ANALISA DATA PERTANIAN BOYOLALI DALAM BEBERAPA FAKTOR UNTUK OPTIMASI PRODUKTIVITAS PERTANIAN Hanna Arini Parhusip1) ,Suryasatriya Trihandaru1), Bambang Susanto1), Yohanes Hendro Agus2), Sri Yuliyanto J. Prasetyo3), Bistok.H.Simanjutak2) 1
FSM, Universitas Kristen Satya Wacana email:
[email protected] [email protected] [email protected] 2 Fak.Pertanian, Universitas Kristen Satya Wacana email: yohanes.agus@ staff.uksw.edu
[email protected] 3 Fak.Teknologi Informasi, Universitas Kristen Satya Wacana email: sri.yuliyanto@ staff.uksw.edu
ABSTRACT The paper here addresses the analysis of factor-factors affecting productivity of paddy fields in district Boyolali,as one of districts in Central Java Indonesia. The amount of rainfalls, the harvested area, the critical region and the area destroyed by pestsare considered in the analysis. The used methods are multivariate regression and principal components analysis (PCA). Multivariate linear regression fails indicating linear assumption is not violated. There have been 19 pests recorded destroying the paddy fields. These pests are analyzed to find the dominant type of pest .The analysis has shown that there exists no type of pest dominating the fields during the observation data in the year 2008-2013. Keywords: Padi, regresi multivariate,PCA, OPT
PENDAHULUAN Selama ini produksi padi yang
produksi padi tergantung curah hujan dan
dipelajari dengan memperhatikan beberapa
lahan kritis untuk Boyolali(Parhusip, dkk.,
faktor
2014) (Parhusip, Somya,2015).
untuk
mendapatkan
optimasi
produktivitas panen padi. Beberapa model matematika
telah
digunakan,
Akan tetapi pengaruh OPT (Organis-
misalkan
me Pengganggu Tanaman) selama ini
produksi padi dengan fungsi kuadratik
belum menjadi kajian dimana terdapat 19
(Dewi,dkk,2013), optimasi dengan SVD
jenis OPT yang ada pada pertanian padi di
(Singular Value Decompotion) dan ACO
Boyolali selama tahun 2008-2012. Studi
(Ant Colony Algorithm). Adanya pengaruh
berbagai
geografis pada persekitaran tiap kecamatan
berbagai peneliti untuk dapat melakukan
di Boyolali, menyebabkan produksi panen
tindakan pencegahan kerusakan tanaman
padi juga dipengaruhi dari sifat geogegrafis
karena hama. Pada padi misalnya, ada 20
sekitarnya dimana metode GSTAR dan GIS
macam hama yang ditemukan di Jaffna,
dapat diimplementasikan. Misalkan
Srilangka
perilaku
hama
(Venugoban,
dan
dilakukan
Ramana, 175
PROSIDING KONSER KARYA ILMIAH NASIONAL Vol.2,Agustus 2016 | ISSN: 2460-5506
2014). Model penyerangan hama (baik tikus, wereng coklat) pada sawah yang selama ini sudah ada pada umumnya dengan pendekatan statistik seperti spatial autocorrelation
method (Prasetyo, dkk.,
2012) yang menggunakan Geographical Information System (GIS) untuk memvisualisasi area dan lokasi serangan. Demikian pula beberapa pola tanam padi dengan kebijakan lokal Pranatamangsa telah dikembangkan untuk mengatasi kerugian yang
Gambar 1 Skema data yang tersedia.
dilakukan oleh penyerangan hama (Kristoko,H.,dkk, 2012). Dari pendekatan ini, ternyata masih terdapat error sekitar 30%. Pada model-model yang sudah ada tersebut, interaksi antara padi, hama dan curah hujan masih belum ditunjukkan secara simultan. Oleh karena itu pengaruh OPT akan diamati pada makalah ini dimana tiap kecamatan mempunyai data curah hujan, luas area panen, luas lahan kritis dan area serangan OPT.
Karena ada 19 kecamatan di kabupaten Boyolali maka masing-masing kecamatan mempunyai data tiap variabel tersebut dimana kemudian data diorganisasi agar dapat diolah dengan mudah. Struktur organisasi data tiap variabel ditunjukkan pada Gambar 2. Metode yang digunakan Metode yang digunakan adalah metode regresi multivariate dan Principal Component Analysis yang sebagian besar
METODE PENELITIAN
secara detail telah dituliskan pada buku
Sumber data yang diolah
Analisa Data dan Pemodelan (Parhusip,
Data yang ada adalah data curah
dkk,2014).
hujan, luas area lahan kritis, luas area panen, data OPT untuk tiap kecamatan di Boyolali pada tahun 2008-2009. Adapun pengolahan data dilakukan dengan menyusun kembali data terlebih dahulu mengikuti sketa data pada Gambar 1. Terdapat 5 variabel yaitu padi, curah hujan, luas lahan panen, luas lahan kritis, dan luas area serangan OPT. 176
Gambar 2 Skemapenyusunan tiap variabel data yang tersedia.
Analisa Data Pertanian Boyolali dalam Beberapa Faktor untuk Optimasi Produkivitas … (Hanna A. Parhusip dkk)
Z T Z Z T y . Regresi Multivariat
1
Koefisien regresi ini dapat diperoleh
Metode ini akan digunakan untuk
menggunakan excel ataupun program R.
mengamati hubungan linear dari padi dengan faktor-faktor lain yaitu hujan, luas
Principal Component Analysis
panen, luas lahan kritis dan luas serangan
Metode ini memberikan transformasi
OPT. Untuk itulah maka perlu didefinisikan
dari kombinasi variabel mula-mula X
T Y y1 ,...yn dan
menjadi variabel principal yang diurutkan
variabel
tak
bebas
p variabel bebas dengan asumsi bahwa data
disimpan dalam sebuah matriks random X dimana elemen baris menyatakan n
observasi X X 1 ,..., X p
sesuai dengan nilai eigen terbesar dari matriks kovariansi variabel independent. Pada bab 4 kita akan menggunakan metode ini untuk memilih jenis OPT yang
den banyaknya
dominan sepanjang pengamatan karena
kolom menyatakan p variabel X 1 ,..., X p .
ada 19 macam dalam data. Untuk itu jenis
Setiap vektor X j mempunyai n observasi
OPT yang ada tiap tahun dianggap
yang ditulis sebagai vektor kolom sehingga
sebagai variabel X.
matriks X ditulis perkomponennya sebagai berikut :
Sebuah
matriks
X X 1 ,..., X p
adalah matriks vektor-vektor kolomnya
x11 x12 ... x1 p x 21 x 22 ...x 2 p X x n1 x n 2 x np
adalah vektor random (dianggap distribusi
Dalam notasi matriks-vektor, persamaan
vektor eigen yang bersesuaian untuk setiap 1 2 ... p 0 adalah e1 ,...,e p
normal) yang mempunyai matriks kovariansi S yang simetris dan positif tegas dengan nilai
hubungan multivariat linear adalah Ynxl Z n
x p 1
p 1x1 nxl
(1)
Komponen pertama matriks Z n x p 1 hanya mempunyai komponen bernilai 1 dan
eigen
1 2 ... p 0 dan
yang otogornal. Komponen prinsip ke-i adalah T
Yi e p X e1i X 1 e21 X 2 ... e pi X p , i 1,2,..., p
kolom ke-2 hingga ke p 1 adalah vektor-
Jika vektor eigen ada yang sama maka
vektor X 1 ,..., X p .
diperlukan generalisasi vektor eigen.
Parameter regresi 0 1 p
Teori PCA memberikan penjelasan bahwa
diperoleh dengan menyelesaikan Z T y Z T Z yaitu
total variansi tiap variabel independen adalah jumlahan dari nilai eigen dari
177
PROSIDING KONSER KARYA ILMIAH NASIONAL Vol.2,Agustus 2016 | ISSN: 2460-5506
matriks kovariansi dimana tiap nilai eigen
semua X kecuali X3. Hal ini tidak cukup
adalah variansi dari variabel principal Yi .
untuk pembahasan lebih lanjut berdasar-
Selanjutnya untuk mendapatkan variabel
kan data ini.
yang dominan maka diperlukan korelasi
Hasilregresi untuk tahun 2009
antara variabel principal dengan variabel mula-mula yaitu
Y X i
k
eki i
kk
, i, k 1,2,..., p.
Besarnya korelasi menjelaskan hasil PCA.
Demikian pula berdasarkan pvalue masing-masing parameter maka dapat diperoleh p-value > 0.05. Sehingga kita dapat menyatakan bahwa Y bukan fungsi linear dari semua X . Hal ini dimungkinkan bahwa Y dapat sebagai
HASIL DAN PEMBAHASAN Pada bagian ini akan dikembangkan
fungsi tak linear akan tetapi belum dibahas pada makalah ini.
regresi terhadap data pertanian padi dari Boyolali tahun 2008-2012. Untuk itu,
Hasil regresi untuk tahun 2010,2011,2012
sebelumnya dilakukan definisi variabel
Untuk tahun 2010, kita dapat
dimana variabel yang ada adalah:
menyatakan bahwa Y bukan fungsi linear
Y: padi, X1: Curah Hujan, X2 : Lahan Kritis,
dari semua X, kecuali X4. Hal ini berarti
X3 : Luas Panen, X4 : OPT. Proses regresi
sifat linear bukan multivariat karena
dilakukan dengan excel agar kegiatan ini
hanya 1 variabel yang signifikan dalam
juga dapat diujicoba dengan mudah oleh
model.
pegawai dinas pertanian di pedesaan. Jadi
menunjukkan bahwa Yjuga bukan fungsi
model yang digunakan adalah persamaan 1.
linear dari semua X, kecuali X2. Secara
Hasil Regresi Multivariat
sama
Metode regresi multivariat menunjukkan bahwa padi bukan fungsi linear dari 4
Sedangkan
pada
data
tahun 2012,
tahun
kita
2011
dapat
menyatakan bahwa Y bukan semua fungsi dari X.
variabel secara simultan.
Hasil PCA
Hasilregresi untuk tahun 2008
Sebelum melakukan PCA, maka pola data
Hasil regresi untuk tahun 2008 ditunjukkan pada dengan bantuan Excel. Berdasarkan p-value masing-masing parameter maka diperoleh p-value > 0.05 kecuali variabel X3. Artinya model (1) tidak tepat, atau Y bukan fungsi linear terhadap 178
diamati yaitu menentukan variabel hama yang dominan. Terdapat 19 variabel OPT (hama) pada tahun 2008-2012. Akan dicari OPT dominan dengan PCA sebagaimana dijelaskan pada Bab 2. Data menunjukkan bahwa terdapat 19 OPT
Analisa Data Pertanian Boyolali dalam Beberapa Faktor untuk Optimasi Produkivitas … (Hanna A. Parhusip dkk)
yaitu: Penggerek Batang, Tungro, Tikus,
untuk tahun 2012 jenis OPT yang muncul
BLB, Blas , Uret, Siput Murbei, Walang
hanya ke 1-5.
Sengit, Bulai, Wereng Coklat, Lalat Daun,
Untuk menggunakan metode PCA dari
Karat Daun, Hawar Pelepar, Bercak Daun,
Bab2
Virus Morzaik, Virus Kuning, Kerdil
kovaariansi (S).
maka
perlu
disusun
matriks
Rumput, Hama Putih Palsu dan Keong Mas.
Analisa Hasil PCA
Hasil observasi pendataan Sebelum diolah, data penyebaran
Setelah matriks Sdiperoleh, maka kita dapat mencari nilai eigennya yaitu
tiap tahun di Boyolali ditunjukkan pada
harus memenuhi persamaan Sx x dengan x x1 x2 x3 x4 . Dengan
Gambar3 untuk tahun 2008-2009. Secara
bantuan MATLAB maka dapat diperoleh
sama dilakukan untuk data pada tahun
nilai eigen maksimum dari tahun 2008-
2010-2012.
2012 berturut-turut adalah :
wilayah area serangan OPT diilustrasikan
1 7.4819 2 335.4913 3 167.7022
4 64.2020 5 168.7731.
Dengan menandai 0 k adalah vektor nol
dengan komponen semua 0 sebanyak kVektor eigen terkait untuk data (tahun Gambar 3.b Pola penyebaran hama dimana horizontal adalah jenis hama sedangkan vertikal menyatakan wilayah (kecamatan) di Boyolali tahun 2008.
Gambar 3.a Pola penyebaran hama dimana horizontal adalah jenis hama sedangkan vertikal menyatakan wilayah (kecamatan) di Boyolali tahun 2009.
Berdasarkan Gambar 3.a-3.b maka jenis OPT ke 1-10 muncul pada tahun 2008-
2008,2009,2010,2011,2012) yang bersesuaian dengan nilaieigen maksimum, maka berturut-turut sebagai berikut : v =[0.0171 0.0053 0.1067 0 -0.5518 -0.7566 -0.3023 0.1414 011 ]; v =[-0.2605 0 -0.1624 -0.9517 -0 0 0 0.0092 011 ]; -0.0043 -0.9930 v [ -0.1166 0 0.0030 0 3 0.0029
0
0
0 0.0186
0 0 -0.0069
00
0.0015 0.0030] ;
v [0 0 -0.0155 0.0437 0. 0 4 -0.9984 0 5 0.2 00 0.0062 0.012]
2009. Sedangkan pada tahun 2010-2011, maka jenis OPT ke 1-19 muncul. Sedangkan 179
PROSIDING KONSER KARYA ILMIAH NASIONAL Vol.2,Agustus 2016 | ISSN: 2460-5506
v = [0.0756
0 -0.0100
0.9403
0.3316
014 ].
pada variabel ke-8. Artinya jeniswereng ke-8
yaitu
walang
terbesar negatif
Korelasi variabel lama ditunjukkan
0.0962
-0.3250 -0.3206
Inf -0.4077
terdefinisi
ke-3,
jenis wereng ke-3 yaitu Tikus. Sedangkan
karena
adalah Penggerek Batang.
0.1048,
dimana untuk korelasi yang ke 9 hingga 19 tidak
variabel
yang ke-4 adalah BLB, dan yang ke-1
dengan urutan berikut 0.2779
pada
Korelasi
terbesar ke-4 negatif adalah ke-1. Artinya
Hasil PCA Tahun 2008
0.0985
sengit.
kovariansi
Hasil PCA Tahun 2010 Korelasi variabel lama ditunjuk-
0.
Demikian pula pada korelasi yang ke-4 juga tidak terdefinisi (bertanda Inf). Korelasi
kan dengan urutan : -0.4008 NaN -0.0074 -0.0778
terbesar positif pada variabel ke-2, terbesar
0.1862
ke-2 adalah ke-8. Artinya jeniswereng ke-2
Inf
NaN NaN 0.0653 Inf
-Inf 0.1767Inf
6.7978
yaitu Tungro. Sedangkan yang ke-8 adalah
Inf Inf
0.3631 -Inf -
0.1815,
walang sengit. Korelasi terbesar negatif
dimana untuk korelasi yang ke-2,6, dan 7
pada variabel ke-5, terbesar ke-2 negatif
tidak terdefinisi karena kovariansi 0.
adalah ke-6. Artinya jenis wereng ke-5
Demikian
yaitu Blas. Sedangkan yang ke-2 adalah
10,11,12,14,15,17, dan 18 juga tidak
Uret.
terdefinisi. Korelasi terbesar positif pada
Berdasarkan data 2008, disimpulkan sejauh
variabel ke-9, terbesar kedua adalah ke-5,
ini belum cukup informasi jenis hama yang
Artinya jeniswereng ke-9 yaitu wereng
dominan
coklat dan jenis wereng k-5 adalah Blas.
karena
semua
nilai
korelasi
pula
korelasi
yang
ke-
Korelasi terbesar negatif pada variabel ke-
0.5 .
16, terbesar kedua pada variabel ke-1. Artinya jenis wereng ke-16 yaitu Virus Hasil PCA Tahun 2009
Kuning, sedangkan yang ke-1 adalah
Korelasi variabel ditunjukan dengan
Penggerek Batang.
urutan berikut : -0.0958
NaN -0.2877 -0.0570 Inf
Inf
-Inf
0.0988
dimana untuk korelasi ke-9 sampai dengan ke-19 tidak terdefinisikan karena kovariansi 0. Demikian pula pada korelasi ke-2, ke-5, ke-6 dan ke-7. Korelasi terbesar positif 180
Hasil PCA Tahun 2011 Korelasi variabel lama ditunjukkan dengan urutan berikut: NaN
NaN -0.0943
NaN
NaN
NaN
0.0281
0.0692
NaN -0.1249
Analisa Data Pertanian Boyolali dalam Beberapa Faktor untuk Optimasi Produkivitas … (Hanna A. Parhusip dkk)
NaN
NaN-Inf
0.2363
0.1165
dimana
untuk
-Inf
Inf
Inf
yang
ke-
NaN, korelasi
Tabel 1. Hasil pengamatan jenis OPT tiap tahun menurut PCA No
Tahun
1,2,6,7,8,9,11,12, dan 19 tidak terdefinisi. Demikian pula pada korelasi yang ke13,14.15, dan 16 juga tidak terdefinisi.
Ke-1
Variabel Negatif
1
2008
Tungro
Ke-2 Walang Sengit
Blas
Uret
2
2009
W.Sengit
-
Tikus
3
2010
Bulai
V.Kuning
4
2011
Kerdil Rumput
Blas Hama P Palsu
P.Batang P. Batang
W. Coklat
Tikus
5
2012
Blas
BLB
Tikus
-
Korelasi terbesar positif pada variabel ke17, terbesar kedua pada variabel ke-18.
Variabel dengan Positif
Ke-1
Ke-2
Artinya jenis wereng ke-17 yaitu Kerdil Rumput, yang ke-17 adalah Hama Putih
Terdapat 6.7978 dimana seharus-
Palsu. Korelasi terbesar negatif pada variabel
nya 1 1 , sehingga korelasi ini tidak
ke-10 dan terbesar kedua negatif adalah ke3. Artinya jenis wereng ke-10 yaitu Wereng Coklat, sedangkan yang ke-3 adalah Tikus.
bermakna. Belum diketahui bahwa penyebab nilai korelasi yang dominan. Demikian pula dari tahun 2008-2012 terlihat tidak ada 1 0.5 atau 1 0.5 .
PCA Tahun 2012 Korelasi variabel lama ditunjukan dengan urutan sebagai berikut : 0.0472 Inf -0.0812
0.0808
terdefinisi
karena
sepanjang tahun 2008-2012 tidak ada hama OPT yang dominan. Secara aplikasi
0.1192
dimana untuk korelasi yang ke-6 hingga 19 tidak
Sehingga dapat disimpulkan bahwa pada
kovariansi
0.
Demikian pula pada korelasi yang ke- 2 tidak terdefinisi. Korelasi terbesar positif pada variabel ke-1, terbesar kedua adalah variabel ke-4, dan terbesar ketiga adalah ke-5. Artinya jeniswereng ke-1 yaitu Penggerek Batang, yang ke-4 adalah BLB, dan yang ke-5 adalah Blas. Korelasi terbesar negatif adalah variabel ke-3. Artinya jenis wereng ke-3 yaitu Tikus.
berarti semua hama perlu diperhatikan.
PCA lebih Lanjut Karena diperoleh hasil PCA yang tidak dapat menentukan variabel dominan berdasarkan data tiap tahun, maka dilakukan penyusunan datakembali dengan membuat semua data digabung. Pola data yang digabung mengikuti sketsa data pada Gambar 4. Untuk selanjutnya, pola data dicermati yang ditunjukkan pada Gambar 5. Jika OPT digabungkan dari tahun 2008-
Kesimpulan hasil PCA semua tahun
2012, ternyata diperoleh hasil bahwa
Hasil PCA di atas disimpulkan pada Tabel 1.
korelasi dalam PCA tidak terdefinisi dengan benar karena adanya 73577 . 181
PROSIDING KONSER KARYA ILMIAH NASIONAL Vol.2,Agustus 2016 | ISSN: 2460-5506
Hal ini dimungkinkan karena matriks kovariansinya singular.
KESIMPULAN Pada makalah ini telah ditunjuk-
Akan tetapi berdasarkan informasi
kan analisa data pertanian Boyolali tahun
informal menurut peneliti OPT dan dinas
2008-2012 yang meliputi padi, curah
pertanian, semua jenis OPT memang sangat
hujan, luas area panen, luas lahan kritis,
perlu diperhatikan. Jadi sekalipun hasil
dan luas area serangan OPT. Analisa
yang diperoleh secara matematis tidak
dilakukan
memenuhi teori yang digunakan, dalam
multivariat tiap tahun untuk data yang ada
praktek hasil ini justru dianggap benar yaitu
yaitu padi sebagai fungsi linear terhadap
bahwa semua jenis OPT mempunyai tingkat
curah hujan, luas area panen, luas area
signifikansi yang sama.
kritis, luas area serangan OPT. Sifat linear
dengan
melakukan
regresi
terhadap variabel tersebut secara simultan tidak diperoleh. Oleh karena ada 19 jenis OPT yang terlibat dalam kerusakan area panen, maka Principal Component Analysis digunakan untuk mendapatkan informasi OPT yang dominan. Hasil
analisa
menunjukkan
bahwa tidak ada OPT yang dominan dibandingkan yang lain. Secara aplikasi berarti semua jenis OPT perlu diperhatikan. Gambar 4. Sketsa penyusunan data OPT untuk diolah dimana tahun tidak diperhatikan.
UCAPAN TERIMAKASIH Makalah ini merupakan penelitian dalam
pusat
studi
Simitro-UKSW
didalam program penelitian PUSNAS tahun anggaran 2016/2017.
DAFTAR PUSTAKA
Gambar 5. Pola penyebaran OPT (horizontal : jenis OPT, vertikal : lokasi/kecamatan).
182
1. Dewi, V.P, Parhusip,H,A, Linawati, L., 2013. Analisa Hasil Panen Padi menggunakan Pemodelan Kuadratik, prosiding Seminar Nasional Matematika VII UNNES 26 Oktober 2013, ISBN 978-602-14724-7-7.
Analisa Data Pertanian Boyolali dalam Beberapa Faktor untuk Optimasi Produkivitas … (Hanna A. Parhusip dkk)
2. Dewi, V.P, Parhusip,H,A, Linawati, L., 2013. Optimasi Hasil Panen Padi menggunakan Singular Value Decom-position (SVD) dan Ant Colony Algorithm (ACO), prosiding Seminar Nasional Matematika UNS 20 Nopember 2013. 3. Prasetyo, S.Y.J., Subanar, Winarko, E., B.S Daryono, 2012. Endemic Outbreaks of Brown Planthopper (Nilaparvata lugens Stal.) in Indonesia using Exploratory Spatial Data Analysis, International Journal of Computer Science Issues (IJCSI), Vol. 9, Issue 5, No 1, ISSN (Online): 1694-0814 . 4. Kristoko, H., Eko,S., Prasetyo,S.Y, Simanjuntak,B., 2012. Updated PranataMangsa: Recombination of Local Knowledge and Agro Meteorology using Fuzzy Logic for Determining Planting Pattern, International Journal of Computer Science Issues (IJCSI), Vol. 9, Issue 6, No 2, 2012,ISSN (Online): 1694-0814.
6. Parhusip, H.A. dan Somnya, R. 2015. Prototype G2A as a Low Technology for Administrators of Agriculture in villages, proceeding International conference on Innovative Engineering Technologies (ICIET'2015), August 7-8, 2015, Faculty of Engineering, Radja-manggala University, Bangkok, Thailand. ISBN:978-93-844222-318,pp.19-25. 7. Parhusip,H.A, Edi, S.W.M., Prasetyo, S.Y.J., 2014. Analisa Data PemodelanUntuk Ilmu Sosial dan Sains, ISBN 978-602-9493-16-0, Tisara Grafika Salatiga,398 hlm,25 cm. 8. Venugoban, K., Ramanan, A., 2014. Image Classification of Paddy Field Insect Pests Using GradientBased Features, International Journal of Machine Learning and Computing, Vol. 4, No. 1, February 2014.
5. Parhusip, H.A, Edi, S.W.M, 2015. Optimal Production of Paddy Fields Using Modified GSTAR Models, International Journal of Agricultural Science and Technology (IJAST) , Vol. 3, Issue 1, February 2015 www.seipub.org/ijast; ISSN(online):2327-7645;ISSN print: 2327-7246,hal.1-9.
183
PROSIDING KONSER KARYA ILMIAH NASIONAL Vol.2,Agustus 2016 | ISSN: 2460-5506
184
