Kesimpulan Saran KESIMPULAN DAN SARAN

VII. KESIMPULAN DAN SARAN

7.1. Kesimpulan

Berdasarkan hasil analisis yang dilakukan dalam penelitian ini, maka kesimpulan yang dapat diambil adalah: 1. Pola data harga ayam di enam kota besar di Indonesia DKI Jakarta, Bandung, Semarang, Yogyakarta, Surabaya, dan Denpasar Secara umum menunjukkan suatu pola trend yang meningkat dan memiliki unsur musiman tertentu. 2. Untuk DKI Jakarta harga ayam dipengaruhi oleh harga pada periode sebelumnya, produksi ayam, dan wabah flu burung. Harga ayam di Bandung, Semarang dan Surabaya dipengaruhi oleh harga ayam periode sebelumnya, serta dipengaruhi pula oleh volume produksipasokan pada kota Bandung, tingkat konsumsi pada kota Semarang, dan adanya wabah flu burung pada kota Surabaya. Pada kota Yogyakarta dan Denpasar harga ayam dipengaruhi oleh tingkat konsumsi daging ayam, tetapi di Yogyakarta harga ayam juga dipengaruhi oleh wabah flu burung. 3. Metode peramalan time series terbaik yang diperoleh berdasarkan nilai MSE terrkecil untuk DKI Jakarta, Bandung, Semarang, Yogyakarta, Surabaya dan Denpasar masing- masing adalah SARIMA 0,1,02,1,1 12 , SARIMA 0,1,02,1,0 12 , SARIMA 0,1,12,1,1 12 , SARIMA 1,1,02,1,1 12 , SARIMA 1,0,02,1,0 12 , dan SARIMA 0,0,20,1,1 12 .

7.2. Saran

Berdasarkan kesimpulan yang telah diperoleh, maka saran yang dapat diberikan oleh penulis adalah: 1. Adanya kebijakan dari Departemen Pertanian Badan Ketahanan Pangan untuk mengendalikan harga dengan melihat faktor- faktor pembentuk harga pada masing- masing daerah. Hal ini dimaksudkan agar kebuijakan yang dirumuskan dapat lebih tepat sasaran. 2. Pemerintah sebaiknya semakin gencar dalam memberikan penyuluhan mengenai flu burung, agar imbasnya terhadap konsumsi ayam menjadi lebih kecil. DAFTAR PUSTAKA Azmi, F. 2004. Peramalan Permintaan Daging Ayam di PT. Sierad Produce Tbk. Program Ekstensi Manajemen Agribisnis, Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Badan Pusat Statistik. 2004. Statistik Indonesia. Jakarta. Bowerman, B.L, and O’Connell, R.T. 1993. Forecasting and Time Series, An Applied Approach. Duxbury Press. California. Direktorat Jendral Bina Produksi Peternakan. 2002. Buku Statistik Peternakan Tahun 2002. Jakarta. Direktorat Jendral Bina Produksi Peternakan. 2003. Buku Statistik Peternakan Tahun 2003. Jakarta. Direktorat Jendral Bina Produksi Peternakan. 2004. Buku Statistik Peternakan Tahun 2004. Jakarta. Direktorat Jendral Bina Produksi Peternakan. 2006. Buku Statistik Peternakan Tahun 2006. Jakarta. Djojodipuro, M. 1991. Teori Harga. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta. Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. IPB Press. Bogor. Gujarati, D.N. 2003. Basic Econometrics. McGraw-HillIrwin. New York. Hanke, J.E, Wichern, D.W, dan Reitsch, A.G. 2003. Peramalan Bisnis. PT. Prenhallindo. Jakarta. Jafarudin, M. 2005. Peramalan Volume Produksi TBS di Kebun Percobaan Betung II A. Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Makridakis, S, Wheelwright, S.C, dan McGee, V.E. 1999. Metode dan Aplikasi Peramalan, Jilid I. Penerbit Erlangga. Jakarta. Nicholson, W. 2002. Mikroekonomi Intermediate dan Aplikasinya, Edisi kedelapan. Penerbit Erlangga. Jakarta. Putong, I. 2003. Pengantar Ekonomi Mikro dan Makro. Ghalia Indonesia. Jakarta. Pindyck, R.S, and Rubinfeld, D.L. 1983. Econometric Models and Economic Forecasts. McGraw-Hill. New York. Rasyaf, M. 2003. Beternak Ayam Pedaging. Penebar Swadaya. Jakarta. Sofiah, G. 2002. Penerapan Model ARIMA dalam Peramalan Harga Bawang Merah. Depatemen Satatistika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Sugiha rta, F. 2002. Aplikasi Metode Peramalan terhadap Harga Komoditas Cabai Merah Sebagai Dasar Pengambilan Keputusan Para Pelaku Perdagangan : Studi Kasus Pasar Induk Kramat Jati. Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Sukmawati, G. 2006. Analisis Faktor-Faktor yang Mempengaruhi Produksi Teh Hitam serta Peramalan Harga Jenis BOPF, PF, dan Dust pada PTPN VIII Perkebunan Goalpara. Program Sarjana Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bo gor. Susanti, N. 2006. Peramalan Permintaan Cabai Merah : Studi Kasus Pasar Induk Kramat Jati, DKI Jakarta. Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor. Lampiran 1. Plot Autokorelasi Data Harga Ayam pada Enam Kota Besar di Jawa- Bali 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,81 0,63 0,51 0,45 0,45 0,40 0,35 0,31 0,31 0,35 0,37 0,32 0,29 0,25 0,19 0,09 -0,01 -0,02 0,03 0,04 -0,02 -0,10 -0,15 -0,15 -0,13 -0,15 -0,22 -0,29 -0,31 -0,28 -0,27 -0,27 -0,23 -0,23 -0,23 6,15 3,14 2,20 1,82 1,72 1,47 1,21 1,07 1,04 1,13 1,18 1,02 0,91 0,76 0,57 0,28 -0,04 -0,06 0,10 0,13 -0,05 -0,30 -0,45 -0,45 -0,40 -0,44 -0,65 -0,85 -0,89 -0,79 -0,77 -0,75 -0,65 -0,62 -0,64 39,78 64,15 80,42 93,72 107,13 118,09 126,27 133,09 139,95 148,61 158,67 166,60 173,27 178,24 181,12 181,84 181,86 181,90 181,99 182,16 182,19 183,17 185,47 187,81 189,68 192,10 197,49 207,31 218,64 228,29 237,94 247,71 255,32 262,71 270,97 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for DKI Jakarta a Plot Autokorelasi Kota DKI Jakarta 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,75 0,53 0,36 0,28 0,32 0,34 0,33 0,30 0,23 0,17 0,19 0,19 0,20 0,15 0,09 0,07 0,07 0,08 0,11 0,10 0,02 -0,06 -0,12 -0,08 -0,02 0,01 -0,04 -0,15 -0,19 -0,25 -0,26 -0,23 -0,17 -0,21 -0,24 5,75 2,74 1,68 1,25 1,36 1,44 1,34 1,16 0,87 0,66 0,72 0,71 0,74 0,56 0,34 0,25 0,26 0,29 0,40 0,36 0,08 -0,21 -0,44 -0,28 -0,06 0,04 -0,15 -0,53 -0,69 -0,90 -0,91 -0,78 -0,59 -0,70 -0,79 34,80 52,05 60,34 65,45 72,00 79,93 87,40 93,52 97,18 99,38 102,09 104,87 108,00 109,86 110,55 110,94 111,38 111,95 113,06 113,97 114,02 114,36 115,85 116,48 116,51 116,53 116,73 119,27 123,77 131,79 140,54 147,40 151,60 157,84 166,32 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for Bandung b Plot Autokorelasi Kota Bandung Lampiran 1. Plot Autokorelasi Data Harga Ayam pada Enam Kota Besar di Jawa- Bali lanjutan 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,74 0,45 0,26 0,17 0,16 0,18 0,18 0,16 0,15 0,16 0,20 0,21 0,17 0,10 0,01 -0,02 -0,03 -0,01 0,05 0,08 0,07 0,05 0,04 0,06 0,09 0,06 -0,05 -0,16 -0,20 -0,25 -0,28 -0,22 -0,14 -0,16 -0,15 5,60 2,39 1,23 0,78 0,75 0,83 0,80 0,74 0,68 0,69 0,90 0,92 0,74 0,40 0,05 -0,10 -0,14 -0,06 0,20 0,32 0,31 0,22 0,18 0,27 0,40 0,27 -0,19 -0,65 -0,84 -1,04 -1,11 -0,85 -0,52 -0,61 -0,58 33,03 45,74 49,86 51,66 53,38 55,57 57,66 59,53 61,17 62,93 66,01 69,40 71,71 72,43 72,45 72,49 72,59 72,60 72,81 73,35 73,85 74,12 74,30 74,71 75,65 76,10 76,34 79,15 84,13 92,13 101,92 108,15 110,69 114,33 117,83 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for Semarang c Plot Autokorelasi Kota Semarang 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,72 0,46 0,33 0,24 0,28 0,36 0,34 0,29 0,23 0,23 0,31 0,28 0,24 0,14 0,03 -0,00 -0,02 0,03 0,10 0,04 -0,05 -0,05 -0,08 -0,06 -0,07 -0,05 -0,10 -0,21 -0,25 -0,26 -0,31 -0,29 -0,21 -0,24 -0,22 5,48 2,47 1,60 1,13 1,29 1,58 1,45 1,18 0,91 0,90 1,20 1,06 0,90 0,50 0,12 -0,00 -0,07 0,12 0,37 0,14 -0,18 -0,17 -0,28 -0,24 -0,26 -0,17 -0,35 -0,76 -0,91 -0,92 -1,07 -0,98 -0,71 -0,79 -0,73 31,66 44,96 51,86 55,67 60,91 69,44 77,40 83,21 86,86 90,64 97,64 103,49 108,03 109,51 109,59 109,59 109,63 109,72 110,65 110,78 111,01 111,22 111,80 112,22 112,77 113,02 114,04 119,12 126,89 135,26 147,44 158,32 164,44 172,60 180,00 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for Yogyakarta d Plot Autokorelasi Kota Yogyakarta Lampiran 1. Plot Autokorelasi Data Harga Ayam pada Enam Kota Besar di Jawa- Bali lanjutan 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,72 0,46 0,33 0,28 0,31 0,32 0,30 0,30 0,29 0,30 0,36 0,28 0,18 0,12 0,03 0,03 0,01 -0,01 0,01 -0,04 -0,05 -0,00 -0,03 -0,07 -0,10 -0,13 -0,12 -0,17 -0,21 -0,26 -0,35 -0,37 -0,28 -0,26 -0,20 5,51 2,46 1,58 1,29 1,39 1,39 1,29 1,24 1,18 1,18 1,36 1,03 0,67 0,42 0,13 0,10 0,04 -0,02 0,02 -0,15 -0,17 -0,02 -0,11 -0,25 -0,38 -0,47 -0,44 -0,61 -0,76 -0,92 -1,20 -1,26 -0,92 -0,84 -0,64 31,99 45,31 52,03 56,97 63,23 70,00 76,32 82,63 88,74 95,33 104,66 110,54 113,18 114,26 114,35 114,41 114,42 114,42 114,43 114,59 114,81 114,81 114,91 115,41 116,56 118,41 120,14 123,53 129,02 137,62 153,16 171,97 182,85 192,54 198,58 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for Surabaya e Plot Autokorelasi Kota Surabaya 5 15 25 35 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 A u to c o rr e la ti on 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0,62 0,38 0,22 0,23 0,25 0,33 0,39 0,37 0,12 0,03 0,07 0,20 0,27 0,25 0,12 0,02 -0,07 -0,09 0,01 0,05 0,05 -0,00 -0,07 -0,11 -0,12 -0,12 -0,13 -0,18 -0,23 -0,28 -0,31 -0,21 -0,17 -0,14 -0,19 4,75 2,16 1,17 1,22 1,28 1,62 1,85 1,64 0,53 0,11 0,29 0,86 1,13 1,04 0,49 0,07 -0,30 -0,38 0,05 0,19 0,21 -0,01 -0,28 -0,44 -0,46 -0,48 -0,52 -0,69 -0,89 -1,07 -1,15 -0,76 -0,62 -0,51 -0,70 23,77 32,65 35,74 39,30 43,49 50,72 61,31 70,80 71,89 71,94 72,28 75,43 81,06 86,20 87,41 87,43 87,90 88,67 88,68 88,89 89,15 89,15 89,65 90,92 92,33 93,96 95,93 99,59 105,87 115,50 127,69 133,43 137,49 140,39 146,08 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Autocorrelation Function for Denpasar f Plot Autokorelasi Kota Denpasar Lampiran 2. Hasil Output Model Peramalan Terbaik DKI Jakarta ARIMA Model: DKI Jakarta SARIMA 0,1,02,1,1 12 Estimates at each iteration Iteration SSE Parameters 0 27109953 0,100 0,100 0,100 39,102 1 25003429 -0,050 0,032 0,047 51,303 2 24003849 -0,200 -0,018 -0,056 62,121 3 23679676 -0,350 -0,053 -0,191 71,836 4 23160582 -0,500 -0,100 -0,317 82,509 5 22291987 -0,650 -0,170 -0,426 94,649 6 20948812 -0,800 -0,272 -0,516 108,017 7 18714785 -0,950 -0,421 -0,580 121,929 8 15990172 -1,048 -0,571 -0,605 132,118 9 12792078 -1,123 -0,721 -0,626 142,126 10 9029316 -1,180 -0,871 -0,648 151,849 11 6435076 -1,157 -1,014 -0,672 158,959 12 5903285 -1,007 -0,997 -0,706 147,943 13 5856192 -0,975 -0,992 -0,733 143,328 14 5850197 -0,972 -0,991 -0,745 141,986 15 5849180 -0,971 -0,991 -0,750 141,488 16 5849011 -0,971 -0,990 -0,752 141,299 17 5848984 -0,971 -0,990 -0,753 141,226 18 5848979 -0,971 -0,990 -0,753 141,196 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P SAR 12 -0,9708 0,0784 -12,39 0,000 SAR 24 -0,9904 0,0795 -12,46 0,000 SMA 12 -0,7531 0,1846 -4,08 0,000 Constant 141,20 97,90 1,44 0,157 Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 45 Residuals: SS = 5830750 backforecasts excluded MS = 142213 DF = 41 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 15,2 28,6 32,8 DF 8 20 32 P-Value 0,055 0,095 0,425 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 17069,8 16330,5 17809,1 60 16748,6 15703,1 17794,1 61 16945,4 15664,9 18225,9 62 17013,8 15535,2 18492,4 63 17694,6 16041,5 19347,7 64 18041,6 16230,7 19852,5 65 17739,1 15783,2 19695,1 66 18222,8 16131,8 20313,9 67 19409,5 17191,7 21627,4 68 19525,5 17187,7 21863,4 69 18937,9 16485,9 21389,8 70 19003,9 16443,0 21564,9 71 19060,1 16180,0 21940,1 72 19992,3 16825,2 23159,5 Lampiran 3. Hasil Output Model Peramalan Terbaik Bandung ARIMA Model: Bandung SARIMA 0,1,02,1,0 12 Estimates at each iteration Iteration SSE Parameters 0 66775199 0,100 0,100 105,289 1 59804386 -0,050 -0,005 128,085 2 52240808 -0,199 -0,155 149,968 3 45567566 -0,311 -0,305 165,736 4 39042370 -0,404 -0,455 177,696 5 32217242 -0,484 -0,605 186,674 6 24466826 -0,556 -0,755 193,058 7 16242912 -0,630 -0,905 196,950 8 13948715 -0,711 -0,981 195,731 9 13894698 -0,750 -0,982 193,943 10 13894308 -0,753 -0,983 193,859 11 13894306 -0,753 -0,983 193,851 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P SAR 12 -0,7532 0,0740 -10,17 0,000 SAR 24 -0,9825 0,0772 -12,73 0,000 Constant 193,85 85,48 2,27 0,029 Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 45 Residuals: SS = 13774333 backforecasts excluded MS = 327960 DF = 42 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 19,3 25,8 25,9 DF 9 21 33 P-Value 0,063 0,214 0,805 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 19826,8 18704,1 20949,4 60 19462,2 17874,5 21049,9 61 19815,5 17871,0 21760,0 62 17903,8 15658,4 20149,1 63 18263,6 15753,2 20774,0 64 20105,1 17355,1 22855,1 65 21825,2 18854,9 24795,5 66 21903,7 18728,3 25079,1 67 23505,2 20137,2 26873,3 68 22735,6 19185,4 26285,9 69 21631,9 17908,4 25355,4 70 22591,6 18702,6 26480,7 71 22415,1 18281,8 26548,4 72 24484,0 20120,1 28847,9 Lampiran 4. Hasil Output Model Peramalan Terbaik Semarang ARIMA Model: Semarang SARIMA 0,1,12,1,1 12 Estimates at each iteration Iteration SSE Parameters 0 42803206 0,100 0,100 0,100 0,100 88,436 1 41438208 -0,050 0,064 0,088 -0,020 107,469 2 40730367 -0,200 0,038 0,082 -0,154 125,731 3 40032131 -0,350 0,008 0,076 -0,288 144,486 4 38817916 -0,500 -0,048 0,064 -0,411 165,247 5 36550160 -0,650 -0,150 0,037 -0,513 188,434 6 32444695 -0,762 -0,300 -0,016 -0,562 206,334 7 27573152 -0,825 -0,450 -0,068 -0,578 214,856 8 22278799 -0,884 -0,600 -0,116 -0,601 220,533 9 16311408 -0,934 -0,750 -0,164 -0,621 222,901 10 9667118 -0,957 -0,900 -0,223 -0,619 217,040 11 6841126 -0,897 -0,990 -0,371 -0,617 202,434 12 6698756 -0,831 -0,987 -0,409 -0,643 204,730 13 6677368 -0,829 -0,986 -0,384 -0,661 204,930 14 6671516 -0,826 -0,985 -0,389 -0,672 204,407 15 6669729 -0,825 -0,985 -0,387 -0,678 204,378 16 6669196 -0,825 -0,985 -0,387 -0,681 204,325 17 6669040 -0,825 -0,985 -0,387 -0,682 204,322 18 6668996 -0,824 -0,985 -0,387 -0,683 204,317 19 6668984 -0,824 -0,985 -0,387 -0,684 204,317 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P SAR 12 -0,8244 0,0628 -13,14 0,000 SAR 24 -0,9853 0,0685 -14,39 0,000 MA 1 -0,3871 0,1544 -2,51 0,016 SMA 12 -0,6839 0,2059 -3,32 0,002 Constant 204,3 142,0 1,44 0,158 Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 45 Residuals: SS = 6603262 backforecasts excluded MS = 165082 DF = 40 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 11,3 29,4 31,9 DF 7 19 31 P-Value 0,128 0,060 0,419 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 18218,4 17421,9 19014,9 60 17779,1 16417,1 19141,2 61 18681,2 16927,3 20435,0 62 16733,6 14660,7 18806,4 63 16994,7 14645,8 19343,7 64 18632,0 16036,2 21227,8 65 20163,6 17342,4 22984,7 66 20831,3 17801,5 23861,1 67 23021,1 19796,1 26246,1 68 24170,3 20761,3 27579,3 69 23550,3 19966,7 27133,9 70 23358,2 19608,2 27108,2 Lampiran 5. Hasil Output Model Peramalan Terbaik Yogyakarta ARIMA Model: Yogyakarta SARIMA 1,1,02,1,1 12 Estimates at each iteration Iteration SSE Parameters 0 73036377 0,100 0,100 0,100 0,100 101,944 1 68919971 0,058 -0,050 0,068 -0,007 127,745 2 66918344 0,038 -0,200 0,040 -0,134 152,478 3 64826896 0,015 -0,350 0,001 -0,259 179,618 4 62193456 -0,014 -0,500 -0,058 -0,378 210,785 5 58665668 -0,056 -0,650 -0,147 -0,481 247,403 6 53184495 -0,117 -0,800 -0,289 -0,561 290,668 7 46424692 -0,157 -0,880 -0,439 -0,585 320,177 8 38660822 -0,165 -0,939 -0,589 -0,609 341,979 9 29462291 -0,146 -0,990 -0,739 -0,639 353,477 10 18025037 -0,081 -1,014 -0,889 -0,650 343,240 11 11660760 0,069 -0,975 -0,964 -0,645 297,313 12 10028262 0,219 -0,926 -0,982 -0,660 255,793 13 9684794 0,330 -0,898 -0,990 -0,691 229,135 14 9666938 0,340 -0,900 -0,990 -0,708 231,221 15 9664652 0,342 -0,900 -0,990 -0,714 232,390 16 9664349 0,343 -0,899 -0,990 -0,717 232,929 17 9664309 0,343 -0,899 -0,990 -0,718 233,147 18 9664304 0,343 -0,899 -0,990 -0,718 233,231 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,3431 0,1585 2,16 0,036 SAR 12 -0,8992 0,0482 -18,67 0,000 SAR 24 -0,9901 0,0516 -19,17 0,000 SMA 12 -0,7179 0,1987 -3,61 0,001 Constant 233,2 125,5 1,86 0,071 Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 45 Residuals: SS = 9589140 backforecasts excluded MS = 239728 DF = 40 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 8,9 17,8 22,2 DF 7 19 31 P-Value 0,259 0,533 0,878 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 19361,3 18401,4 20321,1 60 19265,9 17658,7 20873,2 61 20401,6 18268,6 22534,5 62 18135,8 15561,7 20709,8 63 18411,6 15455,2 21368,0 64 20437,3 17140,5 23734,0 65 21200,2 17594,5 24806,0 66 22240,6 18350,2 26131,1 67 24988,2 20832,5 29144,0 68 24375,6 19970,5 28780,8 69 23788,1 19146,9 28429,3 70 26339,4 21473,7 31205,2 Lampiran 6. Hasil Output Model Peramalan Terbaik Surabaya ARIMA Model: Surabaya SARIMA 1,0,02,1,0 12 Estimates at each iteration Iteration SSE Parameters 0 126798523 0,100 0,100 0,100 404,587 1 100069498 0,250 0,012 0,055 369,619 2 78938902 0,400 -0,119 -0,026 348,108 3 65237450 0,514 -0,269 -0,143 354,681 4 55391588 0,597 -0,419 -0,291 382,582 5 47964552 0,650 -0,542 -0,441 418,551 6 41109706 0,688 -0,645 -0,591 453,945 7 33742918 0,720 -0,735 -0,741 483,767 8 25922227 0,755 -0,821 -0,891 499,561 9 23134988 0,807 -0,900 -0,987 466,062 10 23119548 0,820 -0,916 -0,986 448,592 11 23119190 0,818 -0,915 -0,986 448,300 12 23119180 0,819 -0,915 -0,986 447,547 13 23119179 0,819 -0,915 -0,986 447,404 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,8191 0,1223 6,70 0,000 SAR 12 -0,9149 0,0966 -9,47 0,000 SAR 24 -0,9860 0,1064 -9,27 0,000 Constant 447,4 118,1 3,79 0,000 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 46 Residuals: SS = 23053029 backforecasts excluded MS = 548882 DF = 42 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 13,9 19,0 19,4 DF 8 20 32 P-Value 0,083 0,520 0,961 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 15837,6 14385,2 17290,0 60 15120,0 13242,7 16997,4 61 15433,8 13318,7 17549,0 62 11804,0 9543,3 14064,7 63 12507,6 10154,3 14860,9 64 15001,2 12587,8 17414,6 65 16011,4 13558,5 18464,3 66 15715,5 13236,5 18194,6 67 16362,2 13865,8 18858,7 68 15064,1 12556,0 17572,1 69 14994,1 12478,3 17509,9 70 14755,7 12234,7 17276,7 Lampiran 7. Hasil Output Model Peramalan Terbaik Denpasar ARIMA Model: Denpasar SARIMA 0,0,20,1,1 12 Estimates at each iteration Iteration SSE Parameters 0 177413491 0,100 0,100 0,100 486,709 1 151776811 -0,050 0,164 0,111 494,740 2 129125428 -0,200 0,182 0,142 505,635 3 106922728 -0,350 0,108 0,207 522,638 4 88037240 -0,493 -0,042 0,296 542,838 5 75254015 -0,619 -0,192 0,401 559,671 6 66057241 -0,739 -0,335 0,551 576,160 7 62503100 -0,813 -0,443 0,696 624,475 8 62276184 -0,781 -0,442 0,700 677,890 9 62245495 -0,777 -0,451 0,705 681,684 10 62239043 -0,774 -0,455 0,706 683,263 11 62237509 -0,773 -0,457 0,707 683,799 12 62237130 -0,773 -0,458 0,707 683,996 13 62237035 -0,772 -0,459 0,707 684,081 14 62237011 -0,772 -0,459 0,707 684,120 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P MA 1 -0,7721 0,1541 -5,01 0,000 MA 2 -0,4592 0,1550 -2,96 0,005 SMA 12 0,7073 0,2094 3,38 0,002 Constant 684,1 155,3 4,41 0,000 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 58, after differencing 46 Residuals: SS = 53577860 backforecasts excluded MS = 1275663 DF = 42 Modified Box-Pierce Ljung-Box Chi-Square statistic Lag 12 24 36 48 Chi-Square 15,1 31,1 44,0 DF 8 20 32 P-Value 0,057 0,053 0,078 Forecasts from period 58 95 Percent Limits Period Forecast Lower Upper Actual 59 17148,0 14933,9 19362,2 60 16232,9 13435,6 19030,2 61 14156,1 11179,7 17132,5 62 14696,7 11720,4 17673,1 63 13656,0 10679,7 16632,4 64 13732,8 10756,5 16709,2 65 14848,9 11872,5 17825,2 66 15373,1 12396,7 18349,4 67 14954,4 11978,1 17930,8 68 15106,1 12129,7 18082,4 69 15077,0 12100,6 18053,3 70 16169,6 13193,3 19146,0 71 15810,0 12763,9 18856,1 72 15823,9 12737,0 18910,8 Lampiran 8. Hasil Output Regresi DKI Jakarta Regression Analysis: P versus Pt-1; S; C; D The regression equation is P = 13047 + 0,140 Pt-1 -0,000588 S +0,000069 C + 1056 D Predictor Coef SE Coef T P VIF Constant 13047 3330 3,92 0,000 Pt-1 0,13963 0,06198 2,25 0,028 1,4 S -0,0005876 0,0002316 -2,54 0,014 1,9 C 0,0000695 0,0001719 0,40 0,688 4,9 D 1056,1 397,7 2,66 0,010 3,7 S = 779,0 R-Sq = 59,1 R-Sqadj = 56,0 PRESS = 136639576 R-Sqpred = 0,00 Analysis of Variance Source DF SS MS F P Regression 4 46515850 11628962 19,16 0,000 Residual Error 53 32164773 606883 Total 57 78680622 Source DF Seq SS Pt-1 1 23020239 S 1 7927238 C 1 11289518 D 1 4278854 Unusual Observations Obs Pt-1 P Fit SE Fit Residual St Resid 1 0 12014 10325 711 1689 5,31RX 40 12191 11724 13582 197 -1858 -2,47R 58 15177 16305 13786 206 2519 3,35R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 0,61 Lampiran 9. Hasil Output Regresi Bandung Regression Analysis: P versus Pt-1; S; C; D The regression equation is P = 6508 + 0,239 Pt-1 +0,000327 S -0,000162 C - 72 D Predictor Coef SE Coef T P VIF Constant 6508 1177 5,53 0,000 Pt-1 0,23876 0,07856 3,04 0,004 1,5 S 0,0003267 0,0001118 2,92 0,005 9,9 C -0,0001616 0,0001020 -1,58 0,119 6,0 D -71,5 474,5 -0,15 0,881 2,7 S = 1080 R-Sq = 59,0 R-Sqadj = 55,9 PRESS = 155661019 R-Sqpred = 0,00 Analysis of Variance Source DF SS MS F P Regression 4 88891389 22222847 19,05 0,000 Residual Error 53 61836521 1166727 Total 57 150727911 Source DF Seq SS Pt-1 1 60081413 S 1 24739390 C 1 4044091 D 1 26496 Unusual Observations Obs Pt-1 P Fit SE Fit Residual St Resid 1 0 11782 9067 912 2715 4,69RX 26 12903 10521 12855 324 -2334 -2,26R 57 16833 17702 15629 367 2073 2,04R 58 17702 18697 15837 400 2860 2,85R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 0,77 Lampiran 10. Hasil Output Regresi Semarang Regression Analysis: P versus Pt-1; S; C; D The regression equation is P = 7588 + 0,215 Pt-1 +0,000071 S +0,000106 C + 838 D Predictor Coef SE Coef T P VIF Constant 7588 2423 3,13 0,003 Pt-1 0,21504 0,07876 2,73 0,009 1,3 S 0,0000709 0,0003798 0,19 0,853 3,0 C 0,00010627 0,00004780 2,22 0,030 1,5 D 837,7 514,2 1,63 0,109 3,4 S = 1059 R-Sq = 43,7 R-Sqadj = 39,4 PRESS = 177349585 R-Sqpred = 0,00 Analysis of Variance Source DF SS MS F P Regression 4 46158318 11539579 10,28 0,000 Residual Error 53 59471754 1122109 Total 57 105630072 Source DF Seq SS Pt-1 1 27058234 S 1 1835484 C 1 14285733 D 1 2978866 Unusual Observations Obs Pt-1 P Fit SE Fit Residual St Resid 1 0 12353 9635 916 2718 5,10RX 26 12717 10308 12505 320 -2197 -2,18R 27 10308 9824 11987 358 -2163 -2,17R 57 15522 16138 13910 289 2228 2,19R 58 16138 17368 14043 322 3325 3,29R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 0,72 Lampiran 11. Hasil Output Regresi Yogyakarta Regression Analysis: P versus Pt-1; S; C; D The regression equation is P = 17818 + 0,149 Pt-1 - 0,00205 S - 0,00253 C + 1096 D Predictor Coef SE Coef T P VIF Constant 17818 3038 5,87 0,000 Pt-1 0,14895 0,08273 1,80 0,077 1,4 S -0,002051 0,001311 -1,56 0,124 3,0 C -0,0025311 0,0007667 -3,30 0,002 1,1 D 1096,4 508,3 2,16 0,036 2,9 S = 1122 R-Sq = 50,0 R-Sqadj = 46,3 PRESS = 155632451 R-Sqpred = 0,00 Analysis of Variance Source DF SS MS F P Regression 4 66826249 16706562 13,26 0,000 Residual Error 53 66750817 1259449 Total 57 133577066 Source DF Seq SS Pt-1 1 32144860 S 1 17669024 C 1 11152931 D 1 5859434 Unusual Observations Obs Pt-1 P Fit SE Fit Residual St Resid 1 0 12845 10360 958 2485 4,25RX 26 12188 9517 12283 338 -2766 -2,58R 27 9517 9677 11885 400 -2208 -2,11R 57 15315 16077 13879 279 2198 2,02R 58 16077 17395 13992 318 3403 3,16R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 0,94 Lampiran 12. Hasil Output Regresi Surabaya Regression Analysis: Pt versus Pt-1; S; D The regression equation is Pt = 9901 + 0,212 Pt-1 -0,000128 S + 1695 D Predictor Coef SE Coef T P VIF Constant 9901 1464 6,77 0,000 Pt-1 0,21223 0,09060 2,34 0,023 1,3 S -0,0001277 0,0001006 -1,27 0,210 1,5 D 1695,4 464,8 3,65 0,001 1,9 S = 1266 R-Sq = 41,1 R-Sqadj = 37,9 PRESS = 173693473 R-Sqpred = 0,00 Analysis of Variance Source DF SS MS F P Regression 3 60466807 20155602 12,57 0,000 Residual Error 54 86570909 1603165 Total 57 147037716 Source DF Seq SS Pt-1 1 37878521 S 1 1256054 D 1 21332232 Unusual Observations Obs Pt-1 Pt Fit SE Fit Residual St Resid 1 0 12400 8821 998 3579 4,59RX 26 11427 8004 12290 253 -4286 -3,45R 27 8004 8900 11564 464 -2664 -2,26R 58 14712 16316 12909 340 3407 2,79R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,02 Lampiran 13. Hasil Output Regresi Denpasar Regression Analysis: P versus Pt-1; S; C; D The regression equation is P = 10547 + 0,162 Pt-1 -0,000505 S +0,000150 C + 573 D Predictor Coef SE Coef T P VIF Constant 10547 1029 10,25 0,000 Pt-1 0,16169 0,08451 1,91 0,061 1,3 S -0,0005049 0,0002999 -1,68 0,098 1,7 C 0,00015019 0,00004482 3,35 0,001 2,1 D 572,7 522,3 1,10 0,278 2,7 S = 1205 R-Sq = 47,1 R-Sqadj = 43,1 PRESS = 129359316 R-Sqpred = 11,08 Analysis of Variance Source DF SS MS F P Regression 4 68458679 17114670 11,78 0,000 Residual Error 53 77011603 1453049 Total 57 145470282 Source DF Seq SS Pt-1 1 33147682 S 1 5090 C 1 33559004 D 1 1746903 Unusual Observations Obs Pt-1 P Fit SE Fit Residual St Resid 1 0 12367 10435 1014 1932 2,96RX 27 10100 8875 11718 389 -2843 -2,49R 58 14615 18079 14239 297 3840 3,29R R denotes an observation with a large standardized residual X denotes an observation whose X value gives it large influence. Durbin-Watson statistic = 1,15

I. PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan negara yang memiliki berbagai potensi untuk dikembangkan. Pembangunan Indonesia saat ini yang berbasis pada pertanian, telah menyiratkan bahwa pemerintah sadar akan berbagai potensi yang dimiliki. Salah satu sub sektor pendukung pada bidang pertanian adalah sub sektor peternakan sebagai bagian integral dari pembangunan pertanian yang masih diharapkan peranannya dalam meningkatkan taraf hidup masyarakat. Sub sektor peternakan mengalami pertumbuhan 1,30 persen per tahunnya sejak tahun 2003 dan merupakan penyumbang PDB terbesar pada sektor pertanian setelah sub sektor tanaman bahan makanan dan perkebunan 1 . Sub sektor peternakan memiliki peranan yang cukup besar dalam pemenuhan gizi masyarakat terutama protein hewani. Kandungan protein hewani terbesar berasal dari daging ayam bila dibandingkan dengan jenis daging lain. Selain itu, daging ayam juga memiliki kadar air cukup tinggi serta kandungan lemak dan kolesterol yang rendah. Perbandingan komponen nutrisi berbagai jenis ternak dapat dilihat pada Tabel 1. Tabel 1. Perbandingan Komposisi Kandungan Gizi pada Beberapa Jenis Daging 2 Jenis Daging Protein Air Lemak Kolesterol mg Ayam 23,40 70,70 1,90 60 Sapi 21,50 69,50 7,50 70 Kambing 19,50 71,50 7,50 - Babi 16,3 69,51 9,50 70 Keterangan : - data tidak tersedia 1 Nizwar Syafa’at, Sudi Mardianto, dan Pantjar Simatupang. 2003. Kinerja Pertumbuhan PDB Pertanian 2003: Berada Pada Fase Percepatan Pertumbuhan. 2 Balai Besar Industri Hasil Pertanian, 2000 dalam Trobos, edisi Desember 2003. “Salah Kaprah Soal Daging Ayam”. Penyediaan pasokan daging ayam di Indonesia dapat dikatakan cukup baik bila dibandingkan dengan pasokan daging jenis unggas yang lain.Menurut Direktorat Jendral Bina Produksi Peternakan populasi ternak ayam pedaging selama kurun waktu 10 tahun 1995 – 2004 mengalami peningkatan yang cukup tinggi, walaupun sempat mengalami penurunan drastis pada tahun 1998 dan tahun 1999 sebagai imbas dari krisis moneter yang melanda Indonesia. Namun, pada periode tahun 2000 sampai tahun 2004, populasi ayam pedaging terus mengalami peningkatan. Perbandingan populasi berbagai jenis unggas di Indonesia dapat dilihat pada Tabel 2. Tabel 2. Populasi Ternak Unggas Indonesia Tahun 1995 – 2004 dalam ribu ekor Tahun Ayam Buras Ayam Petelur Ayam Padaging Itik 1995 250,080 65,897 689,467 29,616 1996 260,713 78,706 755,956 29,959 1997 260,835 70,623 641,374 30,320 1998 253,133 38,861 354,004 25,950 1999 252,653 45,531 324,347 27,552 2000 259,257 69,366 530,874 29,035 2001 267,042 70,210 621,734 32,003 2002 275,292 78,039 865,075 46,001 2003 277,356 79,205 847,743 33,863 2004 271,847 80,633 895,155 35,528 Sumber : - Direktorat Jendral Bina Produksi Peternakan 2003. - Badan Pusat Statistik 2004. Populasi ayam pedaging yang terus meningkat dapat menggambarkan jumlah produksi atau jumlah daging ayam yang dipasarkan produsen. Namun di sisi lain tingkat konsumsi daging ayam per kapita di Indonesia hanya mencapai 3,9 kg per tahun dan jumlahnya masih jauh di bawah Malaysia sebesar 28 kg per tahun serta Singapura sebesar 37 kg per tahun 3 . 3 www.mediaindo.co.id. 2006. Malindo Targetkan Penjualan Tembus Rp1 Triliun Tahun ini.