1. Pendahuluan Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering

Transkripsi

1 4 1. Pendahuluan Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering menghadapi masalah yang menyebabkan penurunan hasil panen bahkan gagal panen. Permasalahan yang menyebabkan terjadinya gagal panen dan puso adalah hama penyakit atau sering disebut Organisme Pengganggu Tanaman (OPT) [1]. OPT yang sering menyebabkan penurunan hasil panen pada komoditas padi atau bahkan gagal panen (puso) adalah Wereng batang coklat (Nilaparvata lugens) atau yang dikenal dengan WBC. WBC menjadi parasit dengan menghisap cairan tumbuhan dalam kasus ini adalah komoditas padi sehingga mengakibatkan perkembangan tumbuhan menjadi terganggu bahkan mati [2]. Data peningkatan serangan WBC di Indonesia terjadi pada lahan pertanian seluas 2,5 juta ha tahun , kemudian pada periode terjadi serangan seluas Ha, dan serangan Ha pada tahun Daerah serangan WBC terparah hingga periode Juni 2010 terjadi di kabupaten Klaten dengan Ha dan puso 411 Ha, Sukoharjo terserang WBC Ha, puso 227 Ha, kabupaten Pekalongan Ha, puso 15 Ha, Boyolali 248 Ha, puso 37 Ha [3]. Tujuan dari penelitian ini yang pertama adalah menyusun model konseptual dan metode prediksi wilayah endemis serangan WBC berdasarkan pada variabel LTS menggunakan metode single exponential smoothing. Tujuan yang kedua adalah membangun model sistem informasi geografis berbasis web untuk memberikan pemetaan wilayah endemis serangan. Tujuan yang ketiga adalah merumuskan dan mengusulkan kebijakan yang bersifat implementatif berupa prosedur operasional standar (POS) sebagai pedoman dalam prediksi wilayah endemis WBC LPHP Surakarta. Sistem ini dapat memberikan gambaran wilayah serangan WBC dalam bentuk besaran kejadian dan dalam peta prediksi kejadian serangan WBC yang akan ditampilkan dalam SIG berbasis web agar lebih mudah untuk diakses melalui jaringan internet. 2. Tinjauan Pustaka Prediksi merupakan kegiatan untuk memperkirakan nilai-nilai dari variabel yang akan datang berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Dalam penelitian ini variabel yang digunakan adalah data LTS. Variabel yang berhubungan dengan variabel tersebut dan menjadi indikator adalah variabel iklim [4]. Metode single exponential smoothing digunakan karena karakteristik data historis berfluktuasi secara acak. Metode ini menggunakan sebuah parameter, yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1- ) kepada hasil prediksi periode sebelumnya. Harga terletak antara 0 dan 1 [5]. Single exponential smoothing merupakan salah satu kategori metode runtun waktu yang menggunakan pembobotan data masa lalu secara eksponensial. Pembobotan secara eksponensial berarti metode mengadakan penghalusan atau pemulusan terhadap data masa lalu dengan mengambil rata-rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode. Secara prinsip, metode pemulusan eksponensial akan memuluskan data data hasil pengamatan masa lampau untuk menghilangkan keacakan [6].

2 5 Persamaan umum dari metode yang digunakan dalam prediksi adalah: F X 1 F... (1) t 1 t t Keterangan : F t+1 : ramalan untuk periode t+1 X t : data pada periode waktu t F t : ramalan untuk periode waktu t. Nilai et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Dengan demikian dapat dikatakan bahwa prediksi pada periode yang akan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan prediksi dengan menggunakan metode single exponential smoothing, besarnya α (alpha) ditentukan secarat trial dan error sampai diketemukan α (alpha) yang menghasilkan kesalahan prediksi terkecil. Metode ini cocok digunakan untuk meramal data-data yang fluktuatif secara random [7]. Ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai ratarata kesalahan (mean error), nilai rata-rata kesalahan absolut (mean absolute error), dan nilai rata-rata kesalahan kuadrat (mean squared error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (mean percentage error) dan nilai rata-rata kesalahan persentase absolut (mean absolute percentage error). Dalam penelitian ini penerapan MSE adalah untuk mengetahui nilai kesalahan hasil prediksi variabel [8]. n 2 ei... (2) i MSE 1 n Keterangan: MSE : rata-rata kesalahan kuadrat n : jumlah periode waktu data : kesalahan pada periode waktu i e i 3. Perancangan dan Metodologi Penelitian Pada penelitian ini metode yang digunakan dalam perancangan aplikasi adalah dengan menggunakan metode Analisis Simulasi. Metode ini merupakan penggabungan antara perspektif analisis spasial temporal dan juga deskriptif tentang model spasial temporal. Model metode analisis simulasi akan ditunjukan pada Gambar 1 [9].

3 6 Rumusan masalah PengumpulanData dan Analisis PengembanganModel Verifikasi model dan Validasi Experimen Model dan Optimisasi Implementasi dan Hasil Simulasi Gambar 1 Model Analisis Simulasi Pada tahap rumusan masalah adalah bagaimana membuat rumusan masalah tentang pembangunan SIG yang dapat menampilkan prediksi wilayah serangan endemis WBC di LPHP. Pengumpulan dan analisis data historis yang dibutuhkan dalam penelitian ini adalah data LTS yang menjadi data historis kejadian searangan WBC di LPHP Surakarta tahun 2001 hingga tahun Sebagai data indikator digunakan data iklim selama kurun waktu 10 tahun yaitu tahun 2001 hingga 2010 di LPHP Surakarta. Pengembangan Model adalah tindak lanjut dari tahapan rumusan masalah yang telah diidentifikasi pada tahap sebelumnya kemudian mulai pengerjaan dan testing model yang sesuai dengan keadaan pada dunia nyata. Inti dari tahap ini adalah mengerti sistem yang akan dikembangkan dalam penelitian prediksi wilayah endemis WBC pada LPHP Surakarta. Pada Tahap Pemilihan Model penelitian ini menggunakan metode runtun waktu single exponential smoothing. Pada tahapan model eksperimen dan optimasi data telah menjadi data hasil prediksi dengan menggunakan metode single exponential smoothing. Data historis LTS dan iklim diolah menjadi data prediksi yang akan disajikan kedalam SIG. Tahap Testing yaitu dimana pengujian terhadap hasil prediksi dengan single expnential smoothing akan dilakukan uji validasi dengan menggunakan Mean Squared Error (MSE) untuk mengetahui seberapa besar kesesuaian dan ketepatan pada kondisi riil.

4 7 Pemodelan yang akan diimplementasikan dalam SIG sistem prediksi akan ditunjukkan pada Gambar 2 hingga Gambar 7 sebagai berikut. Melihat halaman Index Melihat Info dan Peta kabupaten LPHP Surakarta Melihat Peta dan Data Curah Hujan Melihat Peta dan data rerata 10 tahun user Melihat Peta dan Data Hujan Harian Melihat Peta dan Data OPT Melihat Peta dan data pertahun Akses Halaman Prediksi Melihat Peta dan data hasil Prediksi Admin Info Contact Mengubah Data Melihat Database <<include>> Ubah database Gambar 2 Use Case Sistem Prediksi Use Case yang di tunjukan pada Gambar 2 menunjukkan model bagi pengguna. Pengguna dapat mengakses halaman web SIG sebagai pengguna, secara garis besar informasi yang ditampilkan adalah data historis serangan WBC juga pengguna dapat mengakses halaman prediksi WBC yang diinginkan. Menu yang dapat diakses oleh pengguna adalah menu curah hujan, hujan harian, prediksi, login dan contact. pada menu login pengguna hanya dapat melihat halaman login karena sistem ini hanya memberikan akses login dan hak akses ubah data hanya pada administrator. User Start SIG Database Request menu Menampilakan menu memberikan nilai request dari sistem melihat data historis menampilkan data request user Input data prediksi Generate data prediksi memberikan data historis sebagai data penghitungan Prediksi dengan single exponential smoothing Melihat data prediksi menampilkan data prediksi menyimpan data prediksi End Gambar 3 Activity Diagram Model SIG Pengguna Activity diagram Model SIG pada Gambar 3 menunjukkan bahwa permintaan dari pengguna kemudian diproses oleh sistem dan melalui proses

5 8 perhitungan prediksi dengan metode single exponential smoothing data kemudian akan disimpan dalam database kemudian database memberikan keluaran berupa array. Array dari database kemudian sama pada proses sebelumnya bahwa array tersebut di render ke dalam peta digital, grafik dan tabel. admin SIG Database Start Login tidak Diterima ya Verifikasi User Menampilkan Admin Page menu edit data Input update data ya Edit tidak Menu index tidak simpan update ya Simpan Melihat data menampilakn data request Input data prediksi Generate data prediksi memberikan data historis sebagai d... Prediksi dengan single exponential smoothing menyimpan data prediksi Melihat data prediksi menampilkan data prediksi Logout End Gambar 4 Activity Diagram Model SIG Administrator Activity Diagram pada Gambar 4 hampir sama dengan activity pengguna namun ada perbedaan yaitu dalam hak akses pada database sistem. Hak akses ini memungkinkan administrator melakukan up date database. Deskripsi terhadap sistem prediksi akan digambarkan lebih jelas dalam Gambar sequence diagram dan class diagram sebagai berikut. : Control : User : boundary : Database Akses Halaman index View index request data index return data menampilkan halaman index View data historis getrequest user requestdatahistoris return data Menampilkan Data Historis input data prediksi GetInputDataPrediksi RequestDataHistoris returndata MenampilkanDataPrediksi Gambar 5 Sequence Diagram Model SIG Pengguna

6 9 Sequence Diagram Pada Gambar 5 Model SIG pengguna menjelaskan tentang tahap demi tahap yang terjadi dari proses pengguna yang berinteraksi dengan sistem kontrol dan database secara berurutan. Pada tampilan awal pengguna akan mendapatkan tampilan index yang berisi informasi seputar wilayah studi dan juga variabel yang digunakan dalam sistem. Antar muka pengguna yang kemudian dapat diakses oleh pengguna adalah view data historis dan juga menu prediksi. Dalam permintaan menu historis, pengguna mengirimkan perintah kedalam sistem kontrol dan sistem akan meminta data ke dalam database untuk dikembalikan ke antar muka pengguna dengan menampilkan data kembalian berupa peta, grafik dan tabel historis baik menu informasi Curah Hujan, Hujan Harian dan juga data LTS serangan WBC. Menu prediksi yang akan menampilkan hasil perhitungan prediksi menggunakan single exponential smoothing sebelumnya pengguna melakukan input yang berupa kecamatan yang akan diprediksi beserta jenis variabel yang akan diprediksi dan juga musim. Setelah pengguna melakukan input tombol proses yang akan memberikan permintaan kedalam sistem kontrol yang akan mengambil nilai historis yang akan dijadikan variabel penghitung dan kemudian kontrol melakukan penghitungan dengan single exponential smoothing. Kemudian sistem melakukan penyimpanan data prediksi ke database. Setelah proses penyimpanan data akan dipanggil kembali dalam nilai prediksi yang akan ditampilkan dalam peta, grafik dan tabel prediksi. : Control : Admin : boundary : Database ViewIndex ViewIndex RequestDataIndex ReturnData ShowDataIndex ViewDataHistoris GetRequestData RequestDataHistoris ReturnData ShowDataHistoris InputDataPrediksi GetInputDataPrediksi RequestDataHistoris ReturnDataPrediksi ShowDataPrediksi PilihDataYangAkanDIUpdate GetDataUpdate SelectDataLama ReturnNilaiBaru ShowDataUpdate Gambar 6 Sequence Diagram Model SIG Administrator Sequence Diagram Pada Gambar 6 dalam model SIG administrator. Semua hak akses yang dimiliki pengguna juga dapat dilakukan oleh administrator. Hanya satu hak akses yang membedakannya dengan pengguna biasa yaitu hak akses langsung kedatabase. Hak akses tersebut adalah menu edit database. Hal ini memungkinkan admin merubah database yang berada dalam sistem.

7 10 ViewData Prediksi User ControlUser ControlDataHistoris ControlPrediksi ViewData Select update Show Count Show EntityAdmin Id : integer nama : String Password : varchar SelectData() ViewData() UpdateData() Prediksi() EntityDataHistoris id : integer kodekecamatan : Integer kecamatan : String kodekabupaten : Integer bulan : date tahun : date SelectData() ViewData() UpdateData() EntityDa ataprediksi id : integer kodekecamatan : Integer kecamatan : String kodekabupaten : Integer bulanprediksi : date tahunprediksi : date HitungPrediksi() SelectDataPrediksi() ShowDataPrediksi() Gambar 7 Class Diagram model SIG Class Diagram Gambar 7 model SIG menunjukkan struktur kelass dan deskripsi objek dan atribut dalam sistem prediksi. Aktor dalam sistem ini adalah pengguna yang dapatt mengakses sistem prediksi. Akses pengguna dengan sistem s akan diolah di dalam kelas kontroler sistem. Kelas kontrol akan memberikan perintah terhadap sistem untuk menampilkan data dan melakukan m prediksi. 4. Hasil dan Pembahasan Hasil antar muka sistem ini secara garis besar terbagi t menjadi dua bagian yaitu yang pertama adalah menu Curah Hujan, Hujan Harian dan OPT yang merupakan menu viewer yang menampilkan data historis. Dataa historis adalah data sumber yang akan digunakan dalam penghitungan prediksi. Menu pada bagian ini sistem akan menampilkan data historis sebagai informasi. Bagian kedua adalah fokus dari penelitian ini yaitu prediksi WBC pada komoditas padi. Dataa historis yang diproses dalam sistem menggunakan metode single exponential smoothing yang diharapkan menjadii nilai prediksi yang baik. Menu index dalam SIG ini berisikan konten selamat datang, WBC dan konten wilayah LPHP Surakarta. Halaman index yangg akan ditampilkan sebagai halaman beranda darii sistem adalah sebagai berikut seperti Gambar 7: Gambar 8 Halaman index Padaa halaman awal SIG akan ditampilkan konten berupa deskripsi WBC secara sekilas dan juga Wilayah Studi kasus yaitu LPHP Surakarta. Wilayah LPHP Surakarta akan ditunjukkan Gambar 8. Peta LPHP L Surakarta mencakup Wilayah dengan 7 kabupaten dan 124 kecamatan. Kabupaten tersebut adalah Kabupaten Klaten, Kabupatenn Boyolali, Kabupaten Sukoharjo, Kabupaten Karanganyar, Kabupaten Sragen, Kabupaten Sukoharjoo dan Kodiaa Surakarta..

8 11 Gambar 9 Wilayah LPHP Surakarta Menu yang akan menampilkan data historis indikator iklim yang terdiri dari Curah Hujan dan Hujan Hariann akan ditampilkan dalam bentukk peta, tabel dan grafik. Dalam penyajian parameter peta yang digunakan dalamm tinggi rendah nilainya dibutuhkan legenda yang akan menunjukan klasifikasi dalam peta prediksi ditunjukkann pada Gambar 10a, Gambar 10b dan d Gambarr 10c. Gambar 10a Legenda Curahh Hujan Gambar 10b Legenda Hujan Harian Gambar 10c Legenda Serangan WBC Menu prediksii akan menampilkann pilihan kecamatan sesuai dengan kabupaten yang telah dipilih. Sedangkan jenis varibel yang akan diramalkan mempunyai pilihan Curah Hujan, Hujan Harian dan OPT. Gambar 11 Menu Input Prediksi Setelah pengguna memasukan masukan pada halaman h prediksi kemudian pengguna menekan tombol proses secara otomatis pengguna memberikan perintah

9 12 pada sistem untuk memprediks si sesuai parameter pengguna. p Data yang telah melalui proses generate data kemudian menyimpannyaa dalam database. Dataa dari database tersebut yang akan menjadi nilai prediksi yang dibutuhkan sistem untuk menampilkan dalam peta, grafikk dan tabel prediksi WBC. Padaa saat pengguna melakukan masukan berupa Kabupaten, Kecamatan, Jenis Variabel dan Tahun prediksi sistem sebenarnyaa mengambil masukan data dari database yang kemudian dihitung menggunakan metode m prediksi yaitu single s exponential smoothing. Sebagai contoh perhitungan sistem di bawah ini akan ditunjukkan salah satu contoh perhitungan dari variabel prediksi LTS dan variabel prediksi Curah Hujan. Contoh Manual: FJanuari2015 = * ( 1-0.2) * = mm FFebruari2015 = * (1-0.2) * = mm FMaret2015 = * ( 1-0.2) * = mm Contoh manual menjelaskan tentang satu contoh perhitungan manual prediksi curah hujan yang akann dijalankann oleh sistem prediksi. Contoh diatas adalah perhitungan prediksi bulan Januari 2015 hingga Maret 2015 pada kecamatan Sukoharjoo kabupatenn Sukoharjo. Sistem akan mulai menghitungg data rerata bulan Januari selama pada kecamatan Sukoharjo. Nilai hasil prediksi yang diasumsikan sebagai nilai historis data pada tahun 2015 dan tersebut data akan disimpan ke dalam database. Data akan ditampilkan kembali ke dalam SIG dalam bentuk peta kejadian,, tabel dan grafik sebagai presentasi. Indikator yang akan menunjukkann wilayah endemis serangan akan ditunjukkan dengan gradasi warna sebagai legenda pada peta prediksi. Legenda akan ditunjukkan Gambar 12. Gambar 12 Legenda Prediksi OPT Klasifikasi yang digunakann dalam prediksi LTS WBC akan dibagi ke dalam 3 tingkatan. Tingkatan klasifikasi yang pertama adalah klasifikasi tinggi yaitu apabila data rerata hasil prediksi memiliki kisarann nilai diatas 7,5 hektar. Tingkatann ke 2 adalah klasifikasi sedang, nilai kisaran klasifikasi sedang adalah nilai rerata antara 2,5 hektar hingga 7,5 hektar dan yang y ke 3 adalah klasifikasi rendah dengan nilai rerata kurang dari 2,5 hektar. Padaa analisis hasil pediksii pada LPHP Surakartaa akan diambil hanya tahun 2015 padaa seluruh 7 Kabupatenn di LPHP Surakarta sebagai s sampel analisiss dari keseluruhan prediksi LTS. Sampel kabupaten pada tahun 2015 yang diambill akan dianalisis data spasial dan temporal hasil prediksinya sehinggaa akan diketahui pola spasial intensitass serangan WBC.

10 13 Gambar 13 Prediksi Wonogiri tahun 2015 Padaa Gambar 13 menunjukkan hasil prediksi pada Kabupaten Wonogiri tahun 2015 hanya pada 1 kecamatan Selogiri yang masuk pada klasifikasi sedang. Nilai prediksi padaa daerah Selogiri: 6,74 hektar. Pada wilayah lainnya menunjukkan wilayahnya termasuk pada klasifikasi rendah r dengan nilai LTS di bawah 2,5 hektar. Gambar 14 Prediksi Sukoharjo tahun 2015 Padaa Kabupaten Sukoharjo yang ditunjukkan pada Gambar 14 terlihat bahwa sebagian besar wilayah pada kabupaten Sukoharjo masuk k pada klasifikasi tinggi. Kecamatan yang masuk dalam klasifikasi LTS tinggi mencakup 8 kecamatan yaitu Gatak: 12,41 hektar, Baki: 16,3 hektar, Grogol: 14,65 hektar, Mojolaban: 29,75 hektar, Polokarto: 17,,53 hektar, Bendosari: 10,04 hektar, Sukoharjo: 16,45 hektar dan Tawangsari: 15,05. Satu kecamatan masuk klasifikasii sedang yaitu kecamatan Weru: 4,04 hektar dan 2 wilayah masuk klasifikasii rendah yaitu Kecamatan Bulu: 1,51 hektar dan d kecamatan Nguter: 2.73 hektar.

11 14 Gambar 155 Prediksi Sragen tahunn 2015 Analisis pada kabupatenn Sragen yang ditunjukkan pada Gambar 15 menunjukkan kecamatan Masaran: 26,76 hektar yangg merupakann satu satunya kecamatan yang masuk klasifikasi tinggi, 3 wilayah yang masuk klasifikasi sedang yaitu kecamatan Kedawung: 6,81 hektar, Sidoharjo: S 5,53 hektarr dan Tanon: 3,,91 hektar. Wilayah yang lain pada kabupaten Sragenn termasuk pada klasifikasii rendah yaitu di bawahh 2,5 hektar. Gambar 16 Prediksi Kodia Surakarta tahun t 2015 Padaa Gambar 16 merupakan wilayah pada Kodia Surakartaa dengan jumlah kecamatan paling sedikit yaitu 5 kecamatan. Pada tahun 2015 Lima kecamatan dalam kodia surakarta termasuk dalam klasifikasii LTS rendah kecamatan kecamatan tersebut adalah Laweyan, Banjarsari, Jebres, Serengan dan Pasar Kliwon semua mempunyai kisaran nilai di bawah 2,5 hektar. h Gambar 177 Prediksi Klaten tahunn 2015

12 15 Prediksi pada kabupaten Klaten memiliki sebaran LTS yang beragam. Empat daerah yang masuk klasifikasi LTS tinggi yaitu Kecamatan Wonosari: 16,28 hektar, Delanggu: 9,5 hektar, Juwiring: 25,27 hektar, Karangdowo: 21,2 hektar. Wilayah yang masuk klasifikasi LTS sedangg yaitukecamatan Jatinom: 3,02 hektar, Polanharjo: 7,25 hektar, Karanganom: 5,05 hektar, Ceper: 3,27 hektar, Trucuk: 7,53 hektar, Cawas: 8,42 hektar, dann Gantiwarno: 3,33 hektar. Wilayah sisa yang tidak t termasuk dalam klasifikasii tinggi dann sedang adalah kecamatan Kemalang, Tulung, Karangnongko, Ngawen, Manisrenggo, Prambanan, Jogonalan, Kebonarum, Klaten utara, Klaten Selatan, Klaten Tengah dan Kalikotes masuk pada kasifikasi rendah dengan kisaran k nilaii LTS pada 2015 di bawah 2,5 hektar. Gambar 18 Prediksi Karanganyar tahun 2015 Klasifikasi LTS tahun 2015 pada kabupaten Karanganyar menunjukkan bahwa klasifikasinya didominasi LTS rendah yaitu Kecamatan Jumapolo, Jatiyoso, Jatipuro, Tawangmangu, Matesih, Jumantono, J Karanganyar, Karangpandan, Mojogedang, Kerjo dan Jenawi dengan kisaran nilai LTS di bawah 2,5 hektar. Terdapat beberapa kecamatan dengan klasifikasi sedang yaitu Jaten: 6,18 hektar, Colomadu: 5,93 hektar dan Gondangrejo: 4,,98 hektar. Pada tahun 2015 kabupaten Karanganyar hanya memiliki satu s wilayahh yang termasuk dalam klasifikasi LTS tinggi yaitu Kecamatan Kebak Kramat: K 11,55 hektar. Gambar 19 Prediksi Boyolali tahun 2015 Analisis data hasil prediksi pada tahun 2015 di Kabupaten Boyolali adalah terdapat satu kecamatan dengan klasifikasi LTS tinggi Kecamatan Ngemplak: 12,35 hektar. Klasifikasi sedangg pada kabupaten Karanganyar adalah kecamatan

13 16 Nogosari, Sambi, Banyudono dan Sawit. Kecamatn dengan klasifikasi rendah di kabupaten Boyolali adalah kecamatan Selo, Ampel, Cepogo, Musuk, Boyolali, Mojosongo, Simo, Klego, Andong, Kemusu, Karanggede, Wonosegoro dan Juwangi. Dari peta prediksi wilayah endemis serangan WBC pada LPHP Surakarta diatas menunjukkan bahwa Kabupaten Klaten dan Kabupaten Sukoharjo yang memiliki kecamatan terbanyak yang memiliki klasifikasi tinggi pada wilayah endemisnya. Kemudian pembandingan antara data prediksi dengan data historis yang sesuai dengan nilai pada riil. Validasi yang akan dilakukan untuk menunjukkan kemampuan metode single exponential smoothing dalam memberikan hasil prediksi. Digunakan data tahun sebagai data sumber untuk memprediksi tahun Secara umum perhitungan kesalahan prediksi dapat dijabarkan sebagai berikut: e i = x i F i... (3) Keterangan : e i = kesalahan pada periode ke-i x i = nilai sesungguhnya pada periode ke-i F i = nilai hasil prediksi pada periode ke-i Validasi yang dilakukan akan diambil sampel penghitungan untuk menghitung nilai ei (kesalahan peramalan) pada Kecamatan Gemolong Kabupaten Sragen. Persamaan (3) akan digunakan untuk menghitung nilai kesalahan hasil prediksi. E Gemolong = x Gemolong F Gemolong E Gemolong = = 1,92 Nilai xgemolong didapatkan dari rerata data historis pada Kecamatan Gemolong pada tahun , kemudian nilai tersebut dikurangi dengan rerata hasil prediksi menggunakan metode single exponential smoothing dari Nilai kesalahan peramalan (ei) yang didapatkan adalah 1,92 yang akan dihitung menggunakan MSE seperti pada persamaan (2). Perhitungan manual yang akan dilakukan adalah sebagai berikut. MSE 2 1,92 5 0,73728 Nilai MSE didapatkan dengan menghitung kuadrat dari ei kemudian dibagi dengan jumlah periode data. Periode data dalam validasi adalah 5 periode yaitu Hasil validasi yang didapatkan pada Kecamatan Gemolong dengan menggunakan MSE Adalah 0, Kesimpulan Metode single exponential smoothing dapat dipergunakan sebagai metode prediksi dengan karakteristik data yang mempunyai fluktuatif. Pola spasial

14 17 temporal data hasil prediksi akan mengalami penurunan dari periode satu ke periode berikutnya. Pola penurunan data hasil pediksi dikarenakan karakteristik single exponential smoothing memberikan pembobotan lebih besar pada hasil yang pertama diprediksi. Wilayah prediksi luas tambah sebaran endemis LTS WBC mempunyai pola yang fluktuatif di LPHP Surakarta. Hasil prediksi periode satu dengan yang lainnya akan memiliki karakteristk yang tidak jauh berbeda baik dari nilai prediksi. Metode runtun waktu yang digunakan pada sistem ini yaitu Single Exponential Smoothing dapat diterapkan sebagai metode prediksi WBC dengan indikator iklim. Hasil prediksi dapat digunakan menjadi pertimbangan dalam pengambilan keputusan dalam bidang bidang yang terkait dengan hasil prediksi. Validasi sebagai pengukur keakuratan metode prediksi dapat dilakukan dengan membuat perbandingan data riil dengan data prediksi yang telah diketahui nilai sebenarnya. 6. Daftar Pustaka [1] Waluyo, B., 2011, Memberantas Hama Wereng Batang Cokelat, Bappeda Jawa Tengah, Suara Merdeka 24 Juni 2010, berantas-hama-hama-wereng-batang-cokelat- [2] Supriyono, S.W., 2006, Keterkaitan Antara Penyimpangan Cuaca Pertanian Dengan Organisme Pengganggu Tanaman Pangan. [3] Effendi B. S., 2009, Strategi Pengendalian Hama Terpadu tanaman Padi Dalam Perspektif Praktek Pertanian Yang Baik (Good Agricultures Practices). [4] Ai, T. J., 1999, Optimalisasi Peramalan Pemulusan Eksponensial Satu Parameter Dengan Menggunakan Algoritma Non linear Programming, Jurnal Teknologi Industri vol.3 No.3. [5] Makridakis, S., Whell Wright, Steven C., Mcgee Victor E, alih bahasa: Untung Sus Andriyanto, Abdul Basith, 2000, Metode dan Aplikasi Peramalan Edisi Kedua, Penerbit Erlangga. Jakarta. [6] Supriana, U., 2010, Universitas Sumatera Utara, Peramalan Produk Domestik Regional Bruto (Pdrb) Kabupaten Labuhan Batu Pada Sektor Pertanian Tahun 2011 [7] Kuncono, 2010, rancang bangun sistem peramalan permintaan barang pada cv. konveksi jaya dengan menggunakan metode exponential smoothing [8] Astuti, Y., 2005, Peramalan (Forecasting) Volume Penjualan Teh Hitam Dengan Metode Exponential Smoothing Pada Pt Perkebunan Tambi Wonosobo. [9] Hoover, S.V. & Perry, R.F., 1989, Simulation: A Problem-Solving Approach. Boston: Addison-Weshey