BAB II

TINJAUAN PUSTAKA

2. 1 Penelitian Terdahulu

Penelitian yang dilakukan oleh Rahmadeni dan Febriantikasari (2015) yang

berjudul “Prediksi Harga Daging Sapi Di Pekanbaru Dengan Metode Pemulusan

Eksponensial Tripel Winter” bertujuan untuk memprediksi harga daging sapi di

Pekanbaru. Data yang digunakan data runtun waktu yaitu data harga daging sapi di

kota Pekanbaru, dengan menggunakan data harga daging sapi yang di peroleh dari

Dinas Perindustrian dan Perdagangan Kota Pekanbaru terhitung selama 69 bulan

(Januari 2009 sampai dengan September 2014)Metode yang digunakan dalam

penelitian ini menggunakan pemulusan eksponensial tripel Winter. Hasil prediksi

harga daging sapi di Pekanbaru dengan model aditif untuk bulan Oktober 2014

adalah Rp. 100.489, Rp. 100.656 untuk harga bulan November 2014, Rp. 101.297

untuk bulan Desember 2014, Rp. 101.171 untuk bulan Januari 2015, Rp. 100.823

untuk bulan Februari 2015, Rp. 101.116 untuk bulan Maret 2015, Rp. 100.922

untuk bulan April 2015, Rp. 101.356 untuk bulan Mei 2015, Rp. 102.156 untuk

bulan Juni 2015, Rp. 103.475 untuk bulan Juli 2015, Rp. 104.789 untuk bulan

Agustus 2015, dan Rp. 104.613 untuk bulan September 2015. Perbedaan antara

penelitian tersebut dengan penelitian ini berada pada alat analisis yaitu penelitian

ini akan menggunakan single exponential, double exponential smoothing dan tripel

exponential smoothing.

8
 9

Penelitian yang dilakukan oleh Simanungkalit dan Naibaho (2018) dengan

judul “Sistem Pendukung Keputusan Monitoring dan Peramalan Harga Beras di

Kabupaten Deli Serdang, Sumatera Utara” bertujuan untuk mengetahui

pengembangan Sistem Pendukung Keputusan (SPK) berbasis Jaringan Saraf Tiruan

(JST) yang dapat dipergunakan sebagai instrumen untuk memprediksi harga beras

masa depan. Penelitian ini menggunakan 8 fase dalam penelitiannya yaitu

perencanaan, penelitian, analisis data, perancangan, penggabungan, penerapan,

pemeliharaan dan dokumentasi dan adaptasi. Data yang digunakan yaitu data-data

harga beras yang diperoleh dari Biro Pusat Statistik dengan menggunakan analisis

arsitektur JST yang di analisis melalui proses pelatihan, pengujian, dan validasi

yang nantinya nilai terbaik ditentukan oleh nilai Mean Square Error (MSE) dan

Mean Absolute Percentage Error (MAPE) terkecil. Selanjutnya, di bahasakan

pemrograman Matlab R2010a. Hasil yang didapat dari penelitian ini yaitu

persentase kesalahan peramalan yang tertinggi terjadi pada peramalan harga beras

bulan Januari 2015 dengan nilai persentase kesalahan peramalan - 6,19%;

sedangkan kesalahan peramalan yang terendah terjadi pada peramalan harga beras

bulan Februari 2015 dengan nilai persentase kesalahan peramalan - 0,07%.

Perbedaan antara penelitian tersebut dengan penelitianini berada pada metode

analisis antara arsitektur JST dan exponential smoothing dan lokasi antara

Kabupaten Deli Serdang dan Kabupaten Probolinggo.

Penelitian yang dilakukan oleh Ramadania (2018) dengan judul “Peramalan

Harga Beras Bulanan Di Tingkat Penggilingan Dengan Metode Weighted Moving

Average” bertujuanuntuk memprediksi rata-rata harga beras bulanan (Rp/Kg) di

 10

tingkat penggilingan menurut kualitas beras medium.Data yang digunakan berupa

data rata-rata harga beras bulanan di tingkat penggilingan dari bulan Januari 2013

sampai dengan November 2017 dalam bentuk Rp/Kg. Metode yang diguanakan

ialah metode weighted moving average. Untuk menghitung kesalahan (error) yaitu

dengan menggunakan Mean Absolute Deviation (MAD), Mean Square Error

(MSE) dan Mean Absolute Percentage Error (MAPE). hasil perhitungan dari data

ramalan dengan menggunakan kombinasi bobot terbaik dimana nilai hasil

peramalan untuk bulan Desember 2017 adalah sebesar Rp. 9.227,94/Kg. Perbedaan

antara penelitian yang dilakukan oleh Riska Ramadania(2018) dengan yang akan

diteliti terdapat pada metode analisis yang digunakan antara weighted moving

average dan exponential smoothing.

Penelitian yang dilakukan oleh Sukiyono dan Rosdiana (2018)dengan judul

“Pendugaan Model Peramalan Harga Beras pada Tingkat Grosir” bertujuanuntuk

menguji model peramalan terbaik untuk harga beras dengan harga grosir. Penelitian

ini menggunakan data harga beras bulanan yang ada pada pedagang besar (grosir)

yang terdiri dari 97 periode (bulan) dari tahun 2010 – 2017 atau observasi dengan

beberapa model yaitu model moving average, model exponential smoothing, model

dekomposisi. Ketetapan peramalan yang digunakan ialahrata-rata kesalahan absolut

(MAD), rata-rata kesalahan kuadrat (MSE), dan rata-rata persentase kesalahan

absolut (MAPE). Hasilnya yaitu disimpulkan bahwa model MA(2) adalah model

terbaik jika peramalan model harga beras pada tingkat pedagang besar dilakukan

menggunakan model Moving Average. Jika menggunakan model Single

exponential, model dengan α 0,9 adalah model yang terbaik. Model dekomposisi
 11

multiplikatif adalah model terbaik jika dibandingkan dengan model dekomposisi

aditif. Pemilihan didasarkan pada kriteria MSE,MAPE dan MAD terkecil, model

single exponential α=0,9 adalah model terbaik jika dibandingkan model lainnya.

Perbedaan penelitian antara penelitian tersebut dengan penelitian ini ialah alat

analisis dimana nantinya penelitian ini menggunakan merek-merek exponential

smoothing.

Penelitian yang dilakukan oleh Salwa, Tatsara, Amalia, dan Zohra (2018)

dengan judul “Peramalan Harga Bitcoin Menggunakan Metode ARIMA” bertujuan

untuk membuat model dan meramalkan harga bitcoin. Metode yang digunakan pada

penelitian ini ialah metode Autoregressive Intergreted Moving Average (ARIMA)

dan diterapkan pada program minitab. Hasil peramalan dengan menggunakan

model ARIMA menunjukkan bahwa harga bitcoin untuk 30 periode kedepannya

mengalami penurunan secara perlahan dan hasil peramalan mendekati data

sebenarnya. Perbedaan penelitian tersebut dengan penelitian ini berada pada

metode analisis data serta variabel yang digunakan.

Penelitian yang dilakukan oleh Gunaryati dan Andryana (2018)tentang

“Perbandingan Metode-Metode Peramalan Statistik untuk Data Indeks Harga

Pangan” betujuan untuk memprediksi harga pangan khususnya harga beras dimasa

yang akan datang dan menentukan metode terbaik dari metode peramalan. Data

yang digunakan merupakan data time series dengan menggunakan alat analisis

trend, exponential smoothing dan decomposisi dan nilai ketetapan Mean Absolute

Deviation (MAD), Mean Square Error (MSE) dan Mean Absolute Precentage

Error (MAPE). Hasilnya ialah alat analisis double exponential smoothing

 12

merupakan alat analisis terbaik dengan memiliki nilai MSE, MAD dan MAPE

terkecil dari alat analisis lainya. Perbedaan penelian tersebut dengan penelitian ini

berada pada alat analisis dimana penelitian ini menggunakan alat analisis

exponential smoothing.

Penelitian yang dilakukan oleh Nugraha (2017) tentang “Analisis Metode

Peramalan Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik” betujuan

untuk memprediksi permintaan dibeberapa periode selnajutnya dan menentukan

metode terbaik dari alat analisis yang digunakan. Data yang digunakan merupakan

data time series dengan menggunakan alat analisis naif (naïve), moving average,

weighted moving average, double exponential smoothing dan nilai ketetapan Mean

Absolute Deviation (MAD), Mean Square Error (MSE) dan Mean Absolute

Precentage Error (MAPE). Hasilnya ialah alat analisis double exponential

smoothing merupakan alat analisis terbaik dengan memiliki nilai MSE, MAD dan

MAPE terkecil dari alat analisis lainya. Perbedaan penelian tersebut dengan

penelitian ini berada pada alat analisis dimana penelitian ini menggunakan alat

analisis exponential smoothing.

2. 2 Kajian Pustaka

2.2.1 Beras

Beras yang berasal dari tanaman padi (Oryza Sativa) merupakan Beras

merupakan salah satu komoditas penting dalam sendi kehidupan sosial ekonomi

masyarakat Indonesia. Beras merupakan makanan pokok masyarakat Indonesia

yang sangat penting karena lebih dari 84% masyarakat Indonesia mengkonsumsi

beras. Posisi komoditas beras bagi sebagian besar penduduk Indonesia adalah
 13

sebagai makanan pokok karena hampir seluruh produk Indonesia membutuhkan

beras sebagai bahan makanan utamanya disamping merupakan sumber nutrisi

penting dalam struktur pangan, sehingga aspek penyediaan menjadi hal yang sangat

penting mengingat jumlah penduduk Indonesia yang sangat besar. Pengenalan

komoditi beras kepada masyarakat bukan pengkonsumsi nasi telah mengakibatkan

permintaan beras mengalami peningkatan sepanjang tahun. Dilihat dari aspek

ketenagakerjaan, usaha perberasan merupakan sub-sektor ekonomi yang menyerap

tenaga kerja yang cukup besar. Tidak kurang dari 75 juta orang bekerja pada

subsektor ini, di antaranya termasuk yang bekerja di sawah, pendistribusian,

pemasaran dan bidang lainnya. Hampir sepanjang sejarah bangsa (Darwanto &

Rahayu, 2018).

2.2.2 Data Time Series

Deret Waktu (time series) merupakan serangkaian data pengamatan yang

terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap.

Analisis deret waktu adalah salah satu prosedur statistika yang diterapkan untuk

meramalkan struktur probabilistik keadaan yang akan terjadi dimasa yang akan

datang dalam rangka pengambilan keputusan (Tiro, 2006).

Langkah penting dalam memilih suatu metode deret waktu yang tepat adalah

dengan mempertimbangkan merek pola data, sehingga metode yang paling tepat

dengan pola tersebut dapat diuji. Pola data dibagi menjadi 4 merek yaitu:

1. Pola Horizontal

Pola horizontal terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata

yang konstan. Deret seperti ini adalah stasioner terhadap nilai rata-ratanya. Suatu
 14

produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu

termasuk merek ini. Bentuk pola horizontal ditunjukkan pada gambar 1.

Sumber: (Andini & Auristandi, 2016)

Gambar 1. Pola Data Horizontal
2. Pola Musiman
Pola data ini terjadi bilamana nilai suatu deret dipengaruhi oleh faktor

musiman, misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu

tertentu. Penjualan dari produk seperti minuman, es krim dan bahan bakar pemanas

ruangan.Semuanya menujukkan merek pola ini. Bentuk pola musiman ditunjukkan

seperti gambar 2.

Sumber : (Andini & Auristandi, 2016)

Gambar 2. Pola data Musiman
 15

3. Pola Siklis

Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi

jangka panjang seperti berhubungan dengan siklus bisnis. Contohnya penjualan

produk seperti mobil, baja. Bentuk pola siklis ditunjukkan seperti gambar 3.

Sumber: Andini & Auristandi (2016)

Gambar 3. Pola Data Siklis

4. Pola Trend

Pola trend muncul ketika observasi data menaik atau menurun pada periode yang

panjang. Trend merupakan komponen jangka panjang yang mewakili pertumbuhan

atau penurunan pada deret waktu dari suatu periode yang diperluas. Bentuk pola dapat

dilihat pada gambar 4.

 16

Sumber : (Andini & Auristandi, 2016)

Gambar 4. Pola Data Trend
2.2.3 Forecasting

Peramalan merupakan studi terhadap data historis untuk menemukan

hubungan, kecenderungan, dan pola yang sistematis. Berdasarkan definisi tersebut

dapat disimpulkan bahwa peramalan merupakan dugaan atau perkiraan mengenai

terjadinya suatu kejadian atau peristiwa pada waktu yang akan datang, yang dapat

membantu dalam melakukan perencanaan dan pengambilan keputusan. Pengenalan

terhadap operasi teknik peramalan pada data menghasilkan kejadian historis

mengarah ke identifikasi lima tahapan proses peramalan adalah pengumpulan data,

pemadatan dan pengurangan data, penyusunan model dan evaluasi, ekstrapolasi

model (peramalan aktual), serta evaluasi peramalan (Hanke, 1999).

Terdapat dua merek data yang digunakan dalam peramalan. Pertama adalah

data yang dikumpulkan dari satu titik waktu (jam, hari, minggu, bulan, dantriwulan)

yaitu data cross section. Data ini dikumpulkan dari periode yang sama.Tujuannya

adalah untuk menelaah suatu data dan mengekstrapolasi atau memperluas

hubungan yang ada pada populasi yang besar. Kedua adalah data yang
 17

dikumpulkan, dicatat, atau diamati dari rangkaian waktu tahapan waktu yaitudata

time series (deret waktu) (Marshall Alferd, 1924).

Peramalan adalah memperkirakan keadaan dimasa yang akan datang melalui

pengujian keadaan dimasa lalu. Dalam kehidupan sosial segala sesuatu itu serba

tidak pasti dan sukar diperkirakan secara tepat, sehingga diperlukan peramalan.

Peramalan yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh

ketiadakpastian ini terhadap sebuah masalah. Dengan kata lain peramalan bertujuan

mendapatkan peramalan yang bisa meminimumkan kesalahan meramal (forecast

error) yang biasanya diukur dengan mean square error, mean absoulute errror, dan

sebagainya (Andini & Auristandi, 2016)

2.2.4 Teknik Exponential smoothing

Pemulusan Eksponensial merupakan metode peramalan rata-rata bergerak

dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini

menggunakan pencatatan data masa lalu yang sangat sedikit. Model ini

mengasumsikan data berfluktuasi di sekitar nilai rata-rata yang tetap, tanpa

mengikuti pola atau tren (Raharja, 2015).

Exponential smoothing adalah suatu prosedur dengan mengulang perhitungan

secara terus menerus menggunakan data observasi terbaru. Setiap data yang

digunakan pada metode ini diberi bobot yang disimbolkan alpha, gamma dan betha

di mana bobot ini ditentukan secara bebas dengan trial and eror. Nilai alpha

berkisar antara 0 sampai dengan 1. Nilai tersebut yang menghasilkan nilai tingkat

kesalahan yang paling kecil akan dipilih untuk digunakan dalam model forecast

(Garperz, 2005)
 18

Metode forecast exponential smoothing ada beberapa macam yaitu single

exponential smoothing, double exponential smoothing, dan tripel exponential

smoothing. Single exponential smoothing merupakan metode forecast yang

memberikan pembobotan secara eksponensial pada data yang lebih lama, data yang

lebih baru akan diberi bobot yang lebih besar. Metode ini digunakan untuk data

yang berpola fluktuasi acak tanpa adanya unsur trend dan musiman (Tannady &

Andrew, 2013). Metode double exopential smoothing merupakan metode

pemulusan dengan menggunakan dua kali pemulusan dan satu parameter. Metode

ini digunakan untuk data yang membentuk pola trend. Metode triple exponential

smoothing merupakan metode merupakan metode dengan tiga parameter disebut.

Metode ini digunakan apabila pola data berbentuk trend dan ada unsur musiman.

Metode penghalusan mempunyai banyak kelebihan bila dibandingkan dengan

metode lain diantaranya adalah data-data dioperasikan dengan efisien, data yang

dibutuhkan sedikit, dapat digunakan untuk mengolah data yang berisi trend tertentu

atau pola musiman dengan cara memodifikasi, baik secara manual maupun dengan

komputer biaya yang dibutuhkan murah. Metode exponential smoothing

mempunyai track record keberhasilan yang baik (Aprilia, 2010)

Teknik pemulusan eksponential memiliki tahapan dalam memulai

perencanaan dalam peramalan. peramalan menggunakan pemulusan eksponensial

setidaknya harus memiliki minimal 6 data pada periode sebelumnya. Pemulusan

eksponential memiliki pembagian dalam data yang akan diramalkan yaitu training

dan testing (Fuadi et al., 2016).

 19

Teknik pemulusan eksponensial adalah prosedur yang dapat merevisi hasil

ramalan secara kontinyu dengan menggunakan informasi terbaru. Teknik ini

berdasarkan pemulusan yang menurun secara eksponensial. Prediksi dilakukan

dengan memberi bobot yang lebih tinggi untuk informasi yang lebih baru. Teknik

ini terdiri dari tiga yaitu:

1. Teknik Single Exponential smoothing

Teknik ini sangat cocok untuk pola data stasioner dan tidak efektif dalam

menangani peramalan yang pola datanya memiliki komponen trend dan pola

musiman. Teknik ini hanya menyimpan data terakhir, ramalan terakhir dan

konstanta pemulusan (α) sehingga dapat mengurangi masalah penyimpanan

data.

Persamaan dalam teknik pelicinan eksponensial tunggal dapat dihitung melalui

Ŷt+1 = αYt + (1-α) Yt

Ŷt+1 = Ŷt + α (Ŷt+ Ŷt)

Ŷt+1 = Ŷt + α (ԑt)

Dimana :

Ŷt = Nilai ramalan pada periode ke-t

Ŷt+1 = Nilai ramalan pada periode ke t+1

ԑt = Kesalahan ramalan

α = Koefisien pelicinan
 20

2. Teknik Double Exponential smoothing

Teknik ini menetapkan bahwa ramalan merupakan hasil dari perhitungan dua

kali pemulusan eksponensial dengan tujuan mengatasi masalah data yang tidak

stasioner dengan trend linear. Hasil yang diperoleh dari pemulusan eksponesial

tunggal dilakukan pemulusan kembali dengan memberi bobot yang menurun

secara eksponensial.

Teknik pelicinan eksponensial dari Brown menetapkan bahwa ramalan

merupakan hasil dari perhitungan dua kali pelicinan secara eksponen. Cara

pelicinannya ialah dengan pengambilan perbedaan antara nilai-nilai tunggal

yang dilicinkan, agar diselaraskan dengan bentuk trend. Persamaan-persamaan

dalam teknik ini adalah :

Ŷt+m = αt + bt (m)

St = αSt + (1-α) St-1

(2)
St(2) = αSt + (1-α) 𝑆t−1

at = 2St– St(2)

bt = (α/ (1-α)) (St– St(2))

Dimana :

St = Pelicinan tahap 1

St(2) = Pelicinan tahap 2

α = Koefisien pelicinan

at = Nilai penyesuaian intersep

bt = Nilai penyesuaian trend (slope)

Ŷt+m = Nilai ramalan periode t+m

 21

m = Jumlah periode ke depan

3. Triple Exponential smoothing

Teknik ini menghasilkan ramalan yang lebih cocok dan tepat untuk pola data

historis yang memiliki pola trend linear dan pola musiman. Persamaan-

persamaan dalam teknik ini adalah

Lt = α(Xt/It-L) + (1-α)(Lt-1+ Tt-1)

Tt = γ (Lt- Lt-1) + (1-γ)Tt-p (1-β)Tt-1

Ŷt+m = (Lt-1+ Tt-1) St-p

Dimana:

Ŷt+m = Ramalan untuk periode ke depan

Xt = Nilai pada periode waktu ke-t

Lt = Level pada waktu ke-t

Tt = Trend pada waktu ke-t

St = Komonen musiman waktu ke-t

P = Banyak data (periode musiman)

α = Bobot untuk level (0<α<1)

γ = Bobot untuk trend (0<γ<1)

β = Bobot untuk musiman (0<β<1) (Darsyah, 2016).

2.2.5 Ketetapan Peramalan

Analisis exponential smoothing terdapat ketepatan ramalan dengan tujuan

mengukur kesesuaian antara data yang yang sudah ada dengan data peramalan. ada

beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan

peramalan total.
 22

Ketetapan ramalan merupakan suatu hal yang penting untuk peramalan yaitu

bagaimana kesesuaian antara data yang sudah ada dengan data permalan. Ada

beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan

peramalan total. Tiga dari perhitungan yang paling terkenal adalah Mean Absolute

Deviation (MAD), Mean square error (MSE), dan Mean Absolute Precentage

Error (MAPE) (Panjaka, 2012).

1. Mean Absolute Deviation (MAD)

Mean Absolute Deviation merupakan ukuran pertama kesalahan peramalan

keseluruhan untuk sebuah model. Metode untuk mengevaluasi metode peramalan

menggunakan jumlah dari kesalahan-kesalahan yang absolut. Rumus menghitung

MAD sebagai berikut:

∑𝑛
𝑡=1 ⃓𝑌𝑡−𝐹𝑡⃓
MAD = 𝑛

Xt = Data aktual pada periode t

Ft = Nilai permalan pada periode t

n = Jumlah data

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode

peramalan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan

dan yang diamati. Kekurangan penggunaan MSE adalah bahwa MSE cenderung

menonjolkan deviasi yang besar karena adanya pengkuadratan. Rumus untuk

menghitung MSE adalah sebagai berikut.

(𝑋𝑡−𝐹𝑡)2
MSE= ∑𝑛𝑡=1
𝑛
 23

3. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan

kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk

periode itu. MAPE merupakan pengukuran kesalahan yang menghitung ukuran

presentase penyimpangan antara data aktual dengan data peramalan. Nilai MAPE

dapat dihitung dengan persamaan berikut.

100% ⃓𝑋𝑡−𝐹𝑡⃓
MAPE=( )∑𝑛𝑡=1
𝑛 𝑋𝑡

Xt = Data aktual pada periode t

Ft = Nilai permalan pada periode t

N = Jumlah data

Dalam fase peramalan penggunaan MSE dan MAD sebagai suatu ukuran

ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan

perbandingan antar deret berskala yang berbeda dan untuk selang waktu yang

berlainan, karena MSE dan MAD merupakan ukuran absolut yang sangat

tergantung pada skala dari data deret waktu. Lagi pula, interpretasi nilai MSE tidak

bersifat intuitif, karena ukuran ini menyangkut pengkuadratan sederetan nilai.

Karena alasan tersebut dalam hubungan dengan keterbatasan MSE dan MAD

sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai salah

satu indikasi ketepatan dalam peramalan, yaitu MAPE (Sungkawa & Megasari,

2011)

Kemampuan peramalan sangat baik jika memiliki nilai MAPE kurang dari

10% dan mempunyai kemampuan peramalan yang baik jika nilai MAPE kurang

dari 20% (Kristien Margi S., 2015).

 24

2.2.6 Harga

Terjadinya harga memang telah berabad-abad lamanya dipikirkan para ahli

ekonomi. Usaha-usaha untuk menjelaskan terjadinya harga menimbulkan

pengertian Permintaan (Demand), Penawaran (Supply), Biaya Produksi (Cost),

Kegunaan (Utility), Pasar (Market). Berdasarkan dari pengertian tersebut

disimpulkan bahwasanya harga merupakan pertemuan ataupun kesepakatan antara

penawaran dan permintaan dengan latar belakang biaya produksi dan kegunaan

yang diperankan oleh produsen dan konsumen di pasar (Marshall Alferd, 1924)

Salah satu gejala ekonomi yang sangat penting dan berhubungan dengan prilaku

petani baik sebagai produsen maupun sebagai konsumen adalah harga (Murbyanto,

2013). Dalam arti yang paling sempit, harga (price) adalah jumlah uang yang akan

di bebankan atas suatu produk atau jasa. Lebih luas lagi, harga adalah jumlah dari

seluruh nilai yang ditukar konsumen atas manfaat-manfaat memiliki atau

menggunakan produk atau jasa tersebut (Kotler & Amstrong, 1999).

2. 3 Kerangka pemikiran

Kerangka pemikiran adalah seuatu konsep yang tersusun secara logis dan

sistematis untuk melakukan penelitian. Menurut Usman & Akbar, (2011) kerangka

pemikiran merupakan penjelasan sementara terhadap objek permasalahan pada

penelitian. Kerangka pemikiran disusun berdasarkan kajian pustaka dan hasil

penelitian terdahulu. Kerangka pemikiran merupakan argumentasi penulis yang

disusun secara logis, sistematis, analitis serta disdukung oleh teori-teori yang

relevan.
 25

Beras merupakan komoditas yang memiliki nilai strategis, baik dari segi

ekonomi, lingkungan hidup, sosial, maupun politik. Dalam konteks ketahanan

pangan, stabilisasi pasokan dan harga beras menjadi salah satu unsur penting dalam

pencapaian ketahanan pangan sebagai salah satu prioritas pembangunan nasional.

Produksi beras kabupaten probolinggo yang diproduksi oleh petani rata-rata

bermerek campuran. Produksi beras campuran berasal dari bibit yang digunakan

oleh petani merupakan beras campuran dari beberapa merek. Produksi padi yang

dilakukan oleh petani sebagian besar dijual kepada UD. Tani Makmur selaku mitra

petani di Kabupaten Probolinggo.UD. Tani Makmur merupakan mitra petani pada

bagian penjualan hasil produksi padi yang natinya akan diproses menjadi beras.

Selaku mitra petani, UD. Tani Makmur menetapkan harga yang kompetitif

dipasaran.

UD. Tani Makmur mengklasifikasikan beras berdasarkan banyaknya butir

patah berasnya. Ada 3 merek beras yang diproduksi oleh UD. Tani Makmur yaitu

anggur (butir patah beras kurang dari 5%), dua delima (butir patah beras lebih dari

5% dan kurang dari sama dengan 15%) dan wallet (butir patah beras lebih dari sama

dengan 50%). Nantinya data harga beras berdasarkan merek yang ada pada UD.

Tani Makmur akan digambarkan pola perkembangan harga. Berdasarkan pola

perkembangan harga nantinya akan di analisis menggunakan single exponential

smoothing, double exponential smoothing dan triple exponential smoothingserta

akan di evaluasi peramalannya (Forecast Error) menggunakan ketetapan

peramalan yaitu mean absolute deviation (MAD), mean square error (MSE), dan

mean absolute percentage error (MAPE). Berdasakan hasil analisis akan

 26

menghasilkan peramalan harga dari ketiga merek tersebut serta hasil peramalan

terbaik dan metode terbaiknya. Kerangka pemikiran dalam penelitian ini dapat

dilihat pada bagan 1

 27

UD. Tani Makmur

Fluktuasi Harga Beras yang Tidak

Terkendali

Merek Anggur Merek Dua Delima Merek Wallet

Data Harga Beras Data Harga Beras Butir Data Harga Beras
Butir patah <5% patah 5%< x <15% Butir patah >50%

Identifikasi Pola Data Harga Beras

Exponential
smoothing dan
ketetapan peramalan

Hasil peramalan harga beras dan

Ketetapan Peramalan

Menetukan hasil peramalan terbaik dan

metode terbaik

Bahan Kajian Perusahaan dalam

Menentukan Harga Beras dengan
Mempertimbangkan Faktornya

Ket : Alat analisis

Tahap selanjutnya
Gambar 5. Bagan Kerangka Pemikiran