commit to user
C. Tujuan Penelitian
Berdasarkan rumusan masalah di atas, maka tujuan dari penelitian ini adalah sebagai berikut :
1. Mengetahui dinamika penawaran dan permintaan beras pada era sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo.
2. Menganalisis peramalan penawaran beras di Kabupaten Sukoharjo pada tahun 2011 – 2015.
3. Menganalisis peramalan permintaan beras di Kabupaten Sukoharjo pada tahun 2011 – 2015.
D. Kegunaan Penelitian
1. Bagi peneliti, penelitian ini merupakan salah satu syarat untuk menyelesaikan studi dan memperoleh gelar Magister Agribisnis pada
Program Studi Agribisnis Program Pasca Sarjana Universitas Sebelas Maret Surakarta. Selain itu penelitian ini juga bermanfaat untuk
menambah wawasan terutama yang berkaitan dengan peramalan penawaran dan permintaan.
2. Bagi Pemerintah Daerah Kabupaten Sukoharjo, hasil penelitian ini diharapkan dapat menjadi sumbangan pemikiran dan bahan pertimbangan
dalam menyusun kebijakan terutama terkait dengan permintaan dan penawaran beras di Kabupaten Sukoharjo.
3. Bagi pihak lain, hasil penelitian ini diharapkan dapat dijadikan sebagai tambahan informasi dan referensi dalam penyusunan penelitian
selanjutnya atau penelitian-penelitian sejenis.
commit to user 16
II.
LANDASAN TEORI
A. Tinjauan Pustaka
1. Beras
Dalam pengertian sehari-hari yang dimaksud beras adalah gabah yang bagian kulitnya sudah dibuang dengan cara digiling dan disosoh
menggunakan alat pengupas dan penggiling huller serta penyosoh polisher. Gabah yang hanya terkupas bagian kulit luarnya hull, disebut
beras pecah kulit brown rice. Tinggi-rendahnya tingkat penyosohan menentukan tingkat kehilangan zat-zat gizi. Proses penggilingan dan
penyosohan yang baik akan menghasilkan butiran beras utuh beras kepala yang maksimal dan beras patah yang minimal. Lapisan yang
menyelimuti bagian luar beras pecah kulit, yakni dedak danatau bekatul rice bran mengandung sekitar 65 dari zat gizi mikro penting dalam
beras. Dedak mengandung vitamin tiamin, niasin, vitamin B6, mineral besi, fosfor, magnesium, potasium, asam amino, asam lemak esensial,
serta antioksidan. Kandungan zat gizi tersebut memberi manfaat dalam meningkatkan
kesehatan tubuh,
bersifat hipoalergenik
rendah kemungkinan untuk memicu alergi, sumber serat makan yang banyak
digunakan dalam berbagai industri pangan, farmasi dan pangan suplemen dietary supplement. Beras giling milled rice berwarna putih karena
telah terbebas dari bagian dedaknya yang berwarna coklat. Bagian dedak padi sekitar 5-7 dari berat beras pecah kulit brown rice. Makin tinggi
16
commit to user 17
derajat penyosohan dilakukan makin putih warna beras giling yang dihasilkan, namun makin miskin zat-zat gizi Rahmat, 2010: 1.
Pola konsumsi masyarakat pada masing-maisng daerah berbeda- beda, tergantung dari potensi daerah dan struktur budaya masyarakat. Pola
konsumsi masyarakat Indonesia masih didominasi oleh padi-padian, khususnya beras yang diindikasikan oleh tingginya starchy staple ratio.
Masyarakat umumnya mempunyai ketergantungan yang kuat terhadap beras sebagai sumber karbohidrat dan sebagai upaya untuk mengurangi
ketergantungan masyarakat pada beras maka perlu menggali potensi lokal yang berbasis non-beras untuk memenuhi kebutuhan pangannya
Made, 2008: 52. Menurut Lassa 2006: 3-4 dominasi beras atas sumber daya pangan
lainnya di Indonesia dapat ditemukan dalam istilah-istilah lokal seperti “palawija” Sansekerta, phaladwija yang harfiahnya berarti sesuatu yang
bukan beras sekunder atau pangan kelas dua, sesuatu yang terkonstruksikan secara budaya culturally constructed. Dalam penelitian
ini Van der Eng 2001:190 juga mengatakan bahwa beras telah menjadi sumber pangan dominan yang tercermin dari 50 total konsumsi nasional.
Hari ini, 96 penduduk Indonesia makan beras ketimbang sumber pangan lainnya Simatupang, 1999: 4.
Beras merupakan komoditas yang penting karena merupakan kebutuhan pangan pokok yang setiap saat harus dapat dipenuhi.
Kebutuhan pangan pokok perlu diupayakan ketersediaannya dalam jumlah
commit to user 18
yang cukup, mutu yang baik, aman dikonsumsi, dan mudah diperoleh dengan harga yang terjangkau oleh seluruh lapisan masyarakat. Oleh
karena itu, sasaran pembangunan pertanian adalah memantapkan neraca ketersediaan beras Nurmalina, 2008: 48.
2. Otonomi Daerah
Undang-Undang Nomor 5 Tahun 1999 tentang Pemerintah Daerah telah membuka saluran baru bagi pemerintah propinsi dan kabupaten
untuk mengambil tanggung jawab yang lebih besar dalam pelayanan umum kepada masyarakat setempat, untuk mengatur dan mengurus rumah
tangganya sendiri. Untuk menjamin proses desentralisasi berlangsung dan berkesinambungan, pada prinsipnya acuan dasar dari otonomi daerah telah
diwujudkan melalui Undang-Undang nomor 22 Tahun 1999 dan Undang- Undang Nomor 25 Tahun 1999, serta Peraturan Pemerintah Nomor 25
Tahun 2000, Peraturan Pemerintah Nomor 84 Tahun 2000, selanjutnya Peraturan Pemerintah Nomor 104, 105, 106, 107, 108, 109, dan 110 Tahun
2000 dan ketentuan lainnya yang relevan Widjaja, 2004: 1-2. Pemberlakuan UU N. 22 Tahun 1999 tentang Pemerintah Daerah
atau lebih akrab degan sebutan otonomi, adalah salah satu hasil reformasi politik dan pemerintahan di Indonesia sebagai dampak krisis ekonomi
yang begitu hebat. Undang-Undang ini memberikan banyak kewenangan kepada daerah untuk mengatur rumah tangganya sendiri kecuali di sektor-
sektor agama, pertahanan dan keamanan, politik luar negeri, moneter dan kehakiman. Di laur kelima sektor tersebut sepenuhnya menjadi hak dan
commit to user 19
tanggung jawab daerah. Dengan kewenangan ini, Pemerintah Daerah dapat merekayasa pembangunan sesuai kebutuhan dan kapasitas sumberdayanya
tanpa harus menunggu ijin dari Pemerintah Pusat. Pada pasal 10 1 UU No. 221999 disebutkan daerah berwenang mengelola sumber daya
nasional yang tersedia di wilayahnya dan bertanggung jawab memelihara kelestarian lingkungan sesuai dengan peraturan perundang-undangan.
Selanjutnya pasal 11 2 menyebutkan bahwa bidang pemerintahan yang wajib dilaksanakan oleh daerah kabupaten dan daerah kota meliputi
pekerjaan umum, kesehatan, pendidikan dan kebudayaan, pertanian, perhubungan, industri dan perdagangan, penanaman modal. Lingkungan
hidup, pertanahan, koperasi dan tenaga kerja Sudantoko, 2003: 33-34. Otonomi daerah merupakan fenomena politis yang sangat
dibutuhkan dalam era globalisasi dan demokrasi, apalagi jika dikaitkan dengan tantangan masa depan memasuki era perdagangan bebas yang
antara lain ditandai dengan tumbuhnya berbagai bentuk kerja sama regional, perubahan pola atau sistem informasi global. Melalui otonomi
daerah diharapkan daerah akan lebih mandiri dalam menentukan seluruh kegiatannya dan pemerintah pusat diharapkan tidak terlalu aktif mengatur
daerah. Pemerintah daerah diharapkan mampu memainkan peranannya dalam membuka peluang memajukan daerah dengan melakukan
identifikasi potensi
sumber-sumber pendapatannya dan mampu
menetapkan belanja daerah secara ekonomi yang wajar, efisien, efektif, termasuk
kemampuan perangkat
daerah meningkatkan
kinerja,
commit to user 20
mempertanggungjawabkan kepada pemerintah atasannya maupun kepada publikmasyarakat Widjaja, 2004: 7.
Efisiensi dan efektivitas penyelenggaraan pemerintahan daerah perlu ditingkatkan dengan lebih memperhatikan aspek-aspek hubungan antar
susunan pemerintahan dan atau pemerintahan daerah, potensi dan keanekaragaman daerah, peluang dan tantangan persaingan global dengan
memberikan kewenangan yang seluas-luasnya kepada daerah disertai dengan pemberian hak dan kewajiban menyelenggarakan otonomi daerah
dalam kesatuan sistem pengelenggaraan Pemerintahan Negara. Dalam kenyataannya, Undang-Undang Nomor 22 tahun 1999 tidak sesuai dengan
perkembangan keadaan ketatanegaraan dan tuntutan penyelenggaraan otonomi daerah, perlu diganti direvisi dan kemudian disahkan Undang-
Undang yang baru yaitu Undang-Undang Nomor 32 Tahun 2004 tentang Pemerintahan Daerah LNRI Tahun 2004 Nomor 125, TLNRI Nomor
4437 Widjaja, 2007: 37.
3. Permintaan
Konsep permintaan mewakili perilaku konsumen secara umum di pasar. Perilaku konsumen dalam hal ini adalah faktor-faktor yang
mempengaruhi jumlah permintaan suatu produk oleh konsumen dan bagaimana pengaruh dari perubahan faktor-faktor tersebut terhadap
permintaan produk tersebut. Konsep permintaan menjelaskan bahwa permintaan atas suatu produk dipengaruhi oleh bauran pemasaran produk
commit to user 21
tersebut, bauran pemasaran produk pesaing, pendapatan konsumen, jumlah penduduk, ekspektasi konsumen, dan lain-lain Herlambang, 2002: 29.
Menurut Arsyad 2000: 125-128 pada tingkat individual, permintaan ditentukan oleh dua faktor, yaitu nilai dari cara mendapatkan
dan menggunakan barang dan jasa dan kemampuan untuk mendapatkan barang dan jasa. Kedua faktor tersebut merupakan prasyarat bagi
permintaan efektif individual. Suatu hasrat saja tanpa didukung daya beli purchasing power hanyalah keinginan bukan permintaan. Permintaan
individual tersebut apabila dijumlahkan akan membentuk permintaan pasar. Permintaan pasar selanjutnya akan membentuk fungsi permintaan
pasar suatu produk yang menunjukkan hubungan antara jumlah produk yang diminta dengan semua faktor yang mempengaruhi permintaan
tersebut. Berbagai variabel penentu permintaan dapat digolongkan menjadi variabel strategis harga barang yang bersangkutan, advertensi, kualitas
dan desain barang, serta saluran distribusi barang, variabel konsumen tingkat pendapatan, selera konsumen, dan harapan konsumen terhadap
harga di masa yang akan datang, variabel pesaing harga barang substitusi dan barang komplementer, advertensi dan promosi barang lain, saluran
distribusi barang lain, serta kualitas dan desain barang lain dan variabel lainnya kebijakan pemerintah, jumlah penduduk, dan cuaca.
Ketika pendapatan total seseorang meningkat, dengan asumsi harga- harga tidak berubah, maka kuantitas barang yang dibeli untuk setiap
barang juga
akan meningkat.
Barang-barang yang
memiliki
commit to user 22
kecenderungan seperti ini disebut barang normal. Sebagian besar barang merupakan barang normal, jika pendapatan meningkat, dalam prakteknya
orang cenderung untuk membeli lebih banyak barang. Permintaan untuk barang-barang ”mewah” akan meningkat lebih cepat jika pendapatan naik,
tetapi permitaan barang “untuk keperluan sehari-hari” akan meningkat lebih lambat Nicholson, 2002: 92-94.
Jika harga suatu jenis barang berubah, perubahan ini memiliki dua efek yang berbeda pada pilihan-pilihan seseorang. Dengan efek subtitusi,
meskipun individu tetap bertahan pada kurva indiferens yang sama, konsumsinya harus diubah agar MRS-nya sama dengan rasio harga yang
baru dari kedua barang. Dengan efek pendapatan, karena perubahan harga berarti perubahan daya beli “riil”, orang akan berpindah ke kurva
indiferens baru yang konsisten dengan daya beli baru ini. Kecenderungannya adalah orang memilih untuk meningkatkan konsumsi
barang yang harganya menurun dan mengurangi konsumsi barang yang harganya meningkat. Selain berdampak terhadap barang itu sendiri,
perubahan harga suatu barang juga akan berdampak pada kuantitas barang lain yang diminta. Pada dua barang yang bersifat komplemen, kenaikan
harga suatu barang akan menurunkan kuantitas konsumsi barang lain. Sedangkan pada barang yang bersifat subtitusi, kenaikan harga suatu
barang akan meningkatkan konsumsi barang lain Nicholson, 2002: 96- 110.
commit to user 23
Permintaan pasar atau permintaan agregat atas suatu komoditi menunjukkan jumlah alternatif dari komoditi yang diminta per periode
waktu, pada berbagai harga alternatif oleh semua individu di dalam pasar. Jadi, permintaan pasar untuk suatu komoditi tergantung pada semua faktor
yang menentukan permintaan individu, dan selanjutnya pada jumlah pembeli komoditi tersebut di pasar. Secara geometris, kurva permintaan
pasar atas suatu komoditi diperoleh melalui penjumlahan horizontal dari semua
kurva permintaan
individualitas komoditi
tersebut Salvatore, 2006: 13.
P Harga
P1
P2
Q Q1 Q2
Gambar 1. Kurva Permintaan
Hubungan antara harga dan jumlah penjualan jika digambarkan akan membentuk kurva permintaan, yang menunjukkan jumlah total produk
yang ingin dan mampu dibeli oleh konsumen pada berbagai tingkat harga yang ditawarkan oleh produsen, dengan mempertahankan faktor-faktor
lain konstan Herlambang, 2002: 30. Pergeseran sepanjang kurva permintaan menunjukkan perubahan jumlah barang yang diminta apabila
commit to user 24
terjadi perubahan harga, faktor lain dianggap cateris paribus. Sedangkan apabila terjadi perubahan satu variabel atau lebih selain harga dalam
fungsi permintaan produk tertentu akan mengakibatkan terjadinya pergeseran dari suatu kurva permintaan ke kurva permintaan lainnya
Arsyad, 2000:132-133.
4. Penawaran
Penawaran adalah salah satu kekuatan yang menentukan keseimbangan pasar. Penawaran pasar atas suatu produk menunjukkan
total penawaran seluruh produsen yang ada di pasar, yang ditentukan oleh harga produk itu sendiri, harga produk lain, biaya produksi, teknologi,
kebijakan pemerintah, besar pajak dan subsidi, dan lain-lain. Jika harga suatu produk semakin murah, maka jumlah penawaran produk tersebut
oleh produsen akan semakin kecil, demikian sebaliknya. Sehingga dapat disimpulkan bahwa terdapat korelasi positif antara jumlah penawaran
suatu produk dengan harganya dan jika digambarkan akan membentuk kurva penawaran. Kurva penawaran menunjukkan jumlah penawaran
suatu produk pada berbagai tingkat harga, sementara faktor lain dianggap tetap Herlambang, 2002: 39-40.
Penawaran pasar atau penawaran agregat dari suatu komoditi memberikan jumlah alternatif dari penawaran komoditi dalam periode
waktu tertentu pada berbagai harga alternatif oleh semua produsen komoditi tersebut dalam pasar. Penawaran pasar komoditi itu tergantung
commit to user 25
pada semua faktor yang menentukan penawaran produsen secara individu, dan seterusnya pada jumah produsen dalam pasar Salvatore, 2006: 15.
Kurva penawaran supply curve menunjukkan jumlah barang yang produsen bersedia menjual dengan harga yang akan diterimanya di pasar
dengan mempertahankan setiap faktor yang mempengaruhi jumlah penawaran agar tetap. Kurva penawaran menunjukkan bagaimana jumlah
barang yang ditawarkan untuk dijual berubah seiring dengan perubahan harga barang tersebut. Kurva penawaran naik kemiringannya, semakin
tinggi harganya, semakin banyak perusahaan mampu dan bersedia Pindyck dan Daniel, 2007: 24.
Kurva penawaran memperlihatkan apa yang terjadi dengan kuantitas barang yang ditawarkan ketika harganya berubah, dengan menganggap
seluruh faktor penentu lainnya konstan. Jika satu dari faktor-faktor tersebut berubah, kurva penawaran akan bergeser Mankiw, 2000: 88.
P Harga
P1 P2
Q Q1 Q2
Gambar 2. Kurva penawaran
commit to user 26
Konsep dasar dari fungsi penawaran suatu produksi dapat dinyatakan dalam hubungan antara kuantitas yang ditawarkan kuantitas
penawaran dan sekumpulan variabel spesifik yang mempengaruhi penawaran produk sebagai berikut Gaspersz, 2000: 71:
Qsx = fPx, Pr, T, Pe, Nf, O Keterangan :
Qsx : kuantitas penawaran produk
f : notasi fungsi yang berarti penawaran dari
Px : harga dari produk x
Pr : harga dari input yang digunakan untuk memproduksi produk x
T : tingkat teknologi yang tersedia
Pe : ekspektasi produsen akan harga produk x di masa mendatang
Nf : banyaknya produsen yang memproduksi produk sejenis
O : faktor spesifik lain yang berkaitan dengan penawaran produk x
Pada berbagai kasus sederhana, kurva penawaran mengukur berapa banyak barang yang akan disediakan untuk konsumen pada setiap tingkat
harga. Sebagai tambahan, definisi dari kurva penawaran adalah untuk setiap tingkat harga, kita menentukan berapa banyak barang yang akan
ditawarkan. Jika kita mempunyai sejumlah penawaran individu dari suatu barang, kita dapat menambahkan penawaran individu tersebut untuk
membentuk penawaran pasar Varian, 2003: 289.
commit to user 27
5. Regresi Atas Variabel Dummy
Analisis regresi tidak saja digunakan untuk data-data kuantitatif, tetapi juga bisa digunakan untuk data kualitatif. Jenis data kualitatif
tersebut seringkali menunjukkan keberadaan klasifikasi kategori tertentu, sering juga dikategorikan variabel bebas X dengan klasifikasi
pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap
harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 satu kalau kategori yang dimaksud ada dan nilai 0 nol
kalau kategori yang dimaksud tidak ada bisa juga sebaliknya, tergantung tujuannya. Dalam kasus kemasan ini, bila kemasannya menarik diberi
nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan
seperti variabel kuantitatif lainnya Pusdatin, 2011: 5. Menurut Gujarati, 2004: 263-267 variabel yang mengambil nilai
seperti 1 dan 0 disebut variabel dummy, nama lainnya adalah variabel indikator, variabel binary 2 angka, variabel bersifat katagori, variabel
kualitatif, dan variabel yang membagi dua dichotomous. Ciri model regresi variabel dummy adalah:
a. Jika suatu variabel kualitatif mempunyai m kategori, maka hanya menggunakan m-1 variabel dummy.
b. Penetapan nilai 1 dan 0 untuk dua kategori adalah tanpa suatu dasar bersifat arbitrary.
commit to user 28
c. Kelompok, kategori, atau klasifikasi yang diberi nilai nol seringkali disebut sebagai kategori dasar, kontrol, perbandingan, atau yang
diabaikan merupakan dasar dalam arti bahwa perbandingan dibuat dalam kategori ini.
d. Koefisien
yang diberikan untuk variabel dummy D dapat disebut koefisien intersep deferensial karena koefisien tadi menyatakan berapa
banyak nilai unsur intersep dari kategori yang mendapat nilai 1 berbeda dari koefisien intersep dari kategori dasar.
Seringkali topik penelitian yang dibuat menggunakan jenis data kualitatif. Misalnya laki-laki dan wanita, industri sandang, pangan,
peralatan, dst. Jika jenis kelamin atau industri diberi kode dengan angka, maka sama sekali tidak menunjukkan bahwa angka yang lebih tinggi
menunjukkan nilai yang lebih besar. Angka-angka numerik tersebut hanya kode untuk membedakan jenis atau kategori yang satu dengan yang
lain. Jika kategori seperti itu merupakan variabel penjelas maka dapat digunakan variabel dummy. Jika kita memiliki tiga kategori, maka kita
hanya bisa membuat variabel dummy sebanyak dua n-1 kategori. Hal ini dilakukan untuk menghindari multikolinearitas yang sempurna. Misalnya
kita punya sembilan kelompok industri, maka kita dapat memasukkan delapan variabel Nachrowi, 2008: 27.
Meskipun merupakan suatu alat yang serba guna, teknik variabel dummy perlu ditangani secara hati-hati. Pertama, jika model regresi berisi
suatu unsur konstanta, banyaknya variabel dummy harus lebih kecil dari
commit to user 29
banyaknya klasifikasi tiap variabel kualitatif. Kedua, koefisien yang diberikan pada variabel dummy selalu harus diinterpretasikan dalam
hubungannya dengan kelompok dasar, yaitu kelompok yang mendapat nilai nol. Akhirnya, jika suatu model mempunyai beberapa variabel
kualitatif dengan beberapa kelas, pengenalan variabel dummy dapat menghasilkan banyak derajat kebebasan Gujarati, 2004: 278.
6. Model Persamaan Simultan
Seringkali hubungan satu arah atau hubungan sebab akibat satu arah tidak berarti. Ini terjadi jika Y tidak hanya ditentukan oleh X tetapi
beberapa dari X sebaliknya, ditentukan oleh Y. Secara ringkas, terdapat hubungan dua arah atau simultan antara X dan beberapa dari X, yang
membuat perbedaan antara variabel tak bebas dan variabel yang menjelaskan menjadi meragukan. Pada persamaan simultan yang
dilakukan adalah mengumpulkan secara bersama-sama sejumlah variabel yang dapat ditentukan secara simultan oleh kumpulan variabel sisanya.
Dalam model persamaan seperti ini terdapat lebih dari satu persamaan, satu untuk tiap variabel tak bebas, atau bersifat endogen atau gabungan
atau bersama. Tidak seperti model persamaan tunggal, dalam model persaman simultan orang tidak mungkin menaksir dari satu persamaan
tunggal tanpa memperhitungkan informasi yang diberikan oleh persamaan lain dalam sistem Gujarati, 2004: 307.
Salah satu bentuk model persamaan simultan adalah model struktural, yaitu model yang menggambarkan struktur hubungan yang
commit to user 30
lengkap antara berbagai variabel ekonomi. Persamaan struktural dari suatu model mengandung variabel endogen, variabel eksogen, dan variabel
gangguan. Parameter struktural mencerminkan pengaruh langsung dari setiap variabel bebas terhadap variabel terikat. Variabel endogen dalam
persamaan struktural adalah variabel tak bebas dalam persamaan yang nilainya ditentukan di dalam sistem persamaan, meskipun variabel tersebut
mungkin juga muncul sebagai variabel bebas dalam persamaan. Variabel eksogen merupakan variabel yang nilainya ditentukan di luar model, yang
meliputi lagged endogenous variable. Variabel eksogen dan variabel endogen
beda kala
disebut predetermined
variables Johnston, 1984: 450-460.
Dari struktur rekursif ini tampak bahwa hubungan kausal antara variabel endogen dan variabel penjelas bersifat searah, dimana tidak
terdapat ketergantungan di antara variabel endogen. Dengan demikian dapat diketahui bahwa
俰
1
mempengaruhi 俰
2
, namun 俰
2
tidak mempengaruhi
俰
1
. Demikian pula 俰
1
dan 俰
2
mempengaruhi 俰
3
, namun 俰
3
tidak mempengaruhi 俰
1
dan 俰
2
, berarti setiap persamaan mempelihatkan hubungan ketergantungan unilateral Gujarati, 2004: 339-340.
7. Peramalan
Sering terdapat senjang waktu time lag antara kesadaran akan peristiwa kebutuhan mendatang dengan peristiwa itu sendiri. Adanya
tenggang waktu lead time ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil maka
commit to user 31
perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil peristiwa akhir tergantung pada fakta-fakta yang dapat diketahui, maka
perencanaan dapat memegang peranan penting. Dalam situasi seperti itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan
terjadi atau timbul sehingga tindakan yang tepat dapat dilakukan Makridakis et al., 1999: 3.
Herlambang 2002: 86 menjelaskan bahwa tujuan peramalan adalah untuk meminimalkan resiko dan ketidakpastian yang mungkin akan
dihadapi perusahaan untuk operasi perusahaan dalam jangka pendek maupun untuk perencanaan jangka panjang perusahaan. Kedudukan
peramalan menjadi semakin penting karena organisasi bisnis dan lingkungan menjadi semakin kompleks dan berubah dengan tempo yang
semakin cepat. Semua organisasi bisnis beroperasi dalam suatu lingkungan yang penuh dengan resiko dan ketidakpastian. Oleh karena itu, hasil dari
peramalan dapat digunakan oleh manajer sebagai pegangan untuk menentukan masa depan perusahaan.
Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai
aspek lainnya. Untuk menghadapinya dikembangkan beberapa teknik yang dikategorikan menjadi dua kategori utama, yaitu metode kualitatif atau
teknologis dan metode kuantitatif. Metode kuantitatif dapat dibagi menjadi deret berkala dan metode kausal, sedangkan metode kualitatif dapat dibagi
commit to user 32
menjadi eksploratoris dan normatif. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:
a. Tersedianya info tentang masa lalu; b. Info tersebut dapat dikuantitatifkan dalam bentuk data yang unik;
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang.
Terdapat berbagai alat peramalan yang dapat digunakan untuk mengatasi berbagai masalah tentang peramalan. Akan tetapi berbagai alat
tersebut jarang yang digunakan untuk meramalkan secara langsung, tetapi lebih sebagai komponen yang lebih besar dan lebih komprehensif dari
sistem peramalan. Secara garis besar terdapat dua metode peramalan yaitu scientific and judgmental methods. Pada scientific method dapat
menjelaskan secara eksplisit bahwa peneliti menggunakan tehnik pengaturan sama dengan asumsi akan menghasilkan ramalan yang sama.
Sedangkan pada judgmental method berdasarkan anggapan bahwa terdapat beberapa hal yang tidak dapat diperkirakan. Anggapan ini menimbulkan
adanya ramalan yang ‘baik’ dan ‘buruk’. Suatu ramalan yang ‘baik’ hasilnya harus mendekati akurat yang berarti mendekati standar statistika
yang telah ditetapkan Butler et al., 1996: 4-6.
8. Penaksiran dan Peramalan Permintaan
Arsyad 2000: 166 menjelaskan bahwa penaksiran permintaan merupakan proses untuk menemukan nilai dari koefisien-koefisien fungsi
permintaan akan suatu produk pada masa kini current value. Sedangkan
commit to user 33
prakiraan permintaan merupakan proses penemuan nilai-nilai permintaan pada periode waktu yang akan datang future value. Nilai-nilai masa kini
dibutuhkan untuk mengevaluasi optimalitas penentuan harga sekarang dan kebijaksanaan promosi dan untuk membuat keputusan sehari-hari. Nilai-
nilai pada waktu yang akan datang diperlukan untuk perencanaan produksi, pengembangan produk baru, investasi, dan keadaan-keadaan lain
dimana keputusan yang harus dibuat mempunyai dampak pada periode waktu yang panjang.
Peramalan permintaan adalah upaya untuk mengetahui kemungkinan perubahan permintaan atau jumlah produk yang diminta oleh konsumen di
masa yang akan datang. Peramalan permintaan dapat dibagi menjadi dua metode yaitu kuantitatif dan kualitatif. Metode peramalan kualitatif adalah
peramalan yang didasarkan atas judgement dari seseorang atau kelompok orang. Hasil dari peramalan kualitatif dapat berupa angka-angka tetapi
biasanya tidak didasarkan atas suatu data historis. Metode peramalan kuantitatif adalah metode peramalan yang menggunakan data historis
sebagai dasar pijakannya. Metode kuantitatif dibagi menjadi dua bagian yaitu metode deret waktu dan metode kausal. Dasar pemikiran peramalan
dengan deret waktu adalah bahwa sekumpulan data mempunyai pola dan karakteristik tertentu. Jika pola tersebut dipelajari dan diketahui, maka
dapat digunakan untuk memproyeksikan data yang akan datang. Metode yang dapat digunakan diantaranya moving average, eksponential
smoothing, model Box-Jenkins, dan metode dekomposisi. Peramalan
commit to user 34
permintaan dengan metode kausal dilakukan dengan mencari hubungan antara faktor-faktor yang mempengaruhi permintaan suatu produk
variabel bebas terhadap permintaan suatu produk variabel tak bebas Herlambang, 2000: 105-108.
9. Analisis Deret Berkala Time Series
Makridakis et al. 1999: 329-331 menjelaskan bahwa penggunaan metode-metode peramalan umum meliputi dua tugas dasar yaitu analisis
deret data dan seleksi model peramalan yang paling cocok dengan deret data tersebut. Kategori utama teknik peramalan deret berkala adalah
pemulusan smoothing dan dekomposisi decomposition. Metode pemulusan mendasarkan
ramalannya pada prinsip
perata-rataan penghalusan kesalahan-kesalahan masa lalu dengan menambahkan
persentase kesalahan pada persentase ramalan sebelumnya. Metode dekomposisi deret berkala didasarkan pada prinsip “pemecahan” data deret
berkala ke dalam masing-masing komponennya yaitu musiman, trend, siklus dan unsur random, dan kemudian dilakukan peramalan terhadap
nilai masing-masing dan komposisi tersebut secara terpisah dan akhirnya menggabungkan kembali ramalan-ramalan tersebut.
Pada suatu persamaan dengan metode deret berkala, variabel bebas persamaan merupakan nilai sebelumnya dari variabel tak bebas. Nilai-nilai
ini merupakan nilai-nilai time-laged dari variabel tak bebas, sehingga digunakan istilah auotoregresi AR untuk menjelaskan persamaan
tersebut.
commit to user 35
俰
1
俰
1 2
俰
2
俰 …
1 Kemudian dilakukan pembobotan terhadap nilai-nilai sebelumnya
sehingga persamaan 1 menjadi bentuk sebagai berikut : 俰
1 1
2 2
尳
… 2
Keterangan: 俰
= variabel terikat pada saat t Y
1
… Y = variabel terikat pada saat time lag t – 1 …. t – k
a = konstanta
b
1
… b
k
= parameter dari Y
1
… Y = nilai kesalahan pada saat t
e
1
… e = nilai kesalahan pada periode sebelumnya
Pada persamaan 2 secara eksplisit ditetapkan hubungan ketergantungan antara nilai-nilai kesalahan yang berurutan dan persamaan disebut model
moving average MA. Model-model autoregresif AR dapat secara efektif digabungkan dengan model moving average MA untuk
membentuk kelas model yang sangat umum dan berguna dalam model deret
berkala yang
biasanya dinamakan
pola atau
proses autoregresivemoving average ARMA.
Alat-alat metodologi untuk menganalisis data deret berkala diantaranya adalah Makridakis et al., 1999: 337-348 :
commit to user 36
a. Plot data Langkah pertama yang baik untuk menganalisis data deret berkala
adalah memplot data tersebut secara grafis. Hal ini akan bermanfaat untuk memplot berbagai versi data moving average untuk menetapkan
adanya trend penyimpangan nilai tengah untuk menghilangkan pengaruh musim pada data deseasonilize the data.
b. Koefisien autokorelasi Statistik kunci di dalam analisis deret berkala adalah koefisien
autokorelasi, yaitu korelasi deret berkala dengan deret berkala itu sendiri dengan selisih waktu lag 0, 1, 2 periode atau lebih.
c. Distribusi sampling autokorelasi Konsep dari distribusi sampling sangat penting di dalam analisis deret
berkala karena dapat memberikan petunjuk untuk menilai koefisien autkorelasi dan bagaimana hubungannya dengan signifikansi.
d. Periodogram dan analisis spektral Dilakukan dengan menguraikan data dalam himpunan gelombang
sinus siklus pada frekuensi yang berbeda-beda. Nilai pengujian kumpulan amplitude dari berbagai gelombang tersebut dapat
membantu penentapan unsur random, unsur musiman, dan autokorelasi positif atau negatif dalam deret berkala.
e. Koefisien autokorelasi parsial Autokorelasi parsial digunakan utnuk mengukur tingkat keeratan
association antara dan
, apabila pengaruh dari time lag 1, 2,
commit to user 37
3, … dan seterusnya sampai 1 dianggap terpisah. Koefisien
autokorelasi berorde didefinisikan sebagai koefisien autoregresif
terakhir dari model AR 晦 .
10. Metode Box-Jenkins ARIMA
Terdapat alat peramalan baru yang dikenal dengan metode Box- Jenkins BJ atau lebih dikenal dengan metode ARIMA. Metode ini tidak
menekankan pada analisis probabilistik atau stokastik, tetapi lebih kepada kelengkapan data ekonomi deret berkala time series dengan filosofi “let
the data speak themselves”. Tidak seperti model regresi, dimana Y
t
dijelaskan oleh k regresi X
1
, X
2
, X
3
, …, X
k
, jenis model time series BJ mengijinkan Y
t
dijelaskan oleh masa lalu, atau lag, nilai dari Y itu sendiri dan stochastic error terms. Untuk alasan tersebut, model ARIMA
seringkali disebut model atheoretic karena model ini tidak berdasarkan dari berbagai teori ekonomi, dan teori ekonomi seringkali berbentuk model
persamaan simultan Gujarati, 2003: 837. Menurut Hyndman 2001: 1 ARIMA adalah suatu model
matematika yang digunakan untuk peramalan. ARIMA merupakan singkatan dari autoregressive, integrated, moving average. Setiap kata dari
singkatan tersebut menjelaskan suatu bentuk model matematika yang berbeda. ARIMA telah dipelajari secara ekstensif dan merupakan bagian
utama dari analisis time series. Model ini dipopulerkan oleh George Box dan Gwilym Jenkins pada awal 1970-an dan sekarang dikenal dengan
commit to user 38
model Box-Jenkins. Pendekatan ARIMA yang digunakan untuk peramalan adalah berdasarkan pada hal-hal berikut:
a. peramalan berdasarkan pada fungsi linear dari sampel yang diobservasi b. tujuannya adalah untuk menemukan model yang paling sederhana
yang mampu memberikan diskripsi yang cukup dari data yang diobservasi, kadangkala ini disebut prinsip parsimony.
Setiap proses ARIMA terdiri dari tiga bagian, yaitu autoregressive AR, integrated I, dan moving average MA Hyndman, 2001: 1-2.
a. AR : bagian ini menjelaskan bagaimana setiap observasi adalah suatu fungsi dari p observasi sebelumnya. Sebagai contoh, jika p = 1, maka
setiap observasi adalah suatu fungsi hanya dari satu observasi sebelumnya.
俰
1
俰
1
dimana 俰 menunjukkan nilai observasi pada waktu t, 俰
1
menunjukkan nilai observasi sebelumnya pada waktu t – 1, menunjukkan beberapa random eror dan c dan
1
adalah konstanta. Nilai lain yang diamati dapat dimasukkan pada sisi kanan persamaan
jika p 1: 俰
1
俰
1 2
俰
2
俰 b. I : bagian ini menentukan apakah nilai observasi dibentuk secara
langsung, atau apakah ada perbedaan differences antara observasi yang berurutan dengan model. Jika d = 0, observasi dibentuk secara
commit to user 39
langsung. Jika d = 1, differences dilakukan sekali. Jika d = 2, differences dilakukan dua kali. Dalam prakteknya jarang sekali nilai d
lebih dari 2. c. MA : bagian ini menjelaskan bagaimana setiap observasi adalah suatu
fungsi dari q eror sebelumnya. Sebagai contoh, jika q = 1, maka setiap observasi adalah suatu fungsi hanya dari satu eror sebelumnya
俰
1 1
menunjukkan random eror pada waktu t dan
1
menunjukkan random eror sebelumnya pada waktu t – 1. Eror yang lain dapat
dimasukkan pada sisi kanan persamaan jika q 1. Menurut Sugiarto dan Harijono 2000 dalam Ratna 2004: 26-27
metode ARIMA berbeda dengan metode peramalan lain karena metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja
dengan baik. Secara teoritis, metode Box-Jenkins merupakan metode yang canggih terutama untuk melakukan peramalan jangka pendek. Akan tetapi
secara praktis terdapat beberapa kelemahan diantaranya: 1. jumlah data yang dibutuhkan relatif sangat besar. untuk data bulanan
yang bersifat musiman misalnya, paling tidak dibutuhkan 72 data. 2. apabila terdapat data baru yang tersedia, seringkali parameter dari
model ini harus diestimasi ulang. Hal tersebut mengindikasikan bahwa adanya revisi total terhadap model yang sudah dibuat.
3. waktu yang dibutuhkan cukup lama untuk mencari model yang tepat.
commit to user 40
Selanjutnya Hanke et al. 2001 dalam Ratna 2004: 27 juga menyatakan bahwa jumlah data yang dibutuhkan pada metode ini relatif
besar. Untuk data non musiman paling tidak dibutuhkan 40 data atau lebih untuk membangun sebuah model ARIMA, sedangkan untuk data musiman
paling tidak data sekitar 6-10 tahun tergantung pada masa periode musiman yang digunakan.
Menurut Gujarati 2003 : 840-848 metode Box-Jenkins terdiri dari empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan
diagnostik, dan peramalan. a. Identifikasi
Aspek-aspek AR dan MA dari model ARIMA hanya berhubungan dengan deret berkala yang stasioner, sedangkan banyak
data deret berkala yang bersifat non-stasioner. Suatu data deret berkala dikatakan stasioner apabila data deret berkala tersebut diplot dan
kemudian tidak terbukti adanya perubahan nilai tengah dan varian yang jelas dari waktu ke waktu Makridakis et al., 1999: 332-333.
Makridakis et al. 1999: 351 menambahkan bentuk visual dari plot deret berkala dapat digunakan untuk menguji apakah suatu data
deret berkala telah stasioner atau tidak stasioner, demikian pula plot autokorelasi dapat dengan mudah memperlihatkan ketidakstasioneran.
Nilai-nilai autokorelasi dari data stasioner akan turun sampai nol sesudah time-lag kedua atau ketiga, sedangkan untuk data yang tidak
stasioner, nilai-nilai tersebut berbeda signifikan dari nol untuk
commit to user 41
beberapa periode waktu. Apabila disajikan secara grafik, autokorelasi data yang tidak stasioner memperlihatkan suatu trend searah diagonal
dari kanan ke kiri bersama dengan meningkatnya jumlah time-lag selisih waktu.
Alat utama pada tahap identifikasi adalah autocorrelation function ACF, partial autocorrelation function PACF, dan hasil
correlogram. Konsep dari autokorelasi parsial adalah analogi dari konsep koefisien regresi parsial. Pada model regresi berganda k
variabel, koefisien regresi mengukur tingkat perubahan nilai tengah
dari regresi untuk suatu unit perubahan pada tingkat regresi ke-k, dimana pengaruh seluruh regresor lainnya dianggap konstan. Pada
trend yang sama autokorelasi parsial mengukur korelasi antara
observasi time series pada periode k setelah dibandingkan dengan korelasi pada lag pertengahan misalnya pada periode lag kurang dari
k. Dengan kata lain, autokorelasi parsial adalah korelasi antara Y
t
dan 俰 setelah perubahan dampak pada nilai tengah Y
Gujarati, 2003: 841-842. Penetapan karakteristik data deret berkala seperti stasioner,
musiman, dan sebagainya, memerlukan suatu pendekatan yang sistematis. Hal ini akan membantu untuk mendapatkan gambaran
mengenai model-model yang akan dianalisis. Beberapa model yang sering digunakan adalah:
commit to user 42
1. Model MA 0,0,q
1 1
2 2
2. Model AR p,0,0
′
Φ
1 1
Φ
2 2
Φ 3. Model ARMA p,0,q
Φ
1 1
Φ
2 2
Φ
1 1
atau
1 Φ Φ
Φ _
1 θ θ
θ
4. Model ARIMA p,d,q P,D,Q
s
1 Φ
1
Φ
2 2
Φ 1
1 θ
1
θ
2 2
θ Keterangan:
=
variabel yang diamati = konstanta moving average
… =
parameter …
′
=
konstanta autoregressive Φ
1
…
Φ
=
parameter
1
… AR
= autoregressive MA
= moving average ARMA
= autoregressive moving average
commit to user 43
ARIMA = autoregressive integrated moving average p
= orde autoregressive tanpa musiman d
= orde differencing tanpa musiman q
= orde moving average tanpa musiman P
= orde autoregressive dengan musiman D
= orde differencing dengan musiman Q
= orde moving average dengan musiman s
= jumlah musim dalam satu periode Makridakis et al., 1999: 385-395.
b. Penaksiran parameter Setelah berhasil menetapkan identifikasi model sementara,
selanjutnya menetapkan parameter-parameter AR dan MA, musiman dan tidak musiman harus ditetapkan dengan cara yang terbaik.
Menurut Makridakis et al. 1999: 406-407 terdapat dua cara mendasar untuk mendapatkan parameter-parameter tersebut, yaitu :
1. Dengan cara mencoba-coba trial and error, menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut atau
sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir yang meminimumkan jumlah kuadrat nilai sisa sum
of squared residuals. 2. Perbaikan secara iteratif, memilih taksiran awal dan kemudian
membiarkan program komputer memperhalus penaksiran tersebut secara iteratif.
commit to user 44
c. Pemeriksaan diagnostik Makridakis et al. 1999: 411-414 mengatakan setelah berhasil
menaksir nilai-nilai parameter dari model ARIMA yang ditetapkan sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk
membuktikan bahwa model tersebut cukup memadai. Terdapat dua cara mendasar untuk melakukannya, yaitu:
1. Mempelajari nilai sisa residual untuk melihat apakah masih terdapat beberapa pola yang belum diperhitungkan.
Nilai sisa kesalahan yang tertinggal sesudah dilakukan proses pencocokan model ARIMA, diharapkan hanya merupakan
gangguan random. Oleh karena itu, apabila autokorelasi, parsial dan spektrum garis dari nilai sisa telah diperoleh, kita berharap
akan menemukan: i tidak ada autokorelasi yang signifikan, ii tidak ada parsial yang signifikan, dan iii adanya konsistensi dari
amplitudo yang tinggi melalui seluruh nilai frekuensi pada spektrum garis.
2. Mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan.
Asumsi-asumsi statistik yang mendasari model umum ARIMA, memberikan beberapa angka statistik yang harus dihitung
setelah nilai-nilai koefisin optimum diukur. Sebagai contoh, untuk setiap koefisien akan terdapat kesalahan standart standard error
untuk masing-masing koefisien tersebut dan karena seluruh
commit to user 45
koefisien diukur bersama-sama maka akan terdapat distribusi sampling bersama-sama dari koefisien-koefisien tersebut. Hal ini
akan menghasilkan matriks interkorelasi yang memperlihatan bagaimana bermacam-macam koefisien saling berhubungan satu
dengan lainnya. d. Peramalan
Metode ARIMA adalah suatu metode yang populer untuk peramalan karena metode ini dapat mengembangkan struktur
matematika dengan baik dari berbagai hal yang mungkin untuk menghitung variasi model khusus seperti memprediksi interval. Ini
merupakan suatu hal yang sangat penting dalam peramalan untuk memastikan bahwa mereka mampu meramalkan hal yang tidak pasti
agar dapat dikuantitatifkan Hyndman, 2001: 2. Menurut Makridakis et al. 1999: 382, pendekatan Box-Jenkins
pada tahap pertama identifikasi adalah merumuskan sekelompok model-model yang umum kemudian dilanjutkan dengan penetapan
model untuk sementara. Tahap kedua meliputi penaksiran dan pengujian, yang dilakukan adalah penaksiran parameter pada model
sementara dan pemeriksaan diagnosa untuk menentukan apakah model memadai atau tidak. Jika model sudah memadai maka dilanjutkan pada
tahap ketiga penerapan yaitu menggunakan model untuk peramalan. Akan tetapi jika model belum memadai maka kembali pada tahap
commit to user 46
pertama demikian seterusnya sampai ditemukan model yang memadai yang dapat digunakan untuk peramalan.
11. Penelitian Terdahulu
a. Analisis Penawaran dan Permintaan
Penelitian Maulana et al. 2006: 207-230 dengan judul Analisis Kendala Penawaran dan Kebijakan Revitalisasi Produksi Padi,
metode analisis yang digunakan adalah tabulasi silang dan model ekonometrika untuk menduga fungsi penawaran dan data yang
digunakan adalah data sekunder periode 1969-2005. Aspek yang menjadi fokus análisis dalam penelitian ini adalah 1 masalah dan
kendala; 2 potensi dan prospek; dan 3 kebijakan strategis. Hasil análisis menunjukkan kecenderungan penurunan laju pertumbuhan
produksi padi adalah akibat dari kombinasi: a penurunan luas baku lahan sawah, khususnya di Jawa, dan b kemandekan, bahkan
penurunan produktivitas lahan. Berdasarkan kecenderungan historis dan bila program revitalisasi industri perberasan nasional tidak efektif,
diperkirakan produksi beras akan mengalami pertumbuhan negatif pada periode tahun 2006-2010 dan Indonesia akan terpaksa
mengimpor beras dalam jumlah yang semakin besar. Kebijakan pemerintah dalam meningkatkan kapasitas produksi industri
perberasan nasional harus diorientasikan dari fokus kebijakan harga ke peningkatan kapasitas produksi, melalui a rehabilitasi dan
ekstensifikasi infrastruktur irigasi; b pembukaan lahan sawah baru,
commit to user 47
dan c memacu inovasi teknologi, termasuk revitalisasi sistem penelitian dan pengembangan pertanian serta sistem diseminasi inovasi
pertanian dengan deregulasi dan penciptaan iklim kondusif bagi investor swasta.
Nuryanti 2005: 71-81 dalam penelitiannya yang berjudul Analisis Keseimbangan Permintaan dan Penawaran Beras di
Indonesia menggunakan model keseimbangan Cobweb hasilnya menunjukkan bahwa dalan jangka pendek dan jangka panjang
kenaikan harga beras akan meningkatkan penawaran beras. Pengaruh kenaikan harga pupuk urea dalam jangka pendek akan menurunkan
penawaran beras, sementara dalam jangka panjang akan meningkatkan penawaran beras serta menurunkan harga beras. Pengaruh peningkatan
pendapatan per kapita dalam jangka pendek akan meningkatkan permintaan beras, dan dalam jangka panjang tidak mengakibatkan
perubahan permintaan dan harga beras. Sementara itu peningkatan jumlah penduduk dalam jangka pendek dan jangka panjang akan
menyebabkan peningkatan permintaan dan harga beras dengan pengaruh yang lebih besar daripada pengaruh peningkatan pendapatan
per kapita terhadap permintaan dan harga beras. Stabilitas keseimbangan sistem penawaran dan permintaan beras dalam jangka
pendek keluar dari keseimbangan, namun dalam jangka panjang sistem menuju pada harga keseimbangan dan sistem kembali stabil. Implikasi
dari kajian ini adalah bahwa kebijakan harga input pupuk urea dan
commit to user 48
harga output gabah tidak menimbulkan gangguan stabilitas pasar, penawaran dan permintaan beras relatif stabil, artinya cukup aman
untuk dilaksanakan. Kariyasa 2001: 1-21 dalam penelitiannya yang berjudul
Analisis Penawaran dan Permintaan Daging Sapi di Indonesia Sebelum dan Saat Krisis Ekonomi: Suatu Analisis Proyeksi
Swasembada Daging Sapi 2005 menggunakan metode Three Stage Least Squares 3SLS untuk menganalisis data time series periode
1970-1999. Hasil analisis menunjukkan bahwa peubah-peubah yang secara ekonomi sesuai dengan hipotesis berpengaruh terhadap
produksi daging sapi dalam negeri adalah: harga daging sapi dalam negeri, suku bunga, populasi ternak sapi, harga ternak sapi, dan harga
pakan. Pada persamaan impor daging sapi Indonesia ada empat peubah yang berpengaruh secara ekonomi yaitu harga daging sapi impor, kurs
rupiah terhadap dolar AS, tarif impor, dan peubah harga daging sapi dalam negeri. Sedangkan pada persamaan permintaan daging sapi
dalam negeri peubah-peubah yang berpengaruh secara ekonomi adalah harga daging sapi dalam negeri, harga ikan, harga telur, harga daging
kambing, pendapatan per kapita dan selera. Dalam jangka pendek maupun jangka panjang, produksi daging
sapi dalam negeri hanya respon terhadap perubahan peubah harga daging sapi itu sendiri dan harga ternak sapi. Sementara itu permintaan
daging sapi dalam negeri hanya respon terhadap perubahan peubah
commit to user 49
harga daging sapi itu sendiri dan pendapatan per kapita. Saat krisis ekonomi produksi dan permintaan daging sapi dalam negeri masing-
masing 1,3 dan 0,5 kali lebih rendah dibanding sebelum krisis ekonomi. Selain itu hasil penelitian juga menunjukkan bahwa harga riil
daging sapi dalam negeri saat krisis ekonomi sebenarnya sekitar 3,7 kali lebih rendah dibanding sebelum krisis ekonomi. Hal ini diduga
terjadi akibat laju peningkatan inflasi lebih dari 3 kali dibanding laju peningkatan harga nominalnya. Hasil proyeksi menunjukkan bahwa
dalam sepuluh tahun kedepan ketergantungan Indonesia akan daging sapi impor semakin besar. Hal ini terlihat pada tahun 2000, produksi
daging sapi dalam negeri masih mampu memenuhi kebutuhan konsumsi daging dalam negeri sebesar 93, sedangkan pada tahun
2009 diperkirakan proporsi tersebut berubah menjadi 79 dibanding 21.
b. Analisis Peramalan Penawaran dan Permintaan
Penelitian Contreras et al. 2003: 1014-1020 dengan judul ARIMA Models to Predict Next-Day Electricity Prices menggunakan
dua model ARIMA untuk meramalkan harga perjam pada penggunaan listrik di Spanyol dan California. Pada model Spanyol perlu lima jam
untuk meramalkan harga yang akan datang, sebaliknya pada model California hanya memerlukan dua jam saja. Perbedaan ini mungkin
disebabkan oleh perbedaan struktur penawaran dan kepemilikan. Rata- rata eror pada pasar Spanyol berkisar antara 10 dengan dan tanpa
commit to user 50
variabel penjelas, dan berkisar 5 pada periode yang stabil dari pasar California berkisar 11 selama tiga minggu, dan tanpa variabel
penjelas. Di Spanyol, variabel penjelas hanya diperlukan pada bulan dengan korelasi yang tinggi antara produksi hidro yang tersedia dan
harga. Sedangkan pada bulan yang lainnya, dampak ini tidak ada. Untuk kedua pasar tersebut, tidak ada eror yang layak, diambil dalam
jumlah sifat yang kompleks dari harga time series dan hasil sebelumnya dilaporkan dalam literature teknis, sebagian berasal dari
Artificial Neural Networks. Peramalan harga menjadi semakin dibutuhkan oleh produsen dan konsumen pada pasar listrik kompetitif
yang baru. Baik untuk penempatan pasar dan kontrak jangka panjang, peramalan harga diperlukan untuk mengembangkan penawaran strategi
atau kemampuan negosiasi dengan tujuan untuk memaksimalkan keuntungan. Penelitian ini menggunakan metode untuk meramalkan
harga listrik harian dengan metode ARIMA. Teknik ARIMA digunakan utnuk menganalisis data time series, dahulu dipakai untuk
meramalkan beban penggunaan listrik, dengan tingkat akurasi dan matematika yang baik.
Nochai dan Titida 2006: 1-7 dalam penelitiannya yang berjudul ARIMA Model for Forecasting Oil Palm Price menggunakan tiga
model untuk meramalkan harga minyak yaitu harga petani, harga grosir, dan harga minyak murni untuk periode lima tahun, 2000-2004.
Tujuan dari penelitian ini adaah untuk menemukan model ARIMA
commit to user 51
yang tepat untuk meramalkan ketiga bentuk harga minyak sawit dengan memperhatikan rata-rata persentase eror absolute yang
minimum the minimum of mean absolute percentage error – MAPE. Hasil peramalannya adalah sebagai berikut:
a Model ARIMA untuk meramalkan harga minyak sawit di tingkat petani adalah ARIMA 2,1,0 dengan bentuk model
俰 俰
1
0,4621 俰
1
俰
2
0,3899 俰
2
俰
3
dengan MAPE
13,23 . b Model ARIMA untuk meramalkan harga minyak sawit di tingkat
grosir adalah ARIMA 1,0,1 atau ARMA 1,1 dengan bentuk model
俰 3,106 0,8039 俰
1
0,3466
1
dengan MAPE 9,01 .
c Model ARIMA untuk meramalkan harga minyak sawit murni adalah ARIMA 3,0,0 atau AR 3 dengan bentuk model
俰 1,8778 1,4313 俰
1
0,8840 俰
2
0,3781 俰
3
dengan MAPE 5,27 .
Penelitian Ratna Allyne 2004: 1-152 dengan judul Peramalan Permintaan Beberapa Komoditi Sayuran Pada PT. Saung Mirwan,
Bogor bertujuan untuk i mengetahui bagaimana pola permintaan brokoli, kedelai jepang, lettuce head, tomat ceri, dan tomat rianto, dan
ii mengetahui metode peramalan apa yang sesuai untuk peramalan permintaan kelima jenis sayuran tersebut. Penelitian ini menggunakan
metode kuantitatif yang terdiri dari metode time series dan kausal
commit to user 52
regresi. Metode time series menggunakan data permintaan aktual tahun 2000 – Agustus 2003, sedangkan metode regresi menggunakan
data tahun 2000 – Agustus 2003 dengan variabel independen permintaan sebelumnya, harga jual rata-rata dan periode waktu.
Peramalan dilakukan
pada masing-masing komoditi
dengan menggunakan
metode kuantitatif
terbaik. Hasil
penelitian menunjukkan bahwa pola data permintaan pada kelima komoditi
sayuran tidak stasioner dimana terdapat unsur trend dan musiman. Metode terbaik berdasarkan nilai MSE terkecil adalah ARIMA,
kecuali pada komoditi kedelai Jepang. Persamaan permintaan untuk masing-masing komoditi adalah :
a brokoli → ARIMA 2,0,0
俰 150,28 0,5649 俰
1
0,215俰
2
; b kedelai jepang
→ dekomposisi multiplikatif 俰
2348,79 0,330530 ;
c lettuce head → ARIMA 2,1,1
1 0,7859
0,1383 1
俰 2,058 1
0,9895 ;
d tomat ceri → ARIMA 3,1,1
1 0,5714
0,0937 0,2035
1 俰
2,4367 1 0,9915
; e tomat rianto
→ ARIMA 3,0,0 俰
296,8 0,4884
1
0,1229俰
2
0,2041俰
3
commit to user 53
Penelitian Kardoyo dan Mudrajat 2002: 7-20 tentang Analisis Kurs Valas dengan Pendekatan Box-Jenkins: Studi Empiris RpUS
dan RpYen, 1983.2-2000.3 menyimpulkan bahwa: i dengan cocok dan layaknya model kurs valas Frenkel-Bilson yang melibatkan
variabel fundamental ekonomi jumlah uang beredar JUB, tingkat pendapatan nasional, dan tingkat suku bunga, serta signifikannya
variabel-variabel fundamental ekonomi tersebut dalam menjelaskan fluktuasi kurs RpUS, menghasilkan temuan bahwa doktrin paritas
suku bunga interest rate parity berlaku dalam mempengaruhi fluktuasi kurs valas RpUS ; ii model kurs valas kasus Indonesia
yang melibatkan variabel fundamental ekonomi, jumlah uang beredar, tingkat pendapatan nasional, dan tingkat inflasi serta signifikannya
variabel-variabel fundamental ekonomi dalam model tersebut dalam menjelaskan fenomena fluktuasi kurs RpUS memberikan hasil
bahwa model tersebut layak dan cocok untuk diterapkan untuk menganalisis kurs RpUS. Variabel tingkat inflasi Indonesia terhadap
Amerika Serikat signifikan dalam menjelaskan fenomena fluktuasi kurs RpUS. Hal ini menghasilkan kesimpulan bahwa doktrin paritas
daya beli juga berlaku dalam mempengaruhi fluktuasi kurs RpUS; iii ketiga model kurs valas yaitu model kurs valas Frenkel-Bilson,
Dornbusch-Frankel, maupun model Hooper-Morton tidak bisa diterapkan untuk menganalisis fluktuasi kurs RpYen. Model kurs
RpYen dengan melibatkan variabel jumlah uang beredar dan tingkat
commit to user 54
inflasi justru mampu menjelaskan fenomena fluktuasi kurs RpYen. Variabel tingkat inflasi Indonesia terhadap inflasi Jepang bertanda
positif dan signifikan. Ini berarti doktrin paritas daya beli purchasing power parity juga berlaku dalam mempengaruhi fluktuasi kurs
RpYen.
B. Kerangka Teori Pendekatan Masalah
a. Metode ARIMA Box-Jenkins
Metode yang digunakan untuk peramalan permintaan dan pernawaran beras adalah metode ARIMA metode Box-Jenkins. Setiap
proses ARIMA terdiri dari tiga bagian, yaitu autoregressive AR, integrated I, dan moving average MA. Model ini sering ditulis dalam
bentuk pendek ARIMA p, d, q dimana p menjelaskan AR, d menjelaskan bentuk integrated dan q menjelaskan MA.
Menurut Gujarati 2003: 840-848 metode Box-Jenkins terdiri dari empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan
diagnostik, dan peramalan. a. Identifikasi
Aspek-aspek AR dan MA dari model ARIMA hanya berhubungan dengan deret berkala yang stasioner, sedangkan banyak
data deret berkala yang bersifat non-stasioner. Suatu data deret berkala dikatakan stasioner apabila data deret berkala tersebut diplot dan
kemudian tidak terbukti adanya perubahan nilai tengah dan varian yang jelas dari waktu ke waktu. Alat utama pada tahap identifikasi
commit to user 55
adalah autocorrelation function ACF, partial autocorrelaion function PACF, dan hasil correlogram. Konsep dari autokorelasi parsial
adalah analogi dari konsep koefisien regresi parsial. Autokorelasi parsial adalah korelasi antara Yt dan
俰 setelah perubahan dampak pada nilai tengah Y Gujarati, 2003: 841-842.
b. Penaksiran parameter Setelah berhasil menetapkan identifikasi model sementara,
selanjutnya menetapkan parameter-parameter AR dan MA, musiman dan tidak musiman harus ditetapkan dengan cara yang terbaik. Untuk
mendapatkan parameter-parameter tersebut dapat dilakukan dengan cara perbaikan secara iteratif, yaitu dengan memilih taksiran awal dan
kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif.
c. Pemeriksaan diagnostik Makridakis et al. 1999: 411-414 mengatakan setelah berhasil
menaksir nilai-nilai parameter dari model ARIMA yang ditetapkan sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk
membuktikan bahwa model tersebut cukup memadai. Terdapat dua cara mendasar untuk melakukannya, yaitu:
1. Mempelajari nilai sisa residual untuk melihat apakah masih terdapat beberapa pola yang belum diperhitungkan.
2. Mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan.
commit to user 56
d. Peramalan Metode ARIMA adalah suatu metode yang popular untuk
peramalan karena metode ini dapat mengembangkan struktur matematika dengan baik dari berbagai hal yang mungkin untuk
menghitung variasi model khusus seperti memprediksi interval. Ini merupakan suatu hal yang sangat penting dalam peramalan untuk
memastikan bahwa mereka mampu meramalkan hal yang tidak pasti agar dapat dikuantitatifkan Hyndman, 2001: 2.
Model ARIMA merupakan suatu bentuk model umum yang digunakan untuk data forecasting. Menurut Chan dan Chan 2008 dalam
Sukma 2010: 4 variasi dari model ARIMA adalah dengan adanya variabel tambahan yang disebut ARIMAX, dimana X menunjukkan
variabel tambahan. Beberapa penelitian dengan menggunakan model ARIMAX, diantaranya adalah penelitian Sukma 2010, Sari 2010, dan
Suci 2010. Pada penelitian Sukma 2010 dan Suci 2010 variabel tambahan yang digunakan adalah variabel dummy untuk efek variasi
kalender. Uji variabel dummy dilakukan dengan menggunakan uji titik patah
Chow Chow’s breakpoint test. Uji variabel dummy terdapat dalam penelitian Darsono 2009 dengan hasil dummy 0 untuk data periode tahun
1975 – 1997 sedangkan dummy 1 untuk data periode tahun 1998-2009. Penelitian dengan uji variabel dummy juga terdapat pada penelitian
Kuncoro dan Inayah 2003 yang menganalisis tentang studi perilaku kurs
commit to user 57
RpUS selama periode 1 Januari 1999 – 30 April 2002. Variabel dummy yang digunakan dalam penelitian ini adalah untuk membedakan sebelum
dan sesudah pelaksanaan otonomi daerah.
b. Model Persamaan Simultan
Pada persamaan simultan nilai Y tidak hanya ditentukan oleh X tetapi beberapa dari X sebaliknya, ditentukan oleh Y. Secara ringkas,
terdapat hubungan dua arah atau simultan antara X dan beberapa dari X, yang membuat perbedaan antara variabel tak bebas dan variabel yang
menjelaskan menjadi meragukan. Dengan kata lain bahwa variabel tak bebas dalam satu persamaan mungkin muncul sebagai variabel yang
menjelaskan dalam persamaan lain dari sistem. Oleh karena itu, variabel yang menjelaskan tak bebas dependent exsplanatory variable menjadi
stokastik dan biasanya berkorelasi dengan gangguan dari persamaan dimana variabel tadi muncul sebagai variabel yang menjelaskan.
Pada persamaan simultan yang dilakukan adalah mengumpulkan secara bersama-sama sejumlah variabel yang dapat ditentukan secara
simultan oleh kumpulan variabel sisanya. Dalam model persamaan seperti ini terdapat lebih dari satu persamaan, satu untuk tiap variabel tak bebas,
atau bersifat endogen atau gabungan atau bersama. Dalam model persaman simultan kita tidak mungkin menaksir dari satu persamaan tunggal tanpa
memperhitungkan informasi yang diberikan oleh persamaan lain dalam sistem Gujarati, 2004: 307.
commit to user 58
Model persamaan simultan dapat diterapkan pada analisis penawaran dan permintaan. Dengan menggunakan asumsi pada kondisi eseimbangan
pasar permintaan beras akan sama dengan penawaran beras. Setelah memperoleh model persamaan penawaran dan permintaan beras dengan
menggunakan metode ARIMA serta adanya penambahan variabel dummy, maka peramalan permintaan dan penawaran beras untuk tahun-tahun
berikutnya dilakukan secara bersama-sama dengan menggunakan persamaan
simultan. Persamaan yang
diperoleh pada
kondisi keseimbangan pasar ini kemudian digunakan untuk peramalan permintaan
dan penawaran beras.
commit to user 59
Dinamika Penawaran dan Permintaan Beras
Model ARIMA Penawaran dan Permintaan Beras
Uji Variabel Dummy Otonomi Daerah
Persamaan Simultan Penawaran dan Permintaan Beras
Peramalan Penawaran dan Permintaan Beras
Plot data Stasioner
Tidak stasioner Differencing nilai d
Stasioner Estimasi Model
model tentatif permintaan dan penawaran Penaksiran Parameter
menetapkan nilai parameter AR dan MA Pemeriksaan Diagnostik
membandingkan model tentatif dengan model alternatif
Peramalan Permintaan dan Penawaran Beras
Ya Tidak
penawaran beras tahun 1994 – 2010
permintaan beras tahun 1994 – 2010
Model ARIMAp,d,q
penawaran
Model Persamaan Simultan pada kondisi keseimbangan pasar
Gambar 3. Kerangka Pemikiran Analisis Peramalan Permintaan dan Penawaran Beras Pada Era Otonomi Daerah di Kabupaten Sukoharjo
Chow Breakpoint Test Otonomi Daerah
Model ARIMA p,d,q
permintaan
D = 0, periode sebelum otda D = 1, periode setelah otda
· Shock · Policy
· Perubahan Iklim, dll
commit to user 60
C. Pembatasan Masalah
Kategori