PERAMALAN PENAWARAN DAN PERMINTAAN BERAS PADA … · PERAMALAN PENAWARAN DAN PERMINTAAN BERAS PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO ... Program Studi Magister Agribisnis

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

i

PERAMALAN

PENAWARAN DAN PERMINTAAN BERAS

PADA ERA OTONOMI DAERAH

DI KABUPATEN SUKOHARJO

TESIS

Untuk Memenuhi Sebagian Persyaratan Mencapai Derajad Magister Program Studi Magister Agribisnis Minat Utama: Ekonomi Pertanian

Diajukan Oleh:

Eka Dewi Nurjayanti

S 640809001

PROGRAM STUDI MAGISTER AGRIBISNIS

PROGRAM PASCASARJANA

UNIVERSITAS SEBELAS MARET

SURAKARTA

2011


commit to user

ii

PERAMALAN




TESIS

Disusun oleh:

Eka Dewi Nurjayanti

S 640809001

Telah disetujui oleh Tim Penguji

Jabatan Nama Tanda Tangan Tanggal

Ketua

Dr. Ir. Kusnandar, M.Si NIP. 19670703 199203 1 004

........................

..............

Sekretaris

Prof. Dr. Ir. Endang Siti Rahayu, MS NIP. 19570104 198003 2 001

........................

..............

Anggota 1

Prof. Dr. Ir. Darsono, M.Si NIP. 19660611 199103 1 002

........................

..............

Anggota 2

Prof. Dr. Ir. Suprapti Supardi, MP NIP. 19480808 197612 2 001

........................

..............

Mengetahui:

Ketua Program Studi Magister Agribisnis Prof. Dr. Ir. Endang Siti Rahayu, MS NIP. 19570104 198003 2 001

........................

..............

Direktur PPs UNS Prof. Drs. Suranto, M.Sc., Ph.D. NIP. 19570820 198503 1 004

........................

..............


commit to user

iii

KATA PENGANTAR

Assalaamu’alaikum Wr. Wb.

Puji syukur senantiasa penulis panjatkan ke hadirat Allah SWT yang telah

melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan

tesis yang berjudul PERAMALAN PENAWARAN DAN PERMINTAAN

BERAS PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO,

dengan tujuan untuk melengkapi persyaratan guna mendapatkan gelar Magister

Agribisnis Program Pascasarjana, Universitas Sebelas Maret Surakarta.

Penulis menyadari bahwa dalam penyusunan tesis ini tidak terlepas dari

bantuan berbagai pihak. Oleh karena itu, dengan segala kerendahan hati penulis

ingin mengucapkan terima kasih kepada :

1. Prof. Drs. Suranto, M.Sc., Ph.D, selaku Direktur Program Pascasarjana

Universitas Sebelas Maret Surakarta.

2. Prof. Dr. Ir. Endang Siti Rahayu, M.S, selaku Ketua Program Studi Magister

Agribisnis Universitas Sebelas Maret Surakarta dan juga sebagai penguji

yang banyak memberikan masukan, saran, dan motivasi dalam penyusunan

tesis ini. Terima kasih juga penulis sampaikan sebagai bagian dari keluarga

besar Program Studi Magister Agribisnis dan semoga program studi ini

semakin berkembang dan sukses pada waktu yang akan datang.

3. Dr. Ir. Kusnandar, M.Si, selaku Sekretaris Program Studi Magister Agribisnis

Universitas Sebelas Maret Surakarta dan juga sebagai penguji. Terima kasih

telah memberikan arahan, motivasi dan saran selama proses perkuliahan.


commit to user

iv

4. Prof. Dr. Ir. Darsono, M.Si, selaku pembimbing utama yang sangat inspiratif

dan solutif. Terima kasih telah berkenan mendampingi, meluangkan waktu,

tenaga, pemikiran, serta banyak memberikan arahan, motivasi, kritik, dan

saran selama proses penyusunan tesis ini.

5. Prof. Dr. Ir. Suprapti Supardi, MP, selaku pembimbing pendamping yang

inspiratif dan solutif. Terima kasih telah memberikan banyak arahan,

masukan, kritik dan saran, serta motivasi dan nasihat selama proses

penyusunan tesis ini.

6. Bapak dan Ibu Dosen Program Studi Magister Agribisnis Program

Pascasarjana Universitas Sebelas Maret Surakarta atas ilmu yang telah

diberikan dan bantuannya selama masa perkuliahan penulis di Program

Pascasarjana Universitas Sebelas Maret Surakarta.

7. Staff administrasi Program Studi Magister Agribisnis Program Pascasarjana

Universitas Sebelas Maret Surakarta yang telah memberikan banyak bantuan

dalam hal administrasi dan seminar.

8. Bappeda Kabupaten Sukoharjo yang telah memberikan izin penelitian kepada

penulis.

9. Dinas Pertanian, Badan Pusat Statistika, Badan Ketahanan Pangan Kabupaten

Sukoharjo dan BPS Provinsi Jawa Tengah yang telah memberikan banyak

informasi dan data-data penting dalam penelitian penulis ini.

10. Orang tuaku tercinta Bapak Ilyas Zainal S.Pd dan Ibu Esti Handayani S.Pd,

terima kasih atas segala bimbingan, didikan, doa, dukungan, motivasi,


commit to user

v

nasihat, dan kasih sayang, serta kesempatan dan kepercayaan yang telah

diberikan kepada penulis selama ini.

11. Adik-adikku Ristiya Dwi Anggraeni dan Wahyu Tri Widyastuti terima kasih

atas doa, dukungan, dan semangat yang semakin mempererat persaudaraan

kita.

12. Seluruh Keluarga Besar Eyang Djamat Suharjono dan Eyang Kasmad yang

telah memberikan doa, kasih sayang, dukungan, motivasi, dan bantuan bagi

penulis.

13. Sahabat terbaikku Ika Dewi Puspita Sari (Alm.) terima kasih untuk indahnya

kebersamaan dan persahabatan yang akan selalu memotivasi penulis untuk

terus berkarya.

14. Sahabat sekaligus saudaraku, Nita, Dede, Ncit, Putri, Yaning, Wilis, Era,

abang Arief, dan Heri. Tidak hanya sahabat tapi kalian adalah teman, saudara,

dan keluarga yang senantiasa menemaniku untuk lebih memahami makna

hidup.

15. Untuk “abang” yang telah mengajarkan banyak hal untuk selalu sabar dan

terus berusaha. Terima kasih untuk kebersamaan, kesabaran, motivasi,

nasehat dan semangat yang diberikan.

16. Teman seperjuangan, Tri R. Setyowati. Kebersamaan, perjuangan, dan

kesabaran yang dilalui bersama telah memberikan banyak warna dan cerita

hingga pada akhirnya kita berhasil menyelesaikan penelitian ini.

17. Teman-teman Magister Agribisnis, Tri Rahayu S., Umi Nur S., Tria Rosana,

Sasono Kurniadi, Candra Sukmana, Irma Wardhani, Putriesti Mandasari,


commit to user

vi

Suratno, Farid Sunarto, Endang Tien, dan Sutopo. Teman-teman

seperjuangan yang memberikan banyak cerita, kebersamaan, motivasi dan

bantuan serta persahabatan yang unik dan penuh warna.

18. Teman-teman “siap dan pasti kaya team”, Agrobisnis 2005: diantaranya Siti,

Niken, Triana, Pandan, Hafid, Simbah, Gulan, Luthfi, Cecep. Bersama kalian

banyak memberikan warna dalam hidup. Terima kasih juga untuk

bantuannya.

19. Sekartaji crew: Lina, Kuning, Rima, Sarah, Umi, Sari, Sulis terima kasih

untuk keceriaan, kebersamaan, bantuan dan semuanya.

20. Semua pihak yang telah membantu kelancaran penyusunan tesis ini dan

memberi dukungan, doa dan semangat bagi penulis untuk terus berjuang.

Penulis menyadari bahwa tesis ini masih jauh dari sempurna. Oleh karena itu,

penulis mengharapkan kritik dan saran yang membangun di kesempatan yang

akan datang. Akhirnya penulis berharap semoga sumbangan pemikiran ini akan

dapat bermanfaat bagi pembaca dan semua pihak . Terimakasih.

Wassalaamu’alaikum. Wr. Wb.

Surakarta, Agustus 2011

Penulis


commit to user

vii

DAFTAR ISI

Halaman

HALAMAN JUDUL ....................................................................................... i HALAMAN PENGESAHAN ........................................................................ ii KATA PENGANTAR ..................................................................................... iii DAFTAR ISI .................................................................................................... vii DAFTAR TABEL ............................................................................................ xi DAFTAR GAMBAR ....................................................................................... xiv DAFTAR LAMPIRAN ................................................................................... xv RINGKASAN .................................................................................................... xvi SUMMARY ....................................................................................................... xvii

I. PENDAHULUAN ................................................................................... 1 A. Latar Belakang ................................................................................ 1 B. Perumusan Masalah ........................................................................ 11 C. Tujuan Penelitian ............................................................................ 15 D. Kegunaan Penelitian ....................................................................... 15

II. LANDASAN TEORI .............................................................................. 16 A. Tinjauan Pustaka ............................................................................. 16

1. Beras ................................................................................... 16 2. Otonomi Daerah ...................................................................... 18 3. Permintaan ............................................................................. 20 4. Penawaran ............................................................................. 24 5. Regresi Atas Variabel Dummy .............................................. 27 6. Model Persamaan Simultan .................................................... 29 7. Peramalan ............................................................................. 30 8. Penaksiran dan Peramalan Permintaan ................................... 32 9. Analisis Deret Waktu (Time Series) ...................................... 34 10. Metode Box-Jenkins (ARIMA) .............................................. 37 11. Penelitian Terdahulu ................................................................ 46

a. Analisis Penawaran dan Permintaan................................. 46 b. Analisis Peramalan Penawaran dan Permintaan ............. 49

B. Kerangka Teori Pendekatan Masalah ............................................ 54 1. Metode ARIMA (Box-Jenkins)............................................... 54 2. Model Persamaan Simultan .................................................... 57

C. Pembatasan Masalah ...................................................................... 60 D. Asumsi - Asumsi ...................................................................... 60 E. Definisi Operasional dan Konsep Pengukuran Variabel .............. 60

III. METODE PENELITIAN ...................................................................... 63 A. Metode Dasar Penelitian ................................................................. 63 B. Metode Pengambilan Daerah Penelitian........................................ 63 C. Jenis dan Sumber Data ................................................................... 63


commit to user

viii

D. Metode Analisis Data...................................................................... 64 1. Model ARIMA Permintaan dan Penawaran Beras.................. 64 2. Uji Variabel Dummy ................................................................ 68 3. Model Persamaan Simultan ..................................................... 69 4. Uji Kelayakan Model ............................................................... 71

IV. KONDISI UMUM LOKASI PENELITIAN ..................................... 75 A. Keadaan Alam ................................................................................. 75 B. Luas Wilayah................................................................................... 76 C. Keadaan Penduduk dan Tenaga Kerja ........................................... 76 D. Keadaan Perindustrian .................................................................... 79 E. Keadaan Umum Pertanian .............................................................. 81 F. Keadaan Sektor Tanaman Bahan Makanan................................... 84 G. Keadaan Perekonomian ................................................................. 86

V. HASIL PENELITIAN DAN PEMBAHASAN ................................... 88 A. Dinamika Penawaran dan Permintaan Beras................................. 88

1. Dinamika Penawaran Beras di Kabupaten Sukoharjo ............ 88 2. Dinamika Permintaan Beras di Kabupaten Sukoharjo ........... 92

B. Model ARIMA Penawaran dan Permintaan Beras ...................... 95 1. Penawaran Tahunan Beras ....................................................... 95

a. Tahap Identifikasi ................................................................. 95 b. Tahap Estimasi ..................................................................... 98 c. Tahap Uji Diagnostik ........................................................... 100

2. Permintaan Tahunan Beras........................................................ 106 a. Tahap Identifikasi ................................................................. 106 b. Tahap Estimasi ..................................................................... 108 c. Tahap Uji Diagnostik ........................................................... 110

C. Uji Variabel Dummy ...................................................................... 117 D. Model Persamaan Simultan ........................................................... 119 E. Peramalan Penawaran dan Permintaan Beras ............................... 123 F. Pembahasan .................................................................................... 127

VI. KESIMPULAN DAN SARAN .............................................................. 136 A. Kesimpulan ...................................................................................... 136 B. Saran ................................................................................................ 138

DAFTAR PUSTAKA ....................................................................................... 141

LAMPIRAN ...................................................................................................... 145


commit to user

ix

DAFTAR TABEL

Nomor Judul Hal

1. Luas Panen, Produktivitas dan Produksi Padi di Kabupaten Sukoharjo Tahun 2005 – 2010 ....................................................... 9

2. Penawaran, Permintaan dan Surplus Beras di Kabupaten Sukoharjo Tahun 2005 – 2010 ....................................................... 10

3. Komposisi Penduduk Menurut Jenis Kelamin dan Sex Ratio di Kabupaten Sukoharjo Tahun 2004-2009 ....................................... 76

4. Jumlah Penduduk Menurut Kelompok Umur di Kabupaten Sukoharjo Tahun 2009.................................................................... 78

5. Jumlah, Pertumbuhan dan Kepadatan Penduduk Kabupaten Sukoharjo Tahun 2004-2009 .......................................................... 79

6. Industri Menurut Kelompok Usaha di Kabupaten Sukoharjo Tahun 2009 ...................................................................................... 80

7. Luas Penggunaan Lahan Sawah di Kabupaten Sukoharjo Tahun 2009 ................................................................................................. 82

8. Luas Penggunaan Lahan Bukan Sawah Menurut Jenis di Kabupaten Sukoharjo Tahun 2009 ................................................ 82

9. Luas Penggunaan Lahan Bukan Sawah Menurut Status di Kabupaten Sukoharjo Tahun 2009 ................................................ 83

10. Perkembangan Produksi Tanaman Bahan Makanan Menurut Jenisnya di Kabupaten Sukoharjo Tahun 2005 – 2009 (Ton) ...... 84

11. Produksi Bersih Padi dan Penawaran Tahunan Beras di Kabupaten Sukoharjo Tahun 1994 – 2010 .................................... 89

12. Jumlah Penduduk dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 1994 – 2010 ...................................................... 93

13. Nilai ADF dan Critical Value Data Penawaran Tahunan Beras di Kabupaten Sukoharjo ................................................................. 97

14. Hasil Estimasi Parameter Model Tentatif Penawaran Tahunan Beras di Kabupaten Sukoharjo ....................................................... 99


commit to user

x

15. Perbandingan Uji Diagnostik Beberapa Model ARIMA Penawaran Tahunan Beras di Kabupaten Sukoharjo .................... 101

16. Hasil Pengujian Model ARIMA (0,1,1) Penawaran Tahunan Beras di Kabupaten Sukoharjo ....................................................... 104

17. Nilai ADF dan Critical Value Data Permintaan Tahunan Beras di Kabupaten Sukoharjo ................................................................. 107

18. Hasil Estimasi Model Tentatif Permintaan Tahunan Beras di Kabupaten Sukoharjo...................................................................... 109

19. Perbandingan Uji Diagnosis Beberapa Model ARIMA Permintaan Tahunan Beras di Kabupaten Sukoharjo ................... 111

20. Hasil Pengujian Model ARIMA (2,2,1) Permintaan Tahunan Beras di Kabupaten Sukoharjo ....................................................... 114

21. Nilai F-statistic dan Tingkat Probabilitas Hasil Chow Breakpoint Test Variabel Dummy ................................................. 118

22. Hasil Estimasi Model Persamaan Simultan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo ................... 122

23. Hasil Peramalan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 2011 – 2015 (Ton) ........................ 124


commit to user

xi

DAFTAR GAMBAR

Nomor Judul Halaman

1. Kurva Permintaan ................................................................... 23

2. Kurva Penawaran .................................................................... 25

3. Kerangka Pemikiran Analisis Peramalan Permintaan dan Penawaran Beras Pada Era Otonomi Daerah di Kabupaten Sukoharjo ................................................................................ 59

4. Plot Data Penawaran Tahunan Beras di Kabupaten Sukoharjo (Ton) ...................................................................... 96

5. Plot Data Permintaan Tahunan Beras di Kabupaten Sukoharjo (Ton) ...................................................................... 106

6. Plot Hasil Peramalan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 2011 – 2015 (Ton) . 124


commit to user

xii

DAFTAR LAMPIRAN

Nomor Judul Halaman

1 Permintaan dan Penawaran Beras di Kabupaten Sukoharjo Tahun 1994 – 2010....................................................................... 146

2 Nilai ADF dan Critical Value Data Penawaran Tahunan Beras.. 147

3 Nilai ADF dan Critical Value Data Permintaan Tahunan Beras.. 148

4 Collerogram Data Penawaran Tahunan Beras.............................. 149

5 Collerogram Data Permintaan Tahunan Beras............................. 150

6 Hasil Estimasi Model ARIMA Penawaran Tahunan Beras di Kabupaten Sukoharjo................................................................... 151

7 Hasil Estimasi Model ARIMA Permintaan Tahunan Beras di Kabupaten Sukoharjo................................................................... 156

8 Uji Chow Breakpoint Test............................................................ 162

9 Estimasi Model Persamaan Simultan........................................... 163

10 Hasil Peramalan Penawaran Dan Permintaan Tahunan Beras Di Kabupaten Sukoharjo Tahun 2011 – 2015................................... 164


commit to user

xiii

RINGKASAN

Eka Dewi Nurjayanti. S640809001. 2011. Peramalan Penawaran dan Permintaan Beras Pada Era Otonomi Daerah di Kabupaten Sukoharjo.

Penelitian ini bertujuan untuk mengetahui dinamika penawaran dan

permintaan beras pada era sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo dan menganalisis peramalan penawaran dan permintaan beras di Kabupaten Sukoharjo pada tahun 2011 – 2015. Metode dasar yang digunakan dalam penelitian ini adalah deskriptif analitis. Lokasi penelitian diambil secara sengaja (purposive), yaitu Kabupaten Sukoharjo. Data dianalisis dengan (1) metode Box-Jenkins (ARIMA) melalui empat tahap yaitu identifikasi, estimasi parameter, uji diagnostic, dan peramalan; (2) uji titik patah Chow (Chow Breakpoint Test); dan (3) metode persamaan simultan.

Hasil penelitian data penawaran tahunan beras mempunyai pola fluktuatif dengan trend cenderung meningkat. Data belum stasioner dan menjadi stasioner pada differencing pertama. Hasil estimasi parameter menetapkan model tentatif untuk penawaran tahunan beras adalah ARIMA (0,1,1). Pada uji diagnostik ditetapkan bahwa model ARIMA yang terbaik adalah ARIMA (0,1,1) dengan RMSE sebesar 5.186,376; R2 sebesar 0,850311; nilai F-statistic sebesar 79,52704; dan parameter MA signifikan karena nilai probabilitasnya lebih kecil dari 0,05. Data permintaan tahunan beras memiliki trend meningkat dan cenderung linier. Data permintaan tahunan beras tidak stasioner dan menjadi stasioner pada differencing kedua. Hasil estimasi parameter menetapkan model tentatif untuk permintaan tahunan beras adalah ARIMA(1,2,1). Setelah dilakukan uji diagnostik, model terbaik untuk permintaan tahunan beras yang dipilih adalah ARIMA (2,2,1) dengan RMSE sebesar 677,4671; R2 sebesar 0,947327; nilai F-statistic sebesar 53,95478; dan parameter AR(1) dan MA(1) signifikan karena nilai probabilitasnya lebih kecil dari 0,05. Hasil Chow Breakpoint Test menunjukkan periode yang berpengaruh terhadap structural break data penawaran dan permintaan tahunan beras adalah tahun 2000, dengan nilai F-statistic sebesar 3,033932 dan tingkat probabilitasnya juga signifikan. Pada model persamaan simultan hasil estimasi menunjukkan bahwa model mempunyai nilai R2 0,644626; F-statistic sebesar 5,462146; RMSE sebesar 8.823,807; dan nilai probabilistik dari F-statistic sudah signifikan. Otonomi daerah tidak berpengaruh secara signifikan terhadap penawaran dan permintaan tahunan beras, karena peran pemerintah daerah di sektor perberasan relatif kecil dan sebagian besar kebijakan ditetapkan oleh pemerintah pusat. Hasil peramalan penawaran dan permintaan tahunan beras tahun 2011 – 2015 menunjukkan bahwa permintaan cenderung mengalami peningkatan setiap tahunnya, sedangkan penawaran cenderung mengalami penurunan.

Saran yang diberikan adalah perbaikan varietas benih padi yang ditanam dengan menciptakan varietas benih unggul yang lebih tahan pada hama dan penyakit, terutama hama wereng; menggunakan sistem serentak dan massal untuk menangani hama wereng; dan peningkatan alokasi anggaran biaya untuk penyuluhan pertanian dan pendampingan bagi petani.


commit to user

xiv

SUMMARY

Eka Dewi Nurjayanti. S640809002. 2011. The Forecasting Supply and Demand of Rice in Era of Regional Autonomy in Sukoharjo Regency.

The purpose of this research is to know the dynamics of suppling and

demanding rice in era before and after regional autonomy in Sukoharjo Regency and to analyzed forecast of them in Sukoharjo Regency on 2011 – 2015. The basic method applied in this research is analytical descriptive method. The research object is taken purposively, that is Sukoharjo Regency. The method of analysis data in this research is (1) Box-Jenkins (ARIMA) method with fourth steps, include identification, parameter estimation, diagnostic checking, and forecasting; (2) Chow Breakpoint Test; and (3) simultaneous equation method.

The result got from this research is the annual supply rice data have a fluctuation pattern with increase trend. It is not stationary and become stationary in first differencing. The result of parameter estimation judged that tentative model for the annual supply rice is ARIMA (0,1,1). The result of diagnostic checking judged that the best ARIMA model is ARIMA (0,1,1) with RMSE value is 5.186,376; R2 value is 0,850311; F-statistic value is 79,52704; and parameter of MA is significant because probabilistic value is less than 0,05. The annual demand rice data have an increased and linear trend. It is not stationary and become stationary in second differencing. The result of parameter estimation judged that tentative model for the annual demand rice is ARIMA (1,2,1). After diagnostic checking test, the best ARIMA model for the annual demand rice is ARIMA (2,2,1) with RMSE value is 677,4671; R2 value is 0,947327; F-statistic value is 53,95478; and parameter of MA(1) and AR(1) are significant because the value of probability is less than 0,05. Chow Breakpoint Test showed that in 2000 was a period which affected annual supply and demand of rice, with F-statistic value is 3,033932 and this probability is significant. In simultaneous equation model, estimation result showed that the model had value of R2 is 0,644626; value of F-statistic is 5,462146; value of RMSE is 8.823,807; and probabilistic value of F-statistic is significant. Regional autonomy not affected in supply and demand of rice. It is because rule of regional government less than main government in capital country. The result of forecasting annual supply and demand of rice in 2011 – 2015 showed annual demand rice tended increase while annual supply decreased.

The suggestion based on this research is to increase the variety of rice seed through find out the best rice seed that resistant from plant disease; to change plant system for protect the element and quality of soil; to use together and massive system for eliminate plant disease, and to increase budget allocation for agriculture communication and also assistance for rice farmer if the farmer got any problems about rice cultivation.


commit to user

xv

LEMBAR PERNYATAAN

Nama : Eka Dewi Nurjayanti

NIM : S640809002

Program Studi : Agribisnis

Menyatakan dengan sesungguhnya bahwa tesis berjudul “Peramalan

Penawaran dan Permintaan Beras Pada Era Otonomi Daerah di Kabupaten

Sukoharjo” adalah benar-benar hasil karya saya sendiri. Hal-hal yang bukan

karya saya dalam tesis ini diberi tanda tersendiri dan ditunjukkan dalam daftar

pustaka.

Apabila di kemudian hari terbukti pernyataan saya ini tidak benar, maka

saya bersedia sanksi akademik berupa pencabutan tesis dan gelar yang saya

peroleh atas tesis tersebut.

Surakarta, Agustus 2011

Yang menyatakan,

Eka Dewi Nurjayanti


commit to user

xvi

PERAMALAN




TESIS

Disusun oleh:

Eka Dewi Nurjayanti

S 640809001

Telah disetujui oleh:

Jabatan Nama Tanda Tangan Tanggal

Pembimbing

Utama

Prof. Dr. Ir. Darsono, M.Si

NIP. 19660611 199103 1 002

........................

..............

Pembimbing

Pendamping

Prof. Dr. Ir. Suprapti Supardi, MP

NIP. 19480808 197612 2 001

........................

..............

Mengetahui:

Ketua Program Studi Magister Agribisnis

Prof. Dr. Ir. Endang Siti Rahayu, MS NIP. 19570104 198003 2 001


commit to user

1

I. PENDAHULUAN

A. Latar Belakang

Pangan merupakan kebutuhan pokok manusia yang pemenuhannya

menjadi hak asasi setiap rakyat Indonesia sebagaimana dinyatakan dalam UU

No.7 Tahun 1996 tentang pangan. Hal ini menjadikan pangan sebagai

komoditas penting dan strategis. Kecukupan dan ketersediaan pangan akan

menentukan kualitas sumber daya manusia dan ketahanan bangsa. Kecukupan

dan ketersediaan pangan berkaitan dengan ketahanan pangan. Menurut

Peraturan Pemerintah RI No. 68 Tahun 2002 tentang ketahanan pangan,

disebutkan bahwa ketahanan pangan adalah kondisi terpenuhinya pangan bagi

rumah tangga yang tercermin dengan tersedianya pangan yang cukup, baik

jumlah maupun mutunya, aman, merata, dan terjangkau (Made, 2008: 52).

Dalam pengertian tersebut pemenuhan kebutuhan pangan dapat disediakan

melalui hasil produksi dalam negeri atau impor.

Indonesia kaya akan beraneka ragam sumber bahan pangan baik nabati

maupun hewani untuk pemenuhan kebutuhan gizi masyarakat, sehingga

kondisi ini sangat mendukung untuk mencapai ketahanan pangan yang

mantap. Ketahanan pangan sangat erat kaitannya dengan peran strategis

sektor pertanian. Secara empiris peran sektor pertanian tidak hanya

berkontribusi dalam aspek penyediaan (food availability), tetapi juga

memproduksi pangan dan secara global merupakan gantungan nafkah utama

sekitar 36 % penduduk dunia. Bahkan untuk negara berkembang angkanya

1


commit to user

2

lebih tinggi lagi, berkisar antara 40 – 50 % (Sumaryanto, 2009: 7). Di

Indonesia menurut BPS (2009: 51), sampai dengan bulan Februari, dari total

104,49 juta penduduk usia 15 tahun ke atas yang bekerja, terdapat sekitar

43,03 juta penduduk (41,2 %) yang bekerja di sektor pertanian, kehutanan,

perburuan dan perikanan. Perkembangan sektor pertanian sebagaimana yang

terdapat pada kebijakan pembangunan pertanian Indonesia, lebih menitik

beratkan pada produksi makanan pokok sebagian besar penduduk Indonesia

yaitu beras.

Beras merupakan komoditas yang sangat penting dan strategis bagi

bangsa Indonesia. Beras menjadi penting karena merupakan bahan makanan

pokok masyarakat Indonesia, dan menjadi strategis karena dapat

mempengaruhi stabilitas ekonomi (melalui inflasi) dan stabilitas nasional

(gejolak sosial) (Hasyim, 2007: 3). Sebagai bahan makanan pokok, maka

kebutuhan beras setiap saat harus dapat dipenuhi dan perlu diupayakan

ketersediaanya dalam jumlah yang cukup, mutu yang baik, aman dikonsumsi,

dan mudah diperoleh dengan harga yang dapat dijangkau oleh seluruh lapisan

masyarakat.

Sebagai bahan pangan pokok, beras memiliki peran yang sangat penting

dalam kehidupan masyarakat Indonesia dipandang dari aspek ekonomi,

tenaga kerja, lingkungan hidup, sosial, budaya dan politik. Begitu pentingnya

beras sehingga pengelolaannya harus dilakukan secara berhati-hati, terutama

dalam hal kebijaksanaan perberasan yang ditetapkan pemerintah. Dalam

sejarah perberasan Indonesia, pemerintah mempunyai peran besar dalam


commit to user

3

mengatur ekonomi perberasan nasional (Saifullah, 2001: 1). Salah satu

campur tangan pemerintah dalam ekonomi perberasan adalah melalui

Keputusan Presiden No. 114/U/Kep/1976 pada tanggal 10 Mei 1967 tentang

pembentukan Badan Urusan Logistik (Bulog). Badan ini dibentuk sebagai

lembaga pembeli tunggal untuk beras (Kepres No. 272/1967) sedangkan

Bank Indonesia ditetapkan sebagai penyandang dana tunggal untuk beras

(Inpres No. 1/1968) (Emperadani, 2005: 2; Himateta, 2010: 1). Kebijakan

pemerintah membentuk Bulog tidak terlepas dari situasi ekonomi saat itu.

Memasuki 1967, krisis ekonomi terus berlanjut sehingga hampir

menghancurkan sendi-sendi pokok kehidupan bangsa. Negara dihadapkan

pada masalah kosongnya stok pangan di gudang-gudang BPUP (Badan

Pelaksana Urusan Pangan), habisnya devisa negara, dan tingkat inflasi yang

membumbung tinggi (Darwis, 2010: 2).

Bulog dalam perkembangannya mengalami beberapa perubahan fungsi

dan tugas. Selain sebagai pengelola cadangan pangan, Bulog juga diberi

kewenangan sebagai importir tunggal gula pasir dan gandum, serta distributor

gula pasir, kedelai, dan tepung terigu. Bahkan selama tahun 1977 – 1979,

Bulog mendapat tugas menerapkan kebijakan harga dasar untuk jagung,

kedelai, kacang tanah, dan kacang hijau. Perubahan tugas dan fungsi yang

dituangkan dalam beberapa Keputusan Presiden ini menjadikan Bulog tidak

hanya menangani bidang perberasan nasional saja, tetapi juga mengendalikan

harga dan mengelola persediaan gula, gandum, terigu, kedelai, pakan dan


commit to user

4

bahan pangan lainnya (Emperadani, 2005: 3; Darwis, 2010: 2; Himateta,

2010: 1; Saifullah, 2001: 1-2).

Berbagai kebijakan yang dikeluarkan pemerintah ini diharapkan

mendukung perberasan nasional. Instrumen yang dibentuk pemerintah adalah

penetapan pengendalian harga dasar gabah yang setiap tahun disesuaikan

dengan masukan, inflasi, dan faktor lainnya. Bulog juga dibentuk untuk

mengamankan harga dasar gabah dan stabilitas domestik, selain itu juga

diberi hak monopoli impor pengadaan pangan. Melalui berbagai kebijakan

ini, ekonomi perberasan dalam negeri dapat ditangkal dari gejolak perubahan

global. Akan tetapi mulai tahun 1997, kondisi perberasan nasional mengalami

perubahan dikarenakan Indonesia mengalami krisis ekonomi. Krisis ekonomi

yang dipicu oleh krisis moneter ini memberikan dampak yang luas terhadap

perekonomian Indonesia. Untuk mengatasi krisis tersebut, pemerintah

melakukan pembenahan di bidang moneter salah satunya dengan menerima

bantuan dana moneter dari IMF (Irawan, 2002: 3-5).

Pemerintah banyak melakukan perubahan kebijakan untuk memulihkan

situasi ekonomi bangsa dan mengembalikan kepercayaan masyarakat

Indonesia maupun global. Perubahan kebijakan juga terjadi pada sektor

perberasan yang pada akhirnya juga berpengaruh terhadap Bulog (Gaybita,

2008: 3). Tugas pokok Bulog kemudian diperbarui melalui Keppres RI No.

19/1998 tanggal 21 Januari 1998 tentang tugas pokok Bulog, yaitu hanya

mengelola beras saja sedangkan komoditas lainnya diserahkan kepada

mekanisme pasar (Darwis, 2010: 2). Perlindungan kepada petani melalui


commit to user

5

harga dasar tetap menjadi prioritas utama. Sedangkan peran dalam menjaga

stabilitas harga konsumen mulai berkurang sejalan dengan terus tertekannya

harga beras domestik. Sebaliknya, peran Bulog untuk membantu kelompok

miskin yang rawan pangan semakin menonjol (Gaybita, 2008: 3).

Adanya kebijakan baru ini dipandang sebagai era liberalisasi komoditas

pangan. Sebab, sejak Kepres tersebut dibuat tugas pokok Bulog hanya

mengelola beras. Kemudian melalui Keppres No. 103/2001 tanggal 13

September 2001, pemerintah mengatur kembali tugas dan fungsi Bulog.

Bulog hanya melaksanakan tugas pemerintahan di bidang manajemen logistik

sesuai peraturan perundangan-undangan yang berlaku dengan kedudukan

sebagai lembaga pemerintah non departemen yang bertanggung jawab

langsung kepada presiden (Darwis, 2010: 1; Perum Bulog, 2010: 1).

Sejak berdirinya Bulog sampai terjadinya krisis ekonomi, manajemen

Bulog tidak banyak berubah dari waktu ke waktu, meskipun ada perbedaan

tugas dan fungsi dalam berbagai periode. Pada awal berdirinya status Bulog

adalah sebagai Lembaga Pemerintah Non Departemen (LPND) berdasarkan

Keppres RI No. 39 tahun 1978. Akan tetapi, krisis ekonomi yang terjadi di

Indonesia pada tahun 1997 menimbulkan tekanan yang sangat kuat agar peran

pemerintah dipangkas secara drastis sehingga semua kepentingan nasional

termasuk pangan harus diserahkan sepenuhnya kepada mekanisme pasar.

Tekanan tersebut terutama mucul dari negara-negara maju pemberi pinjaman

khususnya AS dan lembaga keuangan internasional seperti IMF dan World

Bank (Perum Bulog, 2010: 1).


commit to user

6

Banyaknya tekanan tersebut memberi konsekuensi bahwa Bulog harus

berubah secara total. Adanya perubahan kebijakan pangan pemerintah dan

pemangkasan tugas dan fungsi Bulog seperti yang tertuang dalam beberapa

Keppres dan SK Menperindag sejak tahun 1998, serta Keppres RI No. 103

tahun 2001 menegaskan bahwa Bulog harus beralih status menjadi BUMN

selambat-lambatnya Mei 2003, merupakan faktor pendorong untuk

melakukan perubahan pada Bulog. Selain hal tersebut, fakor lainnya adalah

berlakunya beberapa UU baru, khususnya UU No. 5 Tahun 1999 tentang

larangan praktek monopoli, dan UU No. 22 Tahun 1999 tentang Otonomi

Daerah yang membatasi kewenangan Pemerintah Pusat dan dihapusnya

instansi vertikal. Selanjutnya Bulog melakukan berbagai kajian-kajian baik

oleh intern Bulog maupun pihak ekstern. Berdasarkan hasil kajian, ketentuan

dan dukungan politik DPR RI, disimpulkan bahwa status hukum yang paling

sesuai bagi Bulog adalah Perum. Dengan bentuk Perum, Bulog tetap dapat

melaksanakan tugas publik yang dibebankan oleh pemerintah terutama dalam

pengamanan harga dasar pembelian gabah, pendistribusian beras untuk

masyarakat miskin yang rawan pangan, pemupukan stok nasional untuk

berbagai keperluan publik menghadapi keadaan darurat dan kepentingan

publik lainnya dalam upaya mengendalikan gejolak harga. Disamping itu,

Bulog dapat memberikan kontribusi operasionalnya kepada masyarakat

sebagai salah satu pelaku ekonomi dengan melaksanakan fungsi usaha yang

tidak bertentangan dengan hukum dan kaidah transparansi. Berdasarkan hal

ini maka sejak tanggal 20 Januari 2003 LPND Bulog secara resmi berubah


commit to user

7

menjadi Perum Bulog berdasarkan Peraturan Pemerintah RI No. 7 Tahun

2003 yang kemudian direvisi menjadi PP RI No. 61 Tahun 2003 (Darwis,

2010: 1; Perum Bulog, 2010: 1).

Berlakunya UU No. 22 Tahun 1999 dan UU No. 25 Tahun 1999 yang

selanjutnya direvisi menjadi UU No. 32 Tahun 2004 tentang Pemerintahan

Daerah, menjadikan urusan di sektor perberasan diserahkan kepada

pemerintah daerah. Hal ini dikarenakan secara teknis beras merupakan

produk sektor pertanian yang merupakan salah satu bidang kewenangan

pemerintah daerah. Berdasarkan hal ini maka pemerintah daerah secara

proaktif harus berperan dalam menangani persoalan perberasan yang terjadi

di daerahnya. Ini disebabkan sejak perubahan status Bulog dari LPND

menjadi Perum, harga sejumlah komoditas pangan termasuk beras selalu

mengalami perubahan. Pemerintah tidak lagi bisa mengendalikan harga sebab

harga terbentuk berdasarkan mekanisme pasar. Perubahan pada harga beras,

tidak banyak mempengaruhi permintaan beras, hal ini disebabkan orang akan

berusaha mempertahankan kuantitas beras yang dikonsumsinya meskipun

harga beras mengalami perubahan yang besar. Akan tetapi perubahan harga

beras yang berkepanjangan tentu akan merugikan masyarakat sebagai

konsumen. Keseimbangan antara ketersediaan pasokan beras dan permintaan

konsumen merupakan hal yang dapat menjaga stabilitas harga beras.

Ketersediaan pasokan beras di pasar tidak luput dari dukungan

pemerintah terutama pada teknis produksi, sarana dan prasarana usaha tani,

penanganan pasca panen, serta berbagai kebijakan mikro dan makro. Pada era


commit to user

8

otonomi daerah sekarang ini, manajemen sistem kebijakan perberasan yang

menjadi tanggung jawab pemerintah daerah adalah sistem kebijakan yang

menyangkut aspek penyediaan sarana dan prasarana usahatani, misalnya

menyangkut pembangunan jaringan irigasi, penyediaan bibit unggul, fasilitas

penanganan pasca panen yang memadai dan penyuluhan pertanian tentang

informasi pasar dan teknologi (Sutrisno, 2009: 2). Dengan adanya otonomi

daerah ini diharapkan pemerintah daerah dapat memberikan dukungan yang

lebih baik pada para pelaku sektor perberasan, karena tidak lagi tergantung

pada pemerintah pusat. Pemerintah daerah dapat lebih mengoptimalkan

sumber daya daerah yang dimiliki untuk memenuhi kebutuhan pangan

masyarakat sehingga kesejahteraan rakyat menjadi lebih terjamin. Demikian

juga yang terjadi di Kabupaten Sukoharjo sebagai salah satu kabupaten

penghasil beras di propinsi Jawa Tengah.

Jawa Tengah merupakan salah satu propinsi pemasok kebutuhan beras

nasional. Produktivitas padi yang terbesar di propinsi Jawa Tengah adalah

Kabupaten Sukoharjo (BPS, 2009: 207). Menurut data Badan Ketahanan

Pangan Kabupaten Sukoharjo pada tahun 2009 total produksi bersih beras

sebesar 210.726,38 ton. Produksi bersih beras tersebut berasal dari produksi

padi sebanyak 357.525 ton yang diperoleh dari lahan sawah dengan luas

panen 50.448 ha dan rata-rata produktivitas 70,87 ku/ha. Total produksi

bersih beras ini mampu mencukupi kebutuhan penduduk 843.127 jiwa,

bahkan masih terdapat kelebihan sebanyak 132.417 ton.


commit to user

9

Selama kurun waktu 6 tahun, yaitu tahun 2005-2010, luas lahan panen

dan produksi padi di Kabupaten Sukoharjo mengalami fluktuasi. Selain

karena perubahan luas lahan panen, curah hujan atau iklim juga sangat

mempengaruhi budidaya tanaman padi yang pada akhirnya akan ikut

berpengaruh pada jumlah hasil panen atau produksi padi. Perkembangan luas

lahan panen, produktivitas, dan produksi padi di Kabupaten Sukoharjo dapat

dilihat pada Tabel 1 berikut ini.

Tabel 1. Luas Panen, Produktivitas dan Produksi Padi di Kabupaten Sukoharjo Tahun 2005 – 2010

Tahun Luas Panen (Ha) Produktivitas (Ku/Ha) Produksi (Ton) 2005 2006 2007 2008 2009 2010

46.440 49.422 46.171 48.248 50.448 51.876

64,43 65,24 69,88 69,90 70,87 64,70

299.206 322.426 322.656 337.244 357.525 335.638

Sumber : Sukoharjo Dalam Angka 2010 (BPS, 2010)

Sebagaimana disajikan pada Tabel 1, dapat diketahui bahwa luas panen,

produktivitas, dan produksi padi selama tahun 2005 – 2010 cenderung

mengalami peningkatan. Kondisi ini tentu sangat mendukung untuk

menjamin ketersediaan beras guna memenuhi kebutuhan pangan masyarakat

di Kabupaten Sukoharjo. Jumlah penduduk yang cenderung meningkat setiap

tahunnya tentu akan berpengaruh pada peningkatan permintaan beras sebagai

bahan pangan utama. Permintaan yang terus meningkat tentu harus diimbangi

dengan ketersediaan beras yang cukup untuk memenuhi permintaan tersebut.

Perkembangan penawaran, permintaan, dan surplus beras di Kabupaten

Sukoharjo selama tahun 2005 – 2010 terdapat pada Tabel 2 berikut ini.


commit to user

10

Tabel 2. Penawaran, Permintaan dan Surplus Beras di Kabupaten Sukoharjo Tahun 2005 – 2010

Tahun Jumlah

Penduduk (jiwa)

Penawaran (Ton)

Permintaan (Ton)

Surplus (Ton)

2005 2006 2007 2008 2009 2010

821.213 826.289 831.613 837.279 843.127 849.016

167.287,872 177.413,144 170.016,216 190.569,488 196.239,792 165.172,568

76.266,05 76.737,46 77.231,90 77.758,10 70.763,65 71.257,91

91.021,82 100.675,68

92.784,31 112.811,38 125.476,14

93.914,65

Sumber : Badan Ketahanan Pangan, 2010

Surplus yang terdapat pada Tabel 2 di atas menunjukkan bahwa masih

terdapat kelebihan produksi beras dikurangi dengan konsumsi beras. Hal ini

mengindikasikan bahwa pemerintah Kabupaten Sukoharjo dapat memenuhi

permintaan beras masyarakat. Surplus beras tersebut selanjutnya dapat

diperdagangkan untuk memenuhi kebutuhan masyarakat yang berada di luar

Kabupaten Sukoharjo. Hal ini juga dapat menunjukkan bahwa pemerintah

daerah telah menerapkan kebijakan-kebijakan yang mendukung sektor

perberasan dan berhasil mengoptimalkan sumberdaya pertanian yang terdapat

di Kabupaten Sukoharjo. Kondisi surplus ini diharapkan dapat terus

berlangsung, akan tetapi hal ini tidak dapat dipastikan sebab adanya desakan

pengurangan luas lahan pertanian dan perubahan iklim yang tidak menentu.

Sisi lainnya adalah pertambahan jumlah penduduk yang semakin meningkat

tentu membutuhkan bahan pangan, terutama beras, yang semakin banyak

pula.

Selama tahun 2005 – 2010, kondisi permintaan dan penawaran beras di

Kabupaten Sukoharjo cenderung mengalami perubahan. Perubahan yang


commit to user

11

terjadi pada tahun-tahun sebelumnya ini dapat digunakan untuk meramalkan

kondisi tahun berikutnya dengan menggunakan metode Box-Jenkins

(ARIMA). Pada metode ARIMA, hasil peramalan sangat dipengaruhi oleh

kondisi variabel terikat pada periode sebelumnya, atau merupakan nilai-nilai

time-laged dari variabel tak bebas yang disebut autoregressive. Selain itu,

pada metode ini juga memperhitungkan adanya hubungan ketergantungan

antara nilai-nilai kesalahan yang berurutan, yang dikenal dengan moving

average. Berdasarkan pertimbangan ini, selanjutnya dengan menambahkan

variabel dummy untuk menguji pengaruh pelaksanaan otonomi daerah

terhadap penawaran dan permintaan beras di Kabupaten Sukoharjo, maka

dapat dilakukan analisis tentang peramalan penawaran dan permintaan beras.

Analisis peramalan permintaan dan penawaran ini menjadi penting untuk

perencanaan kebijakan di sektor perberasan. Pemerintah daerah selanjutnya

dapat menyusun perencanaan kebijakan-kebijakan untuk mendukung

penawaran dan permintaan beras di Kabupaten Sukoharjo.

B. Perumusan Masalah

Bagi Indonesia, pangan diidentikkan degan beras, karena jenis pangan

ini merupakan makanan pokok sebagian besar masyarakat Indonesia. Nilai

strategis beras antara lain disebabkan karena beras adalah makanan pokok

paling penting. Beras memiliki pengaruh yang besar dalam bidang ekonomi

(penyerapan tenaga kerja, pertumbuhan dan dinamika sosial pedesaan),

lingkungan (menjaga tata guna air dan udara bersih), dan sosial politik

(perekat bangsa, ketertiban dan keamanan). Beras juga merupakan sumber


commit to user

12

utama pemenuhan gizi yang meliputi kalori, protein, lemak dan vitamin

(Abubakar, 2008: 2).

Berdasarkan pertimbangan tersebut, pemerintah selalu berupaya untuk

meningkatkan ketahanan pangan melalui peningkatan ketersediaan beras bagi

masyarakat. Pertimbangan tersebut menjadi penting sebab jumlah penduduk

yang terus bertambah, untuk itu diperlukan ketersediaan pangan dalam

jumlah yang cukup. Pemerintah Kabupaten Sukoharjo terus berupaya untuk

meningkatkan produksi padi guna menjamin ketersediaan beras untuk

memenuhi kebutuhan pangan masyarakat di Kabupaten Sukoharjo.

Berlakunya UU No. 32 Tahun 2004 tentang Pemerintahan Daerah, yang

merupakan pembaharuan dari UU otonomi daerah sebelumnya, telah

memberikan keleluasaan bagi pemerintah daerah untuk memanfaatkan

potensi daerahnya dengan lebih maksimal demi tercapainya kesejahteraan

masyarakat. Sama halnya, dalam sektor perberasan yang tercakup dalam

sektor pertanian, diserahkan kepada tanggung jawab pemerintah daerah.

Pemerintah daerah diharapkan lebih giat dan optimal dalam meningkatkan

ketersediaan beras di daerahnya, yang dapat diterapkan melalui berbagai

kebijakan yang mendukung sektor perberasan. Dukungan pemerintah

misalnya dapat melalui penyaluran pupuk kepada petani, penyediaan sarana

produksi budidaya padi, dan penyuluhan tentang teknologi baru yang tepat

guna serta informasi harga hasil pertanian. Dukungan pemerintah yang baik

diharapkan akan meningkatkan kesejahteraan petani, selanjutnya akan


commit to user

13

memicu kerja petani yang pada akhirnya akan menjamin peningkatan hasil

produksi.

Adanya perubahan kepengurusan sektor perberasan, yang pada awalnya

merupakan tanggung jawab pemerintah pusat dan sekarang diserahkan ke

pemerintah daerah merupakan peluang bagi pemerintah daerah untuk lebih

meningkatkan ketersediaan pangan bagi masyarakatnya. Selain itu perubahan

peran Bulog selaku lembaga yang mengelola perberasan, merupakan peluang

bagi lembaga ini di tingkat daerah untuk menjamin ketersediaan bahan

pangan yang cukup dan merata. Meskipun harga beras sekarang ini

diserahkan pada mekanisme pasar, akan tetapi Bulog tetapi mepunyai peran

tersendiri yaitu dengan menjamin keseimbangan antara ketersediaan pasokan

dan permintaan konsumen untuk stabilitas harga beras agar tidak merugikan

produsen dan konsumen.

Meskipun pada kenyataannya produksi beras tidak hanya ditentukan

oleh dukungan pemerintah daerah saja. Banyak faktor-faktor lain yang ikut

menentukan penawaran beras di pasaran, misalnya harga beras itu sendiri,

luas panen padi, harga pupuk dan iklim juga ikut berpengaruh. Produksi beras

harus selalu ditingkatkan karena semakin meningkatnya jumlah penduduk,

yang berdampak pada peningkatan konsumsi bahan pangan. Walaupun

sekarang banyak terdapat bahan pangan lain, seperti roti, gandum, dan mie,

akan tetapi sampai saat ini beras masih menjadi bahan pangan utama. Untuk

itulah ketersediaan beras harus selalu dijaga untuk memenuhi kebutuhan

bahan pangan.


commit to user

14

Produksi beras di Kabupaten Sukoharjo selama beberapa tahun ini

selalu dapat memenuhi permintaan masyarakat (surplus), akan tetapi kondisi

ini tidak dapat dipastikan untuk beberapa tahun ke depan. Budidaya tanaman

padi sangat tergantung pada kondisi iklim, terjadinya penyimpangan iklim

akan sangat mempengaruhi produktivitas padi. Jika produktivitas semakin

turun sedangkan permintaan beras terus meningkat akibat pertambahan

jumlah penduduk, dikhawatirkan produksi beras tidak dapat memenuhi

permintaan masyarakat, kondisi ini tentu sangat mengkhawatirkan.

Berdasarkan hal ini maka penting untuk mengetahui peramalan penawaran

dan permintaan beras, untuk mengetahui gambaran kondisi ke depan.

Peramalan ini menjadi penting mengingat beras merupakan kebutuhan

pangan paling pokok yang kebutuhannya harus selalu terpenuhi. Melalui hasil

peramalan yang diperoleh selanjutnya dapat digunakan sebagai lat bantu

untuk merumuskan kebijakan-kebijakan terkait dengan kondisi perberasan.

Berdasarkan uraian tersebut maka disusun perumusan masalah sebagai

berikut :

1. Bagaimanakah dinamika penawaran dan permintaan beras pada era

sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten

Sukoharjo?

2. Bagaimanakah peramalan penawaran beras di Kabupaten Sukoharjo pada

tahun 2011 – 2015 ?

3. Bagaimanakah peramalan permintaan beras di Kabupaten Sukoharjo

pada tahun 2011 – 2015 ?


commit to user

15

C. Tujuan Penelitian

Berdasarkan rumusan masalah di atas, maka tujuan dari penelitian ini

adalah sebagai berikut :

1. Mengetahui dinamika penawaran dan permintaan beras pada era sebelum

dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo.

2. Menganalisis peramalan penawaran beras di Kabupaten Sukoharjo pada

tahun 2011 – 2015.

3. Menganalisis peramalan permintaan beras di Kabupaten Sukoharjo pada

tahun 2011 – 2015.

D. Kegunaan Penelitian

1. Bagi peneliti, penelitian ini merupakan salah satu syarat untuk

menyelesaikan studi dan memperoleh gelar Magister Agribisnis pada

Program Studi Agribisnis Program Pasca Sarjana Universitas Sebelas

Maret Surakarta. Selain itu penelitian ini juga bermanfaat untuk

menambah wawasan terutama yang berkaitan dengan peramalan

penawaran dan permintaan.

2. Bagi Pemerintah Daerah Kabupaten Sukoharjo, hasil penelitian ini

diharapkan dapat menjadi sumbangan pemikiran dan bahan pertimbangan

dalam menyusun kebijakan terutama terkait dengan permintaan dan

penawaran beras di Kabupaten Sukoharjo.

3. Bagi pihak lain, hasil penelitian ini diharapkan dapat dijadikan sebagai

tambahan informasi dan referensi dalam penyusunan penelitian

selanjutnya atau penelitian-penelitian sejenis.


commit to user

16

II. LANDASAN TEORI

A. Tinjauan Pustaka

1. Beras

Dalam pengertian sehari-hari yang dimaksud beras adalah gabah

yang bagian kulitnya sudah dibuang dengan cara digiling dan disosoh

menggunakan alat pengupas dan penggiling (huller) serta penyosoh

(polisher). Gabah yang hanya terkupas bagian kulit luarnya (hull), disebut

beras pecah kulit (brown rice). Tinggi-rendahnya tingkat penyosohan

menentukan tingkat kehilangan zat-zat gizi. Proses penggilingan dan

penyosohan yang baik akan menghasilkan butiran beras utuh (beras

kepala) yang maksimal dan beras patah yang minimal. Lapisan yang

menyelimuti bagian luar beras pecah kulit, yakni dedak dan/atau bekatul

(rice bran) mengandung sekitar 65% dari zat gizi mikro penting dalam

beras. Dedak mengandung vitamin (tiamin, niasin, vitamin B6), mineral

(besi, fosfor, magnesium, potasium), asam amino, asam lemak esensial,

serta antioksidan. Kandungan zat gizi tersebut memberi manfaat dalam

meningkatkan kesehatan tubuh, bersifat hipoalergenik (rendah

kemungkinan untuk memicu alergi), sumber serat makan yang banyak

digunakan dalam berbagai industri pangan, farmasi dan pangan suplemen

(dietary supplement). Beras giling (milled rice) berwarna putih karena

telah terbebas dari bagian dedaknya yang berwarna coklat. Bagian dedak

padi sekitar 5-7 % dari berat beras pecah kulit (brown rice). Makin tinggi

16


commit to user

17

derajat penyosohan dilakukan makin putih warna beras giling yang

dihasilkan, namun makin miskin zat-zat gizi (Rahmat, 2010: 1).

Pola konsumsi masyarakat pada masing-maisng daerah berbeda-

beda, tergantung dari potensi daerah dan struktur budaya masyarakat. Pola

konsumsi masyarakat Indonesia masih didominasi oleh padi-padian,

khususnya beras yang diindikasikan oleh tingginya starchy staple ratio.

Masyarakat umumnya mempunyai ketergantungan yang kuat terhadap

beras sebagai sumber karbohidrat dan sebagai upaya untuk mengurangi

ketergantungan masyarakat pada beras maka perlu menggali potensi lokal

yang berbasis non-beras untuk memenuhi kebutuhan pangannya

(Made, 2008: 52).

Menurut Lassa (2006: 3-4) dominasi beras atas sumber daya pangan

lainnya di Indonesia dapat ditemukan dalam istilah-istilah lokal seperti

“palawija” (Sansekerta, phaladwija) yang harfiahnya berarti sesuatu yang

bukan beras (sekunder) atau pangan kelas dua, sesuatu yang

terkonstruksikan secara budaya (culturally constructed). Dalam penelitian

ini Van der Eng (2001:190) juga mengatakan bahwa beras telah menjadi

sumber pangan dominan yang tercermin dari 50% total konsumsi nasional.

Hari ini, 96% penduduk Indonesia makan beras ketimbang sumber pangan

lainnya (Simatupang, 1999: 4).

Beras merupakan komoditas yang penting karena merupakan

kebutuhan pangan pokok yang setiap saat harus dapat dipenuhi.

Kebutuhan pangan pokok perlu diupayakan ketersediaannya dalam jumlah


commit to user

18

yang cukup, mutu yang baik, aman dikonsumsi, dan mudah diperoleh

dengan harga yang terjangkau oleh seluruh lapisan masyarakat. Oleh

karena itu, sasaran pembangunan pertanian adalah memantapkan neraca

ketersediaan beras (Nurmalina, 2008: 48).

2. Otonomi Daerah

Undang-Undang Nomor 5 Tahun 1999 tentang Pemerintah Daerah

telah membuka saluran baru bagi pemerintah propinsi dan kabupaten

untuk mengambil tanggung jawab yang lebih besar dalam pelayanan

umum kepada masyarakat setempat, untuk mengatur dan mengurus rumah

tangganya sendiri. Untuk menjamin proses desentralisasi berlangsung dan

berkesinambungan, pada prinsipnya acuan dasar dari otonomi daerah telah

diwujudkan melalui Undang-Undang nomor 22 Tahun 1999 dan Undang-

Undang Nomor 25 Tahun 1999, serta Peraturan Pemerintah Nomor 25

Tahun 2000, Peraturan Pemerintah Nomor 84 Tahun 2000, selanjutnya

Peraturan Pemerintah Nomor 104, 105, 106, 107, 108, 109, dan 110 Tahun

2000 dan ketentuan lainnya yang relevan (Widjaja, 2004: 1-2).

Pemberlakuan UU N. 22 Tahun 1999 tentang Pemerintah Daerah

atau lebih akrab degan sebutan otonomi, adalah salah satu hasil reformasi

politik dan pemerintahan di Indonesia sebagai dampak krisis ekonomi

yang begitu hebat. Undang-Undang ini memberikan banyak kewenangan

kepada daerah untuk mengatur rumah tangganya sendiri kecuali di sektor-

sektor agama, pertahanan dan keamanan, politik luar negeri, moneter dan

kehakiman. Di laur kelima sektor tersebut sepenuhnya menjadi hak dan


commit to user

19

tanggung jawab daerah. Dengan kewenangan ini, Pemerintah Daerah dapat

merekayasa pembangunan sesuai kebutuhan dan kapasitas sumberdayanya

tanpa harus menunggu ijin dari Pemerintah Pusat. Pada pasal 10 (1) UU

No. 22/1999 disebutkan daerah berwenang mengelola sumber daya

nasional yang tersedia di wilayahnya dan bertanggung jawab memelihara

kelestarian lingkungan sesuai dengan peraturan perundang-undangan.

Selanjutnya pasal 11 (2) menyebutkan bahwa bidang pemerintahan yang

wajib dilaksanakan oleh daerah kabupaten dan daerah kota meliputi

pekerjaan umum, kesehatan, pendidikan dan kebudayaan, pertanian,

perhubungan, industri dan perdagangan, penanaman modal. Lingkungan

hidup, pertanahan, koperasi dan tenaga kerja (Sudantoko, 2003: 33-34).

Otonomi daerah merupakan fenomena politis yang sangat

dibutuhkan dalam era globalisasi dan demokrasi, apalagi jika dikaitkan

dengan tantangan masa depan memasuki era perdagangan bebas yang

antara lain ditandai dengan tumbuhnya berbagai bentuk kerja sama

regional, perubahan pola atau sistem informasi global. Melalui otonomi

daerah diharapkan daerah akan lebih mandiri dalam menentukan seluruh

kegiatannya dan pemerintah pusat diharapkan tidak terlalu aktif mengatur

daerah. Pemerintah daerah diharapkan mampu memainkan peranannya

dalam membuka peluang memajukan daerah dengan melakukan

identifikasi potensi sumber-sumber pendapatannya dan mampu

menetapkan belanja daerah secara ekonomi yang wajar, efisien, efektif,

termasuk kemampuan perangkat daerah meningkatkan kinerja,


commit to user

20

mempertanggungjawabkan kepada pemerintah atasannya maupun kepada

publik/masyarakat (Widjaja, 2004: 7).

Efisiensi dan efektivitas penyelenggaraan pemerintahan daerah perlu

ditingkatkan dengan lebih memperhatikan aspek-aspek hubungan antar

susunan pemerintahan dan atau pemerintahan daerah, potensi dan

keanekaragaman daerah, peluang dan tantangan persaingan global dengan

memberikan kewenangan yang seluas-luasnya kepada daerah disertai

dengan pemberian hak dan kewajiban menyelenggarakan otonomi daerah

dalam kesatuan sistem pengelenggaraan Pemerintahan Negara. Dalam

kenyataannya, Undang-Undang Nomor 22 tahun 1999 tidak sesuai dengan

perkembangan keadaan ketatanegaraan dan tuntutan penyelenggaraan

otonomi daerah, perlu diganti (direvisi) dan kemudian disahkan Undang-

Undang yang baru yaitu Undang-Undang Nomor 32 Tahun 2004 tentang

Pemerintahan Daerah (LNRI Tahun 2004 Nomor 125, TLNRI Nomor

4437) (Widjaja, 2007: 37).

3. Permintaan

Konsep permintaan mewakili perilaku konsumen secara umum di

pasar. Perilaku konsumen dalam hal ini adalah faktor-faktor yang

mempengaruhi jumlah permintaan suatu produk oleh konsumen dan

bagaimana pengaruh dari perubahan faktor-faktor tersebut terhadap

permintaan produk tersebut. Konsep permintaan menjelaskan bahwa

permintaan atas suatu produk dipengaruhi oleh bauran pemasaran produk


commit to user

21

tersebut, bauran pemasaran produk pesaing, pendapatan konsumen, jumlah

penduduk, ekspektasi konsumen, dan lain-lain (Herlambang, 2002: 29).

Menurut Arsyad (2000: 125-128) pada tingkat individual,

permintaan ditentukan oleh dua faktor, yaitu nilai dari cara mendapatkan

dan menggunakan barang dan jasa dan kemampuan untuk mendapatkan

barang dan jasa. Kedua faktor tersebut merupakan prasyarat bagi

permintaan efektif individual. Suatu hasrat saja tanpa didukung daya beli

(purchasing power) hanyalah keinginan bukan permintaan. Permintaan

individual tersebut apabila dijumlahkan akan membentuk permintaan

pasar. Permintaan pasar selanjutnya akan membentuk fungsi permintaan

pasar suatu produk yang menunjukkan hubungan antara jumlah produk

yang diminta dengan semua faktor yang mempengaruhi permintaan

tersebut. Berbagai variabel penentu permintaan dapat digolongkan menjadi

variabel strategis (harga barang yang bersangkutan, advertensi, kualitas

dan desain barang, serta saluran distribusi barang), variabel konsumen

(tingkat pendapatan, selera konsumen, dan harapan konsumen terhadap

harga di masa yang akan datang), variabel pesaing (harga barang substitusi

dan barang komplementer, advertensi dan promosi barang lain, saluran

distribusi barang lain, serta kualitas dan desain barang lain) dan variabel

lainnya (kebijakan pemerintah, jumlah penduduk, dan cuaca).

Ketika pendapatan total seseorang meningkat, dengan asumsi harga-

harga tidak berubah, maka kuantitas barang yang dibeli untuk setiap

barang juga akan meningkat. Barang-barang yang memiliki


commit to user

22

kecenderungan seperti ini disebut barang normal. Sebagian besar barang

merupakan barang normal, jika pendapatan meningkat, dalam prakteknya

orang cenderung untuk membeli lebih banyak barang. Permintaan untuk

barang-barang ”mewah” akan meningkat lebih cepat jika pendapatan naik,

tetapi permitaan barang “untuk keperluan sehari-hari” akan meningkat

lebih lambat (Nicholson, 2002: 92-94).

Jika harga suatu jenis barang berubah, perubahan ini memiliki dua

efek yang berbeda pada pilihan-pilihan seseorang. Dengan efek subtitusi,

meskipun individu tetap bertahan pada kurva indiferens yang sama,

konsumsinya harus diubah agar MRS-nya sama dengan rasio harga yang

baru dari kedua barang. Dengan efek pendapatan, karena perubahan harga

berarti perubahan daya beli “riil”, orang akan berpindah ke kurva

indiferens baru yang konsisten dengan daya beli baru ini.

Kecenderungannya adalah orang memilih untuk meningkatkan konsumsi

barang yang harganya menurun dan mengurangi konsumsi barang yang

harganya meningkat. Selain berdampak terhadap barang itu sendiri,

perubahan harga suatu barang juga akan berdampak pada kuantitas barang

lain yang diminta. Pada dua barang yang bersifat komplemen, kenaikan

harga suatu barang akan menurunkan kuantitas konsumsi barang lain.

Sedangkan pada barang yang bersifat subtitusi, kenaikan harga suatu

barang akan meningkatkan konsumsi barang lain (Nicholson, 2002: 96-

110).


commit to user

23

Permintaan pasar atau permintaan agregat atas suatu komoditi

menunjukkan jumlah alternatif dari komoditi yang diminta per periode

waktu, pada berbagai harga alternatif oleh semua individu di dalam pasar.

Jadi, permintaan pasar untuk suatu komoditi tergantung pada semua faktor

yang menentukan permintaan individu, dan selanjutnya pada jumlah

pembeli komoditi tersebut di pasar. Secara geometris, kurva permintaan

pasar atas suatu komoditi diperoleh melalui penjumlahan horizontal dari

semua kurva permintaan individualitas komoditi tersebut

(Salvatore, 2006: 13).

P (Harga)

P1

P2

Q

Q1 Q2

Gambar 1. Kurva Permintaan

Hubungan antara harga dan jumlah penjualan jika digambarkan akan

membentuk kurva permintaan, yang menunjukkan jumlah total produk

yang ingin dan mampu dibeli oleh konsumen pada berbagai tingkat harga

yang ditawarkan oleh produsen, dengan mempertahankan faktor-faktor

lain konstan (Herlambang, 2002: 30). Pergeseran sepanjang kurva

permintaan menunjukkan perubahan jumlah barang yang diminta apabila


commit to user

24

terjadi perubahan harga, faktor lain dianggap cateris paribus. Sedangkan

apabila terjadi perubahan satu variabel atau lebih (selain harga) dalam

fungsi permintaan produk tertentu akan mengakibatkan terjadinya

pergeseran dari suatu kurva permintaan ke kurva permintaan lainnya

(Arsyad, 2000:132-133).

4. Penawaran

Penawaran adalah salah satu kekuatan yang menentukan

keseimbangan pasar. Penawaran pasar atas suatu produk menunjukkan

total penawaran seluruh produsen yang ada di pasar, yang ditentukan oleh

harga produk itu sendiri, harga produk lain, biaya produksi, teknologi,

kebijakan pemerintah, besar pajak dan subsidi, dan lain-lain. Jika harga

suatu produk semakin murah, maka jumlah penawaran produk tersebut

oleh produsen akan semakin kecil, demikian sebaliknya. Sehingga dapat

disimpulkan bahwa terdapat korelasi positif antara jumlah penawaran

suatu produk dengan harganya dan jika digambarkan akan membentuk

kurva penawaran. Kurva penawaran menunjukkan jumlah penawaran

suatu produk pada berbagai tingkat harga, sementara faktor lain dianggap

tetap (Herlambang, 2002: 39-40).

Penawaran pasar atau penawaran agregat dari suatu komoditi

memberikan jumlah alternatif dari penawaran komoditi dalam periode

waktu tertentu pada berbagai harga alternatif oleh semua produsen

komoditi tersebut dalam pasar. Penawaran pasar komoditi itu tergantung


commit to user

25

pada semua faktor yang menentukan penawaran produsen secara individu,

dan seterusnya pada jumah produsen dalam pasar (Salvatore, 2006: 15).

Kurva penawaran (supply curve) menunjukkan jumlah barang yang

produsen bersedia menjual dengan harga yang akan diterimanya di pasar

dengan mempertahankan setiap faktor yang mempengaruhi jumlah

penawaran agar tetap. Kurva penawaran menunjukkan bagaimana jumlah

barang yang ditawarkan untuk dijual berubah seiring dengan perubahan

harga barang tersebut. Kurva penawaran naik kemiringannya, semakin

tinggi harganya, semakin banyak perusahaan mampu dan bersedia

(Pindyck dan Daniel, 2007: 24).

Kurva penawaran memperlihatkan apa yang terjadi dengan kuantitas

barang yang ditawarkan ketika harganya berubah, dengan menganggap

seluruh faktor penentu lainnya konstan. Jika satu dari faktor-faktor

tersebut berubah, kurva penawaran akan bergeser (Mankiw, 2000: 88).

P (Harga)

P1

P2

Q

Q1 Q2

Gambar 2. Kurva penawaran


commit to user

26

Konsep dasar dari fungsi penawaran suatu produksi dapat

dinyatakan dalam hubungan antara kuantitas yang ditawarkan (kuantitas

penawaran) dan sekumpulan variabel spesifik yang mempengaruhi

penawaran produk sebagai berikut (Gaspersz, 2000: 71):

Qsx = f(Px, Pr, T, Pe, Nf, O)

Keterangan :

Qsx : kuantitas penawaran produk

f : notasi fungsi yang berarti penawaran dari

Px : harga dari produk x

Pr : harga dari input yang digunakan untuk memproduksi produk x

T : tingkat teknologi yang tersedia

Pe : ekspektasi produsen akan harga produk x di masa mendatang

Nf : banyaknya produsen yang memproduksi produk sejenis

O : faktor spesifik lain yang berkaitan dengan penawaran produk x

Pada berbagai kasus sederhana, kurva penawaran mengukur berapa

banyak barang yang akan disediakan untuk konsumen pada setiap tingkat

harga. Sebagai tambahan, definisi dari kurva penawaran adalah untuk

setiap tingkat harga, kita menentukan berapa banyak barang yang akan

ditawarkan. Jika kita mempunyai sejumlah penawaran individu dari suatu

barang, kita dapat menambahkan penawaran individu tersebut untuk

membentuk penawaran pasar (Varian, 2003: 289).


commit to user

27

5. Regresi Atas Variabel Dummy

Analisis regresi tidak saja digunakan untuk data-data kuantitatif,

tetapi juga bisa digunakan untuk data kualitatif. Jenis data kualitatif

tersebut seringkali menunjukkan keberadaan klasifikasi (kategori) tertentu,

sering juga dikategorikan variabel bebas (X) dengan klasifikasi

pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin

meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap

harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah

memberi nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol)

kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung

tujuannya). Dalam kasus kemasan ini, bila kemasannya menarik diberi

nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai

1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan

seperti variabel kuantitatif lainnya (Pusdatin, 2011: 5).

Menurut (Gujarati, 2004: 263-267) variabel yang mengambil nilai

seperti 1 dan 0 disebut variabel dummy, nama lainnya adalah variabel

indikator, variabel binary (2 angka), variabel bersifat katagori, variabel

kualitatif, dan variabel yang membagi dua (dichotomous). Ciri model

regresi variabel dummy adalah:

a. Jika suatu variabel kualitatif mempunyai m kategori, maka hanya

menggunakan m-1 variabel dummy.

b. Penetapan nilai 1 dan 0 untuk dua kategori adalah tanpa suatu dasar

(bersifat arbitrary).


commit to user

28

c. Kelompok, kategori, atau klasifikasi yang diberi nilai nol seringkali

disebut sebagai kategori dasar, kontrol, perbandingan, atau yang

diabaikan merupakan dasar dalam arti bahwa perbandingan dibuat

dalam kategori ini.

d. Koefisien 囊 yang diberikan untuk variabel dummy D dapat disebut

koefisien intersep deferensial karena koefisien tadi menyatakan berapa

banyak nilai unsur intersep dari kategori yang mendapat nilai 1

berbeda dari koefisien intersep dari kategori dasar.

Seringkali topik penelitian yang dibuat menggunakan jenis data

kualitatif. Misalnya laki-laki dan wanita, industri sandang, pangan,

peralatan, dst. Jika jenis kelamin atau industri diberi kode dengan angka,

maka sama sekali tidak menunjukkan bahwa angka yang lebih tinggi

menunjukkan nilai yang lebih besar. Angka-angka (numerik) tersebut

hanya kode untuk membedakan jenis atau kategori yang satu dengan yang

lain. Jika kategori seperti itu merupakan variabel penjelas maka dapat

digunakan variabel dummy. Jika kita memiliki tiga kategori, maka kita

hanya bisa membuat variabel dummy sebanyak dua (n-1) kategori. Hal ini

dilakukan untuk menghindari multikolinearitas yang sempurna. Misalnya

kita punya sembilan kelompok industri, maka kita dapat memasukkan

delapan variabel (Nachrowi, 2008: 27).

Meskipun merupakan suatu alat yang serba guna, teknik variabel

dummy perlu ditangani secara hati-hati. Pertama, jika model regresi berisi

suatu unsur konstanta, banyaknya variabel dummy harus lebih kecil dari


commit to user

29

banyaknya klasifikasi tiap variabel kualitatif. Kedua, koefisien yang

diberikan pada variabel dummy selalu harus diinterpretasikan dalam

hubungannya dengan kelompok dasar, yaitu kelompok yang mendapat

nilai nol. Akhirnya, jika suatu model mempunyai beberapa variabel

kualitatif dengan beberapa kelas, pengenalan variabel dummy dapat

menghasilkan banyak derajat kebebasan (Gujarati, 2004: 278).

6. Model Persamaan Simultan

Seringkali hubungan satu arah atau hubungan sebab akibat satu arah

tidak berarti. Ini terjadi jika Y tidak hanya ditentukan oleh X tetapi

beberapa dari X sebaliknya, ditentukan oleh Y. Secara ringkas, terdapat

hubungan dua arah atau simultan antara X dan (beberapa dari) X, yang

membuat perbedaan antara variabel tak bebas dan variabel yang

menjelaskan menjadi meragukan. Pada persamaan simultan yang

dilakukan adalah mengumpulkan secara bersama-sama sejumlah variabel

yang dapat ditentukan secara simultan oleh kumpulan variabel sisanya.

Dalam model persamaan seperti ini terdapat lebih dari satu persamaan,

satu untuk tiap variabel tak bebas, atau bersifat endogen atau gabungan

atau bersama. Tidak seperti model persamaan tunggal, dalam model

persaman simultan orang tidak mungkin menaksir dari satu persamaan

tunggal tanpa memperhitungkan informasi yang diberikan oleh persamaan

lain dalam sistem (Gujarati, 2004: 307).

Salah satu bentuk model persamaan simultan adalah model

struktural, yaitu model yang menggambarkan struktur hubungan yang


commit to user

30

lengkap antara berbagai variabel ekonomi. Persamaan struktural dari suatu

model mengandung variabel endogen, variabel eksogen, dan variabel

gangguan. Parameter struktural mencerminkan pengaruh langsung dari

setiap variabel bebas terhadap variabel terikat. Variabel endogen dalam

persamaan struktural adalah variabel tak bebas dalam persamaan yang

nilainya ditentukan di dalam sistem persamaan, meskipun variabel tersebut

mungkin juga muncul sebagai variabel bebas dalam persamaan. Variabel

eksogen merupakan variabel yang nilainya ditentukan di luar model, yang

meliputi lagged endogenous variable. Variabel eksogen dan variabel

endogen beda kala disebut predetermined variables

(Johnston, 1984: 450-460).

Dari struktur rekursif ini tampak bahwa hubungan kausal antara

variabel endogen dan variabel penjelas bersifat searah, dimana tidak

terdapat ketergantungan di antara variabel endogen. Dengan demikian

dapat diketahui bahwa 俰1 mempengaruhi 俰2, namun 俰2 tidak

mempengaruhi 俰1. Demikian pula 俰1 dan 俰2 mempengaruhi 俰3, namun 俰3

tidak mempengaruhi 俰1 dan 俰2, berarti setiap persamaan mempelihatkan

hubungan ketergantungan unilateral (Gujarati, 2004: 339-340).

7. Peramalan

Sering terdapat senjang waktu (time lag) antara kesadaran akan

peristiwa kebutuhan mendatang dengan peristiwa itu sendiri. Adanya

tenggang waktu (lead time) ini merupakan alasan utama bagi perencanaan

dan peramalan. Jika waktu tenggang ini nol atau sangat kecil maka


commit to user

31

perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil

peristiwa akhir tergantung pada fakta-fakta yang dapat diketahui, maka

perencanaan dapat memegang peranan penting. Dalam situasi seperti itu

peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan

terjadi atau timbul sehingga tindakan yang tepat dapat dilakukan

(Makridakis et al., 1999: 3).

Herlambang (2002: 86) menjelaskan bahwa tujuan peramalan adalah

untuk meminimalkan resiko dan ketidakpastian yang mungkin akan

dihadapi perusahaan untuk operasi perusahaan dalam jangka pendek

maupun untuk perencanaan jangka panjang perusahaan. Kedudukan

peramalan menjadi semakin penting karena organisasi bisnis dan

lingkungan menjadi semakin kompleks dan berubah dengan tempo yang

semakin cepat. Semua organisasi bisnis beroperasi dalam suatu lingkungan

yang penuh dengan resiko dan ketidakpastian. Oleh karena itu, hasil dari

peramalan dapat digunakan oleh manajer sebagai pegangan untuk

menentukan masa depan perusahaan.

Situasi peramalan sangat beragam dalam horizon waktu peramalan,

faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai

aspek lainnya. Untuk menghadapinya dikembangkan beberapa teknik yang

dikategorikan menjadi dua kategori utama, yaitu metode kualitatif atau

teknologis dan metode kuantitatif. Metode kuantitatif dapat dibagi menjadi

deret berkala dan metode kausal, sedangkan metode kualitatif dapat dibagi


commit to user

32

menjadi eksploratoris dan normatif. Peramalan kuantitatif dapat diterapkan

bila terdapat tiga kondisi berikut:

a. Tersedianya info tentang masa lalu;

b. Info tersebut dapat dikuantitatifkan dalam bentuk data yang unik;

c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus

berlanjut di masa yang akan datang.

Terdapat berbagai alat peramalan yang dapat digunakan untuk

mengatasi berbagai masalah tentang peramalan. Akan tetapi berbagai alat

tersebut jarang yang digunakan untuk meramalkan secara langsung, tetapi

lebih sebagai komponen yang lebih besar dan lebih komprehensif dari

sistem peramalan. Secara garis besar terdapat dua metode peramalan yaitu

scientific and judgmental methods. Pada scientific method dapat

menjelaskan secara eksplisit bahwa peneliti menggunakan tehnik

pengaturan sama dengan asumsi akan menghasilkan ramalan yang sama.

Sedangkan pada judgmental method berdasarkan anggapan bahwa terdapat

beberapa hal yang tidak dapat diperkirakan. Anggapan ini menimbulkan

adanya ramalan yang ‘baik’ dan ‘buruk’. Suatu ramalan yang ‘baik’

hasilnya harus mendekati akurat yang berarti mendekati standar statistika

yang telah ditetapkan (Butler et al., 1996: 4-6).

8. Penaksiran dan Peramalan Permintaan

Arsyad (2000: 166) menjelaskan bahwa penaksiran permintaan

merupakan proses untuk menemukan nilai dari koefisien-koefisien fungsi

permintaan akan suatu produk pada masa kini (current value). Sedangkan


commit to user

33

prakiraan permintaan merupakan proses penemuan nilai-nilai permintaan

pada periode waktu yang akan datang (future value). Nilai-nilai masa kini

dibutuhkan untuk mengevaluasi optimalitas penentuan harga sekarang dan

kebijaksanaan promosi dan untuk membuat keputusan sehari-hari. Nilai-

nilai pada waktu yang akan datang diperlukan untuk perencanaan

produksi, pengembangan produk baru, investasi, dan keadaan-keadaan lain

dimana keputusan yang harus dibuat mempunyai dampak pada periode

waktu yang panjang.

Peramalan permintaan adalah upaya untuk mengetahui kemungkinan

perubahan permintaan atau jumlah produk yang diminta oleh konsumen di

masa yang akan datang. Peramalan permintaan dapat dibagi menjadi dua

metode yaitu kuantitatif dan kualitatif. Metode peramalan kualitatif adalah

peramalan yang didasarkan atas judgement dari seseorang atau kelompok

orang. Hasil dari peramalan kualitatif dapat berupa angka-angka tetapi

biasanya tidak didasarkan atas suatu data historis. Metode peramalan

kuantitatif adalah metode peramalan yang menggunakan data historis

sebagai dasar pijakannya. Metode kuantitatif dibagi menjadi dua bagian

yaitu metode deret waktu dan metode kausal. Dasar pemikiran peramalan

dengan deret waktu adalah bahwa sekumpulan data mempunyai pola dan

karakteristik tertentu. Jika pola tersebut dipelajari dan diketahui, maka

dapat digunakan untuk memproyeksikan data yang akan datang. Metode

yang dapat digunakan diantaranya moving average, eksponential

smoothing, model Box-Jenkins, dan metode dekomposisi. Peramalan


commit to user

34

permintaan dengan metode kausal dilakukan dengan mencari hubungan

antara faktor-faktor yang mempengaruhi permintaan suatu produk

(variabel bebas) terhadap permintaan suatu produk (variabel tak bebas)

(Herlambang, 2000: 105-108).

9. Analisis Deret Berkala (Time Series)

Makridakis et al. (1999: 329-331) menjelaskan bahwa penggunaan

metode-metode peramalan umum meliputi dua tugas dasar yaitu analisis

deret data dan seleksi model peramalan yang paling cocok dengan deret

data tersebut. Kategori utama teknik peramalan deret berkala adalah

pemulusan (smoothing) dan dekomposisi (decomposition). Metode

pemulusan mendasarkan ramalannya pada prinsip perata-rataan

(penghalusan) kesalahan-kesalahan masa lalu dengan menambahkan

persentase kesalahan pada persentase ramalan sebelumnya. Metode

dekomposisi deret berkala didasarkan pada prinsip “pemecahan” data deret

berkala ke dalam masing-masing komponennya yaitu musiman, trend,

siklus dan unsur random, dan kemudian dilakukan peramalan terhadap

nilai masing-masing dan komposisi tersebut secara terpisah dan akhirnya

menggabungkan kembali ramalan-ramalan tersebut.

Pada suatu persamaan dengan metode deret berkala, variabel bebas

persamaan merupakan nilai sebelumnya dari variabel tak bebas. Nilai-nilai

ini merupakan nilai-nilai time-laged dari variabel tak bebas, sehingga

digunakan istilah auotoregresi (AR) untuk menjelaskan persamaan

tersebut.


commit to user

35

俰棍实逛十瑰1俰棍石1 十瑰2俰棍石2 十瑰诡俰棍石诡…十硅棍 (1)

Kemudian dilakukan pembobotan terhadap nilai-nilai sebelumnya

sehingga persamaan (1) menjadi bentuk sebagai berikut : 俰棍实逛十瑰1硅棍石1 十逛 2硅棍石2 十瑰诡硅棍石尳 …十硅棍 (2)

Keterangan: 俰棍 = variabel terikat pada saat t Y棍石1 … Y棍石诡 = variabel terikat pada saat time lag t – 1 …. t – k a = konstanta b1 … bk = parameter dari Y棍石1 … Y棍石诡硅棍 = nilai kesalahan pada saat t e棍石1 … e棍石诡 = nilai kesalahan pada periode sebelumnya

Pada persamaan (2) secara eksplisit ditetapkan hubungan ketergantungan

antara nilai-nilai kesalahan yang berurutan dan persamaan disebut model

moving average (MA). Model-model autoregresif (AR) dapat secara

efektif digabungkan dengan model moving average (MA) untuk

membentuk kelas model yang sangat umum dan berguna dalam model

deret berkala yang biasanya dinamakan pola atau proses

autoregresive/moving average (ARMA).

Alat-alat metodologi untuk menganalisis data deret berkala

diantaranya adalah (Makridakis et al., 1999: 337-348) :


commit to user

36

a. Plot data

Langkah pertama yang baik untuk menganalisis data deret berkala

adalah memplot data tersebut secara grafis. Hal ini akan bermanfaat

untuk memplot berbagai versi data moving average untuk menetapkan

adanya trend (penyimpangan nilai tengah) untuk menghilangkan

pengaruh musim pada data (deseasonilize the data).

b. Koefisien autokorelasi

Statistik kunci di dalam analisis deret berkala adalah koefisien

autokorelasi, yaitu korelasi deret berkala dengan deret berkala itu

sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih.

c. Distribusi sampling autokorelasi

Konsep dari distribusi sampling sangat penting di dalam analisis deret

berkala karena dapat memberikan petunjuk untuk menilai koefisien

autkorelasi dan bagaimana hubungannya dengan signifikansi.

d. Periodogram dan analisis spektral

Dilakukan dengan menguraikan data dalam himpunan gelombang

sinus (siklus) pada frekuensi yang berbeda-beda. Nilai pengujian

kumpulan amplitude dari berbagai gelombang tersebut dapat

membantu penentapan unsur random, unsur musiman, dan autokorelasi

positif atau negatif dalam deret berkala.

e. Koefisien autokorelasi parsial

Autokorelasi parsial digunakan utnuk mengukur tingkat keeratan

(association) antara 贯棍 dan 贯棍石诡, apabila pengaruh dari time lag 1, 2,


commit to user

37

3, … dan seterusnya sampai 诡石1 dianggap terpisah. Koefisien

autokorelasi berorde 桂 didefinisikan sebagai koefisien autoregresif

terakhir dari model AR 纵晦邹. 10. Metode Box-Jenkins (ARIMA)

Terdapat alat peramalan baru yang dikenal dengan metode Box-

Jenkins (BJ) atau lebih dikenal dengan metode ARIMA. Metode ini tidak

menekankan pada analisis probabilistik atau stokastik, tetapi lebih kepada

kelengkapan data ekonomi deret berkala (time series) dengan filosofi “let

the data speak themselves”. Tidak seperti model regresi, dimana Yt

dijelaskan oleh k regresi X1, X2, X3, …, Xk, jenis model time series BJ

mengijinkan Yt dijelaskan oleh masa lalu, atau lag, nilai dari Y itu sendiri

dan stochastic error terms. Untuk alasan tersebut, model ARIMA

seringkali disebut model atheoretic karena model ini tidak berdasarkan

dari berbagai teori ekonomi, dan teori ekonomi seringkali berbentuk model

persamaan simultan (Gujarati, 2003: 837).

Menurut Hyndman (2001: 1) ARIMA adalah suatu model

matematika yang digunakan untuk peramalan. ARIMA merupakan

singkatan dari autoregressive, integrated, moving average. Setiap kata dari

singkatan tersebut menjelaskan suatu bentuk model matematika yang

berbeda. ARIMA telah dipelajari secara ekstensif dan merupakan bagian

utama dari analisis time series. Model ini dipopulerkan oleh George Box

dan Gwilym Jenkins pada awal 1970-an dan sekarang dikenal dengan


commit to user

38

model Box-Jenkins. Pendekatan ARIMA yang digunakan untuk peramalan

adalah berdasarkan pada hal-hal berikut:

a. peramalan berdasarkan pada fungsi linear dari sampel yang diobservasi

b. tujuannya adalah untuk menemukan model yang paling sederhana

yang mampu memberikan diskripsi yang cukup dari data yang

diobservasi, kadangkala ini disebut prinsip parsimony.

Setiap proses ARIMA terdiri dari tiga bagian, yaitu autoregressive (AR),

integrated (I), dan moving average (MA) (Hyndman, 2001: 1-2).

a. AR : bagian ini menjelaskan bagaimana setiap observasi adalah suatu

fungsi dari p observasi sebelumnya. Sebagai contoh, jika p = 1, maka

setiap observasi adalah suatu fungsi hanya dari satu observasi

sebelumnya. 俰棍实规十淀1俰棍石1十晦棍 dimana 俰棍 menunjukkan nilai observasi pada waktu t, 俰棍石1

menunjukkan nilai observasi sebelumnya pada waktu t – 1, 晦棍 menunjukkan beberapa random eror dan c dan 淀1 adalah konstanta.

Nilai lain yang diamati dapat dimasukkan pada sisi kanan persamaan

jika p > 1: 俰棍实规十淀1俰棍石1十淀2俰棍石2 十赋十淀贵俰棍石贵十晦棍 b. I : bagian ini menentukan apakah nilai observasi dibentuk secara

langsung, atau apakah ada perbedaan (differences) antara observasi

yang berurutan dengan model. Jika d = 0, observasi dibentuk secara


commit to user

39

langsung. Jika d = 1, differences dilakukan sekali. Jika d = 2,

differences dilakukan dua kali. Dalam prakteknya jarang sekali nilai d

lebih dari 2.

c. MA : bagian ini menjelaskan bagaimana setiap observasi adalah suatu

fungsi dari q eror sebelumnya. Sebagai contoh, jika q = 1, maka setiap

observasi adalah suatu fungsi hanya dari satu eror sebelumnya

俰棍实规十凰1晦棍石1 十晦棍晦棍 menunjukkan random eror pada waktu t dan 晦棍石1 menunjukkan

random eror sebelumnya pada waktu t – 1. Eror yang lain dapat

dimasukkan pada sisi kanan persamaan jika q > 1.

Menurut Sugiarto dan Harijono (2000) dalam Ratna (2004: 26-27)

metode ARIMA berbeda dengan metode peramalan lain karena metode ini

tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja

dengan baik. Secara teoritis, metode Box-Jenkins merupakan metode yang

canggih terutama untuk melakukan peramalan jangka pendek. Akan tetapi

secara praktis terdapat beberapa kelemahan diantaranya:

1. jumlah data yang dibutuhkan relatif sangat besar. untuk data bulanan

yang bersifat musiman misalnya, paling tidak dibutuhkan 72 data.

2. apabila terdapat data baru yang tersedia, seringkali parameter dari

model ini harus diestimasi ulang. Hal tersebut mengindikasikan bahwa

adanya revisi total terhadap model yang sudah dibuat.

3. waktu yang dibutuhkan cukup lama untuk mencari model yang tepat.


commit to user

40

Selanjutnya Hanke et al. (2001) dalam Ratna (2004: 27) juga

menyatakan bahwa jumlah data yang dibutuhkan pada metode ini relatif

besar. Untuk data non musiman paling tidak dibutuhkan 40 data atau lebih

untuk membangun sebuah model ARIMA, sedangkan untuk data musiman

paling tidak data sekitar 6-10 tahun tergantung pada masa periode

musiman yang digunakan.

Menurut Gujarati (2003 : 840-848) metode Box-Jenkins terdiri dari

empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan

diagnostik, dan peramalan.

a. Identifikasi

Aspek-aspek AR dan MA dari model ARIMA hanya

berhubungan dengan deret berkala yang stasioner, sedangkan banyak

data deret berkala yang bersifat non-stasioner. Suatu data deret berkala

dikatakan stasioner apabila data deret berkala tersebut diplot dan

kemudian tidak terbukti adanya perubahan nilai tengah dan varian

yang jelas dari waktu ke waktu (Makridakis et al., 1999: 332-333).

Makridakis et al. (1999: 351) menambahkan bentuk visual dari

plot deret berkala dapat digunakan untuk menguji apakah suatu data

deret berkala telah stasioner atau tidak stasioner, demikian pula plot

autokorelasi dapat dengan mudah memperlihatkan ketidakstasioneran.

Nilai-nilai autokorelasi dari data stasioner akan turun sampai nol

sesudah time-lag kedua atau ketiga, sedangkan untuk data yang tidak

stasioner, nilai-nilai tersebut berbeda signifikan dari nol untuk


commit to user

41

beberapa periode waktu. Apabila disajikan secara grafik, autokorelasi

data yang tidak stasioner memperlihatkan suatu trend searah diagonal

dari kanan ke kiri bersama dengan meningkatnya jumlah time-lag

(selisih waktu).

Alat utama pada tahap identifikasi adalah autocorrelation

function (ACF), partial autocorrelation function (PACF), dan hasil

correlogram. Konsep dari autokorelasi parsial adalah analogi dari

konsep koefisien regresi parsial. Pada model regresi berganda k

variabel, koefisien regresi 慌诡 mengukur tingkat perubahan nilai tengah

dari regresi untuk suatu unit perubahan pada tingkat regresi ke-k,

dimana pengaruh seluruh regresor lainnya dianggap konstan. Pada

trend yang sama autokorelasi parsial 辉诡诡 mengukur korelasi antara

observasi time series pada periode k setelah dibandingkan dengan

korelasi pada lag pertengahan (misalnya pada periode lag kurang dari

k). Dengan kata lain, autokorelasi parsial adalah korelasi antara Yt dan 俰棍石诡 setelah perubahan dampak pada nilai tengah Y

(Gujarati, 2003: 841-842).

Penetapan karakteristik data deret berkala seperti stasioner,

musiman, dan sebagainya, memerlukan suatu pendekatan yang

sistematis. Hal ini akan membantu untuk mendapatkan gambaran

mengenai model-model yang akan dianalisis. Beberapa model yang

sering digunakan adalah:


commit to user

42

1. Model MA (0,0,q) 贯棍实幌十凰0 硅棍石凰1硅棍石1 石凰2硅棍石2 石赋石凰刽硅棍石刽 2. Model AR (p,0,0) 贯棍实幌′十Φ1贯棍石1 十Φ2贯棍石2 十赋十Φ贵贯棍石贵十硅棍 3. Model ARMA (p,0,q) 贯棍实幌十Φ1贯棍石1 十Φ2贯棍石2 十赋十Φ贵贯棍石贵十硅棍十凰1硅棍石1 石凰挠硅迫能挠石赋石凰婆硅迫能婆

atau

试1石Φ囊顾石Φ挠顾挠石赋石Φ颇顾颇守贯迫实 _ 十试1石θ囊顾石θ挠顾挠石赋石θ颇顾颇守硅迫

4. Model ARIMA (p,d,q) (P,D,Q)s

贯棍实足1石Φ1顾石Φ2顾2 石赋石Φ贵顾贵卒纵1石顾邹圭贯棍实幌十足1石θ1顾石θ2顾2 石赋石θ贵顾贵卒硅棍 Keterangan: 贯棍 = variabel yang diamati 幌 = konstanta moving average 凰0 … 凰刽 = parameter 硅棍 … 硅棍石刽幌′ = konstanta autoregressive

Φ1 … Φ贵 = parameter 贯棍石1 … 贯棍石贵

AR = autoregressive

MA = moving average

ARMA = autoregressive moving average


commit to user

43

ARIMA = autoregressive integrated moving average

p = orde autoregressive tanpa musiman

d = orde differencing tanpa musiman

q = orde moving average tanpa musiman

P = orde autoregressive dengan musiman

D = orde differencing dengan musiman

Q = orde moving average dengan musiman

s = jumlah musim dalam satu periode

(Makridakis et al., 1999: 385-395).

b. Penaksiran parameter

Setelah berhasil menetapkan identifikasi model sementara,

selanjutnya menetapkan parameter-parameter AR dan MA, musiman

dan tidak musiman harus ditetapkan dengan cara yang terbaik.

Menurut Makridakis et al. (1999: 406-407) terdapat dua cara mendasar

untuk mendapatkan parameter-parameter tersebut, yaitu :

1. Dengan cara mencoba-coba (trial and error), menguji beberapa

nilai yang berbeda dan memilih satu nilai tersebut (atau

sekumpulan nilai, apabila terdapat lebih dari satu parameter yang

akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum

of squared residuals).

2. Perbaikan secara iteratif, memilih taksiran awal dan kemudian

membiarkan program komputer memperhalus penaksiran tersebut

secara iteratif.


commit to user

44

c. Pemeriksaan diagnostik

Makridakis et al. (1999: 411-414) mengatakan setelah berhasil

menaksir nilai-nilai parameter dari model ARIMA yang ditetapkan

sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk

membuktikan bahwa model tersebut cukup memadai. Terdapat dua

cara mendasar untuk melakukannya, yaitu:

1. Mempelajari nilai sisa (residual) untuk melihat apakah masih

terdapat beberapa pola yang belum diperhitungkan.

Nilai sisa (kesalahan) yang tertinggal sesudah dilakukan

proses pencocokan model ARIMA, diharapkan hanya merupakan

gangguan random. Oleh karena itu, apabila autokorelasi, parsial

dan spektrum garis dari nilai sisa telah diperoleh, kita berharap

akan menemukan: (i) tidak ada autokorelasi yang signifikan, (ii)

tidak ada parsial yang signifikan, dan (iii) adanya konsistensi dari

amplitudo yang tinggi melalui seluruh nilai frekuensi pada

spektrum garis.

2. Mempelajari statistik sampling dari pemecahan optimum untuk

melihat apakah model tersebut masih dapat disederhanakan.

Asumsi-asumsi statistik yang mendasari model umum

ARIMA, memberikan beberapa angka statistik yang harus dihitung

setelah nilai-nilai koefisin optimum diukur. Sebagai contoh, untuk

setiap koefisien akan terdapat kesalahan standart (standard error)

untuk masing-masing koefisien tersebut dan karena seluruh


commit to user

45

koefisien diukur bersama-sama maka akan terdapat distribusi

sampling bersama-sama dari koefisien-koefisien tersebut. Hal ini

akan menghasilkan matriks interkorelasi yang memperlihatan

bagaimana bermacam-macam koefisien saling berhubungan satu

dengan lainnya.

d. Peramalan

Metode ARIMA adalah suatu metode yang populer untuk

peramalan karena metode ini dapat mengembangkan struktur

matematika dengan baik dari berbagai hal yang mungkin untuk

menghitung variasi model khusus seperti memprediksi interval. Ini

merupakan suatu hal yang sangat penting dalam peramalan untuk

memastikan bahwa mereka mampu meramalkan hal yang tidak pasti

agar dapat dikuantitatifkan (Hyndman, 2001: 2).

Menurut Makridakis et al. (1999: 382), pendekatan Box-Jenkins

pada tahap pertama (identifikasi) adalah merumuskan sekelompok

model-model yang umum kemudian dilanjutkan dengan penetapan

model untuk sementara. Tahap kedua meliputi penaksiran dan

pengujian, yang dilakukan adalah penaksiran parameter pada model

sementara dan pemeriksaan diagnosa untuk menentukan apakah model

memadai atau tidak. Jika model sudah memadai maka dilanjutkan pada

tahap ketiga (penerapan) yaitu menggunakan model untuk peramalan.

Akan tetapi jika model belum memadai maka kembali pada tahap


commit to user

46

pertama demikian seterusnya sampai ditemukan model yang memadai

yang dapat digunakan untuk peramalan.

11. Penelitian Terdahulu

a. Analisis Penawaran dan Permintaan

Penelitian Maulana et al. (2006: 207-230) dengan judul Analisis

Kendala Penawaran dan Kebijakan Revitalisasi Produksi Padi,

metode analisis yang digunakan adalah tabulasi silang dan model

ekonometrika untuk menduga fungsi penawaran dan data yang

digunakan adalah data sekunder periode 1969-2005. Aspek yang

menjadi fokus análisis dalam penelitian ini adalah (1) masalah dan

kendala; (2) potensi dan prospek; dan (3) kebijakan strategis. Hasil

análisis menunjukkan kecenderungan penurunan laju pertumbuhan

produksi padi adalah akibat dari kombinasi: (a) penurunan luas baku

lahan sawah, khususnya di Jawa, dan (b) kemandekan, bahkan

penurunan produktivitas lahan. Berdasarkan kecenderungan historis

dan bila program revitalisasi industri perberasan nasional tidak efektif,

diperkirakan produksi beras akan mengalami pertumbuhan negatif

pada periode tahun 2006-2010 dan Indonesia akan terpaksa

mengimpor beras dalam jumlah yang semakin besar. Kebijakan

pemerintah dalam meningkatkan kapasitas produksi industri

perberasan nasional harus diorientasikan dari fokus kebijakan harga ke

peningkatan kapasitas produksi, melalui (a) rehabilitasi dan

ekstensifikasi infrastruktur irigasi; (b) pembukaan lahan sawah baru,


commit to user

47

dan (c) memacu inovasi teknologi, termasuk revitalisasi sistem

penelitian dan pengembangan pertanian serta sistem diseminasi inovasi

pertanian dengan deregulasi dan penciptaan iklim kondusif bagi

investor swasta.

Nuryanti (2005: 71-81) dalam penelitiannya yang berjudul

Analisis Keseimbangan Permintaan dan Penawaran Beras di

Indonesia menggunakan model keseimbangan Cobweb hasilnya

menunjukkan bahwa dalan jangka pendek dan jangka panjang

kenaikan harga beras akan meningkatkan penawaran beras. Pengaruh

kenaikan harga pupuk urea dalam jangka pendek akan menurunkan

penawaran beras, sementara dalam jangka panjang akan meningkatkan

penawaran beras serta menurunkan harga beras. Pengaruh peningkatan

pendapatan per kapita dalam jangka pendek akan meningkatkan

permintaan beras, dan dalam jangka panjang tidak mengakibatkan

perubahan permintaan dan harga beras. Sementara itu peningkatan

jumlah penduduk dalam jangka pendek dan jangka panjang akan

menyebabkan peningkatan permintaan dan harga beras dengan

pengaruh yang lebih besar daripada pengaruh peningkatan pendapatan

per kapita terhadap permintaan dan harga beras. Stabilitas

keseimbangan sistem penawaran dan permintaan beras dalam jangka

pendek keluar dari keseimbangan, namun dalam jangka panjang sistem

menuju pada harga keseimbangan dan sistem kembali stabil. Implikasi

dari kajian ini adalah bahwa kebijakan harga input (pupuk urea) dan


commit to user

48

harga output (gabah) tidak menimbulkan gangguan stabilitas pasar,

penawaran dan permintaan beras relatif stabil, artinya cukup aman

untuk dilaksanakan.

Kariyasa (2001: 1-21) dalam penelitiannya yang berjudul

Analisis Penawaran dan Permintaan Daging Sapi di Indonesia

Sebelum dan Saat Krisis Ekonomi: Suatu Analisis Proyeksi

Swasembada Daging Sapi 2005 menggunakan metode Three Stage

Least Squares (3SLS) untuk menganalisis data time series periode

1970-1999. Hasil analisis menunjukkan bahwa peubah-peubah yang

secara ekonomi (sesuai dengan hipotesis) berpengaruh terhadap

produksi daging sapi dalam negeri adalah: harga daging sapi dalam

negeri, suku bunga, populasi ternak sapi, harga ternak sapi, dan harga

pakan. Pada persamaan impor daging sapi Indonesia ada empat peubah

yang berpengaruh secara ekonomi yaitu harga daging sapi impor, kurs

rupiah terhadap dolar AS, tarif impor, dan peubah harga daging sapi

dalam negeri. Sedangkan pada persamaan permintaan daging sapi

dalam negeri peubah-peubah yang berpengaruh secara ekonomi adalah

harga daging sapi dalam negeri, harga ikan, harga telur, harga daging

kambing, pendapatan per kapita dan selera.

Dalam jangka pendek maupun jangka panjang, produksi daging

sapi dalam negeri hanya respon terhadap perubahan peubah harga

daging sapi itu sendiri dan harga ternak sapi. Sementara itu permintaan

daging sapi dalam negeri hanya respon terhadap perubahan peubah


commit to user

49

harga daging sapi itu sendiri dan pendapatan per kapita. Saat krisis

ekonomi produksi dan permintaan daging sapi dalam negeri masing-

masing 1,3 dan 0,5 kali lebih rendah dibanding sebelum krisis

ekonomi. Selain itu hasil penelitian juga menunjukkan bahwa harga riil

daging sapi dalam negeri saat krisis ekonomi sebenarnya sekitar 3,7

kali lebih rendah dibanding sebelum krisis ekonomi. Hal ini diduga

terjadi akibat laju peningkatan inflasi lebih dari 3 kali dibanding laju

peningkatan harga nominalnya. Hasil proyeksi menunjukkan bahwa

dalam sepuluh tahun kedepan ketergantungan Indonesia akan daging

sapi impor semakin besar. Hal ini terlihat pada tahun 2000, produksi

daging sapi dalam negeri masih mampu memenuhi kebutuhan

konsumsi daging dalam negeri sebesar 93%, sedangkan pada tahun

2009 diperkirakan proporsi tersebut berubah menjadi 79% dibanding

21%.

b. Analisis Peramalan Penawaran dan Permintaan

Penelitian Contreras et al. (2003: 1014-1020) dengan judul

ARIMA Models to Predict Next-Day Electricity Prices menggunakan

dua model ARIMA untuk meramalkan harga perjam pada penggunaan

listrik di Spanyol dan California. Pada model Spanyol perlu lima jam

untuk meramalkan harga yang akan datang, sebaliknya pada model

California hanya memerlukan dua jam saja. Perbedaan ini mungkin

disebabkan oleh perbedaan struktur penawaran dan kepemilikan. Rata-

rata eror pada pasar Spanyol berkisar antara 10% dengan dan tanpa


commit to user

50

variabel penjelas, dan berkisar 5% pada periode yang stabil dari pasar

California (berkisar 11% selama tiga minggu, dan tanpa variabel

penjelas). Di Spanyol, variabel penjelas hanya diperlukan pada bulan

dengan korelasi yang tinggi antara produksi hidro yang tersedia dan

harga. Sedangkan pada bulan yang lainnya, dampak ini tidak ada.

Untuk kedua pasar tersebut, tidak ada eror yang layak, diambil dalam

jumlah sifat yang kompleks dari harga time series dan hasil

sebelumnya dilaporkan dalam literature teknis, sebagian berasal dari

Artificial Neural Networks. Peramalan harga menjadi semakin

dibutuhkan oleh produsen dan konsumen pada pasar listrik kompetitif

yang baru. Baik untuk penempatan pasar dan kontrak jangka panjang,

peramalan harga diperlukan untuk mengembangkan penawaran strategi

atau kemampuan negosiasi dengan tujuan untuk memaksimalkan

keuntungan. Penelitian ini menggunakan metode untuk meramalkan

harga listrik harian dengan metode ARIMA. Teknik ARIMA

digunakan utnuk menganalisis data time series, dahulu dipakai untuk

meramalkan beban penggunaan listrik, dengan tingkat akurasi dan

matematika yang baik.

Nochai dan Titida (2006: 1-7) dalam penelitiannya yang berjudul

ARIMA Model for Forecasting Oil Palm Price menggunakan tiga

model untuk meramalkan harga minyak yaitu harga petani, harga

grosir, dan harga minyak murni untuk periode lima tahun, 2000-2004.

Tujuan dari penelitian ini adaah untuk menemukan model ARIMA


commit to user

51

yang tepat untuk meramalkan ketiga bentuk harga minyak sawit

dengan memperhatikan rata-rata persentase eror absolute yang

minimum (the minimum of mean absolute percentage error – MAPE).

Hasil peramalannya adalah sebagai berikut:

a) Model ARIMA untuk meramalkan harga minyak sawit di tingkat

petani adalah ARIMA (2,1,0) dengan bentuk model 俰遂棍实俰棍石1 十0,4621 纵俰棍石1石俰棍石2邹石 0,3899 纵俰棍石2石俰棍石3邹 dengan MAPE

13,23 %.

b) Model ARIMA untuk meramalkan harga minyak sawit di tingkat

grosir adalah ARIMA (1,0,1) atau ARMA (1,1) dengan bentuk

model 俰遂棍实3,106十0,8039 俰棍石1十0,3466 晦棍石1 dengan MAPE

9,01 %.

c) Model ARIMA untuk meramalkan harga minyak sawit murni

adalah ARIMA (3,0,0) atau AR (3) dengan bentuk model 俰遂棍实1,8778十1,4313 俰棍石1石0,8840 俰棍石2十0,3781 俰棍石3 dengan

MAPE 5,27 %.

Penelitian Ratna Allyne (2004: 1-152) dengan judul Peramalan

Permintaan Beberapa Komoditi Sayuran Pada PT. Saung Mirwan,

Bogor bertujuan untuk (i) mengetahui bagaimana pola permintaan

brokoli, kedelai jepang, lettuce head, tomat ceri, dan tomat rianto, dan

(ii) mengetahui metode peramalan apa yang sesuai untuk peramalan

permintaan kelima jenis sayuran tersebut. Penelitian ini menggunakan

metode kuantitatif yang terdiri dari metode time series dan kausal


commit to user

52

(regresi). Metode time series menggunakan data permintaan aktual

tahun 2000 – Agustus 2003, sedangkan metode regresi menggunakan

data tahun 2000 – Agustus 2003 dengan variabel independen

permintaan sebelumnya, harga jual rata-rata dan periode waktu.

Peramalan dilakukan pada masing-masing komoditi dengan

menggunakan metode kuantitatif terbaik. Hasil penelitian

menunjukkan bahwa pola data permintaan pada kelima komoditi

sayuran tidak stasioner dimana terdapat unsur trend dan musiman.

Metode terbaik berdasarkan nilai MSE terkecil adalah ARIMA,

kecuali pada komoditi kedelai Jepang. Persamaan permintaan untuk

masing-masing komoditi adalah :

a) brokoli → ARIMA (2,0,0)

俰遂棍实150,28十0,5649 俰棍石1十0,215俰棍石2十晦; b) kedelai jepang → dekomposisi multiplikatif 俰棍实2348,79十0,330530棍十晦;

c) lettuce head → ARIMA (2,1,1) 1石纵0,7859顾邹十纵0,1383顾挠邹纵1石顾邹俰迫实2,058十1石纵0,9895顾邹硅迫; d) tomat ceri → ARIMA (3,1,1) 1石纵0,5714顾邹十纵0,0937顾挠邹石纵0,2035顾脑邹纵1石顾邹俰迫实石2,4367十1石纵0,9915顾邹硅迫; e) tomat rianto → ARIMA (3,0,0) 俰遂棍实296,8十0,4884 固棍石1十0,1229俰棍石2 十0,2041俰固石3


commit to user

53

Penelitian Kardoyo dan Mudrajat (2002: 7-20) tentang Analisis

Kurs Valas dengan Pendekatan Box-Jenkins: Studi Empiris Rp/US$

dan Rp/Yen, 1983.2-2000.3 menyimpulkan bahwa: (i) dengan cocok

dan layaknya model kurs valas Frenkel-Bilson yang melibatkan

variabel fundamental ekonomi jumlah uang beredar (JUB), tingkat

pendapatan nasional, dan tingkat suku bunga, serta signifikannya

variabel-variabel fundamental ekonomi tersebut dalam menjelaskan

fluktuasi kurs Rp/US$, menghasilkan temuan bahwa doktrin paritas

suku bunga (interest rate parity) berlaku dalam mempengaruhi

fluktuasi kurs valas Rp/US$ ; (ii) model kurs valas kasus Indonesia

yang melibatkan variabel fundamental ekonomi, jumlah uang beredar,

tingkat pendapatan nasional, dan tingkat inflasi serta signifikannya

variabel-variabel fundamental ekonomi dalam model tersebut dalam

menjelaskan fenomena fluktuasi kurs Rp/US$ memberikan hasil

bahwa model tersebut layak dan cocok untuk diterapkan untuk

menganalisis kurs Rp/US$. Variabel tingkat inflasi Indonesia terhadap

Amerika Serikat signifikan dalam menjelaskan fenomena fluktuasi

kurs Rp/US$. Hal ini menghasilkan kesimpulan bahwa doktrin paritas

daya beli juga berlaku dalam mempengaruhi fluktuasi kurs Rp/US$;

(iii) ketiga model kurs valas yaitu model kurs valas Frenkel-Bilson,

Dornbusch-Frankel, maupun model Hooper-Morton tidak bisa

diterapkan untuk menganalisis fluktuasi kurs Rp/Yen. Model kurs

Rp/Yen dengan melibatkan variabel jumlah uang beredar dan tingkat


commit to user

54

inflasi justru mampu menjelaskan fenomena fluktuasi kurs Rp/Yen.

Variabel tingkat inflasi Indonesia terhadap inflasi Jepang bertanda

positif dan signifikan. Ini berarti doktrin paritas daya beli (purchasing

power parity) juga berlaku dalam mempengaruhi fluktuasi kurs

Rp/Yen.

B. Kerangka Teori Pendekatan Masalah

a. Metode ARIMA (Box-Jenkins)

Metode yang digunakan untuk peramalan permintaan dan

pernawaran beras adalah metode ARIMA (metode Box-Jenkins). Setiap

proses ARIMA terdiri dari tiga bagian, yaitu autoregressive (AR),

integrated (I), dan moving average (MA). Model ini sering ditulis dalam

bentuk pendek ARIMA (p, d, q) dimana p menjelaskan AR, d menjelaskan

bentuk integrated dan q menjelaskan MA.

Menurut Gujarati (2003: 840-848) metode Box-Jenkins terdiri dari

empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan

diagnostik, dan peramalan.

a. Identifikasi

Aspek-aspek AR dan MA dari model ARIMA hanya

berhubungan dengan deret berkala yang stasioner, sedangkan banyak

data deret berkala yang bersifat non-stasioner. Suatu data deret berkala

dikatakan stasioner apabila data deret berkala tersebut diplot dan

kemudian tidak terbukti adanya perubahan nilai tengah dan varian

yang jelas dari waktu ke waktu. Alat utama pada tahap identifikasi


commit to user

55

adalah autocorrelation function (ACF), partial autocorrelaion function

(PACF), dan hasil correlogram. Konsep dari autokorelasi parsial

adalah analogi dari konsep koefisien regresi parsial. Autokorelasi

parsial adalah korelasi antara Yt dan 俰棍石诡 setelah perubahan dampak

pada nilai tengah Y (Gujarati, 2003: 841-842).

b. Penaksiran parameter

Setelah berhasil menetapkan identifikasi model sementara,

selanjutnya menetapkan parameter-parameter AR dan MA, musiman

dan tidak musiman harus ditetapkan dengan cara yang terbaik. Untuk

mendapatkan parameter-parameter tersebut dapat dilakukan dengan

cara perbaikan secara iteratif, yaitu dengan memilih taksiran awal dan

kemudian membiarkan program komputer memperhalus penaksiran

tersebut secara iteratif.

c. Pemeriksaan diagnostik

Makridakis et al. (1999: 411-414) mengatakan setelah berhasil

menaksir nilai-nilai parameter dari model ARIMA yang ditetapkan

sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk

membuktikan bahwa model tersebut cukup memadai. Terdapat dua

cara mendasar untuk melakukannya, yaitu:

1. Mempelajari nilai sisa (residual) untuk melihat apakah masih

terdapat beberapa pola yang belum diperhitungkan.

2. Mempelajari statistik sampling dari pemecahan optimum untuk

melihat apakah model tersebut masih dapat disederhanakan.


commit to user

56

d. Peramalan

Metode ARIMA adalah suatu metode yang popular untuk

peramalan karena metode ini dapat mengembangkan struktur

matematika dengan baik dari berbagai hal yang mungkin untuk

menghitung variasi model khusus seperti memprediksi interval. Ini

merupakan suatu hal yang sangat penting dalam peramalan untuk

memastikan bahwa mereka mampu meramalkan hal yang tidak pasti

agar dapat dikuantitatifkan (Hyndman, 2001: 2).

Model ARIMA merupakan suatu bentuk model umum yang

digunakan untuk data forecasting. Menurut Chan dan Chan (2008) dalam

Sukma (2010: 4) variasi dari model ARIMA adalah dengan adanya

variabel tambahan yang disebut ARIMAX, dimana X menunjukkan

variabel tambahan. Beberapa penelitian dengan menggunakan model

ARIMAX, diantaranya adalah penelitian Sukma (2010), Sari (2010), dan

Suci (2010). Pada penelitian Sukma (2010) dan Suci (2010) variabel

tambahan yang digunakan adalah variabel dummy untuk efek variasi

kalender.

Uji variabel dummy dilakukan dengan menggunakan uji titik patah

Chow (Chow’s breakpoint test). Uji variabel dummy terdapat dalam

penelitian Darsono (2009) dengan hasil dummy 0 untuk data periode tahun

1975 – 1997 sedangkan dummy 1 untuk data periode tahun 1998-2009.

Penelitian dengan uji variabel dummy juga terdapat pada penelitian

Kuncoro dan Inayah (2003) yang menganalisis tentang studi perilaku kurs


commit to user

57

Rp/US$ selama periode 1 Januari 1999 – 30 April 2002. Variabel dummy

yang digunakan dalam penelitian ini adalah untuk membedakan sebelum

dan sesudah pelaksanaan otonomi daerah.

b. Model Persamaan Simultan

Pada persamaan simultan nilai Y tidak hanya ditentukan oleh X

tetapi beberapa dari X sebaliknya, ditentukan oleh Y. Secara ringkas,

terdapat hubungan dua arah atau simultan antara X dan (beberapa dari) X,

yang membuat perbedaan antara variabel tak bebas dan variabel yang

menjelaskan menjadi meragukan. Dengan kata lain bahwa variabel tak

bebas dalam satu persamaan mungkin muncul sebagai variabel yang

menjelaskan dalam persamaan lain dari sistem. Oleh karena itu, variabel

yang menjelaskan tak bebas (dependent exsplanatory variable) menjadi

stokastik dan biasanya berkorelasi dengan gangguan dari persamaan

dimana variabel tadi muncul sebagai variabel yang menjelaskan.

Pada persamaan simultan yang dilakukan adalah mengumpulkan

secara bersama-sama sejumlah variabel yang dapat ditentukan secara

simultan oleh kumpulan variabel sisanya. Dalam model persamaan seperti

ini terdapat lebih dari satu persamaan, satu untuk tiap variabel tak bebas,

atau bersifat endogen atau gabungan atau bersama. Dalam model persaman

simultan kita tidak mungkin menaksir dari satu persamaan tunggal tanpa

memperhitungkan informasi yang diberikan oleh persamaan lain dalam

sistem (Gujarati, 2004: 307).


commit to user

58

Model persamaan simultan dapat diterapkan pada analisis penawaran

dan permintaan. Dengan menggunakan asumsi pada kondisi eseimbangan

pasar permintaan beras akan sama dengan penawaran beras. Setelah

memperoleh model persamaan penawaran dan permintaan beras dengan

menggunakan metode ARIMA serta adanya penambahan variabel dummy,

maka peramalan permintaan dan penawaran beras untuk tahun-tahun

berikutnya dilakukan secara bersama-sama dengan menggunakan

persamaan simultan. Persamaan yang diperoleh pada kondisi

keseimbangan pasar ini kemudian digunakan untuk peramalan permintaan

dan penawaran beras.


commit to user

59

Dinamika Penawaran dan Permintaan Beras

Model ARIMA Penawaran dan Permintaan Beras

Uji Variabel Dummy Otonomi Daerah

Persamaan Simultan Penawaran dan Permintaan Beras

Peramalan Penawaran dan Permintaan Beras

Plot data

Stasioner Tidak stasioner

Differencing (nilai d)

Stasioner

Estimasi Model (model tentatif permintaan dan penawaran)

Penaksiran Parameter (menetapkan nilai parameter AR dan MA)

Pemeriksaan Diagnostik (membandingkan model tentatif dengan model alternatif)

Peramalan Permintaan dan Penawaran Beras

Ya Tidak

penawaran beras tahun 1994 – 2010

permintaan beras tahun 1994 – 2010

Model ARIMA(p,d,q)

penawaran

Model Persamaan Simultan (pada kondisi keseimbangan pasar)

Gambar 3. Kerangka Pemikiran Analisis Peramalan Permintaan dan Penawaran Beras Pada Era Otonomi Daerah di Kabupaten Sukoharjo

Chow Breakpoint Test

Otonomi Daerah

Model ARIMA (p,d,q)

permintaan

D = 0, periode sebelum otda

D = 1, periode setelah otda

· Shock · Policy · Perubahan Iklim, dll


commit to user

60

C. Pembatasan Masalah

1. Data yang digunakan adalah data time series selama 17 tahun, yaitu tahun

1994 – 2010.

2. Data permintaan adalah data permintaan beras secara agregat yang

diperoleh dengan pendekatan konsumsi. Data permintaan merupakan data

konsumsi beras di Kabupaten Sukoharjo.

3. Data penawaran adalah data penawaran beras secara agregat di Kabupaten

Sukoharjo yang diperoleh dengan pendekatan produksi. Produksi beras

diperoleh dengan mengkonversi produksi bersih padi sesuai dengan angka

konversi Neraca Bahan Makanan Indonesia 2006/2007, yaitu 63,2 % dari

gabah kering giling (GKG).

D. Asumsi

1. Model persamaan simultan untuk penawaran dan permintaan beras

dianalisis dalam kondisi equilibrium atau keseimbangan pasar. Pada

kondisi ini penawaran beras akan sama dengan permintaan beras.

E. Definisi Operasional dan Pengukuran Variabel

1. Beras adalah makanan yang dikonsumsi sebagian besar masyarakat

Indonesia yang dihasilkan dari tanaman padi (angka konversi sesuai

dengan neraca bahan makanan Indonesia 2006/2007, yaitu 63,2 % dari

gabah kering giling/GKG).

2. Penawaran beras adalah jumlah produksi bersih beras yang dihasilkan di

Kabupaten Sukoharjo yang dihitung tahunan dan dinyatakan dalam satuan

ton/tahun. Data penawaran beras diperoleh dengan mengkonversi produksi


commit to user

61

padi yang berupa gabah kering giling (GKG) menjadi beras dengan angka

konversi 63,2 % dari GKG.

3. Permintaan beras adalah jumlah beras yang dikonsumsi oleh masyarakat di

Kabupaten Sukoharjo yang dihitung tahunan dan dinyatakan dalam satuan

ton/tahun. Data permintaan beras diperoleh dengan mengkalikan jumlah

penduduk dengan angka konsumsi beras per jiwa per kg per tahun. Angka

konsumsi beras tahun 1994 – 2008 sebesar 92,87 kg/jiwa/tahun dan tahun

2009 – 2010 sebesar 83,93 kg/jiwa/tahun.

4. Peramalan penawaran dan permintaan beras adalah jumlah beras yang

ditawarkan dan yang diminta oleh masyarakat Kabupaten Sukoharjo di

masa yang akan datang yang diukur dalam ton per tahun (ton/th).

5. Data time series adalah rangkaian data yang diamati pada interval ruang

waktu yang sama, data digunakan adalah data penawaran dan permintaan

beras selama kurun waktu 17 tahun, yaitu tahun 1994-2010.

6. Variabel dummy adalah variabel yang mengambil nilai seperti 1 dan 0.

Dalam penelitian ini variabel dummy akan membedakan periode sebelum

dan setelah pelaksanaan otonomi daerah. Untuk penentuan nilai 0 dan 1

menggunakan uji titik patah Chow (Chow’s breakpoint test).

7. Autoregressive (AR) adalah suatu bentuk regresi tetapi bukan yang

menghubungkan variabel tak bebas dengan variabel bebas, melainkan

menghubungkan nilai-nilai sebelumnya (past value) variabel itu sendiri

pada time lag (selang waktu) yang bermacam-macam. Jadi suatu model


commit to user

62

autoregresif akan menyatakan suatu ramalan sebagai fungsi nilai-nilai

sebelumnya dari deret berkala tertentu.

8. Differencing adalah suatu proses untuk menstasionerkan deret berkala

yang tidak stasioner, dilakukan dengan membuat pembedaan pertama deret

berkala tersebut. Jika pembedaan pertama tidak menstasionerkan data,

maka dapat dilakukan pembedaan dengan orde kedua.

9. Integrated adalah merupakan bagian model-model deret berkala (I dalam

model ARIMA) di mana satu atau lebih perbedaan-perbedaan deret

berkala tercakup dalam model.

10. Moving Average (MA) (rata-rata bergerak) adalah nilai deret berkala pada

waktu t dipengaruhi oleh unsur kesalahan pada saat ini dan (mungkin)

unsur kesalahan terbobot pada masa lalu.

11. ARIMA adalah kependekan dari Autoregressive (AR) Integrated (I)

Moving Average (MA). Nama ini berkenaan dengan suatu kelompok luas

model-model deret berkala (time series models).

12. Model persamaan simultan adalah suatu persamaan dimana variabel tak

bebas dalam satu persamaan mungkin muncul sebagai variabel yang

menjelaskan dalam persamaan lain dari sistem. Pada penelitian ini model

persamaan simultan digunakan untuk menganalisis penawaran dan

permintaan beras pada kondisi equilibrium.


commit to user

63

III. METODE PENELITIAN

A. Metode Dasar Penelitian

Metode dasar yang digunakan dalam penelitian ini adalah metode

deskriptif analitis. Penelitian deskriptif (descriptive research) adalah jenis

penelitian yang memberikan gambaran atau uraian atas suatu kejadian sejelas

mungkin tanpa ada perlakuan terhadap obyek yang diteliti. Penelitian

deskriptif memiliki ciri-ciri sebagai berikut: (1) berhubungan dengan keadaan

yang terjadi saat itu, (2) menguraikan satu variabel saja atau beberapa variabel

namun diuraikan satu-persatu, dan (3) variabel yang diteliti tidak dimanipulasi

atau tidak ada perlakuan (treatment) (Kountur, 2005: 105-106).

B. Penentuan Lokasi/Daerah Penelitian

Daerah penelitian ditentukan secara sengaja (purposive), yaitu

Kabupaten Sukoharjo. Pertimbangannya adalah Kabupaten Sukoharjo

merupakan kabupaten dengan produktivitas padi terbesar di propinsi Jawa

Tengah. Pada tahun 2009 jumlah produktivitas padi berhasil mencapai 70,87

ku/ha. Angka produktivitas ini merupakan produktivitas yang paling tinggi

jika dibandingkan dengan kabupetan lain di Jawa Tengah (BPS, 2009: 207).

C. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder.

Data sekunder adalah data atau informasi yang tidak didapat secara langsung

dari sumber pertama (responden) baik yang didapat melalui wawancara

ataupun dengan menggunakan kuisioner secara tertulis (Sarwono, 2006: 228).

63


commit to user

64

Data sekunder diperoleh dari Dinas Pertanian Kabupaten Sukoharjo, Badan

Ketahanan Pangan Kabupaten Sukoharjo, Badan Pusat Statistika Kabupaten

Sukoharjo dan Badan Pusat Statistika Propinsi Jawa Tengah. Data yang

digunakan berupa jumlah penduduk, produksi padi dan beras, luas lahan

panen, produktivitas padi, konsumsi beras. Dalam penelitian ini mengambil

data time series dengan kurun waktu 17 tahun, yaitu dari tahun 1994 – 2010.

D. Metode Analisis Data

1. Model ARIMA Permintaan dan Penawaran Beras

Tahapan yang dilaksanakan untuk mencari model ARIMA adalah

sebagai berikut :

a. Identifikasi

Pada tahap identifikasi, kegiatan yang dilakukan adalah :

1. Memplotkan data asli untuk mengetahui perilaku pola data.

2. Melihat kestasioneran data.

Suatu data disebut stasioner jika nilai rata-rata (mean) dan

varians konstan selama periode pengamatan. Dengan asumsi

stasioneritas maka mampu menterjemahkan data dan model

ekonomi secara baik karena data yang stasioner tidak terlalu

bervariasi dan cenderung mendekati nilai rata-ratanya. Untuk

menguji apakah data yang dianalisis dalam penelitian ini stasioner

atau tidak, maka dilakukan uji stasioneritas dengan uji akar-akar

unit (unit roots test). Pada uji akar-akar unit ini pada prinsipnya

untuk mengamati apakah koefisien tertentu dari model


commit to user

65

auotokorelasi yang ditaksir mempunyai nilai satu atau tidak. Uji

stasioneritas ini dikembangkan oleh Dickey-Fuller (1981). Untuk

melihat stasioneritas suatu data dengan uji Dickey-Fuller (DF) dan

Augmented Dickey-Fuller (ADF) dilakukan dengan

membandingkan nilai t-statistik dari variabel-variabel penelitian

dengan nilai kritis DF dan ADF dalam suatu tabel. Suatu data

series dikatakan stasioner jika nilai kritis DF dan ADF lebih besar

dari nilai kritis t-statistik.

Apabila data series yang dianalisis menunjukkan pola yang

stasioner maka ketidakstasionerannya harus dihilangkan melalui

proses differencing. Pencapaian stasioneritas diperoleh dengan

melakukan pembedaan berturut-turut sampai nilai autokorelasi

mendekati nol di dalam dua atau tiga time lag. Data series yang

telah melalui proses differencing kemudian dianalisis nilai ADF-

nya sampai data menjadi stasioner.

b. Estimasi

Setelah menetapkan identifikasi model sementara, tahap

selanjutnya adalah mengestimasi nilai-nilai parameter dari model

sementara tersebut. Suatu model sementara dapat berupa model AR,

MA atau gabungan keduanya. Alat yang digunakan untuk

mengidentifikasi suatu model adalah autocorrelation function (ACF)

dan partial autocorrelation function (PACF).


commit to user

66

ACF atau fungsi autokorelasi merupakan suatu hubungan linear

pada data time series antara Zt dengan Zt+k yang dipisahkan oleh

waktu k. ACF ini dapat digunakan untuk mengidentifikasi model time

series dan melihat kestasioneran data dalam mean. Rumus dari ACF

adalah (Wei, 2006 dalam Sukma, 2010: 2):

愠诡实规瓘Ǵ 纵广棍,广棍石诡邹税Ǵ逛辊纵广棍邹税Ǵ逛辊纵广棍十诡邹实黄诡黄0 dan kovarians antara Zt dan Zt+k adalah

黄诡实规瓘Ǵ纵广棍,广棍十诡邹实刮纵广棍石幌邹纵广棍十诡石幌邹 dengan

Var (广棍) = Var 纵广棍十诡邹 = 黄0 黄诡 = fungsi autocovarian 愠诡 = autocorrelation function (ACF)

Sedangkan fungsi autokorelasi yang dihitung berdasarkan

sampel data dapat dirumuskan sebagai berikut:

愠髓诡实∑ 试广棍石广伸守试广棍十诡石广伸守柜石诡棍实1 ∑ 试广棍石广伸守2柜棍实1

Fungsi autokorelasi parsial merupakan korelasi antara Zt dengan

Zt+k setelah Zt dijelaskan oleh Zt-1, Zt-2,…., Zt-k+1. Fungsi autokorelasi

parsial menurut Wei (2006) dalam Sukma, (2010: 2) dirumuskan

sebagai berikut:

愠诡实规瓘Ǵ 试广棍石广遂棍邹,纵广棍石诡石广遂棍石诡守税Ǵ逛辊纵广棍邹税Ǵ逛辊纵广棍十诡邹


commit to user

67

Dalam pengamatan time series, sampel PACF dinotasikan dengan 愠诡诡

dengan perhitungan :

愠诡十1,诡十1 实愠诡十1 石∑ 愠诡鬼愠诡十1石鬼诡鬼实11 石∑ 愠诡愠鬼诡鬼实1

dan 愠髓诡十1,鬼实愠髓诡鬼石愠诡十1,诡十1愠诡,诡十1石鬼,鬼实1,2,… ,诡

Model AR dapat dilihat polanya dari PACF, sedangkan pola

untuk model MA dilihat dari koefisien autokorelasi (ACF). Pola ACF

dan PACF tersebut dapat dilihat pada collerogram hasil olah data

dengan komputer.

Tahap selanjutnya setelah menetapkan model sementara adalah

menghitung nilai estimasi awal untuk parameter-parameter dari model

sementara, kemudian dengan menggunakan program komputer

melalui proses iterasi guna memperoleh nilai estimasi akhir untuk

mengetahui nilai R2, F-statistik, uji signifikansi tiap parameter dan

nilai RMSE.

c. Uji Diagnostik

Setelah berhasil menaksir nilai-nilai parameter dari model

ARIMA yang ditetapkan sementara, selanjutnya dilakukan

pemeriksaan diagnostik untuk membuktikan bahwa model tersebut

cukup memadai. Apabila model sementara yang ditetapkan

sebelumnya ternyata bukan merupakan model yang baik, maka dibuat

model alternatif yang lain sampai terbentuk model yang terbaik. Uji


commit to user

68

diagnostik dilakukan dengan membandingkan model sementara

dengan model alternatif yang lainnya. Kriteria yang digunakan pada

tahap uji diagnostik adalah nilai R2 yang tinggi, signifikansi

parameter-parameter dalam model, dan nilai RMSE yang rendah.

Model sementara yang telah ditetapkan belum tentu merupakan model

yang terbaik karena masih perlu dibandingkan dengan model alternatif

yang lainnya.

d. Peramalan

Model terbaik telah diperoleh pada tahap uji diagnostik

selanjutnya dapat digunakan untuk peramalan satu atau beberapa

periode ke depan. Peramalan yang dilakukan harus tepat karena

menunjukkan seberapa jauh suatu model mampu menghasilkan

ramalan yang tidak jauh berbeda dengan keadaan aktualnya.

2. Uji Variabel Dummy

Uji variabel dummy merupakan uji stabilitas dengan menggunakan

uji titik patah Chow (Chow’s breakpoint test). Uji variabel dummy

terdapat dalam penelitian Darsono (2009) dengan hasil dummy 0 untuk

data periode tahun 1975 – 1997 sedangkan dummy 1 untuk data periode

tahun 1998-2009. Penelitian dengan uji variabel dummy juga terdapat

pada penelitian Kuncoro dan Inayah (2003) yang menganalisis tentang

studi perilaku kurs Rp/US$ selama periode 1 Januari 1999 – 30 April

2002. Penerapan Chow’s breakpoint test dalam penelitian ini untuk

seluruh periode data (1 Januari 1999 - 30 April 2002); periode Habibie


commit to user

69

(1Januari 1999 – 19 Oktober 1999); periode Gusdur (20 Oktober 1999 –

20 Juli 2001); dan periode Megawati (21 Juli 2001 – 30 April 2002). Hasil

uji titik patah Chow menunjukkan bahwa :

1. Statistik F untuk seluruh periode data sangat signifikan. Hasil ini

memberi bukti yang kuat terjadinya perubahan struktural nilai tukar

pada ketiga periode kepemimpinan.

2. Hasil uji F pada periode Gusdur dan periode Habibie menunjukkan

tidak terjadinya perubahan struktural pada kedua periode tersebut. Hal

ini berarti selama kedua periode tersebut pergerakan nilai tukar

Rp/US$ memiliki pola perilaku yang relatif sama.

Variabel dummy dalam penelitian ini digunakan untuk menguji

pengaruh pelaksanaan otonomi daerah terhadap permintaan dan penawaran

beras di Kabupaten Sukoharjo. Variabel dummy ini akan membedakan

periode sebelum dan setelah pelaksanaan otonomi daerah. Selanjutnya

untuk nilai 1 dan 0 dari variabel dummy ditetapkan dengan menggunakan

uji titik patah Chow (Chow’s breakpoint test). Pada program komputer uji

titik patah Chow dilakukan dengan memasukkan periode dari pelaksanaan

otonomi daerah kemudian dipilih periode dengan nilai probabilitas yang

terkecil.

3. Model Persamaan Simultan

Setelah memperoleh model persamaan penawaran dan permintaan

beras dengan menggunakan metode ARIMA serta adanya penambahan

variabel dummy, maka peramalan permintaan dan penawaran beras untuk


commit to user

70

tahun-tahun berikutnya dilakukan secara bersama-sama dengan

menggunakan persamaan simultan.

Model ARIMA (p,d,q) untuk penawaran dan permintaan beras

adalah sebagai berikut: 光迫劈实幌十慌雇迫十Φ囊光迫能囊十Φ挠光迫能挠十赋十Φ颇光迫能颇十硅迫十凰囊硅迫能囊石凰挠硅迫能挠石赋石凰婆硅迫能婆光迫骗实幌十慌雇迫十Φ囊光迫能囊十Φ挠光迫能挠十赋十Φ颇光迫能颇十硅迫十凰囊硅迫能囊石凰挠硅迫能挠石赋石凰婆硅迫能婆

Pada kondisi keseimbangan pasar, jumlah penawaran beras sama

dengan jumlah permintaan beras. 光棍雇实光棍管 Keterangan: 光棍雇 = permintaan beras tahun t 光棍管 = penawaran beras tahun t 幌 = konstanta 慌 = parameter variabel dummy 雇棍 = variabel dummy 凰0 … 凰刽 = parameter 硅棍 … 硅棍石刽 Φ1 … Φ贵 = parameter 贯棍石1 … 贯棍石贵硅棍石1… 硅棍石刽 = lag moving average 贯迫能囊…贯迫能颇 = lag autoregressive

Persamaan yang diperoleh pada kondisi keseimbangan pasar ini

kemudian digunakan untuk peramalan permintaan dan penawaran beras

pada tahun-tahun berikutnya.


commit to user

71

4. Uji Kelayakan Model

a. Uji Kebaikan Suai (Goodness of Fit)

Berdasarkan pengujian model persamaan simultan akan

didapatkan pula koefisien determinasi (R2), semakin tinggi koefisien

determinasi maka akan semakin baik model tersebut, dalam arti

semakin besar kemampuan variabel bebas menerangkan variabel

terikat. Nilai R2 akan meningkat dengan bertambahnya jumlah variabel

bebas dalam persamaan, namun dengan menambahkan jumlah variabel

bebas, derajat bebas akan semakin kecil, karena itu dipergunakan R2

adjusted yang sudah mempertimbangkan derajat bebas. Selain itu

dapat pula diketahui koefisien determinasi parsial (r2) yang

menunjukkan seberapa besar kemampuan masing-masing variabel

bebas mempengaruhi variabel terikat.

b. Uji F

Untuk melihat apakah variabel-variabel bebas secara bersama-

sama mempunyai pengaruh yang bermakna terhadap variabel terikat,

dapat diketahui dengan melakukan uji F. Adapun hipotesis yang

digunakan dalam uji F adalah :

1. Ho : bi = 0, dimana bi adalah koefisien regresi ke-i. Artinya bahwa

variabel-bariabel bebas secara bersama-sama tidak mempunyai

pengaruh yang bermakna terhadap variabel terikatnya.


commit to user

72

2. Ha : bi ≠ 0, dimana bi adalah koefisien regresi ke-i. Artinya bahwa

variabel-bariabel bebas secara bersama-sama mempunyai pengaruh

yang bermakna terhadap variabel terikatnya.

Sedangkan prosedur untuk diterima atau ditolaknya Ho adalah

sebagai berikut :

1. Jika nilai F hitung lebih besar daripada nilai F tabel pada taraf

signifikan yang ditentukan sehingga Ho ditolak dan Ha diterima

berarti ada pengaruh yang bermakna.

2. Jika nilai F hitung lebih kecil daripada nilai F tabel pada taraf

signifikan yang ditentukan sehingga Ho tidaK ditolak dan Ha

ditolak berarti tidak ada pengaruh yang bermakna.

c. Uji t

Untuk menguji ada tidaknya pengaruh masing-masing variabel

bebas terhadap variabel terikat dilakukan perbandingan antara nilai t

statistik masing-masing variabel bebasnya dengan nilai t tabel model.

Dengan menggunakan α = 5% dan menggunakan uji t dua arah serta

DF = 5, maka akan diperoleh nilai t tabel.

Pengujian secara parsial pengaruh variabel bebas terhadap

variabel terikat tersebut dilakukan dengan terlebih dahulu menyusun

hipotesis sebagai berikut :

1. Ho : bi = 0, i = 1, 2, 3, 4, 5; dimana bi adalah koefisien regresi ke-

i. Artinya bahwa variabel-bariabel bebas secara parsial tidak

mempunyai pengaruh yang bermakna terhadap variabel terikatnya.


commit to user

73

2. Ha : bi ≠ 0, i = 1, 2, 3, 4, 5; dimana bi adalah koefisien regresi ke-i.

Artinya bahwa variabel-bariabel bebas secara parsial mempunyai

pengaruh yang bermakna terhadap variabel terikatnya.

Sedangkan prosedur untuk ditolak atau diterimanya hipotesis nol

adalah sebagai berikut :

1. Jika nilai t hitung lebih besar daripada nilai t tabel pada taraf

signifikan yang ditentukan sehingga Ho ditolak dan Ha diterima

bearti ada pengaruh yang bermakna.

2. Jika nilai t hitung lebih kecil daripada nilai t tabel pada taraf

signifikan yang ditentukan sehingga Ho tidal ditolak dan Ha

ditolak berarti tidak ada pengaruh yang bermakna.

d. Uji RMSE (Root of Mean Squared Error)

Model-model dimana variabel penjelasnya dianggap baik dan

layak digunakan untuk memprediksi ketidakpastian di masa yang akan

datang, apabila memiliki RMSE (root of mean squared error) yang

lebih kecil (Kuncoro, 2002). RMSE merupakan akar dari nilai rata-rata

kuadrat kesalahan (MSE). MSE didapatkan dengan membagi jumlah

kuadrat kesalahan, Sum of Squared Error (SSE) dengan jumlah

observasi dikurangi variabel termasuk intersepnya.

Pendugaan koefisien regresi pada model permintaan dan

penawaran beras juga dilakukan dengan metode persamaan simultan.

Adapun seluruh data dalam penelitian ini diolah dengan menggunakan

piranti lunak Eviews versi 5.1.


commit to user

74

Untuk mengukur ketepatan peramalan digunakan nilai root mean

square error (RMSE), nilainya menunjukkan seberapa besar

penyimpangan hasil peramalan dengan kenyataan. Rumus RMSE

adalah:

观怪管刮实√怪管刮实顺管管刮柜石诡实顺∑纵故迫石瓜迫邹挠柜石诡

Keterangan:

At = nilai aktual dari deret waktu dalam periode t

Ft = nilai yang diramalkan

n = jumlah observasi

k = jumlah variabel


commit to user

75

IV. KONDISI UMUM DAERAH PENELITIAN

A. Keadaan Alam

Kabupaten Sukoharjo sebagai salah satu kabupaten di propinsi Jawa

Tengah yang letaknya diapit oleh enam kabupaten/kota, yaitu :

Sebelah Utara : Kota Surakarta dan Kabupaten Karanganyar

Sebelah Timur : Kabupaten Karanganyar

Sebelah Selatan : Kabupaten Gunung Kidul dan Kabupaten Wonogiri

Sebelah Barat : Kabupaten Klaten dan Kabupaten Boyolali

Letak daerah Kabupaten Sukoharjo secara astronomi adalah :

Bagian Ujung Sebelah Timur : 110 57' 33,70'' BT

Bagian Ujung Sebelah Barat : 110 42' 6,79" BT

Bagian Ujung Sebelah Utara : 7 32' 17,00" LS

Bagian Ujung Sebelah Selatan : 7 49' 32,00" LS

Wilayah Kabupaten Sukoharjo memiliki ketinggian tempat yang

bervariasi yaitu 89–125 meter di atas permukaan laut dengan ketinggian rata-

rata 108 meter di atas permukaan laut. Wilayah dengan ketinggian

0–100 meter di atas permukaan laut sebesar 459,12 km2 (98,38 %) dan

wilayah dengan ketinggian 101–500 sebesar 7,54 km2 (1,62 %). Curah hujan

tertinggi pada tahun 2009 sebesar 2.227 mm dan terendah 1.522 mm, dengan

rata-rata jumlah hari hujan 96 hari. Pada tahun 2009 Kabupaten Sukoharjo

diguyur hujan lebih dari seperempat tahun.

75


commit to user

76

B. Luas Wilayah

Menurut BPS Kabupaten Sukoharjo (2009: 1), secara administrasi

Kabupaten Sukoharjo terbagi menjadi 12 kecamatan yang terdiri dari

150 desa dan 17 kelurahan. Luas wilayah Kabupaten Sukoharjo tercatat

46.666 Ha atau sekitar 1,43% dari luas wilayah propinsi Jawa Tengah.

Kecamatan yang terluas adalah Kecamatan Polokarto yaitu 6.218 Ha (13%),

sedangkan yang paling kecil adalah Kecamatan Kartasura seluas 1.923 Ha

(4%) dari luas Kabupaten Sukoharjo.

C. Keadaan Penduduk dan Tenaga Kerja

a. Jumlah dan Komposisi Penduduk

Tabel 3. Komposisi Penduduk Menurut Jenis Kelamin dan Sex Ratio di Kabupaten Sukoharjo Tahun 2004-2009

Tahun Jumlah Penduduk (jiwa)

Sex Ratio Laki-Laki Perempuan Jumlah

2004 2005 2006 2007 2008 2009

402.725 405.831 408.506 411.340 414.292 417.276

412.364 415.382 417.783 420.273 422.987 425.851

815.089 821.213 826.289 831.613 837.279 843.127

97,66 97,70 97,78 97,87 97,94 97,99


Berdasarkan Tabel 3. dapat diketahui bahwa jumlah penduduk

Kabupaten Sukoharjo dari tahun 2004 – 2009 mengalami peningkatan

setiap tahunnya. Berdasarkan registrasi penduduk tahun 2009 tercatat

sebanyak 843.127 jiwa, terdiri dari 417.276 laki-laki dan 425.851

perempuan. Apabila dilihat dari penyebaran penduduk, rasio jenis kelamin

pada tahun 2009 sebesar 97,99 yang berarti setiap 100 penduduk


commit to user

77

perempuan terdapat 97 penduduk laki-laki. Hampir di semua kecamatan di

Kabupaten Sukoharjo memiliki angka rasio jenis kelamin di bawah 100,

yaitu berkisar 93 dan 99, kecuali Kecamatan Baki mempunyai sex ratio

100,58 (BPS Kabupaten Sukoharjo, 2010: 93).

Berdasarkan data BPS Kabupaten Sukoharjo (2010: 93) tercatat,

jumlah kelahiran selama tahun 2009 sebanyak 10.491 jiwa, terdiri dari

5.463 jiwa laki-laki dan 5.028 jiwa perempuan. Pada tahun 2009 ini

diperoleh angka kelahiran kasar (CBR) sebesar 12.49, terdapat kenaikan

jumlah dibandingkan dengan tahun-tahun sebelumnya yaitu sebesar 10,51

(2006); 11,40 (2007); dan 12,37 (2008). Jumlah angka kematian pada

tahun 2009 tercatat sebanyak 5.243 jiwa yang terdiri dari 2.718 jiwa laki-

laki dan 2.525 jiwa perempuan. Angka kematian kasar (CDR) tercatat

6,24, jika dibandingkan dengan tahun sebelumnya yaitu sebesar 6,20

terjadi peningkatan sebesar 0,04.


commit to user

78

b. Keadaan Penduduk Menurut Kelompok Umur

Tabel 4. Jumlah Penduduk Menurut Kelompok Umur di Kabupaten Sukoharjo Tahun 2009

Kelompok Umur Laki-Laki Perempuan Jumlah 0 – 4 5 – 9 10 – 14 15 – 19 20 – 24 25 – 29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 64 65 – 69 70 – 74 75 +

26.717 30.168 33.621 36.057 39.496 39.602 35.887 31.937 30.160 26.149 21.778 16.660 14.178 12.093 10.184 12.589

24.862 28.510 32.088 35.775 42.041 42.615 38.149 33.644 30.746 25.688 20.470 16.313 15.166 13.615 11.945 14.224

51.579 58.678 65.709 71.832 81.537 82.217 74.036 65.581 60.906 51.837 42.248 32.973 29.344 25.708 22.129 26.813

Jumlah 417.276 425.851 843.127

Sumber : BPS Kabupaten Sukoharjo Tahun 2010

Berdasarkan Tabel 4. dapat diketahui bahwa menurut kelompok

umur, pada tahun 2009 penduduk Kabupaten Sukoharjo paling banyak

pada usia 25-29 tahun yaitu sebanyak 82.217 jiwa dan yang paling sedikit

adalah kelompok usia 70-74 tahun, hanya berjumlah 22.129 jiwa. Jumlah

penduduk usia produktif juga lebih banyak jika dibandingkan dengan

penduduk usia non produktif, hampir 70% penduduk Kabupaten Sukoharjo

termasuk dalam angkatan kerja. Dengan demikian, penduduk usia

produktif yang banyak dapat dijadikan sebagai modal untuk meningkatkan

pembangunan daerah di Kabupaten Sukoharjo.


commit to user

79

c. Pertumbuhan dan Kepadatan Penduduk

Tabel 5. Jumlah, Pertumbuhan dan Kepadatan Penduduk Kabupaten Sukoharjo Tahun 2004-2009

Tahun Jumlah (jiwa) Pertumbuhan (%)

Kepadatan (jiwa/km2)

2004 2005 2006 2007 2008 2009

815.089 821.213 826.289 831.613 837.279 843.127

0,78 0,75 0,62 0,64 0,68 0,70

1.747 1.760 1.771 1.782 1.794 1.807


Berdasarkan Tabel 5. dapat diketahui bahwa kepadatan penduduk

dalam kurun waktu enam tahun (2004-2009) cenderung mengalami

kenaikan seiring dengan kenaikan jumlah penduduk. Pada tahun 2009

tercatat kepadatan penduduk sebesar 1.807 jiwa setiap km2. Penyebaran

penduduk di Kabupaten Sukoharjo masih belum merata. Penyebaran

penduduk yang paling padat terdapat di Kecamatan Kartasura dengan

kepadatan penduduknya adalah 4.736 jiwa/km2. Sedangkan wilayah yang

paling kecil kepadatan penduduknya adalah Kecamatan Nguter dengan

tingkat kepadatan penduduk 1.174 jiwa/km2.

D. Keadaan Perindustrian

Salah satu sektor yang berperan penting dalam pembangunan di

Kabupaten Sukoharjo adalah sektor industri. Karena hal itu, maka

pembangunan di sektor industri merupakan prioritas utama dalam

pembangunan ekonomi di Kabupaten Sukoharjo. Kontribusi sektor industri

terhadap PDRB Kabupaten Sukoharjo pada tahun 2008 sebesar 29,52 %.


commit to user

80

Menurut Dinas Perindustrian, Perdagangan, Koperasi, dan Penanaman

Modal, industri di Kabupaten Sukoharjo digolongkan menjadi Industri Besar,

Industri Menengah dan Industri Kecil. Industri-industri tersebut berdasar

kelompok usahanya dibedakan menjadi Industri Agro dan Hasil Hutan

(IAHH); Industri Tekstil dan Aneka (ITA); dan Industri Kimia, Logam,

Mesin, Elektronika (IKLME). Jumlah industri di Kabupaten Sukoharjo

menurut kelompok usahanya dapat dilihat pada Tabel 6 berikut ini.

Tabel 6. Industri Menurut Kelompok Usaha di Kabupaten Sukoharjo Tahun 2009

Kelompok Industri Jumlah

Unit Usaha

Jumlah Tenaga Kerja

Nilai Investasi

(Juta Rupiah)

Nilai Produksi

(Juta Rupiah) I. IAHH a. Industri besar b. Industri

menengah c. Industri kecil

35

105

6.766

8.230 9.205

26.761

160.312,63

40.129,50

66.099,19

590.082,94 575.787,79

661.533,70

Jumlah 6.906 44.196 266.541,32 1.827.404,43 II. ITA a. Industri besar b. Industri


13 31

4.240

44.700

3.977

16.322

1.366.282,70

26.402,73

24.928,09

2.956.324,83

114.148,45

716.196,23 Jumlah 4.284 64.999 1.417.613,52 3.786.669,51

III. IKLME a. Industri besar b. Industri


10 51

55.290

2.700 2.130

21.473

102.331,61

41.760,29

21.907,25

299.493,23 116.098,76

269.481,07

Jumlah 55.351 26.303 165.999,15 685.073,06


Keterangan : § IAHH = Industri Agro dan Hasil Hutan § ITA = Industri Tekstil § IKLME = Industri Kimia, Logam, Mesin, dan Elektro


commit to user

81

Berdasarkan Tabel 10. dapat diketahui bahwa industri yang menyerap

tenaga kerja terbesar di Kabupaten Sukoharjo adalah industri besar dalam

kelompok industri tekstil sebesar 44.700 jiwa. Hal ini disebabkan karena di

Kabupaten Sukoharjo terdapat pabrik tekstil yang cukup besar, yaitu PT

Sritex, sehingga memiliki tenaga kerja yang cukup banyak. Industri kecil

dalam kelompok industri agro dan hasil hutan berada di tempat kedua dalam

hal penyerapan tenaga kerja, yaitu sebesar 26.761 jiwa. Dilihat dari nilai

produksinya, paling besar adalah pada industri tekstil, dilanjutkan industri

agro dan hasil hutan baru kemudian industri kimia, logam, mesin, dan elektro.

E. Keadaan Umum Pertanian

Selain sektor industri, sektor pertanian juga memegang peranan yang

penting. Sebagai sektor penyedia kebutuhan pangan, pemerintah terus

berupaya untuk meningkatkan peran sektor ini dalam pembangunan ekonomi.

Keadaan pertanian di Kabupaten Sukoharjo masih relatif produktif. Hal ini

dapat dilihat dari sebagian besar penduduknya yang masih bekerja di sektor

pertanian serta didukung oleh ketersediaan lahan yang memadai untuk

pertanian. Sektor pertanian merupakan sektor yang sampai saat ini masih

mampu memberikan sumbangan yang besar dari sembilan sektor

perekonomian yang lainnya pada perekonomian wilayah Kabupaten

Sukoharjo. Pendapatan sektor pertanian tersebut sangat tergantung dari

jumlah produksi yang dihasilkan. Penggunaan lahan baik lahan sawah

maupun lahan bukan sawah dapat dilihat pada tabel di bawah ini.


commit to user

82

Tabel 7. Luas Penggunaan Lahan Sawah di Kabupaten Sukoharjo Tahun 2009

Penggunaan Lahan Sawah Luas Lahan (Ha) Prosentase 1. Irigasi Teknis 2. Irigasi Setengah Teknis 3. Irigasi Sederhana 4. Tadah Hujan

14.900 1.902 2.021 2.434

70,09 8,95 9,51

11,45 Jumlah 21.257 100,00


Secara umum pemanfaatan lahan di Kabupaten Sukoharjo meliputi

21.257 Ha lahan sawah dan 25.409 Ha lahan bukan sawah. Berdasarkan

Tabel 7 dapat diketahui bahwa penggunaan lahan sawah meliputi sawah

irigasi teknis 14.900 Ha (70,09%), sawah irigasi setengah teknis 1.902 Ha

(8,95%), sawah irigasi sederhana 2.021 Ha (9,51%) dan sawah tadah hujan

2.434 Ha (11,45%). Penggunaan lahan sawah terbesar adalah sawah irigasi

teknis. Hal ini dikarenakan pada lahan sawah dengan irigasi teknis mampu

menampung air lebih banyak dibandingkan lahan sawah irigasi lainnya.

Ditunjang dengan ketersediaan air yang mencukupi maka petani di Kabupaten

Sukoharjo lebih banyak menggunakan lahan sawah dengan irigasi teknis.

Pola tanam yang diterapkan pada lahan sawah irigasi teknis adalah padi –

padi – palawija, artinya bahwa dalam satu tahun padi ditanam pada dua

periode musim tanam dan kemudian palawija (biasanya kacang hijau, kedelai,

dan jagung) pada musim tanam berikutnya.

Tabel 8. Luas Penggunaan Lahan Bukan Sawah Menurut Jenis di Kabupaten Sukoharjo Tahun 2009

Penggunaan Lahan Bukan Sawah Luas Lahan (Ha) Prosentase 1. Tanah Kering 2. Hutan Negara 3. Perkebunan Negara

24.307 390 708

95,66 1,53 2,81

Jumlah 25.409 100,00



commit to user

83

Berdasarkan Tabel 8 dapat diketahui bahwa penggunaan lahan bukan

sawah menurut jenisnya terdiri dari tanah kering 24.307 Ha (95,66%), hutan

negara 390 Ha (1,53%) dan perkebunan negara 708 Ha (2,81%). Lahan tanah

kering paling banyak digunakan terutama untuk pekarangan dan tegalan.

Tabel 9. Luas Penggunaan Lahan Bukan Sawah Menurut Status di Kabupaten Sukoharjo Tahun 2009

Penggunaan Lahan Bukan Sawah Luas Lahan (Ha) Prosentase 1. Pekarangan/ Bangunan 2. Tegal/ Kebun 3. Hutan Rakyat 4. Tambak/ Kolam Empang 5. Hutan Negara 6. PBS/ PBN 7. Lainnya

16.099 4.599

904 36

390 708

2.673

63,36 18,10 3,55 0,14 1,54 2,79

10,52 Jumlah 25.409 100,00


Berdasarkan Tabel 9 dapat diketahui bahwa lahan bukan sawah

menurut status meliputi pekarangan/bangunan, tegal/kebun, hutan rakyat,

tambak/kolam empang, hutan negara, perkebunan besar swasta/perkebunan

besar negara, dan lainnya. Hutan Negara banyak terdapat di Kecamatan Bulu,

dimana sebagian besar merupakan hutan jati. Pekarangan memiliki luas lahan

terbesar yaitu sebesar 16.099 Ha (63,36%) sedangkan tambak/kolam empang

memiliki luas lahan terkecil yaitu sebesar 36 Ha (0,14%). Penggunaan lahan

bukan sawah yang terbesar adalah pekarangan/bangunan, ini disebabkan oleh

adanya pertambahan jumlah penduduk dan pertambahan rumah tangga baru

yang menetap di Sukoharjo. Dengan demikian tidak menutup kemungkinan

terjadi perubahan penggunaan lahan pertanian sawah atau tegal menjadi

pekarangan/bangunan.


commit to user

84

F. Keadaan Sektor Tanaman Bahan Makanan

Sektor pertanian mempunyai peran yang cukup besar terhadap PDRB

Kabupaten Sukoharjo. Pada tiap tahun rata-rata sektor pertanian memberikan

kontribusi kurang lebih sebesar 20% (Statistik Daerah Kabupaten Sukoharjo,

2010: 14). Sektor pertanian terdiri atas beberapa sub sektor, yaitu tanaman

bahan makanan, peternakan, perkebunan, kehutanan, dan perikanan.

Produktivitas tanaman bahan makanan terutama padi terus ditingkatkan.

Apalagi Kabupaten Sukoharjo merupakan salah satu kabupaten penyangga

pangan di Jawa Tengah. Sejak tahun 2004 produktivitas padi sawah terus

menunjukkan peningkatan hingga mencapai 70,87 ku/ha pada tahun 2009.

Demikian halnya dengan luas panen padi juga mengalami peningkatan

sebesar 4,56% dibandingkan tahun sebelumnya. Produksi padi sawah juga

cenderung meningkat, yaitu sebanyak 357.525 ton pada tahun 2009, yang

berarti mengalami peningkatan 6% dibanding tahun 2008.

Tabel 10. Perkembangan Produksi Tanaman Bahan Makanan Menurut Jenisnya di Kabupaten Sukoharjo Tahun 2005 – 2009 (Ton)

Komoditas Tahun 2005 2006 2007 2008 2009

1. Padi Sawah 2. Jagung 3. Ubi Kayu 4. Ubi Jalar 5. Kacang Tanah 6. Kedelai 7. Kacang Hijau

299.206 28.042

106.283 96

15.345 8.107

133

322.426 21.415 91.181

41 14.526

7089 72

319.720 22.448 93.133

27 15.181

9.187 58

337.244 30.589 59.982

14 13.957

8.586 40

357.525 31.651 63.755

28 9.217 9.243

118


Selain padi sawah, pertumbuhan produksi palawija juga berfluktuasi

setiap tahunnya. Berdasarkan Tabel 10. di atas dapat diketahui bahwa pada


commit to user

85

tahun 2009 komoditas yang mengalami peningkatan produksi adalah jagung,

ubi kayu, ubi jalar, kedelai, dan kacang hijau. Perkembangan yang pesat

ditunjukkan oleh komoditas ubi jalar dan kacang hijau, yang masing-masing

mengalami peningkatan sebesar 100% dan 195% dibanding tahun

sebelumnya. Komoditi kacang tanah justru mengalami penurunan sebesar

40% dari tahun sebelumnya, yaitu dari 13. 957 ton pada tahun 2008 menjadi

9.217 ton pada tahun 2009. Komoditas ubi jalar cenderung mengalami

penurunan dikarenakan turunnya minat masyarakat untuk mengkonsumsi ubi

jalar. Hal ini karena kurangnya teknologi untuk mengolah ubi jalar tersebut

menjadi bahan baku jenis lain, misalnya tepung ubi jalar. Masyarakat

mengkonsumsi ubi jalar hanya dalam bentuk umbi saja sehingga jenis

makanan yang dapat dibuat juga kurang bervariasi dan kurang menarik.

Menurut BPS (2010: 15) produksi sayur-sayuran secara umum

meningkat jika dibandingkan tahun 2008. Produksi terong pada tahun 2009

sebesar 207 kuintal (meningkat 116%), sedangkan kacang panjang sebesar

7.207 kuintal (meningkat 27%). Akan tetapi produksi cabe besar mengalami

penurunan dari 3.792 kuintal pada tahun 2008 menjadi 2.369 kuintal pada

tahun 2009 atau turun sebesar 38%. Demikian juga untuk komoditi buah-

buahan, secara umum menunjukkan peningkatan produksi kecuali buah

belimbing dan kedondong yang masing-masing turun sebesar 17% dan 79%.

Produksi jeruk besar mengalami peningkatan yang terbesar, yaitu hampir

mencapai 800% dan sirsak meningkat lebih dari 400% dibanding tahun 2008.

Secara kuantitas buah mangga merupakan komodi buah-buahan terbesar pada


commit to user

86

tahun 2009, produksinya mencapai 446.210 kg, disusul kemudian buah sukun

dan rambutan yang produksinya lebih dari 8 ribu ton.

G. Keadaan Perekonomian

Salah satu alat untuk mengetahui perkembangan perekonomian suatu

daerah adalah melalui nilai PDRB. Pada tahun 2009, PDRB Kabupaten

Sukoharjo atas dasar harga berlaku mencapai 8,92 trilyun rupiah atau 4,86

trilyun atas dasar harga konstan (tahun 2000 sebagai dasar perhitungan).

Struktur perekonomian Kabupaten Sukoharjo selama tahun 2005-2009 tidak

mengalami perubahan yang berarti. Pada tahun 2009, sektor industri

pengolahan masih merupakan sektor yang memberikan kontribusi terbesar,

yaitu 29% dari total PDRB. Pada urutan kedua adalah sektor perdagangan,

hotel dan restoran dengan kontribusi sebesar 26% kemudian sektor pertanian

pada urutan ketiga dengan kontribusi 20%. Pertumbuhan ekonomi Kabupaten

Sukoharjo pada tahun 2005-2009 selalu menunjukkan angka positif di atas

4%, meskipun mengalami perlambatan pertumbuhan sejak tahun 2008.

Pendapatan per kapita pun mengalami peningkatan sebesar 10% dari tahun

2008, yaitu menjadi 9.407.312,06 rupiah pada tahun 2009.

Jika dibandingkan dengan kabupaten/kota di sekitarnya, PDRB

Kabupaten Sukoharjo atas dasar harga berlaku tahun 2009 berada di peringkat

kedua setelah Kabupaten Klaten. Berbeda jika perbandingan berdasar atas

harga konstan, Kabupaten Sukoharjo berada pada posisi keempat setelah

Kabupaten Karanganyar, Kota Surakarta, dan Kabupaten Klaten. Perbedaan


commit to user

87

tersebut dikarenakan inflasi atau besarnya perubahan harga pada setiap

kabupaten/kota tidak sama.

Pendapatan perkapita Kabupaten Sukoharjo jika dibandingkan dengan

kabupaten/kota lain pada Eks-Karesidenan Surakarta, berada pada urutan

kedua. Selama tahun 2009, rata-rata setiap penduduk Kabupaten Sukoharjo

menghasilkan nilai tambah sebesar 10,6 juta rupiah (atas dasar harga

berlaku). Angka ini masih berada di bawah Kota Surakarta yang rata-rata

penduduknya mampu menghasilkan nilai tambah sebesar 16,8 juta rupiah per

tahun.


commit to user

88

V. HASIL PENELITIAN DAN PEMBAHASAN

A. Dinamika Penawaran Dan Permintaan Beras di Kabupaten Sukoharjo

Beras merupakan bahan pangan pokok yang sangat penting dan strategis.

Sebagai bahan pangan pokok, kebutuhannya harus selalu dipenuhi. Kabupaten

Sukoharjo sebagai salah satu kabupaten penyangga pangan di propinsi Jawa

Tengah sangat memperhatikan ketersediaan beras untuk memenuhi kebutuhan

pangan masyarakatnya. Usahatani padi sendiri sangat tergantung pada kondisi

iklim serta adanya pengaruh dari fakor lain seperti gangguan hama dan

penyakit. Untuk meminimalisir gangguan tersebut, berbagai upaya terus

dilakukan oleh pemerintah daerah untuk meningkatkan ketersediaan beras,

diantaranya melalui bantuan irigasi untuk petani, penyediaan pupuk dan bibit

unggul, serta pendampingan melalui penyuluhan pertanian. Berbagai upaya

tersebut diharapkan dapat meningkatkan hasil produksi padi, sehingga

ketersediaan beras juga meningkat.

1. Dinamika Penawaran Beras di Kabupaten Sukoharjo

Melalui pendekatan produksi maka dapat diperoleh data penawaran

beras. Data penawaran beras di dinas dan lembaga terkait tidak tersedia,

sehingga untuk perhitungan penawaran beras menggunakan pendekatan

produksi. Data penawaran beras yang digunakan adalah data periode 17

tahun yaitu tahun 1994 – 2010. Pada dasarnya, data produksi beras terdiri

dari data tahunan dan kuartalan (musiman). Data produksi kuartalan

dihitung berdasarkan musim tanam, yaitu dalam waktu satu tahun terdapat

88


commit to user

89

tiga musim tanam dan setiap musim tanam berlangsung selama empat bulan.

Pada penelitian ini hanya menggunakan data penawaran tahunan beras saja.

Selain kelengkapan dan ketersediaan data, pertimbangannya lainnya adalah

penggunaan metode persamaan simultan. Pada metode persamaan simultan,

hasil dari model ARIMA penawaran dan permintaan beras akan

disimultankan dalam kondisi keseimbangan pasar, sehingga range dan jenis

data penawaran dan permintaan beras yang digunakan harus sama. Karena

untuk permintaan beras hanya tersedia data tahunan saja maka dalam

penelitian ini hanya menggunakan data penawaran tahunan beras saja, untuk

kesamaan jenis data. Data produksi bersih padi dan penawaran tahunan

beras terdapat pada tabel berikut ini.

Tabel 11. Produksi Bersih Padi dan Penawaran Tahunan Beras di Kabupaten Sukoharjo Tahun 1994 – 2010

Tahun Produksi Bersih Padi (Ton)

Penawaran Beras (Ton)

Fluktuasi (%)

1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

250.687 255.072 262.307 255.968 279.549 249.834 282.908 270.775 261.634 252.946 269.710 264.696 280.717 269.013 301.534 310.506 261.349

158.434,184 161.205,504 165.778,024 161.771,776 176.674,968 157.895,088 178.797,856 171.129,800 165.352,688 159.861,872 170.456,720 167.287,872 177.413,144 170.016,216 190.569,488 196.239,792 165.172,568

- 1,75 2,84

-2,42 9,21

-10,63 13,24 -4,29 -3,38 -3,32 6,63

-1,86 6,05

-4,17 12,09 2,97

-15,83



commit to user

90

Berdasarkan tabel penawaran tahunan beras tersebut dapat diketahui

bahwa selama periode 17 tahun penawaran tahunan beras berfluktuasi.

Setiap tahunnya produksi beras bisa mengalami penurunan ataupun

peningkatan. Budidaya tanaman padi sangat tergantung pada kondisi alam.

Hal ini yang menyebabkan hasil produksi tidak bisa dipastikan setiap

tahunnya. Selain faktor alam, adanya alih fungsi lahan pertanian menjadi

perumahan dan industri juga menjadi penyebab berkurangnya produksi

beras yang dihasilkan.

Pada tahun 2001, produksi bersih padi di Kabupaten Sukoharjo

sebanyak 270.775 ton dan dihasilkan beras sebanyak 171.129,800 ton. Pada

tahun ini produktivitas padi adalah 58,50 ku/ha, sedangkan luas panen padi

berkurang 6,31% dari tahun 2000. Hal ini yang menyebabkan penawaran

beras turun 4,29% dari tahun sebelumnya. Pada tahun 2003, produksi bersih

padi kembali mengalami penurunan dan hanya mampu menghasilkan padi

sebanyak 252.946 ton dengan penawaran beras sebanyak 159.861,872 ton.

Produktivitas padi pada tahun ini adalah 62,32 ku/ha dan luas panen

mengalami penurunan sebesar 4,38% dibandingkan tahun 2002.

Produksi bersih padi mengalami peningkatan pada tahun 2004, yaitu

sebesar 269.710 ton. Beras yang ditawarkan pada tahun ini adalah

170.456,720 ton. Jika dibandingkan dengan tahun sebelumnya, penawaran

beras meningkat sebanyak 6,63%. Hal ini terjadi karena luas panen

meningkat sebesar 4,76% dari tahun sebelumnya, sehingga produksi padi

juga ikut meningkat. Kenaikan produksi bersih padi juga kembali terjadi


commit to user

91

pada tahun 2006, dengan hasil produksi sebesar 280.717 ton. Jumlah beras

yang ditawarkan pada tahun ini sebesar 177.413,144 ton, meningkat 6,05%

dari tahun sebelumnya. Pada tahun 2006 terjadi peningkatan luas panen

6,42% dari tahun sebelumnya.

Penawaran beras terendah terjadi pada tahun 1999, yaitu sebesar

157.895,088 ton. Dibandingkan dengan penawaran tahun sebelumnya, pada

tahun 1999 terjadi penurunan sebesar 10,63 %. Hal ini dikarenakan adanya

dampak krisis ekonomi sehingga menyebabkan biaya produksi usahatani

meningkat. Pada tahun selanjutnya, yaitu tahun 2000, jumlah beras yang

ditawarkan mengalami peningkatan tajam yaitu 13,24 % dibandingkan

tahun sebelumnya atau sebesar 178.797,856 ton. Peningkatan ini terjadi

dikarenakan pada saat itu produksi usahatani dipusatkan pada produksi

beras guna mendukung program pemerintah agar Indonesia mencapai

swasembada beras.

Pada tahun 2009 penawaran beras mencapai titik tertinggi, yaitu sebesar

196.239,80 ton. Meskipun pada tahun ini peningkatannya kecil jika

dibandingkan degan tahun sebelumnya. Pada tahun 2009 jumlah

produktivitas padi berhasil mencapai 70,87 ku/ha. Pemerintah terus

berupaya untuk meningkatkan produksi padi, sehingga menjadikan

Kabupaten Sukoharjo sebagai salah satu kabupaten penyangga pangan di

Jawa Tengah. Pada tahun 2009, luas panen padi juga mengalami

peningkatan sebesar 4,56 % dibandingkan tahun sebelumnya.


commit to user

92

Penurunan penawaran beras yang paling tinggi terjadi pada tahun 2010,

yaitu beras yang ditawarkan menurun sebanyak 15,83 % dibandingkan

tahun sebelumnya. Pada tahun 2010 terjadi serangan hama wereng secara

besar-besaran yang menyebabkan sebagian besar petani mengalami gagal

panen. Dari luas tanam sebesar 51.748 ha, luas lahan yang mengalami puso

sebesar 2.304 ha. Produktivitas padi juga mengalami penurunan dibanding

tahun sebelumnya, yaitu hanya 57,97 ku/ha.

2. Dinamika Permintaan Beras di Kabupaten Sukoharjo

Data yang digunakan untuk peramalan permintaan beras adalah data

permintaan beras tahun sebelumnya yang diperoleh dengan pendekatan

konsumsi. Priode data yang dipakai adalah 17 tahun, yaitu tahun 1994 –

2010. Berbeda dengan data penawaran, data permintaan beras hanya tersaji

dalam bentuk data tahunan dan tidak terdapat data kuartalan. Berdasarkan

informasi dari Badan Ketahanan Pangan (BKP) Kabupaten Sukoharjo,

permintaan atau konsumsi beras dipengaruhi oleh jumlah penduduk dan

jumlah konsumsi per jiwa per tahun. Jumlah penduduk di Kabupaten

Sukoharjo setiap tahun mengalami peningkatan sehingga permintaan beras

juga mengalami peningkatan setiap tahunnya. Jumlah penduduk tersebut

kemudian dikalikan dengan angka konversi konsumsi tahunan beras untuk

memperoleh permintaan tahunan beras. Angka konversi konsumsi yang

digunakan mengacu pada Neraca Bahan Makanan (NBM), yaitu 92,87

kg/jiwa/tahun untuk periode tahun 1994 – 2008 dan 83,93 kg/jiwa/tahun


commit to user

93

untuk periode tahun 2009 – 2010. Berikut adalah data jumlah penduduk dan

permintaan tahunan beras di Kabupaten Sukoharjo.

Tabel 12. Jumlah Penduduk dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 1994 – 2010

Tahun Jumlah Penduduk (Jiwa)

Permintaan Beras (Ton)

1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

720.892 734.554 747.301 760.703 768.421 776.107 788.326 795.680 802.502 808.811 815.089 821.213 826.289 831.613 837.279 843.127 849.016

66.949,24 68.218,03 69.401,84 70.646,49 71.363,26 72.077,06 73.211,84 73.894,80 74.528,36 75.114,28 75.697,32 76.266,05 76.737,46 77.231,90 77.758,10 70.763,65 71.257,91


Data permintaan tahunan beras menunjukkan pola yang meningkat dan

linier. Jumlah penduduk yang meningkat setiap tahunnya menyebabkan

permintaan juga mengalami peningkatan. Karena jumlah penduduk yang

banyak juga memerlukan kebutuhan bahan pangan yang banyak pula. Selain

itu, faktor konversi yang sama juga menjadi penyebab data permintaan

tahunan menunjukkan pola yang linier. Pada tahun 2009 jumlah permintaan

beras mengalami penurunan dibandingkan tahun sebelumnya. Hal ini terjadi

karena angka konversi yang digunakan pada tahun 2009-2010 lebih kecil

dibandingkan angka konversi tahun 1994-2008.


commit to user

94

Angka konversi konsumsi menunjukkan tingkat konsumsi beras per

jiwa per kg per tahun. Pada tahun 2009-2010 tingkat konsumsi beras

mengalami penurunan jika dibandingkan dengan periode sebelumnya, yaitu

hanya sebesar 83,93 kg/jiwa/tahun. Penurunan tingkat konsumsi ini

disebabkan oleh berbagai hal, diantaranya adalah tingkat pengetahuan dan

diversifikasi pangan. Kemajuan teknologi menjadi pendorong perubahan

pola pikir dan perkembangan tingkat pengetahuan masyarakat. Jika dahulu

ketika mengkonsumsi pangan masyarakat hanya mementingkan kuantitas

saja tanpa memperhatikan kualitas, maka dengan pengetahuan yang semakin

bertambah menjadikan masyarakat sadar tentang arti kesehatan. Trend yang

terjadi sekarang ini adalah masyarakat sudah mulai memperhatikan kualitas

dari bahan pangan yang dikonsumsi. Keseimbangan antara karbohidrat,

protein, vitamin dan mineral pada makanan lebih diperhatikan. Beras

sebagai sumber karbohidrat, jumlah konsumsinya dikurangi dan lebih

meningkatkan konsumsi protein dan vitamin sebagai asupan gizi.

Selain tingkat pengetahuan, diversifikasi pangan juga menyebabkan

berkurangnya konsumsi beras sebagai bahan pangan utama. Tersedianya

bahan pangan lokal, seperti ubi, jagung, garut, dan singkong dapat

mengurangi tingkat ketergantungan konsumsi beras. Apalagi penggunaan

bahan pangan lokal tersebut mendapat dukungan dari pemerintah daerah

melalui Badan Ketahanan Pangan. Salah satu program Badan Ketahanan

Pangan Kabupaten Sukoharjo adalah meningkatkan penggunaan bahan

pangan lokal sebagai bahan pangan utama selain beras. Melalui program


commit to user

95

tersebut diharapkan tingkat ketergantungan konsumsi beras menurun dan

konsumsi bahan pangan lokal lebih meningkat.

B. Model ARIMA Penawaran dan Permintaan Tahunan Beras di Kabupaten

Sukoharjo

Pada penelitian ini ditentukan model ARIMA penawaran dan permintaan

beras di Kabupaten Sukoharjo dengan menggunakan data produksi dan

konsumsi beras. Data kemudian diolah dengan menggunakan metode Box-

Jenkins (ARIMA). Pada penelitian ini juga terdapat variabel tambahan yaitu

variabel dummy, untuk menguji pengaruh pelaksanaan otonomi daerah

terhadap penawaran dan permintaan beras di Kabupaten Sukoharjo. Metode

Box-Jenkins (ARIMA) terdiri dari empat tahap, yaitu identifikasi, estimasi

model, uji diagnostik, dan peramalan.

1. Penawaran Tahunan Beras

a) Tahap Identifikasi

Pada tahap identifikasi yang dilakukan adalah mengetahui plot data

dan menguji stasioneritas data. Berdasarkan dari data penawaran tahunan

beras yang terdapat pada Tabel 11. kemudian dibuat plot data untuk

mengetahui unsur trend dan perilaku dari data tersebut. Plot data

penawaran tahunan beras di Kabupaten Sukoharjo terdapat pada Gambar

4. berikut ini :


commit to user

96

Gambar 4. Plot Data Penawaran Tahunan Beras di Kabupaten Sukoharjo (Ton)

Plot data tahunan penawaran beras menunjukkan pola yang fluktuatif

dengan trend cenderung meningkat. Hal ini disebabkan karena beras

merupakan bahan pangan pokok yang kebutuhannya harus selalu

dipenuhi, sehingga pemerintah selalu berusaha untuk meningkatkan

jumlah produksi padi. Adapun terjadinya fluktuasi jumlah produksi

disebabkan oleh perubahan iklim, dan luas tanam. Sesuai dengan data

penawaran tahunan beras, pada plot data juga menunjukkan bahwa

penawaran beras tertinggi terjadi pada tahun 2009, sedangkan penawaran

terendah terjadi pada tahun 1999.

Langkah selanjutnya pada tahap identifikasi setelah mengetahui plot

data adalah mengidentifikasi stasioneritas data. Hal ini penting karena

pada metode ARIMA, data yang akan dianalisis harus dalam kondisi

stasioner. Kondisi data yang stasioner akan mampu menterjemahkan

data dan model ekonomi secara baik karena data yang stasioner tidak

150000

160000

170000

180000

190000

200000

1994 1996 1998 2000 2002 2004 2006 2008 2010

SUPPLY


commit to user

97

terlalu bervariasi dan cenderung mendekati nilai rata-ratanya. Stasioner

atau tidaknya suatu data dapat diketahui dari nilai Augmented Dickey-

Fuller (ADF). Menurut Yuliadi (2009: 59), suatu data dikatakan stasioner

apabila nilai ADF test statistic lebih besar dari nilai critical value tingkat

kepercayaan.

Tabel 13. Nilai ADF dan Critical Value Data Penawaran Tahunan Beras di Kabupaten Sukoharjo

Nilai Supply Supply

Differencing 1

ADF -3,181357 -4,029257 Critical value 1% -3,920350 -4,004425 Critical value 5% -3,065585 -3,098896 Critical value 10% -2,673459 -2,690439

Sumber : Diolah dari Lampiran 2

Pada Tabel 13. dapat diketahui bahwa nilai ADF untuk data

penawaran tahunan beras adalah -3,181357. Nilai ADF jika dibandingkan

dengan critical value 5% (-3,065585) dan 10% (-2,673459), nilainya

sudah lebih besar. Tetapi nilai ini masih lebih kecil jika dibandingkan

dengan critical value 1% (-3,920350). Ini menunjukkan bahwa data

penawaran tahunan beras belum stasioner. Untuk menstasionerkan data

dilakukan proses pembedaan (differencing). Pada differencing orde satu,

diketahui bahwa nilai ADF adalah -4,029257. Nilai ADF differencing

pertama ini sudah lebih besar dibandingkan critical value 1%

(-4,004425); 5% (-3,098896); dan 10% (-2,690439). Nilai ADF ini

menunjukkan bahwa data sudah stasioner. Berdasarkan kondisi tersebut


commit to user

98

maka dapat disimpulkan bahwa data penawaran tahunan beras tidak

stasioner dan menjadi stasioner pada differencing orde satu.

b) Tahap Estimasi

Setelah pola data dan stasioneritas data diidentifikasi, maka tahap

selanjutnya adalah penentuan jenis model ARIMA sementara serta

penentuan orde untuk bagian autoregressive (p) dan orde untuk bagian

moving average (q). Untuk menentukan apakah model yang digunakan

adalah autoregressive (AR) atau moving average (MA) dapat dilihat

berdasarkan pola autocorelation function (ACF) dan partial

autocorelation function (PACF). Menurut Kuncoro (2004) untuk

mengamati pola ACF dan PACF dapat diketahui dari hasil collerogram.

Suatu model AR dapat dilihat dari pola PACF sedangkan pola ACF akan

menentukan model MA.

Pada data penawaran tahunan beras, telah diketahui sebelumnya

bahwa data stasioner pada differencing pertama. Selanjutnya dilakukan

identifikasi plot ACF-PACF data hasil differencing tersebut. Plot ACF-

PACF data hasil differencing pertama (Lampiran 4) dapat diketahui

bahwa nilai PACF sangat rendah pada lag pertama kemudian meningkat

secara drastis pada lag kedua, dan pada lag-lag berikutnya terjadi

penurunan. Pola plot ACF juga menunjukkan kenaikan dan penurunan

pada lag awal, akan tetapi nilainya stabil pada lag-lag berikutnya.

Berdasarkan hasil collerogram dan nilai ADF kemudian ditentukan

bentuk umum dari model tentatif ARIMA (p,d,q) dimana p menunjukkan


commit to user

99

orde AR, d adalah derajat differencing, dan q menunjukkan orde MA.

Berdasarkan hasil analisis data, diperoleh hasil bahwa data penawaran

tahunan beras di-differencing sebanyak satu kali (d = 1), orde AR adalah

0 (p = 0), dan orde MA adalah 1 (q = 1). Jadi model tentatif ARIMA

penawaran tahunan beras adalah sebagai berikut :

Model Tentatif Penawaran Tahunan Beras : ARIMA (0,1,1)

Selanjutnya model tentatif tersebut diestimasi tiap parameternya

dengan bantuan program Eviews 5.1 dan hasil lengkapnya dapat dilihat

pada Lampiran 6. Berikut adalah tabel hasil estimasi parameter model

tentatif penawaran tahunan beras.

Tabel 14. Hasil Estimasi Parameter Model Tentatif Penawaran Tahunan Beras di Kabupaten Sukoharjo

Parameter Koefisien Probabilistik Konstanta 2701,109*** 0,0000 MA(1) -2,232999*** 0,0041

Sumber : Diolah dari Lampiran 6 Keterangan: *** = signifikan pada taraf kepercayaan 99%

Hasil estimasi model tentatif menunjukkan bahwa model tentatif

mempunyai RMSE sebesar 5.186,376; R2 sebesar 0,850311 dan nilai

F-statistic sebesar 79,52704. Kemudian estimasi parameter model tentatif

menunjukkan bahwa model tentatif mempunyai konstanta 2701,109 dan

koefisien MA(1) sebesar -2,232999. Berdasarkan nilai probabilitasnya,

parameter MA(1) sudah signifikan karena nilai probabilitasnya (0,0041)

lebih kecil dari 0,05. Bentuk matematis dari model tentatif penawaran

tahunan beras ARIMA (0,1,1) adalah :


commit to user

100

脨缴疆实籠ǁǑො, ොǑ幂十勾姑石籠,籠蹐籠幂幂幂勾姑石ො c) Tahap Uji Diagnostik

Setelah menentukan model tentatif ARIMA untuk penawaran

tahunan beras, tahap selanjutnya adalah menguji apakah model tentatif

yang telah ditentukan tersebut merupakan model yang layak untuk

peramalan. Jika hasilnya menunjukkan model tentatif masih belum layak

maka dibuat model yang lainnya hingga ditemukan model yang terbaik.

Kriteria yang akan digunakan pada tahap ini adalah nilai RMSE yang

kecil, nilai R2 yang tinggi, signifikansi nilai F-statistik dan parameter-

parameternya harus signifikan. Pada tahap ini juga dicoba beberapa

alternatif bentuk model ARIMA yang lain. Model yang paling memenuhi

kriteria yang akan dipilih sebagai model terbaik untuk peramalan

penawaran dan permintaan beras.

Uji diagnostik pertama untuk model tentatif penawaran tahunan

beras adalah uji nilai RMSE. Pada pembahasan sebelumnya telah

diketahui bahwa nilai RMSE model tentatif cukup kecil. Akan tetapi hal

ini masih perlu dibandingkan dengan RMSE model alternatif yang lain.

Selanjutnya untuk nilai R2 (0,850311) sudah tinggi dan nilai F-statistic

(0,0041) juga sudah signifikan. Sama seperti kriteria RMSE, untuk nilai

R2 dan F-statistic juga masih harus dibandingkan dengan model alternatif

yang lain. Parameter MA pada model tentatif penawaran tahunan beras

juga sudah signifikan. Hal ini ditunjukkan oleh nilai probabilitas yang

lebih kecil dari 0,05.


commit to user

101

Langkah berikutnya adalah membandingkan model tentatif dengan

alternatif model yang lain. Hasil analisis model penawaran beras dengan

bantuan program Eviews 5.1 pada berbagai model alternatif terdapat

pada Lampiran 6. Berikut adalah tabel perbandingan uji diagnostik model

tentatif dengan model alternatif yang lain.

Tabel 15. Perbandingan Uji Diagnostik Beberapa Model ARIMA Penawaran Tahunan Beras di Kabupaten Sukoharjo

Model Konstanta AR(1) AR(2) MA(1) MA(2) R2 F-stat RMSE ARIMA (0,1,1)

2701,109 (14,43913)

-2,232999 (-3,430381)

0,850311 79,52704 5186,376

ARIMA (1,1,0)

1180,435 (0,612960)

-0,68358 (-2,337946)

0,296003 5,465993 11604,41

ARIMA (2,1,0)

1496,133 (1,207086)

-1,056719 (-2,900310)

-0,595544 (-1,62979)

0,435056 4,235481 10722,88

ARIMA (1,1,1)

1226,049 (2,338764)

-0,290730 (-0,918774)

-0,907153 (-9,71599)

0,526888 6,681938 9513,063

ARIMA (2,1,1)

1250,767 (2,243276)

-0,297166 (-0,875962)

-0,130765 (-0,33363)

0,917692 (-10,29447)

0,534620 3,829268 9732,244

ARIMA (1,1,2)

1192,557 (2,291158)

-0,835204 (-2,258157)

-0,366418 (-0,791774)

-0,628322 (-0,860129)

0,552889 4,534124 9247,949

ARIMA (2,1,2)

862,7261 (0,909512)

-0,722903 (-1,122325)

-0,014533 (-0,02929)

-0,145527 (-0,255718)

-0,849001 (-1,677272)

0,610530 3,527082 8903,197


Model alternatif yang digunakan pada tahap uji diagnostik adalah

ARIMA (1,1,0); ARIMA (2,1,0); ARIMA (1,1,1); ARIMA (2,1,1),

ARIMA (1,1,2); dan ARIMA (2,1,2). Pada model alternatif pertama yaitu

ARIMA (1,1,0) mempunyai R2 sebesar 0,296003; RMSE sebesar

11.604,41; probabilistik F-statistic (0,036026) signifikan pada taraf

95%; dan parameter AR(1) juga signifikan pada taraf 95%. Model

tentatif masih lebih baik jika dibandingkan dengan model baik ARIMA

(1,1,0), karena nilai RMSE model tentatif lebih rendah. Oleh karena itu

model ARIMA (1,1,0) tidak dipilih. Model alternatif kedua adalah


commit to user

102


10.722,88; probabilistik F-statistic (0,043254) signifikan pada taraf 95%;

dan parameter AR(1) signifikan sedangkan parameter AR(2) tidak

signifikan. Meskipun model alternatif kedua nilai RMSE-nya lebih

rendah dan nilai R2 lebih tinggi dibandingkan model alternatif pertama,

tetapi salah satu parameternya ada yang tidak signifikan.

Model alternatif ketiga yaitu ARIMA (1,1,1) mempunyai R2

sebesar 0,526888; RMSE sebesar 9.513,063; probabilistik F-statistic

(0,011215) signifikan pada taraf 95%; dan parameter AR(1) tidak

signifikan sedangkan parameter MA(1) signifikan pada taraf 95%. RMSE

dan R2 model alternatif ketiga lebih baik dari model alternatif pertama

dan kedua, tetapi salah satu parameternya tidak signifikan. Model

alternatif keempat adalah ARIMA (2,1,1) mempunyai R2 sebesar

0,534620; RMSE sebesar 9.732,244; probabilistik F-statistic (0,046172)

signifikan pada taraf 95%; dan parameter AR(1) dan AR(2) tidak

signifikan sedangkan parameter MA(1) sudah signifikan. RMSE dan R2

model alternatif keempat lebih baik dari model alternatif pertama dan

kedua, tetapi terdapat dua parameter yang tidak signifikan sehingga

model ini tidak dipilih.

Pada model alternatif kelima yaitu ARIMA (1,1,2) mempunyai R2

sebesar 0,552889; RMSE sebesar 9.247,949; probabilistik F-statistic

(0,026557) signifikan pada taraf 95%, parameter AR(1) signifikan

sedangkan parameter MA(1) dan MA(2) tidak signifikan. RMSE dan R2


commit to user

103

model alternatif ini lebih baik dari model-model alternatif sebelumnya.

Akan tetapi model ini tidak dipilih karena model tentatif masih lebih

baik. Model ARIMA (2,1,2) merupakan model alternatif yang terakhir.

Model ini mempunyai R2 sebesar 0,610530; RMSE sebesar 8.903,197;

probabilistik F-statistic (0,053810) tidak signifikan pada taraf 95%,

semua parameter dalam model ini tidak ada yang signifikan.

Berdasarkan hasil uji diagnostik pada Tabel 14. di atas, peneliti

mengambil keputusan untuk tetap memilih model tentatif ARIMA (0,1,1)

sebagai model ARIMA terbaik untuk penawaran tahunan beras. Hal ini

dikarenakan model tentatif memiliki RMSE yang paling kecil dibanding

model yang lainnya, yaitu sebesar 5.186,376. Semakin kecil nilai RMSE

maka semakin baik model tersebut, karena hasil peramalan semakin

mendekati nilai aktualnya. Pertimbangan lainnya adalah nilai R2 paling

tinggi, yaitu sebesar 0,850311. Nilai R2 tersebut berarti bahwa model

ARIMA (0,1,1) dapat menjelaskan variasi perubahan variabel bebas

sebesar 85,0311 %. Semakin tinggi nilai R2 suatu model maka akan

semakin baik model tersebut.


commit to user

104

Tabel 16. Hasil Pengujian Model ARIMA (0,1,1) Penawaran Tahunan Beras di Kabupaten Sukoharjo

Variable Coefficient Std. Error t-Statistic Prob. C*** 2737.831 155.5887 17.59660 0.0000

DUMMYns -963.6575 2374.831 -0.405779 0.6915 MA(1)*** -2.316226 0.720251 -3.215860 0.0068

R-squared 0.864612 Mean dependent var 421.1490 Adjusted R-squared 0.843783 S.D. dependent var 13844.68 S.E. of regression 5472.007 Akaike info criterion 20.22004 Sum squared resid 3.89E+08 Schwarz criterion 20.36490 Log likelihood -158.7603 F-statistic 41.51024 Durbin-Watson stat 2.591792 Prob(F-statistic) 0.000002 Inverted MA Roots 2.32

Sumber : Diolah dari Lampiran 6 Keterangan: ns = non-signifikan *** = signifikan pada taraf kepercayaan 99%

Pada Tabel 16. dapat diketahui bahwa variabel dummy telah

dimasukkan pada model penawaran tahunan beras ARIMA (0,1,1).

Berdasarkan hasil analisis diperoleh nilai R2 sebesar 0,864645, yang

berarti bahwa 86,4645 % variasi penawaran tahunan beras di Kabupaten

Sukoharjo dapat dijelaskan oleh variabel bebas yang digunakan dalam

model, yaitu variabel dummy dan variabel MA(1). Nilai R2 pada model

menunjukkan ketepatan model, sedangkan untuk mengetahui faktor-

faktor yang berpengaruh terhadap penawaran tahunan beras di Kabupaten

Sukoharjo secara bersama-sama dapat dilihat dari hasil uji F.

Berdasarkan hasil uji F-statistic dapat diketahui nilai probabilitasnya

sebesar 0,000002. Nilai ini lebih kecil dari 0,05 dan 0,01, yang berarti

bahwa variabel dummy dan variabel MA secara bersama-sama

berpengaruh nyata terhadap penawaran tahunan beras pada tingkat

signifikansi 99%.


commit to user

105

Untuk mengetahui pengaruh masing-masing variabel yang

berpengaruh terhadap penawaran tahunan beras di Kabupaten Sukoharjo

dapat digunakan uji-t. Berdasarkan hasil uji-t variabel dummy, dapat

diketahui bahwa nilai probabilitas t-statistik variabel dummy (0,6915)

lebih besar dari 0,05. Hal ini berarti bahwa otonomi daerah tidak

berpengaruh secara signifikan terhadap penawaran tahunan beras.

Pada hasil uji-t variabel MA(1) dapat diketahui bahwa nilai

probabilitas t-statistik variabel MA(1) adalah 0,0068. Nilai ini lebih kecil

dari 0,05 dan 0,01, yang berarti bahwa variabel MA(1) berpengaruh

secara signifikan terhadap penawaran tahunan beras. MA(1) berarti

bahwa penawaran tahunan beras sekarang dipengaruhi oleh dinamika

penawaran tahunan beras satu tahun sebelumnya. Koefisien MA(1)

sebesar -2,316226, artinya bahwa setiap dinamika penawaran beras satu

tahun sebelumnya naik sebesar 1 satuan maka penawaran tahunan beras

di Kabupaten Sukoharjo akan turun sebesar 2,316226 satuan.

Berdasarkan hasil pengujian model penawaran tahunan beras

ARIMA (0,1,1) seperti yang terdapat pada Tabel 16. di atas, maka model

matematisnya adalah : 脨缴疆实籠ǁ蹐ǁ,密蹐ො石幂泌蹐,泌觅ǁ觅各姑十勾姑石籠,籠蹐籠幂幂幂勾姑石ො

Keterangan : 蟨棍管 = penawaran tahunan beras di Kabupaten Sukoharjo tahun t Dt = dummy otonomi daerah


commit to user

106

et = dinamika penawaran tahunan beras di Kabupaten

Sukoharjo tahun t et石1 = dinamika penawaran tahunan beras di Kabupaten

Sukoharjo tahun t-1

2. Permintaan Beras

a) Tahap Identifikasi

Seperti pada penawaran tahunan beras, pada tahap identifikasi ini

data permintaan tahunan beras diidentifikasi pola datanya untuk

mengetahui pola trend data. Plot data permintaan tahunan beras di

Kabupaten Sukoharjo terdapat pada Gambar 5. berikut ini.

Gambar 5. Plot Data Permintaan Tahunan Beras di Kabupaten Sukoharjo (Ton)

Plot data permintaan tahunan menunjukkan bahwa permintaan

tahunan beras di Kabupaten Sukoharjo memiliki trend meningkat. Seperti

telah dijelaskan sebelumnya pada dinamika permintaan tahunan beras,

plot data menunjukkan bahwa pada tahun 2009 terjadi penurunan

66000

68000

70000

72000

74000

76000

78000

1994 1996 1998 2000 2002 2004 2006 2008 2010

DEMAND


commit to user

107

permintaan yang sangat tajam. Hal ini terjadi karena angka konversi yang

digunakan pada tahun 2009-2010 lebih kecil dibandingkan angka

konversi tahun 1994-2008. Angka konversi konsumsi yang digunakan

mengacu pada Neraca Bahan Makanan (NBM), yaitu 92,87

kg/jiwa/tahun untuk periode tahun 1994 – 2008 dan 83,93 kg/jiwa/tahun

untuk periode tahun 2009 – 2010.

Setelah mengetahui plot data kemudian dilanjutkan dengan

identifikasi stasioneritas data permintaan tahunan beras. Stasioner atau

tidaknya suatu data dapat diketahui dari nilai Augmented Dickey-Fuller

(ADF). Nilai ADF hasil analisis data kemudian dibandingkan dengan

critical value tingkat kepercayaan untuk mengetahui stasioneritas data

tersebut.

Tabel 17. Nilai ADF dan Critical Value Data Permintaan Tahunan Beras di Kabupaten Sukoharjo

Nilai Demand Demand Differencing 1

Demand Differencing 2

ADF -2,028527 -3,619274 -7,350896 Critical value 1% -3,920350 -3,959148 -4,004425 Critical value 5% -3,065585 -3,081002 -3,098896 Critical value 10% -2,673459 -2,681330 -2,690439


Pada nilai ADF dan critical value data permintaan tahunan beras,

dapat diketahui bahwa nilai ADF-nya adalah -2,028527. Nilai ADF

tersebut jika dibandingkan dengan critical value 10% (-2,673459),

nilainya sudah lebih besar. Tetapi nilai ini masih lebih kecil jika

dibandingkan dengan critical value 5% (-3,065585) dan 1% (-3,920350).


commit to user

108

Hal ini menunjukkan bahwa data permintaan tahunan beras belum

stasioner. Untuk menstasionerkan data dilakukan proses pembedaan

(differencing). Pada differencing orde satu, diketahui bahwa nilai ADF

adalah -3,619274. Nilai ADF differencing pertama ini sudah lebih besar

dibandingkan critical value 5% (-3,081002) dan 10% (-2,681330). Akan

tetapi nilai ADF differencing orde satu masih lebih kecil dari critical

value 1% (3,959148). Sesuai kondisi ini maka data permintaan tahunan

beras masih belum stasioner pada differencing pertama sehingga perlu

dilakukan differencing orde dua. Nilai ADF differencing orde dua adalah

-7,350896. Nilai ini sudah lebih besar dari critical value 10%

(-2,690439); 5% (-3,098896) dan 1% (-4,004425) sehingga data

permintaan tahunan beras sudah stasioner. Berdasarkan kondisi tersebut

maka dapat disimpulkan bahwa data permintaan tahunan beras tidak

stasioner dan menjadi stasioner pada differencing orde dua.

b) Tahap Estimasi

Tahap kedua setelah identifikasi data adalah tahap estimasi model.

Pada tahap ini yang dilakukan adalah penentuan jenis model ARIMA

serta penentuan orde untuk bagian autoregressive (p) dan orde untuk

bagian moving average (q). Untuk menentukan model yang digunakan

berdasarkan dari pola autocorelation function (ACF) dan partial

autocorelation function (PACF).

Pada data permintaan tahunan beras, telah diketahui bahwa data

belum stasioner dan menjadi stasioner pada differencing kedua. Hasil


commit to user

109

plot ACF-PACF differencing kedua kemudian diidentifikasi untuk

mengetahui polanya. Plot ACF-PACF data hasil differencing kedua

(Lampiran 5) menunjukkan bahwa nilai ACF dan PACF memiliki pola

yang sama. Pada lag pertama nilainya sangat rendah, kemudian terjadi

penurunan pada lag kedua. Akan tetapi pada lag ketiga meningkat dan

menjadi stabil pada lag-lag selanjutnya.

Hasil collerogram dan nilai ADF data permintaan tahunan beras

selanjutnya digunakan untuk menentukan model tentatif ARIMA (p,d,q).

Hasil analisis data menunjukkan bahwa data permintaan tahunan beras

di-differencing sebanyak dua kali (d = 2), orde AR adalah 1 (p = 1), dan

orde MA adalah 1 (q = 1). Jadi model tentatif ARIMA permintaan

tahunan beras adalah sebagai berikut :

Model Tentatif Permintaan Tahunan Beras : ARIMA (1,2,1)

Selanjutnya model tentatif tersebut diestimasi tiap parameternya

dengan bantuan program komputer Eviews 5.1 dan hasil lengkapnya

dapat dilihat pada Lampiran 7. Berikut adalah tabel hasil estimasi

parameter model tentatif permintaan tahunan beras.

Tabel 18. Hasil Estimasi Model Tentatif Permintaan Tahunan Beras di Kabupaten Sukoharjo

Parameter Koefisien Probabilistik Konstanta -79,78165*** 0,0001 AR(1) -0,679413** 0,0434 MA(1) -2,6664447*** 0,0051

Sumber : Diolah dari Lampiran 7 Keterangan: ** = signifikan pada taraf kepercayaan 95% *** = signifikan pada taraf kepercayaan 99%


commit to user

110

Berdasarkan hasil estimasi parameter, model tentatif mempunyai

RMSE sebesar 2.016,135; R2 sebesar 0,933452 dan nilai F-statistic

sebesar 77,14651. Selanjutnya model tentatif mempunyai konstanta

-79,78165 dengan koefisien AR(1) sebesar -0,679413 dan koefisien

MA(1) sebesar -2,6664447. Parameter AR dan MA model tentatif ini

juga signifikan karena nilai probabilitasnya untuk AR (0,0434) dan MA

(0,0051) sudah lebih kecil dari 0,05. Bentuk matematis dari model

tentatif penawaran tahunan beras ARIMA (1,2,1) adalah :

脨缴箭实石ǁ幂,ǁ密ො泌觅石Ǒ,泌ǁ幂秘ො蹐脨缴石ො箭十勾姑石籠,泌泌泌秘秘秘ǁ 勾姑石ො

c) Tahap Uji Diagnostik

Setelah menentukan model tentatif ARIMA untuk permintaan

tahunan beras, kemudian dilakukan uji terhadap model tentatif tersebut.

Uji ini untuk menentukan bahwa model tentatif yang telah ditentukan

tersebut merupakan model yang layak untuk peramalan. Jika hasilnya

menunjukkan model tentatif masih belum layak maka dibuat model yang

lainnya hingga ditemukan model yang terbaik.

Sama seperti pada model penawaran penawaran, kriteria yang

digunakan pada tahap uji diagnostik adalah nilai RMSE yang kecil, nilai

R2 yang tinggi, signifikansi nilai F-statistic dan parameter-parameternya

harus signifikan. Pada tahap ini juga dicoba beberapa alternatif bentuk

model ARIMA yang lain. Model yang paling memenuhi kriteria yang

akan dipilih sebagai model terbaik untuk peramalan penawaran dan

permintaan beras.


commit to user

111

Pada model tentatif permintaan yang telah dijelaskan sebelumnya

diketahui bahwa nilai RMSE sebesar 2.016,135. Nilai ini cukup kecil,

tetapi masih perlu dibandingkan dengan RMSE model alternatif lainnya.

Selanjutnya untuk nilai R2 sebesar 0,933452 sudah tinggi dan nilai

F-statistic sudah signifikan. Meskipun sudah tinggi dan signifikan nilai

ini perlu dibandingkan dengan model alternatif lain. Parameter AR dan

MA pada model tentatif permintaan tahunan beras juga sudah signifikan.

Hal ini ditunjukkan oleh nilai probabilitasnya sudah lebih kecil dari 0,05.

Setelah diketahui kriteria dari model tentatif maka langkah

berikutnya adalah membandingkan model tentatif dengan alternatif

model yang lain. Hasil analisis model permintaan beras dengan bantuan

program komputer Eviews 5.1 pada berbagai model alternatif terdapat

pada Lampiran 7. Berikut adalah tabel perbandingan uji diagnostik model

tentatif permintaan tahunan beras dengan model alternatif yang lain.

Tabel 19. Perbandingan Uji Diagnosis Beberapa Model ARIMA Permintaan Tahunan Beras di Kabupaten Sukoharjo

Model Konstanta AR(1) AR(2) MA(1) MA(2) R2 F RMSE ARIMA (1,2,1)

-79,78165 (-6,325484)

-0,679413 (-2,281434)

-2,666447 (-3,485959)

0,933452 77,14651 2016,135

ARIMA (1,2,0)

-331,5915 (-1,249160)

-1,091626 (-3,836454)

0,550871 14,71838 1906,386

ARIMA (2,2,0)

-220,3092 (-1,153336)

-1,130549 (-3,667439)

-1,835733 (-0,66234)

0,573705 6,728966 1927,293

ARIMA (0,2,1)

-82,00674 (-13,04580)

-2,715815 (-3,127891)

0,906007 125,3082 842,5462

ARIMA (0,2,2)

-82,33764 (-12,71998)

-3,063650 (-3,771644)

1,049169 (1,293876)

0,928926 78,41948 732,6563

ARIMA (1,2,2)

-78,96793 (-6,886773)

-1,574731 (-0,824696)

-1,900115 (-0,841449)

-2,506974 (-0,456017)

0,938885 51,20843 703,2345

ARIMA (2,2,1)

-121,6293 (-4,955636)

-0,898087 (-2,744707)

-3,931372 (-1,15509)

-2,887589 (-3,1682308)

0,947327 53,95478 677,4671



commit to user

112

Model alternatif yang digunakan pada tahap uji diagnostik adalah

ARIMA (1,2,0); ARIMA (2,2,0); ARIMA (0,2,1); ARIMA (0,2,2),

ARIMA (1,2,2); dan ARIMA (2,2,1). Pada model alternatif pertama yaitu


1.906,386; probabilistik F-statistic (0,002368) signifikan pada taraf

99%; dan parameter AR(1) juga signifikan. Model alternatif pertama ini

lebih baik jika dibandingkan dengan model tentatif, karena nilai RMSE-

nya lebih rendah dari model tentatif. Model alternatif kedua adalah


1.927,293; probabilistik F-statistic (0,014078) signifikan pada taraf 95%;

dan parameter AR(1) signifikan sedangkan parameter AR(2) tidak

signifikan. Berdasarkan nilai RMSE, model alternatif pertama lebih baik

daripada model alternatif kedua. Selain itu, pada model alternatif kedua,

salah satu parameternya ada yang tidak signifikan.

Model alternatif ketiga yaitu ARIMA (0,2,1) mempunyai R2

sebesar 0,906007; RMSE sebesar 842,5462; probabilistik F-statistic

(0,000000) signifikan pada taraf 99%; dan parameter MA(1) sudah

signifikan. RMSE dan R2 model alternatif ketiga lebih baik dibandingkan

dua model alternatif sebelumnya. Model alternatif keempat adalah


732,6563; probabilistik F-statistic (0.000000) signifikan pada taraf 99%;

dan parameter MA(1) signifikan sedangkan parameter MA(2) tidak

signifikan. RMSE dan R2 model alternatif keempat lebih baik dari model


commit to user

113

alternatif ketiga, tetapi salah satu parameternya tidak signifikan sehingga

perlu dibandingkan dengan model alternatif yang lain.

Pada model alternatif kelima yaitu ARIMA (1,2,2) mempunyai R2


(0,000002) signifikan pada taraf 99%, parameter AR(1), MA(1), dan

MA(2) tidak ada yang signifikan. RMSE dan R2 model alternatif ini lebih

baik dari model-model alternatif sebelumnya. Akan tetapi model ini tidak

dipilih karena ketiga parameternya tidak ada yang signifikan. Model

ARIMA (2,2,1) merupakan model alternatif yang terakhir dengan R2


(0,000004) signifikan pada taraf 99%, parameter AR(1) dan MA(1)

signifikan sedangkan parameter AR(2) tidak signifikan.

Berdasarkan perbandingan uji diagnostik pada Tabel 19, peneliti

mengambil keputusan untuk memilih model alternatif terakhir yaitu

ARIMA (2,2,1) sebagai model ARIMA terbaik untuk permintaan

tahunan beras. Hal ini dikarenakan model ARIMA (2,2,1) memiliki

RMSE sebesar 677,4671. Nilai ini merupakan nilai RMSE yang paling

kecil jika dibandingkan model alternatif lainnya. Selain itu nilai R2 dari

model terbaik juga lebih besar dari R2 model tentatif.


commit to user

114

Tabel 20. Hasil Pengujian Model ARIMA (2,2,1) Permintaan Tahunan Beras di Kabupaten Sukoharjo

Variable Coefficient Std. Error t-Statistic Prob. Cns -138.6088 66.37988 -2.088114 0.0702

DUMMYns -271.3554 455.7642 -0.595385 0.5680 AR(1)** -0.883620 0.366785 -2.409096 0.0426 AR(2)ns -0.828042 3.462941 -0.239115 0.8170

MA(1)** -2.526681 0.831859 -3.037392 0.0161 R-squared 0.929770 Mean dependent var -57.72231 Adjusted R-squared 0.894656 S.D. dependent var 3072.372 S.E. of regression 997.1932 Akaike info criterion 16.93149 Sum squared resid 7955154. Schwarz criterion 17.14878 Log likelihood -105.0547 F-statistic 26.47804 Durbin-Watson stat 1.677535 Prob(F-statistic) 0.000115 Inverted AR Roots -.44+.80i -.44-.80i Inverted MA Roots 2.53

Sumber : Diolah dari Lampiran 7 Keterangan : ns = non-signifikan ** = signifikan pada taraf kepercayaan 95%

Pada Tabel 20. dapat diketahui bahwa variabel dummy telah

dimasukkan pada model permintaan tahunan beras ARIMA (2,2,1).

Berdasarkan hasil analisis diperoleh nilai R2 sebesar 0,929770, yang

berarti bahwa 92,9770 % variasi permintaan tahunan beras di Kabupaten

Sukoharjo dapat dijelaskan oleh variabel bebas yang digunakan dalam

model, yaitu variabel dummy, variabel AR dan variabel MA. Untuk

mengetahui faktor-faktor yang berpengaruh terhadap permintaan tahunan

beras di Kabupaten Sukoharjo secara bersama-sama dapat dilihat dari

hasil uji F. Berdasarkan hasil uji F-statistic dapat diketahui nilai

probabilitasnya sebesar 0,000115. Nilai ini lebih kecil dari 0,05 dan 0,01,

yang berarti bahwa variabel dummy, variabel AR, dan variabel MA


commit to user

115

secara bersama-sama berpengaruh signifikan terhadap penawaran

tahunan beras pada tingkat signifikansi 99%.

Untuk mengetahui pengaruh masing-masing variabel yang

berpengaruh terhadap permintaan tahunan beras di Kabupaten Sukoharjo

dapat digunakan uji-t. Berdasarkan hasil uji-t variabel dummy, dapat

diketahui bahwa nilai probabilitas t-statistik variabel dummy (0,5680)

lebih besar dari tingkat signifikansi 95%. Hal ini berarti bahwa otonomi

daerah tidak berpengaruh secara signifikan terhadap permintaan tahunan

beras. Hasil uji-t variabel AR(2), nilai probabilistik t-statistik sebesar

0,8170. Nilai ini lebih besar dari tingkat signifikansi 95%, artinya bahwa

variabel AR(2) tidak berpengaruh secara signifikan terhadap permintaan

tahunan beras.

Pada hasil uji-t variabel AR(1) diketahui nilai probabilistiknya

sebesar 0,0426. Nilai probabilistik ini lebih kecil dari tingkat signifikansi

95%, artinya bahwa variabel AR(1) berpengaruh secara signifikan

terhadap permintaan tahunan beras. AR(1) berarti bahwa permintaan

tahunan beras sekarang dipengaruhi oleh permintaan beras satu tahun

sebelumnya. Sedangkan koefisien AR(1) sebesar -0,883620, berarti

bahwa setiap permintaan beras satu tahun sebelumnya bertambah 1

satuan maka akan menurunkan permintaan tahunan beras di Kabupaten

Sukoharjo sebesar 0,883620 satuan.

Pada hasil uji-t variabel MA(1) dapat diketahui bahwa nilai

probabilitas t-statistik variabel MA(1) adalah 0,0161. Nilai ini lebih kecil


commit to user

116

dari tingkat signifikansi 95%, yang berarti bahwa variabel MA(1)

berpengaruh secara signifikan terhadap permintaan tahunan beras. MA(1)

berarti bahwa permintaan tahunan beras sekarang dipengaruhi oleh

dinamika permintaan tahunan beras satu tahun sebelumnya. Koefisien

MA(1) sebesar -2,526681, artinya bahwa jika dinamika permintaan

tahunan beras bertambah 1 satuan maka akan menurunkan permintaan

tahunan beras di Kabupaten Sukoharjo sebesar 2,526681 satuan.

Berdasarkan hasil pengujian model permintaan tahunan beras

ARIMA (2,2,1) seperti yang terdapat pada Tabel 20. di atas, maka model

matematisnya adalah : 脨缴箭实石ො蹐密,泌Ǒ密密石籠ǁො,蹐觅觅秘各姑石Ǒ,密密蹐泌籠Ǒ巩姑能ො各石Ǒ,密籠密Ǒ秘籠巩姑能籠各十勾姑石籠,觅籠泌泌密ො 勾姑能ො

Keterangan : 蟨棍雇 = permintaan tahunan beras di Kabupaten Sukoharjo tahun t Dt = dummy otonomi daerah Yt石1D = permintaan tahunan beras di Kabupaten Sukoharjo tahun

t-1 Yt石2D = permintaan tahunan beras di Kabupaten Sukoharjo tahun

t-2 et = dinamika penawaran tahunan beras di Kabupaten

Sukoharjo tahun t et石1 = dinamika penawaran tahunan beras di Kabupaten

Sukoharjo tahun t-1


commit to user

117

C. Uji Variabel Dummy

Kebutuhan pangan merupakan kebutuhan yang paling penting dalam

kehidupan, terutama beras sebagai makanan pokok. Karena merupakan bahan

pangan penting maka pemerintah selalu melakukan pengawasan melalui

kebijakan-kebijakan. Hal ini dilakukan untuk memastikan bahwa ketersediaan

beras di pasar dapat memenuhi kebutuhan pangan masyarakat. Setelah

terjadinya krisis ekonomi tahun 1998, sektor perberasan yang termasuk dalam

sektor pertanian sepenuhnya menjadi tangung jawab pemerintah daerah yang

diatur melalui otonomi daerah. Dengan adanya otonomi daerah diharapkan

pemerintah daerah dapat lebih memaksimalkan potensi daerahnya masing-

masing sehingga daerahnya dapat lebih berkembang. Meskipun demikian,

beras sebagai bahan pangan utama di Indonesia masih mendapat pengawasan

ketat dari pemerintah. Berbagai kebijakan yang terkait dengan perberasan terus

dikeluarkan oleh pemerintah. Hal ini untuk memastikan bahwa ketersediaan

dan distribusi beras sudah merata dan dapat mencukupi kebutuhan masyarakat

sehingga tidak terjadi kekurangan pangan.

Berdasarkan informasi dari BAPPEDA Kabupaten Sukoharjo,

pemerintah daerah Kabupaten Sukoharjo mulai melaksanakan otonomi daerah

pada tahun 2000. Sebagai salah satu kabupaten penyangga kebutuhan pangan

di propinsi Jawa Tengah, pemerintah daerah terus berupaya untuk

meningkatkan produksi padi.

Berdasarkan kondisi tersebut, maka pada penelitian ini digunakan

variabel dummy sebagai variabel tambahan dalam model ARIMA penawaran


commit to user

118

dan permintaan tahunan beras. Variabel dummy digunakan untuk menguji

apakah otonomi daerah berpengaruh terhadap penawaran dan permintaan

tahunan beras. Variabel dummy diuji dengan menggunakan Chow Breakpoint

Test, untuk mengetahui structural break dari data penawaran dan permintaan

tahunan beras. Karena otonomi daerah di Kabupaten Sukoharjo mulai

dilaksanakan pada tahun 2000, maka periode structural break yang diuji pada

penelitian ini adalah pada kisaran tahun pelaksanaan otonomi daerah yaitu

tahun 1999, 2000, dan 2001. Periode structural break tersebut kemudian diuji

dengan bantuan program Eviews 5.1 untuk mengetahui nilai probabilitas

masing-masing periode structural break. Nilai probabilitas yang paling kecil

menunjukkan bahwa periode tersebut memberikan pengaruh structural break

pada data series. Hasil analisis untuk Chow Breakpoint Test terdapat pada

Lampiran 8. Berikut adalah tabel perbandingan hasil Chow Breakpoint Test

pada periode 1999, 2000, dan 2001.

Tabel 21. Nilai F-statistic dan Tingkat Probabilitas Hasil Chow Breakpoint Test Variabel Dummy

Periode Structural Break F-statistic Tingkat Probabilitas

1% 5% 1999 1,195316 0,333784 0,238143 2000 3,033932 0,082922 0,038543 2001 2,168281 0,153947 0,086563


Berdasarkan hasil analisis data dapat diketahui bahwa pada hasil Chow

Breakpoint Test periode tahun 1999 tingkat probabilitasnya lebih besar dari

0,01 dan 0,05. Hal ini menunjukkan bahwa periode tahun 1999 tidak

berpengaruh terhadap structural break data penawaran dan permintaan tahunan


commit to user

119

beras di Kabupaten Sukoharjo. Hal yang sama juga terjadi pada periode tahun

2001. Hasil analisis menunjukkan bahwa nilai probabilitasnya juga lebih besar

dari 0,01 dan 0,05 sehingga tidak signifikan.

Pada hasil Chow Breakpoint Test periode tahun 2000, dapat dilihat

bahwa pada tingkat signifikansi 99%, nilai probabilitasnya tidak signifikan.

Sedangkan pada tingkat signifikansi 95%, nilai probabilitasnya sudah

signifikan karena nilainya lebih kecil dari 0,05. Berdasarkan kondisi tersebut

maka disimpulkan bahwa periode tahun 2000 memberikan pengaruh structural

break terhadap data penawaran dan permintaan tahunan beras di Kabupaten

Sukoharjo. Dengan demikian, variabel dummy sebelum pelaksanaan otonomi

daerah nilainya 0 untuk periode tahun 1994 – 1999, sedangkan variabel dummy

setelah pelaksanaan otonomi daerah nilainya 1 untuk periode tahun 2000 –

2010.

D. Model Persamaan Simultan

Pada kondisi keseimbangan pasar, penawaran akan sama dengan

permintaan. Berdasarkan kondisi ini maka model ARIMA terbaik yang telah

ditetapkan pada tahap sebelumnya akan disimultankan. Karena pada dasarnya

penawaran dan permintaan saling mempengaruhi. Pada model persamaan

simultan ini juga ditambahkan variabel dummy sesuai dengan hasil uji Chow

Breakpoint Test, untuk menguji pengaruh otonomi daerah terhadap penawaran

dan permintaan tahunan beras secara bersama-sama.

Pada pembahasan sebelumnya telah dijelaskan bahwa data penawaran

tahunan beras cenderung berfluktuasi, setiap tahunnya bisa terjadi penurunan


commit to user

120

atau peningkatan. Fluktuasi tersebut disebabkan oleh berbagai hal, diantaranya

adalah iklim, gangguan hama dan penyakit, varietas benih, dan teknologi yang

digunakan. Budidaya tanaman padi sangat tergantung pada kondisi iklim. Jika

kondisi iklim tidak mendukung dan terjadi serangan hama, bisa menyebabkan

penurunan hasil produksi. Selain itu adanya alih fungsi lahan pertanian menjadi

lahan perumahan dan industri juga dapat mengurangi hasil produksi padi.

Karena berbagai hal itulah, setiap tahunnya hasil produksi padi cenderung

berfluktuasi.

Berkebalikan dengan data penawaran, data permintaan tahunan beras

cenderung membentuk pola yang linier, yaitu terjadi peningkatan dari tahun ke

tahun. Hal ini dipengaruhi oleh jumlah penduduk yang mengalami peningkatan

setiap tahunnya. Jumlah penduduk yang semakin meningkat juga memerlukan

kebutuhan pangan yang semakin meningkat pula. Trend yang terjadi sekarang

ini adalah produk pangan alternatif pengganti beras semakin banyak, seperti

misalnya mie, gandum, roti, atau oatmeal. Meskipun demikian, pola konsumsi

pangan masyarakat Kabupaten Sukoharjo masih menggunakan beras sebagai

sumber bahan pangan pokok. Data permintaan tahunan beras yang cenderung

linier tersebut menjadi pertimbangan untuk menggunakan data permintaan

tahunan beras sebagai variabel eksogen dalam penawaran tahunan beras pada

model persamaan simultan. Dengan demikian data series permintaan tahunan

beras hasil dari ARIMA terbaik yaitu ARIMA (2,2,1) digunakan sebagai

varibel eksogen pada model persamaan simultan.


commit to user

121

Model penawaran tahunan beras ARIMA (0,1,1) yang digunakan untuk

model persamaan simultan bentuk matematisnya adalah :

蟨棍管实2737,831石963,6575Dt 十et 石2,232999 et石1 Model permintaan tahunan beras ARIMA (2,2,1) yang digunakan untuk model

persamaan simultan bentuk matematisnya adalah :

蟨迫劈实石138,6088石271,3554D疟石0,883620Y疟能囊腻石0,828042Y疟能挠腻十e疟石2,526681 e疟能囊 Model penawaran dan permintaan tahunan beras tersebut kemudian

disimultankan pada kondisi keseimbangan pasar, dimana penawaran sama

dengan permintaan, yaitu : 蟨棍管实蟨棍雇

Pada model persamaan simultan ini variabel yang dimasukkan dalam

model adalah penawaran tahunan beras differencing orde satu, variabel dummy

otonomi daerah dan permintaan tahunan beras ARIMA (2,2,1). Model

persamaan simultan ini terdiri dari variabel endogen, dan variabel eksogen.

Variabel endogen adalah variabel dependen yang nilainya ditentukan dalam

sistem persamaan, pada persamaan simultan ini adalah variabel penawaran

tahunan beras. Variabel eksogen adalah variabel independen yang nilainya

ditentukan di luar sistem persamaan, pada persamaan simultan ini meliputi

variabel dummy dan permintaan tahunan beras ARIMA (2,2,1). Estimasi

model persamaan simultan penawaran dan permintaan tahunan beras diolah


commit to user

122

dengan menggunakan program Eviews 5.1 dengan hasil estimasi sebagai

berikut :

Tabel 22. Hasil Estimasi Model Persamaan Simultan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo

Variable Coefficient Std. Error t-Statistic Prob. Cns -2619.691 15371.18 -0.170429 0.8684

-DEMAND221* 3.052542 1.638401 1.863123 0.0953 +DUMMYns 3126.712 15599.38 0.200438 0.8456 MA(1)*** -0.913356 0.177961 -5.132332 0.0006

R-squared 0.644626 Mean dependent var 261.5994 Adjusted R-squared 0.526167 S.D. dependent var 15363.48 S.E. of regression 10575.53 Sum squared resid 1.01E+09 F-statistic 5.462146 Durbin-Watson stat 2.130937 Prob(F-statistic) 0.020487 Inverted MA Roots .91

Sumber : Diolah dari Lampiran 9 Keterangan : ns = non-signifikan * = signifikan pada taraf kepercayaan 90% *** = signifikan pada taraf kepercayaan 99%

Hasil estimasi menunjukkan bahwa nilai R2 dan F-statistic untuk

persamaan simultan sudah tinggi, dengan RMSE sebesar 8.823,807. Pada

Tabel 22. dapat diketahui bahwa nilai R2 sebesar 0,644626, yang berarti bahwa

64,4626% variasi perubahan variabel endogen (penawaran tahunan beras)

dapat dijelaskan oleh variabel eksogen yang digunakan dalam model, yaitu

variabel dummy, variabel permintaan tahunan beras ARIMA (2,2,1), dan

variabel MA. Nilai probabilistik dari F-statistic adalah 0,020487, nilai

probabilistik ini sudah signifikan karena nilainya lebih kecil dari 0,05. Hal ini

berarti bahwa variabel dummy, variabel permintaan tahunan beras ARIMA

(2,2,1), dan variabel MA secara bersama-sama berpengaruh signifikan terhadap

penawaran tahunan beras pada tingkat signifikansi 95%.


commit to user

123

Berdasarkan hasil uji-t variabel dummy, nilai probabilistik t-statistik

sebesar 0,8456. Nilai ini lebih besar dari 0,05, artinya bahwa variabel dummy

otonomi daerah tidak berpengaruh secara signifikan terhadap penawaran

tahunan beras pada persamaan simultan. Hasil uji-t variabel permintaan

tahunan beras ARIMA (2,2,1), dapat diketahui bahwa nilai probabilitas t-

statistiknya adalah 0,0953. Nilai ini signifikan pada tingkat signifikansi 90%.

Hal ini berarti bahwa variabel permintaan tahunan beras ARIMA (2,2,1)

berpengaruh secara signifikan terhadap penawaran tahunan beras. Koefisien

permintaan ARIMA (2,2,1) sebesar 3,052542, artinya jika permintaan tahunan

beras dengan model ARIMA (2,2,1) bertambah 1 satuan maka penawaran

tahunan beras akan meningkat sebesar 3,052542 satuan.

Pada hasil uji-t variabel MA(1) dapat diketahui bahwa nilai probabilitas

t-statistik variabel MA(1) adalah 0,0006. Nilai ini lebih kecil dari 0,01, yang

berarti bahwa variabel MA(1) berpengaruh secara signifikan terhadap

penawaran tahunan beras. MA(1) berarti bahwa penawaran tahunan beras

sekarang dipengaruhi oleh dinamika penawaran tahunan beras satu tahun

sebelumnya. Koefisien MA(1) sebesar -0,913356, artinya bahwa jika dinamika

penawaran tahunan beras bertambah 1 satuan maka akan menurunkan

penawaran tahunan beras di Kabupaten Sukoharjo sebesar 0,913356 satuan.

E. Peramalan Penawaran dan Permintaan Beras

Model persamaan simultan penawaran dan permintaan tahunan beras

yang telah diperoleh pada tahap sebelumnya, kemudian digunakan untuk

peramalan penawaran dan permintaan tahunan beras di Kabupaten Sukoharjo


commit to user

124

periode tahun 2011 – 2015. Peramalan merupakan tahap yang paling akhir

pada penelitian ini. Nilai RMSE yang kecil pada model persamaan simultan

menunjukkan bahwa hasil peramalan mendekati nilai akuratnya. Berdasarkan

hasil peramalan dapat diketahui fluktuasi permintaan dan penawaran pada

periode lima tahun ke depan apakah terjadi kelebihan penawaran seperti tahun-

tahun sebelumnya atau tidak. Berikut adalah hasil peramalan penawaran dan

permintaan tahunan beras untuk periode 2011 – 2015.

Tabel 23. Hasil Peramalan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 2011 – 2015 (Ton)

Tahun Peramalan Penawaran Peramalan Permintaan 2011 175.363,548 71.198,976 2012 160.694,788 71.425,492 2013 159.562,000 71.492,696 2014 153.844,269 71.611,653 2015 165.047,419 71.544,439


Gambar 6. Plot Hasil Peramalan Penawaran dan Permintaan Tahunan Beras di Kabupaten Sukoharjo Tahun 2011 – 2015 (Ton)

Berdasarkan Tabel 23 dan Gambar 6, dapat diketahui bahwa penawaran

tahunan beras di Kabupaten Sukoharjo pada tahun 2011 – 2015 cenderung

mengalami penurunan. Penawaran beras pada tahun 2011 sebesar

175.363,548 ton, kemudian menurun pada tahun 2012 menjadi 160.694,788

60000

80000

100000

120000

140000

160000

180000

2011 2012 2013 2014 2015

DEMAND SUPPLY


commit to user

125

ton. Penurunan kembali terjadi pada tahun 2013, dimana penawaran beras

hanya sebesar 159.562 ton. Pada tahun 2014 juga kembali menurun,

sehingga penawaran beras pada tahun ini hanya sebesar 153.844,269 ton.

Setelah terjadi penurunan, pada tahun 2015 mengalami kenaikan penawaran

beras yaitu sebesar 165.047,419 ton. Penurunan penawaran beras ini

disebabkan oleh berbagai hal, diantaranya adalah belum adanya benih

berkualitas unggul, serangan hama dan penyakit, dan alih fungsi lahan

pertanian. Sampai sekarang ini masih belum ditemukan benih yang tahan

terhadap hama wereng. Hama wereng merupakan hama yang paling ditakuti

oleh petani padi. Seperti yang terjadi pada tahun 2010, ketika hama wereng

menjadi penyebab utama gagal panen dengan luas lahan puso sebanyak

2.304 ha. Selain hama wereng, alih fungsi lahan pertanian menjadi lahan

perumahan dan industri juga mempersempit lahan pertanian yang ada

sekarang ini. Akibatnya adalah penurunan produksi sehingga jumlah beras

yang ditawarkan juga menurun.

Permintaan tahunan beras di Kabupaten Sukoharjo pada tahun 2011 –

2015 cenderung mengalami peningkatan. Permintaan beras pada tahun 2011

sebesar 71.198,976 ton, kemudian meningkat pada tahun 2012 menjadi

71.425,492 ton. Peningkatan kembali terjadi pada tahun 2013, dimana

permintaan beras menjadi 71.492,696 ton. Pada tahun 2014 permintaan

beras juga meningkat lagi sebesar 71.611,653 ton. Sedangkan pada tahun

2015 mengalami penurunan sedikit jika dibandingkan permintaan tahun

sebelumnya. Permintaan beras pada tahun 2015 sebesar 71.544,439 ton.


commit to user

126

Peningkatan permintaan beras ini disebabkan oleh semakin bertambahnya

jumlah penduduk dari tahun ke tahun. Jumlah penduduk yang semakin

meningkat tersebut juga mendorong peningkatan konsumsi bahan pangan,

terutama beras sebagai bahan pangan pokok. Sedangkan penurunan

permintaan beras kemungkinan disebabkan semakin banyaknya diversifikasi

bahan pangan selain beras sehingga konsumsi beras menjadi turun.

Hasil peramalan penawaran dan permintaan beras di Kabupaten

Sukoharjo tahun 2011 – 2015 jika dibandingkan, maka hasilnya

menunjukkan bahwa penawaran masih lebih besar daripada permintaan. Hal

ini berarti bahwa produksi beras di Kabupaten Sukoharjo selama periode

lima tahun ke depan masih dapat memenuhi permintaan masyarakat, bahkan

masih terdapat surplus atau kelebihan.

Berdasarkan Gambar 6. dapat diketahui bahwa penawaran dan

permintaan tahunan beras untuk yahun 2011 – 2015 mempunyai pola yang

divergen atau berbeda. Penawaran tahunan beras mempunyai pola yang

menurun sedangkan permintaan mempunyai pola yang meningkat. Selama

periode lima tahun ke depan masih terdapat kelebihan penawaran atau

surplus. Pada Gambar 6. dapat dilihat bahwa kelebihan atau surplus yang

mungkin terjadi pada lima tahun ke depan jumlahnya besar. Kelebihan

penawaran yang besar ini selanjutnya dapat diperdagangkan ke luar

Kabupaten Sukoharjo, sehingga dapat menambah pendapatan daerah.

Kondisi penawaran yang semakin menurun sedangkan kondisi

permintaan yang terus meningkat sebaiknya disikapi oleh pemerintah daerah


commit to user

127

melalui kebijakan-kebijakan yang mendukung usahatani padi, misalnya

dengan penyediaan sarana dan prasarana produksi yang lebih baik dan

kegiatan penyuluhan yang lebih intensif. Sedangkan adanya kelebihan

penawaran atau surplus dapat diperdagangkan di luar Kabupaten Sukoharjo,

dimana peran pemrintah dapat melalui penyediaan jaringan distribusi yang

dapat memperlancar proses pemasaran. Bulog sebagai lembaga penyangga

pangan di Kabupaten Sukoharjo hendaknya juga memperhatikan

keseimbangan antara penawaran dan permintaan beras sehingga harga yang

terbentuk di pasar tidak merugikan konsumen maupun produsen.

F. Pembahasan

Beras merupakan bahan pangan pokok yang sangat penting dan strategis.

Meskipun sekarang ini terdapat berbagai macam bahan pangan alternatif, beras

masih merupakan bahan pangan pokok bagi masyarakat Kabupaten Sukoharjo.

Sebagai bahan pangan pokok, kebutuhannya harus selalu dipenuhi. Kabupaten

Sukoharjo sebagai salah satu kabupaten penyangga pangan di propinsi Jawa

Tengah sangat memperhatikan ketersediaan beras untuk memenuhi kebutuhan

pangan masyarakatnya.

Dinamika penawaran tahunan beras selama periode 17 tahun (1994 –

2010) memiliki pola yang berfluktuasi. Penawaran beras terendah terjadi pada

tahun 1999, yaitu sebesar 157.895,088 ton. Dibandingkan dengan penawaran

tahun sebelumnya, pada tahun 1999 terjadi penurunan sebesar 10,63 %. Pada

tahun 2009 penawaran beras mencapai titik tertinggi, yaitu sebesar 196.239,80

ton. Pada tahun 2009 jumlah produktivitas padi berhasil mencapai 70,87 ku/ha.


commit to user

128

Fluktuasi penawaran tahunan beras yang terjadi disebabkan oleh perbedaan

varietas dan teknologi yang digunakan, selain itu perubahan iklim juga ikut

mempengaruhi karena budidaya tanaman padi sangat tergantung pada kondisi

iklim. Dinamika permintaan tahunan beras menunjukkan pola yang meningkat

dan linier. Jumlah penduduk yang meningkat setiap tahunnya menyebabkan

permintaan juga mengalami peningkatan. Karena jumlah penduduk yang

banyak juga memerlukan kebutuhan bahan pangan yang banyak pula.

Data penawaran tahunan beras pada tahap uji stasioneritas data,

menunjukkan bahwa data penawaran belum stasioner. Untuk menstasionerkan

data dilakukan proses pembedaan (differencing). Pada differencing orde satu,

data penawaran tahunan beras sudah stasioner. Setelah mengetahui

stasioneritas data, maka pada tahap selanjutnya yaitu estimasi parameter,

ditetapkan bahwa model tentatif untuk penawaran tahunan beras adalah

ARIMA (0,1,1). Hasil estimasi model tentatif menunjukkan bahwa model

tentatif mempunyai RMSE sebesar 5.186,376; R2 sebesar 0,850311 dan nilai

F-statistic sebesar 79,52704. Kemudian estimasi parameter model tentatif

menunjukkan bahwa model tentatif mempunyai konstanta 2701,109 dan

koefisien MA(1) sebesar -2,232999. Berdasarkan nilai probabilitasnya,

parameter MA(1) sudah signifikan karena nilai probabilitasnya (0,0041) lebih

kecil dari 0,05.

Pada tahap uji diagnostik, setelah membandingkan model tentatif dengan

model alternatif lainnya, ditetapkan bahwa model tentatif ARIMA (0,1,1)

adalah model ARIMA terbaik untuk penawaran tahunan beras. Hal ini


commit to user

129

dikarenakan model tentatif memiliki RMSE yang paling kecil dibanding model

yang lainnya, yaitu sebesar 5.186,376. Pertimbangan lainnya adalah nilai R2

paling tinggi, yaitu sebesar 0,850311. Nilai R2 tersebut berarti bahwa model

ARIMA (0,1,1) dapat menjelaskan variasi perubahan variabel bebas sebesar

85,0311 %. Berdasarkan hasil uji-t, diketahui variabel dummy otonomi daerah

tidak berpengaruh secara signifikan terhadap penawaran tahunan beras.

Sedangkan variabel MA(1) berpengaruh secara signifikan terhadap penawaran

tahunan beras.

Data permintaan tahunan beras pada tahap uji stasioneritas menunjukkan

bahwa data permintaan tahunan beras belum stasioner. Untuk menstasionerkan

data dilakukan proses pembedaan (differencing). Pada differencing orde satu,

data permintaan tahunan beras masih belum stasioner dan baru menjadi

stasioner pada differencing kedua. Tahap kedua setelah uji stasioneritas adalah

estimasi model. Pada tahap ini ditetapkan model tentatif ARIMA permintaan

tahunan beras adalah ARIMA (1,2,1). Berdasarkan hasil estimasi parameter,

model tentatif mempunyai RMSE sebesar 2.016,135; R2 sebesar 0,933452 dan

nilai F-statistic sebesar 77,14651. Selanjutnya model tentatif mempunyai

konstanta -79,78165 dengan koefisien AR(1) sebesar -0,679413 dan koefisien

MA(1) sebesar -2,6664447. Parameter AR dan MA model tentatif ini juga

signifikan karena nilai probabilitasnya untuk AR (0,0434) dan MA (0,0051)

sudah lebih kecil dari 0,05.

Setelah ditetapkan model tentatif maka langkah berikutnya adalah

membandingkan model tentatif dengan alternatif model yang lain. Hasil uji


commit to user

130

diagnostik menunjukkan bahwa model tentatif belum memenuhi kriteria

sebagai model terbaik. Model ARIMA terbaik untuk permintaan tahunan beras

adalah ARIMA (2,2,1). Hal ini dikarenakan model ARIMA (2,2,1) memiliki

RMSE sebesar 677,4671. Nilai ini merupakan nilai RMSE yang paling kecil

jika dibandingkan model alternatif lainnya. Selain itu nilai R2 dari model

terbaik juga lebih besar dari R2 model tentatif. Berdasarkan hasil uji-t diketahui

bahwa variabel dummy otonomi daerah dan variabel AR(2) tidak berpengaruh

secara signifikan terhadap permintaan tahunan beras. Sedangkan variabel

AR(1) dan variabel MA(1) berpengaruh secara signifikan terhadap permintaan

tahunan beras.

Setelah terjadinya krisis ekonomi tahun 1998, sektor perberasan yang

termasuk dalam sektor pertanian sepenuhnya menjadi tangung jawab

pemerintah daerah yang diatur melalui otonomi daerah. Dengan adanya

otonomi daerah diharapkan pemerintah daerah dapat lebih memaksimalkan

potensi daerahnya masing-masing sehingga daerahnya dapat lebih berkembang.

Berdasarkan kondisi tersebut, kemudian digunakan variabel dummy otonomi

daerah sebagai variabel tambahan dalam model ARIMA penawaran dan

permintaan tahunan beras. Variabel dummy digunakan untuk menguji apakah

otonomi daerah berpengaruh terhadap penawaran dan permintaan tahunan

beras di Kabupaten Sukoharjo.

Berdasarkan hasil Chow Breakpoint Test periode tahun 1999 dan tahun

2001 tidak berpengaruh terhadap structural break data penawaran dan

permintaan tahunan beras di Kabupaten Sukoharjo. Sedangkan periode tahun


commit to user

131

2000, nilai probabilitasnya signifikan pada tingkat signifikansi 95%. Dengan

demikian, periode tahun 2000 memberikan pengaruh structural break terhadap

data penawaran dan permintaan tahunan beras di Kabupaten Sukoharjo.

Sehingga, variabel dummy sebelum pelaksanaan otonomi daerah nilainya 0

untuk periode tahun 1994 – 1999, sedangkan variabel dummy setelah

pelaksanaan otonomi daerah nilainya 1 untuk periode tahun 2000 – 2010.

Secara teknis beras merupakan produk sektor pertanian yang merupakan

salah satu bidang kewenangan pemerintah daerah. Berdasarkan hal ini maka

pemerintah daerah secara proaktif harus berperan dalam menangani persoalan

perberasan yang terjadi di daerahnya. Akan tetapi pada kenyataannya persoalan

beras tidak terbatas pada persoalan teknis produksi saja. Hal ini dikarenakan

komoditi beras bukan hanya sebagai komoditi ekonomi saja, tetapi juga

merupakan komoditi sosial politis. Akibatnya, meskipun kewenangan sektor

pertanian telah didesentralisasikan ke daerah, peran pemerintah daerah dalam

hal perberasan masih kecil. Pemerintah pusat masih terus memainkan peran

yang dominan dan menentukan.

Pada era otonomi daerah, manajemen sistem kebijakan perberasan dalam

pelaksanaannya terbagi menjadi dua. Pertama, manajemen sistem kebijakan

perberasan yang berkaitan dengan penanganan pasca panen dan kebijakan

makro lainnya dilakukan oleh pemerintah pusat. Penetapan harga dasar gabah,

tarif impor, penyediaan kredit, peran Bulog, Raskin, dan subsidi pupuk,

merupakan contoh unsur-unsur kebijakan perberasan yang sangat penting yang

ditentukan oleh pemerintah pusat. Dalam aspek-aspek kebijakan ini dapat


commit to user

132

dikatakan bahwa pemerintah daerah tidak mempunyai peran apa pun, baik

dalam perumusan kebijakan maupun dalam polemik mengenai isu kebijakan

perberasan nasional (pasar bebas versus proteksionisme). Pada kondisi ini

beras masih dan akan tetap menjadi komoditi yang menjadi urusan pemerintah

pusat.

Kedua, sistem kebijakan yang menyangkut aspek penyediaan sarana dan

prasarana usahatani. Sesuai dengan kewenangan otonomi daerah, pelaksanaan

aspek kebijakan ini sepenuhnya menjadi tanggung jawab pemerintah daerah.

Peran pemerintah daerah misalnya melalui pembangunan jaringan irigasi dan

penyuluhan pertanian tentang cara budidaya tanaman yang tidak merusak

lingkungan dan cara penanganan hama tanaman padi. Peran pemerintah yang

lainnya ditunjukkan melalui penyediaan mesin perontok gabah (rice milling

machine) yang dapat disewa olah petani. Melalui penyediaan mesin perontok

gabah ini diharapkan petani dapat segera mengolah hasil panennya, sehingga

kualitas beras yang dihasilkan juga tetap terjaga. Peran pemerintah daerah pada

bidang perberasan dirasakan masih kecil dan tidak berpengaruh besar, karena

urusan yang terkait dengan beras sebagian besar masih menjadi tanggung

jawab pemerintah pusat. Gambaran kondisi ini juga terlihat pada hasil

persamaan ARIMA untuk penawaran dan permintaan tahunan beras, dimana

variabel dummy otonomi daerah pada masing-masing persamaan tidak

berpengaruh secara signifikan. Hal ini berarti bahwa adanya otonomi daerah

tidak berpengaruh terhadap penawaran dan permintaan tahunan beras di

Kabupaten Sukoharjo.


commit to user

133

Pada kondisi keseimbangan pasar, penawaran akan sama dengan

permintaan. Berdasarkan kondisi ini maka model ARIMA terbaik yang telah

ditetapkan pada tahap sebelumnya akan disimultankan. Karena pada dasarnya

penawaran dan permintaan saling mempengaruhi. Pada model persamaan

simultan ini juga ditambahkan variabel dummy sesuai dengan hasil uji Chow

Breakpoint Test, untuk menguji pengaruh otonomi daerah terhadap penawaran

dan permintaan tahunan beras secara bersama-sama.

Telah diketahui sebelumnya bahwa data penawaran tahunan beras

cenderung berfluktuasi, sedangkan data permintaan tahunan beras cenderung

membentuk pola yang linier, yaitu terjadi peningkatan dari tahun ke tahun.

Data permintaan tahunan beras yang cenderung linier tersebut menjadi

pertimbangan untuk menggunakan data permintaan tahunan beras sebagai

variabel eksogen dalam penawaran tahunan beras pada model persamaan

simultan.

Hasil estimasi model persamaan simultan menunjukkan bahwa nilai R2

dan F-statistic sudah tinggi, dengan RMSE sebesar 8.823,807. Nilai R2 model

persamaan simultan sebesar 0,644626, dan nilai probabilistik dari F-statistic

adalah 0,020487. Hasil uji-t model persamaan simultan menunjukkan bahwa

variabel dummy otonomi daerah tidak berpengaruh secara signifikan terhadap

penawaran tahunan beras. Sedangkan variabel permintaan tahunan beras

ARIMA (2,2,1) dan variabel MA(1) berpengaruh secara signifikan terhadap

permintaan tahunan beras.


commit to user

134

Model persamaan simultan penawaran dan permintaan tahunan beras

yang telah diperoleh pada tahap sebelumnya, kemudian digunakan untuk

peramalan penawaran dan permintaan tahunan beras di Kabupaten Sukoharjo

periode tahun 2011 – 2015. Hasil analisis menunjukkan bahwa penawaran

tahunan beras di Kabupaten Sukoharjo pada tahun 2011 – 2015 cenderung

mengalami penurunan. Sedangkan permintaan tahunan beras di Kabupaten

Sukoharjo pada tahun 2011 – 2015 cenderung mengalami peningkatan. Pola ini

menunjukkan bahwa penawaran dan permintaan beras mempunyai pola yang

divergen atau berbeda.

Hasil peramalan penawaran dan permintaan beras di Kabupaten

Sukoharjo tahun 2011 – 2015 jika dibandingkan, maka hasilnya menunjukkan

bahwa penawaran masih lebih besar daripada permintaan. Hal ini berarti bahwa

produksi beras di Kabupaten Sukoharjo selama periode lima tahun ke depan

masih dapat memenuhi permintaan masyarakat, bahkan masih terdapat surplus

atau kelebihan.

Pada era otonomi daerah, peran pemerintah daerah di sektor perberasan

lebih ditekankan pada aspek sarana dan prasarana usaha tani. Sesuai dengan

peran tersebut, menghadapai kondisi penawaran tahunan beras yang menurun

hendaknya pemerintah daerah terus memberikan bantuan dan pendampingan

bagi para petani padi agar usahatani padi mempunyai produktivitas yang tinggi

sehingga hasil produksi padi tinggi dan dapat memenuhi kebutuhan bahan

pangan pokok masyarakat di Kabupaten Sukoharjo. Pendampingan yang

dilakukan pemerintah dapat berupa penyaluran pupuk yang merata, dan


commit to user

135

penyuluhan tentang sistem budidaya tanaman yang tidak merusak lingkungan

serta cara pemberantasan hama yang tepat. Selain itu, pemerintah daerah

hendaknya menyediakan mesin perontok gabah secara lebih merata ke petani-

petani padi serta pemantauan kualitas dan ketersediaan beras di pasar. Hal ini

penting untuk menjaga kualitas beras dan menghindari terjadinya tindakan-

tindakan curang yang dapat merugikan konsumen maupun produsen. Melalui

penyediaan sarana dan prasarana usahatani yang lebih baik, diharapkan petani

dapat meningkatkan hasil produksinya.

Selain penyediaan sarana dan prasarana usahatani yang lebih baik,

pemerintah daerah juga dapat mengalokasikan anggaran yang lebih banyak

untuk penyuluhan pertanian. Dengan alokasi anggaran penyuluhan pertanian

yang lebih banyak, diharapkan pendampingan kepada petani dapat dilakukan

secara lebih intensif sehingga kesulitan-kesulitan yang dialami petani selama

kegiatan produksi dapat ditasi dengan baik. Kerjasama yang baik antara

pemerintah dan masyarakat, baik itu petani maupun konsumen, diharapkan

dapat menjamin kecukupan ketersediaan beras di pasar sehingga kebutuhan

masyarakat akan bahan pangan utama dapat terpenuhi.


commit to user

136

VI. KESIMPULAN DAN SARAN

A. Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan dalam penelitian ini,

maka dapat di peroleh kesimpulan sebagai berikut :

1. Dinamika penawaran tahunan beras di Kabupaten Sukoharjo selama

periode 17 tahun (1994 – 2010) mempunyai pola yang berfluktuasi.

Sedangkan dinamika permintaan tahunan beras menunjukkan pola yang

meningkat dan linier. Variabel dummy otonomi daerah pada penawaran

dan permintaan tahunan beras tidak berpengaruh secara signifikan. Hal ini

berarti bahwa pelaksanaan otonomi daerah di Kabupaten Sukoharjo tidak

berpengaruh terhadap penawaran dan permintaan tahunan beras. Ini terjadi

karena peran pemerintah daerah dalam hal perberasan masih kecil

sedangkan pemerintah pusat memainkan peran yang dominan dan

menentukan. Sesuai dengan kewenangan otonomi daerah, peran

pemerintah daerah hanya menyangkut aspek penyediaan sarana dan

prasarana usahatani, sedangkan kebijakan yang terkait dengan pasca panen

dan pemasaran menjadi tanggung jawab pemerintah pusat.

2. Data penawaran tahunan beras di Kabupaten Sukoharjo belum stasioner

dan menjadi stasioner pada differencing orde satu. Hasil estimasi

parameter menetapkan model tentatif untuk penawaran tahunan beras

adalah ARIMA (0,1,1) dan setelah dilakukan uji diagnostik ditetapkan

bahwa model tentatif merupakan model ARIMA yang terbaik. Model

ARIMA (0,1,1) mempunyai RMSE sebesar 5.186,376; R2 sebesar

136


commit to user

137

0,850311 dan nilai F-statistic sebesar 79,52704. Berdasarkan hasil uji-t,

diketahui bahwa variabel dummy otonomi daerah tidak berpengaruh secara

signifikan terhadap penawaran tahunan beras. Sedangkan variabel MA(1)

berpengaruh secara signifikan terhadap penawaran tahunan beras.

3. Data permintaan tahunan beras di Kabupaten Sukoharjo belum stasioner

dan menjadi stasioner pada differencing kedua. Hasil estimasi parameter

menetapkan model tentatif untuk permintaan tahunan beras adalah

ARIMA(1,2,1). Setelah dilakukan uji diagnostik, model terbaik untuk

permintaan tahunan beras yang dipilih adalah ARIMA (2,2,1). Model

ARIMA (2,2,1) mempunyai RMSE sebesar 677,4671; R2 sebesar

0,947327; nilai F-statistic sebesar 53,95478; dan berdasarkan hasil uji-t

diketahui bahwa variabel dummy otonomi daerah dan variabel AR(2) tidak

berpengaruh secara signifikan terhadap permintaan tahunan beras.

Sedangkan variabel AR(1) dan variabel MA(1) berpengaruh secara

signifikan terhadap permintaan tahunan beras.

4. Hasil Chow Breakpoint Test menunjukkan bahwa pada tahun 2000, nilai

probabilitasnya signifikan pada tingkat signifikansi 5%. Dengan demikian,

periode tahun 2000 memberikan pengaruh structural break terhadap data

penawaran dan permintaan tahunan beras di Kabupaten Sukoharjo.

Variabel dummy otonomi daerah pada model ARIMA penawaran dan

permintaan tahunan beras tidak berpengaruh secara signifikan. Hal ini

berarti bahwa pelaksanaan otonomi daerah di Kabupaten Sukoharjo tidak

berpengaruh terhadap penawaran dan permintaan tahunan beras. Ini terjadi


commit to user

138

karena peran pemerintah daerah dalam hal perberasan masih kecil

sedangkan pemerintah pusat memainkan peran yang dominan dan

menentukan.

5. Hasil peramalan penawaran tahunan beras di Kabupaten Sukoharjo pada

tahun 2011 – 201 cenderung mengalami penurunan. Penawaran beras pada

tahun 2011 sebesar 175.363,548 ton, kemudian menurun pada tahun 2012

menjadi 160.694,788 ton. Pada tahun 2013 terjadi penurunan lagi menjadi

159.562 ton. Demikian juga pada tahun 2014, penawaran beras hanya

sebesar 153.844,269 ton. Pada tahun 2015 mengalami kenaikan penawaran

beras yaitu sebesar 165.047,419 ton.

6. Hasil peramalan permintaan tahunan beras di Kabupaten Sukoharjo pada

tahun 2011 – 2015 cenderung mengalami peningkatan. Permintaan beras

pada tahun 2011 sebesar 71.198,976 ton, kemudian meningkat pada tahun

2012 menjadi 71.425,492 ton. Peningkatan terjadi kembali pada tahun

2013, sehingga permintaan beras menjadi 71.492,696 ton. Pada tahun 2014

permintaan beras juga meningkat lagi menjadi 71.611,653 ton. Sedangkan

pada tahun 2015 mengalami penurunan sedikit jika dibandingkan

permintaan tahun sebelumnya. Permintaan beras pada tahun 2015 sebesar

71.544,439 ton.

B. Saran

Pada era otonomi daerah, peran pemerintah daerah di sektor perberasan

relatif masih kecil dan hanya memiliki kewenangan terkait dengan sarana dan

prasarana usahatani. Hasil penelitian menunjukkan bahwa pada tahun 2011 –


commit to user

139

2015 diperkirakan penawaran tahunan beras memiliki pola yang menurun

sedangkan permintaan mempunyai pola meningkat. Berdasarkan kondisi

tersebut, maka saran yang dapat diberikan kepada pemerintah daerah sesuai

dengan kewenangannya adalah sebagai berikut :

1. Menyediaan sarana dan prasarana usahatani padi secara lebih baik,

misalnya melalui pemberian bantuan pembangunan jaringan irigasi agar

sistem irigasi lebih lancar, dan pembagian pupuk secara lebih merata ke

petani-petani di daerah. Peran pemerintah yang lainnya dapat ditunjukkan

dengan menyediakan mesin perontok gabah (rice milling machine) dengan

jumlah yang lebih banyak dan lebih merata. Melalui penyediaan mesin

perontok gabah ini diharapkan petani dapat segera mengolah hasil

panennya, sehingga kualitas beras yang dihasilkan juga tetap terjaga.

Selain itu petani dapat menghemat pengeluaran untuk biaya usahatani,

karena tidak perlu menyewa mesin perontok padi dengan harga sewa yang

mahal. Dengan penyediaan sarana dan prasarana usahatani yang lebih baik

diharapkan petani lebih termotivasi untuk melakukan kegiatan produksi

sehingga hasil produksi meningkat dan penawaran beras di Kabupaten

Sukoharjo dapat meningkat pula.

2. Peningkatan alokasi anggaran biaya untuk penyuluhan pertanian dan

pendampingan bagi petani. Dengan alokasi anggaran biaya yang lebih

besar diharapkan kinerja pembangunan pertanian di Kabupaten Sukoharjo

lebih meningkat. Alokasi anggaran biaya ini dapat dimanfaatkan untuk

pemberian informasi pasar dan teknologi kepada petani padi serta


commit to user

140

peningkatan penyuluhan pertanian dan pendampingan bagi para petani

ketika mendapat kesulitan atau masalah terkait dengan budidaya tanaman

padi. Petani seringkali mengalami kesulitan ketika ada serangan hama dan

penyakit. Pada kondisi ini diharapkan penyuluh pertanian lebih berperan

aktif, terutama pemberian penyuluhan tentang cara penanganan hama dan

penyakit tanaman secara efektif dan efisien sehingga petani tidak

mengalami kerugian akibat gagal panen.

3. Meningkatkan sarana dan prasarana infrastruktur yang dibangun oleh

pemerintah daerah seperti jalan, jembatan, transportasi dan komunikasi

untuk memperlancar distribusi dan pemasaran beras ke luar Kabupaten

Sukoharjo. Adanya kelebihan penawaran keuntungan bagi pemerintah

daerah, karena dapat menjual kelebihan produksi tersebut sehingga bias

meningkatkan pendapatan daerah. Sarana dan prasarana transportasi yang

lancar dan memadai akan mempercepat proses distribusi ke luar daerah,

sehingga pendapatan dan keuntungan dapat segera diperoleh.


commit to user

141

DAFTAR PUSTAKA

Abubakar, M. 2008. Kebijakan Pangan, Peran Perum Bulog, dan Kesejahteraan Petani. http://www.setneg.go.id. Diakses pada 17 Maret 2011.

Arsyad, L. 2000. Ekonomi Manajerial. BPFE, Yogyakarta.

BPS Kabupaten Sukoharjo. 2010. Sukoharjo Dalam Angka 2010. BPS Kabupeten Sukoharjo.

BPS Provinsi Jawa Tengah. 2009. Jawa Tengah Dalam Angka 2009. BPS Provinsi Jawa Tengah.

Butler, W., Robert, K., and Robert, B., 1996. Methods and Techniques of Business Forecasting. Prentice-Hall, Inc. New Jersey, United States of America.

Contreras, J., Rosario E., Fransisco J., and Antonio J., 2003. ARIMA Models to Predict Next-Day Electricity Prices. Jurnal IEEE Transactions on Power Systems, Volume 18 No.3, August 2003.

Daniel, M., 2004. Pengantar Ekonomi Pertanian. Bumi Aksara, Jakarta.

Darsono. 2009. Peran Pemerintah dalam Mendorong Kinerja Pertanian dan Agroindustri (Analisis Kritis Masa Orde Baru dan Orde Reformasi). UNS Press bekerjasama dengan Pembaga Pengembangan Pendidikan (LPP UNS) dan Pusat Penelitian Pedesaan dan Pengembangan Daerah LPPM UNS. ISBN: 979-498-490-6. Surakarta.

Darwis, SN. 2010. Bulog, Sang Stabilisator Pangan?. http://www.bataviase.co.id. Diakses pada 17 Maret 2011.

Emperadani, W. 2005. Analisis Faktor-Faktor yang Mempengaruhi Permintaan Beras di Rantau Prapat. Fakultas Ekonomi, Universitas Sumatera Utara.

Gasperz, V., 2000. Ekonomi Manajerial dalam Pengambilan Keputusan Bisnis. Gramedia Pustaka Utama, Jakarta.

Gaybita, N. 2008. Sentra Kebijakan Perberasan Nasional. www.majalahpadi.blogspot.com. Diakses pada 17 Maret 2011.

Gujarati, D. N., 2003. Basic Econometrics Fourth Edition. McGraw Hill Companies, Inc. New York. United States.

_____________. 2004. Basic Econometrics. McGraw-Hill, Inc. United States. Alih Bahasa oleh Sumarno Zain. Ekonometrika Dasar. Penerbit Erlangga, Jakarta.

Hasyim, H. 2007. Analisis Faktor-Faktor yang Mempengaruhi Ketersediaan Beras di Sumatera Utara. Universitas Sumatera Utara, Medan.


commit to user

142

Herlambang, T. 2002. Ekonomi Manajerial dan Strategi Bersaing. PT. Raja Grafindo Persada, Jakarta.

Hyndman, R. J., 2001. ARIMA Processes. http://www.arimaresearch.org. Diakses pada 10 Maret 2011.

Irawan, A. 2000. Analisis Penawaran dan Permintaan Beras di Luar Jawa. Jurnal Ekonomi dan Keuangan Indonesia (EKI) Vol. 17 (1). Hal. 1-25.

Irawan, B. 2002. Kebijakan Penanggulangan Krisis Ekonomi dan Konsekuensinya Terhadap Peluang Peningkatan Pendapatan Petani. www.ejornal.unud.ac.id. Diakses pada 17 Maret 2011.

Johnston, J. 1984. Econometric Methods. McGraw-Hill, Inc. Singapore.

Kardoyo, H. dan Mudrajad K., 2002. Analisis Kurs Valas dengan Pendekatan Box-Jenkins: Studi Empiris Rp/US$ dan Rp/Yen, 1983.2-2000.3. Jurnal Ekonomi Pembangunan: Kajian Ekonomi Negara Berkembang. JEP Vol 7, No. 1, 2002. Hal: 7 – 20.

Kariyasa, K. 2001. Analisis Penawaran dan Permintaan Daging Sapi di Indonesia Sebelum dan Saat Krisis Ekonomi: Suatu Analisis Proyeksi Swasembada Daging Sapi 2005. Badan Penelitian dan Pengembangan, Bogor.

Kountur, R. 2005. Metode Penelitian untuk Penulisan Skripsi dan Tesis. Penerbit PPM, Jakarta.

Kuncoro, M. dan Inayah, 2003. Studi Perilaku Kurs Rp/US$ Periode 1 Januari 1999 – 30 April 2002. http://www.mudrajat.com. Diakses pada 6 April 2011.

Lassa, J. 2006. Politik Ketahanan Pangan Indonesia 1950-2005. http://www.fivims.net/3ddf_politikketahananpanganindonesia1950-2005. Diakses pada 14 Januari 2011.

Made, N. S. 2008. Diversifikasi Konsumsi Pangan Pokok Berbasis Potensi Lokal dalam Mewujudkan Ketahanan Pangan Rumah Tangga Pedesaaan di Kecamatan Semin Kabupaten Gunung Kidul. Jurnal Ekonomi Pembangunan Vol. 13 No. 1, April 2008: 51-60.

Makridakis, P., Steven C. Wheelwright, and Victor E. Mcgee. 1999. Forecasting, 2nd Edition. John Wiley and Sons, Inc. United States. Diterjemahkan oleh Untung Sus Andriyanto dan Abdul Basith. Metode Aplikasi Peramalan Edisi Kedua Jilid 1. Penerbit Erlangga, Jakarta.

Malian, H., Sudi M., Mewa A., 2004. Faktor-Faktor yang Mempengaruhi Produksi, Konsumsi dan Harga Beras Serta Inflasi Bahan Makanan. Jurnal Agro Ekonomi, Vol. 22 No. 2, Oktober 2004: 119-146.


commit to user

143

Mankiw, N. G, 2000. Pengantar Ekonomi Jilid I.. Diterjemahkan oleh Drs. Haris Munandar, MA. Penerbit Erlangga, Jakarta

Maulana, M., Nizwar S., Pantjar S., 2006. Analisis Kendala Penawaran dan Kebijakan Revitalisasi Produksi Padi. Jurnal Agro Ekonomi, Volume 24 No.2, Oktober 2006: 207-230.

Nicholson, W. 2002. Intermediate Microeconomics and Its Application, Eight Edition. Harcount, Inc. New York. Alih Bahasa: Bayu Mahendra dan Abdul Aziz. Penerbit Erlangga, Jakarta.

___________. 2004. Intermediate Microeconomics and Its Application, Ninth Edition. Thomson-South Western, Inc. Ohio, United States.

Nochai, R. dan Titida N. 2006. ARIMA Model for Forecasting Oil Palm Price. Proceedings of the 2nd IMT-GT Regional Conference on Mathematics, Statistics and Applications. June 13-15, 2006. University Sains Malaysia, Penang.

Nurmalina, R. 2008. Analisis Indeks dan Status Keberlanjutan Sistem Ketersediaan Beras di Beberapa Wilayah Indonesia. Jurnal Agro Ekonomi, Volume 26 No. 1, Maret 2008: 47-79.

Nuryanti, Sri. 2005. Analisis Keseimbangan Sistem Penawaran dan Permintaan Beras di Indonesia. Jurnal Agro Ekonomi, Volume 23 No.1, Mei 2005: 71-81.

Perum Bulog. 2010. Sejarah Perum BULOG. http://www.bulog.co.id. Diakses pada 17 Maret 2011.

Pindyck, R. S. dan Daniel L. R. 2007. Microeconomic, Sixth Edition. Pearson Education, Inc. New Jersey. Mikroekonomi Edisi Ke-6 Jilid I. Alih Bahasa: Nina Kurnia Dewi. PT. Indeks, Jakarta.

Pramono, J., Seno B., Widarto, 2005. Upaya Peningkatan Produktivitas Padi Sawah Melalui Pendekatan Pengelolaan Tanaman dan Sumberdaya Terpadu. Jurnal Agrosains, 7(1): 1-6, 2005.

Pusdatin Deptan. 2011. Analisis Regresi : Sebuah Konsep Dasar. http://www.deptan.go.id. Diakses pada 17 Maret 2011.

Rahmad, R. 2010. Stabilisasi Mutu Beras Pecah Kulit Melalui Penerapan Teknologi Penyimpanan Hermetik. http://www.wordpress.com/ pangan_media_komunikasi_dan_informasi. Diakses pada 24 Desember 2010.

Ratna, A. 2004. Peramalan Permintaan Beberapa Komoditi Sayuran Pada PT. Saung Mirwan, Bogor. Institut Pertanian Bogor, Bogor.


commit to user

144

Saifullah, A. 2001. Peran Bulog Dalam Kebijakan Perberasan Nasional. http://www.bulog.co.id. Diakses pada 17 Maret 2011.

Salvatore, D. 2006. Schaum’s Outlines: Microeconomic, Fourth Edition. Mc. Graw-Hill Companies, Inc. New York. Schaum’s Outlines: Mikroekonomi Edisi Ke-4. Alih Bahasa: Rudi Sitompul, Haris Munandar. Penerbit Erlangga, Jakarta.

Samuelson, P. A dan W. D. Nordhaus, 2001. Ilmu Mikroekonomi. Diterjemahkan oleh Nur Rosyidah, Anna Elly dan Bosco Carvalo. PT. Media Global Edukasi, Jakarta.

Sari, P. R. 2010. Permodelan Persediaan dan Pengeluaran Beras di Bulog Jawa Timur. http://www.its.ac.id. Diakses pada 4 April 2011.

Sarwono, J. 2006. Metode Penelitian Kuantitatif dan Kualitatif. Penerbit Graha Ilmu, Jogjakarta.

Suci, R. 2010. Pemodelan Kombinasi Tren Deterministik dan Stokastik Pada Kasus Pelonjakan Volume Penumpang Lebaran Moda Kereta Api Ekonomi. http://www.undip.ac.id. Diakses pada 4 April 2011.

Sudantoko, D. 2003. Dilema Otonomi Daerah. Penerbit Andi, Yogyakarta.

Sukirno, S, 2001. Pengantar Mikro Ekonomi Edisi Kedua. BPFE UI, Jakarta.

Sukma, A. 2010. Perbandingan Metode Time Series Regression dan ARIMAX Pada Permodelan Data Penjualan Pakaian di Boyolali. http://www. ITS-Undergraduate-12608-Paper.com. Diakses pada 4 April 2011.

Sumaryanto. 2009. Diversifikasi Sebagai Salah Satu Pilar Ketahanan Pangan. Makalah disajikan dalam Seminar Memperingati Hari Pangan Sedunia yang diselenggarakan di Jakarta pada tanggal 1 Oktober 2009.

Sutrisno. 2009. Dilematis Kebijakan Harga Beras di tingkat Petani. Kantor Penelitian dan Pengembangan Kabupaten Pati. http://litbang.patikab.go.id. Diakses pada 7 Maret 2011.

Varian, H. R. 2003. Intermediate Microeconomics: A Modern Approach, Sixth Edition. W. W. Norton & Company, Inc. New York.

Widjaja, H.A.W. 2004. Otonomi Daerah dan Daerah Otonomi. PT. Raja Grafindo Persada, Jakarta.

____________. 2007. Penyelenggaraan Otonomi di Indonesia: Dalam Rangka Sosialisasi UU No.32 Tahun 2004 Tentang Pemerintahan Daerah. PT. Raja Grafindo Persada, Jakarta.

Documents

PERAMALAN PENAWARAN DAN PERMINTAAN BERAS PADA … · PERAMALAN PENAWARAN DAN PERMINTAAN BERAS PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO ... Program Studi Magister Agribisnis