PENDUGAAN PRODUKTIVITAS CABAI BERDASARKAN POLA PANEN UNTUK WILAYAH KABUPATEN CIANJUR SRI WAHYUNI

PENDUGAAN PRODUKTIVITAS CABAI BERDASARKAN POLA PANEN UNTUK WILAYAH KABUPATEN CIANJUR

SRI WAHYUNI

SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR 2012

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Pendugaan Produktivitas Cabai Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur adalah karya saya dengan arahan pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan tercantum dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Nopember 2012

Sri Wahyuni G151100031

ABSTRACT

SRI WAHYUNI. Estimation Productivity of Chili Based on Pattern of Harvest for Kabupaten Cianjur. Under direction of HARI WIJAYANTO and I MADE SUMERTAJAYA.

The most important data in horticulture were harvest area, production and productivity. During this period of time, horticulture productivity data was calculated based on harvested area and production. Harvest area and production data was collected through an agricultural survey by interview and eyes estimate method. However, the data obtained was not valid and accurate statistically due to causing bias. Under these conditions, the productivity data collection method was developed directly by enumeration method clumps (clump counting). Clump counting is a method of measuring productivity by calculating productivity of plants in selected clump. In the field, measuring horticulture productivity faced many problem especially for measuring productivity with harvest repeatedly, such as chili. The productivity of chili can be estimated by modeling the pattern of productivity of each crop at harvest period. Estimation productivity of chili in Kabupaten Cianjur in tri wulan II was 4.696 ton/ha. Estimated that was carried out with sampling and used all harvest time produced bias but relatively small revolved between 0.02 to 0.07 ton/ha. In the measuring for sample size 110 produced RSE 5.46 %. Productivity estimation can be performed using specific harvest time (one time, two times, three times) with the proviso that the amount of harvest known. Alleged productivity using two times of harvest on sample size 50 produced relatively small range of varians and bias. Keywords: Chilli productivity, Clump counting, Harvest Pattern, RSE (Relative Standard Error)

RINGKASAN SRI WAHYUNI. Pendugaan produktivitas cabai berdasarkan pola panen untuk wilayah Kabupaten Cianjur. dibimbing oleh HARI WIJAYANTO dan I MADE SUMERTAJAYA. Komoditas hortikultura meliputi sayur-sayuran, buah-buahan, tanaman hias dan obat-obatan merupakan salah satu komoditas unggulan sektor pertanian karena memberikan kontribusi yang cukup besar terhadap devisa negara. Selain itu beberapa komoditas hortikultura seperti cabai dan bawang merah sangat besar pengaruhnya terhadap tingkat inflasi. Oleh karena itu, perencanaan dan penanganan komoditas hortikultura yang tepat akan memberikan dampak yang sangat baik bagi perekonomian Indonesia. Masalah yang dihadapi dalam penanganan komoditas hortikultura salah satunya adalah ketersediaan data hortkultura. Data hortikultura yang sangat penting meliputi data produksi, luas panen dan produktivitas. Data produktivitas dihitung berdasarkan data produksi dan luas panen dikumpulkan melalui survey pertanian. Namun metode yang digunakan masih bersifat subjektif sehingga data yang diperoleh tidak akurat sehingga dilakukan pengukuran langsung produktivitas tanaman hortikultura dengan menggunakan metode Rumpun Counting(RC). Metode Rumpun Counting merupakan metode pengukuran produktivitas langsung dengan cara mengukur produktivitas pada rumpun tanaman pada plot terpilih. Pengukuran produktivitas langsung di lapangan masih mengalami kendala khususnya pada komoditas hortikultura seperti cabai yang memiliki waktu panen yang berulang. Petugas harus lebih teliti dalam mengamati dan mencatat hasil panen. Penelitian ini bertujuan untuk menduga produktivitas cabai dengan menyederhanakan pengumpulan data di lapangan. Data yang digunakan pada penelitian ini terdiri dari dua jenis, yaitu data primer dan data simulasi. Data primer merupakan data produksi dari 19 plot contoh pada empat Kecamatan di Kabupaten Cianjur, sedangkan data simulasi yang digunakan adalah data produktivitas 1000 petani yang dibangkitkan sebanyak 300 kali. Penelitian ini dibagi menjadi tiga tahap. Tahap 1 eksplorasi data, Tahap 2 membangun model, Tahap 3 simulasi dan analisis. Kesalahan (error) yang terjadi pada saat pengumpulan data di lapangan antara lain pada proses listing petani, penentuan plot contoh serta pengukuran produksi plot contoh. Hasil eksplorasi produksi plot contoh menunjukkan bahwa pola produktivitas cabai di Kabupaten Cianjur dapat dikelompokkan menjadi enam kelompok. Pengelompokan dilakukan berdasarkan pola produktivitas dan karakteristik dari plot contoh di lapangan. Karakteristik plot contoh antara lain adalah jenis cabai, varietas cabai, cara tanam, teknik perawatan dan budidaya serta lokasi. Model yang digunakan untuk menduga produktivitas setiap kelompok

adalah model eksponensial, model pangkat, model logistik, model gauss dan model kubik. Dugaan produktivitas cabai di Kabupaten Cianjur pada periode triwulan II berdasarkan hasil simulasi sebesar 4.696 ton/ha. hasil pendugaan produktivitas dengan mengamati seluruh waktu panen dengan pengambilan contoh menunjukkan nilai yang cenderung berbias. Nilai ragam dan RSE terkecil diperoleh pada pengambilan contoh berukuran 110 yaitu sebesar 0.779 ton/ha dan sebesar 5.46 %. pendugaan produktivitas dengan mengamati beberapa waktu panen (satu kali, dua kali dan tiga kali) dilakukan pada dua keadaan, yaitu jika informasi jumlah panen petani diketahui dan jika jumlah panen petani tidak diketahui. Pengamatan menggunakan dua kali panen menunjukkan nilai bias dugaan yang relatif kecil pada pengambilan contoh berukuran 50. Kata Kunci : Produktivitas cabai, Rumpun Counting, Pola panen, RSE (Relative Standard Error)

©Hak Cipta milik IPB, tahun 2012 Hak Cipta dilindungi Undang-undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar bagi IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB.

PENDUGAAN PRODUKTIVITAS CABAI BERDASARKAN POLA PANEN UNTUK WILAYAH KABUPATEN CIANJUR

SRI WAHYUNI

Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika

SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012

Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Erfiani, M.Si.

Judul Penelitian Nama NRP

: Pendugaan Produktivitas Cabai Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur : Sri Wahyuni : G151100031

Disetujui Komisi Pembimbing

Dr. Ir. Hari Wijayanto, MSi. Ketua

Dr. Ir. I Made Sumertajaya, MSi. Anggota

Diketahui,

Ketua Program Studi Statistika

Dekan Sekolah Pascasarjana

Dr. Ir. Erfiani, MSi.

Dr. Ir. Dahrul Syah, MSc. Agr.

Tanggal Ujian : 22 Nopember 2012

Tanggal Lulus :

PRAKATA

Puji syukur kehadirat Allh SWT atas berkat dan rahmat yang diberikan sehingga tesis dengan judul “Pendugaan Produktivitas Cabai Besar Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur” ini dapat diselesaikan dengan baik. Penelitian untuk penulisan tesis ini dilakukan dengan pengumpulan data produktivitas petani di empat Kecamatan Kabupaten Cianjur propinsi Jawa Barat. Terimakasih penulis ucapkan kepada pihak-pihak yang telah membantu proses penyusunan tesis ini, yaitu : 1. Dr. Ir. Hari Wijayanto, M.Si. dan Dr. Ir. I Made Sumertajaya, M.Si. selaku pembimbing, atas arahan dan bimbingannya selama penulisan tesis ini. 2. Dr. Ir. Erfiani, M.Si. selaku penguji di luar komisi pembimbing dan Ketua Program Studi Statistika S2 yang telah turut membantu kelancaran penyelesaian tesis ini. 3. Ibu Leli dari Pusdatin, Departemen Pertanian yang telah memberikan kesempatan kepada penulis untuk turut serta dalam program pengukuran produktivitas cabai tahun 2012. 4. Kepala Dinas Pertanian Tanaman Pangan dan Hortikultura Kabupaten Cianjur. 5. Petugas - petugas pertanian di Kecamatan Sukaresmi, Cugenang, Campaka dan Sukanagara yang telah membantu dalam pengumpulan data di lapangan. 6. Seluruh keluarga yang selalu memberikan semangat serta doa kepada penulis selama penyusunan tesis ini. 7. Seluruh mahasiswa Program Studi Statistika dan Statistika Terapan, serta seluruh pihak yang membantu penulis berupa ilmu maupun dukungan moral. Penulis menyadari sepenuhnya bahwa tesis ini masih banyak kekurangan. Masukan-masukan yang membangun sangat penulis harapkan demi perbaikan di masa yang akan datang. Semoga tesis ini dapat bermanfaat. Bogor, Nopember 2012 Sri Wahyuni

RIWAYAT HIDUP Penulis dilahirkan di Tanjungsari (Lampung Selatan) pada tanggal 17 Juli 1982 dari ayah Amat Ikrom dan Ibu Paini. Penulis merupakan putri ketiga dari lima bersaudara. Tahun 2000 penulis lulus dari SMU Negeri 1 Natar, Lampung Selatan. Pada tahun 2005 penulis menamatkan S1 Matematika dari Universitas Lampung (UNILA). Pada tahun yang sama penulis mengajar di SMP Mutiara Natar sebagai guru Matematika hingga tahun ajaran 2007/2008. Penulis juga pernah mengajar di SMA Swadhipa Natar hingga tahun ajaran 2008/2009, SMP dan SMK Yadika Lampung pada tahun 2007 sampai tahun 2010. Selain itu juga penulis pernah menjadi tutor Unit Pelaksana Pembelajaran Jarak Jauh (UPBJJ) Universitas Terbuka pada tahun 2007 sampai tahun 2008. Pada tahun 2010, penulis melanjutkan pendidikan pada Program Magister Sains di Program Studi Statistka, Sekolah Pascasarjana, Institut Pertanian Bogor.

DAFTAR ISI Halaman DAFTAR TABEL ........................................................................................ xiv DAFTAR GAMBAR .................................................................................... xv DAFTAR LAMPIRAN ................................................................................. xvi PENDAHULUAN Latar Belakang ........................................................................................ Tujuan Penelitian ....................................................................................

1 2

TINJAUAN PUSTAKA Deskripsi Tanaman Cabai ....................................................................... Metode Pengukuran Produktivitas Hortikultura ..................................... Metode Ubinan .................................................................................. Metode Rumpun Counting (RC) ...................................................... Sumber Error dalam Survey ................................................................... Pemodelan Produksi Cabai ..................................................................... Pemodelan Produksi dari Panen ke Panen ........................................ Model Regresi Nonlinier................................................................... Model Eksponensial dan Model Pangkat .......................................... Model Pertumbuhan .......................................................................... Model Pertumbuhan Logistik................................................ Model Pertumbuhan Gompertz ............................................. Model Pertumbuhan Weibull ................................................ Pendugaan Parameter Model Nonlinier .................................................. Metode Kuadrat Terkecil Nonlinier .................................................. Metode Gauss Newton ...................................................................... Jalan Tengah Marquadt ..................................................................... Ukuran Kebaikan Model ......................................................................... Koefisien Determinasi (𝑅 2 ) .............................................................. Mean Absolute Percent Error (MAPE)............................................. Root Mean Square Error (RMSE)..................................................... Relative Standard Error (RSE) .........................................................

3 3 4 4 5 6 6 6 7 7 7 8 8 9 9 9 11 11 11 12 12 13

METODOLOGI Metode Pengumpulan Data ..................................................................... Metode Analisis ......................................................................................

15 15

HASIL DAN PEMBAHASAN Pengumpulan Data Produktivitas di Lapangan ....................................... Deskripsi Plot Contoh ............................................................................. Pengelompokan Plot Contoh................................................................... Deskripsi Kelompok ............................................................................... Karakteristik Kelompok .......................................................................... Pencocokan Model .................................................................................. Pendugaan Produktivitas Cabai ..............................................................

19 20 21 21 25 27 28

Pendugaan Produktivitas Cabai Berdasarkan Seluruh Waktu Panen….. Pendugaan Produktivitas Cabai Berdasarkan Waktu Panen Tertentu…. Perbandingan Dugaan Produktivitas Berdasarkan Seluruh Waktu Panen dan Waktu Panen Tertentu ............................................................

30 31 34

SIMPULAN DAN SARAN Simpulan .................................................................................................. Saran ........................................................................................................

39 39

DAFTAR PUSTAKA ....................................................................................

41

LAMPIRAN ..................................................................................................

44

DAFTAR TABEL

1

Halaman Karakteristik plot contoh pada tiap kelompok ........................................ 25

2

Hasil pencocokan model untuk masing-masing kelompok.....................

3

Nilai tengah, ragam, bias dan RSE dugaan produktivitas menggunakan seluruh waktu panen ...............................................................................

4

31

Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen petani sebanyak 10 kali.................................................................

6

30

Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen diketahui ......................................................................................

5

27

32

Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen petani sebanyak 12 kali.................................................................

33

DAFTAR GAMBAR

1

Halaman Rumpun Counting 5 x 5 tanaman ...................................................... 5

2

Contoh kurva model pertumbuhan logistik.......................................

8

3

Diagram alir penelitian......................................................................

18

4

Box plot produktivitas plot contoh ....................................................

20

5

Sebaran produktivitas seluruh plot contoh ........................................

21

6

Pola produktivitas kelompok 1 .........................................................

22

7


22

8


23

9


23

10 Pola produktivitas kelompok 5 .........................................................

24

11 Pola produktivitas kelompok 6 .........................................................

24

12 Pola produktivitas asal dan bangkitan ...............................................

29

13 Ragam nilai tengah dugaan produktivitas menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diketahui ..................................................... 34 14 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diketahui ...................................................... 35 15 Ragam nilai tengah dugaan produktivitas menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali…………

36

16 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali ..................... 36 17 Ragam nilai tengah dugaan produktivitas menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 12 kali…………

37

18 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 12 kali .....................

38

DAFTAR LAMPIRAN

1

Halaman Data produksi (kg) dan luas ubinan (m2) plot contoh ....................... 45

2

Data produktivitas (ton/ha) plot contoh ............................................

46

3

Sebaran produtivitas plot contoh.......................................................

47

4

Pencocokan model kelompok contoh ..............................................

48

5

Program R untuk membangkitkan data produktivitas populasi……

49

6

Program R untuk pendugaan produktivitas menggunakan seluruh waktu panen ......................................................................................

7

52

Program R untuk pendugaan produktivitas menggunakan seluruh waktu panen ......................................................................................

54

1

PENDAHULUAN

Latar Belakang Komoditas hortikultura meliputi sayur-sayuran, buah-buahan, tanaman hias dan obat-obatan. Jenis komoditas ini merupakan salah satu komoditas unggulan sektor pertanian karena memberikan kontribusi yang cukup besar terhadap devisa negara. Selain itu beberapa komoditas hortikultura seperti cabai dan bawang merah sangat besar pengaruhnya terhadap tingkat inflasi. Menurut Badan Pusat Statistik (2011) pada tahun 2010 komoditas cabai merah memberikan andil inflasi sebesar 0.32 persen dari total inflasi sebesar 6.96 persen. Budidaya komoditas hortikultura di Indonesia umumnya masih dalam skala perkebunan rakyat serta menggunakan teknik tradisional, sedangkan komoditas hortikultura yang diusahakan masih terbatas. Sifat yang khas dari komoditas hortikultura diantaranya adalah tidak tahan disimpan, mudah rusak dalam perjalanan, melimpah pada satu musim namun langka pada musim yang lain dan fluktuasi harga yang sangat tajam (Zulhaedar 2012). Oleh karena itu, komoditas hortikultura memerlukan perhatian dan penanganan yang baik. Penanganan komoditas hortikultura akan dapat dilaksanakan dengan baik dan tepat sasaran jika ditunjang dengan ketersediaan data statistik/hortikultura. Data hortikultura yang sangat penting meliputi data luas panen, produksi dan produktivitas. Data produktivitas diperoleh berdasarkan data produksi dan luas panen. Data produksi dan luas panen dikumpulkan berdasarkan pencacahan langsung oleh petugas kecamatan melalui Survey Pertanian (SP) melalui wawancara dan dugaan pandangan mata (eyes estimate) petugas. Namun data yang diperoleh dari kedua metode tersebut tidak akurat karena masih bersifat subyektif terutama untuk data produksi. Oleh karena itu, dilakukan pengembangan metode pengukuran langsung produktivitas tanaman hortikultura, sehingga data produksi diperoleh dari hasil kali luas panen dengan produktivitas. Metode pengukuran produktivitas hortikultura secara langsung yang digunakan adalah metode ubinan dan Rumpun Counting (RC) (Departemen Pertanian 2012). Pelaksanaan pengukuran produktivitas secara langsung di lapangan mengalami kendala khususnya pada komoditas yang memiliki waktu panen yang berulang seperti tomat dan cabai. Petugas harus melakukan

2

pengukuran terus menerus selama periode panen. Kendala lain yang dihadapi dalam pengumpulan data produktivitas di lapangan adalah letak plot contoh yang umumnya jauh dan sulit dijangkau (Deptan 2012). Untuk mengatasi kendala yang dihadapi dalam pengupulan data produktivitas, Waryanto (2005) membuat model untuk menduga produksi total tomat dengan mereduksi frekuensi panen pada pengukuran di lapangan. Pada penelitian ini akan dicoba untuk menduga produktivitas cabai dengan menyederhanakan pengumpulan data di lapangan. Model yang akan digunakan untuk pendugaan produktivitas cabai diantaranya adalah model eksponensial, polinomial,

dan

model

pertumbuhan.

Pendugaan

dilakukan

dengan

membangkitkan data produktivitas petani melalui simulasi dengan kombinasi awal panen untuk setiap petani. Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah 1. Mendeskripsikan pola produktivitas cabai dari panen ke panen. 2. Membangun model dugaan produktivitas cabai. 3. Menduga produktivitas cabai untuk wilayah Kabupaten Cianjur pada periode tri wulan II (bulan April-Juni). 4. Melakukan simulasi untuk mengevaluasi pengurangan waktu pengamatan dalam pendugaan produktivitas cabai secara keseluruhan.

3

TINJAUAN PUSTAKA

Deskripsi Tanaman Cabai Cabai adalah komoditas hortikultura yang memiliki peran sangat penting dimasyarakat. Selain sebagai bumbu, cabai juga mengandung beberapa zat gizi seperti vitamin A, B, C dan beta karoten. Cabai yang umum dikenal di masyarakat digolongkan ke dalam tiga kelompok yaitu cabai besar, cabai kecil dan cabai hias. Diantara ketiga kelompok tersebut, cabai besar merupakan jenis yang paling banyak diperdagangkan dalam masyarakat (Sari 2009). Cabai besar (Capsicum annuum) atau lombok besar memiliki banyak varietas. Diantaranya adalah cabai merah (C. annuum var. longum ) dan cabai hijau ( C. annuum var. annuum). Ciri umum cabai besar adalah batangnya tegak dengan ketinggian antara 50 sampai 90 cm, tangkai daunnya horisontal atau miring dengan panjang 1.5 – 4.5 cm, panjang daun antara 4 sampai 10 cm dan lebar antara 1.5 sampai 4.5 cm, buahnya berbentuk memanjang atau kebulatan dengan biji buahnya berwarna kuning kecoklatan. Secara umum, cabai dapat ditanam di areal sawah maupun tegal, didataran rendah maupun tinggi, dan saat musim kemarau maupun musim penghujan. Beberapa faktor yang mempengaruhi pertumbuhan tanaman cabai adalah ketinggian tempat, iklim, air, dan tanah (Setiadi 2008). Budidaya cabai dilakukan secara monokultur atau tumpang sari dengan tanaman lainnya. Tanaman cabai pertama kali dipanen pada umur 80 – 90 hari tergantung jenisnya. Dalam satu periode tanam, cabai dapat dipanen beberapa kali. Bila musim dan perawatannya baik dapat dipanen 15 ‐ 17 kali, namun umumnya sebanyak 10‐12 kali (BPS 2011).

Metode Pengukuran Produktivitas Hortikultura Pengumpulan data produktivitas hortikultura dilakukan dengan menggunakan metode pengumpulan langsung yang diukur berdasarkan data luas panen dan produksi. Untuk data luas panen metode pengumpulan data dan teknis pengukurannya di lapangan relatif mudah dilakukan. Namun untuk pengumpulan

4

data produksi dan produktivitas akan sangat sulit sekali pelaksanaannya di lapangan. Metode yang dikembangkan untuk menangani masalah pengumpulan data produksi adalah metode ubinan dan metode Rumpun Counting (RC) yang dilakukan oleh BPS dan Deptan mulai tahun 2001. Metode Ubinan Metode ubinan merupakan metode untuk mengukur produktivitas tanaman dengan mengukur produktivitas tanaman yang dicover oleh alat ubinan pada petak dan plot terpilih secara acak. Awalnya metode ubinan hanya digunakan pada pengukuran produktivitas padi dan palawija, namun sejak tahun 2001 mulai dikembangkan untuk pengukuran produktivitas hortikultura. BPS, Deptan dan Japan International Cooperation Agency (JICA) melakukan ujicoba pengukuran produksi dengan menggunakan plot ubinan yang berukuran 10m x 10m. Tahun 2003 diuji cobakan lagi pengukuran dengan menggunakan plot yang lebih kecil yaitu 5m x 5m dan 2.5m x 2.5m dan selanjutnya dilakukan perbandingan ketiga plot tersebut. Hasil perbandingan menunjukkan ketiga plot yang diuji tidak mempunyai perbedaan yang nyata sehingga kemudian ditetapkan ukuran plot yang digunakan adalah 2.5m x 2.5m (Waryanto 2005). Metode Rumpun Counting (RC) Beberapa perkembangan penggunaan plot ubinan 2.5m x 2.5m, terutama kepraktisan alat yang digunakan serta pengaplikasiannya di lapangan. Atas dasar tersebut maka BPS, Deptan dan JICA mengembangkan lagi metode ubinan untuk tanaman padi melalui pendekatan pencacahan rumpun (Rumpun Counting, RC) yang merupakan sebuah metode untuk mendapatkan produktivitas tanpa alat ubinan. Pelaksanaan metode rumpun counting ini adalah dengan pemotongan terhadap 10 rumpun baris dan 10 rumpun kolom dengan terlebih dahulu menentukan titik awal plot dengan menggunakan Tabel Angka Random (TAR) (Susmayasanti 2003). Wijayanto (2005) dalam penelitiannya melakukan perbandingan produksi tanaman padi pada plot 10 x 10 rumpun dengan jarak tanam 25cm x 25cm dengan plot 2.5m x 2.5m. Hasil perbandingan menunjukkan

5

bahwa produksi tanaman padi pada plot 10 x 10 tanaman sama dengan produksi pada plot 2.5m x 2.5m. Pada tahun 2003, dilakukan perbandingan pengukuran produktivitas sayuran dengan menggunakan metode ubinan dengan ukuran plot 2.5m x 2.5m, 10 x 10 tanaman dan 5 x 5 tanamah. Hasil perbandingan menunjukkan bahwa plot 5 x 5 tanaman dianggap paling baik. Sehingga pada tahun 2010 plot ubinan 5 x 5 tanaman mulai digunakan untuk pengukuran data produktivitas cabai besar (Deptan 2012). X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X Gambar 1 Rumpun Counting 5 x 5 tanaman Sumber Error dalam Survey Pendugaan parameter merupakan salah satu tujuan dari penarikan contoh melalui survey. Sumber error dalam survey terbagi menjadi dua macam, yaitu sampling error dan nonsampling error. Sampling error adalah kesalahan yang disebabkan oleh pengambilan contoh. Sampling error dapat dikontrol dengan mendesain sampling dengan baik. Nonsampling error atau human error merupakan error yang disebabkan oleh proses survey seperti tidak meresponnya contoh, informasi yang salah dan mengganti contoh. Nonsampling eror dapat dikendalikan dengan menghubungi kembali responden, pemberian insentif kepada responden serta membarikan pelatihan kepada petugas survey (Scheaffer et al 1990).

6

Pemodelan Produksi Cabai Pemodelan Produksi dari Panen ke Panen Pemodelan produksi cabai dilakukan dengan melihat pola produksi dari panen ke panen. Secara umum produksi hortikultura khususnya komoditas yang panennya berulang akan membentuk pola nonlinier, seperti dalam penelitian Waryanto (2003) yang menyebutkan bahwa produksi tomat membentuk pola polinomial. Model Regresi Nonlinier Model nonlinier merupakan bentuk hubungan antara peubah respon dengan peubah penjelas yang tidak linier dalam parameter (Myers 1989). Model nonlinier ada dua jenis, yaitu model yang secara intrinsik linier (instrically linear) dan model yang secara intrinsik nonlinier (intrinsically nonlinear). Model yang secara intrinsik linier yaitu model nonlinier yang dapat ditransformasi menjadi bentuk linier sebagai contoh adalah model eksponensial dan model pangkat.

Model

intrinsik nonlinier yaitu model yang tidak bisa ditransformasi menjadi bentuk linier misalnya adalah model logistik dan model gompertz (Draper & Smith 1980). Secara umum model regresi nonlinier ditulis sebagai berikut : (

)

(i =1,2, . . .,n)

(1)

dengan : f (.)

= fungsi non linier = nilai pengamatan ke-i = vektor peubah penjelas pada pengamatan ke-i = vektor parameter koefisien regresi berukuran p x 1 = sisaan pengamatan ke-i

diasumsikan saling bebas dan menyebar normal dengan nilai tengah nol dan ragam

.

7

Model Eksponensial dan Model Pangkat Model eksponensial merupakan contoh dari model nonlinier yang dapat yang

dilinierkan. Bentuk umum model eksponensial adalah ditransformasi menjadi bentuk ln ( ) = ln (

)+

. Model nonlinier lain yang

dapat dilinierkan adalah model pangkat (geometris). Bentuk umum model pangkat . Bentuk model dugaannya adalah ̂

adalah

. Pendugaan a

dan b dilakukan dengan mentransformasikan model dugaan menjadi bentuk ln ( ) = ln (a) + b ln ( ) (Montgomery & Peck 1991). Model Pertumbuhan Banyak model nonlinier dikelompokkan dan didesain untuk kasus tertentu. Salah satu kelompok model nonlinier yang banyak digunakan adalah model pertumbuhan. Model pertumbuhan digunakan untuk menggambarkan bagaimana sesuatu tumbuh seiringi dengan peningkatan peubah bebasnya (biasanya adalah waktu)

(Myers 1989). Model pertumbuhan yang umum di kenal antara lain

adalah model pertumbuhan logistik, model pertumbuhan gompertz, model pertumbuhan richards, model pertumbuhan weibull dan model pertumbuhan mitcherlic law. Model Pertumbuhan Logistik Model pertumbuhan logistik Petama kali diperkenalkan oleh P.F. Verhulst tahun 1838 sebagai model pertumbuhan populasi. Model ini pada dasarnya mengacu pada bentuk persamaan regresi logistik (Myers 1989). Bentuk dari model pertumbuhan logistik adalah sebagai berikut: (

(2)

)

Pada model logistik, untuk x = 0, dengan nol. Parameter

=

adalah level dari y saat waktu sama

adalah batas pertumbuhan. Nilai

dan

harus positif

agar fungsi logistik dapat dinterpretasikan (Montgomery & Peck 1991). Gambar 2 memperlihatkan contoh kurva model logistik dengan dua parameter.

8

Model Pertumbuhan Gompertz Model pertumbuhan Gompertz pertama kali dikemukakan oleh B. Gompertz tahun 1825 yang digunakan untuk menghitung rata-rata kematian. Karakteristik model Gompertz adalah pertumbuhan yang lambat di awal dan diakhir, dengan titik belok yang tidak simetris (Draper & Smith 1980). Bentuk dari model ini sebagai berikut : (

)

(3)

Bentuk dari model Gompertz ini merupakan bentuk dari eksponensial ganda, dengan parameter

adalah batas pertumbuhan, sehingga saat x = 0,

.

Gambar 2 Contoh kurva model pertumbuhan logistik Model Pertumbuhan Weibull Model pertumbuhan weibull merupakan salah satu model pertumbuhan yang banyak digunakan. Bentuk modelnya adalah sebagai berikut: (

)

(4)

Pada model weibull, pertumbuhan pada saat x = 0 adalah pertumbuhan mengalami titik maksimum Peck 1991).

=

saat

. Sedangkan (Montgomery &

9

Pendugaan Parameter Model Nonlinier Pendugaan parameter pada regresi linier diperoleh dengan menggunakan Metode Kuadrat Terkecil (MKT), yaitu dengan cara meminimumkan jumlah kuadrat galat yang menghasilkan persamaan normal. Sedangkan untuk model nonlinier,

pendugaan parameternya menggunakan Metode Kuadrat Terkecil

Nonlinier (MKT Nonlinier). Metode Kuadrat Terkecil Nonlinier Metode kuadrat terkecil nonlinier (MKT nonlinier) merupakan pendugaan parameter untuk model nonlinier yang dilakukan dengan cara meminimumkan: ∑

[

(

̂]

(5)

Pada pendugaan dengan MKT nonlinier, nilai dugaan hanya dapat diselesaikan melalui proses iterasi. Beberapa metode yang digunakan dalam proses iterasi untuk MKT nonlinier adalah metode Gauss-Newton dan Jalan Tengah Marquardt (Myers 1989). Metode Gauss-Newton Salah satu prosedur yang sering digunakan dalam MKT nonlinier adalah prosedur

Gauss-Newton.

Prosedur

ini

memerlukan

nilai

awal

dugaan

parameternya. Misalkan (

) adalah vektor nilai dugaan awal. Model non linier (

)

diuraikan menjadi deret Taylor disekitar

dengan

mempertahankan bentuk linier. Sehingga (

)

(

(

) (

)[

( )

)[

(

)

]

]

( )

(i = 1,2,. . .,n) Persamaan (6) dapat dinyatakan dalam bentuk model linier, yaitu (

)

(

)

(7)

10

(i = 1,2,. . .,n) [

dengan

(

)

]

adalah turunan dari fungsi non linier terhadap

parameter ke-j pada semua nilai awal dan (

sebagai sisaan

. Sisi kiri persamaan (7)

) dan parameternya diganti dengan nilai awal.

pada persamaan (7) merupakan peubah penjelas sedangkan

sebagai koefisien

model. Hasilnya struktur Gauss-Newton mempunyai struktur regresi linier: (

)

(8)

(i = 1,2,. . .,n) Nilai dugaan dari setiap parameter dicari dengan melakukan proses iteratif berikut: 1. Duga terkecil ̂

̂

dalam model (9) dengan menggunakan metode kuadrat linier.

Penduga

dari

iterasi

pertama

dinyatakan

sebagai

̂

adalah nilai dugaan

̂ .

2. Hitung ̂

̂

(j = 1,2,…,p). ̂

̂

iterasi pertama. 3. Nilai ̂ dari langkah 2 menjadi nilai awal model (8). 4. Kembali ke langkah 1, kemudian hitung ̂

̂

̂ dan ̂

̂

̂ .

5. Lakukan terus proses ini sampai konvergen. Konvergen tercapai apabila dalam s iterasi, jumlah kuadrat sisaan dan penduga parameter tidak lagi berubah nilainya. Menurut Drapper & Smith, prosedur Gauss-Newton memiliki kelemahan untuk masalah-masalah tertentu, yaitu : 1. Proses kekonvergenan mungkin berjalan sangat lambat, dengan kata lain dibutuhkan langkah iterasi yang banyak sebelum solusinya stabil, meskipun jumlah kuadrat sisaannya terus turun. 2. Adakalanya solusi berosilasi, terus berganti arah dan sering jumlah kuadratnya naik turun walaupun pada akhirnya stabil. 3. Iterasi dapat tidak konvergen sama sekali atau bahkan divergen, sehingga jumlah kuadrat sisaannya naik terus tanpa batas.

11

Jalan Tengah Marquardt Prosedur Jalan Tengah Marquardt merupakan pengembangan prosedur GaussNewton yang digunakan untuk menghitung vektor perubahan kenaikan. Struktur dari vektor perubahan kenaikan untuk iterasi ke-s adalah solusi dari ̂ terhadap persamaan : )̂

(

(̂

[

)]

Marquardt menyatakan bahwa 1989). Nilai

(9)

dapat memperbaiki kekonvergenan (Myers

dapat menangani situasi ketika pangkat matriks tak penuh dan

matriks W’W menjadi singular. Pemilihan

dalam prosedur jalan tengah Marquardt disesuaikan pada masing-

masing iterasi untuk meyakinkan pengurangan sisaan. Jika nilai

dimulai dengan

nilai besar, prosedur jalan tengan Marquardt mengubah langkah ̂ dekat ke arah turunan tercuram. Jika nilai Gauss-Newton. Nilai

kecil, prosedur Marquardt mendekati prosedur

dikendalikan dengan cara dinaikkan atau diturunkan jika

satu tahap gagal untuk mengurangi sisaan. Dengan cara ini prosedur jalan tengah marquardt mamppu menyesuaikan diri dengan cara mendekati turunan tercuram ketika jauh dari sisaan yang minimum dan cepat konvergen ketika disekitar sisaan yang minimum. Ukuran Kebaikan Model Beberapa kriteria yang dapat digunakan dalam pemilihan model antara lain adalah koefisien determinasi (R2), Mean Absolute Percent Error (MAPE) dan Root Mean Square Error (RMSE ). Koefisien determinasi (

)

Koefisien determinasi merupakan ukuran kemampuan model dalam mengepas data yang ada (Myers 1989). Formula dari koefisien determinasi adalah:

dengan : = koefisien determinasi

12

= jumlah kuadrat regresi = jumlah kuadrat galat Semakin besar

suatu model maka semakin terandalkan model tersebut.

Mean Absolute Percent Error (MAPE) MAPE digunakan untuk menentukan model yang paling sesuai atau efisien untuk masing-masing pendekatan. Persamaannya adalah: ∑|

̂

|

dengan: MAPE = Mean absolute percent error = nilai amatan ̂

= nilai dugaan

n

= banyaknya data pengamatan

Nilai MAPE yang kecil menunjukkan model lebih baik Root Mean Square Error (RMSE ) RMSE digunakan untuk memperoleh gambaran keseluruhan standar deviasi yang muncul saat menunjukkan perbedaan antar kelompok atau hubungan yang dimiliki. Secara umum dirumuskan sebagai berikut:

√ dengan: = Root mean square error = jumlah kuadrat sisaan N

= banyaknya data

P

= banyaknya parameter

Nilai RMSE yang besar menunjukkan model tersebut kurang baik, dan nilai RMSE yang kecil menunjukkan model tersebut baik.

13

Relative Standard Error (RSE) Suatu besaran yang berguna bagi peneliti untuk mengevaluasi hasil-hasil yang diperoleh dari beberapa survey yang meneliti ciri yang sama adalah Relative Standard Error (RSE). RSE didefinisikan sebagai simpangan baku contoh yang dinyatakan dalam persentase terhadap nilai tengah contohnya, yang dinyatakan dalam rumus : ̂̅ ̅

RSE adalah keragaman relatif. Berbeda dengan simpangan baku yang mempunyai satuan yang sama dengan pengamatan asal, karena RSE tidak tergantung dengan satuan pengukuran yang digunakan.

14

15

METODOLOGI

Metode Pengumpulan Data Data yang digunakan dalam penelitian ini ada dua jenis, yaitu data primer dan data simulasi. Data primer diperoleh dengan mengumpulkan data produksi cabai pada 19 plot contoh yang dipanen pada periode tri wulan II (April - Juni) tahun 2012 yang terletak di empat Kecamatan yaitu Kecamatan Sukaresmi, Kecamatan Cugenang, Kecamatan Campaka dan Kecamatan Sukanagara Kabupaten Cianjur Propinsi Jawa Barat. Data primer yang diperoleh digunakan sebagai dasar untuk pembangkitan data simulasi. Data simulasi diperoleh dengan membangkitkan data produktivitas 1000 petani yang dilakukan sebanyak 300 kali. Peubah yang dibangkitkan adalah produktivitas cabai setiap petani per waktu panen Metode Analisis Langkah –langkah analisis data yang dilakukan pada penelitian ini dibagi menjadi 3 tahap yaitu : Tahap I : Eksplorasi data Tahapan eksplorasi data dilakukan untuk memberikan gambaran data secara umum. Langkah-langkah dalam tahap eksplorasi data sebagai berikut: 1. Menghitung produktivitas setiap plot contoh. 2. Membuat sebaran data produktivitas plot contoh. 3. Mengelompokan plot contoh berdasarkan pola produktivitas dari masingmasing plot contoh. Tahap II : Membangun model Model dugaan produktivitas dibangun berdasarkan pola produktivitas yang telah dikelompokkan pada tahap II. Langkah-langkah dalam membangun model dugaan produktivitas sebagai berikut : 1. Melakukan pencocokan model setiap kelompok.

16

Model yang dicobakan antara lain, model eksponensial, model pangkat, model logistik, model kubik dan model gauss. Pemilihan model terbaik dilakukan berdasarkan nilai R2 dan MSE . 2. Membangun model dugaan produktivitas setiap kelompok sesuai dengan model yang dipilih pada langkah 1. Tahap III : Simulasi dan analisis Model yang telah diperoleh pada tahap II digunakan sebagai dasar dalam membangkitkan data populasi untuk menduga produktivitas. Model yang digunakan dalam pembangkitan data produktivitas merupakan model dari 5 kelompok plot contoh yang memiliki kesamaan karakteristik cabai yang ditanam. Langkah-langkah pembangkitan data produktivitas sebagai berikut : 1. Menentukan jumlah panen pada masing-masing kelompok. Jumlah panen yang dibangkitkan untuk masing-masing kelompok ditentukan berdasarkan rata-rata panen pada setiap plot contoh dalam satu kelompok. Panen untuk kelompok 1 adalah 10 kali, kelompok 2 sebanyak 5 kali, kelompok 3 sebanyak 7 kali, kelompok 4 sebanyak 11 kali dan kelompok 5 sebanyak 9 kali. 2. Menentukan jumlah petani contoh pada masing-masing kelompok. Jumlah petani pada satu kelompok ditentukan berdasarkan proporsi plot contoh dalam kelompok. Untuk kelompok 1 jumlah petani yang dibangkitkan sebanyak 360 petani, kelompok 2 sebanyak 240 orang, kelompok 3 sebanyak 180 orang, kelompok 4 sebanyak 110 orang dan kelompok 5 sebanyak 110 orang. 3. Menghitung dugaan produktivitas petani berdasarkan model dugaan yang dibuat. 4. Membangkitkan galat. Galat (error) yang dibangkitkan diasumsikan berdistribusi normal dengan nilai tengah = 0 dan nilai simpangan baku yang diperoleh dari rata-rata simpangan baku kelompok contoh yaitu sebesar 0.15. 5. Membuat pola dugaan produktivititas setiap petani dari panen ke panen. Tahapan yang dilakukan adalah sebagai berikut :

17

a. Melakukan pengacakan awal panen setiap petani. b. Asumsikan bahwa umur tanaman cabai sampai waktu panen adalah 12 mingga, satu periode pengamatan (tri wulan) sebanyak 12 minggu. c. Menyusun dugaan produktivitas setiap petani berdasarkan waktu awal panen. 6. Menentukan periode pengamatan. Periode pengamatan merupakan waktu pengukuran produktivitas yang dilakukan. Periode pengamatan dibagi menjadi empat yaitu tri wulan I (Januari-Maret), tri wulan II (April-Juni), tri wulan III (Juli-September), tri wulan IV (Oktober-Desember). 7. Menghitung produktivitas total pada periode pengamatan. 8. Pengambilan contoh Ambil contoh berukuran n dari data pada periode pengamatan yang telah ditentukan. Hitung nilai tengah, ragam, bias dan RSE dugaan. Pendugaan yang dilakukan terdiri dari dua macam, yaitu dengan menggunakan pengamatan seluruh waktu panen dan menggunakan sebagian waktu panen (tertentu). Pendugaan menggunakan waktu panen tertentu terdiri dari dua macam, yaitu jika jumlah panen petani diketahui (rata-rata panen dalam kelompok) dan jika jumlah panen petani tidak diketahui (diasumsikan panen selama periode pengamatan/12 kali dan rata-rata panen kelompok produktivitas/10 kali). 9. Pengambilan contoh ulang Ulangi langkah 9 sebanyak 100 kali. 10. Ulangi langkah 1 sampai 10 sebanyak 30 kali. Menghitung produktivitas total pada periode pangamatan Langkah – langkah metode penelitian dapat dilihat pada Gambar 3.

18

Pengumpulan Data

Eksplorasi data

Pencocokan Model

Model dugaan produktivitas setiap kelompok Tentukan jumlah panen tiap kelompok Tentukan jumlah petani tiap kelompok Hitung dugaan produktivitas Tentukan periode pengamatan

Buat pola produktivitas

Tentukan periode pengamatan

Bangkitkan error Hitung produktivitas tiap petani

Hitung produktivitas total pada periode pengamatan

Ambil contoh berukuran n

lakukan

Hitung rata-rata dan ragam produktivitas

100 kali

Gambar 3 Diagram alir penelitian

19

HASIL DAN PEMBAHASAN

Pengumpulan Data Produktivitas di Lapangan Pengumpulan data produktivitas dilakukan pada plot contoh yang telah dipilih secara acak menggunakan Tabel Angka Random (TAR). Proses pengumpulan data di lapangan diharapkan sesuai dengan rancangan yang dibuat sehingga diperoleh data yang akurat. Pada pelaksanaan pengumpulan data di lapangan terdapat beberapa hal yang menyebabkan ketidakakuratan data yang diperoleh, antara lain proses listing rumah tangga produksi cabai, penentuan plot contoh, dan pengukuran produksi plot contoh. Listing bertujuan untuk mendaftarkan seluruh rumah tangga produksi cabai yang akan melaksanakan panen pada satu periode panen tertentu. Listing dilaksanakan oleh mantri tani/petugas kecamatan pada Kecamatan yang terpilih Namun pada pelaksanaan di lapangan proses listing belum dilaksanakan secara maksimal sesuai prosedur yang ditetapkan. Pendaftaran petani cabai hanya dilaksanakan pada Desa yang dipilih. Selain itu juga listing hanya dilaksanakan pada beberapa Desa yang letaknya berdekatan. Pada kenyataannya di lapangan banyak petani yang tidak masuk dalam listing dari keseluruhan petani yang memproduksi cabai hanya sekitar 20% saja yang dimasukkan dalam daftar, sehingga dalam pengambilan contoh dengan menggunakan daftar yang dibuat tidak mewakili petani cabai yang ada di satu wilayah dan mengakibatkan dugaan produksi yang dilakukan akan berbias. Selain itu informasi yang dikumpulkan terkadang hanya berasal dari sumber lain misalnya ketua kelompok tani, pengepul/bandar cabai atau dari petani lain, atau dengan pendugaan saja. Hal lain yang menyebabkan ketidakakuratan data adalah penentuan plot contoh di lapangan. Penentuan plot contoh berdasarkan dari data listing yang telah dibuat. Ketidakakuratan informasi yang ada pada saat listing menyebabkan kesulitan penentuan plot contohnya. Sebagai contoh jumlah bidang petani. Dalam daftar listing hanya terdapat satu bidang, namun pada kenyataannya di lapangan terdapat lebih sehingga mendorong pengambilan plot contoh tidak acak lagi. Selain itu juga pada proses penentuan plot rumpun tanaman yang akan diukur terkadang dihadapi kendala di lapangan yang bersifat teknis, yaitu penguasaan

20

petugas terhadap langkah-langkah dan aturan dalam pelaksanaan pengukuran plot contoh. Pengukuran produksi dilakukan oleh petugas pada plot contoh yang telah ditentukan dengan menggunakan timbangan atau menggunakan mangkok sebagai alternatif khususnya jika pengukuran dilakukan oleh petani. Pelaksanaan pengukuran produksi di lapangan belum dilaksanakan secara maksimal. Pengukuran produksi umumnya lebih banyak dilakukan oleh petani sedangkan pengukuran yang dilakukan oleh petani terkadang tidak menggunakan alat yang telah disediakan. Petani hanya melakukan dugaan saja sehingga diduga data yang dikumpulkan oleh petani menjadi kurang akurat Deskripsi Plot Contoh Hasil pengumpulan data produksi dan luas ubinan plot contoh selengkapnya disajikan pada lampiran 1. Produktivitas plot contoh dapat dilihat pada lampiran 2. Rata-rata produktivitas cabai yang diperoleh pada 19 plot contoh sebesar 16.42 ton/ha dengan simpangan baku sebesar 30.44 ton/ha. Rata-rata produktivitas setiap panen tertinggi diperoleh sebesar 12.03 ton/ha sedengkan terendah pada sebesar 0.30 ton/ha. Hasil eksplorasi yang dilakukan dengan box plot (Gambar 4) menunjukkan adanya data pencilan. Produktivitas plot contoh mengumpul pada nilai 2 sampai 7 ton/ha. Boxplot of Total 140 120 100

Total

80 60 40 20 0

Gambar 4 Box plot produktivitas plot contoh

21

Pengelompokan Plot Contoh Produktivitas pada setiap plot contoh membentuk pola yang beragam. Berdasarkan pola yang ada maka plot contoh dikelompokkan menjadi enam kelompok. Gambar 5 memperlihatkan sebaran produktivitas setiap plot yang membentuk pola tertentu. Pada Gambar 5 terlihat bahwa terdapat dua plot contoh yang memiliki kisaran nilai produksi yang sangat berbeda dengan plot comtoh yang lain.

Gambar 5 Sebaran produktivitas seluruh plot contoh Deskripsi Kelompok Kelompok 1 Kelompok 1 terdiri dari 6 plot contoh. Pola produktivitas pada kelompok 1 cenderung naik dan mencapai titik maksimum pada panen ke-3 sampai ke-5 (Gambar 6). Penurunan produktivitas terjadi pada panen ke-4 sampai ke-6 sampai akhir panen. rata-rata panen pada kelompok 1 sebanyak 10 kali panen dengan panen terbanyak pada plot 18 dan plot 1 sebanyak 13 kali.

22

produktivitas(ton/ha)

2.5 2

plot 1

1.5

plot 2

1

plot 3

0.5

plot 5 plot 6

0 1

2

3

4

5

6

7

8

9

10 11 12 13

plot 18

panen ke-

Gambar 6 Pola produktivitas kelompok 1 Kelompok 2 Kelompok 2 terdiri dari empat plot contoh. Secara umum pola produktivitas kelompok 2 cenderung naik dan belum terlihat mencapai titik maksimum, hal tersebut dikarenakan pemanenan pada plot contoh masih dilaksanakan. Gambar 7 memperlihatkan banyaknya panen pada plot contoh dalam kelompok 2 tidak sama. Panen maksimum yang dilakukan sebanyak 9 kali pada plot 4, sedangkan dua plot yang lain baru melaksanakan panen sebanyak empat kali dan pada plot 14 panen baru dilakukan sebanyak 3 kali.

produktivitas (ton/ha)

6 5 4

plot 4

3

plot 14

2

plot 17

1

plot 21

0 1

2

3

4

5

6

7

8

9

panen ke-

Gambar 7 Pola produktivitas kelompok 2 Kelompok 3 Pola produktivitas plot contoh pada kelompok 3 pada awal panen terlihat naik, namun kemudian terjadi penurunan pada panen keempat untuk plot 9 dan dan panen ketujuh untuk kelompok 11 seperti terlihat pada Gambar 8. Pada plot 11

23

kenaikan terjadi kembali kemudian terjadi penurunan lagi. Produktivitas tertinggi pada plot 11 terjadi pada panen kesepuluh. Hingga akhir pengumpulan data ang dilakukan di lapangan, pemanenan pada plot contoh dalam kelompok 3 ini masih terus dilaksanakan. Pada Gambar 8 terlihat bahwa pada plot 11 panen telah dilakukan sebanyak 11 kali sedangkan pada plot 9 baru dilaksanakan sebanyak 5 kali.


30 25 20 15

plot 11

10

plot 9

5 0 1

2

3

4

5

6

7

8

9

10

11

panen ke-

Gambar 8 Pola produktivitas kelompok 3 Kelompok 4 Kelompok 4 terdiri dari 3 plot contoh. Seluruh plot contoh pada kelompok 4 masih melaksanakan pemanenan. Rata-rata panen telah dilaksanakan sebanyak 7 sampai 8 kali. Pola produksi kelompok 4 secara umum naik mulai dari awal panen. Gambar 9 memperlihatkan produktivitas mencapai titik maksimum pada


panen kelima atau ketujuh. 2.5 2 1.5

plot 12

1

plot 13

0.5

plot 15

0 1

2

3

4

5

panen ke-

Gambar 9 Pola produktivitas kelompok 4

6

7

8

24

Kelompok 5 Plot contoh yang termasuk ke dalam kelompok 5 adalah plot 8 dan 20. Gambar 14 memperlihatkan pola produksi kedua plot hampir sama yaitu cenderung naik dan mencapai titik maksimum pada panen keenam sampai ketujuh. Rata-rata panen pada kelompok 5 sebanyak 11 kali panen. Gambar 10 memperlihatkan produktivitas mencapai titik maksimum pada panen ke-6 dan


terus mengalami penurunan sampai dengan panen ke-11. 2.5 2 1.5 plot 8

1

plot 20

0.5 0 1

2

3

4

5

6

7

8

9

10

11

panen ke-

Gambar 10 Pola produktivitas kelompok 5 Kelompok 6 Kelompok 6 terdiri dari 2 plot contoh. Pola produksi kelompok 6 cenderung naik dan mengalami penurunan. Penurunan yang sangat cepat sekali terjadi pada plot 16 yaitu pada panen kedelapan hal tersebut dikarenakan habisnya masa berbuah tanaman cabai. Produktivitas tertinggi diperoleh pada panen kelima


sampai keenam, hal tersebut dapat dilihat pada Gambar 11. 2 1.5 1

plot 7

0.5

plot 16

0 1

2

3

4

5

panen ke-

Gambar 11 Pola produktivitas kelompok 6

6

7

8

25

Karakteristik Kelompok Hasil pengelompokan pola produktivitas plot cotoh memperlihatkan bahwa plot yang berada dalam satu kelompok memiliki karakteristik yang sama. Karakteristik pada masing-masing kelompok dapat dilihat pada Tabel 1. Jenis cabai, varietas, cara tanam, perawatan tanaman serta lokasi merupakan karakteristik pada plot contoh. Tabel 1 Karakteristik plot contoh pada tiap kelompok Kel

1

2

3 4

5 6

Plot

Jenis Cabai

Varietas

Cara Tanam

Perawatan

Kecamatan

1 2 3 5 6 18 4 14 17 21 9 11 12 13 15 8 20

keriting merah keriting hijau keriting hijau keriting hijau keriting hijau keriting merah keriting merah keriting merah keriting merah Keriting merah besar hijau besar merah keriting merah keriting merah keriting merah keriting merah keriting merah

TM 99 TM 99 TM 99 TM 99 TM 99 TM 99 Golden red TM 99 TM 99

tunggal tunggal tunggal tunggal tunggal tunggal tunggal tumpangsari tumpangsari

sederhana sederhana sederhana sederhana sederhana intensif intensif intensif intensif

Sukaresmi Sukaresmi Sukaresmi Sukaresmi Sukaresmi Cugenang Sukaresmi Cugenang Cugenang

princes

tumpangsari

intensif

Campaka

7 16

keriting merah keriting merah

Inco Hot pison TM 99 TM 99 TM 99 TM 99 Seminis Princes Princes

tumpangsari tumpangsari tumpangsari tumpangsari tumpangsari tumpangsari tumpangsari tumpangsari tumpangsari

Intensif Intensif Intensif Intensif Intensif sederhana Intensif Sederhana Intensif

Sukanagara Sukanagara Campaka Campaka Cugenang Sukanagara Cugenang Campaka Cugenang

Jenis cabai yang ditanam terdiri dari dua macam, yaitu cabai keriting dan cabai besar dengan pemanenan yang dilakukan pada saat matang/merah dan hijau. Sedangkan varietas cabai yang banyak ditanam adalah cabai keriting TM 99 serta beberapa varietas yang lain seperti princes, seminis dan golden red. Sedangkan varietas cabai besar adalah inco dan hot pison. Teknik budidaya dan perawatan tanaman juga merupakan salah satu faktor yang sangat penting. Ada dua macam cara tanam pada cabai yaitu secara monokultur dan tumpangsari. Penanaman secara tumpangsari dilakukan dengan tanaman sayuran yang lain seperti tomat,

26

kol, brokoli, sawi putih dan bawang daun. Untuk cara perawatan tanaman, terdapat dua macam cara perawatan tanaman yaitu perawatan secara intensif dan perawatan sederhana. Perawatan secara intensif diantaranya dengan menggunakan plastik penutup media tanam/bedengan, pengendalian hama dan penyakit tanaman secara berkala serta melakukan penyiraman secara teratur. Sedangkan perawatan dengan cara sederhana sebaliknya tidak menggunakan plastik penutup bedeng, tidak melakukan penyiraman tanaman secara rutin, serta tidak melaksanakan pengendalian hama dan penyakit tanaman secara intensif. Petani yang melakukan cara perawatan tanaman secara intensif umumnya akan memiliki waktu panen panjang dan dapat mencapai lebih dari 12 kali panen, hal tersebut juga akan sangat berpengaruh terhadap produktivitas tanaman. Wilayah juga merupakan karakteristik yang terlihat pada pengelompokkan pola produksi. Umumnya plot yang berasal dari satu wilayah memiliki karakteristik yang sama, misalkan varietas atau jenis cabai yang ditanam. Tabel 1 memperlihatkan bahwa karakteristik yang paling dominan pada kelompok 1 adalah varietas cabai dan cara tanam yang diterapkan. Jenis cabai yang ditanam pada kelompok 1 adalah cabai keriting varietas TM 99 dengan penanaman tunggal. Pada kelompok 2 karakteristik plot contoh yang terlihat yaitu jenis cabai yang ditanam adalah cabai keriting merah serta perawatan tanaman yang dilakukan secara intensif. Cara tanam dan wilayah merupakan karakteristik yang terlihat pada kelompok 3. Seluruh plot contoh pada kelompok 3 berada di kecamatan Sukanagara dengan menggunakan cara tanam tumpangsari dengan dengan tanaman sayuran lain. Karakteristik yang dominan pada kelompok 4 adalah jenis cabai, varietas, cara tanam serta perawatan tanaman. Jenis cabai yang ditanam pada kelompok 4 adalah cabai keriting merah varietas TM 99. Penanaman dilakukan secara tumpangsari dengan tanaman sayuran lain dengan perawatan yang intensif. Karakteristik yang terlihat pada kelompok 5 adalah jenis cabai dan cara penanaman. Jenis cabai yang ada pada kelompok 5 adalah cabai keriting

yang

dipanen

merah

sedangkan

penanaman

dilakukan

secara

tumpangsari. Karakteristik yang dominan pada kelompok 6 adalah jenis cabai, varietas, cara tanam.

27

Pencocokan Model Hasil dari Pencocokan model untuk setiap kelompok ditunjukkan pada dan

lampiran 4. Kriteria dalam memilih model dilakukan dengan melihat nilai

MSE model. Model terbaik yang diperoleh dari hasil pencocokan model setiap kelompok ditunjukkan pada Tabel 2. Tabel 2 Hasil pencocokan model untuk masing-masing kelompok Dugaan Parameter b1 b2 b3

Kelompok

Model

RSquare

MSE

b0

1 2 3 4 5 6

Eksponensial Logistik Pangkat Eksponensial Gauss Kubik

0.653 0.957 0.832 0.929 0.914 0.961

0.075 0.203 0.091 0.036 0.013 0.005

1.182 -0.092 5.234 35.523 2.839 0.8541 0.181 0.26 1.15 5.914 0.916 -0.484

0.871

-0.3729 0.191

-0.017

Model dugaan produktivitas kelompok 1 adalah model eksponensial dengan bentuk persamaannya adalah ̂

. Keragaman yang mampu

dijelaskan pada model sebesar 65.3% dengan nilai MSE sebesar 0.075. Nilai dugaan b1 negatif menunjukkan bentuk model eksponensial menurun. Pengukuran produksi pada kelompok 1 dilakukan sampai periode panen berakhir sehingga model yang dapat menggambarkan pola produktivitas pada kelompok 1 adalah model eksponensial menurun. Hal tersebut juga sesuai dengan pola produktivitas cabai yang akan mengalami penurunan sampai periode panen berakhir. Model logistik merupakan model yang paling cocok untuk dalam menggambarkan produktivitas kelompok 2. Pola produktivitas yang digambarkan pada model logistik ini belum menggambarkan satu periode panen pada kelompok 2. Hal tersebut dikarenakan pengukuran produksi yang dilakukan belum sampai pada akhir periode panen. Pola produktivitas yang dapat dilihat berbentuk sigmoid Model dugaan produktivitas kelompok 2 adalah ̂

. Produktivitas maksimum yang dicapai pada kelompok 2

sebesar 5.234 ton/ha. Keragaman yang dapat dijelaskan oleh model logistik sebesar 95.7% dan besarnya MSE adalah 0.203.

28

Model dugaan produktivitas untuk kelompok 3 adalah model pangkat dengan bentuk persamaannya adalah ̂

.Keragaman yang dapat dijelaskan

oleh model sebesar 83.2% dengan MSE sbesar 0.091. Seperti halnya dengan kelompok 2, pemanenan pada kelompok 3 belum mencapai akhir periode panen. plot contoh pada kelompok 3 umumnya baru melaksanakan panen sebanyak 8 kali sehingga produktivitas maksimum plot contoh belum dapat diketahui. Hal tersebut sesuai dengan pola model pangkat yang akan terus meningkat. Model yang cocok untuk kelompok 4 adalah model eksponensial dengan bentuk

persamaannya

adalah

̂

.

Dugaan

parameter

b1 bernilai positif yang berarti bahwa fungsi eksponensial yang diperoleh adalah naik. Nilai Keragaman produktivitas yang mampu dijelaskan oleh model sebesar 92.9% dengan MSE sebesar 0.036. Pola produktivitas pada kelompok 5 terlihat berbentuk kurvilinier. Model yang cocok digunakan untuk menduga produktivitas pada kelompok 5 adalah model (

Gauss dengan bentuk persamaannya adalah ̂

(

) )

. Keragaman

yang dapat dijelaskan oleh model Gauss ini sebesar 91.4% dengan nilai MSE sebesar 0.013. Pola produktivitas pada kelompok 6 berbentuk kurvilinier. Model yang dapat menggambarkan pola produktivitas kelompok 6 adalah kubik. Bentuk model dugaannya adalah ̂ model ini sebesar 0.961 dengan nilai MSE

Nilai sebesar 0.009.

pada

Gambar 12

memperlihatkan pola produktivitas masing-masing kelompok menggunakan model dugaan produktivitas.

Pendugaan Produktivitas Cabai Pendugaan produktivitas dilakukan dengan membangkitkan data produktivitas petani berdasarkan model dugaan produktivitas yang telah diperoleh. Parameter yang digunakan dalam pembangkitan data produktivitas berasal dari data primer yang dikumpulkan. Simulasi yang dilakukan dengan menyederhanakan beberapa kondisi yang ada diantaranya yaitu pembangkitan data produktivitas hanya menggunakan 5 model dugaan produktivitas kelompok plot contoh yang memiliki

29

karakteristik umum yang sama, pemanenan dilakukan sekali dalam satu minggu, satu periode pengamatan (tri wulan) sebanyak 12 minggu, masa tanam sampai dengan panen adalah 12 minggu. Gambar 12 memperlihatkan perbandingan antara data produktivitas per kelompok dengan produktivitas hasil bangkitan.

(a1) Produktivitas kelompok 1

(a2) Produktivitas bangkitan kelompok 1

(b1) Produktivitas kelompok 2

(b2) Produktivitas bangkitan kelompok 2

(c1) Produktivitas kelompok 3

(c2) Produktivitas bangkitan kelompok 3

(d1) Produktivitas kelompok 4

(d2) Produktivitas bangkitan kelompok 4

30

(e1) Produktivitas kelompok 5

(e2) Produktivitas bangkitan kelompok 5

Gambar 12 Pola produktivitas asal dan bangkitan: (a) kelompok 1, (b) kelompok 2, (c) kelompok 3, (d) kelompok 4, (e) kelompok 5 Pendugaan Produktivitas Cabai Berdasarkan Seluruh Waktu Panen Data produktivitas seluruh plot pada periode panen tri wulan II yang digunakan sebagai populasi dibangkikan sebanyak 300 kali. Rata-rata produktivitas cabai di Kabupaten Cianjur pada tri wulan II sebesar 4.696 ton/ha dengan ragam sebesar 0.006 ton/ha. Hasil dugaan produktivitas dengan pengambilan contoh berukuran 10, 30, 50, 70, 90, dan 110 yang dilakukan sebanyak 100 kali ulangan dapat dilihat pada Tabel 3. Tabel 3 Nilai tengah, ragam, bias dan RSE dugaan produktivitas menggunakan seluruh waktu panen Ukuran contoh 10 30 50 70 90 110

Nilai tengah (ton/ha) 4.65131 4.67349 4.67557 4.67334 4.68036 4.69621

Ragam 0.77972 0.24501 0.14911 0.10063 0.08182 0.06587

Bias 0.07302 0.04089 0.03254 0.03089 0.02524 0.02097

RSE(%) 18.98429 10.59129 8.25891 6.78798 6.11138 5.46498

Nilai tengah dugaan produktivitas pada pengambilan contoh menggunakan seluruh waktu panen berbias. Pada contoh berukuran 10 memiliki ragam dan bias tertinggi dengan nilai ragamnya yaitu 0.779 ton/ha sedangkan biasnya sebesar 0.07 ton/ha. Keragaman cenderung menurun seiring dengan penambahan ukuran contoh yang diambil. Ragam terkecil diperoleh pada pengambilan contoh berukuran 110 yaitu sebesar 0.066 ton/ha dan biasnya sebesar 0.02 ton/ha. Nilai RSE terendah pada pengambilan contoh berukuran 110 sebesar 5.46 %.

31

Pendugaan Produktivitas Cabai Berdasarkan Waktu Panen Tertentu Pengukuran produktivitas secara langsung dilakukan dengan mengumpulkan data produktivitas secara terus menerus selama periode panen pada plot contoh. Banyak faktor yang menyebabkan pengukuran secara terus menerus tersebut sangat sulit sekali dilakukan. Oleh karena itu dilakukan pendugaan produktivitas dengan

menggunakan

waktu

panen

tertentu

untuk

menyederhanakan

pengumpulan data di lapangan. Pendugaan produktivitas dilakukan dengan mengambil satu kali, dua kali dan tiga kali panen pada populasi. Tabel 4 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen petani diketahui

Ukuran contoh 10 30 50 70 90 110 Ukuran contoh 10 30 50 70 90 110 Ukuran contoh 10 30 50 70 90 110

satu kali panen Nilai tengah (ton/ha) Ragam 4.699509 1.713027 4.660735 0.567853 4.671615 0.346563 4.64996 0.237555 4.660749 0.18468 4.653913 0.162526 dua kali panen Nilai tengah (ton/ha) Ragam 4.690975 1.12382 4.685946 0.389497 4.675645 0.213039 4.657054 0.152216 4.680814 0.119595 4.683876 0.100334 tiga kali panen Nilai tengah (ton/ha) Ragam 4.689951 0.921273 4.671213 0.318004 4.682799 0.183324 4.669807 0.125995 4.688342 0.100428 4.68685 0.083214

Bias 0.093044 0.058952 0.0442 0.048207 0.038226 0.051394

RSE (%) 27.85028 16.16827 12.60155 10.48173 9.220506 8.662502

Bias 0.074565 0.042218 0.037524 0.036897 0.029829 0.041576

RSE (%) 22.59879 13.31849 9.871605 8.377582 7.388139 6.762665

Bias 0.063848 0.037366 0.032036 0.03127 0.026337 0.039744

RSE (%) 20.46566 12.07221 9.143336 7.601121 6.759398 6.154832

Pendugaan produktivitas dengan mengambil waktu panen tertentu dilakukan pada dua keadaan, yaitu pendugaan yang dilakukan jika diasumsikan jumlah

32

panen untuk setiap petani diketahui dan jika jumlah panen tidak diketahui. Hasil pendugaan produktivitas berdasarkan waktu panen tertentu dengan kondisi jumlah panen petani diketahui disajikan pada Tabel 4.

Tabel 5 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen petani sebanyak 10 kali

Ukuran contoh 10 30 50 70 90 110 Ukuran contoh 10 30 50 70 90 110 Ukuran contoh 10 30 50 70 90 110


Bias 4.197108 4.127301 4.152386 4.115531 4.137268 4.124688

RSE (%) 26.8991 15.57015 12.19754 10.10512 8.874697 8.309162

Bias 3.883864 3.869924 3.855882 3.824596 3.872251 3.883556

RSE (%) 22.42686 13.40285 9.769066 8.328601 7.353186 6.632285

Bias 3.51371 3.478901 3.507469 3.488431 3.530911 3.530405

RSE (%) 21.92083 13.10258 9.803801 8.195148 7.283642 6.563667

Dugaan produktivitas berdasarkan pengukuran satu kali memiliki nilai ragam, bias dan RSE tertinggi dibandingkan dugaan menggunakan dua dan tiga kali panen (Tabel 4). Untuk semua pengukuran dengan pengambilan waktu panen satu, dua maupun tiga kali memiliki kecenderungan penurunan nilai ragam, bias dan RSE saat meningkatnya ukuran contoh yang diambil. Ragam dugaan berkisar antara 0.1 sampai 1.71 ton/ha, dengan ragam tertinggi pada contoh berukuran 10

33

dengan satu kali panen. Hal tersebut juga terjadi pada nilai RSE. Nilai RSE tertinggi pada pengukuran satu kali panen pada contoh berukuran 10 yaitu sebesar 27.85 %. Hasil pendugaan produktivitas berdasarkan waktu panen tertentu dengan kondisi jumlah panen petani sebanyak 10 kali disajikan pada Tabel 5. Tabel 5 memperlihatkan nilai ragam dan bias dugaan yang diperoleh lebih tinggi dibandingkan dengan pendugaan produktivitas yang dilakukan jika jumlah panen setiap petani diketahui. Ragam berkisar antara 0.29 - 5.72 ton/ha, sedangkan bias antara 3.5 – 4.2 ton/ha.

Tabel 6 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah panen petani sebanyak 12 kali

Ukuran contoh 10 30 50 70 90 110

Ukuran contoh 10 30 50 70 90 110

Ukuran contoh 10 30 50 70 90 110


Bias 5.99228 5.908294 5.937348 5.89433 5.920349 5.905244

RSE (%) 26.91518 15.59908 12.21755 10.1125 8.880656 8.302711

Bias 5.60785 5.588713 5.571353 5.534333 5.592506 5.604416

RSE (%) 22.54497 13.47082 9.823127 8.366313 7.379557 6.653931

Bias 5.144594 5.100983 5.135082 5.113357 5.164583 5.163756

RSE (%) 22.12418 13.23648 9.90888 8.271135 7.34132 6.613379

34

Nilai ragam, bias dan RSE dugaan jika panen petani sebanyak 12 kali ditunjukkan pada Tabel 6. Ragam dugaan yang diperoleh lebih tinggi dibandingkan dengan ragam dugaan jika jumlah panen setiap petani sebanyak 12 kali. Ragam dugaan berkisa antara 0.4 – 8.2 ton/ha dengan bias yang berkisar antara 5.1 – 6 ton/ha. Perbandingan Dugaan Produktivitas Menggunakan Seluruh Waktu Panen dengan Waktu Panen Tertentu Ragam dugaan produktivitas menggunakan seluruh waktu panen lebih kecil dibandingkan dengan pendugaan dengan menggunakan waktu panen tertentu. Ragam nilai tengah dugaan produktivitas dengan menggunakan seluruh waktu panen pada ukuran contoh 10 sebesar 0.78 ton/ha sedangkan jika menggunakan satu kali panen dan diketahui jumlah panennya sebesar 1.71 ton/ha. Untuk kondisi jumlah panen sebanyak 10 kali memiliki ragam sebesar 5.73 ton/ha, sedangkan jika jumlah panen sebanyak 12 kali adalah 8.26 ton/ha. 1.80 1.60 ragam (ton/ha)

1.40 1.20 1.00

seluruh

0.80

satu kali

0.60

dua kali

0.40

tiga kali

0.20 0.00 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 13 Ragam nilai tengah dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diketahui Ragam nilai tengah dugaan jka menggunakan dua kali panen dan diketahui jumlah panennya sebesar 1.12 ton/ha sedangkan pada

kondisi jumlah panen

sebanyak 10 kali ragam dugaan sebesar 3.70 ton/ha dan pada pengukuran jika jumlah panen petani sebanyak 12 kali adalah 5.38 ton/ha. Ragam nilai tengah

35

dugaan jka menggunakan tiga kali panen dan diketahui jumlah panennya sebesar 0.92 ton/ha sedangkan pada kondisi jumlah panen petani sebanyak 10 kali sebesar 3.24 ton/ha dan jika jumlah panen petani sebanyak 12 kali adalah 4.73 ton/ha. Gambar 13 menunjukkan bahwa semakin besar ukuran contoh maka keragaman akan semakin menurun. Penurunan terbesar terjadi pada pengambilan contoh berukuran 30. Selisih ragam dugaan menggunakan satu kali waktu panen terhadap seluruh waktu panen cukup besar dibandingkan dengan dua dan tiga kali panen. pada Gambar 13 terlihat ragam dugaan pada ukuran contoh 90 dengan tiga kali waktu panen nilainya sangat dekat sekali dengan ragam produktivitas seluruh waktu panen. 30.00 25.00

RSE (%)

20.00 seluruh

15.00

satu kali

10.00

dua kali tiga kali

5.00 0.00 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 14 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diketahui Pada Gambar 14 terlihat bahwa selisih RSE antara pengukuran satu kali panen dengan seluruh waktu panen cukup besar dibandingkan dengan dua kali dan tiga kali panen. RSE tertinggi pada pengukuran menggunakan satu kali panen yaitu sebesar 27.85 % sedangkan terendah pada pengukuran tiga kali panen yaitu sebesar 6.15 %. RSE akan semakin kecil saat ukuran contoh yang diambil bertambah. Gambar 15 memperlihatkan ragam dugaan produktivitas menggunakan seluruh waktu panen dan jika jumlah panen petani sebanyak 10 kali. ragam terbesar pada contoh berukuran 10. Selisih terbesar terlihat pada pendugaan

36

dengan menggunakan satu kali panen. Selisih ragam dugaan pada pengukuran dengan menggunakan dua kali dan tiga kali panen cukup kecil dan cenderung hampir sama mulai dari pengambilan contoh berukuran 50. Kecenderungan yang sama juga diperlihatkan pada nilai RSE dugaan. Gambar 16 memperlihatkan bahwa RSE pada pengukuran dengan menggunakan dua kali dan tiga kali panen cenderung sama. 7.00

ragam (ton/ha)

6.00 5.00 4.00

seluruh

3.00

satu kali dua kali

2.00

tiga kali 1.00 0.00 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 15 Ragam nilai tengah dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali 30 25

RSE (%)

20 seluruh

15

satu kali

10

dua kali tiga kali

5 0 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 16 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali

37

Perbandingan ragam dugaan produktivitas menggunakan seluruh waktu panen dengan menggunakan asumsi jika jumlah panen petani sebanyak 12 kali menunjukkan pola yang hampir sama dengan jika diasumsikan panen sebanyak 10 kali. Selisih ragam terbesar pada pengambilan satu kali panen (Gambar 17). Gambar 17 memperlihatkan selisih nilai ragam yang sangat kecil pada pengambilan tiga kali panen terjadi mulai dari pengambilan contoh berukuran 50. Ragam dugaan akan mengalami cenderung menurun seiring dengan penambahan ukuran contoh yang diambil. Gambar 18 memperlihatkan nilai RSE dugaan pada pengambilan dua kali dan tiga kali panen hampir sama. terlihat dari garis nilai RSE yang saling berhimpit mulai dari pengambilan contoh berukuran 10. 9.00 8.00 ragam (ton/ha)

7.00 6.00 5.00

seluruh

4.00

satu kali

3.00

dua kali

2.00

tiga kali

1.00 0.00 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 17 Ragam nilai tengah dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 12 kali

38

30 25

RSE (%)

20 seluruh

15

satu kali

10

dua kali tiga kali

5 0 0

10 20 30 40 50 60 70 80 90 100 110 120 ukuran contoh

Gambar 18 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 12 kali

39

SIMPULAN DAN SARAN Simpulan Produktivitas cabai di satu daerah memiliki ploa yang berbeda-beda. Pada Kabupaten Cianjur pola produktivitas dapat dikelompokkan menjadi enam kelompok. Pengelompokan dilakukan berdasarkan karakteristik yang ada pada plot contoh, yaitu jenis cabai, varietas, cara tanam, teknik perawatan dan lokasi/wilayah. Kesalahan (error) dalam pengumpulan data produktivitas di lapangan menyebabkan ketidakakuratan data yang diperoleh. Error yang terjadi pada pengumpulan data di lapanagan disebabkan antara lain adalah proses listing, penentuan plot contoh di lapangan yang masih bersifat subjektif serta pengukuran produksi pada ubinan yang tidak sesuai dengan aturan yang ditentukan. Produktivitas cabai di Kabupaten Cianjur pada tri wulan II sebesar 4.667 ton/ha. Pendugaan produktivitas dengan menggunakan seluruh waktu panen berbias dan memiliki kecenderungan yang relatif kecil berkisar antara 0.03 sampai 0.06 ton/ha untuk setiap panen. Pendugaan produkivitas cabai dapat dilakukan dengan mengurangi pengamatan waktu panen di lapangan, namun pendugaan yang dilakukan memerlukan informasi jumlah dan waktu panen petani. Pendugaan menggunakan dua kali panen dengan contoh berukuran 50 manghasilkan ragam, bias dan RSE yang kecil dan mendekati nilai dugaan dengan menggunakan seluruh waktu panen. Saran Penelitian ini dapat ditindaklanjuti dengan menduga produktivitas total pada cakupan yang lebih luas lagi yaitu tingkat propinsi dengan pengambilan contoh yang berbeda pada setiap tri wulan.

xl

xli

.DAFTAR PUSTAKA [BPS dan Deptan] Badan Pusat Statistik dan Departemen Pertanian. 2003. Buku Pedoman Pengumpulan Data Tanaman Pangan dan Hortikultura 2003. Jakarta: BPS dan Deptan. [Deptan] Departemen Pertanian, Pusat Data dan Informasi Pertanian. 2012. Buku Pedoman Pengumpulan Data Tanaman Pangan dan Hortikultura 2012. Jakarta:, Deptan. [BPS] Badan Pusat Statistik. 2011. Laporan Data Bulanan Sosial Ekonomi. Edisi ke-9, Jakarta: BPS. Draper NR and Smith H.1980. Applied Regression Analysis. Edisi ke-2. New York: John Wiley & Sons, Inc. Levy PS and Lemeshow S. 1999. Sampling of Population Methods and Aplications. Edisi ke-3. New York: John Wiley & Sons, Inc.. Myers RH. 1989. Classical and Modern Regression with Aplications. Edisi ke-2. . Boston: PWS-KENT Publising Company. Monthgomery DC and Peck EA.1991. Introduction To Linear Regression Analysis. Edisi ke-2. New York: John Wiley & Sons, Inc. Neter J, Wasserman W, and Kutner MH. 1990. Applied Linear Statistical Models. Edisi ke-3 Tokyo: Toppan Company, LTD. Sari RM. 2009. Resiko Harga Cabai Merah Keriting dan Cabai Merah Besar di Indonesia [skripsi]. Bogor: Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Scheaffer RL, Mendenhall W, Ott L. 1990. Elementary Survey Sampling. Edisi ke-4. Boston: PWS- KENT Publishing Company. Setiadi 2008. Bertanam Cabai. Cetakan ke-25. Jakarta: Penebar Swadaya. Susmayasanti LA. 2003. Penentuan Ukuran Rumpun Optimum Untuk Menduga Produktivitas Tanaman Kentang [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Waryanto B. 2005. Reduksi Frekuensi Pengumpulan Data dalam Pendugaan Produksi Tomat dengan Regresi Polinomial [tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.

42 Wijayanto H. 2005. Pendekatan Kemungkinan Maksimun dan Bayes Untuk Pendugaan Produktivitas Komoditas Hortikultura [disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Zulhaedar F. 2012. Pentingnya Komoditas Hortikultura sebagai Bahan Pangan. [terhubung berkala]. http://ntb.litbang.deptan.go.id.html [8 Mei 2012].

43

LAMPIRAN

44

45

Lampiran 1 Data produksi (kg) dan luas ubinan (m2) plot contoh Panen keKelompok

Plot 1 2 3 5 6 18

1 0.25 0.69 0.7 1.28 0.7 0.7

2 0.25 1.035 1.225 1.4 1.4 0.9

3 0.5 1.55 1.66 1.25 1.75 1.8

4 1.05 1.275 1.32 1.125 1.05 2

5 0.76 0.68 0.67 0.8 0.7 2.6

4 14 17 21

0.75 0.65 0.1 0.5

1.1 0.8 0.275 0.6

1.44 1.25 0.625 0.7

2.2

2.94

0.75 1

11 9

1.7 2.5

2.5 9

4 17

5 12

8 6

12 13 15

0.15 0.11 0.2

0.2 0.13 0.25

0.2 0.15 0.35

0.5 0.3 0.325

0.3 0.8 0.8

5

8 20

0.35 0.15

0.4 0.175

0.6 0.2

0.85 0.2

1.3 0.21

6

7 16

0.12 0.5

0.12 0.5

0.122 0.7

0.2 0.7

0.21 1

1

2

3

4

6 7 0.75 0.755 0.67 0.68 0.68 0.675 0.64 0.65 0.72 0.36 1.5 1.2 Rata-rata 3.34 3.34

Rata-rata 15 10 Rata-rata 0.2 0.5 0.7 1.5 0.65 0.53 Rata-rata 1.5 1 0.3 0.5 Rata-rata 0.21 0.15 1 1 Rata-rata

8 0.26 0.335 0.33

9 0.325 0.345 0.34

10 0.26

11 0.255

12 0.25

13 0.13

0.35 1

0.36 0.97

0.35 0.865

0.365 0.85

0.96

0.63

3.35

3.87

11

20

25

20

0.6 0.16

0.5 0.175

0.1

0.8

0.78 0.2

0.25

Total produksi (ton/ha) 5.795 7.26 7.6 7.145 8.105 15.975 8.6467 22.33 2.7 1.75 2.8 7.395 122.2 46.5 84.35 2.05 4.49 3.105 3.215 7.88 2.37 5.125 1.132 5.65 3.391

Luas Ubinan ( ) 11.67 9.88 10.33 11.73 8.68 10.88 10.5283 7.16 10.46 12.07 5.28 8.7425 9.23 12.08 10.655 6.73 6.73 4.16 5.8733 6.9 8.4 7.65 5.28 16.65 10.965

46

Lampiran 2 Data produktivitas (ton/ha) plot contoh

Plot Contoh 1 2 3 5 6 18 4 14 17 21 11 9 12 13 15 8 20 7 16

1 0.21422 0.69838 0.67764 1.09122 0.59676 0.59676 1.04749 0.90782 0.13966 0.69832 1.84182 2.70856 0.22288 0.16345 0.29718 0.50725 0.21739 0.22727 0.94697

2 0.21422 1.04757 1.18587 1.19352 1.19352 0.76726 1.53631 1.11732 0.38408 0.83799 2.70856 9.75081 0.29718 0.19316 0.37147 0.57971 0.25362 0.22727 0.94697

3 0.42845 1.56883 1.60697 1.06564 1.4919 1.53453 2.01117 1.74581 0.87291 0.97765 4.33369 18.4182 0.29718 0.22288 0.52006 0.86957 0.28986 0.23106 1.32576

Panen ke7 8 0.64696 0.22279 0.68826 0.33907 0.65344 0.31946 0.55413 0.30691 0.29838 1.02302 0.85251 4.6648 4.67877

Total produktivitas (ton/ha)

4 0.89974 1.29049 1.27783 0.95908 0.89514 1.70503 3.07263

5 0.65124 0.68826 0.6486 0.68201 0.59676 2.21654 4.10615

6 0.64267 0.67814 0.65828 0.54561 0.61381 1.27877 4.6648

1.04749 1.39665 5.41712 13.0011 0.74294 0.44577 0.48291 1.23188 0.28986 0.37879 1.32576

8.66739 6.50054 0.44577 1.18871 1.18871 1.88406 0.30435 0.39773 1.89394

16.2514 10.8342 11.9177 21.6685 27.0856 21.6685 0.29718 1.04012 0.96582 2.17391 0.43478 0.39773 1.89394

0.74294 2.22883 0.78752 1.44928 0.72464 0.28409 1.89394

9 10 11 12 0.27849 0.22279 0.21851 0.21422 0.34919 0.32914 0.30691 0.29838 0.31117 0.82694 0.73743 0.72464 0.81841 5.40503

1.18871 1.13043 0.86957 0.72464 0.28986 0.23188 0.25362 0.14493 0.47348

13 0.1114

0.53708

4.96572 7.34818 7.35721 6.09122 6.90963 13.6189 31.1872 3.77095 2.44413 3.91061 132.394 50.3792 3.04606 6.67162 4.61367 11.4203 3.43478 2.14394 10.7008

47

Lampiran 3 Sebaran produtivitas plot contoh

48

Lampiran 4 Pencocokan model kelompok contoh Kelompok

Ukuran

1

R-Square MSE R-Square MSE R-Square MSE R-Square MSE R-Square MSE R-Square MSE

2 3 4 5 6

Logaritma Invers 0.374 0.108 0.066 0.094 0.844 0.615 0.633 1.565 0.674 0.489 20.693 32.429 0.789 0.559 0.04 0.084 0.025 0.099 0.136 0.126 0.214 0.242 0.067 0.065

Model Pangkat Eksponensial

Kuadratik

Kubik

Logistik

0.586

0.819

0.435

0.653

0.611

0.048 0.917 0.396 0.78 15.73 0.907 0.021 0.821 0.028 0.625 0.039

0.023 0.944 0.317 0.786 17.476 0.923 0.022 0.825 0.031 0.961 0.005

0.122 0.926 0.052 0.832 0.091 0.899 0.051 0.002 0.427 0.163 0.115

0.075 0.886 0.081 0.744 0.139 0.929 0.036 0.042 0.41 0.067 0.128

0.212 0.957 0.177 0.702 0.795 0.929 0.081 0.026 0.876 0.093 0.355

Gompertz 597 0.047 0.942 0.274 0.773 16.033 0.915 0.02 0.158 0.132 0.293 0.073

Weibull Gauss 0.596 0.659 0.052 0.04 0.979 0.943 0.117 0.269 0.782 0.78 17.815 15.703 0.922 0.919 0.022 0.019 0.193 0.914 0.145 0.013 0.363 0.696 0.082 0.031

49

Lampiran 5 Program R untuk membangkitkan data produktivitas populasi simPanen<-function(N) { byk.panen<-c(10,5,7,11,9); stdev<-c(0.15, 0.15, 0.15, 0.15, 0.15); N1<-round(0.36*N); N2<-round(0.24*N); N3<-round(0.18*N); N4<-round(0.11*N); N5<-round(0.11*N); Ni<-c(N1,N2,N3,N4,N5) set.seed(873) #membangkitkan nilai y for (kel in 1:5) { x<-1:byk.panen[kel] e<-rnorm(Ni[kel]*byk.panen[kel],0,stdev[kel]); dim(e)(2*byk.panen[kel])) tempdata[awal[p]:(2*byk.panen[kel]),p]<-1 } slotdata[1:byk.panen[kel],]
50

} if (slotdata[byk.panen[kel],i]==1) { a=byk.panen[kel]+1; b=sudahpanen[i]; c=(a+byk.panen[kel]-b-1); slotdata[a:c,i]<-1; c=c+1; d=c+12-1; while (is.na(slotdata[(12*4),i])) { if (d
51

if (kel==1) populasi[,1:Ni[1]]<-slotdata; if (kel==2) populasi[,(Ni[1]+1):sum(Ni[1:2])]<-slotdata; if (kel==3) populasi[,(sum(Ni[1:2])+1):sum(Ni[1:3])]<-slotdata; if (kel==4) populasi[,(sum(Ni[1:3])+1):sum(Ni[1:4])]<-slotdata; if (kel==5) populasi[,(sum(Ni[1:4])+1):sum(Ni[1:5])]<-slotdata; } hasil<-list(sampel=Ni, triwulan1=populasi[1:12,],triwulan2=populasi[13:24,],triwulan3=populasi[25:36,] ,triwulan4=populasi[37:48,]) return(hasil) }

52

Lampiran 6 Program R untuk pendugaan produktivitas menggunakan seluruh waktu panen data<-read.table("D:/MY THESIS/lima30.csv",header=TRUE,sep=",") B<-100 ####ulangan resampling### n<-10 ###ukuran resampling### m<-ncol(data) ###banyaknya petani### petani<-c(1:m) panen<-nrow(data) ###frekuensi panen### rataan.asli<-sum(colSums(data))/length(jml.panen[jml.panen>0]) #untuk resampling## indeks.samp<-sample(petani,n,replace=FALSE) samp<-data[,indeks.samp] sum.col<-colSums(samp) mean<-mean(sum.col) for (kolom in 1:ncol(data)) { counter=0 for (baris in 1:nrow(data)) { if (data[baris,kolom]!=0) counter=counter+1 } jml.panen[kolom]<-counter }

##looping untuk resampling sebanyak B# rataan.resampling<-numeric(B) set.seed(45) for (i in 1:B) { indeks.samp<-sample(petani,n,replace=FALSE) samp<-data[,indeks.samp] jml.panen.samp<-jml.panen[indeks.samp] for (l in 1:n) { while (jml.panen.samp[l]==0) {indeks.samp[l]<-sample(petani,1,replace=T) samp[,l]<-data[,indeks.samp[l]] jml.panen.samp[l]<-jml.panen[indeks.samp[l]]} } sum.col<-colSums(samp) mean<-mean(sum.col) rataan.resampling[i]<-mean } #rataan.resampling

53

mean(rataan.resampling) var(rataan.resampling) bias<-abs(mean(rataan.resampling)-rataan.asli) bias

54

Lampiran 7 Program R untuk pendugaan produktivitas berdasarkan waktu panen tertentu data<-read.table("D:/MY THESIS/lima.csv",header=TRUE,sep=",") B<-100 ####ulangan resampling### n<-10 ###ukuran resampling### maks.frek<-3 #banyak sampel panen maksimum yang diresampling# m<-ncol(data) ###banyaknya petani### petani<-c(1:m) panen<-nrow(data) ###frekuensi panen### rataan.asli<-sum(colSums(data))/length(jml.panen[jml.panen>0]) jml.panen<-numeric(ncol(data)) #buat ngitung jumlah panen oleh petani satu triwulan for (kolom in 1:ncol(data)) { counter=0 for (baris in 1:nrow(data)) { if (data[baris,kolom]!=0) counter=counter+1 } jml.panen[kolom]<-counter } hasil<-matrix(nrow=maks.frek,ncol=3); c("rataan","bias","ragam"); indeks.samp<-sample(petani,n,replace=FALSE) indeks.petani<-matrix(nrow=n,ncol=B) rataan.resampling<-numeric(B) #rataan.terboboti<-numeric(B) set.seed(4)

colnames(hasil)<-

for (i in 1:B) #menentukan petani yang dijadikan sample sebanyak B ulangan { indeks.samp<-sample(petani,n,replace=FALSE) samp<-data[,indeks.samp] jml.panen.samp<-jml.panen[indeks.samp] for (l in 1:n) { while (jml.panen.samp[l]==0) {indeks.samp[l]<-sample(petani,1,replace=T) samp[,l]<-data[,indeks.samp[l]] jml.panen.samp[l]<-jml.panen[indeks.samp[l]]} } indeks.petani[,i]<-indeks.samp }

55

for (frek in 1:maks.frek) #resampling untuk panen dengan frek.panen 1 sampai maks.frek { samp.panen<-matrix(nrow=frek,ncol=n) for (i in 1:B) { samp<-data[,indeks.petani[,i]] jml.panen.samp<-jml.panen[indeks.petani[,i]] indeks.panen<-numeric(frek) total.petani<-numeric(n) for (c in 1:n) { ada<-numeric(nrow(samp)) counter=1 for (r in 1:nrow(samp)) { if (samp[r,c]>0) ada[r]<-counter counter=counter+1 } adapanen<-ada[ada>0] if (jml.panen.samp[c]=frek) { indeks.panen<-sample(adapanen,frek,replace=F) samp.panen[,c]<-samp[indeks.panen,c] total.petani[c]<jml.panen.samp[c]*mean(samp.panen[,c]) } } rataan.resampling[i]<-mean(total.petani) } hasil[frek,1]<-mean(rataan.resampling) hasil[frek,2]<-abs(hasil[frek,1]-rataan.asli) hasil[frek,3]<-var(rataan.resampling) } hasil

PENDUGAAN PRODUKTIVITAS CABAI BERDASARKAN POLA PANEN UNTUK WILAYAH KABUPATEN CIANJUR SRI WAHYUNI

Recommend Documents