Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
ISSN: 2089-9963
IMPLEMENTASI SISTEM INFORMASI PENGARUH PERUBAHAN IKLIM TERHADAP PRODUKSI PADI Abd. Rahman1, Rhiza S. Sadjad2,Faizal Arya Samman3 UniversitasHasanuddin, FakultasTeknik, JurusanTeknikElektro 1
[email protected] [email protected],
[email protected]
2
Abstrak—Paper ini memaparkan hasil implementasi atas analisis data aktual curah hujan dan data potensi pertanian luas tanam, luas panen dan produksi menggunakan klasifikasi oldeman pada proses prediksi/estimasi dengan mengintegrasikan metode regresi berganda serta membangun implementasi aplikasi program sebagai instrument informasi pada pengaruh perubahan iklim terhadap produksi pangan (padi) yang dapat digunakan untuk memprediksi. Metode penelitian ini menggunakan analisis statistika, khususnya analisis regresi berganda dan korelasi n prediktor untuk memprediksi/mengistimasi seberapa jauh perubahan iklim terhadap fungsi produksi pangan (padi) serta akurasi data dengan memanfaatkan root mean square error (RMSE). Hasil penelitian ini adalah terbentuknya sebuah sistem informasi yang dapat mengklasifikasikan, mengolah, dan menginterpretasikan data yang digunakan dalam proses informasi yang tepat untuk menjaga ketahanan pangan, baik lokal maupun nasional. Kata Kunci: Klasifikasi Iklim Oldeman, Analisis regresi, RMSE.
I.
PENDAHULUAN
Pengembangan Teknologi dewasa ini sudah tidak dapat dibendung lagi sehingga di era modernitas saat ini merupakan salah satu kebutuhan penentu.Teknologi Informasi (Information Technology—IT) adalah disiplin ilmu yang ruang pengembangannya masih sangat luas.Pemrograman, sebagai salah satu bagian dari teknologi informasi, tentu terkena imbas perkembangan ilmu ini.Pemrograman saat ini telah berkembang pesat.Semakin banyak fasilitas yangditawarkan oleh aplikasi-aplikasi komputer yang ada saat ini—semakin banyak pekerjaan manusia yang dipermudah oleh adanya aplikasi komputer yang tersedia. Indonesia sebagai Negara kepulauan (archipelagic satates) dan agrarismerupakan anugrah geografis dan ciri kewilayahannya berperan penting dalam sistem iklim global, kondisi geografis ini juga memiliki kerentanan dalam perubahan iklim yang telah, sedang, dan akan berlangsung. Perubahan iklim memicu dan memacu anomaly serta variabilitas iklim dan mengakibatkan percepatan kekerapan berbagai kejadian iklim yang luar biasa (extreme climate events) diantaranya peningkatan intensitas El Nino dan La Nina serta kenaikan curah hujan yang tinggi yang berdampak di hampir setiap sektor kegiatan antara lain pertanian, kondisi yang dapat dilihat dari dampak perubahan iklim adalah makin menurunnya hasil produksi pertanian/pangan termasuk sayur dan buah baik kuantitasnya maupun kualitasnya yang berimbas
pada dimensi sosial dan ekonomi masyarakat. Sebagaimana diketahui, kegiatan pertanian merupakan upaya pemanfaatan sumber daya alam yang sangat erat keterkaitannya dengan kondisi iklim dan cuaca. Kegiatan pengolahan tanah dan persemaian benih padi misalnya baru akan dilakukan bila curah hujan sudah mencukupi sehingga tanah dapat diolah dengan hasil produksi yang diharapkan tentunya, sehingga terjadinya faktor alam yang berdampak pada penyiapan luas tanam, luas panen dan produksi merupakan faktor yang perlu diprediksi. Hal ini diperlukan untuk mengetahui informasi seberapa besar potensi produksi Padi pada suatu daerah Pada penelitian sebelumnya mengangkat tema yang sama misalnya: [7] analisis kebijakan dampak perubahan iklimnya tidak membahas secara mendetail tentang olah data potensi produksi. [4] membahas data iklim (curah hujan), luas tanam, luas panen, produksi, dan produktivitas namun olah data tersebut belum menggunakan aplikasi sistem informasi untuk pengolahan data potensi produksi juga pada data curah hujan masih sebatas menggunakan data manual tanpa menggunakan metode/cara tertentu untuk mengambil data yang digunakan sebagai salah satu data inputan. Selanjutnya tujuan yang ingin dicapai dalam penelitian ini adalah mengimplementasikan analisis data aktual curah hujan dan data potensi pertanian luas tanam, luas panen dan produksi menggunakan klasifikasi oldeman pada proses prediksi/estimasi dengan mengintegrasikan metode regresi berganda serta membangun implementasi aplikasi program sebagai instrument informasi pada pengaruh perubahan iklim terhadap produksi pangan (padi) yang dapat digunakan untuk memprediksi. Data yang diambil merupakan data potensi pertanian Kab. Maros pada data pengamatan Dinas Pertanian Tanaman Pangan dan Hortikultura daerah tersebut, serta BMKG Kelas I Maros. Adapun batasan dalam penelitian ini menggunakan klasifikasi iklim(curah hujan) dilakukan oleh Oldeman didasarkan kepada jumlah kebutuhan air oleh tanaman, terutama tanaman padi dan aplikasi program dibuat dan digunakan sebagai alat bantu atau instrumentasi yang bekerja dalam memberikan informasi prediksi pada pengaruh perubahan iklim terhadap produksi tanaman pangan. Untuk selanjutnya manfaat yang diperoleh dengan sistem aplikasi sebagai alat bantu mempermudah pengguna dalam mengambil alternative keputusan khususnya pada penanganan pengaruh perubahan iklim terhadap produksi tanaman pangan.
15
Vol.2, No.1, Juni 2013
II.
www.jurnal-ristek.org
KLASIFIKASI IKLIM OLDEMAN
Dalam penelitian ini dimulai dari proses pengambilan data curah hujan yang menggunakan klasifikasi iklim menurut Oldemandan data potensi pertanian (Produksi, produktivitas, luas tanam dan luas panen) ditambah data curah hujan yang mengacuh pada klasifikasi iklim Oldeman yang selanjutnya diolah dengan menggunakan analisis regresi dan korelasi untuk mendapatkan hasil prediksi kemudian dibuat implementasinya dalam sebuah perangkat lunak sebagai sitem informasi yang diharapkan memudahkan pemakainya dalam hal ini para penentu kebijakan yang ada pada instansi terkait. Data awal sebelum dilakukan perhitungan untuk mencari nilai Prediksi dapat dilihat pada Tabel 1. Tabel 1. Data curah hujan dan Data Potensi Curah Hujan (mm/bulan)
Bulan 2009
2010
2011
2012
Januari
1226
1033
864
611
Februari
719
532
502
443
Maret
186
274
576
574
April
146
218
395
230
Mei
219
430
206
164
Juni
83
197
9
69
Juli
46
229
1
44
-
88
0
0
September
17
330
0
2
Oktober
16
201
188
115
Nopember
112
455
470
198
Desember
486
752
772
395
Agustus
Luas Tanam (ha)
18.741
21.125
19.644
46.384
Luas Panen (ha)
44.097
33.862
32.077
48.333
Produksi (ton)
262.641
250.995
297.327
322.429
Keterangan : “ – “ = tidak ada hujan; “ 0 ” = hujan < 0,5 mm. Sumber : BMKG Stasiun Klimatologi Kelas 1 Maros; Dinas Pertanian Tanaman Pangan dan Hortikultura Maros; Badan Pusat Statistik Kab.Maros.
Data Pada Tabel 1 menjelaskan untuk bulan agustus tahun 2009 sebesar “-“ (tidak ada hujan), tahun 2011 bulan agustus dan September sebesar “0” (hujan < 0,5 mm) serta pada tahun 2012 bulan agustus sebesar “0” (hujan < 0,5 mm) hal tersebut secara otomatis masuk pada zona jumlah bulan kering, adapun untuk luas panen (ha) lebih besar dari luas tanam (ha) dari sumber yang ada pada instansi terkai diperoleh dari 2 (dua) kali panen atau lebih dalam setahun dalam luas tanam (Ha) yang ada dan pada tabel tersebut kemudian digunakan untuk merujuk kepada mengelompokan pembagian iklim yang didasarkan pada banyaknya jumlah bulan basah, lembab dan kering yang digunakan oleh Oldeman sebagai salah satu rujukan untuk menentukan pembagian zona agroklimat dan hubungannya dengan pertanian, Oldeman mengungkapkan bahwa kebutuhan air untuk tanaman padi adalah 150 mm per bulan sedangkan untuk tanaman palawija adalah 70 mm/bulan, dengan asumsi bahwa
ISSN: 2089-9963
peluang terjadinya hujan yang sama adalah 75 % maka untuk mencukupi kebutuhan air tanaman padi 150 mm/bulan diperlukan curah hujan sebesar 220 mm/bulan, sedangkan untuk tanaman palawija diperlukan curah hujan sebesar 120 mm/bulan, sehingga menurut Oldeman dikatakan bulan basah apabila curah hujan bulanan lebih dari 200 mm/bulan, bulan lembab apabilah curah hujannya 100 mm – 200 mm dan dikatakan bulan kering apabila curah hujannya lebih kecil dari 100 mm/bulan, penentuan tipe utama dilakukan berdasrkan panjang bulan basah dan panjang bulan kering pada Sub Tipe, selengkapnya dapat dilihat pada tabel 2 dan tabel 3 [15]. Tabel 2. Tipe utama iklim NO.
TIPE UTAMA
JUMLAH BULAN BASAH (BULAN)
1. 2. 3. 4. 5.
A B C D E
>9 7–9 5–6 3–4 <3
Tabel 3. Sub tipe iklim NO.
SUB TIPE
JUMLAH BULAN KERING (BULAN)
1. 2. 3. 4.
1 2 3 4
<= 1 2–3 4–6 >6
Sehingga pada data tabel 1 didapat banyaknya jumlah bulan seperti pada tabel 4 berikut: Tabel 4. Data curah hujan JUMLAH BULAN Jumlah Bulan Basah Jumlah Bulan Lembab Jumlah Bulan Kering Klasifikasi Iklim (Oldeman)
2009 4 3 5 D3
2010 10 1 1 A1
2011 7 1 4 B3
2012 5 3 4 C3
Tabel 4 diatas menjelaskan jumlah panjang bulan basah, lembab dan kering dalam 4 (empat) tahun terakhir mulai tahun 2009 s/d tahun 2012 data tersebut diperoleh berdasarkan sumber data yang diperoleh pada Tabel 1. III.
REGRESI DAN KORELASI
Analisis Regresi adalah metode statistika yang digunakan untuk menentukan kemungkinan bentuk hubungan / pengaruh antara dua atau lebih variabel bebas (X) dengan variabel terikat (Y). Tujuan pokok penentuan metode ini adalah untuk meramalkan atau memperkirakan nilai dari satu variabel (Y) dalam hubungannya dengan variabel yang lain (X).Sementara analisis korelasi digunakan untuk mencari arah dan kuatnya hubungan antara dua variable atau lebih, baik hubungan yang bersifat simetris, kausal dan reciprocal. [8] Secara fungsional Y = f (X1, X2, X3, ..., Xn) atau dalam persamaan matematis dituliskan : Y = a + b1X1 + b2X2 + b3X 3 + ... + bnXn
(1) 15
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
di mana : Y= Variabel Terikat X= Variabel Bebas a = Harga Y ketika Harga X = 0 (harga konstanta) b = Angka arah atau koefesien regresi, Koefesien regresi, yang menunjukkan angka peningkatan atau penurunan variabel terikat yang didasarkan pada perubahan variabel bebas. Dan untuk persamaan regresi serta hubungan antara Jumlah bulan basah(X1), Jumlah bulan Kering (X2),Luas Tanam (X3) danLuas Panen (X4) [8]. Selanjutnya satu hal yang sangat penting untuk dilakukan, yaitu mengetahui tingkat keakuratan data seberapa akurat data hasil perhitungan dengan data yang sebenarnya, maka dalam mengetahui tingkat keakuran data, ada sebuah indeks yang biasa dipakai untuk mengetahui tingkat kualitas dari pada suatu sistem yaitu Root Mean Square error (RMSE). Nilai error dapat dirumuskan sebagai berikut [13]:
RMSE
n i 1
( X dataasli X hasilhitung ) 2 n
… (2)
dimana: Xdata asli = Data Asli Xdata hasil hitung = Hasil Hitung n = Jumlah data
e
… (2.1)
X dataasli X dataasli X hasilhitung X dataasli
)2
… (2.2)
2
RMSE
Dari analisis regresi pers (3.1), (3.2) dan (3.3), koefesien regresi berturut-turut diperoleh: a1 : 130.679,600; b11: -9297,600; b21 : -12506,200 Maka dari analisis tersebut dimasukkan pers. (2) untuk mendapatkan Luas Tanam hasil perhitungan sebagaimana pada Tabel 5. Tabel 5.Tabel Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2) terhadap Luas Tanam (Y1).
2009 2010 2011 2012
Pada Tabel 5. diatas menjelaskan bahwa Luas Tanam yang diperoleh dari hasil analisis regresi 2 (dua) prediktor ditahun 2009 sebesar 30. 958, 200 Ha, tahun 2010 sebesar 25.197,400 Ha, tahun 2011 sebesar 15.572, 600 Ha dan pada tahun 2012 sebesar 34.167,800 Ha. Dan dari pers (2.4), maka sebagaimana pada Tabel 6.
e 100%
… (2.3)
n
KORELASI
KOEF. KORELASI
R
(R²)
-0,96624
0,9336285867
Y1 = a1 + b11X1+b21X2 dimana: Y1 = Luas tanam X1 = Jumlah Bulan Basah X2 = Jumlah Bulan Kering
… (3)
Y a n b X
b21 X 2
X Y
2
…(3.1) …(3.2) …(3.3)
1 1
11
1
a1 X1 b11 X1 b21 X1 X 2
X2Y1 a1 X2 b11 X1 X2 b21 X 2
2009 2010 2011 2012
2
Persamaan Korelasi:
Ry(12)
korelasinya
PENGARUH
Ῡ1/THN (Ha/thn)
FAKTOR LAIN 6,6371
93,363
Tabel 7. Tabel Root Mean Square Error (RMSE) dua prediktor.
TAHUN
1
didapat
Tabel 6 menjelaskan bahwa pengaruh perubahan iklim/curah hujan (Jumlah bulan basah dan kering) menunjukkan bahwa nilai R (korelasi) Square (R2) sebesar 0,9336 artinya 93,363 % Luas Tanam dipengaruhi oleh perubahan iklim) dan pengaruh faktor lain sebesar 6,6371 % dalam 4 tahun terakhir 2009 s/d 2012.
Maka pada persamaan regresi linear ganda dua prediktor [8], diperoleh:
1
LUAS TANAM (Y1) (Ha) 30.958, 200 25.197, 400 15.571,600 34.166,800
TAHUN
Tabel 6. Tabel korelasi Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2) terhadap Luas Tanam (Y1) :
X dataasli X hasilhitung
e2 (
ISSN: 2089-9963
b11 X 1 Y1 b21 X 2Y1 2 1
Y
…(3.4)
DATA ASLI
DATA HASIL REGRESI
RMSE
RMSE² (e)²
L.Tanam (X3)
L. Tanam (Y1 )
(e)
18.741 21.125 19.644 46.384
30.958, 200 25.197, 400 15.571,600 34.166,800
-0,652 -0,193 0,207 0,263
RMSE=√((Σe²)/n)*(100%)
0,425 0,037 0,043 0,069 0,379 3,79%
Tabel 7 menjelaskan bahwa untuk mengetahui tingkat kesesuaian akurasi/validasi tertentu dari suatu kumpulan data yang diberikan menggunakan metode Root Mean Square error (RMSE) Bab III Subab G no. 2 Uji Keakuratan sebagai salah satu syarat untuk menguji nilai
16
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
keakuratan sebuah indeks yang diperoleh dimana data asli/aktual Luas Tanam tahun 2009 s/d tahun 2012 dan data hasil analisis regresi Luas Tanam tahun 2009 s/d tahun 2012 untuk selanjutnya diperoleh tingkat keakuratan RMSE sebesar 0,379 atau 37,9 %.
Tabel 9. Tabel korelasi Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2), Luas Tanam (X3) terhadap Luas Panen (Y2). KORELASI
KOEF. KORELASI
R
(R²)
1,0
1,0
Persamaan regresi untuk tiga prediktor adalah [8]:
…(4)
Y2 = a2 + b12X1 + b22X2 + b31X3
ISSN: 2089-9963
PENGARUH
Ῡ2/TAHUN (Ha/thn)
FAKTOR LAIN
100
0,000
dimana: Y2 = Luas Panenb X1 = Jumlah Bulan Basah X2 = Jumlah Bulan Kering X3 = Luas Tanam
Tabel 9 memperlihatkan bahwa pengaruh perubahan iklim/curah hujan (Jumlah bulan basah dan kering) menunjukkan bahwa nilai R (korelasi) Square (R2) sebesar 1,0 artinya 100 % Luas Panen dipengaruhi oleh Luas Tanam dan perubahan iklim serta pengaruh faktor lain sebesar 0 % dalam 4 tahun terakhir 2009 s/d 2012.
Untuk mencari koefesien regresi b12, b22 dan b31 dapat digunakan persamaan simultan berikut ini:
Sebagaimana pada Pers. (2), diperoleh RMSE pada Tabel 10.
2
X Y
b12 X1 b22 X1 X2 b31 X1 X3 …(4.1)
1 2
2
X Y b X X b X b X X … (4.2) X3Y2 b12 X1 X3 b22 X2 X3 b31 X32 ... (4.3) 2 2
12
1
2
22
2
31
2
3
a2 Y2 b12 X 1 b22 X 2 b31 X 3
b12 X1 Y2 b22 X 2Y2 b31 X3Y2
Y
2
… (4.5)
a2: 101.242,1448531580; b12: -6.334,94786857870; b22: -6.863,742179058990; b31: 0,1341101070621748 Dari Pers. (4) diperoleh hasil selengkapnya pada Tabel 8 Tabel 8. Tabel Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2), Luas Tanam (X3) terhadap Luas Panen (Y2). TAHUN 2009 2010 2011 2012
LUAS PANEN (Y2) (Ha) 44.096,99999999990 33.861, 99999999990 32.076, 99999999990 48.332, 99999999990
Tabel 8 diatas menunjukkan bahwa Luas Panen hasil analisis regresi 3 (tiga) prediktor ditahun 2009 sebesar 44.096, 99999999990 Ha, tahun 2010 sebesar 33.861, 99999999990 Ha, tahun 2011 sebesar 32.076, 99999999990 Ha dan pada tahun 2012 sebesar 48.332, 99999999990 Ha. Dengan memasukkan pers. (4.5) maka diperoleh hasil korelasi pada Tabel 9.
RMSE
RMSE²
L.Panen (X4)
L. Panen(Y2 )
(e)
(e)²
44.097 33.862 32.077 48.333
44.096,999 33.861,999 32.076,999 48.332,999
2,310.1015 3,008.1015 3,062.1015 2,108.1015
5,33603.1030 9,04922.1030 9,37692.1030 4,44170.1030 2,65537.1015 2,65537.1013
2009 2010 2011 2012
RMSE=√((Σe²)/n)*(100%)
2
Dari analisis pada pers. (4.1), (4.2), (4.3) dan (4.4) tersebut maka diperoleh:
DATA HASIL REGRESI
DATA ASLI
THN
… (4.4)
Persamaan Korelasi: Ry(123)
Tabel 10. Tabel Root Mean Square Error (RMSE) tiga prediktor.
Tabel 10 menjelaskan bahwa untuk mengetahui tingkat kesesuaian akurasi/validasi suatu metode ramalan tertentu dari suatu kumpulan data yang diberikan dimana data asli/aktual Luas Panen tahun 2009 s/d tahun 2012 dan data hasil analisis regresi Luas Panen tahun 2009 s/d tahun 2012 diperoleh tingkat keakuratan/validasi RMSE sebesar 2,65537.1013 %. Persamaan regresi untuk empat prediktor adalah [8]: Y3 = a3 + b13X1 + b23X2 + b32X3+ b41X 4 dimana: Y3 = Produksi X1 = Jumlah Bulan Basah X2 = Jumlah Bulan Kering X3 = Luas Tanam X4 = Luas Panen
… (5)
Untuk mencari koefesien regresi b13, b23, b32, dan b41 dapat digunakan persamaan simultan berikut ini: 2 XY b X b X X b X X b X X ...(5.1)
X Y b X X b X 1 3 2 3
13 13
23
1 1
2
1
23
2
2
2
32
2 3
X Y b X X b X X b X 3 3
13
1
3
23
1 3
41
1 4
b32X2 X3 b41X2X4 ...(5.2)
2 3
32
b41X3X4 ..(5.3)
X Y b X X b X X b X X b X 4 3
13
1
4
23
2 4
32
3 4
41
4
2
...(5.4) 17
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
a3 Y3 b13 X 1 b23 X 2 b32 X 3 b41 X 4
...(5.5)
Tabel 13. Tabel Root Mean Square Error (RMSE) empat prediktor:
Persamaan Korelasi: Ry(123)
b13X1 Y3 b23X2Y3 b32X3Y3 b41X4Y3
Y
2
TAHUN
…(5.6)
3
Dari pers. (5.1), (5.2), (5.3), (5.4) dan (5.5) tersebut maka diperoleh: a3: -107.920,4269535940; b13: 25.379,420678730300; b23: 42.264,978939512400; b32: 2,752381557460950; b41: 0,1391583729672100 Selanjutnya pada pers. (5) diperoleh hasil selengkapnya pada Tabel 11. Tabel 11. Tabel Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2), Luas Tanam (X3) terhadap Luas Panen (X4) terhadap Produksi (Y3). PRODUKSI(Y3) (Ton) 262.641,0 250.995,0 297.327,0 322.429,0
TAHUN 2009 2010 2011 2012
Tabel 11 diatas menjelaskan bahwa Produksi hasil analisis regresi 4 (empat) prediktor ditahun 2009 sebesar 262.641,0 Ha, tahun 2010 sebesar 250.995,0 Ha, tahun 2011 sebesar 297.327,0 Ha dan pada tahun 2012 sebesar 322.429,0 Ha nilai tersebut diperoleh dari proses analisis dengan melibatkan variabel bebas panjang bulan basah dan kering serta data potensi pertanian luas tanam dan luas panen. Untuk mendapatkan nilai korelasi maka selanjutnya dimasukkan pers. (5.6) dan selengkapnya dapat dilihat pada Tabel 12 berikut: Tabel 12. Tabel korelasi Jumlah Bulan Basah (X1), Jumlah Bulan Kering (X2), Luas Tanam (X3) terhadap Luas Panen (X4) terhadap Produksi (Y3): KORELASI
KOEF. KORELASI
R
(R²)
0,9714
0,94362
Ῡ3/THN (Ton/thn)
94,367
PENGARUH FAKTOR LAIN
5,6382
Tabel 12 menjelaskan pengaruh perubahan iklim/curah hujan (Jumlah bulan basah dan kering) menunjukkan bahwa nilai R (korelasi) Square (R2) sebesar 0,94362 artinya 94,367 % Produksi dipengaruhi oleh Luas Tanam, Luas Panen dan perubahan iklim, faktor lain sebesar 5,6382 % berada dia area zona merah dalam 4 tahun terakhir 2009 s/d 2012.
ISSN: 2089-9963
2009 2010 2011 2012
DATA ASLI
DATA HASIL REGRESI
Produksi (Y)
Produksi (Y3)
262.641 250.995 297.327 322.429
262.641,0 250.995,0 297.327,0 322.429,0
RMSE=√((Σe²)/n)*(100%)
RMSE
RMSE²
(e)
(e)²
0,000 0,000 0,000 0,000
0,000 0,000 0,000 0,000 0,000%
Tabel 13 menerangkan bahwa untuk mengetahui tingkat kesesuaian akurasi/validasi suatu metode ramalan tertentu dari suatu kumpulan data yang diberikan dimana data asli/aktual Produksi tahun 2009 s/d tahun 2012 dan data hasil analisis regresi Produksi tahun 2009 s/d tahun 2012 maka diperoleh tingkat keakuratan/validasi analisis dengan RMSE sebesar 0,000 % hal ini menunjukkan bahwa kesesuaian data yang diperoleh melalui analisis regresi 4 (empat) prediktor sangat baik.
IV.
PREDIKSI
Dari hasil analisa dan pengamatan pemodelan yang ada pada sub 3.Dengan asumsi Jumlah bulan basah (X1) dan bulan kering (X2) sama (sesuai data BMKG). Tahun 2009, misalnya diperidiksi secara akurat pada awal tahun bahwa X1 = 5; dan X2 = 4, makadengan pemodelan yang dilakukan dapat diperediksi: Ŷ1 = a1 + b11X1+ b21X2 … (6) Ŷ2 = a2 + b12X1 + b22X2 + b31Ŷ1 …(7) Ŷ3 = a3 + b13X1 + b23X2 + b32Ŷ1+ b41Ŷ2 … (8) dimana Ŷ1 (Luas Tanam Prediksi) tahun 2009 diperoleh 30.958,199 ha; 2010 diperoleh 25.197,399 ha; 2011 sebanyak 15.572,600 ha; dan 2012 diperoleh 34.167,799 ha hal ini didapatkan karena di tahun yang sama nilai konstanta dan koefesien regresi serta faktor picu X1 (Bulan Basah) dan X2 (Bulan Kering) yang ada dalam data latih adalah variabel bebas yang menjadi inputan untuk mendapatkan Ŷ1 (Luas tanam prediksi) maka secara otomatis hasil yang didaptkan sama dengan data latih sebagaimana model yang didaptkan pada persamaan (6). Ŷ2 (Luas Panen Prediksi) 45.735,449 ha di tahun 2009, dan pada tahun 2009 Ŷ3 (Produksi Prediksi) 296.495,399 Ton/tahun, sehingga dengan model prediksi yang sama untuk Tahun 2010, 2011 dan 2012 dengan Root Mean Square Error (RMSE) selengkapnya dapat dapat dilihat pada Tabel 14, 15 dan 16 berikut: Maka pada persamaan (6) regresi linear ganda dua prediktor untuk prediksi:
Sebagaimana pada Pers. (2), diperoleh RMSE pada Tabel 13 berikut:
18
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
Tabel 14. Tabel Prediksi Luas Tanam (Ŷ1) dan Root Mean Square Error (RMSE) dua prediktor. TAHUN
DATA ASLI L.Tanam (X3)
2009 2010 2011 2012
18.741 21.125 19.644 46.384
DATA HASIL PREDIKSI
RMSE
L.Tanam (Ŷ1 )
(e)
-0,652 -0,193 0,207 0,263
RMSE=√((Σe²)/n)*(100%)
RMSE² (e)²
Tabel 15. Tabel Prediksi Luas Panen (Ŷ2) dan Root Mean Square Error (RMSE) tiga prediktor.
TAHUN
L.Panen (X4)
2009 2010 2011 2012
44.097 33.862 32.077 48.333
DATA HASIL PREDIKSI L. Panen (Ŷ2 )
45.735,449 34.408,149 31.530,850 46.694,549
RMSE=√((Σe²)/n)*(100%)
RMSE
RMSE²
(e)
(e)²
-0,037 -0,016 0,017 0,033
0,001380 0,000026 0,000029 0,001149 0,02775 2,775%
Selanjutnya persamaan (8) regresi linear ganda empat prediktor untuk prediksi selengkapnya pada Tabel 16:
DATA ASLI Produksi (Y)
0,425 0,037 0,043 0,069 0,379 3,79%
Tabel 14 menjelaskan bahwa untuk mengetahui tingkat kesesuaian akurasi/validasi tertentu dari suatu kumpulan data yang diberikan dimana data asli/aktual Luas Tanam tahun 2009 s/d tahun 2012 dan data hasil prediksi analisis regresi tahun Luas Tanam 2009 s/d tahun 2012 tingkat keakuratan/validasi dengan RMSE sebesar 0,379 atau 37,9 %, dimana luas tanam data aktual pada tahun 2009 sebesar 18.741 Ha, tahun 2010 sebesar 21.125 Ha, tahun 2011 sebesar 19.644 Ha dan tahun 2012 sebesar 46.384 Ha. Luas tanam pada tahun prediksi hasil pemodelan untuk tahun 2009 diperoleh 30.958,200 Ha, tahun 2010 sebesar 25.197,400, tahun 2011 sebesar 15.572 Ha dan tahun 2012 sebesar 34.167,800 Ha. Hal ini diperoleh karena ditahun yang sama nilai konstanta dan koefesien regresi serta faktor picu X1 (Jumlah Bulan Basah) dan X2 (Jumlah Bulan Kering) yang ada dalam data Regresi adalah variabel bebas yang menjadi nilai inputan untuk mendapatkan Ŷ1 (Luas Tanam Prediksi). Pada persamaan (7) regresi linear ganda tiga prediktor untuk prediksi selengkapnya pada Tabel 15. Tabel 15 menerangkan bahwa tingkat kesesuaian akurasi/validasi tertentu dari suatu kumpulan data yang diberikan dimana data asli/aktual Luas Panen tahun 2009 s/d tahun 2012 dan data hasil pemodelan prediksi analisis regresi Luas Panen tahun 2009 s/d tahun 2012 memperlihatkan tingkat keakuratan/validasi sebesar 2,775 %.
DATA ASLI
Tabel 16. Tabel Prediksi Produksi (Ŷ3) dan Root Mean Square Error (RMSE) empat prediktor.
TAHUN
30.958,199 25.197,399 15.572,600 34.167,799
ISSN: 2089-9963
2009 2010 2011 2012
262.641 250.995 297.327 322.429
DATA HASIL PREDIKSI
RMSE
Produksi(Ŷ3)
(e)
296.495,400 262.279,800 286.042,200 288.574,600
-0,129 -0,045 0,038 0,105
RMSE=√((Σe²)/n)*(100%)
RMSE² (e)²
0,0166 0,0020 0,0014 0,0110 0,0882 8,82%
Selanjutnya pada Tabel 16 menjelaskan kesesuaian akurasi/validasi dari suatu kumpulan data yang diberikan dimana data asli/aktual Produksi tahun 2009 s/d tahun 2012 dan data hasil pemodelan prediksi analisis regresi Produksi tahun 2009 s/d tahun 2012 memperlihatkan tingkat keakuratan/validasi sebesar 8,82 %. V. REKAYASA PERANGKAT L UNAK Setelah dilakukan analisis terhadap permasalahan yang ada dan pemecahan masalah yang akan dilakukan, selanjutnya dari konsep tersebut dilakukan pemilihan metode dan alat bantu yang memungkinkan program memanipulasi informasi secara proporsional. Aplikasi merupakan alat bantu yang akan digunakan menginput data curah hujan dan data potensi (luas tanam, luas panen dan produksi ) dalam bulan pertahun selama 4 (empat) tahun terakhir 2009 – 2012 yang tersedia dalam data yang diberikan oleh instansi terkait (BMKG Stasiun Klimatologi Kelas 1 Maros dan Dinas Pertanian Tanaman Pangan dan Hortikultura Maros). Namun sebelumnya data tersebut dibagi 2 (dua) bagian untuk dijadikan sebagai data input, untuk data pertama pada tahun 2009 – 2011merupakan data yang akan diolah oleh sistem dengan menggunakan fungsi statistik regresi, sedangkan untuk data kedua tahun 2012 adalah data yang merupakan tahun prediksi dimana akan dilakukan input data jumlah bulan basah (X1) dan jumlah bulan kering (X2) pada sistem aplikasi untuk memprediksi seberapa besar data potensi yang dihasilkan dalam tahun tersebut. a.
Uji Coba Akurasi Prediksi Uji coba akurasi dilakukan untuk mengetahui ketepatan hasil perolehan prediksi dibandingkan dengan data aktual yang meliputi data curah hujan dan data potensi pertanian, untuk selanjutnya ketepatan tersebut dimaksudkan untuk mengetahui seberapa besar perbedaan dan kesesuaian data yang didapatkan dengan fungsi statistik regresi menggunakan simulasi Microsoft excel dan aplikasi pemrograman yang dibuat. Uji coba akurasi ini dilakukan dengan percobaan sebagai berikut: 1.
Pengujian dengan menggunakan simulasi Microsoft excel dan aplikasi terhadap data aktual tahun 2009 – 2012 dengan koefesien regresi sebagai berikut:
19
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
simulasi microsoft excel Luas Tanam adalah a1 : 130.679,600; b11: -9297,600; b21 : -12506,200 ; Luas Panen: a2: 101.242,1448531580; b12: -6.334,94786857870; b22: -6.863,742179058990; b31: 0,1341101070621748; dan Produksi : a3: 107.920,4269535940; b13: 25.379,420678730300; b23: 42.264,978939512400; b32: 2,752381557460950; b41: 0,1391583729672100. Program Aplikasi untuk Luas Tanam sebesar a1 : 130.679,59999999791; b11: -9297,999999999824; b21 : -12506,199999999732 ; Luas Panen: a2: 101.242,14485315778; b12: -6.334,947868578721; b22: -6.863,742179059025; b31: 0,1341101070621748; dan Produksi : a3: -93.831,73480011789; b13: 24.497,859640506827; b23: 41.309,83174540812; b32: 2,7710441017581773; b41: 9,297599999999824. Selanjutnya pada tabel 17 memperlihatkan dengan jelas nilai akurasi/validasi yang di dapatkan antara data yang menggunakan analisa excel dan data dengan menggunakan program aplikasi sangat baik untuk sebuah pengolahan data. 2.
Pengujian akurasi data aktual tahun 2009 – 2011 sebagai data olah dengan menjadikan tahun 2012 sebagai tahun prediksi dimana jumlah bulan basah (X1) = 5; dan jumlah bulan Kering (X2) = 4, oleh BMKG digunakan sebagai data input. Selanjutnya dilakukan uji coba akurasi data aktual tahun 2012 untuk mengetahui ketepatan hasil perolehan prediksi pada probgram aplikasi yang digunakan.
Tabel 17. Tabel Akurasi Prediksi menggunakan Simulasi Excel dan Program Aplikasi. THN
2009 2010 2011 2012
DATA HASIL EXCEL L.Tanam (Y1) 30.958,200 25.197,400 15.571,600 34.166,800
DATA HASIL PROG. APLIKASI L. Tanam (Ŷ1) 30.958,1999999999 25.197,3999999999 15.571,6000000002 34.166,7999999998
RMSE
RMSE²
(e) 3,29.1015 4,04.1015 -1,3.1014 5,96.1015
(e)² 1,08.1029 1,63.1029 1,65.1028 3,56.1029 7,55.1015
RMSE=√((Σe²)/n)*(100%) THN 2009 2010 2011 2012
L.Panen (Y2) 44.096,999 33.861, 999 32.076, 999 48.332, 999
L. Panen (Ŷ2 ) 44096.999999999985 33861.999999999985 33861.999999999985 48332.999999999985
7,6.1013%
(e) -1,0.1012 -1,0.1012 -1,1.1012 -1,0.1012
1,0.1012 1.1014%
RMSE=√((Σe²)/n)*(100%) THN 2009 2010 2011 2012
Produksi (Y3) 262.641 250.995 297.327 322.429
Produksi (Ŷ3 ) 262.641,0 250.995,0 297.327,0 322.429,0
RMSE=√((Σe²)/n)*(100%)
(e)² 1,0.1024 1,0.1024 1,1.1024 1,0.1024
(e) 0,000 0,000 0,000 0,000
(e)² 0,000 0,000 0,000 0,000 0,000 0,000%
ISSN: 2089-9963
Maka dari pengujian tersebut selengkapnya dapat dilihat pada tabel 18 sebagai berikut. Tabel 18. Tabel BMKG Akurasi Prediksi tahun 2012.
THN
DATA ASLI/ AKTUAL L.Tanam (X3 )
18.741 21.125 19.644 46.384
2009 2010 2011 2012
DATA HASIL PREDIKSI
RMSE
L. Tanam (Ŷ1) 18.741,000000000001 21.125,000000000004 19.643,999999999978 19.234,6666666666686
(e) -5,8.1016 -1,7.1016 1,1.1015 0,585317
RMSE=√((Σe²)/n)*(100%) L.Panen (X4 )
THN 2009 2010 2011 2012
44.097 33.862 32.077 48.333
L. Panen (Ŷ2) 44.097,00000000002 33.862,00000000001 32.077,000000000004 44.692,00000000003
Produksi (Y)
262.641 250.995 297.327 322.429
Produksi (Ŷ3 ) 262.640,9999999998 250.994,9999999999 297.327,0000000003 247.196,99999999977
(e)² 3,39.1031 2,97.1032 1,23.1032 0,342596 3,037.1016 3,037.1018 %
(e) -4,9.1016 -2,1.1016 -1,1.1016 0,075331
(e)² 2,45.1031 4,62.1032 1,29.1032 0,005675 2,76.1016 2,76.1018 %
(e) 3,3.1016 3,5.1016 -9,8.1016 0,233329
(e)² 4,42.1031 1,21.1031 9,58.1031 0,054442 6,17.1016 6,17.1016 %
RMSE=√((Σe²)/n)*(100%) THN 2009 2010 2011 2012
RMSE²
RMSE=√((Σe²)/n)*(100%)
Sehingga dari tabel 18 diatas untuk prediksi tahun 2012 diperoleh Luas Tanam sebesar 19.234,666667 Ha dengan tingkat akurasi RMSE sebesar 0,3379 (33,79%), Luas Panen sebesar 44.692 Ha pada akurasi RMSE sebesar 0,04349 (4,349%) dan Produksi Padi untuk tahun tersebut sebesar 247.197 Ton dengan tingkat akurasi pada tahun tersebut RMSE diperoleh 0,13471 (13,471%) 3.
Uji coba kombinasi prediksi tahun 2012 bila jumlah bulan basah (X1) dan jumlah bulan kering (X2) di variasikan. Untuk selanjutnya dapat dilihat pada tabel 19 berikut: Tabel 19. Tabel Variasi Akurasi Prediksi tahun 2012.
X1
X2
5 5 4 4 4 6 6 6
3 5 4 3 5 3 4 5
L.Tana m (Ŷ1 ) Ha 19.523 18.945 19.030 19.319 18.741 19.728 19.439 19.150
RMS E (%)
L.Panen (Ŷ2) Ha
RMS E (%)
Produks i (Ŷ3)
RMSE (%)
33,43 34,15 34,04 33,69 34,41 33,18 33,54 33,90
51.594 37.789 50.999 57.902 44.097 45.287 38.385 31.482
3,896 12,59 3,185 11,43 5,060 2,639 11,88 20.13
206.688 287.706 222.132 181.623 262.641 231.754 272.262 312.771
20,72 6,218 17,95 25,21 10,71 16,24 8,983 1,729
Pada uji coba tersebut diatas maka didapatkan hasil data potensi pertanian yang bervariasi tergantung dari besar kecilnya jumlah bulan basah (X1) dan jumlah bulan kering (X2) yang digunakan sebagai variabel input demikian pula dengan nilai keakuratan yang diperoleh, sehingga hasil tersebut yang didapatkan sangat 20
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
bergantung pada jumlah besarnya populasi data aktual yang diperoleh untuk mendekati nilai keakuratan data aktual tersebut. b. Tahapan Pengoperasian Aplikasi 1. Operator/user menjalankan aplikasi sistem informasi. Pada Form tampilan Aplikasi Sistem Informasi, user memilih tombol insert data untuk selanjutnya menginput data curah hujan dan data potensi (luas tanam, luas panen dan produksi ) ke aplikasi dalam bulan pertahun selama 3 (tahun) tahun terakhir 2009 – 2011 diakhiri dengan klik tombol insert pada menu input data dan jikalau dimungkinkan terdapat kesalahan data dalam penginputan maka user dapat mengklik tombol clear atau menekan tombol backspace dan delete pada papan keyboard computer yang digunakan. 2. Selanjutnya user memilih dan mengklik tombol proses untuk menampilkan menu form data pertama yang telah diinput sebelumnya dimana pada tampilan form tersebut menyediakan tahun awal dan tahun akhir yang disesuai kan dengan data yang telah diinput misalnya tahun awal 2009 dan tahun akhir 2011 diisi secara manual oleh user untuk selanjutnya user mengklik tombol view untuk melihat data yang telah diinput kemudian user mengklik tombol set dan proses untuk melak ukan olah analisis data yang dikerjakan oleh sistem dengan metode fungsi statistik dan pemodelan yang digunakan pada pers (6), (7) dan (7). 3. Form tampilan data laporan adalah form untuk menampilkan data hasil analisis perlakuan data dengan menggunakan fungsi matematis statistik regresi dan korelasi serta validasi yang dilakukan oleh sistem. Pada tahapan ini user mengklik tombol result untuk menampilkan data laporan hasil analisis data pada tombol history sedangkan tampilan grafik hubungnya untuk prediktor 2, 3 dan 4, maka user mengklik tombol chart. 4. Setelah tahapan 3 diatas telah selesai maka tahapan selanjutnya adalah menampilkan form menu prediksi dengan cara klik tombol proses kembali ke tahapan 2 pada posisi tampilan menu form data, untuk selanjutnya klik tombol prediksi untuk melakukan proses estimasi, maka secara otomatis form tampilan prediksi akan muncul/tampil beserta dengan tampilnya tahun prediksi misalnya tahun 2012 dan dilakukan langkah selanjutnya dengan menginput bulan basah dan bulan kering secara manual kemudian tekan tombol prediksi, namun sebelumnya luas tanam dan luas panen serta produksi tetap dibiarkan kosong pada form tersebut, form ini bisa diisi ketika data inputannnya diketahui. Setelah itu klik tombol Result untuk melihat laporan data dan tingkat keakuratan pada proses validasi data dengan menggunakaan pers. (2.3) yang dilakukan oleh sisitem. 5. Proses selesai pada menu tampilan laporan yang memperlihatkan prediksi luas tanam tahun 2012 dengan menjadikan bulan basah dan bulan kering sebagai variabel input dengan nilai X1 dan X2. Untuk selanjutnya pada form yang menampilkan grafik
ISSN: 2089-9963
hubung prediksi, tahun 2012 , yang dijadikan sebagai input data yang ada adalah data prediksi hasil dari pemodelan data. c.
Mengubah Metode Pemodelan (Menggunakan Fungsi Matematis lain) Pada program aplikasi sistem informasi pengaruh perubahan iklim terhadap produksi Padi, ini dimungkinkan untuk dapat mengubah metode pemodelan yang digunakan dengan metode lain dengan cara membuka sistem tools aplikasi eclipse helios berbasis Java selanjutnya membuka file program iklim 10 yang telah tersedia dan membuka sub file src ‘resource’ kemudian memilih objek program Regresi.java untuk dilakukan penggantian metode fungsi pemodelan dengan tetap mempertahankan atribut-atribut pengistilahan yang digunakan. Hal ini dilakukan untuk mencari fungsi pemodelan prediksi yang akurat pada penelitian selanjutnya dimasa yang akan datang. VI.
PENUTUP
Setelah dilakukan pengujian dan analisa, maka dapat diperoleh kesimpulan 1) pada metode regresi dan korelasi yang digunakan terlihat berapa jauh perubahan nilai variabel terikat (Y) terhadap nilai variabel bebas (X) bila nilai variabel bebas dimanipulasi berdasarkan data penelitian 2). Nilai Root Mean Square error (RMSE) yang diperoleh dengan menggunakan fungsi statistik regresi dan pemodelan pada tabel 17 yang menyandingkan pengujian dengan menggunakan simulasi Microsoft excel dan aplikasi terhadap data aktual tahun 2009 – 2012 untul Luas Tanam diperoleh tingkat keakuratan RMSE sebesar 7,55.1015 atau 7,6.1013 % , Luas Panen diperoleh tingkat keakuratan RMSE sebesar 1,0.1012 atau 1,1.1014 % sementara Produksi diperoleh tingkat keakuratan RMSE sebesar 0,000 atau 0,000 %. 3). data prediksi yang dihasilkan pada tahun 2012 dengan X1 = 5 dan X2 = 4 sumber BMKG serta X1 dan X2 pada tabel 19 variasi (tebakan sembarang) terhadap data aktual maka menghasilkan nilai variatif besaran data potensi pertanian yang diperoleh demikian pulah pada nilai keakuratan yang diperoleh, untuk selengkapnya pada sub 5 rekayasa perangkat lunak bagian uji coba akurasi prediksi poin 2 dan 3. Hal ini disebabkan karena jumlah populasi data yang didapatkan sangat sedikit dan pengaruhnya pada fungsi regresi yang digunakan kurang efektif atau maksimal. 4) Aplikasi ini dapat memberikan informasi evaluasi dan monitoring terhadap besar kecilnya pengaruh perubahan iklim terhadap produksi padi. Adapun saran yang diberikan dalam penelitian ini adalah 1) Hasil yang didapatkan pada metode regresi ‘n’ preditor masih kurang optimal, ini dimungkinkan data penelitian yang digunakan masih dalam skala kecil. Diharapkan untuk penelitian selanjutnya menggunakan data yang berskala besar serta memungkinkan menggunakan metode lain sebagai bahan pembanding.
21
Vol.2, No.1, Juni 2013
www.jurnal-ristek.org
Daftar Pustaka [1] Anonimous. 2011. Sulsel Klaim Tak khawatir Krisis Pangan. Sabtu. 15 Januari 2011. http://www.metrobalikpapan.co.id [2] Edvin A, Mimin K, Budiman, 2011. Adaptasi dan Mitigasi Perubahan Iklim di Indonesia. Pusat Perubahan Iklim dan Kualitas Udara Kedeputian Bidang Klimatologi,BMKG. [3] Handoko [ed]. 1993. Klimatologi Dasar. Landasan Pemahaman Fisika Atmosfer dan Unsur-unsur Iklim. Jurusan Geofisika dan Meteorologi IPB. [4] Kantor Penelitian dan Pengembangan Kab. Pati Propinsi Jawa tengah, 2011., “Dampak Perubahan Iklim terhadap Produksi Tanaman Pangan”.,www.litbang.Patikab.go.id diakses pada tanggal 12 Desember 2012. [5] Kompasiana, 2011 Mengenal Kabupaten Maros Butta Salewangen, www.sejarah.kompasiana.com, diakses tanggal 12 Desember 2012. [6] Nasrul, I., Astyka, Wena.,2009. Pewilayahan Tipe Hujan dan Zona Prakiraan Iklim (ZPI) Kabupaten Bone Sulawesi Selatan.ISSN: 1858-330X.
ISSN: 2089-9963
[7] Nasrullah.,2011. Analisis Kebijakan: Dampak Perubahan Iklim Terhadap Produksi Tanaman Pangan di Sulawesi Selatan. [8] Sugiyono., 2012. “Statistika untuk Penelitian”. Penerbit Alfabeta Bandung, 2012. [9] Sunyoto, Danang., 2012. “ Analisi Validitas dan Asumsi Klasik”. Penerbit Gava Media Yogyakarta, 2012 [10] Sabaruddin, Laode. 2012. “Agroklimatologi Aspekaspek Klimat Sistem untuk Budidaya Tanaman”. Penerbit Afabeta, 2012. [11] Tjasyono,B.2004.Klimatologi.ITB:Bandung [12] S. Pressman Roger, 2002. “Rekayasa Perangkat Lunak”. Penerbit Andi, 2002. [13] Model evaluation methods. 2013. Senin 29 Juli 2013. www.ctec.ufal.br. [14] Tata, S.2012.”Analisis Sistem Informasi”. Penerbit Andi [15] Nurhayati.2010. “Analisis Karakteristik Iklim untuk Optimalisasi Produksi Kedelai di Provinsi Lampung”. Pusat Penelitian dan Pengembangan Badan Meteorologi Klimatologi dan Geofisika, 2010.
22