harga beras riil dan produksi beras di provinsi...
TRANSCRIPT
HARGA BERAS RIIL DAN PRODUKSI BERAS DI PROVINSI JAWA TIMUR
1 1
Penghasil PADI terbesar Ke-3
Pengkonsumsi Beras Tertinggi
FAO, 2008
2
Nurjayanti, 2011
Jika tidak memenuhi kebutuhan , MAKA
Pengadaan dari luar negeri (IMPOR)
Harus dipenuhi
Harga Terjangkau
3
BAPPEDA,2013 4
Pengelolaan Stok
Pengadaan
Penyaluran
5
Produksi Beras
Melalui
Jaminan HARGA
6
Survey
HARGA BERAS RIIL
Harga beras produsen adalah transaksi beras antara petani(penghasil) dan pembeli(pedagang)
Kementrian Pertanian, 2012
7
Penelitian Sebelumnya
Perbandingan double exponential smoothing dan ARIMA Box Jenkins
Peramalan Harga Beras Produsen Dan Konsumen Di Kabupaten Sidoarjo Dan Banyuwangi
2012
Oleh: Morphi
Metode yang sesuai untuk menganalisis data harga beras yang menunjukkan tren naik
yaitu metode ARIMA dengan deteksi outlier
8
Hasil Peramalan harga beras menunjukkan harga tertinggi pada Bulan Januari dan Desember, sedangkan harga terendah terjadi pada Bulan Maret dan April
2012
Analisis harga temporal beras di Provinsi Jawa Timur
Oleh: Nency
9
Rumusan Masalah
Bagaimana Pemodelan harga beras riil dan produksi beras
di Provinsi Jawa Timur?
Regresi time series ARIMA Box Jenkins
Bagaimana Peramalan harga beras riil dan produksi beras
di Provinsi Jawa Timur?
1
2
10
Tujuan
Memodelkan harga beras riil dan produksi beras
di Provinsi Jawa Timur
Regresi time series ARIMA Box Jenkins
Meramalkan harga beras riil dan produksi beras
di Provinsi Jawa Timur
1
2
11
Manfaat
Tambahan Informasi
1, Membantu memonitoring dalam menjaga stabilitas harga beras produsen 2, membuat perencanaan kebijakan terkait volume impor beras yang dibutuhkan
Dinas Pertanian Provinsi Jawa Timur
BULOG DIVRE Jawa Timur
12
Batasan Masalah
Data yang digunakan:
Harga Beras Rill & Produksi Beras
Bulan Januari Tahun 2007 - Desember Tahun 2013 dianalisis dengan Time series Univariat
Perum BULOG Divre Jawa Timur dan Dinas Pertanian Provinsi Jawa Timur
Dicatat oleh
13
Keterangan : : nilai data time series pada waktu ke-t : tren pada waktu ke-t : residual pada waktu ke-t
tTR
Regresi Time series Regresi time series : untuk mengetahui hubungan antara variabel yang tergantung dengan fungsi waktu (t)
Pola tren Pola Tren musiman
1, 2, ( 1),, ,...,s t s t s L tx x x
dengan variabel dummy,
ttt TRZ
tZ
t
tttt SNTRZ
14
tZ
Ordinary least square (OLS) adalah meminimumkan jumlah kuadrat penyimpangan atau error nilai-nilai observasi terhadap rata-ratanya, Persamaan model regresi linier sederhana adalah sebagai berikut.
15
Estimasi Parameter (Ordinary Least Square)
_
1
_^
0 XY _2
1
__
1^
1
)(
))((
XX
XYXX
n
i
i
i
n
i
i
dan
Hipotesis: H0 : βj = 0 H1 : βj ≠ 0, j=0,1,2,…,k Statistik Uji: Daerah penolakan: Tolak H0 jika jika t > t1-α/2,n(k+1)
)(^
^
j
j
SE
t
Uji Signifikansi Parameter Uji Parsial Atau sering disebut juga pengujian parameter regresi secara individu.
16
Uji asumsi residual Independen Nilai galat/error antara satu pengamatan dengan pengamatan yang lain harus saling bebas
(Setiawan dan Kusrini, 2010),
Plot ACF Residual Gambar ACF tersebut dapat dilihat pada lag berapa terdapat koefisien ACF yang keluar dari batas signifikansi
17
Uji Asumsi Residual IIDN
Hipotesis : H0: H1: minimal terdapat salah satu yang tidak sama, i=1,2,…,I Statistik uji : Daerah penolakan : Tolak H0 jika Fhit > F,(p-1,n-p)
Uji asumsi residual Identik
Penyebaran residualnya memiliki varians yang konstan (tetap)
Uji Glejser
residual
regresihitung
MS
MSF
Draper dan Smith, 1992
222
21 I
2i
18
Hipotesis : H0 : Residual berdistribusi normal H1 : Residual tidak berdistribusi normal Statistik uji : Daerah Penolakan : Tolak H0 jika D>D(1-,n)
Uji asumsi residual Distribusi Normal
(Minitab)
Uji Kolmogorov smirnov
19
),max(
DDD
)/)1((max
)/(max
)(
)(
niZD
ZniD
ii
ii
Dimana:
Nilai
(lambda) Transformasi
-1 𝟏
𝐙𝐭
-0,5 𝟏
𝐙𝐭
0 𝐥𝐧𝐙𝐭
0,5 𝐙𝐭
1 𝐙𝐭 (Tanpa transformasi)
20
0 =,1lim
0,1
)(
0
t
t
tZ
Z
ZT
Stasioner terhadap varians
Stasioner terhadap mean
Deretan atau rangkaian observasi yang diambil dari waktu ke waktu dan dicatat menurut urutan waktu kejadiannya dengan interval waktu yang tetap (konstan) secara runtun
Time series
Wei, 2006
Stasioner data
td
t ZBW )1(
.0,1,2,..k,)Z(Z
)Z)(ZZ(Z
γγρ n
1t
2t
kn
1tktt
0
kk
Autocorrelation function (ACF) fungsi yang digunakan untuk mengukur autocorrelation antara Zt dengan Zt+k
Partial autocorrelation function (PACF) fungsi yang digunakan untuk mengukur autocorrelation antara Zt dan Zt+k, dimana pengaruh dari Zt+1, Zt+2,…,Zt+k-1 sudah dihilangkan
k
j
jkj
k
j
jkkjk
kk
1
111
1,1
ˆˆ1
ˆˆˆˆ
jkkkkkjjk 1,1,1,1
ˆˆˆ j = 1, 2, …, k
Identifikasi Model
n
t
t
n
ZZ
1
dimana,
dan
Wei, 2006 21
Model ARIMA
ttp aZB )( tqt aBZ )(
tqtp aBZB )()(
tS
QtDSS aZ )()1)((
tS
QqtDSd
PS aZ )()()1()1)(()(
AR (Autoregressive Model) ARIMA (p,0,0)
MA (Moving Average Model ) ARIMA (0,0,q)
ARMA (Autoregressive Moving Average Model ARIMA (p,0,q)
ARIMA (Autoregresif Integrated Moving Average) ARIMA (p,d,q)
tqtd
p aBZBB )()1)((
ARIMA MUSIMAN ARIMA (P,D,Q)s
ARIMA Multiplikatif ARIMA (p,d,q)(P,D,Q)S
22
Estimasi Parameter
2*22
* 2),,(2ln
2),,,(ln
a
aa
SnL
df
Sa
),,(ˆ^^^
*2
df=(n-p)-(p+q+1)=n-(2p+q+1)
Taksiran maximum likelihood
Fungsi likelihood
Uji signifikansi Parameter
Hipotesis H0 : (Parameter tidak signifikan) H1 : (Parameter signifikan),
Statistik Uji: Daerah Penolakan: Tolak H0 jika
Wei,2006
)(^
^
i
i
SE
t
)(^
^
j
j
SE
t
pnntt ;2/1||
)|,,((),,( 2
1* ZaS t
n
pt
23
i=1,2,…,p
j=1,2,…,q
Maximum Likelihood Estimation
Uji Kesesuaian Model
Hipotesis H0: (Residual memenuhi syarat white noise) H1:Minimal ada salah satu ,dimana k=1,2,…,K (Residual tidak memenuhi syarat white noise) Statistik Uji: Derah Penolakan: Tolak H0 jika , dimana m = p + q
Wei, 2006
2, mKQ
K
kkknnnQ
12ˆ1)()2(
021 K
white noise (Independen dan Identik)
berdistribusi normal
24
Kriteria Kebaikan Model
n
)Z(ZMSE
n
1t
2tt
Mean Square Error (MSE) Mengetahui kesalahan rata-rata kuadrat dari masing-masing model yang layak
In dan out sample
25
Sumber Data
Harga Beras Rill
Bulan Januari Tahun 2007 - Desember Tahun 2013
Produksi Beras
Dinas Pertanian Provinsi Jawa Timur
Perum BULOG DIVRE Jawa Timur
26
Variabel Penelitian
27
Langkah Analisis
A, Analisis Menggunakan Metode Regresi time series 1. Membagi data time series menjadi data in sample dan
out sample, 2. Identifikasi pola dengan time series plot, 3. Identifikasi model regresi time series, 4. Melakukan pengujian parameter, 5. Melakukan pengujian asumsi IIDN (Identik, Independen,
Distribusi Normal), 6. Melakukan peramalan dengan metode regresi time series,
28
B, Analisis Menggunakan Metode ARIMA Box Jenkins, 7. Melakukan identifikasi pola dengan time series plot untuk melihat apakah data
sudah stasioner dalam varians dan mean atau belum, 8. Pada time series plot, jika data tidak stasioner terhadap varians maka data
dilakukan transformasi box-cox dan jika tidak stasioner dalam mean maka dilakukan differencing,
9. Melakukan identifikasi model dengan pembuatan plot ACF dan PACF, 10. Melakukan estimasi parameter dan pengujian parameter, 11. Melakukan pemeriksaan asumsi residual white noise dengan uji Ljung-Box) dan
distribusi normal, apabila tidak memenuhi asumsi maka dilakukan deteksi outlier dengan menambahkan variabel dummy,
12. Pemilihan model terbaik berdasarkan data in sample dan out sample dilakukan dengan melihat nilai MSE ,
13. Melakukan peramalan dengan metode ARIMA Box Jenkins setelah terpilih metode terbaik,
C, Membandingkan dan menentukan model peramalan terbaik dengan membandingkan data out sample pada metode Regresi Time Series dan metode ARIMA Box Jenkins menggunakan kriteria MSE,
29
Diagram Alir
Data In sample
Mulai
Pemodelan:
1, Metode Regresi Time Series
2,Metode ARIMA Box Jenkins
Peramalan:
1. Metode Regresi Time Series
2. Metode ARIMA Box Jenkins
Data Out sample
Penentuan model peramalan terbaik dengan
membandingkan nilai MSE data in sample dan out sample
Selesai 30
70635649423528211471
7500
7000
6500
6000
5500
5000
4500
4000
Index
Ha
rga
Be
ras R
iil
Time Series Plot of Harga Beras Riil
Harga beras riil pada periode Januari 2007 - Desember 2012
mengalami Kenaikan Harga
31
4,1 Analisis Harga Beras Riil
32
model Regresi tren linier
Parameter Estimasi (0,05) , P-Value Keterangan
Constant 3511,63 0,000 Tolak H0
t 47,50 0,000 Tolak H0
Pemodelan dan Peramalan Harga Beras Riil Menggunakan
Metode Regresi Time Series
Uji Signifikansi Parameter
Parameter model telah signifikan atau berpengaruh terhadap model,
tt tZ 5,473512
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for RESI1(with 5% significance limits for the autocorrelations)
1
3 2
Fluktuasi harga beras riil masih dipengaruhi oleh harga beras riil pada periode waktu sebelumnya
Dimasukkan ke dalam model
Model Regresi setelah penambahan variabel prediktor Zt-1 dan Zt-2
33
tttt ZZtZ 21 414,024,199,83584
34
Parameter Estimasi (0,05) ,
P-Value Keterangan
Constant 584,2 0,001 Tolak H0
t 8,988 0,000 Tolak H0
Zt-1 1,2415 0,000 Tolak H0
Zt-2 -0,4137 0,000 Tolak H0
Uji Signifikansi Parameter
Parameter model telah signifikan atau berpengaruh terhadap model,
65605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RESI2(with 5% significance limits for the autocorrelations)Memenuhi asumsi independen
Uji Asumsi Residual IIDN FHitung Ftabel P-Value
1,25 2,74 0,299
Memenuhi asumsi identik
P-Value
0,119
Memenuhi asumsi Distribusi Normal
Uji Glejser
Uji Komogorov Smirnov
35
Peramalan
Bulan Ramalan Bulan Ramalan
Januari 2014 7381,48 Juli 2014 7799,79
Februari 2014 7455,44 Agustus 2014 7854,34
Maret 2014 7533,70 September 2014 7906,30
April 2014 7608,81 Oktober 2014 7956,62
Mei 2014 7678,13 November 2014 8005,97
Juni 2014 7741,47 Desember 2014 8054,83
5.02.50.0-2.5-5.0
150
140
130
120
110
100
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0.03
Lower CL -1.22
Upper CL 1.26
Rounded Value 0.00
(using 95.0% confidence)
Lambda
Box-Cox Plot of Harga Beras Riil
Stasioner dalam varians
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Harga Beras Riil(with 5% significance limits for the autocorrelations)
dies down turun lambat
DIFFERENCING
36
Pemodelan dan Peramalan Harga Beras Riil Menggunakan Metode ARIMA Box Jenkins
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Differencing(with 5% significance limits for the autocorrelations)
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
Partial Autocorrelation Function for Differencing(with 5% significance limits for the partial autocorrelations)
1 1
2
ARIMA (2,1,0) dan ARIMA (0,1,1)
Model Parameter Estimasi P-Value
ARIMA (2,1,0) 0,53192 <0,0001
-0,31346 0,0058
ARIMA (0,1,1) -0,58751 <0,0001
1
2
1
37
Uji Signifikansi Parameter
Identifikasi Model
Parameter model telah signifikan atau berpengaruh terhadap model,
38
Model Lag P-Value
ARIMA
(2,1,0)
6 0,3693
12 0,2011
18 0,5299
24 0,3575
ARIMA
(0,1,1)
6 0,8315
12 0,3254
18 0,6190
24 0,4722
Model P-Value
ARIMA (2,1,0) 0,0642
ARIMA (0,1,1) 0,1242
Uji Kolmogorov Smirnov Uji L-jung Box
Uji Kesesuaian Model
Memenuhi asumsi Distribusi Normal
Memenuhi asumsi White Noise
Kriteria Kebaikan Model
MSE
Model In sample Out sample
ARIMA (2,1,0) 20157,15 132729,88
ARIMA (0,1,1) 19789,81 67273,93
1 .587510 ttt aaZ
39
Peramalan
Bulan Ramalan Bulan Ramalan
Januari 2014 7329,771 Juli 2014 7331,416
Februari 2014 7330,745 Agustus 2014 7331,421
Maret 2014 7331,145 September 2014 7331,423
April 2014 7331,310 Oktober 2014 7331,424
Mei 2014 7331,377 November 2014 7331,424
Juni 2014 7331,405 Desember 2014 7331,424
40
Perbandingan Metode Peramalan Data Harga Beras Riil
Metode MSE
In sample Out sample
Regresi Time Series 16963,45 49196,69 ARIMA (0,1,1) 19789,81 67273,93
9080706050403020101
8000
7000
6000
5000
4000
Index
Da
ta
Aktual
Fits
Forecasting
Variable
Time Series Plot of Aktual, Fits, Forecasting
70635649423528211471
2000000
1500000
1000000
500000
0
Index
Pro
du
ksi b
era
s
Time Series Plot of Produksi beras
Produksi beras pada periode Januari 2007 - Desember 2012 mengalami pola musiman 12
41
4,2 Analisis Produksi Beras
42
model Regresi dummy
D1=Januari D5=Mei D9=September
D2=Februari D6=Juni D10=Oktober
D3=Maret D7=Juli D11=November
D4=April D8=Agustus
Pemodelan dan Peramalan Produksi Beras Menggunakan Metode Regresi Time Series
tt ZZ /1* Dimana
11109
87 654
321*
D 0,000413 - D 0,000775 - D 0,000726 - D 0,00103 -D 0,00143 -D 0,00134 - D 0,00101 - D 0,00154
-D 0,00175 - D 0,00126 - D 0,000112 - t 0,000063 - 0,00277tZ
Parameter Estimasi P-Value Keterangan
Constant 0,0027748 0,000 Tolak H0
t -0,00006298 0,001 Tolak H0
D1 -0,0001121 0,470 Gagal Tolak H0
D2 -0,0012596 0,000 Tolak H0
D3 -0,0017524 0,000 Tolak H0
D4 -0,0015364 0,000 Tolak H0
D5 -0,0010063 0,000 Tolak H0
D6 -0,0013445 0,000 Tolak H0
D7 -0,0014252 0,000 Tolak H0
D8 -0,0010286 0,000 Tolak H0
D9 -0,0007257 0,000 Tolak H0
D10 -0,0007748 0,000 Tolak H0
D11 -0,0004133 0,010 Tolak H0
data produksi beras tidak mempunyai pengaruh pada Bulan Januari
43
Uji Signifikansi Parameter
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RESI1(with 5% significance limits for the autocorrelations)
1
7
Dimasukkan ke dalam model
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
to
co
rre
latio
n
Autocorrelation Function for RESI2(with 5% significance limits for the autocorrelations)
2 3
Memenuhi asumsi independen
65605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RESI3(with 5% significance limits for the autocorrelations)
Penambahan Parameter Zt-1, Zt-2 dan Zt-3
44
Uji Asumsi Residual IIDN
Model Regresi setelah penambahan parameter Zt-1, Zt-2dan Zt-3
Parameter Estimasi P-Value Keterangan
Constant 0,0015933 0,000 Tolak H0
t -0,00002758 0,074 Gagal Tolak H0
D1 -0,0004208 0,001 Tolak H0
D2 -0,0011673 0,000 Tolak H0
D3 -0,0007527 0,000 Tolak H0
D4 -0,0007108 0,000 Tolak H0
D5 -0,0005071 0,003 Tolak H0
D6 -0,0011404 0,000 Tolak H0
D7 -0,0007005 0,001 Tolak H0
D8 -0,0004438 0,005 Tolak H0
D9 -0,0004818 0,001 Tolak H0
D10 -0,0005829 0,000 Tolak H0
D11 -0,0000654 0,624 Gagal Tolak H0
Zt-1 0,8291 0,000 Tolak H0
Zt-2 -0,4857 0,003 Tolak H0
Zt-3 0,0802 0,523 Gagal Tolak H0
data produksi beras tidak mempunyai pengaruh pada parameter t, Bulan November dan Zt-3
45
Dimana tt ZZ /1*
Uji Signifikansi Parameter
0,080 + 0,486 - 0,829 +D 0,000065 - D 0,000583 - 0,000482D - 0,000444D -0,000701D - 0,0011D - 0,000507D
- 0,000711D -0,00075D - 0,00117D - 0,0004D -0,000028t - 0,00159
3211110
98765
4321*
ttt
t
ZZZ
Z
Fhitung FTabel P-Value
0,95 1,9 0,517
Memenuhi asumsi identik
P-Value
>0,150
Bulan Ramalan Transformasi Ramalan Aktual
Januari 2014 0,002276 193043,6
Februari 2014 0,001176 723078,3
Maret 2014 0,000751 1773047
April 2014 0,001003 994026,9
Mei 2014 0,001576 402612,8
Juni 2014 0,001212 680761,1
Juli 2014 0,001099 827951
Agustus 2014 0,00151 438577,3
September 2014 0,001805 306934,4
Oktober 2014 0,001748 327278,2
November 2014 0,002072 232927,4
Desember 2014 0,002514 158222,9
Memenuhi asumsi Distribusi Normal
46
Peramalan
Uji Glejser Uji Komogorov Smirnov
10-1-2-3
700000
600000
500000
400000
300000
200000
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate -0.30
Lower CL -0.63
Upper CL 0.02
Rounded Value -0.50
(using 95.0% confidence)
Lambda
Box-Cox Plot of Produksi beras
TRANSFORMASI 1/ tZ
5.02.50.0-2.5-5.0
0.00150
0.00125
0.00100
0.00075
0.00050
Lambda
StD
ev
Lower CL Upper CL
Limit
Estimate 0.59
Lower CL -0.05
Upper CL 1.23
Rounded Value 0.50
(using 95.0% confidence)
Lambda
Box-Cox Plot of TransformasiStasioner dalam varians
47
Pemodelan dan Peramalan Produksi Beras Menggunakan Metode ARIMA Box Jenkins
7065605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for Transformasi(with 5% significance limits for the autocorrelations)
dies down turun lambat
DIFFERENCING MUSIMAN 12
5550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for diff12(with 5% significance limits for the autocorrelations)
5550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Pa
rtia
l A
uto
co
rre
lati
on
Partial Autocorrelation Function for diff12(with 5% significance limits for the partial autocorrelations)
1 1
2
4
5 12
ARIMA ([1,2,4],0,0) (0,1,0)12, ARIMA ([1,2,4,5],0,1) (0,1,0)12, ARIMA ([1,2,4,5],0,0) (0,1,0)12 dan ARIMA ([1,2,4,5],0,0) (0,1,1)12,
48
Identifikasi Model
49
Uji Signifikansi Parameter
Model Parameter Estimasi P-Value
ARIMA
([1,2,4],0,0) (0,1,0)12
0,78322 <0,0001
-0,40150 0,0003
0,27877 0,0034
ARIMA
([1,2,4,5],0,1) (0,1,0)12
1,41587 <0,0001
-0,78684 <0,0001
0,59200 <0,0001
-0,46435 <0,0001
0,,65139 0,0035
ARIMA
([1,2,4,5],0,0) (0,1,0)12
0,89315 <0,0001
-0,47349 <0,0001
0,42428 0,0003
-0,25534 0,0435
ARIMA
([1,2,4,5],0,0) (0,1,1)12
0,96781 <0,0001
-0,51624 <0,0001
0,41669 <0,0001
-0,28338 0,0242
0,50326 0,0008
1
2
4
1
2
4
5
1
1
2
4
5
1
2
4
5
1
Parameter model telah signifikan atau berpengaruh terhadap model,
50
Uji Kolmogorov Smirnov Uji L-jung Box
Model Lag P-Value
ARIMA
([1,2,4],0,0) (0,1,0)12
6 0,1734
12 0,061
18 0,2635
24 0,3698
ARIMA
([1,2,4,5],0,1) (0,1,0)12
6 0,2894
12 0,1355
18 0,4315
24 0,6374
ARIMA
([1,2,4,5],0,0) (0,1,0)12
6 0,3922
12 0,1296
18 0,5015
24 0,7279
ARIMA
([1,2,4,5],0,0) (0,1,1)12
6 0,1032
12 0,5286
18 0,9080
24 0,7912
Model P-Value
ARIMA ([1,2,4],0,0) (0,1,0)12 >0,150
ARIMA ([1,2,4,5],0,1) (0,1,0)12 >0,150
ARIMA ([1,2,4,5],0,0) (0,1,0)12 0,1056
ARIMA ([1,2,4,5],0,0) (0,1,1)12 >0,150
Memenuhi asumsi Distribusi Normal
Memenuhi asumsi White Noise
Uji Kesesuaian Model
Dimana
51
Kriteria Kebaikan Model
Model In sample Out sample
ARIMA ([1,2,4],0,0) (0,1,0)12 177047740799,33 34789241311,91
ARIMA ([1,2,4,5],0,1) (0,1,0)12 211739553094,97 82134846853,04
ARIMA ([1,2,4,5],0,0) (0,1,0)12 279767860545,97 32870056065,69
ARIMA ([1,2,4,5],0,0) (0,1,1)12 592676847899,63 41253386721,68
tt ZZ /1*
ttttt
tttttt
aZZZZ
ZZZZZZ
*17
*16
*14
*13
*5
*4
*2
*1
*12
*
0,255340,424280,473490,89315
0,25534- 0,42428 0,47349- 0,89315
52
Bulan Ramalan
Transformasi Ramalan Aktual
Januari 2014 0,002459 165413
Februari 2014 0,001239 651011,8
Maret 2014 0,000647 2391667
April 2014 0,000922 1176557
Mei 2014 0,001808 305796,4
Juni 2014 0,00131 582866
Juli 2014 0,000944 1122813
Agustus 2014 0,001403 507867,9
September 2014 0,001671 358102,3
Oktober 2014 0,001582 399535
November 2014 0,001662 361864,5
Desember 2014 0,002258 196145,6
Peramalan
53
Perbandingan Metode Peramalan Data Produksi Beras
Metode MSE
In sample Out sample
Regresi Time Series 53762880128,12 10321766105,11
ARIMA 177047740799,33 32870056065,69
9080706050403020101
3500000
3000000
2500000
2000000
1500000
1000000
500000
0
Index
Da
ta
Aktual
Fits
Forecasting
Variable
Time Series Plot of Aktual, Fits, Forecasting
54
1. Metode yang sesuai untuk menganalisis data harga beras riil adalah metode Regresi Time Series tren naik, karena mempunyai nilai MSE in dan out sample paling kecil dibandingkan metode ARIMA Box Jenkins. Hasil peramalan data harga beras riil 12 bulan kedepan bulan Januari-Desember 2014 mengalami kenaikan harga beras riil setiap bulannya.
2. Metode yang sesuai untuk menganalisis data produksi beras adalah Regresi Time Series Dummy 12 bulan, karena mempunyai nilai MSE in dan out sample paling kecil dibandingkan metode ARIMA Box Jenkins. Hasil peramalan data produksi beras 12 bulan kedepan bulan Januari-Desember 2014 mengalami naik turun hasil produksi beras di Jawa Timur. Pada Bulan Maret 2014 terjadi produksi beras tertinggi yaitu sebanyak 1773047 Ton.
1. Saran berupa tambahan informasi yang disampaikan peneliti kepada Dinas Pertanian Provinsi Jawa Timur dan Perum BULOG Divre Provinsi Jawa Timur adalah menjaga kestabilan harga beras riil yang diterima petani yang terus meningkat dan meningkatkan produksi beras yang pada bulan tertentu yang mengalami penurunan produksi beras dari tahun sebelumnya.
55
2, Saran untuk penelitian berikutnya, dapat digunakan beberapa metode peramalan (time series) lainnya atau melakukan pengembangan metode agar dapat diperoleh model ramalan yang paling sesuai dengan harga beras riil dan produksi beras.
BAPPEDA, 2013. 107 Miliar Untuk Tingkatkan Produksi Padi. http://bappeda.jatimprov.go.id/?s=produksi+beras+di+jawa+timur&x=0&y=0. Diakses Pada Tanggal 16 Januari 2013. Bowerman, B.L., and O’Connell, R.T. 1993. Forecasting and Time Series: An Applied Approach, edition. Belmont, California : Duxbury Press. Cryer, J. D. 1986. Time Series Analysis, PWT-KENST Publishing Company, Boston. Daniel, W. W. 1989. Statistika Non Parametrik Terapan. Jakarta : Gramedia Draper and Smith. 1992. Analisis Regresi Terapan. Jakarta :Penerbit PT Gramedia Pustaka Utama. FAO, 2008. The State of Food Insecurity in the World: Addressing Food Insecurity In Protracted Crises. Rome. Gujarati.2004. Basic Econometrics, Fourth Edition. The Mcgraw-Hill Companies. Kementrian Pertanian, 2012. Statistik Harga Komoditas Pertanian. Morphi, W. 2012. Peramalan Harga Beras Di Perum Bulog Divre Jatim. Surabaya: Institut Teknologi Sepuluh Nopember. Nency, S. E. 2012. Analisis Harga Temporal Beras di Provinsi Jawa Timur. Surabaya: Universitas Brawijaya. Nurjayanti, E. D. 2011. Peramalan Penawaran dan Perintaan Beras Pada Era Otonomi Daerah di Kabupaten Sukoharjo. Surakarta: Universitas Sebelas Maret. Makridakis, S., Wheelwright, S.C., dan McGee, V.E.1999. Jilid 1 Edisi Kedua, Terjemahan Ir. Hari Suminto. Metode dan Aplikasi Peramalan. Jakarta : Bina Rupa Aksara. Setiawan, dan Kusrini, D.E. 2010. Ekonometrika. Yogyakarta :Penerbit ANDI. Wei, W. W. S. 2006. Time Series Analysis: Univariate and Multivariate Methods, 2nd Edition. New York: Pearso
56
HARGA BERAS RIIL DAN PRODUKSI BERAS DI PROVINSI JAWA TIMUR
57 57
Pengambilan data
58
Harga Beras Riil
Survey ke Penggilingan
Padi
1 sub divre Diambil
3 sampling penggilingan
59
Produksi Beras Survey di Hamparan
sawah
Metode Ubinan 1 ubin(1x1 meter)
Hasil produksi
ditimbang
Dikalikan dengan luas hamparan sawah