DISAIN AWAL PROTOTYPE G2A UNTUK ANALISA DATA PERTANIAN DAN PEDESAAN
Hanna Arini Parhusip1 dan Ramos Somnya2 Pusat Studi Simitro, Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
ABSTRAK. Prototype ini berupa software yang didisain sebagai kombinasi dari GIS (Geographical Information System) dan metode GSTAR (Generalized Space Time Autoregressive). GIS merupakan sistem untuk membaca peta secara otomatis yang ditentukan oleh karakteristik lokasi, dan didisain untuk memilih 3 lokasi berdekatan secara otomatis. Ketiga lokasi ini akan dilakukan GSTAR untuk mendapatkan hubungan produktivitas padi yang tergantung dari beberapa variabel prediktor yang diperhatikan. Selanjutnya, hasil fungsi linear yang dihasilkan digunakan sebagai fungsi tujuan untuk menentukan optimasi dari produktivitas suatu daerah terhadap komoditas pertanian khususnya padi dan padi. Informasi yang sudah ada belum memberikan kemampuan pengguna untuk dapat menganalisa data yang dipunyai untuk dapat menganalisa mandiri. Prototype ini ditujukan kepada dinas-dinas pemerintahan dapat melakukan analisa dengan data yang dimiliki dan dimampukan dalam melakukan perencanaan pembangunan dibidang pertanian. Adapun kasus yang dipelajari adalah data pertanian Boyolali yaitu produksi padi yang dianalisa dengan memperhatikan curah hujan dan luas panen pada tahun 2008-2013. Prototype ini dapat menampilkan hasil analisa dengan Excel terkait dengan peta Boyolali tiap kecamatan. Kata Kunci: 3-6 GIS (Geographical Information System), GSTAR (Generalized Space Time Autoregressive) , solver. 1. PENDAHULUAN Keberhasilan panen padi dipelajari dalam beberapa aspek khusunya karena pengaruh lingkungan tanah (misal : subur , kritis) dan karena pengaruh lingkungan luarnya (misal :curah hujan dan luas area sekitarnya), waktu tanam. Dengan memperhatikan waktu tanam, telah diketahui bahwa penelitian untuk mengetahui periode tanam yang optimal (maksimal) telah dilakukan untuk daerah Surakarta Dewi,dkk,2013(a)) bahwa periode tanam yang terbaik adalah September-Desember berdasarkan data BPS Surakarta 1992-2012. Penelitian tersebut dilakuan dengan memperhatikan nilai fungsi tujuan yang dipilih yang berbentuk kuadratik yang parameter-parameternya ditentukan menggunakan Singular Value Decomposition (SVD) dan Ant Colony Optimization (ACO)(Dewi,dkk,2013(b)). Beberapa algoritma digunakan untuk Seminar Nasional Matematika, Sains dan Informatika 2015
507
Prosiding
ISBN-978-602-18580-3-5
mendapatkan solusi optimal dijelaskan dengan lengkap dan beberapa program didalamnya dapat membantu untuk memahami hasil-hasil tersebut di atas secara detail (Parhusip,2014). Penelitian terdahulu membahas tentang data curah dan lahan kritis mempengaruhi produksi padi optimal di 3 Kecamatan(Ampel ,Selo dan Cepogo) (Parhusip dan Edi, 2014). Dari hasil ditunjukkan bahwa pendekatan klasik GSTAR tidak tepat untuk data seperti curah hujan, lahan kritis, dan produksi panen padi. GSTAR termodifikasi diperkenalkan (padi yang dihasilkan pada lokasi Selo tergantung dari hasil pada dari kedua lokasi persekitarannya pada waktu yang sama, lahan kritisnya dari ketiga lokasi pada waktu yang sama, curah hujan pada lokasi ketiganya pada waktu sebelumnya dan pada waktu yang sama. Ternyata hasil tersebut lebih baik. Model yang digunakan telah lebih melibatkan aspek natural bahwa hasil panen tergantung pada karakteristik tanah (yaitu lahan kritis) dan banyaknya curah hujan (Parhusip dan Edi, 2015). Kita dapat menguji hasil parameter dengan program R. Hasil menunjukkan bahwa variabel padi dari kedua lokasi yang lain lebih kontribusi secara signifikan dengan toleransi 95% atau 0.05 p-value. Hasil model untuk produksi padi pada Selo ditunjukkan pada Gambar 1.
Gambar 1. Model GSTAR (disimbolkan ‘-o’ ) dan data (disimbolkan ‘*’) untuk produksi panen padi sebagai fungsi lahan kritis dan curah hujan pada waktu yang sama (Parhusip dan Edi,2014). Untuk selanjutnya kita dapat melakukan optimasi untuk hasil panen padi untuk tiap Kecamatan di Boyolali. Artinya, bagaimana kita dapat membuat keputusan berapakah panen padi yang optimal untuk Selo,Ampel, Cepogo dan Kecamatan yang lain. Akan tetapi model optimasi belum diuji lebih lanjut pemerintah setempat belum menggunakan program /software yang sudah dibuat. Untuk itulah program akan didisain lebih mudah dijangkau oleh dinas setempat dalam melakukan pengolahan data yang berkaitan dengan kebijakan ekonomi pada bidang pertanian. Dari hasil desiminasi yang dilakukan, diperoleh kesulitan dalam menggunakan program yang telah dibuat oleh Pusat Penelitian Simitro karena program yang dibuat terlalu berat pada personal computer. Untuk itu perlu dilakukan perbaikan program dimana GSTAR dapat diakses Seminar Nasional Matematika, Sains dan Matematika 2015
508
Prosiding
ISBN-978-602-18580-3-5
dengan mudah yaitu menggunakan excel. Hal ini dilakukan dengan cara pembuatan software yang mudah digunakan secara mandiri dan disebut prototype G2A yang menjadi materi pokok pada makalah ini. 2.
METODE PENELITIAN
2.1 Pemilihan variabel prediktor Pada penelitian terdahulu (Parhusip dan Edi, 2014(a)) curah hujan dan luas area lahan kritis sebagai variabel prediktor selain banyaknya padi pada waktu sebelumnya sebagai variabel autoregresi. Akan tetapi untuk mengetahui produksi padi pada tiap kecamatan, lahan kritis tidak dapat menjadi faktor dalam menentukan optimal produksi padi (sebagaimana pada awal penelitian) karena beberapa lokasi mempunyai luas lahan kritis 0. Sebenarnya tidak adanya lahan kritis pada lokasi tersebut menunjukkan bahwa lokasi tersebut cukup subur dibandingkan lokasi yang memiliki area kritis. Akan tetapi karena beberapa tidak mempunyai lahan kritis, kita tidak dapat membuat model dengan variabel prediktor yang sama. Oleh karena itu variabel prediktor yang dipilih adalah variabel prediktor natural yang memungkinkan pertumbuhan padi yaitu curah hujan dan luas lahan. Hasil optimal curah hujan dan luas lahan hanya akan menunjukkan kemampuan lokasi tersebut untuk produksi optimal pada berdasarkan data curah hujan dan luas lahan panen.
2.2 Model yang digunakan dalam Prototype G2A Prototype G2A adalah prototype yang dibuat menggunakan metode GIS (Geographical Information System) dan Model Generalized Space Time Auto Regressive (GSTAR) yang sudah dimodifikasi oleh Parhusip dan Edi (2014) dimana modifikasi ini berdasarkan regresi klasik, tidak hanya autoregresi. GSTAR Termodifikasi disusun berdasarkan regresi dari 3 lokasi yang dikerjakan secara simultan dimana model tersebut berbentuk : (Apriyanti, dkk, 2014), yaitu Z1 (t ) 10Z1 (t 1) 11w11Y1 (t ) w12 R1 (t ) e1 (t ) ;
(1.a)
Z 2 (t ) 20Z 2 (t 1) 21w21Y2 (t ) w23R2 (t ) e2 (t ) ;
(1.b)
Z 3 (t ) 30Z 3 (t 1) 31w31Y3 (t ) w32R3 (t ) e2 (t ) .
(1.c)
dengan Zi(t)
= variabel data produksi padi pada waktu t di lokasi i, i = 1,2,3.
Seminar Nasional Matematika, Sains dan Matematika 2015
509
Prosiding
ISBN-978-602-18580-3-5
Yi(t)
= variabel luas lahan panen pada waktu t di lokasi i, i = 1,2,3 .
Ri(t)
= variabel curah hujan padi pada waktu t di lokasi i, i = 1,2,3 .
k 0
= diag ( k10 ,..., kn0 ) dan k1 = diag ( k11 ,..., kN1 ) merupakan parameter model
w
= bobot (weigth) yang dipilih untuk memenuhi wii 0 dan
1 j
wij 1
Uji signifikansi parameter individual (Uji t) digunakan untuk menguji tingkat signifikansi parameter dalam model (Nurhayati, 2013). Langkah-langkah pengujian parameter, yaitu Ho
: ki 0 , k = 1,2,3 dan i = 0,1
Ha
: ki 0 , k = 1,2,3 dan i = 0,1
Statistik uji :
t hitung
ki ki adalah parameter dan S ( ki ) , dimana
S (ki ) adalah standar Perbedaan
parameter. Kriteria pengujian dengan α = 5% adalah tolak Ho jika |thitung| > ttabel , artinya parameter signifikan. Hal ini dilakukan dengan software Data Analysis pada Excel. Lokasi tiap kecamatan didaftar dalam program GIS sehingga dapat ditunjukkan keterkaitan antar 3 lokasi terpilih dalam melakukan GSTAR Termodifikasi. Dengan menggunakan Google map, kita dapat mencatat semua kecamatan yang ditunjukkan pada Gambar 2.
Gambar 2. Lokasi 19 kecamatan yang ditunjukkan dengan bullet
Seminar Nasional Matematika, Sains dan Matematika 2015
510
Prosiding
ISBN-978-602-18580-3-5 3. HASIL PENELITIAN DAN PEMBAHASAN
3.1 Hasil GSTAR Termodifikasi Hasil penelitian merupakan software yang dapat digunakan untuk melakukan analisa data tentang optimasi produksi padi pada suatu lokasi kecamatan yang dipengaruhi oleh curah hujan dan luas lahan dan produksi padi pada lokasi yang sama pada waktu sebelumnya mengikuti persamaan (1.a)-(1.c). Kemudian software G2A dilengkapi dengan modul agar dapat digunakan oleh dinas-dinas terkait. Jadi keluaran program merupakan estimasi parameter model GSTAR Termodifikasi dengan bobot lokasi seragam yang ditunjukkan pada Tabel 1. Dari Tabel 1 , ada 2 thitung yang tidak besar dari ttabel atau lebih kecil dari ttabel artinya parameter tidak signifikan dengan α = 0,05. 3.2 Optimasi Fungsi Tujuan Fungsi tujuan (Zi) pada penelitian ini disusun berdasarkan model GSTAR Termodifikasi yang telah diperoleh seperti pada Tabel 3. Sedangkan kendala yang berpengaruh adalah curah hujan dan luas lahan panen di masing-masing lokasi. Fungsi tujuan dan kendala dapat dituliskan pada Tabel 2. Untuk memperoleh hasil optimasi dari fungsi tujuan yang telah disusun digunakan Solver pada Ms.Excel 2007. Hasil optimasi untuk 3 kecamatan di Kabupaten Boyolali disajikan pada Tabel 3.
Tabel 1. Estimasi parameter model GSTAR termodifikasi untuk data produksi padi di Sambi, Ngemplak, Nogosari Paramete r
1 0
Hasil Estimasi 0.881605
thitung
ttabel
Kesimpulan (α = 0,05)
p-value
22.98156185
2.32269 x 10-67 -68
20
0.999203
23.3165063
30
0.974516
22.63509894
1 1
0.108073
21
31
1.50919 x 10
Signifikan Signifikan
3.97571 x 10-66
Signifikan
2.904320824
0.003962546
Signifikan
-0.00734
-0.177364342
0.859345605
0.022723
0.547653452
0.584349678
Tidak Signifikan Tidak Signifikan
1,98
Seminar Nasional Matematika, Sains dan Matematika 2015
511
Prosiding
ISBN-978-602-18580-3-5
Tabel 2. Fungsi tujuan dan kendala program linier untuk 3 kecamatan di Kabupaten Boyolali. Kecamatan (k) Fungsi Tujuan 1 SAMBI
Kendala Fungsi Tujuan
2 NGEMPLAK 3 NOGOSARI
Kendala Fungsi Tujuan Kendala
Program Linier Z1 = 0.881604988X1+0.054036Y1+0.054036484R1 0.82392≤ X1≤1.154330658 0.889663≤ Y1≤1.101012484 0.012263≤ R1≤2.007030739 Z2 = 0.999203X2-0.00367Y2-0.00367R2 0.824202≤ X2≤1.151376 0.853421≤ Y2≤1.121576 0.05756≤ R2≤1.859913 Z3 = 0.974516X3+0.011361Y3+0.011361R3 0.824202≤ X3≤1.151376 0.959018≤ Y3≤1.037881 0.012842≤ R3≤1.945488
Kendala non-negative : X k , Yk , Rk 0 ; dengan: Xk
= Produksi padi di lokasi k dalam kurun waktu 5 tahun
Yk
= Luas lahan di lokasi k dalam kurun waktu 6 tahun
Rk
= Curah hujan di lokasi k dalam kurun waktu 6 tahun
k
= 1 s/d 3 dimana 1 = Sambi, 2 = Ngemplak, 3 = Nogosari Tabel 3. Produksi padi optimal di Kecamatan Sambi, Ngemplak, dan Nogosari Produksi Padi Optimal
Data Produksi Padi Asli (ton)
Lokasi
Perbedaan Data asli dan optimasi
Tidak Berdimensi
Berdimensi (ton)
Min
Max
Sambi
1.185611395
29826
20164
29048
3%
Ngemplak
1.139516873
22179
15931
22633
2%
Nogosari
1.155929277
38131
29237
36202
5%
Tabel 3 menunjukkan besarnya produksi padi optimal dalam kurun waktu 6 tahun (2008 s/d 2013). Hasil penelitian yang berada pada interval data asli hanya produksi padi di Kecamatan Ngemplak, sedangkan pada kecamatan lain lebih besar dari maksimal data asli. Hasil secara keseluruhan menunjukkan bahwa produksi padi (hasil perhitungan) berbeda dengan maksimal data produksi padi pada data asli dengan perbedaan kurang dari 5%. Jadi sekalipun beberapa parameter tidak signifikan fungsi tujuan mempunyai perbedaan yang tidak terlalu besa dengan data yang ada. Oleh karena itu hasil optimasi dapat diterima. Perbedaan tersebut dibandingkan dengan data dapat dianggap sebagai kemungkinan untuk tiap kecamatan dimungkinkan dapat Seminar Nasional Matematika, Sains dan Matematika 2015
512
Prosiding
ISBN-978-602-18580-3-5
meningkatkan produksinya. Sebagai aplikasi dari hasil penelitian ini, maka tiap kecamatan (Sambi, Ngemplak, dan Nogosari) disarankan dapat meningkatkan hasil panen hingga 100 ton per tahun . Hal ini diambil dengan mengambil kira-kira selisih data dan perkiraan dalam 6 tahun. Dengan menggunakan Prototype G2A maka hasil komputasi/optimasi dapat langsung ditunjukkan dengan peta pada lokasi terkait. Untuk ketiga lokasi yang dipelajari ditunjukkan pada Gambar 3. Modul yang dibuat telah diujicobakan ke desa Asinan Kabupaten Semarang pada 2 Maret 2015 dengan memberikan pelatihan excel terlebih dahulu. Foto kegiatan ditunjukkan pada Gambar 4-5. Mahasiswa juga memberikan pendampingan kepada tiap peserta agar mampu menggunakan program dengan mudah. Untuk selanjutnya perlu dilakukan kegiatan diseminasi penelitian ini pada dinas terkait di Boyolali atau pada wilayah yang lebih luas sehingga hasil komputasi dapat memberikan kontribusi pada pemerintah dalam melakukan perencanaan.
Gambar 3. Hasil keluaran akhir prototype G2A
Seminar Nasional Matematika, Sains dan Matematika 2015
513
Prosiding
ISBN-978-602-18580-3-5
Gambar 4. Awal kegiatan dengan pelatihan dasar-dasar statistika
Gambar 5. Mahasiswa mendampingi tiap peserta untuk dapat memahami materi yang diberikan 4. KESIMPULAN Makalah ini menjelaskan tentang pembuatan awal prototype G2A yaitu software dengan bantuan Excel dan Geographical Information System dimana pada Excel didisain untuk menganalisa data produksi pertanian khususnya padi di Boyolali pada tahun 2008-2013. Pada Excel , digunakan model regresi GSTAR Termodifikasi yang menggunakan menu Regresi dan Solver pada Excel. Prototype G2A digunakan untuk menganalisa data produksi panen padi di Sambi, Ngemplak dan Nogosari sebagai contoh 3 kecamatan di Boyolali. Data yang digunakan adalah data produksi panen padi, luas lahan dan curah hujan. Komputasi menunjukkan perbedaan dengan data hanya sekitar maksimum 5% sekalipun ada 2 parameter regresi yang tidak signifikan. Perbedaan yang muncul dapat dianggap sebagai besarnya kemungkinan tiap Seminar Nasional Matematika, Sains dan Matematika 2015
514
Prosiding
ISBN-978-602-18580-3-5
kecamatan dapat memproduksi secara optimal dimana dari komputasi ditunjukkan bahwa tiap kecamatan dapat meningkatkan produksinya sekitar 100 ton dalam setahun. Jika ada masa 3 kali panen dalam setahun, maka tiap panen dimungkinkan meningkatkan sekitar 30 ton. Hasil ini belum dikomunikasikan pada dinas terkait.
Ucapan Terima Kasih Makalah ini merupakan hasil penelitian tahap 1 , HIBAH UPT (Internal UKSW) SK No.31/Penel/Rek/5/1/2015. DAFTAR PUSTAKA Apriyanti, P.D, Parhusip, H.A, Linawati.(2014). Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali, prosiding Seminar Nasional UNNES,8 Nov 2014, ISBN 978602-1034-06-4; hal.314-325. (https://www.researchgate.net/profile/Hanna_Parhusip/publications : doi 10.13140/2.1.4197.4084) Dewi, V.P, Parhusip,H,A, Linawati, L.(2013). Analisa Hasil Panen Padi menggunakan Pemodelan Kuadratik, prosiding Seminar Nasional Matematika VII UNNES, ISBN 978-60214724-7-7. Dewi, V.P, Parhusip,H,A, Linawati, L.(2013). Optimasi Hasil Panen Padi menggunakan Singular Value Decomposition (SVD) dan Ant Colony Algorithm (ACO), prosiding Seminar Nasional Matematika UNS. Parhusip, H.A.(2014). Optimasi Taklinear, ISBN 978-602-9493-14-6, Tisara Grafika Salatiga,221 hlm. Parhusip, H.A & Edi, W.M.(2014). Analisa Data Iklim Boyolali dengan Regresi Klasik dan Metode GSTAR, Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, ISBN 978-602-70609-0-6, hal.319-331,24 Mei 2014, Universitas PGRI Ronggolawe,Tuban. Parhusip,H.A, Edi, S.W.M., Prasetyo, S.Y.J.( 2014). Analisa Data Pemodelan Untuk Ilmu Sosial dan Sains, ISBN 978-602-9493-16-0, Tisara Grafika Salatiga,398 hlm,25 cm. 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 doi: 10.14355/ijast.2015.0301.01. Seminar Nasional Matematika, Sains dan Matematika 2015
515
