Professional Documents
Culture Documents
1.hafidz - Vol19 1 10
1.hafidz - Vol19 1 10
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.
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.
Suplai (S)
Pembelian t (X10)
∑X ik ( t )
waktu t adalah: SG k ( t ) = i =1
i=1,2,3,…..,n
n
k=1,2,3,.......,18.
dimana :
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
SUMBER DATA
Data yang digunakan dalam penelitian ini ada dua sumber yaitu :
a. Data Primer : untuk menyusun model regresi stok padi/beras di
penggilingan.
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)
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.
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
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
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
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.