ANALISA DATA PERTANIAN BOYOLALI DALAM BEBERAPA FAKTOR UNTUK OPTIMASI PRODUKTIVITAS PERTANIAN

Transkripsi

1 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 Artikel KKIN 206 ANALISA DATA PERTANIAN BOYOLALI DALAM BEBERAPA FAKTOR UNTUK OPTIMASI PRODUKTIVITAS PERTANIAN Hanna Arini Parhusi ), Suryasatriya Trihandaru ), Bambang Susanto ), Yohanes Hendro Agus 2), Sri Yuliyanto J. Prasetyo 3), Bistok.H.Simanjutak 2) FSM, Universitas Kristen Satya Wacana bambang.susanto@staff.uksw.edu, hanna.arini@staff.uksw.edu, suryasatriya@staff.uksw.edu 2 Fak.Pertanian, Universitas Kristen Satya Wacana yohanes.agus@ staff.uksw.edu bistok@staff.uksw.edu 3 Fak.Teknologi Informasi, Universitas Kristen Satya Wacana sri.yuliyanto@ staff.uksw.edu Abstract The aer here addresses the analysis of factor-factors affecting roductivity of addy fields in district Boyolali, as one of districts in Central Java Indonesia. The amount of rainfalls, the harvested area, the critical region and the area destroyed by ests are considered in the analysis. The used methods are multivariate regression and rincial comonents analysis (PCA). Multivariate linear regression fails indicating linear assumtion is not violated. There have been 9 ests recorded destroying the addy fields. These ests are analyzed to find the dominant tye of est.the analysis has shown that there exists no tye of est dominating the fields during the observation data in the year Keywords: Padi, regresi multivariate,pca, OPT. PENDAHULUAN Selama ini roduksi adi yang dielajari dengan memerhatikan beberaa faktor untuk mendaatkan otimasi roduktivitas anen adi. Beberaa model matematika telah digunakan, misalkan roduksi adi dengan fungsi kuadratik (Dewi,dkk,203), otimasi dengan SVD (Singular Value Decomotion) dan ACO (Ant Colony Algorithm). Adanya engaruh geografis ada ersekitaran tia kecamatan di Boyolali, menyebabkan roduksi anen adi juga diengaruhi dari sifat geogegrafis sekitarnya dimana metode GSTAR dan GIS daat diimlementasikan. Misalkan roduksi adi tergantung curah hujan dan lahan kritis untuk Boyolali(Parhusi, dkk., 204)(Parhusi, Somya,205). Akan tetai engaruh OPT (Organisme Pengganggu Tanaman) selama ini belum menjadi kajian dimana terdaat 9 jenis OPT yang ada ada ertanian adi di Boyolali selama tahun Studi berbagai erilaku hama dilakukan berbagai eneliti untuk daat melakukan tindakan encegahan kerusakan tanaman karena hama. Pada adi misalnya, ada 20 macam hama yang ditemukan di Jaffna, Srilangka (Venugoban, dan Ramana, 204). Model enyerangan hama (baik tikus, wereng coklat) ada sawah yang selama ini sudah ada ada umumnya dengan endekatan statistik seerti satial autocorrelation method (Prasetyo, dkk., 202) yang menggunakan Geograhical Information System (GIS) untuk memvisualisasi area dan lokasi serangan. Demikian ula beberaa ola tanam adi dengan kebijakan lokal Pranatamangsa telah dikembangkan untuk mengatasi kerugian yang dilakukan oleh enyerangan hama

2 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 (Kristoko,H.,dkk,202). Dari endekatan ini, ternyata masih terdaat error sekitar 30%. Pada model-model yang sudah ada tersebut, interaksi antara adi, hama dan curah hujan masih belum ditunjukkan secara simultan. Oleh karena itu engaruh OPT akan diamati ada makalah ini dimana tia kecamatan memunyai data curah hujan, luas area anen, luas lahan kritis dan area serangan OPT. 2. METODE PENELITIAN 2. Sumber data yang diolah Data yang ada adalah data curah hujan, luas area lahan kritis, luas area anen, data OPT untuk tia kecamatan di Boyolali ada tahun Adaun engolahan data dilakukan dengan menyusun kembali data terlebih dahulu mengikuti sketa data ada Gambar. Terdaat 5 variabel yaitu adi, curah hujan, luas lahan anen, luas lahan kritis, dan luas area serangan OPT. Gambar. Skema data yang tersedia. Karena ada 9 kecamatan di kabuaten Boyolali maka masing-masing kecamatan memunyai data tia variabel tersebut dimana kemudian data diorganisasi agar daat diolah dengan mudah. Struktur organisasi data tia variabel ditunjukkan ada Gambar Metode yang digunakan Metode yang digunakan adalah metode regresi multivariate dan Princial Comonent Analysis yang sebagian besar secara detail telah dituliskan ada buku Analisa Data dan Pemodelan (Parhusi,dkk,204). Gambar 2. Skemaenyusunan tia variabel data yang tersedia Regresi Multivariat Metode ini akan digunakan untuk mengamati hubungan linear dari adi dengan faktor-faktor lain yaitu hujan, luas anen, luas lahan kritis dan luas serangan OPT. Untuk itulah makan erlu didefinisikan variabel tak bebas Y y,... y T n dan variabel bebas dengan asumsi bahwa data disiman dalam sebuah matriks random dimana elemen baris menyatakan observasi,..., den banyaknya kolom menyatakan variabel n,...,. Setia vektor j memunyai n observasi yang ditulis sebagai vektor kolom sehingga matriks ditulis erkomonennya sebagai berikut : x x2... x x2 x22... x2 xn xn2 xn Dalam notasi matriks-vektor, ersamaan hubungan multivariat linear adalah Y Z () nxl n x x nxl Komonen ertama matriks Z n x hanya memunyai komonen bernilai dan kolom ke-2 hingga ke adalah vektor-vektor,...,.

3 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 Parameter regresi 0 dieroleh T T dengan menyelesaikan Z y Z Z yaitu T T Z Z Z y. Koefisien regresi ini daat dieroleh menggunakan excel atauun rogram R Princial Comonent Analysis Metode ini memberikan transformasi dari kombinasi variabel mula-mula menjadi variabel rincial yang diurutkan sesuai dengan nilai eigen terbesar dari matriks kovariansi variabel indeendent. Pada bab 4 kita akan menggunakan metode ini untuk memilih jenis OPT yang dominan seanjang engamatan karena ada 9 macam dalam data. Untuk itu jenis OPT yang ada tia tahun diangga sebagai variabel.,..., adalah Sebuah matriks matriks vektor-vektor kolomnya adalah vektor random ( diangga distribusi normal ) yang memunyai matriks kovariansi S yang simetris dan ositif tegas dengan nilai eigen... 0 dan vektor eigen yang 2 bersesuaian untuk setia adalah e,..., e yang otogornal. Komonen rinsi ke-i adalah T Yi e e i e e i, i,2,..., Jika vektor eigen ada yang sama maka dierlukan generalisasi vektor eigen. Teori PCA memberikan enjelasan bahwa total variansi tia variabel indeenden adalah jumlahan dari nilai eigen dari matriks kovariansi dimana tia nilai eigen adalah variansi dari variabel rincial. Selanjutnya untuk mendaatkan variabel yang dominan maka dierlukan korelasi antara variabel rincial dengan variabel mula-mula yaitu eki i Y i k, i, k,2,...,. kk Besarnya korelasi menjelaskan hasil PCA. Y i 3. HASIL DAN PEMBAHASAN Pada bagian ini akan dikembangkan regresi terhada data ertanian adi dari Boyolali tahun Untuk itu, sebelumnya dilakukan definisi variabel dimana variabel yang ada adalah : Y: adi, : Curah Hujan, 2 : Lahan Kritis, 3 : Luas Panen, 4 : OPT. Proses regresi dilakukan dengan excel agar kegiatan ini juga daat diujicoba dengan mudah oleh egawai dinas ertanian di edesaan. Jadi model yang digunakan adalah ersamaan. 3. Hasil Regresi Multivariat 3.. Hasilregresi untuk tahun 2008 Hasil regresi untuk tahun 2008 ditunjukkan ada dengan bantuan Excel. Berdasarkan - value masing-masing arameter maka dieroleh -value > 0.05 kecuali variabel 3. Artinya model () tidak teat, atau Y bukan fungsi linear terhada semua kecuali 3. Hal ini tidak cuku untuk embahasan lebih lanjut berdasarkan data ini Hasil regresi untuk tahun 2009 Demikian ula berdasarkan -value masingmasing arameter maka daat dieroleh - value > Sehingga kita daat menyatakan bahwa Y bukan fungsi linear dari semua. Hal ini dimungkinkan bahwa Y daat sebagai fungsi tak linear akan tetai belum dibahas ada makalah ini Hasil regresi untuk tahun 200,20,202 Untuk tahun 200, kita daat menyatakan bahwa Y bukan fungsi linear dari semua, kecuali 4. Hal ini berarti sifat linear bukan multivariat karena hanya variabel yang signifikan dalam model. Sedangkan data tahun 20 menunjukkan bahwa Y juga bukan fungsi linear dari semua, kecuali 2. Secara sama ada tahun 202, kita daat menyatakan bahwa Y bukan semua fungsi dari. Metode regresi multivariat menunjukkan bahwa adi bukan fungsi linear dari 4 variabel secara simultan. 3.2 Hasil PCA Sebelum melakukan PCA, maka ola data diamati yaitu menentukan variabel hama yang

4 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 dominan. Terdaat 9 variabel OPT (hama) ada tahun Akan dicari OPT dominan dengan PCA sebagaimana dijelaskan ada Bab 2. Data menunjukkan bahwa terdaat 9 OPT yaitu : Penggerek Batang, Tungro, Tikus, BLB, Blas, Uret, Siut Murbei, Walang Sengit, Bulai, Wereng Coklat, Lalat Daun, Karat Daun, Hawar Pelear, Bercak Daun, Virus Morzaik, Virus Kuning, Kerdil Rumut, Hama Putih Palsu dan Keong Mas Hasil observasi endataan Sebelum diolah, data enyebaran wilayah area serangan OPT diilustrasikan tia tahun di Boyolali ditunjukkan ada Gambar 3 untuk tahun Secara sama dilakukan untuk data ada tahun Gambar 3.b Pola enyebaran hama dimana horizontal adalah jenis hama sedangkan vertikal menyatakan wilayah (kecamatan) di Boyolali tahun Gambar 3.a Pola enyebaran hama dimana horizontal adalah jenis hama sedangkan vertikal menyatakan wilayah (kecamatan) di Boyolali tahun Berdasarkan Gambar 3.a-3.b maka jenis OPT ke -0 muncul ada tahun Sedangkan ada tahun ,maka jenis OPT ke -9 muncul. Sedangkan untuk tahun 202 jenis OPT yang muncul hanya ke -5. Untuk menggunakan metode PCA dari Bab 2 maka erlu disusun matriks kovaariansi (S) Analisa Hasil PCA Setelah matriks S dieroleh, maka kita daat mencari nilai eigennya yaitu harus memenuhi ersamaan dengan x x x2 x3 x4. Dengan bantuan MATLAB maka daat dieroleh nilai eigen maksimum dari tahun berturutturut adalah : Sx x Dengan menandai 0 k adalah vektor nol dengan komonen semua 0 sebanyak k Vektor eigen terkait untuk data (tahun 2008,2009,200,20,202) yang bersesuaian dengan nilai eigen maksimum, maka berturutturut sebagai berikut : v =[ v 0 ]; =[ ]; v [ ] ; v [ ] v = [ Hasil PCA Tahun 2008 Korelasi variabel lama ditunjukkan dengan urutan berikut Inf , dimana untuk korelasi yang ke 9 hingga 9 tidak terdefinisi karena kovariansi 0. Demikian ula ada korelasi yang ke-4 juga tidak terdefinisi (bertanda Inf). Korelasi terbesar ositif ada variabel ke-2, terbesar ke-2 adalah ke-8. Artinya jenis wereng ke-2 yaitu Tungro. Sedangkan yang ke-8 adalah walang sengit. Korelasi terbesar negatif ada variabel ke-5, terbesar ke-2 negatif adalah ke- 6. Artinya jenis wereng ke-5 yaitu Blas. Sedangkan yang ke-2 adalah Uret. Berdasarkan data 2008, disimulkan sejauh ini belum cuku informasi jenis hama yang dominan karena semua nilai korelasi 0.5. Hasil PCA Tahun 2009 Korelasi variabel ditunjukan dengan urutan berikut : 0 5 ].

5 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus NaN Inf Inf Inf dimana untuk korelasi ke-9 samai dengan ke-9 tidak terdefinisikan karena kovariansi 0. Demikian ula ada korelasi ke-2, ke-5, ke-6 dan ke-7. Korelasi terbesar ositif ada variabel ke-8. Artinya jenis wereng ke-8 yaitu walang sengit. Korelasi terbesar negatif ada variabel ke-3, terbesar ke-4 negatif adalah ke-. Artinya jenis wereng ke- 3 yaitu Tikus. Sedangkan yang ke-4 adalah BLB, dan yang ke- adalah Penggerek Batang. Hasil PCA Tahun 200 Korelasi variabel lama ditunjukkan dengan urutan : NaN NaN NaN Inf Inf -Inf Inf -Inf Inf Inf 0.85, dimana untuk korelasi yang ke-2,6, dan 7 tidak terdefinisi karena kovariansi 0. Demikian ula korelasi yang ke- 0,,2,4,5,7, dan 8 juga tidak terdefinisi. Korelasi terbesar ositif ada variabel ke-9, terbesar kedua adalah ke-5, Artinya jenis wereng ke-9 yaitu wereng coklat dan jenis wereng k-5 adalah Blas. Korelasi terbesar negatif ada variabel ke-6, terbesar kedua ada variabel ke-. Artinya jenis wereng ke-6 yaitu Virus Kuning, sedangkan yang ke- adalah Penggerek Batang. Hasil PCA Tahun 20 Korelasi variabel lama ditunjukkan dengan urutan berikut: NaN NaN NaN NaN NaN NaN NaN NaN-Inf -Inf Inf Inf NaN, dimana untuk korelasi yang ke-,2,6,7,8,9,,2, dan 9 tidak terdefinisi. Demikian ula ada korelasi yang ke- 3,4.5, dan 6 juga tidak terdefinisi. Korelasi terbesar ositif ada variabel ke-7, terbesar kedua ada variabel ke-8. Artinya jeniswereng ke-7 yaitu Kerdil Rumut, yang ke-7 adalah Hama Putih Palsu. Korelasi terbesar negatif ada variabel ke-0 dan terbesar kedua negatif adalah ke-3. Artinya jenis wereng ke-0 yaitu Wereng Coklat, sedangkan yang ke-3 adalah Tikus. PCA Tahun 202 Korelasi variabel lama ditunjukan dengan urutan sebagai berikut : Inf dimana untuk korelasi yang ke-6 hingga 9 tidak terdefinisi karena kovariansi 0. Demikian ula ada korelasi yang ke- 2 tidak terdefinisi. Korelasi terbesar ositif ada variabel ke-, terbesar kedua adalah variabel ke-4, dan terbesar ketiga adalah ke-5,. Artinya jeniswereng ke- yaitu Penggerek Batang, yang ke-4 adalah BLB, dan yang ke-5 adalah Blas. Korelasi terbesar negatif adalah variabel ke-3. Artinya jenis wereng ke-3 yaitu Tikus Kesimulan hasil PCA semua tahun Hasil PCA di atas disimulkan adatabel. Tabel. Hasil engamatan jenis OPT tia tahun menurut PCA No Tahun Variabel dengan Positif Variabel Negatif Ke- Ke-2 Ke- Ke-2 Walang 2008 Tungro Sengit Blas Uret W.Sengit - Tikus P.Batang P Bulai Blas V.Kuning Batang 4 20 Kerdil Rumut Hama P Palsu W. Coklat Blas BLB Tikus - Tikus Terdaat dimana seharusnya, sehingga korelasi ini tidak bermakna. Belum diketahui bahwa enyebab nilai korelasi yang dominan. Demikian ula dari tahun terlihat tidak ada 0.5 atau Sehingga daat disimulkan bahwa ada seanjang tahun tidak ada hama OPT yang dominan. Secara alikasi berarti semua hama erlu dierhatikan PCA lebih Lanjut Karena dieroleh hasil PCA yang tidak daat menentukan variabel dominan berdasarkan data tia tahun, maka dilakukan enyusunan data kembali dengan membuat

6 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 semua data digabung. Pola data yang digabung mengikuti sketsa data ada Gambar 4. Untuk selanjutnya, ola data dicermati yang ditunjukkan ada Gambar 5. Jika OPT digabungkan dari tahun , ternyata dieroleh hasil bahwa korelasi dalam PCA tidak terdefinisi dengan benar karena adanya Hal ini dimungkinkan karena matriks kovariansinya singular. Akan tetai berdasarkan informasi informal menurut eneliti OPT dan dinas ertanian, semua jenis OPT memang sangat erlu dierhatikan. Jadi sekaliun hasil yang dieroleh secara matematis tidak memenuhi teori yang digunakan, dalam raktek hasil ini justru diangga benar yaitu bahwa semua jenis OPT memunyai tingkat signifikansi yang sama. 4. KESIMPULAN Pada makalah ini telah ditunjukkan analisa data ertanian Boyolali tahun yang meliuti adi, curah hujan, luas area anen, luas lahan kritis, dan luas area serangan OPT. Analisa dilakukan dengan melakukan regresi multivariat tia tahun untuk data yang ada yaitu adi sebagai fungsi linear terhada curah hujan, luas area anen, luas area kritis, luas area serangan OPT. Sifat linear terhada variabel tersebut secara simultan tidak dieroleh. Oleh karena ada 9 jenis OPT yang terlibat dalam kerusakan area anen, maka Princial Comonent Analysis digunakan untuk mendaatkan informasi OPT yang dominan. Hasil analisa menunjukkan bahwa tidak ada OPT yang dominan dibandingkan yang lain. Secara alikasi berarti semua jenis OPT erlu dierhatikan. 5. UCAPAN TERIMAKASIH Makalah ini meruakan enelitian dalam usat studi Simitro-UKSW didalam rogram enelitian PUSNAS tahun anggaran 206/207. Gambar 4. Sketsa enyusunan data OPT untuk diolah dimana tahun tidak dierhatikan. Gambar 5. Pola enyebaran OPT (horizontal : jenis OPT, vertikal : lokasi/kecamatan). 6. DAFTAR PUSTAKA. Dewi, V.P, Parhusi,H,A, Linawati, L., 203. Analisa Hasil Panen Padi menggunakan Pemodelan Kuadratik, rosiding Seminar Nasional Matematika VII UNNES 26 Oktober 203, ISBN Dewi, V.P, Parhusi,H,A, Linawati, L., 203. Otimasi Hasil Panen Padi menggunakan Singular Value Decomosition (SVD) dan Ant Colony Algorithm (ACO), rosiding Seminar Nasional Matematika UNS 20 Noember Prasetyo, S.Y.J., Subanar, Winarko, E., B.S Daryono, 202. Endemic Outbreaks of Brown Planthoer (Nilaarvata lugens Stal. ) in Indonesia using Exloratory Satial Data Analysis, International Journal of Comuter Science Issues (IJCSI), Vol. 9, Issue 5, No, ISSN (Online): Kristoko, H., Eko,S., Prasetyo,S.Y, Simanjuntak,B., 202. Udated PranataMangsa: Recombination of Local Knowledge and Agro Meteorology using

7 Telah diresentasikan ada Konser Karya Ilmiah Fakultas Pertanian dan Bisnis UKSW, ada 4 Agustus 206 Fuzzy Logic for Determining Planting Pattern, International Journal of Comuter Science Issues (IJCSI), Vol. 9, Issue 6, No 2, 202,ISSN (Online): Parhusi, H.A, Edi, S.W.M, 205. Otimal Production of Paddy Fields Using Modified GSTAR Models, International Journal of Agricultural Science and Technology (IJAST), Vol. 3, Issue, February ISSN(online) : ; ISSN rint: ,hal Parhusi, H.A. dan Somnya, R. 205.Prototye G2A as a Low Technology for Administrators of Agriculture in villages, roceeding International conference on Innovative Engineering Technologies (ICIET'205 ), August 7-8, 205,Faculty of Engineering, Radjamanggala University, Bangkok, Thailand.ISBN: , Parhusi,H.A, Edi, S.W.M., Prasetyo, S.Y.J., 204. Analisa Data Pemodelan Untuk Ilmu Sosial dan Sains, ISBN , Tisara Grafika Salatiga,398 hlm,25 cm. 8. Venugoban, K., Ramanan, A., 204. Image Classification of Paddy Field Insect Pests Using Gradient-Based Features, International Journal of Machine Learning and Comuting, Vol. 4, No., February 204.