Perkembangan Harga Kedelai di Jawa Barat
Autocorrelation Function. Pengamatan terhadap perilaku ACF menunjukan pola dying down. Perilaku PACF menunjukkan pola cut off setelah lag ke-1 dan
koefisien korelasi tidak signifikan pada lag musiman. Kedua perilaku ACF dan PACF tersebut menurut Gaynor dan Kirpartrik dalam Firdaus 2011
menghasilkan model non seasonal-autoregressive dengan derajat p adalah 1. Model tentatif yang akan diestimasi adalah model SARIMA 1,0,01,1,1
12
dan model SARIMA 0,0,21,1,1
12
. Kriteria model ARIMA terbaik pada peramalan harga beras dapat dilihat Tabel 9.
Tabel 9 Kriteria model ARIMA terbaik pada peramalan harga beras
Model ARIMA
Parameter Koefisien
Parameter P-
Value Iterasi
Ljung-Box MSE
Lag ke-
P- value
SARIMA 1,0,01,1,1
12
Konstanta AR 1
SAR 12 SMA 12
357.700 0.7663
-0.9471 0.7125
0.000 0.000
0.000 0.003
Konvergen 12
24 0.655
0.323 36 813
SARIMA 0,0,21,1,1
12
Konstanta SAR 12
MA1 MA 2
SMA 12 1339.20
-0.7376 -1.1527
-0.9311 0.7901
0.000 0.001
0.000 0.000
0.002 Konvergen
12 24
0.096 0.067
28 216
Kedua model tersebut sudah memenuhi kriteria model terbaik sehingga digunakan perbandingan terhadap MSE Mean Squared Error untuk memilih
model yang paling baik diantara model alternatifnya. Model SARIMA 0,0,21,1,1
12
merupakan model yang akan digunakan karena mempunyai nilai MSE yang lebih kecil dibandingkan dengan model alternatifnya, yaitu 28 216.
Berikut ini adalah kriteria model terbaik dari model SARIMA 0,0,21,1,1
12
: 1. Model Parsimonious, model tentatif yang diperoleh yaitu model SARIMA
0,0,21,1,1
12
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 -0.7376 dan jumlah koefisien MA adalah -1.2937.
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 28 216 yang relatif kecil dibandingkan dengan model tentatif alternatifnya.
Berdasarkan kriteria model terbaik tersebut, maka akan dilakukan peramalan time series harga beras menggunakan model SARIMA 0,0,21,1,1
12
. Peramalan ini dilakukan untuk menganalisis kecenderungan harga beras selama
dua belas bulan ke depan tahun 2013. Hasil peramalan time series harga beras dapat dilihat pada Tabel 10.
Tabel 10 Hasil peramalan harga beras model SARIMA 0,0,21,1,1
12
Tahun Bulan
Harga Rpkg Perubahan Harga
2013 Januari
7 559.39 -4.292
Februari 7 623.57
0.849 Maret
7 855.02 3.036
April 7 885.85
0.392 Mei
Juni Juli
Agustus September
Oktober November
Desember 7 622.38
7 707.63 8 098.34
8 523.29 8 584.05
8 629.67 8 792.30
9 304.80 -3.341
1.118 5.069
5.247 0.713
0.531 1.885
5.829
Rata-rata perubahan harga 1.420
Keterangan: Perubahan harga tehadap harga Desember 2012
Hasil peramalan harga beras selama tahun 2013 menunjukkan kecenderungan yang meningkat. Perubahan harga beras tiap bulannya hampir
selalu mengalami perubahan yang positif, dimana rata-rata perubahan harga per bulan diprediksi sebesar 1.420. Walaupun berdasarkan data pada Tabel 5
produksi beras di Jawa Barat telah mencukupi kebutuhan konsumsinya, namun variansi harga akan tetap terjadi mengikuti musim panen. Variansi harga
membesar pada saat musim tanam dan mengecil pada saat musim panen. Selain itu, sebagai daerah penghasil beras terbesar di Indonesia dengan arus keluar-
masuk beras yang cukup aktif, harga beras relatif lebih tinggi dan fluktuatif. Hal ini disebabkan oleh kisaran harga di tiap level distribusi menjadi lebih besar
ketika arus keluar masuk beras semakin aktif BI 2008.
Hal tersebut diduga
mengakibatkan rata-rata perubahan harga beras di Jawa Barat pada tahun 2013 mengalami laju perubahan yang positif.