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.