Abstrak—Model generalized space time autoregressive perkembangan inflasi di Indonesia. Beras meru-
integrated moving average (GSTARIMA) merupakan model pakan salah satu komoditas pangan yang memiliki
data deret waktu peubah ganda yang mempunyai keter- pengaruh yang cukup besar terhadap inflasi baik
gantungan lokasi dan waktu (space time). Model ini meru-
nasional maupun regional (Muljawan and Alibaba
pakan pengembangan dari model space time autoregressive
integrated moving average (STARIMA) dengan asumsi (2009)). Hal tersebut menjadikan beras sebagai
parameter-parameter model berbeda untuk setiap lokasi salah satu komoditas bahan pangan yang memiliki
sehingga model GSTARIMA lebih fleksibel dibandingkan arti strategis, karena berbagai gejolak yang terjadi
model STARIMA. Tujuan penelitian ini yaitu menentukan pada suatu komoditas ini akan berdampak luas
model terbaik dan meramalkan harga beras pada seluruh terhadap perekonomian negara Indonesia (Noviar
ibukota provinsi di Pulau Sumatera dengan menggunakan
(2013)).
model GSTARIMA. Data yang digunakan adalah data
mingguan harga beras di seluruh ibukota provinsi di Sebagian besar provinsi di Pulau Sumatera meru-
Pulau Sumatera pada Januari 2010 hingga Desember pakan provinsi yang menghasilkan produksi beras
2017. Pembobot yang digunakan dalam penelitian ini terbesar di Indonesia setelah provinsi Jawa Timur,
yaitu pembobot kebalikan jarak dan pembobot queen Jawa Barat, dan Jawa Tengah (BPS (2017)). Akan
contiguity. Hasil pemodelan menunjukkan bahwa model tetapi, tidak semua provinsi di Pulau Sumatera ter-
terbaik adalah model GSTARIMA (1,1,0) dengan matriks penuhi akan kebutuhan beras, karena berdasarkan
pembobot queen contiguity yang mempunyai nilai mean
absolute percentage error (MAPE) yang terkecil yaitu
diskusi yang digugus Kedeputian II KSP bersama
sebesar 1.17817 %. Kementerian Pertanian, Perum BULOG, BUMN
Kata kunci—GSTARIMA; kebalikan jarak; MAPE; PT Pertani, perwakilan petani dan pelaku industri
queen contiguity; space time; pada tahun 2015 mengungkapkan bahwa terdapat 15
provinsi di Indonesia yang mengalami defisit beras
I. PENDAHULUAN
dan dua diantaranya adalah provinsi Riau dan Jambi
A. Latar Belakang yang lokasinya berada di Pulau Sumatera. Provinsi
Indonesia merupakan negara agraris yang seba- Sumatera lainnya yang mengalami surplus beras
gian besar penduduknya mengonsumsi beras se- menjadi pemasok bagi daerah yang mengalami de-
bagai sumber makanan pokok. Rata-rata konsumsi fisit beras di Pulau Sumatera. Hal tersebut menga-
beras nasional terus mengalami peningkatan se- kibatkan terjadinya kesenjangan harga beras antar
jak 4 tahun terakhir. Konsumsi beras di Indonesia provinsi di Pulau Sumatera serta mengindikasikan
perkapita pertahun mencapai 86 kg (BPS 2017). harga beras di Pulau Sumatera memiliki ketergan-
Tingginya konsumsi beras tidak disertai dengan pe- tungan spasial, sehingga mengakibatkan tidak sta-
ningkatan luas lahan pertanian, sehingga hal tersebut bilnya harga beras. Harga beras yang tidak sta-
mengakibatkan semakin menurunnya ketersediaan bil memiliki unsur ketergantungan waktu, karena
beras di Indonesia. Permasalahan ketersediaan beras dipengaruhi oleh harga beras pada waktu-waktu
akan berdampak terhadap kestabilan harga beras sebelumnya dan juga dipengaruhi oleh ketersedi-
di Indonesia. Harga beras yang tidak stabil men- aan stok beras di suatu lokasi sehingga terdapat
jadi perhatian utama, karena berdampak terhadap ketergantungan spasial (Yusrina et al. (2017)). Perlu
50 Xplore, Vol 2(2):49-57 Pratiwi et al.
adanya strategi kebijakan dari pemerintah, terutama 2) Meramalkan harga beras pada seluruh ibukota
pemerintah daerah provinsi di Pulau Sumatera untuk provinsi di Pulau Sumatera menggunakan
mencegah kemungkinan masalah yang ditimbulkan model GSTARIMA yang terbaik.
oleh harga beras yang tidak stabil sehingga memer-
lukan beberapa metode yang tepat untuk menangani
permasalahan tersebut. II. METODOLOGI
Pemodelan data peubah ganda yang melibatkan
A. Data
lokasi dan waktu pada suatu data deret waktu adalah
model space time. Salah satu model space time Data yang digunakan dalam penelitian ini adalah
adalah space time autoregressive integrated mo- data yang didapatkan dari Kementerian Pertanian
ving average (STARIMA). Model STARIMA per- Republik Indonesia. Penelitian ini menggunakan
tama kali diperkenalkan oleh (Pfeifer and Deutsch data harga beras mingguan pada seluruh ibukota
(1980)). Model ini memiliki keterbatasan dalam provinsi di Pulau Sumatera yang meliputi provinsi
menangkap keheterogenan karakteristik masing- Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi,
masing lokasi sehingga memiliki nilai parameter Bengkulu, Sumatera Selatan, Lampung, Bangka Be-
yang sama untuk lag waktu yang sama, namun litung, dan Kepulauan Riau. Data harga beras ming-
berbeda lokasi. Model yang menggabungkan in- guan diambil dari minggu pertama bulan Januari
terdependensi waktu dan lokasi dengan parameter 2010 hingga minggu terakhir bulan Desember 2017.
yang berbeda untuk setiap lokasi adalah model
GSTARIMA (generalized space time autoregressive
integrated moving average) (Min et al. (2010)). Tabel I
P EUBAH YANG DIGUNAKAN DALAM PENELITIAN
(Siregar (2015)) menggunakan model STARIMA
dan GSTARIMA dalam pemodelan dan peramalan Peubah Keterangan Tipe peubah Satuan
harga gula pasir pada delapan ibukota provinsi di
Z1 Harga beras Provinsi NAD Numerik Rupiah
Pulau Sumatera dengan menghasilkan pembobot Z2 Harga beras Provinsi Numerik Rupiah
terbaik pada model STARIMA adalah kebalikan Sumatera Utara
jarak dan pada model GSTARIMA adalah nor- Z3 Harga beras Provinsi Numerik Rupiah
Sumatera Barat
malisasi korelasi silang. (Daraputri (2015)) meng- Z4 Harga beras Provinsi Riau Numerik Rupiah
gunakan model generalized space time pada pe- Z5 Harga beras Provinsi Jambi Numerik Rupiah
modelan harga gula pasir di Pulau Sumatera Z6 Harga beras Provinsi Numerik Rupiah
Bengkulu
dengan menghasilkan model terbaiknya adalah Z7 Harga beras Provinsi Numerik Rupiah
model GSTAR dengan pembobot queen contigu- Sumatera Selatan
ity. Pembobot mencirikan adanya pengaruh inter- Z8 Harga beras Provinsi Numerik Rupiah
Lampung
aksi spasial/lokasi. Penentuan pembobot lokasi yang Z9 Harga beras Provinsi Numerik Rupiah
tepat sangat bergantung pada fenomena yang di- Bangka Belitung
modelkan. Z10 Harga beras Provinsi Numerik Rupiah
Kepulauan Riau
Data harga beras di Pulau Sumatera merupakan
data deret waktu peubah ganda yang dipengaruhi
oleh efek spasial. Penelitian ini menggunakan model
GSTARIMA dengan dua matriks pembobot yang B. Prosedur Analisis Data
digunakan yaitu pembobot kebalikan jarak dan pem-
bobot queen contiguity. Metode penelitian ini dilakukan melalui beberapa
tahapan, yaitu :
B. Tujuan 1) Pengambilan data
Data harga beras dibagi menjadi dua bagian
Tujuan dari Penelitian ini, yaitu: yaitu, 421 data untuk pendugaan model dan
1) Menentukan model GSTARIMA yang terbaik 12 data untuk validasi model.
pada data harga beras di Pulau Sumatera. 2) Eksplorasi data
Klasifikasi Loyalitas Konsumen Xplore, Vol 2(2):49-57 51
a) Penelitian terhadap data beras diawali ordo model autoregressive, d adalah
dengan melihat korelasi spasial meng- ordo pembedaan, q adalah ordo model
gunakan Indeks Moran, plot pencaran moving average, dan nilai 1 merupakan
moran, dan uji otokorelasi spasial. Uji ordo spasial. Mengidentifikasi VARIMA
tersebut memiliki hipotesis H0 yaitu (p,d,q) dengan melihat lag MACF
tidak ada ketergantungan spasial dan dan MPACF yang nyata. Selain itu,
H1 yaitu ada ketergantungan spasial. penentuan ordo GSTARIMA dihitung
Hipotesis nol ditolak jika nilai statistik dari nilai AICC yang paling kecil.
uji lebih besar dari nilai kritis atau nilai-
p lebih kecil dari alpha (0.05). Rentang b) Menentukan matriks pembobot keba-
nilai dari Indeks Moran adalah -1 ≤ likan jarak dan melakukan pemodelan
I ≤ 1. Nilai -1 ≤ I < 0 menun- GSTARIMA. Bobot kebalikan jarak di-
jukkan adanya ketergantungan spasial dapatkan dari penghitungan berdasarkan
negatif, sedangkan nilai 0 < I ≤ jarak sebenarnya antar lokasi. Lokasi
1 menunjukkan adanya ketergantungan yang berdekatan mendapatkan nilai
spasial positif, nilai Indeks Moran berni- bobot yang lebih besar dan lokasi
lai nol mengindikasikan tidak terdapat yang berjauhan mendapatkan nilai bobot
ketergantungan spasial (Yuriantari et al. yang lebih kecil (Faizah and Setiawan
(2017)). (2013)).
b) Melakukan eksplorasi dengan melihat c) Menentukan matriks pembobot queen
plot data untuk melihat gambaran secara contiguity sesuai dengan denah posisi
umum tentang statistik deskriptif data setiap provinsi di Pulau Sumatera pada
harga beras di setiap provinsi dari tahun Gambar 1. Pembobot queen contiguity
2010 hingga 2017. merupakan pembobot spasial yang di
3) Memeriksa kestasioneran data peroleh berdasarkan informasi ketetang-
gaan. Diagonal dari matriks ini umum-
a) Untuk memeriksa kestasioneran ter-
nya diisi dengan nilai nol. Karena ma-
hadap ragam dapat dilihat dari plot data
triks pembobot menunjukkan hubu-
harga beras di setiap provinsi dan jika
ngan antara keseluruhan observasi, di-
tidak stasioner dalam ragam, dilakukan
mensi dari matriks ini adalah nxn de-
tranformasi.
ngan n adalah banyaknya observasi atau
b) Untuk memeriksa kestasioneran ter-
banyaknya observasi lintas individu (Wi-
hadap rataan, dapat dilihat dari plot data
jaya (2015)).
harga beras di setiap provinsi dan dili-
Berikut merupakan matriks pembobot
hat dari hasil uji formal (Augmented
queen contiguity berdasarkan Gambar 1,
Dickey Fuller) (ADF). Uji ADF mem-
dengan baris dan kolom pertama adalah
punyai hipotesis H0 yaitu data mengan-
Z1 (Aceh) sampai baris dan kolom ke-
dung akar unit dan H1 yaitu data tidak
sepuluh adalah Z10 (Kepri). Pertemuan
mengandung akar unit (Wei (2015)).
antara kolom dan baris menunjukkan
Hipotesis nol ditolak jika nilai statistik
informasi ketetanggaan. Sebagai contoh,
ADF lebih besar dari nilai kritis atau
pertemuan antara baris kedua yaitu Z2
nilai-p lebih kecil dari alpha (0.05). Jika
(Sumut) dengan kolom pertama yaitu Z1
data belum stasioner dalam rataan, perlu
(Aceh) menunjukkan bahwa Z2 (Sumut)
dilakukan pembedaan (differencing).
memiliki tetangga langsung dengan Z1
4) Pembentukan model GSTARIMA (Aceh). Dua provinsi yang terpisah oleh
a) Mengidentifikasi ordo model lautan yaitu Babel dan Kepri, dianggap
GSTARIMA (p,1,q) dengan pendekatan memiliki tetangga langsung. Provinsi
VARIMA (p,d,q) dengan p adalah Babel dianggap bertetanggan langsung
52 Xplore, Vol 2(2):49-57 Pratiwi et al.
Tabel III
N ILAI I NDEKS M ORAN MASING - MASING PEMBOBOT UNTUK 8
Rata-rata harga beras tertinggi terjadi pada
PROVINSI Provinsi Riau yaitu sebesar Rp10 399 serta memiliki
harga maksimum sebesar Rp14 000 yang terjadi
Bobot Nilai indeks moran Nilai-p pada minggu pertama dan minggu kedua bulan
Kebalikan jarak 0.052 0.026 November 2016 dan harga minimum sebesar Rp7
Queen contiguity 0.426 0.043 400 yang terjadi pada minggu pertama bulan Maret
2010. Rata-rata harga beras terendah terjadi pada
Statistik deskriptif lainnya dapat dilihat dari pola provinsi Lampung dengan harga sebesar Rp8 046.9
plot data harga beras seluruh provinsi di Pulau Su- dengan memiliki harga maksimum sebesar Rp10
matera.Sebagian besar plot data harga beras setiap 320 yang terjadi pada minggu pertama bulan Maret
provinsi di Pulau Sumatera memiliki pola trend 2015 dan harga minimum sebesar Rp5 500.0 yang
naik kecuali Provinsi Riau.Salah satu plot data terjadi pada minggu pertama dan minggu kedua bu-
54 Xplore, Vol 2(2):49-57 Pratiwi et al.
spasial lebih kecil. Hasil menunjukkan bahwa tanda titik (.) pada skema
Persamaan umum model GSTARIMA (1,1,0) plot sisaan lebih dominan daripada tanda (+) dan
dengan matriks pembobot queen contiguity (-) yang berarti sisaan sudah saling bebas untuk
memiliki persamaan yang sama dengan persamaan masing-masing pembobot.
umum model GSTARIMA (1,1,0) dengan matriks Uji kebebasan sisaan secara sendiri-sendiri meng-
pembobot kebalikan jarak. Perbedaannya pada nilai gunakan uji Box-Pierce. Hasil uji menunjukkan
matriks pembobot spasial lag ke-1 yaitu nilai W (1) sisaan sudah saling bebas yang ditandai dengan
yang digunakan. Pendugaan parameter untuk model besarnya nilai-p lebih besar dari alpha (0.05). Uji
GSTARI (1,1) dengan matriks pembobot queen kenormalan sisaan dapat dilihat dari histogram
contiguity ditunjukkan oleh Tabel 6. sisaan dan uji Jarque Bera. Histogram sisaan dari
masing-masing pembobot cenderung simetris, na-
mun hasil uji Jarque Bera memberikan kesimpulan
Tabel VI bahwa secara formal sisaan tidak menyebar normal.
N ILAI DUGAAN PARAMETER DENGAN BOBOT QUEEN CONTIGUITY
Ketidaknormalan sisaan ini tidak mempengaruhi
Parameter Nilai dugaan Parameter Nilai dugaan
pendugaan parameter dan pendugaan kuadrat terke-
cil tetap menjadi pendugaan linier tak bias terbaik,
φ110 0.081206 φ111 0.177408
φ210 0.050642 φ211 0.209249
sehingga tidak menjadi suatu permasalahan yang
φ310 0.078992 φ311 0.261807 berarti.
φ410 0.06865 φ411 0.272262
φ510 0.040318 φ511 0.093844 E. Pemilihan Model GSTARIMA Terbaik
φ610 0.076265 φ611 -0.03791
φ710 0.147649 φ711 0.078406
Model terbaik yang terpilih adalah model dengan
φ810 0.191114 φ811 0.005832
φ910 -0.06484 φ911
nilai MAPE terkecil dari hasil ramalan. Ramalan
0.039178
φ10
10 -0.11551 φ10
11
yang dihasilkan berasal dari model GSTARI(1,1)
-0.00406
dengan semua parameter yang diduga dimasukkan
ke dalam model untuk masing-masing pembobot.
Contoh model persamaan GSTARI (1,1) untuk
Tabel 7 menunjukkan hasil perbandingan nilai
Provinsi Aceh adalah sebagai berikut :
MAPE untuk setiap pembobot yang digunakan.
5Z1 (t) = 0.081206 5 Z1 (t − 1) + 0.177408 5
Z2 (t − 1) Tabel VII
P ERBANDINGAN NILAI MAPE UNTUK MASING - MASING
PEMBOBOT
Interpretasi dari model GSTARI (1,1) untuk
lokasi Aceh dengan menggunakan pembobot queen Lokasi
MAPE MAPE
contiguity menyatakan bahwa harga beras Provinsi kebalikan jarak (%) queen contiguity (%)
Aceh periode sekarang dipengaruhi oleh korelasi Aceh 1.45638 1.45622
diri harga beras pada periode satu minggu sebelum- Sumut 0.60512 0.49722
Sumbar 0.19110 0.01527
nya dengan efek sebesar 0.081206. Provinsi Aceh Riau 0.28722 0.27147
hanya memiliki satu tetangga terdekat langsung Jambi 5.06052 5.05409
yaitu Provinsi Sumatera Utara, sehingga pengaruh Sumsel 2.73264 2.73212
Bengkulu 0.27401 0.27904
efek spasialnya hanya dipengaruhi oleh harga beras Lampung 0.34776 0.42980
Provinsi Sumatera Utara pada periode satu minggu Babel 1.21579 1.04636
sebelumnya dengan efek sebesar 0.177408. Kepri 0.02395 0.00004
Rata-rata 1.21945 1.17817
D. Pengujian Asumsi Sisaan
Sisaan yang dihasilkan harus memenuhi asumsi Hasil menunjukkan bahwa rata-rata nilai MAPE
sisaan white noise yaitu kebebasan sisaan dan kenor- terkecil adalah model GSTARI (1,1) dengan meng-
malan sisaan. Pemeriksaan kebebasan sisaan secara gunakan pembobot queen contiguity. Oleh karena
simultan dapat dilihat dari skema plot MACF sisaan. itu, dapat disimpulkan bahwa model terbaik yang
Klasifikasi Loyalitas Konsumen Xplore, Vol 2(2):49-57 57
terpilih adalah model GSTARI (1,1) dengan pem- dengan pendekatan gstar. Jurnal Sains dan Seni
bobot queen contiguity. Plot data ramalan pada Pomits 2(2), 2337–3520.
masing-masing model mendekati data aktualnya. Min, X., J. Hu, and Z. Zhang (2010, Septem-
Hal tersebut menandakan bahwa model yang terpilih ber). Urban traffic network modeling and short-
sudah cukup baik. term traffic flow forecasting based on gstarima
model. In Proceedings of13th International IEEE,
IV. SIMPULAN DAN SARAN Annual Conference on Intelligent Transportation
A. Simpulan Systems.
Model GSTARIMA terbaik untuk harga beras se- Muljawan, R. and R. Alibaba (2009). Faktor-faktor
tiap Provinsi di Pulau Sumatera adalah GSTARIMA yang mempengaruhi harga beras di jawa timur.
(1,1,0) atau bisa disebut GSTARI (1,1) dengan ma- Buana Sains 9(2), 111–118.
triks pembobot queen contiguity. Model peramalan Noviar, H. (2013). Analisi kecukupan dan keterse-
harga beras di Pulau Sumatera adalah 5Zi (t) = diaan beras di indonesia (1975-2009). Jurnal
i (0) i (1)
φ10 W Zi (t−1)+φ11 W Zi (t−1)+εt .Peramalan Penelitien llmu-ilmu Sosial (7), 93.
harga beras untuk 12 minggu kedepan yaitu dari Pfeifer, P. and S. Deutsch (1980). A three stage it-
minggu pertama bulan Oktober 2017 hingga bulan erative procedure for space-time modeling. Tech-
Desember 2017 tidak jauh berbeda dengan harga nometrics 22(1), 35–47.
beras aktualnya. Siregar, D. (2015). Perbandingan Pemodelan
dan Peramalan Harga Gula berdasarkan Model
B. Saran STARIMA dan GSTARIMA [Tesis]. Bogor: Pro-
Nilai peluang Indeks Moran yang dihasilkan oleh gram Pascasarjana Institut Pertanian Bogor.
matriks pembobot tidak signifikan pada taraf nyata Wei, W. (2015). Time Series Analysis: Univariate
(0.05) dan besarnya nilai Indeks Moran sangat kecil. and Multivariate Methods Second Edition. New
Hal ini diindikasikan karena terdapat dua provinsi York: Addison-Wesley Publishing Co.
yang terpisah oleh lautan, tidak satu daratan den- Wijaya, F. (2015). Pendekatan Space Time Au-
gan delapan provinsi lainnya yaitu Provinsi Bangka toregressive (STAR) dan Generalized Space Time
Belitung dan Provinsi Kepulauan Riau. Perlu dikaji Autoregeressive (GSTAR) Melalui Metode Autore-
lebih lanjut terkait penentuan matriks pembobot gressive (AR) dan Vector Autoregressive (VAR)
yang digunakan jika terdapat wilayah yang terpisah [Tesis]. Bogor: Program Pascasarjana Institut
oleh lautan, tidak dalam satu daratan. Penelitian se- Pertanian Bogor.
lanjutnya bisa dicoba dengan menggunakan matriks Yuriantari, N., M. Hayati, and S. Wahyuningsih
pembobot lain yang lebih cocok, misalnya matriks (2017). Analisis autokorelasi spasial titik panas di
pembobot normalisasi korelasi silang yang dalam kalimantan timur menggunakan indeks moran dan
penentuannya tidak dipengaruhi secara langsung local indicator of spatial autocorrelation (lisa).
oleh jarak antar lokasi, namun hanya mengandalkan Jurnal Exponensial (8), 63–69.
pada hubungan korelasi antar lokasi pada lag waktu Yusrina, F., I. Sumertajaya, and B. Susetyo (2017).
tertentu. Model Peramalan Harga Beras dengan Pen-
dekatan Generalized Space Time (Studi Kasus
Provinsi DKI Jakarta, Jawa Barat, dan Banten)
DAFTAR P USTAKA [Tesis]. Bogor: Program Pascasarjana Institut
BPS (2017). Statistik Indonesia 2017. Jakarta: Pertanian Bogor.
Badan Pusat Statistik.
Daraputri, S. (2015). Penerapan Model Generalized
Space Time pada Data Harga Gula Pasir di
Pulau Jawa [Skripsi]. Bogor: Program Sarjana
Institut Pertanian Bogor.
Faizah, L. and Setiawan (2013). Pemodelan in-
flasi di kota semarang, yogyakarta, dan surakarta