1.

Pendahuluan

Pembangunan pertanian mempunyai peranan yang strategis terutama dalam

penyediaan pangan, penyediaan bahan baku industri, serta peningkatan ekspor dan
devisa negara, penyediaan kesempatan bekerja dan kesempatan berusaha,
peningkatan pendapatan petani yang pada akhirnya untuk menciptakan
kesejahteraan bagi masyarakat. Dengan ketersediaan data pertanian yang
berlimpah khususnya data curah hujan dapat dimanfaatkan oleh Departemen
Pertanian Indonesia untuk memberikan penyuluhan pertanian guna meningkatkan
pendapatan petani dan mengurangi peluang terjadinya kegagalan panen, namun
hal tersebut belum dimanfaatkan secara maksimal, disebabkan kurangnya
pengolahan data curah hujan yang tersedia.
Iklim (climate) adalah sintesis atau bentukan dari unsur-unsur cuaca hari
demi hari dalam jangka panjang (jam demi jam, hari demi hari, bulan demi bulan,
dan tahun demi tahun) yang terjadi pada suatu daerah yang luas. Batasan secara
klasik menyatakan bahwa iklim adalah keadaan rata-rata cuaca pada suatu periode
yang cukup lama dan daerah yang luas.[1]
Peramalan merupakan studi terhadap data historis untuk menemukan
hubungan dan pola yang sistematis. Secara umum peramalan terdiri atas dua jenis,
yakni peramalan kualitatif dan kuantitatif. Peramalan kualitatif tidak menuntut
data seperti yang diperlukan pada peramalan kuantitatif. Peramalan kualitatif
digunakan apabila informasi data kuantitatif sangat sedikit atau tidak tersedia.[2]
Dengan berkembangnya teknologi sekarang ini, pemanfaatan data curah
hujan tahunan secara sederhana dapat dimanfaatkan dengan meramalkan curah
hujan yang akan datang dan untuk membuat gambaran mengenai bagaimana curah
hujan terdistribusikan pada suatu wilayah, salah satunya dengan menggunakan
Map Server yang dapat menggambarkan pemetaan distribusi pola hujan.
Gambaran dari distribusi tersebut dapat dilakukan dengan beberapa metode, salah
satunya dengan menggunakan metode modifikasi Thiessen Polygon dan Isohyetal
untuk memetakan distribusi hujan.
Tujuan dan manfaat penelitian ini, diharapkan peramalan dan
pengidentifikasian hujan pada suatu daerah tertentu dapat diperoleh secara cepat
dan membantu dinas-dinas terkait dalam penyampaian informasi distribusi hujan
tahunan, serta dilakukan pemetaan untuk dapat mempermudah pemahaman
informasi. Dengan bantuan kemudahan bahasa pemrograman R ditambah dengan
bahasa Hypertext Preprocessor (PHP) dapat dibangun sebuah aplikasi untuk
penyedia layanan informasi, peramalan dan pemetaan.

2. Kajian Pustaka

Penelitian berjudul “Aplikasi Metode Pemulusan Eksponensial Ganda

Dari Brown Untuk Peramalan Produksi Kelapa Sawit Pada PT. Perkebunan
Nusantara III Tahun 2010 dan 2011” yang dilakukan oleh Edyan Syahputra Lubis
menjelaskan bahwa sistem informasi geografis dapat membantu dalam
memberikan informasi berbentuk visual.[3]

2
 Penelitian berjudul “Forecasting Tourism Demand in Croatia : A
Comparison of Different Extrapolative Methods” yang dilakukan oleh Tea
Baldigara menjelaskan bahwa metode double moving average merupakan metode
terbaik untuk peramalan dikarenakan kecilnya nilai dari nilai tengah persentase
galat absolut.[4]
Perbedaan penelitian yang dilakukan ini dari penelitian yang dilakukan
oleh Lubis adalah pada penelitian yang dilakukan akan meramalkan dan
memetakan distribusi hujan pada suatu daerah tertentu dengan menggunakan pola
Isohyet dan pola Thiessen Polygon, pada penelitian ini aplikasi dibuat dalam
bentuk web sehingga mudah untuk diakses dan terkomputerisasi. Sedangkan
perbedaan penelitian ini daripada penelitian yang dilakukan Baldigara adalah pada
penelitian ini tidak hanya melakukan peramalan saja namun juga akan memetakan
satu atau banyak variabel pada suatu daerah tertentu khususnya dalam identifikasi
distribusi hujan aktual dan distribusi hujan ramalan pada suatu daerah tertentu.
Dari beberapa artikel dan penelitian ilmiah tersebut didapatkan sebuah
gagasan untuk membangun sebuah aplikasi penyampaian informasi peramalan
hujan tahunan dengan tidak hanya menggunakan perhitungan saja namun juga
memasukan hasil perhitungan ramalan dalam bentuk pola peta Isohyet dan
Thiessen Polygon, grafik dan tabel.

Runtun Waktu
Runtun waktu adalah serangkaian pengamatan terhadap suatu peristiwa,
kejadian, gejala atau variabel yang diambil dari waktu ke waktu, dicatat secara
teliti menurut urutan-urutan waktu terjadinya dan kemudian disusun sebagai data.
Adapun waktu yang digunakan dapat berupa mingguan, bulan, tahun, dan
sebagainya.[5]
Makridakis (1999) mengungkapkan bahwa langkah penting dalam
memilih suatu metode runtun waktu (time series) yang tepat adalah dengan
mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan
pola data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis
Siklis dan Trend seperti digambarkan pada Gambar 1.

Gambar 1 Jenis-jenis pola data (Makridakis, 1999)

3
 a. Pola Horisontal (H) terjadi bilamana nilai data berfluktuasi di sekitar
nilai rata-rata yang konstan (deret seperti itu “stasioner” terhadap nilai
rata-ratanya). Stasioner adalah sebuah deret jika sifatnya bebas dari
waktu periode selama pengamatan.
b. Pola Musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada
minggu tertentu).
c. Pola Siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus
bisnis.
d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan
sekuler jangka panjang dalam data.[6]

Metode Eksponensial Bergerak Ganda Satu Parameter

Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar
pemikiran dari Metode Pemulusan Eksponensial Linier Satu Parameter dari
Brown adalah sama dengan rata-rata bergerak linier karena ke dua nilai
pemulusan tunggal dan ganda dari data sebenarnya. Jika terdapat unsur Trend,
maka perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada
pemulusan ganda dan disesuaikan untuk Trend.[3] Double Exponential Smoothing
umumnya diterapkan untuk data yang membentuk pola kecenderungan (Trend).
Trend didefiniskan sebagai hasil estimasi penghalusan pertumbuhan rata-rata di
setiap periode data.[7] Persamaan yang dipakai dalam penggunaan Pemulusan
Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut :
Persamaan pertama adalah Menentukan nilai Pemulusan Eksponensial
Tunggal. Persamaan yang digunakan adalah

′ = ∝  + (1−∝)
′  ............................................................... (1)
Persamaan kedua adalah Menentukan nilai Pemulusan Eksponensial Ganda.
Persamaan yang digunakan adalah

′′ = ∝
′ + (1−∝)
′′  ............................................................ (2)
Persamaan ketiga adalah Menentukan nilai parameter pemulusan
eksponensial. Persamaan yang digunakan adalah
 =
′ + (
  −
′′ )..................................................................... (3)
Persamaan keempat yaitu Menentukan nilai konstanta pemulusan.
Persamaan yang digunakan adalah
∝
 =  ∝ (
  −
′′ ) ..................................................................... (4)
Persamaan kelima yaitu Menentukan Nilai Peramalan. Persamaan yang
digunakan adalah
 =  +   ............................................................................ (5)

Ketepatan ramalan beberapa kriteria yang digunakan untuk menguji antara

lain yaitu :
Mean Error (ME) atau nilai Tengah Kesalahan. Persamaan yang digunakan
adalah

4
 
 = ∑  .................................................................................. (6)
Mean Square Error (MSE) atau Nilai Tengah Kesalahan Kuadrat.
Persamaan yang digunakan adalah


 = ∑  ................................................................................ (6)
Mean Absolute Error (MAE) atau Nilai Tengah Kesalahan Absolut.
Persamaan yang digunakan adalah
| |
! = ∑  ............................................................................... (7)

Dimana,

′ = nilai pemulusan tunggal (single exponential smoothing value)

′′ = nilai pemulusan ganda (double exponential smoothing value)
∝ = parameter pemulusan eksponensial yang besarnya 0 < ∝ < 1
 ,  = nilai konstanta pemulusan
 = jumlah periode ke muka yang diramalkan
 = hasil peramalan untuk periode ke depan yang diramalkan
$ =   (kesalahan pada periode ke &)
% = banyaknya periode waktu

Metode Isohyet
Isohyet adalah garis yang menghubungkan titik-titik dengan curah hujan
yang sama. Pada metode isohyet, dianggap bahwa hujan pada suatu daerah
diantara dua garis isohyet adalah merata dan sama dengan nilai rerata dari kedua
garis isohyet tersebut.
Metode isohyet merupakan cara paling teliti untuk menghitung ketebalan
hujan rerata di suatu daerah, tetapi cara ini membutuhkan data yang dapat
mendukung disusunnya isohyet, baik dalam hal jumlah stasiun dan kualitas serta
kuantitas data hujan.[8]

Gambar 2 Peta Isohyet (Wangkar, 2008)

Pada Gambar 2 peta isohyet digambar berdasarkan skala peta yang

disesuaikan dengan interval curah hujan yang diinginkan. Interval curah hujan
yang dipakai dalam pembuatan peta isohyet
isohyet disesuaikan dengan kebutuhan
gambar atau sesuai dengan data. Manfaat pembuatan peta isohyet adalah untuk

5
melihat tinggi curah hujan pada daerah yang terdapat dalam peta isohyet. Interval
yang selalu digunakan untuk pembuatan peta isohyet berkisar antara 10 –
50mm.[9]

Metode Thiessen Polygon

Metode Thiessen Polygon memperhitungkan bobot dari masing-masing
stasiun yang mewakili luasan di sekitarnya. Pada suatu luasan di dalam DAS
dianggap bahwa hujan adalah sama dengan yang terjadi pada stasiun terdekat,
sehingga hujan yang tercatat pada suatu stasiun mewakili luasan tersebut. Metode
ini digunakan apabila penyebaran stasiun hujan di daerah yang ditinjau tidak
merata. Hitungan curah hujan rerata dilakukan dengan memperhitungkan daerah
pengaruh dari tiap stasiun.[8]

Gambar 3 Peta Thiessen Polygon (Wangkar, 2008)

Pada Gambar 3, Thiessen Polygon memasukkan faktor pengaruh daerah

yang mewakili oleh stasiun hujan yang disebut faktor pembobotan atau Koefisien
Thiessen. Besarnya Koefisien Thiessen tergantung dari luas daerah pengaruh
stasiun hujan yang dibatasi oleh poligon-poligon yang memotong tegak lurus pada
tengah-tengah garis penghubung stasiun.[10]

3. Metode Penelitian

Metode yang digunakan pada penelitian ini adalah metode kuantitatif,

dimana metode ini dapat dibagi dalam deret berkala (time series) dan metode
kausal. Metode kuantitatif dapat diterapkan apabila terdapat tiga kondisi seperti
yang telah dikemukakan oleh Makridakis (1999) yaitu 1) Tersedia informasi
tentang masa lalu, 2) Informasi tersebut dapat dikuantitatifkan dalam bentuk data
numerik, 3) Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang. Untuk tahapan penelitian ini sendiri dibagi menjadi
7 langkah, yaitu 1) Tahap Studi Literatur, 2) Tahap Analisa Penelitian, 3) Tahap
Pengumpulan Data, 4) Tahap Analisa Kebutuhan Sistem, 5) Tahap Implementasi
Program, 6) Tahap Perhitungan dan Analisa Hasil Implementasi Program, 7)
Tahap Penulisan Laporan. Permodelan tahapan tersebut tergambar pada Gambar
4.

6
 Gambar 4 Metode Penelitian

Kegiatan dalam penelitian dimulai dengan melakukan tahap studi literatur

guna memastikan bahwa topik yang diteliti dalam penelitian belum pernah
dilakukan oleh peneliti terdahulu dan dapat diterapkan. Dalam tahap ini terdapat
beberapa kegiatan yaitu pengidentifikasian masalah, studi pustaka penelitian
terdahulu, dan penyusunan hipotesa. Tahapan awal ini menghasilkan hipotesa
bahwa pola distribusi hujan yang terjadi pada wilayah Jawa Tengah dapat
diramalkan yang kemudian diidentifikasi dengan menggunakan metode Isohyetal
dan Thiessen Polygon.
Tahap analisa penelitian mengemukakan bahwa menurut Makridakis (1999)
peramalan yang dilakukan termasuk kedalam kategori peramalan jangka panjang
dengan waktu lebih dari 2 (dua) tahun dengan kecenderungan akan menghasilkan
pola data Trend (T), sehingga metode peramalan yang tepat untuk digunakan
adalah metode peramalan eksponensial bergerak ganda yang dikemukakan oleh
Brown. Sumber data yang digunakan dalam penelitian diambil dari Badan
Meteorologi Klimatologi dan Geofisika (BMKG) Provinsi Jawa Tengah, maupun
penelitian terdahulu yang terkait.

7
 Data primer yang didapat meliputi data curah hujan per tahun selama 12
tahun pada tahun 2000 sampai dengan tahun 2011. Sedangkan data sekunder yang
didapat berupa data artikel-artikel ilmiah dari penelitian terdahulu maupun buku-
buku pendukung yang terkait dengan penelitian. Tahap selanjutnya adalah analisa
kebutuhan sistem guna mendokumentasikan kebutuhan minimum, maupun
mencari kelemahan sistem pendukung yang akan digunakan untuk merancang
sistem yang baru.
Setelah semua data didapatkan, maka tahap selanjutnya adalah perhitungan
ramalan, perhitungan galat kesalahan ramalan, dan implementasi pada program.
Dalam perancangan aplikasi peramalan ini model proses yang digunakan adalah
model Prototype. Prototype merupakan metodologi pengembangan software yang
menitik-beratkan pada pendekatan aspek desain, fungsi dan user-interface.
Developer dan user fokus pada user-interface dan bersama-sama mendefinisikan
spesifikasi, fungsi, desain dan bagaimana software bekerja. Developer dan user
bertemu dan menentukan tujuan umum, kebutuhan yang diketahui dan gambaran
bagian-bagian yang akan dibutuhkan. Developer mengumpulkan detail dari
kebutuhan dan memberikan suatu gambaran dengan cetak biru (Prototype).[11]

Gambar 5 Metode Prototype (Pressman, 2007)

Pada Gambar 5, didapatkan alur kerja serta tahapan dalam implementasi

program dengan menggunakan metode Prototype. sistem yang dibangun telah
melewati 3 (tiga) proses perancangan dengan 4 (empat) tahapan Prototype. Proses
tersebut diuraikan pada Tabel 1.

Prototipe Deskripsi Revisi

Prototipe 1 Penggunaan bahasa R dan PHP untuk Penambahan User
memberikan informasi data aktual Interface sebagai
stasiun iklim Jawa Tengah tampilan awal sehingga
menggunakan pola Isohyet dan pola data yang ditampilkan
Thiessen Polygon dalam bentuk peta tidak hanya dalam
pada sistem. berbentuk peta, namun
juga secara tulisan dan
grafik.

8
Prototipe 2 Aplikasi SIG yang sudah dilengkapi Penambahan user sebagai
dengan tampilan pada halaman data administrator guna
aktual, grafik dan peta dengan pola memperbaharui data
Isohyet dan Thiessen Polygon sebagai secara langsung tanpa
pusat informasi data aktual pada harus melalui
wilayah stasiun iklim Jawa Tengah. penginputan manual pada
database.
Prototipe 3 Aplikasi SIG yang sudah dilengkapi Penambahan fungsi
dengan fungsi pembaharuan data peramalan guna
secara otomatis. memprediksi curah hujan
yang akan terjadi
beberapa tahun kedepan.

Prototipe 4 Aplikasi SIG yang sudah dilengkapi -

dengan fungsi perhitungan peramalan,
grafik antara data aktual dan ramalan,
tabel perhitungan ramalan, dan peta
dengan pola Isohyet maupun dengan
pola Thiessen Polygon sebagai
informasi data ramalan pada stasiun
iklim Jawa Tengah.

Tabel 1 Prototype Sistem Aplikasi.

Diagram UML (Unified Modeling Language) yang digunakan dalam

merancang sistem terdiri dari use case diagram, dan class diagram. Pada use case
diagram, user yang dimempunyai hak akses hanyalah seorang administrator yang
ditunjuk untuk dapat melakukan pembaharuan atau penambahan data. User selain
administrator (guest) dapat langsung mengakses halaman web tanpa harus melalui
pendaftaran.

<<include>>

<<include>>

<<include>>

Login Sistem Publikasi Manajemen Admin

<<include>>

Manajemen Data

Akses Halaman Web Logout

User Admin

Gambar 6 Use Case Diagram Sistem

9
 Class diagram menunjukan relasi antara tabel dengan sistem yang sudah
dibangun. Relasi tersebut adalah relasi one to one, one to many, many to many,
dan many to one. Relasi many to many terjadi pada tabel jawatengah dengan tabel
kependudukan. Relasi one to one terjadi pada tabel data stasiun dan tabel stasiun
peramalan dengan tabel publish. Relasi one to many terjadi pada proses update
data dengan tabel data stasiun dan tabel stasiun peramalan, dimana sebuah file
Comma Delimited (CSV) dapat memperbaharui beberapa data peta langsung.
Sedangkan relasi many to one terjadi pada tabel jawatengah, tabel hasil peramalan
admin, tabel hasil peramalan, dan tabel data stasiun dengan proses plot rupa peta.
Dimana plot rupa peta dapat mengambil beberapa data yang terdapat pada
database yang nantinya akan ditampilkan dalam bentuk peta dengan pola Isohyet
dan pola Thiessen Polygon.

jawatengah_EN
gid : serial tb_hasil_peramalan_admin_EN
kode_kab : smallint 1 paid : bigint
nama_kab : character st_id : real
Update_Data_Aktual Update_Data_Peramalan
1..n kode_prop : smallint tb_data_stasiun_EN tahun : real
Data_Excel_CSV : File Data_Excel_CSV : File 1..n 1
nama_prop : character nilai_f : real
xid : bigint
the_geom : geometry nilai_galat : real
koord_x : real Read_CSV_File() Read_CSV_File() nilai_galatabs : real
koord_y : real
1..n 1 nilai_mse : real
ch : real
1..n nilai_mae : real
suhu : real
1
kelembaban : real 1..n
1..n stasiun : character 1
tb_stasiun_peramalan_EN
tahun : real tb_hasil_peramalan_EN
tb_kependudukan_EN inid : bigint Peramalan peramid : bigint
cid : bigint st_id : real
1 tahun : real st_id : real
nama_kab : character koord_x : real
1 periode : real th : real
luas : real 1 koord_y : real
ch : real periode_m : real
jml_penduduk : integer 1 tahun : real
1..n 1 stasiun : character 1 1 ch_ramalan : real
kepadatan : real tb_publish_EN 1 periode : real
akurasi1 : real
pid : bigint ch : real
1 Ramalan() akurasi2 : real
tahun : real stasiun : character
status : real
1
1
Plot_Rupa_Peta
1 koord_x : real
koord_y : real
tahun : real
ch : real
1 nilai_f : real 1
ch_ramalan : real
the_geom : geometry

Plot_Peta_Aktual()
Plot_Peta_Peramalan()
Plot_Geometry()

Gambar 7 Class Diagram Sistem

Algoritma Kelas Peramalan

Peramalan dengan metode eksponensial ganda satu parameter dari Brown
dapat dikodekan menjadi sebuah kelas peramalan dengan menggunakan bahasa
pemrograman PHP sehingga dapat menjadi sebuah kelas yang dapat digunakan
kembali (reuseable). Uraian Algoritma dari proses perhitungan ramalan yaitu,
a. Tetapkan nilai
1 ke-0 dan
2 ke-0 = nilai data aktual list CHperTahun
ke-0.
b. Hitung nilai
1 ke-i dengan persamaan
1 ke-i = alpha dikalikan dengan
list CHperTahun ke-i + (1 - alpha) dikalikan dengan
1 ke-i
sebelumnya.
c. Hitung nilai
2 ke-i dengan persamaan
2 ke-1 = alpha dikalikan
dengan
1 ke-i sebelumnya + (1 - alpha) dikali dengan
2 ke-i
sebelumnya.
d. Hitung nilai ! dengan persamaan ! ke-i = 2 dikali dengan
1 ke-i -
2
ke-i.
e. Hitung nilai ( dengan persamaan ( ke-i = (alpha / 1 - alpha) dikali
dengan (
1 ke-i -
2 ke-i).

10
 f. Hitung nilai peramalan  ke-i + periode  = ! ke-i ditambahkan dengan
(( ke-i dikalikan dengan periode ).
g. Hitung nilai galat ramalan dengan persamaan $ ke-i = hasil peramalan 
ke-i dikurangkan dengan list data aktual CHperTahun ke-i.
h. Hitung nilai tengah galat ramalan dengan persamaan $)($).
i. Hitung nilai tengah galat kuadrat ramalan dengan persamaan $)($)* .
j. Hitung nilai tengah galat absolut ramalan dengan persamaan
$)($+).

Hasil dari kelas peramalan adalah list dari kelas yang berisi parameter 
(hasil ramalan), $ (galat ramalan), $+ (galat ramalan absolut),  (nilai tengah
galat), 
 (nilai tengah galat kuadrat), dan ! (nilai tengah galat absolut).

4. Hasil dan Pembahasan

Analisis Peramalan Metode Eksponensial Ganda Satu Parameter dari Brown

Perbedaan antara ramalan dengan data aktual disebut suatu kesalahan dalam
peramalan. Analisa kesalahan dalam peramalan dilakukan dengan menggunakan
nilai parameter Alfa (∝) 0.3. Data curah hujan yang dipakai dalam uji coba analisa
kesalahan peramalan adalah data curah hujan pada stasiun iklim Ungaran yang
terletak di kabupaten Semarang dari tahun 2000 sampai tahun 2011 yang datanya
seperti pada Tabel 2.

TAHUN CH (mm) STASIUN

2000 3163 SI Ungaran, Kab. Semarang
2001 3117 SI Ungaran, Kab. Semarang
2002 0 SI Ungaran, Kab. Semarang
2003 0 SI Ungaran, Kab. Semarang
2004 2223 SI Ungaran, Kab. Semarang
2005 2247 SI Ungaran, Kab. Semarang
2006 2064 SI Ungaran, Kab. Semarang
2007 1526 SI Ungaran, Kab. Semarang
2008 2916 SI Ungaran, Kab. Semarang
2009 2872 SI Ungaran, Kab. Semarang
2010 2958 SI Ungaran, Kab. Semarang
2011 1485 SI Ungaran, Kab. Semarang
Tabel 2 Data Curah Hujan (mm) Stasiun Iklim Ungaran Kabupaten Semarang Tahun 2000
sampai dengan Tahun 2011.

Uji coba peramalan metode eksponensial ganda satu parameter dengan

menggunakan nilai parameter ∝ = 0.3 dan nilai curah hujan tahun ke-2 (2001)
dengan nilai  = 3117
a. Perhitungan Eksponensial Tunggal.

′ = ∝  + (1−∝)
′ 

′* = 0.3(3117) + 0.7(3163)

′* = 3149.2

11
 b. Perhitungan Eksponensial Ganda.

′′ = ∝
′ + (1−∝)
′′ 

′′* = 0.3(3149.2) + 0.7(3163)

′′* = 3158.86
c. Perhitungan nilai konstanta pemulusan .
 =
′ + (
  −
′′ )
* = 3149.2 + (3149.2 – 3158.86)
* = 3139.54
d. Perhitungan nilai konstanta pemulusan .
∝
 =   (
  −
′′ )
 ∝
* = 0.4286(−9.66)
* = −4.14
e. Perhitungan nilai Ramalan (),  = 1.
 =  +  
* = 3139.54 + (−4.14)
6 = 3135.4
f. Perhitungan nilai Ramalan untuk periode tahun ke 2015 (),  = 4.
 =  +  
7 = 2199.14 + (−46.2)
8 = 2152.9

Hasil Analisa Nilai Kesalahan (Galat)

Uji coba analisa nilai kesalahan ramalan menggunakan hasil peramalan
eksponensial ganda satu parameter dari Brown pada nilai ramalan untuk periode
tahun ke 2015 dengan nilai ∝ = 0.3 dan ∝ = 0.7. Penyajian data perhitungan
ukuran statistik untuk satu set kesalahan dengan nilai parameter ∝ = 0.3 dalam
bentuk tabel dapat dilihat pada Tabel 3.

Stasiun Iklim Tahun Ramalan Nilai Tengah Nilai Tengah Galat Nilai Tengah Galat
(F) Galat (ME) Kuadrat (MSE) Absolut (MAE)
Adisumarmo, Kab. Sukoharjo 2015 2080.81 91.84 906352.406733 622.446437024
Gamer, Kab Batang 2015 1823.84 9.65 97432.9276668 206.125541545
Lab Surakarta 2015 633.40 -60.90 328412.514514 281.161852843
Meteorologi Cilacap 2015 2921.39 209.90 1686521.17891 887.38554911
Meteorologi Semarang 2015 1725.99 -40.45 349553.675941 331.968627227
Meteorologi Tegal 2015 1337.10 -47.30 143109.908497 211.233661396
Puslitbang FK UNS Kab. Karanganyar 2015 1471.22 -47.91 723512.837242 444.075706475
Sempor Kab. Kebumen 2015 3041.98 -19.59 2016307.6782 834.571871994
SI Ungaran Kab.Semarang 2015 2152.92 -4.85 1273720.54082 708.44826477
SMPK Bojongsari, Kab. Banyumas 2015 591.91 -195.17 1780322.91069 710.403562291
SMPK Borobudur, Kab. Magelang 2015 1029.05 -54.58 128094.816029 225.124908856
SMPK Getas, Kota. Salatiga 2015 1550.50 -67.54 234466.406772 259.06879547
SMPK Ngabakkapung, Kab. Grobogan 2015 2932.26 50.87 1052871.67982 661.193491773
SMPK Rondole, Kab. Pati 2015 1186.15 8.81 255605.447677 306.604967365
Wadaslintang, Kab. Wonosobo 2015 3190.43 -19.17 3035617.11586 1048.04731203
- - TOTAL -186.39 14011902.045372 7737.860550169
Tabel 3 Perhitungan Ukuran Statistik Untuk Satu Set Kesalahan (∝= 0.3)

12
 Tabel 3 menunjukkan kesalahan terkecil dengan nilai ∝= 0.3 pada Stasiun
Iklim Gamer Kabupaten Batang, dengan jumlah total keseluruhan kesalahan
peramalan 
 = 14011902.045372 dan ! = 7737.860550169. Penyajian
data perhitungan ukuran statistik untuk satu set kesalahan dengan nilai parameter
∝ = 0.7 dalam bentuk tabel dapat dilihat pada Tabel 4.

Stasiun Iklim Tahun Ramalan Nilai Tengah Nilai Tengah Galat Nilai Tengah Galat
(F) Galat (ME) Kuadrat (MSE) Absolut (MAE)
Adisumarmo, Kab. Sukoharjo 2015 564.02 68.08 878898.947667 600.637983588
Gamer, Kab Batang 2015 1212.23 5.91 203607.561028 310.471161615
Lab Surakarta 2015 -3451.99 -92.68 545388.46578 364.163551575
Meteorologi Cilacap 2015 -1541.96 126.78 3837830.43651 1254.72851773
Meteorologi Semarang 2015 -2366.80 -101.45 537281.014442 382.360233951
Meteorologi Tegal 2015 -274.14 -62.70 333892.364358 335.702063511
Puslitbang FK UNS Kab. Karanganyar 2015 -3886.56 -135.00 1283944.26852 597.840420784
Sempor Kab. Kebumen 2015 -1171.23 -106.13 4039441.6683 1057.63456792
SI Ungaran Kab.Semarang 2015 -919.76 -74.01 1676360.44099 787.234879117
SMPK Bojongsari, Kab. Banyumas 2015 -4335.26 -210.24 4053602.18225 951.211577504
SMPK Borobudur, Kab. Magelang 2015 -836.29 -44.77 221367.307798 298.34268071
SMPK Getas, Kota. Salatiga 2015 -1594.31 -112.26 438275.398009 345.338502558
SMPK Ngabakkapung, Kab. Grobogan 2015 -318.73 -85.90 1924875.773 821.200338382
SMPK Rondole, Kab. Pati 2015 -27.49 -26.00 560930.828327 451.410628385
Wadaslintang, Kab. Wonosobo 2015 -1160.14 -132.71 5068980.64383 1346.85683901
- - TOTAL -983.08 25604677.300809 9905.13394634
Tabel 4 Perhitungan Ukuran Statistik Untuk Satu Set Kesalahan (∝= 0.7)

Tabel 4 menunjukkan kesalahan terkecil dengan nilai ∝= 0.7, nilai terkecil


 terjadi pada Stasiun Gamer, Kabupaten Batang, dengan jumlah total
keseluruhan kesalahan nilai peramalan 
 = 25604677.300809 dan ! =
9905.13394634.
Perbandingan kesalahan ramalan pada Tabel 3 dan Tabel 4 dapat terlihat
pada total nilai kesalahan ramalan, yaitu dengan nilai ∝= 0.7 lebih besar
dibandingkan dengan nilai ∝= 0.3. Dengan menggunakan nilai ∝= 0.7 dapat
terlihat bahwa penurunan curah hujan terjadi pada periode 2015. Hal ini
menunjukkan bahwa peramalan dengan menggunakan nilai ∝ = 0.3 dapat
diterima dan lebih akurat jika dibandingkan dengan menggunakan nilai ∝= 0.7.

Hasil Analisa Perbandingan Data Aktual dan Data Hasil Peramalan

Hasil perbandingan antara data aktual dan data hasil ramalan didapatkan
bahwa pola data curah hujan pada masa lalu berbeda dengan pola data hasil
peramalan. Grafik perbandingan antara pola data curah hujan masa lalu dan pola
data hasil ramalan dapat dilihat pada Gambar 8.

13
 Gambar 8 Grafik Perbandingan Data Aktual dan Data Ramalan

Pada Gambar 8 terlihat grafik perbandingan antara data aktual dan data
ramalan pada stasiun iklim Adisumarmo Kabupaten Sukoharjo
Sukoharjo.. Garis berwarna
biru menunjukkan pola data curah hujan aktual dan garis berwarna coklat
menunjukkan pola data curah hujan ramalan. Dari grafik didapatkan
didapatkan hasil bahwa
pola data pada masa lalu berbeda dengan pola data ramalan.

Implementasi Graphical User Interface (GUI)

Hasil implementasi dari penelitian ini adalah penyajian informasi peramalan
curah hujan tahunan per-stasiun iklim dalam bentuk website portal dan peta yang
menggunakan bahasa R. Proses pemetaan pada sistem aplikasi diimplementasikan
dengan mengolah data yang ada pada database menggunakan fungsi-fungsi yang
dimiliki oleh bahasa R R.. Hasil proses pengolahan data ini digambarkan dengan
format .PNG yang kemudian ditampilkan pada halaman browser client dalam
bentuk gambar rupa peta. Web Server yang digunakan pada penelitian ini adalah
MS4W (MapServer for Windows) versi 1.6.
Menu utama pada halaman web meliputi Literatur, Wilayah Studi, Prediksi
Peramalan dan Akurasi, Visualisasi Data Iklim Spasial, Login, dan F.A.Q
(Frequently Asked Question). Pada menu hak akses administrator, terdapat
beberapa menu tambahan guna menambahkan hak akses administrator baru,
menambahkan data untuk peramalan, menambahkan data untuk visualisasi data
iklim, publikasi data dan fungsi Logout. Pada Visualisasi Data Iklim Spasial dan
Peramalan ditambahkan navigasi untuk menampilkan data perhitungan peramalan,
data aktual, dan grafik. Tujuan fungsi ini dibuat untuk mempermudah penyajian
informasi pada pengguna dengan menampilkan dalam bentuk peta dan juga grafik
garis. Penyajian data aktual dalam bentuk gr afik dapat dilihat pada Gambar 9.
grafik

14
 Gambar 9 Grafik Garis dan Batang Data Aktual Tahun 2000

Pada Gambar 9 terlihat grafik data aktual tiap stasiun iklim Jawa Tengah
pada Tahun 2000 dimana garis biru adalah garis yang menunjukkan besaran curah
hujan, garis abu-abu adalah garis yang menunjukkan besaran kelembaban udara,
dan garis coklat adalah garis yang menunj ukkan besaran temperatur udara. Dapat
menunjukkan
dilihat bahwa terdapat beberapa data yang kosong atau data gangguan (noise)
curah hujan pada stasiun iklim pada masa lalu.
Fungsi utama pada sistem ini terdapat pada navigasi pola peta Isohyet
dimana bahasa R dapat menampilkan sebuah peta tematik dengan pola Isohyet
pada halaman utama sistem. Proses penampilan peta terjadi ketika bahasa R
dieksekusi melalui windows command prompt secara benar dan memuat berkas-
berkas variabel yang terdapat pada database.

Kode Program 1 Kode Program Pemanggilan Data Aktual Yang Terdapat Pada Database
1 args <- commandArgs(TRUE)
2 tahoen <- args[1]
3
4 combinedb1 <- paste("SELECT koord_x, koord_y, suhu,
5 kelembaban, ch from tb_data_stasiun WHERE tahun = '",
6 tahoen, sep = "")
7 combinedb2 <- paste(combinedb1,"'",sep="")
8
9 shape <-
10 readShapeLines("C:/wamp/www/Skripsi_Isohyetal/map_jaten
11 g/jateng/jawatengah.shp")
12
13 pcon <-
14 dbConnect(PostgreSQL(),host="localhost",dbname="jateng"
15 ,user="longlong",password="admin")
16
17 rs <- dbSendQuery(pcon,combinedb2)
18 data1 <- fetch(rs)

Pada Kode Program 1 menunjukkan bahwa proses query terhadap database

membutuhkan sebuah parameter yaitu tahun yang ditunjukkan pada baris kode ke-

15
6, yang sebelumnya parameter didapatkan pada argumen ke-1 yang ditunjukkan
pada baris kode ke-2. Kode program terpusat pada baris ke-13 sampai dengan
baris ke-15 dimana jenis koneksi dan parameter yang terdapat pada database
harus disebutkan dengan benar agar koneksi kepada database dapat berjalan
dengan baik.
Setelah koneksi berjalan dengan baik, proses selanjutnya adalah proses
menginterpolasi koordinat X, koordinat Y dan nilai besaran curah hujan yang
akan digunakan untuk menggambarkan pola Isohyet kedalam sebuah rupa peta
dengan pewarnaan background berdasarkan koordinat X dan Y maksimum
sebagai polygon curah hujan, titik posisi stasiun iklim, dan legenda peta.

Kode Program 2 Kode Program Penggambaran Rupa Peta

1 ...
2 CHx <- data1$koord_x
3 CHy <- data1$koord_y
4 CHz <- data1$ch
5
6 fldCH <- interp(CHx,CHy,CHz)
7 ...
8 image(fldCH,col = cm.colors(100), axes=TRUE,
9 add.plot=TRUE, xlim=c(108.555, 111.693), ylim=c(-
10 8.2128, -5.7278))
11
12 contour(fldCH, add=TRUE, levels = pretty(CHz, 5),
13 lwd=1, col = "blue")
14
15 plot(shape, bg="Aquamarine", col = "grey", add=TRUE,
16 lwd=1, xlim=c(108.555, 111.693), ylim=c(-8.2128, -
17 5.7278))
18
19 points(CHx,CHy, pch=20, cex=1.2, col="red")
20
21 legend("topleft", legend = c("Batas Kabupaten", "Garis
22 Hujan", "Stasiun Iklim"), col = rep(c("grey", "blue",
23 "red")), pch=c(NA,NA,20), pt.cex=2, lty = c(1, 1, 0),
24 box.lwd=0, box.col = "transparent")

Pada Kode Program 2 menunjukkan bahwa proses interpretasi

membutuhkan tiga parameter, sehingga dapat digunakan fungsi Contour untuk
menggambarkan pola Isohyet yang ditunjukkan pada baris kode ke-6 dan baris
kode ke-12 dan baris kode ke-13. Besaran curah hujan digambarkan dengan
menggunakan hasil interpolasi pada baris kode ke-6 guna menggambarkan
sebagai poligon curah hujan yang ditunjukkan pada baris kode ke-8 hingga baris
kode ke-10. Penyajian data dalam bentuk peta dapat dilihat pada Gambar 10.

16
 Gambar 10 Penyajian Data Aktual Tahun 2000 Dalam Bentuk Rupa Peta

Gambar 10 menunjukan pola distribusi hujan pada tahun tahun 2000 yang
terjadi di wilayah Provinsi Jawa Tengah. Garis berwarna biru menunjukkan
daerah dengan besaran curah hujan tertentu, sedangkan titik yang berwarna merah
merupakan titik dimana lokasi stasiun iklim berada.

5. Simpulan
Berdasarkan metode kuantitatif, perhitungan peramalan, analisa kesalahan
ramalan dan pembuatan sistem dapat diperoleh kesimpulan bahwa pada tahun
2015 besaran curah hujan ramalan tertinggi akan terjadi pada wilayah stasiun
iklim Wadaslintang yang terletak di Kabupaten Wonosobo dengan nilai
3190.43390786mm. Berdasarkan perbandingan analisa kesalahan ramalan dengan
menggunakan nilai ∝ 0.3 dan 0.7, maka dapat disimpulkan pula bahwa nilai
peramalan pada nilai ∝ = 0.3 lebih dapat diterima dibandingkan dengan nilai
∝ = 0.7. Identifikasi pola hujan dimasa lampau berbeda dengan pola hujan
ramalan. Berdasarkan kajian pustaka, kurangnya data stasiun iklim dan
perbandingan antara pola Isohyet dengan pola Thiessen Polygon, didapatkan
bahwa pola Thiessen Polygon dapat menyajikan data dengan baik dibandingkan
dengan pola Isohyetal.

6. Daftar Pustaka

[1]. Kartasapoetra, A.G.

A.G. 2008. KLIMATOLOGI : Pengaruh Iklim Terhadap
Tanah dan Tanaman Edisi Revisi. Jakarta : Penerbit Bumi Aksara.
[2]. Subekti, B.S. 2012. Peramalan Pola Iklim dan Spasial Model Pranatamangsa
Terbaharukan Dengan Menggunakan Metode Pemulusan Eksponensial
Ganda Studi Kasus Pada Wilayah Kabupaten Boyolal
Boyolali.
i. Salatiga : Program
Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen
Satya Wacana.

17
[3]. Lubis, E.S. 2009. Aplikasi Metode Pemulusan Eksponensial Ganda Dari
Brown Untuk Peramalan Produksi Kelapa Sawit Pada PT. Perkebunan
Nusantara III Tahun 2010 dan 2011. Medan : Departemen Matematika,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera
Utara.
[4]. Baldigara, T. 2013. Forecasting Tourism Demand in Croatia : A
Comparison of Different Extrapolative Methods. Croatia : Faculty of
Tourism and Hospitality Management, Opatija, Journal of Business
Administration Research.
[5]. Samsiah, D.N. 2008. Analisis Data Runtun Waktu Menggunakan Model
ARIMA (p,d,q) (Aplikasi : Data Pendapatan Pajak Kendaraan Bermotor di
Propinsi Daerah Istimewa Yogyakarta). Yogyakarta : Program Studi
Matematika, Fakultas Sains dan Teknologi, UIN Sunan Kalijaga.
[6]. Makridakis, S. 1999. Metode dan Aplikasi Peramalan, Jilid 1. Ciputat,
Tangerang : Penerbit Binarupa Aksara.
[7]. Prasetyo, S.Y.J. 2013. Framework Prediksi Konektivitas Spasial
Menggunakan Metode Exponential Smoothing - Spatial Autocorrelation
Untuk Penentuan Wilayah Endemis Wereng Batang Coklat (Nilaparvata
Lugens Stal.) di Propinsi Jawa Tengah. Yogyakarta : Program Studi S3 Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Gadjah Mada.
[8]. Agustin, W. 2010. Pola Distribusi Hujan Jam-jaman di Sub DAS Keduang.
Surakarta : Jurusan Teknik Sipil, Universitas Sebelas Maret.
[9]. Wangkar, I.M. 2008. Estimasi Curah Hujan Maksimum Boleh Jadi di
Daerah Aliran Sungai Brantas Dengan Menggunakan Metode Hersfield.
Jakarta : Jurusan Teknik Sipil, Universitas Bina Nusantara.
[10]. Sabastian, S. Winaryanto, H. 2010. Perhitungan Penurunan Fungsi
Pengendalian Banjir Bendungan PB. Soedirman (Mrica) Banjarnegara
(Calculation of Flood Control Dams Decreasing Function PB. Soedirman
(Mrica) Banjarnegara). Semarang : Jurusan Teknik Sipil, Universitas
Diponegoro.
[11]. Pressman, R.S. 2007. Rekayasa Perangkat Lunak, Yogyakarta : Penerbit
Andi.
[12]. Basuki. Winarsih, I. Adhyani, N.L. 2009. Analisis Periode Ulang Hujan
Maksimum Dengan Berbagai Metode (Return Period Analyze Maximum
Rainfall With Three Method).

18