Pemodelan Prediksi Curah Hujan
Menggunakan Metode Holt-Winters Sebagai Faktor Dominan
Dalam Penentuan Pola Cocok Tanam
(Studi Kasus : Kabupaten Boyolali)
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer
Oleh :
Vigor Wayan Sukma
NIM : 672007704
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
6
Pemodelan Pola Cocok Tanam Baru Berdasarkan Curah Hujan
Menggunakan Metode Holt-Winters
(Studi Kasus : Kabupaten Boyolali)
1) Vigor Wayan Sukma, 2) Kristoko D. Hartomo, 3) Suprihadi
Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50711, Indonesia
Email: 1) vigorsukma86@gmail.com, 2)kristoko@gmail.com 3) suprihadi@staff.uksw.edu
Abstarct
Crops and rice become the main commodities in raising the regional income of Boyolali distric. The displacement of seasons has given a significant effect to the planting pattern. This displacement also has impacted the level of crops productivity in Boyolali distric. The writer hopes by using Forecasting Holt-Winters, the farmer will be able to predict the season pattern accurately. On the other hand Forecasting Holt Winters will also help the goverment anf the farmer to cultivicate their field in order to reduce the corp failure. Holt-Winters can be use to predict rain fall with accuration error 0.808, result of prediction rain fall use to make new cropping calendar in Boyolali distric.
Keywords : Forecasting, Holt Winters, Season
Abstrak
Kabupaten Boyolali sangat mengandalkan sektor pertanian sebagai komoditi utama baik berupa padi maupun palawija, untuk menunjang pendapatan asli daerah. Seiring terjadinya pergeseran musim baik musim penghujan maupun kemarau hal ini sangat mempengaruhi pola cocok tanam dimana hal ini sangat berdampak pada tingkat produktifitas tanaman pangan di Kabupaten Boyolali. Diharapkan dengan menggunakan metode ForecastingHolt-Winters penulis dapat memprediksi pola musim dengan tingkat keakuratan yang tinggi, sehingga dapat membantu pemerintah maupun petani didalam mengolah lahan mereka sehingga dapat mengurangi resiko terjadinya gagal panen. Holt-Winters dapat digunakan untuk memprediksi curah hujan dengan tingkat akurasi error 0.808, hasil prediksi curah hujan tersebut digunakan untuk membuat kalender pola tanam baru.
7
1. Pendahuluan
Kabupaten Boyolali merupakan salah satu kabupaten yang memiliki lahan pertanian yang cukup luas sehingga salah satu sumbangan terhadap Produk Domestik Regional Bruto. Kabupaten Boyolali yang dominan adalah sektor pertanian 36%. Kondisi iklim, cuaca dan curah hujan seringkali mempengaruhi kerberhasilan maupun kegagalan dalam usaha pertanian. Dampak konkrit pengaruh cuaca maupun curah hujan terhadap produksi pertanian khususnya tanaman pangan meliputi dua hal, pertama, kegagalan panen akibat kekeringan atau banjir. Dan kedua penurunan produksi pertanian akibat penyimpangan cuaca atau curah hujan yang mempengaruhi periode tanam tanaman pertanian. Jika hal ini terjadi secara terus menerus dapat menganggu produksi tanaman pangan di Kabupaten Boyolali [1].
Dalam penentuan pola tanam biasanya petani bergantung pada musim atau curah hujan, pada curah hujan tinggi atau musim penghujan petani menggunakan lahannya untuk bercocok tanam padi. Sedangkan pada musim kemarau dengan curah hujan rendah petani menggunakan lahannya untuk bercocok tanam tanaman palawija yang tidak membutuhkan air banyak. Berdasarkan sumber dari Dinas Pertanian Perkebunan dan Kehutanan Kabupaten Boyolali, sekarang sangatlah sulit menggantungkan metode pola tanam berdasarkan metode tahun tahun dulu, dikarenakan perubahan iklim atau curah hujan yang menggalami pergeseran baik dikarenakan dampak dari El nino maupun perubahan iklim secara global.
Berdasarkan uraian latar belakang tersebut, maka muncullah keinginan untuk membuat sebuah sistem penentu pola tanam baru. Saat ini telah berkembang teknologi informasi berupa metode peramalan cuaca menggunakan metode Triple Exponential Smoothing atau Holt-Winters, yaitu prosedur perbaikan secara terus menerus pada peramalan terhadap objek pengamatan terbaru,metode ini menitik beratkan pada penurunan prioritas secara exponential
pada objek pengamatan yang lebih tua. Dengan kata lain observasi terbaru akan diprioritaskan lebih tinggi bagi peramalan daripada observasi yang lebih lama.
Dengan metode ini dapat memberikan informasi dengan tingkat keakuratan tinggi dan dapat membantu Petugas Penyuluh Lapangan dan para petani moderen didalam menentukan pola cocok tanam baru. Hal ini akan mempengaruhi resiko kegagalan tingkat produktifitas usaha tani, meningkatan produksi dan ketersediaan pangan lokal serta meningkatkan pendapatan asli daerah.
2.
Tinjauan PustakaSistem informasi pola tanam pada suatu daerah dengan menggabungkan data klimatologi, data koordinat dan ketinggian wilayah pada citra landsat menggunakan data raster dan diolah dengan metode LVQ (Learning Vector
Quantization) [2]. Penyediaan fasilitas diseminasi pembelajaran mandiri terhadap
8
komoditas pertanian menggunakan perangkat Pranata Mangsa Baru yang disusun dengan pendekatan agrometeorologi [3].
Variasi curah hujan bulanan rata-rata sangat penting dalam menentukan pola musim tanam terutama kemungkinan musim tanam kedua dengan sistem tadah hujan. Menurut Agro-climatic criteria dan classification Oldeman, paling sedikit dibutuhkan 7 bulan basah (curah hujan lebih dari 200 mm/bulan) untuk dapat menanam padi dua kali setahun (Hidrotopografi lahan kategori A dan B). Berdasarkan klasifikasi dimaksud, sebagian besar daerah rawa pasang surut di Indonesia berpeluang ditanami padi dua kali setahun [4].
Indonesia merupakan negara yang berada diantara dua benua dan dua samudera. Posisi ini mengakibatkan Indonesia sebagai daerah pertemuan
sirkulasi meridional (Utara-Selatan) dikenal sebagai Sirkulasi Hadley dan
sirkulasi zonal (Timur-Barat) dikenal sebagai Sirkulasi Walker. Posisi Indonesia berada pada posisi semu matahari perpindah dari 23.5o Lintang Utara ke 23.5 o Lintang Selatan sepanjang tahun. Faktor lain adalah topografi yang beragam menyebabkan sistem golakan lokal cukup dominan dalam iklim di Indonesia. Serta aktivitas siklon tropis yang berlangsung sepanjang tahun. Secara klimatologis pola iklim di Indonesia dapat dibagi menjadi tiga yaitu pola
moonson, pola ekuatorial dan pola lokal. Pola Moonson dicirikan oleh bentuk
pola hujan yang bersifat unimodal (satu puncak musim hujan). Selama tiga bulan curah hujan relatif tinggi biasa disebut musim hujan, yakni Desember, Januari dan Februari dan tiga bulan curah hujan rendah bisa disebut musim kemarau periode Juni, Juli dan Agustus, sementara enam bulan sisanya merupakan periode peralihan (tiga bulan peralihan kemarau ke hujan, dan tiga bulan peralihan hujan ke kemarau). Pola ekuatorial dicirikan oleh pola hujan dengan bentuk bimodal
(dua puncak hujan) yang biasanya terjadi sekitar bulan Maret dan Oktober yaitu pada saat matahari berada dekat ekuator. Pola lokal dicirikan oleh bentuk pola hujan unimodal (satu puncak hujan) tapi bentuknya berlawanan dengan pola hujan pada tipe moonson [5]. Kabupaten Boyolali merupakan salah satu dari Kabupaten di Provinsi Jawa Tengah, yang terletak antara 110o22 -110o50 Bujur Timur dan 7o7 -7o36 Lintang Selatan, dengan ketinggian antara 75-1500 meter diatas permukaan laut. Luas wilayahnya yaitu 1.015,07 Km2. wilayah ini terbagi atas 19 Kecamatan, 261 Desa [6].
Istilah pemodelan adalah terjemahan bebas dari istilah "modelling". Untuk menghindari berbagai pengertian atau penafsiran yang berbeda-beda, maka istilah
"pemodelan" dapat diartikan sebagai suatu rangkaian aktivitas pembuatan model, Model adalah suatu representasi atau formalisasi dalam bahasa tertentu dari
suatu sistem nyata. Pemodelan merupakan tahapan dalam membuat model darisuatu sistem. Tujuan dari pemodelan adalah menentukan informasi (variabel
dan parameter) yang dianggap penting untuk dikumpulkan, sehingga tidak ada
9
e) Mengandung pemecahan masalah yang penting dan jelas; f) Mudah diubah, mempunyai prosedur modifikasi; g) Dapat berkembang dari sederhana menuju ke kompleks [7].
Exponential Smoothing adalah suatu prosedur yang secara terus menerus
memperbaiki peramalan dengan merata-rata (menghaluskan = smoothing) nilai masa lalu dari suatu data runtut waktu dengan cara menurun (exponential). Menurut [8]. Analisis exponential smoothing merupakan salah satu analisis deret waktu, dan merupakan metode peramalan dengan memberi nilai pembobot pada serangkaian pengamatan sebelumnya untuk memprediksi nilai masa depan. Berikut ini adalah macam - macam metode didalam Exponential smoothing
beserta persamaan yang terdapat didalamnya.
Metode Holt-Winters sering disebut metode pemulusan Exponential yang melakukan pendekatan [9]. Metode ini terbagi menjadi dua bagian yakni:
1. Metode Pemulusan Exponential Holt-Winters dengan Metode Perkalian Musiman (Multiplicative Seasonal Method) yang digunakan untuk variasi data musiman yang mengalami peningkatan/penurunan (fluktuasi),
2. Metode Pemulusan Exponential Holt-Winters dengan Metode Penambahan Musiman (Additive Seasonal Method) yang digunakan untuk variasi musiman yang bersifat konstan.
Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni persamaan pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan musiman. Untuk pemulusan Exponential Holt-Winters dengan metode perkalian musiman mempunyai perumusan sebagai berikut:
Pemulusan Keseluruhan
Untuk Pemulusan Exponential Holt-Winters dengan Metode Penambahan Musiman mempunyai persamaan sebagai berikut:
Pemulusan Keseluruhan
St = α(Xt − I1−L) + (1 − a)(St−1 + bt−1). (5)
Pemulusan Trend
10
Pemulusan Musiman
It = γ(Xt − St) + (1 − γ)It−L. (7)
Ramalan
Ft+m = St + btm + It−L+m. (8)
Simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah: Xt = nilai aktual pada periode akhir t
α = konstanta penghalusan untuk data (0 < α < 1) β = konstanta penghalusan untuk trend (0 < β < 1) γ = konstanta penghalusan untuk musiman (0 < γ < 1) St = nilai pemulusan awal
bt = konstanta pemulusan
I = faktor penyesuaian musiman L = panjang musim
Ft+m = ramalan untuk m periode kedepan dari t.
Tingkat ketepatan peramalan suatu metode dipandang sebagai tolak ukur seberapa jauh metode peramalan itu mampu memprediksi keakuratan data yang telah diolahnya dengan baik. Dengan demikian perlu dilakukan evaluasi kesesuaian metode peramalan terhadap suatu kumpulan data yang diberikan. evaluasi dalam akurasi metode ini dapat diukur melalui penghitungan berikut ini [10].
Y merupakan data aktual untuk periode t
t
Y merupakan ramalan untuk periode t
2. Nilai tengah kesalahan mutlak (Mean Absolute Deviation) dari seluruh peramalan.
(10)
3. Nilai tengah kesalahan kuadrat (Mean Squared Error)
(11)
4. Nilai tengah kesalahan persentase (Mean Percentage Error)
11
5. Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage Error)
(13)
3.
Perancangan SistemDalam sistem ini, hanya ada satu pengguna yakni, user. Untuk masuk ke dalam sistem, user tida perlu login. User di sini adalah pegawai penyuluh lapangan, atau pegawai Dinas Pertanian Perkebunan dan Kehutanan Kabupaten Boyolali. Didalam proses perhitungan menggunakan metode Holt-Winters dengan pengukuran tingkat akurasi menggunakan metode MASE (Mean Absolute Scaled
Error) user tinggal memilih bulan dan tahun sistem akan secara otomatis
menampilkan hasil perhitungan dan grafik. Dalam mengimplementasikan sistem ini, diperlukan beberapa persiapan yg harus dilakukan. Secara teknis, pada tahap ini yg harus disiapkan adalah bagaimana mengimplementasikan algoritma dan metode kedalam sistem dan bagaimana desain physical dari sistem yg akan diimplementasikan. Pada Gambar 2 adalah rancangan diagram alir sistem Tahapan penelitian.
Sistem mengambil data curah hujan berdasarkan data yang dipilih
Prediksi CH (Holt Winters)
Hasil prediksi CH
Menghitung Ketepatan Peramalan
12
Tahapan penelitian pada gambar 2, terbagi dalam sembilan tahapan yaitu :
1) Pemilihan data curah hujan yang dilakukan user, merupakan langkah awal pemilihan data di dalam database pada tahun 2001 - 2013.
2) Sistem akan memilih data curah hujan berdasarkan tahun dan bulan serta kecamatan yang dipilih oleh user.
3) Sistem akan menampilkan data yang telah dipilih dan diambil apakah sesuai dengan data yang dipilih oleh user apabila terjadi kekeliruan maka proses akan kembali menuju proses pemilihan data kembali apabila telah sesuai akan diteruskan ke tahap berikutnya.
4) Apabila data yang diambil benar maka sistem akan memproses perhitungan peramalan curah hujan menggunakan metode Holt-Winters.
5) Sistem akan menampilkan hasil peramalan yang telah dilakukan.
6) Pada tahap ini sistem akan menghitung nilai ketepatan peramalan atau tingkat error peramalan dengan menggunakan metode SSE (Sum Squared Error) dan MASE (mean absolute scaled error).
7) Pada tahapan ini sistem akan menampilkan hasil dari perhitungan Error apabila terjadi error yang sangat besar maka sistem akan menghitung lagi proses peramalan dan perhitungan error sedangkan apabila telah sesuai maka akan diteruskan ke proses selanjutnya .
8) Pada tahap ini proses yang terjadi yaitu sistem menampilkan tanaman yang sesuai dengan curah hujan yang terjadi pada bulan yang dipilih.
9) Pada tahapan yang terakhir yaitu sistem akan menampilkan hasil perhitungan permalan, grafik dan peta curah hujan dan pola cocok tanam, yang mengacu pada klasifikasi kesesuaian lahan pertanian [11].
13
Mulai
yt = (b1 +b2t) St + εt
St = α(Xt − I1−L) + (1 − a)(St−1 + bt−1)
Ft+m = St + btm + It−L+m
It = γ(Xt − St) + (1 − γ)It−L bt = β(St−1 − St) + (1 − β)bt−1
Hasil Perhitungan Dasar
Hasil Pemulusan Keseluruhan
Hasil Pemulusan Trend
Hasil Pemulusan Musiman
Hasil Peramalan
EoF ? A
A
Selesai MASE terkecil Nilai MASE ?
T Y
Y
T Data Curah
Hujan
Gambar 3 Diagram Alir Proses Peramalan dan Ketepatan Peramalan
Desain sistem peramalan produksi tanaman pangan ini dilakukan menggunakan sebuah bahasa pemodelan sistem, yaitu UML (Unified Modeling
Language). UML (Unified Modeling Language) adalah sebuah bahasa yang
14
dan pendokumentasian dari sebuah sistem pengembangan sistem yang bersifat object oriented. Pemakaian UML dalam merancang sebuah sistem dilakukan dengan pembuatan berbagai diagram yang menggambarkan proses operasi dan entitas aplikasi yang saling terkait. Diagram tersebut antara lain use case diagram,
activity diagram, sequence diagram [12]. Pseudocode Peramalan dapat dilihat
pada tabel dibawah ini.
Kode Program 1. Kode Pseudocode peramalan
Use case diagram memberi visualisasi apa yang terjadi dalam sistem secara
fungsionalitas, visualisasi antara user dengan sistem. Dalam use case diagram
ditonjolkan secara khusus apa saja yang dikerjakan oleh sistem. Dalam penelitian ini digunakan satu buah use case diagram, dikarenakan sistem ini hanya memiliki fungsi umum yaitu untuk mengolah data. Use case diagram keseluruhan sistem dapat dilihat pada Gambar
Gambar 4 Use Case Diagram keseluruhan sistem
Berdasarkan Gambar 4 dapat dilihat bahwa hal yang dapat dilakukan oleh PPL
adalah:
1. Mulai
2. Select Kecamatan
3. Read Kecamatan,Curah Hujan dari Database
4. If True Lanjutkan ke Proses perhitungan Holt-Winters If Else kembali ke pilih kecamatan
5. Output Hasil perhitungan prediksi 6. Hitung Ketepatan peramlan
7. Output hasil ketepatan pelamaran 8. Mengelompokkan curah hujan
if 175 - 500mm padi if 165 - 400mm Jagung if 200 - 400mm Ketela If Else BERA
15
Melihat hasil Forecasting pola tanam
Input Data dan Melakukan Olah data
Melakukan Manage atau mengolah Data Curah Hujan dan data Tanaman pangan.
Dalam sistem peramalan produksi tanaman pangan ini digunakan beberapa
activity diagram untuk menjelaskan beberapa aktivitas utama yang merupakan inti
dari sistem.
Gambar 5 Activity Diagram Forecasting
Pada Activity Diagram Forecasting yang ditunjukkan Gambar 5 menjelaskan bahwa proses forecasting atau peramalan pola tanam dapat dilakukan oleh setiap
user.
Gambar 6 Sequence Diagram Forecasting
16
mengambil data dari database. Setelah sistem mendapatkan data dari database, kemudian sistem akan mengolah data dan menampilkan report sehingga user
dapat melihat secara langsung report yang dihasilkan oleh sistem.
4.
Hasil dan PembahasanPada bagian ini berisi dengan pembahasan dan analisis hasil penerapan
forecasting menggunakan metode Holt-Winters pada data curah hujan Kabupaten
Boyolali, serta pengaruh curah hujan terhadap pola cocok tanam pertanian menggunakan data tahun 2001 sampai dengan tahun 2013 dengan tahun peramalan 2014 dari bulan Januari sampai dengan Desember. Data curah hujan terdapat data yang bernilai 0, hal itu bukanlah tidak adanya curah hujan tetapi terjadinya kelalaian pengisian data (human missing) karena tidak adanya pengukuran curah hujan di lapangan.
Data yang digunakan adalah data yang berasal dari 19 Kecamatan di Kabupaten Boyolali dengan sumber data Dinas Pertanian dan Perkebunan yang memiliki 19 Unit Pelayanan Terpadu (UPTD) di tiap kecamatan. Data jadi curah hujan di 19 Kecamatan Boyolali setelah dilakukan pengolahan dan penataan dapat dilihat pada gambar 7 diambil sampel Kecamatan Ampel.
Gambar 7 Data Curah Hujan Kec. Ampel setelah diolah
Data tersebut diolah menggunakan fungi yang dapat dilihat pada kode program 1.
Kode Program 2. pengurutan dan pengolahan data curah hujan
Kode tersebut mengurutkan data secara otomatis mulai dengan tahun 2001 bulan Januari sampai dengan Desember 2013.
Data curah hujan Kec. Ampel tahun 2001 - 2013 digambarkan dengan grafik dapat dilihat pada gambar 8.
17
Gambar 8 Grafik Curah Hujan Kec. Ampel tahun 2001 - 2013
Untuk mendaptakan hasil peramalan tahun 2014 dari ketersediaan data curah hujan tahun 2001 sampa dengan tahun 2013, maka dilakukan peramalan untuk tahun 2014 sampai dengan tahun 2015 dari bulan januari sampai dengan Desember. Ditampilkan pada gambar 9.
Gambar 9 Grafik data asli dan peramalan menggunakan 2 metode berbeda
18
Gambar 10. Tingkat Error perhitungan metode Additive
Hasil tersebut didapatkan menggunakan fungi yang dapat dilihat pada kode program 2 .
Kode Program 3. Kode program pengukuran tingkat keakuratan
Kode fit1 adalah kode program class pemanggilan data curah hujan dengan peramalan menggunakan metode additive, Sedangkan kode accuracy digunakan untuk mendapatkan nilai error peramalan tersebut. Adapun hasil perumusan peramlan menggunakan kode program 3.
Kode Program 4. Kode program peramalan dengan menggunakan multiplicative
Pada kode program 3 dilakukan untuk melakukan prediksi dengan metode
multiplicative dengan periode minimal 2 periode, jika tidak akan tidak bisa
dilakukan perhitungan, adapun dalam perhitungan tersebut akan mencari nilai perhitungan yang paling halus menggunakan kode program diatas. Untuk garis hijau adalah pengukuran peramalan menggunakan metode Holt-Winters
Multiplicative dengan tingkat error yang ditampilkan pada gambar 11.
function (x, alpha = NULL, beta = NULL, gamma = NULL, seasonal = c("additive",
"multiplicative"), start.periods = 2, l.start = NULL, b.start = NULL,
s.start = NULL, optim.start = c(alpha = 0.2, beta = 0, gamma = 0.1), optim.control = list())
{
x <- as.ts(x)
seasonal <- match.arg(seasonal) f <- frequency(x)
if (!is.null(alpha) && (alpha == 0))
stop("cannot fit models without level ('alpha' must not be 0 or FALSE)")
19
Gambar 11. Tingkat Error perhitungan metode Multiplicative
Hasil tersebut didapatkan menggunakan fungsi yang dapat dilihat pada kode program 4 .
Kode Program 5. Kode Program tingkat keakuratan metode Multiplicative
Kode ampel.hw2 adalah kode program class pemanggilan data curah hujan dengan peramalan menggunakan metode additive adapun dengan perhitungan manual Ft+m = St + btm + It−L+m. Sedangkan kode accuracy digunakan untuk mendapatkan nilai error peramalan tersebut.
dengan rumus manual
Sehingga diperoleh data peramalan curah hujan yang ditampilkan pada gambar 12.
Gambar 12. Data Hasil Peramalan
Perbandingan antara data ramalan dengan data asli yang diperoleh dari stasiun pemantau hujan milik Dinas Ketahanan pangan dan tingkat prosentase keakuratan dapat dilihat pada tabel 1.
ampel.hw2 <- forecast.HoltWinters(ampel.hw,h=4*12)
20
Tabel 1 Perbandingan data ramalan dengan data asli
Hasil peramalan klimatologi menggunakan metode Holt-Winters Addictive
pada tahun 2014 kemudian di analisa dan disusun secara manual sehingga mendapatkan pola tanam baru yang sesuai dengan standar kesetaraan curah hujan sehingga bisa terbentuknya kalender pola tanam baru. Standar kalender tanam sendiri disesuaikan berdasarkan klasifikasi kesesuaian lahan [13]. Beberapa tipe klasifikasi tanah yang sesuai untuk pertanian, diklasifikasikan kedalam setiap komoditas pertanian. Struktur klasifikasi kesesuaian lahan sebagai standar kalender tanam ditampilkan pada tabel 2.
Tabel 2 Kesetaraan iklim [12]
21
Tabel 3 Tabel kalender tanam di daerah Kabupaten Boyolali pada tahun 2014
Bulan Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
Padi TANAM BERA TANAM
Jagung BERA TANAM BERA TANAM
Ketela BERA TANAM BERA TANAM
Hasil dari peramalan curah hujan menggunakan metode Holt-Winters ditampilkan pada gambar 13.
Gambar 13 Peta Curah Hujan di Kabupaten Boyolali
Pada gambar 13 menunjukkan intensitas curah hujan di daerah Kabupaten Boyolali yang disajikan menggunakan data tiap kecamatan yang berasal dari hasil peramalan curah hujan tahun 2014 yang ditampilkan menggunakan ArvView,
22
diharapkan Petugas Penyuluh Lapangan dan juga para petani modern lebih mudah didalam melihat kalender pola tanam. Gambar peta ditampilkan pada gambar 14.
Gambar 14 Peta Pola Tanam tahun 2014 di Kabupaten Boyolali
Gambar 14 adalah peta pola tanam baru tahun 2014 hasil tersebut didapatkan dari perbandingan data curah hujan dengan data kesesuaian lahan sehingga diperolehlah peta pola tanam baru tersebut. Daerah sawah menggambarkan daerah Kecamatan yang memiliki lahan sawah, komoditas padi adalah dimana daerah tersebut memiliki curah hujan 175 mm sampai dengan 500 mm, komoditas ketela dimana daerah tersebut cocok ditanami ketela dengan intensitas hujan 200 mm - 400 mm dan komoditas jagung dimana daerah tersebut cocok ditanami ketela dengan intensitas hujan 165 mm - 400 mm.
5.
Simpulan23
berkurangnya kegagalan panen. Sebagai saran pengembang pada penelitian mendatang diharapkan dapat dikembangkanya program ini kedalam platform
Android sehingga para Petugas Penyuluh lapangan dan petani moderen lebih mudah didalam pemanfaatan program ini.
.
Dinamis Pola Tanam Berbasis Metode Learning Vector Quantization,
Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana, Salatiga. [3] Simanjuntak, Bistok H., Yulianto, Sri., & Hartomo, Kristoko D., 2010,
Laporan Hibah Bersaing Pranatamangsa,
http://bp3m.uksw.edu/uploads/documents/Laporan_HB_Pranatamangsa.pdf [4] http://birohukum.pu.go.id/uploads/DPU/2015/Lamp1-PermenPUPR11
2015.pdf
[5] Effendy, Sobri, 2001, Urgensi Prediksi Cuaca dan Iklim di Bursa
Komoditas Unggulan Pertanian, Program Pasca Sarjana/S-3,
InstitutPertanian Bogor, Bogor.
[6] https://id.wikipedia.org/wiki/Kabupaten_Boyolali.
[7] Hasanah, Lilik, 2010, Pemodelan Sistem,upi.edu/Direktori/FPMIPA/ JUR._PEND._FISIKA/197706162001122LILIK_HASANAH/Pemodelan_S
istem_%255B Compatibilit Mode%255D.pdf
[8] Wisnu, Arista I, 2012 Perencanaan Kalender Tanam Berdasarkan Modifikasi Pranata Mangsa dan Klimatologi Menggunakan Metode Prediksi Exponential Smoothing.
[9] Makridakis, Spyros.1993. Metode dan Aplikasi Peramalan. Jakarta:Erlangga [10] Arsyad, Lincolin, 2001, Peramalan Bisnis, Edisi Pertama, Yogyakarta
:BPFE-Yogyakarta.
[11] Djaenudin, D., Marwan H., Subagyo H., dan A. Hidayat. 2003. Petunjuk
Teknis untuk Komoditas Pertanian.Edisi Pertama tahun 2003,
ISBN979-9474-25-6. Balai Penelitian Tanah, Pusat Penelitian dan Pengembangan Tanah dan Agroklimat, Bogor, Indonesia.
[12] Dhawiyanti, Sri, 2003, Pengantar Unified Modeling Language (UML),http://bos.fkip.uns.ac.id/pub/bebas/v15/umum/yanti/yantiuml.doc. [13] Djaenudin, D., Marwan H., Subagyo H., dan A. Hidayat. 2003. Petunjuk
Teknis untuk Komoditas Pertanian.Edisi Pertama tahun 2003,
