peramalan produksi padi berdasarkan luas panen dan...
TRANSCRIPT
2
1. Pendahuluan
Padi (Oryza sativa sp.) adalah tanaman yang berasal dari Bangladesh. Dari
tanaman padi dihasilkan beras, yang merupakan bahan makanan pokok sebagian
besar rakyat Indonesia. Padi dapat tumbuh dengan baik di daerah panas dengan
curah hujan yang tinggi. Produksi padi Indonesia mengambil pangsa sekitar 9%
dari total produksi dunia. Indonesia negara penghasil beras ke tiga terbesar di
dunia, setelahChina (30%) dan India (21%) [1]. Produksi padi di Indonesia pada
tahun 2001 mencapai hampir 50,5 juta ton Gabah Kering Giling (GKG), atau
menurun sebesar 1,4 persen dibandingkan dengan tahun 2000 yang mencapai
hampir 51,2 juta ton. Berdasarkan angka ramalan II dari Badan Pusat Statistik
produksi padi tahun 2003 sebesar 51,4 juta ton atau meningkat 0,04 persen
dibandingkan tahun 2002. Pola produksi padi yang fluktuatif tersebut belum
menunjukan hasil yang memuaskan. Sampai saat ini sekitar 56% produksi padi
berasal dari pulau Jawa, sedangkan lebihnya dihasilkan oleh pulau Sumatra
(22%), Sulawesi (10%), Kalimantan (5%) dan pulau-pulau lainnya (7%).
Tahun 2005 Indonesia merupakan negara peringkat ke-3 sebagai produsen
padi terbesar setelah China dan India dengan presentase sebesar 9% yaitu 54 juta
metrik ton. Hal ini menunjukkan betapa besarnya hasil padi yang di hasilkan oleh
Indonesia pada waktu itu, Indonesia sempat menjadi salah satu negara produsen
padi terkemuka di dunia [2].
Keberadaan lahan sangat penting dalam menunjang kegiatan produksi
hasil pertanian. Menurut Badan Pusat Statistik meningkatnya permintaan
lahan akibat pertumbuhan penduduk selain menyebabkan penurunan luas
lahan pertanian juga meningkatkan intensitas usaha tani di daerah aliran
sungai hulu Penurunan luas lahan pertanian cenderung semakin besar seiring
dengan peningkatan konversi ke non-pertanian. Dalam proses produksi padi,
faktor curah hujan berperan sangat penting karena jika intensitas curah hujan
terlalu rendah, produksi padi akan mengalami suatu penurunan yang drastis. Jika
hal ini terjadi terus menerus maka akan mengakibatkan kerawanan pangan. Agar
hal ini tidak terjadi maka dibutuhkan suatu solusi, salah satunya dengan
melakukan peramalan (forecasting).
Penelitian ini bertujuan untuk meramalkan produksi padi berdasarkan
luas panen dan curah hujan yang ada di kabupaten Boyolali. Pemilihan variabel
luas panen dan curah hujan berdasarkan pada penelitian sebelumnya yang
berjudul “Pengembangan Model Ramalan Produksi Padi Dengan Pendekatan
Bagging Mars”. Manfaat yang di dapatkan dari penelitian ini adalah keluaran
berupa grafik yang dapat membantu untuk dipergunakan sebagai acuan untuk
menghindari terjadinya kerawanan pangan, dengan adanya peramalan kita
mendapatkan suatu gambaran tentang masa yang akan datang dan mencari solusi
yang lebih tepat untuk mengantisipasi hal tersebut.
3
2. Tinjauan Pustaka
Deret waktu merupakan serangkaian nilai-nilai variabel yang disusun berdasarkan
waktu. Analisis deret waktu adalah suatu analisa yang dilakukan berdasarkan nilai
masa lalu dari suatu variabel masa lalu dengan tujuan untuk menemukan pola
dalam deret data histori dan mengekstapolasikan pola tersebut ke masa yang akan
datang sebagai suatu perkiraan kondisi masa depan [3].
Langkah penting yang harus dilakukan untuk memilih metode deret
berkala yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga
metode yeng paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibagi
menjadi 4 jenis yaitu [4]:
1) Pola Horizontal (H) dapat terterjadi apabila nilai data berfluktuasi disekitar
nilai rata-rata yang konstan.
2) Pola Musiman (S) yaitu terjadi apabila suatu deret dipengaruhi oleh faktor
musiman.
3) Pola Siklus (C) yaitu terjadi apabila datanya dipengaruhi oleh frekuensi
ekonomi jangka panjang dan berhubungan dengan siklus bisnis
4) Pola Trend (T) yaitu terjadi apabila terdapat kenaikan atau penurunan jangka
panjang dalam data.
Gambar 1. Bentuk Pola Data
Pola Horizontal pada nomor 1 dapat kita lihat di Gambar 1a terjadi apabila
suatu deret dipengaruhi oleh faktor musiman. Pola musiman dapat di lihat di
Gambar 1b, pola ini terjadi apabila suatu deret dipengaruhi oleh faktor musiman.
Sedangkan untuk pola siklus dapat di lihat di gambar 1c dan pola trend terlihat di
gambar 1d. Penggunaan analisis deret waktu dimulai dengan mengamati data
deret waktu, karena akan terlihat komponen-komponen yang mempengaruhi suatu
pola data masa lalu dan sekarang, yang polanya cenderung berulang.
4
Menurut jurnal yang berjudul “Sistem Peramalan Harga Sembako Berbasis
Moving Average Dengan Brew Platform Sebagai Mobile Interface” moving
average di gunakan untuk meramalkan harga sembako dengan Brew Platform
sebagai media interface untuk pengoperasian di ponsel [5]. Sedangkan dalam
jurnal yang berjudul “Pengembangan Model Ramalan Produksi Padi Dengan
Pendekatan Bagging Mars” penelitian ini dilakukan sebagai salah satu upaya
untuk mendukung ketahanan pangan dengan informasi tentang ramalan produksi
padi dan luas panen padi ke depan. Data yang digunakan adalah data sekunder
yang diperoleh dari BPS dan Deptan kabupaten Ngawi, serta Badan Metereologi
Klimatologi dan Geofisika (BMKG) stasiun klimatologi Karangploso tahun 1993-
2008 [6]. Penelitian yang akan dilakukan membahas tentang peramalan produksi
padi, dengan menggunakan variabel produksi padi, luas panen, curah hujan
periode 2005-2010 dalam ruang lingkup kabupaten Boyolali dengan jumlah
kecamatan sebanyak 19.
Moving average banyak digunakan untuk menentukan trend dari suatu
deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala
dari data asli diubah menjadi deret rata-rata bergerak yang lebih baik. Metode ini
tidak cocok digunakan untuk data musiman karena moving average sesuai untuk
data berpola horisontal berfluktuasi di awal. Model rata-rata bergerak
mengestimasi permintaan periode berikutnya sebagai rata-rata data permintaan
aktual dari n periode terakhir.
Ada empat model dari metode weighted moving average yang memiliki
asumsi mengenai trend dan musiman [6]: 1) Simple Moving Average, model ini
mengasumsikan bahwa seri pengamatan tidak memiliki trend dan variasi
musiman. 2) Double Moving Average, model ini mengasumsikan bahwa seri
pengamatan memiliki trend linier namun tidak memiliki variasi musiman. 3)
Weighted Moving Average, model ini mengasumsikan bahwa seri pengamatan
memiliki trend linier dan variasi musiman. 4) Linier Moving Average, model ini
memungkinkan untuk melakukan penetapan komponen trend dan variasi
musiman.
Ada tiga parameter yang perlu penetapan, bergantung dari komponen trend
dan variasi musiman[7]:
1. Alpha (α) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan. Parameter alpha digunakan pada semua
model. Jika nilai alpha 1 maka hanya pengamatan terbaru yang digunakan. Jika
alpha bernilai 0 maka pengamatan yang lalu dihitung sepadan dengan bobot
yang terbaru.
2. Beta (β) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan untuk mengestimasi kemunculan trend seri.
Parameter beta digunakan pada model yang memiliki komponen trend linier
atau eksponenssial dengan tidak memiliki variasi musiman. Nilai beta berkisar
5
0 sampai 1. Jika nilai semakin besar akan menunjukkan pemberian bobot yang
semakin besar pada pengamatan terbaru.
3. Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan untuk mengestimasi kemunculan variasi
musiman. Parameter gamma digunakan pada model yang memiliki variasi
musiman. Nilai gamma berkisar dari 0 sampai 1. Jika nilai gamma semakin
besar, menunjukkan pemberian bobot yang semakin besar pada pengamatan
yang terbaru.
Metode weighted moving average merupakan perkembangan dari metode
moving average sederhana, persamaan 1 [8]:
(1) (1) ( (1)
dengan :
Data : nilai produksi sebelumnya.
Bobot : penilaian sesuai dengan panjang periode
Persamaan (1) adalah bentuk umum yang digunakan dalam penyususnan suatu
ramalan dengan metode weighted moving average.
Timbangan yang digunakan untuk metode ini ialah koefisien binomial.
Rata-rata bergerak tertimbang per 3 tahun di beri koefisien 1,2,1 sebagai
timbangannya. Pada metode ini hanya data observasi yang paling baru dan nilai
ramalan yang terakhir yang harus disimpan [9]. Untuk mengetahui kesalahan
peramalan digunakan persamaan 2 sebagai berikut :
(2)
.
Dimana ,
t : periode tahun
: nilai t pada periode tahun ke
n : total jumlah periode
: nilai data asli periode tahun ke t
: ramalan(forecast) untuk periode ke t
Persamaan (2) adalah bentuk umum yang digunakan untuk menghitung kesalahan
suatu ramalan. Semakin kecil (mendekati nilai 0) jumah error yang di hasilkan
maka prediksi dinyatakn valid.
3. Metode Penelitian
6
Tahapan penelitian ini dibagi dalam 3 tahap, yaitu :
(1) Tahap penyusunan data awal,
(2) Desain dan arsitektural simulasi,
(3) Pemodelan dan visualisasi. Tahap penyusunan data bertujuan untuk
menentukan data, lokasi dan studi pustaka yang digunakan dalam proses
penelitian.
Tahap penyusunan data awal terdiri dari:
1) Pengumpulan data dengan melakukan survei di Badan Pusat Statistik (BPS)
kabupaten Boyolali.
2) Pengumpulan data produksi padi dan luas panen di beberapa kecamatan
Boyolali. Tahap penyusunan di sajikan pada gambar 2.
Gambar 2. Tahap Penelitian
Tahap desain dan arsitektural simulasi terdiri dari proses masukan data,
peramalan curah hujan menggunakan metode Weighted Moving Average. Adapun
data dan variabel yang digunakan dalam penelitian meliputi: Data Curah Hujan
kecamatan di kabupaten Boyolali di wilayah BMKG Semarang Provinsi Jawa
Tengah periode 2005-2010. Data DBD Dinas Kesehatan Kecamatan Ungaran
periode 2005-2010.
1. Data luas panen dan produksi padi di kabupaten Boyolali periode 2005-2010.
2. Data curah hujan di kabupaten Boyolali periode 2005-2010
Tahap Penyusunan Awal
Survei di Badan Pusat Statistik (BPS) dan
dinas kecamatan Boyolali yang berupa:
- Data curah hujan
- Data pertanian
Pengolahan data produksi padi ,
luas panen dan curah hujan
dengan metode Weighted
Moving Average
Visualisasi Grafik
7
Gambar 3 Desain Arsitektural Model
Gambar 3 menunjukkan desain arsitektural model yang dijelaskan sebagai
berikut. Pada bagian Data Layer, terdiri dari tahap survei data curah hujan tingkat
kecamatan di wilayah Boyolali Provinsi Jawa Tengah periode 2005-2010 dan data
produksi dan luas panen wilayah Boyolali Provinsi Jawa Tengah periode 2005-
2010. Kedua data tersebut sebagai data masukan pada proses Application Layer.
Pada bagian Application Layer, dilakukan proses peramalan curah hujan
menggunakan metode Weighted Moving Average, dengan pemrosesan data
menggunakan tool R untuk mendapatkan hasil peramalan curah hujan periode
tahun ke 3. Tahap terakhir adalah menganalisa hubungan antara curah hujan,
produksi padi, dan luas panen yang ditampilkan dalam bentuk grafik.
Dasar pemilihan dari variabel yang digunakan pada penelitian kali ini
adalah berdasarkan penelitian sebelumnya yang menggunakan variabel curah
hujandan luas panen, karena kedua variabel sangat berpengaruh besar pada
produksi padi. Keluaran yang di hasilkan dapat digunakan pihak-pihak terkait
yaitu, Dinas Pertanian, petani, dan masyarakat luas. Proses dari pertama
pengolahan data sampai dengan dihasilkannya keluaran di sajikan pada gambar 4.
Gambar 4. Bagan Alur Manfaat Penelitian
Survey ke BPS Boyolali,data yang di hasilkan:Data produksi padi, luas
, panen, dan curah hujan periode 2005-2010
Mengolah data-data yang sudah di dapatkan dengan tools Rstudio
dan menggunakan metode Weigthed Moving Average
Dapat digunakan oleh Dinas Pertanian, para petani, dan masyarakat
luas sebagai acuan untuk menghindari kerawan pangan yang dapat
terjadi sewaktu-waktu
0
200
400
600
800
1000
1200
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
ribu
ton
produksi konsumsi
8
4. Hasil Penelitian dan Pembahasan
Langkah pertama yang dilakukan adalah mengolah data asli dengan
memasukan ke databae, database yang dipakai adalah SQL Expert Personal
3.3.29.2159. selanjutnya yaitu menghubungkan database dengan R Studio agar
data dapat di tampilkan. Dengan menggunakan langkah-langkah yang telah
dibahas sebelumnya, data curah hujan, produksi padi dan luas panen di Kabupaten
Boyolali, Provinsi Jawa Tengah diolah menggunakan database SQL Expert.
Gambar 5. Plot Curah Hujan Tahun 2005-2010
Gamba
r 6. Plot Data Peramalan 2007
Gambar 2 menunjukkan pola grafik peramalan produksi padi pada tahun
2008. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun
2005-2007 yang kemudian dibandingkan dengan data asli pada tahun 2007.
Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah
hujan dengan periode tahun 2005-2007 kemudian di panggil ke program R dengan
langkah sebelumnya yaitu dengan menyimpannya di database SQL Expert.
Setelah itu data di olah kembali dengan menggunakan metode weighted moving
average sehingga menghasilkan output sebagai berikut yaitu indikator grafik
berwarna hijau merupakan hasil data peramalan dengan metode weighted moving
average, grafik berwarna hitam merupakan data produksi padi masa lampau,
grafik bernama merah menunjukan data luas panen, dan grafik berwarna oranye
menunjukan data curah hujan. Hasil yang didapatkan adalah bahwa luas panen
9
dan curah hujan yang tinggi di tahun 2007 menyebabkan peningkatan produksi
padi di beberapa wilayah di kabupaten Boyolali.
Gambar 7. Plot Grafik Peramalan Padi 2008
Gambar 5 memperlihatkan pola grafik peramalan produksi padi pada tahun
2009. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun
2005-2008 yang kemudian dibandingkan dengan data asli pada tahun 2008.
Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah
hujan dengan periode tahun 2006-2008 kemudian di panggil ke program R dengan
langkah sebelumnya yaitu dengan menyimpannya di database SQL Expert.
Setelah itu data di olah kembali dengan menggunakan metode weighted moving
average sehingga menghasilkan output sebagai berikut yaitu indikator grafik
berwarna hijau merupakan hasil data peramalan dengan metode weighted moving
average, warna hitam merupakan data produksi padi masa lampau, merah
menunjukan.
Gambar 8. Plot Grafik Peramalan Padi Tahun 2009
10
Gambar 6 menunjukkan data peramalan produksi padi pada tahun 2010
yang didapatkan dari pengolahan data asli pada tahun 2007-2009 dan
dibandingkan lagi dengan data asli 2009. indikator grafik berwarna hijau
merupakan hasil data peramalan dengan metode weighted moving average, warna
hitam merupakan data produksi padi masa lampau, merah menunjukan data luas
panen, dan warna oranye menunjukan data curah hujan. Hasil peramalan ini
didapatkan dengan mengolah data produksi pada tahun 2005-2007 yang kemudian
dibandingkan dengan data asli pada tahun 2007. Pertama-tama data asli yang
dipakai adalah produksi padi,luas panen, dan curah hujan dengan periode tahun
2005-2007 kemudian di panggil ke program R dengan langkah sebelumnya yaitu
dengan menyimpannya di database SQL Expert. Setelah itu data di olah kembali
dengan menggunakan metode weighted moving average sehingga menghasilkan
output sebagai berikut yaitu indikator grafik berwarna hijau merupakan hasil data
peramalan dengan metode weighted moving average, grafik hitam merupakan
data produksi padi masa lampau, grafik merah menunjukan data luas panen, dan
grafik oranye menunjukan data curah hujan. Luas panen dan curah hujan yang
meningkat di tahun ini membuat jumlah produksi padi juga kian bertambah.
G
ambar 9. Plot Grafik Peramalan Padi Tahun 2010
Gambar 7 memperlihatkan pola grafik peramalan produksi padi pada tahun
2011. Hasil peramalan ini didapatkan dengan mengolah data produksi pada tahun
2008-2010 yang kemudian dibandingkan dengan data asli pada tahun 2010.
Pertama-tama data asli yang dipakai adalah produksi padi,luas panen, dan curah
hujan dengan periode tahun 2008-2010 kemudian di panggil ke program R dengan
langkahsebelumnya yaitu dengan menyimpannya di database SQL Expert. Setelah
itu data diolah kembali dengan menggunakan metode weighted moving average
sehingga menghasilkan output sebagai berikut yaitu indikator grafik berwarna
hijau merupakan hasil data peramalan yang di olah dengan metode weighted
11
moving average, warna hitam merupakan data produksi padi masa lampau, merah
menunjukan data luas panen, dan warna oranye menunjukan data curah hujan.
Gambar 10. Tabel Perhitungan MSE
Gambar 10 menunjukan perhitungan kesalahan peramalan, yaitu pengujian
yang di lakukan terhadap ketiga variabel yang di pakai dalam dalam penelitian ini
adalah luas panen, produksi padi , dan curah hujan. Nilai error diperoleh dari hasil
nilai rata-rata data awal kemudian di kurangi nilai rata-rata dari peramalan. Hasil
pengurangan disebut Et kemudian hasil tersebut di kuadratkan dan di bagi dengan
banyaknya jumlah data prediksi untuk memperoleh nilai yang ingin di capai.
Gambar 11. Perhitungan metode peramalan WMA
Gambar 11 menunjukan salah satu proses peramalan dari metode Weighted
Moving Average, di ambil dari peramalan pada tahun 2007.
12
5. Simpulan
Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan
bahwa hasil peramalan dapat digunakan oleh Dinas Pertanian sebagai acuan untuk
mengantisipasi terjadinya kerawanan pangan dengan keluaran yang berupa grafik
jumlah peramalan produksi padi. Curah hujan dan produksi padi memiliki nilai
MSE (Mean Square Error) yang kecil, ini menunjukan bahwa peramalan yang
dilakukan sudah cukup akurat. Variable curah hujan, produksi padi, dan luas
panen terlihat berhubungan terlihat dari keterkaitan yang dihasilkan.Jika semakin
tinggi curah hujan maka produksi padi pun akan meningkat, dan sebaliknya jika
curah hujan rendah maka produktivitas padi akan menurun.
6. Daftar Pustaka
[1] Agusta Hermawan, 2007, Edukasi Pertanian.
[2] Tommy Prayoga, 2005, Perkembangan Produksi Beras.
[3] A.Husni Malian, Sudi Mardianto, Mewa Ariani, 2004, Faktor-Faktor
Yang Mempengaruhi Produksi, Konsumsi, dan Harga Beras Serta
Inflansi Bahan Makanan.
[4] Makridakis, S., Wright, S.C.W.,dan Mc Gee V. 1999. Alih Bahasa
Suminto, H,Ir. Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra
Aksara. Jakarta.
[5] Marcelina Rizka Falevy, M.Zen Samsono H,S.T,M.Sc,Akuwan
Saleh,SST, 2004, Sistem Peramalan Harga Sembako Berbasis Moving
Average Dengan Brew Platform Sebagai Mobile Interface.
[6] Alif Yuanita, Bambang Widjarnako Otok, Sutikno, 2007, Peramalan
Model Ramalan Produksi Padi Dengan Pendekatan Bagging Mars.
[7] Badria, 2008, Penggunaan Metode Exponential Smoothing Untuk
meramalkan Kebutuhan Cengkeh di Pabrik Rokok Adi Bungsu. [8] Priyanto, 2005, Handout Peramalan.