1.
Pendahuluan
Di Indonesia, pengaruh pemanasan global menyebabkan perubahan iklim antara lain curah hujan dibawah normal, sehingga masa tanam terganggu. Pada tahun 1995 hingga 2005, total tanaman padi terendam banjir berjumlah 1.926.636 hektar [1]. Sawah yang mengalami kekeringan pada kurun waktu tersebut berjumlah 2.131.579 hektar, 328.447 hektar diantaranya gagal panen. Daerah Jawa Tengah sejak Januari 2010 sampai Agustus 2010, mengalami kerusakan lahan tanaman pangan dan holtikultura akibat banjir hingga 43.020 hektar, seluas 12.447 hektar mengalami puso [2]. Kemarau telah menyebabkan 800 ribu hektar tanaman padi mengalami kekeringan dan sekitar 190 ribu hektar puso. Pada tahun 1994, musim kemarau juga telah menimbulkan kerugian bagi sebagian petani karena tanaman padi mereka kekeringan, yang umumnya terjadi pada lahan yang irigasinya bergantung pada hujan. Desa Gantar Indramayu Jawa Barat. sekitar 850 hektar dari 1.250 hektar pertanaman padi pada lahan sawah tadah hujan mengalami puso karena didera kekeringan. Pada tahun 1997, kemarau tidak hanya menurunkan produksi padi dan palawija, tetapi juga berimplikasi terhadap krisis pangan pada tahun 1998, sehingga pemerintah harus impor beras dalam jumlah cukup banyak meskipun saat itu negara dilanda krisis ekonomi [3]. Produksi pertanian sangat tergantung pada empat faktor utama yaitu: keadaan tanaman, keadaan tanah, iklim dan kecerdasan manusia (petani). Informasi iklim bahkan menjadi acuan dalam menentukan pola tanam maupun awal tanam, sebagai pertimbangan untuk menentukan waktu panen serta pemilihan jenis bibit dan benih. Salah satu unsur cuaca/iklim yang paling berperan dalam menentukan pola tanam adalah curah hujan. Curah hujan memegang peranan sangat penting dalam pertumbuhan dan perkembangan tanaman, karena berpengaruh dengan ketersediaan air tanah bagi tanaman [4]. Saat ini diperlukan antisipasi untuk mengurangi atau meminimalkan dampak yang mungkin terjadi. Salah satu antisipasinya berupa prediksi curah hujan dimasa datang. Hasil prediksi dapat digunakan sebagai acuan untuk meminimalkan dampak yang mungkin terjadi di masa mendatang. Dalam penelitian ini dilakukan penyusunan simulasi komputer untuk prediksi pola tanam ditahun yang akan datang, pendekatan metode Autoregressive Integrated Moving Average (ARIMA) untuk prediksi curah hujan dapat membantu petani menentukan pola tanam dalam budidaya tanaman padi dan palawija. ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek karena menggunakan nilai standard error estimate yang paling kecil, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Metode Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
2
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain [5]. Pola tanam memiliki arti penting dalam sistem produksi tanaman. Dengan pola tanam ini berarti memanfaatkan dan memadukan berbagai komponen yang tersedia (agroklimat, tanah, tanaman, hama dan penyakit, keteknikan dan sosial ekonomi). Pola tanam di daerah tropis seperti di Indonesia, biasanya disusun selama satu tahun dengan memperhatikan curah hujan terutama pada daerah/lahan yang sepenuhnya tergantung dari hujan. Pemilihan jenis/varietas yang ditanampun perlu disesuaikan dengan keadaan air yang tersedia ataupun curah hujan [6]. Dengan adanya informasi prediksi pola tanam periode mendatang diharapkan dapat digunakan untuk kegiatan pertanian. Penelitian ini bertujuan memprediksi curah hujan bulanan pada periode tahun mendatang menggunakan metode ARIMA (Autoregresif Integrated Moving Average) sebagai acuan untuk prediksi pola tanam terutama tanaman padi dan palawija. Hasil prediksi curah hujan digunakan sebagai acuan prediksi pola tanam di wilayah Kabupaten Boyolali berdasarkan klasifikasi iklim menurut Oldeman dan menentukan kapan awal tanam padi dan palawija dapat dilaksanakan. 2.
Kajian Pustaka
Analisis runtun waktu adalah suatu metode kuantitatif untuk menentukan pola data masa lalu yang telah dikumpulkan secara teratur [7]. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel random berdistribusi. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama selalu menunjukkan pola yang identik, contohnya : musim hujan, musim panen. Data curah hujan adalah data runtun waktu yang berbentuk musiman, cenderung mengulangi pola tingkah gerak dalam periode musiman. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel random berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu sepanjang tahun pada bulan-bulan yang sama selalu menunjukkan pola yang identik, contohnya : musim hujan dan musim panen. Data curah hujan adalah data runtun waktu yang berbentuk musiman dan cenderung mengulangi pola tingkah gerak dalam periode musiman, adanya korelasi beruntun yang kuat pada jarak semusim yaitu waktu yang berkaitan dengan banyak observasi per periode musim [8]. Metode ARIMA merupakan model statistik yang menganalisis sifat-sifat data runtun waktu dari data-data yang telah lalu, sehingga didapat persamaan model yang menggambarkan hubungan dari data runtun waktu tersebut. Musiman adalah suatu pola yang berulang-ulang dalam selang waktu yang tetap [9]. Pada penelitian ini analisis yang digunakan adalah metode ARIMA, karena melibatkan data yang berupa data runtun waktu. Langkah–langkah penerapan metode ARIMA secara berturut–turut adalah : (1) Identifikasi Model, (2) Estimasi Model, (3) Diagnostic checking (4) Peramalan [10]. Tahapan dalam metode ARIMA dijelaskan pada Gambar 1.
3
Uji stasioneritas data
Penggunaan Model untuk Peramalan
Identifikasi Model Dugaan
Estimasi Parameter Model
Diagnostic checking Apakah model sesuai ?
Gambar 1 Tahapan Metode ARIMA [11]
Metode ARIMA hanya dapat diterapkan, menjelaskan, atau mewakili series yang stasioner atau telah dijadikan stasioner melalui proses differencing. Stasioneritas berarti bahwa tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horisontal sepanjang sumbu waktu. [12]. Tahap identifikasi, data yang menjadi input dari model ARIMA tidak stasioner, perlu dimodifikasi untuk menghasilkan data yang stasioner. Salah satu metode yang umum dipakai adalah metode pembedaan (differencing). Metode ini dilakukan dengan cara mengurangi nilai data pada suatu periode dengan nilai periode sebelumnya [13]. Suatu data runtun waktu dimodelkan dengan Autoregresif (AR), Moving Average (MA) atau Autoregressive Integrated Moving Average (ARIMA) tergantung pada pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). ACF merupakan suatu hubungan linear pada data time series yang dipisahkan oleh waktu k. Pola ACF ini dapat digunakan untuk mengidentifikasi model time series dan melihat kestasioneran data. Pada pola PACF digunakan untuk mengukur korelasi antar pengamatan dengan jeda k (waktu) dan mengontrol korelasi antar dua pengamatan dengan jeda kurang dari k (waktu). k disebut juga koefisien regresi parsial. Model (AR) digunakan jika plot ACF dies down (turun cepat) dan PACF cut off (terputus setelah lag 1). Model (MA) digunakan jika plot ACF cut off dan plot ACF dies down. Model ARIMA digunakan jika kedua plot ACF dan PACF sama-sama dies down (turun cepat) [14]. Model dugaan sementara untuk suatu runtun waktu sudah diidentifikasi, langkah selanjutnya adalah mencari estimasi terbaik untuk parameter-parameter dalam model sementara tersebut dengan cara membandingkan nilai Akaike Information Criteria (AIC), dan nilai likelihood [15]. Model dugaan dengan nilai likelihood tinggi dan nilai AIC yang rendah digunakan sebagai model peramalan.
4
Model dugaan ARIMA yang telah ditentukan nilai-nilai parameternya perlu dilakukan pemeriksaan untuk membuktikan bahwa model tersebut baik untuk melakukan peramalan.. Diagnosis model dilakukan untuk mendeteksi adanya korelasi dan kenormalan antar residual. Dalam runtun waktu, model yang baik untuk melakukan peramalan jika nilai residual mengikuti proses white noise yang berarti residual harus independen (tidak berkorelasi) dan berdistribusi normal dengan rata-rata mendekati 0 (μ = 0) dan standar deviasi (σ) tertentu [16]. Jika metode ARIMA sudah ditetapkan, maka model ARIMA dapat diterapkan pada data, maka dapat dilakukan peramalan untuk periode ke depan. Klasifikasi iklim yang dilakukan oleh Oldeman, L.R (1980) didasarkan jumlah kebutuhan air oleh tanaman, terutama pada tanaman padi dan palawija. Penyusunan tipe iklimnya berdasarkan jumlah bulan basah yang berlangsung secara berturut-turut. Kebutuhan air untuk tanaman padi adalah 150 mm per bulan sedangkan untuk tanaman palawija adalah 70 mm per bulan, dengan asumsi bahwa peluang terjadinya hujan yang sama adalah 75% maka, untuk mencukupi kebutuhan air tanaman padi 150 mm per bulan diperlukan curah hujan sebesar 200 mm per bulan, sedangkan untuk mencukupi kebutuhan air untuk tanaman palawija diperlukan curah hujan sebesar 100 mm per bulan, sehingga dikatakan bulan basah apabila mempunyai curah hujan bulanan lebih besar dari 200 mm dan dikatakan bulan kering apabila curah hujan bulanan lebih kecil dari 200 mm [17]. Kriteria klasifikasi iklim menurut Oldeman, L.R (1980) disajikan pada Tabel 1 Tabel 1. Kriteria Klasifikasi Iklim Oldeman [18] Zona
Klasifikasi
A
A1 A2 B1 B2 B3 C1 C2 C3 C4 D1 D2 D3 D4 E1 E2 E3 E4 E5
B
C
D
E
Bulan Basah 10-12 10-12 7-9 7-9 7-8 5-6 5-6 5-6 5 3-4 3-4 3-4 3-4 0-2 0-2 0-2 0-2 0-2
Bulan Kering 0-1 2 0-1 2-3 4-5 0-1 2-3 4-6 7 0-1 2-3 4-6 7-9 0-1 2-3 4-6 7-9 10-12
Zona A dapat ditanami padi terus menerus sepanjang tahun. Zona B hanya dapat ditanami padi 2 periode dalam setahun. Zona C, dapat ditanami padi dua kali panen dalam setahun, dimana penanaman padi yang jatuh saat curah hujan di
5
bawah 200 mm per bulan dilakukan dengan sistem gogo rancah. Zona D, hanya dapat ditanami padi satu kali masa tanam dan 2 kali masa tanam palawija. Zona E, penanaman padi tidak dianjurkan tanpa adanya irigasi yang baik [19]. 3.
Metode Penelitian
Tahapan penelitian ini dibagi dalam tiga tahap yaitu : (1) Penyusunan data awal, (2) Desain arsitektural simulasi, (3) Visualisasi. Tahap penyusunan data awal bertujuan untuk menentukan data, lokasi dan studi pustaka yang dilakukan dengan cara survey di BPS (Badan Pusat Statistik) Boyolali untuk mendapatkan data curah hujan bulanan di Kabupaten Boyolali tahun 2001-2010. Tahap desain dan arsitektural simulasi terdiri dari proses input data, peramalan curah hujan menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Adapun data dan variabel yang digunakan dalam penelitian ini yaitu data curah hujan bulanan di Kabupaten Boyolali tahun 2001-2010. Pemrosesan data menggunakan tool R dari http://cran-r.project menggunakan pakcages timeseries, forecast, fradiff, timedate, foreign, tsseries, zoo. Desain arsistektural disajikan pada Gambar 2.
Gambar 2. Desain Arsitektural Simulasi
Gambar 2 menunjukkan desain arsitektural model yang dijelaskan sebagai berikut. Pada bagian Data Layer, terdiri dari data curah hujan bulanan tahun 2001-2010 di Kabupaten Boyolali. Data curah hujan bulanan tersebut digunakan sebagai masukan pada Aplication Layer. Pada bagian Aplication Layer, dilakukan proses peramalan curah hujan menggunakan metode ARIMA, dengan pemrosesan data menggunakan tool R untuk mendapatkan hasil peramalan curah hujan tahun
6
2013. Tahap terakhir pada penelitian ini hasil peramalan curah hujan tahun 2013 divisualisasikan dalam bentuk grafik sebagai acuan untuk menentukan prediksi pola tanam padi dan palawija pada tahun 2013. 4.
Hasil dan Pembahasan
Pada penelitian ini penyusunan data awal curah hujan bulanan Kabupaten Boyolali dengan 19 kecamatan diolah menggunakan excel, dengan menjumlahkan semua kecamatan dan dirata–rata setiap bulannya. Pengelompokan ini berlaku untuk setiap bulan dari tahun 2001-2010. Tahap selanjutnya data curah hujan bulanan tahun 2001-2010 diolah dan dilakukan peramalan dengan program R menggunakan metode ARIMA untuk mendapatkan hasil prediksi curah hujan di Kabupaten Boyolali tahun 2013. Data prediksi curah hujan inilah yang akan dijadikan sebagai acuan untuk prediksi pola tanam tahun 2013. Data curah hujan bulanan tahun 2001-2010 disajikan pada Tabel 2 dan Tabel 3. Tabel 2. Data Curah Hujan Bulanan Kabupaten Boyolali Tahun 2001-2006 Bulan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember
2001 178 190 240 161 94 63 36 0 16 159 137 102
2002 221 203 156 157 46 6 22 0 12 8 102 0
Tahun 2003 2004 197 213 309 217 185 206 39 122 37 78 21 5 0 27 0 0 5 7 24 44 119 191 199 234
2005 182 175 170 0 18 63 33 5 39 0 0 0
2006 278 220 141 188 206 2 3 0 0 0 19 250
Tabel 3. Data Curah Hujan Bulanan Kabupaten Boyolali Tahun 2007 - 2010 Bulan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember
Tahun 2007 81 209 230 197 60 59 15 0 0 29 154 278
2008 164 264 338 69 39 6 0 1 0 165 196 164
7
2009 374 321 124 75 123 77 0 1 0 45 153 112
2010 231 249 237 74 239 80 25 89 178 111 118 210
Berdasarkan data curah hujan tahun 2001-2010 pada Tabel 2 dan Tabel 3, diolah dalam program R untuk mendapatkan plot data awal yang disajikan pada Gambar 3
Gambar 3 Plot Data Awal Curah Hujan Bulanan Kabupaten Boyolali
Gambar 3 menunjukkan grafik dari data awal runtun waktu curah hujan bulanan Kabupaten Boyolali tahun 2001-2010. Besaran curah hujan dalam grafik tersebut, menunjukkan pola data musiman karena membentuk pola grafik yang berulang-ulang. Adanya korelasi yang beruntun yaitu waktu berkaitan dengan banyaknya observasi per periode musim. Metode Autoregressive Integrated Moving Average (ARIMA) terdiri dari beberapa tahapan yaitu : tahap Identifikasi, tahap Estimasi, tahap Diagnostic Check, dan tahap Forecasting. Garis trend berwarna hitam pada Gambar 3 menunjukkan data belum stasioner karena garis trend belum sejajar dengan sumbu x, yang menunjukkan data belum stasioner. Data yang belum stasioner tersebut memerlukan proses pembedaan (differencing) sebanyak 1 kali untuk mendapatkan data yang stasioner. Hasil pembedaan sebanyak satu kali dari data curah hujan bulanan Kabupaten Boyolali tahun 20012010 disajikan pada Gambar 4.
Gambar 4 Plot Differencing Data Curah Hujan Bulanan Kabupaten Boyolali
8
Gambar 4 menunjukkan pada data curah hujan bulanan tahun 2001-2010 yang sudah dilakukan proses (differencing) pembedaan sebanyak 1 kali, garis trend linear berwarna merah menunjukkan sejajar dengan sumbu x. Hal ini menunjukkan data curah hujan Kabupaten Boyolali terlihat sudah stasioner. Tahap identifikasi digunakan untuk menentukan model orde p, d dan q pada notasi ARIMA. Penentuan orde p, d dan q dari model ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data curah hujan bulanan Kabupaten Boyolali tahun 2001-2010 yang sudah stasioner. Plot ACF dan PACF data curah hujan bulanan Kabupaten Boyolali setelahh dilakukan pembedaan satu kali disajikan pada Gambar 5 dan Gambar 6.
Gambar 5 Plot ACF Data Curah Hujan Bulanan Kabupaten Boyolali Tahun 2001-2010
Gambar 5 bahwa pada pola ACF yang dilingkari warna merah menunjukkan (lag 1 dan lag 2) dari data curah hujan Kabupaten Boyolali tahun 2001-2010, garis autokorelasi berada diluar batas signifikan (standart error) dan cenderung dies down atau turun cepat menuju 0. Lag 1 ke 2 mengalami penurunan mengikuti bentuk eksponensial. Orde p yang mungkin untuk model ARIMA adalah 1 dan 2. Orde d adalah 1 karena data curah hujan bulanan di Kabupaten Boyolali mengalami proses pembedaan data (differencing) selama 1 kali.
Gambar 6 Plot PACF Data Curah Hujan Hujan Bulanan Kabupaten Boyolali Tahun 2001-2010
Gambar 6 pada pola PACF yang dilingkari dengan warna merah menunjukkan bahwa (lag 1 dan lag 2) dari data curah hujan Kabupaten Boyolali 2001-2010, garis autokorelasi berada diluar batas signifikan (standart error).
9
Orde q yang memungkinkan untuk model ARIMA adalah 1 dan 2. Berdasarkan hasil Identifikasi, pola ACF dan PACF notasi ARIMA yang mungkin untuk melakukan peramalan diduga ada 3 model yaitu: 1) ARIMA (1,1,2)(2,1,1)12. 2) ARIMA (2,1,2)(2,1,1)12. 3) ARIMA (2,1,1)(2,1,1)12. Notasi ARIMA dugaan yang telah ditetapkan, kemudian dilakukan estimasi untuk mendapatkan nilai Akaike Information Criteria (AIC) dan nilai log likelihoodnya. Model ramalan yang baik adalah jika nilai likelihood yang lebih besar dan nilai AIC yang lebih kecil. AIC dan Log Likelihood adalah indikator untuk memutuskan lag yang digunakan. Pada tahap estimasi ini model dugaan yang baik adalah model (2,1,1)(2,1,1)12, karena memiliki nilai AIC yang lebih kecil dan nilai log likelihood yang lebih besar. Adapun hasil perbandingan estimasi disajikan pada Gambar 7.
Gambar 7. Tahap Estimasi Model Dugaan
Gambar 7 menunjukkan bahwa model ARIMA (2,1,1)(2,1,1)12 memiliki nilai Akaike Information Criteria (AIC) lebih kecil dan nilai Likelihood yang lebih besar dibandingkan dengan nilai estimasi dari model ARIMA (1,1,2)(2,1,0)12 dan ARIMA (2,1,2)(2,1,1)12, dengan nilai AIC sebesar 1212,72 dan nilai Likelihood sebesar -599.36. Tahap selanjutnya, untuk mengetahui apakah model (2,1,1)(2,1,1)12 merupakan model yang baik untuk melakukan peramalan harus dilakukan pemeriksaan diagnosa (diagnostics check), dengan menguji distribusi estimasi residualnya menggunakan uji statistik Ljung-Box. Jika estimasi residual terdistribusi secara random, maka model ARIMA dugaan berdasarkan estimasi tersebut baik digunakan untuk melakukan peramalan. Tahap diagnostics check disajikan pada Gambar 8.
10
Gambar 8. Hasil Diagnostics Check
Hasil diagnostics check pada Gambar 8, dapat disimpulkan bahwa residual model ARIMA (2,1,1)(2,1,1)12 dari data curah hujan bulanan Kabupaten Boyolali telah terdistribusi secara random (white noise). Hal ini ditunjukkan pada nilai residual p-value dari uji Ljung-Box yang semuanya lebih besar dari 5% atau 0,05 (alpha atau tingkat signifikansi pengujian). Berdasarkan hasil diagnostics check model ARIMA (2,1,1)(2,1,1)12 yang memiliki estimasi residual terdistribusi secara random, maka model tersebut sudah baik digunakan untuk peramalan. Proses peramalan dilakukan selama 3 tahun ke depan. Visualisasi hasil prediksi curah hujan di Kabupaten Boyolali periode 3 tahun disampaikan dalam bentuk plot (grafik) yang disajikan pada Gambar 9.
Gambar 9. Grafik Prediksi Curah Hujan Kabupaten Boyolali
Gambar 9 menunjukkan hasil prediksi curah hujan Kabupaten Boyolali selama 3 periode peramalan. Garis merah adalah besaran prediksi curah hujan Kabupaten Boyolali tahun 2010-2013. Garis biru menunjukkan besaran curah hujan maksimum, garis berwarna hijau menunjukkan besaran curah hujan minimum. Besaran prediksi curah hujan bulanan di Kabupaten Boyolali hasil prediksi tahun 2013 disajikan pada Tabel 4.
11
Tabel 4. Hasil Prediksi Curah Hujan Kabupaten Boyolali Tahun 2013 Bulan
Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember
Curah Hujan Minimum 145 163 114 15 26 -39 -69 -68 -47 -25 36 74
Prediksi
270 288 240 241 152 87 56 58 79 101 164 102
Curah Hujan Maximum 396 413 366 267 278 213 183 185 206 229 291 330
Berdasarkan hasil prediksi curah hujan tahun 2013 pada Tabel 4, dapat digunakan untuk mengetahui klasifikasi zona iklim di Kabupaten Boyolali tahun 2013. Menurut Oldeman klasifikasi zona iklim Oldeman, berdasarkan suatu bulan dikatakan bulan basah apabila mempunyai curah hujan bulanan lebih besar dari 200 mm per bulan dan dikatakan bulan kering apabila curah hujan bulanan lebih kecil dari 200 mm per bulan . Pengelompokan bulan basah dan bulan kering hasil prediksi curah hujan di Kabupaten Boyolali tahun 2013 disajikan pada Tabel 5. Tabel 5. Pengelompokan Bulan Basah dan Bulan Kering Curah Hujan Kabupaten Boyolali Tahun 2013 Bulan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember
Prediksi 270 288 240 241 152 87 56 58 79 101 164 102
Kriteria BulanBasah BulanBasah BulanBasah BulanBasah BulanKering BulanKering BulanKering BulanKering BulanKering BulanKering BulanKering BulanKering
Berdasarkan pengelompokan bulan basah dan bulan kering pada Tabel 5, terdapat 4 bulan basah berturut-turut dari bulan Januari-April dengan curah hujan diatas 200 mm per bulan, pola tanam untuk bulan Januari-April adalah padi. Pada bulan Mei-Agustus terdapat 4 bulan kering dengan besaran curah hujan rata-rata
12
di bawah 200 mm per bulan. Bulan Mei-Agustus cocok untuk pola tanam palawija dan pada bulan September-Desember terdapat 4 bulan basah dengan besaran curah hujannya dibawah 200 mm. Pada bulan ini pola tanam cocok untuk tanaman palawija kedua. Dalam hal ini, dapat disimpulkan bahwa prediksi pola tanam Kabupaten Boyolali tahun 2013 dapat ditanam padi satu kali dan 2 kali palawija dalam satu tahun. Berdasarkan kebutuhan curah hujan tanaman padi dan palawija, prediksi pola tanam untuk Kabupaten Boyolali tahun 2013 adalah padi-palawijapalawija dengan pengaturan waktu tanam sebagai berikut : (1) Awal tanam padi di Kabupaten Boyolali tahun 2013, dapat dilaksanakan bulan Januari sehingga, ada ketersediaan air sampai masa panen pada bulan April. (2) Setelah panen padi, dapat dilakukan penanaman palawija pertama di bulan Mei dan dapat dipanen pada bulan Agustus. (3) Selanjutnya, penanaman palawija kedua dapat dilaksanakan pada bulan September agar dapat dipanen pada bulan Desember. 5.
Kesimpulan
Berdasarkan hasil dan pembahasan dapat ditarik kesimpulan bahwa dengan meramalkan data curah hujan bulanan Kabupaten Boyolali tahun 2001-2010, dapat diketahui prediksi pola tanam yang tepat di Kabupaten Boyolali. Dengan menggunakan klasifikasi bulan basah dan bulan kering menurut Oldeman, dapat diketahui tanaman yang cocok untuk ditanam dalam 1 tahun, berdasarkan besaran curah hujan dan kebutuhan curah hujan untuk tanaman padi dan palawija. Di Kabupaten Boyolali prediksi pola tanam tahun 2013 pola tanam bulan JanuariApril adalah padi. Bulan Mei-Agustus prediksi pola tanam ke dua adalah palawija. Bulan September-Desember pola tanam ketiga adalah palawija. Hasil dari penelitian ini diharapkan menjadi sumber informasi bagi instansi yang terkait atau para petani Agar dapat mengurangi dampak kegagalan panen dan meningkatkan hasil produksi padi dan palawija. 6.
Daftar Pustaka
[1]
Hilmanto, Rudi. Indikator Ekologi Pada Waktu Tanam Sebagai Inovasi Masyarakat Lokal Dalam Menghadapi Dampak Negatif Perubahan Iklim. Jurusan Kehutanan Fakultas Pertanian Universitas Lampung. Bandar Lampung. http://ejurnal.bppt.go.id/ejurnal/index.php/JSI/article/download/11/3 Komang Dharmawan, I putu Eka Nila Kencana, Ketut Jayanegara, 1996. Pemodelan dan Peramalan Angka Curah Hujan Bulanan Menggunakan Analisis Runtun Waktu (Kasus pada daerah di sekitar Bandara Ngurah Rai) http://isjd.pdii.lipi.go.id/admin/jurnal/22965458.pdf Antisipasi Produksi Pangan dari Ancaman Kekeringan Warta Penelitian dan Pengembangan Pertanian Vol.28.no4.2006. Studi Komparatif Tingkat Pendapatan Petani Padi pada Musim Hujan dengan Kemarau (Studi kasus di Desa Ngraho, Kecamatan Kalitidu, Kabupaten
[2]
[3] [4]
13
[5]
[6]
[7] [8]
[9]
[10] [11]
[12] [13]
[14] [15] [16]
[17] [18]
Bojonegoro)http://studentresearch.umm.ac.id/research/download/umm_stud ent_research_abstract_2272.pdf Analisis Pola Hujan Bulanan Dengan Data Outgoing Longwave Radiation (OLR) untuk menentukan kandungan Air lahan pertanian http://www.perpustakaan.lapan.go.id/jurnal/index.php/warta_lapan/article/vi ewFile/1040/932 Prakiraan Cuaca dengan Menggunakan Metode ARIMA, Neural Network dan Adaptive Splines Thresold Auto Regression di Kota Juanda Surabaya http://www.perpustakaan.lapan.go.id/jurnal/index.php/jurnal_sains/article/do wnload/1532/1376 Mulyono, S. 2006. Statistik Untuk Ekonomi dan Bisnis Edisi Ketiga. Jakarta: lembaga Penerbit Fakultas Ekonomi UI. Arista, Linda. 2010. Aplikasi Metode Arima Untuk Perkiraan Jumlah Wisatawan Asing Di Pulau Samosir Sumatera Utara Tahun 2011-2013 Berdasarkan Data Tahun 2005-2009. Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara Medan. Suprihatno, B., Samaullah, Y. Dan Sri, B., 2008, “Pekan Padi Nasional (PPN) III BB Padi Tampilkan Inovasi Teknologi Galur Harapan Padi Sawah Toleran Kekeringan”, Sinar Tani Edisi 23-29 Juli. Iriawan, N. 2006. Mengolah Data Statistik dengan Mudah Menggunakan Minitab 14. Yogyakarta: Andi Offset . Sadeq, Ahmad. 2008. Analisis Prediksi Indeks Harga Saham Gabungan dengan Metode ARIMA. Program Studi Magister Manajemen Program Pasca Sarjana Universitas Diponegoro. Semarang. http://eprints.undip.ac.id/16307/1/AHMAD_SADEQ.pdf Arsyad, L. 1995. Peramalan Bisnis. Jakarta: Ghalia Indonesia. Heddy, S., 1987. Ekofisiologi Pertanaman. Sinar Baru Algesindo. Bandung As-syakur, A.R., 2007. Identifikasi Hubungan Fluktuasi Nilai SOI Terhadap Curah Hujan Bulanan Di Kawasan Batukaru-Bedugul, Bali. Jurnal Bumi Lestari, 7(2), pp. 123-129. Makridakis, Spyros. 1998. Metode Aplikasi dan peramalan. Erlangga: Jakarta Suhartono 2008 Jurusan Statistika, ITS, Surabaya Analisis data dengan R (buku kurun waktu Wijaya, Arif. 2008. Memprediksi Temperature Udara Per bulan di Jakarta Dengan Menggunakan Metode ARIMA. Jurusan Ganda Teknik Informatika Statistika Universitas Bina Nusantara. Oldeman, L.R. 1980. The Agroclimatie Classification of Rice Growing Enviroiment in Indonesia. IRRI Phillipine Hilmanto, Rudi. Indikator Ekologi Pada Waktu Tanam Sebagai Inovasi Masyarakat Lokal Dalam Menghadapi Dampak Negatif Perubahan Iklim. Jurusan Kehutanan Fakultas Pertanian Universitas Lampung. Bandar Lampung.http://ejurnal.bppt.go.id/ejurnal/index.php/JSI/article/download/11 /3
14
[19] Arista, Linda. 2010. Aplikasi Metode Arima Untuk Perkiraan Jumlah Wisatawan Asing Di Pulau Samosir Sumatera Utara Tahun 2011-2013 Berdasarkan Data Tahun 2005-2009. Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara Medan. http://repository.usu.ac.id/handle/123456789/23541
15
