Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc
Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian, Manfaat Penelitian, Batasan Masalah Tinjauan Pustaka Gambaran Umum Perum BULOG, Metode ARIMA, Metode Double Exponential Smoothing Metode Penelitian Sumber Data, Identifikasi Variabel, Metode Analisis, Langkah Analisis Analisis dan Pembahasan Peramalan harga beras produsen dan konsumen di Kabupaten Sidoarjo dan Banyuwangi Kesimpulan dan Saran Kesimpulan dan Saran Page 2
Pendahuluan Latar Belakang ARIMA & Double Exponential Smoothing Page 3
Pendahuluan Latar Belakang Penelitian Lain : 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 Page 4
Pendahuluan Permasalahan Mengaplikasikan metode ARIMA dan double exponential smoothing untuk memperoleh model ramalan pada harga beras produsen dan konsumen Page 5
Pendahuluan Tujuan Penelitian Mendapatkan model ramalan yang sesuai untuk harga beras produsen dan konsumen Page 6
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 terjadi lonjakan harga yang drastis Page 7
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 dengan periode waktu mingguan Page 8
Tinjauan Pustaka Gambaran Umum Perum BULOG 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) Page 9
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. Page 10
Identifikasi Model Menurut Makridakis dkk (1999), model time series terbagi menjadi : a. Model Autoregressive (AR) Z t = φ 1 Z t-1 + φ 2 Z t-2 + + φ p Z t-p + a t b. Model Moving Average (MA) Z t = a t - Ɵ 1 a t-1 - Ɵ 2 a t-2 - - Ɵ q a t-q c. Model Mixed Autoregressive Moving Average (ARMA) Z t = Ø 1 Z t-1 + Ø 2 Z t-2 + + Ø p Z t-p + a t - Ɵ 1 a t-1 - Ɵ 2 a t-2 - - Ɵ q a t-q d. Model Autoregressive Integrated Moving Average (ARIMA) Ø p (B) (1-B) d Zt = Ɵ q (B) a t dengan Ø p (B) = (1- Ø 1 B 1 - Ø 2 B 2 - - Ø p B p ) Ɵ q (B) = (1- Ɵ 1 B 1 - Ɵ 2 B 2 - - Ɵ q B q ) Estimasi Parameter Conditional Least Square SSE (φ,µ) = Page 11
Signifikansi Parameter Hipotesis : H 0 : θ = 0 H 1 : θ 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) Page 12
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) Tolak H0 jika Q > atau p-value < α. Page 13
Pemilihan Model Terbaik The root mean squared error (RMSE) yang digunakan sebagai kriteria untuk mengevaluasi model terbaik. RMSE untuk outsampel 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. Page 14
Deteksi Outlier 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, Page 15
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 : A t + ( 1 α)( A + t 1 T 1) = αyt t 2. Nilai estimasi tren pada waktu ke t : T t β A A = ( t t 1 ) + (1 ) t 1 3. Nilai ramalan p waktu ke depan : y ˆ = A + t+ p t pt t β T Page 16
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 2011 Page 17
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 Page 18
Metode Penelitian Langkah Analisis Page 19
Page 20
Harga Beras Produsen Sidoarjo 7000 ARIMA Harga (Rupiah/ Kg) 6000 5000 4000 3000 1 Identifikasi 50.0 Model 47.5 45.0 40 91 Lower CL 140 Index Upper CL 191 236 291 Lambda (using 95.0% confidence) Estimate 0.48 Lower CL -0.17 Upper CL 1.16 Rounded Value 0.50 StDev 42.5 40.0 37.5 35.0 Limit -5.0-2.5 0.0 Lambda 2.5 5.0 Page 21
Page 22 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 Autocorrelation 290 261 232 203 174 145 116 87 58 29 1 500 250 0-250 -500 Index Differencing 1 Harga Beras Produsen Sidoarjo
Page 23 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 Autocorrelation 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 Partial Autocorrelation ARIMA (0,1,[3,11]) ARIMA ([3,11],1,0) Harga Beras Produsen Sidoarjo
Harga Beras Produsen Sidoarjo ARIMA Estimasi Parameter Page 24
Harga Beras Produsen Sidoarjo ARIMA White Noice Diagnostic Checking Model ARIMA Q Lag Df p-value 3,79 6 4 0,4357 ARIMA([3,11],1,0) 4,48 12 10 0,9015 7,41 18 16 0,9646 17,15 24 22 0,7552 4,25 6 4 0,3737 ARIMA(0,1,[3,11]) 5,36 12 10 0,8662 8,30 18 16 0,9395 16,56 24 22 0,7871 Page 25
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 Page 26
Harga Beras Produsen Sidoarjo ARIMA Kriteria RMSE Pemilihan Model Terbaik Model RMSE in sample ARIMA([3,11],1,0) 84,1928 ARIMA(0,1,[3,11]) 84,0336 Page 27
Harga Beras Produsen Sidoarjo ARIMA Step Model 1 ARIMA (0,1,[3,11]) 2 3 4 5 ARIMA (0,1,[3,11]) + LS56 Deteksi ARIMA (0,1,[3,11]) + LS56 +LS58 Outlier ARIMA (0,1,[3,11]) + LS56 + LS58 + LS262 ARIMA (0,1,[3,11]) + LS56 + LS58 + LS262 + LS284 ARIMA (0,1,[3,11]) + LS56 + LS58 + 6 LS262 + LS284+ LS281 Page 28 RMSE In Out sample sample Kurtosis Skewness 84,0335 7 347,3149 11,2946-0,1605 78,9397 5 375,9142 10,6756-0,8300 74,9223 6 349,7611 8,8410-0,2221 70,8378 7 352,7685 6,8101 0,4774 68,3145 8 303,3947 7,8034 0,2930 64,6515 3 226,495 6,9672-0,2902
Harga Beras Produsen Sidoarjo ARIMA Page 29
Harga Beras Produsen Sidoarjo ARIMA Model ARIMA Page 30
Harga Beras Produsen Sidoarjo Double Eksponential Smoothing Harga (Rupiah/ Kg) 8000 7000 6000 5000 Variable Actual Fits Forecasts 95.0% PI Smoothing Constants Alpha (level) 1.14411 Gamma (trend) 0.00273 Accuracy Measures MAPE 0.93 MAD 42.64 MSD 7327.57 4000 3000 1 31 62 93 124 155 186 Index 217 248 279 Page 31
Harga Beras Produsen Sidoarjo Double Eksponential Smoothing Model Ramalan Terbaik ARIMA Model In Sample RMSE Out Sample ARIMA + outlier Double Eksponential Smoothing 64,65153 226,495 85,6012 159,9743 Page 32
Harga Beras Konsumen Sidoarjo ARIMA Model ARIMA Page 33
Harga Beras Produsen Banyuwangi ARIMA Model ARIMA Page 34
Harga Beras Konsumen Banyuwangi ARIMA Model ARIMA Page 35
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 daripada metode double eksponential smoothing. Page 36
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 Page 37
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. 3 rd 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, Delanggu. ITS : Surabaya. Makridakis, dkk. 1999. Metode dan Aplikasi Peramalan, Edisi kedua. Batam Centre: Interaksara. Page 38
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 Bali. Bogor : ITB. Page 39