d. Teknik Pemulusan Eksponensial
Teknik pemulusan eksponensial adalah prosedur yang dapat merevisi hasil ramalan secara kontinyu dengan menggunakan informasi terbaru.
Teknik ini berdasarkan pemulusan yang menurun secara eksponensial. Prediksi dilakukan dengan memberi bobot yang lebih tinggi untuk informasi
yang lebih baru. Teknik ini terdiri dari dua yaitu: 1. Teknik Pemulusan Eksponensial Tunggal
Teknik ini sangat cocok untuk pola data stasioner dan tidak efektif dalam menangani peramalan yang pola datanya memiliki komponen trend
dan pola musiman. Teknik ini hanya menyimpan data terakhir, ramalan terakhir dan konstanta pemulusan
α sehingga dapat mengurangi masalah penyimpanan data.
2. Teknik Pemulusan Eksponensial Ganda Teknik ini menetapkan bahwa ramalan merupakan hasil dari
perhitungan dua kali pemulusan eksponensial dengan tujuan mengatasi masalah data yang tidak stasioner dengan trend linear. Hasil yang
diperoleh dari pemulusan eksponesial tunggal dilakukan pemulusan kembali dengan memberi bobot yang menurun secara eksponensial.
e. Dekomposisi
Dekomposisi adalah salah satu pendekatan yang berupaya mengidentifikasi faktor komponen yang mempengaruhi setiap nilai pada deret.
Setiap komponen diidentifikasi secara terpisah. Proyeksi setiap komponen kemudian dapat dikombinasikan yang menghasilkan nilai ramalan masa depan
deret waktu. Teknik ini digunakan hanya sekedar menampilkan pertumbuhan
dan penurunan suatu deret, atau untuk menyesuaikan deret dengan cara menghilangkan satu atau beberapa komponen. Secara umum Teknik
dekomposisi dibagi atas dua macam yaitu dekomposisi aditif dan dekomposisi multiplikatif.
f. Teknik Box-Jenkins ARIMA
Teknik Box-Jenkins mengacu pada himpunan prosedur untuk mengidentifikasikan, mencocokkan dan memeriksa model ARIMA
autoregressive integrated moving average dengan data deret waktu. Peramalan mengikuti langsung dari bentuk model disesuaikan Henke dan
Reitsch, 2003. Prosedur Box-Jenkins terdiri dari beberapa langkah atau tahapan, yaitu
identifikasi, estimasi, pemeriksaan diagnostik, dan peramalan. 1. Identifikasi
Identifikasi model adalah penentuan apakah deretnya stasioner atau tidak. Pada tahap ini, komponen trend dihilangkan dari deret dengan
melakukan proses differencing pembedaan sehingga model sementara dapat diidentifikasi. Model umumnya berupa autoregressive, moving
average , atau autoregressive-moving average gabungan. Prosedur
identifikasi biasanya dilakukan dengan mempelajari perilaku atau pola dari fungsi autokorelasi ACF dan autokorelasi parsial PACF.
2. Estimasi Parameter Model Pada tahap estimasi, pertama kali kita menghitung nilai estimasi
awal untuk parameter-parameter dari model sementara kemudian dengan menggunakan program komputer melalui proses iterasi untuk memperoleh
nilai estimasi akhir. Walaupun ada beberapa formula untuk menghitung nilai estimasi awal, biasanya kita menggunakan nilai 0,1 sebagai koefisien
estimasi untuk masing-masing ,...
, ,...,
,
2 1
2 1
Θ Θ
Φ Φ
dan menggunakan nilai rata-rata atau rata-rata sebagian dari deret stasioner sebagai nilai estimasi
awal konstanta. 3. Pemeriksaan Model
Setelah diperoleh persamaan untuk model sementara, pemeriksaan diagnostik dilakukan untuk menguji kecukupan dan kedekatan model
dengan data. Pemeriksaan ini dilakukan dengan menguji nilai residual dan dengan menguji signifikansi dan hubungan-hubungan antara
parameter. Jika ada hasil uji yang tidak dapat diterima atau tidak memenuhi syarat, maka model dapat diperbaiki dengan mengulangi
langkah-langkah sebelumnya.
∧
−
t t
Y Y
4. Peramalan Model yang telah memadai dapat diintegrasikan trend dimasukkan
kembali ke dalam model dan nilai ramalan untuk beberapa periode ke depan dapat diperoleh. Interval kepercayaan juga dapat dihitung untuk
masing-masing titik ramalan.
3.1.4 Pemilihan Teknik Peramalan
Menurut Sugiarto dan Harijono 2000, terdapat beberapa kriteria yang dapat dijadikan sebagai pedoman dalam memilih teknik peramalan yang sesuai
bagi data yang ingin diramal. Beberapa kriteria yang biasa dipakai adalah akurasi, jangkauan peramalan, biaya dan kemudahan dalam penerapan. Walaupun banyak
ukuran akurasi peramalan tetapi tidak ada sebuah ukuran yang diakui secara
umum sebagai ukuran yang paling baik, karena setiap ukuran memiliki kelebihan dan kekurangan.
Ukuran akurasi yang sering digunakan adalah nilai mean square error MSE. Teknik ini mengevaluasi akurasi peramalan dengan mengkuadratkan nilai
kesalahan peramalan error, hasilnya dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini membebankan kesalahan peramalan yang besar, karena
errornya dikuadratkan Hanke Reitsch dan Wichern, 2003. Mean absolut persentase galat
MAPE dihitung dengan mencari jumlah nilai absolut galat di setiap periode, kemudian membaginya dengan pengamatan
nilai aktual, dan kemudian absolut galat persentase. Pendekatan ini sangat bermanfaat apabila ukuran variabel peramalan merupakan hal yang sangat penting
dalam pengevaluasian keakuratan peramalan. MAPE memberikan indikasi seberapa besar galat ramalan dibandingkan dengan nilai aktual deret data.
Tekniknya secara khusus berguna jika nilai Y
t
yang besar. MAPE juga dapat digunakan untuk membandingkan keakuratan dari teknik yang sama atau teknik
yang berbeda pada dua deret data yang berbeda Makridakis et al, 1999.
3.1.5 Metode Kausal
Metode ini mencoba mengajukan variabel lain yang berkaitan dengan rangkaian data dan mengembangkan suatu model yang menyatakan adanya saling
ketergantungan fungsional diantara semua variabel tersebut. Salah satu dari metode kausal adalah regresi. Analisis regresi yang digunakan dalam suatu model
terdapat variabel tidak bebas dependent-Y dan variabel bebas independent-X. Regresi sederhana mempunyai satu variabel tidak bebas Y dan satu variabel
bebas X, sedangkan regresi berganda mempunyai satu variabel tidak bebas dan lebih satu variabel bebas.
3.1.6 Hipotesi Penelitian
1. Harga beras IR II tingkat konsumen untuk masing-masing kota dipengaruhi oleh harga tingkat produsen, harga beras IR II tingkat grosir, jumlah pasokan,
stok bulog, dan impor beras. 2. Hubungan antara harga beras IR II tingkat konsumen dengan harga tingkat
produsen adalah positif. Artinya jika terjadi kenaikkan harga tingkat produsen maka harga beras IR II tingkat konsumen akan naik, cateris paribus.
3. Hubungan antara harga beras IR II tingkat konsumen dengan harga tingkat produsen adalah positif. Artinya jika harga beras IR II tingkat grosir naik
maka harga beras IR II akan naik, cateris paribus. 4. Hubungan antara jumlah pasokan dengan harga beras IR II tingkat konsumen
adalah negatif. Artinya jika jumlah pasokan meningkat maka harga beras IR II akan turun, cateris paribus.
5. Hubungan antara stok bulog dengan harga beras IR II tingkat konsumen adalah negatif. Artinya jika stok bulog meningkat maka harga beras IR II
tingkat konsumen akan turun, cateris paribus. 6. Hubungan antara impor beras dengan harga beras IR II tingkat konsumen
adalah negatif. Artinya jika impor beras meningkat maka harga beras IR II tingkat konsumen akan turun, cateris paribus.
3.2 Kerangka Operasional Penelitian
Beras merupakan bahan pangan yang sangat penting di Indonesia, yaitu menyumbang lebih dari 60 persen konsumsi kalori pada masyarakat
berpenghasilan rendah. Peningkatan harga beras yang cukup tinggi mempunyai dampak besar pada standar hidup konsumen. Penurunan harga beras terjadi karena
pasokan yang berlebih pada saat musim panen. Kemungkinan lain adalah pelepasan stok lama, baik oleh pedagang maupun pelaku lain, yang dikumpul
sejak lama. Adanya aktivitas ilegal berupa masuknya beras selundupan juga ikut menekan harga beras domestik. Menurunnya harga beras domestik diduga karena
masuknya beras impor di pasar domestik. Fluktuasi harga beras IR II yang begitu cepat dan tidak adanya kepastian menuntut perlunya dilakukan peramalan harga.
Langkah awal yang dilakukan dalam penelitian ini adalah mengindentifikasi pola data mingguan harga beras IR II dalam plot harga terhadap
waktu. Dengan melakukan plot harga tersebut akan dapat diduga pola data sementara, apakah pola data tersebut memiliki pola stasioner, trend, musiman
maupun siklik. Berdasarkan plot data tersebut, kemudian dilakukan penerapan metode
peramalan kuantitatif yaitu metode time series. Teknik time series yang digunakan, yaitu teknik rata-rata sederhana simple average, teknik rata-rata
bergerak sederhana simple moving average, teknik trend, teknik pelicinan eksponensial tunggal single exsponential smoothing, teknik brown, teknik
winter, teknik dekomposisi, dan teknik ARIMA atau SARIMA. Untuk mendapatkan hasil ramalan yang baik dan akurat dilakukan pemilihan teknik
peramalan berdasarkan nilai MSE terkecil. Semakin kecil nilainya maka akan semakin baik, karena mendekati nilai aktualnya.
Tahap selanjutnya yaitu evaluasi model peramalan harga beras terbaik. Selain teknik time series dalam penelitian ini juga digunakan teknik kausal yakni
analisis regresi berganda. Analisis regresi berganda ini digunakan untuk menentukan faktor-faktor yang berpengaruh secara nyata terhadap harga beras IR
II ditingkat konsumen di masing-masing kota besar Tahap akhir dari penelitian ini adalah mengimplikasikan hasil. Peramalan
akan memberikan informasi yang relevan untuk mengetahui harga beras dimasa yang akan datang sehingga memberikan informasi yang berguna dalam menyusun
perencanaan dan pengambilan keputusan. Kebijakan dapat mengacu pada variabel-variabel independen pada model regresi berganda yang berpengaruh
secara nyata terhadap fluktuasi harga beras IR II tingkat konsumen.
. ...
.
Kebutuhan Terhadap Metode Peramalan Terbaik dan Faktor-Faktor yang
Mempengaruhi Harga Beras
Evaluasi Model Peramalan Harga Beras Terbaik
Hasil dan Implikasinya Identifikasi Pola Data
Harga Beras IR II
Metode Kausal
Regresi Berganda
Metode Time Series
Teknik trend Teknik rata-rata sederhana simple
average Teknik rata-rata bergerak
sederhana simple moving average
Teknik pelicinan eksponensisl tunggal single exsponential
smoothing Teknik Brown,
Teknik Winter Teknik dekomposisi
Teknik ARIMA-SARIMA.
Fluktuasi harga beras IR II yang begitu cepat dan tidak ada kepastian dimasa datang.
Gambar 4 Kerangka Operasional Penelitian
IV. METODE PENELITIAN
4.1 Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder diperoleh dari Badan Ketahanan Pangan Departemen Pertanian berupa
data perkembangan harga beras mingguan di lima kota besar, data bulanan harga tingkat produsen dan jumlah pasokan. Data sekunder lainnya diperoleh dari Badan
Urusan Logistik Bulog berupa data bulanan impor, cadangan beras dalam negeri, harga beras IR II tingkat grosir Data mingguan yang dianalisis dari bulan
Oktober 2004-Juli 2006 dengan jumlah data sebanyak 100 observasi, sedangkan untuk data bulanan yang dianalisis dari Januari 2001-Mei 2006 dengan jumlah
data sebanyak 65 observasi.
4.2 Pengolahan dan Teknik Analisis Data
Pengolahan dan analisis data kuantitatif yang diperoleh menggunakan software Minitab versi 14 Release. Pertimbangan penggunaan program tersebut
karena lebih mudah dalam pengoperasiannya dan output komputer yang disajikan lebih lengkap. Pengolahan data dilakukan selama tiga bulan yaitu dari bulan
Januari sampai Maret 2007.
4.2.1 Identifikasi pola data harga beras IR II
Tahap pertama dari pengolahan data adalah menyajikan serial data harga beras mingguan dalam plot harga terhadap waktu. Dengan melakukan plot harga
tersebut akan dapat diduga pola data sementara, sehingga nantinya akan diketahui jenis pola data stasioner, trend, musiman atau siklik. Tujuan membuat plot serial