Peramalan Harga Beras di Perum BULOG Divre Jatim · harga produsen gabah, baik di tingkat petani...

Peramalan Harga Beras di Perum BULOG Divre Jatim

Disusun oleh :Woro Morphi H (1309030010)

Dosen Pembimbing :Dr. Suhartono, S.Si, M.Sc

15/07/2012

Pendahuluan

TinjauanPustaka

MetodePenelitian

Analisis danPembahasan

Kesimpulandan Saran

15/07/2012

Latar Belakang, PerumusanMasalah,Tujuan Penelitian, ManfaatPenelitian, Batasan Masalah

Sumber Data, Identifikasi Variabel, Metode Analisis, Langkah Analisis

Gambaran Umum Perum BULOG, Metode ARIMA, Metode Double Exponential Smoothing

Peramalan harga beras produsendan konsumen di KabupatenSidoarjo dan Banyuwangi

Kesimpulan dan Saran

Pendahuluan

15/07/2012

LatarBelakang

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 ”

PenelitianLain :

15/07/2012

LatarBelakang

Pendahuluan

15/07/2012

Permasalahan

Mengaplikasikan metode ARIMA dan double exponential smoothing untuk memperoleh

model ramalan pada harga beras produsen dan konsumen

Pendahuluan

15/07/2012

TujuanPenelitian

Mendapatkan model ramalan yang sesuai untuk harga beras produsen dan konsumen

Pendahuluan

15/07/2012

ManfaatPenelitian

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

Pendahuluan

15/07/2012

BatasanMasalah

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

Tinjauan Pustaka

• BULOG adalah lembaga pangan yang salah satutugasnya memantau harga beras di tingkat konsumendan stabilitas gabah di tingkat produsen (petani).

• Kegiatan pemantauan harga di tingkat produsenbertujuan untuk memantau dan mengumpulkan dataharga produsen gabah, baik di tingkat petani maupundi tingkat penggilingan sebagai data operasional yangdapat memberikan informasi sekaligus sebagai sistemperingatan dini (early warning system).

• Sedangkan kegiatan pemantauan harga di tingkatkonsumen dilakukan untuk menghitung besaran inflasimenggunakan Indeks Harga Konsumen (IHK).(BULOG, 2008)

15/07/2012

Gambaran UmumPerum BULOG

Tinjauan Pustaka

15/07/2012

MetodeARIMA

Peramalan merupakan serangkaian datapengamatan yang terjadi berdasarkan indeks waktusecara berurutan dengan interval waktu tetapdimana pengambilan datanya dilakukan padainterval waktu dan sumber yang sama (Wei, 2006).Salah satu metode yang sering digunakan dalamperamalan yaitu model ARIMA (AutoregresifIntegrated Moving Average). Prosedur-proseduryang harus diperhatikan yaitu identifikasi modelsementara, estimasi parameter, uji signifikansiparameter, pemeriksaan residual model, laludilakukan peramalan.

15/07/2012

Identifikasi Model

Menurut Makridakis dkk (1999), model time seriesterbagi menjadi :a. Model Autoregressive (AR)

Zt = φ1Zt-1 + φ2Zt-2 + … + φpZt-p + atb. Model Moving Average (MA)

Zt = at - Ɵ1at-1 - Ɵ2at-2 - … - Ɵqat-qc. Model Mixed Autoregressive Moving Average (ARMA)

Zt = Ø1Zt-1 + Ø2Zt-2 + … + ØpZt-p + at - Ɵ1at-1 -Ɵ2at-2 - … - Ɵqat-q

d. Model Autoregressive Integrated Moving Average (ARIMA)

Øp (B) (1-B)dZt = Ɵq (B) at

dengan Øp (B) = (1- Ø1B1- Ø2B2- …- ØpBp)Ɵq (B) = (1- Ɵ1B1- Ɵ 2B2- …- Ɵ qBq)

Estimasi Parameter

Conditional Least Square

SSE (φ,µ) =

15/07/2012

Signifikansi Parameter

Hipotesis :H0 : = 0H1 : ≠ 0

Statistik Uji :

dengan : = dugaan koefisien parameter= standar error dari dugaan

parameter

Daerah penolakan :Tolak H0 jika = tα/2, n-p dengan p adalah

jumlah parameter dalam model.(Wei, 2006)

θθ

15/07/2012

Asumsi Residual

a. Kenormalan Residual (Daniel, 1989)Hipotesis :

H0 : Residual berdistribusi normalH1 : Residual tidak berdistribusi normal

Statistik Uji :

D =

Tolak H0 jika D > D(1-α, n) atau p-value < α.

b. White Noise Residual (Wei, 2006)Hipotesis :

H0 : Residual white noiseH1 : Residual tidak white noise

Statistik Uji :Q = n(n+2)

Tolak H0 jika Q > atau p-value < α.

15/07/2012

The root mean squared error (RMSE)yang digunakan sebagai kriteria untukmengevaluasi model terbaik. RMSE untuk out-sampel data yang didefinisikan sebagai.

RMSEout =

n adalah jumlah perkiraan. RMSE in-sampeldata untuk beberapa metode seperti ARIMAmusiman dan regresi time series didefinisikansebagai

RMSEin =

dimana p adalah jumlah parameter.

Pemilihan Model Terbaik

15/07/2012

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

15/07/2012

Metode Double EksponentialSmoothing

Double exponential smoothing sering disebutsebagai metode Brown, digunakan untuk peramalandata yang mempunyai pola tren linear, dan memilikiperamalan waktu singkat.Tiga persamaan yang digunakan dalam metode iniyaitu1. Nilai exponential smoothing pada waktu ke t :

2. Nilai estimasi tren pada waktu ke t :

3. Nilai ramalan p waktu ke depan :

))(1( 11 −− +−+= tttt TAyA αα

11 )1()( −− −+−= tttt TAAT ββ

ttpt pTAy +=+ˆ

Metode Penelitian

15/07/2012

SumberData

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

Metode Penelitian

15/07/2012

VariabelPenelitian

Harga beras konsumen dan produsen periode mingguan di Kabupaten Sidoarjo, dan

Banyuwangi selama kurun waktu 6 tahun tersebut dalam satuan rupiah/kg

Metode Penelitian

15/07/2012

LangkahAnalisis

15/07/2012

Harga Beras ProdusenSidoarjo

15/07/2012

ARIMA

29123619114091401

7000

6000

5000

4000

3000

Index

Ha

rga

(R

up

iah

/ K

g)

5.02.50.0-2.5-5.0

50.0

47.5

45.0

42.5

40.0

37.5

35.0

Lambda

StD

ev

Lower CL Upper CL

Limit

Estimate 0.48

Lower CL -0.17Upper CL 1.16

Rounded Value 0.50

(using 95.0% confidence)

Lambda

IdentifikasiModel

15/07/2012

ARIMA

30282624222018161412108642

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Au

toco

rre

lati

on

2902612322031741451168758291

500

250

0

-250

-500

Index

Dif

fere

nci

ng

1


15/07/2012

ARIMA

30282624222018161412108642

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Au

toco

rre

lati

on

30282624222018161412108642

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Part

ial A

utoc

orre

lati

on

ARIMA (0,1,[3,11])

ARIMA ([3,11],1,0)


15/07/2012

ARIMA

EstimasiParameter


15/07/2012

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

ARIMA(0,1,[3,11])

4,25 6 4 0,3737

5,36 12 10 0,8662

8,30 18 16 0,9395

16,56 24 22 0,7871


15/07/2012

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


15/07/2012

ARIMA

PemilihanModel

Terbaik

Kriteria RMSE

Model RMSE in sample

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

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


15/07/2012

ARIMA

DeteksiOutlier

Step Model

RMSE

In

sample

Out

sampleKurtosis Skewness

1 ARIMA (0,1,[3,11])84,0335

7347,3149 11,2946 -0,1605

2ARIMA (0,1,[3,11])

+ LS56

78,9397

5375,9142 10,6756 -0,8300

3ARIMA (0,1,[3,11])

+ LS56 +LS58

74,9223

6349,7611 8,8410 -0,2221

4

ARIMA (0,1,[3,11])

+ LS56 + LS58 +

LS262

70,8378

7352,7685 6,8101 0,4774

5

ARIMA (0,1,[3,11])

+ LS56 + LS58 +

LS262 + LS284

68,3145

8303,3947 7,8034 0,2930

6

ARIMA (0,1,[3,11])

+ LS56 + LS58 +

LS262 + LS284+

LS281

64,6515

3226,495 6,9672 -0,2902


15/07/2012

ARIMA


15/07/2012

ARIMA

Model ARIMA


15/07/2012

Double EksponentialSmoothing

2792482171861551249362311

8000

7000

6000

5000

4000

3000

Index

Ha

rga

(R

up

iah

/ K

g)

Alpha (level) 1.14411Gamma (trend) 0.00273

Smoothing Constants

MAPE 0.93MAD 42.64MSD 7327.57

Accuracy Measures

ActualFitsForecasts95.0% PI

Variable


15/07/2012


ARIMA ModelRMSE

In Sample Out Sample

ARIMA + outlier 64,65153 226,495


85,6012 159,9743

Model Ramalan Terbaik


15/07/2012

ARIMAModel ARIMA

Harga Beras KonsumenSidoarjo

15/07/2012

ARIMAModel ARIMA

Harga Beras ProdusenBanyuwangi

15/07/2012

ARIMAModel ARIMA

Harga Beras KonsumenBanyuwangi

Kesimpulan danSaran

15/07/2012

Kesimpulan

Dari kedua metode yangdigunakan yaitu metode ARIMA dandouble eksponential smoothing diketahuibahwa metode yang sesuai untukmenganalisis harga beras produsen dankonsumen di Kabupaten Sidoarjo danBanyuwangi adalah metode ARIMAdengan deteksi outlier. Hal ini dikarenakanmodel ARIMA dengan deteksi outliermemiliki nilai RMSE yang paling kecildaripada metode double eksponentialsmoothing.

Kesimpulan danSaran

15/07/2012

Saran

Saran penelitian yang dapatdiberikan yaitu mencoba menggunakanbeberapa metode peramalan lainnya ataumelakukan pengembangan metode agardapat diperoleh model ramalan yangpaling sesuai dengan harga berasprodusen dan konsumen Perum BULOGDivre Jatim

Daftar Pustaka

15/07/2012

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

BPS, 2012. Perkembangan Indeks HargaKonsumen/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. Forecastingand 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 darihttp://bisniskeuangan.kompas.com/read/2011/10/01/04022295/Harga.Beras.Kian.Membebani.

Kurniawan, IPL. 2009. Peramalan Volume PenjualanRetail yang Mengandung Efek Variasi Kalenderdengan Kombinasi Regresi Trigonometri dan ARIMAStudi Kasus : Amigo Bimbo dan Amigo Granada,Delanggu. ITS : Surabaya.

Makridakis, dkk. 1999. Metode dan Aplikasi Peramalan,Edisi kedua. Batam Centre: Interaksara.

http://jatim.bps.go.id/?p=1147�

http://jatim.bps.go.id/?p=1147�

http://jatim.bps.go.id/?cat=51�

Daftar Pustaka

15/07/2012

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

Ismpi, Bpp. 2009. Kondisi Pertanian Indonesia Saat IniBerdasarkan Pandangan Mahasiswa PertanianIndonesia [On-line] diakses darihttp://paskomnas.com/id/berita/Kondisi-Pertanian-Indonesia-saat-ini-Berdasarkan-Pandangan-Mahasiswa-Pertanian-Indonesia.php

Rasyid, NR. 2009. Peramalan Jumlah Permintaan BajuMuslim 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 andMultivariate Methods. California : Pearson AddisonWesley.

Zacky, Akhmad. 2007. Peramalan dan Faktor-Faktor yangMempengaruhi Fluktuasi Harga Beras IR II TingkatKonsumen di Beberapa Kota Besar di Pulau Jawa danBali. Bogor : ITB.

http://paskomnas.com/id/berita/Kondisi-Pertanian-Indonesia-saat-ini-Berdasarkan-Pandangan-Mahasiswa-Pertanian-Indonesia.php�



Peramalan Harga Beras di Perum BULOG Divre Jatim · harga produsen gabah, baik di tingkat petani...

Documents

Transcript of Peramalan Harga Beras di Perum BULOG Divre Jatim · harga produsen gabah, baik di tingkat petani...