8. MODEL RAMALAN PRODUKSI PADI

Transkripsi

1 8. MODEL RAMALAN PRODUKSI PADI 8.1 Pendahuluan Padi merupakan makanan utama sekaligus mempunyai nilai politis yang tinggi bagi orang Indonesia, yang menyediakan pendapatan secara musiman dan tenaga kerja untuk masyarakat pedesaan. Produksi padi mengalami peningkatan sejak 197, tapi hasil panennya rentan terhadap keragaman iklim terutama kejadian ekstrim: El-Nino dan La-Nina (Naylor et al. 21; Boer dan Las 23; Boer dan Faqih 25; Boer 2). Pada saat terjadi El-Nino produksi padi mengalami penurunan yang cukup dratis, seperti pada tahun 1991, 1994, dan Demikian juga pada tahun La-Nina (1995) juga mengalami penurunan produksi padi (Boer dan Las 23; Boer 2). Bila persediaan beras nasional tak mencukupi dan terjadi penurunan produksi, maka seringkali dilakukan kebijakan impor. Permasalahannya adalah kebutuhan ramalan ke depan akan terjadi penurunan produksi (terjadi kejadian iklim ekstrim), sehingga antisipasi dini dapat dilakukan. Untuk itu dibutuhkan model ramalan produksi padi yang akurat dalam rangka mendukung ketahanan pangan nasional. Peramalan produksi padi saat ini belum melibatkan faktor iklim, padahal fluktuasi produksi padi sangat dipengaruhi oleh faktor tersebut. Berbagai model produksi padi telah dikembangkan di Indonesia, seperti model dengan menggunakan peubah indikator ENSO (Boer 2; Naylor et al. 21, 22, 27; Falcon et al. 24)). Model ini menghasilkan tingkat ketepatan yang tinggi pada wilayah yang dipengaruhi oleh fenomena ENSO, khususnya wilayah dengan tipe hujan monsun. Untuk wilayah dengan tipe hujan ekuatorial pengaruh ENSO kecil dan tidak jelas untuk wilayah tipe hujan lokal (Boer 2). Disamping itu model dengan menggunakan indikator gabungan SOI dan DMI (Boer et al. 24), SST Nino 3.4 dan DMI (Surmaini 26; Arrigo dan Wilson 28). Sementara peramalan dan pendataan secara nasional setiap tahun dilakukan oleh BPS dan Departemen Pertanian. Metodologi ramalan produksi padi menurut BPS selengkapnya disajikan dalam Bab 3. Dalam penelitian ini dikaji peramalan produksi padi nasional dengan menggunakan indeks hujan terboboti (weighted rainfall index: WRI). Metode ini diperkirakan akan meningkatkan ketepatan hasil ramalan.

2 Bahan dan Metode Bahan Terdapat 7 peubah yang digunakan untuk memodelkan ramalan produksi padi, yaitu produksi padi, produktifitas, luas panen, luas tanam, luas baku, data SST Nino 3.4, dan data DMI (Tabel 8.1). Data yang dikumpulkan meliputi tiga kabupaten, yaitu Karawang, Subang, dan Indramayu. Panjang data antar peubah berbeda-beda, sebagian besar mempunyai periode yang pendek. Metode Analisis Penyusunan model produksi padi merupakan pengembangan dari model yang disusun oleh BPS dan modifikasi indeks hujan terboboti oleh Stephen et al Tahapan dalam pendugaan model produksi padi (Gambar 8.1): (1) Menghitung curah hujan bulanan terboboti luasan wilayah DPM/DPM revisi * pada daerah/kabupaten/kota ( R j,d ): Tabel 8.1 Periode data dan sumber data menurut peubah yang digunakan No. Peubah Periode Sumber data 1 Produksi padi per BPS periode (Ton) 2 Produktifitas padi per BPS periode (Kwt/Ha) 3 Luas panen per BPS periode (Ha) 4 Luas penanaman padi , BPS, Departeman Pertanian per bulan (Ha) Luas baku sawah (Ha) Departemen Pertanian 6 Data SST Nino analysis_monitoring/ensostuff/ensoyears.shtml 7 Data DMI iod/reynolds_monthly_dmi.txt m A * j Rt, D = R j m = banyaknya wilayah DPM; A j = luas wilayah DPM ke-j; A j= 1 A = m A j j = 1 j =1, 2, 3,..., m (2) Menghitung curah hujan terboboti (WRI t,d ): WRI R LT * t t, D = t, D, dimana LBaku LT t luas tanaman pada bulan ke-t, L Baku adalah luas baku untuk tanaman padi di kabupaten.

3 76 (3) Menyusun model regresi anomali luas panen per periode (LP p ) dengan menggunakan AnLP t sebagai peubah respon dan WRI t sebagai peubah penjelas. Mengingat masa penanaman padi hingga panen membutuhkan waktu 3-4 bulan dan luas panen baru dapat dihitung 1-3 bulan setelah Data CH per DPM/ DPM revisi (R j ) Menghitung CH terboboti pada Daerah/Kabupaten/Kota: m A * j Rt, D = R j m = banyaknya wilayah j= 1 A CH; A j = luas wilayah CH ke-j A = m A j j = 1 j =1, 2, 3...m D = Daerah/Kabupaten WRI t, D = R * t, D LT L t Baku Data luas tanam per bulan (LT t ) Data luas baku (L Baku ) Data produktifitas per periode Anomali Luas Panen (LP p ) per periode: AnLP p = f(wri t-i ) AnLP p = f(sst t- i, DMI t-i, LT/LB) i=,1,2,3 ; p=1,2,3 Periode I: Januari-April Periode II: Mei-Agustus Periode III: September-Desember Data SST Nino 3.4 dan DMI Produksi (P p ) per periode: Produksi (P) per tahun: P p = Pro p * LP p p = 1, 2, 3 P = 3 P p p= 1 Gambar 8.1. Diagram alir pengembangan model produksi padi dengan menggunakan modifikasi indeks hujan terboboti.

4 77 tanam, maka AnLP p : AnLP p = f (WRI t-i ), i =, 1, 2, 3; p = 1, 2, dan 3 periode ramalan 1: bulan Januari April, ramalan 2: Mei Agustus, dan ramalan 3: September Desember. (4) Menyusun model regresi anomali luas panen per periode (LP p ) dengan menggunakan peubah penjelas SST Nino 3.4, DMI, dan rasio luas tanam dan luas baku (LT/LB): AnLP p = f(sst t- i, DMI t-i, LT/LB), i =, 1, 2, 3; p = 1, 2, dan 3. (5) Menduga produktifitas per periode dengan menggunakan rataan produktifitas (6) Menghitung produksi per periode: P p = Pro p * LP p p = 1, 2, 3. Produksi selama setahun adalah penjumlahan dari ketiga periode ramalan. 8.3 Hasil dan Pembahasan Deskripsi produksi padi Dalam dua dasawarsa terakhir ini, produksi padi (sawah dan ladang) Kabupaten Indramayu, Subang, dan Karawang mencapai 2.8 juta Ton per tahun atau 27% rata-rata per tahun produksi padi Jawa Barat (lihat Gambar 8.2). Sementara itu produksi padi (sawah dan ladang) di Jawa Barat mencapai 18% dari produksi padi Nasional (BPS 27). Keragaman produksi padi di Jawa Barat sangat didominasi dari ketiga kabupaten tersebut. Produksi padi (Ton (x 1)) Jawa Barat Kab. Indramayu, Subang, Karawang Gambar 8.2 Produksi padi (sawah dan ladang) per subround di Jawa Barat dan 3 kabupaten (Indramayu, Subang, dan Karawang).

5 78 Puncak produksi per tahun terjadi pada penanaman pada musim hujan, yaitu dalam kalender tahun periode pertama (Januari-April: periode 1). Pada periode ini, produksi padi di 3 kabupaten rata-rata mencapai 45 ribu Ton, dengan luas panen mencapai 83 ribu Ha. Diantara ketiga kabupaten tersebut, Kabupaten Indramayu mempunyai produksi yang tertinggi (Tabel 8.2). Luas panen pada periode 3 sangat beragam, demikian juga produksi padi yang dihasilkan. Hal ini menunjukkan bahwa luas panen dan produksi padi antar tahun berfluktuasi. Keputusan menanam padi sangat bergantung pada ketersediaan air pada saat itu, dimana padi membutuhkan 6-12 mm air selama 9-12 hari dari Tabel 8.2 Nilai rataan, simpangan baku, minimum dan maksimun produksi padi, produktifitas, dan luas panen per periode menurut kabupaten Kabupaten Periode Rataan Simpangan baku Minimum Maksimum Produksi (Ton) Karawang Subang Indramayu Produktifitas (Kw/Ha) Karawang 1 55,18 1,36 51,12 56, ,26 4,28 38,96 55, ,98 4,82 33,72 56,67 Subang 1 52,87 2,14 47,32 55, ,56 3,99 38,28 55, ,83 3,13 43,79 56,2 Indramayu 1 55,34 1,73 52,7 6, ,93 4,35 36,16 54,9 3 51,75 5,21 33,94 58, Luas panen (Ha) Karawang Subang Indramayu Sumber: Diolah dari BPS ( ).

6 79 penanaman hingga panen (Naylor et al. 21). Sementara pada periode 3 (September-Desember) merupakan musim transisi untuk memasuki musim hujan. Produksi padi di ketiga kabupaten (Indramayu, Subang, dan Karawang) dipengaruhi oleh fenomena ENSO (SST Nino 3.4) dan dipole mode index (DMI). SST Nino 3.4 merupakan suhu muka laut yang diukur di lautan pasifik (5 o LU- 5 o LS, 12 o BB-17 o BB). DMI merupakan anomali SST gradient bagian barat equatorial Lautan Hindia (5 o BT-7 o BT and 1 o LS - 1 o LU) dan bagian tenggara Produksi padi (x1 Ton) (rataan ) Anomali SSTNino DMI Gambar 8.3 Produksi padi per tahun Kabupaten Indramayu, Subang dan Karawang dan plot deret waktu anomali SST Nino 3.4, dan DMI (Keterangan: El-Nino (---), La-Nina ( ).

7 8 equatorial Lautan Hindia (9 o BT-11 o BT and 1 o LS- o ). Semakin besar nilai anomali SST Nino 3.4 maka peluang kejadian El-Nino semakin besar. Penurunan produksi padi pada saat El-Nino 1991 cukup dratis yaitu 11 ribu ton dari rata-rata produksi dari , sementara 1994 (tahun El-Nino) penurunannya 22 ribu ton. Pada tahun 1997 (tahun El-Nino) tidak mengalami penurunan produksi, bahkan terjadi kenaikan sebesar 58 ribu ton, meskipun pada tahun 1997 anomali SST Nino 3.4 positif dan diikuti nilai DMI juga positif (Gambar 8.3). Namun secara nasional produksi padi tahun El-Nino 1997 menunjukkan bahwa kumulatif lahan sawah mengalami kekeringan dari bulan Mei-Agustus > 4 ribu ha, sementara pada tahun normal dan La-Nina < 75 ribu ha (Boer dan Las 23). Tahun 1998, merupakan tahun La-Nina (SST Nino 3.4 negatif) dan diikuti nilai DMI juga negatif, terjadi penurunan produksi yang cukup tajam pada ketiga kabupaten. Banyak faktor yang menyebabkan penurunan produksi padi tahun Boer (2) menyatakan bahwa penurunan produksi padi 1998 lebih disebabkan karena terjadinya krisis multidimensi (krisis politik, keamanan, ekonomi dan lain-lain). Model hubungan anomali luas panen dan curah hujan terboboti (WRI) Berdasarkan identifikasi awal hubungan antara anomali luas panen dan curah hujan terboboti (WRI) menunjukkan bahwa periode kedua (Mei-Agustus) mempunyai hubungan yang cukup erat. Berbeda dengan periode pertama (Januari April) dan periode ketiga (September-Desember), menunjukkan hubungannya yang kurang jelas. Keeratan hubungan tersebut ditunjukkan dengan besarnya nilai korelasi dan diagram pencar (scatterplot) antara luas panen dan WRI (Gambar 8.4b). Ketidakjelasan hubungan anomali luas panen dan WRI pada periode pertama ditunjukkan dengan pola acak (Gambar 8.4a). Ketidakjelasan hubungan ini diduga karena pada periode ini merupakan musim hujan, sehingga ketersediaan air hujan cukup. Demikian juga pada periode ketiga diagram pencar antara anomali luas panen dan WRI mempunyai pola acak (Gambar 8.4c). Salah penyebabnya adalah areal sawah dan ladang yang ditanami padi merupakan lahan irigasi teknis, sehingga tidak begitu bergantung pada curah hujan. Artinya lahan

8 81 (a) WRIt13 WRIt12 WRIt11 WRIt1 1 Anomali luas panen (Ha) -1 (b) WRIt23 WRIt22 WRIt21 WRIt2 (c) WRIt33 WRIt32 WRIt31 WRIt (I) WRI 1 (a) WRIt13 WRIt12 WRIt11 WRIt1 Anomali luas panen (Ha) -1 (b) WRIt23 WRIt22 WRIt21 WRIt2 1-1 (c) WRIt33 WRIt32 WRIt31 WRIt3 (II) WRI 2 (a) WRIt13 WRIt12 WRIt11 WRIt1 Anomali luas panen (Ha) -2 (b) 4 (c) WRIt23 WRIt22 WRIt21 WRIt WRIt33 WRIt32 WRIt31 WRIt (III) WRI Gambar 8.4 Diagram pencar antara WRI dan anomali luas panen Kabupaten Indramayu (I), Subang (II), dan Karawang (III) menurut periode: pertama (a), kedua (b), dan ketiga (c).

9 82 pertanian yang tidak mempunyai irigasi teknis maka tidak ditanami padi. Hal ini ditunjukkan dengan luas areal panen pada periode tiga lebih sedikit daripada periode 1 dan 2 (Tabel 8.2). Tercatat hanya 21% luas panen dari total luas panen dalam setahun di Karawang dihasilkan pada periode 3.18% untuk Kabupaten Subang, dan 7% untuk Kabupaten Indramayu. Hubungan anomali luas panen dan WRI pada periode 2 cukup jelas menunjukkan pola tertentu, terutama pada lag (WRI t2 ), lag 2 (WRI t22 ), dan lag 3 (WRI t23 ) untuk Kabupaten Indramayu, lag 3 dan lag untuk Subang, dan lag untuk Karawang. Di samping itu nilai korelasi pada lag lag tersebut nyata pada α = 5% dan 1% (Tabel 8.3). Pada lag, nilai korelasi bertanda positif untuk semua kabupaten, ini menunjukkan bahwa semakin besar nilai WRI semakin luas luas area panennya. Dengan kata lain bahwa semakin besar ketersediaan air dari curah hujan akan menghasilkan areal luas panen yang semakin luas. Model regresi dan deret waktu: WRI Model hubungan anomali luas panen dan WRI merupakan model gabungan antara model regresi dan model deret waktu. Model deret waktu digunakan untuk modelkan sisaan dari model regresi yang saling ber-autokorelasi. Sehingga modelnya terdiri atas komponen WRI dan komponen sisaan. Pendugaan parameter model regresi digunakan metode kuadrat terkecil. Tabel 8.4 memberikan gambaran bahwa tidak semua peubah penjelas nyata pada α=5% dan α=1%, namun peubah tersebut tetap dimasukkan dalam model, dengan tujuan untuk meningkatkan tingkat ketepatan ramalan. Keragaman yang bisa dijelaskan oleh model (R 2 ) cukup beragam antar lokasi/kabupaten, terutama periode 1 dan 3, yaitu berkisar Beberapa kabupaten mempunyai nilai R 2 yang kecil, seperti Kabupaten Subang pada periode 1, Karawang pada periode 3. Kecilnya nilai R 2 ini, salah satu penyebabnya adalah ketidakjelasan hubungan antara luas panen dan WRI. Di samping itu terdapat beberapa pengamatan pencilan (outlier) yang cukup menganggu dalam proses pemodelan khususnya dalam metode kuadrat terkecil. Amatan pencilan ini tidak

10 83 Tabel 8.3 Nilai korelasi antara anomali luas panen dan WRI per periode menurut kabupaten Kabupaten WRI t13 WRI t12 WRI t11 WRI t1 WRI t23 WRI t22 WRI t21 WRI t2 WRI t33 WRI t32 WRI t31 WRI t Periode Periode Periode Indramayu Subang Karawang Yang dicetak miring adalah nilai p-value, dan yang dicetak bold nyata pada α=5% dan α=1%. 83

11 Tabel 8.4 Koefisien regresi dengan peubah penjelas WRI menggunakan metode kuadrat terkecil, nilai R 2, dan koefisien deret waktu model anomali luas panen Kabupaten Komponen WRI Komponen sisaan R Intersep WRI t13 WRI t12 WRI t11 WRI t1 Konst. Ф 1 θ Periode Indramayu 43.4 a a a a.6 Subang a.14 Karawang a Periode Intersep WRI t23 WRI t22 WRI t21 WRI t2 Konst. Ф 1 θ 1 Indramayu b a.58 Subang b Karawang b Periode Intersep WRI t33 WRI t32 WRI t31 WRI t3 Konst. Ф 1 θ 1 Indramayu b 8.89 a a -1.3 a.62 Subang a.93 a b Karawang b -.72 a.12 a nyata pada α=5%, b nyata pada α=1%, Ф 1 koefisien AR (1), θ 1 koefisien MA (1) 84 Tabel 8.5 Koefisien regresi dengan peubah penjelas WRI menggunakan metode robust, nilai R 2, dan koefisien deret waktu model anomali luas panen Kabupaten Komponen WRI Komponen sisaan Intersep WRI t13 WRI t12 WRI t11 WRI t1 Konst. Ф 1 θ R Periode Indramayu a -.16 a a a.89 a.75 Subang b a.75 Karawang a Periode Intersep WRI t23 WRI t22 WRI t21 WRI t2 Konst. Ф 1 θ 1 Indramayu a.33 a.56 a a.89 a.88 Subang b a a.78 Karawang a a 5.82 a -.82 a 1.35 a Periode Intersep WRI t33 WRI t32 WRI t31 WRI t3 Konst. Ф 1 θ 1 Indramayu a a 9.76 a Subang 4.99 b a 1.34 a.9 a -.16 a 2.3 a.89 a.77 Karawang a.2 a nyata pada α=5%, b nyata pada α=1%, Ф 1 koefisien AR (1), θ 1 koefisien MA (1)

12 85 bisa dihilangkan begitu saja, karena dalam kenyataannya memang terjadi dan seringkali tidak mengetahui penyebabnya. Untuk mengatasi permasalahan tersebut, digunakan metode robust dalam pendugaan parameternya. Hasil pendugaan parameter regresinya selengkapnya disajikan pada Tabel 8.5. Hasil pendugaan model dengan metode robust dapat menaikan nilai R 2 dan mempunyai potensi untuk meningkatkan ketepatan dalam meramal. Jumlah amatan dalam pemodelan anomali luas panen terbatas (n kecil), sehingga dalam proses pemodelan deret waktu menjadi permasalahan, terutama tahap identifikasi model. Kaidah pemodelan Box-Jenkins sulit untuk diterapkan. Untuk mengatasi itu model diasumsikan bahwa model adalah lag 1, autoregresive: AR (1), moving average :MA(1), dan ARMA (1,1). Artinya besarnya amatan ke-t dipengaruhi oleh amatan ke- (t-1). Pendugaan parameter koefisien deret waktu selengkapnya disajikan pada Tabel 8.4 dan 8.5. Hasil pengujian koefisien model deret waktu menunjukkan sebagian besar nyata pada α=5%. Model hubungan antara anomali luas panen dan SST Nino 3.4, DMI, dan rasio luas tanam dan luas baku (LT/LB) Peubah penjelas lain yang digunakan dalam model anomali luas panen adalah suhu permukaan laut (sea surface temperature: SST) Nino 3.4, dipole mode index (DMI), dan rasio luas tanam dan luas baku. Karena ada kasus multikolinieritas antar peubah penjelas, khususnya SST dan DMI, maka dilakukan reduksi dengan menggunakan analisis komponen utama. Hasil reduksi peubah penjelas asal diperoleh 4 peubah penjelas baru (PC) dengan tingkat keragaman masing masing periode sebesar lebih dari 9% (Tabel 8.6). Untuk memudahkan penamaan PC dilakukan rotasi komponen utama dengan menggunakan varimax. Pada periode 1, PC1 mencirikan dari peubah SST lag lag 3, PC2 mencirikan peubah DMI lag dan lag 1 (Tabel 8.6a). Total keragaman yang bisa dijelaskan ke-4 PC adalah 96%. Pada periode 2, PC1 mencirikan peubah SST lag SST lag 2, PC2 merupakan gambaran dari peubah DMI lag dan lag 1. Sementara PC3 merupakan ciri dari peubah DMI lag 2 dan 3 (Tabel 8.6b). Pada periode 3, PC1 merupakan gambaran dari peubah SST lag

13 lag 3, PC2 merupakan ciri dari peubah DMI lag 3, PC3 memberikan ciri peubah DMI lag. Total keragaman yang bisa dijelaskan 4 PC sebesar 98% (Tabel 8.6c). 86 Tabel 8.6 Nilai loading komponen utama yang dirotasi periode 1 (A), periode 2 (B), dan periode 3 (C) Peubah PC1 PC2 PC3 PC (A) SSTt SSTt SSTt SSTt DMIt DMIt DMIt DMIt Proporsi keragaman Kumulatif keragaman (B) SSTt SSTt SSTt DMIt DMIt DMIt DMIt SSTt Proporsi keragaman Kumulatif keragaman (C) SSTt SSTt SSTt SSTt DMIt DMIt DMIt DMIt Proporsi keragaman Kumulatif keragaman.98 Angka yang dicetak bold menunjukkan nilai loading tertinggi pada masing-masing PC Model regresi dan deret waktu: SST, DMI, dan LT/LB Pendugaan parameter regresi dengan menggunakan metode kuadrat terkecil diperoleh nilai R 2 yang relatif kecil terutama pada periode 1 dan 3. Demikian juga dengan hasil pengujian terhadap parameternya, beberapa peubah

14 87 penjelas tidak nyata. Berbeda pada periode 2, nilai R 2 yang relatif lebih tinggi yaitu berkisar 6%-9% (Tabel 8.7). Model deret waktu sisaannya sebagian besar adalah MA (1) dan sebagian besar nyata pada α=5%. Seperti halnya model luas panen dengan prediktor WRI, pada peubah penjelas SST Nino 3.4, DMI dan LT/LB terdapat amatan yang outlier. Sehingga digunakan metode robust untuk menduga parameternya. Terbatasnya panjang data sehingga tidak semua peubah penjelas PC yang digunakan. Karena metode robust mensyaratkan banyaknya amatan n>2p (Chen 22). Metode robust yang digunakan adalah least trimmed squares (LTS). Jumlah p=6 (termasuk β ), peubah penjelas LT/LB selalu masuk dalam model. Untuk menentukan penjelas PC yang masuk dalam model dilakukan pemilihan dengan menggunakan metode bestsubset. Dari hasil pemilihan peubah penjelas PC tersebut, kemudian dilakukan pendugaan dengan menggunakan regresi robust. Hasil pendugaan parameter dengan robust regresi dapat meningkatkan nilai R 2 (Tabel 8.8). Demikian juga peubah penjelas juga semakin banyak yang nyata. Validasi model anomali luas panen Untuk melihat keterandalan model luas panen dilakukan validasi model dengan menggunakan data bebas sebanyak 3 amatan (tahun). Gambar 8.5 memberikan gambaran bahwa model anomali luas panen dengan peubah penjelas SST Nino 3.4, DMI, rasio LT/LB mempunyai nilai RMSEP sedikit lebih kecil daripada WRI. Namun hasil pengujian nilai tengah dengan t-student menunjukkan perbedaan nilai RMSEP tersebut tidak berbeda nyata (p-value >.8). Rataan kesalahan ramalan luas panen peubah WRI periode 1, 2, dan 3, masing-masing secara berurutan adalah 13%, 14%, dan 47%, sementara peubah penjelas SST Nino 3.4, DMI, rasio LT/LB adalah 27%, 12%, dan 49% (lihat Gambar 8.6). Salah satu penyebab tidak ada perbedaan kinerja hasil ramalan luas panen antara SST Nino 3.4, DMI, rasio LT/LB dan WRI adalah lokasi penelitian yang merupakan wilayah dengan tipe hujan monsun. Pada wilayah ini keragaman curah hujannya dipengaruhi oleh fenomena ENSO dan DMI, sehingga hubungan antara keduannya sangat erat (berkorelasi tinggi). Kemungkinan akan berbeda

15 88 Tabel 8.7 Koefisien regresi komponen utama dengan metode kuadrat terkecil, nilai R 2, dan koefisien deret waktu model anomali luas panen Kabupaten Komponen PC Komponen sisaan Intersep PC1 PC2 PC3 PC4 LT/LB Konst. Ф1 θ Periode Indramayu b Subang Karawang a Periode Indramayu a a 2.53 a -2.6 a 2.51 a a -.13 a.95 a.98 Subang b b Karawang a Periode Indramayu a.3 Subang a.39 Karawang a.54 a nyata pada α=5%, b nyata pada α=1%, Ф 1 koefisien AR (1), θ 1 koefisien MA (1) R 2 Tabel 8.8 Koefisien regresi komponen utama, nilai R 2, dan koefisien deret waktu model anomali luas panen dengan metode robust Kabupaten Komponen PC Komponen sisaan Intersep PC1 PC2 PC3 PC4 LT/LB Konst. Ф1 θ1 R Periode Indramayu a a a.84 Subang b b a.89 a.47 Karawang Periode Indramayu 4.27 a a 2.5 a 3.64 a a a.95 Subang a a a a Karawang 7.82 a a a a Periode Indramayu a 3.78 a a a.75 Subang b a a.66 Karawang a a a 1.72 a 67.6 a a.74 a nyata pada α=5%, b nyata pada α=1%, Ф 1 koefisien AR (1), θ 1 koefisien MA (1) tingkat ketepatannya, jika lokasi penelitian di wilayah dengan tipe hujan lokal atau equatorial. Boer dan Las (23) menyatakan bahwa pengaruh El-Nino yang kuat hanya terjadi di beberapa sentra produksi, sehingga anomali iklim El-Nino

16 89 tidak selalu menyebabkan penurunan produksi padi. Artinya bahwa pada wilayah yang dipengaruhi ENSO, ketepatan model ramalan produksi padi (dengan peubah penjelas SST Nino 3.4, DMI, rasio LT/LB) akan tinggi, dan sebaliknya untuk daerah-daerah yang tidak dipengaruhi oleh fenomena ENSO ketepatan modelnya akan menurun. Dengan demikian model ramalan produksi padi dengan peubah penjelas WRI diperkirakan akan lebih konsisten untuk semua wilayah sentra produksi padi. RMSEP Indramayu Subang Karawang WRI SST, DMI, LT/LB Gambar 8.5 Nilai RMSEP model anomali luas panen per periode menurut peubah penjelas WRI dan SST, DMI, LT/LB. Ramalan produksi padi Ramalan produksi padi per periode merupakan hasil kali antara luas panen dan produktifitas (produksi/luasan). Untuk menduga produktifitas digunakan nilai rataan selama kurun waktu Hasil ramalan produksi padi pada periode 2 lebih baik daripada periode 1 dan 3. Kisaran kesalahan dugaan periode 2 antara 9 ton sampai 1 ribu ton atau rata-rata 15% dari nilai aktualnya ( Gambar 8.6). Untuk periode 1 kisaran kesalahan mencapai 6 ribu ton sampai 18 ribu ton. Kesalahan dugaan tertinggi adalah pada periode 3, dengan kisaran antara 7 ribu- 2 ribu ton. Besarnya kisaran kesalahan dugaan pada periode 3, diduga karena lokasi penelitian tidak terlalu terpengaruh oleh air hujan (faktor iklim) dan tersedia air melalui irigasi teknis.

17 9 Secara umum hasil ramalan produksi padi per tahun mempunyai kisaran kesalahan 1%-11% dari nilai aktualnya (Tabel 8.9). Tidak ada perbedaan yang yang mencolok antara peubah penjelas WRI dan SST, DMI, LT/LB untuk model luas panen. Hasil ramalan ini merupakan angka ramalan pertama (ARAM 1). Hasil ramalan BPS mempunyai kisaran kesalahan 5%-1% (BPS 27). Namun hasil ini tidak bisa dibandingkan tingkat ketepatan ramalannya, karena cakupan wilayah BPS adalah propinsi, sementara model yang dibangun dalam penelitian ini adalah kabupaten. Luas Panen (Ha) (a) Indramayu Subang Karawang Produksi (Ton) Ramalan Luas Panen Realisasi Luas Panen Ramalan Produksi Realisasi Produksi Luas Panen (Ha) (b) Indramayu Subang Karawang Produksi (Ton) Ramalan Luas Panen Realisasi Luas Panen Ramalan Produksi Realisasi Produksi Gambar 8.6 Validasi model luas panen dan produksi per periode dengan WRI (a) dan SST, DMI, LT/LB (b).

18 91 Tabel 8.9 Nilai ramalan produksi padi dan aktual per tahun dengan menggunakan peubah penjelas WRI (A) dan SST, DMI, LT/LB (B) Kabupaten Tahun Luas Panen (Ha) Produksi (Ton) Aktual Ramalan Aktual Ramalan (Abs(Δ)/Akt.) x 1% Luas Panen Produksi (A) Indramayu %.54% % 9.2% Subang % 1.6% % 25.65% Karawang % 17.48% % 3.96% Rataan 1.52% 11.21% (B) Indramayu % 1.57% % 21.98% Subang % 6.9% % 7.96% Karawang % 4.87% % 8.66% Rataan 7.68% 1.2% Δ= Aktual - Ramalan 8.4 Simpulan Tidak terdapat perbedaan yang nyata antara peubah penjelas WRI dan SST Nino 3.4, DMI dan LT/LB dalam memodelkan luas panen. Rataan kesalahan ramalan luas panen peubah WRI periode 1, 2, dan 3, masing-masing secara berurutan adalah 13%, 14%, dan 47%, sementara peubah penjelas SST Nino 3.4, DMI, rasio LT/LB adalah 27%, 12%, dan 49%. Hasil ramalan produksi padi periode 2 lebih baik daripada periode 1 dan 3, dengan kisaran kesalahan 15% dari nilai aktualnya. Kisaran kesalahan ramalan produksi padi per tahun mencapai 1%-11% dari nilai aktualnya, sehingga berpotensi menghasilkan ramalan yang akurat.