Peramalan Harga Beras di Perum BULOG Divre Jatim

Peramalan Harga Beras di

Perum BULOG Divre Jatim

Disusun oleh :

Pendahuluan Tinjauan Pustaka Metode Penelitian Analisis dan Pembahasan

Latar Belakang, Perumusan

Masalah,Tujuan Penelitian, Manfaat Penelitian, Batasan Masalah

Sumber Data, Identifikasi Variabel, Metode Analisis, Langkah Analisis Gambaran Umum Perum BULOG, Metode ARIMA, Metode Double Exponential Smoothing

Peramalan harga beras produsen dan konsumen di Kabupaten

Pendahuluan

Latar

Belakang

ARIMA & Double Exponential Smoothing

Pendahuluan

• Zacky (2007) dalam “peramalan dan faktor-faktor yang

mempengaruhi fluktuasi harga beras IR II tingkat konsumen di beberapa kota besar di pulau jawa dan bali”

• Lucia (2009) dalam “peramalan inflasi dengan metode weighted

fuzzy time series ”

Penelitian Lain :

Latar

Belakang

Pendahuluan

Permasalahan

Mengaplikasikan metode ARIMA dan double

exponential smoothing untuk memperoleh

model ramalan pada harga beras produsen dan

konsumen

Pendahuluan

Tujuan

Penelitian

M

endapatkan model ramalan yang sesuai untuk

harga beras produsen dan konsumen

Pendahuluan

Manfaat

Penelitian

Memberikan tambahan informasi berupa model

ramalan harga beras produsen dan konsumen

yang dapat digunakan sebagai bahan

pertimbangan bagi Perum BULOG untuk dapat

menjaga stabilitas harga dan mengantisipasi

Pendahuluan

Batasan

Masalah

Menggunakan data harga beras produsen dan

konsumen yang dicatat oleh Perum BULOG

Divre Jatim untuk masing-masing

kabupaten/kota Sidoarjo dan Banyuwangi

Tinjauan Pustaka

•BULOG adalah lembaga pangan yang salah satu tugasnya memantau harga beras di tingkat konsumen dan stabilitas gabah di tingkat produsen (petani).

•Kegiatan pemantauan harga di tingkat produsen bertujuan untuk memantau dan mengumpulkan data harga produsen gabah, baik di tingkat petani maupun di tingkat penggilingan sebagai data operasional yang dapat memberikan informasi sekaligus sebagai sistem peringatan dini (early warning system).

•Sedangkan kegiatan pemantauan harga di tingkat konsumen dilakukan untuk menghitung besaran inflasi menggunakan Indeks Harga Konsumen (IHK).

(BULOG, 2008)

Gambaran Umum

Perum BULOG

Tinjauan Pustaka

Metode

ARIMA

Peramalan merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap dimana pengambilan datanya dilakukan pada interval waktu dan sumber yang sama (Wei, 2006). Salah satu metode yang sering digunakan dalam peramalan yaitu model ARIMA (Autoregresif

Integrated Moving Average). Prosedur-prosedur

yang harus diperhatikan yaitu identifikasi model sementara, estimasi parameter, uji signifikansi parameter, pemeriksaan residual model, lalu dilakukan peramalan.

Identifikasi Model

Menurut Makridakis dkk (1999), model time series

terbagi menjadi :

a. Model Autoregressive (AR)

Z_t = φ₁Z_t-1 + φ₂Z_t-2 + … + φ_pZ_t-p + a_t b. Model Moving Average (MA)

Z_t = a_t - Ɵ₁a_t-1 - Ɵ₂a_t-2 - … - Ɵ_qa_t-q

c. Model Mixed Autoregressive Moving Average

(ARMA)

Z_t = Ø₁Z_t-1 + Ø₂Z_t-2 + … + Ø_pZ_t-p + a_t - Ɵ₁a_t-1 -Ɵ₂a_t-2 - … - Ɵ_qa_t-q

d. Model Autoregressive Integrated Moving Average

(ARIMA) Ø_p (B) (1-B)d_{Zt = Ɵ} q (B) at dengan Ø_p (B) = (1- Ø₁B1_{- Ø} 2B2- …- ØpBp) Ɵ_q (B) = (1- Ɵ₁B1_{- Ɵ} 2B2- …- ƟqBq) Estimasi Parameter

Conditional Least Square

Signifikansi Parameter

Hipotesis :

H

₀

:

= 0

H

₁

:

≠ 0

Statistik Uji :

dengan : = dugaan koefisien parameter

= standar error dari dugaan

parameter

Daerah penolakan :

Tolak H

₀

jika = t

_{α/2, n-p}

dengan p adalah

jumlah parameter dalam model.

(Wei, 2006)

θ

θ

Asumsi Residual

a. Kenormalan Residual (Daniel, 1989)

Hipotesis :

H

₀

: Residual berdistribusi normal

H

₁

: Residual tidak berdistribusi normal

Statistik Uji :

D =

Tolak H

₀

jika D > D

_{(1-α, n)}

atau p-value

< α.

b. White Noise Residual (Wei, 2006)

Hipotesis :

H0 : Residual white noise

H1 : Residual tidak white noise

Statistik Uji :

Q = n(n+2)

The root mean squared error (RMSE)

yang

digunakan

sebagai

kriteria

untuk

mengevaluasi model terbaik. RMSE untuk

out-sampel data yang didefinisikan sebagai.

RMSE

_out

=

n adalah jumlah perkiraan. RMSE in-sampel

data untuk beberapa metode seperti ARIMA

musiman dan regresi time series didefinisikan

sebagai

RMSE

_in

=

dimana p adalah jumlah parameter.

Menurut Wei (2006) outlier pada peramalan dibedakan menjadi empat, yaitu additive outlier (AO), innovational outlier (IO), level shift (LS), dan

temporary change (TC). Deteksi outlier dengan cara

iteratif dikenalkan oleh Wei (2006) pada dua macam outlier, yaitu AO dan IO. Suatu AO memberikan pengaruh pada pengamatan ke-T, IO berpengaruh

pada pengamatan ke-T, T+1,… Deteksi Outlier

Tinjauan Pustaka

Metode Double

Eksponential Smoothing Double exponential smoothing sering disebut sebagai metode Brown, digunakan untuk peramalan data yang mempunyai pola tren linear, dan memiliki peramalan waktu singkat.

Tiga persamaan yang digunakan dalam metode ini yaitu

1. Nilai exponential smoothing pada waktu ke t : 2. Nilai estimasi tren pada waktu ke t :

3. Nilai ramalan p waktu ke depan :

)

)(

1

(

−

₋₁

+

₋₁

+

=

_{t t t} t

y

A

T

A

α

α

1 1

)

(

1

)

(

−

₋

+

−

₋

=

_{t t t} t

A

A

T

T

β

β

Metode Penelitian

Sumber

Data

Data sekunder dari Perum BULOG Divre Jatim

berupa data harga beras produsen dan

konsumen di Kabupaten Sidoarjo dan

Banyuwangi dengan periode mingguan selama

6 tahun mulai Januari 2006 hingga Desember

Metode Penelitian

Variabel

Penelitian

Harga beras konsumen dan produsen periode

mingguan di Kabupaten Sidoarjo, dan

Banyuwangi selama kurun waktu 6 tahun

tersebut dalam satuan rupiah/kg

Metode Penelitian

Langkah

Analisis

Harga Beras Produsen

Sidoarjo

ARIMA

291 236 191 140 91 40 1 7000 6000 5000 4000 3000 Index H a rg a ( R u p ia h / K g ) 50.0 47.5 45.0 42.5 40.0 37.5 S tD e v Lower CL Upper CL Estimate 0.48 Lower CL -0.17 Upper CL 1.16 Rounded Value 0.50 (using 95.0% confidence) Lambda

Identifikasi

Model

ARIMA

30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Lag A u to co rr e la ti o n 500 250 0 D if fe re n ci n g 1

Harga Beras Produsen

Sidoarjo

ARIMA

30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 Lag A u to co rr e la ti o n 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 Pa rt ia l A ut oc or re la ti on ARIMA (0,1,[3,11]) ARIMA ([3,11],1,0)

Harga Beras Produsen

Sidoarjo

ARIMA

Estimasi

Parameter

Harga Beras Produsen

Sidoarjo

ARIMA

Diagnostic

Checking

White Noice

Model ARIMA Q Lag Df p-value

ARIMA([3,11],1,0) 3,79 6 4 0,4357 4,48 12 10 0,9015 7,41 18 16 0,9646 17,15 24 22 0,7552 4,25 6 4 0,3737

Harga Beras Produsen

Sidoarjo

ARIMA

Kenormalan

Model ARIMA D p-value

ARIMA([3,11],1,0) 0,217623 < 0,0100 ARIMA(0,1,[3,11]) 0,208525 < 0,0100

Harga Beras Produsen

Sidoarjo

ARIMA

Pemilihan

Model

Terbaik

Kriteria RMSE

Model RMSE in sample

ARIMA([3,11],1,0) 84,1928 ARIMA(0,1,[3,11]) 84,0336

Harga Beras Produsen

Sidoarjo

ARIMA

Deteksi

Outlier

Step Model RMSE In sample Out

sample Kurtosis Skewness

1 ARIMA (0,1,[3,11]) 84,0335 7 347,3149 11,2946 -0,1605 2 ARIMA (0,1,[3,11]) + LS56 78,9397 5 375,9142 10,6756 -0,8300 3 ARIMA (0,1,[3,11]) + LS56 +LS58 74,9223 6 349,7611 8,8410 -0,2221 4 ARIMA (0,1,[3,11]) + LS56 + LS58 + LS262 70,8378 7 352,7685 6,8101 0,4774 5 ARIMA (0,1,[3,11]) + LS56 + LS58 + 68,3145 303,3947 7,8034 0,2930

Harga Beras Produsen

Sidoarjo

ARIMA

Harga Beras Produsen

Sidoarjo

ARIMA

Model ARIMA

Harga Beras Produsen

Sidoarjo

Double

Eksponential

Smoothing

8000 7000 6000 5000 4000 H a rg a ( R u p ia h / K g ) Alpha (level) 1.14411 Gamma (trend) 0.00273 Smoothing Constants MAPE 0.93 MAD 42.64 MSD 7327.57 Accuracy Measures Actual Fits Forecasts 95.0% PI Variable

Harga Beras Produsen

Sidoarjo

Double

Eksponential

Smoothing

ARIMA

Model

RMSE

In Sample Out Sample

ARIMA + outlier 64,65153 226,495 Double Eksponential Smoothing 85,6012 159,9743

Model Ramalan Terbaik

Harga Beras Produsen

Sidoarjo

ARIMA

Model ARIMA

Harga Beras Konsumen

Sidoarjo

ARIMA

Model ARIMA

Harga Beras Produsen

Banyuwangi

ARIMA

Model ARIMA

Harga Beras Konsumen

Banyuwangi

Kesimpulan dan

Saran

Kesimpulan

Dari

kedua

metode

yang

digunakan

yaitu

metode

ARIMA

dan

double eksponential smoothing diketahui

bahwa

metode

yang

sesuai

untuk

menganalisis harga beras produsen dan

konsumen di Kabupaten Sidoarjo dan

Banyuwangi

adalah

metode

ARIMA

dengan deteksi outlier. Hal ini dikarenakan

model

ARIMA dengan

deteksi

outlier

memiliki nilai RMSE yang paling kecil

Kesimpulan dan

Saran

Saran

Saran

penelitian

yang

dapat

diberikan yaitu mencoba menggunakan

beberapa metode peramalan lainnya atau

melakukan pengembangan metode agar

dapat

diperoleh

model

ramalan

yang

paling

sesuai

dengan

harga

beras

produsen dan konsumen Perum BULOG

Divre Jatim

Daftar Pustaka

BULOG, 2008. Pedoman Analisis Harga dan Pasar. Perum BULOG.

BPS, 2012. Perkembangan Indeks Harga Konsumen/Inflasi Jawa Timur Bulan Januari 2012

[On-line] diakses dari http://jatim.bps.go.id/?cat=51. Bowerman, B.L, and O’Connell, R.T. 1993. Forecasting

and Time Series: An Applied Approach. 3rd _edition.

USA : Duxbury Press.

Daniel, W.W. 1989. Statistika Nonparametrik Terapan. Jakarta : PT. Gramedia Pustaka Utama.

Kompas, 2011. Harga Beras Kian Membebani. [On-line]

diakses dari

http://bisniskeuangan.kompas.com/read/2011/10/01/0 4022295/Harga.Beras.Kian.Membebani.

Kurniawan, IPL. 2009. Peramalan Volume Penjualan

Retail yang Mengandung Efek Variasi Kalender dengan Kombinasi Regresi Trigonometri dan ARIMA Studi Kasus : Amigo Bimbo dan Amigo Granada,

Daftar Pustaka

Suhartono, 2006. Calender Variation Model for Forecasting Time Series Data with Islamic Calender Effect. Jurnal Matematika, Sains, & Teknologi, 7, 85-94.

Ismpi, Bpp. 2009. Kondisi Pertanian Indonesia Saat Ini Berdasarkan Pandangan Mahasiswa Pertanian Indonesia [On-line] diakses dari

http://paskomnas.com/id/berita/Kondisi-Pertanian-

Indonesia-saat-ini-Berdasarkan-Pandangan-Mahasiswa-Pertanian-Indonesia.php

Rasyid, NR. 2009. Peramalan Jumlah Permintaan Baju

Muslim Anak-Anak di Dannis Collections. Surabaya :

ITS.

Sekaran, Uma. 2009. Metodologi Penelitian untuk Bisnis, Edisi 4. Jakarta : Salemba Empat.

Wei, W. W. S. 2006. Time Series Analysis : Univariate and Multivariate Methods. California : Pearson Addison Wesley.

Zacky, Akhmad. 2007. Peramalan dan Faktor-Faktor yang Mempengaruhi Fluktuasi Harga Beras IR II Tingkat Konsumen di Beberapa Kota Besar di Pulau Jawa dan