PENDUGAAN PRODUKTIVITAS CABAI
BERDASARKAN POLA PANEN UNTUK WILAYAH
KABUPATEN CIANJUR
SRI WAHYUNI
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Pendugaan Produktivitas Cabai Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur adalah karya saya dengan arahan pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan tercantum dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, Nopember 2012
Sri Wahyuni
ABSTRACT
SRI WAHYUNI. Estimation Productivity of Chili Based on Pattern of Harvest for Kabupaten Cianjur. Under direction of HARI WIJAYANTO and I MADE
SUMERTAJAYA.
The most important data in horticulture were harvest area, production and productivity. During this period of time, horticulture productivity data was calculated based on harvested area and production. Harvest area and production data was collected through an agricultural survey by interview and eyes estimate method. However, the data obtained was not valid and accurate statistically due to causing bias. Under these conditions, the productivity data collection method was developed directly by enumeration method clumps (clump counting). Clump counting is a method of measuring productivity by calculating productivity of plants in selected clump. In the field, measuring horticulture productivity faced many problem especially for measuring productivity with harvest repeatedly, such as chili. The productivity of chili can be estimated by modeling the pattern of productivity of each crop at harvest period. Estimation productivity of chili in Kabupaten Cianjur in tri wulan II was 4.696 ton/ha. Estimated that was carried out with sampling and used all harvest time produced bias but relatively small revolved between 0.02 to 0.07 ton/ha. In the measuring for sample size 110 produced RSE 5.46 %. Productivity estimation can be performed using specific harvest time (one time, two times, three times) with the proviso that the amount of harvest known. Alleged productivity using two times of harvest on sample size 50 produced relatively small range of varians and bias.
RINGKASAN
SRI WAHYUNI. Pendugaan produktivitas cabai berdasarkan pola panen untuk wilayah Kabupaten Cianjur. dibimbing oleh HARI WIJAYANTO dan I MADE SUMERTAJAYA.
Komoditas hortikultura meliputi sayur-sayuran, buah-buahan, tanaman hias dan obat-obatan merupakan salah satu komoditas unggulan sektor pertanian karena memberikan kontribusi yang cukup besar terhadap devisa negara. Selain itu beberapa komoditas hortikultura seperti cabai dan bawang merah sangat besar pengaruhnya terhadap tingkat inflasi. Oleh karena itu, perencanaan dan penanganan komoditas hortikultura yang tepat akan memberikan dampak yang sangat baik bagi perekonomian Indonesia.
Masalah yang dihadapi dalam penanganan komoditas hortikultura salah satunya adalah ketersediaan data hortkultura. Data hortikultura yang sangat penting meliputi data produksi, luas panen dan produktivitas. Data produktivitas dihitung berdasarkan data produksi dan luas panen dikumpulkan melalui survey pertanian. Namun metode yang digunakan masih bersifat subjektif sehingga data yang diperoleh tidak akurat sehingga dilakukan pengukuran langsung produktivitas tanaman hortikultura dengan menggunakan metode Rumpun Counting(RC).
Metode Rumpun Counting merupakan metode pengukuran produktivitas langsung dengan cara mengukur produktivitas pada rumpun tanaman pada plot terpilih. Pengukuran produktivitas langsung di lapangan masih mengalami kendala khususnya pada komoditas hortikultura seperti cabai yang memiliki waktu panen yang berulang. Petugas harus lebih teliti dalam mengamati dan mencatat hasil panen.
Penelitian ini bertujuan untuk menduga produktivitas cabai dengan menyederhanakan pengumpulan data di lapangan. Data yang digunakan pada penelitian ini terdiri dari dua jenis, yaitu data primer dan data simulasi. Data primer merupakan data produksi dari 19 plot contoh pada empat Kecamatan di Kabupaten Cianjur, sedangkan data simulasi yang digunakan adalah data produktivitas 1000 petani yang dibangkitkan sebanyak 300 kali. Penelitian ini dibagi menjadi tiga tahap. Tahap 1 eksplorasi data, Tahap 2 membangun model, Tahap 3 simulasi dan analisis.
adalah model eksponensial, model pangkat, model logistik, model gauss dan model kubik.
Dugaan produktivitas cabai di Kabupaten Cianjur pada periode triwulan II berdasarkan hasil simulasi sebesar 4.696 ton/ha. hasil pendugaan produktivitas dengan mengamati seluruh waktu panen dengan pengambilan contoh menunjukkan nilai yang cenderung berbias. Nilai ragam dan RSE terkecil diperoleh pada pengambilan contoh berukuran 110 yaitu sebesar 0.779 ton/ha dan sebesar 5.46 %. pendugaan produktivitas dengan mengamati beberapa waktu panen (satu kali, dua kali dan tiga kali) dilakukan pada dua keadaan, yaitu jika informasi jumlah panen petani diketahui dan jika jumlah panen petani tidak diketahui. Pengamatan menggunakan dua kali panen menunjukkan nilai bias dugaan yang relatif kecil pada pengambilan contoh berukuran 50.
©Hak Cipta milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar bagi IPB.
PENDUGAAN PRODUKTIVITAS CABAI
BERDASARKAN POLA PANEN UNTUK WILAYAH
KABUPATEN CIANJUR
SRI WAHYUNI
Tesis
Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Statistika
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
Judul Penelitian : Pendugaan Produktivitas Cabai Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur
Nama : Sri Wahyuni
NRP : G151100031
Disetujui
Komisi Pembimbing
Dr. Ir. Hari Wijayanto, MSi. Dr. Ir. I Made Sumertajaya, MSi.
Ketua Anggota
Diketahui,
Ketua Program Studi Statistika Dekan Sekolah Pascasarjana
Dr. Ir. Erfiani, MSi. Dr. Ir. Dahrul Syah, MSc. Agr.
PRAKATA
Puji syukur kehadirat Allh SWT atas berkat dan rahmat yang diberikan sehingga tesis dengan judul “Pendugaan Produktivitas Cabai Besar Berdasarkan Pola Panen untuk Wilayah Kabupaten Cianjur” ini dapat diselesaikan dengan baik. Penelitian untuk penulisan tesis ini dilakukan dengan pengumpulan data produktivitas petani di empat Kecamatan Kabupaten Cianjur propinsi Jawa Barat.
Terimakasih penulis ucapkan kepada pihak-pihak yang telah membantu proses penyusunan tesis ini, yaitu :
1. Dr. Ir. Hari Wijayanto, M.Si. dan Dr. Ir. I Made Sumertajaya, M.Si. selaku pembimbing, atas arahan dan bimbingannya selama penulisan tesis ini.
2. Dr. Ir. Erfiani, M.Si. selaku penguji di luar komisi pembimbing dan Ketua Program Studi Statistika S2 yang telah turut membantu kelancaran penyelesaian tesis ini.
3. Ibu Leli dari Pusdatin, Departemen Pertanian yang telah memberikan kesempatan kepada penulis untuk turut serta dalam program pengukuran produktivitas cabai tahun 2012.
4. Kepala Dinas Pertanian Tanaman Pangan dan Hortikultura Kabupaten Cianjur. 5. Petugas - petugas pertanian di Kecamatan Sukaresmi, Cugenang, Campaka
dan Sukanagara yang telah membantu dalam pengumpulan data di lapangan. 6. Seluruh keluarga yang selalu memberikan semangat serta doa kepada penulis
selama penyusunan tesis ini.
7. Seluruh mahasiswa Program Studi Statistika dan Statistika Terapan, serta seluruh pihak yang membantu penulis berupa ilmu maupun dukungan moral. Penulis menyadari sepenuhnya bahwa tesis ini masih banyak kekurangan. Masukan-masukan yang membangun sangat penulis harapkan demi perbaikan di masa yang akan datang. Semoga tesis ini dapat bermanfaat.
Bogor, Nopember 2012
RIWAYAT HIDUP
Penulis dilahirkan di Tanjungsari (Lampung Selatan) pada tanggal 17 Juli 1982 dari ayah Amat Ikrom dan Ibu Paini. Penulis merupakan putri ketiga dari lima bersaudara.
DAFTAR ISI
Metode Pengukuran Produktivitas Hortikultura ... 3
Pendugaan Produktivitas Cabai Berdasarkan Seluruh Waktu Panen….. 30 Pendugaan Produktivitas Cabai Berdasarkan Waktu Panen Tertentu…. 31 Perbandingan Dugaan Produktivitas Berdasarkan Seluruh Waktu
Panen dan Waktu Panen Tertentu ... 34
SIMPULAN DAN SARAN
Simpulan ... 39 Saran ... 39
DAFTAR PUSTAKA ... 41
DAFTAR TABEL
Halaman
1 Karakteristik plot contoh pada tiap kelompok ... 25
2 Hasil pencocokan model untuk masing-masing kelompok ... 27
3 Nilai tengah, ragam, bias dan RSE dugaan produktivitas menggunakan
seluruh waktu panen ... 30
4 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
panen diketahui ... 31
5 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
panen petani sebanyak 10 kali... 32
6 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
DAFTAR GAMBAR
13 Ragam nilai tengah dugaan produktivitas menggunakan seluruh
waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga
kali) jika jumlah panen diketahui ... 34
14 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen
dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga
kali) jika jumlah panen diketahui ... 35
15 Ragam nilai tengah dugaan produktivitas menggunakan seluruh
waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga
kali) jika jumlah panen diasumsikan sebanyak 10 kali………… 36
16 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen
dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga
kali) jika jumlah panen diasumsikan sebanyak 10 kali ... 36
17 Ragam nilai tengah dugaan produktivitas menggunakan seluruh
waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga
18 Nilai RSE dugaan produktivitas menggunakan seluruh waktu panen
dan berdasarkan waktu panen tertentu ( satu kali, dua kali dan tiga
DAFTAR LAMPIRAN
Halaman
1 Data produksi (kg) dan luas ubinan (m2) plot contoh ... 45
2 Data produktivitas (ton/ha) plot contoh ... 46
3 Sebaran produtivitas plot contoh... 47
4 Pencocokan model kelompok contoh ... 48
5 Program R untuk membangkitkan data produktivitas populasi…… 49
6 Program R untuk pendugaan produktivitas menggunakan seluruh
waktu panen ... 52
7 Program R untuk pendugaan produktivitas menggunakan seluruh
waktu panen ... 54
1
PENDAHULUAN
Latar Belakang
Komoditas hortikultura meliputi sayur-sayuran, buah-buahan, tanaman hias
dan obat-obatan. Jenis komoditas ini merupakan salah satu komoditas unggulan
sektor pertanian karena memberikan kontribusi yang cukup besar terhadap devisa
negara. Selain itu beberapa komoditas hortikultura seperti cabai dan bawang
merah sangat besar pengaruhnya terhadap tingkat inflasi. Menurut Badan Pusat
Statistik (2011) pada tahun 2010 komoditas cabai merah memberikan andil inflasi
sebesar 0.32 persen dari total inflasi sebesar 6.96 persen. Budidaya komoditas
hortikultura di Indonesia umumnya masih dalam skala perkebunan rakyat serta
menggunakan teknik tradisional, sedangkan komoditas hortikultura yang
diusahakan masih terbatas. Sifat yang khas dari komoditas hortikultura
diantaranya adalah tidak tahan disimpan, mudah rusak dalam perjalanan,
melimpah pada satu musim namun langka pada musim yang lain dan fluktuasi
harga yang sangat tajam (Zulhaedar 2012). Oleh karena itu, komoditas
hortikultura memerlukan perhatian dan penanganan yang baik.
Penanganan komoditas hortikultura akan dapat dilaksanakan dengan baik
dan tepat sasaran jika ditunjang dengan ketersediaan data statistik/hortikultura.
Data hortikultura yang sangat penting meliputi data luas panen, produksi dan
produktivitas. Data produktivitas diperoleh berdasarkan data produksi dan luas
panen. Data produksi dan luas panen dikumpulkan berdasarkan pencacahan
langsung oleh petugas kecamatan melalui Survey Pertanian (SP) melalui
wawancara dan dugaan pandangan mata (eyes estimate) petugas. Namun data
yang diperoleh dari kedua metode tersebut tidak akurat karena masih bersifat
subyektif terutama untuk data produksi. Oleh karena itu, dilakukan pengembangan
metode pengukuran langsung produktivitas tanaman hortikultura, sehingga data
produksi diperoleh dari hasil kali luas panen dengan produktivitas.
Metode pengukuran produktivitas hortikultura secara langsung yang
digunakan adalah metode ubinan dan Rumpun Counting (RC) (Departemen
Pertanian 2012). Pelaksanaan pengukuran produktivitas secara langsung di
lapangan mengalami kendala khususnya pada komoditas yang memiliki waktu
2
pengukuran terus menerus selama periode panen. Kendala lain yang dihadapi
dalam pengumpulan data produktivitas di lapangan adalah letak plot contoh yang
umumnya jauh dan sulit dijangkau (Deptan 2012). Untuk mengatasi kendala yang
dihadapi dalam pengupulan data produktivitas, Waryanto (2005) membuat model
untuk menduga produksi total tomat dengan mereduksi frekuensi panen pada
pengukuran di lapangan.
Pada penelitian ini akan dicoba untuk menduga produktivitas cabai dengan
menyederhanakan pengumpulan data di lapangan. Model yang akan digunakan
untuk pendugaan produktivitas cabai diantaranya adalah model eksponensial,
polinomial, dan model pertumbuhan. Pendugaan dilakukan dengan
membangkitkan data produktivitas petani melalui simulasi dengan kombinasi
awal panen untuk setiap petani.
Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah
1. Mendeskripsikan pola produktivitas cabai dari panen ke panen.
2. Membangun model dugaan produktivitas cabai.
3. Menduga produktivitas cabai untuk wilayah Kabupaten Cianjur pada periode tri
wulan II (bulan April-Juni).
4. Melakukan simulasi untuk mengevaluasi pengurangan waktu pengamatan
3
TINJAUAN PUSTAKA
Deskripsi Tanaman Cabai
Cabai adalah komoditas hortikultura yang memiliki peran sangat penting
dimasyarakat. Selain sebagai bumbu, cabai juga mengandung beberapa zat gizi
seperti vitamin A, B, C dan beta karoten. Cabai yang umum dikenal di masyarakat
digolongkan ke dalam tiga kelompok yaitu cabai besar, cabai kecil dan cabai hias.
Diantara ketiga kelompok tersebut, cabai besar merupakan jenis yang paling banyak
diperdagangkan dalam masyarakat (Sari 2009).
Cabai besar (Capsicum annuum) atau lombok besar memiliki banyak varietas.
Diantaranya adalah cabai merah (C. annuum var. longum ) dan cabai hijau ( C.
annuum var. annuum). Ciri umum cabai besar adalah batangnya tegak dengan
ketinggian antara 50 sampai 90 cm, tangkai daunnya horisontal atau miring dengan
panjang 1.5 – 4.5 cm, panjang daun antara 4 sampai 10 cm dan lebar antara 1.5
sampai 4.5 cm, buahnya berbentuk memanjang atau kebulatan dengan biji buahnya
berwarna kuning kecoklatan.
Secara umum, cabai dapat ditanam di areal sawah maupun tegal, didataran
rendah maupun tinggi, dan saat musim kemarau maupun musim penghujan.
Beberapa faktor yang mempengaruhi pertumbuhan tanaman cabai adalah
ketinggian tempat, iklim, air, dan tanah (Setiadi 2008). Budidaya cabai dilakukan
secara monokultur atau tumpang sari dengan tanaman lainnya. Tanaman cabai
pertama kali dipanen pada umur 80 – 90 hari tergantung jenisnya. Dalam satu
periode tanam, cabai dapat dipanen beberapa kali. Bila musim dan perawatannya
baik dapat dipanen 15 ‐ 17 kali, namun umumnya sebanyak 10‐12 kali (BPS
2011).
Metode Pengukuran Produktivitas Hortikultura
Pengumpulan data produktivitas hortikultura dilakukan dengan menggunakan
metode pengumpulan langsung yang diukur berdasarkan data luas panen dan
produksi. Untuk data luas panen metode pengumpulan data dan teknis
4
data produksi dan produktivitas akan sangat sulit sekali pelaksanaannya di
lapangan. Metode yang dikembangkan untuk menangani masalah pengumpulan
data produksi adalah metode ubinan dan metode Rumpun Counting (RC) yang
dilakukan oleh BPS dan Deptan mulai tahun 2001.
Metode Ubinan
Metode ubinan merupakan metode untuk mengukur produktivitas tanaman
dengan mengukur produktivitas tanaman yang dicover oleh alat ubinan pada petak
dan plot terpilih secara acak. Awalnya metode ubinan hanya digunakan pada
pengukuran produktivitas padi dan palawija, namun sejak tahun 2001 mulai
dikembangkan untuk pengukuran produktivitas hortikultura. BPS, Deptan dan
Japan International Cooperation Agency (JICA) melakukan ujicoba pengukuran
produksi dengan menggunakan plot ubinan yang berukuran 10m x 10m. Tahun
2003 diuji cobakan lagi pengukuran dengan menggunakan plot yang lebih kecil
yaitu 5m x 5m dan 2.5m x 2.5m dan selanjutnya dilakukan perbandingan ketiga
plot tersebut. Hasil perbandingan menunjukkan ketiga plot yang diuji tidak
mempunyai perbedaan yang nyata sehingga kemudian ditetapkan ukuran plot
yang digunakan adalah 2.5m x 2.5m (Waryanto 2005).
Metode Rumpun Counting (RC)
Beberapa perkembangan penggunaan plot ubinan 2.5m x 2.5m, terutama
kepraktisan alat yang digunakan serta pengaplikasiannya di lapangan. Atas dasar
tersebut maka BPS, Deptan dan JICA mengembangkan lagi metode ubinan untuk
tanaman padi melalui pendekatan pencacahan rumpun (Rumpun Counting, RC)
yang merupakan sebuah metode untuk mendapatkan produktivitas tanpa alat
ubinan. Pelaksanaan metode rumpun counting ini adalah dengan pemotongan
terhadap 10 rumpun baris dan 10 rumpun kolom dengan terlebih dahulu
menentukan titik awal plot dengan menggunakan Tabel Angka Random (TAR)
(Susmayasanti 2003). Wijayanto (2005) dalam penelitiannya melakukan
perbandingan produksi tanaman padi pada plot 10 x 10 rumpun dengan jarak
5
bahwa produksi tanaman padi pada plot 10 x 10 tanaman sama dengan produksi
pada plot 2.5m x 2.5m.
Pada tahun 2003, dilakukan perbandingan pengukuran produktivitas sayuran
dengan menggunakan metode ubinan dengan ukuran plot 2.5m x 2.5m, 10 x 10
tanaman dan 5 x 5 tanamah. Hasil perbandingan menunjukkan bahwa plot 5 x 5
tanaman dianggap paling baik. Sehingga pada tahun 2010 plot ubinan 5 x 5
tanaman mulai digunakan untuk pengukuran data produktivitas cabai besar
(Deptan 2012).
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Gambar 1 Rumpun Counting 5 x 5 tanaman
Sumber Error dalam Survey
Pendugaan parameter merupakan salah satu tujuan dari penarikan contoh
melalui survey. Sumber error dalam survey terbagi menjadi dua macam, yaitu
sampling error dan nonsampling error. Sampling error adalah kesalahan yang
disebabkan oleh pengambilan contoh. Sampling error dapat dikontrol dengan
mendesain sampling dengan baik. Nonsampling error atau human error
merupakan error yang disebabkan oleh proses survey seperti tidak meresponnya
contoh, informasi yang salah dan mengganti contoh. Nonsampling eror dapat
dikendalikan dengan menghubungi kembali responden, pemberian insentif kepada
responden serta membarikan pelatihan kepada petugas survey (Scheaffer et al
6
Pemodelan Produksi Cabai
Pemodelan Produksi dari Panen ke Panen
Pemodelan produksi cabai dilakukan dengan melihat pola produksi dari panen
ke panen. Secara umum produksi hortikultura khususnya komoditas yang
panennya berulang akan membentuk pola nonlinier, seperti dalam penelitian
Waryanto (2003) yang menyebutkan bahwa produksi tomat membentuk pola
polinomial.
Model Regresi Nonlinier
Model nonlinier merupakan bentuk hubungan antara peubah respon dengan
peubah penjelas yang tidak linier dalam parameter (Myers 1989). Model nonlinier
ada dua jenis, yaitu model yang secara intrinsik linier (instrically linear) dan
model yang secara intrinsik nonlinier (intrinsically nonlinear). Model yang secara
intrinsik linier yaitu model nonlinier yang dapat ditransformasi menjadi bentuk
linier sebagai contoh adalah model eksponensial dan model pangkat. Model
intrinsik nonlinier yaitu model yang tidak bisa ditransformasi menjadi bentuk
linier misalnya adalah model logistik dan model gompertz (Draper & Smith
1980).
Secara umum model regresi nonlinier ditulis sebagai berikut :
(i =1,2, . . .,n) (1)
dengan :
f (.) = fungsi non linier
= nilai pengamatan ke-i
= vektor peubah penjelas pada pengamatan ke-i
= vektor parameter koefisien regresi berukuran p x 1
= sisaan pengamatan ke-i
diasumsikan saling bebas dan menyebar normal dengan nilai tengah nol dan
7
Model Eksponensial dan Model Pangkat
Model eksponensial merupakan contoh dari model nonlinier yang dapat
dilinierkan. Bentuk umum model eksponensial adalah yang
ditransformasi menjadi bentuk ln ( ) = ln ( ) + . Model nonlinier lain yang
dapat dilinierkan adalah model pangkat (geometris). Bentuk umum model pangkat
adalah . Bentuk model dugaannya adalah ̂ . Pendugaan a
dan b dilakukan dengan mentransformasikan model dugaan menjadi bentuk ln ( )
= ln (a) + b ln ( ) (Montgomery & Peck 1991).
Model Pertumbuhan
Banyak model nonlinier dikelompokkan dan didesain untuk kasus tertentu.
Salah satu kelompok model nonlinier yang banyak digunakan adalah model
pertumbuhan. Model pertumbuhan digunakan untuk menggambarkan bagaimana
sesuatu tumbuh seiringi dengan peningkatan peubah bebasnya (biasanya adalah
waktu) (Myers 1989). Model pertumbuhan yang umum di kenal antara lain
adalah model pertumbuhan logistik, model pertumbuhan gompertz, model
pertumbuhan richards, model pertumbuhan weibull dan model pertumbuhan
mitcherliclaw.
Model Pertumbuhan Logistik
Model pertumbuhan logistik Petama kali diperkenalkan oleh P.F. Verhulst
tahun 1838 sebagai model pertumbuhan populasi. Model ini pada dasarnya
mengacu pada bentuk persamaan regresi logistik (Myers 1989). Bentuk dari
model pertumbuhan logistik adalah sebagai berikut:
(2)
Pada model logistik, untuk x = 0, =
adalah level dari y saat waktu sama
dengan nol. Parameter adalah batas pertumbuhan. Nilai dan harus positif
agar fungsi logistik dapat dinterpretasikan (Montgomery & Peck 1991). Gambar 2
8
Model Pertumbuhan Gompertz
Model pertumbuhan Gompertz pertama kali dikemukakan oleh B. Gompertz
tahun 1825 yang digunakan untuk menghitung rata-rata kematian. Karakteristik
model Gompertz adalah pertumbuhan yang lambat di awal dan diakhir, dengan
titik belok yang tidak simetris (Draper & Smith 1980). Bentuk dari model ini
sebagai berikut :
(3)
Bentuk dari model Gompertz ini merupakan bentuk dari eksponensial ganda,
dengan parameter adalah batas pertumbuhan, sehingga saat x = 0, .
Gambar 2 Contoh kurva model pertumbuhan logistik
Model Pertumbuhan Weibull
Model pertumbuhan weibull merupakan salah satu model pertumbuhan yang
banyak digunakan. Bentuk modelnya adalah sebagai berikut:
(4)
Pada model weibull, pertumbuhan pada saat x = 0 adalah . Sedangkan
pertumbuhan mengalami titik maksimum = saat (Montgomery &
9
Pendugaan Parameter Model Nonlinier
Pendugaan parameter pada regresi linier diperoleh dengan menggunakan
Metode Kuadrat Terkecil (MKT), yaitu dengan cara meminimumkan jumlah
kuadrat galat yang menghasilkan persamaan normal. Sedangkan untuk model
nonlinier, pendugaan parameternya menggunakan Metode Kuadrat Terkecil
Nonlinier (MKT Nonlinier).
Metode Kuadrat Terkecil Nonlinier
Metode kuadrat terkecil nonlinier (MKT nonlinier) merupakan pendugaan
parameter untuk model nonlinier yang dilakukan dengan cara meminimumkan:
∑ [ ̂] (5)
Pada pendugaan dengan MKT nonlinier, nilai dugaan hanya dapat diselesaikan
melalui proses iterasi. Beberapa metode yang digunakan dalam proses iterasi
untuk MKT nonlinier adalah metode Gauss-Newton dan Jalan Tengah Marquardt
(Myers 1989).
Metode Gauss-Newton
Salah satu prosedur yang sering digunakan dalam MKT nonlinier adalah
prosedur Gauss-Newton. Prosedur ini memerlukan nilai awal dugaan
parameternya. Misalkan
adalah vektor nilai dugaan awal. Model non linier
diuraikan menjadi deret Taylor disekitar dengan
mempertahankan bentuk linier. Sehingga
[ ]
Persamaan (6) dapat dinyatakan dalam bentuk model linier, yaitu
10
pada persamaan (7) merupakan peubah penjelas sedangkan sebagai koefisien
model. Hasilnya struktur Gauss-Newton mempunyai struktur regresi linier:
(8)
(i = 1,2,. . .,n)
Nilai dugaan dari setiap parameter dicari dengan melakukan proses iteratif
berikut:
1. Duga dalam model (9) dengan menggunakan metode kuadrat
terkecil linier. Penduga dari iterasi pertama dinyatakan sebagai ̂ ̂ ̂ .
2. Hitung ̂ ̂ (j = 1,2,…,p). ̂ ̂ ̂ adalah nilai dugaan
iterasi pertama.
3. Nilai ̂ dari langkah 2 menjadi nilai awal model (8).
4. Kembali ke langkah 1, kemudian hitung ̂ ̂ ̂ dan ̂ ̂ ̂ .
5. Lakukan terus proses ini sampai konvergen. Konvergen tercapai apabila dalam
s iterasi, jumlah kuadrat sisaan dan penduga parameter tidak lagi berubah
nilainya.
Menurut Drapper & Smith, prosedur Gauss-Newton memiliki kelemahan untuk
masalah-masalah tertentu, yaitu :
1. Proses kekonvergenan mungkin berjalan sangat lambat, dengan kata lain
dibutuhkan langkah iterasi yang banyak sebelum solusinya stabil, meskipun
jumlah kuadrat sisaannya terus turun.
2. Adakalanya solusi berosilasi, terus berganti arah dan sering jumlah kuadratnya
naik turun walaupun pada akhirnya stabil.
3. Iterasi dapat tidak konvergen sama sekali atau bahkan divergen, sehingga
11
Jalan Tengah Marquardt
Prosedur Jalan Tengah Marquardt merupakan pengembangan prosedur
Gauss-Newton yang digunakan untuk menghitung vektor perubahan kenaikan. Struktur
dari vektor perubahan kenaikan untuk iterasi ke-s adalah solusi dari ̂ terhadap
persamaan :
( ̂ [ ( ̂ )] (9)
Marquardt menyatakan bahwa dapat memperbaiki kekonvergenan (Myers
1989). Nilai dapat menangani situasi ketika pangkat matriks tak penuh dan
matriks W’W menjadi singular.
Pemilihan dalam prosedur jalan tengah Marquardt disesuaikan pada
masing-masing iterasi untuk meyakinkan pengurangan sisaan. Jika nilai dimulai dengan
nilai besar, prosedur jalan tengan Marquardt mengubah langkah ̂ dekat ke arah
turunan tercuram. Jika nilai kecil, prosedur Marquardt mendekati prosedur
Gauss-Newton. Nilai dikendalikan dengan cara dinaikkan atau diturunkan jika
satu tahap gagal untuk mengurangi sisaan. Dengan cara ini prosedur jalan tengah
marquardt mamppu menyesuaikan diri dengan cara mendekati turunan tercuram
ketika jauh dari sisaan yang minimum dan cepat konvergen ketika disekitar sisaan
yang minimum.
Ukuran Kebaikan Model
Beberapa kriteria yang dapat digunakan dalam pemilihan model antara lain
adalah koefisien determinasi (R2), Mean Absolute Percent Error (MAPE) dan
Root Mean Square Error (RMSE ).
Koefisien determinasi ( )
Koefisien determinasi merupakan ukuran kemampuan model dalam mengepas
data yang ada (Myers 1989). Formula dari koefisien determinasi adalah:
dengan :
12
= jumlah kuadrat regresi = jumlah kuadrat galat
Semakin besar suatu model maka semakin terandalkan model tersebut.
Mean Absolute Percent Error (MAPE)
MAPE digunakan untuk menentukan model yang paling sesuai atau efisien untuk
masing-masing pendekatan. Persamaannya adalah:
∑ | ̂|
dengan:
MAPE = Mean absolute percent error
= nilai amatan
̂ = nilai dugaan
n = banyaknya data pengamatan
Nilai MAPE yang kecil menunjukkan model lebih baik
Root Mean Square Error (RMSE )
RMSE digunakan untuk memperoleh gambaran keseluruhan standar deviasi yang
muncul saat menunjukkan perbedaan antar kelompok atau hubungan yang
dimiliki. Secara umum dirumuskan sebagai berikut:
√
dengan:
= Root mean square error = jumlah kuadrat sisaan N = banyaknya data
P = banyaknya parameter
Nilai RMSE yang besar menunjukkan model tersebut kurang baik, dan nilai
13
Relative Standard Error (RSE)
Suatu besaran yang berguna bagi peneliti untuk mengevaluasi hasil-hasil yang
diperoleh dari beberapa survey yang meneliti ciri yang sama adalah Relative
Standard Error (RSE). RSE didefinisikan sebagai simpangan baku contoh yang
dinyatakan dalam persentase terhadap nilai tengah contohnya, yang dinyatakan
dalam rumus :
̂ ̅
̅
RSE adalah keragaman relatif. Berbeda dengan simpangan baku yang mempunyai
satuan yang sama dengan pengamatan asal, karena RSE tidak tergantung dengan
15
METODOLOGI
Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini ada dua jenis, yaitu data primer dan
data simulasi. Data primer diperoleh dengan mengumpulkan data produksi cabai
pada 19 plot contoh yang dipanen pada periode tri wulan II (April - Juni) tahun
2012 yang terletak di empat Kecamatan yaitu Kecamatan Sukaresmi, Kecamatan
Cugenang, Kecamatan Campaka dan Kecamatan Sukanagara Kabupaten Cianjur
Propinsi Jawa Barat. Data primer yang diperoleh digunakan sebagai dasar untuk
pembangkitan data simulasi.
Data simulasi diperoleh dengan membangkitkan data produktivitas 1000
petani yang dilakukan sebanyak 300 kali. Peubah yang dibangkitkan adalah
produktivitas cabai setiap petani per waktu panen
Metode Analisis
Langkah –langkah analisis data yang dilakukan pada penelitian ini dibagi
menjadi 3 tahap yaitu :
Tahap I : Eksplorasi data
Tahapan eksplorasi data dilakukan untuk memberikan gambaran data secara
umum. Langkah-langkah dalam tahap eksplorasi data sebagai berikut:
1. Menghitung produktivitas setiap plot contoh.
2. Membuat sebaran data produktivitas plot contoh.
3. Mengelompokan plot contoh berdasarkan pola produktivitas dari
masing-masing plot contoh.
Tahap II : Membangun model
Model dugaan produktivitas dibangun berdasarkan pola produktivitas yang telah
dikelompokkan pada tahap II. Langkah-langkah dalam membangun model dugaan
produktivitas sebagai berikut :
16
Model yang dicobakan antara lain, model eksponensial, model pangkat, model
logistik, model kubik dan model gauss. Pemilihan model terbaik dilakukan
berdasarkan nilai R2 dan MSE .
2. Membangun model dugaan produktivitas setiap kelompok sesuai dengan
model yang dipilih pada langkah 1.
Tahap III : Simulasi dan analisis
Model yang telah diperoleh pada tahap II digunakan sebagai dasar dalam
membangkitkan data populasi untuk menduga produktivitas. Model yang
digunakan dalam pembangkitan data produktivitas merupakan model dari 5
kelompok plot contoh yang memiliki kesamaan karakteristik cabai yang ditanam.
Langkah-langkah pembangkitan data produktivitas sebagai berikut :
1. Menentukan jumlah panen pada masing-masing kelompok.
Jumlah panen yang dibangkitkan untuk masing-masing kelompok ditentukan
berdasarkan rata-rata panen pada setiap plot contoh dalam satu kelompok.
Panen untuk kelompok 1 adalah 10 kali, kelompok 2 sebanyak 5 kali,
kelompok 3 sebanyak 7 kali, kelompok 4 sebanyak 11 kali dan kelompok 5
sebanyak 9 kali.
2. Menentukan jumlah petani contoh pada masing-masing kelompok.
Jumlah petani pada satu kelompok ditentukan berdasarkan proporsi plot
contoh dalam kelompok. Untuk kelompok 1 jumlah petani yang dibangkitkan
sebanyak 360 petani, kelompok 2 sebanyak 240 orang, kelompok 3 sebanyak
180 orang, kelompok 4 sebanyak 110 orang dan kelompok 5 sebanyak 110
orang.
3. Menghitung dugaan produktivitas petani berdasarkan model dugaan yang
dibuat.
4. Membangkitkan galat.
Galat (error) yang dibangkitkan diasumsikan berdistribusi normal dengan
nilai tengah = 0 dan nilai simpangan baku yang diperoleh dari rata-rata
simpangan baku kelompok contoh yaitu sebesar 0.15.
5. Membuat pola dugaan produktivititas setiap petani dari panen ke panen.
17
a. Melakukan pengacakan awal panen setiap petani.
b. Asumsikan bahwa umur tanaman cabai sampai waktu panen adalah 12
mingga, satu periode pengamatan (tri wulan) sebanyak 12 minggu.
c. Menyusun dugaan produktivitas setiap petani berdasarkan waktu awal
panen.
6. Menentukan periode pengamatan.
Periode pengamatan merupakan waktu pengukuran produktivitas yang
dilakukan. Periode pengamatan dibagi menjadi empat yaitu tri wulan I
(Januari-Maret), tri wulan II (April-Juni), tri wulan III (Juli-September), tri
wulan IV (Oktober-Desember).
7. Menghitung produktivitas total pada periode pengamatan.
8. Pengambilan contoh
Ambil contoh berukuran n dari data pada periode pengamatan yang telah
ditentukan. Hitung nilai tengah, ragam, bias dan RSE dugaan. Pendugaan yang
dilakukan terdiri dari dua macam, yaitu dengan menggunakan pengamatan
seluruh waktu panen dan menggunakan sebagian waktu panen (tertentu).
Pendugaan menggunakan waktu panen tertentu terdiri dari dua macam, yaitu
jika jumlah panen petani diketahui (rata-rata panen dalam kelompok) dan jika
jumlah panen petani tidak diketahui (diasumsikan panen selama periode
pengamatan/12 kali dan rata-rata panen kelompok produktivitas/10 kali).
9. Pengambilan contoh ulang
Ulangi langkah 9 sebanyak 100 kali.
10.Ulangi langkah 1 sampai 10 sebanyak 30 kali.
Menghitung produktivitas total pada periode pangamatan
18
lakukan
100 kali
Gambar 3 Diagram alir penelitian
Pengumpulan Data
Hitung rata-rata dan ragam produktivitas
19
HASIL DAN PEMBAHASAN
Pengumpulan Data Produktivitas di Lapangan
Pengumpulan data produktivitas dilakukan pada plot contoh yang telah dipilih
secara acak menggunakan Tabel Angka Random (TAR). Proses pengumpulan
data di lapangan diharapkan sesuai dengan rancangan yang dibuat sehingga
diperoleh data yang akurat. Pada pelaksanaan pengumpulan data di lapangan
terdapat beberapa hal yang menyebabkan ketidakakuratan data yang diperoleh,
antara lain proses listing rumah tangga produksi cabai, penentuan plot contoh, dan
pengukuran produksi plot contoh.
Listing bertujuan untuk mendaftarkan seluruh rumah tangga produksi cabai
yang akan melaksanakan panen pada satu periode panen tertentu. Listing
dilaksanakan oleh mantri tani/petugas kecamatan pada Kecamatan yang terpilih
Namun pada pelaksanaan di lapangan proses listing belum dilaksanakan secara
maksimal sesuai prosedur yang ditetapkan. Pendaftaran petani cabai hanya
dilaksanakan pada Desa yang dipilih. Selain itu juga listing hanya dilaksanakan
pada beberapa Desa yang letaknya berdekatan. Pada kenyataannya di lapangan
banyak petani yang tidak masuk dalam listing dari keseluruhan petani yang
memproduksi cabai hanya sekitar 20% saja yang dimasukkan dalam daftar,
sehingga dalam pengambilan contoh dengan menggunakan daftar yang dibuat
tidak mewakili petani cabai yang ada di satu wilayah dan mengakibatkan dugaan
produksi yang dilakukan akan berbias. Selain itu informasi yang dikumpulkan
terkadang hanya berasal dari sumber lain misalnya ketua kelompok tani,
pengepul/bandar cabai atau dari petani lain, atau dengan pendugaan saja.
Hal lain yang menyebabkan ketidakakuratan data adalah penentuan plot
contoh di lapangan. Penentuan plot contoh berdasarkan dari data listing yang telah
dibuat. Ketidakakuratan informasi yang ada pada saat listing menyebabkan
kesulitan penentuan plot contohnya. Sebagai contoh jumlah bidang petani. Dalam
daftar listing hanya terdapat satu bidang, namun pada kenyataannya di lapangan
terdapat lebih sehingga mendorong pengambilan plot contoh tidak acak lagi.
Selain itu juga pada proses penentuan plot rumpun tanaman yang akan diukur
20
petugas terhadap langkah-langkah dan aturan dalam pelaksanaan pengukuran plot
contoh.
Pengukuran produksi dilakukan oleh petugas pada plot contoh yang telah
ditentukan dengan menggunakan timbangan atau menggunakan mangkok sebagai
alternatif khususnya jika pengukuran dilakukan oleh petani. Pelaksanaan
pengukuran produksi di lapangan belum dilaksanakan secara maksimal.
Pengukuran produksi umumnya lebih banyak dilakukan oleh petani sedangkan
pengukuran yang dilakukan oleh petani terkadang tidak menggunakan alat yang
telah disediakan. Petani hanya melakukan dugaan saja sehingga diduga data yang
dikumpulkan oleh petani menjadi kurang akurat
Deskripsi Plot Contoh
Hasil pengumpulan data produksi dan luas ubinan plot contoh selengkapnya
disajikan pada lampiran 1. Produktivitas plot contoh dapat dilihat pada lampiran 2.
Rata-rata produktivitas cabai yang diperoleh pada 19 plot contoh sebesar 16.42
ton/ha dengan simpangan baku sebesar 30.44 ton/ha. Rata-rata produktivitas
setiap panen tertinggi diperoleh sebesar 12.03 ton/ha sedengkan terendah pada
sebesar 0.30 ton/ha. Hasil eksplorasi yang dilakukan dengan box plot (Gambar 4)
menunjukkan adanya data pencilan. Produktivitas plot contoh mengumpul pada
nilai 2 sampai 7 ton/ha.
140
21
Pengelompokan Plot Contoh
Produktivitas pada setiap plot contoh membentuk pola yang beragam.
Berdasarkan pola yang ada maka plot contoh dikelompokkan menjadi enam
kelompok. Gambar 5 memperlihatkan sebaran produktivitas setiap plot yang
membentuk pola tertentu. Pada Gambar 5 terlihat bahwa terdapat dua plot contoh
yang memiliki kisaran nilai produksi yang sangat berbeda dengan plot comtoh
yang lain.
Gambar 5 Sebaran produktivitas seluruh plot contoh
Deskripsi Kelompok
Kelompok 1
Kelompok 1 terdiri dari 6 plot contoh. Pola produktivitas pada kelompok 1
cenderung naik dan mencapai titik maksimum pada panen ke-3 sampai ke-5
(Gambar 6). Penurunan produktivitas terjadi pada panen ke-4 sampai ke-6 sampai
akhir panen. rata-rata panen pada kelompok 1 sebanyak 10 kali panen dengan
22
Gambar 6 Pola produktivitas kelompok 1
Kelompok 2
Kelompok 2 terdiri dari empat plot contoh. Secara umum pola produktivitas
kelompok 2 cenderung naik dan belum terlihat mencapai titik maksimum, hal
tersebut dikarenakan pemanenan pada plot contoh masih dilaksanakan. Gambar 7
memperlihatkan banyaknya panen pada plot contoh dalam kelompok 2 tidak
sama. Panen maksimum yang dilakukan sebanyak 9 kali pada plot 4, sedangkan
dua plot yang lain baru melaksanakan panen sebanyak empat kali dan pada plot 14
panen baru dilakukan sebanyak 3 kali.
Gambar 7 Pola produktivitas kelompok 2
Kelompok 3
Pola produktivitas plot contoh pada kelompok 3 pada awal panen terlihat naik,
23
kenaikan terjadi kembali kemudian terjadi penurunan lagi. Produktivitas tertinggi
pada plot 11 terjadi pada panen kesepuluh. Hingga akhir pengumpulan data ang
dilakukan di lapangan, pemanenan pada plot contoh dalam kelompok 3 ini masih
terus dilaksanakan. Pada Gambar 8 terlihat bahwa pada plot 11 panen telah
dilakukan sebanyak 11 kali sedangkan pada plot 9 baru dilaksanakan sebanyak 5
kali.
Gambar 8 Pola produktivitas kelompok 3
Kelompok 4
Kelompok 4 terdiri dari 3 plot contoh. Seluruh plot contoh pada kelompok 4
masih melaksanakan pemanenan. Rata-rata panen telah dilaksanakan sebanyak 7
sampai 8 kali. Pola produksi kelompok 4 secara umum naik mulai dari awal
panen. Gambar 9 memperlihatkan produktivitas mencapai titik maksimum pada
panen kelima atau ketujuh.
Gambar 9 Pola produktivitas kelompok 4
24
memperlihatkan produktivitas mencapai titik maksimum pada panen ke-6 dan
terus mengalami penurunan sampai dengan panen ke-11.
Gambar 10 Pola produktivitas kelompok 5
Kelompok 6
Kelompok 6 terdiri dari 2 plot contoh. Pola produksi kelompok 6 cenderung
naik dan mengalami penurunan. Penurunan yang sangat cepat sekali terjadi pada
plot 16 yaitu pada panen kedelapan hal tersebut dikarenakan habisnya masa
berbuah tanaman cabai. Produktivitas tertinggi diperoleh pada panen kelima
sampai keenam, hal tersebut dapat dilihat pada Gambar 11.
Gambar 11 Pola produktivitas kelompok 6
25
Karakteristik Kelompok
Hasil pengelompokan pola produktivitas plot cotoh memperlihatkan bahwa
plot yang berada dalam satu kelompok memiliki karakteristik yang sama.
Karakteristik pada masing-masing kelompok dapat dilihat pada Tabel 1. Jenis
cabai, varietas, cara tanam, perawatan tanaman serta lokasi merupakan
karakteristik pada plot contoh.
Tabel 1 Karakteristik plot contoh pada tiap kelompok
Kel Plot Jenis Cabai Varietas Cara Tanam Perawatan Kecamatan
1 keriting merah TM 99 tunggal sederhana Sukaresmi 2 4 keriting merah Golden red tunggal intensif Sukaresmi 14 keriting merah TM 99 tumpangsari intensif Cugenang 17 keriting merah TM 99 tumpangsari intensif Cugenang
21 Keriting merah princes tumpangsari intensif Campaka
3 9 besar hijau Inco tumpangsari Intensif Sukanagara
11 besar merah Hot pison tumpangsari Intensif Sukanagara
4 12 keriting merah TM 99 tumpangsari Intensif Campaka 13 keriting merah TM 99 tumpangsari Intensif Campaka
15 keriting merah TM 99 tumpangsari Intensif Cugenang 5 8 keriting merah TM 99 tumpangsari sederhana Sukanagara
20 keriting merah Seminis tumpangsari Intensif Cugenang 6 7 keriting merah Princes tumpangsari Sederhana Campaka
16 keriting merah Princes tumpangsari Intensif Cugenang
Jenis cabai yang ditanam terdiri dari dua macam, yaitu cabai keriting dan
cabai besar dengan pemanenan yang dilakukan pada saat matang/merah dan hijau.
Sedangkan varietas cabai yang banyak ditanam adalah cabai keriting TM 99 serta
beberapa varietas yang lain seperti princes, seminis dan golden red. Sedangkan
varietas cabai besar adalah inco dan hot pison. Teknik budidaya dan perawatan
tanaman juga merupakan salah satu faktor yang sangat penting. Ada dua macam
cara tanam pada cabai yaitu secara monokultur dan tumpangsari. Penanaman
26
kol, brokoli, sawi putih dan bawang daun. Untuk cara perawatan tanaman,
terdapat dua macam cara perawatan tanaman yaitu perawatan secara intensif dan
perawatan sederhana.
Perawatan secara intensif diantaranya dengan menggunakan plastik penutup
media tanam/bedengan, pengendalian hama dan penyakit tanaman secara berkala
serta melakukan penyiraman secara teratur. Sedangkan perawatan dengan cara
sederhana sebaliknya tidak menggunakan plastik penutup bedeng, tidak
melakukan penyiraman tanaman secara rutin, serta tidak melaksanakan
pengendalian hama dan penyakit tanaman secara intensif. Petani yang melakukan
cara perawatan tanaman secara intensif umumnya akan memiliki waktu panen
panjang dan dapat mencapai lebih dari 12 kali panen, hal tersebut juga akan
sangat berpengaruh terhadap produktivitas tanaman. Wilayah juga merupakan
karakteristik yang terlihat pada pengelompokkan pola produksi. Umumnya plot
yang berasal dari satu wilayah memiliki karakteristik yang sama, misalkan
varietas atau jenis cabai yang ditanam.
Tabel 1 memperlihatkan bahwa karakteristik yang paling dominan pada
kelompok 1 adalah varietas cabai dan cara tanam yang diterapkan. Jenis cabai
yang ditanam pada kelompok 1 adalah cabai keriting varietas TM 99 dengan
penanaman tunggal. Pada kelompok 2 karakteristik plot contoh yang terlihat yaitu
jenis cabai yang ditanam adalah cabai keriting merah serta perawatan tanaman
yang dilakukan secara intensif. Cara tanam dan wilayah merupakan karakteristik
yang terlihat pada kelompok 3. Seluruh plot contoh pada kelompok 3 berada di
kecamatan Sukanagara dengan menggunakan cara tanam tumpangsari dengan
dengan tanaman sayuran lain. Karakteristik yang dominan pada kelompok 4
adalah jenis cabai, varietas, cara tanam serta perawatan tanaman. Jenis cabai yang
ditanam pada kelompok 4 adalah cabai keriting merah varietas TM 99.
Penanaman dilakukan secara tumpangsari dengan tanaman sayuran lain dengan
perawatan yang intensif. Karakteristik yang terlihat pada kelompok 5 adalah jenis
cabai dan cara penanaman. Jenis cabai yang ada pada kelompok 5 adalah cabai
keriting yang dipanen merah sedangkan penanaman dilakukan secara
tumpangsari. Karakteristik yang dominan pada kelompok 6 adalah jenis cabai,
27
Pencocokan Model
Hasil dari Pencocokan model untuk setiap kelompok ditunjukkan pada
lampiran 4. Kriteria dalam memilih model dilakukan dengan melihat nilai dan
MSE model. Model terbaik yang diperoleh dari hasil pencocokan model setiap
kelompok ditunjukkan pada Tabel 2.
Tabel 2 Hasil pencocokan model untuk masing-masing kelompok
Kelompok Model
Model dugaan produktivitas kelompok 1 adalah model eksponensial dengan
bentuk persamaannya adalah ̂ . Keragaman yang mampu
dijelaskan pada model sebesar 65.3% dengan nilai MSE sebesar 0.075. Nilai
dugaan b1 negatif menunjukkan bentuk model eksponensial menurun.
Pengukuran produksi pada kelompok 1 dilakukan sampai periode panen berakhir
sehingga model yang dapat menggambarkan pola produktivitas pada kelompok 1
adalah model eksponensial menurun. Hal tersebut juga sesuai dengan pola
produktivitas cabai yang akan mengalami penurunan sampai periode panen
berakhir.
Model logistik merupakan model yang paling cocok untuk dalam
menggambarkan produktivitas kelompok 2. Pola produktivitas yang digambarkan
pada model logistik ini belum menggambarkan satu periode panen pada kelompok
2. Hal tersebut dikarenakan pengukuran produksi yang dilakukan belum sampai
pada akhir periode panen. Pola produktivitas yang dapat dilihat berbentuk sigmoid
Model dugaan produktivitas kelompok 2 adalah
̂ . Produktivitas maksimum yang dicapai pada kelompok 2
sebesar 5.234 ton/ha. Keragaman yang dapat dijelaskan oleh model logistik
28
Model dugaan produktivitas untuk kelompok 3 adalah model pangkat dengan
bentuk persamaannya adalah ̂ .Keragaman yang dapat dijelaskan
oleh model sebesar 83.2% dengan MSE sbesar 0.091. Seperti halnya dengan
kelompok 2, pemanenan pada kelompok 3 belum mencapai akhir periode panen.
plot contoh pada kelompok 3 umumnya baru melaksanakan panen sebanyak 8 kali
sehingga produktivitas maksimum plot contoh belum dapat diketahui. Hal tersebut
sesuai dengan pola model pangkat yang akan terus meningkat.
Model yang cocok untuk kelompok 4 adalah model eksponensial dengan
bentuk persamaannya adalah ̂ . Dugaan parameter
b1 bernilai positif yang berarti bahwa fungsi eksponensial yang diperoleh adalah
naik. Nilai Keragaman produktivitas yang mampu dijelaskan oleh model sebesar
92.9% dengan MSE sebesar 0.036.
Pola produktivitas pada kelompok 5 terlihat berbentuk kurvilinier. Model yang
cocok digunakan untuk menduga produktivitas pada kelompok 5 adalah model
Gauss dengan bentuk persamaannya adalah ̂
. Keragaman
yang dapat dijelaskan oleh model Gauss ini sebesar 91.4% dengan nilai MSE
sebesar 0.013.
Pola produktivitas pada kelompok 6 berbentuk kurvilinier. Model yang dapat
menggambarkan pola produktivitas kelompok 6 adalah kubik. Bentuk model
dugaannya adalah ̂ Nilai pada
model ini sebesar 0.961 dengan nilai MSE sebesar 0.009. Gambar 12
memperlihatkan pola produktivitas masing-masing kelompok menggunakan
model dugaan produktivitas.
Pendugaan Produktivitas Cabai
Pendugaan produktivitas dilakukan dengan membangkitkan data produktivitas
petani berdasarkan model dugaan produktivitas yang telah diperoleh. Parameter
yang digunakan dalam pembangkitan data produktivitas berasal dari data primer
yang dikumpulkan. Simulasi yang dilakukan dengan menyederhanakan beberapa
kondisi yang ada diantaranya yaitu pembangkitan data produktivitas hanya
29
karakteristik umum yang sama, pemanenan dilakukan sekali dalam satu minggu,
satu periode pengamatan (tri wulan) sebanyak 12 minggu, masa tanam sampai
dengan panen adalah 12 minggu. Gambar 12 memperlihatkan perbandingan antara
data produktivitas per kelompok dengan produktivitas hasil bangkitan.
(a1) Produktivitas kelompok 1 (a2) Produktivitas bangkitan kelompok 1
(b1) Produktivitas kelompok 2 (b2) Produktivitas bangkitan kelompok 2
(c1) Produktivitas kelompok 3 (c2) Produktivitas bangkitan kelompok 3
30
(e1) Produktivitas kelompok 5 (e2) Produktivitas bangkitan kelompok 5
Gambar 12 Pola produktivitas asal dan bangkitan: (a) kelompok 1, (b) kelompok 2, (c) kelompok 3, (d) kelompok 4, (e) kelompok 5
Pendugaan Produktivitas Cabai Berdasarkan Seluruh Waktu Panen
Data produktivitas seluruh plot pada periode panen tri wulan II yang
digunakan sebagai populasi dibangkikan sebanyak 300 kali. Rata-rata
produktivitas cabai di Kabupaten Cianjur pada tri wulan II sebesar 4.696 ton/ha
dengan ragam sebesar 0.006 ton/ha. Hasil dugaan produktivitas dengan
pengambilan contoh berukuran 10, 30, 50, 70, 90, dan 110 yang dilakukan
sebanyak 100 kali ulangan dapat dilihat pada Tabel 3.
Tabel 3 Nilai tengah, ragam, bias dan RSE dugaan produktivitas menggunakan seluruh waktu panen
Ukuran contoh
Nilai tengah dugaan produktivitas pada pengambilan contoh menggunakan
seluruh waktu panen berbias. Pada contoh berukuran 10 memiliki ragam dan bias
tertinggi dengan nilai ragamnya yaitu 0.779 ton/ha sedangkan biasnya sebesar 0.07 ton/ha. Keragaman cenderung menurun seiring dengan penambahan ukuran
contoh yang diambil. Ragam terkecil diperoleh pada pengambilan contoh
berukuran 110 yaitu sebesar 0.066 ton/ha dan biasnya sebesar 0.02 ton/ha. Nilai
31
Pendugaan Produktivitas Cabai Berdasarkan Waktu Panen Tertentu
Pengukuran produktivitas secara langsung dilakukan dengan mengumpulkan
data produktivitas secara terus menerus selama periode panen pada plot contoh.
Banyak faktor yang menyebabkan pengukuran secara terus menerus tersebut
sangat sulit sekali dilakukan. Oleh karena itu dilakukan pendugaan produktivitas
dengan menggunakan waktu panen tertentu untuk menyederhanakan
pengumpulan data di lapangan. Pendugaan produktivitas dilakukan dengan
mengambil satu kali, dua kali dan tiga kali panen pada populasi.
Tabel 4 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
panen petani diketahui
satu kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 4.699509 1.713027 0.093044 27.85028 30 4.660735 0.567853 0.058952 16.16827 50 4.671615 0.346563 0.0442 12.60155 70 4.64996 0.237555 0.048207 10.48173 90 4.660749 0.18468 0.038226 9.220506 110 4.653913 0.162526 0.051394 8.662502
dua kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 4.690975 1.12382 0.074565 22.59879 30 4.685946 0.389497 0.042218 13.31849 50 4.675645 0.213039 0.037524 9.871605 70 4.657054 0.152216 0.036897 8.377582 90 4.680814 0.119595 0.029829 7.388139 110 4.683876 0.100334 0.041576 6.762665
tiga kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 4.689951 0.921273 0.063848 20.46566 30 4.671213 0.318004 0.037366 12.07221 50 4.682799 0.183324 0.032036 9.143336 70 4.669807 0.125995 0.03127 7.601121 90 4.688342 0.100428 0.026337 6.759398 110 4.68685 0.083214 0.039744 6.154832
Pendugaan produktivitas dengan mengambil waktu panen tertentu dilakukan
32
panen untuk setiap petani diketahui dan jika jumlah panen tidak diketahui. Hasil
pendugaan produktivitas berdasarkan waktu panen tertentu dengan kondisi jumlah
panen petani diketahui disajikan pada Tabel 4.
Tabel 5 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
panen petani sebanyak 10 kali
satu kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 8.897877 5.728599 4.197108 26.8991 30 8.828094 1.88938 4.127301 15.57015 50 8.853136 1.166108 4.152386 12.19754 70 8.816134 0.793669 4.115531 10.10512 90 8.837593 0.615141 4.137268 8.874697 110 8.825591 0.537777 4.124688 8.309162
dua kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 8.584633 3.706639 3.883864 22.42686 30 8.570717 1.319559 3.869924 13.40285 50 8.556632 0.698734 3.855882 9.769066 70 8.5252 0.504142 3.824596 8.328601 90 8.572576 0.39735 3.872251 7.353186 110 8.584459 0.324155 3.883556 6.632285
tiga kali panen Ukuran contoh Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 8.214479 3.242455 3.51371 21.92083 30 8.179694 1.148651 3.478901 13.10258 50 8.208218 0.64757 3.507469 9.803801 70 8.189034 0.45038 3.488431 8.195148 90 8.231236 0.359441 3.530911 7.283642 110 8.231308 0.291898 3.530405 6.563667
Dugaan produktivitas berdasarkan pengukuran satu kali memiliki nilai ragam,
bias dan RSE tertinggi dibandingkan dugaan menggunakan dua dan tiga kali
panen (Tabel 4). Untuk semua pengukuran dengan pengambilan waktu panen
satu, dua maupun tiga kali memiliki kecenderungan penurunan nilai ragam, bias
dan RSE saat meningkatnya ukuran contoh yang diambil. Ragam dugaan berkisar
33
dengan satu kali panen. Hal tersebut juga terjadi pada nilai RSE. Nilai RSE
tertinggi pada pengukuran satu kali panen pada contoh berukuran 10 yaitu sebesar
27.85 %.
Hasil pendugaan produktivitas berdasarkan waktu panen tertentu dengan
kondisi jumlah panen petani sebanyak 10 kali disajikan pada Tabel 5. Tabel 5
memperlihatkan nilai ragam dan bias dugaan yang diperoleh lebih tinggi
dibandingkan dengan pendugaan produktivitas yang dilakukan jika jumlah panen
setiap petani diketahui. Ragam berkisar antara 0.29 - 5.72 ton/ha, sedangkan bias
antara 3.5 – 4.2 ton/ha.
Tabel 6 Nilai tengah, ragam, bias dan RSE dugaan produktivitas jika jumlah
panen petani sebanyak 12 kali
satu kali panen Ukuran contoh
Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 10.67809 8.260028 5.99228 26.91518 30 10.59427 2.731114 5.908294 15.59908 50 10.62229 1.684243 5.937348 12.21755 70 10.57966 1.144616 5.89433 10.1125 90 10.60539 0.88704 5.920349 8.880656 110 10.59146 0.773306 5.905244 8.302711
dua kali panen Ukuran contoh
Nilai tengah
(ton/ha) Ragam Bias RSE (%) 10 10.29191 5.383834 5.60785 22.54497 30 10.27425 1.915528 5.588713 13.47082 50 10.25663 1.0151 5.571353 9.823127 70 10.21942 0.731005 5.534333 8.366313 90 10.27766 0.57524 5.592506 7.379557 110 10.29035 0.468832 5.604416 6.653931
tiga kali panen Ukuran contoh
Nilai tengah
34
Nilai ragam, bias dan RSE dugaan jika panen petani sebanyak 12 kali
ditunjukkan pada Tabel 6. Ragam dugaan yang diperoleh lebih tinggi
dibandingkan dengan ragam dugaan jika jumlah panen setiap petani sebanyak 12
kali. Ragam dugaan berkisa antara 0.4 – 8.2 ton/ha dengan bias yang berkisar
antara 5.1 – 6 ton/ha.
Perbandingan Dugaan Produktivitas Menggunakan Seluruh Waktu Panen dengan Waktu Panen Tertentu
Ragam dugaan produktivitas menggunakan seluruh waktu panen lebih kecil
dibandingkan dengan pendugaan dengan menggunakan waktu panen tertentu.
Ragam nilai tengah dugaan produktivitas dengan menggunakan seluruh waktu
panen pada ukuran contoh 10 sebesar 0.78 ton/ha sedangkan jika menggunakan
satu kali panen dan diketahui jumlah panennya sebesar 1.71 ton/ha. Untuk kondisi
jumlah panen sebanyak 10 kali memiliki ragam sebesar 5.73 ton/ha, sedangkan
jika jumlah panen sebanyak 12 kali adalah 8.26 ton/ha.
35
dugaan jka menggunakan tiga kali panen dan diketahui jumlah panennya sebesar
0.92 ton/ha sedangkan pada kondisi jumlah panen petani sebanyak 10 kali sebesar
3.24 ton/ha dan jika jumlah panen petani sebanyak 12 kali adalah 4.73 ton/ha.
Gambar 13 menunjukkan bahwa semakin besar ukuran contoh maka
keragaman akan semakin menurun. Penurunan terbesar terjadi pada pengambilan
contoh berukuran 30. Selisih ragam dugaan menggunakan satu kali waktu panen
terhadap seluruh waktu panen cukup besar dibandingkan dengan dua dan tiga kali
panen. pada Gambar 13 terlihat ragam dugaan pada ukuran contoh 90 dengan tiga
kali waktu panen nilainya sangat dekat sekali dengan ragam produktivitas seluruh
waktu panen.
Gambar 14 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu
panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diketahui
Pada Gambar 14 terlihat bahwa selisih RSE antara pengukuran satu kali panen
dengan seluruh waktu panen cukup besar dibandingkan dengan dua kali dan tiga
kali panen. RSE tertinggi pada pengukuran menggunakan satu kali panen yaitu
sebesar 27.85 % sedangkan terendah pada pengukuran tiga kali panen yaitu
sebesar 6.15 %. RSE akan semakin kecil saat ukuran contoh yang diambil
bertambah.
Gambar 15 memperlihatkan ragam dugaan produktivitas menggunakan
seluruh waktu panen dan jika jumlah panen petani sebanyak 10 kali. ragam
terbesar pada contoh berukuran 10. Selisih terbesar terlihat pada pendugaan
36
dengan menggunakan satu kali panen. Selisih ragam dugaan pada pengukuran
dengan menggunakan dua kali dan tiga kali panen cukup kecil dan cenderung
hampir sama mulai dari pengambilan contoh berukuran 50. Kecenderungan yang
sama juga diperlihatkan pada nilai RSE dugaan. Gambar 16 memperlihatkan
bahwa RSE pada pengukuran dengan menggunakan dua kali dan tiga kali panen
cenderung sama.
Gambar 15 Ragam nilai tengah dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali
Gambar 16 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 10 kali
37
Perbandingan ragam dugaan produktivitas menggunakan seluruh waktu panen
dengan menggunakan asumsi jika jumlah panen petani sebanyak 12 kali
menunjukkan pola yang hampir sama dengan jika diasumsikan panen sebanyak 10
kali. Selisih ragam terbesar pada pengambilan satu kali panen (Gambar 17).
Gambar 17 memperlihatkan selisih nilai ragam yang sangat kecil pada
pengambilan tiga kali panen terjadi mulai dari pengambilan contoh berukuran 50.
Ragam dugaan akan mengalami cenderung menurun seiring dengan penambahan
ukuran contoh yang diambil. Gambar 18 memperlihatkan nilai RSE dugaan pada
pengambilan dua kali dan tiga kali panen hampir sama. terlihat dari garis nilai
RSE yang saling berhimpit mulai dari pengambilan contoh berukuran 10.
38
Gambar 18 Nilai RSE dugaan menggunakan seluruh waktu panen dan waktu panen tertentu ( satu kali, dua kali dan tiga kali) jika jumlah panen diasumsikan sebanyak 12 kali
0 5 10 15 20 25 30
0 10 20 30 40 50 60 70 80 90 100 110 120
R
S
E
(%
)
ukuran contoh
seluruh
satu kali
dua kali
39
SIMPULAN DAN SARAN Simpulan
Produktivitas cabai di satu daerah memiliki ploa yang berbeda-beda. Pada
Kabupaten Cianjur pola produktivitas dapat dikelompokkan menjadi enam
kelompok. Pengelompokan dilakukan berdasarkan karakteristik yang ada pada
plot contoh, yaitu jenis cabai, varietas, cara tanam, teknik perawatan dan
lokasi/wilayah.
Kesalahan (error) dalam pengumpulan data produktivitas di lapangan
menyebabkan ketidakakuratan data yang diperoleh. Error yang terjadi pada
pengumpulan data di lapanagan disebabkan antara lain adalah proses listing,
penentuan plot contoh di lapangan yang masih bersifat subjektif serta pengukuran
produksi pada ubinan yang tidak sesuai dengan aturan yang ditentukan.
Produktivitas cabai di Kabupaten Cianjur pada tri wulan II sebesar 4.667
ton/ha. Pendugaan produktivitas dengan menggunakan seluruh waktu panen
berbias dan memiliki kecenderungan yang relatif kecil berkisar antara 0.03 sampai
0.06 ton/ha untuk setiap panen. Pendugaan produkivitas cabai dapat dilakukan
dengan mengurangi pengamatan waktu panen di lapangan, namun pendugaan
yang dilakukan memerlukan informasi jumlah dan waktu panen petani.
Pendugaan menggunakan dua kali panen dengan contoh berukuran 50
manghasilkan ragam, bias dan RSE yang kecil dan mendekati nilai dugaan dengan
menggunakan seluruh waktu panen.
Saran
Penelitian ini dapat ditindaklanjuti dengan menduga produktivitas total pada
cakupan yang lebih luas lagi yaitu tingkat propinsi dengan pengambilan contoh