1)
Ervan Triyanto, 2)Heri Sismoro, 3)Arif Dwi Laksito
Informatika, Ilmu Komputer, Universitas Amikom Yogyakarta
Jl. Ring Road Utara, Condong Catur, Depok, Sleman, Yogyakarta
E-mail : ervan.triyanto@students.amikom.ac.id, herisismoro@amikom.ac.id, arif.laksito@amikom.ac.id
ABSTRAK
Ketersediaan pangan yang cukup dan merata merupakan salah satu pilar perwujudan ketahanan pangan. Setiap
tahunnya produksi padi di Kabupaten Bantul selalu berubah-ubah. Metode Regresi Linear Berganda adalah metode
peramalan yang menggunakan lebih dari dua faktor yang dapat mempengaruhi hasil sehingga dapat menemukan
hasil yang maksimal. Dengan metode Regresi Linear Berganda ini di dapatkan mean absolute deviation (MAD)
0,101 dengan data pelatihan dari tahun 2009 – 2017. Persamaan Regresi Linear berganda yang didapatkan yaitu
Y = 8307,561443282 + 5,9294543706657x1 + 118,28063200866x2 + 175,71009241484x3.
ABSTRACT
Sufficient and equitable food availability is one of the pillars of the realization of food security. Every year rice
production in Bantul Regency is always changing. Multiple Linear Regression Method is a forecasting method
that uses more than two factors that can influence the results so that it can find maximum results. With this method
of Multiple Linear Regression, get the mean absolute deviation (MAD) 0.101 with training data from 2009 - 2017.
Multiple linear regression equations obtained were Y = 8307,561443282 + 5,9294543706657x1 +
118,28063200866x2 + 175,71009241484x3.
hama, hasil produksi sebelumnya, serta tingkat kesalahan 1.05% terhadap realitas
pengetahuan petani tantang penanaman padi. yang terjadi di tahun 2013 [4].
Untuk melakukan prediksi tentunya harus Dari beberapa penelitian tersebut
menggunakan sebuah algoritma, salah satu disimpulkan bahwa metode Regresi Linear
algoritma untuk melakukan prediksi ini Berganda dapat digunakan untuk meprediksi
dengan menggunakan Algoritma Regresi sesuatu di masa depan dengan menggunakan
Linear Berganda. Algoritma Regresi Linear lebih dari 2 faktor atau variabel yang memiliki
Berganda merupakan salah satu teknik pengaruh terhadap apa yang akan diprediksi.
analisis data yang sering digunakan untuk
mengkaji hubungan antar beberapa variabel Data Mining
dan meramal satu variable [1]. Data mining adalah salah satu proses
Penelitian yang akan dilakukkan ini yang menggunakan teknik statistik,
menggunakan Algoritma Regresi Linear matematika, kecerdasan buatan dan machine
Berganda karena metode ini sesuai dengan learning untuk mengetraksi dan
studi kasus yang sedang diteliti. Dalam mengidentifikasi informasi yang bermanfaat
penelitian ini akan menggunakan data dari dan pengetahuan yang terkait dari berbagai
tahun 2009 - 2017 yang berasal dari Dinas database besar [5].
Pertanian dan Kelautan kabupaten Bantul. Menurut Gartner Group data mining
Sistem prediksi ini digunakan untuk adalah suatu proses menemukan hubungan
memprediksi hasil produksi padi dengan yang berarti, pola dan kecenderungan dengan
menggunakan Algoritma Regresi Linear memeriksa dalam sekumpulan besar data yang
Berganda. tersimpan dalam penyimpanan dengan
menggunakan teknik pengenalan pola seperti
Terdapat berbagai penelitian yang teknik statistik dan matematika [6].
berkaitan dengan prediksi dengan metode ini Data mining dibagi menjadi beberapa
diantaranya penelitian Anisa Romandoni yang kelompok berdasarkan tugas yang dapat
berjudul Penerapan Metode Regresi Linear dilakukan, yaitu [6]:
Berganda untuk Prediksi Hasil Panen Jagung. 1. Deskripsi
Dalam penelitian ini digunakan 3 faktor yang 2. Estimasi
mempengaruhi hasil panen dengan 3. Prediksi
menggunakan metode regresi linear berganda 4. Klasifikasi
untuk melakukkan prediksi. Hasil melalui 5. Pengklusteran
pengujian MAPE (Mean Absolute Percentage 6. Asosiasi
Error) adalah 10% yang berarti prediksi hasil
panen pada kategori sangat baik [2]. Prediksi
Sedangkan menurut Nur Setyo Utomo dalam Prediksi adalah suatu proses
penelitiannya, metode Regresi Linear memperkirakan secara sistematis tentang
Berganda dapat digunakan untuk sesuatu yang paling mungkin terjadi di masa
memprediksi kelayakan operasional mesin depan berdasarkan informasi masa lalu dan
rivet produksi [3]. Farizal juga melakukan sekarang yang dimiliki, agar kesalahannya
penelitian dengan metode Regresi Linear (selisih antara sesuatu yang terjadi dengan
Berganda untuk memprediksi konsumsi bahan hasil perkiraan) dapat diperkecil. Prediksi
bakar jenis premium dan menghasilkan tidak harus memberikan jawaban secara pasti
b. Pengumpulan Data
Sistem ini dibuat untuk memprediksi
produksi/panen padi di Kabupaten Bantul
dengan menggunakan variabel input berupa
faktor – faktor yang mempengaruhi produksi
padi yaitu, luas panen, curah hujan, dan
serangan hama pada padi. Prediksi ini
dilakukan dengan menggunakan metode
regresi linear berganda. Sistem ini
menggunakan format webview yang
sederhana sehingga memudahkan pengguna
dalam menjalankannya. Gambar 2. ERD rancangan database
Keterangan:
• Analisis Kebutuhan Fungsional
1. Entitas : Admin, Tabelhasilpanen, dan
o Admin harus melakukan login untuk
Tabeldata
melakukan proses pengolahan data dan
2. Attribut Entitas :
prediksi.
a. Entitas Admin memiliki attribut :
o Sistem akan menampilkan data padi
id, username, password
yang telah diinputkan.
b. Entitas Tabeldata memiliki attribut
o Sistem dapat melakukan prediksi
: no, Y, X1, X2, X3, X1Y, X2Y,
dengan memasukan beberapa faktor
X3Y, X1X1, X1X2, X1X3, X2X2,
yang diperlukan.
X2X3, X3X3.
• Analisis Kebutuhan Non Fungsional
c. Entitas Tabelhasipanen memiliki
o Komputer/Laptop dengan spesifikasi
attribut : no, bt, X1, X2, X3, hp.
minimum:
3. Relasi : menginputkan
o Sistem Operasi: Windows/Linux
4. Primary Key
o DBMS: MySQL
a. Entitas Admin memiliki Primary
o Script Engine: PHP
key: id.
o Web browser: Chrome/Firefox
b. Entitas tabeldata memiliki Primary
c. Perancangan Sistem
key: no.
• Perancangan Database
c. Entitas tabelhasilpanen memiliki
Perancangan database digunakan untuk
Primary key : no.
merancang penyimpanan data dari inputan
• Perancangan Aplikasi web
yang dimasukan pada Sistem Prediksi Hasil
Perancangan untuk aplikasi web
Panen padi di Kabupaten Bantul. Pada
prediksi produksi padi di kabupaten Bantul
penelitian ini perancangan database
digunakan salah satu rancangan dalam UML
menggunakan ERD. Dalam penelitian ini
(Unified Modeling Language) yaitu Activity
terdapat 3 entitas yaitu, Admin, tabeldata, dan
diagram yang mewakili proses kegiatan dari
tabelhasilpanen. Selain itu terdapat satu relasi
pengguna yaitu admin dan sistem.
yang ada yaitu, menginputkan. Untuk penjelas
1. Activity diagram Login
lebih lanjut pada gambar dibawah ini.
DOI : https://doi.org/10.36341/rabit.v4i2.666 78 Penulis Pertama : Ervan Triyanto
RABIT : Jurnal Teknologi dan Sistem Informasi Univrab
Volume 4 No. 2 | Juli 2019 : 73-86
data
Dalam activity diagram diatas admin
masuk kedalam aplikasi kemudian memilih
menu data padi. Setelah itu admin dapat
memilih input data atau update data. Setelah
itu admin mengisikan data. Setelah selesai
admin mengeklik button input/update. Jika
benar maka data akan masuk ke database dan
jika salah maka akan muncul pesan.
d. Implementasi Sistem
Tahap implementasi menerjemahkan
desain sebelumnya menjadi sistem prediksi
hasil panen padi di Kabupaten Bantul. Pada
tahap ini terdiri dari tahap pengkodingan atau
pembuatan program yang disesuaikan dengan
Gambar 4. Activity diagram input/edit tujuan awal yaitu : code program dan
DOI : https://doi.org/10.36341/rabit.v4i2.666 79 Penulis Pertama : Ervan Triyanto
RABIT : Jurnal Teknologi dan Sistem Informasi Univrab
Volume 4 No. 2 | Juli 2019 : 73-86
1. Tinggi ( ≥ 350 mm perbulan ): -30 Hasil priode misalnya, 10 % dari luas lahan yang
panen dengan curah hujan tinggi akan diserang.
berkurang 30% dari rata – rata hasil
panen maksimal. Algoritma Regresi linear berganda
2. Baik (≤150 / ≥ 250 mm perbulan ): 10.
Hasil panen dengan curah hujan baik
akan bertambah 10% dari rata – rata
hasil panen maksimal.
3. Optimal ( ≥ 200 mm perbulan ): 20.
Hasil panen dengan curah hujan optimal
akan bertambah 20% dari rata – rata
hasil panen maksimal.
4. Normal ( ≥ 100 mm perbulan ): 0. Hasil
panen dengan curah hujan normal akan
bernilai 0% dari rata – rata hasil panen
maksimal.
5. Kurang ( ≤ 100 mm perbulan ): -20.
Hasil panen dengan curah hujan kurang
akan berkurang 20% dari rata – rata
hasil panen maksimal.
Selain dua faktor diatas terdapat satu
faktor lagi yang sangat mempengaruhi hasil
panen padi yaitu hama. Hama adalah
organisme yang merusak tanaman yang dapat
menyerang pada akar, daun, batang, dan
bagian tanaman lainnya, sehingga tanaman
tidak dapat tumbuh dengan sempurna atau Gambar 6. Flowchart algoritam Regresi
mati. Pada tanaman padi hama sangatlah linear berganda
banyak ditemui dan meresahkan bagi petani. Pada tahap implementasi aplikasi web
Hama dapat mengakibatkan gagal panen pada akan ditambahkan fitur untuk prediksi
tanaman padi sehingga sangat berpengaruh menggunakan aturan sesuai flowchart pada
dalam prediksi hasil panen padi ini. gambar 6 diatas. Penjelasan tahapan tersebut
Terdapat berbagai macam hama yang adalah sebagai berikut:
sering menyerang padi, diantaranya wereng, 1. Setelah inisialisasi start dilanjutkan
tikus, belalang, keong, burung dan jenis hama langkah kedua adalah memasukan
lainnya. Hama yang paling sering menyerang variabel dependen dan independen.
tanaman padi adalah hama wereng, wereng 2. Langkah ketiga adalah menjumlahkan
ini akan menghisap cairan yang ada pada data yang telah dimasukan sesuai
tanaman padi yang mengakibatkan tanaman dengan kolom masing – masing.
menjadi kering ataupun pertumbuhannya 3. Setelah itu adalah pembuatan matrik A,
menjadi kerdil. Dalam penelitian ini hama A0, A1, A2, A3 dari data yang telah
dijadikan faktor prediksi dengan dijumlahkan sebelumnya.
menggunakan rata – rata serang dalam setiap
Setelah nilai dari ɑ, b1, b2, dan b3 telah prediksi dituliskan seperti pada gambar 9
dihitung maka dapat diperoleh persamaan dibawah ini:
regresi linear berganda untuk data hasil panen
padi tersebut yaitu Y = 8307,561443282 +
5,9294543706657x1 + 118,28063200866x2 +
175,71009241484x3
Implementasi di Aplikasi
Untuk kode di program PHP bagian
untuk memprediksi hasil panen padi. Gambar hasil uji untuk prediksi produksi padi
11 dibawah ini adalah form web untuk sebesar 0,101 sehingga untuk hasil
melakukan prediksi. prediksi dalam kategori sangat baik.
Gambar 11. Halaman prediksi
DAFTAR PUSTAKA
Contohnya akan memprediksi hasil
[1] M. Fathurahman and Haeruddin,
panen dengan luas lahan panen 10000 ha
“Pemodelan Regresi Linier untuk Data
dengan curah hujan baik(10) dan jumlah hama
Deret Waktu,” J. Eksponensial, pp. 36–
yang menyerang sebesar 10% (-10). Sesuai
41, 2011.
perhitungan rumus yang telah
[2] A. Romandoni, “Penerapan Metode
diimplementasikan di PHP menghasilkan
Regresi Linear Berganda untuk Prediksi
prediksi hasil panen sebesar 67027,81 ton
Hasil Panen Jagung,” STMIK Sinar
seperti pada gambar 12.
Nusantara, 2017.
[3] N. S. Utomo, “Aplikasi Prediksi
Kelayakan Operasional Mesin Rivet
Produksi Menggunakan Metode Regresi
Linear Berganda (Studi Kasus: PT
Pradana Indah Sejahtera),” Politeknik
Negeri Batam, 2015.
[4] Farizal, A. Rachman, and H. Al Rasyid,
“Model Peramalan Konsumsi Bahan
Gambar 12. Perhitungan hasil prediksi Bakar Jenis Premium Di Indonesia
Dengan Regresi Linier Berganda,” J. Ilm.
Tek. Ind., vol. 13, pp. 166–176, 2014.
KESIMPULAN
[5] E. Turban, J. E. Aronson, and T.-P. Liang,
Berdasarkan pembahasan yang telah
Decicion Support Systems and Intelligent
dilakukan sebelumnya, maka pada penelitian
Systems, 1st ed. Andi Offset, 2005.
ini dapat diambil kesimpulan yaitu:
[6] D. T. Larose, Discovering Knowledge in
1. Penelitian ini menghasilkan sebuah
Data: An Introduction to Data Mining,
aplikasi berbasis web untuk memprediksi
1st ed. John Willey & Sons. Inc, 2005.
produksi padi di Kabupaten Bantul
[7] Herdianto, “Prediksi Kerusakan Motor
dengan Algoritma Regresi Linear
Induksi Menggunakan Metode Jaringan
Berganda dengan memperhitungkan 3
Saraf Tiruan Backpropagation,”
variabel yang meliputi luas lahan panen,
Universitas Sumatera Utara, 2013.
curah hujan, dan serangan hama yang
[8] S. Makridakis, Metode dan Aplikasi
dapat mempengaruhi produksi padi.
Peramalan. Jakarta: Erlangga, 1993.
2. Persamaan Regresi Linear berganda yang
[9] Y. H. Ngumar, “Aplikasi Metode
didapatkan yaitu Y = 8307,561443282 +
Numerik Dan Matrik Dalam Perhitungan
5,9294543706657x1 +
Koefisien-Koefisien Regresi Linier
118,28063200866x2 +
Multiple Untuk,” pp. 157–162, 2008.
175,71009241484x3
[10] J. Supranto, Statistik: Teori dan Aplikasi,
3. Melalui pengujian validitas dengan
1st ed. Jakarta: Erlangga, 2000.
menggunakan metode MAD didapatkan
[11] S. C. Stevenson, William J. Dan Choung,
DOI : https://doi.org/10.36341/rabit.v4i2.666 85 Penulis Pertama : Ervan Triyanto
RABIT : Jurnal Teknologi dan Sistem Informasi Univrab
Volume 4 No. 2 | Juli 2019 : 73-86