Perkembangan Harga Gula Pasir di Jawa Barat

Tabel 11 Kriteria model ARIMA terbaik pada peramalan harga kedelai Model ARIMA Parameter Koefisien Parameter P- Value Iterasi Ljung-Box MSE Lag ke- p- value ARIMA 1,1,0 Konstanta AR 1 48.54 -0.3284 0.503 0.024 Konvergen 12 24 36 0.070 0.080 0.199 242 595 ARIMA 3,1,0 Konstanta AR 1 AR 2 AR 3 66.90 -0.4525 -0.3177 -0.3277 0.332 0.003 0.044 0.029 Konvergen 12 24 36 0.618 0.854 0.952 218 770 ARIMA 0,1,1 Konstanta MA 1 31.22 0.5785 0.292 0.000 Konvergen 12 24 36 0.476 0.496 0.696 221 689 Ketiga model tersebut sudah memenuhi kriteria model terbaik sehingga untuk memilih model mana yang akan digunakan dapat dilakukan perbandingan terhadap MSE Mean Squared Error. Model ARIMA 3,1,0 merupakan model yang akan digunakan karena mempunyai nilai MSE yang paling kecil diantara model alternatifnya yaitu 218 770. Kriteria model terbaik yang dipenuhi oleh model ARIMA 3,1,0, yaitu: 1. Model Parsimonious, model tentatif yang diperoleh yaitu model ARIMA 3,1,0 sudah menunjukkan bentuk paling sederhana. 2. Banyaknya parameter yang signifikan, hal ini ditunjukkan pada hasil estimasi output dimana p-value koefisien kurang dari 0.05 taraf nyata. 3. Kondisi invertibilitas, ditunjukkan oleh jumlah koefisien AR dan MA dimana masing-masingnya harus kurang dari 1. Dari hasil estimasi output jumlah koefisien AR adalah -1.0979. 4. Proses iterasi yang konvergen, hal ini ditunjukkan dari pernyataan relative change in each estimate less than 0,0010 pada hasil estimasi. 5. Residual atau error peramalan bersifat acak, ditunjukkan oleh indikator Box- Ljung Statistic yang lebih besar dari 0.05 taraf nyata. 6. Model memiliki MSE sebesar 218 770 yang relatif kecil dibandingkan dengan model tentatif alternatifnya. Berdasarkan kriteria model terbaik tersebut maka akan dilakukan peramalan time series harga kedelai menggunakan model ARIMA 3,1,0. Peramalan ini dilakukan untuk menganalisis kecenderungan harga kedelai selama dua belas bulan ke depan tahun 2013. Hasil peramalan time series harga kedelai dapat dilihat pada Tabel 12. Tabel 12 Hasil peramalan harga kedelai model ARIMA 3,1,0 Tahun Bulan Harga Rpkg Perubahan Harga 2013 Januari 9 582.90 -0.747 Februari 9 553.20 -0.310 Maret 9 640.40 0.913 April 9 700.90 0.628 Mei Juni Juli Agustus September Oktober November Desember 9 722.50 9 731.80 9 767.80 9 808.40 9 842.40 9 869.20 9 899.90 9 933.30 0.223 0.096 0.370 0.416 0.347 0.272 0.311 0.337 Rata-rata perubahan harga 0.238 Keterangan: Perubahan harga tehadap harga Desember 2012 Hasil peramalan harga kedelai selama tahun 2013 menunjukkan kecenderungan yang meningkat. Perubahan harga kedelai tiap bulannya hampir selalu mengalami perubahan yang positif, dimana rata-rata perubahan harga per bulan diprediksi sebesar 0.238. Kecenderungan harga yang meningkat ini terjadi karena masih besarnya ketidakseimbangan antara tingkat konsumsi masyarakat Jawa Barat yang tinggi terhadap kedelai dengan keterbatasan produksi kedelai Jawa Barat. Produksi kedelai Jawa Barat hanya mampu memenuhi sekitar 21 kebutuhan penduduknya Tabel 6, sedangkan sisanya diperoleh dari impor. Kebutuhan terhadap kedelai yang tinggi dikarenakan kedelai banyak digunakan sebagai bahan bakuuntuk berbagai makanan olahan, seperti kecap, tauco, oncom, tahu dan tempe. Menurut Ratnasari 2008, Jawa Barat merupakan provinsi yang memiliki Industri Kecil dan Menengah IKM kedelai ketiga terbesar di Indonesia setelah Jawa Tengah dan Jawa Timur. Berdasarkan data pada Tabel 6, kebutuhan yang tinggi ini terus mengalami peningkatan. Hal ini tidak terlepas dari pengaruh peningkatan jumlah penduduk Jawa Barat.

6.3 Kecenderungan Harga Gula Pasir di Jawa Barat

Kecenderungan harga gula pasir dianalisis dengan melakukan peramalan time series selama dua belas bulan ke depan dari periode penelitian. Berdasarkan plot data harga gula terhadap waktu pada Gambar 10 terlihat bahwa data harga gula tidak memiliki pola musiman sehingga untuk melihat kecenderungannya digunakan model ARIMA p,d,q. Gambar tersebut juga menunjukkan data tidak berfluktuasi disekitar suatu nilai tengah yg tetap dari waktu ke waktu, sehingga dapat disimpulkan harga kedelai belum stasioner. Stasioneritas data ini dibuktikan oleh uji Augmented Dickey-Fuller ADF. Hasil uji ADF menyatakan bahwa probabilitas data sebesar 0.1710. Probabilitas data yang berada diatas taraf nyata 5 menunjukkan bahwa data harga gula tidak stasioner sehingga perlu dilakukan proses pembedaan pertama first differencing. Hasil pembedaan pertama secara grafis sudah menunjukan pola data berfluktuasi di sekitar nilai tengah. Selain itu, pada uji ADF probabilitas data 0.0033, sehingga data dapat dikatakan stasioner. Setelah data sudah stasioner, maka selanjutnya dilakukan tahapan identifikasi model. Identifikasi model dilakukan untuk mencari model tentatif yang memenuhi kriteria model terbaik. Model tentatif dapat diperoleh dari identifikasi terhadap perilaku ACF Autocorrelation Function dan PACF Partial Autocorrelation Function. Pengamatan terhadap perilaku ACF menunjukan pola sine wave setelah lag ke dua. Perilaku PACF menunjukkan pola cut off setelah lag ke tiga Lampiran 4. Pengamatan terhadap perilaku ACF dan PACF menghasilkan model tentatif yang akan diestimasi yaitu ARIMA 2,1,1 dan ARIMA 1,1,3. Kriteria model ARIMA terbaik ditampilkan pada Tabel 13. Tabel 13 Kriteria model ARIMA pada peramalan harga gula pasir Model ARIMA Parameter Koefisien Parameter P- Value Iterasi Ljung-Box MSE Lag ke- p- value ARIMA 2,1,1 Konstanta AR 1 AR 2 MA 1 84.83 -0.4440 0.4950 -0.6830 0.332 0.015 0.001 0.000 Konvergen 12 24 36 0.245 0.801 0.507 123 773 ARIMA 1,1,3 Konstanta AR 1 MA 1 MA 2 MA 3 23.780 0.7159 0.6600 -0.3066 0.5723 0.000 0.000 0.002 0.060 0.000 Konvergen 12 24 36 0.114 0.773 0.384 127 127 Kedua model tersebut sudah memenuhi kriteria model terbaik sehingga dilakukan perbandingan terhadap MSE Mean Squared Error untuk memilih model yang paling baik diantara model alternatifnya. Model ARIMA 2,1,1 merupakan model yang akan digunakan karena mempunyai nilai MSE yang paling kecil diantara model alternatifnya yaitu 123 773. Kriteria model terbaik yang dipenuhi oleh model ARIMA 2,1,1, yaitu: 1. Model Parsimonious, model tentatif yang diperoleh yaitu model ARIMA 2,1,1 sudah menunjukkan bentuk paling sederhana. 2. Banyaknya parameter yang signifikan, hal ini ditunjukkan pada hasil estimasi output dimana p-value koefisien kurang dari 0.05 taraf nyata. 3. Kondisi invertibilitas, ditunjukkan oleh jumlah koefisien AR dan MA dimana masing-masingnya harus kurang dari 1. Dari hasil estimasi output jumlah koefisien AR adalah -0.0510 dan jumlah koefisien MA adalah -0.6830. 4. Proses iterasi yang konvergen, hal ini ditunjukkan dari pernyataan relative change in each estimate less than 0,0010 pada hasil estimasi. 5. Residual atau error peramalan bersifat acak, ditunjukkan oleh indikator Box- Ljung Statistic yang lebih besar dari 0.05 taraf nyata. 6. Model memiliki MSE sebesar 218 770 yang relatif kecil dibandingkan dengan model tentatif alternatifnya. Tabel 14 Hasil peramalan harga gula pasir model ARIMA 2,1,1 Tahun Bulan Harga Rpkg Perubahan Harga 2013 Januari 11 595.60 -0.009 Februari 11 440.00 -1.342 Maret 11 593.20 1.339 April 11 533.00 -0.519 Mei Juni Juli Agustus September Oktober November Desember 11 720.40 11 692.20 11 882.30 11 868.80 12 053.70 12 049.80 12 227.90 12 231.70 1.625 -0.241 1.626 -0.114 1.558 -0.032 1.478 0.031 Rata-rata perubahan harga 0.450 Keterangan: Perubahan harga tehadap harga Desember 2012