Analisis Pengaruh Tingkat Suku Bunga SBI, Harga Minyak Dunia ...
Peramalan Harga Beras di Perum BULOG Divre Jatim · harga produsen gabah, baik di tingkat petani...
Transcript of 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
15/07/2012Page 2
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
15/07/2012Page 3
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 :
15/07/2012Page 4
LatarBelakang
Pendahuluan
15/07/2012Page 5
Permasalahan
Mengaplikasikan metode ARIMA dan double exponential smoothing untuk memperoleh
model ramalan pada harga beras produsen dan konsumen
Pendahuluan
15/07/2012Page 6
TujuanPenelitian
Mendapatkan model ramalan yang sesuai untuk harga beras produsen dan konsumen
Pendahuluan
15/07/2012Page 7
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
15/07/2012Page 8
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)
15/07/2012Page 9
Gambaran UmumPerum BULOG
Tinjauan Pustaka
15/07/2012Page 10
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.
15/07/2012Page 11
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) =
15/07/2012Page 12
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
15/07/2012Page 13
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.
15/07/2012Page 14
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
15/07/2012Page 15
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
15/07/2012Page 16
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
15/07/2012Page 17
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
15/07/2012Page 18
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
15/07/2012Page 19
LangkahAnalisis
15/07/2012Page 20
Harga Beras ProdusenSidoarjo
15/07/2012Page 21
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
15/07/2012Page 22
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
Harga Beras ProdusenSidoarjo
15/07/2012Page 23
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)
Harga Beras ProdusenSidoarjo
15/07/2012Page 24
ARIMA
EstimasiParameter
Harga Beras ProdusenSidoarjo
15/07/2012Page 25
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
Harga Beras ProdusenSidoarjo
15/07/2012Page 26
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 ProdusenSidoarjo
15/07/2012Page 27
ARIMA
PemilihanModel
Terbaik
Kriteria RMSE
Model RMSE in sample
ARIMA([3,11],1,0) 84,1928
ARIMA(0,1,[3,11]) 84,0336
Harga Beras ProdusenSidoarjo
15/07/2012Page 28
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
Harga Beras ProdusenSidoarjo
15/07/2012Page 29
ARIMA
Harga Beras ProdusenSidoarjo
15/07/2012Page 30
ARIMA
Model ARIMA
Harga Beras ProdusenSidoarjo
15/07/2012Page 31
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
Harga Beras ProdusenSidoarjo
15/07/2012Page 32
Double EksponentialSmoothing
ARIMA ModelRMSE
In Sample Out Sample
ARIMA + outlier 64,65153 226,495
Double EksponentialSmoothing
85,6012 159,9743
Model Ramalan Terbaik
Harga Beras ProdusenSidoarjo
15/07/2012Page 33
ARIMAModel ARIMA
Harga Beras KonsumenSidoarjo
15/07/2012Page 34
ARIMAModel ARIMA
Harga Beras ProdusenBanyuwangi
15/07/2012Page 35
ARIMAModel ARIMA
Harga Beras KonsumenBanyuwangi
Kesimpulan danSaran
15/07/2012Page 36
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
15/07/2012Page 37
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
15/07/2012Page 38
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.
Daftar Pustaka
15/07/2012Page 39
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.