kristoko dwi hartomo - kristoko.files.wordpress.com · 2 kata pengantar puji syukur kita panjatkan...
Post on 02-Mar-2019
217 Views
Preview:
TRANSCRIPT
ISBN 978-979-3823-94-2
KRISTOKO DWI HARTOMO
2016
MODEL SPASIAL PENENTUAN POLA TANAM
ISBN : 978-979-3823-94-2
P E N E R B I T F T I U N I V E R S I T A S K R I S T E N S A T Y A W A C A N A
1
MODEL SPASIAL PENENTUAN
POLA TANAM
Kristoko Dwi Hartomo
Penerbit FTI Universitas Kristen Satya Wacana Salatiga
2
Kata Pengantar
Puji syukur kita panjatkan bagi Tuhan Yang Maha Esa yang senantiasa
memberikan kemudahan dalam menyelesaikan segala urusan sehingga buku
Model Spasial Penentuan Pola Tanam Dapat Tersusun.
Terima kasih yang sedalam-dalamnya kepada seluruh anggota pusat studi
SIMITRO Universitas Kristen Satya Wacana yang telah berpartisipasi dengan
sabar dan ikhlas memberi dukungan dalam setiap tahapan proses pembuatan buku
ini.
Buku ini merupakan panduan materi bagi mahasiswa dan penyuluh
pertanian untuk mempelajari bidang ilmu spasial, kearifan lokal dan penentuan
pola tanam berbasis teknologi informasi. Dalam buku ini terdapat materi konsep
dasar spasial, desain model spasial pola tanam, pengetahuan lokal pranata
mangsa, teknologi data spasial, pemodelan spatio temporal dengan model data
raster, prediksi dengan metode time series, dan penentuan pola tanam berbasis
teknologi informasi. Harapan saya semoga buku ini membantu menambah
pengetahuan dan pengalaman bagi para pembaca.
Akhirnya kami mengucapkan selamat membaca dan berpandang mesra
dengan dunia spasial yang telah saya sajikan. Dan tentu tidak lupa kami harapkan
kritik dan saran agar kami senantiasa rajin berbenah untuk memperbaiki
kesalahan dalam penulisan yang belum sempurna.
Salatiga, Agustus 2016
Penulis
3
Daftar Isi
Halaman Sampul …………………………………………………………............. 1
Kata Pengantar …………………………………………………………............. 2
Daftar Isi …………………………………………………………............. 3
BAB I. POLA TANAM EFEKTIF .....................…………………….... 4
I.1. Ketersediaan Pangan ........................…………………….... 4
I.2. Pemodelan Spasial ................................…………………… 5
I.3. Penerapan Model Spasial .…………………….................... 7
I.4. Manfaat Pemodelan Spasial Pola Tanam .………………… 8
BAB II. KONSEP DATA SPASIA …………………….......................... 10
II.1. Data Spasial Curah Hujan ……………………................... 10
II.2. Lokasi Studi Kasus …………………….............................. 11
II.3. Konsep SpeCS Framework ……………………................. 14
II.4. Function Modules ……………………................................ 15
II.5. Pengetahuan Lokal PM ……………………....................... 16
II.6. Teknologi Data Spasial ……………………....................... 18
II.7. Pemodelan Spatio Temporal ...............…………………… 19
II.8. Prediksi Time Series ...........................…………………… 20
BAB III. DESAIN MODEL SPASIAL POLA TANAM ......…………… 24
III.1. Dasar Desain Model ...............................………………… 24
III.2. Metodologi Menyusun Model ...........…………………… 26
III.3. Desain KMS PM ................................…………………… 26
III.4. Sumber Pengetahuan KMS PM .........…………………… 29
III.5. SRS Document KMS PM ..................…………………… 33
BAB IV. IMPLEMENTASI MODEL KMS PM .......…………………… 40
IV.1. Input ...................................................…………………… 40
IV.2. Proses .................................................…………………… 42
IV.3. Output ................................................…………………… 43
BAB V. IMPLEMENTASI DAN PENGUJIAN MODEL POLA
TANAM .....................................................……………………
48
V.1. Input ...................................................…………………… 48
V.2. Proses .................................................…………………… 50
V.3. Output .................................................…………………… 52
V.4. Sumber Pengetahun KMS PM ............…………………… 52
V.5. Pengujian Model Pola Tanam .............…………………… 54
Daftar Pustaka ……………………................................................................... 56
4
BAB I
POLA TANAM EFEKTIF
I.1. Ketersediaan Pangan
Permasalahan utama dalam mewujudkan ketersediaan pangan di Indonesia
saat ini terkait dengan adanya fakta bahwa pertumbuhan permintaan pangan yang
lebih cepat dari pertumbuhan penyediaannya. Permintaan yang meningkat cepat
tersebut merupakan resultante dari peningkatan jumlah penduduk, pertumbuhan
ekonomi, peningkatan daya beli masyarakat dan perubahan selera. Sementara itu
kapasitas produksi pangan nasional pertumbuhannya lambat bahkan stagnan
disebabkan oleh adanya kompetisi dalam pemanfaatan sumberdaya lahan dan air
serta stagnannya pertumbuhan produktivitas lahan dan tenaga kerja pertanian.
Ketidakseimbangan pertumbuhan permintaan dan pertumbuhan kapasitas
produksi nasional tersebut mengakibatkan adanya kecenderungan meningkatnya
penyediaan pangan nasional yang berasal dari impor. Ketergantungan terhadap
pangan impor ini terkait dengan upaya mewujudkan stabilitas penyediaan pangan
nasional (Hasan, 2006).
Kondisi iklim dan cuaca seringkali menyebabkan kegagalan dan
keberhasilan dalam usahatani (Effendy, 2001). Dampak konkrit pengaruh iklim
terhadap produksi pertanian khususnya tanaman pangan meliputi dua hal,
pertama kegagalan panen akibat kekeringan atau banjir. Dan kedua penurunan
produksi pertanian akibat penyimpangan iklim yang mempengaruhi periode
pertumbuhan. Jika ini terjadi secara permanen, akan menyebabkan kerugian pada
petani dan pada akhirnya akan mengancam ketersediaan pangan nasional kita.
Selama ini petani sebenarnya sudah menggunakan fenomena alam sebagai
indikator penataan pola tanam dalam bentuk pengetahuan lokal pranata mangsa.
Selama berabad-abad, sistem ini dikenal masyarakat jawa untuk memahami
kondisi cuaca yang akan dikaitkan dengan pelaksanaan usahataninya. Pranata
5
mangsa merupakan cara tradisional masyarakat Jawa dalam memprediksi cuaca
dan iklim sudah ada sejak dulu, yang berdasar pada kejadian-kejadian alam,
sehingga pengguna cara ini harus “ingat” (dalam bahasa Jawa: titen), kapan harus
menanam dan memanen. Tingkat akurasi prediksi tradisional saat ini seringkali
bias, seiring dengan hilangnya beberapa indikator alam akibat kerusakan alam
(Kompas, 2004).
Pengenalan waktu tradisional Pranata Mangsa terbukti benar-benar berada
di tengah-tengah masyarakat dan masih banyak yang memanfaatkannya, terutama
masyarakat di daerah pedesaan. Pemanasan global menimbulkan terjadinya
pergeseran iklim yang menyebabkan pemanfaatan pranata mangsa menjadi tidak
valid. (Wisnubroto, 2002).
Dalam kurun waktu 20 tahun ini, sistem ini sudah tidak efektif lagi
diterapkan karena terjadi perubahan iklim yang terjadi secara global. Indonesia
juga terkena dampak dari el nino dan la nina, yang dalam pranata mangsa
Indonesia, belum dimasukkan sebagai salah satu variabel penentu.
I.2. Pemodelan Spasial
Saat ini telah berkembang sistem informasi berbasis spasial mining dan
Knowledge Management System (KMS) dengan informasi yang user friendly dan
tingkat akurasi tinggi. Permasalahannya adalah bagaimana mengkombinasikan
pranata mangsa dan teknologi modern spasial serta KMS tersebut menjadi model
pranata mangsa terbarukan yang lebih efektif berperan dalam membantu petani
untuk merencanakan pola tanam efektif dengan melakukan optimalisasi
framework Spatial Decision Collaborative Support Framework.
Pemodelan spasial pola tanam efektif diharapkan dapat memberikan
informasi dengan reliabilitas dan validitas tinggi bagi petugas pada dinas terkait.
Hal ini akan berdampak terhadap penurunan resiko kegagalan usaha tani,
6
peningkatan produksi dan ketersediaan pangan lokal dan mengurangi resiko
kerawanan pangan dan gizi, sebagaimana Gambar 1.
Pranata Mangsa
(Tidak akurat untuk
perencanaan pola tanam
karena ada anomali
iklim dampak dari
pemanasan global)
Agrometeorologi
Sistem Pranata Mangsa
Terbarukan
Penataan Pola Tanam
Efektif dan Akurat
Penurunan resiko
usaha tani
Peningkatan produksi
pangan lokal
Prediksi Iklim
Berdasarkan
Data-Data
Klimatologi
MODIFIKASI & OPTIMALISASI
Spatial Decision Collaborative
Support Framework
Peningkatan
Ketahanan
Pangan
Spatial Mining
Gambar 1.1. Pemodelan spasial
Tujuan pemodelan spasial pola tanam efektif adalah berkontribusi dalam
menurunkan angka kerawanan pangan sekaligus memperkuat ketahanan pangan
masyarakat, menghasilkan panduan pola tanam yang efektif dan tepat untuk
usaha tani dengan perangkat lunak pranata mangsa baru berbasis Spatial Decision
Collaborative Support Framework, menghasilkan metode dan prosedur
perencanaan pola tanam efektif menggunakan model pengetahuan lokal
pranatamangsa, menghasikan Spatial Decision Collaborative Support
Framework yang telah teroptimalisasi untuk penentuan pola tanam efektif,
melakukan evaluasi optimalitas, efektifitas dan efisiensi dan analisis dampak
pemanfaatan model pranata mangsa terbarukan dalam usaha tani di lokasi studi,
melakukan evaluasi optimalitas, efektifitas dan efisiensi dan analisis Spatial
Decision Collaborative Support Framework, dan melestarikan pengetahuan lokal
pranata mangsa sebagai peninggalan budaya luhur bangsa Indonesia
memanfaatkan Knowledge Management System (KMS).
7
I.3. Penerapan Model Spasial
Kondisi iklim dan cuaca seringkali menyebabkan kegagalan dan
keberhasilan dalam usaha tani sehingga diperlukan sistem dan mekanisme untuk
memprediksi iklim dan memberikan panduan bagi petani untuk penentuan pola
tanam yang tepat.
Pengenalan waktu tradisional Pranata Mangsa terbukti benar-benar berada
di tengah-tengah masyarakat dan masih banyak yang memanfaatkannya, terutama
masyarakat di daerah pedesaan. Pemanasan global menimbulkan terjadinya
pergeseran iklim yang menyebabkan pemanfaatan pranata mangsa menjadi tidak
valid. Penerapan sistem ini akan membuka peluang penurunan kegagalan usaha
tani.
Buku ini akan membahas model baru Pranata Mangsa Terbarukan
berbasis teknologi informasi dan data agrometeorologi yang lebih akurat dan
mudah sehingga dapat digunakan oleh pihak terkait guna melakukan perencanaan
pola tanam yang efektif. Pola tanam efektif selalu terkait dengan akurasi prediksi
cuaca dan dampak lanjutannya adalah kepada manajemen air dan produksi
tanaman. Model baru ini akan memperkaya kajian teoritis mengenai
implementasi dari teknologi informasi. Dari sisi pembangunan pertanian, akan
ada penambahan iptek dalam hal melakukan prediksi cuaca dan perencanaan
usaha tani.
Pembahasan buku ini diharapkan menghasilkan iptek terapan berupa
rekayasa sosial dalam hal perencanaan pola tanam. Secara filosofis hampir
seluruh petani di wilayah Jawa dan Bali mengenal pengetahuan lokal pranata
mangsa. Pranata mangsa merupakan indikator kejadian alam seperti musim
penghujan, kemarau, musim berbunga, musim gugur dan sebagainya. Tujuan
penggunaan pengetahuan ini adalah pengurangan risiko dan pencegahan biaya
produksi tinggi. Namun demikian, indikator kejadian alam tersebut menjadi tidak
tepat karena perubahan lingkungan global. Sebagai contoh kejadian pergeseran
8
musim hujan dan musim kemarau berdampak pergeseran musim berbunga dan
masa panen. Pada buku ini pranata mangsa dieksplorasi secara mendalam,
dikombinasikan dengan pengetahuan agrometeorologi dan disajikan dalam susatu
sistem yang dapat menghasilkan pengetahuan tata pola tanam yang lebih akurat,
diperoleh dalam waktu yang lebih cepat, mencakup wilayah yang luas dan sangat
bermanfaat bagi usaha tani dalam perencanaan masa tanam di daerah.
Berdasarkan penelitian, faktor kegagalan usaha tani yang berpengaruh
secara signifikan adalah kurangnya pengetahuan masyarakat terhadap anomali
iklim dan budaya turun temurun masyarakat untuk menggunakan pranata
mangsa. Sebagai langkah preventif untuk menyediakan pengetahuan baru
tersebut maka dalam buku ini akan dibangun model dan media pembelajaran
penentuan pola tanam efektif dengan system yang baru. Introduksi pengetahuan
tentang system yang baru akan dapat meningkatkan kemampuan masyarakat
membaca perubahan iklim dan akan menurunkan angka kegagalan panen.
I.4. Manfaat Pemodelan Spasial Pola Tanam
Riset yang baik harus mempunyai kontribusi atau manfaat kepada pemakai
hasil riset. Kontribusi riset dapat berupa kontribusi teori, kontribusi praktek dan
kontribusi kebijakan. Kontribusi riset juga harus berhubungan dengan isu yang
diteliti, kontribusinya pemodelan spasial pola tanam adalah :
- Kontribusi teori : riset ini akan memperbaiki teori yang ada, teori
tentang framework Spatial Decision Collaborative Support- SpeCH
(Medeiros dkk., Proceedings from ACM/SAC, Las Vegas, 2001) akan
dioptimalisasi dengan memanfaatkan Knowledge Management System.
- Kontribusi praktek : produk dari riset dapat digunakan dan diterapkan
oleh pengguna minimal di lokasi studi dilaksanakannya riset ini, produk
riset ini adalah perangkat lunak penentuan pola tanam efektif berbasis
spasial dapat dimanfaatkan masyarakat petani melalui PPL (Penyuluh
9
Pertanian Lapangan) di daerah Kab. Boyolali sebagai panduan memulai
bercocok tanam.
- Kontribusi kebijakan : kontribusi bagi regulator untuk kepentingan
public, dengan adanya framework baru dan system penentuan pola tanam
efektif akan dapat dijadikan standar baku bagi dinas pertanian untuk
diimplementasikan secara nasional dengan memperhatikan kondisi
wilayah masing-masing.
10
BAB II
KONSEP DATA SPASIAL
II.1. Data Spasial Curah Hujan
Data spasial sebaran curah hujan yang akan digunakan pada model pola
tanam terlihat seperti gambar 2.1.
Gambar 2.1. Sebaran Curah Hujan di Kabupaten Boyolali Bulan Januari dan
Pebruari
Unsur iklim terutama curah hujan akan menentukan pola tanam dan kalender
tanam di suatu daerah. Berdasarkan data pengamatan curah hujan 10 tahun (2000
– 2009) maka peta sebaran curah hujan di Kabupaten Boyolali (wilayah yang
digunakan untuk studi kasus) seperti tertera dalam gambar 2.1. Karakteristik
iklim yang ada di di wilayah Boyolali dan ditentukan pola tanam serta kalender
tanam yang sesuai dengan kondisi lingkungannya, adapun karakteristik curah
hujan periode lampau adalah seperti gambar 2.2.
11
Gambar 2.2. Analisis curah hujan periode lampau
Permasalahan yang akan diselesaikan dengan pemodelan spasial pola tanam
adalah : framework yang dapat menampung sejumlah besar data, fungsi dan
metode yang digunakan untuk menyelesaikan permasalahan riil pembuatan
system pranata mangsa model baru untuk perencanaan pola tanam efektif.
Permasalah kedua adalah masing parsialnya desain dan implementasi system
sehingga timbul permasalahan saat integrasi data. Permasalahan ketiga adalah
prediksi iklim belum optimal (akurasi masih rendah). Untuk mengatasi
permasalahan-permasalahan yang masih muncul pada penelitian terdahulu maka
proposal riset ini diajukan. Diharapkan buku ini dapat menghasilkan framework
dan sistem baru yang terintegrasi dan mampu menampung sejumlah besar data,
fungsi dan metode yang digunakan untuk menyelesaikan permasalahan riil
pembuatan sistem pranata mangsa model baru untuk perencanaan pola tanam
efektif serta dengan pemanfaatan teknik spatial mining dengan exponential
smoothing maka akurasi prediksi untuk menentukan pola tanam menjadi
meningkat.
II.2. Kondisi Lokasi Studi Kasus di Kabupaten Boyolali
Kabupaten Boyolali memiliki luas wilayah lebih kurang 101.510.0965 ha
atau kurang 4,5 % dari luas Propinsi Jawa Tengah. Wilayah Boyolali terletak
0
100
200
300
400
500
600
700
CH BulananRataan (PranataMangsa Baru,2000 - 2009)
CH PranataMangsa (Sukardi,79 - 89)
12
antara 110o 22’ BT – 110o50’ BT dan 7o36’ LS – 7o71’LS dengan ketinggian
antara 100 meter sampai dengan 1.500 meter dari permukaan laut. Sebelah timur
dan selatan merupakan daerah rendah, sedang sebelah utara dan barat merupakan
daerah pegunungan, terlihat di gambar 2.3. Adapun batas administrasi
Kabupaten Boyolali sebagai berikut:
- Sebelah utara : Berbatasan dengan wilayah Kabupaten Semarang dan
Kabupaten Grobogan. Wilayah tersebut umumnya petani mengusahakan
komoditas tanaman pangan, tanaman sayuran dataran rendah dan
perkebunan-kehutanan yaitu padi, palawija, kacang panjang, buncis, melon,
semangka, pare, kopi, cengkeh, sengon.
- Sebelah Timur : Berbatasan dengan wilayah Kabupaten Sragen, Kabupaten
Karanganyar, Kota Surakarta dan Kabupaten Sukoharjo.Wilayah tersebut
umumnya petani mengusahakan komoditas tanaman pangan, tanaman
sayuran dataran rendah dan perkebunan-kehutanan yaitu padi, palawija,
kacang panjang, buncis, melon, semangka, pare, kopi, cengkeh, sengon.
- Sebelah Selatan : Berbatasan dengan wilayah Kabupaten Klaten dan DIY.
Wilayah tersebut umumnya petani mengusahakan komoditas tanaman
pangan, tanaman sayuran dataran rendah dan perkebunan-kehutanan yaitu
padi, palawija, kacang panjang, buncis, melon, semangka, pare, kopi,
cengkeh, sengon.
- Sebelah Barat : Berbatasan dengan wilayah Kabupaten Magelang dan
Kabupaten Semarang. Wilayah tersebut umumnya petani mengusahakan
komoditas tanaman pangan, tanaman sayuran dataran tinggi dan perkebunan-
kehutanan yaitu padi, palawija, kobis,wortel, bawang daun, kopi, cengkeh,
sengon.
13
-
Gambar 2.3. Peta Pembagian Wilayah Kabupaten Boyolali
Menurut ketinggian dari permukaan laut, wilayah Kabupaten Boyolali dibagi
dalam kelompok sebagai berikut:
1) 100 – 400 m dpl yang meliputi Kecamatan Teras, Bayudono, Sawit, Sambi,
Ngemplak, Simo, Nogosari, Kemusu, Karanggede, Mojosongo, dan sebagian
Boyolali.
2) 400 - 700 m dpl yang meliputi sebagian Kecamatan Boyolali, Mojosongo,
Musuk, Ampel dan Karanggede.
3) 700 - 1000 m dpl yang meliputisebagian Kecamatan Musuk, Ampel, dan
Cepogo
4) 1000 - 1300 m dpl yang meliputi sebagian Kecamatan Cepogo dan Ampel
5) 1300 - 1500 m dpl yang meliputi sebagian Kecamatan Selo
Sungai utama di wilayah Kabupaten Boyolali yaitu Sungai Serang,
Cemoro, Pepe, dan Sungai Gandul. Selain itu terdapat 3 buah Waduk yaitu:
Waduk Cengklik di Kecamatan Ngemplak, Waduk Kedung Ombo di Kemusu
dan Waduk Bade di Kecamatan Klego. Sumber air dangkal yang cukup besar di
14
Tlatar Kecamatan Boyolali, Nepen di Kecamatan Teras dan Pengging di
Kecamatan Banyudono.
Luas Wilayah Kabupaten Boyolali 101.510,0965 Ha terdiri dari:
1) Tanah Sawah : 23.287,4945 Ha (23,0 %)
2) Tanah Kering : 56.186,0830 Ha (55,3 %)
3) Tanah Lain :22.036,5190 Ha (21,7 %)
Rata-rata produksi padi Boyolali mencapai 207.312 ton per tahun pada areal
37.194 hektar yang tersebar di Kecamatan Nogosari, Andong, Karanggede,
Banyudono dan Ngemplak Selain dikonsumsi lokal, padi juga dipasarkan ke
berbagai daerah untuk kepentingan industri pangan.
II.3. Konsep Spatial Decision Collaborative Support (SpeCS) Framework
Kebutuhan untuk berbagi pengetahuan dari sumber yang heterogen dan
didistribusikan telah hadir selama evolusi teknologi Geomatika. Ini hasil dari
volume besar data spasial yang tersimpan di berbagai GIS (didistribusikan
melalui berbagai platform), semakin rumit analisis data dan tinggi biaya akuisisi
data. Sama seperti dengan data alfanumerik, dalam data spasial ada kebutuhan
untuk definisi dan konsisten terhadap aturan-aturan tertentu untuk menjaga
integritas data (Medeiros dkk., Proceedings from ACM/SAC, Las Vegas, 2001).
Karena pengguna GIS milik area aplikasi spesifik yang mewakili kompetensi
yang berbeda,agenda politik dan kepentingan sosial, dan sering tidak memiliki
pengetahuan tentang daerah-daerah lain yang akan dianalisis, pada jurnal ini
diusulkan penggunaan spesifikasi. SPECS memasok karya kolaboratif
lingkungan meningkatkan sinergi dan kerjasama pengguna selama pertukaran
data antara GIS sumber-sumber pengetahuan. SPECS terdiri dari tiga lapisan
fungsional : Decision Tools, Knowledge Toolsdan Data Integration Layer
(Medeiros dkk., 2001). Buku ini akan focus melakukan optimalisasi lapis kedua.
SPECS (Spatial Decision Collaborative Support) menawarkan sebuah solusi
terintegrasi, fleksibel dan mudah digunakan pada lingkungan kerja di mana
15
anggota kelompok dapat didistribusikan secara geografis di lingkungan yang
berbeda dan masih dapat saling berinteraksi selama proses pengambilan
keputusan (Medeiros dkk., 2001). Bagian berikut menjelaskan fungsi modul pada
SPECS framework dan menjelaskan fasilitas knowledge management.
II.4. Functional Modules
Modul fungsional utama yang membentuk kerangka spesifikasi adalah
Decision Tools, Knowledge Tools,Integration LayerdanKnowledge Repositories.
Gambar 2.4 rincian modul utama SPECS framework.
Gambar 2.4. SPeCS Functional Modules (Sumber : Pinto dkk, the
proceedings of CSCWD, London, 2001)
Decision tools mewakili dan mengkoordinasikan kegiatan yang terlibat dalam
proses pengambilan keputusan dari tahap definisi masalah sampai dengan
16
membuat spesifikasi dan mendokumentasikan dari semua solusi yang dihasilkan
diskusi. Knowledge tools mencakup mekanisme untuk perencanaan pengambilan
dan pengukuran, visual chatting, survey control dan knowledge management.
Decision Planning tools memungkinkan kustomisasi workflow pembuatan
keputusan dan memperkenalkan langkah-langkah pengambilan keputusan sesuai
denganwork flow pemecahan masalah. V-Chat tools digunakan untuk
mengintegrasikan Chat, Forum dan fasilitas email. Namun, dasar dari percakapan
adalah suatu kerangka kerja semantik, yang memungkinkan penggunaan saling
berargumentasi untuk menghasilkan keputusan.
Integrasi Layer memungkinkan integrasi dan berbagi sumber data yang
heterogen menggunakan teknik mediasi dengan menyediakan interoperabilitas
antara repositori data yang tersebar di web, dengan tetap mempertahankan
kebebasan data (Pinto dkk., 2011).
II.5. Pengetahuan Lokal Pranata Mangsa
Beberapa prediksi cuaca dan iklim tradisional di Indonesia di antaranya
Pranata Mangsa di Jawa, Kala di Sunda, Porhalaan di Batak, Wariga di Bali.
Dalam tulisan ini akan dibahas lebih jauh tentang pranata mangsa. “Pranata
mangsa” berasal dari bahasa Jawa, “pranata” yang berarti tatacara atau prosedur,
sedangkan “mangsa” berarti musim. Pada masa Kerajaan Mataram, Sultan Agung
menciptakan kalender Jawa dengan merubah sistem perhitungan tahun Saka yang
berdasar peredaran semu matahari terhadap bumi dengan peredaran bulan
terhadap bumi, seperti tahun Hijriyah, tetapi angka tahunnya melanjutkan angka
tahun Saka. Sultan Agung berhasil memadukan metode perhitungan kalender
Islam dan Jawa (Hindu). Kalender Jawa tersebut berisikan pawukon dan pranata
mangsa. Pawukon menyangkut perwatakan manusia, hari-hari baik untuk
berdagang, usaha, mantu (hari pernikahan), boyongan (pindah rumah), kapan
melakukan tirakat juga hari-hari pantangan atau walang sanger, taliwangke,
samparwangke, sarik agung, dhendhan kukudan, dan lain sebagainya. Pranata
17
mangsa dipergunakan untuk menentukan mulai tandur (menanam padi), menuai
padi, dan menanam palawija.
Bahasan pranata mangsa meliputi pembagian musim (mangsa) dan jumlah
hari, aktifitas (kegiatan) petani, ciri – ciri yang nampak (tanda-tanda alam) pada
masing-masing mangsa (Gambar 2.5). Dalam siklus 365 hari dibagi menjadi
duabelas musim (seasons) atau dalam bahasa Jawa “mangsa” dengan panjang
hari yang berbeda-beda, Kasa (kesatu): 41 hari (23 Juni – 2 Agustus), Karo
(kedua): 23 hari (3 Agustus-26 Agustus), hingga musim Sadha (keduabelas): 41
hari (14 Mei-22 Juni) (lingkaran ketiga).
Gambar 2.5. Pranata mangsa (Sumber: Ki Hudoyo Doyodipuro, dimodifikasi
: www.xentana.com/java/calendar.htm)
Keduabelas musim ini kemudian diklasifikasikan menjadi empat musim
umum (lingkaran pertama) yaitu musim kemarau (88 hari), labuh (peralihan
pertama : 95 hari), penghujan (94/95 hari), dan musim mareng (peralihan kedua:
88 hari). Aktifitas petani (lingkaran kedua) untuk setiap mangsa berputar
berlawanan arah dengan jarum jam mulai mangsa pertama/kasa dengan aktifitas
penanaman palawija di sawah, bulan kedua/karo pertumbuhan palawija hingga
mangsa keduabelas/sadha dengan aktifitas panen padi sawah dan padi ladang. Di
samping aktifitas petani, pranata mangsa juga memberikan ciri atau fenomena
18
alam yang terjadi untuk setiap mangsa, misal mangsa pertama (22 Juni – 2
Agustus), fenomena alam yang terjadi adalah angin dari timur laut ke barat daya,
suhu tinggi, mata air mengecil, daun gugur dan pohon gundul, belalang dan
serangga bertelur.
Dengan pranata mangsa petani dapat merencanakan kapan mulai tanam dan
menuai hasil, seperti penanaman padi di sawah dapat dilakukan pada mangsa
kanem dan kapitu yaitu jatuh pada 10 Nopember – 3 Februari. Pada mangsa itu
ditandai dengan angin dari barat ke timur, kencang, hawa basah, dingin, banyak
hujan, rambutan, durian, manggis mulai masak terutama pada mangsa kanem,
sedang mangsa kapitu ditandai dengan angin dari barat, hawa basah, dingin dan
banyak hujan, sering banjir, burung susah cari makan. Panen padi sawah
diperkirakan akan jatuh pada mangsa kasapuluh, dhestal dan sadha. Fenomena
alam yang terjadi adalah angin berhembus dari tenggara, kuat dan tetap, hujan
sedikit, burung membuat sarang, suhu panas, tanaman berumbi menua dan
burung mengeram (Kompas, 2004).
II.6. Teknologi Data Spasial
Pada pemanfaatannya data spasial yang diolah dengan menggunakan
komputer (data spasial digital) menggunakan model sebagai pendekatannya.
Economic and Social Comminssion for Asia and the Pasific (1996),
mendefinisikan model data sebagai suatu set logika atau aturan dan karakteristik
dari suatu data spasial. Model data merupakan representasi hubungan antara
dunia nyata dengan data spasial.
Terdapat dua model dalam data spasial, yaitu model data raster dan model
data vektor. Keduanya memiliki karakteristik yang berbeda, selain itu dalam
pemanfaatannya tergantung dari masukan data dan hasil akhir yang akan
dihasilkan. Model data tersebut merupakan representasi dari obyek-obyek
geografi yang terekam sehingga dapat dikenali dan diproses oleh komputer.
(Chang, 2002) menjabarkan model data vektor menjadi beberapa bagian lagi
19
(dapat dilihat pada Gambar 2.6), sedangkan penjelasan dari model data tersebut
akan dibahas dalam sub bab berikut ini.
DATA SPASIAL
MODEL DATA VEKTOR MODEL DATA RASTER
NON-TOPOLOGI TOPOLOGI
DATA SEDERHANA
(SIMPLE DATA)
DATA TINGKAT TINGGI
(HIGHER-DATA LEVEL)
TIN
(TRIANGULATED
IRREGULAR NETWORK)
REGIONSDYNAMIC
SEGMENTATION
Gambar 2.6. Klasifikasi Model Data Spasial (Sumber : Dhani Gumelar , Lisensi
Dokumen: Copyright © 2003-2007 IlmuKomputer.Com)
II.7. Pemodelan Spatio Temporal dengan Model Data Raster
Data raster yang merpresentasikan peta tematik dapat diturunkan dari hasil
analisis data lain. Aktivitas yang dilakukan :
- Melakukan klasifikasi citra satelit untuk menghasilkan kategori tutupan lahan
(land cover).
- Mengelompokan nilai dari data multispektral kedalam kelas tertentu (seperti
tipe vegetasi) dan memberikan nilai terhadap kategori tersebut.
- Operasi geoprocessing yang dikombinasikan dari berbagai macam sumber,
seperti vektor, raster, dan data permukaan.
- Menggunakan data raster klimatologi pertanian sebagai masukannya untuk
menghasilkan peta kesesuaian pola tanam dengan pranata mangsa terbarukan
seperti yang terlihat pada gambar 2.7.
20
Gambar 2.7. Model raster untuk perencanaan pola tanam efektif
II.8. Prediksi Dengan Metode Time Series
Menurut Makridakis (1989) dalam Ai (1999) peramalan adalah kegiatan
untuk memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui
dari variabel tersebut atau variabel yang berhubungan. Menurut Mulyana (2004)
pengertian peramalan (forecasting) dapat dibedakan dengan prakiraan
(prediction). Peramalan adalah proses penaksiran nilai data berdasarkan sebuah
model hubungan fungsional antar nilai data sedangkan prakiraan (prediction)
adalah estimasi nilai data tanpa memperhatikan hubungan antar nilai
data.Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif.
Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan
pendekatan matematis maupun statistik. Metode kuantitatif dibedakan menjadi
dua cara yaitu metode kausal dan metode runtun waktu. Metode kausal
menggunakan variabel tunggal sedangkan metode runtun waktu hanya meninjau
nilai sebuah variabel sebagai fungsi waktu. Menurut Sitepu (2009) sifat yang
umum pada runtun waktu adalah periodeksitas. Bentuk runtun waktu musiman
atau periodik tidak deterministik, karena tidak berulang secara murni dari satu
periode ke periode lainnya. Hal ini disebabkan adanya variasi acak pada periode
tersebut. Istilah “musim” merupakan istilah umum, yang menyatakan
periodeksitas integral (misalnya, 24 jam, 12 bulan, 52 minggu, dan lain-lain).
runtun waktu musiman mempunyai karakteristik yang ditunjukkan oleh adanya
21
korelasi berurutan yang kuat pada jarak semusim (periode musim), yakni waktu
yang berkaitan dengan banyak observasi pada periode musim. Adapun klasifikasi
peramalan adalah sebagaimana disajikan pada Gambar 2.8.
Forecasting Method
Objective Forecasting Subjective Forecasting
Time Series Causal
Naive
Moving Average
Exponential
Smoothing
Simple
Regression
Arima
Simple
Regression
Multiple
Regression
Analogies
Delphi
Pert
Survey
Gambar 2.8. Klasifikasi Prediksi
Metode peramalan runtun waktu yang telah digunakan oleh BPTP Dinas
Pertanian RI meliputi (1) metode Naive, (2) metode Average, (3) metode Moving
Average, (4) metode ExponentialSmoothing. Menurut Ai (1999) peramalan
Exponential Smoothing merupakan metode runtun waktu yang menggunakan
pembobotan data masa lalu secara eksponensial. Terdapat beberapa kategori, (1)
Single Exponential Smoothing, (2) Brown’s One-Parameter Double Exponential
Smoothing, (3) Holt’s Two-Parameter Double Exponential Smoothing dan (4)
Winter’s Three-Parameter Triple Exponential Smoothing. Menurut Suhartono
(2008) secara umum metode Exponential Smoothing menggunakan nilai
penghalusan secara eksponensial sebagai ramalan dari kejadian di satu waktu
yang akan datang, Yt+k ˆ. Ada empat macam model eksponensial, yaitu
eksponensial sederhana (untuk data dengan pola stasioner), eksponensial
gandayang dikenal dengan model Holt (untuk data dengan pola trend), dan model
22
Holt‐Winters (untuk data dengan pola musiman dengan atau tanpa trend).
Adapun persamaan keempat metode tersebut adalah sebagaimana berikut ini.
Metode Single Exponential Smoothingmenggunakan sebuah parameter α yang
dibobotkan kepada data terbaru dan membobotkan nilai (1- α) kepada hasil
peramalan periode
sebelumnya. Harga α terletak antara 0 dan 1.
(1)
yang mana :
: ramalan untuk periode waktu t + 1
: data periode waktu t
: ramalan untuk periode waktu t
Metode Brown’s One-Parameter Double Exponential
Smoothingmenggunakan dua kali tahap pemulusan dengan parameter yang sama
besarnya yaitu α.Besarnya α juga terletak di antara 0 dan 1.
(2)
(3)
(4)
(5)
.m (6)
yang mana :
: pemulusan orede kesatu untuk periode t
: pemulusan orede kedua untuk periode t
: pemulusan orede kesatu untuk periode t – 1
23
: pemulusan orde kedua untuk periode t – 1
: ramalan untuk periode waktu t + m
m : periode waktu yang diramalkan : 1,2,3,…
24
BAB III
DESAIN MODEL SPASIAL POLA TANAM
III.1. Dasar Desain Model
Buku model spasial penentuan pola tanam sesuai dengan riset-riset terdahulu,
hal ini dapat dilihat dari judul-judul penelitian yang pernah dilakukan
sebelumnya (sebagian besar di danai DIKTI) dan telah terbit di jurnal nasional
maupun internasional. Untuk bidang komputasional pernah dilakukan penelitian
dengan judul Rekonstruksi Struktur Lahan Menggunakan Metode Komputasi
Triangulasi Delaunay (Eko, 2005) terbit pada jurnal yang diterbitkan UBINUS
Jakarta dan riset dengan judul Modifikasi Algoritma Triangulasi Delaunay dan
Implementasi Paralel untuk Komputasi Rekonstruksi Obyek (Eko, 2006) riset
dengan dana BPPS DIKTI. Sedangkan riset sebelumnya pada bidang pengolahan
data spasial dan sistem prediksi dengan judul Sistem Mitigasi Bencana Kejadian
Luar Biasa (KLB) Penyakit Demam Berdarah Dengue (DBD)Menggunakan
Teknologi Spasial (Kristoko dkk, 2009-2010) riset ini adalah hibah STRANAS
dengan dana DIKTI dan riset dengan judul Peningkatan Ketersediaan Pangan
Melalui Perencanaan Pola Tanam Efektif Menggunakan Sistem Pranata Mangsa
Terbarukan Berbasis Agrometeorologi (Kristoko dkk., 2010-2011) yang
merupakan program hibah bersaing DIKTI. Untuk lebih jelasnya keseluruhan
penelitian yang relevan dengan topik buku ini dapat dilihat pada gambar 3.1.
Dari penelitian-penelitian terdahulu, buku ini akan membahas Optimalisasi
Spatial Decision Collaborative Support Framework (SPeCS) Untuk Analisis
Desain Sistem Pranata Mangsa Terbarukan Berbasis Klimatologi Dan Spatial
Mining (Studi Kasus : Perencanaan Pola Tanam Efektif. Buku ini mempunyai
dasar yang sama dengan penelitian sebelumnya yaitu bidang komputasi, prediksi
dan spasial. Perbedaan dan kelebihan buku ini dari buku yang lain adalah
penyempurnaan sistem prediksi dengan optimalisasi komputasi spatial mining
dan optimalisasi Spatial Decision Collaborative Support Framework (SPeCS)
yang belum pernah diimplementasikan pada penelitian terdahulu. Dengan adanya
optimalisasi dan penyempurnaan metode dan teknik diharapkan ada peningkatan
akurasi dari prediksi data klimatologi untuk perencanaan pola tanam efektif
sehingga tujuan akhir untuk meminimalisasi kegagalan usaha tani dapat tercapai.
25
Gambar 3.1. Penelitian terdahulu yang relevan
Sistem mitigasi bencana Kejadian Luar Biasa (KLB)
penyakit Demam Berdarah Dengue (DBD) menggunakan
teknologi Spasial
(Riset Stranas DIKTI, 2009 dan 2010)
1. Visualisasi Komputasi Fraktal Bilangan Imajiner Pada Grafika Komputer (Eko, 2006).
2. Comparison of Parallel Divide and Conquer and Incremental Construction on DT Algorithms (Eko, 2007).
3. Parallel Delaunay Triangulation for Object Reconstruction (Eko, 2010).
4. Pengurangan Potensi bencana epidemi,wabah dan KLB beberapa penyakit tropis melalui penerapan
paradigma pengurangan resiko yang dintegrasikan dengan kurikulum pembelajaran pada sistem
manajemen bencana (Kristoko dkk, 2009).
5. Analisis Pola Spasial Transmisi Penyakit Demam Berdarah Dengue Kota Salatiga Menggunakan
Pendekatan Spatial Autocorrelation (Kristoko dkk, 2010).
6. Analisis Epidemiologi Spasial untuk Pemodelan Distribusi dan Klasifikasi Kejadian Demam Berdarah
Dengue di Kota Suurakarta (Kristoko dkk, 2010).
7. Penelitian lanjutan Pengurangan Potensi bencana epidemi, wabah dan KLB beberapa penyakit tropis
melalui penerapan paradigma pengurangan resiko yang diintegrasikan dengan kurikulum pembelajaran
pada sistem manajemen bencana , Lanjutan (Kristoko dkk, 2010).
8. Implementasi Model Pranata Mangsa Baru BerbasisAgromoeteorologi untuk Peningkatan Produksi dan
Ketersediaan Pangan Lokal di Kabupaten Boyolali (Kristoko dkk, 2010 dan 2011)
Mengumpulkan data-data, antara
lain : data iklim 10 tahun terakhir,
data produksi tani, data spatio
temporal, data geografis
OPTIMALISASI SPATIAL DECISION COLLABORATIVE SUPPORT FRAMEWORK (SPeCS) UNTUK ANALISIS
DESAIN SISTEM PRANATA MANGSA TERBARUKAN BERBASIS SPATIAL MINING (STUDI KASUS :
PERENCANAAN POLA TANAM EFEKTIF DI KAB. BOYOLALI JAWA TENGAH)
Luaran yang telah dihasilkan :
1. Perangkat lunak sistem prediksi resiko bencana
KLB-DBD Salatiga(2009) di www.dbdsalatiga.net/ProKLB/.
2. Perangkat lunak sistem prediksi resiko bencana
KLB-DBD Surakarta(2010). di www.dbdsurakarta.net/ProKLB/.
3. Modul pelatihan SOP sistem prediksi resiko bencana KLB-DBD
4. Perangkat Lunak Pranata Mangsa Model Baru Berbasis Spasial
5. Jurnal publikasi nasional sebanyak 4 jurnal dan publikasi
internasional sebanyak 2 jurnal.
Indikator Capaian :
1. Tersedia perangkat lunak sistem Prediksi berbasis spasial.
2. Tersusun dokumen kebijakan pengurangan resiko bencana KLB DBD Salatiga.
3. Dokumen data epidemiologi spasial Kota Salatiga.
4. Dokumen data pola spasial transmisi DBD Kota Salatiga
5. Tersedia modul pelatihan SOP sistem prediksi resiko bencana KLB-DBD
6. Tersedia jurnal yang sebagian telah dipublikasikan, sebagian lagi menunggu
hasil review.
Framework :
SpeCS teroptimalisasi
Metode :
1. Spatio temporal data raster (visualisasi peta)
2. Exponential smoothing (prediksi iklim)
3. Pranata mangsa (panduan lokal prediksi iklim)
Tujuan Penelitian yang diusulkan :1.Menghasilkan panduan pola tanam yang efektif dan
tepat untuk usaha tani dengan perangkat lunak pranata
mangsa baru berbasis Spatial Decision Collaborative
Support Framework.
2. Menghasilkan metode dan prosedur perencanaan
pola tanam efektif menggunakan model pengetahuan
lokal pranata mangsa.
3. Menghasikan Spatial Decision Collaborative
Support Framework yang telah teroptimalisasi
untuk penentuan pola tanam efektif.
4. Melakukan evaluasi optimalitas, efektifitas dan
efisiensi dan analisis dampak pemanfaatan model
pranata mangsa terbarukan dalam usaha tani di lokasi
studi.
5. Melestarikan pengetahuan lokal pranata mangsa
sebagai peninggalan budaya luhur bangsa Indonesia
memanfaatkan Knowledge Management System
(KMS) .
6. Berkontribusi dalam menurunkan angka kerawanan
pangan sekaligus memperkuat ketahanan pangan
masyarakat.
PENELITIAN YANG PERNAH DILAKUKAN
LUARAN HASIL PENELITIAN
INDIKATOR CAPAIAN
PENELITIAN YANG DIUSULKAN
1. Framework SpeCS yang telah teroptimalisasi
2. Modul pelatihan SOP sistem penentuan pola tanam efektif
3. Jurnal publikasi nasional sebanyak 2 jurnal dan publikasi
internasional sebanyak 1 jurnal.
4. Perangkat lunak penentuan pola tanam efektif berbasis peta
(spasial).
5. Dokumen kebijakan implementatif sistem perencanaan pola tanam
Di Dinas Pertanian Provinsi Jawa Tengah
6. Paten perangkat lunak pranata mangsa terbarukan
1. Berkontribusi melakukan optimalisasi framework SpeCS.
2. Tersedia perangkat lunak penentuan pola tanam efektif berbasis peta (spasial)
3. Tersedia jurnal yang akan dipublikasikan secara nasional dan internasional.
4. Memberikan kontribusi menurunkan kegagalan usaha tani dan meningkatkan
ketahanan pangan masyarakat.
5. Tersedia perangkat lunak sistem pranata mangsa terbarukan yang bisa dipatenkan.
6. Tersedia dokumen kebijakan implementatif sistem perencanaan pola tanam di
Dinas Pertanian Provinsi Jawa Tengah
Luaran Hasil Penelitian
Indikator Capaian
RENCANA ARAH
PENELITIAN MENDATANG
Formulasi sistem manajemen penentuan
pola tanam efektif untuk meningkatkan
ketahanan pangan di secara nasional
Formulasi sistem penentuan pola tanam
efektif dengan parameter
Peningkatan Ketersediaan Pangan Melalui Perencanaan Pola
Tanam Efektif Menggunakan Sistem Pranata Mangsa
Terbarukan Berbasis Agrometeorologi
(Riset Hibah Bersaing DIKTI, 2010 dan 2011)
DASAR RISET
SEBELUMNYA
Modifikasi Algoritma Triangulasi Delaunay
dan Implementasi Paralel untuk Komputasi
Rekonstruksi Obyek
(Riset BPPS DIKTI, 2006)
JUDUL RISET YANG DIUSULKAN
Forum Group Discussion (FGD)
dengan kelompok usaha tani dan
dinas pertanian di lokasi studi
START
Analisis dan desain sistem penentuan
pola tanam efektif berbasis data
spasial
Flowchart penelitian
Perangkat lunak pranata mangsa
terbarukan untuk penentuan pola
tanam efektif untuk menurunkan
resiko usaha tani dan meningkatkan
ketahanan pangan masyarakat
STOP
26
III.2. Metodologi Menyusun Desain Model
Metodologi adalah sekumpulan peraturan, kegiatan, dan prosedur yang
digunakan oleh penulis untuk menyelesaikan rangkaian penyusunan buku dari
tahap awal sampai akhir sehingga mendapatkan hasil yang maksimal. Secara
lengkap langkah-langkah menyusun model terdapat pada gambar 3.2.
Gambar 11. Tahapan dan metodologi penelitian Tahun 1
Gambar 3.2. Metodologi perancangan model
III.3. Desain Knowledge Management System (KMS) Pranata Mangsa
Berbasis Spasial
Berikut ini adalah table 3.1 yang berisi tentang uraian komponen-
komponen untuk mendukung KMS Pranata Mangsa Berbasis Spasial.
Pengurusan perijinan di
kesbangpolinmas Kab. Boyolali
Langkah 1
- Menentukan sampel
- Mengumpulkan data
- Mengukur validitas dan
reliabilitas
- Memodelkan empiris
- Pengujian model
Langkah 2
1. Metode cluster sampling
2. Metode survey dengan kuestioner
3. Validitas konvergen
4. Reliabilitas Spearman-Brown
5. Metode ANOVA
6. Metode pengujian parametrik
Metode
1. Penetapan parameter kunci pranata mangsa
2. Penetapan teknik komputasi dan spatial mining
3. Perancangan optimalisasi framework SPeCH
4. Perancangan perangkat lunak sistem
5. Pembangunan prototype sistem
Langkah 3
1. Metode FGD (Focus Group Discussion)
2. Metode exponential smoothing
3. Metode Knowledge management system
4. Model proses waterfalls
5. Perancangan dengan Teknik UML
Metode
1. Sampel di 5 Kecamatan
2. Kuestioner yang siap didistribusikan
3. Data hasil kuestioner
4. File digital hasil kuestioner
5. Data klimatologi 10 tahun
6. Data produksi pertanian
Luaran Hasil
1. Parameter kunci pranata mangsa
2. Parameter kunci klimatologi
3. Algoritma exponential smoothing
4.Framework SPeCH
5. Prototype system
Luaran/Hasil
1. Ijin penelitian ke Dinas Pertanian
2. Ijin penelitian ke Kecamatan
3. Ijin penelitian ke Bappeda
Hasil
Dokumen SRS
(Software Requirement
Specification)
Luaran/Hasil
1. Tersedia sample yang baik (akurat dan tepat)
2. Tersedia kuestioner untuk membentuk konstruk
3. Tersedia korelasi tinggi antar instrumen data
4. Tersedia konsistensi tinggi pada internal data
5. Tersedia atribut dikotomi
6. Tersedia skala perngukuran interval dan rasio
3. Tersedia data klimatologi 10 tahun
4. Tersedia data produksi pertanian
Indikator Capaian
1. Tersedia parameter kunci pranata mangsa
2. Tersedia parameter kunci klimatologi
3. Tersedia algoritma exponential smoothing
4. Tersedia framework SPeCH teroptimalisasi
5. Tersedia dokumen SRS (Software
Requirement Specification)
6. Tersedia prototype system
Indikator Capaian
1. Tersedia ijin penelitian ke Dinas Pertanian
2. Tersedia ijin penelitian ke Kecamatan
3. Tersedia ijin penelitian ke Bappeda
Indikator Capaian
27
Tabel 3.1. Komponen Pendukung KMS Pranata MangsaBerbasis Spasial
Komponen KMS Strategi KMS Pranata Mangsa
Organisational
Learning
Lessons Learning User dapat mengakses websiteKMS Pranata
Mangsa untuk mendapatkan knowledge
mengenai Pranata Mangsa.
Process Development Dalam pengelolaan knowledge digunakan
metode ACWA (Applied Cognitive Work
Analysis)
Decision Support Terdapat aplikasi kesesuaian tanam untuk
menentukan pola tanam yang tepat pada
waktu dan daerah tertentu
SOP’s Rancangan aplikasi kesesusaian tanam
dilakukan dengan cara menginputkan kondisi
meteorologi sehingga didapatkan hasil
tanaman pangan yang tepat sesuai dengan
kondisi meteorologi tersebut.
Information &
Communication
Technology
Synchronous &
Asynchronous
Collaboration
Sistem web dibuat menggunakan
menggunakan bahasa pemrograman PHP dan
menggunakan databaseserver mySQL
Content Management Dalam sistem ini admin dapat melakukan
update, delete, insert data knowledge dan
member.
RDBMS RDBMS dijabarkan pada class diagram pada
Gambar 3.10
Enterprise Search Terdapat fungsi search yang berguna untuk
mempermudah melakukan pencarian data
knowledge
Information
Management
Flexible Framework Pada KMS Pranata Mangsa digunakan jquery
FusionCharts untuk membuat data grafis.
Record Management Data-data knowledge disimpan dan di-
manage dalam database.
Policy & Procedure KMS Pranata Mangsa dapat diakses semua
28
orang, tetapi apabila
user ingin berkontribusi dalam sharing
knowledge. User harus melakukan registrasi
terlebih dahulu.
Strategy - Penyimpanan data secara periodik oleh
user yang memiliki hak akses.
- Mempunyai fitur upload dan download
- Terdapat interaksi antara user dengan
admin
Human Resources
Management
Education & Learning User dapat menggunakan KMS Pranata
Mangsa sebagai bahan referensi dan
pembelajaran.
Staff Development Pengembang KMS Pranata Mangsa adalah
peneliti yang mampu memanfaatkan
teknologi informasi untuk pengembangan
knowledge dan dibantu outsource yang
kompeten di bidang programming
Performance
Management
Interface yang dihasil oleh KMS Pranata
Mangsa memenuhi kriteria template website
portal pada umumnya.
Change Management Pada KMS Pranata Mangsa admin dapat
melakukan perubahan dan penambahan
knowledge. Sehingga knowledge yang
diperoleh dari KMS Pranata Mangsa bisa
dinyatakan valid.
Dari hasil uraian bagan Knowledge Management System secara global
berdasarkan Tabel 3.1, maka terbentuklah elemen penyusun Knowledge
Management System Pranata Mangsa seperti pada gambar 3.3.
29
Gambar 3.3. Elemen Penyusun KMS Pranata Mangsa
Gambar 3.3 menunjukkan gambaran umum konsep KMS Pranata
Mangsa. Sistem ini terbangun atas 4 pilar utama, yaitu teknologi, aktifitas,
interface, dan berbagai komponen. Aktifitas yang diperlukan dalam sistem ini
diantaranya web browsing dan searching. Semua aktifitas itu bisa dilakukan
dengan menggunakan web browser. Interface yang bisa dipergunakan untuk
menjembatani terjadinya kolaborasi informasi ini selain web broser juga forum
diskusi dan questioner. Adapun komponen yang ada dalam sistem untuk men-
supplay terjadinya berbagai kegiatan tersebut meliputi database, data
management tools, search engine, dan document management. Teknologi yang
dibutuhkan untuk menyokong layanan tersebut yaitu RDBMS (Relational
Database Management System).
III.4. Sumber Pengetahuan KMS Pranata Mangsa Berbasis Spasial
Sumber pengetahuan pada KMS Pranata Mangsa dibagi menjadi 3
knowledge yaitu tacit knowledge, explicit knowledge, potential knowledge.
- Tacit knowledge pada KMS Pranata Mangsa :
30
Pengetahuan yang didiskusikan pada halaman forum.
Kontribusi jawaban masyarakat pada halaman questioner.
- Explicit knowledge pada KMS Pranata Mangsa :
File yang bisa di-download oleh user.
Artikel-artikel yang berkaitan dengan Pranata Mangsa.
- Potential knowledge pada KMS Pranata Mangsa :
Berdasarkan data kondisi meteologi. Terjadilah pembaharuan ilmu
pranata mangsa yang bisa digunakan bagi masyarakat.
Perancangan Repository Berdasarkan ACWA, adalah sebagai berikut :
Gambar 3.4. Bagan Repository KMS Pranata Mangsa
Gambar 3.4 adalah gambaran umum perancangan repository berdasarkan
ACWA. Berdasarkan bagan diatas, digambarkan bahwa user mempunyai hak
akses untuk melakukan pencarian knowledge tentang Pranata Mangsa. Selain itu
sistem juga memberi fasilitas user member untuk melakukan sharing knowledge.
Untuk user non member tanpa harus melakukan login, sistem memberi fasilitas
untuk melakukan aplikasi kesesuaian tanam yang mempunyai fungsi untuk
31
mengetahui komoditas yang tepat pada curah hujan, bulan, tahun dan kecamatan
tertentu. Selain itu, user non member dapat menjawab pertanyaan dari questioner
yang sudah disiapkan oleh sistem yang berfungsi sebagai wadah untuk
mengembangkan knowledge.
Untuk lebih merinci content dari website Pranata Mangsa maka
perancangan akan digambarkan selalui tahap-tahap Functional Abstraction
Network (FAN), Cognitive Work Requirement (CWR), Information and
Relationship Requirement (IRR), Representation and Design Requirement
(RDR), dan Presentation Design Concept (PDC).
Functional Abstraction Network (FAN)
Pada kasus KMS Pranata Mangsa FAN akan digambarkan seperti pada
gambar 3.5 berikut ini :
Gambar 3.5. Functional Abstraction Network KMS Pranata Mangsa
32
Cognitive Work Requirement (CWR)
Tabel 3.2 merupakan beberapa tahapan CWR untuk menyusun repository
KMS Pranata Mangsa berdasarkan metode ACWA.
Tabel 3.2 Cognitive Work Requirement KMS Pranata Mangsa
Information and Relationship Requirement (IRR)
Tabel 3.3 merupakan beberapa contoh tahapan IRR untuk menyusun
repository KMS Pranata Mangsa berdasarkan metode ACWA.
Tabel 3.3 Information and Relationship Requirement KMS PM
Tujuan 1 Mendapatkan materi knowledge dengan metode simplesearch
CWR 1.1 Memasukkan keyword ke dalam searchbox
IRR 1.1 Kotak searchbox berperan sebagai jembatan pencarian knowledge
CWR 1.2 Melihat hasil knowledge yang keluar
IRR 1.2 Pilihan knowledge yang muncul pasca pencarian berkontribusi
sebagai media pencapai knowledge
.
.
Tujuan 13 Mendapatkan report dari hasil questioner
CWR 13.1 Melihat report hari hasil questioner
IRR 13.1 Hasil yang dikeluarkan berupa data dari hasil questioner
Representation and Design Requirement (RDR)
Tabel 3.4 merupakan beberapa contoh tahapan RDR untuk menyusun
repository KMS Pranata Mangsa berdasarkan metode ACWA.
Tabel 3.4 Representation and Design Requirement KMS Pranata Mangsa
Tujuan 1 Mendapatkan materi knowledge dengan metode simplesearch
CWR 1.1 Memasukkan keyword ke dalam searchbox
IRR 1.1 Kotak searchbox berperan sebagai jembatan pencarian knowledge
RDR 1.1 Menyediakan searchbox
CWR 1.2 Melihat hasil knowledge yang keluar
Tujuan 1 Mendapatkan materi knowledge dengan metode simplesearch
CWR 1.1 Memasukkan keyword ke dalam searchbox
CWR 1.2 Melihat hasil knowledge yang keluar
.
.
Tujuan 13 Mendapatkan report dari hasil questioner
CWR 13.1 Melihat report hari hasil questioner
33
IRR 1.2 Pilihan knowledge yang muncul pasca pencarian berkontribusi sebagai
media pencapai knowledge
RDR 1.2 Menyediakan pilihan knowledge
.
.
Tujuan 13 Mendapatkan report dari hasil questioner
CWR 13.1 Melihat report hari hasil questioner
IRR 13.1 Hasil yang dikeluarkan berupa data dari hasil questioner
RDR 13.1 Menyediakan data-data dari pertanyaan-pertanyaa yang diajukan untuk
user
Presentation Design Concept (PDC)
Gambar 3.6 menunjukkan tentang desain awal pada website KMS
PranataMangsa.
Gambar 3.6 Presentation Desain Concept KMS Pranata Mangsa
III.5. Software Requirement Spesification (SRS) Document KMS Pranata
Mangsa Berbasis Spasial Dimodelkan dengan Unified Modeling
Language (UML)
Sebelum membuat aplikasi, diperlukan perancangan desain proses
terlebih dahulu. Desain proses merupakan desain sistem yang disebut dengan
pemodelan.
34
Perancangan Use Case Diagram
Gambar 3.7 Use Case Diagram
Gambar 3.7 menjelaskan fungsi use case diagram. Pada website KMS
Pranata Mangsa terdapat 3 kelompok user yang akan mengakses web site ini.
User tersebut adalah user member, user non member dan admin. Sharing
knowledge hanya bisa dilakukan user member setelah melakukan login.
Kemudian tanpa melakukan login user hanya dapat melakukan aplikasi
kesesuaian tanam, menjawab questioner, dan melihat knowledge.
35
Perancangan Activity Diagram
Gambar 3.8 Activity Diagram Pada User
Gambar 3.8 menggambarkan aktifitas-aktivitas yang dapat dilakukan oleh
user pada sistem. Untuk menjalankan aktivitasnya di sistem user harus
melakukan login terlebih dahulu. Setelah melakukan login, user akan diarahkan
pada halaman home website Pranata Mangsa. Di halaman home terdapat
beberapa menu yang berhubungan dengan KMS Pranata Mangsa dan search box
untuk melakukan pencarian knowledge. Menu tersebut adalah knowledge Pranata
Mangsa, penelitian iklim, dan forum.
- Menu knowledge Pranata Mangsa, pada halamaan ini user akan
diarahkan pada halaman yang menjelaskan tentang pengenalan Pranata
Mangsa, pola tanam dan knowledge sharing yang sudah diposting oleh
user member.
36
- Menu penelitian iklim, pada halaman ini user akan diarahkan pada
halaman yang menerangkan tentang perubahan cuaca dan suhu udara
yang mempengaruhi perubahan perhitungan Pranata Mangsa di
Kabupaten Boyolali.
- Menu forum, user difasilitasi untuk melakukan tanya jawab seputar
Pranata Mangsa.
Gambar 3.9 Activity Diagram Pada Admin
Gambar 3.9 menjelaskan tentang activity diagram pada admin. Admin
harus melakukan login terlebih dahulu dengan memasukkan username password
pada formlogin. Jika validasi benar, maka admin akan diarahkan ke halaman
pertama yaitu Dashboard. Kemudian admin memilih menu manajemen. Setelah
itu akan tampil halaman manajemen beserta data-datanya. Kemudian admin dapat
melakukan manipulasi data dengan cara mengklik button add, delete maupun
edit.
37
Perancangan Sequence Diagram
Gambar 3.10 Sequence Diagram Pada User
Gambar 3.10 menunjukkan sequence diagram user. User dapat
melakukan sharing knowledge berupa artikel dan dokumen terkait dengan
pranata mangsa. Saat user masuk pada sharing knowledge, artikel maupun
dokumen yang di upload oleh user akan disimpan dalam database. Kemudian
sistem akan memberikan konfirmasi bahwa data sudah tersimpan. Selain itu user
juga bisa menjawab questioner yang sudah disediakan. Jawaban dari questioner
tersebut disimpan dalam database, kemudian sistem akan mengarahkan user pada
report questioner. Fitur lain yang mensupport pengembangan knowledge pranata
mangsa adalah forum. User dapat memberikan komentar, yang kemudian akan
tersimpan dalam database. Setelah itu, sistem akan memberikan respon dan
konfirmasi terkait dengan penyimpanan data.
38
Gambar 3.11 Sequence Diagram Pada Admin
Gambar 3.11 menunjukkan sequence diagram admin. Admin dapat melakukan
manipulasi data seperti add, edit dan delete.
- Untuk proses add data : admin diarahkan pada halaman data manager.
Kemudian admin akan mengklik button add. Selanjutnya sistem akan
mengarahkan admin pada halaman form add. Setelah user menginputkan
data, maka data akan dikirim ke database. Kemudian database
memberikan respon balik dan konformasi terkait dengan penyimpanan
data.
- Untuk proses edit data : admin diarahkan pada halaman data manager.
Kemudian admin akan mengklik button edit pada salah satu data.
Selanjutnya sistem akan mengarahkan admin pada halaman form edit.
Setelah user mengedit data, maka data akan dikirim ke database.
39
Kemudian database memberikan respon balik dan konformasi terkait
dengan penyimpanan data.
- Untuk proses delete data : admin diarahkan pada halaman data manager.
Kemudian admin akan mengklik button delete atau checklist delete pada
data yang diharapkan. Kemudian database memberikan respon balik dan
konformasi terkait dengan penyimpanan data.
40
BAB IV
IMPLEMENTASI MODEL KMS PRANATA MANGSA
Dalam website KMS Pranata Mangsa, transfer knowledge dapat
dilakukan oleh administrator dan user member. Administrator dapat
memperbaharui dan membagikan pengetahuan berdasarkan hasil penelitian
tentang Pranata Mangsa, hasil diskusi dari forum dan hasil pengolahan data pada
questioner online yang sudah disediakan oleh website KMS Pranata Mangsa.
Selain itu untuk mengembangkan knowledge yang sudah ada, website KMS
Pranata Mangsa memberikan fasilitas user member untuk melakukan sharing
knowledge. User member dapat meng-upload file dan mem-posting pengetahuan
tentang Pranata Mangsa. Dengan adanya fasilitas sharing knowledge tersebut,
user member dapat melakukan kontribusi dan menambahkan inovasi baru yang
mampu mendukung pengembangan pengetahuan Pranata Mangsa.
IV.1. Input
Pada sisi Knowledge Management System, website KMS Pranata Mangsa
memerlukan form input knowledge baik dalam bentuk artikel maupun dokumen.
Berikut adalah gambar form input yang dibutuhkan user untuk melakukan
transfer knowledge.
41
Gambar 4.1 Form Add New Knowledge
Gambar 4.1 merupakan gambar form add new knowledge website KMS
Pranata Mangsa. Pada form tersebut akan tersimpan beberapa informasi
mengenai pengetahuan yang akan di-share yaitu judul, penulis, content, dan
tanggal upload. Untuk data penulis, website secara otomatis akan menyimpan
sesuai dengan username saat melakukan login.
Selain sharing knowledge dalam bentuk artikel, website KMS Pranata
Mangsa dilengkapi dengan fitur upload dan download dokumen. Adapun form
upload dokumen akan ditunjukkan pada gambar 4.2.
Gambar 4.2 Form Upload Dokumen
42
Gambar 4.2 merupakan gambar form upload dokumen pada website KMS
Pranata Mangsa. Pada form tersebut akan tersimpan beberapa informasi
mengenai dokumen yang akan di-share seperti judul, penulis, nama dokumen,
dan tanggal upload. Untuk data penulis, website secara otomatis akan menyimpan
sesuai dengan username pada saat melakukan login.
IV.2. Proses
Untuk mendapatkan knowledge yang diinginkan dapat dilakukan melalui
proses search. Saat user meng-input-kan judul knowledge yang diinginkan, maka
pada bagian content website akan ditunjukkan list judul knowledge hasil
searching. Gambar 4.3 adalah contoh hasil pencarian.
Gambar 4.3 Contoh Hasil Search
Gambar 4.3 merupakan contoh hasil pencarian dengan keyword
“mangsa”. Pada gambar di atas ditunjukkan bahwa pada bagian content website
akan diberikan list judul artikel sesuai dengan keyword yang sudah di-input-kan.
43
Gambar 4.4.Contoh Proses Display
Gambar 4.4 merupakan artikel dari hasil pemilihan menu. Pada gambar
4.4 artikel yang dipilih merupakan bagian dari menu pola tanam. Kemudian pada
list judul pada menu pola tanam, user memilih kedelai.
IV.3. Output
Website KMS Pranata Mangsa menyediakan fitur yang mampu
mendukung pengembangan pengetahuan antara lain questioner dan forum.
44
Gambar 4.5 Halaman Questioner
Gambar 4.5 merupakan interface dari halaman questioner. Questioner
online tersebut dimanfaatkan untuk mengembangkan pengetahuan tentang
Pranata Mangsa. Administrator dapat mengganti pertanyaan dan pilihan jawaban
sesuai kebutuhan.
Tanpa melalui login, user dapat melakukan pengisian jawaban dan
mengklik button submit. Setelah itu user akan diarahkan pada halaman report
jawaban questioner tersebut. Berikut halaman report questioner website KMS
Pranata Mangsa.
Gambar 4.6 Halaman Report
45
Gambar 4.7 merupakan interface dari halaman report. Pada halaman
report berisi tentang hasil pengisian jawaban questioner online dari responden.
Pada website KMS Pranata Mangsa, terdapat halaman iklim yang berisi tentang
tabel dan grafik iklim di Kabupaten Boyolali.
Gambar 4.7 Halaman Penelitian Curah Hujan
Gambar 4.7 merupakan data dan grafis curah hujan pada tahun terakhir di
Kabupaten Boyolali.
46
Gambar 4.8 Halaman Penelitian Kelembaban
Gambar 4.8 merupakan data dan grafis kelembaban pada tahun terakhir di
Kabupaten Boyolali.
47
Gambar 4.9 Halaman Penelitian Suhu Udara
Gambar 4.9 merupakan data dan grafis suhu udara pada tahun terakhir di
Kabupaten Boyolali.
48
BAB V
IMPLEMENTASI DAN PENGUJIAN MODEL POLA TANAM
V.1. Input
Pada sisi aplikasi kesesuaian tanam, proses peng-input-an data tidak
dilakukan secara manual. Peng-input-an dilakukan dengan mem-parsing data dari
Microsoft Excel ke phpMySql.
Gambar 5.1 Halaman Pertama Aplikasi Excel Parser
Gambar 5.1 adalah halaman pertama aplikasi excel parser, pada gambar
30 ditunjukkan bahwa user dapat memilih file excel. Bentuk dari data-data file
excel tersebut harus disesuaikan dengan bentuk tabel. Gambar 5.2 adalah contoh
file excel yang sudah disesuaikan.
Gambar 5.2 Contoh Data Excel
49
Gambar 5.2 merupakan contoh data excel yang sudah disesuaikan dengan
bentuk tabel. Kemudian setelah user memilih file excel seperti yang tertera pada
Gambar 5.3, maka user dapat memilih cek list, apakah user akan menggunakan
baris pertama data excel sebagai nama field atau tidak. Setelah itu user dapat
mengklik next.
Gambar 5.3 Proses Parsing dari Excel ke phpMySql
Gambar 5.3 merupakan proses parsing dari Excel ke php MyAdmin. Pada
gambar diatas user harus meng-input-kan nama tabel yang akan dibuat nantinya,
host database, nama database, userdatabase dan password database. Setelah
user mengklik output, maka tabel akan ter-input dalam database yang diinginkan.
V.2. Proses
Pada aplikasi kesesuaian tanam website KMS Pranata Mangsa,
digunakan algoritma Fuzzy metode Tsukamoto untuk memproses data dan
menghasilkan output yang valid. Algoritma Fuzzy metode Tsukamoto,
merupakan representasi suatu pengetahuan yang dikonstruksikan dengan if-then
rules.
Berdasarkan data komoditas, maka didapatkan aturan Fuzzy sebagai berikut :
[R1] IF curah hujan min = 125 AND curah hujan max = 167 THEN
komoditas yang tepat adalah padi.
50
[R2] IF curah hujan min = 85 AND curah hujan max = 200 THEN
komoditas yang tepat adalah jagung.
[R3] IF curah hujan min = 100 AND curah hujan max = 200 THEN
komoditas yang tepat adalah kedelai.
Data curah hujan pada setiap kecamatan akan dibandingkan dengan setiap
kondisi atau aturan fuzzy diatas. Kemudian setelah dibandingkan apabila curah
hujan berapa dalam kondisi tertentu, maka komoditas yang tepat akan
ditampilkan. Kode program 5.1 dengan menggunakan algoritma Fuzzy metode
Tsukamoto berdasarkan aturan-aturan Fuzzy.
Kode Program 5.1. Implementasi Algoritma Fuzzy metode Tsukamoto
Kode Program 5.1 merupakan implementasi pada Algoritma Fuzzy
metode Tsukamoto yang berfungsi untuk menentukan komoditas yang tepat pada
kondisi iklim tertentu. Pada baris 8 menunjukkan sebuah kondisi tertentu (IF)
yang kemudian akan dilakukan perulangan (WHILE) sesuai dengan kode
program pada baris 1. Apabila kondisi sesuai maka akan ditampilkan (THEN)
seperti kode program pada baris 9 sampai 14.
while($row3=mysql_fetch_array($result3)){ .............................. 1
if ($row3 == ''){ ...................................................... 2
echo "<tr colspan = '5'>tidak ada data";} .............................. 3
else { ................................................................. 4
$curahhujan = $row3['curahhujan']; ..................................... 5
$max = $row3['max']; ................................................... 6
$min = $row3['min']; ................................................... 7
if ($curahhujan >= $min && $curahhujan <= $max){ ....................... 8
echo "<tr>"; ........................................................... 9
echo "<td>".$row3['kecamatan']."</td>"; ............................... 10
echo "<td>".$row3['tahun']."</td>"; ................................... 11
echo "<td>".$row3['bulan']."</td>"; ................................... 12
echo "<td>".$row3['curahhujan']."</td>"; .............................. 13
echo "<td>".$row3['komoditas']."</td>"; ............................... 14
} ..................................................................... 15
} ..................................................................... 16
51
V.3. Output
Gambar 5.4 Contoh Output Aplikasi Kesesuaian Tanam
Gambar 5.4 merupakan contoh output aplikasi kesesuaian tanam pada
website KMS Pranata Mangsa. Pada gambar diatas dijelaskan bahwa pada
kecamatan Ampel di bulan Januari tahun 2001, komoditas yang tepat untuk
ditanam adalah Jagung dan Kedelai.
V.4. Sumber Pengetahuan (KMS) Sistem Pranata Mangsa Terbarukan
Tacit Knowledge
Gambar 5.5 Halaman Forum Diskusi
52
Gambar 5.5 merupakan salah satu contoh tacit knowledge dalam KMS
Pranata Mangsa yaitu halaman forum diskusi.
Explicit Knowledge
Gambar 5.6 Halaman Download Dokumen
Gambar 5.6 dan 5.7 merupakan salah satu contoh explicit knowledge dalam KMS
Pranata Mangsa yaitu halaman download dokumen.
Gambar 5.7 Output Sistem Pranata Mangsa Terbarukan Berbasis KMS di
Kabupaten Boyolali
Gambar 5.7 merupakan output aplikasi kesesuaian tanam pada website
KMS Pranata Mangsa. Pada gambar 5.7 dijelaskan bahwa kecamatan Ampel di
bulan Januari tahun 2001, komoditas yang tepat untuk ditanam adalah Jagung dan
53
Kedelai. Kemudian dari informasi yang didapat akan dihasilkan knowledge baru
tentang Pranata Mangsa.
Analisa Data, Informasi, dan Knowledge
Untuk membuat sebuah knowledge baru, KMS Pranata Mangsa didukung
oleh sebuah aplikasi yang mampu menunjukkan kesesuaian tanam pada
kecamatan, bulan dan tahun tertentu. Data mentah curah hujan di Kabupaten
Boyolali didapatkan dari hasil survei di Dinas Pertanian Kabupaten Boyolali.
Kemudian dilakukan pengolahan data untuk mendukung terjadinya sebuah
informasi tentang kesesuaian tanam. Output dari informasi aplikasi kesesuaian
tanam tersebut adalah hasil dari kombinasi knowledge tentang syarat tumbuh
suatu tanaman dan data curah hujan Kabupaten Boyolali. Berdasarkan informasi
yang didapatkan akan terbentuk sebuah knowledge baru yang mampu mendukung
perencanaan pola tanam suatu kegiatan pertanian di Kabupaten Boyolali.
V.5. Pengujian Sistem KMS Pranata Mangsa Terbarukan Di Kab. Boyolali
Uji Validitas Aplikasi Kesesuaian Tanam
Pada uji validitas aplikasi kesesuaian tanam dilakukan perbandingan antara
output yang dihasilkan melalui sistem dengan output yang dihasilkan dengan cara
manual. Tabel 5.1 adalah hasil berbandingan output aplikasi kesesuaian tanam
pada website KMS Pranata Mangsa.
54
Tabel 5.1 Hasil Perbandingan Output melalui Sistem dan Cara Manual
Pada Tabel 5.1 ditunjukkan bahwa hasil komoditas yang sesuai dengan
Kecamatan, Bulan, dan Tahun tertentu apabila dieksekusi dengan sistem maka
hasilnya akan sama dengan melihat data secara manual. Dari situ bisa dikatakan
bahwa sistem dapat memberikan hasil yang valid untuk user.
Black Box Testing
Pada pengujian website KMS Pranata Mangsa ini, akan digunakan
metode Black Box Testing. Dimana proses testing akan berfokus pada interface
website dan pelaku uji Black Box Testing ini adalah 40 enumerator yang
melakukan riset spasial dan pertanian di Kabupaten Boyolalidan 10 PPL dinas
pertanian Kabupaten Boyolali. Setelah dilakukan Black Box Testing, maka
website KMS Pranata Mangsa dinyatakan valid dan tidak ada error.
55
DAFTAR PUSTAKA
Medeiros, S., Souza, J., Strauch, J., Pinto, G., “Coordination Aspects in a Spatial
Group Decision SupportCollaborative System”, Proceedings from
ACM/SAC `2001, Las Vegas. Mar, 2001.
Pinto, G., Strauch, J., Souza, J., Medeiros, S., Marques, C., “X-Arc Spatial Data
Integration in the SPeCSCollaborative Design Framework”, to be
published in the proceedings of CSCWD `2001, London, Canada,
Jul.,2001.
Choo, Chun Wei, (1988). “ the Knowing Organization. How Organizations Use
Information to Constract Meaning, Create Knowledge, and Make
Decisions”. Oxford Univeristy Press, New York. pp.14.
Davenport, Thomas H & Prusak, L (1998) .Working Knowledge : How
Organizations Manage What They Know. Boston: Harvard Business
School Press.
Laudon, Kenneth C. and Jane P. Laudon (2002). Management Information
System: Managing the Digital Firm, 7th. New Jersey : Prentice-Hall.
Malhotra, Yogesh (1998) . Knowledge Management , Knowledge Organizations
& Knowledge Workers : A View from the Front Lines.
Probst, Gilbert., Raub, Steffen, & Romhardt, Kai (2001). Managing Knowledge
Building Blocks for Success. New York : John Wiley & Sons.
Tiwana, Amrit (1999) . The Knowledge Management Toolkit. New Jersey:
Prentice Hall PTR.
Inmon, W.H.(2002). Building the Data Warehouse,edisi-3. Wiley Computer
Publishing.
Poe, Vidette(1998). Building Data Warehouse for Decision Support, edisi-2.
Prentice Hall.
Sitepu Robinson,2009, Pemodelan dan Peramalan Deret Waktu Musiman
dengan Pendekatan Filter Bank, Jurnal Penelitian Sains Vol. 12 No.
2(A) 12201, Jurusan Matematika FMIPA, Universitas Sriwijaya,
Sumatera Selatan, Indonesia
56
Kepala Badan Litbang Pertanian Departemen Pertanian, Makalah Simposium
Nasional Ketahanan dan Keamanan Pangan pada Era Otonomi dan
Globalisasi, Faperta, IPB, Bogor, 22 November 2005.
M. Hasan, Makalah Pengantar Falsafah Sains (PPS702) Program Pasca Sarjana /
S3, Institut Pertanian Bogor, 28 November 2006.
_______, Sekitar 30 Persen Sawah di Pantura Jabar Dilanda Banjir. Kompas, 22
Februari 2004.
Sutikno, Makalah Pengantar ke Falsafah Sains (PPS702) Sekolah Pasca Sarjana /
S3 Institut Pertanian Bogor, Mei 2004.
B.S. Tedjakusuma, Adiningsih, Kajian pemanfaatan informasi cuaca dan iklim di
Indonesia, Prosiding Lokakarya Sehari. LAPAN Jakarta, hlm 25-35,
2000.
D. Gumelar, Document license: Copyright IlmuKomputer.Com, 2003-2007.
D. Gunawan, Soetamto, Nuryadi, Heru, Prakiraan jangka panjang di badan
meteorologi dan geofisika.. Di dalam M.A Ratag et al (Penyunting).
Prediksi Cuaca dan Iklim Nasional. Prosiding Temu Ilmiah LAPAN,
Bandung, hlm 51-59, 2001.
Pranata mangsa: http://www.geocities.com/ sekar_jono/pramang.htm, 16 Mei
2004.
The Javanese Calendar : www.xentana.com/ java/calendar.htm, 12 Mei 2004.
Sutikno, Penggunaan Regresi Splines adaptif Berganda untuk Peramalan Indeks
ENSO dan Hujan Bulanan, Tesis S2 IPB (Tidak dipublikasikan),
2002.
Chang, Kang-Tsung. Introdcution To Geographic Information Systems. New
York: McGraw-Hill, 2002.
Economic and Social Comminssion for Asia and the Pasific. Manual on GIS for
Planner and Decision Makers. New York: United Nations, 1996.
M. Karimariyanti, D. Darmantoro, D.S. Kusumo, Seminar Nasional Aplikasi
Teknologi Informasi (SNATI) ISSN: 1907-5022 Yogyakarta, 16 Juni
2007,
Effendy Sobri, 2001, Urgensi Prediksi Cuaca dan Iklim di Bursa Komoditas
Unggulan Pertanian, Program Pasca Sarjana / S-3, Institut Pertanian
Bogor, Bogor.
57
Hidayati, Rini.,2001, Masalah Perubahan Iklim di Indonesia Beberapa Contoh
Kasus, Program Pasca Sarjana / S-3, Institut Pertanian Bogor, Bogor.
Irawan B.,2006, Fenomena Anomali Iklim El Nino La Nina : Kecenderungan
Jangka Panjang dan Pengaruhnya Terhadap Produksi Pangan, Pusat
Analisis Sosial Ekonomi dan Kebijakan Pertanian, Bogor.
Wiriadiwangsa Dedik, 2005, Pranata Mangsa masih penting untuk pertanian,
Tabloid Sinar Tani,Edisi 9 – 15 Maret, Jakarta
Yulianto, Papilaya dan Wibowo, 2007, Perancangan dan Pembangunan
Perangkat Lunak Manajemen Bencana Alam berbasis Ajax – Google
Map
Yulianto, Hartomo, dan Natalia, 2008, Perancangan dan Pembangunan Perangkat
Lunak Demografi berbasis Data Mining
58
Buku ini disajikan untuk mereka yang ingin mempelajari pemodelan
spasial. Selain membicarakan elemen dasar pemodelan spasial, buku ini juga
menguraikan topik seperti :
Spatial Decision Collaborative Support (SpeCS) Framework
Pengetahuan Lokal Pranata Mangsa
Teknologi Data Spasial
Pemodelan Spatio Temporal dengan Model Data Raster
Prediksi Dengan Metode Time Series
Pembahasan materi yang cukup luas dan jelas, disertai sejumlah contoh program,
studi kasus dalam aplikasi web, menjadikan buku ini sangat cocok sebagai buku
panduan.
KRISTOKO DWI HARTOMO
ISBN 978-979-3823-94-2
top related