ANALISIS PERAMALAN PENAWARAN DAN PERMINTAAN KEDELAI PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO

perpustakaan.uns.ac.id

digilib.uns.ac.id

ANALISIS PERAMALAN PENAWARAN DAN PERMINTAAN KEDELAI PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO

TESIS Untuk Memenuhi Sebagian Persyaratan Mencapai Derajad Magister Program Studi Magister Agribisnis Minat Utama: Ekonomi Pertanian

Disusun Oleh: Tri Rahayu Setyowati S 640809010

PROGRAM STUDI MAGISTER AGRIBISNIS PROGRAM PASCASARJANA UNIVERSITAS SEBELAS MARET SURAKARTA commit to user

2011 i


digilib.uns.ac.id

commit to user

ii


digilib.uns.ac.id

commit to user

iii


digilib.uns.ac.id

PERNYATAAN

Nama

: Tri Rahayu Setyowati

NIM

: S 640809010

Program Studi

: Magister Agribisnis

Konsentrasi

: Ekonomi Pertanian

Menyatakan dengan sesungguhnya bahwa tesis yang berjudul “Analisis Peramalan Penawaran dan Permintaan Kedelai Pada Era Otonomi Daerah di Kabupaten Sukoharjo” adalah benar-benar karya saya sendiri. Hal-hal yang bukan karya saya, dalam tesis ini diberi tanda citasi dan ditunjukkan dalam daftar pustaka. Apabila di kemudian hari terbukti pernyataan saya ini tidak benar, maka saya bersedia menerima sanksi akademik berupa pencabutan tesis dan gelar yang saya peroleh atas tesis tersebut.

Surakarta, 3 Agustus 2011 Yang menyatakan,

Tri Rahayu Setyowati

commit to user

iv


digilib.uns.ac.id

KATA PENGANTAR

Puji syukur ke hadirat Tuhan Yang Maha Esa yang telah memberikan berkat, kasih, dan anugerah-NYA, sehingga Penulis dapat menyelesaikan tesis yang berjudul “Analisis Peramalan Penawaran dan Permintaan Kedelai Pada Era Otonomi Daerah di Kabupaten Sukoharjo” ini dengan baik. Penulis menyadari bahwa selama penulisan dan penyusunan tesis ini tidak terlepas dari arahan, bimbingan, dukungan, dan bantuan dari berbagai pihak. Untuk itu dengan segala kerendahan hati, Penulis mengucapkan terima kasih kepada : 1. Prof. Drs. Suranto, M.Sc., Ph.D, selaku Direktur Program Pascasarjana Universitas Sebelas Maret Surakarta. 2. Prof. Dr. Ir. Endang Siti Rahayu, MS, selaku Ketua Program Studi Magister Agribisnis Universitas Sebelas Maret Surakarta dan juga sebagai penguji yang banyak memberikan masukan, saran, dan motivasi dalam penulisan tesis ini. 3. Dr. Ir. Kusnandar, M.Si, selaku Sekretaris Program Studi Magister Agribisnis Universitas Sebelas Maret Surakarta dan juga sebagai penguji yang telah banyak memberikan saran dan masukan dalam penyusunan tesis ini. 4. Prof. Dr. Ir. Darsono, M.Si selaku pembimbing utama yang telah memberikan inspirasi, bimbingan, nasehat, motivasi, arahan dan masukan yang sangat berharga selama proses penulisan tesis ini.

commit to user

v


digilib.uns.ac.id

5. Dr. Ir. Sri Marwanti, MS, selaku pembimbing pendamping yang telah memberikan bimbingan, nasehat, arahan dan masukan yang sangat berharga selama proses penulisan Tesis ini. 6.

Seluruh Dosen Pengampu Magister Agribisnis, atas ilmu yang selama ini diberikan kepada penulis dan bantuannya selama masa perkuliahan penulis di Program Pascasarjana Universitas Sebelas Maret Surakarta.

7.

Staff administrasi Program Studi Magister Agribisnis Program Pascasarjana Universitas Sebelas Maret Surakarta yang telah memberikan banyak bantuan dalam hal administrasi selama perkuliahan dan selama penyusunan tesis ini.

8. Kepala Kantor Bappeda Kabupaten Sukoharjo beserta staff yang telah memberikan ijin penelitian kepada Penulis. 9. Badan Ketahanan Pangan, Badan Pusat Statistik, dan Dinas Pertanian Kabupaten Sukoharjo yang telah memberikan banyak informasi dan data-data penting serta bantuan kepada Penulis. 10. Kedua orang tuaku (Sutrisno dan Sumirah) terima kasih atas segala kasih sayang, dukungan, semangat, doa, dan kesempatan yang diberikan sehingga Penulis dapat menyelesaikan tesis ini. 11. Mas Antok (Alm), yang sudah memberikan kenangan indah semasa hidup. 12. Mbak Erna Kristyaningsih dan Mas Johanes Bambang Nugroho, serta keponakanku si kembar (Nikanor Hosea Kristyonugroho dan Nikolaus Yoel Kristyonugroho) atas segala dukungan dan doanya. 13. Danang Mahendra untuk motivasi, dukungan, dan doanya. commit to user

vi


digilib.uns.ac.id

14. Keluarga Besar Magister Agribisnis Angkatan 2009 (Sasono Kurniadi, Farid Sunarto, Endang Tien, Suratno, Sutopo, Candra Sukmana, Putriesti Mandasari, Eka Dewi Nurjayanti, Umi Nur Solikah, Tria Rosana Dewi, dan Irma Wardhani). Terima kasih atas kebersamaan selama ini. 15. Semua pihak yang tidak dapat Penulis sebutkan satu persatu, terimakasih atas semua bantuannya. Penulis menyadari bahwa tesis ini masih jauh dari sempurna. Oleh karena itu, Penulis mengharapkan saran dan kritik yang berguna dalam perbaikan dan penyempurnaan tesis ini. Akhirnya, Penulis berharap semoga tesis ini dapat bermanfaat bagi semua pihak.

Surakarta, 3 Agustus 2011

Penulis

commit to user

vii


digilib.uns.ac.id

DAFTAR ISI

Halaman HALAMAN JUDUL .....................................................................................

i

HALAMAN PERSETUJUAN .....................................................................

ii

HALAMAN PENGESAHAN .......................................................................

iii

HALAMAN PERNYATAAN.......................................................................

iv

KATA PENGANTAR ...................................................................................

v

DAFTAR ISI ..................................................................................................

viii

DAFTAR TABEL .........................................................................................

xi

DAFTAR GAMBAR .....................................................................................

xiii

DAFTAR LAMPIRAN .................................................................................

xiv

RINGKASAN ................................................................................................

xv

SUMMARY ...................................................................................................

xvi

I.

II.

PENDAHULUAN ................................................................................

1

A. Latar Belakang................................................................................

1

B. Perumusan Masalah ........................................................................

9

C. Tujuan Penelitian ............................................................................

11

D. Kegunaan Penelitian .......................................................................

11

LANDASAN TEORI ...........................................................................

12

A. Tinjauan Pustaka ............................................................................

12

1. Kedelai

................................................................................

12

2. Penawaran

..........................................................................

15

3. Permintaan

.......................................................................... commit to user

17

viii


digilib.uns.ac.id

4. Otonomi Daerah ......................................................................

20

5. Regresi Atas Variabel Dummy ................................................

22

6. Model Persamaan Simultan .....................................................

26

7. Peramalan

..........................................................................

28

8. Analisis Deret Berkala (Time Series) ......................................

30

9. Metode Box-Jenkins (ARIMA) ...............................................

33

B. Penelitian Terdahulu .......................................................................

39

1. Analisis Penawaran dan Permintaan ........................................

39

2. Analisis Peramalan Penawaran dan Permintaan dengan Metode ARIMA .......................................................................

43

C. Kerangka Teori Pendekatan Masalah .............................................

46

D. Pembatasan Masalah ......................................................................

51

E. Definisi Operasional Variabel ........................................................

51

III. METODE PENELITIAN....................................................................

54

A. Metode Dasar Penelitian.................................................................

54

B. Metode Pengambilan Daerah Penelitian ........................................

54

C. Jenis dan Sumber Data ..................................................................

55

D. Metode Analisis Data ....................................................................

55

1. Identifikasi Data .......................................................................

55

2. Estimasi Parameter ..................................................................

57

3. Uji Diagnostik .........................................................................

59

4. Uji Variabel Dummy ...............................................................

60

5. Model Persamaan Simultan .....................................................

61

6. Peramalan ................................................................................

63

7. Uji Kelayakan Model ...............................................................

63

IV. KEADAAN UMUM DAERAH PENELITIAN ................................

68

A. Keadaan Geografis ..........................................................................

68

B. Keadaan Wilayah.............................................................................

69

commit to user

ix


V.

digilib.uns.ac.id

C. Keadaan Penduduk ..........................................................................

69

D. Keadaan Usahatani ..........................................................................

73

E.

Keadaan Sarana Perekonomian .......................................................

76

F.

Keadaan Perindustrian ....................................................................

77

HASIL PENELITIAN DAN PEMBAHASAN ..................................

79

A. Hasil Penelitian ................................................................................

79

1. Dinamika Penawaran dan Permintaan Kedelai .......................

79

2. Hasil Peramalan Penawaran dan Permintaan Kedelai .............

84

a. Identifikasi Data ..................................................................

84

b. Estimasi

..........................................................................

89

c. Pemeriksaan Diagnostik Model ..........................................

99

d. Uji Variabel Dummy........................................................... 102 e. Model ARIMA Terbaik Dengan Variabel Dummy ............ 104 f. Model Persamaan Simultan ................................................ 110 g. Peramalan Penawaran dan Permintaan Kedelai .................. 116 B. Pembahasan ..................................................................................... 119 VI. KESIMPULAN DAN SARAN ..........................................................

125

A. Kesimpulan .....................................................................................

125

B. Saran…. ..........................................................................................

127

DAFTAR PUSTAKA LAMPIRAN

commit to user

x


digilib.uns.ac.id

DAFTAR TABEL

Nomor

Judul

Halaman

1.

Komposisi Biji Kedelai Kering (per 100 gram) ...................................

1

2.

Produksi Kedelai di Kabupaten Sukoharjo Tahun 2007-2009.............

6

3.

Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 2007-2009 ............................................................................................

7

4.

Jumlah dan Pertumbuhan Penduduk Kabupaten Sukoharjo 2009 .......

70

5.

Keadaan Penduduk Kabupaten Sukoharjo Menurut Jenis Kelamin Tahun 2009 ..........................................................................................

6.

Keadaan Penduduk Kabupaten Sukoharjo Menurut Umur Tahun 2009 ......................................................................................................

7.

71

72

Perkembangan Produksi Tanaman Bahan Makanan Menurut Jenisnya di Kabupaten Sukoharjo Tahun 2006-2009 ..........................

74

8.

Jumlah Pasar Tiap Kecamatan di Kabupaten Sukoharjo Tahun 2009 .

76

9.

Banyaknya Unit Usaha Industri Besar, Sedang, dan Kecil di Kabupaten Sukoharjo Tahun 2009.......................................................

10.

Dinamika Penawaran Kedelai di Kabupaten Sukoharjo Tahun 19852010 ......................................................................................................

11.

77

80

Dinamika Permintaan Kedelai di Kabupaten Sukoharjo Tahun 19852010 ......................................................................................................

83

12.

Hasil Uji Augmented Dickey-Fulller Penawaran Kedelai ...................

86

13.

Hasil Uji Augmented Dickey-Fulller Permintaan Kedelai ..................

88

14.

Correlogram Data Penawaran Kedelai Tahun 1985 – 2010 Dengan Tingkat Diferensiasi Orde 1 ................................................................. commit to user

xi

91


15.

digilib.uns.ac.id

Hasil Estimasi Parameter Model Tentatif Penawaran Kedelai ARIMA (1,1,2) di Kabupaten Sukoharjo .............................................

16.

Correlogram Data Permintaan Kedelai Tahun 1985–2010 Dengan Tingkat Diferensiasi Orde 2 .................................................................

17.

95

Hasil Estimasi Parameter Model Tentatif Permintaan Kedelai ARIMA (2,2,3) di Kabupaten Sukoharjo .............................................

18.

92

96

Perbandingan Uji Diagnostik Beberapa Model ARIMA Penawaran Kedelai di Kabupaten Sukoharjo ......................................................... 100

19.

Perbandingan Uji Diagnostik Beberapa Model ARIMA Permintaan Kedelai di Kabupaten Sukoharjo ......................................................... 101

20.

Perbandingan Hasil Uji Chow’s Breakpoint Test ................................ 102

21.

Hasil Analisis Pengujian Model Terbaik ARIMA (1,1,2) untuk Penawaran Kedelai di Kabupaten Sukoharjo Dengan Penambahan Variabel Dummy .................................................................................. 104

22.

Hasil Analisis Pengujian Model Terbaik ARIMA (2,2,3) untuk Permintaan Kedelai di Kabupaten Sukoharjo Dengan Penambahan Variabel Dummy .................................................................................. 107

23.

Hasil

Analisis

Model

Persamaan

Simultan

Penawaran

dan

Permintaan Kedelai di Kabupaten Sukoharjo ...................................... 112 24.

Hasil Peramalan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 2011 - 2015.............................................................. 117

commit to user

xii


digilib.uns.ac.id

DAFTAR GAMBAR

Nomor

Judul

Halaman

1.

Kurva penawaran .................................................................................

16

2.

Kurva Permintaan ................................................................................

19

3.

Skema Kerangka Teori Pendekatan Masalah Analisis Peramalan Penawaran dan Permintaan Kedelai Pada Era Otonomi Daerah di Kabupaten Sukoharjo ...........................................................................

4.

Plot Data Time Series Penawaran Kedelai di Kabupaten Sukoharjo Tahun 1985-2010 .................................................................................

5.

85

Plot Data Time Series Permintaan Kedelai di Kabupaten Sukoharjo Tahun 1985-2010 .................................................................................

6.

50

87

Peramalan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 2011-2015................................................................ 117

commit to user

xiii


digilib.uns.ac.id

DAFTAR LAMPIRAN

Nomor 1.

Judul

Halaman

Perkembangan Luas Panen, Produktivitas dan Produksi Kedelai di Jawa Tengah Tahun 2008 .................................................................... 133

2.

Perkembangan Luas Panen, Produktivitas dan Produksi Kedelai di Kabupaten Sukoharjo Tahun 1985 - 2010 ........................................... 134

3.

Perhitungan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Dengan Konversi NBM Tahun 2008 .................................. 135

4.

Data Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 1985-2010 ................................................................................. 136

5.

Uji Stasioneritas Data Penawaran Kedelai di Kabupaten Sukoharjo ... 137

6.

Uji Stasioneritas Data Permintaan Kedelai di Kabupaten Sukoharjo .. 138

7.

Correlogram Data Penawaran Kedelai di Kabupaten Sukoharjo ......... 139

8.

Correlogram Data Permintaan Kedelai di Kabupaten Sukoharjo ........ 142

9.

Perbandingan Model ARIMA Penawaran Kedelai di Kabupaten Sukoharjo ............................................................................................. 145

10. Perbandingan Model ARIMA Permintaan Kedelai di Kabupaten Sukoharjo ............................................................................................. 159 11. Uji Chow Breakpoint Test Variabel Dummy ...................................... 174 12. Model Arima Terbaik Penawaran dan Permintaan Kedelai dengan Penambahan Variabel Dummy ............................................................ 175 13. Model Persamaan Simultan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo ........................................................................... 177 14. Peramalan Penawaran dan Permintaan Kedelai di Kabupaten commit to user Sukoharjo Tahun 2011-2015................................................................ 178 xiv


digilib.uns.ac.id

RINGKASAN

Tri Rahayu Setyowati. S 640809010. “Analisis Peramalan Penawaran dan Permintaan Kedelai Pada Era Otonomi Daerah di Kabupaten Sukoharjo”. Tesis dengan Pembimbing Prof. Dr. Ir. Darsono, M.Si dan Dr. Ir Sri Marwanti, MS. Program Studi Agribisnis, Program Pascasarjana, Universitas Sebelas Maret Surakarta. Penelitian ini bertujuan untuk mengetahui dinamika penawaran dan permintaan kedelai pada era sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo, serta meramalkan penawaran dan permintaan kedelai di Kabupaten Sukoharjo tahun 2011–2015 Metode dasar yang digunakan dalam penelitian ini adalah metode deskriptif analitis. Sedangkan metode pengambilan lokasi penelitian adalah secara sengaja (Purposive), yaitu di Kabupaten Sukoharjo. Data yang digunakan dalam penelitian ini adalah data time series penawaran dan permintaan kedelai tahunan dengan rentang waktu selama 26 tahun (1985-2010). Dinamika penawaran kedelai di Kabupaten Sukoharjo tahun 1985-2010 secara keseluruhan berfluktuatif dan cenderung mengalami penurunan dari tahun ke tahun. Dinamika permintaan kedelai di Kabupaten Sukoharjo tahun 1985-2010 mempunyai pola linier yang selalu meningkat dari tahun ke tahun. Model ARIMA (1,1,2) adalah model terbaik untuk penawaran kedelai di Kabupaten Sukoharjo. Model ARIMA (2,2,3) adalah model terbaik untuk permintaan kedelai di Kabupaten Sukoharjo. Hasil pengujian Chow’s Breakpoint Test menunjukkan bahwa periode tahun 2001 memberikan pengaruh structural break dalam data series tersebut. Persamaan simultan yang paling optimal diperoleh dari model penawaran ARIMA (1,1,3) dan model permintaan ARIMA (2,2,3), yang bermakna bahwa penawaran dan permintaan kedelai di Kabupaten Sukoharjo relatif responsif terhadap shock policy, dan menunjukkan hasil bahwa otonomi daerah berpengaruh secara nyata terhadap penawaran dan permintaan di Kabupaten Sukoharjo. Hasil peramalan penawaran kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 cenderung mengalami penurunan dari tahun ke tahun, sedangkan hasil peramalan permintaan kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 mengalami peningkatan secara linier dari tahun ke tahun, sehingga terjadi gap antara penawaran dan permintaan kedelai di Kabupaten Sukoharjo tahun 20112015, dimana terjadi defisit kedelai di Kabupaten Sukoharjo.

Kata kunci: Penawaran, Permintaan, Kedelai, Otonomi Daerah, ARIMA commit to user

xv


digilib.uns.ac.id

SUMMARY

Tri Rahayu Setyowati. S 640809010. “Forecasting Analysis of Soy Bean Supply and Demand at Era of Regional Autonomy in Sukoharjo Regency”. Thesis with counsellor Prof. Dr. Ir. Darsono, M.Si and Dr. Ir Sri Marwanti, MS. Agribussines Study Program, Sebelas Maret University Surakarta. This research aims to know dynamics of soy bean supply and demand at era before and after execution of regional autonomy in Sukoharjo Regency, and also to forecast supply and demand of soy bean in Sukoharjo Regency on year 20112015. The basic method of this research is descriptive analysis method. Meanwhile the election of research location used the purposive method, which is Sukoharjo Regency. The data used in this research was annual time series data of supply and demand soy bean with 26 years interval (1985-2010). Dynamics supply of soy bean in Sukoharjo Regency on year 1985-2010 as a whole always changing and tending of decreasing. Dynamics demand of soy bean in Sukoharjo Regency on year 1985-2010 having linear pattern which always increasing. Models ARIMA (1,1,2) is the best models for the supply of soy bean in Sukoharjo Regency. Models ARIMA (2,2,3) is the best model for the demand of soy bean in Sukoharjo Regency. Result of Chow's Breakpoint Test indicate that period of year 2001 giving influence of structural break on data of series. The most optimal of simultan equation obtained from supply models of ARIMA (1,1,3) and demand model of ARIMA (2,2,3). It means that supply and demand of soy bean in Sukoharjo Regency responsive relative to shock policy, and the simultan equation show that regional autonomy have an actually effect on supply and demand of soy bean in Sukoharjo Regency. Forecasting of soy bean supply in Sukoharjo Regency on the year 20112015 tending of decreasing from year to year, while the forecasting of soy bean demand in Sukoharjo Regency on the year 2011-2015 always increase linearly from year to year. It shows there is gap between supply and demand of soy bean in Sukoharjo Regency on year 2011-2015, that happened deficit of soy bean in Sukoharjo Regency.

Keywords : Supply, Demand, Soycommit Bean, Regional to user Autonomy, ARIMA.

xvi

1 digilib.uns.ac.id


I. PENDAHULUAN

A. Latar Belakang Kedelai dengan nama latin Glycine max (kedelai kuning) merupakan sumber protein nabati utama bagi sebagian besar penduduk Indonesia. Kedelai merupakan tumbuhan serbaguna karena akarnya memiliki bintil pengikat nitrogen bebas. (Komalasari, 2008). Kedelai mempunyai peranan yang sangat penting bagi masyarakat Indonesia terutama di Pulau Jawa, ini dapat dilihat dari adanya kenyataan bahwa sebagian besar masyarakat tidak dapat melepaskan diri dari bahan makanan yang berbahan baku kedelai. Sebagai makanan, kedelai sangat berkhasiat bagi pertumbuhan dan menjaga kondisi sel-sel tubuh. Kedelai banyak mengandung unsur dan zat-zat makanan. Adapun komposisi biji kedelai kering adalah sebagai berikut : Tabel 1. Komposisi Biji Kedelai Kering (per 100 gram) Komponen Kalori (kkal) Protein (gram) Lemak (gram) Karbohidrat (gram) Kalsium (mg) Fosfor (mg) Besi (mg) Vitamin A (SI) Vitamin B1 (mg) Air (gram)

Jumlah 331,0 34,9 18,1 34,8 227,0 585,0 8,0 110,0 1,1 7,5

Sumber : Cahyadi (2007 : 6) commit to user 1


2 digilib.uns.ac.id

Rusastra (1992) dalam Sahara dan Gunawati (2005) melaporkan bahwa secara potensial komoditas kedelai menempati peringkat pertama diantara komoditas palawija lainnya dalam pengembangan diversifikasi pertanian dengan berbagai pertimbangan, yaitu: (1) rendahnya biaya produksi, (2) menguntungkan petani karena harga aktual sekitar dua kali harga dasar, (3) tingginya tingkat kebutuhan dan ketergantungan impor yang besar, dan (4) kedelai memiliki ragam kegunaan yang cukup luas untuk konsumsi langsung maupun sebagai bahan baku industri pangan dan pakan. Kedelai merupakan salah satu bahan pangan olahan yang siap dikonsumsi oleh masyarakat. Kesadaran masyarakat akan pentingnya kesehatan dan dengan bertambahnya jumlah penduduk menyebabkan meningkatnya daya beli masyarakat akan produk yang bernilai gizi tinggi sehingga permintaan kedelai diperkirakan akan terus meningkat pada tahuntahun yang akan datang (Sahara, 2005). Pada tahun 2008, di Indonesia sempat mengalami kelangkaan kedelai, yang diakibatkan karena terus menurunnya produksi kedelai dalam negeri, selain itu suplai kedelai impor juga menurun, sehingga mengakibatkan harga kedelai mengalami kenaikan. Kenaikan harga kedelai di pasar global lebih banyak dipengaruhi oleh berkurangnya stok kedelai negara-negara eksportir utama dunia, terutama USA yang selama ini menguasai 50 persen lebih pasar kedelai dunia. Saat ini Indonesia masih menjadi negara pengimpor kedelai, rata-rata setiap tahun mencapai 1,1 juta ton biji kedelai, dan 1,3 juta ton bungkil kedelai, sementara Indonesia commit tosendiri user memiliki potensi dan peluang


3 digilib.uns.ac.id

pengembangan kedelai cukup besar. Oleh karena itu, produksi kedelai di dalam negeri harus ditingkatkan secara terus menerus dan berkelanjutan. Dengan adanya perkembangan usaha pertanian kedelai yang menunjukkan kegairahan, diperkirakan tahun 2011 Indonesia tidak lagi mengimpor kedelai, dan minimal sudah bisa memenuhi kebutuhan dalam negeri sekitar 90 persen (Harian Umum Pelita, 2010). Muchtadi (2010) mengungkapkan bahwa produksi kedelai di Indonesia pada tahun 1992 merupakan puncaknya yaitu mencapai 1,86 juta ton. Tetapi sejak tahun 1993 produksinya terus menurun. Misalnya, pada tahun 2003 hanya 671.000 ton, hal ini disebabkan gairah petani untuk menanam kedelai menurun dipicu oleh masuknya kedelai impor dengan harga murah. Saat itu bea masuk impor kedelai adalah nol persen. Produksi kedelai pada tahun 2004 hingga 2006 sempat meningkat. Namun pergerakannya sangat lambat, tahun 2004 hanya 723.483 ton, tahun 2005 sebanyak 808.353 ton, dan tahun 2006 hanya mencapai 746.611 ton. Bahkan pada tahun 2007 kembali menurun menjadi sekitar 608.000 ton. Sejalan dengan pertambahan penduduk maka permintaan akan kedelai semakin meningkat. Pada tahun 1998 konsumsi per kapita baru 9 kg/tahun, kini naik menjadi 10 kg/kapita/tahun. Dengan konsumsi per kapita rata-rata 10 kg/tahun maka dengan jumlah penduduk 220 juta dibutuhkan sekitar 2 juta ton lebih kedelai per tahun (Muchtadi, 2010). Permintaan kedelai menunjukkan kenaikan yang cukup besar seiring commit todan user dengan pertambahan jumlah penduduk pendapatan masyarakat. Namun, di

4 digilib.uns.ac.id


sisi lain kemampuan memproduksi kedelai di dalam negeri belum mampu mencukupi kenaikan permintaan tersebut. Meningkatkan produksi kedelai di dalam negeri merupakan upaya mutlak yang harus dilakukan untuk mengurangi ketergantungan pada impor

yang sangat besar. Aspek

swasembada kedelai lebih dititikberatkan pada pengurangan volume impor setiap tahun. Untuk jangka panjang, swasembada dapat dicapai apabila program peningkatan produksi dapat dilaksanakan dengan komitmen dan kerja keras yang berkesinambungan (Adisarwanto, 2010). Sejak era orde baru sampai era reformasi dan era otonomi daerah, pemerintah telah mengeluarkan banyak program pengembangan kedelai dengan tujuan yang sama yaitu meningkatkan produksi kedelai. Pada era orde baru, kebijakan pengembangan kedelai ditempuh melalui: (1) kebijakan harga yang berorientasi pada produsen; (2) pengembangan paket teknologi; (3) subsidi sarana produksi; dan (4) pengendalian impor dan perdagangan dalam negeri. Dalam era reformasi sampai era otonomi daerah, kebijakan pengembangan kedelai terus dilanjutkan melalui berbagai program yang berorientasi peningkatan produksi seperti Gema Palagung dan Program Aksi (Proksi) Mantap (Atmanroja, 2009). Program peningkatan produksi kedelai diarahkan untuk dapat memenuhi kebutuhan kedelai nasional yang cenderung mengalami peningkatan sejalan dengan

peningkatan

penduduk

dan

pendapatan

masyarakat

serta

meningkatnya pengetahuan masyarakat terhadap kandungan gizi beberapa produk makanan yang berbahan baku to kedelai commit user (Sahara, 2005).


5 digilib.uns.ac.id

Sebelum krisis moneter (tahun 1998), impor kedelai masih dikendalikan Bulog sebagai importir tunggal. Namun setelah krisis moneter, tataniaga kedelai dibebaskan sehingga importir umum bebas mengimpor kedelai. Tahun 2005 bea masuk impor kedelai dikenakan 10%, meskipun WTO mengizinkan hingga 27%, untuk melindungi konsumen industri berbahan baku kedelai (Departemen Pertanian, 2008). Di pihak lain, pemerintah juga harus melakukan proteksi seperti penetapan tarif bea masuk impor kedelai yang memadai. Rachman (1996) dalam (Ariani, 2005) mengemukakan bahwa selama tahun 1979-1996, harga kedelai domestik selalu lebih mahal dibandingkan dengan harga kedelai nondomestik dengan tingkat perbedaan antara 63-157 persen. Kebijakan pemerintah yang tidak menetapkan tarif impor kedelai perlu ditinjau kembali untuk memberikan insentif kepada petani kedelai untuk terus berproduksi. Kurangnya perhatian pemerintah terhadap kedelai menyebabkan kedelai menjadi suatu komoditas yang seakan-akan dibiarkan. Hal tersebut dikarenakan pemerintah kurang dalam pembuatan kebijakan yang terkait dengan kedelai, yang berbeda dengan beras dimana kebijakan perberasan diatur oleh pemerintah. Dengan diberlakukannya Undang-Undang No. 22 Tahun 1999 dan Undang-Undang No. 25 Tahun 2000, Indonesia mulai menerapkan sistem otonomi daerah. Kemudian Undang-Undang tersebut diperbaharui dengan dikeluarkannya Undang-Undang No. 32 Tahun 2004. Sejak ditetapkannya commit to user Undang-Undang tersebut, sudah banyak langkah dan kegiatan yang dilakukan

6 digilib.uns.ac.id


oleh pemerintah pusat maupun pemerintah daerah agar penyelenggaraan otonomi daerah dapat terlaksana dengan baik (Widjaja, 2007). Dengan adanya otonomi daerah maka pemerintah daerah secara proaktif harus berperan dalam menangani persoalan di bidang penyediaan pangan, termasuk kedelai yang terjadi di daerahnya. Ketersediaan pasokan kedelai di pasar tidak terlepas dari dukungan pemerintah daerah terutama pada teknis produksi, sarana dan prasarana usahatani, penanganan pasca panen, serta berbagai kebijakan mikro dan makro yang terkait dengan kedelai. Kabupaten Sukoharjo merupakan salah satu daerah yang melaksanakan otonomi daerah, dimana urusan penyediaan pangan termasuk kedelai menjadi tanggung

jawab

pemerintah

daerah

setempat.

Kabupaten

Sukoharjo

merupakan salah satu penghasil kedelai di Jawa Tengah dan produktivitas kedelai di Kabupaten Sukoharjo menempati urutan ketiga di Propinsi Jawa Tengah (dapat dilihat pada lampiran 1). Perkembangan produksi kedelai di Kabupaten Sukoharjo dapat dilihat pada Tabel 2 berikut. Tabel 2. Luas Panen, Produktivitas, dan Produksi Kedelai di Kabupaten Sukoharjo Tahun 2007-2010 Tahun 2007 2008 2009 2010

Luas Panen (Ha) 4.251 3.905 3.996 3.642

Produktivitas (Ku/Ha) 21,61 21,99 23,13 24,00

Produksi (Ton) 9.187 8.586 9.243 8.742

Sumber : Badan Pusat Statistik Kabupaten Sukoharjo Pada tabel 2. di atas dapat dilihat bahwa luas panen untuk kedelai commit Pada to usertahun 2007, luas panen kedelai cenderung mengalami penurunan.

7 digilib.uns.ac.id


sebesar 4.251 Ha, namun dari tahun ke tahun mengalami penurunan, dan pada tahun 2010 luas panen kedelai menurun menjadi 3.642 Ha. Tabel 2 di atas menunjukkan bahwa produksi kedelai di Kabupaten Sukoharjo tahun 20072010 mengalami fluktuasi. Namun, produktivitas kedelai selalu mengalami peningkatan dari tahun 2007 yang hanya 21,61 ku/ha menjadi 24,00 ku/ha pada tahun 2010. Produksi kedelai pada tabel 2 di atas merupakan produksi kotor kedelai dalam bentuk ose kering yang dihasilkan di Kabupaten Sukoharjo. Untuk memperoleh data permintaan dan penawaran kedelai di Kabupaten Sukoharjo maka perlu dilakukan perhitungan yang dikonversikan dengan acuan Neraca Bahan Makanan (NBM) Tahun 2008. Data penawaran kedelai adalah sebesar 94,5% dari produksi kotor kedelai yang dihasilkan di Kabupaten Sukoharjo. Dengan acuan NBM Tahun 2008, konsumsi kedelai di Kabupaten Sukoharjo adalah 10,1 kg/kapita/tahun. Untuk memperoleh data permintaan harus diketahui lebih dahulu jumlah penduduk Kabupaten Sukoharjo. Setelah itu dengan mengalikan antara konsumsi kedelai dan jumlah penduduk maka akan diperoleh data permintaan kedelai di Kabupaten Sukoharjo. Tabel 3. Penawaran, Permintaan dan Surplus Kedelai di Kabupaten Sukoharjo Tahun 2007-2010 Tahun 2007 2008 2009 2010

Penawaran (Ton) 8.681,72 8.113,77 8.734,64 8.261,19

Permintaan (Ton) 8.399,29 8.456,52 8.515,58 8.575,06

Sumber : Badan Ketahanan Pangan, 2010 commit to user

Surplus(Ton) 282,42 -342,75 219,05 -313,87


8 digilib.uns.ac.id

Dengan adanya pertambahan penduduk maka permintaan kedelai juga akan semakin meningkat. Hal itu dapat dilihat pada tabel 3 di atas bahwa terjadi disekuilibrium antara penawaran dan permintaan kedelai di Kabupaten Sukoharjo. Pada tahun 2010, Kabupaten Sukoharjo mengalami over demand kedelai sebesar 313,87 ton. Hal tersebut dikarenakan kenaikan jumlah penduduk dan menurunnya gairah petani dalam menanam kedelai sehingga produksi kedelai yang dihasilkan tidak bisa memenuhi permintaan masyarakat di Kabupaten Sukoharjo. Dengan semakin meningkatnya permintaan kedelai di masyarakat sehingga perlu dilakukan upaya peningkatan produksi agar suplai kedelai bisa mengatasi permasalahan over demand. Salah satu cara yang bisa dilakukan yaitu dengan meramalkan jumlah penawaran dan permintaan kedelai. Dengan melakukan peramalan maka bisa memprediksi bagaimana penawaran dan permintaan kedelai di masa mendatang. Dalam penelitian ini akan menggunakan metode peramalan ARIMA. ARIMA (Autoregressive Integrated Moving Average) adalah metode peramalan yang merupakan bagian utama dari analisis time series. Dalam metode ARIMA ini hanya menggunakan lagged variable. Menurut Jarret (1991) dalam Kuncoro (2000), metode ARIMA memiliki berberapa keunggulan dibanding dengan metode lainnya, yaitu disusun dengan logis dan secara statistik akurat; memasukkan banyak informasi dari data historis; dan menghasilkan kenaikan akurasi peramalan, serta pada waktu yang sama menjaga jumlah parameter commit seminimal mungkin. Tahapan dalam proses to user

9 digilib.uns.ac.id


ARIMA terdiri dari empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan diagnostik, dan peramalan. Dengan adanya fenomena ekonomi yang bergerak berupa kebijakan otonomi daerah yang diterapkan di Kabupaten Sukoharjo, maka penting untuk mengetahui bagaimana dinamika penawaran dan permintaan kedelai di Kabupaten Sukoharjo, serta melakukan peramalan penawaran dan permintaan kedelai pada era otonomi daerah sehingga dapat diambil kebijakan yang sesuai dengan hasil peramalan tersebut.

B. Perumusan Masalah Kedelai merupakan salah satu bahan makanan bagi sebagian besar penduduk Asia, termasuk Indonesia. Kedelai mengandung protein 35% bahkan pada varietas unggul kadar proteinnya dapat mencapai 40-43%. Dibandingkan dengan beras, jagung, tepung singkong, kacang hijau, daging, ikan segar, dan telur ayam, kedelai mempunyai kandungan protein yang lebih tinggi, hampir menyamai kadar protein susu skim kering (Maulana, 2007). Produk kedelai yang paling dikenal oleh masyarakat adalah tempe. Indonesia merupakan negara produsen tempe terbesar di dunia dan menjadi pasar kedelai terbesar di Asia. Sebanyak 50% dari konsumsi kedelai Indonesia dilakukan dalam bentuk tempe, 40% dalam bentuk tahu, dan 10% dalam bentuk produk lain (seperti tauco, kecap, dan lain-lain). Konsumsi tempe ratarata per orang per tahun di Indonesia saat ini diduga sekitar 6,45 kg (Komalasari, 2008).

commit to user

10 digilib.uns.ac.id


Sebagai bahan makanan, pemenuhan kebutuhan kedelai mendapat perhatian khusus. Strategi yang tepat dan cepat harus dicanangkan untuk selalu memenuhi kebutuhan akan kedelai. Segala daya upaya harus disiapkan oleh pemerintah pada semua lini terkait secara sinergis untuk mengupayakan stabilitas pemenuhan kebutuhan pokok akan pangan, mulai dari kebijakan pemerintah, kontrol sarana produksi pertanian di pasar, asistensi teknik, teknik estimasi produksi, distribusi panen, sampai pada kontrol harga jual di pasar. Menurut Jawa Tengah Dalam Angka (2009), Kabupaten Sukoharjo merupakan salah satu produsen kedelai di Jawa Tengah. Pada tabel 3 menunjukkan bahwa penawaran dan permintaan kedelai di Kabupaten Sukoharjo mengalami perubahan dari tahun 2007-2010, dimana penawaran dan permintaan kedelai berada dalam ketidakseimbangan (disekuilibrium). Jika terjadi over demand kedelai maka suplai kedelai tidak dapat memenuhi permintaan konsumen di pasar, sehingga menyebabkan harga kedelai di pasar mengalami kenaikan. Jumlah penawaran dan permintaan kedelai dari tahun ke tahun cenderung berfluktuasi. Kondisi tersebut memerlukan adanya peramalan untuk mengetahui perkiraan penawaran dan permintaan pada masa yang akan datang. Oleh karena itu, perlu mengetahui dinamika penawaran dan permintaan kedelai di Kabupaten Sukoharjo pada era otonomi daerah serta peramalannya untuk beberapa tahun ke depan sehingga dapat diambil kebijakan yang sesuai. Berdasarkan uraian di atas maka perumusan masalah yang diambil dalam penelitian ini yaitu:

commit to user



1. Bagaimana dinamika penawaran dan permintaan kedelai pada era sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo ? 2. Bagaimana penawaran dan permintaan kedelai di Kabupaten Sukoharjo tahun 2011–2015?

C. Tujuan Penelitian 1. Mengetahui dinamika penawaran dan permintaan kedelai pada era sebelum dan sesudah pelaksanaan otonomi daerah di Kabupaten Sukoharjo. 2. Menganalisis peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo tahun 2011–2015.

D. Kegunaan Penelitian 1. Bagi peneliti, merupakan salah satu syarat untuk menyelesaikan studi dan memperoleh derajad Magister Agribisnis Program Studi Agribisnis Universitas Sebelas Maret Surakarta. Selain itu, penelitian ini sebagai wahana untuk meningkatkan kemampuan dalam menganalisis suatu peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo. 2. Bagi pemerintah daerah, hasil penelitian ini dapat menjadi sumbangan pemikiran dan bahan pertimbangan dalam menyusun kebijakan yang lebih baik di masa datang, terutama kebijakan pertanian di bidang pangan. 3. Bagi pihak lain yang membutuhkan, diharapkan dapat menjadi bahan pustaka/referensi dan informasi untuk masalah yang sama di masa datang. commit to user



II. LANDASAN TEORI

A. Tinjauan Pustaka 1. Kedelai Kedelai termasuk dalam famili Leguminosae (kacang-kacangan). Klasifikasi lengkap dari kedelai yaitu (Cahyadi, 2007) : Divisi

: Spermatophyta

Sub divisi

: Angiospermae

Kelas

: Dikotiledon

Ordo

: Polypetales

Famili

: Leguminosae

Sub famili

: Papilionoideae

Genus

: Glycine

Spesies

: Glycine max

Kedelai dengan nama latin Glycine max (kedelai kuning); Glycine soja (kedelai hitam) merupakan sumber protein nabati utama bagi sebagian besar penduduk Indonesia. Kedelai merupakan tumbuhan serbaguna. Karena akarnya memiliki bintil pengikat nitrogen bebas, kedelai merupakan tanaman dengan kadar protein tinggi sehingga tanamannya dapat digunakan sebagai pupuk hijau dan pakan ternak. Kedelai terutama dimanfaatkan bijinya. Biji kedelai kaya protein dan lemak serta beberapa bahan gizi penting lain, misalnya vitamin (asam fitat) dan lesitin. Olahan commit to user biji kedelai dapat dibuat menjadi berbagai bentuk seperti tahu (tofu),

12



bermacam-macam saus penyedap (salah satunya kecap, yang aslinya dibuat dari kedelai hitam), tempe, susu kedelai (baik bagi orang yang sensitif laktosa), tepung kedelai, minyak (dari sini dapat dibuat sabun, plastik, kosmetik, tinta, krayon, pelarut, dan biodiesel), serta taosi atau tauco (Komalasari, 2008). Kedelai bersifat unik karena merupakan sumber baik protein (35%) maupun lemak (18%). Protein kedelai yang dikonsumsi secara tradisional atau sebagai ingredient dalam pangan formulasi, telah secara nyata memberikan kontribusi untuk menanggulangi masalah kekurangan protein di sebagian besar negara yang sedang berkembang. Banyak studi klinis maupun epidemiologis yang telah dilakukan selama 35 tahun terakhir ini menunjukkan pentingnya kedelai untuk kesehatan dan pencegahan berbagai macam penyakit. Penelitian-penelian mutakhir membuktikan bahwa kedelai dan produk-produk hasil olahannya mempunyai sifat hipokolesterolemik dan bahkan mungkin antikarsinogenik. Serat yang terkandung dalam kedelai dapat memperbaiki toleransi terhadap glukosa dan respon insulin pada penderita diabetes (Muchtadi, 2010). Menurut Maulana (2007), jenis kedelai berdasarkan warna bijinya dapat dipilah menjadi empat macam, yaitu kedelai kuning, kedelai hitam, kedelai hijau, dan kedelai coklat. Jenis-jenis kedelai tersebut dapat didefinisikan sebagai berikut : a. Kedelai kuning adalah kedelai yang kulit bijinya berwarna kuning, putih atau hijau. Apabila dipotong commit to usermelintang memperlihatkan warna



kuning pada irisan keping bijinya. Kedelai kuning inilah yang biasanya dijadikan tempe. b. Kedelai hitam adalah kedelai yang kulit bijinya berwarna hitam. c. Kedelai hijau adalah kedelai yang kulit bijinya berwarna hijau, apabila dipotong melintang memperlihatkan warna hijau pada irisan keping bijinya. d. Kedelai cokelat adalah kedelai yang kulit bijinya berwarna cokelat. Di kalangan petani, tanaman kedelai masih merupakan tanaman pengisi waktu (sampingan) dari tanaman utama (padi atau jagung), sehingga pembudidayaan belum seoptimal tanaman utama. Perbaikan teknologi seperti; pemilihan benih yang cocok lokasi dan berkualitas serta relatif tahan hama/penyakit, pengapuran dan perbaikan hara perlu dilakukan untuk mencapai peningkatan produktivitas dan efisiensi usahatani kedelai. Hal ini bertujuan agar usaha tani kedelai mampu memberikan daya tarik, motivasi dan insentif bagi petani untuk mengusahainya, dengan menerapkan teknologi budidaya dan pengelolaan sistem produksi yang efektif dan efisien serta dukungan eksternal. Cakupannya seperti ketersediaan sarana dan prasarana produksi, penyediaan fasilitas kredit, kemudahan dan kejelasan pemasaran produk dengan sistem yang lebih efektif dan efisien serta yang terpenting adalah penyuluhan dan pembinaan untuk meningkatkan pengetahuan dan kesiapan petani dalam mengadopsi teknologi terkait dengan budidaya kedelai (Elizabeth dan Valeriana, commit 2006). to user



2. Penawaran Jumlah komoditi yang bersedia ditawarkan oleh produsen tunggal selama periode waktu tertentu adalah fungsi dari atau tergantung pada harga komoditi itu dan biaya produksi untuk produsen tersebut. Agar dapat diperoleh skedul penawaran untuk produsen dan kurva penawaran komoditi, faktor-faktor tertentu yang mempengaruhi biaya produksi harus dipertahankan konstan (cateris paribus). Faktor-faktor ini adalah teknologi, harga input yang diperlukan untuk memproduksi komoditi itu, dan untuk komoditi pertanian yaitu kondisi cuaca dan iklim. Dengan menganggap semua faktor di atas konstan sementara harga komoditi bervariasi, maka diperoleh skedul penawaran dan kurva penawaran seorang produsen. Apabila faktor-faktor yang kita anggap konstan dalam menetapkan skedul penawaran dan kurva penawaran (syarat cateris paribus) berubah, maka seluruh kurva penawaran akan bergeser. Hal ini yang disebut sebagai perubahan atau pergeseran penawaran dan harus dibedakan secara jelas dari perubahan jumlah yang ditawarkan (yang menunjukkan pergerakan sepanjang kurva penawaran yang sama) (Salvatore, 2006). Lebih lanjut, Salvatore (2006) menyatakan bahwa penawaran pasar atau penawaran agregat dari suatu komoditi memberikan jumlah alternatif dari penawaran komoditi dalam periode waktu tertentu pada berbagai harga alternatif oleh semua produsen komoditi tersebut dalam pasar. Penawaran pasar komoditi itu totergantung pada semua faktor yang commit user



menentukan penawaran produsen secara individu dan, seterusnya, pada jumlah produsen dalam pasar. Kurva penawaran (supply curve) menunjukkan jumlah barang yang produsen bersedia menjual dengan harga yang akan diterimanya di pasar dengan mempertahankan setiap faktor yang mempengaruhi jumlah penawaran agar tetap. Kurva penawaran menunjukkan bagaimana jumlah barang yang ditawarkan untuk dijual berubah seiring dengan perubahan harga barang tersebut. Kurva penawaran naik kemiringannya, semakin tinggi harganya, semakin banyak perusahaan mampu dan bersedia memproduksi barang tersebut (Pindyck dan Rubinfeld, 2007).

P (Harga)

P2 P1

Q1

Q2

Q (Jumlah)

Gambar 1. Kurva penawaran

Kurva penawaran memperlihatkan apa yang terjadi dengan kuantitas barang yang ditawarkan ketika harganya berubah, dengan menganggap seluruh faktor penentu lainya konstan. Jika satu dari faktor-faktor tersebut berubah, kurva penawaran akan bergeser (Mankiw, 2000). commit to user



Pada berbagai kasus sederhana, kurva penawaran mengukur berapa banyak barang yang akan disediakan untuk konsumen pada setiap tingkat harga. Sebagai tambahan, definisi dari kurva penawaran adalah untuk setiap tingkat harga, kita menentukan berapa banyak barang yang akan ditawarkan. Jika kita mempunyai sejumlah penawaran individu dari suatu barang, kita dapat menambahkan penawaran individu tersebut untuk membentuk penawaran pasar (Varian, 2003). 3. Permintaan Konsep permintaan mewakili perilaku konsumen secara umum di pasar. Perilaku konsumen dalam hal ini adalah faktor-faktor yang mempengaruhi jumlah permintaan suatu produk oleh konsumen dan bagaimana pengaruh dari perubahan faktor-faktor tersebut terhadap permintaan produk tersebut. Konsep permintaan menjelaskan bahwa permintaan atas suatu produk dipengaruhi oleh bauran pemasaran produk tersebut, bauran pemasaran produk pesaing, pendapatan konsumen, jumlah penduduk, ekspektasi konsumen, dan lain-lain (Herlambang, 2002). Jumlah suatu komoditi yang bersedia dibeli individu selama periode waktu tertentu merupakan fungsi dari atau tergantung pada harga komoditi itu, pendapatan nominal individu, harga komoditi lain, dan cita rasa individu. Berdasarkan harga komoditi tertentu tadi, sementara pendapatan nominal individu, cita rasa dan harga komoditi lain dianggap konstan (asumsi cateris paribus), maka akan diperoleh skedul permintaan individu commit to user untuk komoditi itu. Penggambaran secara grafis skedul permintaan



individu memberi kita kurva permintaan individu tersebut. Jika salah satu dari kondisi cateris paribus berubah, maka seluruh kurva permintaan akan bergeser. Ini disebut sebagai perubahan permintaan, yaitu sebagai lawan dari perubahan jumlah yang diminta, yang merupakan pergerakan sepanjang kurva permintaan yang sama (Salvatore, 2006). Lebih lanjut lagi, Salvatore (2006) menyatakan bahwa permintaan pasar atau permintaan agregat atas suatu komoditi menunjukkan jumlah alternatif dari komoditi yang diminta per periode waktu, pada berbagai harga alternatif, oleh semua individu di dalam pasar. Jadi, permintaan pasar untuk suatu komoditi tergantung pada semua faktor yang menentukan permintaan individu, dan selanjutnya pada jumlah pembeli komoditi tersebut di pasar. Secara geometris, kurva permintaan pasar atas suatu komoditi diperoleh melalui penjumlahan horizontal dari semua kurva permintaan individu atas komoditi itu. Hukum permintaan mempunyai bentuk yang berlereng menurun, artinya apabila harga suatu komoditi naik (dan hal-hal lain tidak berubah), pembeli cenderung membeli lebih sedikit komoditi itu. Demikian pula apabila harga turun, hal-hal lain tetap, maka kuantitas yang diminta meningkat. Kuantitas yang diminta cenderung turun apabila harga naik, dapat dijelaskan oleh dua alasan. Pertama adalah efek substitusi, yaitu apabila harga sebuah barang naik, orang akan menggantikannya dengan barang-barang serupa lainnya (ketika harga daging sapi meningkat, maka orang lebih banyak makan daging commit to ayam). user Alasan kedua mengapa harga



harga yang lebih tinggi mengurangi kuantitas yang diminta adalah efek pendapatan. Ini ikut berpengaruh karena apabila harga naik, orang akan menemukan dirinya agak lebih miskin daripada sebelumnya. Misalnya jikalau harga bahan bakar naik dua kali lipat, maka sebetulnya orang mempunyai pendapatan riil yang lebih sedikit sehingga orang itu benarbenar akan mengekang konsumsinya akan bahan bakar dan barang-barang lain (Samuelson dan Nordhaus, 2001).

P (Harga) P1 P2

Q1

Q2

Q (Jumlah)

Gambar 2. Kurva Permintaan

Hubungan antara harga dan jumlah penjualan jika digambarkan akan membentuk kurva permintaan, yang menunjukkan jumlah total produk yang ingin dan mampu dibeli oleh konsumen pada berbagai tingkat harga yang ditawarkan oleh produsen, dengan mempertahankan faktor-faktor lain konstan (Herlambang, 2002). Pergeseran sepanjang kurva permintaan menunjukkan perubahan jumlah barang yang diminta apabila terjadi perubahan harga, faktor lain dianggap cateris paribus. Sedangkan apabila terjadi perubahan satu commit to user



variabel atau lebih (selain harga) dalam fungsi permintaan produk tertentu akan mengakibatkan terjadinya pergeseran dari suatu kurva permintaan ke kurva permintaan lainnya (Arsyad, 2000). 4. Otonomi Daerah Menurut Widjaja (2004), otonomi daerah adalah kewenangan daerah otonom untuk mengatur dan mengurus kepentingan masyarakat setempat menurut prakarsa sendiri berdasarkan aspirasi masyarakat, sesuai dengan peraturan perundang-undangan. Adapun tujuan yang hendak dicapai dalam otonomi daerah antara lain : menumbuhkembangkan daerah dalam berbagai

bidang,

meningkatkan

pelayanan

kepada

masyarakat,

menumbuhkan kemandirian daerah, dan meningkatkan daya saing daerah dalam proses pertumbuhan. Lebih lanjut, Widjaja (2004) mengemukakan inti dari konsep pelaksanaan otonomi daerah adalah upaya memaksimalkan hasil yang akan dicapai sekaligus menghindari kerumitan dan hal-hal yang menghambat pelaksanaan otonomi daerah. Pembangunan daerah sebagai bagian integral dari pembangunan nasional tidak bisa dilepaskan dari prinsip otonomi daerah. Sebagai daerah otonom, daerah mempunyai kewenangan

dan

tanggung

jawab

menyelenggarakan

kepentingan

masyarakat berdasarkan prinsip keterbukaan, partisipasi masyarakat dan pertanggungjawaban kepada masyarakat. Tujuan utama otonomi daerah adalah meningkatkan pelayanan dan commit to user kesejahteraan masyarakat. Ukuran keberhasilan otonomi daerah adalah



terwujudnya kehidupan yang lebih baik dan lebih adil dalam memperoleh penghasilan/pendapatan, terlindungnya dari segala gangguan, dan tercipta rasa aman, serta lingkungan yang lebih nyaman. Salah satu aspek penting otonomi daerah adalah pemberdayaan masyarakat sehingga mereka dapat berpartisipasi dalam proses perencanaan, pelaksanaan, dan pengawasan serta memberikan pelayanan kepada publik (Widjaja, 2007). Pembentukan daerah otonom yang serentak merupakan kelahiran status otonomi yang didasarkan atas aspirasi dan kondisi objektif dari masyarakat di daerah/wilayah tertentu sebagai bagian dari bangsa dan wilayah

nasional

Indonesia.

Aspirasi

tersebut

terwujud

dengan

diselenggarakannya desentralisasi menjelma menjadi daerah otonom. Oleh karena itu, otonomi daerah adalah sebagai kesatuan masyarakat hukum yang berwenang mengatur dan mengurus kepentingan masyarakat setempat menurut prakarsa sendiri berdasarkan aspirasi masyarakat. Dengan

demikian,

desentralisasi

sebenarnya

menjelma

otonomi

masyarakat setempat untuk memecahkan berbagai masalah dan pemberian layanan yang bersifat lokalitas (daearah setempat) demi kesejahteraan masyarakat yang bersangkutan (Widjaja, 2007). Meskipun otonomi daerah telah dilaksanakan secara serentak di seluruh Indonesia, namun sejauh ini masih banyak persoalan yang timbul. Di daerah masih banyak timbul persoalan yang menyangkut penataan birokrasi, ketidakjelasan bidang apa saja yang tidak dapat dilaksanakan kabupaten dan kota, dan commit bagaimana hubungan propinsi dan kabupaten to user



untuk bidang-bidang yang masih dilaksanakan propinsi. Di tengah kompleksitas masalah yang akan dihadapi, otonomi dalam kerangka pemikiran positif tetap dinilai memberikan lebih banyak nilai-nilai positif. Otonomi memungkinkan terlaksananya bottom up planning secara signifikan dan mengikis rantai birokrasi yang dirasakan sangat menghambat pelayanan kepada masyarakat. Otonomi juga akan dapat memberdayakan

partisipasi

masyarakat

yang

lebih

besar

dalam

pelaksanaan pembangunan (Sudantoko, 2003). Widjaja (2007) menyatakan bahwa realisasi otonomi daerah memakan proses yang panjang, dimana dalam menjalankan pemerintahan daerah harus disertai dengan tanggung jawab kepada publik sehingga memenuhi harapan masyarakat di daerah. Berbagai isu implementasi yang muncul harus menjadi perhatian dan perlu dianalisis serta diantisipasi agar implementasi otonomi daerah dapat berjalan dengan baik. Isu yang berkembang antara lain tentang implementasi pemerintahan daerah, perimbangan

keuangan

antara

pemerintahan

pusat

dan

daerah,

kewenangan pemerintahan dan kewenangan propinsi sebagai daerah otonom organisasi perangkat daerah. 5. Regresi Atas Variabel Dummy Analisis regresi tidak saja digunakan untuk data-data kuantitatif (misal : dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif tersebut seringkali commit to user menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga



dikatagorikan variabel bebas (X) dengan klasifikasi pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap harga jual. Pada umumnya, cara yang dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0 disebut variabel dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya (Pusdatin, 2011). Menurut Gujarati (2004), variabel yang mengambil nilai seperti 1 dan 0 disebut variabel dummy, nama lainnya adalah variabel indikator, variabel binary (2 angka), variabel bersifat katagori, variabel kualitatif, dan variabel yang membagi dua (dichotomous). Ciri – ciri dari model regresi variabel dummy yaitu sebagai berikut : (a) jika suatu variable kualitatif mempunyai m kategori, maka hanya dikenalkan m-1 variabel dummy, hal ini untuk menghindari multikolinieritas sempurna;

(b)

penetapan nilai 1 dan 0 untuk dua kategori adalah tanpa suatu dasar (bersifat arbitrary); (c) kelompok, kategori, atau klasifikasi yang diberi nilai nol disebut sebagai kategori dasar, kontrol, perbandingan, atau yang diabaikan, yang merupakan dasar dalam arti bahwa perbandingan dibuat dalam kategori tadi; dan (d) koefisien α1 yang diberikan untuk variabel dummy D disebut koefisien intersep commit to userdiferensial karena koefisien tadi



menyatakan berapa banyak nilai unsur intersep dari kategori yang mendapat nilai 1 berbeda dari koefisien intersep dari kategori dasar. Dalam regresi, kita mengenal istilah variabel dependen (terikat) dan variabel independen (bebas), dimana variabel dependen dipengaruhi oleh variabel independen. Dalam konteks ini, variabel dependen pada dasarnya tidak hanya dapat dipengaruhi oleh variabel independen kuantitatif, tetapi juga dimungkinkan oleh variabel kualitatif. Variabel kualitatif tersebut harus dikuantitatifkan atributnya (cirinya). Untuk mengkuantitatifkan atribut variabel kualitatif, dibentuk variabel dummy dengan nilai 1 dan 0. Nilai 1 menunjukkan adanya, sedangkan nilai 0 menunjukkan tidak adanya ciri kualitas tersebut. Misalnya variabel jenis kelamin. Jika nilai 1 digunakan untuk laki-laki maka nilai 0 menunjukkan bukan laki-laki (perempuan), atau sebaliknya. Jika variabel kualitatif tersebut terdiri lebih dari dua kategori, jumlah variabel dummy yang dibentuk harus sebanyak n-1, dimana n adalah banyaknya kategori variabel tersebut. a. Regresi Atas Satu Variabel Kualitatif (Dua Kategori) Dari data yang diberikan, misalnya meregresikan variabel kualitatif jenis kelamin (sex) terhadap penghasilan, dengan kuantifikasi laki-laki =1 dan perempuan = 0. Model regresi yang kita bentuk : Y = b0 + b1 Ds Dimana : Y : penghasilan Ds : variabel dummy untuk seks commit to user



b. Regresi Atas Satu Variabel Kuantitatif dan Satu Variabel Kualitatif (dua kategori) Dari data yang sudah diberikan, misalnya kita bentuk suatu model regresi : Y = b0 + b1 Ds + b2 Pd + ei Dimana : Ds : dummy jenis kelamin Pd : pendidikan c. Regresi Atas Satu Variabel Kuantitatif dan Satu Variabel Kualitatif (lebih dua kategori), misalnya kita bentuk suatu model regresi : Y = b0 + b1 Dk1 + b2 Dk2 + b3 Pd + ei Dimana : Dk1

: dummy jenis pekerjaan (1 = setengah terampil dan 0 = lainnya)

Dk2

: dummy jenis pekerjaan (1 = terampil dan 0 = lainnya)

Pd

: pendidikan

d. Membandingkan Dua Regresi dengan Variabel Dummy Secara implisit, teknik penggunaan variabel dummy, pada dasarnya mengandung asumsi bahwa variabel kualitatif mempengaruhi intersep tetapi tidak mempengaruhi koefisien kemiringan dari berbagai regresi sub-kelompok. Kita dapat menghindari asumsi ini dengan menggunakan teknik “pooling” (mengelompokkan). (Junaidi, 2008). commit to user



Meskipun merupakan suatu alat yang serba guna, teknik variabel dummy perlu ditangani secara hati-hati. Pertama, jika model regresi berisi suatu unsur konstanta, banyaknya variabel dummy harus lebih kecil dari banyaknya klasifikasi tiap variabel kualitatif. Kedua, koefisien yang diberikan pada variabel dummy selalu harus diinterpretasikan dalam hubungannya dengan kelompok dasar, yaitu kelompok yang mendapat nilai nol. Akhirnya, jika suatu model mempunyai beberapa variabel kualitatif dengan beberapa kelas, pengenalan variabel dummy dapat menghasilkan banyak derajat kebebasan (Gujarati, 2004). 6. Model Persamaan Simultan Suatu ciri unik dari model persamaan simultan adalah bahwa variabel tak bebas dalam satu persamaan mungkin muncul sebagai variabel yang menjelaskan dalam persamaan lain dari sistem. Oleh karena itu, variabel yang menjelaskan tak bebas (dependent exsplanatory variable) menjadi stokastik dan biasanya berkorelasi dengan gangguan dari persamaan

dimana variabel

tadi

muncul

sebagai

variabel

yang

menjelaskan (Johnston, 1984). Gujarati (2003) mengungkapkan bahwa variabel-variabel yang masuk dalam persamaan simultan ada dua jenis : (a) bersifat endogen, yaitu variabel-variabel (yang nilainya) ditetapkan dalam model; dan (b) ditetapkan lebih dulu (predeterminded), yaitu variabel-variabel (yang nilainya) ditetapkan di luar model. Variabel endogen dianggap bersifat commit to user stokastik, sedangkan variabel yang ditetapkan lebih dahulu diperlukan



sebagai non-stokastik. Variabel yang ditetapkan lebih dahulu dibagi dalam dua kategori, yaitu bersifat eksogen (baik saat ini maupun lag) dan yang bersifat endogen lag, yang nilai variabel tersebut tidak ditetapkan oleh model dalam periode saat ini. Metode regresi simultan digunakan untuk mengetahui hubungan antara variabel eksogen (exogenous variable) terhadap variabel endogen (endogenous variable) dalam hubungan yang bersifat simultan (saling berkaitan). Variable eksogen adalah variabel yang tidak dipengaruhi oleh variabel lain yang terdapat dalam model sistem persamaan simultan, sedangkan variabel endogen adalah variabel yang keberadaannya dipengaruhi oleh variabel lain yang terdapat di dalam model sistem persamaan simultan (Kariyasa, 2004). Menurut Gujarati (2004), terdapat tiga jenis model persamaan simultan, yaitu model struktural, model bentuk reduksi (reduced form), dan model rekursif. a. Model struktural adalah model yang menggambarkan struktur hubungan yang lengkap antara berbagai variabel ekonomi. Persamaanpersamaan struktural dari suatu model mengandung variabel endogen, variabel eksogen, dan variabel gangguan. b. Model bentuk reduksi (reduced form) adalah persamaan yang diperoleh

dengan

memecahkan

sistem

persamaan

struktural

sedemikian rupa sehingga dapat dinyatakan bahwa setiap variabel commit to user



endogen dalam model sebagai fungsi hanya dari variabel eksogen atau predetermined variable dalam model. c. Model rekursif. Suatu model disebut rekursif jika persamaan strukturalnya dapat disusun sedemikian rupa sehingga persamaan pertama hanya mengandung variabel-variabel predetermined di sebelah kanan persamaan. Persamaan kedua mengandung variabelvariabel predetermined dan variabel endogen dari persamaan pertama, dan seterusnya. 7. Peramalan Menurut Pindyck dan Rubinfeld (1998), peramalan adalah suatu prediksi tentang nilai dari variabel dependen, yang memberikan informasi terkait variabel penjelas. Seringkali, kita menggunakan model regresi untuk

menghasilkan

peramalan

masa

mendatang,

dimana

kita

memprediksi nilai dari variabel dependen pada seluruh periode waktu atas model yang diestimasi Menurut Herlambang (2002), tujuan peramalan adalah untuk meminimalkan resiko dan ketidakpastian yang mungkin akan dihadapi perusahaan untuk operasi perusahaan dalam jangka pendek maupun untuk perencanaan jangka panjang perusahaan. Kedudukan peramalan menjadi semakin penting karena organisasi bisnis dan lingkungan menjadi semakin kompleks dan berubah dengan tempo yang semakin cepat. Semua organisasi bisnis beroperasi dalam suatu lingkungan yang penuh dengan commit to user resiko dan ketidakpastian. Oleh karena itu, hasil dari peramalan dapat



digunakan oleh manajer sebagai pegangan untuk menentukan masa depan perusahaan. Salah satu permasalahan mendasar yang dihadapi dalam proses perencanaan ekonomi adalah adanya perubahan nilai variabel perencanaan di masa yang akan datang sebagai akibat dari berbagai faktor perubahan atau perkembangan, seperti teknologi, biaya, harga, pasar, ketersediaan sumberdaya, kebijakan pemerintah, dan perubahan sosial. Metode pendekatan untuk memecahkan masalah permasalahan tersebut dalam perencanaan ekonomi disebut metode pendekatan “forecasting atau peramalan” (Soeparno, 2009). Makridakis et al., (1999) menjelaskan bahwa sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa kebutuhan mendatang dengan peristiwa itu sendiri. Adanya tenggang waktu (lead time) ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil maka perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil peristiwa akhir bergantung pada fakta-fakta yang diketahui, maka perencanaan dapat memegang peranan penting. Dalam situasi seperti ini, peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul sehingga tindakan yang tepat dapat dilakukan Secara umum, peramalan dapat dikelompokkan ke dalam peramalan kualitatif dan peramalan kuantitatif. Peramalan kualitatif adalah peramalan commit user yang didasarkan pada intuisi danto pengalaman empiris, sehingga relatif



bersifat subjektif. Untuk situasi yang kompleks, peramalan subjektif sukar dilaksanakan karena keterbatasan otak manusia dalam menganalisis informasi serta hubungan sebab akibat yang mempengaruhi bisnisnya. Jika peramalan kualitatif tersebut dilakukan oleh beberapa orang secara terpisah, maka hasilnya akan bervariasi cukup besar. Sebaliknya, jika dilaksanakan

secara

bersama-sama,

kemungkinan

tidak

diperoleh

kesamaan hasil peramalan, atau orang yang berpengaruh pada kelompok yang menentukan hasilnya (Ma’arif dan Tanjung, 2003). Makridakis et al. (1999) menyebutkan bahwa peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut : a. Tersedianya informasi tentang masa lalu b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data yang unik c. Dapat diasumsikan bahwa beberapa aspek pola data masa lalu akan terus berlanjut di masa yang akan datang. 8. Analisis Deret Berkala (Time Series) Makridakis et al. (1999) menjelaskan bahwa penggunaan metodemetode peramalan umum meliputi dua tugas dasar yaitu analisis deret data dan seleksi model peramalan yang paling cocok dengan deret data tersebut. Kategori utama teknik peramalan deret berkala adalah pemulusan (smoothing) dan dekomposisi (decomposition). Metode pemulusan mendasarkan ramalannya pada prinsip perata-rataan (penghalusan) kesalahan-kesalahan

masa

lalu

dengan

menambahkan

persentase

commit to user kesalahan kepada persentase ramalan sebelumnya. Metode dekomposisi



deret berkala didasarkan pada prinsip “pemecahan” data deret berkala ke dalam masing-masing komponennya yaitu musiman, trend, siklus dan unsur random, dan kemudian dilakukan peramalan terhadap nilai masingmasing

dan

komposisi

tersebut

secara

terpisah

dan

akhirnya

menggabungkan kembali ramalan-ramalan tersebut. Pada suatu persamaan dengan metode deret berkala, variabel bebas persamaan merupakan nilai sebelumnya dari variabel tak bebas. Nilai-nilai ini merupakan nilai-nilai time-lagged dari variabel tak bebas, sehingga digunakan istilah auotoregressive (AR) untuk menjelaskan persamaan tersebut. ώ =

+

1ώ − 1

+

2ώ − 2

+

ώ − …+

Kemudian dilakukan pembobotan terhadap

. . . . . . . . . . . (1) nilai-nilai sebelumnya

sehingga persamaan (1) menjadi bentuk sebagai berikut : ώ =

+

1

−1

+

2

−2

+

−

…+

. . . . . . . . . . . (2)

Keterangan: ώ Y a

= variable terikat pada saat t …Y

= variabel terikat pada saat time lag t – 1 …. t – k = konstanta

b …b

= parameter dari Y

e

= nilai kesalahan pada periode sebelumnya

…e

…Y

= nilai kesalahan pada saat t

commit to user



Pada persamaan (2) secara eksplisit ditetapkan hubungan ketergantungan antara nilai-nilai kesalahan yang berurutan dan persamaan disebut model moving average (MA). Model-model autoregresif (AR) dapat secara efektif digabungkan dengan model moving average (MA) untuk membentuk kelas model yang sangat umum dan berguna dalam model deret berkala yang biasanya dinamakan pola atau proses autoregressive moving average (ARMA) (Makridakis et al., 1999). Tujuan analisis data runtut waktu adalah mempelajari struktur temporal (dinamik) dari data. Analisis runtut waktu, seperti pendekatan Box - Jenkins, mendasarkan analisis pada data runtut waktu yang stasioner (stationary time series). Arti “stasioner” adalah apabila suatu data runtut waktu memiliki rata-rata dan memiliki kecenderungan bergerak menuju rata-rata (Kuncoro, 2000). Makridakis et al., (1999) menyebutkan alat-alat metodologi untuk menganalisis data deret berkala diantaranya adalah: a. Plot data Langkah pertama yang baik untuk menganalisis data deret berkala adalah memplotkan data tersebut secara grafis. Hal ini akan bermanfaat untuk memplot berbagai versi data moving average untuk menetapkan adanya trend (penyimpangan nilai tengah) untuk menghilangkan pengaruh musim pada data (deseasonilize the data).

commit to user



b. Koefisien autokorelasi Statistik kunci di dalam analisis deret berkala adalah koefisien autokorelasi, yaitu korelasi deret berkala dengan deret berkala itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih. c. Distribusi sampling autokorelasi Konsep dari distribusi sampling sangat penting di dalam analisis deret berkala karena dapat memberikan petunjuk untuk menilai koefisien autkorelasi dan bagaimana hubungannya dengan signifikansi. d. Periodogram dan analisis spektral Dilakukan

dengan

menguraikan

data

dalam

himpunan

gelombang sinus (siklus) pada frekuensi yang berbeda-beda. Nilai pengujian kumpulan amplitude dari berbagai gelombang tersebut dapat membantu penentapan unsur random, unsur musiman, dan autokorelasi positif atau negatif dalam deret berkala. e. Koefisien autokorelasi parsial Autokorelasi parsial digunakan utnuk mengukur tingkat keeratan (association) antara

dan

… dan seterusnya sampai autokorelasi berorde

−

, apabila pengruh dari time lag 1, 2, 3, − 1 dianggap terpisah. Koefisien

didefinisikan sebagai koefisien autoregresif

terakhir dari model AR ( ). 9. Metode Box-Jenkins (ARIMA) Terdapat alat peramalan baru yang dikenal dengan metode Boxcommit to user Jenkins atau lebih dikenal dengan metode ARIMA. Metode ini tidak



menekankan pada analisis probabilistik atau stokastik, tetapi lebih kepada kelengkapan data ekonomi deret berkala (time series) dengan filosofi “let the data speak themselves”. Tidak seperti model regresi, dimana Yt dijelaskan oleh k regresi X1, X2, X3, …, Xk. Jenis model time series BoxJenkins mengijinkan Yt dijelaskan oleh masa lalu, atau lag, nilai dari Y itu sendiri dan stochastic error terms. Untuk alasan tersebut, model ARIMA seringkali disebut model atheoretic karena model ini tidak berdasarkan dari berbagai teori ekonomi, dan teori ekonomi seringkali berbentuk model persamaan simutan (Gujarati, 2003). Menurut Hyndman (2001), ARIMA adalah suatu model matematika yang digunakan untuk peramalan. ARIMA merupakan singkatan dari Autoregressive Integrated Moving Average. Setiap kata dari singkatan tersebut menjelaskan suatu bentuk model matematika yang berbeda. ARIMA telah dipelajari secara ekstensif dan merupakan bagian utama dari analisis time series. Model ini dipopulerkan oleh George Box dan Gwilym Jenkins pada awal tahun 1970-an dan sekarang dikenal dengan model Box-Jenkins. Pendekatan ARIMA yang digunakan untuk peramalan adalah berdasarkan pada hal-hal berikut: a. Peramalan berdasarkan pada fungsi linear dari sampel yang diobservasi. b. Tujuannya adalah untuk menemukan model yang paling sederhana yang mampu memberikan diskripsi yang cukup dari data yang diobservasi, kadangkala ini disebut prinsip parsimony. commit to user



Setiap proses ARIMA terdiri dari tiga bagian, yaitu autoregressive (AR), integrated (I), dan moving average (MA). Model ini sering ditulis dalam bentuk pendek ARIMA (p, d, q) dimana p menjelaskan AR, d menjelaskan bentuk integrated, dan q menjelaskan MA. a. Autoregressive (AR) : bagian ini menjelaskan bagaimana setiap observasi adalah suatu fungsi dari p observasi sebelumnya. Sebagai contoh, jika p = 1, maka setiap observasi adalah suatu fungsi hanya dari satu obserasi sebelumnya.

dimana ώ

ώ =

+ ∅1 ώ − 1 +

menunjukkan nilai observasi pada waktu t, ώ − 1

menunjukkan nilai observasi sebelumnya pada waktu t – 1,

menunjukkan beberapa random eror dan c dan ∅1 adalah konstanta. Nilai lain yang diamati dapat dimasukkan pada sisi kanan persamaan jika p > 1: ώ =

+ ∅1 ώ − 1 + ∅2 ώ − 2 + ⋯ + ∅ ώ − +

b. Integrated (I) : bagian ini menentukan apakah nilai observasi dibentuk secara langsung, atau apakah ada perbedaan (differences) antara observasi yang berurutan dengan model. Jika d = 0, observasi dibentuk secara langsung. Jika d = 1, differences dilakukan sekali. Jika d = 2, differences dilakukan dua kali. Dalam prakteknya jarang sekali nilai d lebih dari 2. c. Moving Average (MA) : bagian ini menjelaskan bagaimana setiap commit to user observasi adalah suatu fungsi dari q eror sebelumnya. Sebagai contoh,



jika q = 1, maka setiap observasi adalah suatu fungsi hanya dari satu eror sebelumnya ώ =

+

1

−1

+

menunjukkan random eror pada waktu t dan

−1

menunjukkan

random eror sebelumnya pada waktu t – 1. Eror yang lain dapat dimasukkan pada sisi kanan persamaan jika q > 1. (Hyndman, 2001). Menurut Jarret (1991) dalam Kuncoro (2000), metode Box-Jenkins memiliki berberapa keunggulan dibanding dengan metode lainnya, yaitu: a. metode Box-Jenkins disusun dengan logis dan secara statistik akurat; b. metode ini memasukkan banyak informasi dari data historis; c. metode ini menghasilkan kenaikan akurasi peramalan dan pada waktu yang sama menjaga jumlah parameter seminimal mungkin Menurut Sugiarto dan Harijono (2000) dalam Ratna (2004) metode ARIMA berbeda dengan metode peramalan lain karena metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja dengan baik. Secara teoretis, metode Box-Jenkins merupakan metode yang canggih terutama untuk melakukan peramalan jangka pendek. Akan tetapi secara praktis terdapat beberapa kelemahan diantaranya: a. Jumlah data yang dibutuhkan relatif sangat besar. Untuk data bulanan yang bersifat musiman misalnya, paling tidak dibutuhkan 72 data. commit to user



b. Apabila terdapat data baru yang tersedia, seringkali parameter dari model ini harus diestimasi ulang. Hal tersebut mengindikasikan bahwa adanya revisi total terhadap model yang sudah dibuat. c. Waktu yang dibutuhkan cukup lama untuk mencari model yang tepat. Menurut Gujarati (2003) metode Box-Jenkins terdiri dari empat tahap, yaitu identifikasi, penaksiran parameter, pemeriksaan diagnostik, dan peramalan. a. Identifikasi Aspek-aspek AR dan

MA dari model

ARIMA hanya

berhubungan dengan deret berkala yang stasioner, sedangkan banyak data deret berkala yang bersifat non-stasioner. Suatu data deret berkala dikatakan stasioner apabila data deret berkala tersebut diplot dan kemudian tidak terbukti adanya perubahan nilai tengah dan varian yang jelas dari waktu ke waktu (Makridakis et al., 1999). b. Penaksiran parameter Setelah berhasil menetapkan identifikasi model sementara, selanjutnya menetapkan parameter-parameter AR dan MA, musiman dan tidak musiman harus ditetapkan dengan cara yang terbaik. Menurut Makridakis et al. (1999), terdapat dua cara mendasar untuk mendapatkan parameter-parameter tersebut, yaitu : 1) Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut yang commit to user



meminimumkan jumlah kuadrat nilai sisa (sum of squared residuals). 2) Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif. c. Pemeriksaan diagnostik Makridakis et al. (1999) menyatakan setelah berhasil menaksir nilai-nilai parameter dari model ARIMA yang ditetapkan sementara, selanjutnya

perlu

dilakukan

pemeriksaan

diagnostik

untuk

membuktikan bahwa model tersebut cukup memadai. Terdapat dua cara mendasar untuk melakukannya, yaitu: 1) Mempelajari nilai sisa (residual) untuk melihat apakah masih terdapat beberapa pola yang belum diperhitungkan. 2) Mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan. d. Peramalan Metode ARIMA adalah suatu metode yang popular untuk peramalan karena metode ini dapat mengembangkan struktur matematika dengan baik dari berbagai hal yang mungkin untuk menghitung variasi model khusus seperti memprediksi interval. Ini merupakan suatu hal yang sangat penting dalam peramalan untuk memastikan bahwa mereka mampu meramalkan hal yang tidak pasti agar dapat dikuantitatifkan (Hyndman, commit to user 2001).



B. Penelitian Terdahulu 1. Analisis Penawaran dan Permintaan Dewi Sahara dan Endang Gunawati (2005) melakukan penelitian yang berjudul “Analisis Permintaan Kedelai di Kabupaten Banyumas Jawa Tengah”, dimana hasil analisis regresi diperoleh nilai R2 sebesar 0,8048. Hal ini berarti 80,48% permintaan kedelai dapat dijelaskan oleh variasi variabel independen, yaitu oleh harga kedelai, jumlah penduduk, pendapatan perkapita, harga jagung, dan konsumsi kedelai tahun yang lalu, sedangkan 19,52% permintaan kedelai tidak dapat dijelaskan oleh variasi variabel independen dalam model. Sedangkan variabel independen yang berpengaruh terhadap permintaan kedelai adalah sebagai berikut : a. Variabel harga kedelai memiliki nilai koefisien regresi sebesar –6,3034 yang merupakan pengaruh perubahan harga terhadap permintaan kedelai jangka pendek, sedangkan untuk jangka panjang diperoleh nilai sebesar –3,3415. Angka ini mengandung pengertian bahwa jika harga kedelai meningkat 1% maka permintaan akan menurun 6,3034% untuk jangka pendek dan permintaan menurun 3,3415% untuk jangka panjang. Demikian pula sebaliknya bila harga kedelai menurun, maka permintaan akan meningkat. b. Variabel jumlah penduduk memiliki nilai koefisien regresi sebesar 84,486 yang merupakan pengaruh perubahan jumlah penduduk untuk jangka pendek, sedangkan untuk jangka panjang pengaruh sebesar user pertambahan penduduk 1% maka 44,787. Hal ini berarti commit apabila to terjadi



permintaan kedelai akan meningkat 84,486% untuk jangka pendek dan meningkat 44,787% untuk jangka panjang. Jumlah penduduk mempunyai pengaruh yang positif terhadap permintaan kedelai dan berpengaruh secara nyata pada tingkat kepercayaan 95%. c. Variabel harga jagung mempunyai nilai koefisien regresi sebesar –5,0417 yang merupakan pengaruh jangka pendek dan – 2,6727 untuk jangka panjang. Nilai koefisien yang negatif mencerminkan bahwa permintaan kedelai akan meningkat apabila harga jagung menurun, dan apabila harga jagung meningkat maka permintaan akan kedelai menurun. Penelitian yang dilakukan oleh Kariyasa (2004) yang berjudul “Analisis Penawaran dan Permintaan Daging Sapi di Indonesia Sebelum dan Saat Krisis Ekonomi : Suatu Analisis Proyeksi Swasembada Daging Sapi 2005” bertujuan untuk: (1) menganalisis faktor-faktor yang mempengaruhi produksi daging sapi dalam negeri dan impor, permintaan daging sapi dalam negeri, harga daging sapi impor, harga daging sapi dunia serta harga daging sapi dalam negeri, dan (2) melakukan proyeksi produksi dan permintaan daging sapi selama sepuluh tahun dan dikaitkan dengan program pemerintah yang mencanangkan Indonesia swasembada daging pada tahun 2005. Hasil penelitian menunjukkan bahwa saat krisis ekonomi produksi dan permintaan daging sapi dalam negeri masingmasing 1,3 dan 0,5 kali lebih rendah dibanding sebelum krisis ekonomi. commit to user Lebih lanjut, hasil juga menunjukkan bahwa harga riil daging sapi dalam



negeri saat krisis ekonomi sebenarnya sekitar 3,7 kali lebih rendah dibanding sebelum krisis ekonomi. Hal ini diduga terjadi akibat laju peningkatan inflasi lebih dari 3 kali dibanding laju peningkatan harga nominalnya. Sedangkan hasil proyeksi menunjukkan bahwa dalam sepuluh tahun ke depan ketergantungan Indonesia akan daging sapi impor semakin besar. Hal ini terlihat dimana pada tahun 2000, produksi daging sapi dalam negeri masih mampu memenuhi kebutuhan konsumsi daging dalam negeri sebesar 93% dan sisanya sebesar 7% dari impor, sedangkan pada tahun 2009 diperkirakan proporsi tersebut berubah menjadi 79% berbanding 21%. Apabila kalau dikaitkan dengan program pemerintah yang telah mencanangkan Indonesia untuk swasembada daging pada tahun 2005 tampaknya akan sulit untuk dicapai. Implikasinya adalah agar Indonesia mampu swasembada daging sapi pada tahun 2005, maka pemerintah perlu melakukan upaya khusus yang lebih serius lagi dalam memacu produksi dalam negeri. Upaya khsusus tersebut dapat dilakukan melalui: (1) menyediakan kredit bersubsidi dalam upaya meningkatkan skala pemeliharaan, (2) memberikan kemudahan dalam upaya merangsang investor berinvestasi dalam usaha peternakan sapi potong, (3) perbaikan mutu inseminasi buatan, teknik dan manajemen produksi, serta (4) perbaikan harga daging dalam negeri seperti misalnya melalui penetapan tarif impor yang efektif. commit to user



Penelitian yang dilakukan oleh Sri Nuryanti (2005) yang berjudul “Analisis Keseimbangan Permintaan dan Penawaran Beras di Indonesia” menggunakan

model

keseimbangan

Cobweb

dimana

hasilnya

menunjukkan bahwa dalan jangka pendek dan jangka panjang kenaikan harga beras akan meningkatkan penawaran beras. Pengaruh kenaikan harga pupuk urea dalam jangka pendek akan menurunkan penawaran beras, sementara dalam jangka panjang akan meningkatkan penawaran beras serta menurunkan harga beras. Pengaruh peningkatan pendapatan per kapita dalam jangka pendek akan meningkatkan permintaan beras, dan dalam jangka panjang tidak mengakibatkan perubahan permintaan dan harga beras. Sementara itu peningkatan jumlah penduduk dalam jangka pendek dan jangka panjang akan menyebabkan peningkatan permintaan dan harga beras dengan pengaruh yang lebih besar daripada pengaruh peningkatan pendapatan per kapita terhadap permintaan dan harga beras. Stabilitas keseimbangan sistem penawaran dan permintaan beras dalam jangka pendek keluar dari keseimbangan, namun dalam jangka panjang sistem menuju pada harga keseimbangan dan sistem kembali stabil. Implikasi dari kajian ini adalah bahwa kebijakan harga input (pupuk urea) dan harga output (gabah) tidak menimbulkan gangguan stabilitas pasar, penawaran dan permintaan beras relatif stabil, artinya cukup aman untuk dilaksanakan.

commit to user



2. Analisis Peramalan Penawaran dan Permintaan Dengan Metode ARIMA Nochai dan Titida (2006) dalam penelitiannya yang berjudul “ARIMA Model for Forecasting Oil Palm Price” menggunakan tiga model untuk meramalkan harga minyak yaitu harga petani, harga grosir, dan harga minyak murni untuk periode lima tahun, 2000-2004. Tujuan dari penelitian ini adalah untuk menemukan model ARIMA yang tepat untuk meramalkan ketiga bentuk harga minyak sawit dengan memperhatikan rata-rata persentase error absolut yang minimum (the minimum of mean absolute percentage error – MAPE). Hasil peramalannya adalah sebagai berikut: a. Model ARIMA untuk meramalkan harga minyak sawit di tingkat petani adalah ARIMA (2,1,0) dengan bentuk model ώ = ώ − 1 +

0,4621 ώ − 1 − ώ − 2 − 0,3899 ώ − 2 − ώ − 3 dengan MAPE 13,23%

b. Model ARIMA untuk meramalkan harga minyak sawit di tingkat grosir adalah ARIMA (1,0,1) atau ARMA (1,1) dengan bentuk model ώ = 3,106 + 0,8039 ώ − 1 + 0,3466

−1

dengan MAPE 9,01%.

c. Model ARIMA untuk meramalkan harga minyak sawit murni adalah ARIMA (3,0,0) atau AR (3) dengan bentuk model ώ = 1,8778 + 1,4313 ώ − 1 − 0,8840 ώ − 2 + 0,3781 ώ − 3 dengan MAPE 5,27%.

Penelitian yang dilakukan oleh Ratna Allyne (2004) dengan judul “Peramalan Permintaan Beberapa Komoditi Sayuran Pada PT. Saung commit to user Mirwan, Bogor” bertujuan untuk (1) mengetahui bagaimana pola



permintaan brokoli, kedelai jepang, lettuce head, tomat ceri, dan tomat rianto, dan (2) mengetahui metode peramalan apa yang sesuai untuk peramalan permintaan kelima jenis sayuran tersebut. Penelitian ini menggunakan metode kuantitatif yang terdiri dari metode time series dan kausal (regresi). Metode time series menggunakan data permintaan aktual tahun 2000 – Agustus 2003, sedangkan metode regresi menggunakan data tahun 2000 – Agustus 2003 dengan variabel independen permintaan sebelumnya, harga jual rata-rata dan periode waktu. Peramalan dilakukan pada masing-masing komoditi dengan menggunakan metode kuantitatif terbaik. Hasil penelitian menunjukkan bahwa pola data permintaan pada kelima komoditi sayuran tidak stasioner dimana terdapat unsur trend dan musiman. Metode terbaik berdasarkan nilai MSE terkecil adalah ARIMA, kecuali pada komoditi kedelai jepang. Persamaan permintaan untuk masing-masing komoditi adalah : a. brokoli → ARIMA (2,0,0) ώ = 150,28 + 0,5649ώ − 1 + 0,215ώ − 2 + ;

b. kedelai jepang → dekomposisi multiplikatif ώ = 2348,79 + 0,330530 + ;

c. lettuce head → ARIMA (2,1,1) 1 − 0,7859

+ 0,1383

d. tomat ceri → ARIMA (3,1,1) 1 − 0,5714

(0,9915 ) ;

+ 0,0937

1−

− 0,2035

commit to user

ώ = 2,058 + 1 − (0,9895 ) ; 1−

ώ = − 2,4367 + 1 −



e. tomat rianto → ARIMA (3,0,0) ώ = 296,8 + 0,4884ώ − 1 + 0,1229ώ − 2 + 0,2041ώ − 3 Contreras et al. (2003) melakukan penelitian dengan judul “ARIMA Models to Predict Next-Day Electricity Prices” menggunakan dua model ARIMA untuk meramalkan harga per jam pada penggunaan listrik di Spanyol dan California. Pada model Spanyol perlu lima jam untuk meramalkan harga yang akan datang, sebaliknya pada model California hanya memerlukan dua jam saja. Perbedaan ini mungkin disebabkan oleh perbedaan struktur penawaran dan kepemilikan. Rata-rata error pada pasar Spanyol berkisar antara 10% dengan dan tanpa variabel penjelas, dan berkisar 5% pada periode yang stabil dari pasar California (berkisar 11% selama tiga minggu, dan tanpa variabel penjelas). Di Spanyol, variabel penjelas hanya diperlukan pada bulan dengan korelasi yang tinggi antara produksi hidro yang tersedia dan harga. Sedangkan pada bulan yang lainnya, dampak ini tidak ada. Untuk kedua pasar tersebut, tidak ada error yang layak, diambil dalam jumlah sifat yang kompleks dari harga time series dan hasil sebelumnya dilaporkan dalam literatur teknis, sebagian berasal dari Artificial Neural Networks. Peramalan harga menjadi semakin dibutuhkan oleh produsen dan konsumen pada pasar listrik kompetitif yang baru. Baik untuk penempatan pasar dan kontrak jangka panjang, peramalan harga diperlukan untuk mengembangkan penawaran strategi atau kemampuan negosiasi dengan tujuan untuk memaksimalkan to user metode untuk meramalkan harga keuntungan. Penelitian inicommit menggunakan



listrik harian yaitu dengan metode ARIMA. Teknik ARIMA digunakan untuk menganalisis data time series, dahulu dipakai untuk meramalkan beban penggunaan listrik, dengan tingkat akurasi dan matematika yang baik.

C. Kerangka Teori Pendekatan Masalah Kabupaten Sukoharjo merupakan salah satu daerah yang melaksanakan otonomi daerah. Dengan adanya fenomena ekonomi berupa pelaksanaan otonomi daerah di Kabupaten Sukoharjo akan mempengaruhi perubahan penawaran dan permintaan kedelai di Kabupaten Sukoharjo karena pemerintah daerah yang memiliki wewenang untuk menentukan kebijakan terkait urusan di daerahnya. Jika jumlah kedelai yang ditawarkan di pasar hanya sedikit maka tidak dapat memenuhi permintaan kedelai di pasar, yang akan mengakibatkan ketidakseimbangan (disekuilibrium) antara penawaran dan permintaan kedelai yang ditransaksikan di pasar. Dinamika penawaran dan permintaan kedelai dari tahun ke tahun cenderung berfluktuasi. Kondisi tersebut memerlukan adanya peramalan untuk mengetahui perkiraan penawaran dan permintaan kedelai di Kabupaten Sukoharjo pada masa yang akan datang sehingga pemerintah daerah bisa menentukan kebijakan yang sesuai terkait dengan hasil peramalan tersebut Metode yang digunakan untuk peramalan permintaan dan pernawaran kedelai di Kabupaten Sukoharjo adalah metode ARIMA (metode Boxcommit to user Jenkins). Dalam melakukan analisis peramalan permintaan dan penawaran



kedelai di Kabupaten Sukoharjo dengan metode ARIMA menggunakan data time series dari permintaan dan penawaran kedelai selama runtun waktu 26 tahun, mulai dari tahun 1985 sampai tahun 2010. Setiap proses ARIMA terdiri dari tiga bagian, yaitu autoregressive (AR), integrated (I), dan moving average (MA). Model ini sering ditulis dalam bentuk pendek ARIMA (p, d, q) dimana p menjelaskan AR, d menjelaskan bentuk integrated dan q menjelaskan MA. Adapun tahapan yang dilakukan dalam penelitian ini yaitu: a. Identifikasi Kegiatan yang dilakukan adalah memplotkan data asli untuk mengetahui perilaku pola data kemudian melihat kestasioneran data. Untuk menguji apakah data atau variabel yang dianalisis dalam penelitian ini stasioner atau tidak stasioner maka dilakukan uji stasioneritas dengan uji akar-akar unit yaitu uji Augmented Dickey-Fuller. Untuk mengetahui apakah hasil dari uji stasioneritas menunjukkan suatu data stasioner atau tidak stasioner, maka harus dibandingkan dengan nilai kritis pada tingkat signifikansi yang digunakan. Apabila nilai ADF test statistic lebih besar daripada nilai kritis (critical value) maka data series tersebut stasioner, dan sebaliknya. Untuk menghilangkan ketidakstasioneran dalam data time series dapat melalui metode pembedaan (differencing). Pencapaian stasioneritas diperoleh dengan melakukan pembedaan berturut-turut sampai nilai autokorelasi mendekati nol di dalam dua atau tiga time lag. commit to user



b. Estimasi parameter Setelah proses identifikasi selesai maka selanjutnya dilakukan estimasi parameter yaitu dengan menentukan nilai Autoregressive (AR) dan Moving Average (MA). Autoregressive (AR) menjelaskan bagaimana setiap observasi adalah suatu fungsi dari p observasi sebelumnya. Untuk estimasi model dari Autoregressive (AR) dapat dilihat dari pola partial autokorelasi (PAC), Sedangkan untuk menentukan model MA yang digunakan dapat dilihat dari koefisien autokorelasi (AC). Pola ACF dan PACF tersebut dapat dilihat pada correlogram dari hasil pengolahan data dengan menggunakan software Eviews versi 5.1. Setelah model AR dan MA diestimasi maka digunakan sebagai model ARIMA tentatif. Selanjutnya dilakukan estimasi parameter dari model tentatif melalui proses iterasi untuk mengetahui nilai R2, nilai F-statistik, uji signifikansi tiap parameter, dan nilai RMSE. c. Pemeriksaan diagnostik Setelah berhasil menaksir nilai-nilai parameter dari model tentatif ARIMA yang ditetapkan sementara, selanjutnya dilakukan pemeriksaan diagnostik untuk membuktikan bahwa model tersebut cukup memadai. Kriteria kecukupan yang akan digunakan dalam penelitian ini yaitu nilai R2 tinggi, nilai F-statistik tinggi dan probabilistik (F-statistik) signifikan, signifikansi parameter dalam model, dan nilai RMSE rendah. Selain itu merumuskan beberapa alternatif bentuk model ARIMA yang lain, kemudian dibandingkan dengan model tentatif yang sudah ditentukan commit to user



sebelumnya. Model ARIMA yang paling memenuhi kriteria yang akan digunakan sebagai model terbaik untuk melakukan peramalan. d. Uji Variabel Dummy Uji variabel dummy merupakan uji stabilitas dengan menggunakan uji titik patah Chow (Chow’s Breakpoint Test) yang dilakukan untuk mengetahui structural break dari data series. Variabel dummy digunakan untuk mengetahui pengaruh pelaksanaan otonomi daerah terhadap permintaan dan penawaran kedelai di Kabupaten Sukoharjo. Variabel dummy dalam penelitian ini akan membedakan periode sebelum dan setelah pelaksanaan otonomi daerah di Kabupaten Sukoharjo. e. Model Persamaan Simultan Setelah memperoleh model ARIMA terbaik untuk penawaran dan permintaan kedelai, serta adanya penambahan variabel dummy, maka pada kedua model tersebut disimultankan pada kondisi keseimbangan pasar. Untuk melakukan pendugaan koefisien regresi pada model persamaan simultan penawaran dan permintaan kedelai di Kabupaten Sukoharjo akan diolah dengan piranti lunak (software) Eviews versi 5.1. f. Peramalan Model

persamaan

simultan

yang

diperoleh

pada

kondisi

keseimbangan pasar ini kemudian digunakan untuk peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo untuk tahun 2011-2015.

commit to user



Adapun kerangka teori pendekatan masalah yang digunakan dalam penelitian ini adalah agai berikut. Kebijakan Penawaran kedelai tahun sebelumnya Dinamika penawaran: - Luas panen - Harga kedelai - Sarana produksi (benih, pupuk, pestisida) - Cuaca/iklim - Curah hujan - Hama dan penyakit

Permintaan kedelai tahun sebelumnya

Otonomi Daerah

Penawaran kedelai

Permintaan kedelai

Plot data Stasioner

-

Dinamika permintaan: Jumlah penduduk Harga kedelai Pendapatan Selera Budaya makan

Tidak stasioner Differencing Stasioner

Perumusan Model Tentatif Penawaran dan Permintaan Kedelai Estimasi Parameter Pemeriksaan Diagnostik

Tidak Uji Chow Breakpoint Test

Ya Model ARIMA Terbaik Permintaan dan Penawaran Kedelai Model Persamaan Simultan Peramalan Permintaan dan Penawaran Kedelai

commit to user Gambar 3. Skema Kerangka Teori Pendekatan Masalah Analisis Peramalan Penawaran dan Permintaan Kedelai Pada Era Otonomi Daerah di Kabupaten Sukoharjo



D. Pembatasan Masalah 1. Data yang digunakan dalam penelitian ini adalah data time series tahunan, berupa data penawaran dan permintaan kedelai di Kabupaten Sukoharjo selama 26 tahun, yaitu mulai tahun 1985 sampai tahun 2010. 2. Kedelai dimaksud dalam penelitian ini berupa kedelai ose kering yang ditransaksikan dalam pasar di Kabupaten Sukoharjo. 3. Penawaran kedelai yang dimaksud adalah jumlah produksi bersih kedelai yang dihasilkan dan ditransaksikan di Kabupaten Sukoharjo secara agregat. 4. Permintaan kedelai yang dimaksud adalah jumlah produksi bersih kedelai yang dibutuhkan oleh masyarakat di Kabupaten Sukoharjo secara agregat. 5. Peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo dilakukan selama periode tahun 2011-2015.

E. Definisi Operasional dan Pengukuran Variabel 1. Kedelai adalah salah satu bahan pangan yang berkhasiat bagi berkhasiat bagi pertumbuhan dan menjaga kondisi sel-sel tubuh karena banyak mengandung unsur dan zat-zat makanan, terutama kandungan protein yang tinggi. Kedelai yang dimaksud dalam penelitian ini berupa kedelai ose kering yang ditransaksikan dalam pasar di Kabupaten Sukoharjo. 2. Penawaran kedelai adalah jumlah produksi bersih kedelai yang dihasilkan dan ditransaksikan di Kabupaten Sukoharjo. Berdasarkan faktor konversi Neraca Bahan Makanan (NBM) Tahun 2008, penawaran kedelai sebesar commit to user 94,5% dari produksi kotor kedelai, sedangkan penyusutan sebesar 5,5%



(1,9% digunakan sebagai benih dan 3,6% tercecer). Penawaran kedelai dinyatakan dalam satuan ton/tahun. 3. Permintaan kedelai adalah jumlah kedelai yang dibutuhkan oleh masyarakat di Kabupaten Sukoharjo. Berdasarkan faktor konversi Neraca Bahan Makanan (NBM) Tahun 2008, permintaan kedelai diperoleh dengan mengalikan angka konsumsi kedelai (10,10 kg/kapita/tahun) dan jumlah penduduk di Kabupaten Sukoharjo. Permintaan kedelai dinyatakan dalam satuan ton/tahun. 4. Peramalan penawaran dan permintaan kedelai adalah jumlah produksi bersih kedelai yang ditawarkan dan yang dibutuhkan oleh masyarakat Kabupaten Sukoharjo di masa yang akan datang, yang dnyatakan dalam satuan ton/tahun. 5. Data time series adalah rangkaian data yang diamati pada interval ruang waktu yang sama, data digunakan adalah data tahunan penawaran dan permintaan kedelai selama kurun waktu 26 tahun, yaitu tahun 1985-2010. 6. Autoregressive (AR) adalah suatu bentuk regresi yang menghubungkan nilai-nilai sebelumnya (past value) variabel itu sendiri pada time lag (selang waktu) yang berbeda-beda. Jadi suatu model Autoregressive akan menyatakan suatu ramalan sebagai fungsi nilai-nilai sebelumnya dari deret berkala tertentu. 7. Differencing adalah suatu proses untuk menstasionerkan deret berkala yang tidak stasioner, dilakukan dengan membuat perbedaan pertama deret commit to user



berkala tersebut. Jika perbedaan pertama tidak menstasionerkan data, maka dapat dilakukan perbedaan dengan orde kedua. 8. Integrated adalah merupakan bagian model-model deret berkala (I dalam model ARIMA) di mana satu atau lebih perbedaan-perbedaan deret berkala tercakup dalam model. 9. Moving Average (MA) adalah nilai deret berkala pada waktu t dipengaruhi oleh unsur kesalahan pada saat ini dan (mungkin) unsur kesalahan terbobot pada masa lalu. 10. Autoregressive Integrated Moving Average (ARIMA) adalah suatu model matematika yang digunakan untuk peramalan, yang berkenaan dengan suatu kelompok luas model-model deret berkala (time series model). Model ini sering ditulis dalam bentuk pendek ARIMA (p, d, q) dimana p menjelaskan AR, d menjelaskan bentuk integrated dan q menjelaskan MA. 11. Variabel dummy adalah variabel yang mengambil nilai seperti 1 dan 0. Dalam penelitian ini variabel dummy akan membedakan periode sebelum dan setelah pelaksanaan otonomi daerah di Kabupaten Sukoharjo. Penetapan nilai dummy akan dilakukan dengan menggunakan uji titik patah Chow (Chow’s Breakpoint Test). 12. Model persamaan simultan adalah suatu persamaan dimana variabel tak bebas dalam satu persamaan mungkin muncul sebagai variabel yang menjelaskan dalam persamaan lain dari sistem.

commit to user



III. METODE PENELITIAN

A. Metode Dasar Penelitian Metode dasar yang digunakan dalam penelitian ini adalah metode deskriptif analitis. Penelitian deskriptif analitis adalah jenis penelitian yang memberikan gambaran atau uraian atas suatu kejadian sejelas mungkin tanpa ada perlakuan terhadap obyek yang diteliti. Data-data yang dikumpulkan mula-mula disusun, dijelaskan, kemudian dianalisis. Metode penelitian deskriptif memiliki ciri-ciri sebagai berikut: (1) berhubungan dengan keadaan yang terjadi saat itu; (2) menguraikan satu variabel saja atau beberapa variabel namun diuraikan satu-persatu; dan (3) variabel yang diteliti tidak dimanipulasi atau tidak ada perlakuan (treatment) (Kountur, 2005).

B. Metode Pengambilan Daerah Penelitian Metode pengambilan daerah penelitian dilakukan secara purposive (sengaja), yaitu pengambilan daerah sampel yang diambil secara sengaja berdasarkan pertimbangan-pertimbangan tertentu sesuai dengan tujuan penelitian (Singarimbun dan Effendi, 1997). Daerah penelitian yang diambil adalah Kabupaten Sukoharjo dengan pertimbangan bahwa Kabupaten Sukoharjo memiliki jumlah produksi dan produktivitas kedelai yang tinggi (dapat dilihat pada lampiran 2). Menurut Jawa Tengah Dalam Angka (2009), Kabupaten Sukoharjo mempunyai luas panen 3.905 Ha dengan produksi 6.405 Ku dan produktivitas 16,40 Ku/Ha. commit to user

54



Apabila dibandingkan dengan kabupaten-kabupaten lain di propinsi Jawa Tengah (dapat dilihat pada lampiran 1), produktivitas kedelai Kabupaten Sukoharjo menempati urutan ketiga setelah Kabupaten Brebes (17,44 Ku/Ha) dan Kabupaten Grobogan (17,09 Ku/Ha). Selain itu, produktivitas kedelai di Kabupaten Sukoharjo dari tahun ke tahun juga mengalami peningkatan (dapat dilihat pada tabel 2), dimana produktivitas kedelai dari tahun 2007-2010 selalu mengalami kenaikan. Pada tahun 2010, produktivitas kedelai naik menjadi 24,00 Ku/Ha.

C. Jenis dan Sumber Data Jenis data yang digunakan adalah data sekunder. Menurut Sarwono (2006), data sekunder adalah data atau informasi yang tidak didapat secara langsung dari sumber pertama (responden) karena data yang sudah tersedia sehingga kita tinggal mencari dan mengumpulkannya. Data sekunder yang digunakan dalam penelitian ini diperoleh dari Badan Pusat Statistik (BPS) Kabupaten Sukoharjo berupa data produksi kotor kedelai, dan dari Badan Ketahanan Pangan Kabupaten Sukoharjo berupa data penawaran dan permintaan kedelai. Dalam penelitian ini mengambil data time series tahunan dengan kurun waktu 26 tahun, yaitu dari tahun 1985-2010.

D. Metode Analisis Data 1. Identifikasi Data Pada tahap identifikasi, kegiatan yang dilakukan adalah memplotkan commit to user data asli untuk mengetahui perilaku pola data kemudian melihat



kestasioneran data. Yuliadi (2009) mengungkapkan bahwa suatu data atau variabel disebut stasioner jika nilai rata-rata (mean) dan varians konstan selama periode pengamatan. Dengan asumsi stasioneritas maka mampu menterjemahkan data dan model ekonomi secara baik karena data yang stasioner tidak terlalu bervariasi dan cenderung mendekati nilai rataratanya. Sebaliknya pada data yang tidak stasioner akan dipengaruhi oleh waktu dan cenderung menyimpang dari nilai rata-ratanya, dan selanjutnya dapat menyebabkan terjadinya regresi lancung (spurious regression). Untuk menguji apakah data atau variabel yang dianalisis dalam penelitian ini stasioner atau tidak stasioner maka dilakukan uji stasioneritas dengan uji akar-akar unit yaitu uji Augmented Dickey-Fuller. Pada uji akar-akar unit (unit roots test) ini pada prinsipnya untuk mengamati apakah koefisien tertentu dari model autokorelasi yang ditaksir mempunyai nilai satu atau tidak. Uji stasioneritas yang dikembangkan oleh Dickey-Fuller (1981) adalah sebagai berikut :

Ύ. = m + m

. +

Ύ. = ආ + ආ

+ ආ

Ύ. . +

ർ

Ύ.

Dimana : DXt

= Xt – Xt-1

BXt = Xt-1 T

= Trend waktu

commit to user



Xt

= Variabel yang diamati pada periode t

B

= Operasi kelambanan Untuk melihat stasioneritas suatu data dengan uji Augmented

Dickey-Fuller (ADF) dilakukan dengan membandingkan nilai t-statistik dari variabel-variabel penelitian dengan nilai kritis ADF dalam suatu tabel. Selanjutnya untuk mengetahui apakah hasil dari uji stasioneritas menunjukkan suatu data stasioner atau tidak stasioner, maka harus dibandingkan dengan nilai kritis pada tingkat signifikansi yang digunakan. Apabila nilai ADF test statistic lebih besar daripada nilai kritis (critical value) maka data series tersebut stasioner, dan demikian juga sebaliknya. Untuk menghilangkan ketidakstasioneran dalam data time series dapat melalui metode pembedaan (differencing). Pencapaian stasioneritas diperoleh dengan melakukan pembedaan berturut-turut sampai nilai autokorelasi mendekati nol di dalam dua atau tiga time lag. 2. Estimasi Parameter Setelah proses identifikasi selesai maka selanjutnya dilakukan estimasi parameter yaitu dengan menentukan nilai Autoregressive (AR) dan Moving Average (MA). Autoregressive (AR) menjelaskan bagaimana setiap observasi adalah suatu fungsi dari p observasi sebelumnya. Sebagai contoh, jika p = 1, maka setiap observasi adalah suatu fungsi hanya dari satu

observasi

sebelumnya.

Moving

Average (MA) menjelaskan

bagaimana setiap observasi adalah suatu fungsi dari q eror sebelumnya. commit to user Sebagai contoh, jika q = 1, maka setiap observasi adalah suatu fungsi



hanya dari satu error sebelumnya. Untuk estimasi model dari Autoregressive (AR) dapat dilihat dari pola partial autokorelasi (PAC), Sedangkan untuk menentukan model MA yang digunakan dapat dilihat dari koefisien autokorelasi (AC). ACF atau fungsi autokorelasi merupakan suatu hubungan linear pada data time series antara Zt dengan Zt+k yang dipisahkan oleh waktu k. ACF ini dapat digunakan untuk mengidentifikasi model time series dan melihat kestasioneran data dalam mean. Rumus dari ACF adalah sebagai berikut (Wei, 2006 dalam Sukma, 2010) :

dan kovarians antara

ú

dengan Var ( Ƽ ) = Var ú ú

ආ+Ė

=

ú

Ėm

dan

Ƽ

= ආ+Ė

Ƽ+ ú

=

Ƽ+ ú Ƽ,

Ƽ,

Ƽ− ú

Ėm

Ƽ

Ƽ+ ú

=

ú

0

adalah

Ƽ+ ú

= n

Ƽ

−

Ƽ+ ú

−

0

= fungsi autocovarian = autocorrelation function (ACF) Sedangkan fungsi autokorelasi yang dihitung berdasarkan sampel

data dapat dirumuskan sebagai berikut: ú =

ú ∑0− Ƽ= 1

Ƽ

−

∑0Ƽ= 1

Ƽ

commit to user

−

Ƽ+ ú − 2



Sedangkan fungsi autokorelasi parsial merupakan korelasi antara Zt dengan Zt+k setelah Zt dijelaskan oleh Zt-1, Zt-2,…., Zt-k+1. Fungsi autokorelasi parsial menurut Wei (2006) dalam Sukma (2010) dirumuskan sebagai berikut:

ú

=

ආ+Ė

−

Ƽ

Ėm

Ƽ

Ƽ ), ( Ƽ− ú

Ėm

−

Ƽ+ ú

Ƽ− ú

Dalam pengamatan time series. Sampel PACF dinotasikan dengan úú

dengan perhitungan :

ú+ 1,ú+ 1

dan

ú+ 1,

=

ú

−

=

ú+ 1

ú+ 1,ú+ 1 ú,ú+ 1−

− ∑ú= 1

1− ,

ú ú+ 1− ú ∑ =1 ú

= 1,2, … , ú

Pola ACF dan PACF tersebut dapat dilihat pada correlogram dari hasil pengolahan data dengan menggunakan software Eviews versi 5.1. Setelah model AR dan MA diestimasi maka digunakan sebagai model ARIMA tentatif. Selanjutnya dilakukan estimasi parameter dari model tentatif melalui proses iterasi untuk mengetahui nilai R2, nilai F-statistik, uji signifikansi tiap parameter, dan nilai RMSE (Root of Mean Squared Error). 3. Uji Diagnostik Setelah berhasil menaksir nilai-nilai parameter dari model tentatif ARIMA yang ditetapkan sementara, selanjutnya dilakukan pemeriksaan diagnostik untuk membuktikan bahwa model tersebut cukup memadai. commit to user



Kriteria kecukupan yang akan digunakan dalam penelitian ini yaitu nilai R2 tinggi, nilai F-statistik tinggi dan probabilistik (F-statistik) signifikan, signifikansi parameter dalam model, dan nilai RMSE (Root of Mean Squared Error) rendah. Pada tahap ini juga merumuskan beberapa alternatif bentuk model ARIMA yang lain, kemudian alternatif model ARIMA tersebut dibandingkan dengan model tentatif yang sudah ditentukan sebelumnya. Model ARIMA yang paling memenuhi kriteria yang akan digunakan sebagai model terbaik untuk melakukan peramalan. 4. Uji Variabel Dummy Uji variabel dummy merupakan uji stabilitas dengan menggunakan uji titik patah Chow (Chow’s Breakpoint Test). Chow’s Breakpoint Test digunakan untuk mengetahui structural break dari data series. Periode structural break yang diimpose yang memberikan nilai probabilitas paling kecil berarti periode tersebut memberikan pengaruh structural break dalam data series tersebut. Variabel dummy digunakan untuk mengetahui pengaruh pelaksanaan otonomi daerah terhadap penawaran dan permintaan kedelai di Kabupaten Sukoharjo. Variabel dummy dalam penelitian ini akan membedakan periode sebelum dan setelah pelaksanaan otonomi daerah di Kabupaten Sukoharjo. Penelitian dengan menggunakan uji variabel dummy sebelum dan commit to user setelah krisis ekonomi terdapat dalam penelitian Darsono (2009) dengan



hasil nilai dummy 0 untuk data periode tahun 1975 – 1997, sedangkan nilai dummy 1 untuk data periode tahun 1998-2009. Selain itu, penelitian dengan uji variabel dummy juga terdapat pada penelitian Kuncoro dan Inayah (2003) yang menganalisis tentang studi perilaku kurs Rp/US$ selama periode 1 Januari 1999 – 30 April 2002. Penerapan Chow’s Breakpoint Test dalam penelitian ini untuk seluruh periode data (1 Januari 1999 - 30 April 2002), yaitu : periode Habibie (1 Januari 1999 – 19 Oktober 1999); periode Gusdur (20 Oktober 1999 – 20 Juli 2001); dan periode Megawati (21 Juli 2001 – 30 April 2002). Hasil uji Chow menunjukkan bahwa : a. Statistik F untuk seluruh periode data sangat signifikan. Hasil ini memberi bukti yang kuat terjadinya perubahan struktural nilai tukar pada ketiga periode kepemimpinan. b. Hasil uji F pada periode Gusdur dan periode Habibie menunjukkan tidak terjadinya perubahan struktural pada kedua periode tersebut. Hal ini berarti selama kedua periode tersebut pergerakan nilai tukar Rp/US$ memiliki pola perilaku yang relatif sama. 5. Model Persamaan Simultan Setelah memperoleh model ARIMA terbaik untuk penawaran dan permintaan kedelai, serta adanya penambahan variabel dummy, maka peramalan permintaan dan penawaran kedelai untuk tahun-tahun berikutnya dilakukan secara bersama-sama dengan menggunakan model commit to user persamaan simultan.



Model ARIMA (p.d.q) untuk penawaran kedelai di Kabupaten Sukoharjo adalah sebagai berikut: .

=

+

Ύ + Φ . −

+ Φ .

+ ⋯+ Φ .

− ⋯−

+

+

Model ARIMA (p.d.q) untuk permintaan kedelai di Kabupaten Sukoharjo adalah sebagai berikut: .

=

+

Ύ + Φ . −

+ Φ .

+ ⋯+ Φ .

− ⋯−

+

+

Pada kondisi keseimbangan pasar, jumlah penawaran kedelai sama dengan jumlah permintaan kedelai.

.

Keterangan: .

= .

= permintaan kedelai tahun t

.

= penawaran kedelai tahun t = konstanta = parameter variabel dummy

Ύ

= variabel dummy …

= parameter

…

Φ …Φ

= parameter .

.

= lag autoregressive commit to user

…

….

….

= lag moving average



Model

persamaan

simultan

yang

diperoleh

pada

kondisi

keseimbangan pasar ini kemudian digunakan untuk peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo pada tahun-tahun berikutnya, yaitu untuk tahun 2011-2015. Pendugaan parameter-parameter pada model persamaan simultan penawaran dan permintaan kedelai ini diolah dengan menggunakan software Eviews versi 5.1. 6. Peramalan Jika model persamaan simultan diperoleh maka dapat digunakan untuk peramalan penawaran dan permintaan kedelai untuk beberapa periode ke depan. Peramalan yang dilakukan harus tepat karena menunjukkan seberapa jauh suatu model mampu menghasilkan ramalan yang tidak jauh berbeda dengan keadaan aktualnya. Pada penelitian ini, peramalan penawaran dan permintaan kedelai akan dilakukan secara simultan dengan pertimbangan bahwa antara penawaran dan permintaan terdapat hubungan yang saling mempengaruhi. 7. Uji Kelayakan Model a. Uji Kecocokan Model (Goodness of Fit) Menurut Pyndyck dan Rubinfeld (1991) dalam Yuliadi (2009) bahwa untuk melihat sejauh mana model yang dirumuskan dapat menerangkan variasi perubahan variabel endogen dilakukan dengan uji kecocokan model (uji goodness of fit). Dalam uji ini dilihat nilai koefisien determinasi (R2), jika nilai R2 tinggi berarti model yang commit to user



dirumuskan dapat menerangkan variasi perubahan variabel endogen. Sebaliknya jika nilai R2 kecil berarti bahwa model yang dirumuskan lemah dalam menjelaskan variasi perubahan variabel endogen. Adapun perumusan nilai R2 adalah sebagai berikut :

Dimana : R2

ʌ =

∑ ooʌ = 1− ∑ oo

= Koefisien determinasi

RSS = Residual sum of squares TSS = Total sum of squares N

= Jumlah observasi

k

= Jumlah parameter (termasuk intersep)

b. Uji Signifikansi Garis Regresi Secara Keseluruhan (Uji F) Uji F ini untuk mengetahui pengaruh variabel bebas dalam persamaan simultan secara bersama-sama terhadap variabel endogen. Menurut Pyndyck dan Rubinfeld (1991) dalam Yuliadi (2009), pengujian ini menggunakan distribusi dengan kaidah sebagai berikut : Ho : β1 = β2 = β3 = ………….. = βn Ha : paling sedikit terdapat satu b1 yang tidak sama dengan nol. Nilai F hitung diperoleh melalui rumus sebagai berikut : ʌ ⁄ ú− 1 = ʌ ⁄ 0− ú commit 1to−user



Dimana : k

= Jumlah variabel dalam model regresi

n

= Jumlah obeservasi Interpretasi terhadap hasil perhitungan adalah dengan ketetapan

sebagai berikut : 1. Jika F-hitung lebih besar daripada F-tabel pada derajat kesalahan tertentu (α) dengan derajat kebebasan k-1 dan n-1, maka Ho ditolak. Hal ini dapat diartikan bahwa variabel independen secara bersama-sama berpengaruh secara signifikan terhadap variabel endogen. 2. Jika F-hitung lebih kecil daripada F-tabel, maka Ho diterima sehingga variabel independen secara simultan tidak berpengaruh secara signifikan terhadap variabel endogen. c. Uji Signifikansi Parameter (Uji t) Uji signifikansi parameter (uji t) adalah untuk mengetahui pengaruh secara parsial masing-masing variabel independen terhadap variabel endogen dalam persamaan simultan. Adapun prosedurnya adalah sebagai berikut : Ho : β1 = 0 Ha : β1 tidak sama dengan nol ( i = 1, 2, 3, … n) Dimana : Ƽ − ℎ͒Ƽ 0̊=

o

ർm0 o

commit to user

= √Ėm



Interpretasi terhadap hasil perhitungan adalah dengan ketetapan sebagai berikut : 1. Jika nilai t-hitung lebih besar daripada nilai t-kritis maka Ho ditolak, berarti bahwa variabel independen berpengaruh secara signifikan terhadap variabel endogen. Hal ini menunjukkan bahwa tanda dan besaran parameter mempunyai arti penting dalam suatu model. 2. Jika nilai t-hitung lebih kecil daripada nilai t-kritis berarti bahwa baik tanda maupun besaran parameter tersebut tidak ada nilainya karena sebenarnya nilai parameter tersebut sama dengan nol. d. Uji RMSE (Root of Mean Squared Error) Model-model dimana variabel penjelasnya dianggap baik dan layak digunakan untuk memprediksi ketidakpastian di masa yang akan datang, apabila memiliki RMSE (Root of Mean Squared Error) yang lebih kecil (Kuncoro, 2002). RMSE merupakan akar dari nilai rata-rata kuadrat kesalahan (MSE). MSE didapatkan dengan membagi jumlah kuadrat kesalahan, Sum of Squared Error (SSE) dengan jumlah observasi dikurangi variabel termasuk intersepnya. Untuk mengukur ketepatan peramalan digunakan nilai RootMean - Square Error (RMSE), nilainya menunjukkan seberapa besar penyimpangan hasil peramalan dengan kenyataan. Rumus RMSE sebagai berikut: commit to user



ʌron = √ron =

oon = 0− ú

∑(

− ) 0− ú

Keterangan: At = nilai aktual dari deret waktu dalam periode t Ft = nilai yang diramalkan n = jumlah observasi k = jumlah variabel

commit to user


digilib.uns.ac.id

IV. KEADAAN UMUM DAERAH PENELITIAN

A. Keadaan Geografis Kabupaten Sukoharjo sebagai salah satu kabupaten di Jawa Tengah letaknya diapit oleh enam kabupaten/kota, yaitu : Sebelah Utara

: Kota Surakarta dan Kabupaten Karanganyar

Sebelah Timur

: Kabupaten Karanganyar

Sebelah Selatan

: Kabupaten Gunung Kidul dan Kabupaten Wonogiri

Sebelah Barat

: Kabupaten Klaten dan Kabupaten Boyolali

Adapun letak daerah Kabupaten Sukoharjo secara astronomi adalah sebagai berikut : Bagian Ujung Sebelah Timur : 110 57' 33,70'' BT Bagian Ujung Sebelah Barat

: 110 42' 6,79" BT

Bagian Ujung Sebelah Utara

: 7 32' 17,00" LS

Bagian Ujung Sebelah Selatan : 7 49' 32,00" LS Wilayah Kabupaten Sukoharjo memiliki ketinggian tempat yang bervariasi yaitu 89–125 meter di atas permukaan laut dengan ketinggian ratarata 108 meter di atas permukaan laut. Wilayah dengan ketinggian 0–100 meter di atas permukaan laut sebesar 459,12 km2 (98,38%) dan wilayah dengan ketinggian 101–500 sebesar 7,54 km2 (1,62%). Rata-rata temperatur di Kabupaten Sukohajo adalah 320C dan rata-rata curah hujan adalah 72 mm/bln, serta kelembaban udara sebesar 88%. Curah hujan tertinggi tercatat 2.227 mm commit to user dan terendah 1.522 mm, sedangkan rata-rata jumlah hari hujan adalah 95 hari.

68



B. Keadaan Wilayah Sejak otonomi daerah diberlakukan pada tahun 2000, jumlah kecamatan di Kabupaten Sukoharjo tidak mengalami perubahan yang diakibatkan karena pemekaran. Jumlah kecamatan sebanyak 12 (dua belas) dengan 150 desa dan 17 kelurahan. Luas wilayah Kabupaten Sukoharjo tercatat 46.666 Ha atau sekitar 1,43% dari luas wilayah provinsi Jawa Tengah. Kecamatan yang terluas adalah Kecamatan Polokarto yaitu 6.218 H (13%), sedangkan yang paling kecil adalah Kecamatan Kartasura seluas 1.923 Ha (4%) dari luas Kabupaten Sukoharjo. Menurut penggunaan lahan terdiri dari lahan sawah sebesar 45,55% (21.257 Ha) dan lahan bukan sawah sebesar 54,45% (25.409 Ha). Dari lahan sawah, yang mempunyai pengairan teknis seluas 14.900 Ha (70,09%), irigasi setengah teknis 1.902 Ha (8,95%), irigasi sederhana 2.021 Ha (9,51%), dan tadah hujan seluas 2.434 Ha (11,45%).

C. Keadaan Penduduk 1. Jumlah Penduduk Penduduk merupakan sumber daya manusia yang berperan dalam pembangunan perekonomian daerah. Salah satu tujuan utama dari pembangunan adalah mewujudkan kesejahteraan penduduk. Pembangunan dan kesejahteraan penduduk mempunyai hubungan yang erat dengan jumlah penduduk. Besarnya jumlah dan tingkat pertumbuhan penduduk dapat dilihat pada Tabel 4 berikut. commit to user



Tabel 4. Jumlah dan Pertumbuhan Penduduk Kabupaten Sukoharjo 2009 Tahun 2005 2006 2007 2008 2009

Jumlah Penduduk (Jiwa) 821.213 826.289 831.613 837.279 843.127

Pertumbuhan (%) 0,75 0,62 0,64 0,68 0,70

Sumber : Sukoharjo Dalam Angka Tahun 2010 Jumlah penduduk di Kabupaten Sukoharjo dari tahun ke tahun cenderung meningkat. Jumlah penduduk di Kabupaten Sukoharjo pada tahun 2005 sebesar 821.213 jiwa, pada tahun 2006 sebesar 826.289 jiwa atau mengalami pertumbuhan 0,62%. Pada tahun 2007 sebesar 831.613 jiwa atau mengalami pertumbuhan 0,64%, dan terus meningkat pada tahun 2008 dan 2009 masing-masing berjumlah 837.279 jiwa dan 843.127 jiwa. Pertumbuhan penduduk di suatu daerah dipengaruhi dua faktor, yaitu faktor alami dan faktor perpindahan penduduk. Untuk faktor alami, pertambahan jumlah penduduk disebabkan karena jumlah penduduk yang lahir lebih besar daripada jumlah penduduk yang mati. Sedangkan untuk faktor perpindahan penduduk, pertambahan jumlah penduduk terjadi karena adanya perpindahan penduduk yang masuk dari luar daerah. Pertumbuhan penduduk yang selalu meningkat akan menyebabkan peningkatan jumlah penduduk. Dengan semakin meningkatnya jumlah penduduk akan mempengaruhi pola konsumsi suatu masyarakat, salah satunya yaitu semakin meningkatnya permintaan kedelai di Kabupaten Sukoharjo.

commit to user



2. Penduduk Menurut Jenis Kelamin Berdasarkan data dari Sukoharjo Dalam Angka Tahun 2010, jumlah penduduk di Kabupaten Sukoharjo mencapai 843.127 jiwa. Komposisi penduduk menurut jenis kelamin dapat digunakan untuk mengetahui jumlah penduduk serta besarnya sex ratio di suatu daerah, yaitu angka yang menunjukkan perbandingan jumlah penduduk laki-laki dan perempuan. Keadaan penduduk di Kabupaten Sukoharjo menurut jenis kelamin dapat dilihat pada Tabel 5 berikut ini.

Tabel 5. Keadaan Penduduk Kabupaten Sukoharjo Menurut Jenis Kelamin Tahun 2009 No. 1. 2.

Jenis Kelamin Laki-laki Perempuan Jumlah

Jumlah (Jiwa) 417.276 425.851 843.127

Persentase (%) 49.49 50,51 100,00

Sex Ratio

97,99

Sumber : Sukoharjo Dalam Angka Tahun 2010 Berdasarkan Tabel 5 dapat diketahui bahwa jumlah penduduk di Kabupaten Sukoharjo sebanyak 843.127 jiwa. Jumlah penduduk perempuan sebanyak 425.851 jiwa (50,51%) dan jumlah penduduk lakilaki sebanyak 417.276 jiwa (49,49%). Jumlah penduduk perempuan lebih banyak daripada jumlah penduduk laki-laki dari keseluruhan jumlah penduduk di Kabupaten Sukoharjo. Besarnya angka sex ratio Kabupaten Sukoharjo tahun 2009 adalah 97,99. Hal tersebut berarti bahwa setiap 100 penduduk perempuan di Kabupaten Sukoharjo terdapat 97 penduduk lakilaki.

commit to user



3. Penduduk Menurut Umur Keadaan penduduk menurut umur bagi suatu daerah dapat digunakan untuk mengetahui besarnya penduduk yang produktif dan non produktif. Keadaan penduduk Kabupaten Sukoharjo menurut umur dapat dilihat pada Tabel 6 berikut ini.

Tabel 6. Keadaan Penduduk Kabupaten Sukoharjo Menurut Umur Tahun 2009 No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16.

Umur 0 - 4 tahun 5-9 tahun 10-14 tahun 15-19 tahun 20-24 tahun 25-29 tahun 30-34 tahun 35-39 tahun 40-44 tahun 45-49 tahun 50-54 tahun 55-59 tahun 60-64 tahun 65-69 tahun 70-74 tahun 75 tahun ke atas Jumlah

Jumlah (Jiwa) 51.579 58.678 65.709 71.832 81.537 82.217 74.036 65.581 60.906 51.837 42.248 32.973 29.344 25.708 22.129 26.813 843.127

Persentase (%) 6,12 6,96 7,79 8,52 9,67 9,75 8,78 7,78 7,22 6,15 5,01 3,91 3,48 3,05 2,62 3,18 100,00

Sumber : Sukoharjo Dalam Angka Tahun 2010 Berdasarkan Tabel 6 di atas dapat diketahui bahwa penduduk Kabupaten Sukoharjo paling besar berada pada umur 25-29 tahun sebesar 9,75%. Namun apabila dilihat secara keseluruhan dapat diketahui bahwa mayoritas penduduk Kabupaten Sukoharjo merupakan penduduk dalam commit to user



usia produktif yaitu penduduk yang berusia antara 15-64 tahun sebanyak 592.511 jiwa. Sebagian besar penduduk yang berusia produktif di Kabupaten Sukoharjo ini dapat memberikan gambaran mengenai keadaan tenaga kerja yaitu bahwa tenaga kerjanya berada pada usia produktif. Apabila penduduk berada pada usia produktif maka produktivitas kerja seseorang memadai dan potensial untuk melaksanakan suatu pekerjaan. Selain itu, pada usia produktif kebutuhan akan asupan makanan juga semakin tinggi. Hal ini akan meningkatkan kebutuhan akan bahan pangan, salah satunya yaitu meningkatnya kebutuhan kedelai sebagai salah satu sumber protein.

D. Keadaan Usaha Tani Sektor pertanian mempunyai peran yang cukup besar terhadap PDRB Sukoharjo. Pada tiap tahun rata-rata sektor pertanian memberikan kontribusi kurang lebih sebesar 20%. Sektor pertanian terdiri atas beberapa sub sektor, yaitu tanaman bahan makanan, peternakan, perkebunan, kehutanan, dan perikanan. Produktivitas tanaman bahan makanan, terutama padi sebagai makanan pokok terus ditingkatkan. Sejak tahun 2004 produktivitas padi sawah terus menunjukkan peningkatan hingga 70,78 ku/ha pada tahun 2009. Demikian halnya dengan jumlah produksi padi sawah juga cenderung meningkat. Tahun 2009 produksi padi sawah tercatat sebanyak 357.525 ton, lebih banyak 6% dibanding tahun 2008. commit to user



Tabel 7. Perkembangan Produksi Tanaman Bahan Makanan Menurut Jenisnya di Kabupaten Sukoharjo Tahun 2006-2009 (dalam Ton) No

Komoditas

1. 2. 3. 4. 5. 6. 7.

Padi Sawah Jagung Ubi Kayu Ubi Jalar Kacang Tanah Kedelai Kacang Hijau

Tahun 2006 322.426 21.415 91.181 41 14.526 7.089 72

2007 319.720 22.448 93.133 27 15.181 9.187 58

2008 337.244 30.589 59.982 14 13.957 8.586 40

2009 357.525 31.651 63.755 28 9.217 9.243 118

Sumber : Sukoharjo Dalam Angka Tahun 2010

Pertumbuhan produksi palawija berfluktuasi tiap tahun. Beberapa komoditas yang mengalami peningkatan produksi yaitu kacang hijau, kedelai, jagung, ubi jalar, dan ubi kayu. Perkembangan yang fantastis ditunjukkan oleh komoditas kacang hijau dan ubi jalar, masing-masing sebesar 195% dan 100%. Akan tetapi komoditas kacang tanah justru turun 40% dari 13.957 ton pada tahun 2008 menjadi 9.217 ton pada tahun 2009. Menurut Sukoharjo Dalam Angka Tahun 2010, produksi sayur-sayuran secara umum meningkat apabila dibandingkan dengan tahun 2008, seperti terong, kacang panjang, tomat, dan lain sebagainya. Produksi terong sebesar 96 kuintal meningkat 116% menjadi 207 kuintal, dan kacang panjang meningkat 27% menjadi 7.207 kuintal pada tahun 2009. Namun, produksi cabai besar turun 38% dari 3.792 kuintal pada tahun 2008 menjadi 2.369 pada tahun 2009. Komoditas buah-buahan secara umum juga menunjukkan peningkatan commit to userkedondong masing-masing turun produksi, kecuali buah belimbing dan



sebesar 17% dan 79%. Produksi jeruk besar mengalami peningkatan paling tinggi hampir 800% dan sirsak meningkat lebih dari 400% dibanding tahun 2008. Secara kuantitas buah mangga merupakan komoditi terbesar, lebih dari 44.600 ton, menyusul buah sukun dan rambutan masing-masing lebih dari 8.000 ton. Dilihat dari luas areal sub sektor perkebunan didominasi oleh komoditi kelapa dan tebu, yaitu 1.258 ha dan 1.006 ha. Apabila dibandingkan dengan produksi tahun 2008, komoditi wijen mengalami peningkatan paling besar yaitu lebih dari 200%. Sedangkan produksi tebu, kapuk, kelapa dan mete mengalami penurunan masing-masing sebesar 7,5%; 6,4%; 3,1%; 0,1%. Kabupaten Sukoharjo merupakan kabupaten yang tidak berbatasan dengan laut, sehingga perikanan yang dihasilkan hanya berasal dari perairan darat (umum) dan budidaya seperti kolam dan keramba. Pada tahun 2009 tercatat produksi ikan sebanyak 1.559,6 ton, yang 60% diantaranya merupakan ikan budidaya kolam, sedangkan karamba sebesar 22%, dan selebihnya (18%) adalah ikan hasil penangkapan di perairan umum. Kabupaten Sukoharjo juga memiliki rumah tangga peternak, yaitu ternak besar (sapi, sapi perah, kuda, dan kerbau), ternak kecil (kambing, domba dan babi), serta unggas (ayam ras, ayam buras dan itik). Selain daging, sub sektor peternakan juga menghasilkan susu dan telur. Selama tahun 2009, Kabupaten Sukoharjo mampu memproduksi susu sebanyak 731.037 liter, namun jumlah tersebut 9% lebih rendah apabila dibandingkan dengan produksi susu tahun commit to user 2008. Produksi telur di Kabupaten Sukoharjo meningkat sebesar 1%



dibanding tahun 2008. Pada tahun 2009 Sukoharjo menghasilkan telur lebih dari 145 juta butir, yang terdiri dari telur ayam ras sebesar 76%, telur ayam buras sebesar 14%, dan telur itik sebesar 10%.

E. Keadaan Sarana Perekonomian Salah satu sarana perekonomian yang terdapat di Kabupaten Sukoharjo adalah pasar. Pasar merupakan suatu tempat untuk memperjualbelikan barang/jasa sehingga dapat menunjang kegiatan perekonomian di Kabupaten Sukoharjo. Jumlah pasar di Kabupaten Sukoharjo dapat dilihat pada tabel di bawah ini. Tabel 8. Jumlah Pasar Tiap Kecamatan di Kabupaten Sukoharjo Tahun 2009 No 1 2 3 4 5 6 7 8 9 10 11 12

Kecamatan Kartasura Mojolaban Sukoharjo Grogol Tawangsari Nguter Gatak Polokarto Bulu Bendosari Baki Weru Jumlah

Jumlah 1 2 3 2 1 2 3 2 2 1 2 3 24

Sumber : Sukoharjo Dalam Angka Tahun 2010 Pada Tabel 8 dapat diketahui bahwa jumlah pasar di Kabupaten Sukoharjo adalah sebanyak 24 pasar. Setiap kecamatan di Kabupaten Sukoharjo memiliki pasar. Salah satu to komoditi commit user yang ditransaksikan pada pasar



di Kabupaten Sukoharjo yaitu kedelai. Dengan adanya pasar maka masyarakat akan lebih mudah dalam melakukan transaksi (menjual ataupun membeli) kedelai untuk pemenuhan kebutuhan, baik untuk konsumsi langsung ataupun sebagai bahan baku industri.

F. Keadaan Perindustrian Industri pengolahan merupakan suatu kegiatan ekonomi yang melakukan kegiatan mengubah suatu barang dasar secara mekanis, kimia, atau dengan tangan sehingga menjadi barang jadi dan atau barang setengah jadi, dan atau barang yang kurang nilainya menjadi barang yang lebih tinggi nilainya dan sifatnya lebih dekat kepada pemakai akhir. Tabel 9. Banyaknya Unit Usaha Industri Besar, Sedang dan Kecil di Kabupaten Sukoharjo Tahun 2009 Golongan Industri Besar Menengah Kecil Jumlah

Kelompok Industri IAHH ITA IKLME 35 13 10 105 31 51 6.766 4.240 55.290 6.906 4.284 55.351

Jumlah 58 187 66.296 66.541

Sumber : Sukoharjo Dalam Angka Tahun 2010 Keterangan : IAHH

= Industri Agro dan Hasil Hutan

ITA

= Industri Tekstil dan Aneka

IKLME

= Industri Kimia, Logam, Mesin, dan Elektro

Pembangunan

di

sektor industri merupakan prioritas utama commit to user pembangunan ekonomi. Sektor industri memegang peranan yang sangat



penting dalam perekonomian Kabupaten Sukoharjo, dengan distribusi terhadap PDRB Kabupaten Sukoharjo tahun 2008 sebesar 29,52 %. Menurut Dinas Perindagkop dan Penanaman Modal Kabupaten Sukoharjo, industri digolongkan menjadi industri besar, menengah, dan kecil. Dibandingkan tahun 2008, jumlah unit usaha atau industri mengalami peningkatan lebih dari 30% menjadi 66.296 unit dan 99,63% diantaranya adalah industri kecil. Salah satu industi kecil yang berkembang pesat di Kabupaten Sukoharjo yaitu industi tahu-tempe. Industri tersebut menggunakan bahan baku berupa kedelai

dalam

melaksanakan

proses

produksinya.

Dengan

semakin

meningkatnya jumlah industri yang berbahan baku kedelai maka akan meningkatkan permintaan kedelai di Kabupaten Sukoharjo.

commit to user



V. HASIL PENELITIAN DAN PEMBAHASAN

A. Hasil Penelitian 1. Dinamika Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo a. Dinamika Penawaran Kedelai Penawaran kedelai adalah jumlah produksi bersih kedelai yang dihasilkan dan ditransaksikan di pasar. Data penawaran kedelai yang digunakan dalam penelitian yaitu data produksi bersih kedelai yang dihasilkan di Kabupaten Sukoharjo selama 26 tahun (1985-2010). Pada dasarnya data produksi kotor kedelai ada yang dalam bentuk kuartal (musiman) dan tahunan. Sebenarnya data produksi kedelai kuartalan lebih bisa menggambarkan fluktuasi produksi kedelai pada setiap musim tanam. Namun dalam penelitian ini akan menggunakan data dalam bentuk tahunan dengan pertimbangan ketersediaan dan kelengkapan data sekunder yang dipublikasikan oleh Badan Pusat Statistik. Selain itu, pada penelitian ini akan dilakukan peramalan secara simultan antara penawaran dan permintaan kedelai sehingga data antara penawaran dan permintaan kedelai juga harus sesuai, apakah menggunakan data tahunan atau kuartalan. Data permintaan kedelai dalam penelitian ini menggunakan data tahunan, maka data penawaran juga dalam bentuk tahunan. commit to user 79



Setelah memperoleh data tahunan penawaran kedelai, selanjutnya bisa diketahui bagaimana fluktuasi dari penawaran kedelai tersebut. Fluktuasi penawaran dapat menjadi salah satu penggambaran dinamika penawaran kedelai. Dinamika penawaran bisa terjadi karena adanya perubahan luas panen, penggunaan sarana produksi (seperti benih, pupuk, dan pestisida), cuaca/iklim dan curah hujan, adanya serangan hama dan penyakit, dan kebijakan pemerintah daerah terkait kedelai.

Tabel 10. Dinamika Penawaran Kedelai di Kabupaten Sukoharjo Tahun 1985-2010 Tahun Penawaran (Ton) 1985 8.891,51 1986 14.785,47 1987 8. 389,71 1988 15.197,49 1989 13.913,24 1990 15.193,71 1991 10.613,30 1992 16.893,77 1993 12.852,95 1994 13.634,46 1995 14.080,50 1996 15.627,47 1997 10.400,67 1998 12.362,49 1999 7.628,99 2000 8.574,93 2001 7.686,63 2002 4.669,25 2003 5.281,61 2004 7.141,37 2005 7.661,12 2006 6.699,11 2007 8.681,72 2008 8.113.77 2009 8.734,64 2010 8.261,19 commit user Sumber : Diadopsi dan Diolahto dari Lampiran 4

Fluktuasi (%) 66,29 -43,26 81,14 -8,45 9,20 -30,15 59,18 -23,92 6,08 3,27 10,99 -33,45 18,86 -38,29 12,40 -10,36 -39,25 13,11 35,21 7,28 -12,56 29,60 -6,54 7,65 -5,42



Berdasarkan tabel 10 dapat diketahui dinamika penawaran kedelai di Kabupaten Sukoharjo dari tahun 1985 hingga tahun 2010. Secara keseluruhan diketahui bahwa penawaran kedelai di Kabupaten Sukoharjo berfluktuatif dan cenderung mengalami penurunan dari tahun ke tahun. Fluktuasi peningkatan kedelai tertinggi pada tahun 1988, dimana terjadi peningkatan penawaran kedelai sebesar 81,14% dari penawaran kedelai tahun sebelumnya. Pada tahun 1987 terjadi penurunan penawaran kedelai sebesar 43,26% dari tahun sebelumnya, dari 14.785,47 ton pada tahun 1986 menjadi 8. 389,71 ton pada tahun 1987. Penawaran kedelai tertinggi pada tahun 1992 sebesar 16.893,77 ton, yang mengalami peningkatan sebesar 59,18% dari penawaran kedelai tahun sebelumnya. Penawaran kedelai terendah pada tahun 2002 sebesar 4.669,25 ton, yang mengalami penurunan 39,25% dari penawaran kedelai tahun sebelumnya. Sebelum krisis moneter (1998), penawaran kedelai di Kabupaten Sukoharjo cenderung tinggi. Tabel 10 memperlihatkan bahwa setelah adanya gejolak ekonomi berupa krisis ekonomi (setelah tahun 1998), secara keseluruhan penawaran kedelai di Kabupaten Sukoharjo mengalami penurunan. Pada tahun 1999, penawaran kedelai mengalami fluktuasi sebesar 38,29%, dimana penawaran kedelai pada tahun 1998 sebesar 12.362,49 ton yang turun menjadi 7.628,99 ton pada tahun 1999.

commit to user



b. Dinamika Permintaan Kedelai Permintaan kedelai merupakan sejumlah kedelai yang dibutuhkan oleh masyarakat di Kabupaten Sukoharjo, baik yang digunakan untuk konsumsi langsung maupun sebagai bahan baku industri. Data permintaan yang digunakan dalam penelitian ini adalah data kebutuhan kedelai di Kabupaten Sukoharjo selama periode 26 tahun (1985-2010). Setelah memperoleh data tahunan penawaran kedelai, selanjutnya bisa diketahui bagaimana fluktuasi dari permintaan kedelai tersebut. Fluktuasi permintaan dapat menjadi salah satu penggambaran dinamika permintaan kedelai. Dinamika permintaan bisa terjadi antara lain karena adanya peningkatan jumlah penduduk, pendapatan per kapita, selera/preferensi, budaya makan, dan lain sebagainya. Berdasarkan tabel 11 dapat diketahui bahwa dinamika permintaan kedelai di Kabupaten Sukoharjo dari tahun 1985 hingga tahun 2010, dimana permintaan kedelai di Kabupaten Sukoharjo mempunyai pola linier yang selalu meningkat dari tahun ke tahun. Seiring dengan adanya peningkatan jumlah penduduk (dapat dilihat pada lampiran.3) maka kebutuhan akan pangan semakin meningkat sehingga permintaan kedelai juga akan semakin meningkat.

commit to user



Tabel 11. Dinamika Permintaan Kedelai di Kabupaten Sukoharjo Tahun 1985-2010 Tahun 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Permintaan (Ton) 6.656,09 6.774,32 6.832,47 6.891,29 6.974,60 7.026,89 7.094,53 7.158,81 7.226,95 7.320,42 7.419,00 7.547,74 7.683,10 7.761,05 7.838,68 7.962,09 8.036,37 8.105,27 8.168,99 8.232,40 8.294,25 8.345,52 8.399,29 8.456,52 8.515,58 8.575,06

Fluktuasi (%) 1,78 0,86 0,86 1,21 0,75 0,96 0,91 0,95 1,29 1,35 1,74 1,79 1,01 1,00 1,57 0,93 0,86 0,79 0,78 0,75 0,62 0,64 0,68 0,70 0,70

Sumber : Diadopsi dan Diolah dari Lampiran 4

Meskipun permintaan kedelai selalu meningkat dari tahun 19852010, namun peningkatan permintaan tersebut berfluktuatif setiap tahunnya. Pada tahun 1997 permintaan kedelai mengalami fluktuasi sebesar 1,79% dari tahun sebelumnya, dimana permintaan kedelai pada commit to user



tahun 1996 sebesar 7.547,74 ton kemudian permintaan kedelai meningkat menjadi 7.683,10 ton pada tahun 1997 . Selain itu, peningkatan permintaan kedelai juga dipengaruhi oleh adanya kesadaran masyarakat akan gizi. Kedelai merupakan bahan makanan sumber protein yang murah dan mudah didapat, oleh karena itu pemenuhan gizi dapat diperoleh dari makanan yang berbahan baku kedelai. Dengan semakin meningkatnya kesadaran gizi masyarakat maka permintaan kedelai juga akan meningkat.

2. Hasil Peramalan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo a. Identifikasi Data Dalam penelitian yang menggunakan data time series, terlebih dahulu harus mengetahui pola data yang digunakan. Setelah data diplotkan maka kita bisa melihat bagaimana pola data yang akan digunakan dalam penelitian. Oleh karena itu, data penawaran dan permintaan kedelai (pada tabel 10 dan tabel 11) harus diplotkan terlebih dahulu. Data time series yang digunakan harus sudah stasioner. Apabila data tidak stasioner maka perlu dilakukan pembedaan (differencing) agar data menjadi stasioner.

commit to user



1) Penawaran Kedelai Plot data penawaran kedelai di Kabupaten Sukoharjo dapat dilihat pada gambar 4 berikut ini. SUPPLY

Ton 18,000 16,000 14,000 12,000 10,000 8,000 6,000 4,000 86

88

90

92

94

96

98

00

02

04

06

08

10

Gambar 4. Plot Data Time Series Penawaran Kedelai di Kabupaten Sukoharjo Tahun 1985-2010

Plot data penawaran kedelai menunjukkan pola yang berfluktuatif dan cenderung mengalami penurunan. Pada plot data di atas dapat diidentifikasi bahwa data penawaran kedelai tidak stasioner yang dapat dilihat dari pola data yang naik turun (fluktuatif) tidak mendekati garis rata-ratanya (mean). Setelah mengetahui bagaimana plot data maka selanjutnya dilakukan identifikasi stasioneritas data. Kestasioneritasan data ini penting karena dalam metode ARIMA, data yang digunakan harus sudah stasioner.

Untuk

mengetahui

stasioner atau

tidaknya data

user penawaran kedelaicommit maka to dilakukan uji Augmented Dickey-Fuller

Tahun



(ADF). Apabila nilai ADF test statistic lebih besar daripada nilai critical value (pada tingkat signifikansi tertentu) maka data sudah stasioner. Berikut ini disajikan hasil uji ADF untuk data penawaran kedelai di Kabupaten Sukoharjo.

Tabel 12. Hasil Uji Augmented Dickey-Fulller Penawaran Kedelai Nilai

Penawaran

ADF Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Prob.

-2,147984 -3,788030 -3,012363 -2,646119 0,2295

Penawaran Differencing Orde 1 -12,15347 -3,737853 -2,991878 -2,635542 0,0000

Sumber : Diadopsi dan Diolah dari Lampiran 5 Berdasarkan tabel 12 di atas maka dapat diketahui bahwa data penawaran kedelai di Kabupaten Sukoharjo tidak stasioner. Hal tersebut dikarenakan nilai ADF test statistic (-2,147984) lebih kecil daripada nilai critical value 1% (-3.788030), nilai critical value 5% (-3,012363), dan nilai critical value 10% (-2,646119). Data penawaran

kedelai

yang

tidak

stasioner

tersebut

harus

distasionerkan terlebih dahulu dengan melakukan differencing (pembedaan) agar data menjadi stasioner. Setelah dilakukan differencing pada orde pertama dapat dilihat pada tabel 12 di atas bahwa nilai ADF test statistic (-12,15347) lebih besar dari nilai critical value 1% (-3,737853), nilai critical value 5% (-2,991878), dan nilai critical value 10% commit to user



(-2,635542). Kriteria tersebut berarti bahwa data penawaran kedelai sudah stasioner pada tingkat diferensiasi orde 1. Oleh karena itu, data penawaran kedelai yang sudah stasioner ini bisa digunakan untuk pengolahan data selanjutnya. 2) Permintaan Kedelai Plot data permintaan kedelai di Kabupaten Sukoharjo dapat dilihat pada gambar 5 berikut ini. Ton

DEMAND 8,800

8,400

8,000

7,600

7,200

6,800

6,400 86

88

90

92

94

96

98

00

02

04

06

08

10

Gambar 5. Plot Data Time Series Permintaan Kedelai di Kabupaten Sukoharjo Tahun 1985-2010

Plot data permintaan kedelai di Kabupaten Sukoharjo menunjukkan pola linier yang selalu meningkat dari tahun 19852010. Hal tersebut dikarenakan adanya peningkatan jumlah penduduk (dapat dilihat pada lampiran 3) dari tahun ke tahun maka commit to user

Tahun



kebutuhan akan pangan semakin meningkat sehingga permintaan kedelai juga akan semakin meningkat. Pada plot data di atas dapat diidentifikasi bahwa data permintaan kedelai tidak stasioner yang dapat dilihat dari pola data yang meningkat secara linier yang semakin menjauhi garis rataratanya

(mean).

Setelah

mengetahui

bagaimana

plot

data

permintaan maka selanjutnya dilakukan identifikasi stasioneritas data. Untuk mengetahui stasioner atau tidaknya data permintaan kedelai maka dilakukan uji Augmented Dickey-Fuller (ADF). Apabila nilai ADF test statistic lebih besar daripada nilai critical value (pada tingkat signifikansi tertentu) maka data sudah stasioner. Berikut ini disajikan hasil uji ADF untuk data permintaan kedelai di Kabupaten Sukoharjo.

Tabel 13. Hasil Uji Augmented Dickey-Fulller Permintaan Kedelai Nilai ADF Test Statistic Critical Value 1% Critical Value 5% Critical Value 10% Prob.

Permintaan -0.510458 -3.737853 -2.991878 -2.635542 0.8727

Permintaan Differencing Orde 1 Orde 2 -3.085681 -5.801989 -3.737853 -3.769597 -2.991878 -3.004861 -2.635542 -2.642242 0.0413 0.0001

Sumber : Diadopsi dan Diolah dari Lampiran 6 Berdasarkan tabel 13 di atas maka dapat diketahui bahwa data permintaan kedelai di Kabupaten Sukoharjo tidak stasioner. Hal tersebut dikarenakan nilai ADF test statistic (-0,510458) lebih kecil commit to user



daripada nilai critical value 1% (-3,737853), nilai critical value 5% (-2,991878), dan nilai critical value 10% (-2,991878). Data permintaan

kedelai

yang

tidak

stasioner

tersebut

harus

distasionerkan terlebih dahulu dengan melakukan differencing agar data menjadi stasioner. Pada differencing orde pertama nilai ADF test statistic adalah -3,085681. Nilai ADF tersebut sudah lebih besar daripada nilai critical value 5% (-2,991878) dan nilai critical value 10% (-2,635542), namun nilai ADF masih lebih kecil daripada nilai critical value 1% (-3,737853). nilai tersebut menunjukkan data permintaan kedelai tidak stasioner pada differencing orde pertama. Oleh karena itu, perlu dilakukan proses differencing lagi agar data menjadi stasioner. Setelah dilakukan differencing pada orde kedua dapat dilihat pada tabel 13 di atas bahwa nilai ADF test statistic (-5,801989) lebih besar dari nilai critical value 1% (-3,769597), nilai critical value 5% (-3,004861), dan nilai critical value 10% (-2,642242). Kriteria tersebut berarti bahwa data permintaan kedelai sudah stasioner pada tingkat diferensiasi orde 2. b. Estimasi Setelah proses identifikasi data selesai dan data sudah stasioner, maka langkah selanjutnya dilakukan estimasi yaitu dengan menentukan commit user Average (MA). Autoregressive nilai Autoregressive (AR) dantoMoving



(AR) menjelaskan bagaimana setiap observasi adalah suatu fungsi dari p observasi sebelumnya. Moving Average (MA) menjelaskan bagaimana setiap observasi adalah suatu fungsi dari q eror sebelumnya. Untuk mengestimasi parameter dari Autoregressive (AR) dapat dilihat dari pola partial autokorelasi (PAC), Sedangkan untuk menentukan model MA yang digunakan dapat dilihat dari koefisien autokorelasi (AC). Pola ACF dan PACF bisa dilihat dari hasil correlogram. Setelah berhasil menentukan nilai AR dan MA maka dapat digunakan sebagai model tentatif . 1) Penawaran Kedelai Selanjutnya dengan bantuan program Eviews 5.1, data penawaran kedelai yang sudah stasioner pada differencing orde 1 disajikan dalam bentuk correlogram. Dari hasil correlogram akan muncul pola dan nilai dari ACF dan PACF sehingga bisa digunakan untuk mengestimasi nilai AR dan MA. Adapun hasil correlogram untuk data penawaran kedelai disajikan pada tabel 14 berikut ini :

commit to user



Tabel 14. Correlogram Data Penawaran Kedelai Tahun 1985–2010 Dengan Tingkat Diferensiasi Orde 1 Autocorrelation *****| . | . |*** | .**| . | . |*** | ****| . | . |*** | .**| . | . |* . | . *| . | . |* . | .**| . | . |* . | . *| . | . *| . | . |* . | . *| . | . | . | . | . | . |* . | . *| . | . | . | . | . | . | . | . | . |

Partial Correlation *****| . | 1 . | . | 2 . | . | 3 . |*** | 4 . *| . | 5 . *| . | 6 . *| . | 7 . *| . | 8 . |* . | 9 . | . | 10 . *| . | 11 . *| . | 12 . *| . | 13 .**| . | 14 . | . | 15 . | . | 16 . | . | 17 . | . | 18 . *| . | 19 . | . | 20 . | . | 21 . | . | 22 . | . | 23 . *| . | 24

AC

PAC

-0.673 0.422 -0.257 0.416 -0.514 0.419 -0.295 0.142 -0.124 0.111 -0.209 0.170 -0.115 -0.089 0.129 -0.094 0.027 -0.028 0.095 -0.084 0.073 -0.037 0.024 -0.009

-0.673 -0.057 0.010 0.479 -0.116 -0.199 -0.153 -0.188 0.163 0.039 -0.192 -0.166 -0.073 -0.222 0.062 0.012 0.073 0.022 -0.190 0.044 -0.050 -0.020 -0.035 -0.112

Q-Stat 12.740 17.962 19.981 25.542 34.464 40.701 43.954 44.753 45.399 45.954 48.067 49.564 50.303 50.787 51.911 52.577 52.640 52.714 53.724 54.674 55.566 55.877 56.070 56.130

Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Sumber : Diadopsi dan Diolah dari Lampiran 7 Pada tabel 14 di atas dapat diketahui pola dan nilai dari ACF dan PACF data penawaran kedelai yang telah stasioner pada orde pertama. Untuk mengestimasi nilai AR dapat dilihat dari pola partial autokorelasi (PAC). Pada tabel di atas memperlihatkan pola model AR (1), dimana koefisien PAC turun drastis setelah lag yang commit to user



pertama, yaitu dari -0,673 menjadi -0,057. Sedangkan untuk menentukan model MA yang digunakan dapat dilihat dari koefisien autokorelasi (AC). Pada tabel di atas memperlihatkan pola model MA (2), dimana koefisien AC yang turun drastis setelah lag yang kedua, yaitu dari 0,422 menjadi -0,257. Berdasarkan analisis data diperoleh hasil bahwa data penawaran kedelai dilakukan differencing sebanyak satu kali (d = 1), orde AR adalah 1 (p = 1) dan orde MA adalah 2 (q = 2). Jadi model tentatif ARIMA yang digunakan untuk penawaran kedelai di Kabupaten Sukoharjo adalah model ARIMA (1,1,2). Setelah menentukan model tentatif penawaran kedelai maka selanjutnya dilakukan estimasi parameter dari model tentatif tersebut. Adapun hasil estimasi parameter model tentatif penawaran kedelai ARIMA (1,1,2) adalah sebagai berikut :

Tabel 15. Hasil Estimasi Parameter Model Tentatif Penawaran Kedelai ARIMA (1,1,2) di Kabupaten Sukoharjo Parameter Konstanta AR (1) MA (1) MA (2)

Koefisien -215,3058 -0,914568 1,242341 -0,636474

Probabilistik 0,3915 0,0000 0,0075 0,1254

Sumber : Diadopsi dan Diolah dari Lampiran 9 Berdasarkan tabel 15 di atas maka bentuk matematis dari model tentatif penawaran kedelai ARIMA (1,1,2) sebagai berikut : commit to user



Xς = − 215,3058 − 0,914568 Xς − 0,636474 eς

+ eς + 1,242341 eς

Keterangan : Xς

= Penawaran kedelai tahun t

C

= Konstanta

Xς

atau AR (1)

eς

atau MA (1)

= Dinamika penawaran kedelai tahun t-1

atau MA (2)


eς eς

= Penawaran kedelai tahun t-1 = Dinamika penawaran kedelai tahun t

Hasil estimasi model tentatif menunjukkan bahwa model tentatif ARIMA (1,1,2) memiliki nilai RMSE 1310,559. Nilai R2 adalah 0,830338 yang berarti bahwa model tentatif penawaran kedelai yang dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 83,0338 %. Selanjutnya model tentatif ARIMA (1,1,2) mempunyai nilai probabilitas (F-statistik) lebih kecil dari tingkat signifikansi 5% (0,0000 < 0,05), berarti bahwa parameter penawaran kedelai satu tahun sebelumnya, dinamika penawaran kedelai satu tahun sebelumnya,

dan

dinamika

penawaran

kedelai

dua

tahun

sebelumnya secara bersama-sama mempengaruhi penawaran kedelai di Kabupaten Sukoharjo. commit to user



Berdasarkan nilai probabilistiknya, parameter AR (1) memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti bahwa penawaran kedelai satu tahun

sebelumnya

berpengaruh

secara

signifikan

terhadap

penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (1) bertanda negatif sebesar 0,914568 yang berarti bahwa apabila terjadi peningkatan penawaran kedelai satu tahun sebelumnya sebesar 1 satuan maka akan menurunkan penawaran kedelai sebesar 0,914568 satuan. Selanjutnya parameter MA (1) mempunyai nilai probabilitas yang lebih kecil daripada tingkat signifikansi 5% (0,0075 < 0,05), berarti bahwa dinamika penawaran kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter MA (1) bertanda positif sebesar 1,242341 berarti bahwa dengan adanya peningkatan dinamika penawaran kedelai satu tahun sebelumnya sebesar 1 satuan maka penawaran kedelai akan meningkat sebesar 1,242341 satuan. Namun parameter MA (2) mempunyai nilai probabilitas lebih besar dari tingkat signifikansi 5% (0,1254 > 0,05), yang berarti bahwa dinamika penawaran kedelai dua tahun sebelumnya tidak berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. commit to user



2) Permintaan Kedelai Tabel 16. Correlogram Data Permintaan Kedelai Tahun 1985–2010 Dengan Tingkat Diferensiasi Orde 2 Autocorrelation .**| . | .**| . | . |**. | . *| . | . | . | . | . | .**| . | . |* . | . *| . | .**| . | . |*** | . *| . | . *| . | . |* . | . | . | . | . | . | . | . | . | . | . | . | . | . | . | . | . | . | . |

Partial Correlation .**| . | 1 ***| . | 2 . |* . | 3 . *| . | 4 . |* . | 5 . *| . | 6 . *| . | 7 . *| . | 8 .**| . | 9 .**| . | 10 . |* . | 11 . | . | 12 . | . | 13 . *| . | 14 . | . | 15 . *| . | 16 . *| . | 17 . | . | 18 . *| . | 19 . |* . | 20 . | . | 21 . *| . | 22 . *| . | 23

AC

PAC

-0.206 -0.308 0.327 -0.109 0.018 -0.045 -0.211 0.113 -0.188 -0.214 0.384 -0.088 -0.174 0.194 0.015 0.041 -0.024 -0.003 0.038 -0.016 -0.017 -0.016 -0.011

-0.206 -0.366 0.199 -0.120 0.178 -0.199 -0.167 -0.117 -0.315 -0.328 0.136 -0.031 0.024 -0.102 -0.025 -0.127 -0.164 -0.011 -0.171 0.099 0.066 -0.084 -0.076

Q-Stat 1.1522 3.8472 7.0263 7.3998 7.4101 7.4812 9.1158 9.6170 11.086 13.128 20.194 20.593 22.308 24.654 24.670 24.800 24.853 24.853 25.037 25.075 25.134 25.213 25.290

Prob 0.283 0.146 0.071 0.116 0.192 0.279 0.244 0.293 0.270 0.217 0.043 0.057 0.051 0.038 0.055 0.073 0.098 0.129 0.159 0.199 0.241 0.287 0.336

Sumber : Diadopsi dan Diolah dari Lampiran 8 Dari hasil correlogram data permintaan kedelai yang telah stasioner pada orde kedua dapat diketahui pola dan nilai dari autokorelasi dan partial autokorelasi data permintaan kedelai. Untuk mengestimasi nilai AR dapat dilihat dari pola partial commit to koefisien user autokorelasi (PAC), dimana PAC turun drastis setelah lag



yang kedua sehingga menunjukkan pola model AR (2). Untuk menentukan model MA yang digunakan dapat dilihat dari koefisien autokorelasi (AC). Pada tabel di atas memperlihatkan pola model MA (3), dimana koefisien autokorelasi yang menurun drastis setelah lag yang ketiga. Berdasarkan analisis data diperoleh hasil bahwa data permintaan kedelai dilakukan differencing sebanyak dua kali (d = 2), orde AR adalah 2 (p = 2) dan orde MA adalah 3 (q = 3). Jadi model tentatif ARIMA yang digunakan untuk permintaan kedelai di Kabupaten Sukoharjo adalah model ARIMA (2,2,3). Setelah menentukan model tentatif permintaan kedelai maka selanjutnya dilakukan estimasi parameter dari model tentatif tersebut.

Adapun

hasil

estimasi

parameter

model

tentatif

permintaan kedelai ARIMA (2,2,3) adalah sebagai berikut :

Tabel 17. Hasil Estimasi Parameter Model Tentatif Permintaan Kedelai ARIMA (2,2,3) di Kabupaten Sukoharjo Parameter Konstanta AR (1) AR (2) MA (1) MA (2) MA (3)

Koefisien 0,305770 -1,114071 -0,800886 1,075943 0,577159 -0,263901

Probabilistik 0,9305 0,0000 0,0000 0,0043 0,1138 0,3095

Sumber : Diadopsi dan Diolah dari Lampiran 10 Berdasarkan tabel 17 di atas maka bentuk matematis dari commit to user model tentatif permintaan kedelai ARIMA (2,2,3) sebagai berikut:



Xς = 0,305770 − 1,114071 Xς + 1,075943 eς

− 0,800886 Xς

+ 0,577159 eς

+ eς

− 0,263901 eς

Keterangan : Xς

= Permintaan kedelai tahun t

C

Xς

= Konstanta atau AR (1)

= Permintaan kedelai tahun t-1

Xς

atau AR (2)


eς

atau MA (1)

= Dinamika permintaan kedelai tahun t-1

atau MA (2)


eς

atau MA (3)


eς eς

= Dinamika permintaan kedelai tahun t

Hasil estimasi model tentatif menunjukkan bahwa model tentatif ARIMA (2,2,3) memiliki nilai RMSE 16,74542. Nilai R2 adalah 0,460851 yang berarti bahwa model tentatif permintaan kedelai yang dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 46,0851%. Model tentatif ARIMA (2,2,3) mempunyai nilai probabilitas (F-statistik) lebih kecil dari tingkat signifikansi 5% (0,04695 < 0,05), berarti bahwa parameter permintaan kedelai satu tahun sebelumnya, permintaan kedelai dua tahun sebelumnya, dinamika permintaan kedelai satu tahun sebelumnya, dinamika permintaan commit to user kedelai dua tahun sebelumnya, dan dinamika permintaan kedelai



tiga tahun sebelumnya secara bersama-sama mempengaruhi permintaan kedelai di Kabupaten Sukoharjo. Berdasarkan nilai probabilistiknya, parameter AR (1) memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti bahwa permintaan kedelai satu tahun

sebelumnya

berpengaruh

secara

signifikan

terhadap

permintaan kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (1) bertanda negatif sebesar 1,114071 yang berarti bahwa apabila terjadi peningkatan permintaan kedelai satu tahun sebelumnya sebesar 1 satuan maka akan menurunkan permintaan kedelai sebesar 1,114071 satuan. Parameter AR (2) juga memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti bahwa permintaan kedelai dua tahun sebelumnya berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (2) bertanda negatif sebesar 0,800886 yang berarti bahwa apabila terjadi peningkatan permintaan kedelai dua tahun sebelumnya sebesar 1 satuan maka akan menurunkan permintaan kedelai sebesar 0,800886 satuan. Selanjutnya parameter MA (1) mempunyai nilai probabilitas yang lebih kecil daripada tingkat signifikansi 5% (0,0043 < 0,05) yang berarti bahwa dinamika permintaan kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap permintaan commit to user



kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter MA (1) bertanda positif sebesar 1,075943 berarti bahwa dengan adanya dinamika permintaan kedelai satu tahun sebelumnya sebesar 1 satuan akan meningkatkan permintaan kedelai sebesar 1,075943 satuan. Parameter MA (2) memiliki nilai probabilitas lebih besar daripada tingkat signifikansi 5% (0,1138 > 0,05) yang berarti bahwa dinamika permintaan kedelai dua tahun sebelumnya tidak berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Parameter MA (3) juga memiliki nilai probabilitas lebih besar daripada tingkat signifikansi 5% (0,3095 > 0,05) yang berarti bahwa dinamika permintaan kedelai tiga tahun sebelumnya

tidak

berpengaruh

secara

signifikan

terhadap

permintaan kedelai di Kabupaten Sukoharjo. c. Pemeriksaan Diagnostik Model Sebelum menggunakan model tentatif untuk peramalan, model tersebut perlu diperiksa kecukupannnya. Kriteria kecukupan yang akan digunakan dalam penelitian ini yaitu nilai R2 tinggi, nilai F-statistik tinggi dan signifikan, dan nilai RMSE rendah. Pada tahap ini juga merumuskan beberapa alternatif bentuk model ARIMA yang lain, kemudian alternatif model ARIMA tersebut dibandingkan dengan model tentatif yang sudah ditentukan sebelumnya. Model ARIMA yang commit user digunakan sebagai model terbaik paling memenuhi kriteria yangto akan



untuk peramalan kedelai. Berikut ini disajikan perbandingan uji diagnostik beberapa model ARIMA penawaran dan permintaan kedelai di Kabupaten Sukoharjo. a. Penawaran Kedelai Tabel 18. Perbandingan Uji Diagnostik Beberapa Model ARIMA Penawaran Kedelai di Kabupaten Sukoharjo Model ARIMA (1, 1, 0) ARIMA (2, 1, 0) ARIMA (3, 1, 0) ARIMA (0, 1, 1) ARIMA (0, 1, 2) ARIMA (0, 1, 3) ARIMA (1, 1, 1) ARIMA (1, 1, 2) ARIMA (1, 1, 3) ARIMA (2, 1, 2) ARIMA (2, 1, 3) ARIMA (3, 1, 1) ARIMA (3, 1, 2) ARIMA (3, 1, 3)

R2 0,52078 0,45614 0,36675 0,38791 0,57979 0,59983 0,60995 0,83034 0,82231 0,59457 0,74220 0,40435 0,75849 0,67241

F-stat 23,90803 8,38718 3,47492 14,57611 15,17729 10,49261 16,41983 32,62714 21,98227 6,59935 9,78840 2,88505 10,04981 5,13148

RMSE 2202,645 2195,474 2114,365 2615,826 2167,379 2155,060 1987,175 1310,599 1341,240 1895,586 1511,574 2050,634 1305,757 1520,749

Sumber : Diadopsi dan Diolah dari Lampiran 9 Berdasarkan tabel perbandingan model ARIMA di atas maka dapat diambil keputusan bahwa model tentatif ARIMA (1,1,2) adalah model yang terbaik untuk penawaran kedelai di Kabupaten Sukoharjo. Hal tersebut dikarenakan model penawaran ARIMA (1,1,2) memiliki nilai R2 (koefisien determinasi) paling tinggi dibandingkan dengan alternatif model ARIMA lainnya, yaitu sebesar 0,83034. Nilai R2 tersebut berarti bahwa model yang commit to user



dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 83,034%. Pada uji F model ARIMA (1,1,2) juga memiliki nilai F-hitung yang paling tinggi yaitu sebesar 32,62714. Selain itu model ARIMA (1,1,2) mempunyai nilai RMSE rendah (1310,599) dibandingkan dengan model ARIMA yang lainnya. b. Permintaan Kedelai Tabel 19. Perbandingan Uji Diagnostik Beberapa Model ARIMA Permintaan Kedelai di Kabupaten Sukoharjo Model ARIMA (1,2,0) ARIMA (2,2,0) ARIMA (3,2,0) ARIMA (0,2,1) ARIMA (0,2,2) ARIMA (0,2,3) ARIMA (1,2,1) ARIMA (1,2,2) ARIMA (1,2,3) ARIMA (2,2,1) ARIMA (2,2,2) ARIMA (2,2,3) ARIMA (3,2,1) ARIMA (3,2,2) ARIMA (3,2,3)

R2 0,055111 0,250605 0,244150 0,184000 0,369240 0,391440 0,130571 0,216029 0,273385 0,339464 0,339466 0,460851 0,309643 0,276327 0.427832

F-Stat 1,224821 3,176887 1,830411 4,960790 6,146592 4,288163 1,501797 1,745196 1,693098 3,083535 2,184193 2,735284 1,794100 1,145520 1,744720

RMSE 21,68141 19,74229 19,73050 22,51411 19,79437 19,44291 20,79765 19,74909 19,01294 18,53489 18,53486 16,74542 18,85633 19,30596 17,16652

Sumber : Diadopsi dan Diolah dari Lampiran 10 Berdasarkan tabel perbandingan model ARIMA di atas maka dapat diambil keputusan bahwa model tentatatif ARIMA (2,2,3) adalah model yang terbaik untuk permintaan kedelai di Kabupaten commit dikarenakan to user Sukoharjo. Hal tersebut model penawaran ARIMA



(2,2,3) memiliki nilai R2 (koefisien determinasi) paling tinggi dibandingkan dengan alternatif model ARIMA lainnya, yaitu sebesar 0,460851. Nilai R2 tersebut berarti bahwa model yang dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 46,0851%. Hasil uji F model ARIMA (2,2,3) juga memiliki nilai Fhitung yang tinggi yaitu sebesar 11,919640. Selain itu, model ARIMA (2,2,3) mempunyai nilai RMSE yang paling kecil (16,74542) dibandingkan dengan model ARIMA yang lainnya. d. Uji Variabel Dummy Uji

variabel

dummy

merupakan

uji

stabilitas

dengan

menggunakan uji titik patah Chow (Chow’s Breakpoint Test) yang digunakan untuk mengetahui structural break dari data series. Variabel dummy yang digunakan dalam penelitian ini adalah dummy otonomi daerah di Kabupaten Sukoharjo yang akan membedakan periode sebelum dan setelah pelaksanaan otonomi daerah di Kabupaten Sukoharjo.

Tabel 20. Perbandingan Hasil Uji Chow’s Breakpoint Test Uji Chow F-statistic Prob. F(1%) Prob. F(5%)

Tahun 1999 0,584157 0,736378 0,358388

Tahun 2000 1,687409 0,221521 0,017460

Sumber : Diadopsi dan Diolah dari Lampiran 11 commit to user

Tahun 2001 4,681584 0,016022 0,000051



Dalam pengolahan data, structural break yang digunakan yaitu tahun 1999-2001. Hal tersebut dikarenakan pada tahun 1999 pemerintah Indonesia mengeluarkan Undang-Undang Otonomi Daerah. Berdasarkan informasi yang diperoleh dari Bappeda Kabupaten Sukoharjo bahwa kebijakan otonomi daerah baru mulai dilaksanakan di Kabupaten Sukoharjo pada tahun 2000. Oleh karena itu, uji Chow’s Breakpoint Test dilakukan pada tahun sebelum dan setelah pelaksanaan otonomi daerah di Kabupaten Sukoharjo, yaitu pada tahun 1999-2001. Berdasarkan hasil uji Chow’s Breakpoint Test

pada tabel 20

diketahui bahwa pada tahun 1999 nilai probabilistik lebih besar dari tingkat signifikansi 5% (0,358388 > 0,05), pada tahun 2000 nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,017460 < 0,05), dan pada tahun 2001 nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,000051 < 0,05). Apabila diperbandingkan maka nilai probabilistik yang paling kecil adalah pada tahun 2001, yang berarti bahwa periode tahun 2001 memberikan pengaruh structural break dalam data series tersebut. Jadi nilai variabel dummy sebelum pelaksanaan otonomi daerah (1985-2000) adalah 0, dan nilai variabel dummy setelah pelaksanaan otonomi daerah (2001-2010) adalah 1.

commit to user



e. Model ARIMA Terbaik Dengan Penambahan Variabel Dummy 1) Model ARIMA Terbaik Penawaran Kedelai Dengan Penambahan Variabel Dummy Setelah terpilih model ARIMA (1,1,2) sebagai model penawaran kedelai terbaik, maka dilakukan pengujian untuk mendapatkan

persamaan

penawaran

kedelai

di

Kabupaten

Sukoharjo dengan memasukkan variabel dummy. Adapun hasil analisis pengujian model ARIMA (1,1,2) untuk penawaran kedelai adalah sebagai berikut :

Tabel 21. Hasil Analisis Pengujian Model Terbaik ARIMA (1,1,2) untuk Penawaran Kedelai di Kabupaten Sukoharjo Dengan Penambahan Variabel Dummy Variable Coefficient Std. Error t-Statistic C -319.6490 320.5435 -0.997210 DUMMY 282.6418 533.1355 0.530150 AR(1) -0.905523 0.033426 -27.09069 MA(1) 1.224795 0.420548 2.912379 MA(2) -0.656593 0.408204 -1.608491 R-squared 0.833737 Mean dependent var Adjusted R-squared 0.798734 S.D. dependent var S.E. of regression 1458.157 Akaike info criterion Sum squared resid 40398210 Schwarz criterion Log likelihood -206.0894 F-statistic Durbin-Watson stat 1.640873 Prob(F-statistic) Inverted AR Roots -.91 Inverted MA Roots .40 -1.63 Sumber : Diadopsi dan Diolah dari Lampiran 12

Prob. 0.3312 0.6021 0.0000 0.0089 0.1242 -271.8458 3250.268 17.59079 17.83621 23.81918 0.000000

Berdasarkan hasil pengujian model terbaik ARIMA (1,1,2) dengan memasukkan variabel dummy maka persamaan penawaran kedelai di Kabupaten Sukoharjo commit to useradalah sebagai berikut:



Xς = − 319,6490 + 282,6418 Dς − 0,905523 Xς + 1,224795 eς

− 0,656593 eς

+ eς

Keterangan : Xς


C

= Konstanta

Dς

= Variabel dummy otonomi daerah

Xς

atau AR (1)

eς

atau MA (1)


atau MA (2)


eς eς

= Penawaran kedelai tahun t-1 = Dinamika penawaran kedelai tahun t

Pada tabel 21 menunjukkan bahwa nilai R2 sebesar 0,833737.

Nilai R2 tersebut berarti bahwa model ARIMA (1,1,2) dapat menerangkan

variasi

perubahan

variabel

endogen

sebesar

83,3737%. Nilai probabilitas (F-statistik) lebih kecil dari tingkat signifikansi 5% (0,0000 < 0,05), berarti bahwa variabel dummy otonomi daerah, penawaran kedelai satu tahun sebelumnya, dinamika penawaran kedelai satu tahun sebelumnya, dan dinamika penawaran kedelai dua tahun sebelumnya secara bersama-sama mempengaruhi penawaran kedelai di Kabupaten Sukoharjo. Berdasarkan hasil uji-t diketahui bahwa variabel dummy commit to user otonomi daerah mempunyai nilai probabilitas lebih besar dari



tingkat signifikansi 5% (0,6021 > 0,05), yang berarti bahwa otonomi daerah tidak berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Parameter AR (1) memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti bahwa penawaran kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (1) bertanda negatif sebesar 0,905523 yang berarti bahwa apabila penawaran kedelai satu tahun sebelumnya meningkat 1 satuan maka penawaran kedelai akan turun sebesar 0,905523 satuan. Selanjutnya parameter MA(1) juga memiliki nilai probabilitas yang lebih kecil daripada tingkat signifikansi 5% (0,0089 < 0,05), berarti bahwa dinamika penawaran kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter MA (1) bertanda positif sebesar 1,224795. Artinya bahwa apabila dinamika penawaran kedelai satu tahun sebelumnya meningkat 1 satuan maka akan meningkatkan penawaran kedelai sebesar 1,224795 satuan. Namun parameter MA (2) mempunyai nilai probabilitas lebih besar dari tingkat signifikansi 5% (0,1242 > 0,05) yang berarti bahwa dinamika penawaran kedelai dua tahun sebelumnya tidak commit to user



berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. 2) Model ARIMA Terbaik Permintaan Kedelai Dengan Penambahan Variabel Dummy Setelah terpilih model ARIMA (2,2,3) sebagai model permintaan kedelai terbaik, maka dilakukan pengujian untuk mendapatkan

persamaan

permintaan

kedelai

di

Kabupaten

Sukoharjo dengan memasukkan variabel dummy otonomi daerah. Tabel 22. Hasil Analisis Pengujian Model Terbaik ARIMA (2,2,3) untuk Permintaan Kedelai di Kabupaten Sukoharjo Dengan Penambahan Variabel Dummy Variable Coefficient Std. Error t-Statistic C 0.499319 1.358301 0.367605 DUMMY -4.978951 3.006137 -1.656262 AR(1) -1.031728 0.068715 -15.01461 AR(2) -0.437073 0.043606 -10.02321 MA(1) 1.780114 1.242345 1.432866 MA(2) -1.496510 1.393337 -1.074048 MA(3) -4.758440 1.478047 -3.219410 R-squared 0.967082 Mean dependent var Adjusted R-squared 0.953915 S.D. dependent var S.E. of regression 5.010966 Akaike info criterion Sum squared resid 376.6467 Schwarz criterion Log likelihood -62.45956 F-statistic Durbin-Watson stat 1.229220 Prob(F-statistic) Inverted AR Roots -.52-.41i -.52+.41i Inverted MA Roots 1.46 -1.62+.79i -1.62-.79i Sumber : Diadopsi dan Diolah dari Lampiran 12

Prob. 0.7183 0.1184 0.0000 0.0000 0.1724 0.2998 0.0057 0.029545 23.34230 6.314506 6.661656 73.44731 0.000000

Berdasarkan hasil pengujian model terbaik ARIMA (2,2,3) dengan penambahan variabel dummy maka persamaan permintaan commit to useradalah sebagai berikut: kedelai di Kabupaten Sukoharjo



Xς = 0,499319 − 4,978951 Dς − 1,031728 Xς + eς + 1,780114 eς

Keterangan :

− 1,496510 eς

− 0,437073 Xς

− 4,758440 eς

Xς

= Permintaan kedelai tahun t

C

= Konstanta

Dt


Xς

atau AR (1)


Xς

atau AR (2)


eς

atau MA (1)


atau MA (2)


eς

atau MA (3)


eς eς

= Dinamika permintaan kedelai tahun t

Hasil estimasi model di atas mempunyai Nilai R2 sebesar

0,967082 yang artinya bahwa model ARIMA (2,2,3) permintaan kedelai yang dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 96,7082%. Nilai probabilitas (F-statistik) lebih kecil dari tingkat signifikansi 5% (0,0000 < 0,05). Hal tersebut berarti bahwa parameter dummy otonomi daerah, permintaan kedelai satu tahun sebelumnya, permintaan kedelai dua tahun sebelumnya, dinamika permintaan kedelai satu tahun sebelumnya, dinamika permintaan kedelai dua tahun sebelumnya, dan dinamika permintaan commit tokedelai user tiga tahun sebelumnya secara



bersama-sama mempengaruhi permintaan kedelai di Kabupaten Sukoharjo. Dari hasil uji-t diketahui bahwa parameter dummy otonomi daerah memiliki nilai probabilistik lebih besar dari tingkat signifikansi 5% (0,1184 > 0,05) berarti bahwa variabel otonomi daerah tidak berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Parameter AR (1) yang memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti bahwa permintaan kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (1) bertanda negatif sebesar 1,031728 berarti bahwa dengan adanya peningkatan permintaan kedelai satu tahun sebelumnya sebesar 1 satuan maka akan menurunkan permintaan kedelai sebesar 1,031728 satuan. Selanjutnya parameter AR (2) juga memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0000 < 0,05). Hal ini berarti

bahwa

permintaan

kedelai

dua

tahun

sebelumnya

berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (2) bertanda negatif sebesar 0,437073 yang artinya bahwa adanya peningkatan permintaan kedelai dua tahun sebelumnya sebesar 1 satuan maka akan menurunkan permintaan kedelai sebesar 0,437073 satuan. commit to user



Untuk parameter MA (1) dan MA (2) semuanya memiliki nilai probabilitas lebih besar daripada tingkat signifikansi 5% (0,1724 > 0,05) dan (0,2998 > 0,05). Hal ini berarti bahwa dinamika permintaan kedelai satu tahun sebelumnya dan dinamika permintaan kedelai dua tahun sebelumnya tidak berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Parameter MA (3) memiliki nilai probabilitas lebih kecil daripada tingkat signifikansi 5% (0,0057 < 0,05). Hal ini berarti bahwa dinamika permintaan kedelai tiga tahun sebelumnya berpengaruh secara signifikan terhadap permintaan kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter MA (3) bertanda negatif sebesar 4,758440 yang berarti bahwa apabila terjadi peningkatan dinamika permintaan kedelai tiga tahun sebelumnya sebesar 1 satuan maka akan menurunkan permintaan kedelai sebesar 4,758440 satuan. f. Model Persamaan Simultan Model persamaan simultan yaitu suatu model persamaan dimana satu variabel independen pada satu persamaan sekaligus juga merupakan variabel dependen pada satu atau beberapa persamaan lainnya. Dalam penelitian ini, penawaran dan permintaan kedelai saling mempengaruhi satu sama lainnya. Oleh karena itu, setelah ditentukan model ARIMA untuk penawaran dan permintaan kedelai, maka masing-masing

commit to user diberlakukan model tersebut

dalam

kondisi



keseimbangan pasar (ekuilibrium), dimana penawaran sama dengan permintaan. Model persamaan simultan yang diperoleh berasal dari model penawaran kedelai ARIMA (1,1,3) dan model permintaan kedelai ARIMA (2,2,3) dengan pertimbangan bahwa model persamaan simultan ini merupakan model persamaan yang paling optimal setelah dilakukan berbagai iterasi dengan menggunakan piranti lunak Eviews versi 5.1. Model penawaran kedelai ARIMA (1,1,3) yang digunakan untuk peramalan yaitu : Xς = − 437.1993 + 500.1872 + 1.076993 eς

− 0.896353 Xς

− 0.671228 eς

+ eς

+ 0.447850 eς

Model permintaan kedelai ARIMA (2,2,3) yang digunakan untuk peramalan yaitu : Xς = 0,499319 − 4,978951 Dς − 1,031728 Xς + eς + 1,780114 eς

− 0,437073 Xς

− 1,496510 eς

− 4,758440 eς

Kemudian model penawaran kedelai ARIMA (1,1,3) dan model permintaan kedelai ARIMA (2,2,3) tersebut disimultankan dalam kondisi keseimbangan pasar, dimana :

Xς = Xς

commit to user



Pada kondisi keseimbangan pasar ini, salah satu harus menjadi variabel endogen. Dalam penelitian ini, yang menjadi variabel endogen adalah penawaran kedelai yang nilainya ditentukan dalam sistem persamaan. Hal ini dilakukan dengan pertimbangan bahwa permintaan kedelai selalu meningkat secara linier seiring dengan pertambahan jumlah penduduk. Sedangkan penawaran cenderung selalu mengalami perubahan dan berfluktuatif. Adapun hasil dari model persamaan simultan untuk penawaran dan permintaan kedelai di Kabupaten Sukoharjo adalah sebagai berikut :

Tabel 23. Hasil Analisis Model Persamaan Simultan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Variable

Coefficient Std. Error t-Statistic C -1095.094 375.5384 -2.916063 -DEMANDF223 88.58807 31.90147 2.776927 DUMMY 1222.842 511.3460 2.391418 AR(1) -0.618848 0.180294 -3.432435 MA(1) 0.086687 0.274302 0.316028 MA(2) -0.459463 0.234906 -1.955941 MA(3) -0.605097 0.248434 -2.435648 R-squared 0.677202 Mean dependent var Adjusted R-squared 0.501130 S.D. dependent var S.E. of regression 1621.940 Sum squared resid F-statistic 3.837172 Durbin-Watson stat Prob(F-statistic) 0.025926 Inverted AR Roots -.62 Inverted MA Roots .99 -.54+.57i -.54-.57i Sumber : Diadopsi dan Diolah dari Lampiran 13

Prob. 0.0140 0.0180 0.0358 0.0056 0.7579 0.0763 0.0331 -479.5883 2296.366 28937595 2.074971

Berdasarkan tabel 23 di atas maka model persamaan simultan untuk penawaran kedelai yang digunakan adalah sebagai berikut :

commit to user



X ς = − 1095,094 + 88,58807 X ς + 1222,842 Dt − 0,618848 X ς

+ eς + 0,086687 eς

− 0,459463 eς

− 0,605097eς

Keterangan : Xς


C

= Konstanta

Xς

= Permintaan kedelai

Xς

= Penawaran kedelai tahun t-1

eς


eς


Dς


eς

= Dinamika penawaran kedelai tahun t

eς


Dalam persamaan simultan tersebut, yang menjadi variabel endogen adalah penawaran kedelai. Sedangkan variabel predetermined meliputi variabel eksogen (permintaan kedelai dan dummy) dan lagged variable (penawaran kedelai satu tahun sebelumnya, dinamika penawaran kedelai satu tahun sebelumnya, dinamika penawaran kedelai dua tahun sebelumnya, dan dinamika penawaran kedelai tiga tahun sebelumnya). Dari hasil pengujian persamaan simultan penawaran dan permintaan kedelai di Kabupaten Sukoharjo dapat diketahui bahwa 2 nilai R2 sebesar 0,677202. commit Nilai to userR tersebut berarti bahwa model



tersebut dapat menerangkan variasi perubahan variabel endogen sebesar 67,7202%. Model persamaan simultan memiliki nilai RMSE sebesar 1920,972. Nilai probabilitas (F-statistik) lebih kecil dari tingkat signifikansi 5% (0,025926 < 0,05), berarti bahwa variabel permintaan kedelai, variabel dummy otonomi daerah, variabel penawaran kedelai satu tahun sebelumnya, variabel dinamika

penawaran kedelai satu

tahun sebelumnya, dinamika penawaran kedelai dua tahun sebelumnya, dan dinamika penawaran kedelai tiga tahun sebelumnya secara bersama-sama mempengaruhi penawaran kedelai di Kabupaten Sukoharjo. Berdasarkan hasil uji-t diketahui bahwa parameter permintaan kedelai memiliki nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,0180 < 0,05) berarti bahwa variabel permintaan kedelai berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter permintaan kedelai bertanda positif sebesar 88,58807 berarti bahwa apabila permintaan kedelai meningkat 1 satuan maka penawaran kedelai akan meningkat sebesar 88,58807 satuan. Selanjutnya parameter dummy otonomi daerah memiliki nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,0358 < 0,05) berarti bahwa variabel otonomi daerah berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter dummy bertanda positif commit to user sebesar 1222,842 yang berarti



bahwa dengan adanya pelaksanaan otonomi daerah di Kabupaten Sukoharjo maka penawaran kedelai akan meningkat sebesar 1222,842 satuan. Selanjutnya parameter AR (1) juga memiliki nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,0056 < 0,05) berarti bahwa variabel penawaran kedelai satu tahun sebelumnya berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Nilai koefisien parameter AR (1) bertanda negatif sebesar 0,618848 yang berarti bahwa apabila penawaran kedelai satu tahun sebelumnya meningkat 1 satuan maka penawaran kedelai di Kabupaten Sukoharjo akan menurun sebesar 0,618848 satuan. Sedangkan parameter MA (1) memiliki nilai probabilistik lebih besar dari tingkat signifikansi 5% (0,7579 > 0,05) berarti bahwa dinamika penawaran kedelai satu tahun sebelumnya tidak berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Parameter MA (2) juga memiliki nilai probabilistik lebih besar dari tingkat signifikansi 5% (0,0763 > 0,05) berarti bahwa dinamika penawaran kedelai dua tahun sebelumnya tidak berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Untuk parameter MA (3) memiliki nilai probabilistik lebih kecil dari tingkat signifikansi 5% (0,0331 < 0,05) berarti bahwa dinamika penawaran kedelai tiga tahun sebelumnya berpengaruh secara commit tokedelai user di Kabupaten Sukoharjo. Nilai signifikan terhadap penawaran



koefisien parameter MA (1) bertanda negatif sebesar 0,605097 yang berarti bahwa apabila dinamika penawaran kedelai tiga tahun sebelumnya meningkat 1 satuan maka penawaran kedelai di Kabupaten Sukoharjo akan menurun sebesar 0,605097 satuan. g. Peramalan Penawaran dan Permintaan Kedelai Setelah model persamaan simultan penawaran dan permintaan kedelai diperoleh, maka dapat dilakukan peramalan penawaran dan permintaan kedelai. Adapun persamaannya sebagai berikut : X ς = − 1095,094 + 88,58807 X ς + 1222,842 Dt − 0,618848 X ς

Keterangan :

+ eς + 0,086687 eς

− 0,459463 eς

Xς


C

= Konstanta

Xς

= Permintaan kedelai

Xς

= Penawaran kedelai tahun t-1

eς


eς


Dς


eς

= Dinamika penawaran kedelai tahun t

eς


commit to user

− 0,605097eς



Tabel 24.

Hasil Peramalan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 2011 - 2015 Penawaran (Ton) 7.234,22 7.357,77 6.304,31 6.064,64 5.898,74

Tahun 2011 2012 2013 2014 2015

Permintaan (Ton) 8.629,33 8.682,48 8.736,28 8.793,74 8.846,72

Sumber : Diadopsi dan Diolah dari Lampiran 14

9000 8500 8000 7500 7000 6500 6000 5500 2011

2012

2013 SUPPLY

2014

2015

DEMAND

Gambar 6. Peramalan Penawaran dan Permintaan Kedelai di Kabupaten Sukoharjo Tahun 2011-2015

Berdasarkan tabel 24 di atas dapat diketahui bahwa penawaran kedelai pada tahun 2011-2015 mengalami penurunan dari tahun ke tahun. Penawaran kedelai pada tahun 2011 sebesar 7.234,22 ton, commit to user



kemudian pada tahun 2012 penawaran meningkat menjadi 7.357,77 ton, dan kemudian menurun kembali menjadi 6.304,31 ton dan 6.064,64 ton pada tahun 2013 dan 2014. Pada tahun 2015, penawaran kedelai juga mengalami penurunan menjadi 5.898,74 ton Sedangkan permintaan kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 mengalami peningkatan secara linier dari tahun ke tahun. Pada tahun 2011, permintaan kedelai sebesar 8.629,33 ton. Kemudian meningkat menjadi 8.682,48 pada tahun 2012, dan permintaan kedelai meningkat kembali pada tahun 2013 sebesar 8.736,28 ton. Pada tahun 2014 permintaan kedelai meningkat menjadi 8.793,74 ton dan meningkat kembali menjadi 8.846,72 ton pada tahun 2015. Pada gambar 6 terlihat bahwa penawaran dan permintaan kedelai di Kabupaten Sukoharjo tahun 2011-2015 terjadi gap (kesenjangan) yang berbentuk divergen, dimana selisih antara penawaran dan permintaan dalam waktu mendatang semakin meningkat dari tahun ke tahun. Diperkirakan bahwa pada tahun 2011-2015, di Kabupaten Sukoharjo akan terjadi defisit kedelai. Oleh karena itu, berbagai upaya perlu dilakukan agar penawaran kedelai dapat memenuhi permintaan kedelai yang semakin meningkat di Kabupaten Sukoharjo. Salah satunya melalui pembuatan kebijakan yang kondusif terhadap kedelai sehingga mendukung peningkatan produksi kedelai.

commit to user



B. Pembahasan Kedelai merupakan bahan pangan yang mempunyai peranan yang sangat penting bagi masyarakat Indonesia. Hal ini dapat dilihat dari adanya kenyataan bahwa sebagian besar masyarakat tidak dapat melepaskan diri dari bahan makanan yang berbahan baku kedelai dikarenakan kedelai tinggi akan kandungan protein, murah dan mudah didapat. Dinamika penawaran kedelai di Kabupaten Sukoharjo secara keseluruhan berfluktuatif dan cenderung mengalami penurunan dari tahun ke tahun. Fluktuasi penawaran kedelai di Kabupaten Sukoharjo dipengaruhi oleh luas panen kedelai. Semakin besar lahan yang digunakan untuk bertanam kedelai maka akan semakin meningkatkan produksi kedelai yang akhirnya akan meningkatkan penawaran kedelai. Seiring dengan berjalannya waktu, luas lahan di Kabupaten Sukoharjo yang digunakan untuk lahan pertanian semakin menurun karena terjadi alih fungsi lahan pertanian menjadi lahan nonpertanian, seperti lahan yang digunakan untuk pembangunan perumahan dan perindustrian serta perdagangan. Selain itu juga dipengaruhi oleh gairah petani dalam bertanam kedelai. Kegairahan petani akan muncul apabila terdapat rangsangan yang positif, misalnya adanya bantuan yang diberikan oleh pemerintah daerah (seperti penyuluhan, penyediaan kredit pertanian bagi petani, adanya subsidi pupuk dan benih), maka akan semakin meningkatkan gairah petani dalam menanam kedelai. commit to user



Setelah adanya krisis moneter, tataniaga kedelai dibebaskan sehingga importir umum bebas mengimpor kedelai. Hal tersebut menyebabkan membanjirnya kedelai impor di pasaran dengan harga yang lebih murah dibandingkan dengan kedelai lokal. Posisi kedelai lokal tersingkirkan dengan masuknya kedelai impor yang notabene lebih menguntungkan bagi para pelaku industri tahu tempe, baik dari segi fisik maupun dari segi harga. Penurunan penawaran kedelai juga disebabkan oleh semakin menurunnya kandungan unsur hara pertanian, dimana lahan pertanian selalu digunakan untuk bertanam sehingga terjadi penurunan potensial kesuburan lahan pertanian. Dinamika permintaan kedelai di Kabupaten Sukoharjo dari tahun 1985 hingga tahun 2010 mempunyai pola linier yang selalu meningkat dari tahun ke tahun. Seiring dengan adanya peningkatan jumlah penduduk maka kebutuhan akan pangan semakin meningkat sehingga permintaan kedelai juga akan semakin meningkat. Konsumsi akhir kedelai di Kabupaten Sukoharjo berupa produk olahan dari kedelai, yaitu tahu, tempe, dan kecap. Produk olahan kedelai tersebut mengandung banyak gizi terutama protein sehingga masyarakat yang sadar akan gizi lebih memilih produk olahan kedelai tersebut karena murah dan mudah didapatkan. Dengan semakin berkembangnya industri yang berbahan baku kedelai di Kabupaten Sukoharjo maka akan semakin meningkatkan permintaan kedelai. Berdasarkan informasi dari Disperindag Kabupaten Sukoharjo, industri kecil user sebanyak 297 unit. Para pelaku tahu sebanyak 500 unit dan commit industritotempe



usaha industri tahu menggunakan kedelai lokal yang dicampur dengan kedelai impor dengan perbandingan kedelai lokal sepertiga dari kedelai impor. Walaupun persentase penggunaan kedelai lokal hanya sepertiga namun apabila jumlah industri tahu semakin berkembang maka permintaan kedelai lokal di Kabupaten Sukoharjo juga akan semakin meningkat. Dengan adanya fluktuasi penawaran dan permintaan kedelai maka dilakukan peramalan penawaran dan permintaan kedelai di Kabupaten Sukoharjo dengan menggunakan metode ARIMA. Setelah melakukan perbandingan beberapa model ARIMA maka diambil keputusan bahwa model ARIMA (1,1,2) terbaik untuk penawaran kedelai dan model ARIMA (2,2,3) terbaik untuk permintaan kedelai. Model ARIMA (1,1,2) adalah model yang terbaik untuk penawaran kedelai di Kabupaten Sukoharjo. Hal tersebut dikarenakan model ARIMA (1,1,2) memiliki nilai RMSE terendah yaitu 1310,599. Selain itu juga memiliki nilai R2 paling tinggi sebesar 0,83034. Nilai R2 tersebut berarti bahwa model yang dirumuskan dapat menerangkan variasi perubahan variabel endogen sebesar 83,034%. Model ARIMA (1,1,2) juga memiliki nilai F-statistik yang paling tinggi yaitu sebesar 32,62714 (signifikan pada taraf 5%). Model ARIMA (2,2,3) adalah model terbaik untuk permintaan kedelai di Kabupaten Sukoharjo. Hal tersebut dikarenakan model permintaan ARIMA (2,2,3) mempunyai nilai RMSE paling kecil (16,74542) dibandingkan dengan model ARIMA yang lainnya. Selain itu juga memiliki nilai R2 paling tinggi commit to user yaitu 0,460851. Nilai R2 tersebut berarti bahwa model yang dirumuskan dapat



menerangkan variasi perubahan variabel endogen sebesar 46,0851%. Model ARIMA (2,2,3) juga memiliki nilai F-statistik yang tinggi yaitu sebesar 11,919640 (signifikan pada taraf 5%). Kabupaten Sukoharjo merupakan salah satu daerah yang melaksanakan kebijakan otonomi daerah dalam penyelenggaraan pemerintahan, salah satunya dalam bidang pertanian. Dengan adanya shock policy berupa otonomi daerah, maka akan perlu dilakukan pengujian untuk mengetahui apakah otonomi daerah yang dilaksanakan di Kabupaten Sukoharjo mempengaruhi penawaran dan permintaan kedelai. Setelah dilakukan uji Chow’s Breakpoint Test, ternyata periode tahun 2001 memberikan pengaruh structural break dalam data series tersebut. Jadi nilai variabel dummy sebelum pelaksanaan otonomi daerah (1985-2000) adalah 0, dan nilai variabel dummy setelah pelaksanaan otonomi daerah (2001-2010) adalah 1. Dalam perekonomian, penawaran dan permintaan merupakan suatu hal yang saling mempengaruhi dan dipengaruhi. Oleh karena itu, peramalan penawaran dan permintaan kedelai dilakukan secara simultan yang diposisikan dalam keseimbangan pasar. Model persamaan simultan yang diperoleh berasal dari model penawaran kedelai ARIMA (1,1,3) dan model permintaan kedelai ARIMA (2,2,3) dengan pertimbangan bahwa model persamaan simultan ini merupakan model persamaan yang paling optimal setelah dilakukan berbagai iterasi dengan menggunakan piranti lunak Eviews versi 5.1.

commit to user



Model persamaan simultan yang diperoleh untuk peramalan adalah X ς = − 1095,094 − 88,58807 X ς + 1222,842 Dt − 0,618848 X ς

+ 0,086687 eς

− 0,459463 eς

− 0,605097eς

+ eς

Pada model persamaan simultan memiliki nilai R2 sebesar 0,677202. Nilai R2 tersebut berarti bahwa model tersebut dapat menerangkan variasi perubahan variabel endogen sebesar 67,7202%. Nilai F-statistik sebesar 3,837172 (signifikan pada taraf 5%), dan nilai RMSE sebesar 1920,972. Berdasarkan model persamaan simultan yang diperoleh dari model penawaran ARIMA (1,1,3) dan model permintaan ARIMA (2,2,3) yang bermakna bahwa penawaran dan permintaan kedelai di Kabupaten Sukoharjo relatif responsif terhadap shock policy (kebijakan) yang dilakukan oleh pemerintah Kabupaten Sukoharjo. Hal tersebut terbukti bahwa kebijakan otonomi daerah berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Dengan adanya otonomi daerah maka akan merubah pengaturan atau manajemen

daerahnya,

dan

pemerintah

daerah

memiliki

wewenang

menetapkan kebijakan di daerahnya. Kebijakan yang kondusif terhadap kedelai akan

meningkatkan

produksi

kedelai.

Kebijakan

yang

sudah

ada

pelaksanaannya antara lain pemberian bantuan kepada para petani berupa pembuatan

saluran

irigasi,

meningkatkan

peran

penyuluh

pertanian,

memberikan bantuan benih gratis dan penyaluran dana kepada petani yang sudah dimulai pada tahun 2008. commit to user



Hasil peramalan penawaran kedelai pada tahun 2011-2015 cenderung mengalami penurunan dari tahun ke tahun. Sedangkan hasil peramalan permintaan kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 mengalami peningkatan secara linier dari tahun ke tahun. Secara keseluruhan permintaan kedelai lebih besar dari penawaran kedelai di Kabupaten Sukoharjo sehingga terjadi gap (kesenjangan) berbentuk divergen yang semakin lama semakin besar. Diperkirakan pada tahun 2011-2015, di Kabupaten Sukoharjo akan terjadi defisit kedelai. Dengan perkiraan keadaan neraca kedelai yang defisit, maka pemerintah daerah Kabupaten Sukoharjo harus tanggap sejak dini untuk mengatasi permasalahan tersebut. Berbagai upaya bisa dilakukan oleh pemerintah daerah Kabupaten Sukoharjo, antara lain pembuatan kebijakan di bidang pertanian yang kondusif terhadap kedelai. Pemberian subsidi berupa benih unggul dan pupuk dari pemerintah daerah akan meningkatkan gairah petani dalam dalam bertanam kedelai sehingga dapat meningkatkan produksi kedelai. Pemberian kredit kepada petani yang kurang mampu juga bisa meningkatkan gairah petani dalam bertanam kedelai karena petani yang kurang mampu tetap bisa menjalankan usahatani kedelai dengan bantuan dari pemerintah daerah. Pembentukan kelompok petani kedelai dapat menjadi sarana untuk bertukar pikiran dari para petani terkait permasalahan yang dihadapi dalam usahataninya. Dengan didampingi para penyuluh pertanian saat pertemuan maka akan semakin bisa memberikan solusi dari permasalahan terkait usahatani kedelai.

commit to user



VI. KESIMPULAN DAN SARAN

A. Kesimpulan Berdasarkan hasil penelitian dan analisis yang telah dilakukan, maka dapat diperoleh kesimpulan sebagai berikut : 1. Dinamika penawaran kedelai di Kabupaten Sukoharjo tahun 1985-2010 secara keseluruhan berfluktuatif dan cenderung mengalami penurunan dari tahun ke tahun. Penawaran kedelai tertinggi pada tahun 1992 sebesar 16.893,77 ton, yang mengalami peningkatan sebesar 59,18% dari penawaran kedelai tahun sebelumnya. Penawaran kedelai terendah pada tahun 2002 sebesar 4.669,25 ton, yang mengalami penurunan 39,25% dari penawaran kedelai tahun sebelumnya. 2. Dinamika permintaan kedelai di Kabupaten Sukoharjo tahun 1985-2010 mempunyai pola linier yang selalu meningkat dari tahun ke tahun. Pada tahun 1997 permintaan kedelai mengalami fluktuasi paling tinggi sebesar 1,79% dari tahun 1996. Fluktuasi terendah terjadi pada tahun 2006, dimana permintaan kedelai hanya meningkat sebesar 0,62%. 3. Model ARIMA (1,1,2) adalah model yang terbaik untuk penawaran kedelai di Kabupaten Sukoharjo. Model penawaran ARIMA (1,1,2) memiliki nilai RMSE sebesar 1310,599. Nilai R2 sebesar 0,83034 yang berarti bahwa model tersebut dapat menerangkan variasi perubahan variabel endogen sebesar 83,034%. Nilai F-statistik sebesar 32,62714 (signifikan pada taraf 5%). commit to user

125



4. Model ARIMA (2,2,3) adalah model yang terbaik untuk permintaan kedelai di Kabupaten Sukoharjo. Model permintaan ARIMA (2,2,3) memiliki nilai RMSE sebesar 16,74542. Nilai R2 sebesar 0,460851 yang berarti bahwa model tersebut dapat menerangkan variasi perubahan variabel endogen sebesar 46,0851%. Nilai F-statistik sebesar 11,919640 (signifikan pada taraf 5%). 5. Hasil pengujian Chow’s Breakpoint Test menunjukkan bahwa periode tahun 2001 memberikan pengaruh structural break dalam data series tersebut. Nilai variabel dummy sebelum pelaksanaan otonomi daerah (1985-2000) adalah 0, dan nilai variabel dummy setelah pelaksanaan otonomi daerah (2001-2010) adalah 1. 6. Persamaan simultan yang paling optimal diperoleh dari model penawaran ARIMA (1,1,3) dan model permintaan ARIMA (2,2,3). Penawaran dan permintaan kedelai di Kabupaten Sukoharjo relatif responsif terhadap shock policy (kebijakan) yang dilakukan oleh pemerintah daerah Kabupaten Sukoharjo, yang terbukti dengan adanya kebijakan otonomi daerah yang dilaksanakan di Kabupaten Sukoharjo berpengaruh secara signifikan terhadap penawaran kedelai di Kabupaten Sukoharjo. Salah satu peran pemerintah pada era otonomi berupa pemberian bantuan benih gratis dan suntikan dana kepada petani untuk membeli saprodi, yang sudah dimulai pada tahun 2008. 7. Hasil pengujian persamaan simultan menunjukkan nilai R2 sebesar 0,677202 yang berarti bahwa model tersebut dapat menerangkan variasi commit to user



perubahan variabel endogen sebesar 67,7202%. Nilai F-statistik sebesar 3,837172 (signifikan pada taraf 5%), dan nilai RMSE sebesar 1920,972. 8. Hasil peramalan penawaran kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 cenderung mengalami penurunan dari tahun ke tahun, sedangkan hasil peramalan permintaan kedelai di Kabupaten Sukoharjo pada tahun 2011-2015 mengalami peningkatan secara linier dari tahun ke tahun, sehingga terjadi gap (kesenjangan) antara penawaran dan permintaan kedelai yang berbentuk divergen, dimana selisih penawaran dan permintaan semakin lama semakin besar.

B. Saran Berdasarkan kesimpulan yang diperoleh maka penulis dapat memberikan saran terkait kebijakan yang perlu dilakukan oleh pemerintah daerah Kabupaten Sukoharjo, antara lain : 1. Menerapkan program intensifikasi kedelai sehingga dapat memicu peningkatan produksi kedelai. Intensifikasi kedelai dapat dilakukan melalui budidaya secara intensif, yang meliputi pemilihan benih/bibit unggul, pengolahan tanah yang baik, pemupukan berimbang, irigasi teratur, dan pemberantasan hama dan penyakit yang sesuai. Oleh karena itu pemerintah daerah sebaiknya memfasilitasi berupa bantuan kepada para petani agar program intensifikasi kedelai dapat diterapkan oleh petani. Selain itu, perlu ada penyuluhan dan pendampingan bagi petani agar intensifikasi kedelai dapat diterapkan oleh petani di Sukoharjo. commit to user



2. Pemerintah daerah membuat perencanaan terkait peningkatan anggaran di bidang perkedelaian. Dengan meningkatkan anggaran tersebut maka pemerintah daerah dapat menyalurkan dana kepada para petani untuk pembiayaan usahatani yang langsung diterima petani sehingga program pemberian benih gratis dan suntikan dana dapat terus berlangsung.

commit to user

ANALISIS PERAMALAN PENAWARAN DAN PERMINTAAN KEDELAI PADA ERA OTONOMI DAERAH DI KABUPATEN SUKOHARJO

Recommend Documents