LAPORAN PRATIKUM

PENGHITUNGAN NILAI RMSE INTERPOLASI DATA PETA

KECAMATAN AJUNG

Oleh :
Golongan D/Kelompok 2
1. Nurul Maslucha (191510501088)
2. Farhan Adi Prasetyo (191510501120)
3. Anggreini Maya Lestari (191510501131)
4. Gitindra Ikhlasul Amal (191510501143)
5. Indri Febrianti (211510501133)
6. Muhamad Noviar Ramadhan (211510501150)

PROGRAM STUDI AGROTEKNOLOGI

FAKULTAS PERTANIAN
UNIVERSITAS JEMBER
2021
 BAB 1. PENDAHULUAN

1.1 Latar Belakang

Pertanian merupakan salah satu aspek penting bagi kelangsungan pangan di
Indonesia bahkan di Dunia. Menurut Danuri (2019), perkembangan teknologi di
dunia ini sangat meningkat dengan pesat dan berbagai alat serta teknologi yang
ditemukan ini dapat membantu manusia dalam melakukan pekerjaan sehari hari
secara efektif dan efisien. Perkembangan teknologi ini juga sangat dirasakan pada
bidang pertanian terutama pada pertanian 4.0 yang benar – benar mengedepankan
tekonologi canggih. Hal ini akan menjadi pertimbangan bagi petani dalam
menjalankan proses produksi atau kegiatan pertanian mereka dengan menggunakan
teknologi atau tidak, mengingat tidak semua petani mampu mengoperasikan
teknologi, terlebih lagi teknologi digital, akan tetapi hal ini mampu menjadi alternatif
baru bagi petani proses pertanian (Husen et al.,2017). Pertanian berkelanjutan
memiliki tujuan untuk meningkatkkan tingkat produktivitas petani dalam melakukan
budidaya, pertanian berkelanjutan juga dapat mengatasi angka kemiskinan (Virianita
dkk., 2019). Salah satu jenis pertanian digital yang juga sudah banyak diterapkan
pada bidang pertanian yaitu sistem informasi georgafis, dimana salah satunya yaitu
QGIS.
Sistem Informasi Geografis ini memiliki fungsi yaitu untuk bank data terpadu,
sistem modeling dan analisis, sistem pengelolaan yang bereferensi geografis dan juga
sistem pemetaan berkomputer (Sulistyanto, 2021). QGIS juga memiliki kaitannya
dengan menggunaan RMSE atau Root Mean Square Error. Hal ini dikarenakan
perhitungan tingkat akurasi dari data yang digunakan untuk proses ini menggunakan
analisis RMS tersebut (Wang and Lu, 2018). Pemetaan lahan dengan menggunakan
software QGIS ini dapat dikembangkan terlebih dahulu agar pembacaan peta lahan
tersebut sudah baik. Software QGIS untuk pemetaan yang lebih lanjut yaitu dapat
dengan menggunakan interpolasi IDW dan juga kriging cara tersebut sudah dapat
menjadi salah satu hal yang memiliki kelengkapan lebih dalam suatu peta tersebut.
 Beberapa manfaat dari pemetaan tersebut akan diperoleh sebuah data yang
menjadi dasar acuan dalam proses budidaya pertanian yang dijalankan. Data yag
didapat perlu adanya analisis dan akurasi data. Analisis data merupakan sebuah
proses pengolahan dari data mentah hingga nantinya menjadi data yang dibutuhkan
nantinya (Rodilla et al., 2018). Hasil analisis data yang telah didapatkan juga
memerlukan sebuah akurasi yang digunakan untuk pembuktian kesusuaian atau
keakuratan data yang diperoleh dengan keadaan sebenarnya. Akurasi data perlu
dilakukan sebab analisis akurasi data dalam penginderaan jarak jauh yang datanya
didapatkan dari citra satelit merupakan faktor penting (Maxwell and Marner, 2020).
Dari hal tersebut menunjukkan bahwa pentingnya anailis dan akurasi dalam pertanian
presisi.

1.2 Tujuan
Untuk mengetahui teknik analisis dan akurasi daya menggunakan aplikasi
Quantum GIS.
 BAB 2. HASIL DAN PEMBAHASAN

2.1 Hasil

1. Siapkan data mentah berupa data 20 titik sampel dengan format .shp, dan
tentukan minimal 1 parameter, kemudian lakukan interpolasi (IDW) sesuai data
yang diperoleh.

2. Buka aplikasi QGIS dan dan install “Point Sampling Tools” dengan menekan
menu toolbar “Plugins” kemudian tekan “Manage and Install Plugins”.
3. Setelah itu, akan muncul tampilan pada gambar di bawah. Selanjutnya, mencari
“Point Sampling Tools” pada browser, kemudian tekan dan lakukan
penginstallan.

4. Memastikan “Point Sampling Tools” telah terinstall, tekan menu toolbar

“Plugins” kemudian tekan “Analyses” akan muncul menu “Point Sampling
Tools”, sehingga “Point Sampling Tools” telah terinstall.

5. “Point Sampling Tools” yang telah di tekan akan muncul tampilan pada gambar
dibawah. Langkah selanjutnya adalah memblok bagian pH dan raster pada bagian
“Layers with Field” dan kemudian simpan dengan format .shp contoh “Peta
Kecamatan Ajung.shp” lalu tekan “OK”.
6. Setelah data disimpan akan muncul file RMSE pada Layers kemudian klik kanan
dan pilih “Open Atribute Table”.

7. Klik tools “Open Field Calculator” kemudian pada bagian output field name
ketik “SE”, bagian output field type pilih “Decimal number”, bagian Expresion
ketik rumus (“Clipped (m” – “pH”) ^ 2 dan klik “OK”
8. Setelah itu, akan muncul tampilan seperti pada gambar di bawah kemudian data
SE yang diperoleh copy paste pada Microsoft Excel.

9. Buat rata-rata pada Excel dengan rumus =SUMSQ(A2:A11), dimana A2:A11

merupakan data SE pada Excel dari poin 2 hingga 11. Rata-rata yang
diperoleh adalah 4,55605.
10. Buat nilai RMSE sesuai dengan interpolasi yang digunakan
(IDW/Kriging/Spline) dengan rumus =SQRT(B2) (untuk interpolasi IDW),
dimana B2 merupakan nilai rata-rata SE.
11. Diperoleh nilai RMSE sebesar 6,74985 yang menunjukan tingkat keakurasian
analisis data.

2.2 Pembahasan
Pemetaan terdapat sebuah interpolasi, yang dimana interpolasi diartikan sebagai
sebuah perkiraan nilai dari daerah yang tidak bisa diukur (Hendro, 2018).Root Mean
Square Error (RMSE) adalah metode pengukuran dengan mengukur perbedaan nilai
dari prediksi sebuah model sebagai estimasi atas nilai yang diobservasi. Root Mean
Square Error adalah hasil dari akar kuadrat mean squer error. Keakuratan metode
estimasi kesalahan pengukuran ditandai dengan adanya nilai RMSE yang kecil.
Metode estimasi yang mempunyai Root Mean Square Error (RMSE) lebih kecil
dikatakan lebih akurat daripada metode estimasi yang mempunyai Root Mean Square
Error (RMSE) lebih besar Metode Root Mean Square Error (RMSE) diterapkan di
Meteorologi untuk melihat seberapa efektif model perkiraan matematis tentang
lingkungan di Atmosfer. (Menurut (Saparnas,2020)Inverse Distance Weighting
(IDW). Dalam penaksiran masing-masing metode akan memberikan nilai RMSE
(Root Mean Square Eror) dari hasil cross validation. Nilai RMSE adalah parameter
yang dipakai dalam menilai performa masing-masing metode. Model dengan nilai
RMSE terkecil dipilih sebagai yang terbaik
 Berdasarkan hasil interpolasi peta yang dilakukan oleh kelompok kami yaitu
melakukan tutorial diatas pada kecamatan Ajung diperoleh nilai RMSE sebesar
6,74985 yang menunjukan tingkat keakurasian analisis data. Nilai RMSE didapatkan
untuk menunjukkan tingkat keakurasian dan hasil analisisdari hasil data yang telah
diperoleh dan kemudian diolah. Akuratnya RMSE itu diperoleh pada besar kecil nilai
yang diperoleh, apabila semakin besar nilai RMSE maka akan mengalami beberapa
kendala.
Menurut Kurniadi, dkk 2018), RMSE adalah akar kuadrat dari rata-rata selisih
kuadrat dari data observasi dan perkiraan. Rumus menghitung RMSE adalah sebagai
beriku :

Keterangan : yk : Nilai yang diamati (observasi) pada lokasi k.

0k : Nilai yang diamati (obeservasi) pada lokasi k dengan metode MAE.
n : Jumlah pasangan nilai yang diobservasi dan diprediksi.

2.3 Review Jurnal

REVIEW JURNAL

Judul Aplikasi Remote Sensing dan Geographic Information

System untuk Perencanaan Penggunaan Lahan
Pertanian Berbasis Agroekosistem di Kota Denpasar

Jurnal Agroekoteknologi Tropika

Vol(No) dan Halaman 9(1), 32-42

Tahun 2020

Penulis Rian Rehmamana, Indayati Lanya, dan I Nyoman

 Dibia

Tujuan penelitian yaitu untuk mengetahui tingkat potensi kesesuaian lahan

agroekosistem, menyusun database, membangun sistem informasi, serta membuat
peta perencanaan penggunaan lahan untuk tanaman pangan dan hortikultura berbasis
remote sensing dan Geographic Information System (GIS). Laju konversi lahan di
Denpasar per tahun yaitu sebesar 85 hektar yang disebabkan oleh kebutuhan
pembangunan nonpertanian yang sangat tinggi terutama untuk sektor pariwisata.
Perencanaan penggunaan lahan pertanian dilakukan melalui evaluasi kesesuaian
lahan. Kesesuaian lahan adalah proses pendugaan tingkat kesesuaian lahan untuk
berbagai alternatif penggunaan lahan, baik untuk pertanian maupun non-pertanian.
Penelitian dimulai dari survei lapang, pengumpulan data primer (sumber data
langsung di lapangan atau hasil analisis tanah di laboratorium), dan data sekunder
(diperoleh dari hasil penelitian sebelumnya).
Perencanaan penggunaan lahan untuk masing-masing komoditas dilakukan
dengan meginventarisasi kelas kesesuaian lahan tertinggi untuk setiap subak. Peta
perencanaan penggunaan lahan untuk komoditas tertentu dibangun secara interaktif
melalui GIS. Hasil evaluasi kelas kesesuaian lahan tanaman pangan dan hortikultura,
menunjukkan bahwa seluruh subak untuk komoditas tanaman pangan (padi) secara
potensial tergolong sangat sesuai (S1) dengan input retensi hara (nr1) dan hara
tersedia, sedangkan untuk usahatani tanaman hortikultura tergolong sesuai (S2)
dengan faktor pembatas drainase dan N-total, untuk itu diperlukan pengolahan tanah,
pengguludan, dan pemupukan. Database kelas kesesuaian lahan di 6 subak (data
primer) dan 35 subak lainnya (data sekunder) disajikan dalam bentuk sistem
informasi kesesuaian lahan, database 41 subak di Kota Denpasar menunjukkan secara
potensial lahan subak tergolong ke dalam kelas sangat sesuai (S1) untuk tanaman
padi sawah irigasi, dan sesuai (S2) untuk tanaman hortikultura sawi, bayam,
mentimun, terung, semangka, dan melon dengan faktor pembatas C-organik, N-total,
drainase, dan tekstur. Peta perencanaan penggunaan lahan untuk komoditas tanaman
pangan dan hortikultura di dasarkan pada kelas kesesuaian lahan tertinggi (padi)
diiukuti dengan kelas-kelas kesesuaian lahan yang lebih rendah. Pola perencanaan
penggunaan lahan terbaik di wilayah utara berupa padi-padi-palawija/hortikultura.
Wilayah selatan padi-palawija/hortiukultura.
Gambar 1. Sistem informasi kesesuaian lahan di Kota
Denpasar

Sistem informasi berbasis geospasial disajikan dalam bentuk peta dan data
secara interaktif, Sistem informasi pada 41 subak di Kota denpasar di sajikan pada
Gambar 1 ditujukan pada informasi kelas kesesuaian lahan di masing-masing subak
secara cepat dan terintegrasi antara data spasial (subak) dan data atribut (kesesuaian
lahan). Informasi kesesuaian lahan untuk masing-masing komoditas di masing-
masing subak sangat membantu dalam pengembangan komoditas tertentu.
Tabel 1. Perencanaan penggunaan lahan di Kecamatan Denpasar Selatan
 Perencanaan penggunaan lahan berbasis subak dilakukan melalui rekapitulasi
kelas kesesuaian lahan dari masing-masing komoditas, adapun perencanaan
penggunaan lahan berdasarkan komoditas disajikan dalam Tabel 1. Perencanaan
penggunaan lahan untuk setiap kecamatan dilakukan melalui perwilayahan
komoditas.

Kelebihan :
Struktur yang dimiliki jurnal sudah lengkap. Bab keempat dari jurnal tidak
hanya berisi kesimpulan akan tetapi juga dilengkapi dengan saran. Hasil penelitian
dijelaskan secara rinci yang dilengkapi dengan tabel perencanaan dan hasil dari
pemetaan penggunaan lahan, yang diperoleh melalui penggunaan software QGIS dan
remote sensing juga dilampirkan pada bagian hasil dan pembahasan.

Kekurangan :
Kekurangan pada jurnal tersebut yaitu penjelasan dari beberapa subbab di
dalam jurnal kurang detail, karena hanya dijelaskan secara singkat. Masih terdapat
kesalahan dalam penulisan huruf. Beberapa kalimat dalam jurnal juga masih bertele-
tele.
 BAB 3. KESIMPULAN

QGIS sangat memiliki hubungan erang dengan RMSE atau Root Mean Square
Error. Hal ini dikarenakan dalam proses penghitungan analaisis data harus memiliki
tinkat aakurasi yang tinggi sehingga harus melalui proses RMS ini. Dalam Pemetaan
lahan dengan menggunakan software QGIS ini dapat dikembangkan terlebih dahulu
agar pembacaan peta lahan tersebut sudah baik. Dalam software QGIS untuk
pemetaan yang lebih lanjut yaitu dapat dengan menggunakan interpolasi IDW dan
juga kriging cara tersebut sudah dapat menjadi salah satu hal yang memiliki
kelengkapan lebih dalam suatu peta tersebut. Dalam Pemetaan lahan terdapat sebuah
interpolasi, yang dimana interpolasi ini sebagai perkiraan nilai dari suatu daerah
untuk menetukan peerkiraan. Untuk menghitung nilai perkiraan dari nilai yang akan
di observasi maka dilakukanlah metode RMSE yang dimana RMS ini adalah hasil
dari akar kuadrat mean squer error. Dalam keakuratan metode estimasi kesalahan
pengukuran RMSE ini ditandai dengan adanya nilai RMSE yang kecil
 DAFTAR PUSTAKA

Husen, N.A., T.K. Loos., K.H.A.Siddig. 2017. Social Capital and Agricultural
Technology Adoption among Ethiopian Farmers. American Journal of Rural
Development, 5 (3) : 65-72

Danuri, M. 2019. Perkembangan dan Transformasi Teknologi Digital. Inforkam, 15

(2) : 116-123.

Maxwell, A. E., and Warner, T. A. 2020. Thematic Classification Accuracy

Assessment with Inherently Uncertain Boundaries: An Argument for Center-
Weighted Accuracy Assessment Metrics. Remote Sensing, 12(12): 1905

Rodilla, M., P., Panach, J. I., Gonzalez-Perez, C., and Pastor, O. 2018. Assessing data
analysis performance in research contexts: An experiment on accuracy,
efficiency, productivity and researchers’ satisfaction. Data & Knowledge
Engineering, 116, 177–204.

Sulistyanto. 2021. Sistem Informasi Geografis Teori Dan Praktik Dengan Quantum
Gis. Malang : Ahlimedia Press

Virianita, R., T. Soedewo., S. Amanah., A. Fatchiya. 2019. ersepsi Petani terhadap

Dukungan Pemerintah dalam Penerapan Sistem Pertanian Berkelanjutan.
JIPI, 24 (2) : 168-177

Wang, W dan Y. Lu. 2018. Analysis of the Mean Absolute Error (MAE) and the Root
Mean Square Error (RMSE) in Assessing Rounding Model. ICMEMSCE,
324 : 1-11

Purnomo, H. (2018). Aplikasi Metode Interpolasi Inverse Distance Weighting dalam

Penaksiran Sumberdaya Laterit Nikel (Studi Kasus di Blok R, Kabupaten
Konawe-Sulawesi Tenggara). Angkasa: Jurnal Ilmiah Bidang
Teknologi, 10(1), 49-60.

Roni, S., Adnyano, A. I. A., & Isjudarto, A. (2020). Penaksiran Kadar Al2O3 Pada
Endapan Bauksit Laterit Dengan Metode Ordinary Kriging (OK) Dan Inverse
Distance Weighting (IDW) Untuk Estimasi Jumlah Sumberdaya Bauksit
(Al2O3) Di PT Sandai Kemakmuran Utama Kabupaten Ketapang Kalimantan
Barat. Jurnal Geomine, 8(1), 59-73.
 LAMPIRAN

Lampiran Jurnal Review