PERENCANAAN POLA TANAM TANAMAN PANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Syaharuddin1), Mohammad Isa Irawan2) 1) Mahasiswa Magister Jurusan Matematika FMIPA ITS Surabaya
[email protected] 2) Dosen Jurusan Matematika FMIPA ITS Surabaya
[email protected] Abstrak Pola tanam adalah pengaturan penjadwalan waktu bercocok tanam pada sebidang lahan selama periode tertentu (selama 1 tahun) termasuk tanah kosong. Data yang dibutuhkan dalam membuat perencanaan pola tanam meliputi data hidrologi (data curah hujan), data klimatologi (data suhu, data kelembaban udara, data kecepatan angin, dan data lama penyinaran matahari), data tamanam yang akan ditanam (nilai koefisien tanaman, tingkat produktivitas dan harga jual), dan data luas lahan tanam daerah tersebut. Oleh karena itu, diperlukan suatu metode yang bisa digunakan untuk memprediksi curah hujan, temperatur, kecepatan angin, penyinaran matahari, dan kelembaban udara. Metode yang digunakan untuk melakukan prediksi adalah Jaringan Syaraf Tiruan (JST) Backpropagation. Hasil prediksi oleh JST akan digunakan untuk menentukan kebutuhan air tanaman minimal, kemudian dikaitkan dengan lama tanam (umur) masing-masing tanaman pangan untuk dibuatkan rancangan pola tanam. Kemudian rancangan pola tanam tersebut dioptimasi agar diperoleh pendapatan maksimum dengan biaya minimum. Perencanaan pola tanam optimal akan menghindarkan tanaman pertanian dari gagal panen (puso) serta diperoleh hasil produksi maksimal sehingga mampu menunjang ketahahan pangan nasional. Berdasarkan hasil simulasi diketahui bahwa JST Backpropagation dengan dua layar hidden mampu memprediksi data hidroklimatologi yang terdiri dari data curah hujan, data suhu, data kelembaban udara, data kecepatan angin, dan data lama penyinaran matahari dengan tingkat akurasi rata-rata sebesar 95,72% - 96,61%. Sedangkan pada validasi prediksi diperoleh presentase error rata-rata sebesar 1,12% dengan tingkat akurasi mencapai 99,76%. Kemudian dari hasil optimasi perencanaan pola tanam di Pulau Lombok pada musim tanam Maret 2013-Pebruari 2014 terjadi proyeksi keuntungan di masing-masing kabupaten/kota yakni di Lombok Timur meningkat 2,02%, Lombok Tengah meningkat 16,88%, Lombok Barat meningkat 20,23%, Lombok Utara meningkat 21,89%, dan Mataram meningkat 5,58%. Secara keseluruhan terjadi peningkatan rata-rata sebesar 13,3% dari tahun sebelumnya. Kata Kunci: Tanaman Pangan, Curah Hujan, Jaringan Syaraf Tiruan Backpropagation, Optimasi.
1. PENDAHULUAN Pola tanam adalah pengaturan penjadwalan waktu bercocok tanam pada sebidang lahan selama periode tertentu (selama 1 tahun) termasuk tanah kosong. Data yang dibutuhkan dalam membuat perencanaan pola tanam meliputi data hidrologi (data curah hujan), data klimatologi (data suhu, data kelembaban udara, data kecepatan angin, dan data lama penyinaran matahari), data tamanam yang akan ditanam (nilai koefisien tanaman, tingkat produktivitas dan harga jual), dan data luas lahan tanam daerah tersebut. Perencanaan pola tanam perlu dilakukan agar tanaman pertanian terhindar dari kekeringan atau kebanjiran yang akan berakibat pada gagal panen (puso) sehingga diperoleh hasil produksi tani yang maksimal, berkualitas dan bermutu. Di samping itu juga, perencanaan pola tanam bertujuan untuk menentukan jumlah pupuk dan bibit yang akan didistribusikan kepada kelompok tani pada daerah tertentu setiap musim tanam selama setahun. Menurut laporan Badan Pusat Statistika (BPS) Provinsi NTB, selama sembilan tahun terakhir (2004-2012) ini peningkatan produktivitas tanaman pangan tidak signifikan bahkan menurun baik pada luas lahan panen (ha) maupun jumlah produksi (ton). Hal ini disebabkan oleh terjadinya perubahan dan pergeseran musim (Nandini, 2011). Salah satu indikator utama pergeseran musim adalah pola curah hujan yang tidak menentu. Fenomena ini membuat para petani di NTB kesulitan dalam menentukan pola tanam baik tanaman pangan maupun hortikultura. 1
Oleh sebab itu, perlu adanya kajian atau penelitian tentang perencanaan pola tanam tanaman pangan sebagai metode untuk mengantisipasi perubahan iklim agar hasil produksi tetap maksimal dan berkelanjutan. Sebagai langkah awal adalah melakukan prediksi terhadap data hidroklimatologi untuk masa mendatang. Salah satu metode yang baik dalam memprediksi data time series untuk masa mendatang adalah Jaringan Syaraf Tiruan (JST) atau sering dikenal Artificial Neural Networks (Herbert, 2011). JST dibentuk untuk memecahkan suatu masalah tertentu seperti prediksi, pengenalan pola atau klasifikasi melalui proses pembelajaran (Nurkhozin, 2011). Salah satu algoritma JST paling popular adalah Backpropagation. JST sangat baik dan memiliki keakuratan yang sangat tinggi dalam memprediksi data time series (Sumadi, 2007). Darojah (2005), menerangkan bahwa JST Backpropagation dengan dua layar hidden mampu memberikan hasil prediksi lebih baik dan cepat dengan menggunakan satu layer hidden. Kemudian Nastos (2011), melakukan penelitian membangun model prediksi untuk memperkirakan intensitas curah hujan (mm/hari) di Athena, Yunani. Hasil penelitian menerangkan bahwa Artificial Neural Networks (ANN) sangat baik dan handal dalam melakukan prediksi data curah hujan ke depan dan hasilnya sangat memuaskan dengan melakukan evaluasi terhadap jaringan menggunakan Mean Absolute Error (MAE), Mean Bias Error (MBE), Root Mean Square Error (RMSE), Coefficient of Determination (R2), dan Index of Agreement (IA). Hasil prediksi tersebut digunakan untuk menentukan curah hujan efektif, evapotranspirasi, dan kebutuhan air tanaman minimal. Selanjutnya, optimasi pendapatan dan biaya produksi menggunakan luas lahan tanam dilakukan untuk memperoleh pendapatan maksimum dengan biaya minimum. Hasil optimasi dengan keuntungan (laba) terbesar dan kebutuhan air minimal akan direkomendasikan sebagai pola tanam yang harus diterapkan oleh para petani pada musim tanam berikutnya. Perencanaan pola ini diharapkan dapat digunakan sebagai bahan pertimbangan dalam sistem pengambilam keputusan pola tanam tanaman pangan yang baik, tepat, dan optimal, serta dapat digunakan sebagai bahan acuan dalam pendistribusian pupuk dan bibit tanaman pangan kepada kelompok tani di masing-masing daerah di Pulau Lombok NTB. 2. KAJIAN PUSTAKA a. Tanaman Pangan Tanaman pangan adalah segala jenis tanaman yang dapat menghasilkan karbohidrat dan protein. Tanaman pangan dibagi dalam 3 (tiga) kelompok besar yakni padi, palawija dan kacang-kacangan. Tamanan pangan pada umumnya merupakan tanaman semusim misalnya padi, jagung, kedelai, kacang hijau, kacang tanah, ubi kayu, dan ubi jalar namun ada beberapa tanaman pangan yang merupakan tanaman tahunan misalnya tanaman sukun dan sagu (Nugraha, 2009). b. Curah Hujan Adapun sifat hujan dibagi menjadi tiga kriteria yaitu (1) Atas Normal (AN) jika nilai perbandingan jumlah curah hujan selama 1 bulan terhadap rata ratanya (rata-rata 30 tahun) > 115 %, (2) Normal (N) jika nilai perbandingan jumlah curah hujan selama 1 bulan terhadap rata ratanya (rata-rata 30 tahun) antara 85 – 115 %, dan (3) Bawah Normal (BN) jika nilai perbandingan jumlah curah hujan selama 1 bulan terhadap rata ratanya (rata-rata 30 tahun) < 85 %. Di samping itu juga, berdasarkan volume curah hujan bulanan, bulan dikategorikan menjadi 3 macam yakni (1) Bulan Basah (BB), jika selama 1 (satu) bulan curah hujan > 100 mm, (2) Bulan Lembab (BL), jika selama 1 (satu) bulan curah hujan antara 60-100 mm, dan (3) Bulan Kering (BK), jika selama 1 (satu) bulan curah hujan < 60 mm.
2
Dari kategori di atas, maka oleh Schmidt-Ferguson (1951) dalam Nandini (2011) mengklafisikasikan tipe iklim disesuaikan dengan nilai Q yang diperoleh dengan persamaan. BK (1) Q 100% BB
Tabel 1. Klasifikasi Tipe Iklim Berdasarkan Curah Hujan Bulanan Tipe Iklim Nilai Q (%) Kategori Daerah A < 14,3 Sangat basah B 14,3 – 33,3 Basah C 33,3 – 60,0 Agak basah D 60,0 – 100,0 Sedang E 100,0 – 167,0 Agak kering F 167,0 – 300,0 Kering G 300,0 – 700,0 Sangat kering H > 700,0 Luar biasa kering c. Kebutuhan Air Irigasi (Kebutuhan Air Tanaman Pangan) Perhitungan kebutuhan air irigasi diperoleh dari besar laju perlokasi air tanah (P), evaporasi (Ea, Ep dan Eo), evapotranspirasi (Eto dan Etc), kebutuhan air pengolahan lahan (IR-300 dan IR-200), curah hujan efektif (Reff), pergantian air lapisan (WLR), dan efisiensi irigasi (Soemarto, 1999). Dimana semua variabel ini diperoleh dari perhitungan menggunakan data hasil prediksi curah hujan, suhu, kelembaban udara, kecepatan angin, dan lama penyinaran matahari. 1) Evaporasi Dalam menentukan besarnya evaporasi digunakan metode Penman (1948) dalam Soemarto (1999), yakni. Ea 0,35es ea 0,5 0,54u (2) Nilai es diperoleh tergantung dari nilai suhu suatu daerah. Sedangkan nilai ea diperoleh dengan mengalikan kelembaban relatif (h) dengan es ea h es . Kemudian u adalah kecepatan angin (m/s). 2) Evapotranspirasi Besarnya evapotranspirasi dipengaruhi oleh radiasi, kemiringan kurva takanan uap jenuh, dan evaporasi (Soemarto, 1999). a) Radiasi (R, Ra, Rb, Rc, R1) m 4 (3) Rb 117,4 10 9 Ta 0,47 0,77 ea 0,20 0,8 100 dengan Ta 273,3 T Kemudian nilai Rc diperoleh. m (4) Rc Ra a b 100 dimana a 0,28, b 0,48, Ra 949 Nilai Rc pada persamaan 4 digunakan untuk menentukan nilai R1, sehingga diperoleh, R1 Rc 1 r (5) dengan r = 0,25.
3
Kemudian nilai Rb pada persamaan 3 dan R1 pada persamaan untuk menentukan nilai R, maka diperoleh, R R1 Rb b) Kemiringan Kurva Tekanan Uap Jenuh 17, 27T 4098 0,6108e T 237,3 2 T 273,3 c) Evapotranspirasi (Ep, Eto) Menggunakan persamaan 2, 6, dan 7 kita peroleh nilai Ep, R 60 E a Ep dengan 0,49 . Dari persamaan 13 kita peroleh nilai Eto, Et o K p . E p
5 digunakan (6)
(7)
(8)
(9)
dengan K p 0,85 d) Evaporasi Air Terbuang (Eo) Dari persamaan 9 kita peroleh, (10) Eo 1,1 Et o Selanjutnya, dengan menggunakan persamaan 10, kita peroleh besarnya evapotranspirasi rumus Penman (1948) dalam Soemarto (1999), yakni, Et c K c .Et o (11) 3) Kebutuhan Air Pengolahan Besarnya kebutuhan air pada saat pengolahan tanah dapat dihitung dengan menggunakan metode yang dikembangkan oleh Van de Goordan Zilstra (1968) dalam Triatmodjo (2006). Nilai IR ditentukan menggunakan persamaan 10, sehingga diperoleh. Me k IR k (12) e 1 MT dengan k , M Eo P , e 2,7182 , S = 250 atau 300 dan P = 3. S 4) Curah Hujan Efektif Curah hujan efektif yaitu besarnya curah hujan yang jatuh pada suatu areal pertanian yang hanya sebagian saja yang dapat dimanfaatkan/diserap oleh tanaman untuk memenuhi kebutuhan selama masa pertumbuhannya. Menurut Direktorat Jenderal Pengairan (1986) besarnya curah hujan efektif ditentukan dengan 70% dari curah hujan andalan (R80) untuk padi dan (R50) untuk palawija. Adapun langkah dalam menentukan curah hujan efektif sebagai berikut. a. Menentukan Curah Hujan Rerata R R2 R3 ... Rn (13) R 1 n b. Menentukan Curah Hujan Andalan N 1) Untuk Tanaman Padi: (14) R80 1 5 N 2) Untuk Tanaman Palawija: R50 1 (15) 2 c. Menentukan Curah Hujan Efektif (Reff) 4
R80 (16) 15 R (17) 2) Untuk Tanaman Palawija: Reff 0,7 50 15 Berdasarkan persamaan 11 dan 17, maka diperoleh persamaan untuk menentukan kebutuhan air irigasi berikut ini. 1) Kebutuhan Air untuk Tanaman Padi (18) NFR Et c P Reff WLR 2) Kebutuhan Air untuk Tanaman Palawija (19) NFR Et c P Reff Sedangkan pengambilan keputusan kebutuhan air tanaman yang diambil dari waduk atau bendungan merupakan perbandingan antara kebutuhan air (NFR) dengan efisiensi kebutuhan air tanaman. Sehingga dengan menggunakan persamaan 18 (untuk tanaman padi) diperoleh persamaan. Et P Reff WLR NFR (20) DR c E 8,64 0,65 8,64 1) Untuk Tanaman Padi:
Reff 0,7
d. Peramalan Data Time series Menggunakan Jaringan Syaraf Tiruan 1) Jenis-jenis Peramalan Menggunakan JST Adapun forcasting data time series dengan ANN terdiri dari dua jenis yakni: Short term prediction: yk NN yk 1 , yk 2 , yk 3 , ... (21) Long term prediction: yk 1 NN yk , yk 1 , yk 2 , yk 3 , ... (22) Dalam penelitian ini y k adalah data hasil prediksi tahun 2013 menggunakan data tahun 1983 – 2012, sedangkan y k 1 adalah data hasil prediksi tahun 2014 menggunakan data tahun 1983 – 2012 dan data hasil prediksi tahun 2013. 2) Evaluasi Hasil Prediksi Untuk menguji kebenaran ramalan atau evaluasi dari hasil prediksi ini digunakan ketepatan ramalan. Wilmott (1982) dalam Nastos (2011), memberikan beberapa kriteria yang digunakan untuk mengevaluasi hasil prediksi yakni Mean Absolute Error (MAE), Mean Bias Error (MBE), Mean Square Error (MSE), Root Mean Square Error (RMSE), Coefficient of Determination (R2), dan Index of Agreement (IA). e. Optimasi Hasil Usaha Tani Optimasi terhadap rancangan pola tanam perlu dilakukan agar diperoleh pola tanam terbaik dengan biaya minimum dan keuntungan yang maksimum. Metode yang sering digunakan dalam analisis usaha tani adalah Linear Programming (LP) dengan memperhatikan penggunaan atau alokasi yang efisien dari sumber daya yang terbatas untuk mencapai tujuan yang diinginkan (Soekartiwi, 1995). Jasbir (2004) memberikan definisi standar LP sebagai berikut. 1) Fungsi Tujuan n
Z j c1 x1 c2 x2 c3 x3 ... cn xn c j x j j 1
2) Fungsi Kendala (Faktor Pembatas) Maksimumkan:
5
(23)
a11x1 a12 x2 a13 x3 ... a1n xn b1
a21x1 a22 x2 a23 x3 ... a2 n xn b2 n aij x j bi j 1 am1 x1 am 2 x2 am3 x3 ... amn xn bm Minimumkan: a11x1 a12 x2 a13 x3 ... a1n xn b1 a21x1 a22 x2 a23 x3 ... a2 n xn b2 n aij x j bi j 1 am1 x1 am 2 x2 am3 x3 ... amn xn bm 3) Syarat (Asumsi) x1 , x2 , x3 , xn 0
b1 , b2 , b3 , bm 0 Dari definisi di atas, maka dapat diidentifikasi indikator dari optimasi pola tanam (usaha tani) sebagai berikut. 1) Variabel penentu (terkait) Adapun variabel penentu dalam optimasi pola tanam dibagi menjadi dua, yakni: a) Variabel terikat, yakni pendapatan (Z1), biaya produksi (Z2), dan keuntungan (ZT). b) Variabel bebas, yakni jenis tanaman X1, X2, …, X7 berturut-turut padi, jagung, kedelai, kacang tanah, kacang hijau, ubi jalar, dan ubi kayu, jumlah produksi (J1, J2, …, J7), harga jual per kg (H1, H2, …, H7), biaya produksi (B1, B2 ,…, B7) yang terdiri dari biaya benih, pengairan, pupuk, bajak (mesin traktor), pestisida (insektisida dan fungisida), tenaga kerja (penanaman, perawatan, panen, dan sebagainya), luas lahan masing-masing tanaman (L1, L2, …, L7), dan luas maksimum lahan (L). 2) Fungsi tujuan (maksimumkan keuntungan) a) Pendapatan (ZP) Pendapatan (ZP) diperoleh dari perkalian antara jumlah produksi, harga jual, dan luas lahan tanam tiap jenis tanaman, sehingga diperoleh, (24) Z P ( J1 H1 ) X 1 ( J 2 H 2 ) X 2 ... ( J 7 H 7 ) X 7 b) Biaya (ZB) Biaya (ZB) diperoleh dari perkalian antara biaya produksi tanaman dan luas lahan tanam tiap jenis tanaman, sehingga diperoleh, (25) Z B B1 X 1 B2 X 2 B3 X 3 ... B7 X 7 c) Keuntungan (ZL) Keuntungan (ZL) diperoleh dari selisih antara pendapatan dan biaya produksi, sehingga diperoleh, (26) ZL ZP ZB Sehingga diperoleh fungsi tujuan, yakni maksimumkan: Z L ( J 1 H 1 ) B1 X 1 ... ( J 7 H 7 ) X 7 7
J i H i Bi X i
(27)
i 1
3) Fungsi kendala Menggunakan luas lahan tanam masing-masing tanaman pangan (LnTn) dan luas maksimum (L), maka diperoleh fungsi kendala di bawah ini. 6
L1.1 X 1 L1.2 X 2 L1.3 X 3 ... L1.7 X 7 L L2.1 X 1 L2.2 X 2 L2.3 X 3 ... L2.7 X 7 L L3.1 X 1 L3.2 X 2 L3.3 X 3 ... L3.7 X 7 L X 1 , X 2 , X 3 ,... X 7 0 L1.1 , L1.2 , L1.3 ,...L3.7 0
Sedangkan Linier Programming (Optimasi) dilakukan dengan menggunakan QM for Windows. Adapun tahapan dalam penelitian ini terdiri dari (1) identifikasi masalah, (2) pengambilan dan validasi data, (3) perancangan, implementasi, dan optimasi, (4) analisa dan pembahasan, dan (5) pembuatan laporan penelitian. Adapun flow chart prosedur penelitian disajikan pada Gambar 1 di bawah ini. Pengambilan Data (Lapangan, BISDA dan Dinas Pertanian NTB)
Mulai
Data Tanaman Pangan
Penyinaran Matahari
Data Klimatologi
Data Hidrologi
Pola Tanam Awal (Wawancara)
Kelembaban Udara
Kecepatan Angin
Suhu Udara
Curah Hujan
Tidak Ya
Validasi Data
Arsitektur JST
Pre-processing
Post-processing
Algoritma JST
Prediction Error Arsitektur
Evaporasi (Ea, Eo)
Curah Hujan rerata 15 hari (½ bulan)
Air Pengolahan Tanah (IR)
Evapotranspirasi (Et c, Eto)
Selesai
Curah Hujan Andalan (R80 & R50)
Pola Tanam Optimal
Kebutuhan Air Irigasi (NFR)
Curah Hujan Efektif (Reff)
Rancangan Pola Tanam
Optimasi (Biaya Produksi dan Pendapatan)
Gambar 1. Flow Chart Tahapan Penelitian Data terdiri dari (1) data hidrologi (curah hujan) sebanyak 17 pos curah hujan, (2) data klimatologi (kelembaban udara, suhu, lama penyinaran matahari, dan kecepatan angin) sebanyak 4 pos iklim di daerah Pulau Lombok selama 30 tahun terakhir yakni dari tahun 1983 sampai tahun 2012 dari Balai Informasi Sumber Daya Air (BISDA) Dinas Pekerjaan Umum Provinsi NTB, dan (3) data pertanian (jenis tanaman pangan, pendapatan, laba, dan biaya produksi usaha tani). 3. HASIL DAN PEMBAHASAN a. Perancangan, Implementasi, dan Validasi Arsitektur JST Backpropagation Data input dalam penelitian ini merupakan data dalam ukuran setengah bulanan (15 hari) selama 30 tahun. Jadi dalam tiap data y1 , y2 , y3 ,..., y30 terdapat 24 data yakni x1 , x2 , x3 , ..., x24 , sehingga totalnya sebanyak x1 , x2 , x3 , x4 , x5 , x6 , x7 ,..., x720 (24 x 30 tahun). 7
Perancangan arsitektur JST Backpropagation dilakukan untuk menentukan arsitektur terbaik dengan pengaturan parameter tertentu melalui training dan testing data yang sudah dibagi sebelumnya. Adapun parameter arsitektur yang digunakan dalam penelitian ini sebagai berikut. 1. Jumlah Neuron : 4. Setting Parameter: a. Layar Input : 744 a. Maks. Epoch : 10000 b. Layar Hidden 1 : 100 b. Error (Goal) : 0,0001 c. Layar Hidden 2 : 10 c. Learning Rate (LR) : 0,07 d. Layar Output : 1 d. Momentum : 0,9 2. Fungsi Aktivasi: Sigmoid Biner (logsig) e. Rasio penurunan LR : 0,7 3. Algoritma Training : trainrp f. Rasio penaikkan LR : 1,05 Adapun arsitektur yang digunakan dalam penelitian ini untuk prediksi terlihat pada Gambar 2 di bawah ini.
z1
zz1
z2
zz 2
z3
zz 3
x1
x2
x744
y31
zz10
z1 0 0
b3.1 b2.10
b1.100
Gambar 2. Arsitektur JST Backpropagation Dua Layar Hidden untuk Prediksi Arsitektur yang telah dirancang dievaluasi untuk melihat persentase keakurasiannya (P) dengan membandingkan pola yang sama (Q) terhadap semua pola (R). Q (28) P 100% R Berdasarkan hasil simulasi untuk training data hidrologi diperoleh tingkat akurasi rata-rata mencapai 96,61%. Sedangkan untuk training data klimatologi tingkat akurasi rata-rata mencapai 96,32 %. Selanjutnya hasil simulasi untuk testing data hidrologi diperoleh tingkat akurasi rata-rata mencapai 95,72%. Sedangkan untuk testing data klimatologi tingkat akurasi rata-rata mencapai 96,19 % Selanjutnya, peneliti memprediksi data tahun 2012 menggunakan data tahun 1983 – 2011. Kemudian hasil prediksi tersebut dibandingkan dengan data aktual tahun 2012 untuk melihat besar persentase kesalahan (error) dari hasil prediksi yang telah diperoleh dengan persamaan di bawah ini. n
G
P O i 1
i
n
n Oi
i
100%
i 1
Dimana Pi hasil prediksi tahun 2012 dan Oi data aktual tahun 2012. 8
(29)
Dari hasil simulasi diperoleh besar persentase error arsitektur pada masing-masing jenis data menggunakan persamaan 29 sebagaimana disajikan pada Tabel 2 di bawah ini. Tabel 2. Nilai Error Arsitektur Prediksi Data Hidroklimatologi Jenis Data Akurasi Persentase Error Curah Hujan 99,73 % 2,78 % Suhu 99,63 % 0,20 % Kelembaban Udara 99,78 % 0,45 % Kecepatan Angin 99,90 % 1,45 % Lama Sinar Matahari 99,77 % 0,74 % Rata-rata 99,76 % 1,12 % Dari Tabel 2 di atas, diketahui bahwa rata-rata error hasil prediksi menggunakan arsitektur yang telah dirancang sebesar 1, 2% Ini membuktikan bahwa arsitektur tersebut baik digunakan untuk prediksi dengan tingkat akurasi rata-rata sebesar 99,76%. b. Hasil Prediksi Data Hidrologi Dari hasil prediksi menunjukkan bahwa rata-rata curah hujan di Pulau Lombok tahun 2013 sebesar 65,95 mm. Sedangkan pada tahun 2014 menunjukkan bahwa rata-rata curah hujan di Pulau Lombok sebesar 63,47 mm, sebagaimna pada Gambar 3 dan Gambar 4 di bawah ini.
curah hujan
150 100 50 0 -1
4
9
14
19
24
setengah bulanan
Gambar 3. Hasil Prediksi Curah Hujan ½ Bulanan Pulau Lombok 2013 Curah hujan
150 100 50 0 -1
4
9
14
19
24
setengah bulanan
Gambar 4. Hasil Prediksi Curah Hujan ½ Bulanan Pulau Lombok 2014 c. Hasil Prediksi Data Klimatologi Dari hasil prediksi (menggunakan persamaan 13) menunjukkan bahwa Pulau Lombok pada tahun 2013 memiliki suhu rata-rata 26,82oC, kelembaban udara 80,57%, kecepatan angin 79,04 m/s, dan lama penyinaran matahari 57,18%. Adapun rata-rata untuk masing-masing kabupaten dijelaskan pada Tabel 3 di bawah ini.
9
Tabel 3. Rata-rata Data Klimatologi Pulau Lombok Tahun 2013 Rata-rata Kabupaten Suhu Kelembaban Kecepatan Lama Peny. (0C)
Udara (%)
Angin (m/s)
Matahari (%)
Lombok Timur 26,92 80.52 97,46 58,03 Lombok Tengah 27,05 80,38 57,97 54,70 Lombok Barat 27,04 80,38 57,97 54,70 Lombok Utara 26,27 80,99 102,74 61,29 Rata-rata 26,82 80,57 79,04 57,18 Sedangkan menurut prediksi tahun 2014, Pulau Lombok memiliki suhu rata-rata 26,40oC, kelembaban udara 81,57%, kecepatan angin 91,57 m/s, dan lama penyinaran matahari 55,47%, sebagaimana disajikan pada Tabel 4 di bawah ini. Tabel 4. Rata-rata Data Klimatologi Pulau Lombok Tahun 2014 Rata-rata Kabupaten Suhu Kelembaban Kecepatan Lama Peny. Lombok Timur Lombok Tengah Lombok Barat Lombok Utara Rata-rata
(0C)
Udara (%)
Angin (m/s)
Matahari (%)
26,48 26,53 26,53 26,07 26,40
81,22 82,22 82,22 80,63 81,57
105,39 62,20 62,20 136,47 91,57
56,67 53,46 53,46 58,27 55,47
d. Kebutuhan Air Pengolahan Dari hasil analisa (menggunakan persamaan 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12) data suhu, kelembaban udara, lama penyinaran matahari, dan kecepatan angin diperoleh rata-rata kebutuhan air pengolahan (awal tanam) untuk tanaman padi seperti dijelaskan pada Tabel 5 dan Tabel 6 di bawah ini. Tabel 5. Rata-rata Kebutuhan Air Pengolahan Tanaman Padi Pulau Lombok 2013 Ea Eto IR (Padi) Kabupaten (mm/hari) (mm/hari) S = 300 S = 250 Lombok Timur 2,03 3,84 14,13 12,56 Lombok Tengah 1,58 3,27 13,74 12,15 Lombok Barat 1,58 3,27 13,74 12,15 Lombok Utara 2,02 3,84 14,14 12,57 Rata-rata 1,80 3,56 13,94 12,36 Dari Tabel 5 di atas, terlihat bahwa rata-rata evaporasi dan evapotranspirasi tanaman padi pada tahun 2013 di Pulau Lombok sebesar 1,80 mm/hari dan 3,56 mm/hari, kebutuhan air pengolahan untuk padi 13,94 mm/hari (S=300), dan 12,36 mm/hari (S=250). Tabel 6. Rata-rata Kebutuhan Air Pengolahan Tanaman Padi Pulau Lombok 2014 Padi Kabupaten Ea Etc S = 300 S = 250 Lombok Timur 2,02 3,80 14,03 12,44 Lombok Tengah 1,48 3,11 13,56 11,96 Lombok Barat 1,48 3,11 13,56 11,96 Lombok Utara 2,38 4,25 14,34 12,77 Rata-rata 1,84 3,57 13,87 12,28 Dari Tabel 6 di atas terlihat bahwa rata-rata evaporasi dan evapotranspirasi tanaman padi pada tahun 2013 di Pulau Lombok sebesar 1,84 mm/hari dan 3,57 mm/hari, kebutuhan air pengolahan untuk padi 13,87 mm/hari (S=300), dan 12,28 mm/hari (S=250). 10
e. Optimasi Biaya Produksi dan Pendapatan Analisis pola tanam dibagi menjadi tiga alternatif urutan analisis sesuai Tabel 7 di bawah ini. Tabel 7. Cara Analisis Optimasi Pola Tanam Tanaman Pangan Cara Analisis Urutan Analisis Analisis I Musim Tanam I Musim Tanam II Musim Tanam III Analisis II Musim Tanam II Musim Tanam III Musim Tanam I Analisis III Musim Tanam III Musim Tanam I Musim Tanam II Adapun fungsi tujuan dan fungsi kendala dalam optimasi biaya produksi dan pendapatan: 1. Fungsi Tujuan Maksimumkan (Keuntungan): 7
Z L J i H i Bi X i i 1
34837580 X 1 8551000 X 2 8411595 X 3 21639000 X 4
(30)
13373500 X 5 35306000 X 6 54101000 X 7
2. Fungsi Kendala (Lombok Timur Tahun 2012) 8285 X 1 7792 X 2 1653 X 3 1098 X 4 818 X 7 19646
Analisis I:
10515 X 1 7792 X 2 1156 X 5 183 X 6 19646 45466 X 1 45466 X1, X 2 , X 3, X 4 , X 5 , X 6 , X 7 0 26313 X 1 15584 X 2 1653 X 3 1098 X 4 818 X 7 45466
Analisis II: 18307 X 1 1156 X 5 183 X 6 19646 19646 X 1 19646
Analisis III:
X1, X 2 , X 3, X 4 , X 5 , X 6 , X 7 0 493 X 1 15584 X 2 1653 X 3 1098 X 4 818 X 7 19646 44127 X 1 1156 X 5 183 X 6 45466 19646 X 1 19646 X1 , X 2 , X 3 , X 4 , X 5 , X 6 , X 7 0
Dengan cara yang sama diperoleh fungsi kendala untuk Kabupaten Lombok Tengah, Lombok Barat, Lombok Utara, dan Kota Mataram. Adapun hasil optimasi sebagaimana disajikan pada Tabel 8 di bawah ini. Tabel 8. Rekomendasi Cara Analisis Pola Tanam Tanaman Pangan 2012 Kabupaten Keuntungan (Rp) Rekomendasi /kota I II III Analisis 9 9 10 L. Timur 5,08 x 10 6,79 x 10 1,00 x 10 Analisis III L. Tengah 7,58 x 109 8,18 x 109 9,11 x 109 Analisis III 9 9 9 L. Barat 4,39 x 10 4,53 x 10 4,64 x 10 Analisis III Mataram 6,53 x 109 6,72 x 109 6,60 x 109 Analisis II 9 9 9 L. Utara 3,55 x 10 3,58 x 10 3,79 x 10 Analisis III Berdasarkan Tabel 8 di atas dapat diketahui perbandingan dan persentase keuntungan sebelum dan sesudah sebagaimana disajikan pada Tabel 9 di bawah ini. Tabel 9. Perbandingan Laba Setelah dan Sesudah Optimasi Tahun 2012 Sesudah Sebelum Selisih Persentase Kabupaten Optimasi (Rp) Optimasi (Rp) (Rp) Peningkatan (%) L. Timur 2,55 x 1012 2,525 x 1012 2,79 x 1010 1.10 L. Tengah 4,24 x 1012 3,631 x 1012 6,10 x 1011 16,80 L. Barat 1,43 x 1012 1,224 x 1012 2,07 x 1011 16,93 Mataram 1,98 x 1011 1,829 x 1011 1,53 x 1010 8,39 L. Utara 5,95 x 1011 5,081 x 1011 8,70 x 1010 17,13 Rata-rata 1,80 x 1012 1,61 x 1012 1,89 x 1011 12,1 11
Dari Tabel 9 di atas terlihat terjadi proyeksi peningkatan persentase keuntungan dari tahun 2011 ke 2012 pada hasil usaha tani dengan pola tanam yang telah dioptimasi, yakni di Lombok Timur meningkat 1,10%, Lombok Tengah meningkat 16,80%, Lombok Barat meningkat 16,93%, Lombok Utara meningkat 17,13%, dan Mataram meningkat 8,39%. Secara keseluruhan persentase peningkatan rata-rata sebesar 12,10% dari tahun sebelumnya. Berdasarkan hasil di atas, kemudian peneliti melakukan optimasi terhadap biaya produksi, pendapatan, dan laba untuk tahun 2013. 1. Fungsi tujuan yang digunakan sama dengan fungsi tujuan pola tanam tahun 2012 (persamaan 30). 2. Fungsi Kendala Lombok Timur 4230 X 1 15584 X 2 1653 X 3 1242 X 4 1162 X 7 23871
Analisis I :
22389 X 1 1194 X 5 288 X 6 23871 45442 X 1 45442
Analisis II :
X1, X 2 , X 3, X 4 , X 5 , X 6 , X 7 0 23871X 1 15584 X 2 1653 X 3 1242 X 4 1162 X 7 45442 22389 X 1 1194 X 5 288 X 6 23871 23871X 1 23871 X1, X 2 , X 3, X 4 , X 5 , X 6 , X 7 0 4230 X 1 15584 X 2 1653 X 3 1242 X 4 1162 X 7 23871
Analisis III : 43960 X 1 1194 X 5 288 X 6 45442 23871X 1 23871 X1, X 2 , X 3, X 4 , X 5 , X 6 , X 7 0
Berdasarkan hasil optimasi diperoleh hasil rekomendasi cara analisis pola tanam tahun 2013 sebagaimana disajikan pada Tabel 10 di bawah ini. Tabel 10. Rekomendasi Cara Analisis Pola Tanam Tanaman Pangan 2013 Rekomendasi Kabupaten Keuntungan (Rp) Analisis /kota I II III 9 9 9 L. Timur 4,03 x 10 5,04 x 10 6,68 x 10 Analisis III L. Tengah 7,55 x 109 8,16 x 109 9,11 x 109 Analisis III 9 9 9 L. Barat 4,55 x 10 4,63 x 10 4,69 x 10 Analisis III Mataram 5,87 x 109 6,48 x 109 6,07 x 109 Analisis II 9 9 9 L. Utara 3,71 x 10 3,72 x 10 3,80 x 10 Analisis III Berdasarkan Tabel 10 di atas dan luas lahan tanam yang direkomendasikan, maka dapat diketahui perbandingan dan persentase keuntungan sebelum dan sesudah optimasi sebagaimana disajikan pada Tabel 11 di bawah ini. Tabel 11. Perbandingan Laba Setelah dan Sesudah Optimasi Tahun 2013 Persentase Sesudah Sebelum Selisih Kabupaten Peningkatan Optimasi (Rp) Optimasi (Rp) (Rp) (%) L. Timur 2,86 x 1012 2,8 x 1012 5,65 x 1010 2,02 L. Tengah 4,23 x 1012 3,621 x 1012 6,11 x 1011 16,89 12 12 L. Barat 1,47 x 10 1,224 x 10 2,48 x 1012 20,23 11 11 9 Mataram 1,81 x 10 1,713 x 10 9,55 x 10 5,58 L. Utara 6,19 x 1011 5,081 x 1011 1,11 x 1011 21,89 Rata-rata 1,87 x 1012 1,66 x 1012 2,07 x 1011 13,30 Dari Tabel 11 di atas terlihat bahwa terjadi proyeksi peningkatan presentase keuntungan dari tahun 2012 ke tahun 2013 pada hasil usaha tani dengan pola tanam yang sudah dioptimasi, yakni di Lombok Timur meningkat 2,02%, Lombok Tengah meningkat 12
16,89%, Lombok Barat meningkat 20,23%, Lombok Utara meningkat 21,89%, dan Mataram meningkat 5,58%. Secara keseluruhan terjadi peningkatan rata-rata sebesar 13,3% dari tahun sebelumnya. f. Perencanaan Pola Tanam Dari hasil analisa data (menggunakan persamaan 18, 19, 20) dengan menghitung kebutuhan air tanaman di 24 alternatif waktu tanam, maka diperoleh rekomendasi alternatif untuk waktu tanam dengan kebutuhan air minimum di masing-masing kabupaten/kota. Tabel 12. Hasil Optimasi Kebutuhan Air Tanaman Pangan NFR (mm/hari) DR Kabupaten Rekomendasi Total Rata-rata (mm/hari) Lombok Timur Alternatif 23 177,22 7,38 31,56 Lombok Tengah Alternatif 10 153,71 6,40 27,37 Lombok Barat Alternatif 23 178,01 7,42 31,69 Mataram Alternatif 12 180,06 7,50 32,06 Lombok Utara Alternatif 7 164,74 6,86 29,33 Berdasarkan Tabel 12 di atas, diperoleh pola tanam di masing-masing kabupaten/kota d Pulau Lombok tahu 2013 sebagaimana disajikan pada Tabel 13, Tabel 14, Tabel 15, Tabel 16, dan Tabel 17 di bawah ini. Tabel 13. Perencanaan Pola Tanam Kabupaten Lombok Timur
Keterangan: Padi Jagung
Kedelai Kacang Tanah
Ubi Jalar Ubi Kayu
Kacang Hijau
Dari Tabel 13 di atas, pola tanam di Lombok Timur untuk MT I di mulai pada bulan Pebruari II dengan menanam padi (23.871 ha), MT II di mulai pada bulan Juni II dengan menanam padi (4.230 ha), jagung (15.584 ha), kedelai (1.653 ha), kacang tanah (1.242 ha), dan ubi kayu (1.162 ha), sedangkan MT III di mulai pada bulan Nopember I dengan menanam padi (43.960 ha), kacang hijau (1.194 ha), dan ubi jalar (288 ha). Tabel 14 Perencanaan Pola Tanam Kabupaten Lombok Tengah
Kemudian dari Tabel 14 di atas, pola tanam di Lombok Tengah untuk MT I dimulai pada bulan Juli II dengan menanam padi (42.416 ha), MT II dimulai pada bulan Nopember II dengan menanam padi (10.391 ha), jagung (3.244 ha), kedelai (23.208 ha), kacang tanah (4.497 ha), dan ubi kayu (1.076 ha), sedangkan pada MT III dimulai pada bulan Maret II dengan menanam padi (53.484 ha), kacang hijau (802 ha), dan ubi jalar (276 ha). 13
Tabel 15 Perencanaan Pola Tanam Kabupaten Lombok Barat
Di Lombok Barat, untuk MT I dimulai pada bulan Juli II dengan menanam padi (15.960 ha), MT II dimulai pada bulan Nopember II dengan menanam padi (2.739 ha), jagung (3.456 ha), kedelai (3.981 ha), kacang tanah (5.259 ha), dan ubi kayu (523 ha), sedangkan MT III dimulai pada bulan Maret II dengan menanam padi (16.087 ha), kacang hijau (461 ha), dan ubi jalar (194 ha). Tabel 16 Perencanaan Pola Tanam Kabupaten Lombok Utara
Di Lombok Utara untuk MT I dimulai pada bulan Juni I dengan menanam padi (7.896 ha), MT II dimulai pada bulan Oktober I dengan menanam padi (1.006 ha), jagung kedelai (869 ha), kacang tanah (4.944 ha), dan ubi kayu (1.077 ha), sedangkan MT III dimulai pada bulan Pebruari I dengan menanam padi (2.565 ha), jagung (5.392 ha), kacang tanah (1.899), kacang hijau (76 ha), dan ubi jalar (84 ha). Tabel 17 Perencanaan Pola Tanam Kota Mataram
Di Mataram untuk MT I dimulai pada bulan Agustus II dengan menanam padi (800 ha), kacang hijau (125 ha), ubi jalar (46 ha), kedelai (982 ha), MT II dimulai pada bulan Desember II dengan menanam padi (1340 ha) dan ubi kayu (613 ha), sedangkan MT III dimulai pada bulan April II dengan menanam padi (1.601 ha), jagung (4 ha), kedelai (982 ha), dan kacang tanah (449 ha).
14
4. SIMPULAN Jaringan syaraf tiruan dengan metode Backpropagation mampu memprediksi data hidroklimatologi yang terdiri dari data curah hujan, data suhu, data kelembaban udara, data kecepatan angin, dan data lama penyinaran matahari dengan tingkat akurasi sebesar 95,72% 96,61% untuk data training dan testing. Sedangkan pada pengujian validasi prediksi diperoleh besar rata-rata persentase error adalah 1,12% dengan tingkat akurasi rata-rata 99,76%. Perencanaan pola tanam di Pulau Lombok pada tahun 2012 terjadi proyeksi peningkatan keuntungan dimasing kabupaten/kota yakni di di Lombok Timur meningkat 1,10%, Lombok Tengah meningkat 16,80%, Lombok Barat meningkat 16,93%, Lombok Utara meningkat 17,13%, dan Mataram meningkat 8,39%. Secara keseluruhan terjadi peningkatan rata-rata sebesar 12,10% dari tahun sebelumnya. Sedangkan pada perencanaan pola tanam tahun 2013 terjadi proyeksi peningkatan keuntungan di masing-masing kabupaten/kota yakni di Lombok Timur meningkat 2,02%, Lombok Tengah meningkat 16,88%, Lombok Barat meningkat 20,23%, Lombok Utara meningkat 21,89%, dan Mataram meningkat 5,58%. Secara keseluruhan terjadi peningkatan rata-rata sebesar 13,3% dari tahun sebelumnya.
DAFTAR PUSTAKA Arora, J. S. (2004). Introduction to Optimum Design. London: Elsevier, Inc. Darojah, Z. (2005), Pembentukan Arsitektur Terbaik Jaringan Syaraf Tiruan Menggunakan Backpropagation Dua Hidden Layer Pada Data Sunspot dengan Metode Pruning, Tesis, ITS Surabaya Fausett, L. (1994), Fundamentals of Neural Network, Prentice Hall, New York. Herbert, Riza, L. S, dan Mukmin, A. (2011), "Penerapan Jaringan Saraf Tiruan Backpropagation Untuk Peramalan Curah Hujan”, Teknologi Informasi dan Komunikasi, Vol 1, No 1, hal. 1-5. Nandini, R, dan Narendra, B. (2011), “Kajian Perubahan Curah Hujan, Suhu dan Tipe Iklim Pada Zone Ekosistem di Pulau Lombok”, Analisis Kebijakan Kehutanan, Vol. 8 No. 3, hal. 228-244. Nastos, P. T, dkk. (2011), Rain intensity forecast using Artificial Neural Networks in Athens, Greece”, Atmospheric Research, Vol 119, No, hal. 153–160 Nurkhozin, A. (2011), Komparasi Metode Klasifikasi Penyakit Diabetes Melitus Menggunakan JST Learning Vektor Quantization dengan Backpropagation. Tesis, ITS Surabaya, Surabaya. Soemarto, C.D. (1999). Hidrologi Teknik, Erlangga, Jakarta. Sumadi. (2007), Radial Basis Function Networks untuk Peramalan Data Time Series Musiman. Tesis, ITS Surabaya, Surabaya.
15
