4

1. Pendahuluan

Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering menghadapi masalah yang menyebabkan penurunan hasil panen bahkan gagal panen. Permasalahan yang menyebabkan terjadinya gagal panen dan puso adalah hama penyakit atau sering disebut Organisme Pengganggu Tanaman (OPT) [1].

OPT yang sering menyebabkan penurunan hasil panen pada komoditas padi atau bahkan gagal panen (puso) adalah Wereng batang coklat (Nilaparvata lugens) atau yang dikenal dengan WBC. WBC menjadi parasit dengan menghisap cairan tumbuhan dalam kasus ini adalah komoditas padi sehingga mengakibatkan perkembangan tumbuhan menjadi terganggu bahkan mati [2].

Data peningkatan serangan WBC di Indonesia terjadi pada lahan pertanian seluas 2,5 juta ha tahun 1970 – 1980, kemudian pada periode 1980 – 1990 terjadi serangan seluas 50.000 Ha, dan serangan 200.000 Ha pada tahun 1990 – 2000. Daerah serangan WBC terparah hingga periode Juni 2010 terjadi di kabupaten Klaten dengan 1.442 Ha dan puso 411 Ha, Sukoharjo terserang WBC 1.258 Ha, puso 227 Ha, kabupaten Pekalongan 1.100 Ha, puso 15 Ha, Boyolali 248 Ha, puso 37 Ha [3].

Tujuan dari penelitian ini yang pertama adalah menyusun model konseptual dan metode prediksi wilayah endemis serangan WBC berdasarkan pada variabel LTS menggunakan metode single exponential smoothing. Tujuan yang kedua adalah membangun model sistem informasi geografis berbasis web untuk memberikan pemetaan wilayah endemis serangan. Tujuan yang ketiga adalah merumuskan dan mengusulkan kebijakan yang bersifat implementatif berupa prosedur operasional standar (POS) sebagai pedoman dalam prediksi wilayah endemis WBC LPHP Surakarta.

Sistem ini dapat memberikan gambaran wilayah serangan WBC dalam bentuk besaran kejadian dan dalam peta prediksi kejadian serangan WBC yang akan ditampilkan dalam SIG berbasis web agar lebih mudah untuk diakses melalui jaringan internet.

2. Tinjauan Pustaka

Prediksi merupakan kegiatan untuk memperkirakan nilai-nilai dari variabel yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Dalam penelitian ini variabel yang digunakan adalah data LTS. Variabel yang berhubungan dengan variabel tersebut dan menjadi indikator adalah variabel iklim [4].

Metode single exponential smoothing digunakan karena karakteristik data historis berfluktuasi secara acak. Metode ini menggunakan sebuah parameter , yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1-) kepada hasil prediksi periode sebelumnya. Harga terletak antara 0 dan 1 [5].

Single exponential smoothing merupakan salah satu kategori metode runtun waktu yang menggunakan pembobotan data masa lalu secara eksponensial. Pembobotan secara eksponensial berarti metode mengadakan penghalusan atau pemulusan terhadap data masa lalu dengan mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode. Secara prinsip, metode pemulusan eksponensial akan memuluskan data – data hasil pengamatan masa lampau untuk menghilangkan keacakan [6].

5

Persamaan umum dari metode yang digunakan dalam prediksi adalah:

tt1t F1XF

Keterangan : Ft+1 : ramalan untuk periode t+1 Xt : data pada periode waktu t Ft : ramalan untuk periode waktu t.

Nilai et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Dengan demikian dapat dikatakan bahwa prediksi pada periode yang akan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan prediksi dengan menggunakan metode single exponential smoothing, besarnya α (alpha) ditentukan secarat trial dan error sampai diketemukan α (alpha) yang menghasilkan kesalahan prediksi terkecil. Metode ini cocok digunakan untuk meramal data-data yang fluktuatif secara random [7].

Ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai rata-rata kesalahan (mean error), nilai rata-rata kesalahan absolut (mean absolute error), dan nilai rata-rata kesalahan kuadrat (mean squared error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (mean percentage error) dan nilai rata-rata kesalahan persentase absolut (mean absolute percentage error). Dalam penelitian ini penerapan MSE adalah untuk mengetahui nilai kesalahan hasil prediksi variabel [8].

n

eMSE

n

ii

1

2

Keterangan: MSE : rata-rata kesalahan kuadrat n : jumlah periode waktu data ei : kesalahan pada periode waktu i

3. Perancangan dan Metodologi Penelitian

Pada penelitian ini metode yang digunakan dalam perancangan aplikasi adalah dengan menggunakan metode Analisis Simulasi. Metode ini merupakan penggabungan antara perspektif analisis spasial temporal dan juga deskriptif tentang model spasial temporal. Model metode analisis simulasi akan ditunjukan pada Gambar 1 [9].

.................................................................................... (2)

........................................................................... (1)

6

Gambar 1 Model Analisis Simulasi

Pada tahap rumusan masalah adalah bagaimana membuat rumusan masalah tentang pembangunan SIG yang dapat menampilkan prediksi wilayah serangan endemis WBC di LPHP.

Pengumpulan dan analisis data historis yang dibutuhkan dalam penelitian ini adalah data LTS yang menjadi data historis kejadian searangan WBC di LPHP Surakarta tahun 2001 hingga tahun 2010. Sebagai data indikator digunakan data iklim selama kurun waktu 10 tahun yaitu tahun 2001 hingga 2010 di LPHP Surakarta.

Pengembangan Model adalah tindak lanjut dari tahapan rumusan masalah yang telah diidentifikasi pada tahap sebelumnya kemudian mulai pengerjaan dan testing model yang sesuai dengan keadaan pada dunia nyata. Inti dari tahap ini adalah mengerti sistem yang akan dikembangkan dalam penelitian prediksi wilayah endemis WBC pada LPHP Surakarta.

Pada Tahap Pemilihan Model penelitian ini menggunakan metode runtun waktu single exponential smoothing.

Pada tahapan model eksperimen dan optimasi data telah menjadi data hasil prediksi dengan menggunakan metode single exponential smoothing. Data historis LTS dan iklim diolah menjadi data prediksi yang akan disajikan kedalam SIG.

Tahap Testing yaitu dimana pengujian terhadap hasil prediksi dengan single expnential smoothing akan dilakukan uji validasi dengan menggunakan Mean Squared Error (MSE) untuk mengetahui seberapa besar kesesuaian dan ketepatan pada kondisi riil.

Rumusan masalah

PengumpulanData dan Analisis

PengembanganModel

Verifikasi model dan Validasi

Experimen Model dan Optimisasi

Implementasi dan Hasil

Simulasi

7

Pemodelan yang akan diimplementasikan dalam SIG sistem prediksi akan ditunjukkan pada Gambar 2 hingga Gambar 7 sebagai berikut.

Gambar 2 Use Case Sistem Prediksi

Use Case yang di tunjukan pada Gambar 2 menunjukkan model bagi pengguna. Pengguna dapat mengakses halaman web SIG sebagai pengguna, secara garis besar informasi yang ditampilkan adalah data historis serangan WBC juga pengguna dapat mengakses halaman prediksi WBC yang diinginkan. Menu yang dapat diakses oleh pengguna adalah menu curah hujan, hujan harian, prediksi, login dan contact. pada menu login pengguna hanya dapat melihat halaman login karena sistem ini hanya memberikan akses login dan hak akses ubah data hanya pada administrator.

Gambar 3 Activity Diagram Model SIG Pengguna

Activity diagram Model SIG pada Gambar 3 menunjukkan bahwa permintaan dari pengguna kemudian diproses oleh sistem dan melalui proses

Admin

Melihat Info dan Peta kabupaten LPHP Surakarta

Melihat Peta dan data rerata 10 tahun

Melihat Peta dan data pertahun

Melihat Peta dan data hasil Prediksi

Melihat DatabaseMengubah Data

<<extend>>Ubah database

<<include>>Info Contact

Akses Halaman Prediksi

<<extend>>

Melihat Peta dan Data OPT

<<extend>>

<<extend>>

Melihat Peta dan Data Hujan Harian

<<extend>>

<<extend>>

Melihat Peta dan Data Curah Hujan

<<extend>>

<<extend>>

Melihat halaman Index

<<extend>>

Request menu

Start

Input data prediksi

melihat data historis

Melihat data prediksi

End

Menampilakan menu

Generate data prediksi

menampilkan data request user

Prediksi dengan single exponential smoothing

menampilkan data prediksi

memberikan nilai request dari sistem

memberikan data historis sebagai data penghitungan

menyimpan data prediksi

DatabaseSIGUser

user

8

perhitungan prediksi dengan metode single exponential smoothing data kemudian akan disimpan dalam database kemudian database memberikan keluaran berupa array. Array dari database kemudian sama pada proses sebelumnya bahwa array tersebut di render ke dalam peta digital, grafik dan tabel.

Gambar 4 Activity Diagram Model SIG Administrator

Activity Diagram pada Gambar 4 hampir sama dengan activity pengguna namun ada perbedaan yaitu dalam hak akses pada database sistem. Hak akses ini memungkinkan administrator melakukan up date database.

Deskripsi terhadap sistem prediksi akan digambarkan lebih jelas dalam Gambar sequence diagram dan class diagram sebagai berikut.

Gambar 5 Sequence Diagram Model SIG Pengguna

Start

Login

Diterima

Input update data

Melihat data

Input data prediksi

Melihat data prediksi

Logout

End

Menampilkan Admin Page

menu edit data

Editya

Menu index

tidak

simpan update

tidak

menampilakn data request

Prediksi dengan single exponential smoothing

Generate data prediksi

menampilkan data prediksi

Simpan

ya

memberikan data historis sebagai d...

menyimpan data prediksi

Verifikasi Usertidak ya

DatabaseSIGadmin

: User : boundary

: Control

: Database

Akses Halaman index

View index

return data

request data index

menampilkan halaman index

View data historis

getRequest user

requestDataHistoris

return data

Menampilkan Data Historis

input data prediksi

GetInputDataPrediksi

RequestDataHistoris

returnData

MenampilkanDataPrediksi

9

Sequence Diagram Pada Gambar 5 Model SIG pengguna menjelaskan tentang tahap demi tahap yang terjadi dari proses pengguna yang berinteraksi dengan sistem kontrol dan database secara berurutan. Pada tampilan awal pengguna akan mendapatkan tampilan index yang berisi informasi seputar wilayah studi dan juga variabel yang digunakan dalam sistem.

Antar muka pengguna yang kemudian dapat diakses oleh pengguna adalah view data historis dan juga menu prediksi. Dalam permintaan menu historis, pengguna mengirimkan perintah kedalam sistem kontrol dan sistem akan meminta data ke dalam database untuk dikembalikan ke antar muka pengguna dengan menampilkan data kembalian berupa peta, grafik dan tabel historis baik menu informasi Curah Hujan, Hujan Harian dan juga data LTS serangan WBC.

Menu prediksi yang akan menampilkan hasil perhitungan prediksi menggunakan single exponential smoothing sebelumnya pengguna melakukan input yang berupa kecamatan yang akan diprediksi beserta jenis variabel yang akan diprediksi dan juga musim. Setelah pengguna melakukan input tombol proses yang akan memberikan permintaan kedalam sistem kontrol yang akan mengambil nilai historis yang akan dijadikan variabel penghitung dan kemudian kontrol melakukan penghitungan dengan single exponential smoothing. Kemudian sistem melakukan penyimpanan data prediksi ke database. Setelah proses penyimpanan data akan dipanggil kembali dalam nilai prediksi yang akan ditampilkan dalam peta, grafik dan tabel prediksi.

Gambar 6 Sequence Diagram Model SIG Administrator

Sequence Diagram Pada Gambar 6 dalam model SIG administrator. Semua hak akses yang dimiliki pengguna juga dapat dilakukan oleh administrator. Hanya satu hak akses yang membedakannya dengan pengguna biasa yaitu hak akses langsung kedatabase. Hak akses tersebut adalah menu edit database. Hal ini memungkinkan admin merubah database yang berada dalam sistem.

: Admin : boundary

: Control

: Database

ViewIndex

ViewIndex

ReturnData

ShowDataIndex

RequestDataIndex

ViewDataHistoris

GetRequestData

RequestDataHistoris

ReturnData

ShowDataHistoris

InputDataPrediksi

GetInputDataPrediksi

RequestDataHistoris

ReturnDataPrediksi

ShowDataPrediksi

PilihDataYangAkanDIUpdate

GetDataUpdate

SelectDataLama

ReturnNilaiBaru

ShowDataUpdate

Clasdeskripsi pengguna akan diolaperintah te

4. Hasil

Hasiyaitu yangmerupakandata sumbbagian ini

Bagkomoditassingle exp

Menkonten wihalaman b

Padasecara sekLPHP SurWilayah dKabupatenKarangany

ss Diagramobjek dan ayang dapat

ah di dalamerhadap sist

l dan Pemb

il antar mug pertama n menu vieber yang asistem akan

ian kedua s padi. Data

ponential smnu index dailayah LPHberanda dari

a halaman kilas dan jurakarta akadengan 7 kn Klaten, yar, Kabupa

V

Gamba

m Gambar atribut dalamt mengaksem kelas kotem untuk m

bahasan

uka sistem iadalah me

ewer yang akan digunan menampiladalah fokua historis y

moothing yanalam SIG iP Surakartai sistem ada

G

awal SIG auga Wilaya

an ditunjukkkabupaten

Kabupatenaten Sragen

SelectViewData

User

ControlUser

EntityAdmin

Id : integernama : StringPassword : varchar

SelectData()ViewData()UpdateData()Prediksi()

ar 7 Class D

7 model Sm sistem p

es sistem prontroler sistmenampilka

ini secara genu Curah

menampilkakan dalamlkan data hi

kus dari penang diproseng diharapkini berisikaa. Halamanalah sebagai

Gambar 8 H

akan ditamah Studi kkan Gambadan 124 k

n Boyolalin, Kabupaten

ViewData

ControlDataHistoris

EntityDataHistoris

id : integerkodekecamatan : Integekecamatan : Stringkodekabupaten : Integerbulan : datetahun : date

SelectData()ViewData()UpdateData()

update

Diagram mo

SIG menunrediksi. Akediksi. Akstem. Kelas

an data dan m

garis besar tHujan, Huj

kan data hism penghitunistoris sebagnelitian ini es dalam sikan menjadian konten n index yangi berikut sep

Halaman ind

mpilkan konkasus yaitu ar 8. Peta Lecamatan. , Kabupaten Sukoharjo

Show

Pre

Count

Contro

EntityDa

id : integerkodekecamakecamatan kodekabupabulanPrediktahunPredik

HitungPrediSelectDataPShowDataP

r

r

odel SIG

njukkan struktor dalam ses penggunkontrol ak

melakukan

terbagi menjan Harian storis. Datangan predikgai informa

yaitu predstem menggi nilai predikselamat datg akan ditaperti Gamba

dex

nten berupa LPHP Sur

LPHP SuraKabupaten en Sukohao dan Kodia

Show

ediksi

olPrediksi

ataPrediksi

atan : Integer: Stringaten : Integerksi : dateksi : date

ksi()Prediksi()rediksi()

uktur kelassistem ini ana dengan skan membeprediksi.

njadi dua bdan OPT

a historis aiksi. Menu asi. diksi WBC gunakan miksi yang baatang, WBCampilkan sear 7:

deskripsi Wrakarta. Wiakarta menc

tersebut aarjo, Kabua Surakarta.

10

s dan adalah sistem erikan

bagian yang

adalah pada

pada metode aik. C dan ebagai

WBC ilayah cakup adalah upaten .

MenCurah Hugrafik. Danilainya dprediksi d

Menkabupatenmempuny

Setepengguna

nu yang akaujan dan Hualam penyadibutuhkan ditunjukkan

nu prediksin yang telayai pilihan C

elah penggumenekan to

Gamban menampiujan Harianajian param

legenda yn pada Gamb

Gamb

Gamb

Gamba

i akan meah dipilih. Curah Hujan

Gamba

una memasuombol prose

bar 9 Wilayailkan data hn akan ditammeter peta yang akan bar 10a, Ga

bar 10a Leg

bar 10b Lege

ar 10c Legen

enampilkanSedangkan

n, Hujan Ha

ar 11 Menu I

ukan masues secara ot

ah LPHP Suhistoris indikmpilkan dayang digun

menunjukambar 10b d

genda Curah

enda Hujan

nda Seranga

n pilihan jenis vari

arian dan OP

Input Predik

kan pada htomatis peng

urakarta kator iklim lam bentuk

nakan dalamkan klasifikdan Gambar

h Hujan

Harian

an WBC

kecamatan bel yang aPT.

ksi

halaman pregguna mem

yang terdirk peta, tabem tinggi rekasi dalam r 10c.

sesuai deakan diram

ediksi kemmberikan per

11

ri dari el dan endah

peta

engan malkan

udian rintah

pada sistemelalui prdatabase tmenampil

PadaJenis Varidari databexponentiaditunjukkaprediksi CContoh MFJanuari2188.64382FFebruari2308.15247FMaret20300.01849 Coprediksi cadalah pekecamatanrerata bulaprediksi ydata akan SIG dalam

Indiditunjukkaakan ditun

Klas3 tingkataapabila dTingkatannilai reratrendah den

Pada2015 padakeseluruhadianalisis pola spasi

em untuk mroses generatersebut yankan dalam pa saat pengiabel dan T

base yang kal smoothinan salah sat

Curah HujanManual:

015 = 310.024768 mm 2015 = 30071052 mm 15 = 297.2598012 mm ontoh manucurah hujanerhitungan n Sukoharjoan Januari ang diasumdisimpan k

m bentuk pekator yangan dengan njukkan Gam

sifikasi yangan. Tingkatdata rerata n ke 2 adalaa antara 2,5ngan nilai ra analisis ha seluruh 7 an prediksi data spasia

al intensitas

memprediksate data kemng akan mepeta, grafikgguna melaTahun prediemudian dihng. Sebagau contoh pe

n.

0133983067

.708762032

5744192940

ual menjelan yang akan

prediksi bo kabupatenselama 200

msikan sebagke dalam data kejadian,g akan mgradasi warmbar 12.

Gamb

g digunakantan klasifik

hasil predah klasifika5 hektar hinerata kuranasil pediksiKabupatenLTS. Samp

al dan tems serangan W

si sesuai pmudian menenjadi nilai pk dan tabel pakukan masiksi sistem hitung men

ai contoh perhitungan d

71 * 0.2 + (

2645 * 0.2 +

08 * 0.2 + (

askan tentan dijalankanbulan Janun Sukoharjo01 – 2014 pgai nilai histatabase. Da, tabel dan g

menunjukkanrna sebagai

bar 12 Lege

n dalam prekasi yang pdiksi memiasi sedang, ngga 7,5 he

ng dari 2,5 hi pada LPHn di LPHP pel kabupat

mporal hasil WBC.

parameter pnyimpannyaprediksi yan

prediksi WBsukan berupsebenarnya

nggunakan merhitungan dari variabe

1 - 0.2) * 15

+ (1-0.2) * 3

1-0.2) * 300

ang satu cn oleh siste

uari 2015 o. Sistem akpada kecamtoris data pa

ata akan ditagrafik sebagn wilayah i legenda p

enda Prediks

ediksi LTS ertama adailiki kisarannilai kisaraektar dan y

hektar. HP Surakarta

Surakarta sen pada tahprediksiny

pengguna. Da dalam datng dibutuhk

BC. pa Kabupata mengambmetode pred

sistem di el prediksi L

58.3014313

310.013398

0.70876203

ontoh perhem prediksihingga Makan mulai m

matan Sukohada tahun 2ampilkan kegai presenta

endemis ada peta pr

si OPT

WBC akan alah klasifikn nilai dia

an klasifikasyang ke 3 a

a akan diamsebagai samhun 2015 yaya sehingga

Data yang tabase. Datakan sistem u

aten, Kecambil masukandiksi yaitu sbawah ini

LTS dan var

383405 =

830671 =

32645 =

hitungan mi. Contoh daret 2015 menghitungharjo. Nilai 2015 dan terembali ke d

asi. serangan

rediksi. Leg

dibagi ke dkasi tinggi atas 7,5 hsi sedang a

adalah klasi

mbil hanya mpel analisisang diambila akan dike

12

telah a dari untuk

matan, n data single

akan riabel

manual diatas pada

g data hasil

rsebut dalam

akan genda

dalam yaitu

ektar. adalah fikasi

tahun s dari l akan etahui

Padatahun 201Nilai premenunjukbawah 2,5

Padabahwa sebtinggi. KkecamatanMojolabanSukoharjoklasifikasiklasifikasihektar.

G

a Gambar 5 hanya pad

ediksi padakkan wilaya5 hektar.

G

a Kabupatebagian besa

Kecamatan yn yaitu Gatn: 29,75 ho: 16,45 hi sedang yi rendah yai

Gambar 13 P

13 menunjda 1 kecama daerah ahnya terma

Gambar 14 P

en Sukoharar wilayah pyang masutak: 12,41 hhektar, Polohektar dan aitu kecamitu Kecamat

Prediksi Wo

ukkan hasimatan Selogi

Selogiri: 6asuk pada k

Prediksi Suk

rjo yang dpada kabupauk dalam hektar, Bakokarto: 17,

Tawangsamatan Weru

tan Bulu: 1

onogiri tahu

il prediksi iri yang mas6,74 hektaklasifikasi r

koharjo tahu

ditunjukkan aten Sukohklasifikasi

ki: 16,3 hek,53 hektar, ari: 15,05u: 4,04 hek,51 hektar d

un 2015

pada Kabusuk pada kl

ar. Pada wrendah deng

un 2015

pada Gamarjo masuk LTS tingg

ktar, GrogoBendosari

5. Satu kektar dan 2 dan kecama

upaten Wonlasifikasi sewilayah lagan nilai LT

mbar 14 tek pada klasigi mencakol: 14,65 hi: 10,04 h

ecamatan mwilayah m

atan Nguter

13

nogiri dang. innya TS di

erlihat fikasi

kup 8 ektar, ektar,

masuk masuk : 2.73

Anamenunjukkecamatansedang yaTanon: 3,klasifikasi

Padakecamatandalam kokecamatanKliwon se

alisis pada kkan kecaman yang maaitu kecama,91 hektar. i rendah yai

Gam

a Gambar 1n paling sedodia surakan tersebut emua memp

Gambar 15

kabupatenatan Masar

asuk klasifiatan KedawWilayah y

itu di bawah

mbar 16 Pred

16 merupakdikit yaitu arta termasadalah Law

punyai kisar

Gambar 17

5 Prediksi S

n Sragen yran: 26,76 hikasi tinggiwung: 6,8yang lain ph 2,5 hektar

diksi Kodia

kan wilayah5 kecamata

suk dalam weyan, Baran nilai di b

7 Prediksi K

ragen tahun

yang ditunhektar yangi, 3 wilaya1 hektar, Sada kabupa

r.

a Surakarta t

h pada Kodian. Pada ta

klasifikasinjarsari, Jebawah 2,5 h

Klaten tahun

n 2015

njukkan pag merupakanah yang mSidoharjo: 5aten Sragen

tahun 2015

ia Surakartaahun 2015 Li LTS renebres, Serenhektar.

n 2015

ada Gamban satu – sa

masuk klasi5,53 hektar

n termasuk

a dengan juLima kecamndah kecamngan dan

14

ar 15 tunya fikasi r dan pada

umlah matan matan Pasar

PredEmpat da16,28 hekhektar. W3,02 hekthektar, TrWilayah skecamatanPrambanadan Kalikdi bawah 2

Klasbahwa klJatiyoso, Karangpanbawah 2,5Jaten: 6,1tahun 201dalam klas

Anaterdapat s12,35 hek

diksi pada aerah yang ktar, Delang

Wilayah yantar, Polanharucuk: 7,53sisa yang tn Kemalaan, Jogonalakotes masuk2,5 hektar.

Ga

sifikasi LTlasifikasiny

Jatipuro, ndan, Mojo5 hektar. Te8 hektar, C5 kabupatesifikasi LTS

G

alisis data hsatu kecamaktar. Klasifik

kabupaten masuk kla

ggu: 9,5 heng masuk karjo: 7,25 hektar, Catidak termaang, Tulunan, Kebonark pada kasif

ambar 18 Pr

S tahun 20a didomin

Tawangmogedang, Kerdapat bebColomadu: en KaranganS tinggi yait

Gambar 19

asil prediksatan dengakasi sedang

Klaten masifikasi LTektar, Juwirklasifikasi Lhektar, Ka

awas: 8,42 asuk dalam ng, Karanrum, Klatenfikasi renda

rediksi Kara

015 pada knasi LTS mangu, M

Kerjo dan Jberapa keca5,93 hektarnyar hanya tu Kecamat

Prediksi Bo

si pada tahuan klasifikag pada kabu

memiliki sebTS tinggi yring: 25,27 LTS sedangaranganom:

hektar, danklasifikasi

ngnongko, n utara, Klaah dengan k

anganyar tah

kabupaten rendah yai

Matesih, JJenawi denmatan dengr dan Gondmemiliki s

tan Kebak K

oyolali tahu

un 2015 di si LTS tinupaten Kara

baran LTS aitu Kecamhektar, Ka

g yaitukeca5,05 hekt

n Gantiwari tinggi dan

Ngawen, aten Selatankisaran nilai

hun 2015

Karanganyaitu KecamJumantono, ngan kisaragan klasifikdangrejo: 4,satu wilayahKramat: 11,5

un 2015

Kabupaten ggi Kecamanganyar ad

yang beramatan Wonarangdowo:amatan Jatitar, Ceper: rno: 3,33 hn sedang a

Manisrenn, Klaten Tei LTS pada

ar menunjumatan Juma

Karangaan nilai LTkasi sedang ,98 hektar. h yang term5 hektar.

Boyolali amatan Ngem

dalah kecam

15

agam. osari: 21,2 inom:

3,27 ektar.

adalah nggo, engah 2015

ukkan apolo, anyar, TS di

yaitu Pada

masuk

adalah mplak: matan

16

Nogosari, Sambi, Banyudono dan Sawit. Kecamatn dengan klasifikasi rendah di kabupaten Boyolali adalah kecamatan Selo, Ampel, Cepogo, Musuk, Boyolali, Mojosongo, Simo, Klego, Andong, Kemusu, Karanggede, Wonosegoro dan Juwangi.

Dari peta prediksi wilayah endemis serangan WBC pada LPHP Surakarta diatas menunjukkan bahwa Kabupaten Klaten dan Kabupaten Sukoharjo yang memiliki kecamatan terbanyak yang memiliki klasifikasi tinggi pada wilayah endemisnya.

Kemudian pembandingan antara data prediksi dengan data historis yang sesuai dengan nilai pada riil. Validasi yang akan dilakukan untuk menunjukkan kemampuan metode single exponential smoothing dalam memberikan hasil prediksi. Digunakan data tahun 2001 – 2005 sebagai data sumber untuk memprediksi tahun 2006 - 2010.

Secara umum perhitungan kesalahan prediksi dapat dijabarkan sebagai berikut:

ei = xi – Fi ................................................................................................. (3)

Keterangan : ei = kesalahan pada periode ke-i xi = nilai sesungguhnya pada periode ke-i Fi = nilai hasil prediksi pada periode ke-i

Validasi yang dilakukan akan diambil sampel penghitungan untuk menghitung nilai ei (kesalahan peramalan) pada Kecamatan Gemolong Kabupaten Sragen. Persamaan (3) akan digunakan untuk menghitung nilai kesalahan hasil prediksi.

EGemolong = xGemolong – FGemolong

EGemolong = 210 – 208.08

= 1,92

Nilai xGemolong didapatkan dari rerata data historis pada Kecamatan Gemolong pada tahun 2001 – 2005, kemudian nilai tersebut dikurangi dengan rerata hasil prediksi menggunakan metode single exponential smoothing dari 2006 -2010. Nilai kesalahan peramalan (ei) yang didapatkan adalah 1,92 yang akan dihitung menggunakan MSE seperti pada persamaan (2). Perhitungan manual yang akan dilakukan adalah sebagai berikut.

0,737285

92,1 2

MSE

Nilai MSE didapatkan dengan menghitung kuadrat dari ei kemudian dibagi dengan jumlah periode data. Periode data dalam validasi adalah 5 periode yaitu 2001 – 2005. Hasil validasi yang didapatkan pada Kecamatan Gemolong dengan menggunakan MSE Adalah 0,73728.

5. Kesimpulan

Metode single exponential smoothing dapat dipergunakan sebagai metode prediksi dengan karakteristik data yang mempunyai fluktuatif. Pola spasial

17

temporal data hasil prediksi akan mengalami penurunan dari periode satu ke periode berikutnya. Pola penurunan data hasil pediksi dikarenakan karakteristik single exponential smoothing memberikan pembobotan lebih besar pada hasil yang pertama diprediksi. Wilayah prediksi luas tambah sebaran endemis LTS WBC mempunyai pola yang fluktuatif di LPHP Surakarta. Hasil prediksi periode satu dengan yang lainnya akan memiliki karakteristk yang tidak jauh berbeda baik dari nilai prediksi. Metode runtun waktu yang digunakan pada sistem ini yaitu Single Exponential Smoothing dapat diterapkan sebagai metode prediksi WBC dengan indikator iklim. Hasil prediksi dapat digunakan menjadi pertimbangan dalam pengambilan keputusan dalam bidang – bidang yang terkait dengan hasil prediksi. Validasi sebagai pengukur keakuratan metode prediksi dapat dilakukan dengan membuat perbandingan data riil dengan data prediksi yang telah diketahui nilai sebenarnya.

6. Daftar Pustaka

[1] Waluyo, B., 2011, Memberantas Hama Wereng Batang Cokelat, Bappeda Jawa Tengah, Suara Merdeka 24 Juni 2010,

http://suaramerdeka.com/v1/index.php/read/cetak/2010/06/24/114348/Memberantas-Hama-Hama-Wereng-Batang-Cokelat-

[2] Supriyono, S.W., 2006, Keterkaitan Antara Penyimpangan Cuaca Pertanian Dengan Organisme Pengganggu Tanaman Pangan.

[3] Effendi B. S., 2009, Strategi Pengendalian Hama Terpadu tanaman Padi Dalam Perspektif Praktek Pertanian Yang Baik (Good Agricultures Practices).

[4] Ai, T. J., 1999, Optimalisasi Peramalan Pemulusan Eksponensial Satu Parameter Dengan Menggunakan Algoritma Non linear Programming, Jurnal Teknologi Industri vol.3 No.3.

[5] Makridakis, S., Whell Wright, Steven C., Mcgee Victor E, alih bahasa: Untung Sus Andriyanto, Abdul Basith, 2000, Metode dan Aplikasi Peramalan Edisi Kedua, Penerbit Erlangga. Jakarta. http://www.uajy.ac.id/jurnal/jti/1999/3/3/doc/1999_3_3_1.doc.

[6] Supriana, U., 2010, Universitas Sumatera Utara, Peramalan Produk Domestik Regional Bruto (Pdrb) Kabupaten Labuhan Batu Pada Sektor Pertanian Tahun 2011

[7] Kuncono, 2010, rancang bangun sistem peramalan permintaan barang pada cv. konveksi jaya dengan menggunakan metode exponential smoothing

[8] Astuti, Y., 2005, Peramalan (Forecasting) Volume Penjualan Teh Hitam Dengan Metode Exponential Smoothing Pada Pt Perkebunan Tambi Wonosobo.

[9] Hoover, S.V. & Perry, R.F., 1989, Simulation: A Problem-Solving Approach.

Boston: Addison-Weshey