ALTERNATIF MODEL PENDUGAAN STOK GABAH/BERAS DI

PENGGILINGAN PADI DAN SUB DOLOG

The Alternatif Modelling of Paddy/Rice Stocks in Rice Mill and Sub
Dolog
Mohamad Chafid
Statistisi Madya pada Pusat Data dan Informasi Pertanian

ABSTRACT
Currently, information on total amount of paddy/rice stocks in certain
area is not known except by survey. The owner paddy/rice stocks are
farmer household, consumer household, rice milling unit, grocer rice,
trader rice, restaurant/hotel, industry and Bulog. On this research, the
objective is aimed to develop paddy/rice stocks model for rice milling
unit and Bulog. Based on these models, the stocks can be predicted.
Model for suspected stocks of paddy/rice at the rice mill unit in
August, affected by the free variables of rice production in March, April,
May and July. The results of model analysis in the stock of rice mills
shows that stocks in August, is strongly influenced by the production of
rice in March. This happens because the month of March is the peak of
the rice harvest in Subang Regency, thus providing a significant
contribution in expected grain/rice stocks the mill. Model test results
indicate this model is feasible with the coefficient of determination
corrected for 79.7% (adj-R2 = 79.7%).
Results of analysis showed Arima model can be applied to predict
the monthly rice stocks in Sub Dolog. Based on the selection of the best
models, models to predict rice stocks next few months at Subang was
sub Dolog Arima (2,0,2). Test results for the model parameter estimates
Arima (2,0,2) with a test Modified Box-Pierce (Ljung-Box) showed
significant value at 95% confidence level.
Key words : bulog, model, rice, rice mill, stocks.

Informatika Pertanian Volume 19 No. 1, 2010 1

 ABSTRAK
Saat ini, informasi mengenai jumlah padi/stok beras di daerah
tertentu hanya diketahui melalui survei. Pemilik stok padi/beras adalah
rumah tangga petani, rumah tangga konsumen, penggilingan
padi/beras, toko kelontong, pedagang beras, restoran/hotel, industri
dan Bulog. Pada penelitian ini, tujuannya adalah untuk
mengembangkan padi/beras stok model untuk unit penggilingan padi
dan Bulog. Berdasarkan model tersebut, stok dapat diprediksi.
Diduga model stok padi/beras di unit penggilingan padi pada bulan
Agustus, dipengaruhi oleh variabel bebas produksi beras di bulan
Maret, April, Mei dan Juli. Hasil analisis model stok penggilingan padi
menunjukkan bahwa pada bulan Agustus, sangat dipengaruhi oleh
produksi padi pada bulan Maret. Hal ini terjadi karena bulan Maret
merupakan puncak musim panen padi di Kabupaten Subang, sehingga
memberikan kontribusi yang signifikan terhadap stok gabah/beras di
penggilingan. Hasil tes model ini menunjukkan layak dengan koefisien
determinasi sebesar 79,7% dikoreksi (adj-R2=79,7%).
Hasil analisis menunjukkan model Arima dapat diterapkan untuk
memprediksi stok beras di Sub Dolog bulanan. Berdasarkan pemilihan
model terbaik, model untuk memprediksi stok beras beberapa bulan ke
depan di Subang pada sub Dolog Arima (2,0,2). Hasil pengujian untuk
estimasi parameter model Arima (2,0,2) dengan tes Modifikasi Box-
Pierce (Ljung-Box) menunjukkan nilai yang signifikan pada tingkat
kepercayaan 95%.
Kata kunci: beras, bulog, model, penggilingan padi, stok.

2 Alternatif Model Pendugaan Stok Gabah/Beras

 
 PENDAHULUAN
Informasi mengenai stok beras sangat penting untuk mengetahui
situasi ketahanan pangan, baik di tingkat rumah tangga maupun
wilayah (kabupaten, propinsi, nasional). Pemegang stok gabah/beras di
masyarakat antara lain rumah tangga, penggilingan padi, grosir,
pengecer, rumah makan dan hotel, sedangkan pemegang stok
gabah/beras di pemerintah yaitu Bulog dan Sub Dolog di daerah-
daerah. Informasi stok beras pemerintah relatif lebih mudah diperoleh
karena dilakukan oleh instansi pemerintah (pada saat ini Bulog),
sedangkan informasi mengenai stok gabah/beras di masyarakat lebih
sulit diperoleh dan tidak tersedia secara rutin. Di sisi lain data stok ini
sangat dibutuhkan dalam penentuan kebijakan sektor pertanian karena
menyangkut ketersediaan pangan di suatu wilayah.
Informasi mengenai jumlah pangan yang tersedia dalam suatu
wilayah menjadi sangat penting. Pada sisi lain informasi mengenai
besarnya stok pangan ini sulit diperoleh. Beberapa permasalahan yang
dihadapi dalam menghitung stok beras di masyarakat diantaranya
adalah : (1) data tidak tersedia secara rutin, (2) stok gabah/beras di
masyarakat tidak terkumpul pada satu tempat, tetapi tersebar di
beberapa pemegang stok (3) belum adanya model stok gabah/beras,
sehingga dengan model tersebut dapat meramalkan stok gabah/beras
di suatu wilayah.
Stok adalah sejumlah bahan makanan yang disimpan/dikuasai oleh
pemerintah atau swasta seperti yang ada di pabrik, gudang, depo,
lumbung petani/rumah tangga dan pasar/pedagang, yang dimaksud
sebagai cadangan dan akan digunakan apabila sewaktu-waktu
diperlukan (Neraca Bahan Makanan, 2003).
Pelaku pemupukan stok di masyarakat dapat dibedakan menjadi 6
kelompok yaitu : (1). Konsumen Rumah Tangga, (2). Petani produsen,
(3). Pedagang makanan/hotel, (4). Pedagang perantara, (5). Industri
pengolahan dan (6). Penggilingan padi. Berdasarkan hasil penelitian
tahun 1989, disimpulkan bahwa petani produsen dan penggilingan
adalah merupakan pemupuk stok terbesar dibandingkan kelompok
lainnya, setelah itu adalah pedagang perantara (Sugianto et al. 1989).
Secara skematis, distribusi stok beras dapat digambarkan seperti
Gambar 2 di bawah ini.
Penggilingan adalah perusahaan yang melakukan proses
pengolahan padi mulai dari gabah menjadi beras. Penggilingan
dimaksud adalah penggilingan yang selain melayani jasa pengolahan
gabah menjadi beras juga melakukan pembelian/penjualan
gabah/beras dengan pihak lain, tidak termasuk penggilingan yang
hanya melayani jasa pengolahan gabah menjadi beras saja.
Stok gabah/beras di penggilingan adalah banyaknya gabah beras
yang disimpan di penggilingan dan dimiliki/dikuasai oleh perusahaan
penggilingan. Tidak termasuk cadangan (stok) milik pihak lain yang

Informatika Pertanian Volume 19 No. 1, 2010 3

menyimpan/menitipkan gabah/beras di penggilingan tersebut (BPS
2002).
BPS dan BBKP (2002) telah melakukan survei untuk mendapatkan
model stok beras, melalui persamaan regresi linier sederhana yaitu : Ŝ
=b0 + b1P dimana Ŝ estimasi total stok di penggilingan pada saat
pengamatan stok, P produksi padi selama 4 bulan sebelum
pengamatan stok, bo intersep dan b1 koefisien regresi. Namun pada
kenyataanya model yang diperoleh adalah Ŝ = 7,376%P.
Tujuan dari tulisan ini adalah menduga besaran stok setara beras di
penggilingan padi dan di Sub Dolog, sedangkan sasaran adalah
tersedia informasi model stok di penggilingan dan Sub Dolog sehingga
besaran stok dapat diprediksi dari model tersebut.

METODOLOGI
Model Stok Penggilingan
Penggilingan membeli gabah dari petani dan dari pedagang
pengumpul. Selanjutnya penggilingan melakukan pengolahan gabah
menjadi beras, dan menjual beras ke pedagang (grosir), pedagang
eceran atau pasar, baik di dalam wilayah kabupaten maupun di luar
wilayah kabupaten.

Produksi Stok t-1

petani (P) (X11) 

Suplai (S)
Pembelian t (X10)

Penjualan t (X12) Stok t (X13)

Gambar 1. Skema Pembelian, Penjualan dan Stok Penggilingan.

Persamaan identitas untuk penggilingan adalah :

S = X10 + X11
S = X12 + X13

4 Alternatif Model Pendugaan Stok Gabah/Beras

 
Sehingga :
X13 = (X10 – X12) + X11
Atau Stokt=(Pembelian-Penjualan)+Stokt-1
Dalam menyusun model pendugaan stok lebih mudah memasukkan
data produksi wilayah baik kecamatan atau kabupaten karena datanya
tersedia setiap saat dibandingkan dengan data volume pembelian
ataupun penjualan, maka modelnya dihubungkan dengan produksi
wilayah. Langkah-langkah penyusunan model adalah sebagai berikut :
• Menentukan rata-rata stok untuk penggilingan kecamatan ke-k
n

∑X ik ( t )
waktu t adalah: SG k ( t ) = i =1
i=1,2,3,…..,n
n
k=1,2,3,.......,18.
dimana :

SGk (t ) = rata stok setara beras penggilingan di kecamatan ke-k

pada waktu t
X ik (t ) = stok di penggilingan ke –i pada kecamatan ke-k waktu t

• Menentukan pendugaan total stok penggilingan di kecamatan ke-k

waktu t :
n
N k ∑ X ik (t )
TSˆGk (t ) = i =1
nk
dimana :
Nk=jumlah total penggilingan merangkap pedagang di
kecamatan ke-k.
nk=jumlah penggilingan contoh di kecamatan ke-k.
Sedangkan ragam dugaan stok total adalah :
⎛ s 2 ⎞⎛ N − n ⎞
Vˆ (TSˆGk (t ) ) = Vˆ ( Ny ) = N 2 ⎜⎜ ⎟⎟⎜ ⎟
⎝ n ⎠⎝ N ⎠
• Menyusun model terbaik untuk menduga stok setara beras di
penggilingan untuk setiap kecamatan contoh, dengan menggunakan
Stok waktu t di kecamatan ke-k sebagai peubah tak bebas (respon)
dan produksi padi waktu t-1 sampai t-n sebagai peubah bebas
(prediktor).

Informatika Pertanian Volume 19 No. 1, 2010 5

 SˆG k (t ) = f ( Pt −1 , Pt − 2 , Pt −3 ,......., Pt − n )

Berdasarkan model terbaik yang diperoleh dilakukan pendugaan

total stok di penggilingan untuk kecamatan yang tidak disurvei.
• Menduga total stok di penggilingan untuk total seluruh kecamatan
di Kabupaten Subang. Menghitung galat baku (standar error) hasil
pendugaan total wilayah kabupaten sehingga diperoleh batas atas
dan batas bawah pendugaan.

Analisis Regresi
Analisis regresi merupakan suatu teknik statistik untuk menyelidiki
dan memodelkan hubungan diantara peubah-peubah, yaitu peubah tak
bebas (respon) dan peubah bebas (prediktor). Diantara model-model
regresi, model regresi linier merupakan model yang paling sederhana
dan paling sering digunakan. Suatu model linier adalah sebuah fungsi
linier dalam parameter β0, β1, ........., βm (Myers & Milton, 1991). Model
Regresi yang mempunyai lebih dari satu peubah bebas dan linier
dalam koefisiennya disebut model regresi linier berganda. Persamaan
regresi linier adalah persamaan antara satu peubah tak bebas (Y)
dengan satu atau lebih peubah bebas (X1, X2,.....,Xp), yang dinyatakan
sebagai berikut :
Yi = β 0 + β1 X 1i + β 2 X 2i + ..... + β p X pi + ε i  

atau dalam bentuk matriks :

Y = Xβ + ε
dimana X = matriks peubah bebas berukuran nxk
Y= vektor peubah tak bebas berukuran nx1
β = vector parameter berukuran kx1
ε = vector galat (sisaan) berukuran nx1
n= banyaknya pengamatan
k=p+1 adalah banyaknya parameter.
Dalam model regresi klasik diasumsikan bahwa εi merupakan suatu
peubah acak yang berdistribusi normal dengan nilai tengah nol; dan
ragam σ2, serta εi dan εj tidak berkorelasi (bebas satu sama lain).
Dengan kata lain model memiliki sifat : εi ~ N(0, σ2) ; E(εi) = 0 ; V(εi) =
σ2 dan Cov(εi , εj) = 0 , i≠j.

6 Alternatif Model Pendugaan Stok Gabah/Beras

 
Stok Sub Dolog
Berbeda dengan stok petani dan penggilingan, jumlah stok di Sub
Dolog mudah diketahui karena untuk setiap wilayah hanya ada 1 Sub
Dolog. Namun karena pada penelitian ini kita menduga stok t, maka
perlu dilakukan penyusunan model stok Sub Dolog tersebut. Model
yang digunakan adalah model deret waktu ARIMA. Oleh karena itu
pada penelitian ini dilakukan pengumpulan data bulanan stok beras di
Sub Dolog selama 5 tahun terakhir.
Tahapan penyusunan model stok Sub Dolog adalah :
• Plot data stok untuk melihat kestationeran data.
• Penentuan model tentatif (spesifikasi model) berdasarkan analisis
data historis. Tahap ini untuk menentukan secara tentatif nilai p
(proses AR), d (pembedaan) dan q (proses MA).
• Pendugaan parameter model. Tahapan ini digunakan menentukan
penduga bagi parameter model yaitu θi dan φi (i=1,2,.....) sesuai
dengan model tentatif di atas.
• Analisis diagnostik (analisis sisaan) untuk mengevaluasi kelayakan
model.
• Melakukan peramalan berdasarkan model yang diperoleh.
• Menghitung varian dan selang kepercayaan hasil pendugaan stok.
Tujuan utama membangun model adalah untuk melakukan
peramalan. Berdasarkan series data yang telah lalu sampai dengan
waktu ke t, yaitu Zt, Zt-1, ......, Z1, dapat dilakukan peramalan untuk Zt+l
dan e adalah unit waktu yang akan datang. Berdasarkan waktu t dari
data asal, kita dapat meramalkan e waktu ke depan. Penulisan Zˆ t (l )
maknanya ramalan untuk waktu ke-(t+l) berdasarkan t data. Menurut
Cryer (1991) metode peramalan yang digunakan adalah Minimum
Mean Square Error (Kuadrat Tengah Terkecil Galat). Metode ini
menyatakan peramalan Zˆ t ( l ) diberikan oleh :

Zˆ t (l ) =E(Zt+l |Zt, Zt-1, ......, Z1)

Lebih jauh Cryer menyatakan bahwa error pendugaan et(l) dapat

didefinisikan sebagai:
et(l)= Zt+l - Zˆ t (l )

SUMBER DATA
Data yang digunakan dalam penelitian ini ada dua sumber yaitu :
a. Data Primer : untuk menyusun model regresi stok padi/beras di
penggilingan.

Informatika Pertanian Volume 19 No. 1, 2010 7

b. Data Sekunder : untuk menyusun model time series stok beras di
Sub Dolog.
Data primer diperoleh melalui survei langsung pada 70 penggilingan
padi di Kabupaten Subang yang tersebar di 17 kecamatan. Data
sekunder untuk stok beras di pemerintah untuk wilayah Subang dan
sekitarnya adalah Data Sub Dolog Divre Subang.

HASIL DAN PEMBAHASAN

Model Stok Penggilingan

Model stok penggilingan dibangun berdasarkan data primer yang
merupakan hasil survei dan data sekunder dari Dinas Pertanian
Kabupaten Subang. Data stok yang diperoleh dari survei adalah data
stok pada saat wawancara, yaitu pada awal Agustus lalu. Untuk setiap
kecamatan diambil beberapa penggilingan sebagai contoh, kemudian
dihitung rata-rata stok di penggilingan untuk setiap kecamatan. Jumlah
penggilingan yang merangkap pedagang diperoleh dari hasil listing.
Berdasarkan rata-rata stok gabah/beras di penggilingan untuk setiap
kecamatan dan jumlah penggilingan merangkap pedagang untuk
setiap kecamatan maka dapat diduga besarnya stok di penggilingan
untuk setiap kecamatan contoh.
Selanjutnya dari hasil pendugaan total stok setara beras di
penggilingan untuk setiap kecamatan, kemudian dibangun model stok
penggilingan. Model stok dibangun dari peubah tak bebas yaitu stok di
penggilingan pada awal Agustus untuk setiap kecamatan dan peubah
bebas produksi gabah di kecamatan contoh dari bulan Maret sampai
dengan Juli. Pemilihan peubah bebas tersebut didasarkan pada asumsi
bahwa stok di bulan Agustus dipengaruhi oleh produksi padi 5 bulan
terakhir. Model yang digunakan sebagaimana model stok petani adalah
model regresi berganda. Berdasarkan hasil analisis model yang terbaik
untuk menduga stok di penggilingan untuk setiap kecamatan pada awal
Agustus adalah :
ŜG agt = -341,1 + 0,0595 Pjul + 0,0203 Pmei + 0,0370 Papr + 0,125
Pmar – 0,000022 Pkmar

dimana:

ŜG agt : total stok setara beras di penggilingan pada awal Agustus (Ton)

Pjul : produksi padi gabah kering giling (GKG) bulan Juli (Ton)
Pmei : produksi padi gabah kering giling bulan Mei (Ton)
Papr : produksi padi gabah kering giling bulan April (Ton)

8 Alternatif Model Pendugaan Stok Gabah/Beras

 
Pmar : produksi padi gabah kering giling bulan Maret (Ton)
PKmar : produksi kuadrat padi gabah kering giling bulan Maret (Ton)

Tabel 1. Model Stok Penggilingan

Galat
Peubah Koefisien T p VIF
baku
Intersep -341.1 183.9 -1.85 0.091
Pjul 0.05947 0.01726 3.45 0.005 1.5
Pmei 0.020348 0.008323 2.44 0.033 2.1
Papr 0.036978 0.004985 7.42 0.000 1.2
Pmar 0.12513 0.07351 1.70 0.117 17.1
PKmar -0.00002159 0.00000847 -2.55 0.027 15.3
S = 156.1 R-Sq = 86.0% R-Sq(adj) = 79.7%
PRESS = 859431 R-Sq(pred)=55.18%

ŜG agt merupakan stok setara beras pada awal Agustus dalam
satuan ton, sedangkan Pjul, Pmei, Papr, Pmar merupakan produksi
gabah kering giling menurut bulan dalam satuan ton untuk masing-
masing kecamatan dan Pkmar merupakan produksi gabah kering giling
Bulan Maret dikuadratkan. Produksi bulan Juni tidak dimasukkan
dalam model, karena berdasarkan hasil uji coba pemilihan model
terbaik ternyata koefisien regresi bulan Juni tidak signifikan, hal ini
karena produksi bulan Juni sangat sedikit, sehingga variable produksi
bulan Juni dikeluarkan dari model.
Model tersebut merupakan model stok setara beras pada awal
Agustus di kecamatan dalam wilayah Kabupaten Subang. Koefisien
determinasi sebesar 86.0% menunjukkan bahwa keragaman stok di
penggilingan pada awal Agustus untuk wilayah kecamatan, berhasil
diterangkan oleh peubah bebas produksi per kecamatan bulan Juli,
Mei, April, Maret dan produksi Maret kuadrat sebesar 86.0%. Koefisien
determinasi ganda terkoreksi besarnya 79.7%, nilai ini menjadi salah
satu kriteria dalam pemilihan model terbaik, makin tinggi nilainya
(mendekati 100%) model semakin baik.
Uji F menunjukkan nilai p=0.000 sehingga hubungan regresi antara
stok Agustus dengan produksi padi bulan Juli, Mei, April, Maret dan
produksi kuadrat bulan Maret nyata. Uji t menunjukkan bahwa untuk βk
(k=0,1,2,3,5) nilai p< 0.10, artinya dengan tingkat keyakinan 90%
nilai koefisien regresi βk untuk peubah bebas produksi padi bulan Juli,
Mei, April dan kuadrat produksi bulan Maret tidak sama dengan nol.
Sebaliknya nilai βk untuk koefisien regresi peubah bebas produksi bulan
Maret tidak nyata pada tingkat keyakinan 90%.
Model stok awal Agustus menunjukkan nilai koefisien regresi untuk
produksi bulan Juli, Mei, April dan Maret semua bertanda positif,
Informatika Pertanian Volume 19 No. 1, 2010 9
sebaliknya produksi bulan Maret kuadrat bernilai negatif. Hal ini
menunjukkan bahwa besarnya panen pada bulan Juli, Mei, April dan
Maret akan meningkatkan besaran stok di bulan Agustus karena pada
Bulan Maret dan April merupakan puncak panen raya sehingga
penggilingan cenderung untuk melakukan penyimpanan stok, bulan Mei
panen masih cukup banyak jadi masih terus terjadi penambahan stok,
dan bulan Juli jumlah padi yang dipanen kembali meningkat sehingga
penggilingan kembali menyimpan stok. Pada bulan Maret panen cukup
banyak dan produksi padi besar, tanda koefisien positif dan bentuk
kuadratnya negatif, tetapi jika dijumlahkan peran panen bulan Maret
positif terhadap stok Agustus artinya makin besar produksi bulan Maret,
stok pada bulan Agustus juga semakin besar.
Salah satu syarat model regresi yang layak adalah antar peubah
bebas harus saling bebas. Peubah bebas pada model yaitu produksi
padi bulan Juli, Mei, April dan Maret saling bebas. Produksi Juli
besarnya tidak ditentukan oleh produksi Mei, April dan Maret, produksi
Mei tidak ditentukan oleh produksi April dan Maret dan seterusnya.
Besarnya produksi dipengaruhi oleh luas tanam, luas panen dan
produktivias. Hasil korelasi Pearson juga menunjukkan korelasi antar
bulan panen tersebut tidak ada yang lebih dari 0,5 .
Berdasarkan model yang telah diuji kelayakannnya, selanjutnya
dilakukan pendugaan stok baik untuk kecamatan contoh maupun
kecamatan yang tidak disurvei. Hasil Pendugaan stok setara beras
untuk masing-masing kecamatan disajikan pada Tabel 2. Berdasarkan
tabel tersebut ada perbedaan antara hasil pendugaan dengan
menggunakan survei dan hasil berdasarkan model. Semakin kecil
jumlah kuadrat selisih antara nilai sebenarnya (hasil survei) dan nilai
dugaan (hasil model) maka model tersebut akan semakin baik.
Berdasarkan hasil survei total stok setara beras di penggilingan untuk
seluruh kecamatan contoh yang terdiri dari 17 kecamatan pada awal
Agustus adalah sebesar 5883.78 ton beras, dan berdasarkan model
total stok sama dengan hasil survei yaitu sebesar 5883.76 ton.
Sedangkan pendugaan stok di kecamatan yang tidak dijadikan contoh
berdasarkan model yaitu Kecamatan Subang sebesar 545 ton, Kalijati
sebesar 349 ton, Legon Kulon 95 ton, Pabuaran 599 ton dan
Patokbeusi sebesar 932 ton.

10 Alternatif Model Pendugaan Stok Gabah/Beras

 
 Tabel 2. Pendugaan Stok Setara Beras di Penggilingan
Selang
Stok Setara Beras Kepercayaan 95%
Galat Baku
(Ton) Untuk Model
No. Kecamatan Pendugaan
(Ton Beras)
Model
Batas Batas
Survei Model
Bawah Atas
1. Sagalaherang 29.15 51.80 89.55 -145.29 248.89
2. Jalancagak 37.26 26.51 69.17 -125.72 178.75
3. Cisalak 288.53 387.09 84.50 201.11 573.08
4. Tanjungsiang 59.90 126.01 65.21 -17.52 269.54
5. Cijambe 382.58 169.27 65.66 24.76 313.77
6. Cibogo 132.93 6.49 68.72 -144.77 157.74
7. Cipunagara 1148.24 942.19 117.71 683.12 1201.26
8. Pagaden 462.00 721.77 85.34 533.95 909.60
9. Cipeundeuy 58.95 189.30 55.69 66.73 311.87
10. Purwadadi 102.00 28.10 74.70 -136.31 192.51
11. Ciasem 382.28 345.89 59.82 214.23 477.55
12. Binong 1168.99 1044.82 116.54 788.31 1301.33
13. Compreng 325.00 307.96 140.12 -0.44 616.37
14. Pusakanagara 400.32 326.96 140.87 16.91 637.01
15. Pamanukan 379.26 445.28 107.59 208.47 682.09
16. Blanakan 480.15 646.13 98.20 430.00 862.26
17. Cikaum 46.24 118.19 73.00 -42.48 278.86
TOTAL 5883.78 5883.76 382.41 5042.08 6725.44
Kecamatan yang tidak disurvei
18. Legonkulon - 95.35 109.51 -145.68 336.38
19. Subang - 545.76 58.18 417.71 673.81
20. Kalijati - 349.04 104.13 119.84 578.23
21. Pabuaran - 598.99 99.13 380.82 817.17
22. Patokbeusi - 931.58 259.08 361.36 1501.81
TOTAL KAB. SUBANG 8404.48 609.29 7063.42 9745.54

Informatika Pertanian Volume 19 No. 1, 2010 11

 1400.00

1200.00

1000.00
Stok (Ton)

800.00

600.00

400.00

200.00

0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Kecamatan
Survei Model

Gambar 2. Plot Pendugaan Stok di Penggilingan Menurut Hasil Survei

dan Model
Pendugaan total stok di rumah tangga petani pada awal Agustus di
17 kecamatan contoh, berdasarkan model adalah sebesar 5.884 ton
setara beras. Galat baku pendugaan (standard error prediction) untuk
total kecamatan contoh adalah 382.41, sehingga selang kepercayaan
95% bagi hasil pendugaan total stok pada 17 kecamatan contoh
berkisar antara 5042 ton sampai 6725 ton setara beras. Sedangkan
untuk kecamatan baru yang tidak masuk dalam contoh, dianggap
sebagai pengamatan baru, sehingga selang yang digunakan bukan
selang kepercayaan, tetapi selang pendugaan (prediction interval)
untuk pengamatan yang baru.
Pendugaan total stok setara beras di penggilingan padi untuk
seluruh kecamatan adalah 8404 ton, dengan tingkat kepercayaan 95%
besaran stok setara beras di penggilingan untuk Kabupaten Subang
berkisar antara 7063 ton sampai 9745 ton setara beras.

Model Stok Sub Dolog

Model stok Sub Dolog menggunakan data sekunder stok
operasional beras Sub Dolog wilayah Subang. Sebelum dianalisis
terlebih dahulu dilakukan eksplorasi data yang digunakan untuk
mengetahui pola data secara umum. Hasil eksplorasi data
menunjukkan, dimana stok Sub Dolog pada periode bulan April 1997
sampai dengan bulan Juli 2005 cenderung berfluktuasi tanpa pola
musiman tertentu. Data tersebut mempunyai ragam yang cukup besar
dengan nilai tengah konstan di sekitar 12.450.146 kg/bulan.

12 Alternatif Model Pendugaan Stok Gabah/Beras

 
 Plot ACF
1.0
0.8

Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

10 20 30 40

Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.80 7.99 65.84 13 0.17 0.97 112.99 25 0.13 0.71 134.00 37 -0.07 -0.34 182.69
2 0.49 3.27 91.14 14 0.13 0.75 115.08 26 0.11 0.58 135.62 38 -0.01 -0.05 182.71
3 0.21 1.28 95.93 15 0.09 0.48 115.96 27 0.07 0.38 136.32 39 0.02 0.11 182.80
4 0.02 0.10 95.96 16 0.02 0.11 116.01 28 -0.05 -0.25 136.63 40 0.00 0.01 182.80
5 -0.10 -0.60 97.07 17 -0.08 -0.47 116.87 29 -0.15 -0.82 140.04
6 -0.12 -0.73 98.73 18 -0.17 -0.93 120.37 30 -0.22 -1.15 146.95
7 -0.08 -0.46 99.40 19 -0.17 -0.95 124.07 31 -0.23 -1.22 155.00
8 -0.01 -0.05 99.41 20 -0.12 -0.66 125.92 32 -0.24 -1.22 163.38
9 0.05 0.32 99.74 21 -0.04 -0.22 126.14 33 -0.21 -1.07 170.20
10 0.12 0.73 101.49 22 0.06 0.33 126.63 34 -0.18 -0.93 175.47
11 0.18 1.05 105.23 23 0.13 0.71 128.86 35 -0.16 -0.80 179.50
12 0.19 1.12 109.59 24 0.14 0.78 131.66 36 -0.12 -0.61 181.94

Plot PACF
Partial Autocorrelation

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

10 20 30 40

Lag PAC T Lag PAC T Lag PAC T Lag PAC T

1 0.86 8.57 13 0.10 1.02 25 0.08 0.82 37 -0.03 -0.26
2 -0.52 -5.23 14 0.03 0.28 26 0.02 0.22 38 0.03 0.27
3 -0.12 -1.17 15 0.05 0.55 27 -0.15 -1.46 39 0.07 0.69
4 -0.05 -0.54 16 -0.15 -1.50 28 0.00 0.00 40 -0.05 -0.49
5 0.01 0.13 17 -0.10 -0.99 29 -0.00 -0.00
6 0.22 2.15 18 -0.15 -1.48 30 -0.00 -0.01
7 0.08 0.81 19 -0.04 -0.45 31 -0.00 -0.03
8 0.03 0.28 20 0.05 0.50 32 -0.17 -1.70
9 0.08 0.80 21 0.04 0.41 33 0.10 1.01
10 0.07 0.73 22 -0.00 -0.04 34 -0.06 -0.59
11 0.03 0.27 23 -0.03 -0.32 35 0.07 0.70
12 -0.17 -1.68 24 -0.09 -0.95 36 0.07 0.74

 
Gambar 3. Plot ACF dan PACF Stok Beras di Sub Dolog
Dengan melihat pola data tersebut dugaan sementara adalah data
bersifat stasioner. Ragam berdasarkan plot tersebut menunjukkan
ragam yang tidak konstan, sehingga dilakukan transformasi data dalam
bentuk logaritma berbasis 10. Untuk memperkuat dugaan
kestasioneran data dilakukan plot ACF (autocorrelation function) dan
PACF (partial autocorrelation function), jika menunjukkan hasil yang
tidak stationer maka dilakukan proses pembedaan (differencing). Plot
ACF yang nilai-nilainya cenderung tetap besar untuk lag-lag yang
cukup besar (lebih dari 6 lag yang signifikan), mengindikasikan data

Informatika Pertanian Volume 19 No. 1, 2010 13

tidak stationer dalam nilai tengah, sehingga perlu dilakukan pembedaan
(differencing). Hasil plot ACF menunjukkan hanya sampai lag 2 yang
signifikan, sehingga dapat disimpulkan bahwa data sudah stationer,
tidak perlu lagi dilakukan pembedaan (differencing).
Pendugaan model dilakukan dengan menggunakan model
ARIMA(p,d,q). Untuk mengetahui nilai dari p, d, dan q digunakan plot
ACF (autocorrelation function) dan PACF (partial autocorrelation
function). Plot ACF menunjukkan bahwa data turun secara drastis
pada lag 2 (cut off after lag-2), sedangkan plot PACF menunjukkan
kecenderungan yang sama yaitu adanya penurunan data secara drastis
setelah lag ke-2 (cut off after lag-2). Berdasarkan plot ACF dan PACF
tersebut maka model tentative untuk data stok beras subDolog adalah
model transformasi logaritma :
- ARIMA (2,0,0) - ARIMA (3,0,0)
- ARIMA (0,0,2) - ARIMA (0,0,3)
- ARIMA (2,0,2) - ARIMA (3,0,3)
Hasil pengujian menunjukkan model yang terbaik adalah ARIMA
(2,0,0) dan ARIMA (2,0,2). Pengujian ini meliputi pengujian pendugaan
paramater apakah nyata atau tidak dan Uji Modified Box-Pierce (Ljung-
Box). Hasil pengujian pendugaan parameter baik model ARIMA (2,0,0)
maupun ARIMA (2,0,2) menunjukkan nilai yang siginifikan pada tingkat
kepercayaan 95%, karena nilai p untuk semua paramater < 0.05 (taraf
α =5%).
Tabel 3. Penduga Parameter Model ARIMA (2,0,0) dan ARIMA (2,0,2)
Type Koefisien SE Koefisien T Nilai-p
ARIMA (2,0,0)
AR 1 1.672 0.1060 15.81 0.000
AR 2 -0.6764 0.1060 -6.38 0.000
ARIMA (2,0,2)
AR 1 1.6694 0.0897 18.62 0.000
AR 2 -0.6693 0.0897 -7.46 0.000
MA 1 0.6215 0.1097 5.66 0.000
MA 2 0.3660 0.1091 3.36 0.001

Pengujian asumsi kebebasan sisaan menggunakan hipotesis :

H0 : at bebas atau tidak berkorelasi
H1 : at berkorelasi
Penarikan kesimpulan untuk hipotesis tersebut dilakukan
berdasarkan korelasi diri dari sisaan (rk) untuk k = 1,2,…,K yang
selanjutnya diuji dengan statistik uji Modified Box-Pierce (Ljung-Box).
Hasil uji asumsi kebebasan galat ditampilkan pada Tabel 4.

14 Alternatif Model Pendugaan Stok Gabah/Beras

 
Tabel 4. Uji Kebebasan Galat dengan Modified Box-Pierce (Ljung-Box)
Lag Chi-Square df Nilai-p
ARIMA (2,0,0)
12 10.4 10 0.406
24 18.4 22 0.684
ARIMA (2,0,2)
12 9.7 8 0.288
24 18.7 20 0.542

Model ARIMA (2,0,0) Untuk k = 12 diperoleh nilai statistik uji

Modified Box-Pierce Q < χ2(α=0.05; db=10) karena nilai Q=10.4 sedangkan
χ2(α=0.05; db=10) =18.307 sehingga keputusan yang diambil adalah
menerima H0 dan menolak H1, berarti tidak ada korelasi antar at atau at
saling bebas hingga lag ke-12, sehingga model dapat dikatakan layak.
Model ARIMA (2,0,2) juga menunjukkan hal yang sama yaitu model
layak hingga lag ke-12, bisa dilihat nilai p yang signifikan jika lebih dari
0.05.
Oleh karena kedua model ARIMA tersebut memiliki kelayakan
model yang sama, maka untuk memilih model terbaik adalah dengan
cara melihat keakuratan peramalan. Untuk pengujian ini dilakukan
pemotongan data sampai dengan bulan Desember 2004, untuk bulan
Januari – Juli 2005 digunakan untuk menguji ketepatan peramalan,
makin dekat nilai peramalan dengan nilai sebenarnya model makin
tepat.

Tabel 5. Uji kemampuan Meramal 2 Model Terbaik

ARIMA Sisaan ARIMA Sisaan
Stok Log Stok
(2,0,0) Kuadrat (2,0,2) Kuadrat
Jan 24.603.003 7.39099 7.54359 0.023287 7.38879 0.000048
Feb 15.245.547 7.18314 7.58312 0.159984 7.24667 0.004036
Maret 11.148.832 7.04723 7.60918 0.315788 7.15197 0.010970
April 10.285.447 7.01222 7.62608 0.376824 7.08879 0.005863
Mei 89.83.122 6.95343 7.63676 0.466940 7.04659 0.008679
Juni 72.83.287 6.86233 7.64321 0.609774 7.01833 0.024336
Juli 10.165.947 7.00715 7.64678 0.409127 6.99936 0.000061
Kuadrat
Jumlah 2.361723 0.053950
Sisaan

Informatika Pertanian Volume 19 No. 1, 2010 15

 Hasil pengujian menunjukkan model ARIMA (2,0,2) memberikan
peramalan yang lebih mendekati nilai sebenarnya dibandingkan ARIMA
(2,0,0), sehingga dapat disimpulkan bahwa model terbaik adalah
ARIMA (2,0,2) dengan transformasi logaritma. Penduga parameter
untuk ARIMA (2,0,2) dapat dilihat pada Tabel 3, sehingga model untuk
Zt adalah :
Log(Zt )=1.6694 Log(Zt-1 ) - 0.6693 Log(Zt-2 )+Log at - 0.6215 Log(at-1) –
0.3660Log(at-2)
Model yang telah ditentukan sebelumnya harus diuji kembali
kelayakannya. Secara visual dilakukan uji kenormalan sisaan/galat
dengan menggunakan plot Normal-scores. Hasil plot menunjukkan
bahwa galat membentuk pola garis relatif lurus yang berarti bahwa
galat tersebut mendekati sebaran normal. Selain itu kelayakan model
juga dapat dilihat dari keacakan galat model. Jika galat menyebar acak
tanpa ada pola tertentu maka model dikatakan layak, hasil uji keacakan
galat model menunjukkan bahwa galat bersifat acak karena tidak
terdapat adanya pola tertentu pada sebaran galat. Berdasarkan hasil
tersebut di atas maka asumsi kenormalan dan keacakan galat telah
terpenuhi untuk model ARIMA(2,0,2).
Plot antara nilai dugaan dan aktual menunjukkan nilai yang selalu
hampir berimpit atau plot nilai dugaan hampir selalu mengikuti pola nilai
aktual (sebenarnya). Makin berimpit plot dugaan dan plot nilai aktual
maka model tersebut makin baik. Gambar 5 menujukkan plot nilai
aktual dan nilai dugaan model stok Sub Dolog. Peramalan stok beras di
Sub Dolog Kabupaten Subang dengan menggunakan model
ARIMA(2,0,2) dilakukan untuk periode bulan Agustus 2005 sampai
dengan Januari 2006 (6 bulan). Hasil peramalan ditampilkan dalam
Tabel 6 dengan plot stok beras aktual dan stok dugaan pada Gambar 4.

Tabel 6. Peramalan Stok Beras di Sub Dolog Kabupaten Subang

Dengan Model ARIMA (2,0,2)
Pendugaan  Selang Kepercayaan 95% 
Bulan  Stok  Galat baku  (Kg) 
(Kg)  Batas bawah  Batas atas 
Agustus 2005  11.140.123  3.821.632  3649724  34003216 
September  10.537.559  4.308.471  2092956  53055450 
Oktober  10.156.405  4.327.060  1675367  61570120 
Nopember  9.912.655  4.288.340  1507509  65180847 
Desember  9.756.184  4.248.903  1428335  66639235 
Januari 2006  9.656.506  4.218.853  1387554  67203207 

Stok beras di Sub Dolog Kabupaten Subang diperkirakan

mengalami peningkatan pada bulan Agustus 2005 menjadi
16 Alternatif Model Pendugaan Stok Gabah/Beras
 
11.140.123 kg. Hal ini karena musim panen yang telah terjadi di
beberapa kecamatan menjelang bulan Agustus 2005 menyebabkan
stok di Sub Dolog juga meningkat. Pada bulan September stok
diramalkan akan menurun menjadi 10.537.559 kg, bulan Oktober
kembali menurun menjadi 10.156.405 kg, karena produksi juga
menurun. Pada bulan Nopember, Desember dan Januari memasuki
musim paceklik dimana panen padi terus menurun dan produksi
menurun sehingga bulan Januari 2006 diperkirakan stok turun menjadi
9.656.506 kg.

35000000

30000000

25000000
Stok (Kg)

20000000

15000000

10000000

5000000

0
7

5
7

5
r- 9

r- 9

r- 9

r- 0

r- 0

r- 0

r- 0

r- 0

r- 0
-9

-9

-9

-0

-0

-0

-0

-0

-0
ct

ct

ct

ct

ct

ct

ct

ct

ct
Ap

Ap

Ap

Ap

Ap

Ap

Ap

Ap

Ap
O

O
Aktual Dugaan

Gambar 4. Plot antara nilai aktual dan dugaan stok setara beras di
Sub Dolog.

KESIMPULAN DAN SARAN

1. Salah satu alternatif untuk menduga total stok gabah/beras di
penggilingan adalah dengan model regresi berganda. Model regresi
merupakan model umum artinya satu model dapat menduga stok di
seluruh kecamatan. Sebagai peubah bebas adalah produksi padi di
wilayah kecamatan beberapa bulan yang lalu. Pemilihan produksi
padi sebagai peubah bebas karena datanya mudah diperoleh.
Model stok setara beras di penggilingan bulan Agustus untuk
Kabupaten Subang ternyata dipengaruhi oleh produksi bulan Juli,
Mei, April dan Maret.
2. Stok Beras bulanan di Bulog dapat diduga dengan menggunakan
model ARIMA. Penggunaan model ARIMA cocok untuk menduga
stok karena tersedia data stok beras series bulanan. Berdasarkan
analisis model, model stok beras di Sub Dolog Kabupaten Subang
adalah dengan menggunakan model transformasi logaritma ARIMA
(2,0,2) tanpa pengaruh musiman.

Informatika Pertanian Volume 19 No. 1, 2010 17

 DAFTAR PUSTAKA

Badan Bimas Ketahanan Pangan dan BPS. 2003. Metodologi

Perhitungan Cadangan Pangan Beras Masyarakat. Deptan –
BPS. Jakarta.
Cryer, JD. 1991. Time Series Analysis. PWS – KENT Publishing
Company. Boston.
Montgomery, D.C. L.A. Johnson & J.S. Gardiner. 1990. Forecasting and
Time Series Analysis. Mc-Graw Hill, Singapore.
Myers, Raymond. 1994. Classical And Modern Regression with
Applications. PWS – KENT Publishing Company. Boston.
Netter, John. William Wasserman. Michael Kutner. 1990. Applied Linier
Statistical Models. Richard D Irwin, Inc, Illinois.
Ryan,T.P. 1997. Modern Regression Methods. John Wiley & Sons, INC.
New York,USA.
Scheaffer, Richard L. Elementary Survey Sampling. PWS – KENT
Publishing Company. Boston.
Sugianto, Tjahjadi. Pantjar Simatupang. Moeljarno Djojomartono. 1989.
Faktor-faktor yang Mempengaruhi dan Sistem Pengendalian
Stok Beras di Masyarakat. BPS. Jakarta.
 

18 Alternatif Model Pendugaan Stok Gabah/Beras