PERAMALAN JUMLAH PENGADAAN DAN PERSEDIAAN BERAS DI PERUM BULOG DIVRE JATIM - ITS Repository

TUGAS AKHIR - SS 145561

PERAMALAN JUMLAH PENGADAAN DAN
PERSEDIAAN BERAS DI PERUM BULOG DIVRE
JATIM

TITIK CAHYA NINGRUM
NRP 1313 030 021

Dosen Pembimbing
Irhamah, M.Si., Ph.D

PROGRAM STUDI DIPLOMA III
JURUSAN STATISTIKA
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya 2016

N JUDUL

TUGAS AKHIR - SS 145561

PERAMALAN JUMLAH PENGADAAN DAN
PERSEDIAAN BERAS DI PERUM BULOG DIVRE
JATIM

TITIK CAHYA NINGRUM
NRP 1313 030 021

Dosen Pembimbing
Irhamah, M.Si., Ph.D

PROGRAM STUDI DIPLOMA III
JURUSAN STATISTIKA
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya 2016

N JUDUL

FINAL PROJECT - SS 145561

FORECASTING THE NUMBER OF PROCUREMENT
AND SUPPLY OF RICE IN PERUM BULOG DIVRE
JATIM

TITIK CAHYA NINGRUM
NRP 1313 030 021

Supervisor
Irhamah, M.Si., Ph.D

DIPLOMA III STUDY PROGRAM
DEPARTMENT OF STATISTICS
Faculty of Mathematics and Natural Sciences
Institut Teknologi Sepuluh Nopember
Surabaya 2016

ix

PERAMALAN JUMLAH PENGADAAN DAN

PERSEDIAAN BERAS
DI PERUM BULOG DIVRE JATIM
Nama Mahasiswa
NRP
Program Studi
Jurusan
Dosen Pembimbing

: Titik Cahya Ningrum
: 1313 030 021
: Diploma III
: Statistika FMIPA ITS
: Irhamah, M.Si., Ph.D
Abstrak

Beras merupakan kebutuhan pokok yang dibutuhkan sebagian
besar orang untuk memenuhi asupan energi setiap hari terutama asupan
karbohidrat dan dikonsumsi sekitar 78% dari jumlah penduduk
Indonesia. Meningkatnya jumlah penduduk mengakibatkan jumlah beras
yang dibutuhkan untuk memenuhi kebutuhan penduduk Indonesia juga

semakin besar. Untuk mengantisipasi kekurangan ketersediaan beras
perlu dilakukan peramalan jumlah pengadaan beras dan persediaan beras
periode bulanan di Perum BULOG Divre Jatim menggunakan metode
ARIMA Box-Jenkins. Hasil analisis menunjukkan bahwa model terbaik
untuk meramalkan jumlah pengadaan beras dan persediaan beras adalah
ARIMA (1,0,1)(1,0,0)12 dan ARIMA (1,1,23)(1,0,0)12.
Kata Kunci : ARIMA Box-Jenkins.

vii

(Halaman ini sengaja dikosongkan)

viii

FORECASTING THE NUMBER OF PROCUREMENT
AND SUPPLY OF RICE IN PERUM BULOG DIVRE
JATIM
Student Name
NRP
Programe

Department
Academic Supervisor

: Titik Cahya Ningrum
: 1313 030 021
: Diploma III
: Statistics FMIPA ITS
: Irhamah, M.Si., Ph.D
Abstract

Rice is a basic requirement which is most people required to supply the
daily energy especially intake carbohydrate intake, and it is consumed
by almost 78% of Indonesia’s population. The increasing number of
people resulting the growing amount of rice needed to fulfill the needs of
population. To anticipate the lack of rice availability, it is needed to
forecast the monthly amount of procurement and supply of rice in
BULOG of East Java Regional Division using ARIMA Box-Jenkins
method. The analysis showed that the best models to forecast the
number of rice procurement and number of rice stock are ARIMA
(1,0,1)(1,0,0)12 and ARIMA (1,1,23)(1,0,0)12 respectively.

Keywords : ARIMA Box-Jenkins

ix

(Halaman ini sengaja dikosongkan)

x

KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang selalu melimpahkan
kemudahan, rahmat dan hidayah-Nya. Sholawat dan salam
semoga senantiasa tercurahkan kepada Nabi Muhammad SAW
atas suri tauladan dalam kehidupan ini sehingga penulis dapat
menyelesaikan tugas akhir dengan judul “Peramalan Jumlah
Pengadaan dan Persediaan Beras di Perum BULOG Divre
Jatim”
Terselesaikannya Tugas Akhir ini tak lepas dari peran serta
berbagai pihak. Oleh karena itu penulis ingin mengucapkan
terima kasih dengan penuh hormat dan kerendahan hati, kepada:
1.

Ibu Irhamah, M.Si., Ph.D selaku dosen pembimbing yang
selalu menyempatkan waktunya untuk mendukung dan
memberikan masukan serta bimbingan dalam penyusunan
laporan Tugas Akhir ini.
2.
Bapak R. Mohamad Atok, S.Si., M.Si dan Bapak Dr.rer pol
Dedy Dwi Prastyo, S.Si., M.Si selaku dosen penguji yang
telah memberikan banyak masukan dan bantuan dalam
penyelesian Tugas Akhir ini.
3.
Bapak Dr. Suhartono selaku Ketua Jurusan Statistika
Institut Teknologi Sepuluh Nopember Surabaya.
4.
Bapak Dr. Wahyu Wibowo, S.Si, M.Si selaku Ketua
Program Studi Diploma III Jurusan Statistika Institut
Teknologi Sepuluh Nopember Surabaya.
5.
Ibu Dr. Ismaini Zain, M.Si selaku dosen wali yang selama
perkuliahan sangat membantu penulis.
6.

Jurusan Statistika ITS beserta seluruh dosen Statistika ITS
yang telah memberikan ilmu-ilmu yang bermanfaat serta
segenap karyawan Jurusan Statistika ITS yang melayani
mahasiswa dengan sabar.
7.
Keluarga besar penulis khususnya Kedua Orang tua yang
senantiasa memberikan doa, motivasi, dukungan, kasih
sayang, perhatian dan kesabaran yang tiada tara dalam
mendidik penulis. Kakak penulis Mbak Rini yang selalu
xi

memberi semangat, nasehat dan dukungan yang luar biasa
kepada penulis.
8.
Perum BULOG Divre Jatim yang telah banyak membantu
penulis sebagai sumber data dalam Tugas Akhir ini.
9.
Saudara Perantauan Ike, Esti, Mbak Yana, Riskha, Dimas
Fashihatin dan Nanin yang telah memberi semangat,
bantuan, motivasi dan kasih sayang kepada penulis.

10. Saudara sepembimbing, Erisandy yang saling menyemangati, saling membantu dan saling berbagi masukan.
11. Teman-teman seperjuangan yang mengambil Tugas akhir
dengan topik Analisis Time Series yang telah berjuang
bersama demi kelancaran dan penyelesaian Tugas Akhir
Mifta, Milan, Ardi, Ijah, Irul, Reza, Wiwin, Pungky, Inung
dan Anissa.
12. Kawan seperjuangan mahasiswa Angkatan 2013 Jurusan
Statistika ITS khususnya prodi Diploma III yang telah
memberikan dukungannya kepada penulis.
13. Pihak-pihak yang sudah banyak membantu dalam proses
pengerjaan laporan Tugas Akhir ini, yang tidak dapat
disebutkan satu persatu.
Penulis menyadari bahwa laporan ini masih dapat
dikembangkan lebih jauh lagi, maka dengan segala kerendahan
hati kepada semua pihak untuk memberikan kritik dan saran demi
adanya perbaikan atas isi dari laporan ini ke depannya. Akhirnya
kepada Tuhan Yang Maha Esa, penyusun berserah diri, semoga
apa yang telah dilakukan ini mendapat berkah dan ridho-Nya,
Amin.
Surabaya, Juni 2016

Penulis

xii

DAFTAR ISI
HALAMAN JUDUL.............................................................. i
TITLE PAGE .......................................................................... iii
LEMBAR PENGESAHAN ................................................... v
ABSTRAK.............................................................................. vii
ABSTRACT ........................................................................... ix
KATA PENGANTAR ........................................................... xi
DAFTAR ISI .......................................................................... xiii
DAFTAR TABEL ................................................................. xv
DAFTAR GAMBAR ............................................................. xvii
DAFTAR LAMPIRAN ......................................................... xix
BAB I PENDAHULUAN
1.1 Latar Belakang ................................................. 1
1.2 Rumusan Masalah ............................................ 3
1.3 Tujuan Penelitian ............................................. 3

1.4 Manfaat Penelitian ........................................... 4
1.5 Batasan Masalah............................................... 4
BAB II TINJAUAN PUSTAKA
2.1 Statistika Deskriptif .......................................... 5
2.2 Deret Waktu dan Model Autoregressive
Integrated Moving Average (ARIMA) ............. 5
2.3 Prosedur Peramalan ARIMA ........................... 7
2.3.1 Identifikasi Model .................................. 7
2.3.2 Penaksiran dan Uji Signifikasni
Parameter ............................................... 9
2.3.3 Pemeriksaan atau Diagnosa Model ........ 10
2.4 Pemilihan Model Terbaik ................................. 12
2.5 Deteksi Outlier ................................................. 13
2.6 Beras................................................................. 14
2.7 Badan Urusan Logistik (BULOG) ................... 15
2.8 Pengadaan Beras di BULOG............................ 15
2.9 Persediaan Beras di BULOG............................ 16
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data ..................................................... 19
xiii

3.2 Metode Penelitian............................................... 19
3.3 Langkah Analisis ................................................ 19
3.4 Diagram Alir ...................................................... 20
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Karakteristik Jumlah Pengadaan dan Persediaan
Beras................................................................... 23
4.2 Pemodelan Jumlah Pengadaan Beras ................. 25
4.2.1 Identifikasi Model Jumlah Pengadaan
Beras ........................................................ 25
4.2.2 Estimasi Parameter Jumlah Pengadaan
Beras ........................................................ 30
4.2.3 Pemeriksaan Residual Jumlah Pengadaan
Beras ........................................................ 31
4.2.4 Pemilihan Model Terbaik Jumlah
Pengadaan Beras ..................................... 36
4.3 Pemodelan jumlah Persediaan Beras.................. 38
4.3.1 Identifikasi Model Jumlah Persediaan
Beras ........................................................ 38
4.3.2 Estimasi Parameter Jumlah Persediaan
Beras ........................................................ 47
4.3.3 Pemeriksaan Residual Jumlah Persediaan
Beras ........................................................ 48
4.3.4 Pemilihan Model Terbaik Jumlah
Persediaan Beras ..................................... 57
4.4 Peramalan Jumlah Pengadaan dan Persediaan
Beras................................................................... 59
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ........................................................ 63
5.2 Saran................................................................... 63
DAFTAR PUSTAKA .............................................................. 65
LAMPIRAN ............................................................................. 67

xiv

DAFTAR TABEL
Tabel 2.1
Tabel 2.2
Tabel 4.1
Tabel 4.2
Tabel 4.3
Tabel 4.4
Tabel 4.5
Tabel 4.6
Tabel 4.7
Tabel 4.8
Tabel 4.9
Tabel 4.10
Tabel 4.11
Tabel 4.12
Tabel 4.13
Tabel 4.14
Tabel 4.15

Transformasi Box-Cox .......................................... 7
Kriteria Teoritis Model ARIMA ........................... 9
Karakteristik Jumlah Pengadaan dan Persediaan
Beras ..................................................................... 23
Uji Dickey-Fuller Jumlah Pengadaan Beras ......... 27
Uji Signifikansi Parameter Model ARIMA
Jumlah Pengadaan Beras ...................................... 30
Pengujian Residual White Noise Jumlah
Pengadaan Beras ................................................... 31
Pengujian Residual Berdistribusi Normal Jumlah
Pengadaan Beras ................................................... 32
Uji Signifikansi Parameter ARIMA
(1,0,1)(1,0,0)12 Jumlah Pengadaan Beras .............. 32
Uji Signifikansi Parameter ARIMA
(1,0,1)(0,0,1)12 Jumlah Pengadaan Beras .............. 33
Uji Signifikansi Parameter ARIMA
(1,0,1)(1,0,1)12 Jumlah Pengadaan Beras .............. 34
Kriteria Kebaikan Model Jumlah Pengadaan
Beras ..................................................................... 37
Uji Dickey-Fuller Jumlah Persediaan Beras ......... 41
Uji Dickey-Fuller Jumlah Persediaan Beras
Hasil Differensing ................................................ 42
Uji Signifikansi Parameter Model ARIMA
Jumlah Persediaan Beras ...................................... 47
Pengujian Residual White Noise Jumlah
Persediaan Beras .................................................. 48
Pengujian Residual Berdistribusi Normal
Jumlah Persediaan Beras ..................................... 49
Uji Signifikansi Parameter ARIMA ([1,23],1,0)
Jumlah Persediaan Beras dengan Deteksi
Outlier ................................................................... 50

xv

Tabel 4.16 Uji Signifikansi Parameter ARIMA
(1,1,[23])(1,0,0)12 Jumlah Persediaan Beras
dengan Deteksi Outlier ......................................... 51
Tabel 4.17 Uji Signifikansi Parameter ARIMA
(1,1,[23])(0,0,1)12 Jumlah Persediaan Beras
dengan Deteksi Outlier ......................................... 52
Tabel 4.18 Uji Signifikansi Parameter ARIMA
(0,1,[2])(0,1,1)12 Jumlah Persediaan Beras dengan
Deteksi Outlier...................................................... 52
Tabel 4.19 Uji Signifikansi Parameter ARIMA
(1,1,0)(0,1,1)12 Jumlah Persediaan Beras dengan
Deteksi Outlier...................................................... 53
Tabel 4.20 Uji Signifikansi Parameter ARIMA
([2],1,0)(0,1,1)12 Jumlah Persediaan Beras dengan
Deteksi Outlier...................................................... 53
Tabel 4.21 Kriteria Kebaikan Model Jumlah Pengadaan
Beras ..................................................................... 58
Tabel 4.22 Ramalan Jumlah Pengadaan Beras Tahun 2016 ... 59
Tabel 4.23 Ramalan Jumlah Persediaan Beras Tahun 2016 ... 60

xvi

DAFTAR GAMBAR
Gambar 3.1
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4
Gambar 4.5
Gambar 4.6
Gambar 4.7

Gambar 4.8
Gambar 4.9
Gambar 4.10
Gambar 4.11
Gambar 4.12
Gambar 4.13
Gambar 4.14
Gambar 4.15

Gambar 4.16

Gambar 4.17

Diagram Alir .................................................... 20
Box-plot Jumlah Pengadaan Beras................... 24
Box-plot Jumlah Persediaan Beras................... 25
Time Series Plot Jumlah Pengadaan Beras ...... 26
Box-Cox Jumlah Pengadaan Beras .................. 27
Plot ACF Jumlah Pengadaan Beras ................. 28
Plot PACF Jumlah Pengadaan Beras .............. 29
Ringkasan Grafis Residual Model ARIMA
(1,0,1)(1,0,0)12 (a), (1,0,1)(0,0,1)12 (b) dan
ARIMA (1,0,1) (1,0,1)12 .................................. 36
Perbandingan Data Out Sample dengan Hasil
Peramalan Kedua Model.................................. 37
Time Series Plot Jumlah Persediaan Beras ...... 39
Box-Cox Jumlah Persediaan Beras .................. 39
Plot ACF Jumlah Persediaan Beras ................. 40
Time Series Plot Jumlah Persediaan Beras
Diffrencing Reguler ......................................... 41
Plot ACF (a) dan PACF (b) Jumlah Persediaan
Beras Diffrensing Reguler ............................... 43
Scatterplot (a), Plot ACF (b) dan PACF (c)
Jumlah Persediaan Beras Differencing 12 ...... 45
Scatterplot (a), Plot ACF (b) dan PACF (c)
Jumlah Persediaan Beras Differencing 1 dan
12 ..................................................................... 46
Ringkasan Grafis Residual Model ARIMA
([1,23],1,0) (a), ARIMA (1,1,[23])(1,0,0)12
(b), ARIMA (1,1,[23])(1,0,0)12(c), ARIMA
(0,1,[2])(0,1,1)12 (d) dan ARIMA
([2],1,0)(0,1,1)12(e) .......................................... 56
Perbandingan Data Out Sample dengan Hasil
Peramalan Keenam Model .............................. 57

xvii

Gambar 4.18 Perbandingan Data Aktual Out Sample dengan
Ramalan Tahun 2015 dan 2106 Data Jumlah
Pengadaan Beras .............................................. 60
Gambar 4.19 Perbandingan Data Aktual Out Sample dengan
Ramalan Tahun 2015 dan 2106 Data Jumlah
Persediaan Beras .............................................. 61

xviii

DAFTAR LAMPIRAN
Data Jumlah Pengadaan Beras (A) dan
Persediaan Beras (B) di Perum BULOG Divre
Jatim ................................................................ 67
Lampiran 2. Karakteristik Jumlah Pengadaan dan
Persediaan Beras .............................................. 69
Lampiran 3. Syntax Dickey-Fuller Data Pengadaan Beras
di Perum BULOG Divre Jatim Tahun
2008-2014 ........................................................ 69
Lampiran 4. Syntax Dickey-Fuller Data Persediaan Beras
di Perum BULOG Divre Jatim Tahun
2002-2014 ........................................................ 70
Lampiran 5. Syntax Dickey-Fuller Data Persediaan Beras
di Perum BULOG Divre Jatim Tahun
2002-2014 Setelah Differencing Reguler ........ 71
Lampiran 6. Output Syntax Dickey-Fuller Data Pengadaan
Beras di Perum BULOG Divre Jatim
Tahun 2002-2014 ............................................. 72
Lampiran 7. Output Syntax Dickey-Fuller Data Persediaan
Beras di Perum BULOG Divre Jatim
Tahun 2008-2014 ............................................. 72
Lampiran 8. Output Syntax Dickey-Fuller Data Persediaan
Beras di Perum BULOG Divre Jatim
Tahun 2008-2014 Setelah Differencing
Reguler............................................................. 73
Lampiran 9. Syntax ARIMA (1,0,1)(1,0,0)12 pada Data
Pengadaan Beras .............................................. 73
Lampiran 10. Syntax ARIMA (1,0,1)(0,0,1)12 pada Data
Pengadaan Beras .............................................. 74
Lampiran 11. Syntax ARIMA (1,0,1)(1,0,1)12 pada Data
Pengadaan Beras .............................................. 75
Lampiran 12. Output ARIMA (1,0,1)(1,0,0)12 pada Data
Pengadaan Beras .............................................. 76
Lampiran 1.

xix

Lampiran 13. Ouput ARIMA (1,0,1)(0,0,1)12 pada Data
Pengadaan Beras .............................................. 78
Lampiran 14. Output ARIMA (1,0,1)(1,0,1)12 pada Data
Pengadaan Beras .............................................. 80
Lampiran 15. Syntax ARIMA (1,0,1)(1,0,0)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 82
Lampiran 16. Syntax ARIMA (1,0,1)(0,0,1)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 83
Lampiran 17. Syntax ARIMA (1,0,1)(1,0,1)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 84
Lampiran 18. Output ARIMA (1,0,1)(1,0,0)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 85
Lampiran 19. Output ARIMA (1,0,1)(0,0,1)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 86
Lampiran 20. Output ARIMA (1,0,1)(1,0,1)12 pada Data
Pengadaan Beras dengan Deteksi Outlier........ 87
Lampiran 21. Syntax ARIMA ([1,23],1,0) pada Data
Persediaan Beras .............................................. 88
Lampiran 22. Syntax ARIMA (1,1,23)(1,0,0)12 pada Data
Persediaan Beras .............................................. 89
Lampiran 23. Syntax ARIMA (1,1,23)(0,0,1)12 pada Data
Persediaan Beras .............................................. 90
Lampiran 24. Syntax ARIMA (0,1,2)(0,1,1)12 pada Data
Persediaan Beras .............................................. 91
Lampiran 25. Syntax ARIMA (1,1,0)(0,1,1)12 pada Data
Persediaan Beras .............................................. 92
Lampiran 26. Syntax ARIMA (2,1,0)(0,1,1)12 pada Data
Persediaan Beras ............................................. 93
Lampiran 27. Output ARIMA ([1,23],1,0) pada Data
Persediaan Beras .............................................. 94
Lampiran 28. Output ARIMA (1,1,23)(1,0,0)12 pada Data
Persediaan Beras .............................................. 96
Lampiran 29. Output ARIMA (1,1,23)(0,0,1)12 pada Data
Persediaan Beras .............................................. 98

xx

Lampiran 30. Output ARIMA (0,1,2)(0,1,1)12 pada Data
Persediaan Beras ............................................ 100
Lampiran 31. Output ARIMA (1,1,0)(0,1,1)12 pada Data
Persediaan Beras ............................................ 102
Lampiran 32. Output ARIMA (2,1,0)(0,1,1)12 pada Data
Persediaan Beras ........................................... 104
Lampiran 33. Syntax ARIMA ([1,23],1,0) pada Data
Persediaan Beras dengan Deteksi Outlier...... 106
Lampiran 34. Syntax ARIMA (1,1,23)(1,0,0)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 107
Lampiran 35. Syntax ARIMA (1,1,23)(0,0,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 108
Lampiran 36. Syntax ARIMA (0,1,2)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 109
Lampiran 37. Syntax ARIMA (1,1,0)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 110
Lampiran 38. Syntax ARIMA (2,1,0)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 111
Lampiran 39. Output ARIMA ([1,23],1,0) pada Data
Persediaan Beras dengan Deteksi Outlier...... 112
Lampiran 40. Output ARIMA (1,1,23)(1,0,0)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 113
Lampiran 41. Output ARIMA (1,1,23)(0,0,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 114
Lampiran 42. Output ARIMA (0,1,2)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 115
Lampiran 43. Output ARIMA (1,1,0)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 116
Lampiran 44. Ouput ARIMA (2,1,0)(0,1,1)12 pada Data
Persediaan Beras dengan Deteksi Outlier...... 118
Lampiran 45. Syntax Peramalan ARIMA (1,0,1)(1,0,0)12
pada Data Pengadaan Beras ........................... 119
Lampiran 46. Syntax Peramalan ARIMA (1,1,23)(1,0,0)12
pada Data Persediaan Beras ........................... 120

xxi

Lampiran 47. Output Peramalan ARIMA (1,0,1)(1,0,0)12
pada Data Pengadaan Beras ........................... 121
Lampiran 48. Output Peramalan ARIMA (1,1,23)(1,0,0)12
pada Data Persediaan Beras ........................... 121

xxii

BAB I
PENDAHULUAN
1.1 Latar Belakang
Indonesia adalah negara kesatuan yang penuh dengan
keberagaman. Indonesia terdiri atas beraneka ragam budaya,
bahasa daerah, ras, suku bangsa dan agama. Oleh karena itu,
terdapat banyak perbedaan antar suatu daerah dengan daerah lain.
Begitu pula dengan makanan yang dikonsumsi, setiap provinsi di
Indonesia memiliki makanan pokok tersendiri. Namun, makanan
pokok penduduk Indonesia pada umumnya adalah nasi. Nasi
merupakan beras yang direbus dan ditanak (Tajudin, 2011). Beras
merupakan kebutuhan pokok yang dibutuhkan sekitar 78%
penduduk Indonesia untuk memenuhi asupan energi setiap hari
terutama asupan karbohidrat (Prawira, 2013). Beras menjadi
kebutuhan pangan yang sangat penting bagi masyarakat Indonesia
karena menurut artikel yang dirilis International Rice Research
Institute (IRRI) tahun 2014 menyatakan bahwa konsumsi beras
Masyarakat Indonesia mencapai 125 Kilogram (Kg) Per Kapita Per
Tahun. Dengan jumlah penduduk yang semakin bertambah pada
setiap tahunnya, mengakibatkan meningkat pula kebutuhan akan
persediaan beras untuk asupan pangan masyarakat Indonesia.
Indonesia adalah salah satu negara yang kaya akan sumber
daya alam. Menurut data yang dirilis oleh IRRI tahun 2007,
produksi beras dunia pada Tahun 2007 mencapai 650,193 juta ton.
Dari jumlah tersebut 90,77% diantaranya disumbang dari negaranegara di Asia, yaitu Cina yang menyumbang 28,53% menjadi
penghasil beras terbesar di Dunia, peringkat kedua yaitu India
dengan menyumbang 21,71% dan pada peringkat ketiga adalah
negara Indonesia dengan menyumbang sebesar 8,77%. Meski
menjadi penghasil beras nomor 3 di Dunia, data Badan Pusat
Statistika (BPS) menunjukkan bahwa Indonesia masih melakukan
impor beras dari beberapa negara diantaranya adalah Vietnam,
Thailand, India dan Pakistan pada tahun 2014 dengan volume berat
bersih impor beras sebesar 844.163,7 ton. Banyak faktor yang
1

2
menyebabkan Indonesia harus mengimpor beras, antara lain karena
jumlah penduduk Indonesia yang begitu banyak, faktor iklim yang
tidak mendukung keberhasilan sektor pertanian dan luas lahan
pertanian yang semakin sempit (Rosihan, 2015).
Jumlah konsumsi beras masyarakat Indonesia yang besar
diiringi dengan kurangnya ketersediaan beras mengakibatkan perlu
dilakukan pengolahan kebutuhan beras agar tidak terjadi
kekurangan ketersediaan beras, oleh karena itu di Bentuk
Perusahaan Umum Badan Urusan Logistik (Perum BULOG) yang
bertanggungjawab pada peningkatan stabilisasi dan pengelolahan
persediaan bahan pokok dan pangan. Perum BULOG adalah
sebuah lembaga pangan di Indonesia yang menangani tata niaga
beras. Bulog dibentuk tanggal 10 Mei 1967 berdasarkan Keputusan
Presidium Kabinet Nomor 114/Kep/1967. Di Indonesia, Perum
BULOG memiliki Divisi Regional (Divre) sebanyak 26 Lokasi dan
memiliki Sub Divisi Regional (Subdivre) sebanyak 101 lokasi. Di
Jawa Timur terdapat satu Divre yaitu Perum BULOG Divre Jatim.
Sebagai pihak yang mengatur ketercukupan kebutuhan beras, maka
dibutuhkan data mengenai jumlah pengadaan beras dan jumlah
persediaan beras pada setiap Divre BULOG di Indonesia, yang
nantinya digunakan sebagai patokan kebijakan-kebijakan yang
harus dilakukan agar kebutuhan beras dapat tetap terpenuhi.
Penelitian sebelumnya yang membahas mengenai peramalan
beras pernah dilakukan oleh Hartiningrum (2012) yaitu
meramalkan harga beras di Perum BULOG Divre Jatim
menggunakan metode ARIMA dan double exponential smoothing.
Double Exponential Smoothing digunakan karena data memiliki
pola tren tetapi tidak seasonal (musiman). Hasil analisis
menunjukkan bahwa metode yang terbaik adalah metode ARIMA.
Penelitian lain yang juga membahas mengenai peramalan beras
pernah dilakukan oleh Islami (2014) yaitu meramalkan harga beras
Riil dan Prosuksi beras di Provinsi Jawa Timur menggunakan
metode Regresi Time Series dan ARIMA Box-Jenkins.
Berdasarkan hasil analisis yang dilakukan diketahui bahwa metode
yang sesuai untuk menganalisis data harga beras riil dan produksi

3
beras adalah metode regresi time series karena mempunyai nilai
MSE in dan out sampel lebih kecil dibandingkan metode ARIMA.
Berdasarkan
penelitian-penelitian
sebelumnya
dan
pentingnya mengetahui jumlah pengadaan beras dan jumlah
persediaan beras di Divre BULOG periode selanjutnya yang
digunakan sebagai informasi tambahan untuk menetapkan
kebijakan-kebijakan yang akan diterapkan di BULOG, oleh karena
itu pada penelitian ini penulis akan melakukan peramalan jumlah
pengadaan beras dan jumlah persediaan beras di Perum BULOG
Divre Jatim menggunakan metode ARIMA Box-Jenkins, dimana
diketahui pada penelitian-penelitian sebelumnya metode yang
banyak digunakan dan mampu digunakan pada data linier atau
yang dapat dilinierkan adalah metode ARIMA Box-Jenkins. Pada
penelitian ini juga akan dilakukan analisis karakteristik data untuk
mengetahui pola pengadaan beras dan pola persediaan beras, yang
digunakan untuk mengetahui kecenderungan dari data pengadaan
beras dan data persediaan beras. Karakteristik data yang dimaksud
adalah ciri atau khas tertentu yang ada pada data.
1.2 Rumusan Masalah
Pengetahuan mengenai perkiraan jumlah pengadaan beras dan
jumlah persediaan beras di Perum BULOG Divre Jatim merupakan
suatu hal yang cukup penting untuk menentukan kebijakankebijakan yang akan diambil. Sehubungan dengan hal itu maka
perlu dilakukan pemodelan jumlah pengadaan dan jumlah
persediaan beras serta peramalannya di Perum BULOG Divre
Jatim berdasarkan model ARIMA yang terbaik.
1.3 Tujuan Penelitian
Berdasarkan latar belakang dan rumusan masalah maka tujuan
yang ingin dicapai dari penelitian ini adalah sebagai berikut.
1. Mendeskripsikan karakteristik data jumlah pengadaan beras
dan jumlah persediaan beras di Perum BULOG Divre Jatim
2. Memperoleh model ARIMA yang sesuai untuk data jumlah
pengadaan beras di Perum BULOG Divre Jatim

4
3.
4.

Memperoleh model ARIMA yang sesuai untuk data jumlah
persediaan beras di Perum BULOG Divre Jatim
Memperoleh hasil peramalan jumlah pengadaan beras dan
jumlah persediaan beras di Perum BULOG Divre Jatim untuk
12 bulan ke depan berdasarkan model ARIMA yang terbaik.

1.4 Batasan Masalah
Pada penelitian ini, metode yang digunakan untuk
meramalkan jumlah pengadaan dan jumlah persediaan beras adalah
metode ARIMA Box-Jenkins. ARIMA Box-Jenkins dipilih karena
metode ini mampu digunakan untuk melakukan peramalan pada
data linier atau yang dapat dilinierkan.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah diharapkan dapat
memberikan tambahan informasi mengenai model ramalan
pengadaan beras dan persediaan beras yang bisa digunakan dalam
pengambilan kebijakan mengenai pengadaan beras dan persediaan
beras di Perum BULOG Divre Jatim selanjutnya.

BAB II
TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan
dengan pengumpulan dan penyajian suatu gugus data sehingga
memberikan informasi yang berguna (Walpole, 1995). Statistika
deskriptif menjadikan semua data untuk mudah dipahami dan
dibaca. Statistika deskriptif biasanya digambarkan dalam bentuk
tabel, grafik dan diagram. Selain itu, statistika deskriptif
menggambarkan perhitungan data kuantitatif seperti nilai rata-rata,
nilai median, nilai minimum dan maksimum
Pada Penelitian ini, statistika deskriptif yang digunakan
adalah rata-rata, maksimum, standart deviasi dan boxplot. Boxplot
juga dikenal sebagai diagram box-and-whisker merupakan suatu
box (kotak berbentuk bujur sangkar). Boxplot adalah salah satu
cara dalam statistik deskriptif untuk menggambarkan secara grafik
dari data numeris melalui lima ukuran antara lain nilai observasi
terkecil, kuartil pertama, median, kuartil ketiga dan nilai observasi
terbesar (Junaidi, 2010).
2.2 Deret Waktu dan Model Autoregressive Integrated Moving Average (ARIMA)
Deret waktu adalah serangkaian pengamatan yang diambil
berdasarkan urutan waktu. Pengamatan yang digunakan tergantung
oleh waktu, sehingga antar pengamatan saling berkorelasi yaitu
data kejadian saat ini dengan data dari kejadian sebelumnya. Analisis time series digunakan untuk menduga nilai masa yang akan
datang berdasarkan nilai pada masa lalu (Wei, 2006).
Model ARIMA merupakan salah satu model yang digunakan
dalam peramalan data time series yang bersifat stasioner maupun
non stasioner. Model ARIMA adalah model yang menggabungkan
model autoregressive (AR) dengan orde p dan model Moving Average (MA) dengan orde q serta proses differencing dengan orde
d. Penentuan nilai orde p, d, q, P, D, Q dapat dilihat dengan nilai
5

6
Autocorrelation Function (ACF) dan Partial Autocorrelation
Function (PACF) (Wei, 2006).
Secara umum model ARIMA (p,d,q) ditulis pada persamaan
(2.1) sebagai berikut.
p (B)(1  B)d Zt  0  q ( B)at
(2.1)
dimana koefisien dari AR orde p yang telah stasioner adalah:

 p B  1  1 B  2 B 2     p B p 

(2.2)

dan koefisien dari MA orde q yang telah stasioner adalah:

 q B  1  1 B   2 B 2     q B q 

(2.3)

Jika data time series mengandung pola musiman, maka persamaan
model ARIMA P, D, Q S dituliskan pada persamaan (2.4) sebagai
berikut.
D
(2.4)
 P B S 1  B S  Z t  Q B S at
dimana koefisien dari AR orde P adalah:
 P B S   1  1 B S   2 B 2 S     P B PS
dan koefisien dari MA orde Q adalah:
 Q B S   1  1 B S   2 B 2 S     Q B QS

(2.5)
(2.6)

Selain model ARIMA reguler dan metode ARIMA musiman juga
terdapat model ARIMA multiplikatif. ARIMA multiplikatif
merupakan perkalian dari ARIMA reguler dengan ARIMA
musiman. Persamaan model ARIMA multiplikatif sebagai berikut.
D
(2.7)
 P B S  P B 1  B d 1  B S  Z t   q B Q B S at
keterangan:
: koefisien komponen AR orde
 p B 
: koefisien komponen MA orde
 q B 

p
q

 P B S 

: koefisien komponen AR musiman S orde

Q B S 

: koefisien komponen MA musiman S orde Q

1  B d

: differencing orde d

1  B 

: differencing musiman S dengan orde

S D

D

P

7
2.3 Prosedur Metode ARIMA
2.3.1 Identifikasi Model
Tahap identifikasi model meliputi pengecekan stasioneritas
data dan penetapan model ARIMA ( p, d , q ) sementara yaitu
dengan mengamati pola Autocorrelation Function (ACF) dan
Partial Autocorrelation Function (PACF). Selanjutnya akan
dijelaskan sebagai berikut.
2.3.1.1 Kestasioneran Data
Kestasioneran data terdiri dari kestasioneran data dalam
varians dan kestasioneran data dalam mean. Jika data deret waktu
tidak stasioner pada variansnya, maka dapat dilakukan
transformasi stabilisasi varians, seperti transformasi kuasa BoxCox (Box-Cox power transformation). Secara umum nilai λ dan
transformasi yang digunakan sebagai berikut (Wei, 2006).
Tabel 2.1 Transformasi Box - Cox

Estimasi λ
-1,0
-0,5

Transformasi
1/Zt

Zt

1/

0

Ln Zt

0,5

Zt

1,0

Zt (tidak ada transformasi)

Dikatakan stasioner dalam mean saat ACF menunjukkan
pola yang turun cepat. Stasioner dalam mean dapat dilakukan
dengan uji Dickey Fuller. Secara umum persamaan dari Uji Dickey
Fuller adalah berikut (Gujarati, 2004).

Z t   Z t 1   t
dimana:
Zt = first differencing dari Zt
Z t 1 = Lag 1 dari Zt
 = koefisien regresi dari prediktor Zt 1
 t = error pada waktu ke t

(2.8)

8
Pengujiannya adalah sebagai berikut.
Hipotesis:
H0 :   0 (Variabel Z tidak stasioner)
H1 :   0 (Variabel Z stasioner)

ˆ
se ˆ
H0 ditolak jika    t1 / 2 atau P-value < α
Statistik uji:   



Jika data tidak stasioner pada nilai rata-ratanya, maka dilakukan
proses differencing. Cara untuk melakukan differencing data
adalah sebagai berikut (Wei, 2006).
Wt  Z t  Z t 1
(2.9)
2.3.1.2 Autokorelasi Function (ACF) dan Partial Autokorelasi
Function (PACF)
ACF merupakan korelasi antara

Zt

dengan

Z t k . ACF

digunakan untuk mengidentifikasi model peramalan dan melihat
kestasioneran data dalam mean. Fungsi autokorelasi dari sampel
dapat ditulis sebagai berikut.
n



ˆ k  t k 1
dimana k=1,2... Z 
korelasi antara

Zt

dan

Z t  Z Z t k  Z 
n
2
 Z t  Z 
t 1

t 1 Z t / n
n

(2.10)

sedangkan PACF adalah

Z t k setelah menghilangkan efek variabel

Z t 1 , Z t 2 ,..., Z t k 1 . Koefisien autokorelasi parsial dinotasikan

menggunakan ˆkk dengan perhitungan sebagai berikut (Cryer &
Chan, 2008).

9
k 1

ˆk , k 

ˆ k    k 1, j ˆ k  j
j 1
k 1

(2.11)

1    k 1, j ˆ j
j 1

dengan

ˆk , j  ˆk 1, j  ˆkk ˆk 1,k  j

(2.12)

dimana: j=1,2,...k-1
Dalam penetapan model yang sesuai dilihat dari nilai ACF
dan PACF dengan acuan sebagai berikut (Bowerman dan
O’Connell, 1993).
Tabel 2.2 Karakteristik Teoritis Model ARIMA

Model
AR(p)
MA(q)
ARMA(p,q)
AR(p) atau MA(q)
Bukan AR(p) atau
MA(q) (white noise)

Pola ACF
Menurun secara
cepat
Terpotong setelah
lag ke-q
Menurun secara
cepat
Terpotong setelah
lag ke-q
Tidak ada yang
keluar batas

Pola PACF
Terpotong setelah
lag ke-p
Menurun secara
cepat
Menurun secara
cepat
Terpotong setelah
lag ke-p
Tidak ada yang
keluar batas

2.3.2 Penaksiran dan Uji Signifikansi Parameter
Salah satu metode yang digunakan untuk menaksir
parameter adalah conditional least square (CLS). Penaksiran
parameter menggunakan metode ini dilakukan dengan cara
meminimumkan jumlah kuadrat error (SSE). Berikut adalah
model time series (Wei, 2006).

Z t   Z t 1  et

(2.13)

dimana nilai t =1,2,...,n. Nilai taksiran parameter  adalah sebagai
berikut.

10

 Z Z
ˆ  t n2 t 12 t
t 2 Z t 1
n

(2.14)

Uji Signifikansi Parameter dilakukan setelah dilakukan
identifikasi model. Uji signifikansi parameter dilakukan sebagai
syarat model ARIMA yang terbaik. Uji Signifikansi parameter
adalah sebagai berikut (Bowerman dan O’Connell, 1993).
H0:  j  0 (parameter model tidak sesuai)
H1:

 j  0 (parameter model sesuai)

dimana i merupakan notasi dari parameter
Statistik uji:

t hitung 

ˆ j
SE( ˆ j )

j

atau

j
(2.15)

H0 ditolak apabila t hitung  t / 2,n  np , artinya parameter telah
signifikan dan model dapat digunakan untuk peramalan (Bowerman dan O’Connell, 1993).
2.3.3 Pemeriksaan atau Diagnosa Model
Pemeriksaan atau diagnosa model digunakan untuk
mengetahui apakah asumsi residual telah terpenuhi yaitu Asumsi
Residual yang White Noise dan Asumsi Residual berdistribusi
Normal.
2.3.3.1 Asumsi Residual White Noise
White Noise adalah asumsi yang menunjukkan residual data
sudah tidak mempunyai autokorelasi yang signifikan atau sering
disebut random (Wei, 2006).
Hipotesis:
H0: 1   2     K  0 (residual bersifat white noise)

H1: minimal ada satu  k  0 , untuk k  1, 2,..., K (residual tidak
bersifat white noise).
Statistik uji:

11
K

Q  n(n  2)  (n  k ) 1 ˆ k2
k 1

(2.16)

dimana:
= banyaknya pengamatan
n
ˆ
= ACF residual pada lag ke- k
k

K
m

= maksimum lag
= pq.

Daerah Kritis: Tolak H0, jika Q >  , K m .
2

2.4.3.2 Asumsi Residual Berdistribusi Normal
Setelah melakukan pengujian asumsi residual White Noise,
selanjutnya melakukan uji asumsi residual berdistribusi normal.
Salah satu uji yang digunakan dalam menentukan kenormalan data
adalah Kolmogorov Smirnov. Hipotesisnya adalah sebagai berikut
(Minitab Inc, 2010).
Hipotesis:
H0: residual data berdistribusi normal
H1: residual data tidak berdistribusi normal
Statistik uji:
(2.17)
D  max D , D 
dimana:

D   max i i / n  Z i  

D   max i Z i   i  1 / n
Z i   F X i  

keterangan:
n
: jumlah data
: fungsi peluang komulatif dari distribusi normal
F X 

X i 

: statistik order ke-i dari sampel random, 1  i  n

Daerah Kritis: Tolak H0 ditolak jika Dhitung  D(1 ,n) .

12
2.4 Pemilihan Model Terbaik
Pemilihan model terbaik dari beberapa model terpilih pada
data in sample dapat menggunakan Akaike’s Information Criterion
(AIC) dan Scwartz’s Bayesian Criterion (SBC). AIC adalah suatu
kriteria pemilihan model terbaik yang mempertimbangkan jumlah
parameter dalam model, sedangkan SBC adalah pemilihan model
terbaik dengan kriteria bayesian Kriteria AIC dan SBC dirumuskan
sebagai berikut.

AIC (M )  n ln ˆ a2  2 M

(2.18)

SBC (M )  n ln ˆ 2  M ln n

(2.19)

dimana ˆ a adalah estimasi maksimum likelihood dari  a , M
adalah banyaknya parameter dalam model, dan n adalah jumlah
pengamatan.
Pemilihan data terbaik untuk data out sample menggunakan
beberapa kriteria yaitu Root Mean Square Error (RMSE), Mean
Absolute Error (MPE) dan Symmetric Mean Absolute Percentage
Error (sMAPE). Berikut adalah persamaan perkiraan error.
2

2

et  Z nl  Zˆ n l 

(2.20)

Kriteria kesalahan peramalan Root Mean Square Error (RMSE)
out sample merupakan salah satu indeks yang dapat digunakan untuk mengevaluasi ketepatan model time series dengan mempertimbangkan sisa perhitungan ramalan pada data out sample. Nilai
RMSE dirumuskan sebagai berikut.

RMSE 

1 m 2
e
m t 1 t

(2.21)

dimana m merupakan jumlah data out sample. Kriteria kesalahan
peramalan yang lain adalah nilai Mean Absolute Error (MEA).
MEA merupakan kriteria kesalahan berdasarkan nilai rata-rata
absolut error. MEA dirumuskan sebagai berikut (Wei, 2006).

13

MAE 

1 m
 ei
m l 1

(2.22)

Kriteria kesalahan selain RMSE dan MEA adalah sMAPE.
Symmetric Mean Absolute Percentage Error (sMAPE) dirumuskan
sebagai berikut.
sMAPE 

et
1 m
 100%

m l 1 1 Z n  l  Zˆ n l 
2





(2.23)

dimana:

Z nl = Nilai aktual pada data out sample ke l
Zˆn l  = Nilai dugaan atau peramalan pada data out sample ke l
2.5 Deteksi Outlier
Banyak
peristiwa
yang
mempengaruhi
observasi
menggunakan deret waktu. Peristiwa tersebut diantaranya liburan,
pemogokan, promosi penjualan dan kebijakan pemerintahan.
Pengaruh dari peristiwa-peristiwa tersebut adalah terjadinya
pengamatan yang tidak konsekuen pada nilainya. Pengamatan
tersebut biasa disebut sebagai outlier. Outlier menjadi salah satu
masalah yang terdapat dalam analisis data, oleh karena itu
diperlukan deteksi outlier dan penghilangan outlier. Terdapat dua
model outlier yang biasa dikenal yaitu additive dan innovational.
Berikut adalah bentuk model additive outlier (Wei, 2006)

t T
X
Zt   t,
 X t  , t  T

(2.24)

 X t  I t (T )

(2.25)



 B 
a  I t (T )
 B  t

(2.26)

14
dimana:

t T
1,
I t(T )  
t T
0,
It merupakan nilai dari indikator variabel dimana menjelaskan ada
tidaknya outlier pada waktu ke T. Selanjutnya adalah model
innovational outlier yang didefinisikan sebagai berikut.
Zt  X t 


 ( B) (T )
I
 ( B) t

(2.27)

 B  
(T )
 a  I t 

 B   t

(2.28)

Berdasarkan model yang telah didefinisikan diketahui perbedaan
dari additive outliers dan innovational outliers. Additive outlier
hanya mempengaruhi observasi ke T, ZT sedangkan innovational
outliers mempengaruhi semua observasi ZT, , ZT+1,..., diluar waktu
 B  /  B 

.Model umum
T, melalu sistem yang dijelaskan oleh
outlier dengan k outlier disajikan sebagai berikut.
Zt 

dimana

k

(T )

  j v j ( B) I t

j 1

X T   B  /  B at ,

 Xt

V j B  1

V j B   B/  B pada waktu t=Tj.

(2.29)
untuk

AO

dan

2.6 Beras
Beras adalah bagian bulir padi (gabah) yang telah dipisah dari
sekam. Sekam (Jawa merang) secara anatomi disebut 'palea'
(bagian yang ditutupi) dan 'lemma' (bagian yang menutupi). Pada
salah satu tahap pemrosesan hasil panen padi, gabah ditumbuk
dengan lesung atau digiling sehingga bagian luarnya (kulit gabah)
terlepas dari isinya. Bagian isi inilah, yang berwarna putih,
kemerahan, ungu, atau bahkan hitam, yang disebut beras. Beras

15
umumnya tumbuh sebagai tanaman tahunan. Tanaman padi dapat
tumbuh hingga setinggi 1-1,8 m. Daunnya panjang dan ramping
dengan panjang 50-100 cm dan lebar 2-2,5 cm. Beras yang dapat
dimakan berukuran panjang 5-12 mm dan tebal 2-3 mm
(Kuswardani, 2013).
Beras sebagai menu pokok harian yang selalu dikonsumsi oleh
hampir seluruh masyarakat Indonesia ini memiliki kandungan pati
yang cukup besar dibandingkan dengan sereal. Selain itu, dalam
beras juga mengandung vitamin, protein, mineral, dan air. Beras
yang mengandung karbohidrat sangat dibutuhkan untuk seseorang
yang memiliki banyak aktivitas karena karbohidrat berguna
sebagai pemasok energi untuk tubuh (Ramadhanny, 2015)
2.7 Badan Urusan Logistik (BULOG)
BULOG adalah perusahaan umum milik negara yang bergerak di bidang logistik pangan. Ruang lingkup bisnis perusahaan
meliputi usaha logistic/pergudangan, survei dan pemberantasan
hama, penyediaan karung plastik, usaha angkutan, perdagangan
komoditi pangan dan usaha eceran.
BULOG merupakan perusahaan yang mengemban tugas publik dari pemerintah. BULOG melakukan kegiatan-kegiatan seperti
menjaga harga dasar pembelian untuk gabah, stabilisasi harga khususnya harga pokok, menyalurkan beras untuk orang miskin
(Raskin) dan pengelolaan stok pangan (BULOG, 2012).
2.8 Pengadaan Beras di BULOG
Pengertian pengadaan adalah kegiatan yang bertujuan untuk
menghadirkan barang atau jasa yang dibutuhkan oleh suatu instansi
atau perusahaan (Huda, 2015). Sesuai dengan Instruksi Presiden
Nomor 7 tahun 2009 tentang Kebijakan Perberasan, tugas publik
BULOG pertama adalah melakukan pembelian gabah dan beras
dalam negeri pada Harga Pembelian Pemerintah (HPP). Tugas
pengamanan HPP (sebelumnya menggunakan Harga Dasar) terus
dilakukan sejak BULOG berdiri tahun 1967 sampai dengan saat ini

16
BULOG menjadi seuah Perusahaan Umum. Pembelian gabah dan
beras dalam negeri yang disebut sebagai PENGADAAN DALAM
NEGERI merupakan satu bukti keberpihakan Pemerintah (Perum
BULOG) pada petani produsen melalui jaminan harga dan jaminan
pasar atas hasil produksinya (BULOG, 2012).
Pengadaan Gabah dan Beras Dalam Negeri berawal dari
produksi petani. Dengan adanya Harga Pembelian Pemerintah
(HPP), petani menjadi aman dalam melaksanakan usaha tani
padinya. Pengadaan dalam negeri menjadi jaminan harga dan
sekaligus jaminan pasar atas hasil produksinya. Dengan
“semangat” berproduksinya, produksi padi akan meningkat dan
ketersediaan pangan (beras) dalam negeri akan mencukupi. Salah
satu pilar ketahanan pangan yaitu ketersediaan (availability) dapat
tercapai (BULOG, 2012).
Dari sisi operasional BULOG, terdapat tiga saluran dalam
penyerapan produksi petani yaitu Satgas, Unit Pengolahan Gabah
dan Beras (UPGB) dan Mitra Kerja. Ketiga saluran tersebut
membali gabah langsung pada petani dengan patokan HPP.
Umumnya gabah yang dibeli adalah gabah pada kualitas apa
adanya (di luar kualitas yang ada dalam Inpres). Sedangkan gabah
yang diterima BULOG adalah Gabah Kering Giling (GKG) yaitu
gabah dengan kualitas kadar air maksimum 14% dan kadar hampa
kotoran maksimum 3%. Kualitas ini cukup tahan disimpan dalam
waktu tertentu dan siap digiling untuk menghasilkan beras standar
pada saatnya. Dalam Inpres Nomor 7 Tahun 2009, harga GKG di
tingkat penggilingan adalah Rp.3.300/kg dan di gudang BULOG
Rp.3.345/kg (BULOG, 2012).
2.9 Persediaan Beras di BULOG
Persediaan adalah sejumlah sumber daya yang diperlukan
oleh perusahaan baik barang mentah, barang setengah jadi maupun
barang jadi yang siap digunakan oleh perusahaan dalam memenuhi
kebutuhan pasar yang disimpan dan dirawat oleh perusahaan
sebelum barang sampai kepada konsumen (Wijayanti dkk, 2011).

17
Persediaan mengandung arti sejumlah barang yang tersimpan
dalam gudang-gudang yang dikuasai Perum Bulog dan yang
berada di atas alat angkutan darat, air atau laut yang sedang dimuat
bongkar maupun dalam perjalanan, yang disebabkan karena
adanya pergeseran atau perpindahan (muatan) antar daerah
maupun antar pulau berdasarkan ketentuan Perum Bulog.
Persediaan yang digunakan adalah persediaan operasional (Manual
Biro Penyaluran edisi ke IV Bulog dalam Wijayanti dkk, 2011).

18

(Halaman ini sengaja dikosongkan)

BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data
sekunder dari Perum BULOG Divre Jatim berupa data pengadaan
beras dan data persediaan beras. Data pengadaan beras yang
digunakan adalah data pengadaan beras periode bulanan selama 8
tahun yaitu mulai Januari 2008 sampai Desember 2015, sehingga
jumlah yang digunakan sebanyak 96 data. Data akan dibagi
menjadi data in sample yang berjumlah 84 data dan data out sample
yang berjumlah 12 data. Data persediaan beras yang digunakan
adalah data persediaan beras periode bulanan selama 14 Tahun
yaitu mulai bulan Januari 2002 sampai bulan Desember 2015,
sehingga jumlah data yang digunakan sebanyak 168 data. Data
akan dibagi menjadi data in sample yang berjumlah 156 data dan
data out sample yang berjumlah 12 data.
3.2 Metode Penelitian
Metode penelitian yang digunakan untuk meramalkan jumlah
pengadaan beras dan jumlah persediaan beras di Perum BULOG
Divre Jatim adalah metode ARIMA Box-Jenkins.
3.3 Langkah Analisis
Langkah penelitian terhadap data jumlah pengadaan beras dan
jumlah persediaan beras di Perum BULOG Drive Jatim
menggunakan model ARIMA Box-Jenkins adalah sebagai berikut.
1. Mengidentifikasi karakteristik data pengadaan beras dan
persediaan beras
2. Membuat time series plot dan ACF data in sample pada data
pengadaan beras dan persediaan beras untuk mengetahui pola
dari data
3. Mengidentifikasi apakah data telah stationer dalam mean dan
varians. Stasioner dalam varians dilihat dari nilai Rounded
value pada Box-cox, jika rounded value sama dengan 1 maka
19

20

4.
5.
6.

7.
8.
9.

data dikatakan stasioner dalam varians dan jika tidak stationer
dalam varians, maka perlu dilakukan transformasi. Stasioner
dalam mean diidentifikasi dengan uji Dickey- Fuller, jika data
tidak stationer dalam mean maka dilakukan diferencing.
Melakukan identifikasi model menggunakan plot ACF dan
PACF serta menetapkan model sementara berdasarkan plot
ACF dan PACF.
Melakukan estimasi parameter dan melakukan pengujian
signifikansi parameter.
Melakukan pemeriksaan residual yaitu menguji apakah residual telah white noise dan berdistribusi normal. Uji White Noise
menggunakan uji Ljung Box sedangkan Uji residual
berdistribusi normal menggunakan Kolmogorov Smirnov.
Melakukan peramalan dari data in sample pengadaan beras
dan persediaan beras 12 bulan kedepan
Memilih model terbaik dengan membandingkan nilai AIC dan
SBC untuk data in sample dan nilai RMSE, MAE dan sMAPE
untuk data out sample dari masing-masing model.
Melakukan peramalan data pengadaan beras dan data
persediaan beras 12 bulan kedepan yaitu mulai Januari 2016
sampai Desember 2016 menggunakan model terbaik yang
terpilih.

3.4 Diagram Alir
Langkah analisis digambarkan dalam diagram alir penelitian.
Adapun gambar diagram alir penelitian dapat dilihat pada Gambar
3.1 sebagai berikut.
Mulai

Data

Membuat Plot Time Series

A
Gambar 3.1 Daigram Alir Penelitian

21

A
Pemeriksaan Kestasioneran

Apakah data
Stasioner?

Tidak

Ya
Identifikasi berdasarkan ACF dan PACF

Stasioner dalam varian
menggunakan Box-cox,
jika tidak stasioner dalam
varians dilakukan transformasi. Stasioner dalam
mean menggunakan Uji
Dickey-Fuller, jika tidak
stasioner dalam mean
dilakukan differencing

Penetapan Model Sementara

Tidak

Parameter
Signifikan?
Ya
Cek Residual Data

Tidak

Residual White
Noise?
Ya
Pemilihan Model Terbaik
Peramalan 12 bulan kedepan

Kesimpulan

Selesai
Gambar 3.1 Diagram Alir Penelitian (Lanjutan)

22

(Halaman ini sengaja dikosongkan)

BAB IV
ANALISIS DAN PEMBAHASAN
Pada bab ini akan dilakukan analisis mengenai data jumlah
pengadaan dan persediaan beras di Perum Bulog Divre Jatim.
Analisis yang dilakukan meliputi penyajian karakteristik data,
pemodelan jumlah pengadaan dan persediaan beras serta
peramalan jumlah pengadaan dan persediaan beras menggunakan
metode ARIMA Box-Jenskins.
4.1 Karakteristik Jumlah Pengadaan dan Persediaan Beras
Karakteristik data jumlah pengadaan dan persediaan beras
yang akan dilakukan meliputi nilai rata-rata, jumlah maksimum,
jumlah minimum dan standart deviasi dari data. Selain itu akan
dilakukan analisis karakteristik menggunakan box-plot untuk
mengetahui persebaran data per bulan. Karakteristik data jumlah
pengadaan dan persediaan beras disajikan dalam Tabel 4.1
sebagai berikut.
Tabel 4.1 Karakteristik Data Jumlah Pengadaan dan Persediaan Beras

Variabel
Pengadaan Beras
Persediaan Beras

N
96
168

Rata-rata
69033
402099

Maksimum
296401
883636

Stadev
72159
198874

Tabel 4.1 menunjukkan bahwa rata-rata jumlah pengadaan
beras selama 96 bulan mulai Januari 2008 sampai Desember 2015
sebesar 69.033 ton per bulan. Pengadaan beras tertinggi sebesar
296.401 ton terdapat pada bulan April tahun 2009 dengan
simpangan baku sebesar 72159. Rata-rata jumlah persediaan
beras selama 168 bulan mulai Januari 2002 sampai Desember
2015 sebesar 402.099 ton p