunakan single exponential smoothing sebelumnya pengguna melakukan input yang berupa kecamatan yang akan diprediksi beserta jenis variabel yang akan diprediksi dan juga musim. Setelah pengguna melakukan input tombol proses yang akan memberikan permintaan kedalam sistem kontrol yang akan mengambil nilai historis yang akan dijadikan variabel penghitung dan kemudian kontrol melakukan penghitungan dengan single exponential smoothing. Kemudian sistem melakukan penyimpanan data prediksi ke database. Setelah proses penyimpanan data akan dipanggil kembali dalam nilai prediksi yang akan ditampilkan dalam peta, grafik dan tabel prediksi. : Control : boundary
: Adm in
: Databas e
ViewIndex ViewIndex Reques tDataIndex
ReturnData ShowDataIndex
ViewDataHis toris GetReques tData Reques tDataHis toris ReturnData ShowDataHis toris
InputDataPrediks i GetInputDataPrediks i Reques tDataHis toris ReturnDataPrediks i ShowDataPrediks i
PilihDataYangAkanDIUpdate GetDataUpdate SelectDataLam a
ReturnNilaiBaru ShowDataUpdate
Gambar 6 Sequence Diagram Model SIG Administrator Sequence Diagram Pada Gambar 6 dalam model SIG administrator. Semua hak akses yang dimiliki pengguna juga dapat dilakukan oleh administrator. Hanya satu hak akses yang membedakannya dengan pengguna biasa yaitu hak akses langsung kedatabase. Hak akses tersebut adalah menu edit database. Hal ini memungkinkan admin merubah database yang berada dalam sistem.
10
ViewData
Pre ediksi
ControlDataHistoris
Contro olPrediksi
User
ControlUser
V ViewData
Select
update
Show
EntityDataHistoris EntityAdmin Id : integer nama : String Password : varchar SelectData() ViewData() UpdateData() Prediksi()
id : integer kodekecamatan : Integer kecamatan : String kodekabupaten : Integerr bulan : date tahun : date SelectData() ViewData() UpdateData()
Count
Show
EntityDa ataPrediksi id : integer kodekecama atan : Integer kecamatan : String kodekabupa aten : Integer bulanPredik ksi : date tahunPredik ksi : date HitungPrediksi() SelectDataP Prediksi() ShowDataPrediksi()
Gambaar 7 Class Diagram D mo odel SIG Classs Diagram m Gambar 7 model SIG S menun njukkan struuktur kelass dan deskripsi objek dan atribut a dalam m sistem prediksi. Ak ktor dalam ssistem ini adalah a pengguna yang dapatt mengaksees sistem prediksi. Akses penggunna dengan sistem s akan diolaah di dalam m kelas koontroler sisttem. Kelas kontrol akkan membeerikan perintah teerhadap sisttem untuk m menampilkaan data dan melakukan m prediksi. 4. Hasill dan Pemb bahasan Hasiil antar mu uka sistem iini secara garis g besar terbagi t mennjadi dua bagian b yaitu yangg pertama adalah meenu Curah Hujan, Hujjan Harian dan OPT yang merupakann menu vieewer yang menampilk kan data hisstoris. Dataa historis adalah a data sumbber yang akan a digunaakan dalam m penghitun ngan predik iksi. Menu pada bagian ini sistem akan n menampillkan data hiistoris sebag gai informaasi. Bagian kedua adalah foku kus dari pen nelitian ini yaitu preddiksi WBC pada komoditass padi. Dataa historis y ang diprosees dalam sistem mengggunakan metode m single expponential sm moothing yanng diharapk kan menjadii nilai predik iksi yang baaik. Mennu index daalam SIG iini berisikaan konten selamat dat atang, WBC C dan konten wiilayah LPHP Surakartaa. Halaman n index yang g akan ditaampilkan seebagai halaman beranda b darii sistem adaalah sebagaii berikut sep perti Gambaar 7:
G Gambar 8 Halaman H ind dex Padaa halaman awal SIG aakan ditam mpilkan kon nten berupa deskripsi WBC W secara sekkilas dan ju uga Wilayaah Studi kasus k yaitu LPHP Surrakarta. Wiilayah LPHP Surrakarta akaan ditunjukkkan Gambaar 8. Peta LPHP L Suraakarta menccakup Wilayah dengan d 7 kabupaten k dan 124 kecamatan. Kabupaten tersebut adalah a Kabupatenn Klaten, Kabupatenn Boyolali, Kabupateen Sukohaarjo, Kabu upaten Karanganyyar, Kabupaaten Sragenn, Kabupaten n Sukoharjo o dan Kodiaa Surakarta..
11
Gambbar 9 Wilayaah LPHP Su urakarta Mennu yang akaan menampiilkan data historis h indik kator iklim yang terdirri dari Curah Huujan dan Hu ujan Hariann akan ditam mpilkan dalam bentukk peta, tabeel dan grafik. Daalam penyaajian param meter peta yang digun nakan dalam m tinggi reendah nilainya dibutuhkan d legenda yyang akan menunjuk kan klasifikkasi dalam peta prediksi ditunjukkan d n pada Gambbar 10a, Gaambar 10b dan d Gambarr 10c.
Gambbar 10a Leg genda Curah h Hujan
Gambbar 10b Legeenda Hujan Harian
nda Serangaan WBC Gambaar 10c Legen Mennu prediksii akan meenampilkan n pilihan kecamatan sesuai deengan kabupatenn yang telaah dipilih. Sedangkan jenis varibel yang aakan diram malkan mempunyyai pilihan Curah C Hujann, Hujan Haarian dan OP PT.
Gambaar 11 Menu Input I Predik ksi Seteelah penggu una memasuukan masukan pada halaman h preediksi kemudian pengguna menekan to ombol prosees secara ottomatis peng gguna mem mberikan perrintah
12
pada sisteem untuk memprediks m si sesuai parameter p pengguna. p D Data yang telah melalui prroses genera ate data kem mudian men nyimpannyaa dalam dattabase. Dataa dari database tersebut t yan ng akan meenjadi nilai prediksi p yan ng dibutuhkkan sistem untuk u menampilkan dalam peta, p grafikk dan tabel prediksi p WB BC. Padaa saat peng gguna melaakukan massukan berup pa Kabupat aten, Kecam matan, Jenis Variiabel dan Tahun T prediiksi sistem sebenarnyaa mengambbil masukan n data dari databbase yang kemudian dihhitung men nggunakan metode m preddiksi yaitu single s exponentiaal smoothin ng. Sebagaai contoh perhitungan sistem di bawah ini akan ditunjukkaan salah satu contoh peerhitungan dari d variabeel prediksi L LTS dan varriabel prediksi Curah C Hujan n. Contoh Manual: M FJanuari2015 = 310.0 013398306771 * 0.2 + (1 - 0.2) * 15 58.3014313383405 = 188.6438224768 mm FFebruari22015 = 300.7087620322645 * 0.2 + (1-0.2) * 310.013398 3 830671 = 308.1524771052 mm FMaret2015 = 297.25 574419294008 * 0.2 + (1-0.2) * 300 0.7087620332645 = 300.0184998012 mm Coontoh manu ual menjelaaskan tentaang satu contoh perhhitungan manual m prediksi curah c hujan n yang akann dijalankan n oleh sisteem prediksii. Contoh diatas d adalah peerhitungan prediksi bbulan Janu uari 2015 hingga Maaret 2015 pada kecamatann Sukoharjo o kabupatenn Sukoharjo o. Sistem ak kan mulai m menghitung g data rerata bulaan Januari selama 20001 – 2014 pada p kecam matan Sukohharjo. Nilai hasil prediksi yang diasum msikan sebaggai nilai histtoris data paada tahun 22015 dan terrsebut data akan disimpan ke k dalam daatabase. Daata akan ditaampilkan keembali ke dalam d m bentuk peta kejadian,, tabel dan grafik g sebag gai presentaasi. SIG dalam Indikator yang g akan m menunjukkan n wilayah endemis serangan akan ditunjukkaan dengan gradasi warrna sebagaii legenda pada peta prrediksi. Leg genda akan ditunnjukkan Gam mbar 12.
Gambbar 12 Legeenda Predikssi OPT Klassifikasi yang g digunakann dalam preediksi LTS WBC akan dibagi ke dalam d 3 tingkataan. Tingkattan klasifikkasi yang pertama adaalah klasifikkasi tinggi yaitu apabila data d rerata hasil preddiksi memiiliki kisaran n nilai diaatas 7,5 hektar. Tingkatann ke 2 adalaah klasifikaasi sedang, nilai kisaraan klasifikassi sedang adalah a nilai rerata antara 2,5 5 hektar hinngga 7,5 heektar dan yang y ke 3 aadalah klasifikasi rendah denngan nilai rerata kuranng dari 2,5 hektar. h Padaa analisis hasil pediksii pada LPH HP Surakartaa akan diam mbil hanya tahun 2015 padaa seluruh 7 Kabupatenn di LPHP Surakarta sebagai s sam mpel analisiss dari keseluruhaan prediksi LTS. Samppel kabupaten pada tah hun 2015 yaang diambill akan dianalisis data spasiaal dan tem mporal hasil prediksiny ya sehinggaa akan dikeetahui pola spasial intensitass serangan W WBC.
13
Gambar G 13 P Prediksi Wo onogiri tahu un 2015 Padaa Gambar 13 menunj ukkan hasiil prediksi pada Kabuupaten Won nogiri tahun 2015 hanya pad da 1 kecam matan Selogiiri yang massuk pada kllasifikasi sedang. Nilai preediksi padaa daerah Selogiri: 6,74 6 hektaar. Pada w wilayah lainnya menunjukkkan wilayaahnya termaasuk pada klasifikasi k rendah r denggan nilai LT TS di bawah 2,55 hektar.
Gambar G 14 P Prediksi Suk koharjo tahu un 2015 Padaa Kabupateen Sukoharrjo yang ditunjukkan d pada Gam mbar 14 teerlihat bahwa sebbagian besaar wilayah ppada kabupaaten Sukoharjo masukk pada klasifikasi tinggi. Kecamatan K yang y masuuk dalam klasifikasi LTS tingggi mencak kup 8 kecamatann yaitu Gattak: 12,41 hhektar, Bak ki: 16,3 hek ktar, Grogool: 14,65 hektar, Mojolabann: 29,75 hektar, h Polookarto: 17,,53 hektar, Bendosarii: 10,04 hektar, Sukoharjoo: 16,45 hektar h dan Tawangsaari: 15,05 5. Satu keecamatan masuk m klasifikasii sedang yaitu kecam matan Weru u: 4,04 hek ktar dan 2 wilayah masuk m klasifikasii rendah yaiitu Kecamattan Bulu: 1,51 hektar dan d kecamaatan Nguter: 2.73 hektar.
14
Gambar 155 Prediksi Sragen tahun n 2015 Anaalisis pada kabupatenn Sragen yang y ditun njukkan paada Gambaar 15 menunjukkkan kecamaatan Masarran: 26,76 hektar h yang g merupakann satu – satunya kecamatann yang maasuk klasifiikasi tinggii, 3 wilayaah yang m masuk klasifikasi sedang yaaitu kecamaatan Kedaw wung: 6,81 hektar, Sidoharjo: S 55,53 hektarr dan Tanon: 3,,91 hektar. Wilayah yyang lain pada kabupaaten Sragenn termasuk pada klasifikasii rendah yaiitu di bawahh 2,5 hektarr.
Gam mbar 16 Preddiksi Kodiaa Surakarta tahun t 2015 Padaa Gambar 16 1 merupakkan wilayah h pada Kodiia Surakartaa dengan ju umlah kecamatann paling sed dikit yaitu 5 kecamataan. Pada taahun 2015 L Lima kecam matan dalam koodia surakaarta termassuk dalam klasifikasii LTS renndah kecam matan kecamatann tersebut adalah Law weyan, Banjarsari, Jeebres, Serenngan dan Pasar Kliwon seemua memp punyai kisarran nilai di bawah b 2,5 hektar. h
Gambar 177 Prediksi Klaten K tahun n 2015
15
Preddiksi pada kabupaten Klaten memiliki m seb baran LTS yang beraagam. Empat daaerah yang masuk klaasifikasi LT TS tinggi yaitu Kecam matan Wonosari: 16,28 hekktar, Delang ggu: 9,5 heektar, Juwirring: 25,27 hektar, Kaarangdowo: 21,2 hektar. Wilayah W yan ng masuk kklasifikasi LTS L sedang g yaitukecaamatan Jatiinom: 3,02 hekttar, Polanhaarjo: 7,25 hektar, Kaaranganom: 5,05 hekttar, Ceper: 3,27 hektar, Trrucuk: 7,53 hektar, Caawas: 8,42 hektar, dan n Gantiwarrno: 3,33 hektar. Wilayah sisa s yang tidak t termaasuk dalam klasifikasii tinggi dann sedang adalah a kecamatann Kemalaang, Tulunng, Karan ngnongko, Ngawen, Manisren nggo, Prambanaan, Jogonalaan, Kebonarrum, Klaten n utara, Klaaten Selatann, Klaten Teengah dan Kalikkotes masuk k pada kasiffikasi rendaah dengan kisaran k nilaii LTS pada 2015 di bawah 2,5 2 hektar.
Gaambar 18 Prrediksi Karaanganyar tah hun 2015 Klassifikasi LTS tahun 20015 pada kabupaten k ukkan Karanganyaar menunju bahwa kllasifikasinya didominnasi LTS rendah yaiitu Kecam matan Jumaapolo, Jatiyoso, Jatipuro, Tawangm mangu, Matesih, M Jumantono, J Karangaanyar, Karangpanndan, Mojo ogedang, K Kerjo dan Jenawi J den ngan kisaraan nilai LT TS di bawah 2,55 hektar. Teerdapat bebberapa kecamatan deng gan klasifikkasi sedang yaitu Jaten: 6,18 hektar, Colomadu: C dangrejo: 4,,98 hektar. Pada 5,93 hektarr dan Gond tahun 2015 kabupateen Karangannyar hanya memiliki satu s wilayahh yang term masuk dalam klassifikasi LTS S tinggi yaittu Kecamattan Kebak Kramat: K 11,55 hektar.
Gambar G 19 Prediksi Bo oyolali tahu un 2015 Anaalisis data hasil predikssi pada tahu un 2015 di Kabupaten Boyolali adalah a terdapat satu s kecamaatan dengaan klasifikasi LTS tinggi Kecam matan Ngem mplak: 12,35 hekktar. Klasifik kasi sedangg pada kabu upaten Karaanganyar addalah kecam matan
16
Nogosari, Sambi, Banyudono dan Sawit. Kecamatn dengan klasifikasi rendah di kabupaten Boyolali adalah kecamatan Selo, Ampel, Cepogo, Musuk, Boyolali, Mojosongo, Simo, Klego, Andong, Kemusu, Karanggede, Wonosegoro dan Juwangi. Dari peta prediksi wilayah endemis serangan WBC pada LPHP Surakarta diatas menunjukkan bahwa Kabupaten Klaten dan Kabupaten Sukoharjo yang memiliki kecamatan terbanyak yang memiliki klasifikasi tinggi pada wilayah endemisnya. Kemudian pembandingan antara data prediksi dengan data historis yang sesuai dengan nilai pada riil. Validasi yang akan dilakukan untuk menunjukkan kemampuan metode single exponential smoothing dalam memberikan hasil prediksi. Digunakan data tahun 2001 – 2005 sebagai data sumber untuk memprediksi tahun 2006 - 2010. Secara umum perhitungan kesalahan prediksi dapat dijabarkan sebagai berikut:
ei = xi – Fi ................................................................................................. (3) Keterangan : ei = kesalahan pada periode ke-i xi = nilai sesungguhnya pada periode ke-i Fi = nilai hasil prediksi pada periode ke-i Validasi yang dilakukan akan diambil sampel penghitungan untuk menghitung nilai ei (kesalahan peramalan) pada Kecamatan Gemolong Kabupaten Sragen. Persamaan (3) akan digunakan untuk menghitung nilai kesalahan hasil prediksi.
EGemolong = xGemolong – FGemolong EGemolong = 210 – 208.08 = 1,92 Nilai
xGemolong
didapatkan dari rerata data historis pada Kecamatan Gemolong pada tahun 2001 – 2005, kemudian nilai tersebut dikurangi dengan rerata hasil prediksi menggunakan metode single exponential smoothing dari 2006 -2010. Nilai kesalahan peramalan (ei) yang didapatkan adalah 1,92 yang akan dihitung menggunakan MSE seperti pada persamaan (2). Perhitungan manual yang akan dilakukan adalah sebagai berikut.
1,92 2 MSE 0,73728 5 Nilai MSE didapatkan dengan menghitung kuadrat dari ei kemudian dibagi dengan jumlah periode data. Periode data dalam validasi adalah 5 periode yaitu 2001 – 2005. Hasil validasi yang didapatkan pada Kecamatan Gemolong dengan menggunakan MSE Adalah 0,73728. 5. Kesimpulan Metode single exponential smoothing dapat dipergunakan sebagai metode prediksi dengan karakteristik data yang mempunyai fluktuatif. Pola spasial
17
temporal data hasil prediksi akan mengalami penurunan dari periode satu ke periode berikutnya. Pola penurunan data hasil pediksi dikarenakan karakteristik single exponential smoothing memberikan pembobotan lebih besar pada hasil yang pertama diprediksi. Wilayah prediksi luas tambah sebaran endemis LTS WBC mempunyai pola yang fluktuatif di LPHP Surakarta. Hasil prediksi periode satu dengan yang lainnya akan memiliki karakteristk yang tidak jauh berbeda baik dari nilai prediksi. Metode runtun waktu yang digunakan pada sistem ini yaitu Single Exponential Smoothing dapat diterapkan sebagai metode prediksi WBC dengan indikator iklim. Hasil prediksi dapat digunakan menjadi pertimbangan dalam pengambilan keputusan dalam bidang – bidang yang terkait dengan hasil prediksi. Validasi sebagai pengukur keakuratan metode prediksi dapat dilakukan dengan membuat perbandingan data riil dengan data prediksi yang telah diketahui nilai sebenarnya. 6. Daftar Pustaka [1] Waluyo, B., 2011, Memberantas Hama Wereng Batang Cokelat, Bappeda Jawa Tengah, Suara Merdeka 24 Juni 2010, http://suaramerdeka.com/v1/index.php/read/cetak/2010/06/24/114348/Mem berantas-Hama-Hama-Wereng-Batang-Cokelat[2] Supriyono, S.W., 2006, Keterkaitan Antara Penyimpangan Cuaca Pertanian Dengan Organisme Pengganggu Tanaman Pangan. [3] Effendi B. S., 2009, Strategi Pengendalian Hama Terpadu tanaman Padi Dalam Perspektif Praktek Pertanian Yang Baik (Good Agricultures Practices). [4] Ai, T. J., 1999, Optimalisasi Peramalan Pemulusan Eksponensial Satu Parameter Dengan Menggunakan Algoritma Non linear Programming, Jurnal Teknologi Industri vol.3 No.3. [5] Makridakis, S., Whell Wright, Steven C., Mcgee Victor E, alih bahasa: Untung Sus Andriyanto, Abdul Basith, 2000, Metode dan Aplikasi Peramalan Edisi Kedua, Penerbit Erlangga. Jakarta. http://www.uajy.ac.id/jurnal/jti/1999/3/3/doc/1999_3_3_1.doc. [6] Supriana, U., 2010, Universitas Sumatera Utara, Peramalan Produk Domestik Regional Bruto (Pdrb) Kabupaten Labuhan Batu Pada Sektor Pertanian Tahun 2011 [7] Kuncono, 2010, rancang bangun sistem peramalan permintaan barang pada cv. konveksi jaya dengan menggunakan metode exponential smoothing [8] Astuti, Y., 2005, Peramalan (Forecasting) Volume Penjualan Teh Hitam Dengan Metode Exponential Smoothing Pada Pt Perkebunan Tambi Wonosobo. [9]
Hoover, S.V. & Perry, R.F., 1989, Simulation: A Problem-Solving Approach. Boston: Addison-Weshey
