DRAFT PROPOSAL

Nama : Nurhikma
NIM : 60600116052
Judul : Proyeksi Tingkat Produksi Tanaman Pangan Kabupaten Gowa
Menggunakan Metode Singular Spectrum Analysis (SSA)

I. PENDAHULUAN

A. Latar Belakang

Indonesia merupakan Negara yang tropis dengan luas lahan dan sangat luas

dengan keanekaragaman hayati yang sangat beragam dan kaya akan penanaman

jenis tanaman. Indonesia juga dikenal sebagai negara agraris yang sebagian

besar penduduknya bekerja pada sektor pertanian. Kebutuhan pangan yang

diperoleh dari sektor pertanian sangatlah penting bagi kelangsungan hidup

penduduk, sehingga kesejahteraan para petani perlu diperhatikan.1

Sektor pertanian merupakan sektor yang mempunyai peranan strategis

dalam pembangunan ekonomi nasional. Pertanian mempunyai kontribusi penting

baik terhadap perekonomian maupun terhadap pemenuhan kebutuhan pokok

masyarakat, apalagi dengan semakin meningkatnya jumlah penduduk yang berarti

bahwa kebutuhan akan pangan juga semakin meningkat. Maka dari itu pemerintah

harus lebih serius lagi dalam upaya penyelesaian masalah pertanian demi

terwujudnya pembangunan pertanian yang lebih maju demi tercapainya

kesejahteraan

Secara umum tanaman pertanian terdiri dari tanaman pangan, tanaman

perkebunan dan tanaman hortikultura. Tanaman pangan juga terdiri dari banyak
1
Michael. 1989. Pembangunan ekonomi di dunia ketiga edisi I. (Jakarta: Erlangga) hal.23

1
jenis tanaman diantaranya padi, jagung, ubi kayu, ubi jalar, kacang hijau, kacang

tanah dan lain sebagainya. Manfaat tanaman pangan bagi penduduk antara lain

sebagai sumber pangan dan karbohidrat, energi, pendapatan keluarga dan

pendapatan negara. Pemilihan komoditi pangan sangat tepat untuk mempercepat

perkembangan perekonomian pedesaan pada khususnya dan negara pada

umumnya.2

Kabupaten Gowa merupakan salah satu kabupaten penyangga pangan di

Sulawesi Selatan. Tujuan pembangunan sektor pertanian dalam arti luas yaitu

untuk meningkatkan produksi, pendapatan dan kesejahteraan masyarakat

khususnya petani dipedesaan dan juga untuk memperluas kesempatan kerja,

mengingat sebagian besar penduduk Kabupaten Gowa mempunyai mata

pencaharian di sektor pertanian.

Tanaman pangan mempunyai peranan penting bagi kehidupan manusia

karena pangan merupakan bahan makanan paling utama yang dibutuhkan oleh

tubuh manusia, selain untuk dikonsumsi, hasil produksi dari tanaman pangan juga

dapat dijadikan sebagai sumber usaha dalam perekonomian. Ketersediaan

produksi tanaman pangan harus diperhatikan guna memenuhi kebutuhan pokok

bagi selutuh penduduk.3 Jenis produksi tanaman pangan yang terdapat di

Kabupaten Gowa yaitu padi, jagung, kedele, kacang tanah, kacang hijau, ubi kayu

dan ubi jalar. Berikut merupakan jumlah produksi tanaman pangan di Kabupaten

Gowa tahun 2003-2019.

2
Ade, Irmayadi, dkk. 2016. Analisis Komoditas Unggulan Tanaman Pangan dan
Hortikultura di Kabupaten Mempawah (Jurnal social economic of agriculture vol. 5 No.1). h. 39
3
Poppy Erviyana. 2014. Faktor-Faktor yang Mempengaruhi Produksi Tanaman Pangan
Jagung di Indonesia. (JEJAK Journal of Economics and Policy, vol 7(2). Hal 195

2
 Dalam QS. Al-An’am ayat 141 yang berbunyi:
      
    
       
        
     
Terjemahnya:
“Dan Dialah yang menjadikan kebun-kebun yang berjunjung dan yang
tidak berjunjung, pohon korma, tanam-tanaman yang bermacam-macam
buahnya, zaitun dan delima yang serupa (bentuk dan warnanya) dan tidak
sama (rasanya). Makanlah dari buahnya (yang bermacam-macam itu)
bila Dia berbuah, dan tunaikanlah haknya di hari memetik hasilnya
(dengan disedekahkan kepada fakir miskin); dan janganlah kamu
berlebih-lebihan. Sesungguhnya Allah tidak menyukai orang yang
berlebih-lebihan.”4
Menurut penafsiran M. Quraish Shihab, ayat ini menyatakan “makanlah

dari buahnya bila ia berbuah” hanya Allah swt yang menciptakan zaitun dan

tanaman-tanaman lainnya dalam keadaan yang bermacam-macam rasa, bentuk

dan aromanya. Allah melimbahkan anugerah kepada manusia dengan memberikan

5
makanan untuk kita mengambil manfaatnya. Ayat diatas menjelaskan tentang

hasil pangan dan perkebunan. Dimana Allah memerintahkan manusia untuk

memakan hasi pangan dan perkebunan tersebut. Allah telah melimpahkan

rahmatnya agar manusia dapat mengambil manfaatnya serta diperintahkan untuk

memenuhi haknya dihari panen. Jadi sebagai umat manusia harus memanfaatkan

sebaik-baiknya dan mensyukuri hasil dari produksi tanaman atau anugerah yang

diberikan oleh Allah swt. Sejalan dengan penelitian ini, dimana penelitian ini akan

membahas tentang tanaman pangan dan tanaman perkebunan, sama halnya

4
Departemen Agama RI. Al-Qur’an dan Terjemahannya (Bandung:CV.Diponegoro,
2008)
5
M.Quraish Shihab. Tafsir Al-Misbah. (Jakarta:2004). Hal 226-227

3
dengan ayat tersebut yang menjeaskan terkait hasil tanaman pangan dan

perkebunan.

Peningkatan produksi tanaman atau komoditas unggulan dengan dukungan

sebagai stimulant tentu layak diberikan pemerintah secara sinergis dari berbagai

instansi dari beberapa komoditas yang mampu memberikan sumbangsi nilai

ekonomi yang baik. 6

Untuk mengetahui jumlah produksi tanaman pangan pada masa yang akan

datang dapat dilakukan peramalan sebagai salah satu unsur yang paling penting

dalam pengambilan keputusan agar hasil yang didapatkan lebih akurat. Tujuan

utama proses peramalan adalah mengurangi ketidakpastian yang membuat

perkiraan yang lebih baik dari apa yang akan terjadi di masa yang akan datang.

Jumlah produksi tanaman pangan hasilnya bersifat tidak tetap sehingga

sulit untuk mendapatkan suatu informasi dalam memenuhi permintaan pada masa

yang akan datang. Dengan demikian salah satu metode yang cocok untuk

digunakan yaitu metode Singular Spectrum Analysis (SSA).

Singular Spectrum Analysis (SSA) merupakan metode analisis runtun

waktu yang cukup powerfull, terutama untuk menangani data runtun waktu

berpola musiman. Hal ini karena dasar dari SSA adalah dekomposisi, dimana

proses dekomposisi akan mengurangi kesalahan dalam peramalan. Metode SSA

tergolong cukup fleksibel dibanding dengan model peramalan serupa. SSA

terhindar dari berbagai asumsi seperti asumsi stasioneritas, normalitas residual,

dan tidak memerlukan transformasi logaritma. Karena memiliki karakteristik

6
Reni Fatmasari Syafruddin, dkk. 2014. Penentuan Komoditas Unggulan dan Struktur
komoditas hortikultura di Kec. Tinggimoncong Kab. Gowa. Jurnal Galung Tropika (Gowa: 7(1) )
Hal. 24

4
yang cukup fleksibel, menjadikan SSA sebagai analisis dengan pendekatan

nonparametrik.7

Beberapa penelitian yang menggunakan metode Sigular Spectrum

Analysis yaitu diantaranya Desy Tresnowati Hardi,dkk (2019) meneliti tentang

Peramalan Produk Domestik Bruto (PDB) Sektor Pertanian, Kehutanan, dan

Perikanan menggunakan Singular Spectrum Analysis (SSA) yang memperoleh

nilai peramalan menggunakan window length sebesar 21 serta terbentuk

sebanyak 3 kelompok, diperoleh nilai MAPE sebesar 1,59% dan nilai tracking

signal sebesar 2,50. Fadhilah Fitri (2017) meneliti tentang metode Singular

Spectrum Analysis pada data produksi perikanan tangkap di provinsi Jawa Barat

yang memperoleh nilai MAPE sebesar 6.19%. asnafiya Asrof, dkk (2017)

meneliti tentang Peramalan Produksi Cabai Merah di Jawa Barat Menggunakan

Metode Singular Spectrum Analysis (SSA) yang memperoleh nilai MAPE sebesar

18.23%.

Berdasarkan hasil dari beberapa penelitian sebelumnya, maka dilakukan

penelitian untuk meramalkan jumlah tingkat produksi tanaman pangan. Data yang

digunakan yaitu jumlah produksi tanaman pangan. Alasan dipilihnya Kabupaten

Gowa karena sebagian besar penduduknya bekerja dan bermata pencaharian di

sektor pertanian. Berdasarkan uraian diatas maka penulis akan mengkaji tentang

”Proyeksi Tingkat Produksi Tanaman Pangan Kabupaten Gowa Menggunakan

Metode Singular Spectrum Analysis (SSA)”.

B. Rumusan Masalah
7
Kukuh Wahyu Hidayat, Sri Wahyuningsih, Yuki Novia Nasution. 2020. Pemodelan
Jumlah Titik Panas Di Provinsi Kalimantan Timur Dengan Metode Singular Spectrum Analysis.
(Jambura Journal Lof Probability and Statistics Volume 1 Nomor 2) h.79

5
 Berdasarkan latar belakang yang dijelaskan sebelumnya, rumusan masalah

pada penelitian ini adalah seberapa besar tingkat akurasi ramalan yang diperoleh

menggunakan Metode Singular Spectrum Analysis (SSA) ?

C. Tujuan

Berdasarkan permasalahan diatas, tujuan dari penelitian ini adalah untuk

mengetahui seberapa besar tingkat akurasi ramalan yang diperoleh menggunakan

Metode Singular Spectrum Analysis (SSA).

D. Batasan Masalah

Batasan masalah pada penelitian ini adalah data produksi tanaman pangan

pada Tahun 1989 sampai 2019, metode yang digunakan pada peramalan ini adalah

Metode Singular Spectrum Analysis (SSA).

E. Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut:

1. Bagi peneliti, sebagai saran pengaplikasian ilmu yang telah diperoleh

dalam kehidupan sehari-hari dan untuk menambah wawasan penulis

tentang Metode Singular Spectrum Analysis (SSA).

2. Bagi pembaca, dapat dijadikan referensi untuk melakukan penelitian

tentang peramalan yang melibatkan Metode Singular Spectrum Analysis

(SSA).

3. Bagi pemerintah, dapat memberikan manfaat bagi para pengambil

keputusan dalam mememprediksi produksi dapat menggunakan Metode

Singular Spectrum Analysis (SSA).

F. Sistematika penulisan

6
 Untuk memberikan gambaran yang menyeluruh sehingga dapat

memudahkan pemahaman dalam penelitian ini, maka diberikan sistematika dalam

penelitian ini adalah sebagai berikut:

Bab I Pendahuluan

Berisi tentang Latar Belakang, Rumusan Masalah, Tujuan, Manfaat

Penelitian, Batasan Masalah dan Sistematika Penulisan.

Bab II Tinjauan Pustaka

Berisi tentang teori-teori yang dipakai sebagai acuan kerangka berfikir

dalam menganalisis masalah yang akan diteliti. Dan juga terdapat teori yang

berkaitan dengan judul dalam penelitian ini.

Bab III Metodologi Penelitian

Berisi tentang Jenis Data, Sumber Data, variabel-variabel Penelitian,

Definisi Operasional Variabel, dan Teknik Analisi Data.

Daftar Pustaka

II. TINJAUAN PUSTAKA

A. Peramalan

Peramalan atau forecasting yaitu aktivitas memprediksi atau

memperkirakan apa yang akan terjadi dimasa yang akan datang dengan waktu

7
yang relatif lama. Peramalan memiliki tujuan untuk memprediksi prospek

ekonomi dan aktivitas usaha dan juga pengaruh lingkungan kepada prospek

tersebut. Peramalan sendiri dapat menjadi dasar untuk menjdi rencana jangka

pendek ataupun jangka panjang sebuah perusahaan. Dalam suatu peramalan

(forecasting) diperlukan seminim mungkin kesalahan (error) didalamnya. Supaya

bias meminimalisir tingkat kesalah tersebut maka akan lebih baik apabila

peramalan itu dilaksanakan dalam satuan angka atau kuantitatif.

Menurut Saputro dan Asri (2000:148) berdasarkan jenis data ramalan yang

disusun, peramalan jenis ini dibedakan menjadi 2, yaitu:

1. Peramalan kualitatif

Adalah peramalan yang berdasar pada kualitatif masa lalu. Hasil

ramalan yang dibuat sangat bergantung dari orang yang menyusunnya. Hal

ini penting karena peramalan ini ditentukan menurut pemikiran yang

intuisi, pendapat dari pengetahuan serta pengalaman dari penyusunnya.

Seringkali peramalan yang dengan kualitatif ini berdasarkan pada hasil

penyelidikan.

2. Peramalan Kuantitatif

Adalah peramalan yang berdasar pada data di masa lalu. Hasil

peramalan yang dibuat adalah bergantung dari metode yang digunakan

dalam peramalan tersebut. Pemakaian metode yang berbeda akan

dihasilkan hasil yang berbeda pula.

B. Analisis Time Series

8
 Analisis Time Series merupakan metode peramalan kuantitatif untuk

menentukan pola data masa lampau yang dikumpulkan berdasarkan urutan waktu,

yang disebut data time series. Dalam membuat prediksi dengan asumsi bahwa

masa depan merupakan fungsi dari masa lalu dengan kata lain mereka melihat apa

yang terjadi selama kurun waktu tertentu dan menggunakan data masa lalu

tersebut untuk melakukan peramalan.8

Analisi deret waktu (time series) adalah salah satu prosedur statistika yang

diterapkan untuk meramalkan struktur-struktur probabilistic. Struktur dengan

keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan

keputusan.

Suatu ututan pengamatan memiliki model deret waktu (time series) jika

memenuhi dua hal berikut:

1. Interval waktu antara indeks waktu t dapat dinyatakan dalam satuan

waktu yang sama (identic)

2. Adanya ketergantungan antara pengamatan Zt dengan Zt +k yang

dipisahkan oleh jarak ∆ t sebanyak k kali (dinyatakan sebagai lag k).

Tujuan analisis deret waktu antara lain untuk:

1. Meramalkan kondisi dimasa yang akan datang (forecasting).

2. Kepentingan control (untuk mengetahui apakah proses terkendali atau

tidak).

3. Untuk mengetahui hubungan antar peubah. 9

8
Dadang Ruhiyat, Dini Andiani dan Wulan Nurul Kalimah. 2020. Forecasting Data
Runtun Waktu Musiman menggunakan Metode Singular Spectrum Analysis (SSA). (Jurnal
Teorema, 5(1)), h.49-51
9
Aswi dan Sukarna. Analisis Deret Waktu Teori dan Aplikasi. (Makassar: Andira
Publisher, 2006), h.5

9
 Gerakan-gerakan yang khas dari time series dapat digolongkan kedalam

empat kelompok utama, yang sering disebut komponen-komponen time series:

1. Tren sekuler, merujuk kepada arah umum dari grafik time series yang

meliputi jangka waktu yang panjang. Secara grafis tren ini

menggambarkan suatu geralan atau cenderung lamban, panjang dan

menuju kesatu arah. Pergerakan dalam tren sekuler dapat saja naik

serta bisa pula turun. Adapaun gambar yang menunjukkan tren sekuler

adalah:

Gambar 2.1. Tren Sekuler

2. Gerakan siklis (Ciclical Movements) atau variasi siklis, merupakan

pergerakan tren yang meningkat ataupun menurun dalam jangka waktu

yang relative panjang daripada variasi musiman yang biasa saja terjadi

dalam lima tahun keatas. Adapun gambar di bawah ini yang

menunjukkan variasi siklis yaitu:

10
 10

Gambar 2.2. Variasi Siklis

3. Gerakan musiman (Seasonal Movements) atau variasi musim, merujuk

kepada pola-pola yang identik, atau hampir identik, yang diikuti suatu

time series selama bulan-bulan yang bersangkutan dari tahun ke tahun.

Adapun gambar di bawah ini yang menunjukkan variasi musiman

yaitu:

Gambar 2.3. Variasi Musiman

4. Gerakan tidak teratur atau acak (Irregular or Random Movement),

merujuk kepada gerakan-gerakan sporadis dari time series yang

disebabkan karena 12 peristiwa-peristiwa kebetuan seperti banjir,

pemogokan, pemilihan umum dan sebagainya. Adapun gambar

dibawah ini yang menunjukkan variasi tak beraturan yaitu:

10
Purbayu, Budi Santosa dan Muliawan Hamdani. Statistika Deskriptif dalam
Bidang Ekonomi dan Niaga. (Jakarta : Erlangga.2006). hal. 192-197

11
 Gambar 2.4. Variasi Tak Beraturan . 11

C. Metode Singular Spectrum Analysis (SSA)

Metode Singular Spectrum Analysis SSA merupakan metode peramalan yang

cukup fleksibel. SSA memiliki kelebihan dibanding metode yang lain, diantaranya

SSA memerlukan daya computer yang intensif, tidak memerlukan asumsi

stasioneritas dan tidak memerlukan transformasi logaritma. Dengan kata lain,

SSA merupakan metode yang powerfull dengan pendekatan nonparametrik.

Dasar dari SSA adalah dekomposisi, dimana data deret waktu diuraikan

menjadi komponen-komponennya yaitu tren, musiman, siklis dan noise.12

1. Window Length (L)

Window length (L) adalah parameter utama dalam SSA (Golyandina

et al., 2001). Menurut Wang et al. (2015), teori untuk menentukan nilai L,

salah satunya adalah teori Blind Source Separation (BSS). Langkah-langkah

menghitung nilai L dengan menggunakan BSS adalah sebagai berikut:

11
Yosep Oktavianus Sitohang. 2017. Peramalan Jumlah Wisatawan Mancanegara yang
Masuk Melalui Bandara Ngurah Rai Bali Tahun 2017. (Jurnal Euclid, Vol.5, No.1) h. 2-3
12
Rabbani Ischak, Asnafiya Asrof, Gumgum Darmawan. 2018. Peramalan
Rata-Rata Harga Beras Di Tingkat Penggilingan Menggunakan Model Singular
Spectrum Analysis (SSA). (Jurnal Statistika, Vol. 6 No. 1) h. 58

12
 a) Menghitung nilai autocorrelation function (ACF) dimana lag berada

N
[
pada interval 20 ,
2
. ]
N −L+1

∑ ( f i−τ −f́ )( f i −f́ )

i=1
R xx ( τ )= N −L τ :20 , … , L−1 (2.1)
2
∑ ( f i−τ −f́ )
i=1

Analisis lag dilakukan dengan memilih lag yang memiliki nilai ACF

yang paling besar dan lag yang memiliki nilai ACF yang paling kecil.

Hal yang perlu dipertimbangkan sebelum menentukan nilai-nilai

minimum dan maksimum R xx adalah mengambil nilai ACF yang

positif pada setiap lag τ.

b) Menghitung nilai L

L=¿ (2.2)

Dimana:

τ ¿ : lag dengan nilai Rxx positif terbesar

τ ¿ : lag dengan nilai Rxx positif terkecil

[Z] : bilangan bulat terbesar yang ≤ Z

Jika τmin mendekati τmax, maka L=τ (R xx (min )).13

2. Dekomposisi

13
Desy Tresnowati Hardi, Diah Safitri, Agus Rusgiyono. 2019. Peramalan Produk
Domestik Bruto (PDB) Sektor Pertanian, Kehutanan dan Perikanan menggunakan Singular
Spectrum Analysis (SSA) (Jurnal Gaussian, Volume 8, Nomor 1, Tahun 2019). h. 71-72

13
 Tahap dekomposisi terdapat dua langkah yaitu dengan embedding dan

singular value decomposition. Pada tahap ini parameter yang digunakan

adalah window length L. 14

a) Embedding
Embedding adalah tahapan di mana data deret waktu awal diubah
menjadi matriks trajectory, maksudnya mengubah data awal yang
berupa data satu dimensi menjadi data berbentuk multidimensi. Matriks
trajectory memiliki dimensi L x K, di mana L merupakan window
length menjadi baris matriks, sedangkan K= N-L+1 menjadi kolom

N
matriks. Rentang pemilihan nilai L adalah 2< L< , serta asumsi bahwa
2
data deret waktu sepanjang periode N tidak mengandung data hilang,
serta X ={ x i } ; i=1,2, … , N .
Matriks trajectory ( Tx ) yang terbentuk merupakan matriks
Hankel. Matriks Hankel adalah matriks yang semua elemen di
sepanjang diagonal i + j konstan. Matriks trajectory dapat ditulis
sebagai berikut:

x1 x 2 … x k

[ ]
T x =( T ij )L × K = 2 x 3 … x k +1
x
⋮⋮⋱⋮
x L x L+1 … x N
(2.3)

b) Singular Value Decomposition

Singular Value Decomposition bertujuan untuk memperoleh

pemisahan komponen dalam dekomposisi dari data deret waktu.

Singular Value Decomposition pada penerapannya memiliki kesamaan

14
Asnafiya Asrof, Rabbani Ischak, Gumgum Darmawan. 2017. Peramalan Produksi
Cabai Merah di Jawa Barat Menggunakan Metode Singular Spectrum Analysis (SSA) (Jurnal
Statistika, Vol. 17 No. 2) h. 78

14
dengan analisis komponen utama (principal component analysis) yaitu

bersifat untuk mereduksi komponen dari data awal serta mengurangi

dimensi.

Singular Value Decompositio dimulai dengan menentukan nilai

eigenvalue ( λ ¿ ¿1 , λ2 , … , λ L )¿ dari matriks S=T X T XT dimana

λ 1 ≥ … ≥ λ L >0 , serta eigenvector U 1 ,U 2 , … , U L dari matriks S tersebut.

Singular Value Decomposition pada Matriks trajectory T x akan

menghasilkan:

T xi =U i D i V i (2.4)

Dimana:

U i : matriks ortonormal K x L

Di : matriks diagonal orde L

V i : matriks orthogonal bujursangkar L x L

Sehingga menghasilkan:
d
T xi =∑ √ λi U i V iT (2.5)
i=1

Dengan i=1,2 , … , d dan d=max { i } ; λi > 0.

Ketiga komponen dalam matriks T xi yaitu singular value √ λi ,

engivector U i , dan principal component V i disebut eigentriple ke-I dari

singular value decomposition. Selanjutnya, singular value

15
 decomposition untuk trajectory matrix T xidapat dituliskan sebagai

berikut:.15

T xi =T x1 +T x 2 +…+T xd (2.6)

3. Rekonstruksi

Pada tahap rekonstruksi terdapat dua langkah yaitu

pengelompokan (grouping) dan diagonal averaging. Grouping

effect (r) merupakan parameter kedua dalam SSA yang berperan penting

dalam menentukan pola pada plot data. Setelah penggunakaan parameter

L dalam dekomposisi pada hasil SVD akan menyajikan serangkaian seri

awal yang telah dipisahkan dengan baik. Eigentriples yang telah

terbentuk sebelumnya dalam tahap SVD akan membantu menentukan

parameter grouping effect. Hasil rekonstruksi pada model SSA ini

nantinya akan mendekatkan hasil peramalan dengan data aslinya. Oleh

karena itu pengelompokkan komponen-komponen yang tepat akan

mendukung hasil peramalan yang baik, dengan menunjukkan MAPE dari

nilai ramal dengan data aslinya.

a) Grouping

Pada langkah akan dilakukan penelompokan hasil dekomposisi

matriks lintasan yang berukuran L x K dengan tujuan untuk

memisahkan komponen aditiv SVD kedalm bentuk beberapa sub

15
Fadhilah Fitri. 2017. Metode SSA pada Data Produksi Perikanan Tangkap di Provinsi
Jawa Barat (Jurnal Ilmiah Matematika dan Pendidikan Matematika (JMP) Vol. 9 No. 2) h.98-99

16
kelompok, yaitu tren, musiman dan noise. Setelah itu menjumlahkan

matriks dalam setiap kelompok. Hasil yang diperoleh berupa

representasi dari matriks lintasan sebagai jumlah dari beberapa matriks

resultan.

Matriks lintasan X i akan dipartisi kedalam m subset disjoin

I 1 , I 2 , … , I m . Misalkan I ={ i 1 ,i 2 ,… ,i p } adalah matriks resultan X I

dengan indeks i 1 , i 2 , … , i p sesuai dengan kelompok I yang dapat

didefinisikan sebagai X I = X i 1+ X i 2+ …+ X ip. Kemudian X I disesuaikan

dengan kelompok I =I 1 , I 2 , … , I m . Maka X =X 1 + X 2 + …+ X d dapat

diekspansi menjadi X =X i 1 + X i 2 +…+ X ℑ.

Pada tahap singular value decomposition telah didapatkan

eigenvalue yang menggambar karakteristik untuk setiap kolom pada

matriks S= XX T . Eigenvalue ini direpresentasikan oleh eigenvector.

Oleh karena itu bahan dasar pengelompokan pada tahap grouping

adalah eigenvector. Eigenvector pada masing-masing kolom pada

matriks lintasan akan dilakukan ekstraksi terhadap pola komponen

seriesnya. Ekstrasi pertama dilakukan terhadap pola tren, kemudian

dilakukan ekstraksi dilakukan terhadap pola musiman dengan

menggunakan analisis spektral. Eigenvector yang mengikuti pola

musiman dengan periode kurang dari 12 maka digolongkan pada

kelompok musiman, sedangkan eigenvecktor yang mengikuti pola

musiman dengan periode lebih dari 12 akan digolongkan pada

17
 kelompok siklik. Kemudian eigevector yang tidak mengikuti musiman

atau siklik atau tren akan digolongkan sebagai noise

b) Diagonal Averaging

Setelah melakukan grouping, tahap selanjutnya akan dilakukan

transformasi dari hasil pengelompokan X Iike dalam deret baru dengan

panjang N. Tujuan dari tahap ini adalah mendapatkan singular value dari

komponen- komponen yang telah dipisahkan, kemudian akan digunakan

dalam peramalan. Hasil pada tahap ini merupakan matriks F.

f 11 f 21 … f K

[ ]
F= f 21 f 22 … f K +1
⋮⋮ ⋱ ⋮
f L f L+1 … f N
(2.7)

Diagonal average dirumuskan sebagai berikut:

k
1

{
∑ f ¿m ,k−m +1 untuk 1 ≤ k ≤ L¿
k m=1
L−1
gk = 1
¿ ∑ f ¿m ,k−m +1 untuk L¿ < k ≤ K ¿ +1 (2.8)
L −1 m=1
¿
N −K +1
1
f ¿m ,k−m +1
N−k +1 m=k∑ −K +1

Untuk K ¿ +1< k ≤ N
¿ ¿
Dimana L =min( L , K) dan L =max(L , K ). Persamaan diatas

jika diaplikasikan kedalam matriks resultan X ℑ akan membentuk deret

~
Y (k) =~y 1k , … , ~y N (k ). Oleh karena itu deret asli yang didekomposisi

menjadi jumlah dari m deret.

m
y n=∑ ~y n(k) (2.9)
k=1

4. Matriks Weighted Correlation

18
 Matriks weighted correlation digunakan untuk menganalisis

keterpisahan kelompok yang terbentuk. Terdapat dua jenis keterpisahan

yaitu keterpisahan kuat dan lemah. Berikut merupakan persamaan untuk

menentukan besarnya korelasi terboboti atau w_correlation.

( w) ( 1) (2 ) (F( 1) , F (2) )
ρ ( F , F )= (2.10)
( 1)
√(F , F (1 ))w √ (F (2) , F (2 ))

5. Peramalan Metode Rekuren SSA (R-forecasting)

Menurut Golyandina et al. (2001), penaksiran koefisien linier

recurrent formula ( r 1 , r 2 ,… , r d ) digunakan vector eigen yang diperoleh dari

T V́ T
langkah SVD. Dengan U =(u1 , u2 ,… , u L ) , U =(u1 ,u 2 , … , u L ) , serta

L−1
2 2
komponen terakhir dari vector eigen U ( π i=u L ) dan v =∑ π i maka
i=1

koefisien LRF (vector R) dapat dihitung dengan menggunakan rumus:

L−1
1
r =(r L−1 , … , r 1)T = π u V́
2∑ i i (2.11)
1−v i=1

Peramalan M buah titik baru dapat digunakan dengan

menggunakan rumus berikut: 16

g i untuk i=0 , … , N −1
gi=
{ L−1

∑ r j gi− j untuk i=N , … , N + M −1

j=1
(2.12)

D. Mean Absolute Percentage Error (MAPE).

16
Desy Tresnowati Hardi, Diah Safitri, Agus Rusgiyono. 2019. Peramalan Produk
Domestik Bruto (PDB) Sektor Pertanian, Kehutanan dan Perikanan menggunakan Singular
Spectrum Analysis (SSA) (Jurnal Gaussian, Volume 8, Nomor 1, Tahun 2019). h. 73-74

19
 MAPE merupakan rata-rata dari keseluruhan persentase kesalahan

(selisih) antara data actual dengan data hasil peramalan. MAPE dapat

diperoleh dengan rumus sebagai berikut:

100 %
n
|X t −Y t| (2.13)
MAPE= ∑
n t=1 Xt

Dimana:

n = Banyak data

X t =¿ Data aktual pada periode t

Y t =¿ Data hasil peramalan pada waktu t. 17

Nilai MAPE yang didapat akan diinterpretasikan sesuai yang

ditunjukkan pada tabel 1 (Lewis, 1982) berikut:

Tabel.1 Interpretasi Nilai MAPE

MAPE (%) Interpretasi

< 10 Sangat baik
10 ≤ e < 20 Baik
20 ≤ e < 50 Cukup
≥ 50 Tidak akurat
18

E. Tanaman Pangan
17
Diera Desmonda, dkk. Prediksi Besaran Curah Hujan Menggunakan Metode Fuzzy
Time Series. (Jurnal System Dan Teknologi Informasi, Vol. 6, No. 4, 2018) h. 144
18
Yosendra Evriyanto, dkk. Prediksi Permintaan Semen Dengan Metode Fuzzy Time
Series. (Jurnal Pengembangan Teknologi Informasi Dan Computer, Vol.3, No.9, 2019) h.8541-
8542.

20
 Tanaman pangan adalah segala jenis tanaman yang didalamnya terdapat

karbohidrat dan protein sebagai sumber energi manusia. Tanaman pangan juga

dapat dikatakan sebagai tanaman utama yang dikonsumsi manusia sebagai

makanan untuk memberikan asupan energi bagi tubuh. Umumnya tanaman

pangan adalah tanaman yang tumbuh dalam waktu semusim.

Tanaman pangan memiliki beragam jenis antara lain:

1. Serealia

Serealia adalah sekelompok tanaman yang ditanam dan dipanen

untuk dimanfaatkan bijinya atau sebagai sumber karbohidrat. Sebagian

besar serelia termasuk dalam anggota suku padi-padian yang biasa disebut

sebagai serealia sejati. Tanaman serelia yang banyak dikonsumsi manusia

antara lain: padi, jagung, gandum dan lain-lain.

2. Biji-bijian

Biji-bijian adalah segala tanaman penghasil biji-bijian yang

didalamnya terkandung karbohidrat dan protein. Tanaman biji-bijian yang

sering kita konsumsi antara lain seperti kedelai, kacang tanah, kacang

hijau, dan lain-lain.

3. Umbi-umbian

Tanaman umbi-umbian adalah tanaman yang ditanam untuk

dipanen umbinya karena didalam umbu terdapat karbohidrat untuk sumber

nutrisi bagi tubuh. Tanaman umbi-umbian yang biasa dimanfaatkan

manusia antara lain seperti ubi kayu, ubi jalar, talas, wortel, kentang, dan

sebagainya.

21
 4. Jenis tanaman lainnya

Selain ketiga jenis tanaman yang telah disebutkan diatas. Tanaman

pangan juga ternyata ada yang terdapat diluar ketiga jenis tersebut seperti

sagu yang diambil batangnya dan sukun yang merupakan buah.19

III. METODOLOGI PENELITIAN

A. Jenis Penelitian

Adapun jenis penelitian yang digunakan pada penelitian ini yaitu

penelitian terapan.

B. Jenis Dan Sumber Data

Jenis data dan sumber data yang digunakan pada penelitian ini yaitu data

sekunder yang diambil langsung pada suatu instansi yang bersangkutan yaitu pada

kantor Dinas Pertanian, Tanaman Pangan dan Hortikultura Kabupaten Gowa.

C. Definisi Operasional Variabel

Pendefenisian yang digunakan adalah data tingkat produksi tanaman

pangan setiap tahun periode 1989 sampai 2019.

19
Ade Irmayadi, Erlinda Yurisinthae & Adi Suyatno. Analisis Komoditas Unggulan
Tanaman Pangan dan Hortikultura Di Kabupaten Mempawah (Pontianak:Jurnal social economic
of agriculture vol. 5 No.1, 2016), h. 39-48

22
D. Teknik Analisis Data

Teknik analisis data yang digunakan dalam penelitian ini adalah metode

Singular Spectrum Analysis (SSA).

E. Prosedur penelitian

Adapun langkah-langkah peramalan produkai tanaman pangan di

Kabupaten Gowa dengan metode Singular Spectrum Analysis adalah sebagai

berikut:

1. Menyususn nilai jumlah produksi tanaman pangan Kabupaten Gowa.

2. Membagi data menjadi dua bagian, antara lain:

a. Data in sampel : Jumlah produksi tahun 1989-2007

b. Data out sampel : jumlah produksi tahun 2008-2019

3. Estimasi parameter windows length (L) data in sampel dengan metode

train and error.

4. Melakukan dekomposisi, ditahap ini terdiri dari dua langkah yaitu:

a. Embedding, pada langkah ini dibentuk matriks lintasan X

b. Singular value dekomposition (SVD). Langkah ini mendekomposisi

matriks lintasan X untuk menghasilkan eigentiple.

5. Melakukan rekonstruksi, tahap ini dibagi menjadi dua langkah yaitu:

a. Grouping

b. Diagonal averaging

6. Menghitung koefisien LRF

7. Melakukan peramalan pada data out sampel

8. Menguji tingkat kesalahan peramalan data out sampel

23
 9. Melakukan peramalan untuk periode 2020-2021

DAFTAR PUSTAKA

Asrof, Asnafiya,dkk. 2017. Peramalan Produksi Cabai Merah di Jawa Barat

Menggunakan Metode Singular Spectrum Analysis (SSA) (Jurnal
Statistika, Vol. 17 No. 2) h. 78

Aswi dan Sukarma. 2006. Analisis Deret Waktu Teori dan Aplikasi. (Makassar:
Andira Publisher)

Departemen Agama RI. Al-Qur’an dan Terjemahannya (Bandung:

CV.Diponegoro, 2008)

Desmonda, Diera, dkk. 2018. Prediksi Besaran Curah Hujan Menggunakan

Metode Fuzzy Time Series. (Jurnal Sistem Dan Teknologi Informasi, Vol.
6, No. 4) h. 142-143

Erviyana, Poppy. 2014. Faktor-Faktor yang Mempengaruhi Produksi Tanaman

Pangan Jagung di Indonesia. (JEJAK Journal of Economics and Policy,
vol 7(2)H. 195

24
Evriyanto, Yosendra dkk. 2019. Prediksi Permintaan Semen Dengan Metode
Fuzzy Time Series. (Jurnal Pengembangan Teknologi Informasi Dan
Computer, Vol.3, No.9) h.8541-8542.

Fitri Fadhilah. 2017. Metode SSA pada Data Produksi Perikanan Tangkap di
Provinsi Jawa Barat (Jurnal Ilmiah Matematika dan Pendidikan
Matematika (JMP) Vol. 9 No. 2) h.98-99

Hardi,D.T, dkk. 2019. Peramalan Produk Domestik Bruto (PDB) Sektor

Pertanian, Kehutanan dan Perikanan menggunakan Singular Spectrum
Analysis (SSA) (Jurnal Gaussian, Volume 8, Nomor 1, Tahun 2019). h.
71-72

Hidayat, K.W, dkk. 2020. Pemodelan Jumlah Titik Panas Di Provinsi Kalimantan
Timur Dengan Metode Singular Spectrum Analysis. (Jambura Journal
Lof Probability and Statistics Volume 1 Nomor 2,) h.79

Irmayadi, Ade, dkk. 2016. Analisis Komoditas Unggulan Tanaman Pangan dan
Hortikultura di Kabupaten Mempawah (Jurnal social economic of
agriculture vol. 5 No.1). h. 39

Ischak, Rabbani, dkk. 2018. Peramalan Rata-Rata Harga Beras Di Tingkat

Penggilingan Menggunakan Model Singular Spectrum Analysis
(SSA). (Jurnal Statistika, Vol. 6 No. 1) h. 58

Jatmiko,Y.A, dkk. 2017. Perbandingan Keakuratan Hasil Peramalan Produksi

Bawang Merah Metode Holt-Winters dengan Singular Spectrum Analysis
(SSA) (JURNAL MATEMATIKA “MANTIK” Vol. 03 No. 01) h.15-16

M.Quraish Shihab. Tafsir Al-Misbah. (Jakarta:2004). Hal 226-227

Michael. 1989. Pembangunan ekonomi di dunia ketiga edisi I. (Jakarta: Erlangga)

hal.23

Purbayu, dkk. 2006 Statistika Deskriptif dalam Bidang Ekonomi dan Niaga.
(Jakarta : Erlangga). hal. 192-197

Ruhiyat, Dadang, dkk. 2020. Forecasting Data Runtun Waktu Musiman

menggunakan Metode Singular Spectrum Analysis (SSA). (Jurnal
Teorema, 5(1)), h.49-51

Sitohang, Y.O. 2017. Peramalan Jumlah Wisatawan Mancanegara yang Masuk

Melalui Bandara Ngurah Rai Bali Tahun 2017. (Jurnal Euclid, Vol.5,
No.1) h. 2-3

25
Syafruddin, dkk. 2014. Penentuan Komoditas Unggulan dan Struktur komoditas
hortikultura di Kec. Tinggimoncong Kab. Gowa. (Jurnal Galung Tropika
(Gowa: 7(1)) ) h. 24

26