Anda di halaman 1dari 121

LAPORAN KERJA PRAKTEK DI DINAS KELAUTAN DAN PERIKANAN PROVINSI DAERAH ISTIMEWA YOGYAKARTA

(Studi Kasus : Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal)

Aedy Sutarjo 10611009

JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA YOGYAKARTA 2013

KATA PENGANTAR

Alhamdulillah,,,, Segenap puji dan syukur hanya bagi Allah SWT, Tuhan semesta alam, Dzat yang selalu melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan penulisan Kerja Praktek yang berjudul Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal. Shalawat dan salam senantiasa tercurah atas junjungan kita Nabi Muhammad SAW, keluarga, sahabat, dan umatnya hingga akhir zaman. Amin. Kerja Praktek ini penulis laksanakan di Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta guna menyelesaikan program kurikuler pada pada Program Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Islam Indonesia Yogyakarta. Selama Kerja Praktek banyak hal yang penulis dapatkan berkaitan dengan penerapan ilmu berupa pengetahuan dan pengalaman di dunia kerja yang sangat di harapkan bagi penulis dan bermanfaat pada masa mendatang. Dalam penyusunan laporan ini, penulis menyadari bahwa masih banyak kekurangan dan jauh dari sempurna. Oleh karena itu ,penulis sangat mengharapkan kritik dan saran yang berkaitan dengan laporan ini. Dalam melakukan Kerja Praktek dan penyusunan laporan ini, penulis telah melibatkan berbagai pihak, untuk itu tidak lupa ucapan terima kasih penulis sampaikan kepada : 1. Bapak Ir.T.Sugiharto,M.Si ,selaku Kepala Dinas Kelautan dan Perikanan yang telah mengijinkan penulis melakukan Kerja Praktek di Dinas Kelautan dan Perikanan Provinsi DIY. 2. Ibu Taurina Nugrahani, S.Kom, M.kom, Bapak Sugeng Iswitono, SP dan Bapak Ernawan selaku staf Program dan Informasi Dinas Kelautan dan

iv

Perikanan Provinsi DIY yang telah membimbing dan membantu dalam penyediaan data daninformasi yang diperlukan dalam penyusunan laporan ini. 3. Ibu Kariyam ,S.Si,M.Si. selaku ketua Program Studi Statistika Universitas Islam Indonesia UII Yogyakarta. 4. Bapak Dr. Jaka Nugraha,M.Si. selaku dosen pembimbing Kerja Praktek yang telah meluangkan waktu untuk membimbing penulis selama Kerja Praktek. 5. Bapak RB. Fajriya Hakim,S.Si.,M.Si selaku dosen pembimbing akademik yang telah membimbing dalam pengambilan setiap mata kuliah. 6. Kedua Orang tua beserta keluaga penulis yang selalu memberikan dukungan dan doa untuk penulis. 7. Teman-teman Jurusan Statistika baik alumni maupun yang masih seperjuangan atas bantuan dan kerjasamanya selama ini. 8. Serta semua pihak yang baik secara langsung ataupun tidak langsung telah membantu penulis dalam menyelesaikan tugas Kerja Praktik beserta laporannya. Semoga laporan ini dapat bermanfaat bagi pihak-pihak yang berkepentingan dan juga bagi pembaca. Demikianlah semoga Allah SWT senantiasa melimpahkan rahmat dan ridho-Nya kepada semua pihak yang telah membantu penulis. Akhirnya penulis berharap semoga penulisan ini dapat bermanfaat bagi semua pihak. Wassalamualaikum Wr Wb.

Yogyakarta, Januari 2014

Penulis

DAFTAR ISI
Halaman Judul .................................................................................................. i Halaman Pengesahan ........................................................................................ ii Kata Pengantar ................................................................................................. iv Daftar Isi ............................................................................................................ vi Daftar Lampiran ............................................................................................... ix Abstrak ............................................................................................................... x Isi Laporan Kerja Praktek BAB I PENDAHULUAN .................................................................................. 1

1.1 Latar Belakang Masalah ........................................................................... 1 1.2 Perumusan Masalah ................................................................................. 2 1.3 Batasan Masalah........................................................................................2 1.4 Tujuan Kerja Praktek .............................................................................. 3 1.5 Manfaat kerja Praktek ............................................................................. 3 BAB II TINJAUAN UMUM INSTANSI .......................................................... 4 2.1 Tentang Dinas Kelautan dan Perikanan DIY ........................................... 4 2.2 Tugas dan Fungsi Dinas Kelautan dan Perikanan .................................... 5 2.3 Visi dan Misi Dinas Kelautan dan Perikanan .......................................... 6 2.3.1 Visi ................................................................................................. 6 2.3.2 Misi ................................................................................................ 7 2.4 Tujuan Dinas Kelautan dan Perikanan ..................................................... 8 2.5 Sasaran Dinas Kelautan dan Perikanan .................................................... 8 2.6 Strategi,Arah Kebijakan,program Prioritas dan Kegiatan Dinas Kelautan dan Perikanan ........................................................................ 9 2.6.1 Strategi ............................................................................................ 9 2.6.2 Kebijakan ...................................................................................... 10 2.6.3 Program dan Kegiatan Prioritas .................................................... 10 2.7 Struktur Organisasi Dinas Kelautan dan Perikanan ............................. 14 2.8 Penerapan Ilmu Statistik di Dinas Kelautan dan Perikanan .................. 17 vi

BAB III LANDASAN TEORI ........................................................................... 19 3.1 Perikanan ................................................................................................ 19 3.1.1 3.1.2 3.1.3 Definisi Perikanan .................................................................. 19 Sumber Daya Perikanan .......................................................... 19 Jenis-Jenis Perikanan .............................................................. 20

3.2 Analisi Deskriptif ................................................................................... 20 3.3 Analisis Runtun Waktu .......................................................................... 21 3.3.1 ARIMA ......................................................................................... 21 3.3.2 Holt-Winters Exponential Smoothing ........................................... 23 3.3.3 Ukuran Ketepatan Peramalan........................................................ 25 3.4 Peramalan Time Series dengan R .......................................................... 26 3.4.1 Sejarah Singkat R.......................................................................... 26 3.4.2 Cara Memperoleh R,Paket dan Library ........................................ 27 3.4.3 Kelebihan dan Kekurangan R ....................................................... 27 3.4.4 Metode Arima dengan R ............................................................... 29 3.4.5 Metode Holt-Winters dengan R .................................................... 29 BAB IV STUDI KASUS .................................................................................... 32 4.1 Pengambilan Data dan Pengolahan Data ............................................... 32 4.2 Analisis Deskriptif ................................................................................. 32 4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Bantul Pertahun ........................................................... 34 4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Kulon Progo Pertahun ................................................. 35 4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Sleman Pertahun.......................................................... 36 4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Bantul Perkuartal ......................................................... 37 4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Kulon Progo Perkuartal ............................................... 38 vii

4.2.1 Jumlah Produksi Perikanan Perariran Umum Kabupaten Sleman Perkuartal ....................................................... 39 4.2.1 Tingkat Produksi Perikanan Perariran Umum Provinsi DIY Perkabupaten Perkuartal Tahun 2006-2011 ................................. 40 4.3 Peramalan Data ...................................................................................... 40 4.3.1 Peramalan Jumlah Produksi Perikanan Perariran Umum Kabupaten Bantul ..................................................................... 41 4.3.1.1 Pra Pemrosesan Data dan Identifikasi Model ............... 41 4.3.1.2 Estimasi Parameter Dari Model .................................... 46 4.3.1.3 Pengecekan Diagnostik ................................................. 50 4.3.1.4 Pemilihan Model Terbaik ............................................. 55 4.3.1.5 Forecasting .................................................................... 56 4.2.2 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo ........................................................... 58 4.2.2.1 Pra Pemrosesan Data dan Identifikasi Model ............... 58 4.2.2.2 Estimasi Parameter Dari Model .................................... 61 4.2.2.3 Pengecekan Diagnostik ................................................. 66 4.2.2.4 Forecasting .................................................................... 68 4.2.3 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman .................................................................... 70 4.2.3.1 Plot Data dan Identifikasi Model .................................. 70 4.2.3.2 Peramalan Dengan Metode Holt-Winters ..................... 71

BAB V KESIMPULAN DAN SARAN ............................................................ 74 5.1 Kesimpulan ............................................................................................ 74 5.2 Saran....................................................................................................... 79 DAFTAR PUSTAKA .......................................................................................... 81 MAKALAH KP ................................................................................................... 83 LAMPIRAN viii

DAFTAR LAMPIRAN
Lampiran 1 ........................................................................................................ 99 Lampiran 2 ........................................................................................................ 100 Lampiran 3 ........................................................................................................ 101 Lampiran 4 ........................................................................................................ 104 Lampiran 5 ........................................................................................................ 107 Lampiran 6 ........................................................................................................ 110

ix

LAPORAN KERJA PRAKTEK DI DINAS KELAUTAN DAN PERIKANAN PROVINSI DAERAH ISTIMEWA YOGYAKARTA
(Studi Kasus : Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal)

ABSTRAK
Kerja praktek ini dilaksanakan di Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta. Data yang diambil adalah data jumlah hasil panen perikanan perairan umum perkabupaten perkuartal pada tahun 2006 - 2011. Data tersebut merupakan data sekunder yang diambil langsung dari buku laporan statistik perikanan perairan tangkap dan budidaya di Dinas Kelautan dan Perikanan Provinsi DIY. Tujuan dari penelitian ini adalah untuk memprediksi hasil panen atau produksi perikanan perairan umum perkabupaten perkuartal selama dua belas periode atau tiga tahun ke depan.Sehingga judul yang peneliti ambil untuk laporan kerja praktek ini adalah Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal. Untuk menganalisis data tersebut digunakan analisis runtun waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters Eksponensial smoothing menggunakan bantuan software open source R. Dengan prediksi produksi perikanan perairan umum pada tahun 2012 sampai dengan tahun 2014 perkabupaten perkuartal ini diharapkan dapat menjadi refrensi untuk membantu instansi terkait dalam merencanakan peningkatan produksi perikanan perairan umum di Provinsi DI.Yogyakarta. Kata Kunci : perairan umum,produksi, ARIMA ,Holt-Winters Exponensial Smoothing

BAB I PENDAHULUAN
1.1. Latar Belakang Letak geografis Provinsi Daerah Istimewa Yogyakarta berada pada 70 30 sampai 800 15 lintang selatan, dan 1100 00 sampai 1100 52 Bujur Timur.Adapun kondisi tanahnya terdiri atas 634,93 Km2 (60,07 % ) tanah kering. Bagian selatan wilayah Provinsi D.I. Yogyakarta berbatasan langsung dengan samudra Hindia. Peran sektor kelautan dan perikanan di Provinsi Daerah Istimewa Yogyakarta cukup strategis dalam mendukung pembangunan masyarakat kelautan dan perikanan secara umum, baik ditinjau dari perspektif ekonomi ,sosial maupun budaya.Hal ini dapat dilihat dari meningkatnya jumlah masyarakat yang menyandarkan mata pencahariannya dari sektor kelutan dan perikanan, menguatnya trend kebanggaan masyarakat khususnya generasi muda pada kegiatan bidang perikanan dan kelautan ,serta meningkatnya apresiasi masyarakat untuk menkomsumsi produk pangan berbahan baku ikan. Potensi sumberdaya kelautan perikanan di provinsi D.I. Yogyakarta,mempunyai prospek untuk dikembangkan pada usaha ekonomi produktif baik untuk usaha perikanan tangkap (perairan pantai maupun lepas pantai), usaha budi daya air tawar dari kolam sawah dan perairan umum yang tersebar di seluruh kabupaten atau kota dan usaha pengolahan serta pemasaran produk perikanan. Kesemua usaha tersebut berkembang cukup menggembirakan di provinsi D.I.yogyakarta. Untuk mempertahankan dan meningkatkan hasil produksi perikanan baik perairan laut maupun umum diperlukan suatu perencanaan.Perencanaan tersebut dapat dimulai dengan meramalkan jumlah produksi perikanan laut dan umum di setiap Kabupaten Provinsi D.I. Yogyakarta pada periode mendatang yang terdiri dari Kabupaten Bantul,Kabupaten Kulonprogo,Kabupaten Gunung Kidul,Kabupaten Sleman dan Kodya Yogyakarta. Perkembangan yang terjadi setiap bulannya dapat dilihat dengan cara pengumpulan data hasil panen

perikanan setiap Kabupaten yang ada di Provinsi D.I. Yogyakarta baik yang ada di perairan laut maupun umum (rawa, waduk, sungai,kolam ,dll). Berdasarkan latar belakang di atas,maka penulis memilih judul Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal .Karena masalah ini dianggap menarik bagi penulis,serta dapat membantu instansi terkait dalam melakukan prediksi jumlah produksi perikanan perairan umum tahun berikutnya sebagai refrensi untuk merencanakan peningkatan jumlah produksi perikanan di Provinsi DI.Yogyakarta. 1.2 Rumusan Masalah Berdasarkan uraian di atas dapat dirumuskan permasalahan sebagai berikut: 1. Bagaimana memperkirakan jumlah produksi perikanan perairan umum perkabupaten perkuartal selama 12 periode atau 3 tahun ke depan (2012,2013,dan 2014) di Provinsi DIY ? 1.3 Batasan Masalah Untuk membatasi ruang lingkup penelitian dan tidak melebarnya masalah yang ada, maka peneliti memberikan batasan masalah sebagai berikut: 1. 2. 3. 4. Penelitian dilakukan di Dinas Kelautan dan Perikanan Provinsi D.I. Yogyakarta. Data yang digunakan adalah data banyaknya produksi perikanan perairan umum perkabupaten perkuartal. Metode analisis yang digunakan dalam proses peramalan ini adalah Analisis Runtun Waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters. Untuk Kabupaten yang memiliki data perairan umum adalah data Kabupaten Bantul, Kulon Progo, dan Sleman

5.

Periode pengambilan data adalah data produksi perikanan perairan umum perkabupaten perkuartal dari kuartal I tahun 2006 sampai kuartal IV tahun 2011.

1.4

Tujuan Penelitian Tujuan penelitian ini adalah untuk: 1. Menentukan atau memilih metode peramalan yang tepat pada waktu yang akan datang, yang pada ahirnya semua perencanaan produksi dapat dijadwalkan sebaik mungkin. 2. Memperkirakan 2014. jumlah produksi perikanan perairan umum perkabupaten perkuartal tiga tahun berikutnya yakni 2012,2013 dan

1.5

Manfaat Penelitian Manfaat yang diperoleh dari hasil penelitian ini antara lain: 1. Dapat dijadikan salah satu alternatif dalam menentukan Rencana Kerja dan Anggaran Dinas bagi Dinas Kelautan dan Perikanan Provinsi D.I. Yogyakarta. 2. Sebagai titik awal untuk melakukan riset lebih lanjut di Dinas Kelautan dan Perikanan Provinsi D.I. Yogyakarta ,terutama yang berkaitan dengan analisis runtun waktu melalui data yang diperoleh dari survey pasar setiap kuartalnya. 3. Dapat mengetahui metode yang sesuai untuk meramalkan jumlah produksi perikanan perairan umum di masa yang akan datang. 4. Sebagai informasi dan evaluasi perkembangan produktivitas perikanan di Provinsi DIY.

BAB II TINJAUAN UMUM DINAS KELAUTAN DAN PERIKANAN PROVINSI DAERAH ISTIMEWA YOGYAKARTA (DIY)
2.1 Tentang Dinas Kelautan dan Perikanan Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta dibentuk berdasarkan Peraturan Daerah Nomor 5 Tahun 2001 tanggal 23 Juli 2001, Peraturan Daerah Nomor 3 Tahun 2004 tentang Pembentukan dan Organisasi Dinas daerah di Lingkungan Pemerintah Provinsi Daerah Istimewa Yogyakarta. Dinas Kelautan dan Perikanan berada di Jalan Sagan III/4, Terban, Yogyakarta.

Gambar 2.1 Kantor Dinas Kelautan dan Perikanan DIY Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta memiliki 2 kantor unit yaitu UPTD BPTKP dan PPP. UPTD (Unit Pelaksana Teknis Dinas) adalah unit organisasi di lingkungan Dinas Kelautan dan Perikanan yang melaksanakan tugas teknis penunjang dan atau tugas teknis operasional. UPTD BPTKP (Balai Pengembangan Teknologi Kelautan dan Perikanan) berkedudukan di Cangkringan, Sleman, sedangkan UPTD PPP (Pelabuhan Perikanan Pantai) berkedudukan di Sadeng, Girisubo, Gunungkidul.

2.2

Tugas dan Fungsi Dinas Kelautan dan Perikanan DIY Berdasarkan pada peraturan Gubernur Daerah Istimewa Yogyakarta dan fungsi dinas dan Unit

Nomor 39 Tahun 2008 tentang rincian tugas

pelaksanaan teknis pada Dinas Kelautan dan Perikanan ,bahwa Dinas Kelautan dan Perikanan mempunyai tugas melaksanakan urusan Pemerintahan daerah di bidang kelautan dan perikanan,kewenangan dekonsentrasi serta tugas pembantuan yang diberikan oleh Pemerintah. Dalam rangka melaksanakan tugas tersebut, Dinas Kelautan dan Perikanan mempunyai berbagai fungsi diantaranya adalah: a. Menyususn program pengendalian di bidang kelautan dan perikanan b. Merumuskan kebijaksanaan teknis di bidang kelautan dan perikanan. c. Melaksanakan, pengembangan,pengolahan dan pemasaran kelautan-perikanan ,serta wilayah pesisir. d. Melaksanakan koordinasi perijinan di bidang kelautan dan perikanan. e. Menguji dan mengawasi mutu perikanan. f. Memberikan fasilitas penyelenggaraan bidang kelautan dan perikanan Kabupaten dan Kota. g. Melaksanakan pelayanan umum sesuai kewenangannya. h. Menyelenggarakan kegiatan kelautan dan perikanan lintas Kabupaten atau Kota. i. Memberdayakan sumberdaya dan mitra kerja di bidang kelautan dan perikanan. j. Melaksanakan kegiatan ketatausahaan. k. Melaksanakan tugas lain yang diberikan oleh Gubernur sesuai dengan fungsi dan tugasnya. Dalam rangka efektivitas dan efisiensi peran Dinas, struktur organisasi yang ada pada eselon tiga terdiri dari : Sekretaris, Bidang Perikanan, Bidang Kelautan dan Pesisir, Bidang Bina Usaha, UPTD (Balai Pengembangan Teknologi Kelautan-Perikanan dan Pelabuhan Perikanan Pantai) serta Kelompok Jabatan Fungsional.

a. Sekretariat mempunyai tugas menyelenggarakan ketatausahaan, penyusunan program, pengolahan data dan informasi , monitoring evaluasi dan pelaporan kinerja dinas. b. Bidang perikanan mempunyai tugas menyelenggarakan program perikanan budidaya, perikanan tangkap serta pengujian dan pengawasan mutu hasil perikanan. c. Bidang Kelautan dan Pesisir mempunyai tugas mengelola kelautan, sumberdaya ikan dan wilayah pesisir. d. Bidang Bina Usaha mempunyai tugas menyelenggarakan pengembangan usaha, pengolahan dan pemasaran serta pengembangan kelembagaan perikanan. e. Balai Pengembangan Teknologi Kelautan dan Perikanan mempunyai tugas menyelenggarakan pengembangan teknologi budidaya air tawar, air payau dan air laut. 2.3 Visi dan Misi Dinas Kelautan dan Perikanan DIY Menjadi fasilitator masyarakat kelautan-perikanan yang mandiri dan berdaya saing berbasis kekuatan sumberdaya lokal. Penjelasan Visi tersebut adalah sebagai berikut : 1. Fasilitator Tugas utama Dinas Kelautan dan Perikanan Provinsi D.I. Yogyakarta adalah menyediakan fasilitas atau lebih bersifat pemberian dukungan bagi masyarakat kelautan dan perikanan. 2. Masyarakat Kelautan dan Perikanan Masyarakat perikanan terdiri dari unsure masyarakat inti dan masyarakat pendukung. Masyarakat inti terdiri dari pelaku usaha budidaya ikan, nelayan, pengolah, dan pemasar produk perikanan. Sedangkan masyarakat pendukung terdiri dari institusi perguruan tinggi, litbang, kelompok kerja, LSM dan perhati yang melakukan kegiatan berhubungan dengan kegiatan bidang kelautan dan perikanan.

2.3.1 Visi

3.

Yang Mandiri dan Berdaya Saing Dalam pembangunan berbasis masyarakat orientasi target pembangunan

labih diarahkan pada masyarakat itu sendiri. Oleh karena itu, perlu didukung dengan kapasitas, keterampilan, serta profesionalisme yang tinggi dalam rangka pencapaian kualitas hidup masyarakat yang lebih baik. Dalam rangka membangun daya saing usaha masyarakat, pembangunan kelautan dan perikanan diarahkan pada kebutuhan pasar. Hasil dari transformasi pemanfaatan sumber daya lokal menjadi produk berupa barang atau jasa kelautan dan perikanan harus berorientasi pada pasar lokal maupun regional secara optimal dan berkelanjutan melalui kerjasama dunia usaha untuk meningkatkan pendapatan dan kesejahteraan masyarakat kelautan dan perikanan. 4. Sumberdaya Lokal Sumberdaya lokal digunakan sebagai basis dalam pembangunan masyarakat kelautan dan perikanan. Jenis dan karakter sumberdaya lokal yang strategis dan mempunyai nilai ekonomis penting, perlu diketahui Stock assesmentnya, sehingga pemanfaatan sumberdayanya terukur secara baik dan tidak melampaui daya dukung lingkungannya. 2.3.2 Misi Untuk mewujudkan visi tersebut ditempuh melalui emapt misi sebagai berikut: 1. Memeberdayakan SDM kelautan dan perikanan menuju masyarakat berbasis pengetahuan yang berdaya saing dan berbudi luhur. 2. Mengembangkan jejaring kelembagaan dan memantapkan struktur ekonomi kerakyatan berbasis pengelolaan potensi sumberdaya kelautan dan perikanan menuju usaha yang produktif dan berkelanjutan. 3. 4. Meningkatkan efisiensi dan efektivitas tata kerja Dinas Kelautan dan Perikanan untuk mewujudkan goog governance dan clean goverment. Mengembangkan sarana dan prasarana bidang kelautan dan perikanan dalam upaya meningkatkan pelayanan publik.

2.4

Tujuan Dinas Kelautan dan Perikanan Mengacu kepada misi yang telah ditetapkan, maka tujuan yang hendak

dicapai atau dihasilkan dalam kurun waktu 5 tahun adalah ,sebagai berikut: 1. 2. 3. 4. Mewujudkan kemandirian SDM kelautan dan perikanan yang berkualitas. Mewujudkan kelembagaan dan struktur usaha kelautan dan perikanan yang produktif berbasis kerakyatan dan berkelanjutan. Mewujudkan tata kerja Dinas Kelautan dan Perikanan yang baik.\ Mewujudkan dan mengoptimalkan sarana dan prasarana pelayanan publik berbasis kebutuhan masyarakat kelautan dan perikanan. 2.5 Sasaran Dinas Kelautan dan Perikanan Mengacu kepada misi yang telah ditetapkan, maka sasaran yang hendak dicapai atau dihasilkan dalam kurun waktu 5 tahun adalah sebagai berikut: 1. Misi : Memberdayakan SDM kelautan dan perikanan menuju masyarakat berbasis pengetahuan yang berdaya saing dan berbudi luhur , dengan sasaran : a. Terwujudnya peningkatan seksabilitas pelayanan pelatihan dan penyuluhan kepada seluruh masyarakat kelautan dan perikanan dengan sistem yang aplikatif dan adaptif. b. Terwujudnya peningkatan budaya informasi bagi masyarakat kelautan dan perikanan. c. Terwujudnya budaya bahari dan maritim serta tumbuhnya kearifan lokal dalam mengelola sumberdaya kelautan dan perikanan. 2. Misi : Mengembangkan jejaring kelembagaan dan memantapkan struktur ekonomi kerakyatan berbasis pengelolaan potensi sumberdaya kelautan dan perikanan menuju usaha yang produktif dan berkelanjutan ,dengan sasaran : a. Terwujudnya pengembangan jejaring kelembagaan kelautan dan perikanan . b. Terwujudnya usaha kelutan dan perikanan yang mandiri dan berdaya saing. c. Terwujudnya lapangan kerja yang responsif dan adaptif.

3. Misi : Meningkatkan efisiensi dan efektivitas tata kerja Dinas Kelautan dan Perikanan untuk mewujudkan good governance dan clean goverment, dengan sasaran : a. b. c. d. Terwujudnya Dinas Kelautan dan Perikanan yang responsif, transparan , dan akuntabel. Terwujudnya pelayanan prima di bidang kelautan dan perikanan bagi masyarakat. Terwujudnya hubungan yang harmonis antara Dinas Kelautan Provinsi dengan institusi pemerintah pusat maupun kabupaten/kota. Terwujudnya sinergi antara Dinas Kelautan dan Perikanan dengan lembaga penelitian (perguruan tinggi dan litbang), masyarakat, dan sektor swasta. 4. Misi : Mengembangkan sarana dan prasarana bidang kelautan dan perikanan dalam upaya meningkatkan pelayanan publik, dengan sasaran : a. Terwujudnya ketersediaan dan pemerataan sarana dan prasarana sektor kelautan-perikanan yang memadai baik kuantitas maupun kualitas. b. Terwujudnya ketahanan masyarakat kelautan dan perikanan terhadap bencana. c. Terwujudnya pembangunan bidang kelautan dan perikanan yang berwawasan lingkungan. 2.6 Strategi , Arah Kebijakan , Program Prioritas dan Kegiatan Dinas Kelautan dan Perikanan 2.6.1 Strategi a. Penciptaan iklim usaha yang kondusif sebagai faktor penggerak utama perekonomian rakyat . b. Pemberdayaan kelompok pelaku usaha bidang kelautan dan perikanan . c. Percepatan pembangunan daerah tertinggal dan pengentasan kelompok masayarakat miskin.

10

d. Pengembangan ketersediaan bahan protein ikan , distribusi , akses , mutu dan keamanan pangan. e. Pengembangan eksplorasi dan pemanfaatan sumberdaya kelautan dan perikanan secara berkelanjutan. 2.6.2 Kebijakan a. Mengembangkan jejaring kerja antar stakeholder pembangunan kelautan dan perikanan dalam menggerakkan roda perekonomian rakyat. b. Meningkatkan peran serta dan kapasitas kelompok pelaku usaha bidang kelautan dan perikanan dalam pengelolaan sumberdaya kewilayahan . c. Mengembangkan unit usaha produktif dalam rangka meningkatkan produktifitas dan perlindungan kerja di daerah tertinggal dan masyarakat miskin. d. Mengembangkan system rantai dan logistic produk unggulan kelautan dan perikanan. e. Mengoptimalkan ketersediaan protein ikan setiap waktu di seluruh daerah merata dan terjangkau oleh daya beli masyarakat. f. Mengoptimalkan peran sumberdaya kelautan dan perikanan dalam menciptakan lapangan kerja 2.6.3 Program dan Kegiatan Prioritas Pencapaian misi kedua ini dilakukan melalui program prioritas sebagai berikut : 1) Program Pemberdayaan Ekonomi Masyarakat Pesisir a. b. c. d. e. Pembinaan ekonomi masyarakat pesisir. Pengembangan kelembagaan usaha masyarakat pesisir. Peningkatan jejaring usaha kelompok masyarakat pesisir. Penyelenggaraan evaluasi penguatan modal usaha masyarakat pesisir. Penyusunan model atau panduan pengembangan dan pengelolaan lahan pesisir.

11

2) Program pemberdayaan masyarakat dalam pengawasan dan pengendalian sumberdaya kelautan: a. b. c. d. e. f. g. h. i. j. Pemberdayaan kelompok masyarakat pengawas dan aparat perikanan. Optimalisasi dan pengembangan SISWASMAS. Inidiai potensi kawasan konservasi laut daerah. Pemanfaatan sumberdaya ikan hias secara berkelanjutan. Rehabilitasi mangrove dan terumbu karang secara berkelanjutan. Konservasi dan pengembangan penyu. Sosialisasi pengembangan kawasan konservasi sumberdaya laut. Apresiasi pelestarian budidaya ikan di perairan umum. Gelar operasi keamanan laut dan penegakan hukum di wilayah laut selatan DIY. Program Pengembangan Budidaya Perikanan : a. b. c. d. e. f. g. h. i. j. k. l. n. Penyusunan profil perikanan budidaya. Penyusunan potensi pengembangan perikanan budidaya. Pengembangan cara budidaya (pembenihan dan pembesaran) ikan yang baik. Peningkatan kemampuan kelompok pembudidaya ikan dalam pengendalian penyakit ikan. Pembinaan penggunaan dan peredaran obat ikan , bahan kimia dan bahan biologis. Pengendalian hama dan penyakit ikan. Pemanfaatan kesehatan ikan keliling. Pengembangan pakan ikan alami dan bantuan berbasis potensi lokal. Pengembangan budidaya rumput laut dengan rumpon. Pengembangan calon induk dan bibit unggul ikan air tawar , air payau dan air laut. Percontohan budidaya ikan air tawar, air payau , dan air laut. Temu lapang budidaya ikan air tawar , air payau dan air laut. Penyelenggaraan pelepasan induk varietas unggul.

m. Temu teknis budidaya ikan air tawar, air payau, dan air laut.

12

o. p. q.

Pembinaan mutu benih dan induk ikan dalam rangka implementasi Yogya seed centre. Pengembangan kawasan sentra perikanan budidaya. Pengembangan varietas induk atau benih ikan.

3) Program Pengembangan Perikanan Tangkap a. Penangkapan ikan dengan alat tangkap baru (jarring millenium ). b. Penyusunan profil perikanan tangkap. c. Pengembangan usaha perikanan tangkap skala kecil. d. Pengembangan pelabuhan perikanan. e. Pengembangan dan pemanfaatan tenaga surya sebagai sumber energy di TPI. f. Pengembangan light fishing menggunakan lampu LED. g. Survei potensi daerah penangkapan ikan pelagis. h. Pengembangan kerja sama dalam pengelolaan dan pemanfaatn sumberdaya perikanan tangkap. i. Pengembangan standarisasi dokumen dan implementasi administrasi kelaikan kapan. j. Pengembangan, standart operasional prosedur usaha perikanan tangkap. k. Pemetaan penempatan alat bantu penangkapan ikan. 4) Program Optimalisasi Pengolahan dan Pemasaran Produksi Perikanan. a. Penyusunan profil pengolah dan pemasaran produksi perikanan. b. Pengembangan sistem rantai dingin . c. Pengembangan sistem usaha perikanan dan kelautan. d. Temu koordinasi pengolahan dan pemasaran hasil perikanan antar MPU. e. Pengembangan sistem pemasaran dalam negeri yang higenis dan efisien. f. Pemeran atau promosi perikanan dan kelautan. g. Pengawasan dan pengujian mutu hasil perikanan. h. Monitoring dan evaluasi mutu produk perikanan di unit produksi , depo atau pasar dan lokasi lainnya.

13

5) Program Pengembangan Kawasan Budidaya Laut, Air Payau dan Air Tawar. a. Identifikasi karakteristik wilayah pesisir dan pemetaan pemanfaatan lahan. b. Sosialisai rencana pemanfaatan ruang pesisir dan laut. c. Implementasi pengelolaan tata ruang pesisir dan laut. d. Pengembangan rekayasa teknologi budidaya air laut. e. Pengembangan rekayasa teknologi budidaya air tawar. f. Pengembangan rekayasa teknologi budidaya air payau. g. Sosialisasi hasil-hasil pengembangan atau rekayasa budidaya. 6) Program Rehabilitasi Ekosistem dan Cadangan Sumberdaya Alam. a. Identifikasi dan pemetaan konservasi pesisir. b. Pengembangan konservasi ekosistem sumberdaya laut dan pesisir. c. Rehabilitasi ekosistem pesisir . d. Pembinaan pengelolaan ekosistem pesisir secara berkelanjutan. e. Peningkatan stok sumberdaya perikanan. f. Peningkatan eksplorasi dan pemanfaan sumberdaya laut dan pesisir. g. Penguatan kelembagaan masyarakat dalam pengelolaan sumberdaya alam. h. Pengembangan energy non migas berbasis sumberdaya lokal.

14

2.7

Struktur Organisasi Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta.

Gambar 2.2 Struktur Organisasi Dinas Kelautan dan Perikanan DIY. Sebagaimana struktur organisasi di atas maka dapat dilihat gambaran susunan organisasi di Dinas Kelautan dan Perikanan. Berikut akan dijelaskan untuk setiap satuan kerja yang ada di Dinas Kelautan dan Perikanan. 1) Sekretariat Sekretariat dikepalai oleh sekretaris dinas dan mempunyai tugas menyelenggarakan ketatausahaan, penyusunan program, pengelolaan data dan informasi, monitoring, evaluasi dan pelaporan kinerja dinas. Sekretariat memiliki 3 subbagian yaitu subbagian keuangan, program dan informasi, dan umum. Berikut merupakan fungsi dari sekretariat : a. Penyusunan program Sekretariat b. Penyusunan program Dinas c. Fasilitasi perumusan kebijakan dan pedoman teknis teknis bidang kelautan dan perikanan

15

d. Penyelenggaraan

kearsipan,

kerumahtanggaan,

pengelolaan

barang,kehumasan, kepustakaan, serta efisiensi dan tatalaksana Dinas e. Penyelenggaraan kepegawaian Dinas f. Pengelolaan keuangan Dinas g. Pengelolaan data dan pengembangan sistem informasi h. Fasilitasi pengembangan kerjasama teknis i. Penyelenggaraan monitoring dan evaluasi program serta penyusunan laporan kinerja Dinas j. Evaluasi dan penyusunan laporan program Sekretariat k. Pelaksanaan tugas lain yang diberikan oleh atasan sesuai tugas dan fungsinya 2) Bidang Kelautan dan Pesisir. Bidang Kelautan dan Pesisir mempunyai tugas mengelola kelautan, sumberdaya ikan dan wilayah pesisir. Bidang Kelautan dan Pesisir terdiri atas Seksi Pendayagunaan Laut, Pengawasan Sumberdaya Ikan dan Pengembangan Wilayah Pesisir. Bidang Kelautan dan Pesisir mempunyai fungsi : a. Penyusunan program Bidang Kelautan dan Pesisir. b. Penyelenggaraan penataan dan pengelolaan perairan di wilayah laut. c. Penyelenggaraan pengawasan, pengendalian dan penegakan hukum pengelolaan sumberdaya laut dan pesisir. d. Pengelolaan wilayah pesisir dan fasilitasi pengembangan masyarakat pesisir; e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang Kelautan dan Pesisir. 3) Bidang Perikanan Bidang perikanan mempunyai tugas menyelenggarakan program perikanan budidaya, perikanan tangkap serta pengujian dan pengawasan mutu hasil

16

perikanan. Bidang Perikanan terdiri atas Seksi Teknis Budidaya, Teknis Tangkap dan Pengujian dan Pengawasan Mutu. Bidang Perikanan mempunyai fungsi : a. Penyusunan program Bidang Perikanan. b. Perumusan kebijakan dan pedoman teknis perikanan budidaya, perikanan tangkap dan pengujian dan pengawasan mutu hasil perikanan. c. Penyelenggaraan pengujian dan pengawasan mutu hasil perikanan. d. Pembinaan, pengendalian dan evaluasi penyelenggaraan program perikanan budidaya dan perikanan tangkap. e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang Perikanan. f. Pelaksanaan tugas lain yang diberikan pimpinan sesuai dengan tugas dan fungsinya. 4) Bidang Bina Usaha. Bidang Bina Usaha mempunyai tugas menyelenggarakan pengembangan usaha, pengolahan dan pemasaran serta pengembangan kelembagaan perikanan. Bidang Bina Usaha memiliki 3 seksi yaitu seksi pengembangan kelembagaan, pengembangan usaha dan pengelolaan pemasaran. Bidang Bina Usaha mempunyai fungsi : a. Penyusunan program Bidang Bina Usaha . b. Pembinaan usaha, perizinan dan permodalan perikanan. c. Pengembangan pengolahan dan pemasaran hasil perikanan. d. Fasilitasi pengembangan kapasitas dan kelembagaan perikanan. e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang Bina Usaha. f. Pelaksanaan tugas lain yang diberikan pimpinan sesuai tugas dan fungsinya.

17

2.8

Penerapan Ilmu Statistik di Dinas Kelautan dan Perikanan Yogyakarta. Pengumpulan data (statistic) pengolahan dan pemasaran hasil perikanan

(P2HP) yang dilakukan oleh Kementerian Kelautan dan Perikanan bekerjasama dengan Badan Pusat Statistik telah dimulai sejak tahun 2006. Pada tahun 2006 pengumpulan data dilakukan terbatas hanya di Provinsi Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, dan Banten. Pada tahun itu kegiatan pengumpulan data dilakukan sebagai uji coba untuk mengetahui efektifitas dan ketepatan instrument pengumpul data. Disamping itu uji coba digunakan untuk mengetahui kesiapan sumber daya manusia yang akan bertugas sebagai pengumpul dan pengolah data P2HP pada tahun-tahun berikutnya. Pada tahun 2007 pengumpulan data P2HP dilakukan di seluruh wilayah Republik Indonesia. Fokus utama pengumpulan data pada tahun itu adalah mendapatkan seluruh direktori unit pengolahan dan pemasahan hasil perikanan. Variabel pokok yang dikumpulkan adalah nama unit usaha, alamat, status badan hukum, jenis unit usaha pengolahan/pemasaran ikan, sertifikasi usaha, penerapan teknologi pengolahan, jumlah tenaga kerja, asset, omset/nilai produksi dan beberapa variable pendukung lainnya. Data yang dikumpulkan, kemudian dijadikan sebagai kerangka (frame) dasar pengambilan sampel pada tahun selanjutnya. Ternyata program pengumpulan direktori pada tahun 2007 belum maksimal, hal ini dikarenakan adanya keterbatasan sumber daya yang ada baik sumber daya manusia maupun sumber daya pendukung lainnya. Pada tahun 2008 pengumpulan direktori P2HP dilanjutkan untuk melengkapi direktori yang telah dihasilkan pada tahun 2007. Pengumpulan data P2HP tahun 2008 ternyata juga belum maksimal. Ada beberapa provinsi yang belum mendapatkan direktori sebagaimana yang diharapkan. Untuk itu, upaya yang dilakukan pada tahun 2009 adalah dengan menamahkan direktori unit pengolahan dan pemasaran hasil perikanan (UPI) dari Sensus Ekonomi tahun 2006 (SE06). Hasil pengga-bungan tersebut selanjutnya dijadikan sebagai kerangka sampel (sample frame) dalam pengumpulan data dengan metode sampling.

18

Mulai tahun 2009 pengumpulan data P2HP dilakukan secara sampling. Dengan metode sampling variabel amatan yang dikumpulkan lebih banyak dibanding dengan pengumpulan data pada tahun-tahun sebelumnya. Variabel amatan tersebut adalah variabel struktur ongkos, seperti: nilai modal/ investasi, jumlah tenaga kerja (laki-laki dan perempuan), gaji dan pengeluaran lain untuk tenaga kerja, pengeluaran untuk bahan bakar minyak, listrik, air, biaya-biaya lain, bahan baku yang digunakan, jumlah alat produksi yang digunakan, jumlah dan nilai produksi, jumlah dan nilai eksport, serta nilai barang modal.

BAB III LANDASAN TEORI

3.1

Perikanan semua kegiatan yang berkaitan dengan ikan, termasuk

3.1.1 Definisi Perikanan Perikanan adalah memproduksi ikan, baik melalui penangkapan maupun budidaya dan atau mengolahnya untuk memenuhi kebutuhan manusia akan pangan sumber protein dan non pangan. (Irzal & Wawan, Manajemen Agribisnis Perikanan, 2006). Di Indonesia, menurut UU RI no. 9/1985 dan UU RI no. 31/2004, kegiatan yang termasuk dalam perikanan dimulai dari praproduksi, produksi, pengolahan sampai dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan. Dengan demikian, perikanan dapat dianggap merupakan usaha agribisnis.Sedangkan Rumah Tangga Perikanan yaitu Rumah tangga yang melakukan kegiatan penangkapan ikan atau organisme air lainnya dengan tujuan sebagian atau seluruh hasilnya untuk dijual (UU No 31 Tahun 2004). 3.1.2 Sumberdaya Perikanan Sumber daya perikanan merupakan salah satu kekayaan yang ada di perairan. Perairan dapat dibagi menjadi 2 yaitu perairan umum dan perairan laut. 1. Perairan Umum Pengertian perairan umum adalah bagian dari permukaan bumi yang secara permanen atau berkala digenangi air, baik air tawar, air payau maupun air laut; mulai dari garis pasang surut laut terendah ke arah daratan dan badan air tersebut terbentuk secara alami atau buatan. Perairan umum tidak dimiliki oleh perorangan dan mempunyai fungsi politik, ekonomi, sosial, budaya, pertahanan-keamanan dan digunakan untuk sebesarbesarnya kemakmuran masyarakat. Yang termasuk dalam perairan umum adalah sungai (DAS), danau, waduk, goba dan genangan air lainnya.[Wikipedia, 2010]

20

2.

Perairan Laut Perairan Laut adalah wilayah permukaan bumi yang tertutup oleh air asin. Sebagaimana perairan darat, perairan laut juga sangat bermanfaat bagi kehidupankita.Secara umum perairan laut dapat dimanfaatkan sebagai: sarana transportasi,usaha perikanan,usaha pertambangan,sumber bahan baku obatobatan dan kosmetika,sumber energy,rekreasi serta pendidikan dan penelitian.

3.1.3

Jenis-Jenis Perikanan Perikanan secara umum dapat digolongkan dalam perikanan darat dan

perikanan laut. Ditinjau dari asal sumbernya, produk-produk perikanan darat dapat berasal dari: 1. Perairan umum seperti danau, waduk, rawa, dan lain-lain. 2. Perairan produk-produk air tawar seperti kolam, sawah dsb. Produk-produk perikanan laut dapat dapat berasal dari: 1. Perairan budidaya air payau yaitu tambak-tambak 2. Budidaya perairan pantai (maricultur), rumput laut, mutiara. 3. Perairan laut. 3.2 Analisis Deskriptif Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga lebih mudah dibaca dan bermakna. Penggambaran data ini dalam bentuk tabel atau grafik dan angka angka. Ukuran ukuran yang ada pada statistik deskriptif adalah ukuran pemusatan, ukuran penyebaran, dan deskripsi data lain (penggambaran dengan tabel atau grafik).

21

3.3

Analisis Runtun Waktu Data time series (runtun waktu) menurut [Makridakis dkk, 1999] adalah

jenis data yang dikumpulkan menurut urutan waktu dalam suatu urutan waktu tertentu. Dalam kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan atau tahun. Sehingga analisis runtun waktu adalah analisis data yang berupa urutan waktu dalam suatu urutan waktu tertentu. Pada dasarnya terdapat dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif ini adalah metode subyektif. Hal ini meliputi metode pencatatan faktorfaktor yang dianggap akan mempengaruhi produksi terhadap hasil produksi tersebut, ataupun mengikuti pendapat para pakar produk yang hendak diprediksi. Berdasarkan informasi tersebut kita dapat memprediksi kejadian dimasa yang akan datang. Pada laporan ini, akan dibahas metode kuantitatif analisis time series (runtun waktu). Berdasarkan serangkaian data masa lalu, kita bisa meramalkan kejadian di masa datang dengan menggunakan analisis runtun waktu, yang merupakan hasil observasi berbagai variabel menurut waktu dan digambarkan dalam bentuk grafik.

3.3.1 salah

Autoregressive Integrated Moving Average (ARIMA) Model Autoregressive Integrated Moving Average (ARIMA) merupakan

satu model yang populer dalam peramalan dengan pendekatan time series. Model ini terdiri dari tiga bentuk utama yaitu model AR, MA, dan ARMA. Prosedur BoxJenkins adalah suatu prosedur standar yang banyak digunakan dalam pembentukan model ARIMA. Prosedur ini terdiri dari empat tahapan yang iteratif dalam pembentukan model ARIMA pada suatu data runtun waktu, yaitu tahap identifikasi, estimasi, diagnostic check, dan peramalan. Berikut ini adalah diagram yang menggambarkan tahaptahap dalam prosedur BoxJenkins (Bowerman dan OConnell, 1993; Wei, 2006).

22

Gambar 3.1 Prosedur BoxJenkins untuk pembentukan model ARIMA Secara umum, bentuk matematis dari model ARIMA(p,d,q) dapat ditulis sebagai berikut (Cryer, 1986; Wei, 2006)

dengan B adalah operator mundur, yaitu plot

Penentuan orde p dan q dari

model ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stasioner. Berikut ini adalah petunjuk umum untuk penentuan orde p dan q pada suatu data runtun waktu yang sudah stasioner.

23

Tabel 3.1. Pola teoritis ACF dan PACF dari proses yang stasioner

3.3.2

Holt-Winters Exponential Smoothing Metode Holt-Winters sering disebut metode pemulusan eksponensial yang

melakukan pendekatan .Metode ini terbagi menjadi dua bagian yakni: 1. Metode Pemulusan Eksponensial Holt-Winters dengan Metode PerkalianMusiman (Multiplicative Seasonal Method) yang digunakan untuk variasi data musiman yang mengalami peningkatan/penurunan (fluktuasi), 2. Metode Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman (Additive Seasonal Method) yang digunakan untuk variasi musiman yang bersifat konstan. Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni persamaan pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan musiman. Untuk Pemulusan Eksponensial Holt-Winters denganMetode Perkalian Musiman mempunyai persamaan sebagai berikut:

24

Pemulusan Keseluruhan

Pemulusan Trend

Pemulusan Musiman

Ramalan

Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman mempunyai persamaan sebagai berikut: Pemulusan Keseluruhan

Pemulusan Trend

Pemulusan Musiman

Ramalan

25

Makna simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah: Xt = nilai aktual pada periode akhir t = konstanta penghalusan untuk data (0 < < 1) = konstanta penghalusan untuk trend (0 < < 1) = konstanta penghalusan untuk musiman (0 < < 1) St = nilai pemulusan awal bt = konstanta pemulusan I = faktor penyesuaian musiman L = panjang musim Ft+m = ramalan untuk m periode ke depan dari t. 3.3.3 Ukuran Ketepatan Peramalan Untuk menentukan metode mana yang lebih baik, digunakan ukuran ketepatan peramalan dengan memilih metode yang memiliki nilai ukuran ketepatan peramalan yang paling kecil nilainya. Ukuran ketepatan peramalan antara lain adalah: a. Ukuran Relatif Percentage Error PEt = Dimana = data ke-t = nilai forecast data Mean Percentage Error MPE = Mean Absolute Percentage Error MAPE = (11) (10) (9)

b.

Ukuran Standar Mean Absolute Error MAE = ( 12)

26

Dimana ei = selisih data dengan forecast dengan i= 1,....,n Mean Square Error MSE = Sum Square Error SSE = (14) (13)

3.4

Peramalan Time Series Dengan R R adalah suatu sistem untuk analisis data yang termasuk kelompok

software statistik open source yang tidak memerlukan lisensi atau gratis, yang dikenal dengan freeware. Sampai saat ini, pengguna statistika di Indonesia masih belum banyak yang menggunakan R untuk keperluan analisis data. Sebagian besar pengguna statistika di Indonesia masih menggunakan paketpaket statistik komersil, seperti SPSS, MINITAB,Splus, SAS, atau Eviews. 3.4.1 Sejarah Singkat R R merupakan suatu sistem analisis data statistik yang komplet sebagai hasil dari kolaborasi penelitian berbagai ahli statistik (statistisi) di seluruh dunia. Versi awal dari R dibuat pada tahun 1992 di Universitas Auckland, New Zealand oleh Ross Ihaka dan Robert Gentleman. Pada saat ini, source code kernel R dikembangkan terutama oleh R Core Team yang beranggotakan 17 orang statistisi dari berbagai penjuru dunia (lihat http://www.rproject.org/contributors.html). Selain itu, para statistisi lain pengguna R di seluruh dunia juga memberikan kontribusi berupa kode, melaporkan bug, dan membuat dokumentasi untuk R. Paket statistik R bersifat multiplatforms, dengan file instalasi binary/file tar tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD, NetBSD,irix, Solaris, AIX, dan HPUX. Secara umum, sintaks dari bahasa R adalah ekuivalen denganpaket statistik Splus, sehingga sebagian besar keperluan

27

analisis statistika, dan pemrograman dengan R adalah hampir identik dengan perintah yang dikenal di Splus. 3.4.2 Cara Memperoleh R, Paket dan Library R dapat diperoleh secara gratis di CRANarchive yaitu The Comprehensice R Archive Network di alamat http://cran.rproject.org. Pada server CRAN ini dapat didownload file instalasi binary dan source code dari Rbase system dalam sistem operasi Windows (semua versi), beberapa jenis distro linux, dan Macintosh. Fungsi dan kemampuan dari R sebagian besar dapat diperoleh melalui Addon packages/library. Suatu library adalah kumpulan perintah atau fungsi yang dapat digunakan untuk melakukan analisis tertentu. Sebagai contoh, fungsi untuk melakukan analisis time series dapat diperoleh di library ts. Instalasi standar dari R akan memuat berbagai library dasar, antara lain base, datasets, graphics, utils, dan stats. Library lain hasil kontribusi dari pengguna R (di luar yang standar) harus diinstal satu per satu sesuai dengan yang dibutuhkan untuk analisis. Daftar semua library yang tersedia dapat diakses dari link download CRAN di alamat http://cran.rproject.org. 3.4.3 Kelebihan dan Kekurangan R Karena R bersifat GNU (lihat http://www.gnu.org), penggunaan R tidak memerlukan pembayaran lisensi .Ada beberapa alas an lain untuk lebih memilih menggunakan R daripada menggunakan perangkat lunak statistic komersial,yaitu: 1. Kelebihan a. Protabilitas, yakni jika memilih perangkat lunak ini , pengguna (user) bebas untuk mempelajari dan menggunakannya sampai kapan pun (berbeda, misalnya, lisensi perangkat lunak berversi pelajar) b. Multiplatform. R merupakan system operasi multiplatform , lebih kompetibel daripada perangkat lunak statistika manapun yang pernah ada .

28

Dengan demikian , jika pengguna memutuskan berpindah system operasi , penyesuaiannya akan relative lebih mudah untuk dilakukan. c. Umum dan berada di barisan terdepan. Berbagai metode analisis statistic (metode klasik maupun metode baru) telah diprogramkan ke dalam bahasa R. Dengan demikian, perangkat lunak ini dapat digunakan untuk berbagai macam analisis statistika, baik pendekatan klsaik maupun pendekatan statistika modern. d. Bisa deprogram. Pengguna dapat memprogramkan metode baru atau dapat mengembangkan modifikasi dari fungsi-fungsi analisis statistika yang telah ada dalam system R. e. Bahasa berbasis analisis matriks.Bahasa R sangat baik untuk melakukan pemrograman dengan basis matriks. f. Fasilitas grafik yang relative baik. 2. Kelemahan a. Point and klik GUI. Interaksi utama dengan R bersifat Command Line Interface (CLI),walaupun saat ini telah tersedia menu Point and Click GUI (Graphical User Interface) sederhana untuk keperluan analisis statistika tertentu , seperti paket R commander yang dapat digunakan untuk keperluan pengajaran statistika dasar dan R Commander Plugin untuk GUI bagi keperluan beberapa analisis statistika lainnya. Dengan demikian , untuk dapat menggunakan R diperlukan penyesuaian-penyesuaian oleh pengguna yang telah terbiasa dengan fasilitas Point and Click GUI. b. Ketidaktersediaan sejumlah fungsi statistic . Walaupun analisis statistika dalam R sudah cukup lengkap, tidak semua metode statistika didimplementasikan ke dalam bahasa R (pada kenyataannya ,tidak ada perangkat lunak statistika yang mengimplementasikan semua teknik analisis statistika yang ada dalam literature). Namun, karena R dikatakan sebagai lingua franca untuk keperluan komputasi statistika modern saat ini,ketersediaan serta kelengkapan fungsi-fungsi tambahan dalam bentuk paket /pustaka hanya masalah waktu saja.

29

3.4.4

Metode ARIMA dengan R. R adalah salah satu paket statistika yang menyediakan fasilitas untuk

membuat bentuk ACF dan PACF teoritis dari modelmodel ARIMA yang stasioner. Berikut ini adalah salah satu contoh script untuk membuat plot ACF dan PACF teoritis dari model AR(p), MA(q) dan ARMA(p,q)

3.4.5

Metode Exponensial Holt-Winter dengan R Prinsip dari metode Exponential Smoothing adalah menggunakan nilai

penghalusan secara eksponensial sebagai ramalan dari kejadian di satu waktu yang akan datang, t+k . Secara umum ada tiga macam model eksponensial, yaitu eksponensial sederhana (untuk data dengan pola stasioner), eksponensial ganda yang dikenal dengan model Holt (untuk data dengan pola tren), dan model HoltWinters (untuk data dengan pola musiman dengan atau tanpa tren). R menyediakan fasilitas untuk ketiga model tersebut dengan satu perintah yaitu HoltWinters. Penggunaan dari perintah ini adalah seperti berikut.

30

Perintah HoltWinters ini memiliki beberapa argumen yang dapat digunakan untuk menentukan pemilihan metode eksponensial smoothing mana yang akan dipilih. Berikut ini adalah argumen yang dapat dipilih pada perintah HoltWinters. Tabel 3.2 Argumen HoltWinter

Model HoltWinters yang disediakan di R terdiri dari dua pilihan, yaitu model aditif dan multiplikatif. Model aditif digunakan pada data runtun waktu dengan pola seasonal dengan variasi musiman konstan. Sedangkan model multiplikatif digunakan untuk data dengan pola seasonal yang mengandung variasi tidak konstan. Fungsi prediksi pada model HoltWinters aditif (untuk runtun waktu dengan panjang periode p) adalah;

31

Sedangkan fungsi prediksi pada model HoltWinters multiplikatif (untuk runtun waktu dengan panjang periode p) adalah;

Fungsi ini bekerja untuk mendapatkan nilai-nilai optimal dari

dan/atau

dan/atau gamma dengan meminimalkan kuadrat dari error prediksi satu tahap.

BAB IV STUDI KASUS


4.1. Pengambilan Data dan Pengolahan Data Data produksi perikanan perairan umum ini merupakan data sekunder yang diperoleh dari Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta dan proses pengumpulan datanya adalah sebagai berikut : a. Data merupakan data langsung yang diperoleh dari pendataan petugas dinas lapangan dengan mengambil data seluruh desa yang potensi perikanan sesuai dengan jenis perikanan. c. Petugas mengisi blanko formulir data perikanan sesuai dengan hasil perikanan dari setiap desa. d. Sebelum data di kumpulkan dan diolah di Provinsi terlebih dahulu data dikumpulkan di kabupaten dan diolah oleh dinas kemudian mengirim petugas survey untuk melakukan pendataan kembali apakah data sudah cocok. e. Petugas melakukan survey tiap Rumah Tangga Perikanan (RTP) ke desa-desa yang potensi perikanan sesuai dengan jenis perikanan. f. Hasil survey untuk mengestimasi data produksi hasil perikanan dan dilaporkan tiap bulan sekali. Data yang diambil adalah data jumlah produksi perikanan perairan umum perkabupaten perkuartal pada kuartal pertama tahun 2006 sampai dengan kuartal keempat tahun 2011. Data runtun waktu perikanan mengalami proses heterokedastisitas atau variansi selalu berubah-ubah sepanjang waktu. Metode statistik yang digunakan adalah metode ARIMA dan HoltWinter Exponential Smoothing .(Data Jumlah Produksi Perikanan Perairan Umum Tahun 2006-2011 Perkabupaten Perkuartal provinsi DIY Lampiran 1 dan Lampiran 2) 4.2 Analisis Deskriptif Terkait analisis deskriptif berikut ini,ada beberapa faktor yang mempengaruhi tingkat produksi perikanan di perairan umum,baik itu yang menghambat maupun yang memperlancar usaha tersebut. Faktor pendukung panen

33

merupakan faktorfaktor yang dapat memperlancar kegiatan budidaya perikanan , diantaranya adalah : a) Kondisi perairan dan lingkungan usaha yang sesuai dengan habitat ikan. b) Sumber air dekat dengan lokasi usaha. c) Tersedianya sumberdaya alam dan sumber daya manusia. d) Tinggi rendahnya harga jual ikan. e) Adanya lahan yang belum termanfaatkan dan sangat baik bila digunakan untuk usa-ha budidaya, sehingga bila lahan tersebut diolah dengan baik akan membantu meningkatkan pendapatan keluarga. f) Adanya teknologi budidaya ikan yang lebih efektif dan lebih efisien. g) Dengan semakin meningkatnya jumlah penduduk, maka permintaan ikan juga semakin meningkat. h) Adanya dukungan dari pemerintah. i) Usaha budidaya perikanan dalam pemasarannya mempunyai jaringan distribusi yang mantap di daerah tertentu. j) Mempunyai organisasi dan kelompok kerja yang aktif dan produktif. k) Mempunyai kemampuan untuk memproduksi ikan dengan ukuran yang sesuai dengan permintaan konsumen. l) Jumlah rumah tangga perikanan(RTP) m) Mempunyai kemampuan dari segi teknis budidaya. Beberapa faktor yang menjadi hambatan dalam usaha budidaya perikanan perairan umum, diantaranya adalah : a) Peralatan pengontrolan kualitas air yang kurang. b) Belum adanya tenaga ahli khususnya di bidang perikanan yang membantu dalam pelaksanaan usaha. c) Tingginya biaya produksi dalam kegiatan usaha budidaya ikan. d) Rendahnya minat penduduk lokal dalam mengkonsumsi ikan,sehingga pema-saran untuk daerah lokal masih rendah. e) Manajemen pengelolaan yang masih sederhana. f) Kemungkinan berdirinya usaha baru dengan teknologi yang lebih baik. g) Sedikitnya jumlah RTP (Rumah Tangga Perikanan)

34

h) Kurang adanya kepercayaan dari penyedia dana baik investor maupun bank terhadap usaha budidaya perikanan karena adanya resiko ketidakpastian yang tinggi, sehingga petani ikan kesulitan dalam memperoleh dana dalam upaya pengembangan usahanya. i) Belum mantapnya pola perencanaan dan pembinaan tenaga kerja yang dapat memenuhi perkembangan usaha. j) Peristiwa alam seperti gempa,gunung meletus,kekeringan ,dll. dapat menjadi penghamabat jalannya usaha perikanan. 4.2.1 Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul Pertahun. JUMLAH PRODUKSI PERIKANAN PERAIRAN UMUM KAB.BANTUL PERTAHUN
1000 900 800 700 600 500 400 300 464.1 200 100 0 2006

TotalProduksi(ton)

876.1 394 378.5

292.4 2008 Tahun 2009

369.9

2007

2010

2011

Gambar 4.1. Jumlah produksi perikanan perairan umum (ton) Kab.Bantul pertahun tahun 2006-2011

Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum di Kabupaten Bantul tidak stabil karena mengalami kenaikan dan penurunan dalam rentang waktu tahun 2006-2011.Pada tahun 2007 terjadi penurunan dengan jumlah produksi 394 ton, hal ini disebabkan karena gempa yang terjadi di tahun 2006 mengakibatkan banyaknya infrastruktur yang mendukung jalannya usaha budidaya ikan rusak,selain itu gempa juga mengakibatkan berkurangnya jumlah Rumah Tangga Perikanan(RTP). Sedangkan di tahun 2008 terjadi kenaikan

35

jumlah produksi yang signifikan sebesar 876.1 ton,dikarenakan pada tahun 2008 adanya pemberian bantuan berupa indukan lele dan gurami dari Dinas Perikanan dan Kelautan (DKP) yang berimbas pada semakin berkembangnya usaha dibidang perikanan khususnya usaha benih ikan di Kabupaten Bantul.Akan tetapi di tahun 2009 justru terjadi penurunan yang cukup tajam dari tahun sebelumnya sebesar 292.4 ton, hal ini terjadi karena petani lebih tertarik untuk menjual ikan dalam bentuk benih keluar daerah daripada menunggu hingga ikan siap dikonsumsi,metode ini dipandang lebih cepat menghasilkan tetapi mengakibatkan produksi ikan tidak bisa tercukupi.Melihat hal tersebut pemerintah melakukan pembinaan yang intensif terhadap kelompok usaha budidaya perikanan sehingga hasilnya di tahun 2010 terjadi peningkatan dan penurunan di tahun 2011 tidak begitu signifikan disbanding tahun-tahun sebelumnya. 4.2.2 Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo Pertahun. JUMLAH PRODUKSI PERIKANAN PERAIRAN UMUM KAB.KULON PROGO PERTAHUN
JumlahProduksi(ton) 600 500 400 300 439.6 200 100 0 2006 2007 2008 Tahun 2009 2010 2011 453.7 456.2 424.2 520.9 538.9

Gambar 4.2. Jumlah produksi perikanan perairan umum (ton) Kab.Kulon Progo pertahun tahun 2006-2011

Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum di Kabupaten Kulon Progo cukup stabil meski mengalami penurunan di tahun dalam rentang waktu tahun 2006-2011. Pada tahun 2006 sampai 2008 produksi perikanan perairan umum di Kabupaten Kulon Progo stabil,hal ini tidak

36

lepas

dari

dukungan

pemerintah

baik

daerah

maupun

pusat

berupa

dana,pembangunan infrastruktur irigasi,penyuluhan ,dll. Akan tetapi terjadi penurunan di tahun 2009 dikarenakan jumlah bantuan berupa dana produksi tidak sebesar tahun sebelumnya. Melihat penurunan yang terjadi di tahun 2009 pemerintah meningkatkan dukungan yang tinggi selain dari segi dana hal yang terpenting adalah meningkatkan manajemen pengolahan yang lebih baik sehingga hasilnya pada tahun 2010 sampai 2011 terjadi peningkatan yang signifikan. 4.2.3 Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman Pertahun. JUMLAH PRODUKSI PERIKANAN PERAIRAN UMUM KAB.SLEMAN PERTAHUN
150 JumlahProduksi(ton) 145 140 135 145 130 131.6 125 120 2006 129 2007 129.8 142.5 136.3

2008 Tahun

2009

2010

2011

Gambar 4.3. Jumlah produksi perikanan perairan umum (ton) Kab.Sleman pertahun tahun 2006-2011

Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum di Kabupaten Sleman tidak stabil karena mengalami kenaikan dan penurunan dalam rentang waktu tahun 2006-2011.Pada tahun 2007 terjadi penurunan dengan jumlah produksi 129 ton, hal ini disebabkan karena gempa yang terjadi di tahun 2006 mengakibatkan banyaknya infrastruktur yang mendukung jalannya usaha budidaya ikan rusak,selain itu gempa juga mengakibatkan berkurangnya jumlah Rumah Tangga Perikanan(RTP) . Sedangkan di tahun 2008 dan 2009 terjadi

37

kenaikan jumlah produksi yang signifikan. Peningkatan produktifitas perikanan tersebut dikarenakan adanya peningkatan produktivitas kolam, jumlah kelompok pembudidaya meningkat,dan meningkatnya pengetahuan dan ketrampilan pembudidayaan ikan, serta meningkatnya dukungan dari pemerintah.Akan tetapi di tahun 2010 dan 2011 justru terjadi penurunan yang signifikan dari tahun sebelumnya, hal ini disebabkan oleh erupsi gunung merapi mengakibatkan kegiatan budidaya perikanan mengalami kerusakan yang cukup parah dengan kerusakan kolam, tambak, sarana perbenihan dan kematian massal pada ikan. 4.2.4 Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul Perkuartal.

JumlahProduksiPerikanan PerairanUmumkabupatenBantul
Produksi(ton)

400 300 200 100 0 KUARTALI KUARTAL KUARTAL KUARTAL II III IV Perkuartal

Th2006 Th2007 Th2008 Th2009 Th2010 Th2011

Gambar 4.4. Jumlah produksi perikanan perairan umum (ton) Kab.Bantul perkuartal tahun 2006-2011

Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan perairan umum Kabupaten Bantul tidak stabil karena mengalami kenaikan dan penurunan. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai sebanyak 43,3 ton pada kuartal ke-3 tahun 2007 dikarenakan ketersediaan benih yang kurang memadai akibat musim kemarau yang menyebabkan RTP (Rumah Tangga Perikanan) mengalami kesulitan untuk mengairi lahan perikanannya sehingga banyak lahan perikanan yang kosong dan jumlah tertinggi dicapai sebanyak 322,9 ton pada kuartal pertama tahun 2008.

38

Pencapaian ini adalah hasil kerja keras semua pihak baik instansi terkait maupun masyarakat dalam membenahi kekurangan-kekurangan yang menyebabkan jumlah produksi merosot sebelumnya seperti menambah persediaan benih ikan ,menggiatkan penyuluhan kepada RTP,ketersediaan air yang mecukupi, meningkatkan sarana dan prasarana yang menunjang produksi perikanan, dan ketersediaan pakan yang terpenuhi. 4.2.5 Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo Perkuartal.

JumlahProduksiPerikananPerairan UmumKabupatenKulonProgo
250
Produksi(ton)

200 150 100 50 0 I II Perkuartal III IV

Th.2006 Th.2007 Th.2008 Th.2009 Th.2010 Th.2011

Gambar 4.5. Jumlah produksi perikanan perairan umum (ton) Kab.Kulonprogo perkuartal tahun 2006-2011

Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan perairan umum Kabupaten Kulonprogo tidak stabil karena mengalami kenaikan dan penurunan. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai sebanyak 26,6 ton pada kuartal ke-4 tahun 2006 dikarenakan peristiwa gempa yang terjadi mengakibatkan berkurangnya RTP (Rumah Tangga Perikanan) dan banyaknya lahan perikanan yang tidak terurus sedangkan jumlah tertinggi dicapai sebanyak 211,4 ton pada kuartal pertama tahun 2006, karena sebelum terjadi gempa kegiatan perikanan berjalan lancar ,sarana dan prasarana masih memadai, ketersediaan benih dan pakan masih mencukupi ,dan jumlah lahan serta RTP menjadi faktor yang menunjang hasil produksi.

39

4.2.6 Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman Perkuartal.

JumlahProduksiPerikanan PerairanUmumKab.Sleman
Produksi(ton)

60 40 20 0 I II III IV Perkuartal

Th.2006 Th.2007 Th.2008 Th.2009 Th.2010 Th.2011

Gambar 4.6. Jumlah produksi perikanan perairan umum (ton) Kab.Sleman perkuartal tahun 2006-2011

Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan perairan umum Kabupaten Sleman tidak stabil karena mengalami kenaikan dan penurunan. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai sebanyak 15,5 ton pada kuartal ke-3 tahun 2010 dikarenakan peristiwa letusan merapi yang terjadi mengakibatkan berkurangnya RTP (Rumah Tangga Perikanan) ,banyaknya lahan perikanan yang tidak terurus dan tercemar abu vulaknik sedangkan jumlah tertinggi dicapai sebanyak 58,2 ton pada kuartal pertama tahun 2010, karena sebelum terjadi letusan kegiatan perikanan berjalan lancar ,sarana dan prasarana masih memadai, ketersediaan benih dan pakan masih mencukupi ,dan jumlah lahan serta RTP menjadi faktor yang menunjang hasil produksi.

40

4.2.7

Tingkat

Produksi

Perikanan

Perairan

Umum

Provinsi

DIY

Perkabupaten Perkuartal Tahun 2006-2011.


Tingkat Produksi Perikanan peraiaran Umum Provinsi DIY Perkabupaten Perkuartal Tahun 20062011
Kab.Bantul Kab.KulonProgo Kab.Sleman

II III IV

II III IV

II III IV

II III IV

II III IV

II III IV

PerkuartalTahun20062011

Gambar 4.7. Tingkat produksi perikanan perairan umum provinsi DIY perkabupaten perkuartal tahun 2006-2011

Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum di Provinsi DIY tidak stabil karena mengalami kenaikan dan penurunan dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011. Pada kuartal 2 dan 3 sering terjadi penurunan di setiap daerahnya dikarenakan musim kemarau yang terjadi pada bulan April sampai September dapat menyebabkan kurangnya ketersediaan air yang cukup untuk mengairi sejumlah kolam-kolam perikanan petani.Sedangkan pada kuartal 1 dan 4 produksi perikanan sering meningkat karena musim penghujan yang terjadi pada bulan Oktober Maret membuat petani ikan dapat mencukupi pengairan dengan kualitas air yang baik.Hal ini disebabkan oleh lokasi kegiatan perikanan budidaya yang selalu bergantung dari keberadaan lahan dan air. 4.3 Peramalan Data Metode statistik yang digunakan untuk mengolah data adalah analisis runtun waktu menggunakan metode ARIMA Box Jenkins dan Holt-Winter Exponential Smoothing dengan bantuan software open source R versi 2.11.1.

41

4.3.1

Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul.

4.3.1.1 Prapemrosesan Data dan Identifikasi Model Pada bagian ini ada beberapa hal yang sangat penting sebelum lebih lanjut dalam melakukan analaisis menggunakan metode ARIMA .Prapemrosesan data dan identifikasi model meliputi plot data,uji stasioneritas data,transformasi awal dan identifikasi model. Selengkapnya mengenai prapemrosesan dan identifikasi model akan dijabarkan berikut ini dari data yang akan diolah menggunakan software opensource R versi 2.11.1. 1. Plot Data Secara visual, dapat diperkirakan secara kasar dari bentuk model yang mungkin sesuai untuk data dengan melihat plot data dalam urutan waktu. Plot data sangat penting untuk melihat apakah proses runtun waktu sudah stasioner dalam variansi ataupun stasioner dalam mean. Stasioner dalam mean artinya bahwa data berkisar dititik yang sama sedangkan stasioner dalam variansi artinya penyebaran atau fluktuasi data merata sehingga variansi data konstan. Plot data runtun waktu jumlah produksi perikanan perairan umum Kabupaten Bantul dapat dilihat pada gambar 4.1 dan ringkasan statistiknya dapat dilihat pada tabel 1 dari plot data dapat terlihat bahwa produksi/hasil panen perikanan perairan umum Kabupaten Bantul selalu berfluktuasi dari waktu kewaktu.

Gambar 4.8 Plot Data Kab.Bantul

42

Tabel 4.1. Ringkasan Data Statistik Mean Median Maximum Minimum Std. Dev. Nilai 115,625 99,65 322,9 43,3 67,08154

Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai pada titik 43,3 ton dan tertinggi pada 322,9 ton. Rata-rata hasil panen dalam rentang waktu tersebut adalah sebesar 115,625 dengan nilai tengah 99,65 dan standar deviasi 67,08154. Terlihat juga data belum stasioner baik secara rata-rata maupun variansinya.Selain itu dari plot terlihat data tidak mengandung unsur musiman sehingga metode ARIMA cocok digunakan. 2. Uji Stasioneritas Data Dari plot di atas terlihat data mengandung tren linear, yang selanjutnya dapat dikonfirmasikan dengan uji akar unit dengan uji Augmented DickeyFuller/ADF(yang menyatakan adanya akar unit) atau dengan plot ACF/PACF .Untuk pengujian kestasioneran, sebuah data runtun waktu dikatakan stasioner jika nilai ADF test statistic lebih kecil dari nilai yang sudah ditentukan sebelumnya , berikut output uji Augmented Dickey-Fuller/ADF dan plot ACF/PACF ;

43

Gambar 4.9

Plot ACF/PACF dari data Kab.Bantul

Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam data(data tidak stasioner) diterima karena p-value > (0.5208>0.05), yang dapat dikonfirmasikan dengan dengan plot ACF yang meluruh secara lambat menuju nol. Selain itu data juga tidak stasioner dalam variansi ,hal ini dapat dikonfirmasikan dengan output Box-Cox Plot berikut.

44

Gambar 4.10 Box-Cox Plot Dari gambar 4.10 di atas terlihat nilai Estimate = -0,05 ,karena nilai tersebut kurang dari 1, maka data tersebut tidak stasioner dalam variansi sehingga perlu dilakukan transformasi. 3. Transformasi Awal dan Identifikasi Model Karena data memiliki bentuk tren, maka diperlukan transformasi untuk membentuk data yang stasioner (dalam mean).Transformasi yang dapat dilakukan untuk membuang tren adalah melakukan pembedaan (differencing) data .Plot output hasil pembedaan dengan order difference =2 dan lag difference=2 adalah sebagai berikut,

Gambar 4.11 Plot differens Terlihat data belum stasioner dalam variansi.Untuk melakukan stabilisasi variansi dengan cara melakukan transformasi.Bentuk transformasi yang paling

45

sering digunakan adalah transformasi log, atau secara umum menggunakan transformasi Box-Cox,berikut adalah plot hasil transformasi pada data di atas,

Gambar 4.12 Plot differens dari log Terlihat bahwa dengan transformasi log dari data sebelum dilakukan pembedaan,variansi data relatif telah stabil. Akan tetapi dalam peramalan data ,untuk mendapatkan hasil peramalan dengan model untuk data hasil transformasi log, transformasi data hasil peramalan harus dilakukan dengan transformasi eksponensial. Selanjutnya akan diidentifikasi model Autoregressive Moving Average (ARMA) yang tepat untuk menggambarkan data hasil pembedaan logaritma dengan plot ACF/PACF sebagai berikut.

46

Gambar 4.13 Plot ACF/PACF dari difference log 4.3.1.2 Estimasi Parameter dari Model Setelah melakukan uji asumsi kestasioneran, didapatkan data runtun waktu yang stasioner. Selanjutnya dicari kemungkinan-kemungkinan model yang cocok untuk menggambarkan proses runtun waktu pada data tersebut. Dapat ditentukan alternative modelnya dengan cara melihat plot ACF dan PACF di atas. Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 3 ordo atau 3 lag yang signifikan sehingga ordo AR(3) dan pada plot ACF terdapat 2 ordo atau 2 lag yang signifikan sehingga ordo MA(2), maka dari itu alternative model yang mungkin adalah :

Model 1 : ARIMA ( 3, 2, 0) Model 2 : ARIMA ( 3, 2, 2)

47

Model 3 : ARIMA ( 2, 2, 0 ) Model 4 : ARIMA ( 0, 2, 1 )

Estimasi parameter dari model di atas sebagai berikut; 1. Estimasi Parameter ARIMA (3,2,0)

Hipotesis : H0 : = 0 (Parameter AR tidak cukup signifikan dalam model) H1 : 0 (Parameter AR cukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh nilai Pvalue untuk ar1 sebesar 0,00073, ar2 sebesar 1,135926e-05,dan ar3 sebesar 0,018. Karena nilai Pvalue ar1(0,00073) < (0,05), ar2(1,135926e-

48

05) < (0,05) ,dan ar3(0,018) < (0,05) maka tolak H0. Artinya parameter AR cukup signifikan dalam model. 2. Estimasi Parameter ARIMA (3,2,2)

Hipotesis : H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model) H1 : 0 (Parameter AR /MA cukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa karena nilai Pvalue ar1(0,739) > (0,05),maka gagal tolak H0. Artinya parameter AR tidak signifikan dalam model dan dapat dikeluarkan dari model.

49

3.

Estimasi Parameter ARIMA (2,2,0)

Hipotesis : H0 : = 0 (Parameter AR tidak cukup signifikan dalam model) H1 : 0 (Parameter AR cukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh nilai Pvalue untuk ar1 sebesar 0,015, dan ar2 sebesar 0,00037. Karena nilai Pvalue ar1(0,015) < (0,05), dan ar2(0,00037) < (0,05) maka tolak H0. Artinya parameter AR cukup signifikan dalam model.

50

4.

Estimasi Parameter ARIMA (0,2,1)

Hipotesis : H0 : = 0 (Parameter MA tidak cukup signifikan dalam model) H1 : 0 (Parameter MA cukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh nilai Pvalue untuk ma1 sebesar 3.096966e-08. Karena nilai Pvalue ma1(3.096966e-08) < (0,05), maka tolak H0. Artinya parameter MA cukup signifikan dalam model. 4.3.1.3 Pengecekan Diagnostik Untuk melakukan pengecekan diagnostik (diagnostic checking), selain dengan kriteria statistik uji t untuk parameter/koefisien hasil estimasi,juga dilakukan uji Q Ljung-Box dan plot ACF/PACF untuk residual guna melihat apakah terdapat korelasi serial (autokorelasi) dalam residual dari model yang diamati.Berikut hasil pengecekan diagnostik untuk masing-masing model yang sudah signifikan.

51

1. ARIMA (3,2,0)

Gambar 4.14 Plot diagnostik dari model 1 Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (3,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) diterima. Asumsi kedua yang juga harus diperiksa adalah normalitas dari residual model. R menyediakan banyak perintah untuk uji normalitas, baik secara grafik atau statistik inferensia. Pada bagian ini akan digunakan histogram dan QQplot untuk evaluasi secara grafik. Secara inferensi digunakan salah satu perintah yang ada, yaitu shapiro.test untuk menerapkan uji ShapiroWilk. Berikut adalah output histogram dan QQplot dari residual, serta uji normalitas residual model dengan uji ShapiroWilk dari data perikanan perairan umum Kabupaten Bantul.

52

Gambar 4.15 Histogram dan QQPlot residual arima model 1 Output histogram dan QQplot residual Arima model 1 pada data 1dapat dilihat paga Gambar 4.15 di atas. Output uji ShapiroWilk diatas menunjukkan bahwa residual sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh pvalue yang lebih besar dari (0,5726>0.05).

53

2. ARIMA (2,2,0)

Gambar 4.16 Plot diagnostik dari model 2 Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (2,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) diterima. Kemudian berikut adalah output histogram dan QQplot dari residual, serta uji normalitas residual model dengan uji ShapiroWilk dari Arima(2,2,0).

54

Gambar 4.17 Histogram dan QQPlot residual arima model 2 Output histogram dan QQplot residual Arima (2,2,0) dapat dilihat pada Gambar 4.17 di atas. Output uji ShapiroWilk diatas menunjukkan bahwa residual sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh pvalue yang lebih besar dari (0,5368>0.05) .

55

3. ARIMA (0,2,1)

Gambar 4.18 Plot diagnostik dari model 3 Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (0,2,1) merupakan model yang tidak baik .Dari plot ACF terlihat bahwa residual bukan model white noise, ditandai dengan adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di bawah garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) ditolak. Sehingga untuk model ini tidak diikutsertakan dalam pemilihan model terbaik. 4.3.1.4 Pemilihan Model Terbaik Pemilihan model didasarkan pada nilai RMSE dan AIC pada model model yang cocok untuk meminimumkan kesalahan forecasting.

56

Tabel 4.2. Rangkuman Nilai RMSE dan AIC Model ARIMA ARIMA ( 3, 2, 0 ) ARIMA ( 2, 2, 0 ) RMSE 0.583161563 0.6696827179 AIC 50.7 53.98

Model yang paling baik adalah model yang memiliki nilai RMSE dan AIC yang paling kecil. Dari kedua model diatas, ARIMA ( 3, 2, 0 ) memiliki nilai RMSE dan AIC yang lebih kecil. Jadi model ARIMA ( 3, 2, 0 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data jumlah produksi/hasil panen perikanan perairan umum kabupaten Bantul pada laporan Statistik Perikanan Tangkap Provinsi

DI.Yogyakarta. 4.3.1.5 Forecasting Langkah terakhir yang harus dilakukan adalah meramalkan ( Forecasting ) untuk 12 periode atau 3 tahun ke depan untuk data kuartalan menggunakan R.

57

Gambar 4.19 Plot data,runtun tersuai,dan prediksi Output di atas berisi peramalan terhadap jumlah produksi/hasil panen perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV 2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran. Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil panen perikanan perairan umum Kabupaten Bantul ( dalam ton ) pada : Kuartal I 2012 sebesar 105,63 Kuartal II 2012 sebesar 97,41 Kuartal III 2012 sebesar 58,87 Kuartal IV 2012 sebesar 65,42

58

Kuartal I 2013 sebesar 91,6 Kuartal II 2013 sebesar 77,97 Kuartal III 2013 sebesar 58,24 Kuartal IV 2013 sebesar 66,15 Kuartal I 2014 sebesar 78,74 Kuartal II 2014 sebesar 66,88 Kuartal III 2014 sebesar 57,05 Kuartal IV 2014 sebesar 63,69

Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi jumlah produksi perikanan perairan umum Kabupaten Bantul tidak

diperhitungkan. Jadi peramalan ini berlaku jika faktor faktor selama tiga tahun kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir. 4.3.2 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo. 4.3.2.1 Prapemrosesan Data dan Identifikasi Model Prapemrosesan data dan identifikasi model meliputi plot data,uji stasioneritas data,transformasi awal dan identifikasi model. Selengkapnya mengenai prapemrosesan dan identifikasi model akan dijabarkan berikut ini dari data yang akan diolah menggunakan software opensource R.

59

1.

Plot Data

Gambar 4.20 Plot data Kab.Kulon Progo Tabel 4.3 Ringkasan Data Statistik Mean Median Maximum Minimum Std. Dev. Nilai 118,06 110,7 211,4 26,6 44,05

Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai pada titik 26,6 ton dan tertinggi pada 211,4 ton. Rata-rata hasil panen dalam rentang waktu tersebut adalah sebesar 118,06 dengan nilai tengah 110,7 dan standar deviasi 44,05. Dari plot terlihat data tidak mengandung unsur musiman sehingga metode ARIMA cocok digunakan.

60

2.

Uji Stasioneritas Data Dari plot di atas terlihat data tidak mengandung tren linear, yang

selanjutnya dapat dikonfirmasikan dengan uji akar unit dengan uji Augmented Dickey-Fuller/ADF(yang menyatakan adanya akar unit) atau dengan plot ACF/PACF .Untuk pengujian kestasioneran, sebuah data runtun waktu dikatakan stasioner jika nilai ADF test statistic lebih kecil dari nilai plot ACF/PACF ;

yang sudah

ditentukan sebelumnya , berikut output uji Augmented Dickey-Fuller/ADF dan

Gambar 4.21 Plot ACF/PACF data Kab.Kulon Progo Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam data(data tidak stasioner) ditolak karena p-value < (0.01<0.05), yang dapat

61

dikonfirmasikan dengan dengan plot ACF yang meluruh secara cepat menuju nol.Selain itu data juga sudah stasioner dalam variansi ,hal ini dapat dikonfirmasikan dengan output Box-Cox Plot berikut.

Gambar 4.22 Box-Cox Plot Dari gambar 4.22 di atas terlihat nilai Estimate = 0,70 ,karena nilai tersebut mendekati 1, maka data tersebut stasioner dalam variansi sehingga tidak perlu dilakukan transformasi. 4.3.2.2 Estimasi Parameter dari Model Setelah melakukan uji asumsi kestasioneran,dapat diketahui bahwa data sudah stasioner dalam mean dan variansi sehingga tidak perlu melakukan differencing dan transformasi. Selanjutnya dicari kemungkinan-kemungkinan model yang cocok untuk menggambarkan proses runtun waktu pada data tersebut. Dapat ditentukan alternative modelnya dengan cara melihat plot ACF dan PACF di bawah ini.

62

Gambar 4.23 Plot ACF/PACF dari data Kab.Bantul Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 1 ordo atau 1 lag yang signifikan sehingga ordo AR(1) dan pada plot ACF terdapat 2 ordo atau 2 lag yang signifikan sehingga ordo MA(2), maka dari itu alternative model yang mungkin adalah : Model 1 : ARIMA ( 1, 0, 2) Model 2 : ARIMA ( 1, 0, 1) Model 3 : ARIMA ( 1, 0, 0 ) Model 4 : ARIMA ( 1, 0, 2 )

Estimasi parameter dari model di atas sebagai berikut;

63

1.

Estimasi Parameter ARIMA (1,0,2)

Hipotesis : H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model) H1 : 0 (Parameter AR /MA cukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa karena nilai Pvalue ar1(0,748) > (0,05),maka gagal tolak H0. Artinya parameter AR tidak signifikan dalam model sehingga dapat dikeluarkan dari model.

64

2.

Estimasi Parameter ARIMA (1,0,1)

Hipotesis : H0 : = 0 (Parameter AR dan MA tidak cukup signifikan dalam model) H1 : 0 (Parameter AR dan MAcukup signifikan dalam model) Daerah penolakan T > Z0,05 atau p-value< Kesimpulan : Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh nilai Pvalue untuk ar1 sebesar 0.001012841, dan ma1 sebesar 5.189573e-08. Karena nilai Pvalue ar1(0.001012841) < (0,05), dan ma1 (5.189573e-08) < (0,05) , maka tolak H0. Artinya parameter AR dan MA cukup signifikan dalam model.

65

3.

Estimasi Parameter ARIMA (1,0,0) Tidak Signifikan

4.

Estimasi Parameter ARIMA (1,0,2) Tidak Signifikan

66

4.3.2.3 Pengecekan Diagnostik Untuk melakukan pengecekan diagnostik (diagnostic checking), selain dengan kriteria statistik uji t untuk parameter/koefisien hasil estimasi,juga dilakukan uji Q Ljung-Box dan plot ACF/PACF untuk residual guna melihat apakah terdapat korelasi serial (autokorelasi) dalam residual dari model yang diamati.Berikut hasil pengecekan diagnostik untuk masing-masing model yang sudah signifikan. 1. ARIMA (1,0,1)

Gambar 4.24 Plot diagnostik arima(1,0,1) Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (1,0,1) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung

67

korelasi serial (autokorelasi) diterima. Kemudian berikut adalah output histogram dan QQplot dari residual, serta uji normalitas residual model dengan uji ShapiroWilk dari Arima(1,0,1).

Gambar 4.25 Histogram dan QQPlot residual arima (1,0,1) Output histogram dan QQplot residual Arima (1,0,1) dapat dilihat pada Gambar 4.25 di atas. Output uji ShapiroWilk diatas menunjukkan bahwa residual sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh pvalue yang lebih besar dari (0,5983>0.05).

68

4.3.2.4 Forecasting Karena hanya ada satu model yang signifikan dan memenuhi semua uji di atas maka langkah terakhir yang harus dilakukan adalah meramalkan ( Forecasting ) untuk 12 periode atau 3 tahun ke depan untuk data kuartalan dengan model arima (1,0,1) menggunakan R ,berikut output hasil peramalan 3 tahun ke depan,

Gambar 4.26 Plot data,runtun tersuai,dan prediksi Output di atas berisi peramalan terhadap jumlah produksi/hasil panen perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV 2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum

69

Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran. Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil panen perikanan perairan umum Kabupaten Kulon Progo ( dalam ton ) pada:

Kuartal I 2012 sebesar 96,32 Kuartal II 2012 sebesar 101,54 Kuartal III 2012 sebesar 105,29 Kuartal IV 2012 sebesar 107,97 Kuartal I 2013 sebesar 109,90 Kuartal II 2013 sebesar 111,28 Kuartal III 2013 sebesar 112,27 Kuartal IV 2013 sebesar 112,90 Kuartal I 2014 sebesar 113,50 Kuartal II 2014 sebesar 113,86 Kuartal III 2014 sebesar 114,13 Kuartal IV 2014 sebesar 114,32

Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi jumlah produksi perikanan perairan umum Kabupaten Kulon Progo tidak diperhitungkan. Jadi peramalan ini berlaku jika faktor faktor selama tiga tahun kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir.

70

4.3.3 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman. 4.3.3.1 Plot Data dan Identifikasi Model

Gambar 4.27 Plot data Kab.Sleman Tabel 4.4 Ringkasan Data Statistik Mean Median Maximum Minimum Std. Dev. Nilai 33,93 30,8 58,2 15,5 11,89

Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam rentang waktu kuartal ke-1 2006 kuartal ke-4 2011 hasil panen terendah dicapai pada titik 15,5 ton dan tertinggi pada 58,2 ton. Rata-rata hasil panen dalam rentang waktu tersebut adalah sebesar 33,93 dengan nilai tengah 30,8 dan standar deviasi 11,89. Dari plot data di atas dapat diperoleh informasi penting, yakni data produksi perikanan perairan umum Kabupaten Sleman ternyata mengandung trend

71

dan mengandung pengaruh musiman juga, dimana rata-rata musiman (L) yang terbentuk adalah 4.Dengan demikian metode ARIMA Box-Jenkins kurang cocok digunakan akan tetapi metode yang tepat untuk meramalkan data Kabupaten Sleman ini adalah metode Holt-Winters Exponential Smoothing. 4.3.3.2 Peramalan Dengan Metode Holt-Winters Secara empiris,model penghalusan musiman yang paling tepat untuk digunakan dapat dibandingkan dengan memilih metode yang memberikan jumlahan galat kuadrat (sum of square error atau SSE) yang paling minimum.Berikut adalah penghalusan rangkap tiga Holt-Winters dengan metode aditif dan multiplikatif,dan tampilan nilai SSE dari model tersuai.

Di sini semua parameter penghalusan (alfa,beta,dan gamma) diberi nilai NULL,yang berarti koefisiean penghalusan optimal akan digunakan (di mana optimisasi akan dilakukan secara otomatis dalam R). Terlihat bahwa model musiman multiplikatif Holt-Winters memiliki nilai SSE yang lebih kecil sehingga merupakan model yang lebih baik untuk penghalusan data Kabupaten Sleman.Berikut hasil prediksi 12 periode atau 3 tahun ke depan,plot tersuai dan interval prediksi untuk data prediksi perikanan perairan umum Kabupaten Sleman dengan model Holt-Winters Multiplikatif.

72

Gambar 4.28 Plot data tersuai dan interval prediksi dengan model musimanmultiplikatif Holt-Winters Output di atas berisi peramalan terhadap jumlah produksi/hasil panen perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV 2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran. Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil panen perikanan perairan umum Kabupaten Sleman ( dalam ton ) pada : Kuartal I 2012 sebesar 63,1 Kuartal II 2012 sebesar 37,26 Kuartal III 2012 sebesar 28,11 Kuartal IV 2012 sebesar 40,77

73

Kuartal I 2013 sebesar 61 Kuartal II 2013 sebesar 36 Kuartal III 2013 sebesar 27,16 Kuartal IV 2013 sebesar 39,38 Kuartal I 2014 sebesar 58,9 Kuartal II 2014 sebesar 34,76 Kuartal III 2014 sebesar 26,21 Kuartal IV 2014 sebesar 37,99

Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi jumlah produksi perikanan perairan umum Kabupaten Sleman tidak

diperhitungkan. Jadi peramalan ini berlaku jika faktor faktor selama tiga tahun kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir.

BAB V KESIMPULAN DAN SARAN

5.1

Kesimpulan Dari analisis dan pembahasan yang telah dilakukan pada data hasil panen

perikanan perairan umum di Provinsi Daerah Istimewa Yogyakarta perkabupaten perkuartal, dapat ditarik suatu kesimpulan sebagai berikut: 1) Dari hasil analisis deskriptif dapat diketahui bahwa jumlah produksi setiap tahun dan kuartalnya dipengaruhi oleh berbagai faktor seperti curah hujan,musim kemarau,bencana alam,manajemen pengelolaan,dll. 2) Dukungan pemerintah sangat mempengaruhi tingkat produksi perikanan di masing-masing kabupaten baik berupa dana,penyuluhan,pembangunan infrastruktur ,dll. 3) Metode ARIMA atau yang juga dikenal dengan metode Box-Jenkins ini merupakan suatu pendekatan pembentukan model yang sangat baik untuk suatu data runtun waktu. Metode ini menawarkan ketelitian yang tinggi karena hampir semua aspek yang berkaitan dengan asumsi-asumsi diperiksa secara seksama seperti keadaan stasionaritas variansi dan mean, independensi galat, nilai-nilai autokorelasi serta nilai-nilai autokorelasi parsial yang diperiksa dengan batas toleransi yang ketat. 4) Setelah melalui langkah langkah analisa, model ARIMA ( 3, 2, 0 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data hasil panen/produksi perikanan

75

perairan umum Kabupaten Bantul. Model ini merupakan model ARIMA non musiman dengan orde AR non musiman 3, differencing untuk model non musiman 2, dan orde MA non musimannya 0. 5) Model ARIMA ( 1, 0, 1 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data hasil panen/produksi perikanan perairan umum Kabupaten Kulon Progo. Model ini merupakan model ARIMA non musiman dengan orde AR non musiman 1, differencing untuk model non musiman 0, dan orde MA non musimannya 1. 6) Data hasil panen perikanan perairan umum Kabupaten Sleman setelah diplotkan ternyata mempunyai unsur musiman dan tren sehingga metode ARIMA box jenkins kurang tepat untuk digunakan ,akan tetapi untuk meramalkan datanya digunkan metode Holt-Winters. 7) Plot untuk data pada prediksi jumlah produksi perikanan perairan umum Kabupaten Bantul ,Kulon Progo, dan Sleman untuk periode tiga tahun ke depan setiap kuartalnya secara umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran.

76

Gambar 5.1 Plot prediksi data Kabupaten Bantul

Gambar 5.2 Plot prediksi data Kabupaten Kulonprogo

77

Gambar 5.3 Plot prediksi data Kabupaten Sleman 8) Dari peramalan yang telah dilakukan dari masing-masing Kabupaten perkuartal diperoleh hasil peramalan tiga tahun berikut; Jumlah produksi/hasil panen perikanan perairan umum Kabupaten Bantul ( dalam ton ) pada : Kuartal I 2012 sebesar 105,63 Kuartal II 2012 sebesar 97,41 Kuartal III 2012 sebesar 58,87 Kuartal IV 2012 sebesar 65,42 Kuartal I 2013 sebesar 91,6 Kuartal II 2013 sebesar 77,97 Kuartal III 2013 sebesar 58,24 Kuartal IV 2013 sebesar 66,15 ke depannya sebagai

78

Kuartal I 2014 sebesar 78,74 Kuartal II 2014 sebesar 66,88 Kuartal III 2014 sebesar 57,05 Kuartal IV 2014 sebesar 63,69

Jumlah produksi/hasil panen perikanan perairan umum Kabupaten Kulon Progo ( dalam ton ) pada : Kuartal I 2012 sebesar 96,32 Kuartal II 2012 sebesar 101,54 Kuartal III 2012 sebesar 105,29 Kuartal IV 2012 sebesar 107,97 Kuartal I 2013 sebesar 109,90 Kuartal II 2013 sebesar 111,28 Kuartal III 2013 sebesar 112,27 Kuartal IV 2013 sebesar 112,90 Kuartal I 2014 sebesar 113,50 Kuartal II 2014 sebesar 113,86 Kuartal III 2014 sebesar 114,13 Kuartal IV 2014 sebesar 114,32

Jumlah produksi/hasil panen perikanan perairan umum Kabupaten Sleman ( dalam ton ) pada :

79

Kuartal I 2012 sebesar 63,1 Kuartal II 2012 sebesar 37,26 Kuartal III 2012 sebesar 28,11 Kuartal IV 2012 sebesar 40,77 Kuartal I 2013 sebesar 61 Kuartal II 2013 sebesar 36 Kuartal III 2013 sebesar 27,16 Kuartal IV 2013 sebesar 39,38 Kuartal I 2014 sebesar 58,9 Kuartal II 2014 sebesar 34,76 Kuartal III 2014 sebesar 26,21 Kuartal IV 2014 sebesar 37,99

5.2 SARAN 1) Pemerintah perlu meningkatakan pembinaan terhadap kelompokkelompok petani ikan agar bisa mengoptimalkan produksi. 2) Pemerintah perlu meningkatkan bantuan dana kepada para petani ikan sebagai modal untuk meningkatkan usaha mereka. 3) Dalam pemodelan sebuah runtun waktu produksi perikanan sebaiknya diidentifikasi model apa yang paling cocok dengan data.

80

4) Diperlukan

ketelitian

dalam

menganalisis

data

runtun

waktu

menggunakan ARIMA dengan bantuan software open source R. 5) Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta dapat

menggunakan hasil peramalan ini sebagai bahan pertimbangan dan penentuan kebijakan tehnis terhadap peningkatan produksi perikanan perairan umum. 6) Diharapkan dengan hasil perkiraan yang didapat, Dinas Kelautan dan Perikanan Provinsi DIY dapat menentukan target produksi atau hasil panen perikanan perairan umum ke depannya.

DAFTAR PUSTAKA
Matloff,N.,2011, The Art Of R Programming ,No Starch Press, San Francisco Makridakis, S., Wheelwright, S.C., dan Mc Gee V.E., 1999, Metode dan Aplikasi Peramalan , Jakarta : Binarupa Aksara. Abdurakhman.,2013, Modul Praktikum Analisis Runtun Waktu, Program Studi Statistika, FMIPA UII Rosadi, D., 2011, Analisis Ekonometrika dan Runtun Waktu Terapan dengan R, Andi Offset,Yogyakarta. Suhartono., 2008, Analisis Data Statistik dengan R, Program Studi Statistika, FMIPA ITS Iriawan, N., dan Astuti, S.P., 2006, Mengolah Data Statistik dengan Mudah Menggunakan Minitab 14, Yogyakarta : Andi Offset. Anonim ,2006.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______ ,2007.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______ ,2008.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______ ,2009.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______ ,2010.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______ ,2011.,Laporan Statistik Perikanan Tangkap DIY,Dinas Kelautan dan Perikanan ,Provinsi DIY _______, Metodologi Perikanan, [online], (http://alisadikinwear.wordpress.com /, di akses tanggal 10 Desember 2013) _______, Perikanan, [online],( http://id.wikipedia.org/wiki/Perikanan di akses tanggal 10 Desember 2013)

82 _______, HoltWinters, [pdf], ( http://repository.upi.edu/2869/4/S_MTK_0905655_Chapter1.pdf di akses tanggal 10 Desember 2013) _______, Berita Bantul, [online], (http://bantulkab.go.id/berita/1325.html) di akses tanggal 1 januari 2014 _______,Strategi Pemasaran Ikan, [online], (http://lintangluku.com/strategi-pemasaranukm-di-bidang-perikanan/ ) di akses tanggal 5 Januari 2014. _______,Produksi Perikanan darat, [online], (http://www.harianjogja.com/baca/2009/05/29/produksi-perikanan-darat-belummaksimal-133293), di akses tanggal 10 Januari 2014. http://www.perikanan-diy.info , di akses tanggal 10 Januari 2014

Lampiran 1: Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul Perkuartal Tahun 2006 -2011 Produksi/Kuartal (ton) I 2006 2007 2008 2009 2010 2011 168,6 149,4 322,9 97,1 146,2 111,4 II 166,8 123,8 208,9 72,2 102,2 138,9 III 52,3 43,3 124,2 43,6 75,9 59,2 IV 76,4 77,5 220,1 79,5 54,2 60,4

Tahun

Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011

Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo Perkuartal Tahun 2006 -2011 Produksi/Kuartal (ton) I 2006 2007 2008 2009 2010 2011 211,4 178 182,6 107 136,6 127,8 II 167,8 101,3 98 102,5 113,2 133,1 III 33,8 80,8 70,7 95,2 144,5 108,2 IV 26,6 93,6 104,9 119,5 126,6 169,8

Tahun

Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011

100

Lampiran 2: Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman Perkuartal Tahun 2006 -2011 Produksi/Kuartal (ton) I 2006 2007 2008 2009 2010 2011 50,7 48,1 43,7 49,8 58,2 32,3 II 29,3 24 22,8 28,9 48,3 28,5 III 22,3 22,4 22,2 22 15,5 32,8 IV 29,3 34,5 41,1 44,3 20,5 42,7

Tahun

Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011

101

Lampiran 3: Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Bantul dengan Metode ARIMA menggunakan R
>setwd("E:\\MATERIKULIAH\\SemesterVII\\KomputasiStatistika\\") >Data1=read.table("bntul.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) >Data1$bantul=ts(Data1$bantul,start=c(2006,1),freq=4) >ts.plot(Data1$bantul,col="blue",main="TimeSeriesPlot") >library(tseries) Loadingrequiredpackage:quadprog Loadingrequiredpackage:zoo tseriesversion:0.1022 tseriesisapackagefortimeseriesanalysisandcomputational finance. Seelibrary(help="tseries")fordetails. >adf.test(Data1$bantul) AugmentedDickeyFullerTest data:Data1$bantul DickeyFuller=2.1353,Lagorder=2,pvalue=0.5208 alternativehypothesis:stationary >win.graph() >par(mfrow=c(1,2)) >acf(Data1$bantul,na.action=na.pass) >pacf(Data1$bantul,na.action=na.pass) >DataDiff1=diff(Data1$bantul,diff=2) >ts.plot(DataDiff1,col="blue",main="TimeSeriesPlot") >par(mfrow=c(2,1)) >acf(Data1$bantul,na.action=na.pass) >pacf(Data1$bantul,na.action=na.pass) >DataDiff1=diff(Data1$bantul,diff=2) >ts.plot(DataDiff1,col="blue",main="TimeSeriesPlot") >Data1Difflog1=diff(log(Data1$bantul),differences=1) >ts.plot(Data1Difflog1,col="blue",main="TimeSeriesPlot") >Data1Difflog1=diff(log(Data1$bantul),differences=2) >ts.plot(Data1Difflog1,col="blue",main="TimeSeriesPlot") >par(mfrow=c(2,1)) >acf(Data1Difflog1,lag.max=36,na.action=na.pass) >pacf(Data1Difflog1,lag.max=36,na.action=na.pass) >library(forecast) Loadingrequiredpackage:fracdiff Thisisforecast2.06 >Data1.Log=log(Data1$bantul)

102 >Data1.Log=ts(Data1.Log,start=c(2006,1),freq=4) > ArimaModel.6=Arima(Data1.Log,order=c(2,1,3),seasonal=list(order=c(0,0,0),period=NA),include.mea n=FALSE) >summary(ArimaModel.1) Errorinsummary(ArimaModel.1):object'ArimaModel.1'notfound >tsdiag(ArimaModel.1) Errorintsdiag(ArimaModel.1):object'ArimaModel.1'notfound >library(forecast) >Data1.Log=log(Data1$bantul) >Data1.Log=ts(Data1.Log,start=c(2006,1),freq=4) > ArimaModel.1=Arima(Data1.Log,order=c(3,2,0),seasonal=list(order=c(0,0,0),period=NA),include.mea n=FALSE) >summary(ArimaModel.1) Series:Data1.Log ARIMA(3,2,0) Call: Arima(x = Data1.Log, order = c(3, 2, 0), seasonal = list(order = c(0, 0, 0), period = NA), include.mean=FALSE) Coefficients: ar1ar2ar3 0.73300.87360.4821 s.e.0.18560.15290.1885 sigma^2estimatedas0.371:loglikelihood=21.35 AIC=50.7AICc=53.06BIC=55.07 Insampleerrormeasures: MERMSEMAEMPEMAPEMASE 0.0089627480.5831615630.4500624840.37282723010.0985913140.819547222 >n.ahead.predict=12 >pred.data=predict(ArimaModel.1,n.ahead=n.ahead.predict) >pred.data.low=pred.data$pred2.07*pred.data$se >pred.data.up=pred.data$pred+2.07*pred.data$se >pred.data $pred Qtr1Qtr2Qtr3Qtr4 20124.6599344.5788954.0753674.180783 20134.5174704.3563784.0645374.191875 20144.3661674.2029004.0439474.154073 $se Qtr1Qtr2Qtr3Qtr4 20120.60909040.98312381.22422651.5397191 20132.04879892.53704212.96571683.4630681 20144.05419194.63339935.19623975.8144639 >pred.data=exp(pred.data$pred) >pred.data.low=exp(pred.data.low)

103 >pred.data.up=exp(pred.data.up) >pred.data Qtr1Qtr2Qtr3Qtr4 2012105.6291097.4067458.8721065.41703 201391.6035577.9742358.2379566.14668 201478.7412366.8799857.0510663.69291 >fit.data=fitted(ArimaModel.1) >fit.data=exp(fit.data) >Bantul=Data1$bantul >freqdata=4 >Bantul=ts(Bantul,start=c(2006,1),freq=freqdata) >ts.plot(Bantul,xlim=c(start(Bantul)[1],(end(Bantul)[1]+(1+(n.ahead.predict/frequency(Bantul))))), +ylab="Observed/Fitted",main="ARIMAFittedvsActualData") >lines(fit.data,col="red") >lines(pred.data,col="blue")

104

Lampiran 4: Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Kulon Progo dengan Metode ARIMA menggunakan R
setwd("E:\\MATERIKULIAH\\SemesterVII\\KomputasiStatistika\\") Data2=read.table("kulon.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) Data2$kulon=ts(Data2$kulon,start=c(2006,1),freq=4) ts.plot(Data2$kulon,col="blue",main="TimeSeriesPlot") library(tseries) Loadingrequiredpackage:quadprog Loadingrequiredpackage:zoo tseriesversion:0.1022 tseriesisapackagefortimeseriesanalysisandcomputational finance. Seelibrary(help="tseries")fordetails. adf.test(Data2$kulon) AugmentedDickeyFullerTest data:Data2$kulon DickeyFuller=5.1495,Lagorder=2,pvalue=0.01 alternativehypothesis:stationary Warningmessage: Inadf.test(Data2$kulon):pvaluesmallerthanprintedpvalue win.graph() par(mfrow=c(2,1)) acf(Data2$kulon,na.action=na.pass) pacf(Data2$kulon,na.action=na.pass) library(forecast) Loadingrequiredpackage:fracdiff Thisisforecast2.06 Data2=(Data2$kulon) Data2=ts(Data2,start=c(2006,1),freq=4) ArimaModel.2=Arima(Data2 ,order=c(1,0,1),seasonal=list(order=c(0,0,0),period=NA),include.mean=TRUE) summary(ArimaModel.2) Series:Data2 ARIMA(1,0,1)withnonzeromean Call: Arima(x = Data2, order = c(1, 0, 1), seasonal = list(order = c(0, 0, 0), period = NA), include.mean=TRUE) Coefficients: ar1ma1intercept

105 0.71751.0000114.7945 s.e.0.19070.12643.3476 sigma^2estimatedas1601:loglikelihood=123.39 AIC=254.79AICc=256.89BIC=259.5 Insampleerrormeasures: MERMSEMAEMPEMAPEMASE 0.928896540.011313632.146666922.316770540.38415970.8195227 tsdiag(ArimaModel.2) par(mfrow=c(2,1)) hist(ArimaModel.2$resid,br=4) qqnorm(ArimaModel.2$resid) shapiro.test(ArimaModel.2$resid) ShapiroWilknormalitytest data:ArimaModel.2$resid W=0.9672,pvalue=0.5983 n.ahead.predict=12 pred.data=predict(ArimaModel.2,n.ahead=n.ahead.predict) pred.data.low=pred.data$pred2.07*pred.data$se pred.data.up=pred.data$pred+2.07*pred.data$se pred.data $pred Qtr1Qtr2Qtr3Qtr4 201296.32418101.54158105.28520107.97134 2013109.89872111.28166112.27395112.98594 2014113.49682113.86338114.12640114.31513 $se Qtr1Qtr2Qtr3Qtr4 201240.6709341.9051742.5266442.84309 201343.0051043.0882743.1310343.15303 201443.1643543.1701843.1731843.17472 >fit.data=fitted(ArimaModel.2) >kulon=Data2 >freqdata=4 >kulon=ts(kulon,start=c(2006,1),freq=freqdata) >ts.plot(kulon,xlim=c(start(kulon)[1],(end(kulon)[1]+(1+(n.ahead.predict/frequency(kulon))))), +ylab="Observed/Fitted",main="ARIMAFittedvsActualData") >lines(fit.data,col="red") >lines(pred.data,col="blue") Errorinxy.coords(x,y): 'x'isalist,butdoesnothavecomponents'x'and'y' rec.fore=predict(ArimaModel.2,n.ahead=24) rec.fore=predict(ArimaModel.2,n.ahead=12) U=rec.fore$pred+rec.fore$se L=rec.fore$predrec.fore$se L=rec.fore$predrec.fore$se

106 minx=min(Data2,L) maxx=max(Data2,U) ts.plot(Data2,rec.fore$pred,xlim=c(2006,2014),ylim=c(minx,maxx)) lines(rec.fore$pred,col="red",type="o") >rec.fore $pred Qtr1Qtr2Qtr3Qtr4 201296.32418101.54158105.28520107.97134 2013109.89872111.28166112.27395112.98594 2014113.49682113.86338114.12640114.31513 $se Qtr1Qtr2Qtr3Qtr4 201240.6709341.9051742.5266442.84309 201343.0051043.0882743.1310343.15303 201443.1643543.1701843.1731843.17472 lines(U,col="blue",lty="dashed") lines(L,col="blue",lty="dashed") >

107

Lampiran 5: Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Sleman dengan Metode Holt-Winters menggunakan R
>setwd("E:\\MATERIKULIAH\\SemesterVII\\KomputasiStatistika\\") >Data3=read.table("sleman.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) >sleman=ts(Data3,start=c(2006,1),freq=4) >ts.plot(sleman,col="blue",main="TimeSeriesPlot") >fit1=HoltWinters(sleman,alpha=NULL,beta=NULL,gamma=NULL, +seasonal="additive") >fit2=HoltWinters(sleman,alpha=NULL,beta=NULL,gamma=NULL, +seasonal="multiplicative") >fit1$SSE [1]1925.898 >fit2$SSE [1]1798.183 >fit1 HoltWintersexponentialsmoothingwithtrendandadditiveseasonalcomponent. Call: HoltWinters(x=sleman,alpha=NULL,beta=NULL,gamma=NULL,seasonal="additive") Smoothingparameters: alpha:0.04569836 beta:0.3901612 gamma:0.01071081 Coefficients: [,1] a34.8585650 b0.4784995 s117.7495741 s26.5545607 s39.4899241 s41.2258315 >fit2 HoltWintersexponentialsmoothingwithtrendandmultiplicativeseasonalcomponent. Call: HoltWinters(x=sleman,alpha=NULL,beta=NULL,gamma=NULL,seasonal="multiplicative") Smoothingparameters: alpha:0.5663958 beta:0 gamma:0.3118913 Coefficients: [,1] a43.3720286

108 b0.3575000 s11.4669303 s20.8734811 s30.6646262 s40.9721467 >fit1$fitted xhatleveltrendseason 2007Q150.1237532.568750.35750000017.912500 2007Q224.8751932.118770.3935829166.850000 2007Q321.7510031.685190.4091872289.525000 2007Q429.3705531.305660.3976157921.537500 2008Q148.7281131.142450.30615900617.891815 2008Q223.3517630.606520.3958088266.858946 2008Q320.2614830.185490.4056466209.518366 2008Q428.0122829.868430.3710833571.485070 2009Q147.7981330.095440.13773287317.840421 2009Q223.0825630.049190.1020400096.864585 2009Q320.7161330.213000.0016833219.498552 2009Q428.9466330.273350.0245744321.351296 2010Q149.1587530.999550.29832090117.860882 2010Q225.3654431.711040.4595239186.805123 2010Q324.6016533.218640.8684409259.485429 2010Q433.1829433.671150.7061610211.194364 2011Q152.2310433.797720.48002758017.953296 2011Q226.9208933.366930.1246625126.570701 2011Q324.1381133.563750.1528176199.578460 2011Q433.0956634.112410.3072567541.324001 >fit2$fitted xhatleveltrendseason 2007Q151.0191532.568750.35751.5838922 2007Q223.8385531.167370.35750.7737308 2007Q321.3201230.928060.35750.6974068 2007Q429.3792031.447580.35750.9449702 2008Q153.1103934.159380.35751.5712258 2008Q223.2734730.409620.35750.7744368 2008Q320.6040329.705840.35750.7020508 2008Q429.2260630.635930.35750.9652435 2009Q156.4163137.245950.35751.5293760 2009Q226.3198434.438140.35750.7722813 2009Q325.2547635.972940.35750.7090959 2009Q432.9311033.015670.35751.0083569 2010Q158.1612139.044110.35751.5033940 2010Q229.9840738.701220.35750.7819812 2010Q335.6597151.610110.35750.6957639 2010Q436.1299334.841330.35751.0477355 2011Q138.6060326.034440.35751.5035295 2011Q219.0428723.301390.35750.8299757 2011Q317.9326929.397670.35750.6175135 2011Q440.9034642.676760.35750.9665449 >pred1=predict(fit2,n.ahead=12,prediction.interval=TRUE) >plot(fit1,pred1)

109 >pred1 fituprlwr 2012Q163.0993276.4436649.7549728 2012Q237.2601152.0660222.4541921 2012Q328.1133744.5168911.7098549 2012Q440.7738082.722921.1753157 2013Q161.00161117.592534.4106855 2013Q236.0110372.502130.4800696 2013Q327.1629657.809623.4837055 2013Q439.3836398.7086519.9413794 2014Q158.90390137.8152020.0074033 2014Q234.7619584.1986314.6747302 2014Q326.2125466.3293813.9042936 2014Q437.99346110.6514734.6645416

110

Lampiran 6: Struktur Organisasi Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta

MAKALAH SEMINAR KERJA PRAKTEK Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal Oleh : Aedy Sutarjo
1

Dr.Jaka Nugraha,S.Si,M.Si 2

Mahasiswa Jurusan Statistika FMIPA Universitas Islam Indonesia Dosen Pembimbing Kerja Praktek Jurusan Statistika FMIPA Universitas Islam Indonesia

ABSTRAK

Kerja praktek ini dilaksanakan di Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta. Data yang diambil adalah data jumlah hasil panen perikanan perairan umum perkabupaten perkuartal pada tahun 2006 - 2011. Data tersebut merupakan data sekunder yang diambil langsung dari buku laporan statistik perikanan perairan tangkap dan budidaya di Dinas Kelautan dan Perikanan Provinsi DIY. Tujuan dari penelitian ini adalah untuk memprediksi hasil panen atau produksi perikanan perairan umum perkabupaten perkuartal selama dua belas periode atau tiga tahun ke depan.Sehingga judul yang peneliti ambil untuk laporan kerja praktek ini adalah Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal. Untuk menganalisis data tersebut digunakan analisis runtun waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters Eksponensial smoothing menggunakan bantuan software open source R. Dengan prediksi produksi perikanan perairan umum pada tahun 2012 sampai dengan tahun 2014 perkabupaten perkuartal ini diharapkan dapat menjadi refrensi untuk membantu instansi terkait dalam merencanakan peningkatan produksi perikanan perairan umum di Provinsi DI.Yogyakarta.

Kata Kunci : perairan umum, ARIMA ,Holt-Winters Exponensial Smoothing

PENDAHULUAN Letak geografis Provinsi Daerah Istimewa Yogyakarta berada pada 70 30 sampai 800 15 lintang selatan, dan 1100 00 sampai 1100 52 Bujur Timur.Adapun kondisi tanahnya terdiri atas 634,93 Km2 (60,07 % ) tanah kering. Bagian selatan wilayah Provinsi D.I. Yogyakarta berbatasan langsung dengan samudra Hindia. Peran sektor kelautan dan perikanan di Provinsi Daerah Istimewa Yogyakarta cukup strategis dalam mendukung pembangunan masyarakat kelautan dan perikanan secara umum, baik ditinjau dari perspektif ekonomi ,sosial maupun budaya.Hal ini dapat dilihat dari meningkatnya jumlah masyarakat yang menyandarkan mata pencahariannya

84

dari sektor kelutan dan perikanan, menguatnya trend kebanggaan masyarakat khususnya generasi muda pada kegiatan bidang perikanan dan kelautan ,serta meningkatnya apresiasi masyarakat untuk menkomsumsi produk pangan berbahan baku ikan. Potensi sumberdaya kelautan perikanan di provinsi D.I. Yogyakarta,mempunyai prospek untuk dikembangkan pada usaha ekonomi produktif baik untuk usaha perikanan tangkap (perairan pantai maupun lepas pantai), usaha budi daya air tawar dari kolam sawah dan perairan umum yang tersebar di seluruh kabupaten atau kota dan usaha pengolahan serta pemasaran produk perikanan. Kesemua usaha tersebut berkembang cukup menggembirakan di provinsi D.I.yogyakarta. Untuk mempertahankan dan meningkatkan hasil produksi perikanan baik perairan laut maupun umum diperlukan suatu perencanaan.Perencanaan tersebut dapat dimulai dengan meramalkan jumlah produksi perikanan laut dan umum di setiap Kabupaten Provinsi D.I. Yogyakarta pada periode mendatang yang terdiri dari Kabupaten Bantul,Kabupaten Kulonprogo,Kabupaten Gunung Kidul,Kabupaten Sleman dan Kodya Yogyakarta. Perkembangan yang terjadi setiap bulannya dapat dilihat dengan cara pengumpulan data hasil panen perikanan setiap Kabupaten yang ada di Provinsi D.I. Yogyakarta baik yang ada di perairan laut maupun umum (rawa, waduk, sungai,kolam ,dll). Berdasarkan latar belakang di atas,maka penulis memilih judul Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal .Karena masalah ini dianggap menarik bagi penulis,serta dapat membantu instansi terkait dalam melakukan prediksi jumlah produksi perikanan perairan umum tahun berikutnya sebagai refrensi untuk merencanakan peningkatan jumlah produksi perikanan di Provinsi DI.Yogyakarta. Berdasarkan uraian di atas dapat dirumuskan permasalahan sebagai berikut: 1. Bagaimana memperkirakan jumlah produksi perikanan perairan umum perkabupaten perkuartal selama 12 periode atau 3 tahun ke depan (2012,2013,dan 2014) di Provinsi DIY ? TUJUAN PENELITIAN Tujuan penelitian ini adalah untuk: 1. Menentukan atau memilih metode peramalan yang tepat pada waktu yang akan datang, yang pada ahirnya semua perencanaan produksi dapat dijadwalkan sebaik mungkin.

85

2. Memperkirakan jumlah produksi perikanan perairan umum perkabupaten perkuartal tiga tahun berikutnya yakni 2012,2013 dan 2014. LANDASAN TEORI 3.1 Perikanan 3.1.1 Definisi Perikanan Perikanan adalah semua kegiatan yang berkaitan dengan ikan, termasuk memproduksi ikan, baik melalui penangkapan maupun budidaya dan atau mengolahnya untuk memenuhi kebutuhan manusia akan pangan sumber protein dan non pangan. (Irzal & Wawan, Manajemen Agribisnis Perikanan, 2006). Di Indonesia, menurut UU RI no. 9/1985 dan UU RI no. 31/2004, kegiatan yang termasuk dalam perikanan dimulai dari praproduksi, produksi, pengolahan sampai dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan. Dengan demikian, perikanan dapat dianggap merupakan usaha agribisnis. 3.1.2 Sumberdaya Perikanan Sumber daya perikanan merupakan salah satu kekayaan yang ada di perairan. Perairan dapat dibagi menjadi 2 yaitu perairan umum dan perairan laut. 1. Perairan Umum Pengertian perairan umum adalah bagian dari permukaan bumi yang secara permanen atau berkala digenangi air, baik air tawar, air payau maupun air laut; mulai dari garis pasang surut laut terendah ke arah daratan dan badan air tersebut terbentuk secara alami atau buatan. Perairan umum tidak dimiliki oleh perorangan dan mempunyai fungsi politik, ekonomi, sosial, budaya, pertahanan-keamanan dan digunakan untuk sebesarbesarnya kemakmuran masyarakat. Yang termasuk dalam perairan umum adalah sungai (DAS), danau, waduk, goba dan genangan air lainnya.[Wikipedia, 2010] 2. Perairan Laut Perairan Laut adalah wilayah permukaan bumi yang tertutup oleh air asin. Sebagaimana perairan darat, perairan laut juga sangat bermanfaat bagi kehidupankita.Secara umum perairan laut dapat dimanfaatkan sebagai: sarana transportasi,usaha perikanan,usaha pertambangan,sumber bahan baku obat-obatan dan kosmetika,sumber energy,rekreasi serta pendidikan dan penelitian. 3.2 Autoregressive Integrated Moving Average (ARIMA) Model Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu model yang populer dalam peramalan dengan pendekatan time series. Model ini terdiri dari tiga bentuk utama yaitu model AR, MA, dan ARMA. Prosedur BoxJenkins adalah suatu

86

prosedur standar yang banyak digunakan dalam pembentukan model ARIMA. Prosedur ini terdiri dari empat tahapan yang iteratif dalam pembentukan model ARIMA pada suatu data runtun waktu, yaitu tahap identifikasi, estimasi, diagnostic check, dan peramalan. Berikut ini adalah diagram yang menggambarkan tahaptahap dalam prosedur BoxJenkins (Bowerman dan OConnell, 1993; Wei, 2006).

Gambar .1 Prosedur BoxJenkins untuk pembentukan model ARIMA Secara umum, bentuk matematis dari model ARIMA(p,d,q) dapat ditulis sebagai berikut (Cryer, 1986; Wei, 2006)

dengan B adalah operator mundur, yaitu

Penentuan orde p dan q dari model

ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data yang sudah stasioner. 3.3 Holt-Winters Exponential Smoothing Metode Holt-Winters sering disebut metode pemulusan eksponensial yang melakukan pendekatan .Metode ini terbagi menjadi dua bagian yakni: 1. Metode Pemulusan Eksponensial Holt-Winters dengan Metode PerkalianMusiman (Multiplicative Seasonal Method) yang digunakan untuk variasi data musiman yang mengalami peningkatan/penurunan (fluktuasi),

87

2.

Metode Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman (Additive Seasonal Method) yang digunakan untuk variasi musiman yang bersifat konstan. Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni persamaan

pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan musiman. Untuk Pemulusan Eksponensial Holt-Winters denganMetode Perkalian Musiman mempunyai persamaan sebagai berikut: Pemulusan Keseluruhan

Pemulusan Trend

Pemulusan Musiman

Ramalan

Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman mempunyai persamaan sebagai berikut: Pemulusan Keseluruhan

Pemulusan Trend

Pemulusan Musiman

Ramalan

88

Makna simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah: Xt = nilai aktual pada periode akhir t = konstanta penghalusan untuk data (0 < < 1) = konstanta penghalusan untuk trend (0 < < 1) = konstanta penghalusan untuk musiman (0 < < 1) St = nilai pemulusan awal bt = konstanta pemulusan I = faktor penyesuaian musiman L = panjang musim Ft+m = ramalan untuk m periode ke depan dari t. ANALISIS DAN PEMBAHASAN 4.1 4.1.1 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul. Identifikasi Model Prapemrosesan data dan identifikasi model meliputi plot data,uji stasioneritas data,transformasi awal dan identifikasi model. Selengkapnya mengenai prapemrosesan dan identifikasi model akan dijabarkan berikut ini dari data yang akan diolah menggunakan software opensource R versi 2.11.1. 1. Plot Data

Gambar 2 Plot Data Kab.Bantul Terlihat data belum stasioner baik secara rata-rata maupun variansinya.Selain itu dari plot terlihat data tidak mengandung unsur musiman sehingga metode ARIMA cocok digunakan.

89

2.

Uji Stasioneritas Data

Gambar 3. Plot ACF/PACF dari data Kab.Bantul Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam data(data tidak stasioner) diterima karena p-value > (0.5208>0.05), yang dapat dikonfirmasikan dengan dengan plot ACF yang meluruh secara lambat menuju nol. 3. Transformasi Awal dan Identifikasi Model

Gambar 4. Plot differens dari log Terlihat bahwa dengan transformasi log dari data sebelum dilakukan

pembedaan,variansi data relatif telah stabil. Akan tetapi dalam peramalan data ,untuk mendapatkan hasil peramalan dengan model untuk data hasil transformasi log,

90

transformasi

data

hasil

peramalan

harus

dilakukan

dengan

transformasi

eksponensial.Selanjutnya akan diidentifikasi model Autoregressive Moving Average (ARMA) yang tepat untuk menggambarkan data hasil pembedaan logaritma dengan plot ACF/PACF sebagai berikut.

Gambar 5. Plot ACF/PACF dari difference log 4.1.2 Estimasi Parameter dari Model Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 3 ordo atau 3 lag yang signifikan sehingga ordo AR(3) dan pada plot ACF terdapat 2 ordo atau 2 lag yang signifikan sehingga ordo MA(2), maka dari itu alternative model yang mungkin adalah : Model 1 : ARIMA ( 3, 2, 0) Model 2 : ARIMA ( 3, 2, 2) Model 3 : ARIMA ( 2, 2, 0 ) Model 4 : ARIMA ( 0, 2, 1 )

Berikut rangkuman hasil estimasi dari model di atas;

91

Tabel 1. Rangkuman Hasil Estimasi Parameter Model ARIMA(3,2,0) ar1


p-value < 0,0007<0,05 (Signifikan) p-value <

ARIMA(3,2,2)
p-value > 0,739>0,05 (tidak Signifikan)

ARIMA(2,2,0)
p-value < 0,015<0,05 (Signifikan) p-value < 0,00037<0,05 (Signifikan)

ARIMA(0,2,1)

ar2

1,135926e05< 0,05(Signifikan)

ar3

p-value < 0,018<0,05 (Signifikan) p-value < 0,097e-08<0,05 (Signifikan)

ma1

RMSE AIC BIC

0,583 50,7 55,07

0,6697 55,32 57,26

0,631 51,24 53,42

4.1.3

Pengecekan Diagnostik Berikut rangkuman hasil pengecekan diagnostik untuk masing-masing model yang

sudah signifikan. 1. ARIMA (3,2,0)

Gambar 6. Plot diagnostik dari model 1 Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (3,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan

92

model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) diterima. 2. ARIMA (2,2,0)

Gambar 7. Plot diagnostik dari model 2 Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (2,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) diterima. 3. ARIMA (0,2,1)

Gambar 8. Plot diagnostik dari model 3

93

Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (0,2,1) merupakan model yang tidak baik .Dari plot ACF terlihat bahwa residual bukan model white noise, ditandai dengan adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di bawah garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) ditolak. Sehingga untuk model ini tidak diikutsertakan dalam pemilihan model terbaik. 4.1.4 Pemilihan Model Terbaik Pemilihan model didasarkan pada nilai RMSE dan AIC pada model model yang cocok untuk meminimumkan kesalahan forecasting.

Tabel 2. Rangkuman Nilai RMSE dan AIC Model ARIMA ARIMA ( 3, 2, 0 ) ARIMA ( 2, 2, 0 ) RMSE 0.583161563 0.6696827179 AIC 50.7 53.98

Model yang paling baik adalah model yang memiliki nilai RMSE dan AIC yang paling kecil. Dari kedua model diatas, ARIMA ( 3, 2, 0 ) memiliki nilai RMSE dan AIC yang lebih kecil. Jadi model ARIMA ( 3, 2, 0 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data jumlah produksi/hasil panen perikanan perairan umum kabupaten Bantul pada laporan Statistik Perikanan Tangkap Provinsi DI.Yogyakarta. 4.1.5 Forecasting

Gambar 9. Plot Prediksi dan data aktual

94

4.2

Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten KulonProgo.

4.2.1 Identifikasi Model 1. Plot Data

Gambar 10. Plot data Kab.Kulonprogo 1. Uji Stasioneritas Data

Gambar 4.11 Plot ACF/PACF data Kab.Kulon Progo

95

4.2.2

Estimasi Parameter dari Model Tabel 2. Rangkuman Hasil Estimasi Parameter Model ARIMA(1,0,2) ar1
p-value > 0,748>0,05 (Tidak Signifikan)

ARIMA(1,0,1)
p-value < 0,001<0,05 (Signifikan) p-value < 0,1895e-08<0,05 (Signifikan)

ARIMA(1,0,0) Tidak Signifikan

ARIMA(1,0,2) Tidak Signifikan

ma1

RMSE AIC BIC

38,885 254,2 260,09

40,011 254,79 259,5

4.2.3

Pengecekan Diagnostik ARIMA (1,0,1)

Gambar 4.12 Plot diagnostik arima(1,0,1) Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (1,0,1) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white noise, ditandai dengan tidak adanya lag ( 1) yang keluar dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) diterima.

96

4.2.4 Forecasting

Gambar 13. Plot Prediksi dan data aktual 4.3 1. Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman. Plot Data

Gambar 14. Plot data Kab.Sleman Dari plot data di atas dapat diperoleh informasi penting, yakni data produksi perikanan perairan umum Kabupaten Sleman ternyata mengandung trend dan mengandung pengaruh musiman juga, dimana rata-rata musiman (L) yang terbentuk adalah 4.Dengan demikian metode ARIMA Box-Jenkins kurang cocok digunakan akan tetapi metode yang tepat untuk meramalkan data Kabupaten Sleman ini adalah metode Holt-Winters Exponential Smoothing.

97

2.

Forecasting

Gambar 15. Plot Prediksi dan data aktual

KESIMPULAN Dari analisis dan pembahasan yang telah dilakukan pada data hasil panen perikanan perairan umum di Provinsi Daerah Istimewa Yogyakarta perkabupaten perkuartal, dapat ditarik suatu kesimpulan sebagai berikut: 1) Setelah melalui langkah langkah analisa, model ARIMA ( 3, 2, 0 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data hasil panen/produksi perikanan perairan umum Kabupaten Bantul. Model ini merupakan model ARIMA non musiman dengan orde AR non musiman 3, differencing untuk model non musiman 2, dan orde MA non musimannya 0. 2) Model ARIMA ( 1, 0, 1 ) adalah model yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode kedepan dari data hasil panen/produksi perikanan perairan umum Kabupaten Kulon Progo. Model ini merupakan model ARIMA non musiman dengan orde AR non musiman 1, differencing untuk model non musiman 0, dan orde MA non musimannya 1. 3) Dari peramalan yang telah dilakukan dari masing-masing Kabupaten perkuartal diperoleh hasil peramalan tiga tahun ke depannya sebagai berikut;

98

Tabel 3. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul Perkuartal Produksi/Kuartal (ton) I 2012 2013 2014 105,63 91,6 78,74 II 97,41 77,97 66,88 III 58,87 58,24 57,05 IV 65,42 66,15 63,69

Tahun

Tabel 4. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulonprogo Perkuartal Produksi/Kuartal (ton) I 2012 2013 2014 96,32 109,90 113,50 II 101,54 111,28 113,86 III 105,29 112,27 114,13 IV 107,97 112,90 114,32

Tahun

Tabel 5. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul Perkuartal Produksi/Kuartal (ton) I 2012 2013 2014 63,1 61 58,9 II 37,26 36 34,76 III 28,11 27,16 26,21 IV 40,77 39,38 37,99

Tahun