Aplikasi Prediksi Hasil Panen Padi Dengan Metode Least Square (Study Kasus : RT.001 RW.006 Ds.Warujayeng Kab.Nganjuk) SKRIPSI

ARTIKEL SKRIPSI UNIVERSITAS NUSANTARA PGRI KEDIRI

Aplikasi Prediksi Hasil Panen Padi Dengan Metode Least Square (Study Kasus : RT.001 RW.006 Ds.Warujayeng Kab.Nganjuk)

SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer ( S.Kom) Program Studi Teknik Informatika Fakultas Teknik UNP Kediri

Oleh : ACHMAD FAUZI NURUDIN NPM : 11.1.03.02.0005

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UNP KEDIRI 2015

Achmad Fauzi Nurudin | 11.1.03.02.0005 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||








APLIKASI PREDIKSI HASIL PANEN PADI DENGAN METODE LEAST SQUARE Achmad Fauzi Nurudin 11.1.03.02.0005 Fakultas Teknik - Program Studi Teknik Informatika [email protected] Suhartono, M.Pd dan Ratih Kumalasari N, S.ST, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTARK Padi (Oryza Sativa) merupakan salah satu tanaman yang penting di Indonesia. Dari tanaman padi dihasilkan beras, yang merupakan bahan makanan pokok bagi rakyat Indonesia. Hasil produksi padi setiap tahun selalu berubah-ubah. Sebuah prediksi sangat diperlukan untuk mengetahui gambaran dimasa depan apakah hasil produksi akan meningkat atau menurun. Di sini peneliti mencoba untuk membuat sebuah aplikasi prediksi hasil panen padi. Permasalahan peneliti dalam kasus ini adalah bagaimana membuat aplikasi prediksi panen padi dengan metode least square dengan hasil yang akurat. Penelitian ini menggunakan data hasil panen berdasarkan luas tanah di RT.01 RW.06 Ds. Warujayeng Kec. Tanjunganom Kab. Nganjuk. Penelitian dilakukan dengan mengumpulkan data-data hasil panen padi dari tahun 2013 sampai dengan tahun 2015 berdasarkan luasnya. Hasil akhir dari penelitian ini adalah sebuah aplikasi berbasis dekstop yang dibangun menggunakan Microsoft Visual Basic 2010 untuk memprediksi hasil panen padi pada musim kedepan dengan menerapkan metode least square. Dengan melakukan prediksi panen padi petani dapat mengetahui dan menentukan harga jual dari panen padinya. Kata kunci : Prediksi, Padi, Least Square




I.

PENDAHULUAN

memprediksi produksi padi agar para

Padi (Oryza Sativa) merupakan

petani dapat mengetahui berapa perkiraan

salah satu tanaman yang penting di

produksi padi mereka kedepan untuk

Indonesia. Dari tanaman padi dihasilkan

menentukan metode penjualan padi dan

beras, yang merupakan bahan makanan

mengetahui berapa keuntungannya. Hal

pokok bagi rakyat Indonesia. Padi dapat

inilah yang melatar belakangi penulis

tumbuh

untuk merancang sebuah aplikasi yang

dengan

baik

didaerah

panas

dengan curah hujan yang tinggi. Produksi

dapat

membantu

para

petani

dalam

padi di Indonesia mengambil pangsa

memprediksi hasil panen kedepannya.

sekitar (9%) dari total produksi dunia. Indonesia negara penghasil beras ke tiga

II.

LANDASAN TEORI

terbesar di dunia, setelah China (30%) dan India (21%).

2.1 Definisi Aplikasi Pengertian

Aplikasi

adalah

Produksi padi di Indonesia tahun

“program komputer yang dibuat untuk

2014 sebanyak 70,85 juta ton gabah kering

membantu manusia dalam mengerjakan

giling (GKG) atau mengalami penurunan

tugas-tugas tertentu” Eko Sujatmiko (2012

sebanyak 0,43 juta ton (0,61 persen)

: 23). “Aplikasi adalah penerapan dari

dibandingkan tahun 2013.

rancang sistem untuk mengolah data yang menggunakan aturan atau ketentuan bahasa

Produksi padi setiap tahun selalu berubah-ubah. Sebuah prediksi sangat

pemrograman

tertentu”

Kamus

Besar

Bahasa Indonesia (2005 : 52).

diperlukan untuk mengetahui gambaran dimasa depan apakah hasil produksi akan

Jadi aplikasi adalah kumpulan dari

meningkat atau menurun. Badan Pusat

instruksi atau pernyataan yang disusun

Statistik sebenarnya sudah melakukan

sedemikian

prediksi tentang produksi panen padi,

diterapkan pada rancang sistem untuk

namun

membantu manusia mengerjakan tugas-

hasil

prediksi

tersebut

hanya

rupa

tertentu

yang

seperti

kemudian

diperuntukan untuk pemerintah sedangkan

tugas

melakukan

untuk para petani hasil prediksi tersebut

pengolahan data, memproses input menjadi

kurang ada manfaatnya.

output.

Berdasarkan kondisi di atas maka diperlukan sebuah sistem yang mampu

Achmad Fauzi Nurudin| 11.1.03.02.0005 Teknik – Teknik Informatika



2.2 Prediksi

Rumus diatas merupakan rumus persamaan regresi linier untuk menentukan

Prediksi adalah ramalan

atau

merupakan

sama

perkiraan. “suatu

dengan

nilai prediksi berdasarkan variabel-variabel

Peramalan

yang mempengaruhi. Sedangkan pada

untuk

penelitian ini digunakan persamaan regresi

usaha

meramalkan keadaan di masa yang akan datang melalui pengujian keadaan di masa lalu” (Hery Prasetya dan Fitri Lukiastuti

linier sebagai berikut : Y = a+b(X1)+c(X2)+d(X3)

(2)

Keterangan :

(2009 : 43).

Y adalah hasil prediksi yang dicari X1 adalah variabel bulan panen

2.3 Definisi Padi Padi merupakan tanaman bahan

X2 adalah variabel curah hujan

makanan terpenting di dunia, terutama bagi

X3 adalah variabel hama

penduduk di negara-negara Asia. “Padi

A adalah nilai konstanta

(oryza

B, C,...N adalah nilai parameter yang

sativa)

merupakan

tumbuhan

penghasil beras yang diduga berasal dari

mempengaruhi prediksi

India atau Indocina, masuk Indonesia 1.500 SM bersamaan dengan migrasi nenek moyang dari daratan Asia” Kamus Besar Ilmu Pengetahuan (2006 : 764).

Untuk mentukan variabel bulan panen digunakan aturan sebagai berikut : 1. Untuk n ganjil a. Jarak antara 2 waktu diberi nilai satu

2.4

Metode

Kuadrat

Terkecil

(Least

Square)

satuan b. Diatas 0 diberi tanda negatif ( - )

Metode Kuadrat Terkecil (Least

c. Dibawahnya diberi tanda positif ( + )

Square) adalah metode peramalan yang

Contoh : -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5

digunakan untuk melihat trend dari data deret waktu. Analisis time series dengan metode kuadrat terkecil dibagi dalam dua

2. Untuk n genap a. Jarak antara 2 waktu diberi nilai dua satuan

kasus, yaitu kasus data genap dan kasus

b. Diatas 0 diberi tanda negatif ( - )

data ganjil (Joko Widodo, 2008). Secara

c. Dibawahnya diberi tanda positif ( + )

umum persamaan garis linier dari analisis

Contoh : -5, -3, -1, 1, 3, 5 Sedangkan

time series adalah : Y = a+b(X1)+c(X2).....+n(Xn)

(1)


untuk

menentukan

variabel curah hujan dan hama peneliti menggunakan persentase silih dari rata-rata simki.unpkediri.ac.id || 6||


2. Luas Tanah 2500 m2

hasil penen yang dipengaruhi curah hujan dan hama di daerah penelitian.

Model regresi yang didapat : Y = 1748,159 + 14,157X1 – 13,290X2

Curah hujan dibagi menjadi tiga

+ 18,603X3 3. Luas Tanah 5000 m2

golongan : 1. Tinggi

: -20%

Model regresi yang didapat :

Hasil panen dengan curah hujan yang

Y2 = 59,824 – 0,078X1 – 0,093X2 +

tinggi berkurang 20% dari rata-rata

0,229X3

hasil panen maksimal 2. Sedang

4. Luas Tanah 7500 m2

: 20%

Hasil panen dengan curah hujan yang

Model regresi yang didapat :

sedang berambah 20% dari rata-rata

Y2 = 74,624 +0,080X1 – 0,089X2 +

hasil panen maksimal

0,191X3

3. Rendah

: 22,5%

Hasil panen dengan curah hujan rendah

III.

PERANCANGAN SISTEM

bertambah 20% dari rata-rata hasil panen maksimal

3.1 Flowchart Flowchart adalah

Hama dibagi menjadi dua golongan :

dengan

1.

menggambarkan

2.

Ya

: -20%

simbol-simbol urutan

suatu

bagan

tertentu

yang

proses

secara

Hasil panen yang terserang hama akan

mendetail dan hubungan antara suatu

mengalami penurunan sebesar 20%

proses dengan proses lainnya dalam suatu

Tidak

program.

: 20%

Hasil panen yang tidak terkena hama akan mengalami kenaikan sebesar

Adapun flowchart dari sistem yang akan dibangun adalah sebagai berikut :

20%

Uji Kurva Prediksi Berdasarkan Luas Tanah 1. Luas Tanah 1000 m2 Model regresi yang didapat : Y2 = 30,419 + 0,178X1 – 0,086X2 + 0,158X3




3.2 Data Flow Diagram (DFD) Diagram aliran data merupakan model dari sistem untuk menggambarkan pembagian sistem ke modul yang lebih kecil. Salah satu keuntungan menggunakan diagram aliran data adalah memudahkan pemakai atau user yang kurang menguasai bidang komputer untuk mengerti sistem yang akan dikerjakan. Adapun Data Flow Diagram dari sistem yang akan dibangun adalah seperti

Gambar 4.1 Flowchart Sistem

yang terlihat pada gambar berikut :

Pada gambar 4.1 flowchart sistem dapat

dijelaskan

menjalakan

proses

aplikasi

awal

dimulai

untuk dengan

melakukan proses login yang kemudian dilanjutkan dengan menginputkan datadata panen, lalu dilanjutkan ke proses prediksi.

Gambar 4.4 DFD Level 1

Berikut adalah flowchart proses

Pada

Least Square untuk mengitung prediksi

Gambar

4.4

ditunjukan

bagaimana keseluruhan proses dari sistem

hasil panen padi :

aplikasi.

User

merupakan

pada

petani

gambar sedangkan

tersebut admin

merupakan administrator. Admin hasur login

terlebih

dahulu

untuk

dapat

menggunakan sistem dengan sempurna.

IV.

HASIL DAN PEMBAHASAN

Berikut adalah simulasi penghitungan prediksi panen padi dengan luas tanah 2500 m2 bulan November 2015 Gambar 4.2 Flowchart Proses Prediksi


adalah sebagai berikut:



Tabel 5.1 Data hasil panen dengan luas

(-13,29 (22,5)) + (18,603 (20))

tanah 2500 m2 bulan Maret 2013 sampai

Y = 1948,61

Juli 2015. Setelah mendapatkan nilai akhir No

1 2 3

4 5 6

7 8

Bulan

Maret 2013 Juli 2013 November 2013 Maret 2014 Juli 2014 November 2014 Maret 2015 Juli 2015

Bulan

Curah

Panen

Hujan

(X1)

(X2)

1749

-7

22,5

20

1578

-5

-20

-20

panen padi dengan luas 2500 m2 pada

1065

-3

20

-20

musim berikutnya adalah 1949 kg.

1795

-1

20

20

1643

1

-20

-20

Panen (Y)

dari

Hama (X3)

peramalan

dengan

menggunakan

metode Least Square dengan nilai 1948,61 yang kemudian akan dibulatkan. Jadi hasil yang diperoleh untuk peramalan hasil

Berdasarkan dengan hasil yang diperoleh di atas, peramalan menggunakan Least Square secara manual sesuai dengan

1850

3

22,5

20

1924

5

22,5

20

1750

7

-20

-20

hasil sistem seperti pada gambar.

Berdasarkan data Tabel 5.1 kita akan memprediksi hasil panen pada musim berikutnya dengan menggunakan rumus regresi

linier

dimana

bulan

panen

November 2015, curah hujan rendah dan

Selain memberikan hasil ramalan

tidak terserang hama.

panen padi aplikasi juga memberikan ramalan harga jual berdasarkan hasil panen

X1 = Bulan Panen November 2015 : 9

yang diperoleh serta harga jual padi per kg.

X2 = Curah hujan rendah : 22,5 X3 = Tidak terserang hama : 20

V.

KESIMPULAN

Y = A + B (X1) + C (X2) + D (X3) Y = 1748,159 + (14,157(X1)) + (-13,29(X2)) + (18,603(X3))

Berdasarkan hasil uji coba yang telah

dilakukan

didapatkan

beberapa

kesimpulan sebagai berikut :

Y = 1748,159 + (14,157 (9)) +




1. Berdasarkan prediksi

hasil

panen

simulasi

padi

pada

metode

Operasi, Cetakan Pertama. Media

musim

Pressindo. Yogyakarta. Halaman 43

kedepan dengan luas tanah 2500 m

2

adalah 1949 kg, dengan demikian hasil panen padi musim berikutnya akan mengalami kenaikan dibandingkan hasil panen terdahulu.

M. Dagun, S. 2006. Kamus Besar Ilmu Pengetahuan. Jakarta: Lembaga Pengkajian

Kebudayaan

Nusantara. Halaman 764 Muthia, Koniyo, M.H. & Rohandi, M.

2. Metode Least Square dapat digunakan

VI.

2013. Penerapan Metode Trend

untuk memprediksi hasil panen padi.

Moment

Hasil prediksi menggunakan metode

Penjualan Motor Yamaha di PT.

Least Square memiliki selisih yang

Hasjrat

tidak terlalu jauh dengan data hasil

Ilmiah

Mahasiswa

Universitas

panen yang asli.

Negeri

Gorontalo.

Volume

DAFTAR PUSTAKA

Nomor 1.

Badan Pusat Statistik. 2015. Produksi Padi,

Jagung,

Dan

Kedelai

(Angka Sementara Tahun 2015). Dodo, J. 2008. Ramalan Penjualan Sepeda Motor Honda Pada CV. Roda

Dalam

Abadi.

Forecast

Jurnal

Karya

1

Prasetya, Hery, Drs, dan Lukiastuti, Fitri, S. E, M.M. 2009. Manajemen Operasi, Cetakan Pertama. Media Pressindo. Yogyakarta. Halaman 43 Solichin, A. 2008. Pemrograman Web

Mitra Lestari. Jurnal Universitas

dengan

PHP

Gunadarma.

Halaman 84

dan

MySQL.

Fauzi Rambe, M.I. 2014. Perancangan

Subagyo, Pangestu. 1986. Forecasting

Aplikasi Peramalan Persediaan

Konsep dan aplikasi. Yogyakarta:

Obatobatan

BPPE UGM. Halaman 01 dan 03

Menggunakan

Metode Least Square (Studi Kasus : Apotik Mutiara Hati). Pelita Informatika Budi Darma, Volume : VI, Nomor: 1. Prasetya, Hery, Drs, dan Lukiastuti, Fitri, S. E, M.M. 2009. Manajemen


Suharso, Retnoningsih, A. 2005. Kamus Besar

Bahasa

Indonesia.

Semarang: CV. Widya Karya. Halaman 52 Sujatmiko, E. 2012. Kamus Teknologi Informasi

dan

Komunikasi.



Surakarta: PT. Aksara Sinergi Media. Halaman 23 Wijaya, A. & Suhartono. 2011. Peramalan Produksi Padi Dengan Arima, Fungsi Transfer Dan ADAPTIF NEURO SYSTEM.

FUZZY

INFERENCE

Jurnal

Institut

Teknologi Sepuluh Nopember.



Aplikasi Prediksi Hasil Panen Padi Dengan Metode Least Square (Study Kasus : RT.001 RW.006 Ds.Warujayeng Kab.Nganjuk) SKRIPSI

Recommend Documents