1

Pengembangan Sistem Prediksi Serangan Organisme Pengganggu

Tanaman Menggunakan Teknologi Android Mobile OS

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk Memperoleh Gelar Sarjana Komputer

Peneliti:

Vito Ivan Irawan (672011250)

Dr. Sri Yulianto J.P, S.Si, M.Kom.

Ramos Somya, S.Kom., M.Cs.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Oktober 2015

1

Pengembangan Sistem Prediksi Serangan Organisme Pengganggu Tanaman Menggunakan Teknologi Android Mobile OS

Oleh,

Vito Ivan Irawan

NIM : 672011250

ARTJKEL ILMIAH

Diajukan Kepada Program Studi Teknik Infonnatika guna memenuhi sebagian dari

persyaratan untuk mencapai gelar Sarjana Komputer

Disetujui oleh,

Ss. MK "' '•"'"',~L-~ R h-~'-"'-'--'-'"'""'""'......,..........,"" . ...,1'-'.!!'-"· ,.o"'m'". .~<\~"'~ _,;t,l . .J ,~-·"' _, amos So~~ s._Kom, M.Cs. ~·'"..." ~ _, __ > ~ --:, Pemb1mbmg 2 o,· " ,.. :. ·-'~ . , ). !.~~rii~~iah~r ~teh. t r-- . ' t : ~ .J •

·~_;... ·~_ ./ ) , .... . '

FAKULTAS TEKNOLOGJ INFORMASI UNIVERSITAS KRISTEN SATYA WACANA

SALATIGA 2015

ii

Judul Tugas Akhir

Nama Mahasiswa NIM Program Studi Fakultas

Lembar Pengesahan

: Pcngembangan Sistem Prcdiksi Serangnn Organismc Pcngganggu Tnnnman Menggunaknn Tcknologi Android Mobile OS

: Vito Ivan lrawan : 672011250 : Teknik lnformatikn : Teknologi lnformasi

Menyetujui,

Ram

Pembimbing I .;.:~"' ~{Hf5'i-;. .. ~ '\·~ · ' ~ ( , · ... , ..... ,. \.) ~ .... , ,

•: : f)ilengesahkan, ' '\ : · ~ ..

~ Suprihadi. S.Si.. M.Kom.

Ketun Program Studi

Dinyatakan Lulus Ujian tanggal: 16 November 2015

Penguji:

I. Hindriyanto Dwi Pumomo, S.T., MIT., Ph.D.

2. Yos Richard Beeh, S.T, M.Cs.

v

vi

Pengembangan Sistem Prediksi Serangan Organisme Pengganggu

Tanaman Menggunakan Teknologi Android Mobile OS

Artikel Ilmiah

Oleh:

Vito Ivan Irawan

NIM: 672011250

Telah disetujui diuji:

Tanggal : ……………………..

Pembimbing 1 Pembimbing 2

Dr. Sri Yulianto J.P, S.Si, M.Kom Ramos Somya, S.Kom. M.Cs

1

Pernyataan

Yang bertanda tangan di bawah ini:

Nama : Vito Ivan Irawan

NIM : 672011250

Program Studi : Teknik Informatika

Fakultas : Teknologi Informasi

Menyatakan dengan sesungguhnya bahwa tugas akhir dengan judul:

Pengembangan Sistem Prediksi Serangan Organisme Pengganggu

Tanaman Menggunakan Teknologi Android Mobile OS

Yang dibimbing oleh:

1. Dr. Sri Yulianto J.P, S.Si, M.Kom

2. Ramos Somya, S.Kom., M.Cs.

adalah benar-benar hasil karya saya.

Di dalam tugas akhir ini tidak terdapat keseluruhan atau sebagian tulisan atau

gagasan orang lain yang saya ambil dengan cara menyalin atau meniru dalam

bentuk rangkaian kalimat atau gambar serta simbol yang saya aku seolah-olah

sebagai karya saya tanpa memberikan pengakuan pada penulis atau sumber

aslinya.

Salatiga, 15 Oktober 2015

Yang memberi pernyataan,

Vito Ivan Irawan

1

Pengembangan Sistem Prediksi Serangan Organisme Pengganggu

Tanaman Menggunakan Teknologi Android Mobile OS

1) Vito Ivan Irawan, 2) Sri Yulianto J.P, 3) Ramos Somya

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1) 672011250@student.uksw.edu 2) sri.yulianto@staff.uksw.edu, 3) ramos.6005@gmail.com

Abstract

Pest attack is one of the factors that can cause crop failures in rice plants. It required an

application that can predict pest attack of rice. The development of this application is to

determine the spread of plant hopper attack, and predict an attack on coming period. The

forecasting methods use Triple Exponential Smoothing (Holt-Winters). Forecasting that

existing applications are usually developed in the form of a web or desktop application, it

needs to be developed in the mobile application that can be operated with high mobility.

This application was developed in the Android mobile OS, using the Google Map API v2

and Heatmap. But, the results still have a Mean Absolute error of 0.210878. This

application can’t anticipate the attack of hopper in the coming period due to less

accurate prediction results. Key Words : Forecasting, Triple Exponential Smoothing, Android, Google Map,

Heatmap

Abstrak

Serangan organisme pengganggu tanaman merupakan salah satu faktor yang dapat

menyebabkan kegagalan panen pada tanaman padi. Untuk itu diperlukan sebuah aplikasi

yang dapat memprediksi serangan hama hama padi. Pengembangan aplikasi ini bertujuan

untuk mengetahui persebaran serangan organisme pengganggu tanaman khususnya hama

tanaman padi dan memprediksi serangan periode mendatang. Metode peramalan yang

digunakan menggunakan Triple Exponentioal Smoothing. Aplikasi peramalan yang sudah

ada biasanya dikembangkan dalam bentuk web atau desktop, maka perlu dikembangkan

dalam bentuk mobile application agar dapat dioperasikan dengan mobilitas tinggi.

Aplikasi ini dikembangkan dalam Android mobile OS, menggunakan Google Map API

dan Heatmap. Namun hasil peramalan masih memiliki Mean Absolut error sebesar

0.210878. Aplikasi ini belum dapat mengantisipasi serangan hama padi di periode

mendatang dikarenakan hasil prediksi yang kurang akurat.

Kata kunci : Forecasting, Triple Exponential Smoothing, Android, Google Map,

Heatmap

1) Mahasiswa Fakultas Teknologi Informasi Jurusan Teknik Infotmatika, Universitas Kristen

Satya Wacana Salatiga 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga

2

1. Pendahuluan

Selama ini system prediksi serangan organisme pengganggu tanaman (OPT)

hanya ada dalam bentuk Aplikasi Desktop dan Web. Sistem prediksi yang berjalan

menggunakan web memiliki kendala yaitu tidak dapat diakses di beberapa daerah.

Penyuluh pertanian dalam melakukan penyuluhan kepada petani sering kali

berada di daerah dengan koneksi internet yang terbatas sehingga tidak dapat

mengakses web tersebut.

Untuk itu perlu adanya teknologi baru yaitu dengan menggunakan mobile

platform. Sehingga diharapkan dapat diakses dimanapun dan kapanpun. Dalam

penelitian ini difokuskan tentang bagaimana cara untuk mengembangkan sistem

prediksi serangan organisme pengganggu tanaman menggunakan teknolohi

Android mobile OS.

Aplikasi yang dibangun di atas Android mobile OS karena Android dapat

didukung oleh Google Map API v2 yang dapat memetakan wilayah dan dapat

dimodifikasi. Aplikasi ini berjalan secara offline agar tidak terkendala oleh

koneksi dikarenakan wilayah pengoperasian tidak semuanya memiliki jaringan

internet yang memadai.

2. Kajian Pustaka

Penelitian yang berjudul Framework Prediksi Konektivitas Spasial

Menggunakan Metode Exponential Smoothing –Spatial Autocorrelation Untuk

Penentuan Wilayah Endemik Wereng Batang Coklat (Nilaparvata Lugens Stal.) di

Provinsi Jawa Tengah telah membahas pemanfaatan metode Triple Exponential

Smoothing untuk memprediksi serangan OPT [1]. Itu artinya metode Triple

Exponential Smoothing dapat diimplementasikan untuk memprediksi serangan

OPT, namun dalam penelitian tersebut platform yang digunakan adalah desktop.

Maka dalam penelitian selanjutnya perlu adanya pengembangan di dalam platform

baru yaitu dalam mobile OS.

Penelitian selanjutnya yang berjudul Rancang Bangun Sistem “Permadi”:

Peringatan Dini Serangan Hama Tanaman Berbasis Data Historis Klimatologi

telah membahas tentang system peringatan dini serangan OPT yang dapat

ditampilkan ke dalam mobile device dengan SMS Gateway [3]. Dalam penelitian

ini metode peramalan yang digunakan adalah triple exponential smoothing, hal

tersebut menunjukna bahwa metode triple exponential smoothing dapat

diimplementasikan dalam mobile platform.

Android merupakan system operasi mobile device, smartphone, dan computer

tablet berbasis Linux. Android dikembangkan oleh Open Handset Alliance,

Google, dan perusahaan lainya. Android merupakan open source license

operating system, sehingga membuat Android ini bebas diakses dan memiliki

source code yang bebas untuk siapapun [4].

Aplikasi android biasanya dikembangkan dengan Bahasa Java menggunakan

Android Development Tools Kit. Ketika dikembangkan Aplikasi android dapat

dibentuk dalam format .apk (Android Application Package) yang dapat diupload

dengan mudah di google PlayStore.

3

Android memiliki fitur berupa peta salah satunya adalah google map. Google

map dalam android merupakan salah satu apk yang memanfaatkan google map

API untuk merepresentasikan peta bumi.

Google Map Service adalah sebuah jasa peta global virtual online yang

disediakan oleh Google dalam Google Maps yang dapat ditemukan di alamat

http://maps.google.com. Google Maps menawarkan peta dan gambar satelit untuk

seluruh dunia. Google Maps juga menawarkan pencarian suatu tempat dan rute

perjalanan [5].

Google Maps API adalah sebuah layanan yang diberikan oleh Google kepada

para pengguna untuk memanfaatkan Google Map dalam mengembangkan

aplikasi. Google Maps API menyediakan beberapa fitur untuk memanipulasi peta,

dan menambah konten melalui berbagai jenis services yang dimiliki, serta

mengijinkan kepada pengguna untuk membangun aplikasi enterprise di dalam

websitenya.

Google Maps API menyediakan fasilitas untuk menambahkan atau

memodifikasi layer di atas peta. Salah satunya adalah Heatmap.

Heatmap adalah representasi data dalam peta berbentuk layer 2 (dua) dimensi

dimana data direpresentasikan dalam warna [6]. Google Map API menyediakan

fasilitas heatmap dalam bentuk client side rendering via heatmap layer, atau

server side rendering via fushion table.

Heatmap dalam google map dapat diatur sesuai warna yang diinginkan dengan

densitas warna bertingkat mulai dari inti sampai bagian luar area heatmap[7].

Untuk dapat memaksimalkan fitur-fitur dari android tersebut, maka penulis ingin

mengkolaborasikan android google map dengan metode peramalan guna

merepresentasikan nilai ramalan dan penyebaranya dalam peta.

Peramalan adalah perkiraan kondisi atau nilai di masa depan. Terjadinya

peramalan dikarenakan terdapat anggapan bahwa pola di masa lalu akan berlanjut

di masa depan.

Metode peramalan adalah cara untuk memperkirakan secara kuantitatif

maupun kualitatif data berdasarkan data masa lalu. Metode kualitatif adalah

metode yang menganalisis kondisi obyektif dengan apa adanya berdasarka kondisi

di masa lali. Sedangkan metode kuantitatif adalah metode peramalan yang

didasarkan pada data kuantitatif atau obyektif secara matematis dari data masa

lalu.

Salah satu metode peramalan yang sering digunakan adalah metode Holt

Winter. Metode Holt-Winters sering disebut metode pemulusan eksponensial

yangmelakukan pendekatan [8]. Metode ini terbagi menjadi dua bagian yakni: 1).

Metode Pemulusan Eksponensial Holt-Winters dengan Metode PerkalianMusiman

(Multiplicative Seasonal Method) yang digunakan untuk variasi data musiman

yang mengalami peningkatan/penurunan (fluktuasi), 2). Metode Pemulusan

Eksponensial Holt-Winters dengan Metode Penambahan Musiman (Additive

Seasonal Method) yang digunakan untuk variasi musiman yang bersifat konstan

Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni

persamaan pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan

musiman.

4

Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan

(Additive) :

Pemulusan Keseluruhan

St = α + (1 - α)( + ) (1)

Pemulusan Trend

bt = β( − ) + (1 − β) (2)

Pemulusan Musiman

It = γ( ) + (1 - γ) . (3)

Ramalan

= + m + (4)

Nilai Awal :

Dalam pemulusan eksponensial, nilai awal sangat dibutuhkan, karena peramalan

untuk t−1 belum tersedia. Artinya nilai ramalan belum ada.

Misalnya pada rumus berikut :

St = α + (1 - α)( + ) (5)

Dimana Xt adalah nilai aktual yang terbaru, St adalah ramalan yang terakhir.

adalah ramalan untuk satu periode mendatang, dan α adalah konstanta pemulusan

keseluruhan. Bila t = 2, maka pada persamaan di atas akan menjadi :

St = α + (1 - α)( + ) (6)

Untuk memperoleh nilai , harus diketahui. Nilai adalah sebagai berikut :

St = α + (1 - α)( + ) (7)

Dari persamaan di atas dapat dilihat bahwa nilai dan tidak dapat diperoleh,

sehingga perlu dilakukan penentuan nilai awal.

Adapun rumus untuk menentukan nilai awal tersebut sebagai berikut :

Untuk model additive :

(8)

5

` (9)

(10)

Dimana k = 1, 2, … , L . L adalah panjang musiman.

Keterangan :

= nilai aktual pada periode t

α = konstanta pemulusan untuk pemulusan keseluruhan (0 < α <1)

β = konstanta pemulusan untuk trend (0 < β < 1 )

γ = konstanta pemulusan untuk musiman (0 < γ < 1 )

= nilai pemulusan keseluruhan pada periode t

nilai trend pada periode t

= nilai musiman pada periode t

L = panjang musim

ramalan untuk m periode ke depan dari t

3. Metode Penelitian

Metode penelitian yang dilakukan menggunakan metode Survey Research

dengan analisa kuantitatif [9]. Tahap penelitian ini dibagi menjadi empat tahapan

yang dimodifikasi menyesuaikan kebutuhan yaitu sebagai berikut :

Gambar 1. Tahapan Penelitian

Kegiatan penelitian dimulai dengan studi literatur guna memastikan bahwa

topic yang dipilih layak dan dapat diterapkan. Pada tahapan ini terdapat beberapa

kegiatan, diantaranya mengidentifikasi masalah, studi pustaka, mengumpulkan

jurnal, dan penyusunan hipotesa.

Pada tahap pengumpulan data untuk memprediksi dalam penelitian ini

diperlukan data serangan dalam kurun waktu 6 tahun atau lebih. Data yang

Mempelajari

Konsep

Dasar Triple

Exponential

Smoothing

Perhitungan &

Analisa Data

Pengumpulan

Data

Pengembangan Model & Sistem

6

tersedia adalah data serangan wereng penggerek padi dari tahun 2008 sampai

2014. Analisa data mengemukakan metode yang tepat untuk menanggapi rumusan

masalah pada tahap sebelumnya. Setelah menentukan metode maka dapat

menentukan bentuk data yang dibutuhkan. Tahap analisa data melakukan

perhitungan data yang sudah didapatkan dengan metode yang sudah ditentukan.

Proses penghitungan dengan metode Holt-Winter dilakukan secara manual dan

menentukan error.

Setelah perhitungan selesai maka mulai pada tahap terakhir yaitu pemodelan

program berdasarkan proses perhitungan dari tahap sebelumnya. Sebelum proses

pengkodean program terdapat beberapa tahap diantaranya perancangan arsitektur

program, menentukan metode penyelesaian program, dan pengkodean program.

Arsitektur program yang akan dibuat adalah sebagai berikut:

Gambar 2. Arsitektur Program

Pada Data Layer terdiri dari data serangan OPT yaitu data serangan wereng

penggerek padi dari tahun 2008 sampai 2014 di 19 kecamatan kabupaten

Boyolali, serangan wereng batang coklat dari tahun 2001 sampai 2013 di 19

kecamatan kabupaten Boyolali, dan data spasial wilayah kabupaten boyolali.

Kedua data tersebut berformat .json yang nantinya digunakan untuk sebagai data

inputan pada Application Layer.

Data Layer

Data OPT Data Spasial

Application Layer

Forecasting Holt Winters in Java Android, google map

API v2, Heatmap Overlay, MPAndroidChart

Visualization Layer

Grafik Peta Centroid

7

Application Layer melakukan proses perhitungan peramalan serangan OPT

menggunakan metode Holt Winters dengan menggunakan bahasa Java yang

ditanam dalam program Android. Data hasil ramalan tersebut kemudian

dikonversi ke dalam bentuk list untuk ditampilkan dalam bentuk peta dan grafik

ke dalam layer selanjutnya menggunakan library google map API v2 dan

MPAndroidChart.

Visualization Layer merupakan output dari perhitungan layer sebelumnya,

dimana data hasil ramalan direpresentasikan ke dalam peta dan grafik agar dapat

dimengerti oleh pengguna.

Setelah Aristektur program selesai maka masuk ke tahap selanjutnya yaitu

implementasi program. Metode yang digunaan untuk perancangan sistem adalam

metode Rapid App Development (RAD).

Metode ini dipilih karena dalam pengembangan sistem ini diharapkan dapat

dilaksanakan dalam waktu yang singkat[10].

Gambar 3. Diagram Proses Rapid App Development[10]

Berikut penjelasan dari diagram proses rapid app development (RAD) :

1). Requirement Planning : merencanakan tentang apa saja yang dibutuhkan

dalam sistem yang akan dikembangkan. 2). Prototyping : proses ini terus berjalan

dalam dua bagian yaitu user design dan construction, proses prototyping akan

terus berjalan sebelum memenuhi requirements. 3). Testing : memeriksa apakah

program sudah sesuai dengan requirements dan berjalan sesuai dengan yang

diharapkan oleh pengguna. 4). Cutover : proses terakhir dimana setelah melewati

testing proses RAD berakhir dan program siap untuk launching

8

Dari hasil analisa kebutuhan disusun model proses untuk mengetahui aliran

proses yang terjadi pada sistem ini. Model proses digambarkan dalam Unified

Modeling Language (UML). UML digunakan untuk menggambarkan apa saja

yang dapat dilakukan oleh pengguna berupa use case, dan aliran proses di dalam

activity diagram.

Gambar 4. Use Case Diagram

Pada gambar 4 menjelaskan bahwa operasi yang dapat dilakukan oleh

pengguna yang utama adalah view data OPT dan update data OPT. Dimana view

sendiri dapat dibagi menjadi 5 operasi yang dapat dipilih yaitu menampilkan peta

aktual, menampilkan peta prediksi, menampilkan grafik aktual, menampilkan

grafik prediksi, dan menampilkan grafik perbandingan.

Gambar 5. Activity Diagram View Peta Prediksi

Usermengelola data OPT

view peta aktualview peta prediksi

view grafik aktual

view grafik prediksi

view grafik perbandingan

update data

<<extend>>

<<extend>>

<<extend>>

<<extend>>

<<extend>><<extend>>

mulai

memilih menu

peta prediksi

memilih jenis

OPT

memilih periode

prediksi

selesai

menampilkan

halaman utama

menampilkan

menu jenis OPT

mengirim data

jenis OPT

menampilkan menu

periode prediksi

menghitung prediksi

serangan OPT

menampilkan

peta prediksi

get data OPT

databaseprogramuser

9

Sedangkan activity diagram menggambarkan aliran proses pada program

seperti pada Gambar 5. Dalam activity diagram aliran proses program dimulai

ketika pengguna membuka program. Halaman pertama yang akan terbuka adalah

halaman utama program. Dalam halaman utama pengguna dapat memilih menu

diantaranya peta aktual, peta prediksi, grafik, update, dan keluar program. Untuk

masing-masing menu tersebut terdapat submenu untuk memilih jenis OPT.

Peta aktual berisi submenu untuk memilih jenis OPT yang diinginkan

pengguna, setelah memilih salah satu OPT maka program akan membuka

database untuk mengambil data dari database yang selanjutnya akan ditampilkan

ke dalam bentuk peta.

Pada peta prediksi setelah pengguna memilih jenis OPT, maka program akan

membuka database untuk mengambil data OPT, yang selanjutnya akan dihitung

peramalanya di dalam program dan ditampilkan ke dalam bentuk peta.

Pada grafik setelah pengguna memilih jenis OPT, maka program akan

membuka database untuk mengambil data OPT, yang selanjutnya akan dihitung

peramalanya oleh program. Setelah data aktual dan data ramalan tersimpan secara

temporary, pengguna dapat memilih untuk menampilkan jenis grafik yaitu grafik

aktual, grafik prediksi, atau grafik perbandingan antara grafik aktual dengan

grafik peramalan.

Gambar 6. Activity Diagram Update Data

Pada menu update, pengguna dapat memilih data OPT yang akan diupdate.

Setelah itu pengguna akan memasukan data baru berformat .json untuk

memperbarui data.

memilih menu

update

memilih jenis

OPT

memilih file

.json

menampilkan

halaman utama

menampilkan

menu jenis OPT

membuka file

manager device

membaca file

.json

menampilkan

data

update data

OPT

databaseprogramuser

10

4. H

asil dan Pembahasan

Sistem peramalan serangan OPT membutuhkan data serangan di suatu wilayah

administrative dalam kurun waktu tertentu. Berikut adalah contoh perhitungan

peramalan satu wilayah yaitu kecamatan boyolali dari tahun 2008 sampai 2012:

Gambar 7. Grafik Data Aktual Dan Peramalan

Grafik tersebut adalah perbandingan antara data serangan yang sesungguhnya

dengan hasil peramalan dengan nilai alpha=0.9, beta=0.1, dan gamma=0.9. hasil

peramalan tersebut menghasilkan Mean Absolut Error (MAE) sebesar 0.210878.

Maka rumusan tersebut dapat diimplementasikan dalam program. Dimana

proses peramalan dikodekan dalam sebuah method berbahasa java. Berikut adalah

contoh pengkodean peramalan:

Kode Program 1. Pseudo Code Peramalan

Data yang digunakan dalam proses peramalan hanyalah data luas serangan.

Sedangkan untuk proses pemetaan dibutuhkan data koordinat, nama wilayah,

tahun, dan periode serangan dalam bulanan. Sebelum masuk ke peramalan,

1. Input: data(opt), cons_alpha=0.9, cons_beta=0.1, cons_gamma=0.9, period=12, cons_m, forecast, level, tren, 2. seasonal, predict 3. Function: 4. For i=1 To Length(data) Do 5. level[i+1] = cons_alpha * (data[i] - seasonal[i]) + (1-cons_alpha) * (level[i]+tren[i]) 6. tren[i+1] = cons_beta * (level[i+1] - level[i]) + (1 - cons_beta) * (tren[i]) 7. seasonal[i + period] = cons_gamma * ((data[i + period]) – level[i + 1]) +(1 - cons_gamma) * seasonal[i] 8. forecast[i] = (level[i + 1] + tren[i +1]) +seasonal[i] 9. end For 10. For i=1 To cons_m Do 11. Predict[i] = level[length(level) - 1] + (i * tren[length(tren) 1] + seasonal [length(data) - period] +i 12. End For

11

dilakukan perhitungan inisialisasi dari listaktual yaitu menentukan nilai awal

level, trend dan seasonal. Variable alpha, beta, gamma adalah variable yang

nilainya ditentukan dari awal dengan nilai konstan. Data listaktual didapat dari

sebuah file dalam device berformat .json. Dimana data dibaca dan disimpan di

dalam ArrayList secara temporary. Berikut adalah proses pembacaan data:

Kode Program 2. Kode Program Read JSON

Proses pembacaan data menggunakan input stream. Terdapat 2 (dua) list

dimana list serangan bertipe data float nantinya menjadi attribute dalam list opt yang bertipe object.

Data yang sudah dibaca dari direktori tersebut selanjutnya dapat dikonversi ke

dalam bentuk peta maupun grafik. Terdapat 2 (dua) jenis data yaitu data aktual

dan data ramalan.

Pengguna dapat memilih operasi yang diinginkan dalam menu. Proses

pembacaan data .json dan peramalan terjadi di setiap activity program disesuaikan

dengan keperluan masing-masing activity. Berikut adalah Interface menu pada

program:

Gambar 8. Tampilan Menu Program

1. ArrayList<object> read throws JSONException{ 2. List<object> opt 3. List<float> serangan 4. try{ 5. open directory 6. getDirectory 7. Read 8. }finally{ 9. stream close 10. } 11. JSONArray array= new JSONArray 12. for i=0;i<array.length;i++ 13. new object 14. JSONObject obj= array.getJSON 15. obj.getAttribute("content") 16. obj.getSerangan("content") 17. object.setAttribute(obj.getAttribute) 18. object.setSerangan(obj.getSerangan) 19. serangan.add(object.getSerangan) 20. opt.add(object.getAttribute) 21. opt.add(serangan) 22. return opt 23. }

12

Gambar 6 merupakan menu utama dari program, beberapa diantaranya

memiliki submenu yang sama untuk memilih jenis OPT dikarenakan program ini

menyajikan 2 (dua) jenis OPT yaitu Wereng Penggerek Padi dan Wereng Batang

Coklat.

Dalam peta aktual setelah memilih jenis OPT, maka akan muncul sebuah

activity untuk menentukan periode yang akan ditampilkan. Dikarenakan dalam

peta aktual data yang disajikan adalah data sesungguhnya dalam periode yang

sudah berlalu. Data yang disajikan adalah data dalam satu periode tertentu di

seluruh wilayah administrative (19 kecamatan di kabupaten Boyolali). Periode

yang dipilih sudah secara otomatis menyesuaikan isi dari database / file .json

dalam device.

Berikut adalah tampilan peta aktual:

Gambar 9. Tampilan Peta Aktual

Berbeda dengan peta prediksi, di sini pengguna hanya dapat memilih 2

periode di masa depan. Periode sudah ditentukan karena data yang akan disajikan

sudah dihitung hasil peramalanya sesuai dengan isi database/ file .json.

Berikut adalah tampilan untuk memilih periode peta prediksi:

Gambar 10. Menu Periode Peta Prediksi

13

Guna membedakan jumlah serangan suatu wilayah dengan wilayah yang lain

maka dalam heatmap perlu adanya perbedaan warna. Warna ditentukan

berdasarkan jumlah serangan dimana jika jumlah serangan 0 Ha (tidak ada

serangan) maka dalam peta berwarna hijau, 50 Ha atau lebih berwarna merah, dan

antara 0-50 Ha berwarna gradasi merah.

Berikut adalah proses klasifikasi warna pada peta:

Kode Program 3. Kode Program Klasifikasi Warna

Untuk memetakan wilayah serangan diperlukan 3 variable utama yaitu

Latitude, Longitude, dan jumlah serangan. Latitude dan Longitude diperlukan

untuk menentukan koordinat wilayah dalam peta secara centroid, sedangkan

jumlah serangan untuk menentukan indeks warna dalam peta.

Berikut adalah proses pemetaan pada program:

Kode Program 4. Kode Program Menambahkan Heatmap

1. fuction addHeat(){ 2. list<object> opt; 3. list<object> warna1, warna2, warna3, warna4,warna5,warna6; 4. for(i=0;i<opt.size();i++){ 5. if(opt.serangan<=0){ 6. warna1.add(opt.get(i)) 7. }else if(opt.serangan>0 && opt.serangan<=13){ 8. warna2.add(opt.get(i)) 9. }else if(opt.serangan>13 && opt.serangan<=25){ 10. warna3.add(opt.get(i)) 11. }else if(opt.serangan>25 && opt.serangan<=38){ 12. warna4.add(opt.get(i)) 13. }else if(opt.serangan>38 && opt.serangan<=50){ 14. warna5.add(opt.get(i)) 15. }else if(opt.serangan>50){ 16. warna6.add(opt.get(i)) 17. } 18. } 19. }

1. function Heat(){ 2. int[] color ={color.rgb[0,250,0]} 3. HeatMapTileProvider.Builder() 4. .data(warna1) 5. .gradient() 6. .build(); 7. Provider.setRadius(75); 8. ......... 9. int[] color ={color.rgb[250,0,0]} 10. HeatMapTileProvider.Builder() 11. .data(warna6) 12. .gradient() 13. .build(); 14. Provider.setRadius(75); 15. }

14

Heatmap dalam Google Map API v2 masih memiliki kekurangan, yaitu

ketidakmunculan heatmap pada suatu titik dan terpotongnya heatmap yang

membuat heatmap berbentuk tidak sempurna. Ketidakmunculan heatmap

disebabkan oleh beratnya loading peta pada saat awal membuka activity

dikarenakan pada aplikasi ini tidak menggunakan Trhead ketika membuka activity

baru. Sedangkan terpotongnya heatmap dikarenakan pengoperasian zoom pada

peta. Kelemahan heatmap dapat dilihat pada gambar 11.

Gambar 11. Kelemahan Heatmap

Data aktual dan hasil prediksi dapat diplot ke dalam bentuk grafik untuk

membandingkan mulusnya hasil ramalan dan data aktual. Dalam grafik data yang

disajikan adalah seluruh periode data dalam satu wilayah. Sehingga untuk

menampilkan grafik pengguna harus memilih terlebih dahulu kecamatan yang

akan ditampilkan. Library yang digunakan untuk membuat grafik pada Android

menggunakan MPAndroidChart.

Gambar 9. Grafik aktual & grafik prediksi

Gambar 12. Grafik Aktual & Grafik Prediksi

15

Aplikasi yang telah dibangun harus diujikan kepada pengguna untuk

mengetahui apakah aplikasi sudah sesuai dengan kebutuhan pengguna. Pengujian

dilakukan dengan membagikan kuisioner kepada 40 responden. Kriteria

responden yang dipilih adalah penyuluh pertanian di kabupaten Boyolali.

Indikator pengujian meliputi tampilan antarmuka, kemudahan dalam

pengoperasian, keakuratan peramalan, fitur, dan manfaat bagi penuluh. Hasil

pengujian menggunakan skala Likert, dimana menggunakan beberapa butir

pertanyaan guna mengukur perilaku responden dengan 5 (lima) titik pilihan yaitu

sangat baik, baik, cukup, kurang, dan sangat kurang[11]. Kategori sangat baik

menunjukan bahwa aplikasi yang dibangun memiliki fitur dan standar yang

melebihi kebutuhan pengguna. Baik menunjukan bahwa aplikasi yang dibangun

memiliki kualitas dia atas standart dari kebutuhan pengguna. Cukup berarti

aplikasi yang dibangun sudah sesuai dengan kebutuhan pengguna menurut user

requirement sebelumnya. Kurang berarti terdapat fitur yang masih kurang sesuai

dengan keinginan pengguna. Dan sangat kurang menunjukan bahwa hasil aplikasi

yang dibangun tidak sesuai dengan user requirement.

Setiap jawaban dari responden memiliki bobot sebagai berikut:

Tabel 1. Tabel Skala Nilai Tanggapan Responden.

Bobot Kriteria

1 Sangat Kurang

2 Kurang

3 Cukup

4 Baik

5 Sangat Baik

Untuk mengetahui kriteria tanggapan responden terhadap variabel

penelitian, maka dapat dilihat berdasarkan pada range nilai distribusi frekuensi di

bawah ini :

Tabel 2. Tabel Kriteria Penilaian.

Bobot (%) Kriteria

0% - 19.9% Sangat Kurang

20% – 39.9% Kurang

40% – 59.9% Cukup

60% – 79.9% Baik

80% - 100% Sangat Baik

Hasil skala likert dapat dilihat dalam table berikut:

16

Tabel 3. Hasil Pengujian Beta.

Pertanyaan Rata -

Rata

Keterangan

Aplikasi Prediksi Serangan OPT mudah untuk dioperasikan? 69% Baik

Tampilan yang disajikan sudah menarik? 69% Baik

Aplikasi Prediksi Serangan OPT dibutuhkan di instansi anda? 82% Sangat Baik

Aplikasi Prediksi Serangan OPT sangat membantu kinerja anda? 76% Baik

Aplikasi yang berjalan di teknologi mobile dapat menunjang proses

kerja anda?

72% Baik

Aplikasi Prediksi Serangan OPT sudah sesuai dengan kebutuhan? 67% Baik

Sajian data aktual dibutuhkan? 77% Baik

Hasil peramalan sudah akurat? 61% Baik

Fitur yang terdapat pada aplikasi sudah sesuai? 65% Baik

Penelitian ini bermanfaat bagi anda kedepannya? 80% Sangat Baik

Berdasarkan hasil pengujian, dapat disimpulkan bahwa aplikasi

peramalan serangan Opt bermanfaat bagi penyuluh dengan skor keseluruhan

72% (Baik). Namun terdapat beberapa fitur yang harus dikembangkan

khususnya akurasi peramalan.

5. Simpulan

Dengan pengembangan sistem prediksi serangan Opt berbasis mobile ini

dapat diketahui secara dini klasifikasi serangan hama baik wereng batang

coklat maupun penggerek padi. Sehingga dapat mengantisipasi datangnya

serangan Opt secara tepat di tiap wilayahnya.

Antisipasi serangan Opt yang cepat dapat membantu petani dan dinas-

dinas terkait dalam menanggulangi gagal panen yang diakibatkan oleh

serangan Opt.

Informasi yang disajikan lebih mudah dipahami karena data yang tersaji

berupa data spasial menggunakan teknologi Google maps API v2 dan

heatmap. Selain itu dengan dibangunya aplikasi ini dalam platform mobile

memungkinkan pengguna untuk mengoperasikanya dengan mobilitas yang

tinggi secara offline.

6. Pustaka

[1] Yulianto S., 2013, Framework Prediksi Konektivitas Spasial

Menggunakan Metode Exponensial Smooting - Spatial Autocorrelation

untuk Penentuan Wilayah Endemik Wereng Batang Coklat (Nilapavarta

Iugen Stal.) di Provinsi Jawa Tengah, Yogyakarta : Universitas Gajah

Mada

[2] Badria, 2008, Penggunaan Metode Exponential Smoothinguntuk

Meramalkan Kebutuhan Cengkeh Di Pabrik Rokok Adi Bungsu,

Universitas Brawijaya Malang, Malang

17

[3] Wahyono T., Subanar, 2012, Rancang Bangun Sistem “Permadi”:

Peringatan Dini Serangan Hama Tanaman Padi Berbasis Data Historis

Klimatologi,

http://jsiskom.undip.ac.id/index.php/jsk/article/download/21/20, diakses

tanggal 20 Oktober 2015

[4] Singh R.,2014, An Overview Of Android Operating System and Its

Security Feature, Int. Journal of Engineering Research and Application

[5] Richard R.F.S., Imam K.S., Teguh K.M., Implementasi Sistem Informasi

Geografis Daerah Pariwisata Kota Semarang Berbasis Android Dengan

Global Positioning System(Gps), Universitas Negeri

Diponegoro,Semarang

[6] Wilkinson L., Friendly M., The History of the Cluster Heat Map,

https://www.cs.uic.edu/~wilkinson/Publications/heatmap.pdf, diakses

tanggal 17 Oktober 2015

[7] Ivanesevic J., Benton P.H., Rinehart D., An Interactive Cluster Heat

Map to Visualize and Explore Multidimensional Metabolomic Data,

https://masspec.scripps.edu/publications/public_pdf/Interactive_heat_m

ap.pdf, diakses tanggal 17 Oktober 2015

[8] Makridakis, Spyros.1993. Metode dan Aplikasi Peramalan. Jakarta:

Erlangga

[9] Hasibuan Z.A., Metodologi Penelitian Pada Bidang Ilmu Komputer dan

Teknologi Informasi, http://mhs.uks.ac.id/Referensi%20Kuliah/BUKU-

METODE-PENELITIAN-PADA-BIDANG-IKOM-TI-ZAINAL-A-

HASIBUAN1.pdf, diakses pada 23 November 2015

[10] Noertjahyana A., 2012, Studi Analisis Rapid Application Development

Sebagai Salah Satu Alternative Metode Pengembangan Perangkat

Lunak, Universitas Kristen Petra, JurnalInformatika 3:2

[11] Budiaji W., 2013, Skala Pengukuran dan Jumlah Respon Skala Likert,

Jurnal Ilmu Pertanian dan Perikanan Desember 2013 2:125-131,

http://www.umbidharma.org/jipp/index.php/jipp/article/view/36/29,

diakses tanggal 18 Oktober 2015