1. Pendahuluan Padi (Oryza sativa sp.) adalah tanaman yang berasal dari Bangladesh. Dari tanaman padi dihasilkan beras, yang merupakan bahan makanan pokok sebagian besar rakyat Indonesia. Padi dapat tumbuh dengan baik di daerah panas dengan curah hujan yang tinggi. Produksi padi Indonesia mengambil pangsa sekitar 9% dari total produksi dunia. Indonesia negara penghasil beras ke tiga terbesar di dunia, setelahChina (30%) dan India (21%) [1]. Produksi padi di Indonesia pada tahun 2001 mencapai hampir 50,5 juta ton Gabah Kering Giling (GKG), atau menurun sebesar 1,4 persen dibandingkan dengan tahun 2000 yang mencapai hampir 51,2 juta ton. Berdasarkan angka ramalan II dari Badan Pusat Statistik produksi padi tahun 2003 sebesar 51,4 juta ton atau meningkat 0,04 persen dibandingkan tahun 2002. Pola produksi padi yang fluktuatif tersebut belum menunjukan hasil yang memuaskan. Sampai saat ini sekitar 56% produksi padi berasal dari pulau Jawa, sedangkan lebihnya dihasilkan oleh pulau Sumatra (22%), Sulawesi (10%), Kalimantan (5%) dan pulau-pulau lainnya (7%). Tahun 2005 Indonesia merupakan negara peringkat ke-3 sebagai produsen padi terbesar setelah China dan India dengan presentase sebesar 9% yaitu 54 juta metrik ton. Hal ini menunjukkan betapa besarnya hasil padi yang di hasilkan oleh Indonesia pada waktu itu, Indonesia sempat menjadi salah satu negara produsen padi terkemuka di dunia [2]. Keberadaan lahan sangat penting dalam menunjang kegiatan produksi hasil pertanian. Menurut Badan Pusat Statistik meningkatnya permintaan lahan akibat pertumbuhan penduduk selain menyebabkan penurunan luas lahan pertanian juga meningkatkan intensitas usaha tani di daerah aliran sungai hulu Penurunan luas lahan pertanian cenderung semakin besar seiring dengan peningkatan konversi ke non-pertanian. Dalam proses produksi padi, faktor curah hujan berperan sangat penting karena jika intensitas curah hujan terlalu rendah, produksi padi akan mengalami suatu penurunan yang drastis. Jika hal ini terjadi terus menerus maka akan mengakibatkan kerawanan pangan. Agar hal ini tidak terjadi maka dibutuhkan suatu solusi, salah satunya dengan melakukan peramalan (forecasting). Penelitian ini bertujuan untuk meramalkan produksi padi berdasarkan luas panen dan curah hujan yang ada di kabupaten Boyolali. Pemilihan variabel luas panen dan curah hujan berdasarkan pada penelitian sebelumnya yang berjudul “Pengembangan Model Ramalan Produksi Padi Dengan Pendekatan Bagging Mars”. Manfaat yang di dapatkan dari penelitian ini adalah keluaran berupa grafik yang dapat membantu untuk dipergunakan sebagai acuan untuk menghindari terjadinya kerawanan pangan, dengan adanya peramalan kita mendapatkan suatu gambaran tentang masa yang akan datang dan mencari solusi yang lebih tepat untuk mengantisipasi hal tersebut.
2
2. Tinjauan Pustaka Deret waktu merupakan serangkaian nilai-nilai variabel yang disusun berdasarkan waktu. Analisis deret waktu adalah suatu analisa yang dilakukan berdasarkan nilai masa lalu dari suatu variabel masa lalu dengan tujuan untuk menemukan pola dalam deret data histori dan mengekstapolasikan pola tersebut ke masa yang akan datang sebagai suatu perkiraan kondisi masa depan [3]. Langkah penting yang harus dilakukan untuk memilih metode deret berkala yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yeng paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibagi menjadi 4 jenis yaitu [4]: 1) Pola Horizontal (H) dapat terterjadi apabila nilai data berfluktuasi disekitar nilai rata-rata yang konstan. 2) Pola Musiman (S) yaitu terjadi apabila suatu deret dipengaruhi oleh faktor musiman. 3) Pola Siklus (C) yaitu terjadi apabila datanya dipengaruhi oleh frekuensi ekonomi jangka panjang dan berhubungan dengan siklus bisnis 4) Pola Trend (T) yaitu terjadi apabila terdapat kenaikan atau penurunan jangka panjang dalam data.
Gambar 1. Bentuk Pola Data
Pola Horizontal pada nomor 1 dapat kita lihat di Gambar 1a terjadi apabila suatu deret dipengaruhi oleh faktor musiman. Pola musiman dapat di lihat di Gambar 1b, pola ini terjadi apabila suatu deret dipengaruhi oleh faktor musiman. Sedangkan untuk pola siklus dapat di lihat di gambar 1c dan pola trend terlihat di gambar 1d. Penggunaan analisis deret waktu dimulai dengan mengamati data deret waktu, karena akan terlihat komponen-komponen yang mempengaruhi suatu pola data masa lalu dan sekarang, yang polanya cenderung berulang.
3
Menurut jurnal yang berjudul “Sistem Peramalan Harga Sembako Berbasis Moving Average Dengan Brew Platform Sebagai Mobile Interface” moving average di gunakan untuk meramalkan harga sembako dengan Brew Platform sebagai media interface untuk pengoperasian di ponsel [5]. Sedangkan dalam jurnal yang berjudul “Pengembangan Model Ramalan Produksi Padi Dengan Pendekatan Bagging Mars” penelitian ini dilakukan sebagai salah satu upaya untuk mendukung ketahanan pangan dengan informasi tentang ramalan produksi padi dan luas panen padi ke depan. Data yang digunakan adalah data sekunder yang diperoleh dari BPS dan Deptan kabupaten Ngawi, serta Badan Metereologi Klimatologi dan Geofisika (BMKG) stasiun klimatologi Karangploso tahun 19932008 [6]. Penelitian yang akan dilakukan membahas tentang peramalan produksi padi, dengan menggunakan variabel produksi padi, luas panen, curah hujan periode 2005-2010 dalam ruang lingkup kabupaten Boyolali dengan jumlah kecamatan sebanyak 19. Moving average banyak digunakan untuk menentukan trend dari suatu deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari data asli diubah menjadi deret rata-rata bergerak yang lebih baik. Metode ini tidak cocok digunakan untuk data musiman karena moving average sesuai untuk data berpola horisontal berfluktuasi di awal. Model rata-rata bergerak mengestimasi permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n periode terakhir. Ada empat model dari metode weighted moving average yang memiliki asumsi mengenai trend dan musiman [6]: 1) Simple Moving Average, model ini mengasumsikan bahwa seri pengamatan tidak memiliki trend dan variasi musiman. 2) Double Moving Average, model ini mengasumsikan bahwa seri pengamatan memiliki trend linier namun tidak memiliki variasi musiman. 3) Weighted Moving Average, model ini mengasumsikan bahwa seri pengamatan memiliki trend linier dan variasi musiman. 4) Linier Moving Average, model ini memungkinkan untuk melakukan penetapan komponen trend dan variasi musiman. Ada tiga parameter yang perlu penetapan, bergantung dari komponen trend dan variasi musiman[7]: 1. Alpha (α) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan. Parameter alpha digunakan pada semua model. Jika nilai alpha 1 maka hanya pengamatan terbaru yang digunakan. Jika alpha bernilai 0 maka pengamatan yang lalu dihitung sepadan dengan bobot yang terbaru. 2. Beta (β) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan trend seri. Parameter beta digunakan pada model yang memiliki komponen trend linier atau eksponenssial dengan tidak memiliki variasi musiman. Nilai beta berkisar
4
0 sampai 1. Jika nilai semakin besar akan menunjukkan pemberian bobot yang semakin besar pada pengamatan terbaru. 3. Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan variasi musiman. Parameter gamma digunakan pada model yang memiliki variasi musiman. Nilai gamma berkisar dari 0 sampai 1. Jika nilai gamma semakin besar, menunjukkan pemberian bobot yang semakin besar pada pengamatan yang terbaru. Metode weighted moving average merupakan perkembangan dari metode moving average sederhana, persamaan 1 [8]: (1) dengan : Data : nilai produksi sebelumnya. Bobot : penilaian sesuai dengan panjang periode Persamaan (1) adalah bentuk umum yang digunakan dalam penyususnan suatu ramalan dengan metode weighted moving average. Timbangan yang digunakan untuk metode ini ialah koefisien binomial. Rata-rata bergerak tertimbang per 3 tahun di beri koefisien 1,2,1 sebagai timbangannya. Pada metode ini hanya data observasi yang paling baru dan nilai ramalan yang terakhir yang harus disimpan [9]. Untuk mengetahui kesalahan peramalan digunakan persamaan 2 sebagai berikut :
(2)
. Dimana , t n
: periode tahun : nilai t pada periode tahun ke : total jumlah periode : nilai data asli periode tahun ke t : ramalan(forecast) untuk periode ke t
Persamaan (2) adalah bentuk umum yang digunakan untuk menghitung kesalahan suatu ramalan. Semakin kecil (mendekati nilai 0) jumah error yang di hasilkan maka prediksi dinyatakn valid.
3. Metode Penelitian
5
Tahapan penelitian ini dibagi dalam 3 tahap, yaitu : (1) Tahap penyusunan data awal, (2) Desain dan arsitektural simulasi, (3) Pemodelan dan visualisasi. Tahap penyusunan data bertujuan untuk menentukan data, lokasi dan studi pustaka yang digunakan dalam proses penelitian. Tahap penyusunan data awal terdiri dari: 1) Pengumpulan data dengan melakukan survei di Badan Pusat Statistik (BPS) kabupaten Boyolali. 2) Pengumpulan data produksi padi dan luas panen di beberapa kecamatan Boyolali. Tahap penyusunan di sajikan pada gambar 2. Tahap Penyusunan Awal Survei di Badan Pusat Statistik (BPS) dan dinas kecamatan Boyolali yang berupa: -
Data curah hujan Data pertanian
Pengolahan data produksi padi , luas panen dan curah hujan dengan metode Weighted Moving Average
Visualisasi Grafik
Gambar 2. Tahap Penelitian
Tahap desain dan arsitektural simulasi terdiri dari proses masukan data, peramalan curah hujan menggunakan metode Weighted Moving Average. Adapun data dan variabel yang digunakan dalam penelitian meliputi: Data Curah Hujan kecamatan di kabupaten Boyolali di wilayah BMKG Semarang Provinsi Jawa Tengah periode 2005-2010. Data DBD Dinas Kesehatan Kecamatan Ungaran periode 2005-2010. 1. Data luas panen dan produksi padi di kabupaten Boyolali periode 2005-2010. 2. Data curah hujan di kabupaten Boyolali periode 2005-2010
6
ribu ton
1200
1000
800
600
400
200
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031
0
produksi
konsumsi
Gambar 3 Desain Arsitektural Model
Gambar 3 menunjukkan desain arsitektural model yang dijelaskan sebagai berikut. Pada bagian Data Layer, terdiri dari tahap survei data curah hujan tingkat kecamatan di wilayah Boyolali Provinsi Jawa Tengah periode 2005-2010 dan data produksi dan luas panen wilayah Boyolali Provinsi Jawa Tengah periode 20052010. Kedua data tersebut sebagai data masukan pada proses Application Layer. Pada bagian Application Layer, dilakukan proses peramalan curah hujan menggunakan metode Weighted Moving Average, dengan pemrosesan data menggunakan tool R untuk mendapatkan hasil peramalan curah hujan periode tahun ke 3. Tahap terakhir adalah menganalisa hubungan antara curah hujan, produksi padi, dan luas panen yang ditampilkan dalam bentuk grafik. Dasar pemilihan dari variabel yang digunakan pada penelitian kali ini adalah berdasarkan penelitian sebelumnya yang menggunakan variabel curah hujandan luas panen, karena kedua variabel sangat berpengaruh besar pada produksi padi. Keluaran yang di hasilkan dapat digunakan pihak-pihak terkait yaitu, Dinas Pertanian, petani, dan masyarakat luas. Proses dari pertama pengolahan data sampai dengan dihasilkannya keluaran di sajikan pada gambar 4. Survey ke BPS Boyolali,data yang di hasilkan:Data produksi padi, luas , panen, dan curah hujan periode 2005-2010
Mengolah data-data yang sudah di dapatkan dengan tools Rstudio dan menggunakan metode Weigthed Moving Average
Dapat digunakan oleh Dinas Pertanian, para petani, dan masyarakat luas sebagai acuan untuk menghindari kerawan pangan yang dapat terjadi sewaktu-waktu
Gambar 4. Bagan Alur Manfaat Penelitian
7
4. Hasil Penelitian dan Pembahasan Langkah pertama yang dilakukan adalah mengolah data asli dengan memasukan ke databae, database yang dipakai adalah SQL Expert Personal 3.3.29.2159. selanjutnya yaitu menghubungkan database dengan R Studio agar data dapat di tampilkan. Dengan menggunakan langkah-langkah yang telah dibahas sebelumnya, data curah hujan, produksi padi dan luas panen di Kabupaten Boyolali, Provinsi Jawa Tengah diolah menggunakan database SQL Expert.
Gambar 5. Plot Curah Hujan Tahun 2005-2010
Gamba r 6. Plot Data Peramalan 2007
Gambar 2 menunjukkan pola grafik peramalan produksi padi pada tahun 2008. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun 2005-2007 yang kemudian dibandingkan dengan data asli pada tahun 2007. Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah hujan dengan periode tahun 2005-2007 kemudian di panggil ke program R dengan langkah sebelumnya yaitu dengan menyimpannya di database SQL Expert. Setelah itu data di olah kembali dengan menggunakan metode weighted moving average sehingga menghasilkan output sebagai berikut yaitu indikator grafik berwarna hijau merupakan hasil data peramalan dengan metode weighted moving average, grafik berwarna hitam merupakan data produksi padi masa lampau, grafik bernama merah menunjukan data luas panen, dan grafik berwarna oranye menunjukan data curah hujan. Hasil yang didapatkan adalah bahwa luas panen
8
dan curah hujan yang tinggi di tahun 2007 menyebabkan peningkatan produksi padi di beberapa wilayah di kabupaten Boyolali.
Gambar 7. Plot Grafik Peramalan Padi 2008
Gambar 5 memperlihatkan pola grafik peramalan produksi padi pada tahun 2009. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun 2005-2008 yang kemudian dibandingkan dengan data asli pada tahun 2008. Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah hujan dengan periode tahun 2006-2008 kemudian di panggil ke program R dengan langkah sebelumnya yaitu dengan menyimpannya di database SQL Expert. Setelah itu data di olah kembali dengan menggunakan metode weighted moving average sehingga menghasilkan output sebagai berikut yaitu indikator grafik berwarna hijau merupakan hasil data peramalan dengan metode weighted moving average, warna hitam merupakan data produksi padi masa lampau, merah menunjukan.
Gambar 8. Plot Grafik Peramalan Padi Tahun 2009
9
Gambar 6 menunjukkan data peramalan produksi padi pada tahun 2010 yang didapatkan dari pengolahan data asli pada tahun 2007-2009 dan dibandingkan lagi dengan data asli 2009. indikator grafik berwarna hijau merupakan hasil data peramalan dengan metode weighted moving average, warna hitam merupakan data produksi padi masa lampau, merah menunjukan data luas panen, dan warna oranye menunjukan data curah hujan. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun 2005-2007 yang kemudian dibandingkan dengan data asli pada tahun 2007. Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah hujan dengan periode tahun 2005-2007 kemudian di panggil ke program R dengan langkah sebelumnya yaitu dengan menyimpannya di database SQL Expert. Setelah itu data di olah kembali dengan menggunakan metode weighted moving average sehingga menghasilkan output sebagai berikut yaitu indikator grafik berwarna hijau merupakan hasil data peramalan dengan metode weighted moving average, grafik hitam merupakan data produksi padi masa lampau, grafik merah menunjukan data luas panen, dan grafik oranye menunjukan data curah hujan. Luas panen dan curah hujan yang meningkat di tahun ini membuat jumlah produksi padi juga kian bertambah.
G ambar 9. Plot Grafik Peramalan Padi Tahun 2010
Gambar 7 memperlihatkan pola grafik peramalan produksi padi pada tahun 2011. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun 2008-2010 yang kemudian dibandingkan dengan data asli pada tahun 2010. Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah hujan dengan periode tahun 2008-2010 kemudian di panggil ke program R dengan langkahsebelumnya yaitu dengan menyimpannya di database SQL Expert. Setelah itu data diolah kembali dengan menggunakan metode weighted moving average sehingga menghasilkan output sebagai berikut yaitu indikator grafik berwarna hijau merupakan hasil data peramalan yang di olah dengan metode weighted
10
moving average, warna hitam merupakan data produksi padi masa lampau, merah menunjukan data luas panen, dan warna oranye menunjukan data curah hujan.
Gambar 10. Tabel Perhitungan MSE
Gambar 10 menunjukan perhitungan kesalahan peramalan, yaitu pengujian yang di lakukan terhadap ketiga variabel yang di pakai dalam dalam penelitian ini adalah luas panen, produksi padi , dan curah hujan. Nilai error diperoleh dari hasil nilai rata-rata data awal kemudian di kurangi nilai rata-rata dari peramalan. Hasil pengurangan disebut Et kemudian hasil tersebut di kuadratkan dan di bagi dengan banyaknya jumlah data prediksi untuk memperoleh nilai yang ingin di capai.
Gambar 11. Perhitungan metode peramalan WMA
Gambar 11 menunjukan salah satu proses peramalan dari metode Weighted Moving Average, di ambil dari peramalan pada tahun 2007.
11
5. Simpulan Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan bahwa hasil peramalan dapat digunakan oleh Dinas Pertanian sebagai acuan untuk mengantisipasi terjadinya kerawanan pangan dengan keluaran yang berupa grafik jumlah peramalan produksi padi. Curah hujan dan produksi padi memiliki nilai MSE (Mean Square Error) yang kecil, ini menunjukan bahwa peramalan yang dilakukan sudah cukup akurat. Variable curah hujan, produksi padi, dan luas panen terlihat berhubungan terlihat dari keterkaitan yang dihasilkan.Jika semakin tinggi curah hujan maka produksi padi pun akan meningkat, dan sebaliknya jika curah hujan rendah maka produktivitas padi akan menurun.
6. Daftar Pustaka [1] [2] [3]
[4]
[5]
[6] [7] [8]
Agusta Hermawan, 2007, Edukasi Pertanian. Tommy Prayoga, 2005, Perkembangan Produksi Beras. A.Husni Malian, Sudi Mardianto, Mewa Ariani, 2004, Faktor-Faktor Yang Mempengaruhi Produksi, Konsumsi, dan Harga Beras Serta Inflansi Bahan Makanan. Makridakis, S., Wright, S.C.W.,dan Mc Gee V. 1999. Alih Bahasa Suminto, H,Ir. Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra Aksara. Jakarta. Marcelina Rizka Falevy, M.Zen Samsono H,S.T,M.Sc,Akuwan Saleh,SST, 2004, Sistem Peramalan Harga Sembako Berbasis Moving Average Dengan Brew Platform Sebagai Mobile Interface. Alif Yuanita, Bambang Widjarnako Otok, Sutikno, 2007, Peramalan Model Ramalan Produksi Padi Dengan Pendekatan Bagging Mars. Badria, 2008, Penggunaan Metode Exponential Smoothing Untuk meramalkan Kebutuhan Cengkeh di Pabrik Rokok Adi Bungsu. Priyanto, 2005, Handout Peramalan.
12
