commit to user 64
Data sekunder diperoleh dari Dinas Pertanian Kabupaten Sukoharjo, Badan Ketahanan Pangan Kabupaten Sukoharjo, Badan Pusat Statistika Kabupaten
Sukoharjo dan Badan Pusat Statistika Propinsi Jawa Tengah. Data yang digunakan berupa jumlah penduduk, produksi padi dan beras, luas lahan
panen, produktivitas padi, konsumsi beras. Dalam penelitian ini mengambil data time series dengan kurun waktu 17 tahun, yaitu dari tahun 1994 – 2010.
D. Metode Analisis Data
1. Model ARIMA Permintaan dan Penawaran Beras
Tahapan yang dilaksanakan untuk mencari model ARIMA adalah sebagai berikut :
a. Identifikasi Pada tahap identifikasi, kegiatan yang dilakukan adalah :
1. Memplotkan data asli untuk mengetahui perilaku pola data. 2. Melihat kestasioneran data.
Suatu data disebut stasioner jika nilai rata-rata mean dan varians konstan selama periode pengamatan. Dengan asumsi
stasioneritas maka mampu menterjemahkan data dan model ekonomi secara baik karena data yang stasioner tidak terlalu
bervariasi dan cenderung mendekati nilai rata-ratanya. Untuk menguji apakah data yang dianalisis dalam penelitian ini stasioner
atau tidak, maka dilakukan uji stasioneritas dengan uji akar-akar unit unit roots test. Pada uji akar-akar unit ini pada prinsipnya
untuk mengamati apakah koefisien tertentu dari model
commit to user 65
auotokorelasi yang ditaksir mempunyai nilai satu atau tidak. Uji stasioneritas ini dikembangkan oleh Dickey-Fuller 1981. Untuk
melihat stasioneritas suatu data dengan uji Dickey-Fuller DF dan Augmented
Dickey-Fuller ADF
dilakukan dengan
membandingkan nilai t-statistik dari variabel-variabel penelitian dengan nilai kritis DF dan ADF dalam suatu tabel. Suatu data
series dikatakan stasioner jika nilai kritis DF dan ADF lebih besar dari nilai kritis t-statistik.
Apabila data series yang dianalisis menunjukkan pola yang stasioner maka ketidakstasionerannya harus dihilangkan melalui
proses differencing. Pencapaian stasioneritas diperoleh dengan melakukan pembedaan berturut-turut sampai nilai autokorelasi
mendekati nol di dalam dua atau tiga time lag. Data series yang telah melalui proses differencing kemudian dianalisis nilai ADF-
nya sampai data menjadi stasioner. b. Estimasi
Setelah menetapkan identifikasi model sementara, tahap selanjutnya adalah mengestimasi nilai-nilai parameter dari model
sementara tersebut. Suatu model sementara dapat berupa model AR, MA atau gabungan keduanya. Alat yang digunakan untuk
mengidentifikasi suatu model adalah autocorrelation function ACF dan partial autocorrelation function PACF.
commit to user 66
ACF atau fungsi autokorelasi merupakan suatu hubungan linear pada data time series antara Z
t
dengan Z
t+k
yang dipisahkan oleh waktu k. ACF ini dapat digunakan untuk mengidentifikasi model time
series dan melihat kestasioneran data dalam mean. Rumus dari ACF adalah Wei, 2006 dalam Sukma, 2010: 2:
愠 瓘Ǵ ,
Ǵ Ǵ
dan kovarians antara Z
t
dan Z
t+k
adalah 瓘Ǵ ,
dengan Var
= Var =
= fungsi autocovarian 愠
= autocorrelation function ACF Sedangkan fungsi autokorelasi yang dihitung berdasarkan
sampel data dapat dirumuskan sebagai berikut: 愠
∑
1
∑
2 1
Fungsi autokorelasi parsial merupakan korelasi antara Z
t
dengan Z
t+k
setelah Z
t
dijelaskan oleh Z
t-1
, Z
t-2
,…., Z
t-k+1
. Fungsi autokorelasi parsial menurut Wei 2006 dalam Sukma, 2010: 2 dirumuskan
sebagai berikut: 愠
瓘Ǵ ,
Ǵ Ǵ
commit to user 67
Dalam pengamatan time series, sampel PACF dinotasikan dengan 愠
dengan perhitungan : 愠
1, 1
愠
1
∑
愠 愠
1 1
1
∑
愠 愠
1
dan 愠
1,
愠 愠
1, 1
愠
, 1
, 1,2, …,
Model AR dapat dilihat polanya dari PACF, sedangkan pola untuk model MA dilihat dari koefisien autokorelasi ACF. Pola ACF
dan PACF tersebut dapat dilihat pada collerogram hasil olah data dengan komputer.
Tahap selanjutnya setelah menetapkan model sementara adalah menghitung nilai estimasi awal untuk parameter-parameter dari model
sementara, kemudian dengan menggunakan program komputer melalui proses iterasi guna memperoleh nilai estimasi akhir untuk
mengetahui nilai R
2
, F-statistik, uji signifikansi tiap parameter dan nilai RMSE.
c. Uji Diagnostik Setelah berhasil menaksir nilai-nilai parameter dari model
ARIMA yang
ditetapkan sementara,
selanjutnya dilakukan
pemeriksaan diagnostik untuk membuktikan bahwa model tersebut cukup memadai. Apabila model sementara yang ditetapkan
sebelumnya ternyata bukan merupakan model yang baik, maka dibuat model alternatif yang lain sampai terbentuk model yang terbaik. Uji
commit to user 68
diagnostik dilakukan dengan membandingkan model sementara dengan model alternatif yang lainnya. Kriteria yang digunakan pada
tahap uji diagnostik adalah nilai R
2
yang tinggi, signifikansi parameter-parameter dalam model, dan nilai RMSE yang rendah.
Model sementara yang telah ditetapkan belum tentu merupakan model yang terbaik karena masih perlu dibandingkan dengan model alternatif
yang lainnya. d. Peramalan
Model terbaik telah diperoleh pada tahap uji diagnostik selanjutnya dapat digunakan untuk peramalan satu atau beberapa
periode ke depan. Peramalan yang dilakukan harus tepat karena menunjukkan seberapa jauh suatu model mampu menghasilkan
ramalan yang tidak jauh berbeda dengan keadaan aktualnya.
2. Uji Variabel Dummy