HARGA BERAS RIIL DAN PRODUKSI BERAS DI PROVINSI …digilib.its.ac.id/public/ITS-paper-36121-19-1311030099-Presentation.pdfNurjayanti, 2011 . Jika tidak memenuhi kebutuhan , MAKA

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


t 8,988 0,000 Tolak H0

Zt-1 1,2415 0,000 Tolak H0

Zt-2 -0,4137 0,000 Tolak H0



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


Identifikasi 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



Memenuhi asumsi White Noise


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


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


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


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


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


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


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*


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


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


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


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


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


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 White Noise


Dimana

51


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

http://bappeda.jatimprov.go.id/?s=produksi+beras+di+jawa+timur&x=0&y=0

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

Documents

HARGA BERAS RIIL DAN PRODUKSI BERAS DI PROVINSI …digilib.its.ac.id/public/ITS-paper-36121-19-1311030099-Presentation.pdfNurjayanti, 2011 . Jika tidak memenuhi kebutuhan , MAKA