Bab 4 Hasil dan Pembahasan -...
Transcript of Bab 4 Hasil dan Pembahasan -...
31
Bab 4
Hasil dan Pembahasan
4.1 Implementasi Sistem dan Hasil Perhitungan
Implementasi sistem dan Hasil Perhitungan adalah proses
perhitungan dan visualisasi dari metode yang akan digunakan lalu hasil
yang muncul. Kode-kode dan fungsi fungsi yang didefinisikan untuk
perhitungan dan pemetaan pola spasial Bayesian.
Kode Program 4.1 Perintah untuk Memanggil beberapa library untuk menjalankan
fungsi metode Bayesian dan Local G statistik.
Kode Program 4.1.1.1 perintah untuk memanggil library
Pertama tama akan didefinisikan penggunaan library yang akan
digunakan untuk memanggil data, mengolah data, menghitung data dan
menampilkan data, library yang akan digunakan adalah sebagai
berikut:
1. Library Clasint, class, e1071.
Adalah library yang akan digunakan dalam pembuatan
interval atau penggolongan yang telah dihitung dahulu
sebelumnya dan digunakan pada peta yang akan
ditampilkan.
library(classInt) library(spdep) library(rgdal) library(maptools) library(maps) library(SpatialEpi) library(DCluster) library(RANN)
32
2. Library SpatialEpi.
Adalah library yang digunakan untuk memanggil fungsi
spasial dalam perhitungan metode matematis dan pola
spasial pada peta.
3. Library maptools.
Adalah library yang digunakan untuk memanggil dan
menampilkan peta.
4. library spdep, rgdal.
digunakan untuk membangun daftar dan menghitung
hubungan/pengaruh wilayah yang bersinggungan dari daftar
polygon yang telah dibuat sebelumnya.
4.1.1 Pemetaan Serangan OPT terhadap Hasil Panen Padi
4.1.1.2 Menampilkan Data hasil panen Padi Sawah kedalam Peta
Untuk menampilkan data peramalan padi sawah kedalam peta
langkah menampilkan peta boyolali.
Kode Program 4.1.1.2 menampilkan peta boyolali
Baris kode program diatas merupakan cara pemanggilan peta
utuh Surakarta yang nantinya akan dipotong pada bagian kabupaten
boyolali yan merupakan studikasus pada penelitian ini.
1 surakarta <- readShapeSpatial("F:/surakarta/surakarta.shp") 2 par(mar=rep(0,4)) 3 plot(surakarta) 4 boyolali<-(surakarta[surakarta$POLY_ID[(c(1:19))],]) 5 plot(boyolali) 6 library ("sp")
33
1 boyolali<-(surakarta[surakarta$POLY_ID[(c(1:19))],]) 2 plot(boyolali) 3 text(coordinates(boyolali),
labels=as.character(boyolali$KECAMATAN), cex=0.6)
gambar 4.1.2 peta Surakarta
Gambar diatas merupakan hasil tampilan peta dari kode
program 4.1.1.1. yang menampilkan peta Surakarta secara utuh
sebelum dipotong. Langkah selanjutnya, peta Surakarta tersebut lalu
dipotang peta boyolali saja dengan menggunakan kode program kode
program 4.2.1.3
Kode Program 4.1.1.3 memotong peta Surakarta
34
Baris kode program diatas merupakan pemotongan 19 daerah
Kecamatan yang ada di Kabupaten boyolali di ambil dari peta utuh
Surakarta.csv.
gambar 4.1.2.3 peta boyolali
Gambar diatas merupakan hasil tampilan peta dari kode
program 4.1.2.2. yang menampilkan peta Boyolali yang merupakan
potongan dari peta surakata.csv, yang terdiri dari 19 Kecamatan.
4.2.2 Visualisasi Serangan OPT terhadap Padi
Langkah pertama yang dilakukan adalah mendeklarasikan dan
memanggil peta .shp dan data .csv yang telah ada. Perintah yang
dijalankan yaitu :
35
Kode Program 4.2.2.1 Perintah untuk memanggil data spasial, yang
nantinya akan dimasukkan kedalam peta hasil panen padi sawah, padi
gogo dan serangan OPT.
Baris kode program diatas adalah pemanggilan data mentah
hasil panen padi gogo dan padi sawah dalam satuan ton dan hektar, dan
data serangan organism pengganggu tanaman dalam kurun waktu
sepuluh tahun (2000-2010). Langkah selanjutnya yaitu membuat plot
berdasarkan nilai serangan OPT terhadap tanaman padi dengan
menggunakan perintah program sebagai berikut :
Kode Program 4.2.2.2 Perintah untuk menampilkan plot polygon
Baris kode program diatas merupakan perintah untuk
menampilkan plot polygon setiap wilayah yang terkena serangan hama,
yaitu titik-titik cluster yang nantinya akan dianalisa. Hasil dari baris
kode program tadi dapat dilihat pada gambar berikut.
ppgton=read.csv("F:/komoditi padi/komoditi padi gogoTON.csv") ppgha=read.csv("F:/komoditi padi/komoditi padi gogoHA.csv") ppston=read.csv("F:/komoditi padi/komoditi padi sawahTON.csv") ppsha=read.csv("F:/komoditi padi/komoditi padi sawahHA.csv") OPT=read.csv("F:/opt.csv") luas=read.csv("F:/luas19desa.csv") surakarta=readShapeSpatial("F:/boyolali.shp") surakarta=readShapePoly("F:/boyolali.shp") boyolali=(surakarta[surakarta$POLY_ID[(c(1:19))],])
coords=coordinates(boyolali) byll.nb <- poly2nb(boyolali, queen = TRUE) plot(byll.nb,coordinates(coords))
36
Gambar 4.2.1 Plot Bayesian serangan hama
Gambar 4.6 menunjukkan hasil kode program Kode Program
4.2.2.2 yang menampilkan plot relasi jaringan antar wilayah
Kecamatan satu sama lain, menunjukkan relasi kelompok Kecamatan
yang bersinggungan dengan Kecamatan lain dari jejaring ini akan
digunakan untuk melihat relasi dan pengaruh serangan organisme
pengganggu tanaman dari satu daerah ke daerah sekitarnya. Gambar
diatas merupakan plot Bayesian serangan hama terhadap tanaman padi,
yaitu titik-titik cluster yang saling behubungan.
37
Kode Program 4.2.2.3 Perintah untuk menampilkan tabel pendekatan
probabilitas serangan hama OPT di 19 Kecamatan yang ada di
kabupaten Boyolali
Hasil baris kode program diatas dapat dilihat pada tabel berikut :
Pada tabel diatas, terdapat dua kolom tabel yang merupakan
data asli atau data sebelum diolah dan data hasil pendekatan
porbabilitas dengan menggunakan kombinasi dua metode yaitu
Bayesian dan Local G. raw merupakan data asli yang didapat dari BPS
Boyolali, sedangkan est merupakan nilai angka hasil panen padi yang
telah diolah menggunakan kombinasi dua metode tersebut. Nilai pada
kolom raw dan est merupakan hasil panen padi dalam satuan Ton.
byll.listw <- nb2listw(byll.nb, style = "W") plot(byll.listw,coordinates(coords)) byll.ebe = EBlocal(ppgton$rerata[1:19], boyolali$KODE[1:19], byll.nb) byll.ebe[1:19,]
38
warna=c("red","green","blue","yellow","brown") nclr=5 class.raw = classIntervals(round(byll.ebe$raw*1000,0), nclr, style='quantile') class.est = classIntervals(round(byll.ebe$est*1000,0), nclr, style='quantile') colcode.raw = findColours(class.raw, warna) colcode.est = findColours(class.est, warna) par(mfrow=c(1,2)) plot(boyolali,col=colcode.raw,axes=T)
Kode Program 4.2.2.4 Perintah untuk menampilkan peta hasil panen
padi sawah kabupaten Boyolali.
Kode program 4.2.2.4 merupakan fungsi untuk menampilkan
plot hasil panen padi dalam suatu Kecamatan atau wilayah berdasarkan
luas dari wilayah tersebut dan berdasarkan tingkatan angka hasil panen
padi di Kecamatan tersebut. Pada baris pertama merupakan deklarasi
warna yang digunakan sebagai batasan dan dideklarasikan terlebih
dahulu, pada baris kedua menentukan variabel baru yang berisi tentang
informasi Kecamatan yang terdekat atau bersinggungan dengan
kabupaten tersebut, pemberian warna yang bertujuan untuk
membedakan tingkatan hasil panen padi dari Kecamatan yang satu
dengan yang lain pada setiap Kecamatan di kabupaten Boyolali, nclr
pada kode baris ke dua bertujuan untuk memberi batasan interval
warna yang diberikan kepada setiap wilayah kabupaten. Batasan
interval warna dibagi atas 5 bagian warna yaitu: (1) warna merah untuk
menunjukan angka serangan hama sangat tinggi, (2) warna hijau untuk
angka serangan tinggi, (3) warna biru untuk angka serangan sedang, (4)
warna kuning untuk angka serangan rendah, dan (5) warna ungu untuk
angka serangan hama paling rendah. Interval warna tesebut dibagi
berdasarkan range tingkat serangan hama di tiap Kecamatan. Hasil dari
kode program diatas dapat dilihat pada gambar 4.2.2.
39
Gambar 4.2.2 Hasil pemetaan data spasial hasil panen padi
Pada gambar 4.2.2 Keluaran setiap Kecamatan dibedakan
menurut warna yang berbeda serta diberikan text ID pada masing –
masing wilayah Kecamatan berdasarkan titik koordinat setiap wilayah
tersebut. Perintah pemanggil plot peta terdapat pada baris tujuh,
perintah pemberian legenda terdapat pada kode program 4.2.2.8.
Kode Program 4.2.2.5 Perintah untuk menampilkan plot Local G
untuk peta hasil panen padi sawah kabupaten Boyolali.
plot(byll.nb,coordinates(coords),col="white",add=T) plot(boyolali,col=colcode.est,axes=T) plot(byll.nb,coordinates(coords),col="white",add=T)
40
Hasil dari kode program 4.2.2.5 merupakan gabungan dari titik-
titip pada peta yang terhubung satu dengan yang lainnya, mulai dari
titik yang terdekat yang berada disekitarnya.
Gambar 4.5. Pemetaan data spasial dengan menggunakan metode Local G
Pada gambar diatas dapat dilihat bahwa terdapat 4 daerah
cluster yang merupakan hasil pemetaan data spasial yang
menggunakan metode Local G dengan pendekatan probabilitas
Bayesian.
Kode Program 4.2.2.6 Perintah untuk menampilkan plot Bayesian
serangan OPT
warna=c("red","green","blue","yellow","brown") nclr=5 class.raw = classIntervals(round(byll.ebe$raw*1000,0), nclr, style='quantile') class.est = classIntervals(round(byll.ebe$est*1000,0), nclr, style='quantile') colcode.raw = findColours(class.raw, warna) colcode.est = findColours(class.est, warna) par(mfrow=c(1,2)) plot(boyolali,col=colcode.raw,axes=T)
41
Hasil dari perintah kode program diatas yaitu visualisasi yang
dibagi berdasarkan tingkatan warna untuk menggabarkan hasil
perhitungan besarnya angka serangan OPT terhadap hasil panen padi
sawah di kabupaten Boyolali dapat dilihat pada gambar di bawah :
Gambar 4.2.4 Perbandingan peta boyolali sebelum dan sesudah terkena hama
Pada gambar 4.2.4 dapat dilihat perbadingan peta boyolali
sebelum dan sesudah terkena serangan hama OPT. terdapat 4 daerah
hotspot yang merupakan daerah dengan tingkat serangan OPT sangat
tinggi dan 3 daerah yang saling bersinggungan yaitu daerah
Kecamatan Banyedono, Sawit dan Ngempak.
4.2.3 Perbadingan Identifikasi Serangan OPT terhadap padi
Perbandingan dilakukan dengan membandingan data serangan
hama OPT dan data hasil panen tanaman padi dalam kurun waktu 2000
hingga 2010 yang diperoleh dari hasil penelitian datas sekunder BPS
42
Hasil pengolahan data dengan menggunakan fungsi Bayesian
dengan hasil keluaran identifikasi penyebaran serangan hama OPT
terhadap tanaman padi dipetakan dengan Choropleth dibandingan
dengan hasil identifikasi persebaran hama OPT mempunyai hubungan
atau tidak. Jika mempunyai hubungan, maka bisa dikatakan bahwa
adanya kesesuaian antara identifikasi dengan metode Bayesian dan
Local G.
Kode Program 4.2.2.7 Perintah untuk menampilkan plot Bayesian serangan OPT
Perbandingan Choropleth kasus tahun 2000 dapat dilihat pada gambar
di bawah :
Gambar 4.2.5 visualisasi Cluster serangan OPT terhadap hasil panen
Pada gambar 4.2.5. dapat dilihat hasil visualisasi cluster
serangan hama OPT terhadap hasil panen padi yang di beri warna
plot(boyolali,col=colcode.raw,axes=T) plot(byll.nb,coordinates(coords),col="white",add=T) plot(boyolali,col=colcode.est,axes=T) plot(byll.nb,coordinates(coords),col="white",add=T)
43
merah merupakan daerah hotspot dimana daerah tersebut memiliki
angka serangan hama tertinggi dari Kecamatan yang lain.
Kode Program 4.2.2.8 Perintah untuk menampilkan legend plot cluster serangan OPT
hasil dari baris kode program diatas yaitu untuk menampilkan legend
dari pemetaan serangan hama
4.1.8 Hasil Pemetaan
Berdasarkan pembahasan diatas maka didapat hasil dari
pemetaan serangan hama OPT terhadap tanaman padi sawah dan padi
ladang. Berikut ini hasil visualisasi serangan OPT tehadap hasil panen
padi sawah dan padi ladang menggunakan metode Bayesian dan Local
G di 19 Kecamatan di kabupaten Boyolali periode 2000-2010.
Gambar 4.2.2 Peta deteksi cluster daerah serangan hama
legend(locator(1), c("a","b","c","d","e"), fill =warna, bty = 'n', cex = 1,col="white")
44
Gambar 4.2.2 merupakan visualisasi dari deteksi cluster daerah
serangan hama tehadap tanaman padi yang tejadi di kabupaten Boyolali
dalam kurun waktu (2000-2010)
Uji statistik diterapkan untuk mendeteksi cluster spasial dapat
berupa: (1) tes deteksi cluster global, dimana (non-specific) ringkasan
statistik di identifikasi apakah pengelompokannya ada di wilayah
diselidiki, atau (2) tes deteksi lokal cluster yang berusaha untuk
mencari lokasi spasial dari kelompok dalam suatu wilayah tertentu. Tes
cluster lokal deteksi dapat lebih dikategorikan sebagai baik tes terfokus
atau tidak terfokus. Tes yang terfokus akan berusaha untuk
mengidentifikasi kelompok penyakit dalam sekitar area spesifikasi
(misalnya, disekitar lahan yang terserang OPT). sedangkan tes yang
tidak terfokus akan berusaha untuk mengidentifikasi kelompok
penyakit per hektar. Dalam pengaturan epidemiologi, sangat penting
bahwa cluster tes deteksi menyesuaikan struktur dan distribusi spasial
berdasarkan populasi yang beresiko. Tes deteksi cluster yang tersedia
berbeda dalam beberapa kasus menggunakan perhitungan populasi
lengkap untuk mengkarakterisasi populasi beresiko sedangkan lainnya
menggunakan sampel kontrol.