Bidang Kajian: Matematika Terapan
ANALISIS HASIL PANEN PADI MENGGUNAKAN
PEMODELAN KUADRATIK
Vina Puspita Dewi 1), Hanna Arini Parhusip 2), Lilik Linawati 3) 1)
Mahasiswa Program Studi Matematika FSM UKSW
2), 3)
Dosen Program Studi Matematika FSM UKSW
Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711
E-mail: puspitadewi_vina@yahoo.com1), hannaariniparhusip@yahoo.co.id2), lina.utomo@yahoo.com3)
Abstrak
Salah satu penentu keberhasilan panen padi selain cara budidaya padi yang baik adalah waktu tanam. Dalam waktu satu tahun dapat dilakukan penanaman padi tiga kali atau ada tiga periode tanam. Berdasarkan data Luas Tanam Akhir (LTA), Luas Panen (LP), dan Hasil per Hektar gabah (HH) dalam kurun waktu tertentu akan dianalisis menggunakan Pemrograman Kuadratik (Quadratic Programing) untuk menentukan periode penanaman yang memberikan hasil maksimum. Dalam penerapan Pemrograman Kuadratik ini parameter-parameter fungsi tujuan ditentukan dengan menggunakan Metode Kuadrat Terkecil (Least Square Method). Berdasarkan Teorema Karush Kuhn Tucker (KKT) disusun persamaan
Lagrange. Untuk penyelesaiannya menggunakan MATLAB. Hasil analisi menunjukkan bahwa periode tanam yang optimal yaitu periode tanam III (September-Desember) dengan hasil panen yang diperoleh 60,4 ton gabah per hektar sawah.
Kata Kunci: Least Square Method, Quadratic Programing, Lagrange, dan padi.
A. Pendahuluan
Lahan persawahan untuk tanaman padi dari tahun ketahun semakin berkurang, karena
adanya peningkatan pembangunan pemukiman penduduk maupun tempat-tempat umum. Di
kota Surakarta penanaman padi setiap tahunnya ada tiga kali yaitu, periode I dimulai dari
Januari – April, periode II Mei – Agustus, dan periode III September – Desember.
Berdasarkan data dari Badan Pusat Statistik (BPS) kota Surakarta ternyata hasil panen padi
yang diperoleh dari tahun ketahun tidak selalu sama. Penentu keberhasilan panen padi selain
cara budidaya padi yang baik adalah waktu tanamnya. Hal inilah yang mendorong peneliti
untuk mengetahui periode tanam yang optimal (maksimal), sehingga dengan diketahuinya
periode tanam yang optimal diharapkan pemerintah atau pihak-pihak terkait lebih
memperhatikan periode tersebut untuk melakukan sosialisasi cara budidaya padi yang baik.
Untuk periode-periode lainnya, pemerintah Surakarta diharapkan mengetahui permasalahan
yang dialami petani sehingga dapat menyelesaikan permasalahan tersebut agar semua periode
Dari data BPS kota Surakarta hasil per hektar (HH) dipengaruhi oleh Luas Tanam
Akhir (LTA) dan Luas Panen (LP). Menurut Web 2 Luas Tanam Akhir merupakan luas
tanaman yang ada pada saat pencatatan data tidak termasuk tanaman bibit yang digunakan.
Luas Panen merupakan luas tanaman yang dipungut hasilnya setelah tanaman tersebut cukup
umur termasuk tanaman padi yang gagal panen. Sedangkan Hasil per Hektar (HH) adalah
hasil gabah basah yang diperoleh pada saat panen untuk satu hektar sawah.
Pemrograman non linear khususnya pemrograman kuadratik merupakan masalah
optimasi yang fungsi tujuannya melibatkan fungsi kuadrat dan mempunyai kendala berupa
pertidaksamaan linear maupun non linear (web 1). Pada penelitian ini pemrograman
kuadratik digunakan untuk menentukan periode tanam yang baik, karena fungsi kuadratik
merupakan fungsi cekung sehingga dijamin bahwa sebarang maksimum lokal pada daerah
konveks layak akan merupakan suatu maksimum global dalam daerah tersebut (Perresini, dkk
1998).
Telah banyak penelitian tentang optimasi non linear yang penyelesaiannya
menggunakan pemrograman kuadratik. Loqman, dkk (2013) menggunakan pemrograman
kuadratik untuk penjadwalan pekerja pada suatu perusahaan. Gharibi (2012) mengangkat
masalah pemrograman kuadratik yang di aplikasikan dalam ilmu komputer dan komunikasi
kemudian diselesaikan dengan linearisasi 0-1. Selain itu ada juga penelitian oleh Bhowmik,
dkk (2000) masalah pemrograman integer diubah ke pemrograman kuadratik dan diselesaikan
dengan teknik heuristik.
Tujuan dari penelitian ini adalah untuk mengetahui periode tanam yang paling baik
berdasarkan hasil panen yang maksimal. Data yang digunakan adalah data padi sawah pada
tahun 1992-2012 yang diperoleh dari Badan Pusat Statistik (BPS) Surakarta. Ada 3 kali
Periode tanam dalam satu tahun sehingga setiap periode akan dibuat satu fungsi tujuan.
Pengolahan data menggunakan MATLAB 7.0.
B. Dasar Teori
1. Pemrograman Kuadratik
Menurut Peressini, dkk (1998) optimasi program kuadratik merupakan masalah konveks
(fungsi tujuan merupakan fungsi konveks), sehingga penyusunan fungsi tujuannya analog
dengan penyusunan fungsi tujuan untuk masalah konveks. Bentuk umum dari masalah
pemrograman kuadratik:
Minimalkan = + . +1
dengan kendala (� ) , i = 1,2,..,k (2)
(� ) = , i=k+1,...,m (3)
0 (4)
Q= matriks koefisien fungsi tujuan
= vektor koefisien fungsi tujuan
= konstanta pada fungsi tujuan
= vektor variabel keputusan
A = matiks koefisien fungsi kendala
= vektor nilai sebelah kanan pada kendala
Untuk menyelesaikan pemrograman kuadratik, maka perlu menyusun fungsi tujuan dalam
hal ini fungsi tujuan kuadratik. Perlu diperkenalkan variabel yang digunakan yaitu
i
Menurut Perresini,dkk(1998) diasumsikan bahwa setiap data (Si,xi,yi)memenuhi
(Si,xi,yi)
Untuk menentukan parameter persamaan (5) dengan metode kuadrat terkecil, perlu
meminimalkan fungsi residu yaitu
= min ( , − ,� )2 = min ( , − ( , )2 (6)
R minimal dapat terjadi jika dipenuhi R0 dan masing-masing derivatif parsialnya ada.
�
Meminimalkan R sama artinya dengan menyelesaikan sistem persamaan linear
w v A a
dimana
�=
242 2 24 3 3
3 3 2 2
3 2 2
2 3 2
2 2
3 2 2
2 3 2
2 2
2
2
�
(8a)
w
=
xiSi
yiSi
xiyiSi
xiSi
yiSi
Si
T2 2
(8b)
Ta
v 1 2 3 4 5 6 (8c)
Menurut Perresini, dkk (1998) menyelesaikan sistem persamaan linear pada
persamaan (8) terdapat banyak cara, diantaranya Dekomposisi LU dan Iterasi Gauss Seidel.
Kedua metode tersebut kemungkinan mempunyai banyak penyelesaian dari sistem persamaan
tersebut. Solusi va dari persamaan (8) diperoleh dengan
� = (�)−1 (9)
Untuk membuktikan vaada dan terbaik ada 4 cara, yaitu:
1. Matriks A pada persamaan (8) dikatakan invertible jika determinan dari matriks A
tersebut ≠ 0. A invertibel artinya penyelesaian dari matriks A tunggal (Peressini, dkk 1998).
2. Error/residu merupakan jarak/beda antara data aktual dengan data pendekatan (dari model hasil fungsi tujuan) yaitu
e = � −
. 100%
3. Sebagai aplikasi matriks dan norm vektor, perlu mempertimbangkan perkiraan
kesalahan dengan menghitung invers matriks dan solusi dari persamaan linear. Untuk
menyelesaikan persamaan (9)
= (�)−1
menurut Horn & Johnson (1985) dimana invers matriks A harus terdefinisi. Jika �−1 adalah invers A yang eksak maka secara komputasi ditulis (�+ �)−1, dimana E
matriks error berukuran 6 x 6 yang komponen-komponennya merupakan bilangan yang cukup kecil sehingga A+E invertible. Kemudian errornya adalah
Akan dicari �−1−( +�−1�)−1�−1 maka perlu menyatakan bentuk ( +�−1�)−1
dalam bentuk lain.
Analog dengan deret (1 + )−1akan diperoleh
( +�−1�)−1 = �−1− ∞=0 −1 +1(�−1�) �−1,
= ∞=1 −1 +1(�−1�) �−1, jika � �−1� < 1
Dengan � �−1� adalah spektral radius (nilai eigen) dari matriks �−1�.
Terdapat banyak definisi ||.|| dalam matriks, diantaranya yaitu norm Euclid, norm maksimum, dan norm Frobenius. Dalam kasus ini yang digunakan dalam perhitungan
adalah norm euclid. Contoh menghitung norm Euclid:
Misalkan dipunyai matriks �= 1 2
3 4 , perlu disusun matriks �′ yaitu �′= 1 3 2 4
untuk mencari norm euclid = max (��′) dengan adalah nilai eigen. Nilai eigen dari ��′ adalah 0.1 dan 29.9. Jadi norm euclid dari A adalah 29.9 = 5.47 (web 3). Diasumsikan ||�−1�||<1, batas atas kesalahan relatif dengan menghitung invers adalah
�−1− �+� −1
�−1
�−1�
1− �−1� jika �−
1� < 1. (*)
Ruas kanan dikalikan �
� sehingga
�−1 �
(1− �−1 � )
� � =
�−1 �
� − �−1 �
� � =
�−1 �
( � − �−1 � � )
�
� �
(**)
Didefinisikan
κ � ≡ �−1∞ � jika jika �� singuler nonsinguler (10)
Persamaan (10) disebut conditional number dari invers matriks dengan melihat norm
matriks . . Persamaan (*) dengan (**) menjadi
�−1 �
1− �−1 �
� � =
�−1 �
� − �−1 �
� � =
κ � �
1−κ� � � � .
Jadi error relatif untuk invers matriks pada persamaan (8a) terbatas tergantung dari
nilai κ(�) sehingga κ(�) tidak boleh terlalu besar.
Conditional number matriks pada MATLAB juga menggunakan persamaan (10). Menurut Anderson, dkk (1999) jika conditional number dibawah 67108864
maka nilai i dinyatakan terbaik karena error invers terbatas ke atas. Untuk
4. Sifat titik kritis (minimum) ditunjukkan dengan tipe matriks Hessian (matriks yang
disusun turunan kedua dari fungsi terhadap masing-masing variabel bebas).
=∇ ∇ =∇ −2� + 2� � = 2� � (11)
Menurut Peressini dkk (1998) titik kritis va sebagai peminimum lokal jika nilai eigen
dari mariks Hessiannya bersifat positive semi definite yang artinya nilai eigen ≥ 0.
Dalam proses perhitungan agar nilai data yang digunakan tidak terlalu besar sehingga
dapat membuat A singular, maka data perlu dinormalisasi yaitu dengan membagi data masing-masing kolom dengan maksimumnya
i
teorema Karush Kuhn Tucker (KKT) perlu disusun fungsi Lagrange seperti persamaan (13)
yaitu:
= pengali Lagrange untuk persamaan (2) dan (3)
= pengali Lagrange untuk persamaan (4)
Kondisi KKT pada persamaan (13) dapat digunakan untuk menemukan titik kritis dengan
menyelesaikan sistem persamaan yang diperoleh dari L0. Artinya mencari peminimal x*
dan parameter optimal m R
2. Model Pemrograman Kuadratik untuk Optimasi Hasil Panen Padi
Pemrograman kuadratik diterapkan untuk menentukan periode tanam yang optimal
Dalam hal ini data akan diolah berdasarkan periode tanam yang sama yaitu periode I
(Januari-April), periode II (Mei-Agustus), dan periode III (September-Desember). Untuk
menyusun fungsi tujuan maka perlu diperkenalkan variabel yang digunakan yaitu
ij
x = data Luas Tanam Akhir (LTA) ke- i pada periode tanam ke- j dalam satuan ha.
ij
y = data Luas Panen (LP) ke- i pada periode tanam ke- j dalam satuan ha.
ij
S = data hasil panen padi ke- i pada periode tanam ke- j dalam satuan ton.
i = 1,2,...,n j = 1,2,3
n = banyaknya data
, = �1
1
2�3
1
2�3 �2
+ �4�5 +�6 (15)
Kendala ditunjukkan sebagai berikut
a. Luas Tanam Akhir (LTA) tidak boleh lebih dari Luas Tanam Akhir (LTA) maksimum,
yang ditulis
≤
b. Luas panen (LP) tidak boleh lebih besar dari luas tanam akhir (LTA) ditulis sebagai
C. Metode Penelitian
Langkah-langkah penelitian
1. Pengumpulan Data
Data yang digunakan adalah data sekunder yang diperoleh dari Badan Pusat Statistik
(BPS) kota Surakarta. Data yang dianalisis adalah data LTA, LP, dan HH pada setiap
periode tanam pada tahun 1992-2012. Setiap tahun terdapat tiga periode tanam.
Tabel 1. Data padi sawah dari tahun 1992-2013
No
Tahun
Periode I Periode II Periode III
LTA I
LP
I HH I
LTA II
LP II
HH II
LTA
III LP III
HH III
1 1992 125 91 62,41 112 114 55,44 173 83 55,30
2 1993 153 139 59,35 141 115 54,34 176 103 63,08
3 1994 160 145 63,45 153 107 55,57 133 113 57,07
4 1995 81 126 63,73 81 98 57,14 96 103 64,17
5 1996 141 124 60,40 83 156 54,93 126 101 63,36
7 1998 66 94 62,12 64 105 51,80 106 84 56,90
8 1999 57 104 57,30 49 94 47,12 83 78 64,74
9 2000 99 113 64,42 54 107 58,31 88 81 46,66
10 2001 89 73 53,29 60 89 53,60 101 62 56,77
11 2002 104 113 53,53 65 96 53,02 91 51 52,54
12 2003 75 55 51,82 58 101 51,58 88 42 52,14
13 2004 72 86 52,91 61 83 52,29 65 48 52,29
14 2005 79 73 51,86 42 94 50,58 83 55 52,14
15 2006 86 78 51,34 33 102 43,88 88 56 51,07
16 2007 75 129 50,60 51 79 47,02 84 49 51,33
17 2008 76 102 52,38 51 86 51,09 80 51 52,69
18 2009 102 85 50,43 71 116 50,88 82 87 51,44
19 2010 92 109 50,58 43 111 48,49 76 55 50,94
20 2011 82 59 51,34 10 24 36,89 60 31 69,83
21 2012 36 64 59,26 17,00 72,00 78,04 24 47 83,27
Sumber: Badan Pusat Statisik (BPS) kota Surakarta
Keterangan:
LTA = Luas Tanam Akhir (ha)
LP = Luas Panen (ha)
HH = Hasil per Hektar gabah (ton)
2. Memodelkan fungsi tujuan dan kendala tujuan. Untuk pemodelan fungsi tujuan
mengacu pada persamaan (15). Fungsi tujuan disusun untuk setiap periode tanam,
sehingga akan ada tiga persamaan fungsi tujuannya.
3. Menyelesaikan pemaksimal luas panen tiap periode. Dengan menggunakan fungsi
fsolve pada MATLAB. 4. Menganalisis hasil.
5. Membuat kesimpulan.
D. Hasil dan Pembahasan
1. Parameter optimal untuk fungsi tujuan
Tahap awal untuk mengolah data tersebut adalah dengan membuat fungsi tujuan
untuk tiap-tiap periode tanam. Model kudratik pada persamaan (15) diselesaikan
menggunakan metode kuadrat terkecil untuk mendapatkan va.Tentu saja pada kenyataannya
tidak tepat sama dengan data aktualnya. Dalam hal ini, diasumsikan bahwa data aktual
benar, sedangkan fungsi kuadratik dianggap sebagai hasil pendekatan.
Dengan metode kuadrat terkecil diperoleh nilai va, sehingga fungsi tujuan kuadratik
= 1.179 2−1.263 2 −1.309 −0.325 + 2.640 −0.004 (16)
menghitung Conditional Number A, dan sifat Hf yang ditunjukkan pada Tabel 2.
Periode I Periode II Periode III
Gambar 1. Grafik hasil panen padi menurut data aktual dan hasil pendekatan fungsi kuadratik pada setiap
periode tanam
Tabel 2.Sifat-sifat dari va yang diperoleh
Periode I Periode II Periode III
Determinan Matriks A -0.0029 -0.0014 -0.0047
Error 9.4% 13.8342% 18.5405%
Conditional number 23568 37013 22201
Sifat Hf positive semi definite positive semi definite positive semi definite
Ternyata pada setiap periode tanam determinan matriks A ≠ 0, sehingga sistem
persamaan linearnya mempunyai penyelesaian tunggal. Error dari masing-masing periode tanam 9.4%, 13.8%, dan 18.5% nilai ini cukup besar, namun error bukan satu-satuya ukuran untuk mengetahui va terbaik. Cara lain adalah berdasarkan conditional number seperti pada
Tabel 2 dimana nilai Conditional number < 67108864 atau dibawah batas maksimumnya.
Untuk periode tanam I diperoleh nilai eigen = [0; 0; 0.4; 1.6; 240.4; 4386.4], untuk
periode tanam II nilai eigen = [0; 0; 0; 0.0047; 0.1884; 2.2710], periode tanam III nilai eigen
= [0; 0; 0; 0.0005; 0.0013; 0.1970; 3.0796] yang artinya sifat untuk masing-masing
periode tanam adalah positive semi definite sehingga parameter yang diperoleh dapat dinyatakan sebagai yang terbaik karena meminimumkan R. Jadi sekalipun error fungsi mencapai 18.5% maka parameter yang diperoleh tetap dijamin terbaik.
2. Memaksimalkan Fungsi Tujuan
Setelah disusun fungsi tujuan seperti persamaan (16-18) kemudian disusun fungsi
Lagrange berdasarkan persamaan (13) untuk mancari nilai kritis fungsi tujuan yaitu
� , , = (1.179 2 −1.263 2 −1.309 −0.325 + 2.640 −0.004 +
1 −1 + 2 − − 1 − 2 ) (19)
� , , = (−0.315−4.614 2+ 5.876 −3.739 + 4.125 −0.008 +
1 −1 + 2 − − 1 − 2 ) (20)
� , , = (1.067 2−1.012 2 −1.684 −0.319 + 2.510 −0.012 +
1 −1 + 2 − − 1 − 2 ) (21)
Setiap fungsi tujuan pada persamaan (19-21) diselesaikan menggunakan aplikasi
MATLAB dengan fungsi fsolve dan hasilnya ditampilkan pada Tabel 3. [x,fval] = fsolve(fun,x0,options)
Input: fun = fungsi tujuan yang akan diminimumkan
x0 = nilai awal
options = untuk menampilkan banyaknya iterasi
Output: x = keluaran hasil yang dicari
fval = nilai x yang disubstitusikan ke fungsi tujuan
Tabel 3.Penyelesaian optimal berdasarkan pemrograman kuadratik
untuk ketiga periode tanam.
Periode I Periode II Periode III
x* 0.8309 0.3575 0.6846
y* 0.8309 0.6746 0.6740
S* 0.9581 0.7174 0.7255
1 0 0 0
2 0.5467 0 0.007
1 0 0 0
Dapat disimpulkan bahwa ∗ merupakan pemaksimal menurut persamaan (14). Untuk masing-masing fungsi tujuan diperoleh nilai eigen [-3.3; -0.9; 0; 0; 0.4; 3.6], [-12.4; -0.6; 0;
0; 0.2; 3], dan [-3.1; -0.9; 0; 0.4; 3.6]. Nilai eigen matriks Hessian ada yang positif, padahal
agar ∗pemaksimal nilai eigen harus bernilai negatif atau 0. Jadi ∗belum optimal, tetapi untuk saat ini hasil tersebut merupakan hasil terbaik yang diperoleh. Selanjutnya nilai data
optimal pendekatan dinyatakan dalam bentuk data berdimensi yang ditunjukkan pada Tabel
4.
Tabel 4.Penyelesaian optimal untuk ketiga periode tanam dalam bentuk data berdimensi
Periode I Periode II Periode III
Luas Tanam Akhir (ha) 132.9505 54.6966 120.4908
Luas Panen (ha) 120.4864 105.2448 76.1586
Hasil gabah (ton) 61.7237 55.8306 60.4087
Rasio = LP/H 1.95 1.71 1.23
Memperhatikan rasio pada Tabel 4, dapat dijelaskan bahwa hasil panen optimal menurut
pehitungan adalah pada periode I, tetapi hasil panen pada periode III hampir sama dengan
hasil panen periode I. Luas panen pada periode I lebih luas dari periode III tetapi
menghasilkan gabah yang lebih sedikit jika dibandingkan dengan periode tanam III. Kondisi
ini dapat terjadi dikarenakan beberapa alasan antara lain karena luas tanaman yang dipanen
merupakan semua luasan tanaman padi tanpa memperhatikan luasan yang gagal panen (web
2). Selain alasan tersebut pada periode I waktu panen berkisar pada bulan April dimana mulai
terjadi musim kemarau, sehingga kemungkinan tanaman padi banyak yang terserang hama
(tikus). Berdasarkan pemaparan diatas dan ternyata periode III mempunyai rasio paling kecil,
maka bisa disimpulkan bahwa periode III merupakan periode tanam yang optimal.
E. Penutup
Pada makalah ini telah dibahas mengenai pengoptimalan panen padi setiap periode
tanam dengan menggunakan pemrograman kuadratik. Kesimpulan berdasarkan pemaparan
sebelumnya diperoleh bahwa periode tanam yang optimal dengan memperhatikan rasio
adalah periode III. Untuk periode tanam I sudah optimal akan tetapi kemungkinan banyak
tanaman yang rusak (dilihat dari LP yang kecil) sehingga hasil padi yang diperoleh sedikit.
Pada periode II, karena periode ini berada dalam musim kemarau maka dapat disarankan
untuk mengoptimalkan irigasi agar kebutuhan air tercukupi agar meningkatkan hasil panen.
yang optimal. Kemungkinan kendala-kendala dalam pengoptimalan hasil panen masih cukup
banyak. Untuk itu perlu campur tangan pemerintah maupun pihak-pihak terkait agar hasil
panen setiap periode menghasilkan gabah yang optimal. Hasil penelitian ini dapat digunakan
sebagai dasar untuk kajian selanjutnya, yaitu dengan mencari penyebab mengapa pada
periode II LTA lebih kecil dari LP misalnya dengan memperbaiki metode pendataan.
DAFTAR PUSTAKA
Anderson E, Z Bai, C Bischof, S Blackford, J Demmel, J Dongarra, J Du Croz, A
Greenbaum, S Hammarling, A McKenney & D Sorensen.1999. LAPACK User's
Guide Third Edition, SIAM, Philadelphia.
(http://www.netlib.org/lapack/lug/lapack_lug.html)
Bhowmik S, Goswami SK, & Bhattacherjee PK. 2000. Distribution System Planning
Through Combined Heuristic and Quadratic Programing Approach. Electric Machines and Power Systems, 28:87–103.
Gharibi W & XIA Y. 2012. A Tight Linearization Strategy for Zero-One Quadratic
Programming Problems. IJCSI International Journal of Computer Science Issues,
Vol. 9, Issue 3, No 1.
Horn RA & Johnson CA. 1985. Matrix Analysis.USA: Cambrig University Press.
Loqman C, Ettaouil M, Hami Y & Haddouch K. 2013. Quadratic Reformulations For Solving
Days-Off Scheduling Problem. Jurnal of Theoritical and Applied Information Technology, 10th March 2013. Vol. 49 No.1, 1992-8645.
Peressini AL, Sullivan FE & Uhl J. 1998. The Mathematics of Nonlinear Programing,
Springer Verlag, New York,Inc.
Web 1: http://emi012.wordpress.com. Diakses 18 Juli 2013 jam 13.03 WIB
Web2:
http://lontar.ui.ac.id/file?file-digital/131370-1%2027641-Evaluasi%20atas%20kebijakan-Metodologi.pdf. Diakses 23 Juli 2013 jam 19.32 WIB