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
bahwa kebutuhan akan pangan juga semakin meningkat. Maka dari itu pemerintah
harus lebih serius lagi dalam upaya penyelesaian masalah pertanian demi
kesejahteraan
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
umumnya.2
Sulawesi Selatan. Tujuan pembangunan sektor pertanian dalam arti luas yaitu
karena pangan merupakan bahan makanan paling utama yang dibutuhkan oleh
tubuh manusia, selain untuk dikonsumsi, hasil produksi dari tanaman pangan juga
Kabupaten Gowa yaitu padi, jagung, kedele, kacang tanah, kacang hijau, ubi kayu
dan ubi jalar. Berikut merupakan jumlah produksi tanaman pangan di Kabupaten
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
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
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.
sebagai stimulant tentu layak diberikan pemerintah secara sinergis dari berbagai
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
perkiraan yang lebih baik dari apa yang akan terjadi di masa yang akan datang.
sulit untuk mendapatkan suatu informasi dalam memenuhi permintaan pada masa
yang akan datang. Dengan demikian salah satu metode yang cocok untuk
waktu yang cukup powerfull, terutama untuk menangani data runtun waktu
berpola musiman. Hal ini karena dasar dari SSA adalah dekomposisi, dimana
4
yang cukup fleksibel, menjadikan SSA sebagai analisis dengan pendekatan
nonparametrik.7
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)
Metode Singular Spectrum Analysis (SSA) yang memperoleh nilai MAPE sebesar
18.23%.
penelitian untuk meramalkan jumlah tingkat produksi tanaman pangan. Data yang
sektor pertanian. Berdasarkan uraian diatas maka penulis akan mengkaji tentang
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
C. Tujuan
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
E. Manfaat Penelitian
(SSA).
F. Sistematika penulisan
6
Untuk memberikan gambaran yang menyeluruh sehingga dapat
Bab I Pendahuluan
dalam menganalisis masalah yang akan diteliti. Dan juga terdapat teori yang
Daftar Pustaka
A. Peramalan
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
bias meminimalisir tingkat kesalah tersebut maka akan lebih baik apabila
Menurut Saputro dan Asri (2000:148) berdasarkan jenis data ramalan yang
1. Peramalan kualitatif
ramalan yang dibuat sangat bergantung dari orang yang menyusunnya. Hal
penyelidikan.
2. Peramalan Kuantitatif
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
Analisi deret waktu (time series) adalah salah satu prosedur statistika yang
keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan
keputusan.
Suatu ututan pengamatan memiliki model deret waktu (time series) jika
tidak).
9
Gerakan-gerakan yang khas dari time series dapat digolongkan kedalam
1. Tren sekuler, merujuk kepada arah umum dari grafik time series yang
menuju kesatu arah. Pergerakan dalam tren sekuler dapat saja naik
serta bisa pula turun. Adapaun gambar yang menunjukkan tren sekuler
adalah:
yang relative panjang daripada variasi musiman yang biasa saja terjadi
10
10
kepada pola-pola yang identik, atau hampir identik, yang diikuti suatu
yaitu:
11
Gambar 2.4. Variasi Tak Beraturan . 11
cukup fleksibel. SSA memiliki kelebihan dibanding metode yang lain, diantaranya
Dasar dari SSA adalah dekomposisi, dimana data deret waktu diuraikan
et al., 2001). Menurut Wang et al. (2015), teori untuk menentukan nilai L,
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
Analisis lag dilakukan dengan memilih lag yang memiliki nilai ACF
yang paling besar dan lag yang memiliki nilai ACF yang paling kecil.
b) Menghitung nilai L
L=¿ (2.2)
Dimana:
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
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)
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
dimensi.
menghasilkan:
T xi =U i D i V i (2.4)
Dimana:
U i : matriks ortonormal K x L
Sehingga menghasilkan:
d
T xi =∑ √ λi U i V iT (2.5)
i=1
15
decomposition untuk trajectory matrix T xidapat dituliskan sebagai
berikut:.15
T xi =T x1 +T x 2 +…+T xd (2.6)
3. Rekonstruksi
effect (r) merupakan parameter kedua dalam SSA yang berperan penting
a) Grouping
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
resultan.
17
kelompok siklik. Kemudian eigevector yang tidak mengikuti musiman
b) Diagonal Averaging
panjang N. Tujuan dari tahap ini adalah mendapatkan singular value dari
f 11 f 21 … f K
[ ]
F= f 21 f 22 … f K +1
⋮⋮ ⋱ ⋮
f L f L+1 … f N
(2.7)
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
~
Y (k) =~y 1k , … , ~y N (k ). Oleh karena itu deret asli yang didekomposisi
18
Matriks weighted correlation digunakan untuk menganalisis
( w) ( 1) (2 ) (F( 1) , F (2) )
ρ ( F , F )= (2.10)
( 1)
√(F , F (1 ))w √ (F (2) , F (2 ))
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
g i untuk i=0 , … , N −1
gi=
{ L−1
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
100 %
n
|X t −Y t| (2.13)
MAPE= ∑
n t=1 Xt
Dimana:
n = Banyak data
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
1. Serealia
besar serelia termasuk dalam anggota suku padi-padian yang biasa disebut
2. Biji-bijian
sering kita konsumsi antara lain seperti kedelai, kacang tanah, kacang
3. Umbi-umbian
manusia antara lain seperti ubi kayu, ubi jalar, talas, wortel, kentang, dan
sebagainya.
21
4. Jenis tanaman lainnya
pangan juga ternyata ada yang terdapat diluar ketiga jenis tersebut seperti
penelitian terapan.
Jenis data dan sumber data yang digunakan pada penelitian ini yaitu data
sekunder yang diambil langsung pada suatu instansi yang bersangkutan yaitu pada
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
E. Prosedur penelitian
berikut:
a. Grouping
b. Diagonal averaging
23
9. Melakukan peramalan untuk periode 2020-2021
DAFTAR PUSTAKA
Aswi dan Sukarma. 2006. Analisis Deret Waktu Teori dan Aplikasi. (Makassar:
Andira Publisher)
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
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
Purbayu, dkk. 2006 Statistika Deskriptif dalam Bidang Ekonomi dan Niaga.
(Jakarta : Erlangga). hal. 192-197
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