PEMODELAN DECISION NETWORK UNTUK MENENTUKAN POLA TANAM PERTANIAN DINAMIS ABDUL RAHMAN HALIM

Transkripsi

1 PEMODELAN DECISION NETWORK UNTUK MENENTUKAN POLA TANAM PERTANIAN DINAMIS ABDUL RAHMAN HALIM DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

2 PEMODELAN DECISION NETWORK UNTUK MENENTUKAN POLA TANAM PERTANIAN DINAMIS ABDUL RAHMAN HALIM Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

3 ABSTRACT ABDUL RAHMAN HALIM. Dynamic Cropping Pattern Modelling using Decision Network. Supervised by AGUS BUONO. Plants require different climatic conditions to grow well. The knowledge of optimum climate for plant to grow is essentially needed. The El Nino and La Nina phenomena affect the climate changes variability in Indonesia. El Nino causes a decrease in agricultural productivity due to the reduction in availability of water for crops. However, the La Nina phenomenon increases agricultural productivity due to the abundant availability of water. The strategy that can be done to solve the problem of climate change are to adjust the shape of cropping patterns and to forecast the season by using a Decision Network. Based on the Decision Network, the decision to select established cropping patterns is done using climate information and other obtained information before the decision is made. In this study, there are four information to be used. They are SOI index in August which can be used as an early possible indicator of rainy season changes, the length of rainy season, the rainfall in dry season, and the land area affected by drought. The objective of this research was to build the information model for agricultural cropping pattern by decision network. The data in this research were from 1965 to Cropping pattern can be used to produce a proper and accurate decision regarding to possibility of drought in areas. It also can be used to predict the possibility of loss amount that may arise. This study is conducted Indramayu District. The decisions are based on cropping patterns in Indramayu. The result showed that the model accuracy was 61.9% based on the relationship between the possibility of drought and drought data record in Indramayu from 1989 until Keywords: Cropping Pattern, Decision Network, Drought, Southern Oscillation Index.

4 Judul Skripsi Nama NRP : Pemodelan Decision Network untuk Menentukan Pola Tanam Pertanian Dinamis : Abdul Rahman Halim : G Menyetujui: Pembimbing Dr. Ir. Agus Buono, M.Si, M.Kom NIP Mengetahui: Ketua Departemen Ilmu Komputer Dr. Ir. Agus Buono, M.Si, M.Kom NIP Tanggal Lulus :

5 KATA PENGANTAR Segala puji bagi Allah subhanahu wata ala atas segala limpahan rahmat serta karunia-nya sehingga penulis mampu menyelesaikan penelitian ini dengan baik. Shalawat dan salam penulis sampaikan kepada Nabi Muhammad shallallahu alaihi wasallam serta kepada keluarganya, sahabatnya, serta para pengikutnya hingga akhir zaman. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu: 1 Ayahanda Sigit Sudjamiko, Ibunda Rosita Arniati, serta Adik Muhammad Husni dan Hilmy Zhafran atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 2 Bapak Dr. Ir. Agus Buono, M.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini. 3 Center for Climate Risk and Opportunity Management in Southeast Asia Pasific (CCROM- SEAP) Institut Pertanian Bogor sebagai sumber data dalam penelitian ini. 4 Indonesia Managing Higher Education for Relevance and Effeciency (I-MHERE) Institut Pertanian Bogor yang telah membantu dalam penyelesaian penelitian ini. 5 Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Mushthofa, S.Kom, M.Sc selaku dosen penguji yang telah memberi masukan dan saran pada penelitian dan tugas akhir penulis. 6 Ngesti Dyah Sekar Mumpuni yang selalu memberikan semangat dan motivasi dalam menyelesaikan penelitian ini. 7 Muti Relegi, Panji Cahya Mawarda, Melki Hasali, Wiggo Windi Riswandy, Fatkurrohman, Dewi Citra Sari, Restu Rahmana Putra, Eva Selenia Desi, Nur Amalina Fitria, Fatimah Zachra Fauziah, Sigit Eko Prasetya, dan Larasati Dena Mahardika, sebagai teman seperjuangan, satu tim dan satu keluarga Kementerian Pendidikan BEM KM IPB Catur Purbo Yuwono, Irvan Ahadi, Putri Dewi Purnamasari, Meriska Defriani, Mohamad Firman, Ryan Satria Nugroho, dan semua rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses. 9 Teman-teman satu perjuangan BEM KM IPB 2011 Kabinet Bersahabat atas pengalaman dan persahabatan yang telah diberikan. 10 Muhamad Rifkiaansyah, Wuri Setyani, Galuh Hanifatiha, Diah Rahmi, Dewi Irmawati, dan teman-teman satu perjuangan BEM KM IPB 2012 Kabinet Berkarya atas bantuan dan karya yang telah diciptakan. 11 Rekan-rekan satu bimbingan, Alif Kurniawan, Ahmad Bagus Diponegoro, Nanda Ichsan Pratama, Retno Larasati, dan Wido Aryo Andhika semoga selalu bersemangat dan sukses. Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi peneliti Ilmu Komputer dan Institut Pertanian Bogor serta Badan Geofisika Meteorologi Klimatologi dan Geofisika dan Departemen Pertanian pada umumnya. Bogor, Januari 2013 Abdul Rahman Halim

6 RIWAYAT HIDUP Penulis dilahirkan di Wellington, Selandia Baru pada tanggal 30 Mei Penulis merupakan anak pertama dari tiga bersaudara, dari pasangan Sigit Sudjatmiko dan Rosita Arniati. Pada tahun 2008, penulis menyelesaikan pendidikan di SMA Negeri 5 Kota Bengkulu. Penulis lulus seleksi masuk Institut Pertanian Bogor pada tahun yang sama melalui jalur Undangan Seleksi Masuk IPB dan diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama aktif menjadi mahasiswa, penulis menjadi anggota Kementerian Pendidikan Badan Eksekutif Mahasiswa Keluarga Mahasiswa (BEM KM) IPB pada tahun 2011, dan menjadi Menteri Pendidikan BEM KM IPB di tahun berikutnya. Penulis juga aktif dalam kegiatan kemahasiswaan, salah satunya adalah IPB s Dedication for Education dan International Scholarship Education Expo, Penulis menjadi ketua International Scholarship Education Expo di tahun Penulis juga ikut di kegiatan kemasyarakatan sebagai salah satu pendiri gerakan IPB Mengajar pada tahun Penulis juga menjadi asisten praktikum Rangkaian Digital pada tahun Selain itu penulis melaksanakan kegiatan Praktik Kerja Lapangan di Center for Climate Risk and Opportunity Management in Southeast Asia Pasific (CCROM-SEAP) Institut Pertanian Bogor.

7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vi PENDAHULUAN Latar Belakang... 1 Tujuan Penelitian... 2 Ruang Lingkup... 2 METODE PENELITIAN Studi Literatur dan Pemahaman Masalah... 2 Identifikasi Peubah Terkait... 2 Pengumpulan Data... 3 Pembagian Data... 3 Pembuatan Bayesian Network... 3 Pembuatan Decision Network... 4 Pembuatan Fungsi Utility... 4 Pengujian Model dan Analisis... 4 HASIL DAN PEMBAHASAN Pengumpulan Data... 4 Penentuan Variabel Bayesian Network... 4 Pembuatan Struktur Bayesian Network... 6 Teknik Inferensi... 7 Pembuatan Decision Network... 8 Evaluasi Model... 9 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN v

8 DAFTAR TABEL Halaman 1 Peluang bersyarat untuk SOI bulan Agustus Peluang bersyarat panjang musim hujan jika diketahui nilai SOI Peluang bersyarat curah hujan di musim kemarau Peluang bersyarat luas lahan yang mengalami kekeringan jika diketahui nilai panjang musim hujan dan curah hujan di musim kemarau Nilai fungsi utility berdasarkan peluang luas lahan yang mengalami kekeringan dan kemungkinan keputusan yang bisa diambil... 9 DAFTAR GAMBAR Halaman 1 Diagram alir penelitian Lima fase SOI berdasarkan nilai SOI dua bulan yang berurutan (Stone et al. 1996) Panjang musim hujan di Indramayu dari tahun 1965 hingga Curah hujan di Indramayu dari tahun 1965 hingga Luas lahan kekeringan di Indramayu dari tahun 1989 hingga Model Bayesian network Struktur decision network Peluang kekeringan apabila diberikan input nilai SOI di bulan Agustus Perkiraan kerugian masing-masing pola penanaman apabila diberikan input nilai SOI di bulan Agustus Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan di bawah normal Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan di atas normal Perkiraan kerugian masing-masing pola penanaman apabila diberikan input curah hujan di musim kemarau di bawah normal Perkiraan kerugian masing-masing pola penanaman apabila diberikan input curah hujan di musim kemarau di atas normal... Error! Bookmark not defined. 14 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan dan curah hujan di musim kemarau di bawah normal Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan dan curah hujan di musim kemarau di atas normal DAFTAR LAMPIRAN Halaman 1 Data nilai SOI tahun Data luas lahan kekeringan di Indramayu tahun Hasil analisis korelasi sederhana data SOI bulan Agustus dan data panjang musim hujan Kode pembuatan Bayesian network Kode penggunaan maximum likelihood Hasil prediksi dengan prediktor nilai SOI bulan Agustus Hasil prediksi dengan prediktor nilai panjang musim hujan Hasil prediksi dengan prediktor nilai curah hujan di musim kemarau Hasil prediksi dengan prediktor nilai panjang musim hujan dan nilai curah hujan di musim kemarau Grafik keterkaitan antara peluang kekeringan dan luas lahan kekeringan vi

9 Latar Belakang PENDAHULUAN Setiap tanaman membutuhkan kondisi iklim yang berbeda untuk dapat tumbuh dengan baik. Pengetahuan tentang kebutuhan iklim yang optimum bagi pertumbuhan dan perkembangan tanaman sangat diperlukan. Pengetahuan tersebut dapat digunakan untuk menentukan jenis tanaman dan strategi budidaya yang sebaiknya digunakan pada tempat tertentu sesuai dengan kondisi iklimnya. Salah satu hal mengenai iklim yang menjadi fokus utama pada saat ini di Indonesia adalah anomali iklim. Secara harfiah, anomali iklim adalah pergeseran musim dari rata-rata normalnya. Anomali iklim sendiri terjadi disebabkan oleh beberapa hal, namun fenomena yang sering terjadi dan mempengaruhi daerah di Indonesia ialah El Nino (Irianto & Suciantini 2006). Salah satu faktor dominan terjadinya El Nino ialah Indeks Osilasi Selatan (Southern Oscillation Index). Gejala El Nino dan La Nina berpengaruh terhadap perubahan variabilitas iklim di Indonesia (Haylock & McBridge 2001). Pada umumnya, El Nino membawa dampak berupa berkurangnya curah hujan bahkan kekeringan, sedangkan La Nina membawa dampak berupa meningkatnya curah hujan yang bisa mengakibatkan banjir (Estiningtyas & Wigena 2011). Kedua gejala tersebut menyebabkan pergeseran pola curah hujan. Perubahan iklim yang tidak menentu akan memengaruhi produktivitas pertanian. Gejala El Nino menyebabkan penurunan produktivitas pertanian karena ketersedian air untuk tanaman berkurang. Sebaliknya, pada gejala La Nina, produktivitas pertanian meningkat akibat melimpahnya ketersediaan air (Irawan 2006). Menurut Boer (2009), ada tiga dampak utama El Nino dan La Nina terhadap kondisi musim di Indonesia. Pertama, musim hujan lebih lambat atau lebih cepat datang yang berkaitan dengan awal musim hujan. Kedua, musim hujan berakhir lebih cepat atau lebih lambat dari biasanya yang berkaitan dengan panjang musim hujan. Ketiga, hujan yang sangat jarang atau berlebih di musim kemarau atau musim hujan yang menjurus pada curah hujan musim kemarau dan curah hujan musim hujan. Awal musim hujan, panjang musim hujan, curah hujan musim kemarau, dan curah hujan musim hujan saling berhubungan terkait fenomena El Nino dan La Nina. Berdasarkan data yang ada, menurut Boer (1999), antisipasi lebih diperlukan untuk menghadapi pergeseran musim akibat El Nino, mengingat bencana yang ditimbulkan akibat bencana El Nino lebih serius dari La Nina. Hal itu ditunjukkan dengan data hujan musim kemarau selama 100 tahun, penurunan hujan dari normal akibat kejadian El Nino dapat mencapai 80 mm/bulan, sedangkan peningkatan hujan dari normal akibat terjadi La Nina tidak lebih dari 40 mm/bulan. Berdasarkan keterkaitan beberapa variabel yang telah disebutkan sebelumnya, salah satu cara yang dapat dilakukan berdasarkan pengetahuan tersebut ialah mengubah pola penanaman benih berdasarkan kondisi cuaca di Indonesia. Penanaman benih pada musim hujan diharapkan akan menghasilkan produksi pertanian yang optimal sehingga pada saat memasuki masa musim kemarau, ketersediaan pangan untuk konsumsi nasional dapat terjaga. Pengenalan pola tanam benih tersebut berkaitan dengan pengetahuan Departemen Pertanian untuk memprediksi musim hujan (BBSDLP 2008). Awal musim tanam pada suatu pola tanam biasanya ditetapkan berdasarkan pola hujan. Musim tanam pertama dimulai pada awal musim hujan dan musim tanam kedua dimulai menjelang musim kemarau. Untuk penanaman kedua, keberhasilan panen sangat ditentukan oleh awal masuk musim hujan, lama musim hujan, dan sifat hujan. Kekeringan seringkali terjadi pada tanaman kedua apabila sifat hujan di bawah normal atau awal masuk musim hujan mengalami kemunduran sehingga penanaman kedua juga mengalami kemunduran. Oleh sebab itu, salah satu strategi yang dapat dilakukan untuk mengatasi masalah pada musim tanam kedua tersebut ialah menyesuaikan bentuk pola tanam dengan prakiraan musim menggunakan pendekatan decision network. Melalui decision network, indikator perubahan iklim tersebut akan diubah menjadi peluang dalam berbagai selang berdasarkan data yang ada. Pembagian selang ini bertujuan mengakomodasi perubahan berbagai variabel terkait secara dinamis. Peluang yang didapatkan akan diolah sehingga bisa menghasilkan suatu keputusan.

10 2 Berdasarkan decision network, keputusan pemilihan pola ditetapkan berdasarkan informasi iklim dan informasi lainnya yang diperoleh sebelum keputusan dibuat. Informasi yang dimaksud di antaranya adalah indeks SOI di bulan Agustus, prakiraan panjang musim hujan, dan curah hujan pada musim kemarau. Ada berbagai penelitian mengenai iklim yang menggunakan Bayesian network. Elfitriadi (2011) melakukan penelitian pemodelan kejadian hujan dengan dynamic Bayesian network. Penelitian ini juga sangat berhubungan dengan penelitian-penelitian lainnya seperti peramalan panjang musim hujan dan peramalan curah hujan musim kemarau di Indonesia. Said (2011) melakukan peramalan panjang musim hujan menggunakan jaringan saraf tiruan resilient backpropagation dengan koefisien determinasi 84%. Agmalaro (2011) melakukan peneltian mengenai prediksi curah hujan bulanan Indramayu menggunakan metode support vector regresion. Beberapa hasil dari penelitian tersebut ke depannya sangat berpengaruh pada penelitian ini yang akan menggunakan data SOI, panjang musim hujan, dan curah hujan musim kemarau. Tujuan Penelitian Tujuan dari penelitian ini ialah membangun model informasi pola tanam pertanian dengan decision network. Pola tanam ini akan digunakan untuk menghasilkan suatu keputusan yang baik dan rasional mengenai peluang suatu daerah mengalami kekeringan beserta jumlah kerugian yang mungkin muncul. Penelitian ini akan dilakukan untuk Kabupaten Indramayu. Ruang Lingkup Penelitian ini menggunakan data SOI bulan Agustus tahun merujuk pada situs Badan Meteorologi Australia. Selain itu, data yang digunakan ialah data panjang musim hujan beserta data curah hujan di musim kemarau dari tahun yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika. Data lain yang digunakan ialah data luas lahan yang mengalami kekeringan di daerah Indramayu yang diperoleh dari CCROM IPB. CCROM IPB adalah lembaga penelitian iklim yang berfokus pada perubahan iklim di Asia Tenggara. Fokus penelitian ini ialah daerah Indramayu. Metode yang digunakan yaitu pendekatan jejaring pengambil keputusan (decision network). Pengujian akurasi dilakukan dengan mencoba variasi data input dan melihat hasil sesuai dengan kemungkinan fakta yang akan terjadi berdasarkan variasi input tersebut. Data yang digunakan untuk memeriksa akurasi ialah data luas lahan kekeringan di daerah Indramayu. METODE PENELITIAN Diagram alir metode penelitian yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1. Gambar 1 menunjukkan tahapan proses penelitian mulai dari pemahaman permasalahan hingga terbentuknya suatu model decision network yang telah dianalisis dan dievaluasi. Studi Literatur dan Pemahaman Masalah Pada tahapan ini dilakukan pengumpulan dan pembelajaran buku dan jurnal yang terkait dengan penelitian ini. Buku dan jurnal yang terkait meliputi karakteristik Bayesian network dan pembuatan model decision network. Selain itu, pembelajaran juga dilakukan mengenai berbagai variabel iklim yang akan digunakan pada penelitian ini. Masalah yang muncul akan diformulasikan untuk mencegah permasalahan yang terlalu luas maupun terlalu sempit. Identifikasi Peubah Terkait Penelitian ini berfokus pada perkiraan luas lahan yang mengalami kekeringan beserta tingkat kerugian yang mungkin muncul dari pola tanam tersebut yang akan digunakan untuk musim tanam padi kedua. Peubah yang akan digunakan adalah peubah yang akan berpengaruh pada terjadinya kekeringan di suatu daerah. Penelitian ini khusus untuk daerah Indramayu yang mudah terkena pengaruh iklim global. Beberapa peubah yang digunakan dalam penelitian ini dipilih berdasarkan hubungan peubah tersebut dengan kemungkinan terjadinya kekeringan. Peubah yang akan digunakan yaitu nilai SOI di bulan Agustus, panjang musim hujan dalam dasarian, curah hujan di musim kemarau, dan luas lahan yang mengalami kekeringan. Semua peubah tersebut sangat memengaruhi terjadinya kekeringan di suatu daerah.

11 3 Fungsi Utility Model Decision Network Decision Network Mulai Pemahaman Permasalahan Identifikasi Peubah Terkait dan Bentuk Keputusan Data training Pengumpulan Data Pembuatan Struktur Bayes Pendugaan Parameter Bayesian Network Bayesian Network Analisis dan Evaluasi Selesai Data testing Pengujian Gambar 1 Diagram alir penelitian. Pengumpulan Data Pada tahapan ini, data SOI diambil berdasarkan situs Badan Meteorologi Australia. Data panjang musim hujan dan data curah hujan di musim kemarau merupakan data yang merujuk pada Badan Meteorologi Klimatologi dan Geofisika. Data yang digunakan untuk evaluasi ialah data luas lahan kekeringan di Indramayu. Semua data tersebut akan diakomodasi oleh peubah dalam Bayesian network yang dibentuk untuk menentukan tingkat kekeringan, dalam hal ini difokuskan di daerah Indramayu. Pembagian Data Pembagian data ini bertujuan menentukan data latih dan data uji. Data latih akan digunakan dalam pembuatan struktur bayes dan pembentukan fungsi utility agar didapatkan suatu model lengkap decision network, sedangkan data uji akan digunakan untuk melihat akurasi dari model yang dibuat agar bisa dianalisis dan dievaluasi terkait model yang dibuat. Data yang digunakan adalah data dari tahun 1965 hingga 2009 dari daerah pengamatan Indramayu. Pembuatan Bayesian Network Bayesian network merupakan Directed Acyclic Graph (DAG) untuk merepresentasikan secara visual mengenai keterkaitan langsung antar peubah dalam suatu domain permasalahan tertentu (Neapolitan 2004; Russel & Peter 2003). Pada dasarnya, Bayesian network merupakan model visual menggunakan graph dari distribusi bersama sejumlah peubah. Oleh karena itu, bisa diketahui peluang dari suatu peubah tertentu (peubah query) jika diketahui nilai peubah lain (peubah evidence). Terdapat tiga komponen dalam suatu Bayesian network. Komponen pertama adalah himpunan node yang mewakili setiap peubah. Komponen kedua adalah link antar dua node yang merepresentasikan keterkaitan sebab akibat dari node sumber ke node lainnya. Komponen terakhir adalah tabel peluang bersyarat pada setiap node dengan syarat parent dari node tersebut. Tingkat kekeringan yang dicari menggunakan empat peubah. Peubah tersebut yaitu nilai SOI di bulan Agustus, panjang musim hujan dalam dasarian, curah hujan di musim kemarau, dan luas lahan yang

12 4 mengalami kekeringan. Keempat peubah tersebut akan menjadi chance node. Pembuatan Decision Network Bayesian network hanya bisa digunakan untuk mendapatkan informasi distribusi dari suatu peubah (node) baik ada atau tidaknya informasi dari peubah lain. Pada pengambilan keputusan, ingin diketahui keputusan yang layak diambil yang akan memberikan nilai sesuai dengan harapan yang diinginkan. Model yang bisa mengintegrasikan antara keputusan yang diambil dan kejadian tertentu yang bersifat peluang disebut decision network. Decision network atau sering disebut juga dengan influenced network merupakan pengembangan dari Bayesian network. Output dari Bayesian network adalah distribusi peubah query, sedangkan pada decision network akan diketahui kaitan dari keputusan yang diambil, resiko yang terjadi, serta ketidakpastian peubah dalam Bayesian network sehingga bisa diperoleh informasi yang diinginkan. Decision network merupakan Bayesian network yang dikembangkan dengan dua hal yaitu keputusan yang bisa diambil dan resiko yang mungkin terjadi sehingga decision network terdiri atas tiga jenis node, yaitu chance node, decision node dan utility node. Nilai dari decision node pada penelitian kali ini ialah berupa pilihan pola penanaman. Pembuatan Fungsi Utility Utility node adalah node yang merepresentasikan nilai resiko yang mungkin terjadi. Oleh karena itu, nilai dari node ini adalah semua kemungkinan resiko yang bisa terjadi akibat dari keputusan yang diambil dan ketidakpastian yang ada pada Bayesian network. Utility node pada penelitian kali ini yaitu jumlah lahan padi yang terkena kekeringan pada musim tanam kedua. Pengujian Model dan Analisis Proses pengujian model dilakukan dengan memasukkan variasi nilai input. Hasil yang didapatkan berdasarkan berbagai variasi input tersebut akan dibandingkan sesuai dengan fakta yang mungkin terjadi dan sesuai kondisi keilmuan. Hasil dari model yang telah dibentuk juga akan dibandingkan dengan kondisi luas lahan kekeringan yang ada. Tahap analisis dilakukan untuk melihat tingkat akurasi dari hasil pendugaan utility. Parameter yang digunakan pada tahap analisis ialah kecocokan variasi input dari pengguna di lapangan dengan kemunginan kejadian kekeringan yang terjadi berdasarkan nilai input tersebut. Pada tahapan analisis akan dicoba semua kemungkinan input nilai dari pengguna lalu saling dibandingkan hasil yang diperoleh dan data yang ada. HASIL DAN PEMBAHASAN Pengumpulan Data Data pertama yang digunakan pada penelitian ini ialah data SOI yang diperoleh dari Badan Meteorologi Australia dari tahun 1965 sampai tahun 2012 (BOM 2012). Penelitian ini hanya menggunakan data SOI dari tahun 1965 sampai tahun 2010 seperti terlihat pada Lampiran 1. Data pengamatan panjang musim hujan diperoleh dari Badan Meteorologi Klimatologi dan Geofisika yang merupakan data numerik dengan satuan dasarian. Data pengamatan curah hujan di musim kemarau juga diperoleh dari Badan Meteorologi Klimatologi dan Geofisika yang merupakan data numerik. Data luas lahan yang mengalami kekeringan merupakan data sekunder yang diperoleh dari CCROM IPB seperti terlihat pada Lampiran 2. Penentuan Variabel Bayesian Network Untuk mendapatkan nilai-nilai batas setiap peubah, dilakukan praproses terhadap variabel-variabel terkait. Variabel pertama yang digunakan ialah Southern Oscilation Index (SOI). Variabel ini adalah indikator yang biasa digunakan untuk menunjukkan berlangsungnya El Nino. Indeks Osilasi Selatan merupakan indeks yang menggambarkan perbedaan tekanan udara dekat permukaan laut di kawasan Tahiti (P Tahiti ) dan Darwin (P darwin ) dengan rumus: I P ah t td v P ah t P a w n P a w n x Biro Meteorologi Australia menggunakan rumus di atas dalam menghitung SOI. Selanjutnya, nilai SOI dikelompokkan menjadi lima fase seperti terlihat pada Gambar 2 yaitu (Stone et al. 1996):

13 5 1 Konstan negatif (constantly negative). 2 Konstan positif (constantly positive). 3 Menurun cepat (rapidly falling). 4 Meningkat cepat (rapidly rising). 5 Mendekati nol (near zero). Gambar 2 Lima fase SOI berdasarkan nilai SOI dua bulan yang berurutan (Stone et al. 1996). Kondisi El Nino biasanya digambarkan oleh fase konstan negatif dan fase menurun cepat (fase 1 dan 3). Kondisi La Nina digambarkan oleh fase konstan positif dan meningkat cepat (2 dan 4). Fase 5 menunjukkan kondisi normal. Fase SOI pada suatu bulan ditentukan berdasarkan perbedaan nilai SOI di bulan tersebut dengan nilai SOI di bulan sebelumnya. Informasi yang digunakan ialah nilai SOI bulan Agustus karena penelitian ini digunakan untuk musim tanam kedua, yang diasumsikan dimulai pada bulan September. Lampiran 3 menunjukkan korelasi nilai SOI dengan panjang musim hujan. Nilai SOI di bulan Agustus akan menjadi parent dari Bayesian network yang dibentuk karena tidak dipengaruhi oleh variabel yang lain. Berdasarkan informasi tersebut, maka selang untuk parameter nilai SOI di bulan Agustus dibagi tiga, yaitu: a b c Konsisten Negatif untuk nilai SOI kurang dari Mendekati Nol untuk nilai SOI antara -7.5 sampai 7.5. Konsisten Positif untuk nilai SOI lebih dari 7.5. Peubah kedua yang digunakan ialah panjang musim hujan dalam dasarian. Panjang musim hujan didapatkan dari hasil pengurangan tanggal berakhirnya musim hujan dengan tanggal dimulainya musim hujan dengan rumus: PL C = PE C - PB C PL adalah persentil dari panjang musim hujan dan c: 10, 30, 50, 70, dan 90. Panjang PL 10 berarti untuk setiap batas yang dicari, 10% di tahun tersebut musim hujan akan lebih panjang dan 90% akan lebih pendek (Aviad et al. 2003). Nilai yang harus dicari yaitu jumlah sisa dasarian setiap bulan berdasarkan informasi panjang musim hujan. Melalui informasi yang didapatkan dari data seperti terlihat pada Gambar 3, selang untuk parameter panjang musim hujan dibagi tiga, yaitu: a Jumlah sisa dasarian kurang dari 10 dasarian. b Jumlah sisa dasarian 10, 11, 12, atau 13 dasarian. c Jumlah sisa dasarian lebih dari 13 dasarian. Panjang musim hujan di musim kemarau dipengaruhi oleh nilai SOI di bulan Agustus. Oleh karena itu, panjang musim hujan di musim kemarau akan menjadi child dari nilai SOI di bulan Agustus dalam Bayesian network. Gambar 3 menunjukkan variasi panjang musim hujan di daerah Indramayu dari tahun 1965 hingga Dari grafik tersebut terlihat bahwa panjang musim hujan di Indramayu sangat fluktuatif sekitar 10 hingga 18 dasarian setiap tahun PMH Tahun Gambar 3 Panjang musim hujan di Indramayu dari tahun 1965 hingga 2010.

14 6 Peubah ketiga yang digunakan ialah curah hujan di musim kemarau. Terdapat nilai curah hujan di musim kemarau yang diperoleh dari Badan Meteorologi Klimatologi dan Geofisika untuk daerah Indramayu. Hal yang pertama kali dilakukan ialah menghitung ratarata tahunan nilai curah hujan untuk setiap bulan. Menurut ketentuan Badan Meteorologi Klimatologi dan Geofisika, curah hujan di musim kemarau dibagi menjadi tiga, yaitu di bawah normal, normal, dan di atas normal berdasarkan ketentuan nilai rata-ratanya. Oleh karena itu, selang untuk parameter curah hujan di musim kemarau juga akan dibagi menjadi tiga, yaitu: a b c Di bawah normal jika nilai curah hujan kurang dari 0.85 dikali rata-rata tahunan. Normal jika nilai curah hujan diantara 0.85 dikali rata-rata tahunan dan 1.15 dikali rata-rata tahunan. Di atas normal jika nilai curah hujan lebih dari 1.15 dikali rata-rata tahunan. Curah hujan di musim kemarau langsung didapatkan dari BMKG sesuai ketentuan yang telah dijabarkan sebelumnya. Oleh karena itu, curah hujan di musim kemarau tidak terpengaruh langsung oleh nilai SOI di bulan Agustus dan lama musim hujan pada Bayesian network. Gambar 4 menunjukkan curah hujan di daerah Indramayu dari tahun 1965 hingga Curah hujan dimusim kemarau merupakan jumlah curah hujan dari dasarian setelah musim hujan hingga bulan Juli dibagi dengan total dasarian CHMK Tahun Gambar 4 Curah hujan di Indramayu dari tahun 1965 hingga Peubah keempat yang digunakan ialah luas lahan yang mengalami kekeringan. Luas lahan yang mengalami kekeringan ini dipengaruhi oleh panjang musim hujan dan curah hujan dimusim kemarau. Berdasarkan data yang ada seperti terlihat pada Gambar 5, penentuan kode untuk variabel luas lahan kekeringan mengikuti aturan sebagai berikut: a Tidak terjadi kekeringan jika luas lahan kekeringan kurang dari Ha. b Terjadi kekeringan jika luas lahan kekeringan lebih dari Ha. Tahun Luas Lahan Kekeringan Gambar 5 Luas lahan kekeringan di Indramayu dari tahun 1989 hingga Penentuan selang diperoleh melalui penelitian dan survey dari tim CCROM IPB terkait luas lahan yang mengalami kekeringan serta melalui data yang diperoleh dari tahun 1989 hingga Pembuatan Struktur Bayesian Network Bayesian network akan dibentuk sesuai dengan keterkaitan antarpeubah terkait. Tujuan yang ingin diketahui ialah prediksi jumlah luas lahan yang mengalami kekeringan. Penelitian ini berfokus pada daerah Indramayu. Penelitian ini menggunakan empat peubah yang dapat menentukan tingkat kekeringan, yaitu nilai SOI di bulan Agustus, panjang musim hujan (PMH), curah hujan di musim kemarau (CH), dan luas lahan yang mengalami kekeringan (K). Keterkaitan antara keempat peubah tersebut ialah seperti pada Gambar 6. Nilai SOI adalah root. Parent dari lama musim hujan adalah SOI. Parent dari K ialah lama musim hujan dan curah hujan.

15 7 SOI PMH K Tabel 3 Peluang bersyarat curah hujan di musim kemarau P(X3) CH Gambar 6 Model Bayesian network. Setelah diperoleh diagram keterkaitan variabel seperti terlihat pada Gambar 6, dengan menggunakan data sampel maka pada setiap node dihitung tabel peluang bersyaratnya. Tabel peluang bersyarat (Conditional Probability Table) diperoleh dengan mencari maximum likelihood dari variabel di dalam Bayesian network yang dibentuk. Lampiran 4 menunjukkan kode pembuatan Bayesian network dan Lampiran 5 menunjukkan kode penggunaan maximum likelihood. Tabel 1 merupakan peluang bersyarat untuk SOI bulan Agustus. Tabel 2 merupakan peluang bersyarat panjang musim hujan jika diketahui nilai SOI bulan Agustus. Tabel 3 merupakan peluang bersyarat curah hujan di musim kemarau. Tabel 4 merupakan peluang bersyarat luas lahan yang mengalami kekeringan jika diketahui nilai panjang musim hujan dan curah hujan di musim kemarau. Tabel 1 Peluang bersyarat untuk SOI bulan Agustus P(X1) Tabel 2 Peluang bersyarat panjang musim hujan jika diketahui nilai SOI X1 P(X2 X1) Tabel 4 Peluang bersyarat luas lahan yang mengalami kekeringan jika diketahui nilai panjang musim hujan dan curah hujan di musim kemarau X2 X3 P(X4 X2,X3) Teknik Inferensi Proses inferensi akan menggunakan tiga jenis peubah. Peubah yang digunakan yaitu peubah query yaitu peubah yang akan dihitung distribusinya (Q), peubah evidence yaitu peubah yang sudah diketahui (E), dan peubah hidden yaitu peubah selain peubah query dan evidence (Y). Menggunakan kaidah Bayes, maka distribusi dari P(Q E) ialah: P( ) P( ) P Berdasarkan kasus penelitian, akan dihitung semua kemungkinan dari peubah query, sehingga nilai P(E) dalam persamaan di atas hanya sebagai faktor normalisasi saja, sehingga bisa ditulis sebagai: P( P( ) P( ) P

16 8 Va ab l α merupakan konstanta normalisasi sehingga jumlahnya adalah satu. Sementara itu, P(Q, E) dihitung sebagai berikut: P( ) P( y) y Persamaan di atas menunjukkan jumlah kemungkinan berdasarkan peubah query, hidden, dan evidence. Melalui keterkaitan tersebut, untuk mencari nilai dari setiap kemungkinan, rumus di atas dapat dirumuskan menjadi: P( ) P( Pa nt Oleh karena itu, distribusi posterior yang ingin diketahui dihitung sebagai berikut: berupa mulainya penanaman pada musim tanam kedua pada musim kemarau dengan kode sebagai berikut: D1: awal musim hujan. D2: satu bulan setelah musim hujan. D3: dua bulan setelah musim hujan. D4: tiga bulan setelah musim hujan. Node U adalah fungsi utility yang nilainya tergantung keputusan (D) yang diambil berdasarkan nilai node kekeringan (K). Karena node K memiliki dua kemungkinan nilai dan node D memiliki empat kemungkinan tindakan, maka node U terdiri atas delapan kemungkinan. Apabila telah diketahui nilai dari node D dan node K, maka nilai harapan kerugian yang muncul dari setiap keputusan yang diambil dapat dihitung. PMH P( P( ) P( ) P( ) SOI K P( y) CH y P( Pa nt U y Bayesian network hanya bisa mengetahui distribusi satu peubah baik diketahui atau tidaknya informasi dari peubah lain tanpa bisa digunakan untuk pengambilan keputusan. Pengambilan keputusan harus mengintegrasikan keputusan yang akan diambil dengan kejadian yang bersifat peluang untuk memaksimalkan harapan yang disebut dengan decision network. Pembuatan Decision Network Penelitian ini menggunakan beberapa asumsi. Asumsi pertama, tanaman yang akan menjadi objek penelitian ialah padi, sehingga penelitian ini digunakan untuk memperkirakan risiko kekeringan penanaman padi yang kedua, yaitu pada musim kemarau. Berdasarkan diagram keterkaitan Bayesian network yang telah dibentuk, Bayesian network akan diintegrasikan dengan decision node dan utility node sehingga hasilnya adalah seperti terlihat pada Gambar 7. Nilai dari keputusan D adalah berupa pola penanaman Gambar 7 Struktur decision network. Cara menghitung fungsi utility menggunakan alur logika sebagai berikut. Pertama, dihitung proporsi luas tanam pada D1, D2, D3, dan D4 pada bulan berjalan berdasarkan data yang ada, lalu proporsi luas tanam tersebut akan dikalikan dengan total luas lahan kekeringan sehingga akan diperoleh nilai seperti tertera pada Tabel 5. Oleh karena itu, decision network bisa digunakan untuk menentukan keputusan yang paling optimum. Expected utility dihitung berdasarkan rumus berikut: ( ) ( ) P i = kemungkinan luas lahan kekeringan D j = kemungkinan pola tanam

17 9 Tabel 5 Nilai fungsi utility berdasarkan peluang luas lahan yang mengalami kekeringan dan kemungkinan keputusan yang bisa diambil D U(X4,D) Evaluasi Model Berdasarkan model yang dibuat akan dicoba beberapa data dari data uji lalu dilihat hasil yang didapatkan dari model tersebut. Proses evaluasi ini akan melihat hasil dari model yang telah dibuat mampu merepresentasikan keadaan yang sebenarnya sesuai dengan logika. Logika yang diambil merupakan logika berdasarkan konsep keilmuan yang ada. Nilai input yang akan digunakan ialah SOI pada bulan Agustus, panjang musim hujan, dan curah hujan di musim kemarau. Percobaan pertama akan menggunakan informasi nilai SOI bulan Agustus. Apabila dimasukkan nilai SOI di bulan Agustus tanpa memasukkan nilai variabel lainnya, hasinya seperti terlihat pada Gambar 8. Berdasarkan grafik pada Gambar 8, jika nilai SOI pada bulan Agustus masuk ke kelas satu yang berarti fase menurun, grafik menunjukkan peluang terjadinya El Nino lebih tinggi dibandingkan fase lainnya, seperti terlihat pada Lampiran 6. Grafik menunjukkan bahwa peluang kekeringan di kelas satu lebih tinggi dari kelas lainnya. Informasi selanjutnya yang bisa didapatkan yaitu perkiraan kerugian dari masing-masing pola penanaman. Perkiraan kerugian yang muncul pada masing-masing pola penanaman apabila diberikan informasi nilai SOI di bulan Agustus dapat dilihat pada Gambar 9. Terlihat bahwa kondisi El Nino bisa menyebabkan kerugian paling besar pada masing-masing pola penanaman. Pel. Kekeringan Perkiraan kerugian Gambar 8 Peluang kekeringan apabila diberikan input nilai SOI di bulan Agustus SOI Fase Menurun Fase Menaik Pola penanaman Fase Normal Gambar 9 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input nilai SOI di bulan Agustus.

18 10 Fase Menurun Fase Normal Fase Menurun Fase Normal Fase Menaik PMH < Normal Fase Menaik PMH < Normal PMH > Normal Perkiraan Kerugian Perkiraan Kerugian Fase Penanaman (D) Fase Penanaman (D) Gambar 10 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan di bawah normal. Percobaan selanjutnya ialah menambahkan informasi panjang musim hujan. Lampiran 7 menunjukkan hasil prediksi dengan prediktor nilai panjang musim hujan. Apabila panjang musim hujan masuk ke kelas satu atau di bawah normal, maka informasi yang dihasilkan seperti terlihat pada Gambar 10. Grafik pada Gambar 10 menunjukkan bahwa terjadi peningkatan perkiraan kerugian masing-masing pola penanaman. Panjang musim hujan di bawah normal akan mengakibatkan peluang kekeringan yang lebih besar sehingga memungkinkan kerugian yang lebih tinggi dibandingkan sebelumnya, tanpa mengetahui informasi panjang musim hujan. Percobaan selanjutnya yaitu penambahan panjang musim hujan yang masuk ke kelas ketiga yang berarti di atas normal. Informasinya terlihat pada Gambar 11. Percobaan selanjutnya ialah menggunakan informasi curah hujan di musim kemarau. Lampiran 8 menunjukkan hasil prediksi dengan prediktor nilai curah hujan di musim kemarau. Gambar 11 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan di atas normal. Apabila curah hujan musim kemarau di bawah normal, maka perkiraan kerugiannya akan meningkat seperti terlihat pada Gambar 12. Sebaliknya, apabila curah hujan musim kemarau di atas normal, maka perkiraan kerugiannya akan menurun seperti terlihat pada Gambar 13. Percobaan selanjutnya menggunakan kombinasi dari ketiga variabel, yaitu nilai SOI di bulan Agustus, panjang musim hujan, dan curah hujan di musim kemarau. Lampiran 9 menunjukkan hasil prediksi dengan prediktor nilai panjang musim hujan dan nilai curah hujan di musim kemarau. Hasilnya terlihat pada Gambar 14. Panjang musim hujan di bawah normal serta curah hujan di musim kemarau yang di bawah normal diprediksi akan menghasilkan tingkat kerugian paling besar di daerah Indramayu seperti terlihat pada Gambar 14. Apabila dimasukkan informasi sebaliknya, maka perkiraan kerugian terlihat pada Gambar 15. Kondisi panjang musim hujan yang di atas normal dan curah hujan di musim kemarau yang di atas normal diprediksi akan

19 11 menghasilkan peluang kekeringan paling minimum di daerah Indramayu seperti yang terlihat pada Gambar 15. Perkiraan Kerugian Fase Menurun Fase Menaik PMH > Normal Fase Normal PMH < Normal CH < Normal 2006, dan Selain itu, terdapat pula record data yang tidak teridentifikasi sebagai kejadian kekeringan, yaitu pada tahun 1991, 2000, dan Adanya data yang tidak teridentifikasi sebagai kejadian kekeringan disebabkan tidak sesuainya informasi dari variabel yang digunakan dengan informasi kekeringan yang didapatkan. Sebagai contoh, pada tahun 1991, panjang musim hujan masuk ke dalam kategori di atas normal dan curah hujan di musim kemarau masuk ke dalam kategori di atas normal. Model akan menghasilkan informasi tidak terjadi kekeringan, sedangkan data menunjukkan kejadian kekeringan. Selain itu, dari 21 data kekeringan diperoleh 9 kejadian tidak terjadi kekeringan dari 14 kejadian. Oleh karena itu, akurasi dari model untuk menentukan kejadian kekeringan berdasarkan data dari tahun 1989 hingga 2009 adalah jumlah kejadian benar dibagi total percobaan, yaitu 61.9% dan batas peluang yang menandakan suatu daerah mengalami kekeringan sebesar 15%. 100 Fase Menurun Fase Menaik Fase Normal PMH < Normal PMH > Normal CH < Normal Fase Penanaman (D) 700 CH > Normal Gambar 12 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input curah hujan di musim kemarau di bawah normal. Setelah melakukan percobaan dengan memasukkan kombinasi dari setiap variabel, akurasi dari model yang telah dibuat akan dilihat berdasarkan grafik keterkaitan antara peluang kekeringan dan luas lahan kekeringan yang terjadi berdasarkan data. Grafik yang didapatkan seperti terlihat pada Lampiran 10. Grafik pada Lampiran 10 menunjukkan bahwa bila ditarik garis untuk memisahkan luas lahan kekeringan yang melebihi Ha yang menandakan terjadinya kekeringan berdasarkan data kekeringan dari tahun 1989 hingga 2009, didapatkan 7 record data yang menandakan terjadinya kejadian kekeringan. Berdasarkan pemodelan decision network yang telah dibuat, terdapat empat record data yang teridentifikasi sebagai kejadian kekeringan, yaitu pada tahun 1994, 1997, Perkiraan Kerugian Fase Penanaman (D) Gambar 13 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input curah hujan di musim kemarau di atas normal.

20 PMH < Normal PMH > Normal CH < Normal CH > Normal PMH & CH < Normal network untuk setiap daerah belum tentu sama. 2 Mengembangkan model untuk daerah lain di Indonesia. 3 Melakukan pengecekan terhadap tabel peluang bersyarat dan diusahakan selalu mengikuti data yang tersedia, karena data iklim setiap tahun akan bertambah. 4 Mencoba menggunakan variabel lain di dalam model, seperti nilai Sea Surface Temperature agar didapatkan model yang lebih baik. Perkiraan Kerugian CH < Normal CH > Normal PMH & CH < Normal PMH & CH > Normal Fase Penanaman (D) Gambar 13 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan dan curah hujan di musim kemarau di bawah normal. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan penelitian ini, pembuatan pola tanam dinamis menggunakan Bayesian network dapat digunakan sesuai dengan fenomena yang ada secara rasional. Model yang dibuat juga bisa digunakan untuk pengambilan keputusan strategi pola tanam untuk meminimumkan resiko kekeringan. Akurasi model yang dibuat sebesar 61.9% berdasarkan 21 data dari tahun 1989 hingga Saran Saran untuk penelitian selanjutnya yaitu: 1 Membangun sistem untuk mengakomodasi perubahan model decision network karena model decision Perkiraan Kerugian Fase Penanaman (D) Gambar 14 Perkiraan kerugian masing-masing pola penanaman apabila diberikan input panjang musim hujan dan curah hujan di musim kemarau di atas normal. DAFTAR PUSTAKA Agmalaro MA Pemodelan statistical downscaling data GCM menggunakan Support Vector Regression untuk memprediksi curah hujan bulanan Indramayu [tesis].

21 13 Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Aviad Y, Kutiel H, Lavee H Analysis of beginning, end, and length of the rainy season along a Mediterraneanarid climate transect for geomorphic purposes. Journal of Aris Environments 59: Boer R Perubahan iklim, El Nino dan La Nina. Prosiding pelatihan dosen- Dosen perguruan tinggi negeri Indonesia bagian Barat bidang Agroklimatologi Biotrop. Bogor 1-12 Februari Boer R. 26 Jan Sekolah lapangan iklim antisipasi risiko perubahan iklim. Salam. [BBSDLP] Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian Dampak perubahan iklim terhadap sektor pertanian, serta strategi antisipasi dan teknologi adaptasi. Pengembangan Inovasi Pertanian 1(2): [BOM] Bureau of Meteorology Monthly Southern Oscillation Index. ftp://ftp. bom.gov.au/anon/home/ncc/www/sc o/soi/soiplaintext.html [2 Oktober 2012]. Elfitriadi E Pemodelan kejadian hujan dengan dynamic Bayesian network [tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Estiningtyas W, Wigena AH Teknik statistical downscaling dengan regresi komponen utama dan regresi kuadrat terkecil parsial untuk prediksi curah hujan pada kondisi El Nino, La Nina, dan normal. Jurnal Meteorologi dan Geofisika 12(1): Haylock M, McBridge J Spatial coherence and predictability of Indonesian wet season rainfall. Journal of Climate 14: Irawan B Fenomena anomali iklim El Nino dan La Nina: kecenderungan jangka panjang dan pengaruhnya terhadap produksi pangan. Forum Penelitian Agro Ekonomi 24(1): Irianto G, Suciantini Anomali iklim: faktor penyebab, karakteristik, dan antisipasinya. Iptek Tanaman Pangan 2:102. Neapolitan RE Learning Bayesian Network. New Jersey: Prentice Hall. Russel S, Peter N Artificial Intelligence: A Modern Approach. Ed ke-2. New Jersey: Prentice Hall. Said MM Peramalan panjang musim hujan Resilient Backpropagation [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Stone RC, Hammer GL, Marcussen T Prediction of global rainfall probabilities using phase of the Southern Oscillation Index. Nature 384:

22 LAMPIRAN

23 15 Lampiran 1 Data nilai SOI tahun Tahun Jan Peb Mar Apr Mei Jun Jul Agu Sep Okt Nop Des

24 16 Lampiran 2 Data luas lahan kekeringan di Indramayu tahun Tahun Kekeringan

25 17 Lampiran 3 Hasil analisis korelasi sederhana data SOI bulan Agustus dan data panjang musim hujan No Bulan R 1 Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

26 18 Lampiran 4 Kode pembuatan Bayesian network %jumlah variabel N = 4; %keterkaitan variabel dag = zeros(n, N); %inisialisasi variabel S = 1; P = 2; C = 3; K = 4; dag(s, P) = 1; dag(p, K) = 1; dag(c, K) = 1; %kelas tiap variabel node_sizes = [ ]; bnet = mk_bnet(dag, node_sizes); %inisialisasi nilai tiap variabel bnet.cpd{s} = tabular_cpd(bnet, S,[ ]); bnet.cpd{p} = tabular_cpd(bnet, P,[ ]); bnet.cpd{c} = tabular_cpd(bnet, C,[ ]); bnet.cpd{k} = tabular_cpd(bnet, K,[ ]); engine = jtree_inf_engine(bnet); evidence = cell(1, N);

27 19 Lampiran 5 Kode penggunaan maximum likelihood nsamples = 45; samples = cell(n, nsamples); for i = 1:nsamples samples(:, i) = sample_bnet(bnet); end data = cell2num(samples); bnet2 = mk_bnet(dag, node_sizes); seed = 0; rand(seed); bnet2.cpd{s} = tabular_cpd(bnet2, S); bnet2.cpd{p} = tabular_cpd(bnet2, P); bnet2.cpd{c} = tabular_cpd(bnet2, C); bnet2.cpd{k} = tabular_cpd(bnet2, K); bnet3 = learn_params(bnet2, samples); CPT3 = cell(1, N); for i = 1:N s = struct(bnet3.cpd{i}); CPT3{i} = s.cpt; end