484 1609 1 PB
484 1609 1 PB
Abstrak
Kajian ini bertujuan untuk meramalkan produksi kedelai di Sumatera Utara tahun 2016-2019.
Metode yang digunakan dalam penelitian ini adalah Metode Autoregressive Integrated Moving
Average (ARIMA). Data deret waktu (time series) yang digunakan pada kajian ini adalah data
produksi kedelai Provinsi Sumatera Utara tahun 2005-2015. Penggunaan model ARIMA dalam
peramalan produksi kedelai Sumatera Utara menggunakan tiga tahapan analisis yaitu, pertama
adalah identifikasi struktur model; kedua, estimasi dan kalibrasi model, dan terakhir adalah
pengujian dan validasi model. Perangkat lunak yang digunakan sebagai alat bantu analisis model
ARIMA ini adalah Minitab 18. Hasil kajian menunjukkan bahwa model yang terbaik digunakan
untuk peramalan produksi kedelai adalah model (0,1,1). Penerapan model arima pada produksi
kedelai Sumatera Utara untuk 4 tahun berikutnya mengalami penurunan.
Abstract
The study aims to forecast of soybean production in Province of Sumatera Utara about 2016-2019.
Method of ARIMA (Autoregressive Integrated Moving Average) used to forecast of soybean
production. Time series data were used on this study obtained from soybean production data in
Province of Sumatera Utara about 2005-2015. This method consist three steps, firstly, model
structure identification; second, model estimation and calibration; the last, model testing and
validation, respectively. ARIMA model analyzed by Minitab 18 software as a tool. The result of
study shows that the best of model used for forecasting soybean production is ARIMA model (0,1,1).
Application of the ARIMA model for forecasting four years later soybean production in Sumatera
Utara will be decrease.
91
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
93
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
94
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
ini sesuai dengan hasil penelitian dan Gambar 3. Plot Series Produksi Kedelai
ramalan Maretha (2008), yang Sumatera Utara
melakukan peramalan produksi dan
konsumsi kedelai secara nasional pada Untuk memperjelas
tahun 2008 dengan menggunakan kestasioneran data, analisis trend
model ARIMA dan menyatakan bahwa disajikan pada Gambar 4 yang
pada tahun 2015 belum terwujud menunjukkan bahwa produksi kedelai
swasembada kedelai nasional karena Sumatera Utara mengalami pola trend
masih mengalami defisit/kesenjangan yang menurun, sehingga data produksi
antara produksi dan konsumsi sebesar kedelai Sumatera Utara dapat
37,2 %. dikatagorikan sebagai data yang tidak
18000 stasioner. Untuk mengatasi
16000
14000
15,793
14,206
permasalahan data yang tidak stasioner
12000 11,647 11,426 tersebut, maka dilakukan diffrencing.
10000
8000
9,439
5,705
6,549
Hasil differencing selanjutnya diuji
7,042
6000 5,419 kembali dengan uji autocorrelation
4000 4,345
2000
3,229 function (ACF) dan partial
0
autocorrelation function (PACF) seperti
ditampilkan pada Gambar 5(a) dan 5(b).
Gambar 2. Produksi Kedelai Sumatera
Utara Tahun 2005-2015 (Ton)
6000
grafik plot pasangan ACF dan PACF
5000
dimana lag tidak keluar dari
Produksi
4000
3000
2000
border/batas. Hasil uji ACF dan PACF
1000
0
menunjukkan bahwa data sudah
stasioner pada mean dan varian
3 6 9 12 15 18 21 24 27 30 33
Index
95
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
0,2
0,0
-0,2 berikut:
-0,4
-1,0 model
H1 : Parameter signifikan dalam
1 2 3 4 5 6 7 8
Lag
1,0
Kriteria penerimaan H0, jika p-
0,8
value lebih besar dari α dan penolakan
0,6
0,4
0,2
-0,4
-0,6
-0,8
Estimasi dari ketiga model, hanya model
-1,0
ARIMA (0,1,1) yang mempunyai p-value
1 2 3 4 5 6 7 8
Lag yang nilainya lebih kecil dari signifikansi
Gambar 5. (a) Grafik ACF dan (b) Grafik 5%, sehingga hanya model inilah yang
PACF setelah dilakukan differencing dipilih menjadi model terbaik dalam
peramalan produksi kedelai Sumatera
b. Tahap Estimasi dan kalibrasi model Utara.
Tabel 2. Estimasi Produksi Kedelai dengan Model ARIMA (1,1,1), ARIMA (1,1,10) dan
ARIMA (0,1,1)
Model/Parameter
Coef SE Coef T-Value Variabel
P-Value MSE
ARIMA (1,10) -0,339 0,173 -1,96 AR (1)
0,059 2477477
Constant -190 278 -0,68 0,500
ARIMA (0,1,1)
MA (1) 0,439 0,163 2,70 0,011 2328872
Constant -122 152 -0,80 0,430
ARIMA (1,1,1)
AR (1) -0,010 0,419 -0,02 0,980 2409934
MA (1) 0,430 0,379 1,14 0,265
Constant -123 156 -0,79 0,437
Sumber: Data penelitian diolah, keterangan : Coef: koefisien, SE Coef :Standard Error koefisien,
T-value : nilai T, P-value : nilai P dan MSE : measurment standard error.
Selain dari p-value, pemilihan terlihat jelas bahwa nilai MSE terkecil
model terbaik juga dapat dilakukan dari adalah model ARIMA (0,1,1). Andani
nilai MSE yang terkecil. Dalam Tabel 2 (2008) menyatakan bahwa produksi
96
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
pertanian terutama padi dalam model H0 : Tidak ada korelasi residual antar lag
peramalannya menggunakan ARIMA H1 : Ada korelasi residual antar lag
secara signifkan memperlihatkan Berdasarkan nilai Chi-Square
validasi yang sangat baik antara nilai pada pengujian white noise model
ramalan dan nilai aktual. Peramalan ARIMA (0,1,1) beserta nilai statistik
produksi kedelai di Sumatera Utara juga yang ditampilkan pada Tabel 3,
menunjukkan validasi yang cukup baik. memperlihatkan bahwa hasil uji
c. Tahap pengujian dan validasi homogenitas menunjukkan nilai P (p-
model value) lebih besar dari nilai α (level
Setelah diketahui bahwa model toleransi) sebesar 5%. Sehingga
terbaik adalah ARIMA (0,1,1), maka hipotesis H0 diterima yang berarti
perlu dilakukan verifikasi model. Untuk bahwa varian pada model telah
melakukan verifikasi model, maka homogen dan independen.
dilakukan uji normalitas residual dan uji Tabel 3. Pengujian Ljung-Box ARIMA
independensi (white noise). Pengujian (0,1,1)
kenormalan residual dilakukan dengan Lag Chi- p-value Kesimpulan
Uji Kolmogorov-Smirnov (Gambar 6) Square
dengan menggunakan hipotesis sebagai 6 10,25 0,419 White Noise
berikut: 12 17,14 0,756 White Noise
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal d. Aplikasi model ramalan produksi
Berdasarkan data olahan pada kedelai
Tabel 2 pengujian kenormalan residual Model terbaik yang diperoleh
diketahui mempunyai nilai p (p-value) dari hasil analisis adalah model ARIMA
melebihi nilai α (level toleransi) sebesar (0,1,1) akan digunakan untuk peramalan
5%. Sehingga hipotesis H0 diterima yang produksi kedelai Sumatera Utara pada
berarti bahwa residual model telah tahun 2016-2019 yang dapat dituliskan
terdistribusi secara normal. dalam bentuk umum model persamaan
matematika (7).
Zt = -122+Zt-1-0,439at-1+at........................(7)
97
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
Mei-Agst…
Mei-Agst…
Mei-Agst…
Jan-Apr…
Sept-Des…
Jan-Apr…
Sept-Des…
Jan-Apr…
Sept-Des…
Jan-Apr…
Sept-Des…
6773,9
April 919,24 4935,5
8
2019 0
Mei- - Catur wulan
6887,8
Agustu 797,55 5292,7 Gambar 8. Hasil ramalan
9
s 2019 9
menggunakan Model ARIMA produksi
Sept- 675,86 - 6993,0
Des 5641,2 1 kedelai Sumatera Utara 4 tahun kedepan
2019 9
Jika dibandingkan dengan
Model ARIMA (0,1,1) mempunyai penelitian Adillah (2014) yang
koefisien -122 yang mempunyai arti melakukan peramalan produksi kedelai
98
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
secara nasional tahun 2013-2020, maka subsidi pupuk, antisipasi fluktuatif harga
kondisi Sumatera Utara berbeda dengan kedelai di tingkat petani dengan
ramalan produksi secara nasional. pembentukan kelembagaan ditingkat
Adillah (2014) menyatakan bahwa petani, dan juga penggunaan teknologi
pertumbuhan produksi kedelai nasional informasi sebagai sarana memantau
sebesar 6,8 persen per tahun, meskipun fluktuatif harga kedelai juga perlu
terjadi defisit produksi dan konsumsi mendapatkan perhatian pemerintah.
sebesar 0,98 persen per tahun. Tastra et al., (2012) merumuskan
strategi peningkatan sistem produksi
e. Strategi peningkatan produksi kedelai dalam beberapa langkah yaitu,
Hasil ramalan produksi kedelai penerapan subsidi harga yang adil dan
Sumatera utara tahun 2016-2019 wajar, pengembangan subsistem
menunjukkan bahwa tingkat jabalsim (penyebaran varietas unggul)
keberlanjutan hasil (product kedelai, perluasan areal, improvisasi
sustanability) sangat rendah. Sehingga, inovasi teknologi terapan tanam kedelai
sistem produksi kedelai Sumatera Utara dengan teknologi mekanis tepat guna,
harus diperbaiki. Tastra et al., (2012) dan teknologi pengolahan hasil panen.
menyatakan bahwa faktor yang Sedangkan Maretha (2008)
berpengaruh terhadap sistem produksi merumuskan empat strategi untuk
kedelai nasional adalah turunnya tarif meningkatkan produksi kedelai dengan
impor keelai yang memicu harga kedelai cara memberlakukan tarif impor kedelai
di tingkat petani. Kondisi inilah yang lebih dari 20%, meningkatkan kerja
menyebabkan kestabilan harga kedelai sama dan peran serta masyarakat dalam
dalam negeri menjadi fluktuatif yang penelitian dan pengembangan kedelai,
menyebabkan kurang berminatnya meningkatkan penyajian benih unggul,
petani melakukan pengembangan perbaikan genetis, dan teknologi
budidaya kedelai di Sumatera Utara. budidaya, pascapanen dan pengolahan
Muslim (2010) menyatakan bahwa (diversivikasi produk), dan terakhir
ketergantungan Indonesia pada kedelai keamanan dan higienitas kedelai yang
impor mempengaruhi kemampuan dikonsumsi msyarakat.
swasembada kedelai, sehingga perhatian
pemerintah mengenai perkembangan SIMPULAN
pertanian kedelai dinilai masih rendah. Kajian tentang penerapan ARIMA
Menurunnya produksi kedelai, untuk peramalan produksi kedelai
baik data aktual dan data hasil ramalan Sumatera Utara telah dilakukan. Hasil
dalam kajian ini dapat dijadikan kajian menyimpulkan bahwa model
referensi pemerintah daerah dalam ARIMA yang terbaik untuk peramalan
mengambil kebijakan dalam produksi kedelai adalah ARIMA (0,1,1).
pengembangan produksi kedelai di Perkiraan produksi kedelai pada
sumatera Utara. Kebijakan-kebijakan subround Januari-April 2016 sebesar
tersebut dapat diterapkan dalam 2.014 ton, subround Mei-Agustus 2016
berbagai pendekatan antara lain dalam sebesar 1.892 ton dan subround
bentuk insentif kepada petani kedelai, September-Desember 2016 sebesar
99
Agrica (Jurnal Agribisnis Sumatera Utara) Vol.9 No.2/Oktober 2016 p-ISSN : 1979-8164
Available online http://ojs.uma.ac.id/index.php/agrica e-ISSN : 2541-593X
1.771 ton. Hasil kajian ini diharapkan Maretha, D. 2008., Peramalan Produksi
dapat menjadi acuan pengambilan dan Konsumsi Kedelai Nasional
kebijakan oleh pemerintah dalam Serta Implikasinya Terhadap
Strategi Pencapaian
rangka peningkatan produksi kedelai
Swasembada Kedelai Nasional.,
indonesia, khususnya Sumatera Utara. Institut Pertanian Bogor., Bogor.,
Skripsi.
DAFTAR PUSTAKA Mehrmolaei, S., dan Keyvanpour, M.R.,
2016., Time series forecasting
Adillah, R., 2014., Analisis produksi dan using improved ARIMA.
konsumsi kedelai nasional., Artificial Intelligence and
Institut Pertanian Bogor., Bogor., Robotics (IRANOPEN): 92-97.
Tesis. DOI:
Andani, A., 2008., Analisis prakiraan 10.1109/RIOS.2016.7529496.
produksi dan konsumsi beras Muslim, A., 2014., Peramalan harga
Indonesia., AGRISEP (8) 1: 1-18. paritas kedelai model ANFIS.
BPS., 2012., Analisis data deret berkala., Widyariset. (17)1:13-24.
modul diklat fungsional statistisi Sena, D., dan Nagwani, N.K., 2015.,
ahli., Badan Pusat Statistik., Application of Time Series
Jakarta. Based Prediction Model to
BPS., 2016. Statistik tanaman padi dan Forecast Per Capita Disposable
palawija Sumatera Utara 2015., Income., IEEE International
Badan Pusat Statistik Provinsi Advance Computing Conference
Sumatera Utara., Medan. (IACC): 454-457., DOI:
Hirata, T., Kuremoto, T., Obayashi, M., 10.1109/IADCC.2015.7154749.
Mabu, S., dan Kobayashi, K., Tastra, I.K., Ginting, E., dan Fatah, G.S.A.,
2015., Time Series Prediction 2012., Menuju swasembada
using DBN and ARIMA., kedelai melalui penerapan
International Conference on kebijakan strategis., Iptek
Computer Application Tanaman Pertanian (7)1:47-57.
Technologie (ICCAT): 24-29. DOI Wijayanti, C.D., 2014., Analisis
10.1109/CCATS.2015.15. Peramalan Produksi Kedelai
Kharista, A., Permanasari, A.E., dan dan Konsumsi serta Faktor-
Hidayah, I., 2015., The faktor yang Mempengaruhi
Performance of GM (1,1) and Produksi dalam Pencapaian
ARIMA for Forecasting of Swasembada Kedelai., Institut
Foreign Tourists Visit to Pertanian Bogor., Bogor., Skripsi.
Indonesia., International Xingmei, X., Liying, C., Jing, Z., dan
Seminar on Intelligent Fengyan, S., 2015., Study and
Technology and Its Applications Application of Grain Yield
(ISITA): 33-37., DOI: Forecasting Model., 4th
10.1109/ISITIA.2015.7219949. International Conference on
Komalasari W.B. 2008. Prediksi Computer Science and Network
Penawaran dan Permintaan Technology (ICCSNT):652-656.
Kedelai dengan Analisis Deret DOI:
Waktu. Jurnal Informatika 10.1109/ICCSNT.2015.7490829
Pertanian Volume 17 No.2, 2008:
1195-1208.
.
100