T1 Artikel Ilmiah -...

2

1. Pendahuluan

Pembangunan pertanian mempunyai peranan yang strategis terutama dalam

penyediaan pangan, penyediaan bahan baku industri, serta peningkatan ekspor dan

devisa negara, penyediaan kesempatan bekerja dan kesempatan berusaha,

peningkatan pendapatan petani yang pada akhirnya untuk menciptakan

kesejahteraan bagi masyarakat. Dengan ketersediaan data pertanian yang

berlimpah khususnya data curah hujan dapat dimanfaatkan oleh Departemen

Pertanian Indonesia untuk memberikan penyuluhan pertanian guna meningkatkan

pendapatan petani dan mengurangi peluang terjadinya kegagalan panen, namun

hal tersebut belum dimanfaatkan secara maksimal, disebabkan kurangnya

pengolahan data curah hujan yang tersedia.

Iklim (climate) adalah sintesis atau bentukan dari unsur-unsur cuaca hari

demi hari dalam jangka panjang (jam demi jam, hari demi hari, bulan demi bulan,

dan tahun demi tahun) yang terjadi pada suatu daerah yang luas. Batasan secara

klasik menyatakan bahwa iklim adalah keadaan rata-rata cuaca pada suatu periode

yang cukup lama dan daerah yang luas.[1]

Peramalan merupakan studi terhadap data historis untuk menemukan

hubungan dan pola yang sistematis. Secara umum peramalan terdiri atas dua jenis,

yakni peramalan kualitatif dan kuantitatif. Peramalan kualitatif tidak menuntut

data seperti yang diperlukan pada peramalan kuantitatif. Peramalan kualitatif

digunakan apabila informasi data kuantitatif sangat sedikit atau tidak tersedia.[2]

Dengan berkembangnya teknologi sekarang ini, pemanfaatan data curah

hujan tahunan secara sederhana dapat dimanfaatkan dengan meramalkan curah

hujan yang akan datang dan untuk membuat gambaran mengenai bagaimana curah

hujan terdistribusikan pada suatu wilayah, salah satunya dengan menggunakan

Map Server yang dapat menggambarkan pemetaan distribusi pola hujan.

Gambaran dari distribusi tersebut dapat dilakukan dengan beberapa metode, salah

satunya dengan menggunakan metode modifikasi Thiessen Polygon dan Isohyetal

untuk memetakan distribusi hujan.

Tujuan dan manfaat penelitian ini, diharapkan peramalan dan

pengidentifikasian hujan pada suatu daerah tertentu dapat diperoleh secara cepat

dan membantu dinas-dinas terkait dalam penyampaian informasi distribusi hujan

tahunan, serta dilakukan pemetaan untuk dapat mempermudah pemahaman

informasi. Dengan bantuan kemudahan bahasa pemrograman R ditambah dengan

bahasa Hypertext Preprocessor (PHP) dapat dibangun sebuah aplikasi untuk

penyedia layanan informasi, peramalan dan pemetaan.

2. Kajian Pustaka

Penelitian berjudul “Aplikasi Metode Pemulusan Eksponensial Ganda

Dari Brown Untuk Peramalan Produksi Kelapa Sawit Pada PT. Perkebunan

Nusantara III Tahun 2010 dan 2011” yang dilakukan oleh Edyan Syahputra Lubis

menjelaskan bahwa sistem informasi geografis dapat membantu dalam

memberikan informasi berbentuk visual.[3]

3

Penelitian berjudul “Forecasting Tourism Demand in Croatia : A

Comparison of Different Extrapolative Methods” yang dilakukan oleh Tea

Baldigara menjelaskan bahwa metode double moving average merupakan metode

terbaik untuk peramalan dikarenakan kecilnya nilai dari nilai tengah persentase

galat absolut.[4]

Perbedaan penelitian yang dilakukan ini dari penelitian yang dilakukan

oleh Lubis adalah pada penelitian yang dilakukan akan meramalkan dan

memetakan distribusi hujan pada suatu daerah tertentu dengan menggunakan pola

Isohyet dan pola Thiessen Polygon, pada penelitian ini aplikasi dibuat dalam

bentuk web sehingga mudah untuk diakses dan terkomputerisasi. Sedangkan

perbedaan penelitian ini daripada penelitian yang dilakukan Baldigara adalah pada

penelitian ini tidak hanya melakukan peramalan saja namun juga akan memetakan

satu atau banyak variabel pada suatu daerah tertentu khususnya dalam identifikasi

distribusi hujan aktual dan distribusi hujan ramalan pada suatu daerah tertentu.

Dari beberapa artikel dan penelitian ilmiah tersebut didapatkan sebuah

gagasan untuk membangun sebuah aplikasi penyampaian informasi peramalan

hujan tahunan dengan tidak hanya menggunakan perhitungan saja namun juga

memasukan hasil perhitungan ramalan dalam bentuk pola peta Isohyet dan

Thiessen Polygon, grafik dan tabel.

Runtun Waktu

Runtun waktu adalah serangkaian pengamatan terhadap suatu peristiwa,

kejadian, gejala atau variabel yang diambil dari waktu ke waktu, dicatat secara

teliti menurut urutan-urutan waktu terjadinya dan kemudian disusun sebagai data.

Adapun waktu yang digunakan dapat berupa mingguan, bulan, tahun, dan

sebagainya.[5]

Makridakis (1999) mengungkapkan bahwa langkah penting dalam

memilih suatu metode runtun waktu (time series) yang tepat adalah dengan

mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan

pola data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis

Siklis dan Trend seperti digambarkan pada Gambar 1.

Gambar 1 Jenis-jenis pola data (Makridakis, 1999)

4

a. Pola Horisontal (H) terjadi bilamana nilai data berfluktuasi di sekitar

nilai rata-rata yang konstan (deret seperti itu “stasioner” terhadap nilai

rata-ratanya). Stasioner adalah sebuah deret jika sifatnya bebas dari

waktu periode selama pengamatan.

b. Pola Musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor

musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada

minggu tertentu).

c. Pola Siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan dengan siklus

bisnis.

d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan

sekuler jangka panjang dalam data.[6]

Metode Eksponensial Bergerak Ganda Satu Parameter

Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar

pemikiran dari Metode Pemulusan Eksponensial Linier Satu Parameter dari

Brown adalah sama dengan rata-rata bergerak linier karena ke dua nilai

pemulusan tunggal dan ganda dari data sebenarnya. Jika terdapat unsur Trend,

maka perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada

pemulusan ganda dan disesuaikan untuk Trend.[3] Double Exponential Smoothing

umumnya diterapkan untuk data yang membentuk pola kecenderungan (Trend).

Trend didefiniskan sebagai hasil estimasi penghalusan pertumbuhan rata-rata di

setiap periode data.[7] Persamaan yang dipakai dalam penggunaan Pemulusan

Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut :

Persamaan pertama adalah Menentukan nilai Pemulusan Eksponensial

Tunggal. Persamaan yang digunakan adalah

�′� = ∝ �� + (1−∝)�′� � ............................................................... (1)

Persamaan kedua adalah Menentukan nilai Pemulusan Eksponensial Ganda.

Persamaan yang digunakan adalah

�′′� = ∝ �′� + (1−∝)�′′� � ............................................................ (2)

Persamaan ketiga adalah Menentukan nilai parameter pemulusan

eksponensial. Persamaan yang digunakan adalah

�� = �′� + (�� − �′′�) ..................................................................... (3)

Persamaan keempat yaitu Menentukan nilai konstanta pemulusan.


�� = � ∝� ∝� (�� − �′′�) ..................................................................... (4)

Persamaan kelima yaitu Menentukan Nilai Peramalan. Persamaan yang

digunakan adalah

�� = �� + �� ............................................................................ (5)

Ketepatan ramalan beberapa kriteria yang digunakan untuk menguji antara

lain yaitu :

Mean Error (ME) atau nilai Tengah Kesalahan. Persamaan yang digunakan

adalah

�� = ∑ ��

�� ................................

Mean Square Error


�� = ∑ ��

�� ................................

Mean Absolute Error


�!� = ∑ |��|�

�� ................................

Dimana,

�′� = nilai pemulusan

�′′� = nilai pemulusan

∝ = parameter pemulusan eksponensial yang besarnya 0 <

�� , �� = nilai konstanta pemulusan

� = jumlah periode ke muka yang diramalkan

�� = hasil peramalan untuk periode ke depan yang diramalkan

$� = �� (kesalahan pada

% = banyaknya periode waktu

Metode Isohyet

Isohyet adalah garis yang menghubungkan titik

yang sama. Pada metode isohyet,

diantara dua garis isohyet adalah merata dan sama dengan nilai rerata dari kedua

garis isohyet tersebut.

Metode isohyet merupakan cara paling teliti untuk menghitung ketebalan

hujan rerata di suatu daerah, tetapi

mendukung disusunnya isohyet, baik dalam hal jumlah stasiun dan kualitas serta

kuantitas data hujan.[8]

Pada Gambar 2

disesuaikan dengan interval curah hujan yang diinginkan. Interval curah hujan

yang dipakai dalam pembuatan peta i

gambar atau sesuai dengan data. Manfaat pembuatan peta

5

..................................................................................

Mean Square Error (MSE) atau Nilai Tengah Kesalahan Kuadrat.

yang digunakan adalah

................................................................................

Mean Absolute Error (MAE) atau Nilai Tengah Kesalahan Absolut.

yang digunakan adalah

...............................................................................

emulusan tunggal (single exponential smoothing value)

emulusan ganda (double exponential smoothing value)

= parameter pemulusan eksponensial yang besarnya 0 < ∝ < 1

= nilai konstanta pemulusan

= jumlah periode ke muka yang diramalkan

= hasil peramalan untuk periode ke depan yang diramalkan

(kesalahan pada periode ke &)

= banyaknya periode waktu

Isohyet adalah garis yang menghubungkan titik-titik dengan curah

yang sama. Pada metode isohyet, dianggap bahwa hujan pada suatu daerah



hujan rerata di suatu daerah, tetapi cara ini membutuhkan data yang dapat


Gambar 2 Peta Isohyet (Wangkar, 2008)

2 peta isohyet digambar berdasarkan skala peta yang

dengan interval curah hujan yang diinginkan. Interval curah hujan

g dipakai dalam pembuatan peta isohyet disesuaikan dengan kebutuhan

gambar atau sesuai dengan data. Manfaat pembuatan peta isohyet adalah untuk

.................. (6)

atau Nilai Tengah Kesalahan Kuadrat.

................ (6)

atau Nilai Tengah Kesalahan Absolut.

............... (7)

(single exponential smoothing value)

(double exponential smoothing value)

curah hujan

dianggap bahwa hujan pada suatu daerah



cara ini membutuhkan data yang dapat


sohyet digambar berdasarkan skala peta yang

dengan interval curah hujan yang diinginkan. Interval curah hujan

sohyet disesuaikan dengan kebutuhan

sohyet adalah untuk

melihat tinggi curah hujan

yang selalu digunakan untuk pembuatan peta isohyet berkisar antara 10

50mm.[9]

Metode Thiessen Polygon

Metode Thiessen Polygon

stasiun yang mewakili luasan di sekitarnya. Pada suatu luasan di dalam DAS

dianggap bahwa hujan adalah sama dengan yang terjadi pada stasiun terdekat,

sehingga hujan yang tercatat pada suatu stasiun mewakili luasan

ini digunakan apabila penyebaran stasiun hujan di daerah yang ditinjau tidak

merata. Hitungan curah hujan rerata dilakukan dengan memperhitungkan daerah

pengaruh dari tiap stasiun.

Gambar

Pada Gambar 3,

yang mewakili oleh stasiun hujan yang disebut faktor pembobotan atau Koefisien

Thiessen. Besarnya Koefisien Thiessen tergantung dari luas daerah pengaruh

stasiun hujan yang dibatasi oleh

tengah-tengah garis penghubung stasiun.[

3. Metode Penelitian

Metode yang digunakan pada penelitian ini adalah metode kuantitatif,

dimana metode ini dapat dibagi dalam deret berkala (

kausal. Metode kuantitatif dapat diterapkan apabila terdapat tiga kondisi seperti

yang telah dikemukakan oleh Makridakis (1999) yaitu 1)

tentang masa lalu, 2) Informasi tersebut dapat dikuantitatifkan dalam bentuk data

numerik, 3) Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan teru

berlanjut di masa mendatang

7 langkah, yaitu 1) Tahap

Pengumpulan Data, 4) T

Program, 6) Tahap Perhitungan dan

Tahap Penulisan Laporan. Permodelan tahapan tersebut tergambar pada Gambar

4.

6

melihat tinggi curah hujan pada daerah yang terdapat dalam peta isohyet.

yang selalu digunakan untuk pembuatan peta isohyet berkisar antara 10

Thiessen Polygon

Thiessen Polygon memperhitungkan bobot dari masing



sehingga hujan yang tercatat pada suatu stasiun mewakili luasan tersebut. Metode



pengaruh dari tiap stasiun.[8]

Gambar 3 Peta Thiessen Polygon (Wangkar, 2008)

Pada Gambar 3, Thiessen Polygon memasukkan faktor pengaruh daerah



stasiun hujan yang dibatasi oleh poligon-poligon yang memotong tegak lurus pada

tengah garis penghubung stasiun.[10]

Metode Penelitian


dapat dibagi dalam deret berkala (time series) dan metode


yang telah dikemukakan oleh Makridakis (1999) yaitu 1) Tersedia informasi


ik, 3) Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan teru

berlanjut di masa mendatang. Untuk tahapan penelitian ini sendiri dibagi menjadi

Tahap Studi Literatur, 2) Tahap Analisa Penelitian

Tahap Analisa Kebutuhan Sistem, 5) Tahap Implementasi

Perhitungan dan Analisa Hasil Implementasi Program, 7)


g terdapat dalam peta isohyet. Interval

yang selalu digunakan untuk pembuatan peta isohyet berkisar antara 10 –

memperhitungkan bobot dari masing-masing



tersebut. Metode



memasukkan faktor pengaruh daerah



poligon yang memotong tegak lurus pada


) dan metode


Tersedia informasi


ik, 3) Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus

Untuk tahapan penelitian ini sendiri dibagi menjadi

a Penelitian, 3) Tahap

Tahap Implementasi

Analisa Hasil Implementasi Program, 7)


7

Gambar 4 Metode Penelitian

Kegiatan dalam penelitian dimulai dengan melakukan tahap studi literatur

guna memastikan bahwa topik yang diteliti dalam penelitian belum pernah

dilakukan oleh peneliti terdahulu dan dapat diterapkan. Dalam tahap ini terdapat

beberapa kegiatan yaitu pengidentifikasian masalah, studi pustaka penelitian

terdahulu, dan penyusunan hipotesa. Tahapan awal ini menghasilkan hipotesa

bahwa pola distribusi hujan yang terjadi pada wilayah Jawa Tengah dapat

diramalkan yang kemudian diidentifikasi dengan menggunakan metode Isohyetal

dan Thiessen Polygon.

Tahap analisa penelitian mengemukakan bahwa menurut Makridakis (1999)

peramalan yang dilakukan termasuk kedalam kategori peramalan jangka panjang

dengan waktu lebih dari 2 (dua) tahun dengan kecenderungan akan menghasilkan

pola data Trend (T), sehingga metode peramalan yang tepat untuk digunakan

adalah metode peramalan eksponensial bergerak ganda yang dikemukakan oleh

Brown. Sumber data yang digunakan dalam penelitian diambil dari Badan

Meteorologi Klimatologi dan Geofisika (BMKG) Provinsi Jawa Tengah, maupun

penelitian terdahulu yang terkait.

8

Data primer yang didapat meliputi data curah hujan per tahun selama 12

tahun pada tahun 2000 sampai dengan tahun 2011. Sedangkan data sekunder yang

didapat berupa data artikel-artikel ilmiah dari penelitian terdahulu maupun buku-

buku pendukung yang terkait dengan penelitian. Tahap selanjutnya adalah analisa

kebutuhan sistem guna mendokumentasikan kebutuhan minimum, maupun

mencari kelemahan sistem pendukung yang akan digunakan untuk merancang

sistem yang baru.

Setelah semua data didapatkan, maka tahap selanjutnya adalah perhitungan

ramalan, perhitungan galat kesalahan ramalan, dan implementasi pada program.

Dalam perancangan aplikasi peramalan ini model proses yang digunakan adalah

model Prototype. Prototype merupakan metodologi pengembangan software yang

menitik-beratkan pada pendekatan aspek desain, fungsi dan user-interface.

Developer dan user fokus pada user-interface dan bersama-sama mendefinisikan

spesifikasi, fungsi, desain dan bagaimana software bekerja. Developer dan user

bertemu dan menentukan tujuan umum, kebutuhan yang diketahui dan gambaran

bagian-bagian yang akan dibutuhkan. Developer mengumpulkan detail dari

kebutuhan dan memberikan suatu gambaran dengan cetak biru (Prototype).[11]

Gambar 5 Metode Prototype (Pressman, 2007)

Pada Gambar 5, didapatkan alur kerja serta tahapan dalam implementasi

program dengan menggunakan metode Prototype. sistem yang dibangun telah

melewati 3 (tiga) proses perancangan dengan 4 (empat) tahapan Prototype. Proses

tersebut diuraikan pada Tabel 1.

Prototipe Deskripsi Revisi

Prototipe 1 Penggunaan bahasa R dan PHP untuk

memberikan informasi data aktual

stasiun iklim Jawa Tengah

menggunakan pola Isohyet dan pola

Thiessen Polygon dalam bentuk peta

pada sistem.

Penambahan User

Interface sebagai

tampilan awal sehingga

data yang ditampilkan

tidak hanya dalam

berbentuk peta, namun

juga secara tulisan dan

grafik.

9

Prototipe 2 Aplikasi SIG yang sudah dilengkapi

dengan tampilan pada halaman data

aktual, grafik dan peta dengan pola

Isohyet dan Thiessen Polygon sebagai

pusat informasi data aktual pada

wilayah stasiun iklim Jawa Tengah.

Penambahan user sebagai

administrator guna

memperbaharui data

secara langsung tanpa

harus melalui

penginputan manual pada

database.


dengan fungsi pembaharuan data

secara otomatis.

Penambahan fungsi

peramalan guna

memprediksi curah hujan

yang akan terjadi

beberapa tahun kedepan.


dengan fungsi perhitungan peramalan,

grafik antara data aktual dan ramalan,

tabel perhitungan ramalan, dan peta

dengan pola Isohyet maupun dengan

pola Thiessen Polygon sebagai

informasi data ramalan pada stasiun

iklim Jawa Tengah.

-

Tabel 1 Prototype Sistem Aplikasi.

Diagram UML (Unified Modeling Language) yang digunakan dalam

merancang sistem terdiri dari use case diagram, dan class diagram. Pada use case

diagram, user yang dimempunyai hak akses hanyalah seorang administrator yang

ditunjuk untuk dapat melakukan pembaharuan atau penambahan data. User selain

administrator (guest) dapat langsung mengakses halaman web tanpa harus melalui

pendaftaran.

Gambar 6 Use Case Diagram Sistem

Manajemen Data

LogoutUserAkses Halaman Web

Admin

Publikasi Manajemen AdminLogin Sistem

<<include>>

<<include>>

<<include>>

<<include>>

10

Class diagram menunjukan relasi antara tabel dengan sistem yang sudah

dibangun. Relasi tersebut adalah relasi one to one, one to many, many to many,

dan many to one. Relasi many to many terjadi pada tabel jawatengah dengan tabel

kependudukan. Relasi one to one terjadi pada tabel data stasiun dan tabel stasiun

peramalan dengan tabel publish. Relasi one to many terjadi pada proses update

data dengan tabel data stasiun dan tabel stasiun peramalan, dimana sebuah file

Comma Delimited (CSV) dapat memperbaharui beberapa data peta langsung.

Sedangkan relasi many to one terjadi pada tabel jawatengah, tabel hasil peramalan

admin, tabel hasil peramalan, dan tabel data stasiun dengan proses plot rupa peta.

Dimana plot rupa peta dapat mengambil beberapa data yang terdapat pada

database yang nantinya akan ditampilkan dalam bentuk peta dengan pola Isohyet

dan pola Thiessen Polygon.

Gambar 7 Class Diagram Sistem

Algoritma Kelas Peramalan

Peramalan dengan metode eksponensial ganda satu parameter dari Brown

dapat dikodekan menjadi sebuah kelas peramalan dengan menggunakan bahasa

pemrograman PHP sehingga dapat menjadi sebuah kelas yang dapat digunakan

kembali (reuseable). Uraian Algoritma dari proses perhitungan ramalan yaitu,

a. Tetapkan nilai �1 ke-0 dan �2 ke-0 = nilai data aktual list CHperTahun

ke-0.

b. Hitung nilai �1 ke-i dengan persamaan �1 ke-i = alpha dikalikan dengan

list CHperTahun ke-i + (1 - alpha) dikalikan dengan �1 ke-i

sebelumnya.

c. Hitung nilai �2 ke-i dengan persamaan �2 ke-1 = alpha dikalikan

dengan �1 ke-i sebelumnya + (1 - alpha) dikali dengan �2 ke-i

sebelumnya.

d. Hitung nilai ! dengan persamaan ! ke-i = 2 dikali dengan �1 ke-i - �2

ke-i.

e. Hitung nilai ( dengan persamaan ( ke-i = (alpha / 1 - alpha) dikali

dengan (�1 ke-i - �2 ke-i).

Peramalan

tahun : real

periode : real

ch : real

stasiun : character

Ramalan()

Update_Data_Aktual

Data_Excel_CSV : File

Read_CSV_File()

Update_Data_Peramalan

Data_Excel_CSV : File

Read_CSV_File()

tb_hasil_peramalan_admin_EN

paid : bigint

st_id : real

tahun : real

nilai_f : real

nilai_galat : real

nilai_galatabs : real

nilai_mse : real

nilai_mae : real

1

1..n

1

1..n

tb_stasiun_peramalan_EN

inid : bigint

st_id : real

koord_x : real

koord_y : real

tahun : real

periode : real

ch : real

stasiun : character

1..n 1

1..n1..n

tb_data_stasiun_EN

xid : bigint

koord_x : real

koord_y : real

ch : real

suhu : real

kelembaban : real

stasiun : character

tahun : real

1

1..n

1

1..n

tb_publish_EN

pid : bigint

tahun : real

status : real

1

1

1

111

1

1

1

1

1

1

1

1

tb_hasil_peramalan_EN

peramid : bigint

st_id : real

th : real

periode_m : real

ch_ramalan : real

akurasi1 : real

akurasi2 : real

1 11 1

tb_kependudukan_EN

cid : bigint

nama_kab : character

luas : real

jml_penduduk : integer

kepadatan : real

jawatengah_EN

gid : serial

kode_kab : smallint

nama_kab : character

kode_prop : smallint

nama_prop : character

the_geom : geometry

1..n

1..n

1..n

1..n

Plot_Rupa_Peta

koord_x : real

koord_y : real

tahun : real

ch : real

nilai_f : real

ch_ramalan : real

the_geom : geometry

Plot_Peta_Aktual()

Plot_Peta_Peramalan()

Plot_Geometry()

11

1

1

1

1

1

1

1

1

11

11

1..n1..n

1..n 1

11

f. Hitung nilai peramalan � ke-i + periode � = ! ke-i ditambahkan dengan

(( ke-i dikalikan dengan periode �).

g. Hitung nilai galat ramalan dengan persamaan $ ke-i = hasil peramalan �

ke-i dikurangkan dengan list data aktual CHperTahun ke-i.

h. Hitung nilai tengah galat ramalan dengan persamaan �$�)($).

i. Hitung nilai tengah galat kuadrat ramalan dengan persamaan �$�)($)*.

j. Hitung nilai tengah galat absolut ramalan dengan persamaan

�$�)($��+).

Hasil dari kelas peramalan adalah list dari kelas yang berisi parameter �

(hasil ramalan), $ (galat ramalan), $��+ (galat ramalan absolut), �� (nilai tengah

galat), �� (nilai tengah galat kuadrat), dan �!� (nilai tengah galat absolut).

4. Hasil dan Pembahasan

Analisis Peramalan Metode Eksponensial Ganda Satu Parameter dari Brown

Perbedaan antara ramalan dengan data aktual disebut suatu kesalahan dalam

peramalan. Analisa kesalahan dalam peramalan dilakukan dengan menggunakan

nilai parameter Alfa (∝) 0.3. Data curah hujan yang dipakai dalam uji coba analisa

kesalahan peramalan adalah data curah hujan pada stasiun iklim Ungaran yang

terletak di kabupaten Semarang dari tahun 2000 sampai tahun 2011 yang datanya

seperti pada Tabel 2.

TAHUN CH (mm) STASIUN

2000 3163 SI Ungaran, Kab. Semarang












Tabel 2 Data Curah Hujan (mm) Stasiun Iklim Ungaran Kabupaten Semarang Tahun 2000

sampai dengan Tahun 2011.

Uji coba peramalan metode eksponensial ganda satu parameter dengan

menggunakan nilai parameter ∝ = 0.3 dan nilai curah hujan tahun ke-2 (2001)

dengan nilai �� = 3117

a. Perhitungan Eksponensial Tunggal.

�′� = ∝ �� + (1−∝)�′� �

�′* = 0.3(3117) + 0.7(3163)

�′* = 3149.2

12

b. Perhitungan Eksponensial Ganda.

�′′� = ∝ �′� + (1−∝)�′′� �

�′′* = 0.3(3149.2) + 0.7(3163)

�′′* = 3158.86

c. Perhitungan nilai konstanta pemulusan �.

�� = �′� + (�� − �′′�)

�* = 3149.2 + (3149.2 – 3158.86)

�* = 3139.54

d. Perhitungan nilai konstanta pemulusan �.

�� = � ∝� ∝� (�� − �′′�)

�* = 0.4286(−9.66)

�* = −4.14

e. Perhitungan nilai Ramalan (�), � = 1.

�� = �� + ��

�*�� = 3139.54 + (−4.14)

�6 = 3135.4

f. Perhitungan nilai Ramalan untuk periode tahun ke 2015 (�), � = 4.

�� = �� + ��

��7 = 2199.14 + (−46.2)

��8 = 2152.9

Hasil Analisa Nilai Kesalahan (Galat)

Uji coba analisa nilai kesalahan ramalan menggunakan hasil peramalan

eksponensial ganda satu parameter dari Brown pada nilai ramalan untuk periode

tahun ke 2015 dengan nilai ∝ = 0.3 dan ∝ = 0.7. Penyajian data perhitungan

ukuran statistik untuk satu set kesalahan dengan nilai parameter ∝ = 0.3 dalam

bentuk tabel dapat dilihat pada Tabel 3.

Stasiun Iklim Tahun Ramalan

(F)

Nilai Tengah

Galat (ME)

Nilai Tengah Galat

Kuadrat (MSE)

Nilai Tengah Galat

Absolut (MAE)

Adisumarmo, Kab. Sukoharjo 2015 2080.81 91.84 906352.406733 622.446437024

Gamer, Kab Batang 2015 1823.84 9.65 97432.9276668 206.125541545

Lab Surakarta 2015 633.40 -60.90 328412.514514 281.161852843

Meteorologi Cilacap 2015 2921.39 209.90 1686521.17891 887.38554911

Meteorologi Semarang 2015 1725.99 -40.45 349553.675941 331.968627227

Meteorologi Tegal 2015 1337.10 -47.30 143109.908497 211.233661396

Puslitbang FK UNS Kab. Karanganyar 2015 1471.22 -47.91 723512.837242 444.075706475

Sempor Kab. Kebumen 2015 3041.98 -19.59 2016307.6782 834.571871994

SI Ungaran Kab.Semarang 2015 2152.92 -4.85 1273720.54082 708.44826477

SMPK Bojongsari, Kab. Banyumas 2015 591.91 -195.17 1780322.91069 710.403562291

SMPK Borobudur, Kab. Magelang 2015 1029.05 -54.58 128094.816029 225.124908856

SMPK Getas, Kota. Salatiga 2015 1550.50 -67.54 234466.406772 259.06879547

SMPK Ngabakkapung, Kab. Grobogan 2015 2932.26 50.87 1052871.67982 661.193491773

SMPK Rondole, Kab. Pati 2015 1186.15 8.81 255605.447677 306.604967365

Wadaslintang, Kab. Wonosobo 2015 3190.43 -19.17 3035617.11586 1048.04731203

- - TOTAL -186.39 14011902.045372 7737.860550169

Tabel 3 Perhitungan Ukuran Statistik Untuk Satu Set Kesalahan (∝= 0.3)

13

Tabel 3 menunjukkan kesalahan terkecil dengan nilai ∝= 0.3 pada Stasiun

Iklim Gamer Kabupaten Batang, dengan jumlah total keseluruhan kesalahan

peramalan �� = 14011902.045372 dan �!� = 7737.860550169. Penyajian

data perhitungan ukuran statistik untuk satu set kesalahan dengan nilai parameter

∝ = 0.7 dalam bentuk tabel dapat dilihat pada Tabel 4.

Stasiun Iklim Tahun Ramalan

(F)

Nilai Tengah

Galat (ME)

Nilai Tengah Galat

Kuadrat (MSE)

Nilai Tengah Galat

Absolut (MAE)

Adisumarmo, Kab. Sukoharjo 2015 564.02 68.08 878898.947667 600.637983588

Gamer, Kab Batang 2015 1212.23 5.91 203607.561028 310.471161615

Lab Surakarta 2015 -3451.99 -92.68 545388.46578 364.163551575

Meteorologi Cilacap 2015 -1541.96 126.78 3837830.43651 1254.72851773

Meteorologi Semarang 2015 -2366.80 -101.45 537281.014442 382.360233951

Meteorologi Tegal 2015 -274.14 -62.70 333892.364358 335.702063511

Puslitbang FK UNS Kab. Karanganyar 2015 -3886.56 -135.00 1283944.26852 597.840420784

Sempor Kab. Kebumen 2015 -1171.23 -106.13 4039441.6683 1057.63456792

SI Ungaran Kab.Semarang 2015 -919.76 -74.01 1676360.44099 787.234879117

SMPK Bojongsari, Kab. Banyumas 2015 -4335.26 -210.24 4053602.18225 951.211577504

SMPK Borobudur, Kab. Magelang 2015 -836.29 -44.77 221367.307798 298.34268071

SMPK Getas, Kota. Salatiga 2015 -1594.31 -112.26 438275.398009 345.338502558

SMPK Ngabakkapung, Kab. Grobogan 2015 -318.73 -85.90 1924875.773 821.200338382

SMPK Rondole, Kab. Pati 2015 -27.49 -26.00 560930.828327 451.410628385

Wadaslintang, Kab. Wonosobo 2015 -1160.14 -132.71 5068980.64383 1346.85683901

- - TOTAL -983.08 25604677.300809 9905.13394634

Tabel 4 Perhitungan Ukuran Statistik Untuk Satu Set Kesalahan (∝= 0.7)

Tabel 4 menunjukkan kesalahan terkecil dengan nilai ∝= 0.7, nilai terkecil

�� terjadi pada Stasiun Gamer, Kabupaten Batang, dengan jumlah total

keseluruhan kesalahan nilai peramalan �� = 25604677.300809 dan �!� =9905.13394634.

Perbandingan kesalahan ramalan pada Tabel 3 dan Tabel 4 dapat terlihat

pada total nilai kesalahan ramalan, yaitu dengan nilai ∝= 0.7 lebih besar

dibandingkan dengan nilai ∝= 0.3. Dengan menggunakan nilai ∝= 0.7 dapat

terlihat bahwa penurunan curah hujan terjadi pada periode 2015. Hal ini

menunjukkan bahwa peramalan dengan menggunakan nilai ∝ = 0.3 dapat

diterima dan lebih akurat jika dibandingkan dengan menggunakan nilai ∝= 0.7.

Hasil Analisa Perbandingan Data Aktual dan Data Hasil Peramalan

Hasil perbandingan antara data aktual dan data hasil ramalan didapatkan

bahwa pola data curah hujan pada masa lalu berbeda dengan pola data hasil

peramalan. Grafik perbandingan antara pola data curah hujan masa lalu dan pola

data hasil ramalan dapat dilihat pada Gambar 8.

Gambar 8

Pada Gambar 8 terlihat

ramalan pada stasiun iklim Adisumarmo Kabupaten Sukoharjo

biru menunjukkan pola data curah hujan aktual dan garis berwarna

menunjukkan pola data curah hujan ramalan. Dari grafik didapat

pola data pada masa lalu berbeda dengan pola data ramalan.

Implementasi Graphical User Interface

Hasil implementasi dari penelitian ini

curah hujan tahunan per

menggunakan bahasa R. Proses pemetaan pada sistem aplikasi diimplementasikan

dengan mengolah data yang ada pada

dimiliki oleh bahasa R

format .PNG yang kemudian ditampilkan pada halaman

bentuk gambar rupa peta.

MS4W (MapServer for Windows

Menu utama pada halaman

Peramalan dan Akurasi, Visualisasi Data Iklim Spasial,

(Frequently Asked Question

beberapa menu tambahan guna menambahkan hak akses

menambahkan data untuk peramalan, menambahkan data untuk visualisasi data

iklim, publikasi data dan fungsi

Peramalan ditambahkan navigasi untuk menampilkan data perhitungan peramalan,

data aktual, dan grafik. Tujuan fungsi ini dibuat untuk mempermudah penyajian

informasi pada pengguna dengan menampilkan dalam bentuk peta dan juga grafik

garis. Penyajian data aktual dalam bentuk gr

14

Grafik Perbandingan Data Aktual dan Data Ramalan

Pada Gambar 8 terlihat grafik perbandingan antara data aktual dan d

ramalan pada stasiun iklim Adisumarmo Kabupaten Sukoharjo. Garis berwarna

biru menunjukkan pola data curah hujan aktual dan garis berwarna

menunjukkan pola data curah hujan ramalan. Dari grafik didapatkan hasil bahwa

pola data pada masa lalu berbeda dengan pola data ramalan.

Graphical User Interface (GUI)

mplementasi dari penelitian ini adalah penyajian informasi pe

curah hujan tahunan per-stasiun iklim dalam bentuk website portal dan peta yang


dengan mengolah data yang ada pada database menggunakan fungsi-fungsi yang

bahasa R. Hasil proses pengolahan data ini digambarkan dengan

.PNG yang kemudian ditampilkan pada halaman browser client

peta. Web Server yang digunakan pada penelitian ini adalah

MapServer for Windows) versi 1.6.

Menu utama pada halaman web meliputi Literatur, Wilayah Studi, Prediksi

Peramalan dan Akurasi, Visualisasi Data Iklim Spasial, Login, dan

Frequently Asked Question). Pada menu hak akses administrator

beberapa menu tambahan guna menambahkan hak akses administrator


iklim, publikasi data dan fungsi Logout. Pada Visualisasi Data Iklim Spasial dan


fik. Tujuan fungsi ini dibuat untuk mempermudah penyajian


garis. Penyajian data aktual dalam bentuk grafik dapat dilihat pada Gambar 9

grafik perbandingan antara data aktual dan data

. Garis berwarna

biru menunjukkan pola data curah hujan aktual dan garis berwarna coklat

kan hasil bahwa

adalah penyajian informasi peramalan

dan peta yang


fungsi yang

. Hasil proses pengolahan data ini digambarkan dengan

client dalam

yang digunakan pada penelitian ini adalah

meliputi Literatur, Wilayah Studi, Prediksi

, dan F.A.Q

administrator, terdapat

administrator baru,


Pada Visualisasi Data Iklim Spasial dan


fik. Tujuan fungsi ini dibuat untuk mempermudah penyajian


afik dapat dilihat pada Gambar 9.

Gambar 9

Pada Gambar 9 terlihat grafik data aktual tiap stasiun iklim Jawa Tengah

pada Tahun 2000 dimana garis biru adalah garis yang menunjukkan besaran curah

hujan, garis abu-abu adalah garis yang menunjukkan besaran kelembaban udara,

dan garis coklat adalah garis yang menunj

dilihat bahwa terdapat beberapa data

curah hujan pada stasiun iklim

Fungsi utama pada sistem ini terdapat pada navigasi pola peta Isohyet

dimana bahasa R dapat menampilkan sebuah peta tematik dengan pola Isohyet

pada halaman utama sistem. Proses penampilan peta terjadi ketika bahasa R

dieksekusi melalui windows command pro

berkas variabel yang terdapat pada

Kode Program 1 Kode Program Pemanggilan Data Aktual Yang Terdapat P

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

args <- commandArgs(TRUE)tahoen <- args[1] combinedb1 <- kelembaban, ch from tb_data_stasiun WHERE tahun = '", tahoen, sep = "")combinedb2 <- shape <- readShapeLines("C:/wamp/www/Skripsi_Isohyetal/map_jateng/jateng/jawatengah.shp" pcon <- dbConnect(PostgreSQL(),host="localhost",dbname="jateng",user="longlong",password="admin") rs <- dbSendQuery(pcon,combinedb2)data1 <- fetch(rs)

Pada Kode Program 1 menunjukkan bahwa proses

membutuhkan sebuah parameter

15

9 Grafik Garis dan Batang Data Aktual Tahun 2000

terlihat grafik data aktual tiap stasiun iklim Jawa Tengah


abu adalah garis yang menunjukkan besaran kelembaban udara,

dan garis coklat adalah garis yang menunjukkan besaran temperatur udara.

terdapat beberapa data yang kosong atau data gangguan (

pada stasiun iklim pada masa lalu.




windows command prompt secara benar dan memuat berkas

berkas variabel yang terdapat pada database.

rogram Pemanggilan Data Aktual Yang Terdapat Pada Database

commandArgs(TRUE) args[1]

paste("SELECT koord_x, koord_y, suhu, kelembaban, ch from tb_data_stasiun WHERE tahun = '", tahoen, sep = "")

paste(combinedb1,"'",sep="")

readShapeLines("C:/wamp/www/Skripsi_Isohyetal/map_jateng/jateng/jawatengah.shp")

dbConnect(PostgreSQL(),host="localhost",dbname="jateng",user="longlong",password="admin")

dbSendQuery(pcon,combinedb2) fetch(rs)

Pada Kode Program 1 menunjukkan bahwa proses query terhadap

membutuhkan sebuah parameter yaitu tahun yang ditunjukkan pada baris kode ke

terlihat grafik data aktual tiap stasiun iklim Jawa Tengah


abu adalah garis yang menunjukkan besaran kelembaban udara,

ukkan besaran temperatur udara. Dapat

yang kosong atau data gangguan (noise)




secara benar dan memuat berkas-

Database

paste("SELECT koord_x, koord_y, suhu, kelembaban, ch from tb_data_stasiun WHERE tahun = '",

readShapeLines("C:/wamp/www/Skripsi_Isohyetal/map_jaten

dbConnect(PostgreSQL(),host="localhost",dbname="jateng"

terhadap database

yaitu tahun yang ditunjukkan pada baris kode ke-

16

6, yang sebelumnya parameter didapatkan pada argumen ke-1 yang ditunjukkan

pada baris kode ke-2. Kode program terpusat pada baris ke-13 sampai dengan

baris ke-15 dimana jenis koneksi dan parameter yang terdapat pada database

harus disebutkan dengan benar agar koneksi kepada database dapat berjalan

dengan baik.

Setelah koneksi berjalan dengan baik, proses selanjutnya adalah proses

menginterpolasi koordinat X, koordinat Y dan nilai besaran curah hujan yang

akan digunakan untuk menggambarkan pola Isohyet kedalam sebuah rupa peta

dengan pewarnaan background berdasarkan koordinat X dan Y maksimum

sebagai polygon curah hujan, titik posisi stasiun iklim, dan legenda peta.

Kode Program 2 Kode Program Penggambaran Rupa Peta

Pada Kode Program 2 menunjukkan bahwa proses interpretasi

membutuhkan tiga parameter, sehingga dapat digunakan fungsi Contour untuk

menggambarkan pola Isohyet yang ditunjukkan pada baris kode ke-6 dan baris

kode ke-12 dan baris kode ke-13. Besaran curah hujan digambarkan dengan

menggunakan hasil interpolasi pada baris kode ke-6 guna menggambarkan

sebagai poligon curah hujan yang ditunjukkan pada baris kode ke-8 hingga baris

kode ke-10. Penyajian data dalam bentuk peta dapat dilihat pada Gambar 10.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

... CHx <- data1$koord_x CHy <- data1$koord_y CHz <- data1$ch fldCH <- interp(CHx,CHy,CHz) ... image(fldCH,col = cm.colors(100), axes=TRUE, add.plot=TRUE, xlim=c(108.555, 111.693), ylim=c(-8.2128, -5.7278))

contour(fldCH, add=TRUE, levels = pretty(CHz, 5), lwd=1, col = "blue") plot(shape, bg="Aquamarine", col = "grey", add=TRUE, lwd=1, xlim=c(108.555, 111.693), ylim=c(-8.2128, -5.7278)) points(CHx,CHy, pch=20, cex=1.2, col="red")

legend("topleft", legend = c("Batas Kabupaten", "Garis Hujan", "Stasiun Iklim"), col = rep(c("grey", "blue", "red")), pch=c(NA,NA,20), pt.cex=2, lty = c(1, 1, 0), box.lwd=0, box.col = "transparent")

Gambar 10 Penyajian Data Aktual Tahun 2000 Dalam Bentuk Rupa Peta

Gambar 10 menunjukan pola distribusi hujan pada tahun tahun 2000 yang

terjadi di wilayah Provinsi Jawa Tengah. Garis berwarna biru menunjukkan

daerah dengan besaran curah

merupakan titik dimana lokasi stasiun iklim berada.

5. Simpulan

Berdasarkan metode kuantitatif, perhitungan peramalan, analisa kesalahan

ramalan dan pembuatan sistem dapat diperoleh kesimpulan bahwa

2015 besaran curah hujan

iklim Wadaslintang yang terletak di Kabupaten Wonosobo dengan nilai

3190.43390786mm. Berdasarkan perbandingan analisa kesalahan ramalan dengan

menggunakan nilai ∝ 0.3

peramalan pada nilai ∝∝ = 0.7. Identifikasi pola hujan dimasa lampau

ramalan. Berdasarkan kajian pustaka, kurangnya data stasiun

perbandingan antara pola Isohyet

bahwa pola Thiessen Polygon

dengan pola Isohyetal.

6. Daftar Pustaka

[1]. Kartasapoetra, A.G

Tanah dan Tanaman Edisi Revisi. Jakarta : Penerbit Bumi Aksara.

[2]. Subekti, B.S. 2012. Peramalan Pola Iklim dan Spasial Model Pranatamangsa

Terbaharukan Dengan Menggunakan Metode Pemulusan Eksponensial

Ganda Studi Kasus Pada Wilayah Kabupaten Boyolal

Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen

Satya Wacana.

17

Penyajian Data Aktual Tahun 2000 Dalam Bentuk Rupa Peta

menunjukan pola distribusi hujan pada tahun tahun 2000 yang


besaran curah hujan tertentu, sedangkan titik yang berwarna merah

merupakan titik dimana lokasi stasiun iklim berada.

metode kuantitatif, perhitungan peramalan, analisa kesalahan

ramalan dan pembuatan sistem dapat diperoleh kesimpulan bahwa pada tahun

hujan ramalan tertinggi akan terjadi pada wilayah stasiun


erdasarkan perbandingan analisa kesalahan ramalan dengan

0.3 dan 0.7, maka dapat disimpulkan pula bahwa nilai

∝ = 0.3 lebih dapat diterima dibandingkan dengan

dentifikasi pola hujan dimasa lampau berbeda dengan pola hujan

. Berdasarkan kajian pustaka, kurangnya data stasiun

pola Isohyet dengan pola Thiessen Polygon,

Thiessen Polygon dapat menyajikan data dengan baik dibandingkan

Kartasapoetra, A.G. 2008. KLIMATOLOGI : Pengaruh Iklim


2012. Peramalan Pola Iklim dan Spasial Model Pranatamangsa


Ganda Studi Kasus Pada Wilayah Kabupaten Boyolali. Salatiga : Program


Penyajian Data Aktual Tahun 2000 Dalam Bentuk Rupa Peta

menunjukan pola distribusi hujan pada tahun tahun 2000 yang


hujan tertentu, sedangkan titik yang berwarna merah

metode kuantitatif, perhitungan peramalan, analisa kesalahan

pada tahun

akan terjadi pada wilayah stasiun


erdasarkan perbandingan analisa kesalahan ramalan dengan

dapat disimpulkan pula bahwa nilai

dibandingkan dengan nilai

pola hujan

. Berdasarkan kajian pustaka, kurangnya data stasiun iklim dan

, didapatkan

dapat menyajikan data dengan baik dibandingkan

. 2008. KLIMATOLOGI : Pengaruh Iklim Terhadap


2012. Peramalan Pola Iklim dan Spasial Model Pranatamangsa


i. Salatiga : Program


18

[3]. Lubis, E.S. 2009. Aplikasi Metode Pemulusan Eksponensial Ganda Dari

Brown Untuk Peramalan Produksi Kelapa Sawit Pada PT. Perkebunan

Nusantara III Tahun 2010 dan 2011. Medan : Departemen Matematika,

Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera

Utara. [4]. Baldigara, T. 2013. Forecasting Tourism Demand in Croatia : A

Comparison of Different Extrapolative Methods. Croatia : Faculty of

Tourism and Hospitality Management, Opatija, Journal of Business

Administration Research.

[5]. Samsiah, D.N. 2008. Analisis Data Runtun Waktu Menggunakan Model

ARIMA (p,d,q) (Aplikasi : Data Pendapatan Pajak Kendaraan Bermotor di

Propinsi Daerah Istimewa Yogyakarta). Yogyakarta : Program Studi

Matematika, Fakultas Sains dan Teknologi, UIN Sunan Kalijaga.

[6]. Makridakis, S. 1999. Metode dan Aplikasi Peramalan, Jilid 1. Ciputat,

Tangerang : Penerbit Binarupa Aksara.

[7]. Prasetyo, S.Y.J. 2013. Framework Prediksi Konektivitas Spasial

Menggunakan Metode Exponential Smoothing - Spatial Autocorrelation

Untuk Penentuan Wilayah Endemis Wereng Batang Coklat (Nilaparvata

Lugens Stal.) di Propinsi Jawa Tengah. Yogyakarta : Program Studi S3 Ilmu

Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas

Gadjah Mada.

[8]. Agustin, W. 2010. Pola Distribusi Hujan Jam-jaman di Sub DAS Keduang.

Surakarta : Jurusan Teknik Sipil, Universitas Sebelas Maret.

[9]. Wangkar, I.M. 2008. Estimasi Curah Hujan Maksimum Boleh Jadi di

Daerah Aliran Sungai Brantas Dengan Menggunakan Metode Hersfield.

Jakarta : Jurusan Teknik Sipil, Universitas Bina Nusantara.

[10]. Sabastian, S. Winaryanto, H. 2010. Perhitungan Penurunan Fungsi

Pengendalian Banjir Bendungan PB. Soedirman (Mrica) Banjarnegara

(Calculation of Flood Control Dams Decreasing Function PB. Soedirman

(Mrica) Banjarnegara). Semarang : Jurusan Teknik Sipil, Universitas

Diponegoro.

[11]. Pressman, R.S. 2007. Rekayasa Perangkat Lunak, Yogyakarta : Penerbit

Andi.

[12]. Basuki. Winarsih, I. Adhyani, N.L. 2009. Analisis Periode Ulang Hujan

Maksimum Dengan Berbagai Metode (Return Period Analyze Maximum

Rainfall With Three Method).

T1 Artikel Ilmiah -...

Documents

Transcript of T1 Artikel Ilmiah -...