Kombinasi Autoregressive Integrated Moving Average

(ARIMA) dan Standardized Precipitation Index (SPI)

untuk Penentuan Indeks Kekeringan

dengan Teknologi Android

(Studi kasus : Wilayah Kabupaten Boyolali)

Artikel Ilmiah

Peneliti :

Rosiana Kurniawan (672012213)

Dr. Sri Yulianto Joko Prasetyo, S.Si., M.Kom

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Juni 2016

i

ii

iii

iv

1

1. Pendahuluan

Kekeringan adalah kejadian klimatologis yang alami, ditandai dengan

berkurangnya curah hujan dari kondisi normalnya dalam kurun waktu yang lama,

bisa berbulan-bulan dan bahkan bertahun-tahun. Di bidang pertanian, kekeringan

selalu menjadi hal yang ditakuti oleh para petani karena mengganggu sistem

produksi yang kemudian mengakibatkan kerugian. Berbeda dengan fenomena

banjir, kekeringan cukup sulit diukur dan diprediksi karena terjadi sangat lambat.

Salah satu faktor yang berpengaruh terhadap kegagalan produksi pertanian di

Indonesia adalah kejadian ekstrim El-Nino dan La-Nina. El-Nino Southern

Oscillation (ENSO) adalah keadaan dimana musim kemarau menjadi panjang, dan

musim hujan menjadi pendek. Hal ini berlangsung setiap dua sampai tujuh tahun.

Sedangkan La-Nina adalah fenomena atmosfer yang mengakibatkan musim hujan

semakin panjang.[1]

Penentuan kekeringan selama ini dilakukan dengan pendekatan beberapa

metode, salah satunya adalah metode Thronthwaite Matter yang digunakan Jauhari

dalam penelitian Analisa Kekeringan di Daerah Aliran Sungai (DAS) Dodokan

Kabupaten Lombok dengan hasil penelitian berupa peta sebaran indeks kekeringan

menggunakan aplikasi ArcGIS [2]. Namun demikian di dalam prosesnya metode

ini selain memerlukan data curah hujan juga memerlukan data sifat fisik tanah serta

data karakteristik lahan, seperti temperatur udara, kandungan air dalam tanah

(lengas tanah), penggunaan lahan, dan tekstur tanah. Berdasarkan kompleksitas

metode tersebut maka diusulkan penelitian penggunaan metode Standardized

Precipitation Index (SPI). SPI adalah salah satu cara dalam menganalisis indeks

kekeringan pada suatu daerah dengan menggunakan data curah hujan. Penelitian

menggunakan metode SPI pernah dilakukan oleh Muliawan dengan hasil pemetaan

kekeringan menggunakan software ArcGIS dengan tools Kriging. [3]

Pentingnya informasi mengenai indeks kekeringan di masa mendatang

menjadi dasar dilakukannya peramalan curah hujan menggunakan metode

Autoregressive Integrated Moving Average (ARIMA). ARIMA dipilih pada

penelitian ini dikarenakan metode ARIMA memanfaatkan sepenuhnya data masa

lalu dan sekarang dari variabel dependen untuk melakukan peramalan jangka

pendek yang akurat.[12]

Untuk mempermudah penentuan indeks kekeringan maka dikembangkan

aplikasi penentuan indeks kekeringan menggunakan teknologi mobile berbasis

Android. Sistem operasi yang dipilih adalah Android dengan pertimbangan

keunggulan yang dimiliki, dimana platform Android bersifat terbuka, lengkap, dan

bebas serta jumlah pengguna Android yang mendominasi pengguna smartphone di

Indonesia.[4]

Penelitian ini mengambil studi kasus Kabupaten Boyolali. Kabupaten

Boyolali dipilih sebagai lokasi penelitian dengan alasan wilayah Kabupaten

Boyolali pada tahun 2014 mendapatkan penghargaan Adikarya Pangan Nusantara

(APN) tingkat nasional yang kemudian menjadikan Boyolali sebagai salah satu

2

daerah lumbung pangan nasional.[5] Iklim yang mengalami perubahan

mengakibatkan curah hujan tidak menentu dan lahan-lahan pertanian rawan

mengalami kekeringan.[6] Hasil pemetaan Pemerintah Kabupaten Boyolali di

bulan September 2013 menyatakan bahwa terdapat 10 kecamatan dari 19

kecamatan di wilayah Kabupaten Boyolali yang masuk daerah rawan krisis air

bersih.[7] Berdasarkan fakta-fakta yang ada dapat disimpulkan bahwa kondisi

wilayah Kabupaten Boyolali sebagai wilayah pertanian tadah hujan memiliki resiko

tinggi terkena dampak kekeringan terutama ketika musim kering tiba.

Berlandaskan latar belakang tersebut, maka ditetapkan rumusan masalah

pada penelitian ini adalah bagaimana menentukan indeks kekeringan dari data

curah hujan menggunakan metode Standardized Precipitation Index (SPI) dan

meramalkan curah hujan untuk masa mendatang menggunakan metode

Autoregressive Integrated Moving Average (ARIMA), kemudian merancang suatu

aplikasi mobile berbasis Android yang dapat digunakan oleh para Penyuluh

Pertanian Lapangan (PPL) di Kabupaten Boyolali untuk menyediakan informasi

hasil analisa dan peramalan kekeringan secara visual dan informatif. Fokus

penelitian ini terdapat pada pengembangan aplikasi mobile yang dibangun.

2. Kajian Pustaka

Analisis kekeringan pernah dilakukan oleh Nurjianto, menyatakan bahwa

parameter yang dapat dijadikan untuk pengukuran tingkat kekeringan adalah indeks

kekeringan. Analisa kekeringan yang dilakukan di Daerah Aliran Sungai (DAS)

Amprong dikerjakan dengan metode Standardized Precipication Index (SPI). Hasil

dari analisa kekeringan tersebut dapat dijadikan media monitoring dan peringatan

dini akan ancaman bahaya kekeringan dengan menampilkannya dalam bentuk

visual berupa peta isohyet surfer.[8]

Penelitian sejenis dilakukan oleh Putra, untuk peramalan curah hujan

dengan menggunakan metode Holt-Winters. Hasil perhitungan prediksi daerah

kekeringan ditampilkan melalui perangkat smartphone Android. [9]

Metode Autoregressive Integrated Moving Average (ARIMA) pernah

digunakan oleh Mardiatma untuk prediksi spasial dan pemetaan curah hujan di

wilayah Surakarta dengan bentuk luaran akhir berupa data visual spasial

choropleth. Hasil penelitian menunjukkan bahwa dengan menggunakan peta

choropleth dapat diketahui besaran prediksi curah hujan berdasarkan

kewilayahannya dalam hal ini besaran curah hujan tingkat kecamatan di wilayah

Laboratorium LPHP Surakarta.[10]

Adapun perbedaan antara penelitian terdahulu dengan penelitian yang

dilakukan sekarang adalah bahwa dengan metode ARIMA akan diramalkan curah

hujan di tahun 2013 berdasarkan data curah hujan bulanan di Kabupaten Boyolali

pada tahun 2001 – 2012, kemudian dianalisis indeks kekeringannya menggunakan

metode SPI sehingga dapat membantu petani untuk berjaga-jaga dari fenomena

kekeringan yang terjadi akibat adanya perubahan iklim. Hasil prediksi tersebut akan

divisualisasikan menggunakan teknologi Android dalam bentuk aplikasi mobile

3

sehingga pengaksesan informasi kekeringan ini dapat terbantu dengan adanya

teknologi-teknologi yang dimiliki Android, seperti pemetaan menggunakan

layanan Google Maps dan penggunaan grafik.

2.1 Autoregressive Integrated Moving Average (ARIMA)

ARIMA merupakan salah satu model yang populer dalam peramalan dengan

pendekatan time series. Model ini terdiri dari tiga bentuk utama yaitu model AR,

MA, dan ARMA. ARIMA menggunakan informasi yang ada pada data time series

itu sendiri untuk membuat peramalan periode selanjutnya. Model ARIMA yang

dibuat bergantung pada autokorelasi yang dimiliki data. Metodologi dalam

mengidentifikasi, fitting, dan pengecekan model ARIMA yang tepat dikembangkan

oleh statistikus George. E. P. Box dan Gwilyam. M. Jenkins. Maka dari itu,

pemodelan dan peramalan ARIMA sering disebut sebagai Metodologi Box-Jenkins.

Metodologi ini terdiri dari empat tahapan yang iteratif dalam pembentukan model

ARIMA pada suatu data runtun waktu, yaitu tahap identifikasi, estimasi, diagnostic

check, dan peramalan. Gambar 2.1 adalah diagram yang menggambarkan tahap‐tahap dalam prosedur Box‐Jenkins.

Catatan-catatan peneliti terdahulu mengatakan bahwa metode ARIMA dapat

menunjukkan suatu hasil yang cukup akurat dan persamaan peramalannya

memberikan hasil yang optimal untuk series tertentu dalam hal kecocokan pola dan

minimasi galat (error).[12]

Gambar 2.1 Prosedur Box‐Jenkins untuk pembentukan model ARIMA [12]

Dalam membangun model ARIMA dapat melalui tahap seperti pada gambar

2.1, tahap pertama adalah tahap identifikasi. Pada tahap identifikasi ini dilihat plot

4

Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)

secara grafis untuk mengetahui data sudah stasioner atau belum. Stasioneritas

berarti bahwa tidak terdapat pertumbuhan atau penurunan pada data. Data yang

belum stasioner harus didiferensikan terlebih dahulu. Plot ACF dan PACF juga

digunakan untuk menentukan model yang diperlukan, apakah Autoregressive (AR)

atau Moving Average (MA) atau keduanya Autoregressive Moving Average

(ARMA).

Jika sampel data pada grafik ACF turun menuju nol secara bertahap (die

out) dan sampel data pada grafik PACF turun secara langsung menuju nol (cut off)

maka model yang teridentifikasi adalah model Autoregressive (AR). Jika sampel

data pada grafik ACF turun menuju nol secara drastis (cut off) dan sampel data pada

grafik PACF turun secara bertahap menuju nol (die out) maka model yang

teridentifikasi adalah model Moving Average (MA). Jika kedua sampel ACF dan

PACF mengalami penurunan menuju nol secara bertahap (die out), maka model

yang teridentifikasi adalah model Autoregressive Moving Average (ARMA). Jika

data aktual mengalami diferensiasi karena nonstasioner, maka model

Autoregressive Integrated Moving Average (ARIMA) teridentifikasi (penambahan

huruf “I” pada “ARIMA” adalah ketika data mengalami diferensiasi).

Penentuan model pada tahap identifikasi masih dikatakan sementara, karena

dalam pembacaan grafik ACF dan PACF seringkali terjadi ambiguitas akibat pola

data yang tidak terduga. Penentuan tepat atau tidaknya analisis model yang sudah

diidentifikasi dapat dilakukan di tahap dua dan tiga pada metode ini.

Bentuk model umum Autoregressive Integrated Moving Average

ARIMA(p,d,q) dengan p = order Autoregressive, q = order Moving Average, dan d

= banyak diferensiasi data (bila data tidak stasioner). Contoh model ARIMA(p,1,q)

dapat dituliskan dalam bentuk persamaan 1[12].

Yt = (1-) Yt-1 + (- ) Yt-2 + (- ) Yt-3 + … +

(p- p-1) Yt-p - pYt-p-1 + εt – θ1εt-1 – θ2εt-2 – … – θqεt-q

(1)

Dimana:

Yt = Hasil Prediksi Y saat waktu t

p = Koefisien autoregressive

Yt-1,Yt-2,Yt-3,Yt-p = Nilai data aktual saat waktu t-1, t-2, …, t-p

εt = Nilai error saat waktu t

θ1,θ2,… ,θp = Koefisien Moving Average

Setelah diperoleh dugaan sementara, selanjutnya dilakukan tahap kedua

yaitu estimasi parameter dari model sementara dengan menentukan koefisien

autoregressive atau koefisien moving average. Tahap estimasi parameter

didapatkan melalui pemanggilan fungsi di editor R. Jika sudah didapatkan nilai

parameter, maka nilai hasil peramalan juga didapatkan.

Tahap ketiga dilakukan diagnostic checking untuk menguji kesesuaian

model tersebut. Diagnosis model dilakukan untuk mendeteksi adanya korelasi dan

kenormalan antar residual. Dalam runtun waktu ada asumsi bahwa residual

5

mengikuti proses white noise yang berarti residual harus independen (tidak

berkorelasi) dan berdistribusi normal dengan rata-rata mendekati nol (μ = 0) dan

standar deviasi (σ) tertentu.

Bila model teridentifikasi tidak tepat untuk digunakan pada data, maka

tahap identifikasi diulang dan dapat menggunakan model alternatif untuk mencari

model terbaik. Jika metode peramalan sudah ditetapkan, maka model ARIMA dapat

diterapkan pada data, dan dapat dilakukan perkiraan pada data tersebut untuk

beberapa periode ke depan.[12]

Tahap-tahap ini dapat dilakukan dengan bantuan software aplikasi seperti

R, EViews, Minitab, dan SPSS. Pada Aplikasi R, terdapat package ARIMA yang

secara otomatis menentukan model terbaik untuk digunakan terhadap data yang

tersedia.

2.2 Standarized Precipitation Index (SPI) SPI dikembangkan oleh McKee pada tahun 1993 untuk menghitung indeks

kekeringan. Kategori tingkat kekeringan dengan menggunakan metode SPI dapat

diklasifikasikan dalam skala nilai seperti pada tabel 2.1.

Tabel 2.1 Tabel Klasifikasi Kategori Kekeringan Berdasar Indeks SPI

Nilai SPI Kategori

≥ 2.00 Sangat Basah

1.50 ~ 1.99 Basah

1.00 ~ 1.49 Agak Basah

-0.99 ~ 0.99 Normal

-1.00 ~ -1.49 Agak Kering

-1.50 ~ -1.99 Kering

≤ -2.00 Sangat Kering

Indeks kekeringan dapat dihitung dengan menggunakan persamaan 2[9].

𝑍𝑖𝑗 =𝑋𝑖𝑗−𝑋𝑗̅̅ ̅

𝜎𝑗 (2)

Dimana :

𝑍𝑖𝑗 = Peubah Z tahun ke-i bulan ke-j.

𝑋𝑖𝑗 = Hujan bulanan tahun ke-i bulan ke-j.

𝑋𝑗 = Rata-rata hujan bulan j.

𝜎𝑗 = Simpangan baku bulan j.

Dengan simpangan baku :

𝜎 = √∑(𝑥−𝑥)2

𝑛−1 (3)

Keterangan Persamaan 3:

𝑥 = Data curah hujan.

𝑥 = Jumlah rata-rata curah hujan.

6

𝑛 = Jumlah data.

2.3 Mpandroidchart

Mpandroidchart adalah sebuah library yang sangat baik dan mudah

digunakan dalam pembuatan suatu grafik di Android. Library Mpandroidchart

dapat digunakan untuk API level 8 dan level-level di atasnya.

Fitur yang dimiliki library mpandroidchart adalah seperti: delapan tipe chart

(BarChart, BubbleChart, CandleStickChart, HorizontalBarChart, LineChart,

PieChart, RadarChart, ScatterChart), pembesaran grafik (scaling) pada kedua

sumbu, dragging/panning, sumbu yang terpisah, pengaturan sumbu yang fleksibel

(customizable axes), efek highlight pada nilai, penyimpanan grafik di SD-card

(sebagai file gambar atau .txt), keterangan grafik yang otomatis namun dapat diatur

secara custom, animasi, zooming dan scrolling yang halus dapat diaplikasikan pada

data hingga 30.000 data poin di grafik batang maupun grafik garis, serta gradle

support sehingga dapat digunakan untuk Android.[13]

2.4 Google Maps Android API

Penambahan peta di aplikasi Android menggunakan data peta Google Maps

dapat dilakukan menggunakan Google Maps Android API. API secara otomatis

mengatasi akses ke server Google Maps, mengunduh data, menampilkan peta, dan

memberikan respon terhadap gerakan-gerakan yang dilakukan terhadap peta. Fitur

yang dimiliki API juga memungkinkan untuk menambahkan penanda (marker),

poligon, polylines, dan overlays pada peta dasar. Fitur yang lebih lanjut dapat

ditambahkan pada peta dengan menggunakan Google Maps Android API Utility

Library. Google Maps Android API Utility Library adalah sebuah open-source

library yang terdiri dari kelas-kelas yang sangat bermanfaat untuk suatu aplikasi

peta, di antaranya seperti penggunaan GeoJSON, objek KML, penggunaan

heatmaps, kustomisasi marker, multiple marker, serta kalkulasi jarak dan luas.

Heatmaps sangat berguna untuk merepresentasikan distribusi dan populasi

dari suatu data poin pada sebuah peta. Google Maps Android API Utility Library

memiliki heatmap utility, dimana heatmaps dapat diaplikasikan pada Google Maps

yang dibangun dalam suatu aplikasi Android. Heatmaps digunakan sebagai

alternatif pengganti marker, saat data yang digunakan pada peta sangat banyak.

Penggunaan heatmaps pada data yang besar memiliki keunggulan, yaitu

pendistribusian data yang lebih mudah dimengerti dengan penggunaan warna,

dibandingkan dengan penggunaan marker di setiap lokasi pada peta. [14]

3. Metode Perancangan

Metode yang digunakan dalam pembuatan aplikasi ini adalah metode

perancangan sistem dengan menggunakan model Waterfall. Model Waterfall

melakukan pendekatan secara sistematis dan urut mulai dari level kebutuhan sistem

lalu menuju ke tahap analisis, desain, pengkodean, pengujian, dan

maintenance.[15]

7

Gambar 3.1 Model Waterfall [15]

Proses dari perancangan sistem dengan menggunakan model Waterfall

dapat dijelaskan sebagai berikut:

3.1 Requirements Analysis and Definition

Analisa terhadap kebutuhan pengguna menyatakan bahwa pengguna

membutuhkan kemudahan dalam pengaksesan informasi ramalan curah hujan dan

prediksi akan tingkat kekeringan suatu daerah pada suatu waktu.

Kebutuhan yang harus dilengkapi perancang dalam perancangan program

untuk menjawab kebutuhan pengguna adalah pengumpulan data curah hujan

bulanan di kabupaten Boyolali dan menyiapkan tools (SQL Server, editor R,

Android Studio beserta SDK dan library yang dibutuhkan).

Kebutuhan yang harus dilengkapi pengguna adalah berupa perangkat

smartphone atau tablet dengan platform Android versi minimum Jelly Bean dan

jaringan internet.

3.2 System and Software Design

Desain arsitektur yang ditentukan adalah penggunaan bahasa R untuk

melakukan proses analisa kekeringan dengan metode SPI dan peramalan jumlah

curah hujan dengan metode ARIMA.

Penggunaan server diperlukan untuk menempatkan data aktual dan data

prediksi sehingga dapat diakses oleh perangkat Android bila terkoneksi dengan

internet. Bila tidak terdapat koneksi internet, program didesain dengan fitur

penyimpanan pada perangkat sehingga pemrosesan pemetaan kekeringan juga

dapat dilakukan secara offline.

Fitur program selain mengambil data dari server adalah proses pemetaan

kekeringan menggunakan library Google Maps Android dan visualisasi hasil

pemrosesan menggunakan widget-widget dan utility yang disediakan oleh Android,

serta penggunaan library Mpandroidchart untuk menampilkan grafik.

8

3.3 Implementation and Unit Testing

Proses analisa dan peramalan kekeringan yang dilakukan

diimplementasikan menggunakan bahasa R. Proses akses data di server

diimplementasikan menggunakan bahasa PHP. Aplikasi android dibangun

menggunakan bahasa Java dan XML di editor Android Studio dengan menggunakan

library-library yang sudah disiapkan. Pengujian terhadap hasil implementasi kode

program dilakukan per tahap.

3.4 Integration and System Testing

Unit-unit yang sudah tidak terdapat kesalahan disatukan dan dilakukan

pengujian apakah sistem dapat menghasilkan keluaran dengan baik, jelas, dan

benar.

3.5 Operation and Maintenance

Program yang sudah jadi dioperasikan oleh pengguna yang membutuhkan.

Bila ada perubahan data akan dilakukan penyesuaian.

3.6 Perancangan Sistem

Gambar 3.2 Arsitektur Sistem Aplikasi Prediksi Kekeringan

Sistem aplikasi yang dibangun dijelaskan seperti pada gambar 3.2. Data

curah hujan diproses di Server, dengan menjalankan script R yang memuat baris –

baris kode berisi package ARIMA untuk proses peramalan curah hujan periode

selanjutnya dan algoritma metode SPI untuk proses analisa kekeringan. Hasil

analisa kekeringan dan peramalan curah hujan kemudian diakses oleh perangkat

Android melalui kode PHP sehingga hasil keluaran proses dapat tersimpan di

perangkat bila perangkat dalam keadaan offline. Data yang diproses untuk

divisualisasikan di perangkat Android dapat berupa data yang sudah tersedia di

9

perangkat ataupun data baru (data yang tersimpan di server atau data pribadi

pengguna) secara online. Visualisasi pada perangkat berupa tampilan informasi

kekeringan per kecamatan di Kabupaten Boyolali, pemetaan kekeringan dengan

layanan Google Maps dan teknologi Android heatmaps, serta visualisasi grafik

curah hujan aktual dan peramalannya.

Perancangan sistem menggunakan UML (Unified Modelling Language)

dibuat ke dalam use case diagram dan activity diagram.

Gambar 3.3 Use Case Aplikasi Kekeringan

Gambar 3.3 merupakan Use Case Diagram yang menggambarkan interaksi

pengguna dengan sistem yang dirancang. Gambar 3.3 dapat dijelaskan sebagai

berikut: Pengguna dapat melihat informasi cara penggunaan aplikasi yang

menjelaskan jalannya semua fitur aplikasi. Pengguna dapat melihat data secara

online maupun offline. Bila pengguna mengaktifkan internet dan terhubung ke

server, maka data yang tersedia di server akan terlihat oleh pengguna dan dapat

diproses untuk dipetakan. Saat pengguna melakukan pemrosesan data,

pengunduhan data terjadi secara otomatis dan data tersimpan di perangkat. Jika

perangkat dalam keadaan tidak terhubung dengan server, maka pengguna bisa

melihat data yang sudah pernah diunduh atau pun memasukkan data baru untuk

dipetakan. Proses yang dilakukan aplikasi saat pengguna memilih data akan

memberikan hasil berupa pemetaan daerah kekeringan, kemudian pengguna bisa

melihat detail kekeringan dari suatu kecamatan, serta dapat melihat grafik curah

hujan.

Melihat Data yang Terdapat di Server

Melihat Data yang Terdapat di

Perangkat

Memproses Data untuk Dipetakan

<<extend>>

<<extend>>

Melihat Peta Kekeringan Aktual dan

Prediksi

<<include>>

Melihat Detail Informasi Kekeringan

Aktual

<<extend>>

Melihat Grafik Curah Hujan Aktual

dan Prediksi

<<extend>>

Melihat Data Siap Dipetakan

<<extend>>

Melihat Detail Informasi Kekeringan

Prediksi

<<extend>> <<extend>>

Memasukkan Data Ke Perangkat Memilih File Data untuk Diproses

<<include>>

Melihat Panduan Penggunaan

Aplikasi

Pengguna

Melihat informasi tentang aplikasi

Menyimpan (Mendownload) Data

yang sudah diproses di perangkat

<<include>>

<<extend>>

<<include>>

10

Gambar 3.4 Activity Diagram pemrosesan data yang ada di Server

Gambar 3.4 merupakan Activity Diagram pemrosesan data yang berada di

server, dimana diagram menggambarkan alur tindakan dalam sistem, percabangan

yang mungkin terjadi, bagaimana alur sistem dari mulai hingga berakhir.

Gambar 3.4 dapat dijelaskan sebagai berikut: Saat pengguna memulai

aplikasi dan memilih menu navigasi "Data Server", maka sistem akan mengecek

apakah perangkat sudah terhubung ke server atau belum. Jika tidak terhubung,

maka muncul pemberitahuan bahwa perangkat tidak terhubung ke server dan

sistem selesai. Jika perangkat terhubung, maka sistem melakukan pengecekan

apakah tersedia data di server. Jika tidak tersedia data, maka akan ada peringatan

bahwa tidak ada data di server, lalu sistem berhenti. Jika terdapat data, maka sistem

akan menampilkan data yang ada. Saat pengguna memilih salah satu dari data yang

ditampilkan, sistem secara otomatis akan melakukan proses pemetaan

menggunakan layanan Google Maps dan Google Maps Heat Maps utility yang

kemudian hasil akan tampil berupa peta beserta heat maps. Sistem akan

menampilkan kategori kekeringan yang ada saat pengguna menyentuh button Info.

Saat pengguna menyentuh button Detail, sistem akan menampilkan detail

kekeringan dari kecamatan yang dipilih. Pada detail kekeringan yang ditampilkan

sistem, terdapat button Lihat Grafik yang akan memunculkan grafik data curah

11

hujan dari tahun 2001 sampai tahun 2013 pada bulan yang diramalkan

kekeringannya.

Gambar 3.5 Activity Diagram Pemrosesan Data Baru

Gambar 3.5 menjelaskan alur sistem saat terjadi pemrosesan data baru. Saat

pengguna memilih menu navigasi “Data Baru”, maka sistem akan mengecek

apakah perangkat dalam keadaan terhubung ke server atau tidak. Jika perangkat

tidak terhubung, maka data baru tidak dapat diproses untuk dianalisa kekeringannya

dan sistem menampilkan peringatan bahwa perangkat tidak terhubung ke server.

Jika perangkat dalam keadaan terhubung, maka data baru dicek apakah sudah

berekstensi .csv. Jika data tidak berekstensi .csv, maka sistem menampilkan

peringatan. Data yang berekstensi .csv akan diunggah sistem ke server. Di bagian

server, script PHP dan script R memproses data baru tersebut sehingga data hasil

didapatkan. Sistem secara otomatis mengunduh data hasil yang siap dipetakan.

Pengguna dapat mempetakan data baru dengan membuka navigasi “Data

Perangkat” dan memilih file data baru yang sudah dimasukkan, kemudian sistem

akan merespon dengan alur pemrosesan seperti dijelaskan pada gambar 3.4, namun

tidak dilakukan pengecekan apakah terhubung ke server atau tidak, melainkan

dilakukan pengecekan apakah terdapat data di perangkat atau tidak.

12

4. Hasil dan Pembahasan

Hasil dari sistem yang dibangun adalah berupa aplikasi Android dengan

fitur utama pemetaan kekeringan dan peramalan curah hujan di tahun 2013 yang

didapatkan dari data curah hujan tahun 2001-2012.

Gambar 4.1 Tampilan Hasil

Pemetaan Kekeringan

Gambar 4.2 Tampilan Legenda

Pemetaan Kekeringan

Kode Program 1 Kode program Menampilkan Peta Boyolali dengan Layanan Google Maps

Pemetaan yang dilakukan pada aplikasi ini menggunakan layanan Google

Maps. Kode Program 1 merupakan potongan kode untuk menampilkan peta dasar

wilayah Boyolali. Objek ‘Boyolali’ pada baris kedua dibentuk untuk memanggil

kelas LatLng dengan melempar parameter berupa garis lintang dan garis bujur

wilayah Boyolali.

1 private void createMapView(GoogleMap googleMap) {

2 LatLng Boyolali = new LatLng(-7.382324, 110.61245);

3 googleMap.moveCamera(

4 CameraUpdateFactory.newLatLngZoom(Boyolali, 10.5f)

5 );

6 googleMap.setMapType(GoogleMap.MAP_TYPE_NONE);

7 googleMap.getUiSettings().setMapToolbarEnabled(false);

8 googleMap.getUiSettings().setCompassEnabled(true);

9 googleMap.getUiSettings().setRotateGesturesEnabled(false);

10 googleMap.getUiSettings().setScrollGesturesEnabled(true);

11 }

13

Hasil pemrosesan data dapat diakses secara online saat perangkat terhubung

dengan server. Bila perangkat tidak terhubung dengan server, pengguna dapat

mengakses data yang sebelumnya sudah terunduh dan tersimpan di perangkat.

Menu lihat data di aplikasi disajikan dengan pilihan menu berupa navigasi bar,

yaitu : Data Server, Data Perangkat, atau Data Baru. Tampilan data pada aplikasi

dapat dilihat pada Gambar 4.3 dan Gambar 4.4.

Gambar 4.3 Tampilan Lihat Data

yang Terdapat di Server

Gambar 4.4 Tampilan Lihat Data

yang Terdapat di Perangkat

Saat terhubung dengan server, aplikasi akan mengecek apakah terdapat data

di server. Pengecekan ini dilakukan dengan pemanggilan file PHP yang dapat

dilihat pada Kode Program 2. File PHP ini menampilkan hasil scan direktori berupa

data JSON yang memuat nama file dan tanggal file.

Kode Program 2 Kode pengecekan ketersediaan data di Server

1 $dir = 'RData/DataHasil'; $files = scandir($dir);

2 $count = 0; $response = array(); $tempResponse = array();

3 for($i = 2; $i < count($files); $i++){

4 $temp = array();

5 $temp['data'] = $files[$i];

6 $stat = stat($dir."/".$files[$i]);

7 $time = $stat['ctime'];

8 $temp['date'] = gmdate("Y-m-d", $time);

9 $tempResponse[$count] = $temp;

10 $count++;

11 }

12 $response['result'] = $tempResponse;

13 echo json_encode($response);

14

Data hasil analisa kekeringan yang diambil dari server masih berupa nilai,

oleh karena itu pada aplikasi dilakukan pengklasifikasian indeks kekeringan seperti

pada Kode Program 3 berdasarkan pada kategori tingkat kekeringan pada tabel 1.1.

Kode Program 3 Kode Program Pengkategorian Kekeringan Berdasar Indeks SPI

Kode Program 3 merupakan potongan kode untuk memberikan kategori

kekeringan pada titik-titik di dalam batas wilayah Boyolai berdasarkan nilai indeks

kekeringan. Kategori kekeringan tersebut berupa: sangat kering, kering, agak

kering, normal, agak basah, basah, dan sangat basah.

Setiap kategori kekeringan memiliki masing-masing warna yang kemudian

akan muncul saat terjadi proses pemetaan. Munculnya warna-warna tersebut

dinamakan sebagai Heat Maps yang dapat dilakukan dengan menggunakan layanan

Google Maps Android Utility Library. Penggunaan Heat Maps Utility dapat dilihat

pada Kode Program 4.

Kode Program 4 Kode Program Menampilkan Heat Maps

Kode Program 4 merupakan potongan kode untuk memberikan warna pada

titik-titik yang sudah dikategorikan kekeringannya. Pengguna dapat melihat detail

kekeringan setiap kecamatan dengan menyentuh daerah kecamatan pada peta.

Tampilan detail kekeringan akan tampak seperti pada Gambar 4.5. Pada tampilan

1 inputStream = new FileInputStream(new File(directory + "/" + source +

"/prediksi" + source + ".csv"));

2 List result = read();

3 if (resultHasil.get(resultHasil.size() - 1) <= -2.0) {

4 sangatKering2.add(new LatLng(

5 Double.parseDouble(temp[2]),

6 Double.parseDouble(temp[1])

7 ));

8 } else if (resultHasil.get(resultHasil.size() - 1) <= -1.5 &&

resultHasil.get(resultHasil.size() - 1) > -2.0) {

9 kering2.add(new LatLng(

10 Double.parseDouble(temp[2]),

11 Double.parseDouble(temp[1])

12 ));

13 }

1 int radius = 65;

2 if (!data1.isEmpty()) {

3 int[] colors1 = { //sangat kering merah

4 Color.rgb(238, 7, 7),

5 Color.rgb(238, 7, 7)

6 };

7 float[] startPoints1 = {

8 0.5f, 1f

9 };

10 Gradient gradient1 = new Gradient(colors1, startPoints1);

11 HeatmapTileProvider mProvider1 = new HeatmapTileProvider.Builder()

12 .data(data1)

13 .gradient(gradient1)

14 .build();

15 mProvider1.setRadius(radius);

16 mProvider1.setOpacity(0.5);

17 googleMap.addTileOverlay(new

TileOverlayOptions().tileProvider(mProvider1));

15

ini pengguna dapat melihat grafik curah hujan dari data kecamatan yang dipilih.

Tampilan grafik seperti pada Gambar 4.6. Kode Program 5 merupakan potongan

kode yang berfungsi untuk menampilkan grafik menggunakan Mpandroidchart

library.

Gambar 4.5 Tampilan Lihat Detail

Kekeringan

Gambar 4.6 Tampilan Grafik Curah

Hujan

Kode Program 5 Kode Program Menampilkan Grafik

Baris 2 adalah pemanggilan kelas LineDataSet dari library

Mpandroidchart. Baris 2 melemparkan parameter list berisi data curah hujan yang

akan ditampilkan pada grafik.

Pengolahan data yang dibangun pada aplikasi ini terjadi di server,

menggunakan script R dengan package ARIMA untuk peramalan dan SPI untuk

1 private void setLineComponent1() {

2 setComp1 = new LineDataSet(FragmentMapsGraph.valsComp1, "Data

Hujan");

3 setComp1.setAxisDependency(YAxis.AxisDependency.RIGHT);

4 setComp1.setColor(Color.RED);

5 setComp1.setCircleColor(Color.RED);

6 setComp1.setCircleSize(3);

7 setComp1.setCircleColorHole(Color.RED);

8 setComp1.setDrawValues(true);

9 setComp1.setDrawFilled(true);

10 setComp1.setHighlightEnabled(false);

11 }

16

analisa kategori kekeringan. Kode penggunaan package ARIMA ditunjukkan oleh

Kode Program 6. Kode Program 6 Potongan Kode R untuk Peramalan ARIMA

Kode program 6 merupakan potongan kode R untuk peramalan curah hujan

satu bulan dari data curah hujan terakhir. Auto.arima mengembalikan model

ARIMA dan order terbaik berdasarkan nilai AIC, AICc, dan BIC. Fungsi auto.arima

melakukan perintah untuk pencarian dari seluruh model yang memungkinkan untuk

digunakan pada data time series yang ada.

Package “forecast” adalah package yang memuat metode ARIMA di script

R. Data inputan berupa data curah hujan yang diatur dalam bentuk file csv. Pada

script R dilakukan pengubahan data menjadi bentuk time series dengan pola

bulanan. Inisialisasi model ARIMA dilakukan dengan menggunakan fungsi

"auto.arima(nama variabel penampung data series)". Peramalan dilakukan dengan

fungsi "forecast(auto.arima(nama variabel penampung data series), h=1)", h

bernilai satu karena akan meramalkan satu bulan ke depan. Pada penelitian ini

penggunaan auto.arima ini terbukti lebih baik daripada penggunaan metode manual

dengan menentukan model ARIMA. Hal ini dapat disimpulkan dari perbandingan

nilai error dimana nilai error auto.arima lebih kecil daripada model yang

disimpulkan sendiri dengan melihat grafik ACF dan PACF.

Hasil peramalan menunjukkan nilai Mean Absolute Error (MAE) terkecil

terdapat pada peramalan di kecamatan Juwangi, yaitu sebesar 57.92 pada bulan

Februari. Untuk mendapatkan perbandingan apakah prediksi dengan metode

ARIMA yang digunakan sudah menghasilkan peramalan yang baik maka dilakukan

uji perbandingan hasil kesalahan ramalan menggunakan metode Holt Winters[9].

Tabel 4.1 Tabel Uji Perbandingan Akurasi Peramalan Kecamatan Juwangi.

Metode RMSE MAE

Holt-Winters 141.4316 100.903

Arima 74.74883 57.92

Tabel 4.1 memuat besar galat RMSE (Root Mean Square Error) dan MAE

(Mean Absolute Error) yang didapatkan dari proses peramalan curah hujan

kecamatan Juwangi menggunakan editor R. Semakin kecil nilai galat maka semakin

baik hasil peramalan yang dilakukan. Hasil galat yang tertera pada Tabel 4.1

menjelaskan bahwa penggunaan package ARIMA menghasilkan prediksi yang lebih

baik dibandingkan package Holt-Winters karena nilai galat dengan metode ARIMA

1 #INISIALISASI MODEL ARIMA

arima <- auto.arima(temp)

#AUTO-ARIMA FORECAST MODEL SEBANYAK n PERIODE

2 cons.forecast <- forecast(arima, h = period)

3 cons.forecast<-append(cons.forecast$fitted, cons.forecast$mean)

4 cons.forecast <- ts(cons.forecast, frequency = 12)

5 #AUTO-ARIMA ERROR FORECAST

6 cons.error.me <- mean(arima$residuals)

7 hasilPrediksi <- rbind(hasilPrediksi, cons.forecast)

17

lebih kecil dibandingkan dengan galat jika menggunakan metode Holt-Winters.

Oleh karena itu dapat dinyatakan bahwa penggunaan metode ARIMA sebagai

metode peramalan curah hujan pada penelitian ini adalah baik.

Penggunaan metode Standardized Precipitation Index (SPI) dilakukan

untuk menghitung indeks kekeringan dari hasil peramalan curah hujan pada tahun

2013. Tabel 4.2 merupakan tabel hasil pengujian peramalan curah hujan

dibandingkan dengan curah hujan aktual dan pengujian hasil pengkategorian

kekeringan berdasar nilai indeks kekeringan SPI untuk masing-masing kecamatan

di Kabupaten Boyolali pada bulan Februari 2013.

Tabel 4.2 Tabel Hasil Peramalan Curah Hujan Menggunakan Metode ARIMA dan Kategori

Kekeringan Indeks Kekeringan SPI

Kecamatan Hujan Aktual

(mm)

Hujan

Prediksi

(mm)

SPI Aktual

Februari-2013

SPI Prediksi

Februari-2013

Selo 411 411.32 Normal Normal

Ampel 339 303.55 Normal Normal

Cepogo 477 436.48 Normal Normal

Musuk 402 322.70 Normal Normal

Boyolali 330 347.58 Normal Normal

Mojosongo 316 598.94 Normal Basah

Teras 316 340.11 Normal Agak Basah

Sawit 215 257.11 Normal Normal

Banyudono 288 290.20 Normal Normal

Sambi 391 425.95 Normal Agak Basah

Ngemplak 350 233.20 Normal Normal

Nogosari 316 323.21 Normal Normal

Simo 354 261.75 Normal Normal

Karanggede 367 262.08 Agak Basah Normal

Klego 282 298.73 Normal Normal

Andong 218 269.32 Normal Normal

Kemusu 217 282.89 Normal Normal

Wonosegoro 280 290.75 Normal Normal

Juwangi 277 312.81 Normal Agak Basah

Berdasarkan hasil peramalan menggunakan metode ARIMA didapati nilai

ramalan curah hujan bulan Februari 2013 pada beberapa kecamatan di Kabupaten

Boyolali memiliki nilai yang mendekati dengan data curah hujan aktualnya.

Kategori indeks kekeringan yang didapatkan dari metode SPI juga dapat

terprediksikan dengan baik dibuktikan dengan kecocokan nilai SPI prediksi dan

nilai SPI aktualnya dimana pada bulan Februari 2013 keadaan iklim di beberapa

kecamatan di Boyolali tidak mengalami kekeringan, namun beriklim normal.

18

Pengujian aplikasi dilakukan dengan pembagian kuesioner kepada 15 orang

Penyuluh Pertanian Lapangan (PPL) untuk melihat tanggapan pengguna mengenai

aplikasi. Perhitungan hasil kuesioner menggunakan metode skala Likert. Skala

Likert digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau

sekelompok tentang kejadian atau gejala sosial.[16] Hasil pengujian ditampilkan

pada tabel 4.3.

Tabel 4.3 Tabel Pengujian Aplikasi Menggunakan Metode Skala Likert

No Pernyataan SS S N TS STS

1 Aplikasi perhitungan indeks kekeringan

bermanfaat 2 10 3 0 0

2 Cara penggunaan aplikasi mudah 0 7 5 3 0

3 Aplikasi memenuhi kebutuhan PPL 0 9 6 0 0

4 Fitur pada aplikasi berfungsi dengan baik 0 11 4 0 0

5 Tampilan aplikasi mudah dipahami 1 9 5 0 0

Hasil perhitungan dari skor pada tabel 4.2 menginterpretasikan pernyataan

pertama mendapat skor total sebesar 78,67% yang berarti pengguna menyatakan

aplikasi bermanfaat. Pernyataan kedua, walaupun masih terdapat 3 dari 15

pengguna yang menyatakan tidak setuju bahwa penggunaan aplikasi mudah karena

belum terbiasa menggunakan smartphone Android, namun hasil perhitungan

keseluruhan menyatakan nilai sebesar 65,30% yang berarti pengguna setuju bahwa

penggunaan aplikasi mudah. Pernyataan ketiga mendapat total nilai sebesar 72%

yang berarti pengguna setuju bahwa aplikasi memenuhi kebutuhan PPL.

Pernyataan keempat mendapat total nilai sebesar 74,67% yang menyatakan

pengguna setuju fitur-fitur aplikasi berfungsi dengan baik, dan pernyataan kelima

memiliki nilai total sebesar 74,67% yang berarti pengguna setuju bahwa tampilan

aplikasi mudah dipahami.

5. Simpulan

Aplikasi Android Penentuan Indeks Kekeringan dapat digunakan untuk

memvisualisasikan hasil analisa kekeringan dalam bentuk peta dengan heat maps

menggunakan layanan Google Maps, teks, dan juga grafik menggunakan library

Mpandroidchart. Aplikasi memungkinkan pengguna untuk mengakses data yang

terdapat di server secara online atau mengakses data yang sudah terunduh dan

tersimpan di memori perangkat Android secara offline. Penentuan indeks

kekeringan dilakukan menggunakan metode Standardized Precipitation Index

(SPI) yang mengkategorikan kekeringan berdasarkan nilai indeksnya. Pada

penelitian ini dilakukan peramalan curah hujan untuk satu bulan berikutnya dari

data yang diproses. Peramalan dihitung dengan menggunakan metode

Autoregressive Integrated Moving Average (ARIMA). Komputasi indeks

kekeringan SPI dan peramalan ARIMA dilakukan dengan menggunakan aplikasi R.

Package Arima di R dapat disimpulkan sebagai metode yang lebih baik

dibandingkan package Holt Winters di R.

19

6. Pustaka

[1] Hermawan, Juniarti, Trismidianto, Krismianto, dkk. 2010. Pengembangan ekspert

sistem berbasis indeks ENSO

[2] Jauhari, Harisuseno, Andawayanti. 2016. Penerapan Metode Thornthwaite

Mather dalam Analisa Kekeringan di DAS Dodokan Kabupaten Lombok Tengah

Nusa Tenggara Barat.

[3] Muliawan, Harisuseno, Suhartanto. 2014. Analisa Indeks Kekeringan dengan

Metode Standardized Precipitation Index (SPI) dan Sebaran Kekeringan Dengan

Geographic Information System (GIS) pada DAS Ngrowo.

[4] Gadi, Pical. 2015. Android Juara OS Smartphone di Asia Tenggara.

http://www.kompasiana.com/picalgadi/android-juara-os-smartphone-di-asia-

tenggara_5630dd7bb693734c0b59d54f/. Diakses tanggal 15 Februari 2015.

[5] Krjogja. 2014. Boyolali Jadi Lumbung Pangan Nasional.

http://www.krjogja.com/web/news/read/242276/boyolali_jadi_lumbung_pangan_

nasional/. Diakses tanggal 15 Februari 2016.

[6] Aisyah. 2016. Langka Turun Hujan, Lahan Padi Tadah Hujan Rawan

Kekeringan. http://birohumas.jatengprov.go.id/content/langka-turun-hujan-lahan-

padi-tadah-hujan-rawan-kekeringan/. Diakses tanggal 15 Februari 2016.

[7] Nugroho, S. Aji. 2013. Dilanda kekeringan, pemerintah dropping 5.000 liter air.

http://daerah.sindonews.com/read/786645/22/dilanda-kekeringan-pemerintah-

dropping-5-000-liter-air-1379996941/. Diakses tanggal 15 Februari 2016.

[8] Nurjianto, T. Bayu. 2012. Analisa Kekeringan DAS Amprong – Malang dengan

Metode SPI (Standardized Precipication Index)

[9] Putra, D. A. W. S. 2015. Model Prediksi Kekeringan Menggunakan Metode Holt-

Winters (Studi Kasus : Wilayah Kabupaten Boyolali)

[10] Mardiatma, B. Benny. 2012. Prediksi Spasial Curah Hujan di Wilayah Surakarta

Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) untuk

Menentukan Klasifikasi Zona Iklim.

[11] Dharmawan, Putu, Jayanegara. 1996. Pemodelan dan Peramalan Angka Curah

Hujan Bulanan Menggunakan Analisis Runtun Waktu.

[12] Hanke E. John dan Dean W. Wichern. 2005. Business Forecasting (Eight Edition).

Prentice Hall New Jersey: Pearson. Halaman 381-426.

[13] Jahoda, Philip. 2016. MPAndroidChart Library.

https://github.com/PhilJay/MPAndroidChart/. Diakses tanggal 18 April 2016.

[14] Creative Commons Attribution 3.0 License. 2016. Introduction to the Google

Maps Android API. https://developers.google.com/maps/documentation/android-

api/intro. Diakses tanggal 18 Mei 2016.

[15] Pressman. 2012. Rekayasa Perangkat Lunak. jilid I. Yogyakarta: Penerbit Andi.

[16] Riduwan. 2011. Dasar-Dasar Statistika. Bandung:Alfabeta. Halaman 38.