Pengembangan Sistem Prediksi Serangan Organisme … · Nama : Vito Ivan Irawan . NIM : 672011250....
Transcript of Pengembangan Sistem Prediksi Serangan Organisme … · Nama : Vito Ivan Irawan . NIM : 672011250....
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) [email protected] 2) [email protected], 3) [email protected]
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