ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
591 ANALISIS PERAMALAN HARGA BAWANG MERAH NASIONAL
DENGAN PENDEKATAN MODEL ARIMA Adhis Millia Windhy1*), Yunisa Tri Suci1, Ahmad Syariful Jamil1
1Balai Pelatihan Pertanian Jambi, Jl. Jambi – Palembang Km. 16 Pondok Meja Muaro Jambi
*)Penulis untuk korespondensi: Tel.+6282244410406 email: [email protected]
ABSTRAK
Bawang merah merupakan salah satu komoditi strategis penyebab inflasi. Permasalahan utama komoditas bawang merah adalah sifat musiman yang berpengaruh terhadap ketersediaanya di pasar. Hal tersebut menyebabkan terjadinya fluktuasi harga. Fluktuasi harga yang tidak terkendali dapat menyebabkan kerugian baik bagi konsumen maupun produsen. Salah satu langkah untuk mengatasi permasalahan tersebut yaitu dengan membuat prediksi harga yang akurat sehingga tindakan preventif dapat dilakukan untuk meminimalkan gejolak harga. Tujuan penelitian ini adalah : 1) menganalisis keragaan bawang merah nasional, 2) menganalisis peramalan harga bawang merah nasional.
Metode deskriptif dan metode peramalan menggunakan model Autoregressive Integrated Moving Average (ARIMA) digunakan untuk menjawab tujuan penelitian. Berdasarkan hasil penelitian menunjukkan bahwa tren harga rata-rata bawang merah nasional cenderung berfluktuasi tidak sejalan dengan tren peningkatan produksi dan konsumsi.
Model ARIMA yang memenuhi kriteria nilai SIC dan AIC terkecil adalah model ARIMA (1,1,3). Hasil peramalan model ARIMA (1,1,3) menunjukkan bahwa pola pergerakan harga di masa yang akan datang menunjukkan tren yang meningkat. Oleh karena itu, diperlukan kebijakan untuk meminimalisasi fluktuasi harga bawang merah melalui upaya pengelolaan volume impor yang transparan.
Kata Kunci: ARIMA, bawang merah, peramalan harga
PENDAHULUAN
Bawang merah merupakan komoditas hortikultura yang menjadi prioritas pengembangan sayuran dataran rendah di Indonesia. Komoditas ini memiliki nilai ekonomis tinggi dan peluang pasar yang besar sebagai bumbu masak yang utama untuk konsumsi rumah tangga, bahan baku industri pengolahan, serta untuk memenuhi kebutuhan ekspor. Bawang merah dikategorikan sebagai bahan pokok yang sulit tergantikan dimana permintaannya terus meningkat walaupun bawang merah seringkali mengalami fluktuasi harga yang cukup besar (Kustiari, 2017).
Produksi bawang merah Indonesia meningkat dari tahun 2013-2017 dengan pertumbuhan 9,8% (BPS,2018). Sedangkan permintaan akan bawang merah terus
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
592 meningkat seiring dengan pertambahan jumlah penduduk dan berkembangnya industri pengolahan makanan. Konsumsi bawang merah cenderung mengalami peningkatan dengan rata-rata pertumbuhan 8,50% dengan konsumsi perkapita tahun 2016 2,83 kg/kapita/tahun (Pusdatin, 2017).
Meskipun jumlah produksi dapat menutupi jumlah konsumsi namun fluktuasi harga tidak dapat dihindari. Sifat bawang merah yang musiman dan distribusi yang tidak merata menjadi penyebab fluktuatifnya harga bawang merah ini. Pada saat off season pemerintah akan mengambil kebijakan impor untuk menanggulangi kurangnya ketersediaan bawang merah dan menjaga stabilitas harga bawang merah. Namun impor bawang merah yang tidak tepat dalam jumlah dan waktu menyebabkan meningkatnya penawaran bawang merah sehingga jatuhnya harga bawang domestik yang menyebabkan kerugian petani jika tidak diikuti dengan penurunan biaya usahatani bawang merah.
Penurunan pendapatan petani bawang akan menjadikan petani tidak intensif dalam meningkatkan produktifitas bawang sehingga produktifitas bawang di musim berikutnya akan menurun.
Fluktuasi harga yang terjadi pada bawang merah disebabkan oleh jumlah produksi yang tidak menentu akibat dari musim panen dan cuaca, komoditas yang bersifat perisable atau mudah rusak, serta penanganan yang belum optimal. Fluktuasi harga yang tidak terkendali dapat menyebabkan kerugian bagi konsumen maupun produsen. Bagi produsen, sulit untuk memprediksi bisnis baik dalam perhitungan rugi laba maupun manajemen risiko sehingga seringkali fluktuasi harga hanya menguntungkan para pedagang yang mampu mengelola stok secara baik dan cermat. Bagi konsumen, fluktuasi harga akan berdampak pada menurunnya daya beli masyarakat. Hal ini dapat dapat menghambat masyarakat dalam mengkonsumsi produk pertanian sehingga kesejahteraan masyarakat akan berkurang.
Untuk itu perlu dilakukan analisis peramalan harga bawang merah secara nasional dengan menggunakan model ARIMA (Autoregressive Integrated Moving Average) sehingga dapat dilakukan tindakan preventif serta kebijakan yang dapat menghindari gejolak harga. ARIMA cocok untuk digunakan dalam peramalan time series jangka pendek. Metode ini juga telah banyak diterapkan untuk peramalan dalam berbagai bidang.
Rasyidi (2017) menggunakan metode ARIMA untuk memprediksi harga bahan pokok nasional jangka pendek. Darekar dan Reddy (2017) menggunakan ARIMA untuk
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
593 memprediksi Harga padi di India. Panasa et al. (2017) menggunakan ARIMA untuk memprediksi harga jagung di India dengan hasil prediksi adanya peningkatan harga jagung selama bulan Oktober dan Februari. Nochai dan Nochai (2006) menggunakan model ARIMA untuk memprediksi harga minyak sawit. Tujuan penelitian ini adalah : 1) menganalisis keragaan bawang merah nasional, 2) menganalisis peramalan harga bawang merah nasional.
METODE PENELITIAN 2.1 Jenis dan Sumber Data
Penelitian ini menggunakan data sekunder berupa data harga bawang merah rata- rata nasional, data produksi, data konsumsi dan data terkait bawang merah nasional. Data harga rata-rata bawang merah nasional berbentuk data series mingguan sejumlah 340 pengamatan dari minggu pertama Bulan Januari tahun 2013 hingga minggu kelima Bulan Agustus Tahun 2018. Data produksi, konsumsi dan data terkait lainnya digunakan untuk melengkapi deskripsi mengenai keragaan bawang merah nasional. Data-data tersebut didapatkan dari beberapa sumber yaitu Pusat data dan Informasi Pertanian (Pusdatin) kementerian Pertanian RI, Badan Pusat Statistik dan Kementerian Perdagangan RI.
2.2 Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah metode deskriptif dan metode peramalan menggunakan model Autoregressive Integrated Moving Average (ARIMA). Metode deskriptif dilakukan untuk menjawab tujuan pertama yaitu dengan menganalisis secara deskriptif keragaan bawang merah nasional. Model ARIMA digunakan untuk menjawab tujuan analisis kecenderungan harga bawang merah di masa yang akan datang.
Model ARIMA telah banyak digunakan sebagai metode untuk melakukan peramalan harga diantaranya harga saham (Sterba and Hilovska 2010), harga listrik (Javier et al. 2003), harga minyak sawit (Rangan and Titida 2006) , harga emas (Guha and Bandyopadhyay 2016) dan lain-lain. Kemudahan dalam mengestimasi model ARIMA menjadi salah satu alasan kepopuleran penggunaan model tersebut sebagai alat analisis. Proses estimasi model ARIMA memerlukan beberapa tahapan prosedur yaitu
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
594 tahap identifikasi, pendugaan parameter, diagnostik model dan peramalan, dimana penjelasan masing-masing tahapan sebagai berikut:
Pada tahap identifikasi dilakukan pengujian terhadap pola data, apakah terdapat unsur musiman atau tidak, kemudian dilakukan identifikasi kestasioneran data. Pada tahap selanjutnya, dilakukan identifikasi terhadap pola data terkait perilaku ACF dan PACF untuk menentukan pola ARIMA. Selain menggunakan perilaku ACF dan PACF, pada penelitian ini estimasi ARIMA juga dilakukan dengan cara trial by error (mencoba- coba) dengan menguji nilai p dan q. Setelah didapatkan beberapa model ARIMA tentatif maka akan dilakukan diagnosis dalam rangka menentukan model ARIMA terbaik.
Penentuan model ARIMA terbaik didasarkan pada kriteria signifikansi uji t pada masing masing unsur AR dan MA, nilai AIC dan SC terkecil dan juga nilai R-Square terbesar (Juanda 2012). Model ARIMA terbaik juga akan dilakukan pengecekan model dengan uji Ljung-Box-Pierce. Pada tahap terakhir dilakukan prediksi berdasarkan model terpilh.
Persamaan yang digunakan dalam penelitian ini sebagai berikut (Juanda 2012):
wt = 𝜃1𝑤𝑡−1 + ....+ 𝜃𝑝𝑤𝑡−𝑝+𝑒𝑡 - ∅1𝑒𝑡−1 -....- ∅𝑝𝑒𝑡−𝑞
Dimana, 𝑤𝑡: yt - yt-1; θ1...θp= parameter model Autoregressive; ∅1...∅p= parameter model Moving Avarage; et-1...et-p =residual yang digunakan oleh model dan et = residual pada waktu t. Estimasi model ARIMA dalam penelitian ini menggunakan software Eviews 6.
HASIL DAN PEMBAHASAN 3.1 Keragaan Ekonomi Bawang Merah Indonesia
a. Produksi dan Konsumsi Bawang Merah di Indonesia
Perkembangan produksi bawang merah di Indonesia selama kurun waktu lebih dari 5 tahun terakhir cenderung mengalami peningkatan. Dalam kurun waktu 2012 sampai 2017 produksi bawang merah Indonesia cenderung meningkat dengan rata-rata pertumbuhan sebesar 8.79%. Peningkatan jumlah produksi bawang merah di Indonesia pada tahun 2012 dari 964.195 ton menjadi 1.233.984 ton pada tahun 2014. Kemudian mengalami penurunan produksi pada tahun 2015 sebesar 1.229.184 dan pada tahun 2016 mengalami kenaikan lagi sebesar 1.446.869 ton dan 1.470.155 ton pada tahun 2017 yang
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
595 merupakan produksi tertinggi selama periode tahun 2012-2017 (BPS, 2018). Salah satu kendala yang dihadapi dalam produksi bawang merah di Indonesia yang masih bersifat musiman (in season)
Perkembangan konsumsi bawang merah di Indonesia dalam kurun waktu 2012- 2017 cenderung mengalami peningkatan. Tetapi pada tahun 2013 terjadi penurunan konsumsi terbanyak sebesar 24% dibandingkan tahun 2012, hal ini disebabkan terjadinya kenaikan bahan bakar minyak (BBM) pada tahun 2013 sehingga mempengaruhi daya beli masyarakat terhadap bawang merah. Tahun 2014 sampai 2016 konsumsi bawang merah kenaikan lagi dan pada tahun 2017 konsumsi bawang merah di Indonesia mengalami penurunan sebesar menjadi 673.135.380 ton atau sebesar 8% dari tahun 2016 (Pusdatin, 2017). Perkembangan produksi dan konsumsi bawang merah di Indonesia pada tahun 2012-2017 disajikan pada Tabel 1.
Tabel 1. Perkembangan produksi dan konsumsi bawang merah di Indonesia pada tahun 2012-2017
Tahun Produksi (Ton) Konsumsi (Ton)
2012 964.195 678.187.440
2013 1.010.773 513.747.120
2014 1.233.984 627.721.840
2015 1.229.184 692.762.840
2016 1.446.869 731.112.070
2017 1.470.155 673.135.380
Keterangan: BPS (2018) dan Pusdatin data diolah (2017)
b. Perkembangan Harga Bawang Merah Nasional
Bawang merah sebagai salah satu komoditas strategis di Indonesia karena perubahan terhadap harga dari bawang merah dapat mempengaruhi inflasi. Harga bawang merah yang berfluktuasi disebabkan oleh jumlah pasokan bawang merah dan produksi bawang merah yang masih bersifat musiman. Perkembangan harga bawang merah nasional di tingkat produsen pada tahun 2013 sampai 2017 cenderung mengalami peningkatan sebesar 16,45 % per tahun. Pada tahun 2013 harga bawang merah di tingkat produsen sebesar Rp. 14.485 per kg kemudian pada tahun 2017 meningkat menjadi Rp 26,652 yang merupakan harga tertinggi dalam rentang waktu 2013-2017 (BPS, 2018).
Hal ini berbanding terbalik dengan perkembangan harga di tingkat konsumen selama periode tahun 2013 sampai 2017 cenderung mengalami penurunan sebesar 0,64%. Pada
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
596 tahun 2013 harga bawang merah ditingkat konsumen sebesar Rp. 34,313 per kg dan mengalami peningkatan pada tahun 2016 sebesar Rp 36.274. Pada tahun 2017 harga bawang merah di tingkat konsumen sebesar Rp 33,448 mengalami penurunan dibandingkan dengan harga pada tahun 2016 (Pusdatin, 2017). Perkembangan harga bawang merah di tingkat konsumen dan produsen pada tahun 2013-2017 disajikan pada Gambar 1.
Gambar 1. Perkembangan produksi dan konsumsi bawang merah di Indonesia pada tahun 2012-2017
Keterangan: BPS dan Pusdatin data diolah (2018)
c. Perkembangan Luas Panen Bawang Merah di Indonesia
Luas panen bawang merah sejak tahun 2012 hingga 2017 cenderung menunjukkan pola yang selalu naik, kecuali pada tahun 2013 terjadi penurunan sebesar 0,58%
dibandingkan tahun 2012 (BPS, 2018). Luas panen terbesar pada tahun 2016 sebesar 149.635 ha dengan tingkat pertumbuhan 22,53% dari tahun 2015. Perkembangan luas panen bawang merah di Indonesia dapat dilihat pada tabel 2.
- 5,000 10,000 15,000 20,000 25,000 30,000 35,000 40,000
2013 2014 2015 2016 2017
Harga rata-rata bawang merah nasional (Rp/Kg)
Harga Bawang Merah di Tingkat Konsumen Harga Bawang Merah di Tingkat Produsen
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
597 Tabel 2. Perkembangan luas panen bawang merah di Indonesia
Tahun Luas Panen (Ha) Pertumbuhan (%)
2012 99.519
2013 98.937 - 0,58
2014 120.704 22
2015 122.126 1,18
2016 149.635 22,53
2017 158.172 5,71
Keterangan: BPS data diolah (2018)
d. Perkembangan Ekspor-Impor Bawang Merah
Perkembangan volume ekspor bawang merah selama kurun waktu 2012 hingga 2016 cenderung mengalami penurunan. Volume ekspor tertinggi terjadi pada tahun 2012 sebesar 19.085 ton dan terendah pada tahun 2016 sebesar 736 ton. Sebaliknya pada periode tahun 2012-2016 volume impor bawang merah juga mengalami penurunan sebesar 55,66%, dimana pada tahun 2012 volume impor bawang merah sebesar 96.993 ton dan volume impor terendah pada tahun 2016 sebesar 1.219 ton. Penurunan impor bawang merah dikarenakan adanya kebijakan pemerintah Nomor 60/Permentan/OT.140/9/2012 tentang pembatasan impor bawang merah yang bertujuan untuk melindungi petani dalam negeri, dimana impor menyesuaikan dengan jadwal panen (Pusdatin, 2017). Adapun perkembangan volume ekspor-impor bawang merah di Indonesia dapat dilihat pada tabel 3.
Tabel 3. Perkembangan volume ekspor-impor bawang merah di Indonesia
Tahun Ekspor Impor
2012 19.085 96.993
2013 4.982 96.139
2014 4.439 73.903
2015 8.418 17.429
2016 736 1.219
Keterangan: BPS data diolah (2018)
3.2 Hasil Estimasi Model Auto Regressive Integrated Moving Average (ARIMA) Tahap identifikasi model diawali dengan mendeskripsikan pola data. Berdasarkan Gambar 2 menunjukkan bahwa harga bawang merah mengalami pola yang relatif tidak beraturan, dengan rata-rata dan std. Dev masing-masing sebesar 29695.91 dan 8151.67.
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
598 Selain itu, ketidakberaturan data tersebut juga mengindikasikan bahwa tidak terdapat unsur musiman pada data tersebut. Hal tersebut mengindikasikan model peramalan yang cocok pada penelitian ini adalah model ARIMA.
Gambar 2. Plot data harga rata-rata bawang merah
Plot data juga dimaksudkan untuk mengidentifikasi kestasioneran data. Pada penelitian ini uji stasioneritas data dilakukan dengan menggunakan uji formal Augmented Dickey Fuller. Ketiga persamaan tersebut menyimpulkan tolak H0 pada taraf nyata 1%
(Tabel 1). Dengan kata lain, Tabel 4 menunjukkan bahwa data telah stasioner setelah dilakukan differencing sebanyak 1 kali.
Tabel 4. Hasil pengujian Stasioneritas menggunakan Augmented Dickey Fuller Variable Intercept None Trend and Intercept
t-Statistic Prob t-Statistic Prob t-Statistic Prob I (0) -4.214 0.007*** -0.983 0.291 -4.193 0.005***
I (1) -11.924 0.000*** -11.942 0.000*** -11.916 0.000***
Data yang telah stasioner tersebut mengindikasikan bahwa estimasi model ARIMA dapat dilakukan. Jumlah pembedaan yang diperlukan hingga data menjadi stasioner merupakan jumlah ordo (d) pada ARIMA yaitu sebanyak 1 kali. Penentuan ordo (p) dan (q) dilakukan dengan menggunakan teknik ARIMA tentative. Penentuan ARIMA tentatif filakukan dengan mempertimbangkan faktor pasimoni. Santoso (2009 dalam
10,000 20,000 30,000 40,000 50,000 60,000 70,000
50 100 150 200 250 300
PBW
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
599 H15dme) dan Paul et al (2013) menekankan bahwa lebih baik memilih model dengan parameter sedikit daripada parameter banyak serta mengutamakan jumlah lag yang lebih sedikit.
Tabel 5. Hasil Estimasi Model ARIMA tentatif
ARIMA AIC SIC AR MA
(0,1,1) 18.168 18.190 0.363***
(0,1,2) 18.319 18.342 0.105*
(1,1,0) 18.152 18.175 0.406***
(1,1,1) 18.155 18.188 0.312** 0.115 (1,1,2) 18.157 18.191 0.413*** -0.027 (3,1,1) 18.167 18.200 -0.113** 0.384***
(2,1,1) 18.160 18.194 0.147** 0.411***
(2,1,2) 18.328 18.362 0.126 -0.021
(3,1,2) 18.320 18.354 -0.101* 0.136**
(1,1,3) 18.140 18.174 0.425*** -0.141**
(2,1,3) 18.316 18.350 0.156*** -0.134**
Keterangan: *** signifikan pada taraf nyata 1 % ** signifikan pada taraf nyata 5 % * signifikan pada taraf nyata 10 %
Berdasarkan estimasi model ARIMA tentatif (Tabel 5), didapatkan model ARIMA terbaik yaitu ARIMA (1,1,3). ARIMA (1,1,3) telah memenuhi kriteria model ARIMA terbaik antara lain:
1. Model parsimonious, ARIMA (1,1,3) telah menunjukkan bentuk sederhana yang terdiri dari ordo p: 3, ordo d: 1 dan ordo q: 3.
2. Kedua parameter ARIMA (1,1,3) masing-masing signifikan 1% untuk koefisien AR dan 5% untuk koefisien MA.
3. Model invertibilitas, dicerminkan dengan jumlah koesien AR dan MA masing- masing harus kurang dari 1. Hasil estimasi masing-masing koefisien AR dan MA adalah 0.425 dan -0.141.
4. Model ARIMA memiliki nilai AIC dan SC terkecil dibandingkan dengan yang lain (Juanda 2012). Hasil estimasi ARIMA (1,1,3) menunjukkan bahwa nilai AIC dan SC merupakan yang terkecil dibandingkan model lainnya.
Setelah didapatkan model terbaik, selanjutnya dilakukan evaluasi terhadap sisaan model terpilih. Evaluasi model terpilih dilakukan dengan melakukan pengujian Ljung- Box-Pierce. Berdasarkan uji Ljung-Box-Pierce menunjukkan nilai korelasi dari sisaan
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
600 tidak berbeda nyata dengan nol pada semua lagnya (nilai-p lebih dari alpha). Kondisi tersebut menunjukkan bahwa Model ARIMA (1,1,3) telah layak digunakan untuk meramalkan harga bawang merah.
Gambar 3 menunjukkan plot data antara data harga riil bawang merah dengan harga ramalan. Plot tersebut menunjukkan bahwa harga ramalan hampir tepat menggambarkan pergerakan harga riil bawang merah. Relatif tepatnya harga ramalan dalam menggambarkan pergerakan harga riil ditunjukkan oleh rendahnya nilai Mean Abs.
Percent Error (MAPE) sebesar 3.34%. Hal tersebut sesuai dengan Khikmiyah (2012) yang menyatakan bahwa kemampuan peramalan sangat baik jika memiliki nilai MAPE kurang dari 10%.
Gambar 3. Plot harga bawang merah riil (merah) dengan angka ramalan (biru)
Hasil peramalan model ARIMA (1,1,3) untuk 5 minggu kedepan masih mengalami fluktuasi dengan tren meningkat pada akhir minggu kelima (Tabel 6). Kondisi tersebut ditunjukkan bahwa pada minggu kedua Bulan September 2018 harga ramalan bawang merah sebesar Rp 25808.7/kg atau mengalami penurunan sebesar 0.548 % dibandingkan minggu sebelumnya. Kondisi penurunan hanya bertahan pada minggu
10,000 20,000 30,000 40,000 50,000 60,000 70,000
50 100 150 200 250 300
PBWS4 PBW
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
601 kedua, namun dari minggu ketiga hingga minggu kelima harga rata-rata bawang merah cenderung mengalami kenaikan.
Tabel 6. Hasil peramalan harga bawang merah Indonesia dengan model ARIMA (1,1,3) Tahun Bulan Minggu Harga
(Rp/kg)
Perubahan Harga (%)
2018 September
I 25808.7 -0.548
II 25595.9 -0.438
III 25646.8 0.191
IV 25678.7 0.124
V 25702.4 0.092
3.3. Implikasi Kebijakan
Bawang merah merupakan salah satu komoditas yang memiliki fluktuasi harga yang relatif tinggi. Fluktuasi harga bawang merah tersebut disebabkan oleh sifat tanaman bawang merah yang musiman dan cepat rusak, dan ketidakstabilan pasokan di tingkat produsen. Berdasarkan hal tersebut maka perlu dilakukan upaya-upaya untuk menjaga kesetabilan harga bawang merah. Beberapa kebijakan yang dapat diimplementasikan Pemerintah antara lain sebagai berikut:
a. Memperkuat implementasi Permendag Nomor 27/M-DAG/PER/05/2017 tentang harga acuan pembelian di petani dan harga acuan penjualan di konsumen. Hal ini dilatarbelakangi oleh tidak efektifnya harga acuan tersebut di pasar. (Kemendag, 2017)
b. Pembatasan impor bawang merah yang didasarkan pada data yang valid dan reliable atau telah mengalami sinkronisasi data antar institusi yang menangani bawang merah.
c. Meningkatkan produksi dengan upaya intensifikasi dan ekstensifikasi lahan dalam rangka meningkatkan kestabilan produksi
d. Menerapkan teknologi penyimpanan dingin saat terjadi panen raya, untuk menjaga ketersediaan pasokan
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
602 KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil analisis peramalan harga bawang merah Indonesia menggunakan model ARIMA didapatkan kesimpulan :
1. Dalam kurun waktu 2012 sampai 2017 produksi dan konsumsi bawang merah Indonesia cenderung meningkat. Perkembangan harga bawang merah nasional pada tahun 2013 sampai 2017 mengalami fluktuatif. Sedangkan Perkembangan volume ekspor dan impor bawang merah selama kurun waktu 2012 hingga 2016 cenderung mengalami penurunan.
2. Hasil analisis peramalan harga bawang merah didapatkan model ARIMA terbaik yaitu ARIMA (1,1,3) dengan prediksi harga yang meningkat pada bulan September minggu I,II, III,IV,V adalah Rp. 25808.7, Rp. 25595.9, Rp. 25646.8, Rp. 25646.8, Rp. 25702.4 4.2 Saran
Berdasarkan implikasi kebijakan yang telah dirumuskan Pemerintah sebaiknya mengimplementasikan kebijakan-kebijakan sebagai berikut yaitu memperkuat implementasi Permendag Nomor 27/M-DAG/PER/05/2017 tentang harga acuan pembelian di petani dan harga acuan penjualan di konsumen, melakukan pembatasan impor bawang merah yang didasarkan pada data yang valid dan reliable atau telah mengalami sinkronisasi data antar institusi yang menangani bawang merah, meningkatkan produksi dengan upaya intensifikasi dan ekstensifikasi lahan dalam rangka meningkatkan kestabilan produksi, dan menerapkan teknologi penyimpanan dingin saat terjadi panen raya, untuk menjaga ketersedian pasokan
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
603 DAFTAR PUSTAKA
Badan Pusat Statistik (BPS). 2018. Produksi Tanaman Sayuran Bawang Merah (Ton).
https://www.bps.go.id. Diakses tanggal 2 September 2018
Darekar A, and Reddy AA. 2017. Forecasting of Common Paddy Prices in India. Journal of Rice Research 10 (1) : 71-75.
Guha B and Bandyopadhyay. 2016. Gold Price Forcating Using ARIMA Model. Journal of Advanced Management 4(2).
Javier C, Rosario E, Francisco J N, and Antonio J C. 2003. ARIMA Models to Predict Next Electricity Price. IEEE Transactions on Power Systems 18(3):1014-1020.
Juanda, B., dan Junaidi. 2012. Ekonometrika Deret Waktu. Bogor: IPB Press.
Kementerian Perdagangan. 2017. Analisis Perembangan Harga Bahan Pangan Pokok di Pasar Domestik dan Internasional. Pusat Pengkajian Perdagangan Dalam Negeri Kementrian Perdagsngsn Republik Indonesia. Jakarta.
Kementerian Pertanian. 2017. Statistik Pertanian 2017. Pusat Data dan Informasi.
Kementerian Pertanian Republik Indonesia. http://epublikasi.setjen.pertanian.go.id /download/file/390-statistik-pertanian-2017. Diakses tanggal 2 September 2018 Kementerian Pertanian. 2018. Basis Data Konsumsi Pangan (Konsumsi per Kapita dalam
Rumah Tangga Setahun Menurut Hasil Susenas).
http://aplikasi2.pertanian.go.id/konsumsi/tampil_susenas_kom2_th.php. Diakses tanggal 2 September 2018
Kementerian Pertanian. 2018. Laporan Harga Eceran di Ibu kota Provinsi (Tahunan) .https://aplikasi2.pertanian.go.id/simharga2017/konsumen_kot a/hkp3. Diakses tanggal 2 September 2018
Kementerian Pertanian. 2018. Laporan Harga Produsen Perdesaan (Tahunan).
http://aplikasi2.pertanian.go.id/simharga2017/produsen/hpd2. Diakses tanggal 2 September 2018
Khikmiyah L, Anggraini W, and Vinarti R A. 2012. Prediksi Permintaan Gas Cair Menggunakan Fuzzy Inference Model pada PT Air Products Gresik. Jurnal Teknik Pomits 1(1):1-9.
Kustiari R. 2017. Perilaku Harga dan Integrasi Pasar Bawang Merah di Indonesia.
Jurnal Agro Ekonomi 35 (2): 77-87
Nochai R, and Nochai T. 2006. ARIMA Model for forecasting Oil Palm Price. Proceeding of the 2nd IMT_GT Regional Conference on Mathematics, Statistics and Aplications Universiti Sains Malaysia. Penang.
Panasa V, Kumari RV, Ramakrishna G, Kaviraju S. 2017. Maize Price Forecasting Using Auto Regressive Integrated Moving Average (ARIMA) Model. International Journal of Current Microbiology and Applied Sciences. 6 (8): 2887-2895.
Paul, J.C., Hoque, S. And Rahman, M.M. 2013. Selection of Best ARIMA Model for Forecasting Average Daily Share Price Index of Pharmaceutical Companies in Bangladesh: A Case Study on Square Pharmaceutical Ltd. Global Journal of Management and Business Research Finance 13(3).
Pusat Data dan Sistem Informasi (Pusdatin). 2017. Outlook Tanaman Pangan dan Hortikultura 2017. Sekretariat Jenderal Kementerian Pertanian.
Rangan N and Titida N. 2006. ARIMA Model for Forecasting Oil Palm Price.
Proceedings of the 2nd IMT-GT Regional Conference on Mathematics Statistics and Applications 2006. Universiti Sains Malaysia.
ISBN: 978-602-97051-7-1 E-ISSN :
DOI :
604 Rasyidi MA. 2017. Prediksi Harga Bahan Pokok Nasional Menggunakan ARIMA.
Journal of Information Systems Engineering and Business Intelligence 3 (2): 107- 112.
Sterba Jand Hilovska. 2010. The Implementation of Hybrid ARIMA Neural Network Prediction Model for Aggregate Water Consumption Prediction. Journal of Applied Mathematics 3(3):123-131.
