PEMODELAN STOK GABAH/BERAS DI KABUPATEN SUBANG
MOHAMAD CHAFID
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2006
SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis yang berjudul : ”PEMODELAN STOK GABAH/BERAS DI KABUPATEN SUBANG” adalah benar merupakan hasil karya sendiri dengan arahan dari komisi pembimbing dan belum pernah dipublikasikan. Semua sumber data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Bogor, Maret 2006 Yang Menyatakan
Mohamad Chafid NRP :G151024144
ABSTRAK MOHAMAD CHAFID. Pemodelan Stok Gabah/Beras di Kabupaten Subang. Di bawah bimbingan KHAIRIL A NOTODIPUTRO, EDI ABDURACHMAN dan I MADE SUMERTAJ AYA. Data stok gabah/beras sangat dibutuhkan untuk melihat kecukupan pangan di suatu wilayah. Pada saat ini informasi mengenai besarnya stok gabah/beras di suatu wilayah tidak diketahui kecuali melalui survei. Pada penelitian ini dilakukan penyusunan model stok gabah/beras pada 3 pemegang stok yaitu rumah tangga petani, penggilingan padi dan Sub Dolog. Berdasarkan model tersebut dilakukan pendugaan besarnya stok setara beras di Kabupaten Subang. Tujuan dari penelitian ini adalah (1) mendapatkan data stok gabah/beras di rumah tangga petani, penggilingan padi dan Sub Dolog; (2) menyusun model pendugaan stok gabah/beras di rumah tangga petani, penggilingan padi dan Sub Dolog, dan (3) melakukan pendugaan total stok Kabupaten Subang berdasarkan model yang dibangun. Survei dilakukan pada awal Agustus 2005 di 18 Kecamatan di Kabupaten Subang. Jumlah contoh untuk rumah tangga petani sebanyak 217 contoh, jumlah contoh untuk penggilingan sebanyak 70 contoh. Model pendugaan stok untuk rumah tangga petani dan penggilingan padi menggunakan regresi linier berganda, sebagai peubah bebas produksi padi bulanan per kecamatan. Model Sub Dolog dan Model Produksi Bulanan menggunakan model ARIMA (Autoregresive Integrated Moving Average). Hasil penelitian menunjukkan produksi padi bulanan sangat mempengaruhi besanya stok, pada saat panen raya stok cenderung meningkat. Rasio stok terhadap produksi dirumah tangga petani menunjukkan semakin jauh saat panen rasio stok semakin kecil. Rumah Tangga petani yang panen 1 bulan lalu memiliki stok rata-rata 34% dari produksi dan terus menurun, sehingga pada panen 5 bulan lalu stok hanya 7% dari produksi. Hasil penelitian menujukkan stok petani dan penggilingan sangat dipengaruhi oleh besanya produksi padi bulanan di wilayah tersebut. Model ya ng dihasilkan dapat menjelaskan bulan panen yang dapat meningkatkan stok dan bulan panen yang menurunkan stok. Model Stok beras di Sub Dolog Kabupaten Subang adalah dengan menggunakan model transformasi logaritma ARIMA (2,0,2) tanpa pengaruh musiman. Sedangkan model produksi padi bulanan dengan menggunakan model ARIMA (0,0,0)x(1,0,1)12 dengan faktor musiman 12 bulan. Pendugaan besarnya stok total di rumah tangga petani, penggilingan dan Sub Dolog di Kabupaten Subang pada awal Agustus 2005, berdasarkan model adalah 64804 ton setara beras. Peramalan stok setara beras di Kabupaten Subang pada bulan Agustus, September, Oktober, Nopember dan Desember 2005 berturut-turut sebesar 128.28 ribu ton, 149.62 ribu ton, 154.94 ribu ton, 147.63 ribu ton dan 135.51 ribu ton. Pada Januari 2006 produksi diramalkan kembali menurun menjadi 121.98 ribu ton setara beras, karena merupakan puncak masa paceklik.
PEMODELAN STOK GABAH/BERAS DI KABUPATEN SUBANG
MOHAMAD CHAFID
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika
SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006
Judul Tesis Nama NRP Program Studi
: : : :
Pemodelan Stok Gabah/Beras di Kabupaten Subang Mohamad Chafid G 151024144 Statistika
Disetujui Komisi Pembimbing
Dr. Ir. Khairil A Notodiputro, MS Ketua
Dr. Ir. Edi Abdurachman, MS Anggota
Dr. Ir. I Made Sumertajaya, MS Anggota
Diketahui
Ketua Program Studi Statistik a
Dr. Ir. Budi Susetyo, MS Tanggal Ujian : 3 Maret 2006
Dekan Sekolah Pasca Sarjana
Prof. Dr. Ir. Syafrida Manuwoto, M.Sc. Tanggal lulus :
PRAKATA Alhamdulillah puji syukur kehadirat Allah SWT atas rahmat dan karuniaNya sehingga karya ilmiah dengan judul ” Pemodelan Stok Gabah/Beras di Kabupaten Subang” ini dapat diselesaikan. Penulis mengucapkan terimakasih kepada Dr. Ir. Khairil A Notodiputro, MS., Dr. Ir. Edi Abdurachman, MS dan Dr.Ir. I Made Sumertajaya,MS selaku pembimbing yang telah banyak memberikan arahan dan saran dalam penulisan karya ilmiah ini. Disamping itu, penghargaan penulis sampaikan kepada Kepala Dinas Pertanian Kabupaten Subang, Ibu Ariasih beserta staf perencanaan di Dinas Pertanian Subang, yang telah memberikan dukungan dan bantuan atas pelaksanaan survei stok pangan. Penulis juga sampaikan terimakasih dan penghargaan kepada Bapak Edi Abdurachman sebagai Kepala Pusat Data dan Informasi Pertanian, Bapak Harisno sebagai Kepala Bidang Pelayanan Data dan Informasi, Bapak Dewa Ngakan Cakrabawa sebagai Kepala Sub Tanaman Pangan dan Peternakan, serta seluruh tim stok pangan Pusat Data dan Informasi Pertanian (Heni, Hany, Anna, Budi, Ade, Tika dan Yani), atas segala bantuan dan dukungan dalam pelaksanaan survei. Ungkapan terimakasih juga penulis sampaikan kepada para pimpinan dan staf terkait di lingkup Departemen Pertanian yang telah memberikan kesempatan izin belajar. Pada kesempatan ini penulis juga menyampaikan penghargaan dan terimakasih kepada ibunda dan ayahanda, yang senantiasa mendorong dan mendoakan kami. Terimakasih dan penghargaan juga penulis sampaikan kepada istri tercinta yang senantiasa memberi kasih sayang, mendoakan, memberi semangat dan dukungan dalam kelancaran studi, serta kedua putri tercinta kami, putri kami tercinta Inez dan Inda, yang
dengan caranya telah membantu
kelancaran studi. Semoga karya ilmiah ini bermanfaat.
Bogor, Maret 2006
Mohamad Chafid
RIWAYAT HIDUP Penulis dilahirkan di Cirebon pada tanggal 12 Mei 1966 sebagai putra kesembilan dari sembilan bersaudara pasangan Almarhum Bapak Haji Machmud dan Ibu Utih. Pendidikan SD, SMP ditempuh di Kecamatan Palimanan Kabupaten Cirebon. Tahun 1985 penulis lulus dari SMA Negeri 2 Cirebon. Pendidikan Sarjana di tempuh di Institut Pertanian Bogor, Jurusan Teknologi Pangan dan Gizi, Fakultas Teknologi Pertanian, lulus tahun 1991. Pada tahun 1998 penulis menikah dengan Gayatri Indriswari dan dikaruniai 2 orang putri yaitu Inez Nabilaswari (6 tahun) dan Indaswari Hafidzni Putri (4 tahun). Penulis mulai bekerja sejak tahun 1994 di Pusat Data dan Informasi Pertanian, Departemen Pertanian, sebagai tenaga Fungsional Statistik.
DAFTAR ISI Halaman DAFTAR TABEL .............................................................................
ix
DAFTAR GAMBAR..........................................................................
x
DAFTAR LAMPIRAN......................................................................
xi
PENDAHULUAN ............................................................................
1
TINJAUAN PUSTAKA Beras Komoditas Strategis........................................................... Konsep Stok.................................................................................. Stok Petani.................................................................................... Stok Penggilingan ....................................................................... Survei Contoh .............................................................................. Analisis Regresi Linier Berganda................................................ Model Deret Waktu ARIMA........................................................
4 6 8 9 10 11 13
METODOLOGI Sumber Data................................................................................. Perancangan Surve i..................................................................... Pelaksanaan Survei...................................................................... Pemilihan Rumah Tangga Petani Contoh ................................... Pemilihan Penggilingan Padi Contoh ........................................ Pendugaan Stok Gabah/Beras di Wilayah Kabupaten................. Model Stok Petani……………………………………………… Model Stok Penggilingan............................................................. Model Stok Sub Dolog................................................................. Model Stok Wilayah Kabupaten ..................................................
19 19 23 25 30 31 33 35 37 38
HASIL DAN PEMBAHASAN Karakteristik Petani Responden.................................................... Deskripsi Pola Panen Padi Kabupaten Subang............................. Deskripsi Luas Panen, Produktivitas dan Stok............................. Suplai Gabah/Beras di Rumah Tangga Petani.............................. Deskripsi Rasio Stok Terhadap Produksi..................................... Deskripsi Penggilingan Padi......................................................... Deskripsi Sub Dolog..................................................................... Model Stok Petani........................................................................ Model Stok Penggilingan............................................................. Model Stok Sub Dolog................................................................. Stok Gabah/Beras di Kabupaten Subang...................................... Peramalan Stok Setara Beras Di Kabupaten Subang....................
39 41 43 44 46 51 56 57 63 69 73 74
KESIMPULAN DAN SARAN................................................................. DAFTAR PUSTAKA......................................................................... LAMPIRAN ......................................................................................
81 84 86
DAFTAR TABEL Halaman 1 Harga pembelian dan persyaratan gabah ....................................................
5
2 Pemilihan Kecamatan Contoh ....................................................................
26
3 Alokasi rumah tangga contoh survei stok gabah/beras.................................
27
4 Jumlah alokasi contoh petani per desa terpilih ..........................................
28
5 Daftar jumlah rumah tangga petani contoh ................................................
29
6 Jumlah populasi dan penggilingan contoh ...................................................
31
7 Konsumsi beras per kapita petani responden .............................................
40
8 Produksi padi sawah di Kabupaten Subang ...............................................
42
9 Rasio stok terhadap produksi Kabupaten Subang .....................................
47
10 Rasio stok terhadap produksi Kabupaten Subang Wilayah Non Pantura....
49
11 Rasio stok terhadap produksi Kabupaten Subang Wilayah Pantura ............ 49 12 Besaran stok di penggilingan pada awal Agustus 2006 ………………........ 52 13 Volume pembelian gabah dan penjualan beras bulan Juli 2005 ................. 53 14 Volume penjualan beras berdasarkan tujuan penjualan .............................. 55 15 Deskripsi Stok Sub Dolog Subang tahun 1997 – 2005 ................................. 57 16 Model stok petani ........................................................................................ 60 17 Pendugaan stok setara beras di rumah tangga petani .................................. 62 18 Model stok penggilingan ............................................................................. 65 19 Pendugaan stok setara beras di penggilingan .............................................. 68 20 Penduga parameter model ARIMA (2,0,0) dan ARIMA (2,0,2) .................. 70 21 Uji kebebasan galat dengan Modified Box-Pierce (Ljung-Box) ................... 70 22 Peramalan stok setara beras di Sub Dolog Kabupaten Subang dengan Model ARIMA (2,0,2) ................................................................................. 72 23 Stok setara beras pada Bulan Agustus 2005 di Kabupaten Subang ............. 74 24 Penduga parameter model ARIMA (0,0,2)x(1,0,1)12 ................................. 76 25 Uji kebebasan galat dengan Modified Box-Pierce (Ljung-Box) model ARIMA (0,0,0)x(1,0,1)12 .......................................................................... 77 26 Peramalan produksi padi di Kabupaten Subang dengan model ARIMA (0,0,2)x(1,0,1)12 .......................................................................................... 77 27 Peramalan Stok setara beras di Kabupaten Subang ...................................... 80
DAFTAR GAMBAR Halaman 1 Tata niaga padi dari petani sampai konsumen .............................................
6
2 Skema distribusi stok beras (BPS 2002) .....................................................
8
3 Diagram alir pengumpulan data stok petani ...............................................
21
4 Diagram alir pengumpulan data stok penggilingan.......................................
22
5 Skema model penelitian stok ....................................................................
32
6 Skema penggunaan produksi gabah oleh petani .........................................
34
7 Skema pembelian, penjualan dan stok penggilingan ..................................
35
8 Histogram pendidikan petani responden
39
..................................................
9 Histogram umur petani responden ............................................................
40
10 Diagram kotak garis konsumsi per kapita .................................................
41
11 Pola panen padi di Kabupaten Subang ......................................................... 42 12 Diagram kotak garis produktivitas padi …........................……………........ 44 13 Pola ketersediaan gabah/beras pada petani contoh Kabupaten Subang ...... 45 14 Rasio stok terhadap produksi menurut waktu panen .................................. 48 15 Rasio stok terhadap produksi menurut lag waktu panen berdasarkan wilayah .......................................................................................................... 50 16 Diagram kotak garis stok beras di penggilingan pada awal Agustus 2005 .............................................................................................. 53 17 Volume pembelian gabah oleh penggilingan bulan Juli 2005 ...................
54
18 Volume penjualan beras oleh penggilingan bula n Juli 2005 ....................... 55 19 Plot pendugaan stok di petani menurut hasil survei dan model.................... 63 20 Plot pendugaan stok di penggilingan menurut hasil surve i dan model ......... 68 21 Plot antara nilai aktual dan dugaan stok setara beras di Sub Dolog............... 72 22 Nilai aktual dan dugaan produksi serta peramalan 6 bulan ke depan dengan model ARIMA (0,0,0)x(1,0,1)12 ..................................................... 78
DAFTAR LAMPIRAN Halaman 1 Deskripsi luas panen, produksi, produktivitas dan stok .............................
87
2 Pendugaan stok di rumah tangga petani berdasarkan hasil survei..............
90
3 Model Stok Petani .................. ...................................................................
91
4 Pendugaan Stok beras di penggilingan berdasarkan hasil survei ...............
95
5 Model Stok Penggilingan ..........................................................................
96
6 Model Stok Sub Dolog .............................................................................
102
7 Model produksi Kabupaten Subang .........................................................
109
8 Kuisioner survei stok gabah/beras
..........................................................
117
9 Aplikasi perhitungan stok gabah/beras bulanan Kabupaten Subang .........
134
PENDAHULUAN Latar Belakang Beras telah menjadi bahan makanan pokok bagi sebagian besar masyarakat Indonesia. Hal ini terutama disebabkan beras telah semakin banyak diproduksi, tersedia dan mudah diperoleh di setiap saat dan setiap tempat. Dominasi beras dalam konsumsi pangan masyarakat dan kemudahannya dalam penyimpanan, distribusi dan penyajian, telah mendorong pemerintah dan masyarakat membangun cadangan pangan dalam bentuk beras atau gabah. Cadangan pangan terutama beras merupakan komponen yang sangat penting dalam penyediaan pangan, karena dapat difungsikan sebagai stabilisator pasokan pangan pada saat produksi atau pasokan tidak mencukupi. Informasi mengenai stok beras ini sangat penting untuk mengetahui situasi ketahanan pangan, baik di tingkat rumah tangga maupun wilayah (kabupaten, propinsi, nasional). Informasi stok beras pemerintah relatif lebih mudah diperoleh karena dilakukan oleh instansi pemerintah (pada saat ini Bulog),
sedangkan informasi mengenai stok
gabah/beras di masyarakat lebih sulit diperoleh dan tidak tersedia secara rutin. Di sisi lain data stok ini sangat dibutuhkan dalam penentuan kebijakan sektor pertanian karena menyangkut ketersediaan pangan di suatu wilayah. Mengingat informasi tersebut sangat diperlukan oleh para pengambil kebijakan dalam mempertimbangkan apakah harus melakukan impor atau tidak, harus mendatangkan beras dari wilayah lain atau tidak, dan cadangan beras mencukupi atau tidak, maka diperlukan penelitian mengenai stok gabah/beras. Untuk menduga stok gabah/beras di suatu wilayah perlu dilakukan survei. Namun demikian survei membutuhkan biaya, waktu dan tenaga yang cukup besar. Oleh karena itu diperlukan suatu model pendugaan stok gabah/beras di suatu wilayah. Hasil dari penelitian diharapkan bermanfaat bagi para pengambil kebijakan mengetahui dengan mudah jumlah stok
gabah/beras di wilayahnya. Hal ini
penting diketahui apakah wilayah tersebut perlu mendatangkan beras dari luar wilayah atau sebaliknya jika surplus dapat menjual beras ke daerah lain. Kemudahan model pendugaan stok menjadi faktor penting, dalam memanfaatkan model tersebut.
2
Perumusan Masalah Informasi mengenai jumlah pangan yang tersedia dalam suatu wilayah menjadi sangat penting. Pada sisi lain informasi mengenai besarnya stok pangan ini sulit diperoleh. Beberapa permasalahan yang dihadapi dalam menghitung stok beras di masyarakat diantaranya adalah : 1. Siapa saja yang melakukan penyimpanan stok gabah/beras dan bagaimana pola penyimpanan stok tersebut? 2. Berapa besar stok gabah/beras yang dis impan oleh rumah tangga petani produsen, faktor- faktor apa yang menentukan besar kecilnya stok tersebut? Apakah penggilingan padi melakukan penyimpanan stok dan berapa besarnya? Berapa besar stok gabah/beras dari waktu ke waktu yang disimpan oleh Sub Dolog? 3. Metodologi survei apa yang digunakan untuk menduga besarnya stok gabah/beras di suatu wilayah? 4. Model apa yang digunakan untuk menduga besarnya stok di rumah tangga petani, penggilingan padi dan Sub Dolog? 5. Bagaimana menduga total stok di wilayah Subang dengan menggunakan model? Bagaimana meramalkan besarnya stok gabah/beras bulanan di kabupaten contoh? Berdasarkan permasalahan tersebut maka akan dilakukan penelitian stok gabah/beras di suatu wilayah, pada penelitian ini studi khusus untuk Kabupaten Subang. Penelitian dilakukan melalui survei, selanjutnya data hasil survei akan dibuat model dan dilakukan simulasi peramalan stok dari model tersebut.
3
Tujuan Untuk menjawab pemasalahan tersebut, maka diperlukan solusi dalam memecahkan masalah. Tujuan dari penelitian ini adalah : 1. Mendapatkan
data
stok
gabah/beras
di
rumah
tangga
petani,
penggilingan dan sub Dolog. 2. Membangun model pendugaan stok gabah/beras di tingkat petani produsen, model stok gabah/beras beras di penggilingan, serta model stok gabah di pemerintah/Dolog. 3. Melakukan pendugaan stok gabah/beras kabupaten contoh berdasarkan model yang telah dibangun.
Ruang Lingkup Stok gabah/beras besarnya bervariasi di masyarakat. Masyarakat yang melakukan stok gabah/beras adalah : rumah tangga produsen padi, rumah tangga konsumen, penggilingan padi, pedagang beras, rumah tangga khusus (rumah makan dan hotel) dan industri pengolahan. Mengingat begitu banyaknya pemegang stok di masyarakat ini, di lain pihak adanya keterbatasan tenaga, biaya dan waktu, maka penelitian ini hanya di fokuskan kepada tiga pemegang stok utama yaitu : 1. Stok gabah/beras di rumah tangga petani produsen. 2. Stok gabah/beras di penggilingan. 3. Stok gabah/beras di Sub Dolog. Disamping itu juga diperkuat oleh penelitian yang dilakukan Sugianto et al. (1989), yang menyatakan bahwa pemegang stok terbesar adalah petani produsen dan penggilingan. Survei dilakukan pada tiga komponen pemegang stok gabah/beras tersebut. Survei ini hanya dilakukan pada satu kabupaten saja, kabupaten yang dipilih sebagai contoh pada penelitian ini adalah Kabupaten Subang.
TINJAUAN PUSTAKA Beras Komoditas Strategis Pemenuhan kebutuhan pangan yang cukup merupakan salah satu hak bagi manusia yang paling azasi dan juga salah satu penentu bagi perwujudan ketahanan nasional. Sehubungan dengan itu, kekurangan pangan yang terjadi secara meluas di suatu negara akan menyebakan kerawanan ekonomi, sosial dan politik yang dapat menggoyahkan stabilitas suatu negara. Bagi Indonesia, beras merupakan bahan pangan pokok yang sangat dominan. Pengalaman menunjukkan bahwa kelangkaan penyediaan beras yang menyebabkan melonjaknya harga beras pada tahun 1966 dan 1998, secara langsung atau tidak langsung memperparah krisis ekonomi, social dan politik yang terjadi pada saat itu, yang berujung pada pergantian pemerintahan (Malian et al. 2003). Secara ekonomis, beras masih merupakan komoditas strategis dalam perekonomian nasional, karena : (1). Usaha tani padi menyediakan kesempatan kerja dan sumber pendapatan bagi sekitar 21 juta rumah tangga petani; (2). Beras merupakan bahan pangan pokok bagi sekitar 95% penduduk Indonesia yang jumlahnya sekitar 205 juta jiwa, dengan pangsa konsumsi energi dan protein yang berasal dari beras lebih dari 55 persen; dan (3). Sekitar 30 persen dari total pengeluaran rumah tangga miskin dialokasikan untuk beras (Malian et al. 2003). Seiring dengan berjalannya era reformasi, lingkungan strategis domestik dan global berubah secara sangat dinamis. Khusus yang terkait dengan pemantapan ketahanan pangan, perubahan yang sangat signifikan adalah : (1). Pemerintah lebih membuka perekonomian Indonesia terhadap pasar global, termasuk untuk beras; dan (2). Terjadi perubahan paradigma pelaksanaan pembangunan dari sentralisasi kearah desentralisasi dan otonomi daerah serta dari kentalnya peran pemerintah sebagai pelaku menjadi peran pemicu dan/atau pemacu pembangunan yang dilaksanakan masyarakat. Pada tanggal 2 Maret 2005 Presiden mengeluarkan Instruksi Presiden (Inpres) No. 2/2005 tentang Kebijakan Perberasan. Dengan demikian Inpres No. 9 /2002 dinyatakan tidak berlaku. Presiden dalam inpres tersebut menetapkan harga pembelian pemerintah (HPP) gabah kering panen dalam negeri sebesar
5
Rp 1330 per kilogram di penggilingan. Sebelumnya (tidak ditetapkan dalam inpres) Perum Bulog membeli GKP Rp 1230 per kg di tingkat petani. Sedangkan harga gabah kering giling (GKG) yang dalam peraturan yang lama, yaitu Inpres No. 9/2002, disebutkan harga dasar pembelian GKG petani dalam negeri oleh Bulog adalah Rp 1725 di gudang Bulog. Dalam Inpres yang baru disebutkan harga pembelian GKG dalam negeri adalah Rp 1765 per kg di gudang penyimpanan atau Rp 1740 per kg di penggilingan. Untuk beras dalam inpres yang lama disebutkan harga dasar pembelian beras petani dalam negeri oleh oleh Bulog adalah Rp 2790 per kg di gudang Bulog. Sementara dalam inpres yang baru, harga pembelian beras dalam negeri adalah Rp 2790 per kg di penggilingan. Perbedaan lainnya, dalam inpres yang lama tidak ada persyaratan kualitas beras, sedangkan di dalam inpres yang baru ada beberapa syarat kualitas beras. Dalam inpres yang baru, Presiden menginstruksikan pelaksanaan pembelian gabah oleh pemerintah secara nasional dilakukan Perum Bulog. Namun, dalam bagian lain inpres itu juga disebutkan pembelian gabah oleh pemerintah di daerah, selain dilakukan Perum Bulog, juga dapat dilakukan oleh badan pemerintah atau badan usaha di bidang pangan (Kompas 5 Maret 2005). Tabel 1 Harga Pembelian dan Persyaratan Persyaratan GKP (%) - Kadar air maksimun 25 - Butir hampa/kotoran maksimum 10 -Butir kuning/rusak maksimum 3 -Butir hijau/ mengapur maksimum 10 - Butir merah maksimum 3 Harga Pembelian : • GKP di penggilingan Rp 1.330/kg • GKG di gudang penyimpanan Rp 1.765/kg • GKG di penggilingan Rp 1.740/kg • Beras di penggilingan Rp 2.790/kg
GKG (%) 14 3 3 5 3
Sumber : Pemerintah
Menurut penelitian Natawidjaja (2001) petani akan menjual hasil panen ke penebas, pedagang pengumpul atau KUD. Penebas dan pedagang pengumpul langsung menjualnya ke penggilingan. Penggilingan selanjutnya mengolah padi menjadi beras dan menjualnya ke pedagang besar, atau Pasar Induk/Kota atau bisa juga ke Dolog. Pedagang besar dan Pasar Induk selanjutnya menjual beras ke
6
toko/pedagang pengecer, dan pedagang pengecer menjualnya beras ke konsumen. Untuk lebih jelasnya dapat dilihat pada Gambar 1 di bawah ini. PETANI Padi
Padi
Padi KUD
Pedagang pengumpul
Penebas Padi
Padi Beras Pedagang penampungan (Penggilingan padi) DOLOG/BULOG Beras
Beras
Pedagang besar
Pasar Induk/Kota
Beras
Beras
Beras
Toko/Kios Pengecer
KONSUMEN
Gambar 1
Saluran Tata Niaga Padi dari Petani Sampai ke Konsumen (Natawidjaja 2001) Konsep Stok
Stok adalah sejumlah bahan makanan yang disimpan/dikuasai oleh pemerintah atau swasta seperti yang ada di pabrik, gudang, depo, lumbung petani/rumah tangga dan pasar/pedagang, yang dimaksud sebagai cadangan dan akan digunakan apabila sewaktu-waktu diperlukan (Neraca Bahan Makanan 2003). Sugianto et al (1989) mengemukakan bahwa menurut tujuannya stok dapat dikelompokkan menjadi tiga macam yaitu : (1). Stok kerja atau stok saluran (2). Stok spekulasi dan (3). Stok berjaga-jaga.
Stok kerja adalah stok yang
7
dimaksudkan untuk memperoleh keuntungan ekonomi secara langsung. Oleh karena itu stok kerja tidak responsif terhadap keuntungan yang diharapkan dari stok tersebut.
Sebaliknya stok spekulasi adalah stok yang dipupuk untuk
mempengaruhi keuntungan yang diharapkan dari peningkatan harga di masa depan. Oleh karena itu stok spekulasi sangat responsif terhadap keuntungan yang diharapkan dari stok. Stok berjaga-jaga adalah stok yang disimpan untuk memenuhi kebutuhan yang tidak terduga. Secara umum pelaku pemupuk stok gabah/beras dibagi menjadi dua yaitu : (1). Pemerintah dan (2). Masyarakat. Besaran stok di pemerintah relatif lebih mudah diketahui, tetapi besaran stok di masyarakat tidak mudah untuk diketahui setiap saat. Untuk mengetahui dengan lebih obyektif dilakukan melalui survei yang membutuhkan dana yang tidak sedikit dan waktu yang cukup lama. Oleh karena itu model untuk mengestimasi stok beras di masyarakat sangat diperlukan, walaupun tingkat akurasinya tidak sebaik survei namun penyajian datanya cepat tanpa dana yang besar (Sugianto et al. 1989). Pelaku pemupukan stok di masyarakat dapat dibedakan menjadi 6 kelompok yaitu : (1). Konsumen Rumah Tangga, (2). Petani produsen, (3). Pedagang makanan/hotel, (4). Pedagang perantara, (5). Industri pengolahan dan (6). Penggilingan padi. Berdasarkan hasil penelitian tahun 1989, disimpulkan bahwa petani produsen dan penggilingan adalah merupakan pemupuk stok terbesar dibandingkan kelompok lainnya, setelah itu adalah pedaga ng perantara (Sugianto et al. 1989). Secara skematis, distribusi stok beras dapat digambarkan seperti Gambar 2 di bawah ini. Secara matematis, ketersediaan beras secara nasional adalah produksi dalam negeri ditambah ekspor netto (impor dikurangi ekspor) ditambah stok periode sebelumnya. Jika lingkupnya wilayah maka ketersediaan beras adalah produksi wilayah tersebut ditambah distribusi masuk dikurangi keluar dan ditambah stok periode sebelumnya. Beras yang tersedia ini digunakan untuk kebutuhan dalam negeri yang terdiri dari konsumsi penduduk, bibit, industri pengolahan
dan
sebagainya. Sedangkan sisanya merupakan stok yang berada di pemerintah dan masyarakat (BPS 2002).
8
Produksi
Stok Sebelumnya
Masuk - Keluar
Suplai (Ketersediaan)
Penggunaan
Disimpan (stok)
(Konsumsi, bibit, industri,dll)
Masyarakat
• • • • • •
Pemerintah
Petani Produsen Penggilingan Rumah makan/hotel Pedagang Industri Pengolahan Rumah Tangga Konsumen
Gambar 2 Skema Distribusi Stok Beras (BPS 2002)
Stok Petani Rumah tangga petani (produsen) adalah rumah tangga dimana salah satu atau lebih anggota rumah tangganya mengusahakan tanaman padi dan melakukan panen, sehingga mempunya kontribusi terhadap produksi padi (BPS 2004). Stok gabah/beras di rumah tangga adalah banyaknya gabah/beras yang disimpan di rumah tangga baik untuk keperluan cadangan maupun untuk konsumsi sehari- hari (BPS dan BBKP 2004). Rumah Tangga Petani merupakan salah satu pemegang stok gabah/beras. Petani setelah panen padi, pada umumnya ada sebagian gabah dijual baik untuk modal usaha tani musim berikutnya atau keperluan lain dan sebagian gabah lagi disimpan baik untuk konsumsi atau cadangan pangan (BPS 2004).
9
BPS dan BBKP (2002) telah mengembangkan perhitungan cadangan beras (stok beras) dengan menggunakan rumus : l
Stok pe tan i = ∑ rasioi i =0
prod
i
n
dengan:
rasio
i
=
∑x j= 1 n
ij
dan prod i = luas i x hasil i
∑y j =1
ij
dimana, stok petani= Stok beras di rumah tangga petani di suatu propinsi/wilayah rasio i = rasio stok beras terhadap produksi padi bulan panen lag ke- i di suatu propinsi /wilayah. prodi =produksi padi bulan panen lag ke- i di suatu propinsi/wilayah xij
= Stok beras rumah tangga ke-j kelompok bulan panen lag ke- i
yij
=produksi padi (GKG) rumah tangga ke-j bulan pane n lag ke- i
luasi
=luas panen padi bulan panen lag ke- i
hasili =hasil per hektar tanaman padi pada bulan panen lag ke- i i
= banyaknya lag bulan panen dari saat pencacahan
n
=banyaknya rumah tangga petani contoh di suatu propinsi/wilayah
Stok Penggilingan Penggilingan adalah perusahaan yang melakukan proses pengolahan padi mulai dari gabah menjadi beras.
Penggilingan dimaksud adalah penggilingan
yang selain melayani jasa pengolahan gabah menjadi beras juga melakukan pembelian/penjualan gabah/beras dengan pihak lain, tidak termasuk penggilingan yang hanya melayani jasa pengolahan gabah menjadi beras saja. Stok gabah/beras di penggilingan adalah banyaknya gabah beras yang disimpan di penggilingan dan dimiliki/dikuasai oleh perusahaan penggilingan. Tidak termasuk cadangan (stok) milik pihak lain yang menyimpan/menitipkan gabah/bersanya di penggilingan tersebut (BPS 2002). BPS dan BBKP (2002) telah melakukan survei untuk mendapatkan model stok beras, melalui persamaan regresi linier sederhana yaitu : Sˆ =b0 + b1 P dimana
Sˆ estimasi total stok di penggilingan pada saat pengamatan stok, P produksi padi
10
selama 4 bulan sebelum pengamatan stok, bo intersep dan b1 koefisien regresi. Namun pada kenyataanya model yang diperoleh adalah Sˆ = 7,376%P.
Survei Contoh Tujuan dari survei contoh adalah membuat kesimpulan mengenai suatu populasi berdasrkan contoh yang diambil dari populasi tersebut. Kesimpulan dari suatu survei contoh bertujuan untuk menduga karakteristik dari populasi seperti rataan, total atau varian (ragam) dan biasa disebut parameter (Scheaffer et al. 1990). Penduga adalah suatu fungsi dari peubah acak, yang digunakan untuk menduga suatu parameter. Sebagai contoh, rataan contoh
y sebagai penduga
rataan populasi µ. Rataan contoh y adalah suatu penduga karena merupakan suatu fungsi dari hasil observasi contoh. Beberapa kemungkinan yang terjadi apakah rataan y cukup dekat dengan µ ataukah cukup jauh dengan µ. Jika kita mengambil suatu contoh dan menghitung rataan untuk menentukan penduga terbaik bagi µ, kita ingin mengetahui apakah nilai rataan y cukup dekat dengan µ. Oleh karena itu kita merencanakan mengambil contoh untuk memastikan bahwa E ( y ) = µ dan V( y ) “kecil”. Lebih lanjut Scheaffer et al. (1990) menyatakan secara umum jika θˆ adalah suatu penduga bagi parameter ?, dua sifat yang diharapakan dari penduga θˆ adalah : 1. E ( θˆ ) = ? disebut penduga tak bias. 2 2. V( θˆ ) =σ θ kecil (minimum)
Sedangkan Netter (1990) menambahkan sifat-sifat penduga : 1. Suatu penduga θˆ bagi parameter ? dikatakan tidak berbias jika : E { θˆ } = ? 2. Suatu penduga θˆ merupakan penduga konsisten bagi ? jika: Lim P(| θˆ - ?| =e)=0 untuk sembarang e > 0 n? ~
11
3. Suatu penduga θˆ merupakan penduga cukup bagi ? jika fungsi peluang bersama bersyarat bagi amatan-amatan contoh, jika θˆ diketahui, tidak bergantung pada parameter ?. 4. Suatu penduga θˆ merupakan penduga ragam minimum bagi ? jika untuk sembarang penduga θˆ * lainnya :
σ 2 {θˆ} ≤ σ 2 {θˆ∗ }
untuk semua θˆ *
Sumber-sumber Kesalahan dalam Survei (Scheaffer et al. 1990) 1. Sampling Error : terjadi karena suatu contoh tidak dapat memberikan informasi yang lengkap tentang suatu populasi. Kesalahan ini dapat dicegah dengan membuat design survei secara hati- hati dan benar. 2. Non Sampling Error : kesalahan ini lebih sulit untuk diatasi. Jenisjenis kesalahan non sampling error : - Non respon : responden tidak memberikan respon terhadap informasi yang diinginkan - Responden memberikan informasi yang salah. - Kesalahan pendefinisian dalam kuisioner survei atau memiliki persepsi sendiri-sendiri.
Analisis Regresi Linier Berganda Analisis regresi merupakan suatu teknik statistik untuk menyelidiki dan memodelkan hubungan diantara peubah-peubah, yaitu peubah tak bebas (respon) dan peubah bebas (prediktor). Diantara model- model regresi, model regresi linier merupakan model yang paling sederhana dan paling sering digunakan. Suatu model linier adalah sebuah fungsi linier dalam parameter β 0, β1, ........., βm (Myers & Milton, 1991). Model Regresi yang mempunyai lebih dari satu peubah bebas dan linier dalam koefisennya disebut model regresi linier berganda. Persamaan regresi linier adalah persamaan antara satu peubah tak bebas (Y) dengan satu atau lebih peubah bebas (X1 , X2 ,.....,Xp ), yang dinyatakan sebagai berikut : Yi = β 0 + β1 X 1i + β 2 X 2i + ..... + β p X pi + ε i
atau dalam bentuk matriks : Y = Xβ + e
12
dimana X = matriks peubah bebas berukuran nxk Y= vektor peubah tak bebas berukuran nx1 β = vector parameter berukuran kx1 e = vector galat (sisaan) berukuran nx1 n= banyaknya pengamatan k=p+1 adalah banyaknya parameter. Dalam model regresi klasik diasumsikan bahwa ei
merupakan suatu
peubah acak yang berdistribusi normal dengan nilai tengah nol; dan ragam s2 , serta ei dan ej tidak berkorelasi (bebas satu sama lain). Dengan kata lain model memiliki sifat : ei ~ N(0, s 2 ) ; E(ei) = 0 ; V(ei) = s 2 dan Cov(ei , ej) = 0 , i?j. Pendugaan parameter dalam model regresi biasa dilakukan dengan meminimumkan jumlah kuadrat sisaan atau : ε ′ε = (Y − X β ) ′(Y − X β ) = Y ′Y − 2β ′X ′Y + β ′X ′X β
Sebagai nilai dugaan, maka akan dipilih β sedemikian rupa sehingga sehingga nilai ε ′ε akan minimum. Caranya adalah dengan mendiferensialkan persamaan tersebut terhadap β dan kemudian dis amakan dengan nol, yaitu :
∂(ε ′ε ) = −2 X ′Y + 2 X ′X β = 0 ∂β sehingga akan didapatkan : −1 βˆ = ( X ′X ) ( X ′Y )
dengan X ′X adalah matriks non singular (berpangkat penuh). Penduga βˆ adalah penduga yang mempunyai sifat linier, tidak berbias dan me miliki ragam minimum (Myers & Milton, 1991). Apabila matriks X ′X tidak berpangkat penuh, maka penduga β dicari dengan matriks kebalikan umum. Penduga tersebut bersifat tidak unik, dan solusi umumnya (Kshirsagar 1983) adalah : ~ β = βˆ + (I − H )z dimana H = S − S adalah matriks idempoten berukuran pxp dan mempunyai sifat H2 =H, SH=S, pangkat H = pangkat S = pangkat X = tr H ; dan z adalah vektor sembarang; sedangkan
13
βˆ = S − X ′Y dimana S − adalah kebalikan umum dari S = X ′X . Menurut Myer (1990) selang kepercayaan dan selang pendugaan untuk regresi berganda dapat diduga dari parameter Var ( yˆ | x = x 0 ) dimana : x ′ = (1, x1 , x2 ,......, xk ) dan vektor x ′0 = (1, x1, 0 , x2, 0 ,........, x k , 0 )
Pada saat x=x0 , diasumsikan galat menyebar normal, maka selang kepercayaan 100(1-a)% bagi E(y| x=x0 ) diberikan oleh : −1 yˆ ( x0 ) ± t α / 2, n− p s x ′0 ( X ′X ) x 0
Disini nilai s x ′0 ( X ′X ) −1 x 0 disebut galat baku pendugaan (standard error of prediction). Sedangkan selang pendugaan untuk suatu amatan yang baru pada x=x0 dapat diperoleh dari : −1 yˆ ( x0 ) ± tα / 2, n− p s 1 + x′ 0 ( X ′X ) x 0
Model Deret Waktu ARIMA Metode ARIMA biasa diterapkan dalam permodelan dan peramalan data deret waktu. Metode ini lebih dikenal dengan metode Box-Jenkins. Pada metode ini ada tiga tahapan iteratif
dalam melakukan permodelan deret waktu
(Montgomery et al. 1990), yakni : Spesifikasi model berdasarkan data historis, pendugaan parameter dan diagnostik model untuk memeriksa kelayakan model.Tahapan selanjutnya adalah peramalan berdasarkan model yang diperoleh (Bowerman & O’Connel 1987). Asumsi dalam permodelan data deret waktu didasarkan pada ”White Noise” atau galat acak (Montgomery et al. 1990). Asumsi tersebut menyatakan bahwa : •
Galat atau sisaan menyebar normal dengan rataan nol dan ragam s 2
•
Galat atau sisaan bersifat bebas atau tidak berkorelasi.
14
Tahapan Model ARIMA (p,d,q) Ada tiga tahapan iterasi dalam permodelan data deret waktu : 1. Penentuan model tentatif (spesifikasi model) berdasarkan analisis data historis. Tahap ini digunkan menentukan secara tentatif nilai p (proses AR), d (pembedaan) dan q (proses MA). 2. Pendugaan parameter model. Tahapan ini digunakan menentukan penduga bagi parameter model yaitu ?i dan f i (i=1,2,.....) sesuai dengan model tentatif di atas. 3. Analisis diagnostik (analisis sisaan) untuk mengevaluasi kelayakan model. Prosedur semacam ini sering disebut sebagai metode BOX-JENKINS.
Spesifikasi Model ARIMA Alat yang digunakan dalam tahapan ini adalah fungsi korelasi diri (ACF) dan fungsi korelasi parsial (PACF). Karena fungsi autokorelasi teoritis tidak diketahui, maka tahap spesifikasi model didasarkan pada korelasi contoh (dari data yang ada). Jika ? k adalah korelasi diri teoritis dan rk korelasi diri dari data, maka karakteristik rk kemudian dibandingkan dengan karakteristik ? k . Karena ACF pada model ARIMA (p,d,q) bersifat khas maka rk dapat dijadikan petunjuk dalam penentuan model tentatif. Autokrelasi contoh bisa didapat dengan rumus : n− k
rk =
∑ (Z t =1
t
− Z )(Z t + k − Z )
∑ (Z n
t =1
k=1,2,........
− Z)
2
t
n
dimana
Z=
∑Z t =1
t
n
Menurut Cryer (1991), karena rk berasal dari contoh (data aktual) maka diperlukan galat baku (standar error) bagi rk yaitu Srk untuk menguji apakah rk =0. Berdasarkan Srk maka rk ?0 jika dan hanya jika |rk |> 2Srk. Sebagai pendekatan besarnya Srk adalah : S rk ≈
1 n
Fungsi Autokerelasi parsial (PACF) dapat juga digunakan sebagai alat untuk mengidentifikasi model. korelasi diri parsial :
Untuk AR karakteristiknya digambarkan oleh fungsi
15
φ kk = Corr ( Z t , Z t −k | Z t−1 , Z t − 2 ,......., Z t− k +1 ) Korelasi
antara
Zt
dan
Zt-k
dengan
menghilangkan
pengaruh
dari
Zt-1 , Zt-2 ,......, Zt-k+1 . Koefisien PACF φ kk adalah koefisien ke-k dalam proses autoregresif ordo ke-k (persamaan Yule-Walker): ρ j = φ k1 ρ j −1 + φ k 2 ρ j −2 + ..... + φ kk ρ j − k
j=1,2,....,k
Catatan : ? j= ? -j ; ? 0 =1 φˆkk 〉 2Sφˆkk
Jika Sφˆkk ≈
maka
dapat
disimpulkan
bahwa
φˆkk ≠ 0 ,
sementara
1 2 sehingga φˆkk 〉 . n n
Pendugaan Parameter Model Setelah tahap identifikasi model maka dilakukan pendugaan parameter terhadap model tentatif yang diperoleh. Selanjutnya Cryer (1991) menyatakan ada 3 metode pendugaan parameter: a.
Metode Momen: didasarkan pada perbandingan antara persamaan momen contoh dan momen teoritis. Metode ini tidak mudah diterapkan pada ARIMA (p,d,q) secara umum.
b.
Metode Kuadrat Terkecil (MKT): dalam metode ini terfokus pada meminimumkan galat, sementara dalam proses MA terdiri dari beberapa galat. Hal ini menimbulkan persoalan pada MKT. Oleh karena itu dilakukan pendekatan metode numerik untuk persamaan non linier.
c.
Metode Maximum Likelihood : dalam metode ini diperlukan adanya informasi tentang sebaran bagi at . Jika at ~ N (µ, s2 ) maka hasil MKT sama dengan Maximum Likelihood, jadi MKT sebenarnya hanyalah kasus khusus dari metode Maximum Likelihood.
Analisis Diagnostik Proses diagnostik dilakukan untuk memeriksa kelayakan model (goodnessof-fit) sebelum model tersebut digunakan sebagai alat peramalan.
Model
dikatakan layak apabila nilai aktual dapat didekati dengan baik oleh pendugaan
16
dari model atau dengan kata lain pemeriksaan model ini dapat distandarkan kepada galat atau dikenal dengan nama analisis sisaan (galat). Dalam pemodelan ARIMA beberapa diagnostik model dapat dilakukan (Cryer 1991): a. Analisis sisaan: pada dasarnya untuk memerik sa asumsi yang mendasari model khususnya mengenai white noise (ingar putih) at , dimana at menyebar saling bebas identik dengan sebaran normal E(at )=0 dan V(at )=s a2 b. Pemeriksaan kelayakan model ARIMA 1. Uji Portmanteau untuk ARIMA (p, d, q) K
Q = n∑ rˆk
2
k =1
n− k
rˆ
k
=
∑ (aˆ k =1
t
− a )(aˆ t+ k − a )
n
∑ (aˆ t =1
− a)
,a = 0
2
t
rk merupakan fungsi autokorelasi galat. Jika n besar Q ~ ?2 (a ; db= k-p-q) H0 : Model layak (at bebas atau tidak berkorelasi) H1 : Model tidak layak (at berkorelasi) Kaidah keputusan :Jika Q > ? 2 (a ; db= k-p-q) maka tolak H0 . 2. Uji Modified Box-Pierce (Ljung-Box-Pierce) K
Q = n(n + 2 )∑ rˆk k =1 n − k 2
Penyempurnaan dari metode di atas. Hipotesis dan metode keputusan sama dengan metode Portma nteau. c. Overparameterisasi (overfitting) Pada identifikasi model misalnya diperoleh model ARIMA (1, 0, 0) kemudian dilakukan pendugaan parameter terhadap model tersebut. Selanjutnya dilakukan overfitting menggunakan ARIMA (2, 0, 0) :
17
Zˆ t = εˆ 0 + φˆ1Z t −1 + φˆ2 Z t− 2 Uji dengan menggunakan uji t untuk φˆ2 , jika φˆ2 tidak berbeda nyata dengan nol maka model yang dipilih adalah ARIMA (1,0,0).
Peramalan
Tujuan utama membangun model adalah adalah untuk melakukan peramalan. Berdasarkan series data yang telah lalu sampai dengan waktu ke t, yaitu Zt , Zt-1 , ......, Z1 , dapat dilakukan peramalan untuk Zt+l dan l adalah unit waktu ya ng akan datang. Berdasarkan waktu t dari data asal, kita dapat meramalkan l waktu ke depan. Penulisan Zˆ t( l ) maknanya ramalan untuk waktu ke-(t+l) berdasarkan t data. Menurut Cryer (1991) metode peramalan yang digunakan adalah Minimum Mean Square Error (Kuadrat Tengah Terkecil Galat). Metode ini menyatakan peramalan Zˆ t( l ) diberikan oleh : Zˆ t( l ) =E(Zt+l |Zt , Zt-1 , ......, Z1 ) Lebih jauh Cryer menyatakan bahwa error pendugaan et(l) dapat didefinisikan sebagai: et(l) = Zt+l - Zˆ t( l ) Jika at white noise model umum ARIMA berasal dari sebaran normal dan error peramalan et(l) juga berdistribusi normal. Secara umum pada model ARIMA nilai tengah dan ragam dari et(l) adalah : E[et (l)]=0 , l=1 l −1
Var [et (l )] = σ a2 ∑ψ 2j
l=1
j= 0
Untuk model non stationer pembobot ? j tidak menuju nol dengan meningkatnya nilai j. Sebagai contoh untuk model langkah acak (random walk) , ? j=1 untuk semua nilai j; untuk model IMA (1,1) ? j=1 – ? untuk j=1; untuk model IMA(2,2) ? j=1 + ? 2 +(1- ? 1- ?2 )j untuk j=1 dan untuk model ARI(1,1) ? j=(1-Øj+1 )/(1-Ø) (Cryer1991).
18
Untuk mengestimasi ragam σ a2 , pada semua kasus pertama kita mengestimasi ?0 =Var (Zt ) dengan menggunakan varian contoh :
∑ (Z n
S2 =
t =1
−Z)
2
t
n −1
Untuk model AR(p) besarnya ragam ini :
(
)
σˆ a2 = 1 − φˆ1r1 − φˆ2 r2 − ...... − φˆ p r p S 2 Untuk model MA(q) kita dapat menggunakan persamaan : σˆ a2 =
S2 1 + θˆ12 + θˆ22 + ..... + θˆq2
Untuk model ARMA(1,1) penduga ragam :
σˆ a2 =
(1 − φˆ 2 ) S2 2 ˆ ˆ ˆ 1 − 2θφ + θ
Lebih jauh Cryer (1991) menyatakan Selang Kepercayaan (1-a)100% untuk peramalan Zt+l adalah : Zˆ t ( l ) ± Z
α (1 − ) 2
Var[e t (l )]
METODOLOGI Sumber Data Data yang digunakan dalam penelitian ini ada dua sumber yaitu : a. Data Primer b. Data Sekunder Data primer diperoleh melalui survei langsung pada tiga pemegang stok yaitu petani produsen, penggilingan dan Dolog setempat. Jumlah contoh yang disurvei adalah petani produsen sekitar 217 contoh, penggilingan sekitar 70 contoh dan Sub Dolog setempat. Data sekunder yang diperlukan dalam penelitian ini terutama adalah data produksi dan luas panen per bulan, data jumlah rumah tangga petani padi sawah, data konsumsi. Data ini dapat diperoleh dari Dinas Pertanian dan Badan Pusat Statistik Kabupaten Contoh (Kabupaten Subang).
Perancangan Survei Survei dilaksanakan di Kabupaten Subang Propinsi Jawa Barat. Kabupaten Subang adalah salah satu kabupaten daerah penghasil padi di Jawa Barat. Dari daftar nama kecamatan di Subang diambil secara acak sejumlah kecamatan contoh. Selanjutnya dilakukan pendaftaran kelompok tani dan penggilingan bekerja sama dengan aparat setempat (PPL/KCD). Dari daftar tersebut diambil secara acak sejumlah contoh yang terdiri dari petani produsen, dan penggilingan padi untuk diwawancarai. a. Penyusunan Kerangka Contoh Terdapat beberapa kerangka contoh (frame) yang digunakan pada survei ini, yaitu: 1. Kerangka contoh untuk pemilihan kecamatan, yang merupakan daftar nama kecamatan di Kabupaten Subang. 2. Kerangka contoh untuk pemilihan desa, yaitu daftar nama desa dalam kecamatan terpilih. 3. Kerangka contoh rumah tangga petani produsen, yaitu daftar lengkap (listing) kelompok tani pada desa terpilih.
20
b. Alokasi Contoh Kelompok Tani dan Penggilingan Banyaknya kelompok tani terpilih dalam suatu kecamatan proporsional terhadap
luas panen padi tahun 2004 pada masing- masing kecamatan.
Sedangkan jumlah penggilingan padi yang menjadi contoh adalah dari hasil pendaftaran penggilingan yang ada di kecamatan contoh dipilih secara acak 3 - 5 penggilingan per kecamatan. c. Teknik Penarikan Contoh Pemilihan contoh dilakukan secara acak bertahap, karena dari hasil pendaftaran tidak memiliki informasi awal mengenai skala usaha petani untuk rumah tangga petani dan kapasitas giling untuk penggilingan, sehingga lebih mudah dilakukan pemilihan secara acak sehingga untuk setiap contoh memiliki peluang yang sama untuk terpilih. Tahapan penarikan contoh Ruma h Tangga Petani yang diterapkan meliputi: a. Tahap pertama, memilih sejumlah kecamatan berdasarkan kelompok luas panen. b. Tahap kedua, dari kecamatan terpilih dilakukan alokasi contoh kelompok tani secara proporsional terhadap luas panen padi pada tahun 2004 di masing- masing kecamatan. c. Tahap ketiga, memilih secara acak satu atau beberapa desa pada masing- masing kecamatan terpilih. d. Tahap keempat, dari hasil pendaftaran lengkap kelompok tani pada setiap desa contoh dipilih contoh Rumah tangga Kelompok Tani secara acak dan beberapa rumah tangga anggota kelompok tani. Tahapan penarikan contoh Penggilingan Padi meliputi : a. Tahap pertama, berdasarkan kecamatan contoh yang telah terpilih pada pemilihan contoh rumah tangga dilakukan pendaftaran lengkap penggilingan padi.
21
b. Tahap kedua, dari hasil pendaftaran penggilingan yang merangkap pedagang maka dilakukan lagi pemilihan penggilingan contoh secara acak. Mulai
Penyusunan Kuisioner
Penetapan Kabupaten Contoh
Berdasarkan kelompok luas panen
Pemilihan Kecamatan Contoh (Form SSP05-Dkec)
Pengalokasian Jumlah Contoh per kecamatan (PPS)
Pemilihan desa contoh (Form SSP05-Ddesa)
Daftar nama kelompok tani
Data stok gabah/beras petani
Gambar 3
Pembaruan Kelompok Tani (Daftar SSP05-Sptn)
Pemilihan kelompok tani secara acak
Wawancara terhadap ketua kelompok tani contoh dan beberapa anggota (Form SSP05-Sptn)
Diagram Alir Pengumpulan Data Stok Petani
Oleh karena survei dilakukan pada hampir seluruh kecamatan yang memiliki produksi padi, maka perlu ada petugas khusus yang membantu yaitu KCD/PPL setempat. Pendaftaran lengkap meliputi daftar ketua kelompok tani dan daftar penggilingan padi dibantu oleh KCD/PPL. Petugas pendaftaran tersebut
22
telah diberikan pelatihan mengenai tata cara melakukan pendaftaran rumah tangga dan penggilingan padi. Petugas pewawancara dilakukan oleh tim survei stok pangan (Pusdatin) dibantu oleh KCD/PPL.
Mulai
Penyusunan Kuisioner
Penetapan Kabupaten Contoh
Berdasarkan kelompok luas panen
Pemilihan Kecamatan Contoh (Form SSP05-Dkec)
Pendaftaran penggilingan padi (Formulir SSP05-Dpgl)
Pemilihan penggilingan padi merangkap pedagang secara acak
Daftar contoh penggilingan padi
Wawancara penggilingan padi (SSP05-Spgl)
Data stok gabah/beras di penggilingan
Gambar 4 Diagram Alir Pengumpulan Data Stok Penggilingan
23
Pelaksanaan Survei Persiapan Survei Survei mulai dilaksanakan setelah beberapa tahapan survei telah selesai dilakukan. Tahapan yang pertama adalah merancang kuisioner. Pada tahapan ini dihasilkan beberapa kusioner yang dibutuhkan yaitu : a.
Daftar SSP05-Dkec Daftar ini digunakan untuk mendaftar seluruh kecamatan yang berada di kabupaten terpilih.
b.
Daftar SSP05-Ddesa Daftar ini digunakan untuk mendaftar seluruh desa yang berada di kecamatan terpilih.
c.
Daftar SSP05-Dptn Daftar ini digunakan untuk mendaftar identitas kelompok tani pada desa terpilih.
d.
Daftar SSP05-Dpgl Daftar ini digunakan untuk mendaftar identitas penggilingan padi pada kecamatan yang terpilih.
e.
Daftar SSP05-Sptn Daftar ini digunakan untuk melakukan pencacahan pada rumah tangga petani produsen padi terpilih.
f.
Daftar SSP05-Spgl Daftar ini digunakan untuk melakukan pencacahan pada penggilingan padi yang merangkap sebagai pedagang di kecamatan terpilih.
g.
Daftar SSP05-Sdlg Daftar ini digunakan untuk melakukan pencacahan pada Subdolog di kabupaten terpilih.
Jenis-jenis kuisioner tersebut bisa dilihat pada Lampiran 6.
24
Setelah kuisioner dirancang selanjutnya dirancang buku panduan tata cara pengisian. Buku panduan ini digunakan pada saat pelatihan bagi petugas lapang/KCD. Sebelum petugas lapang melakukan pembaruan (pembaruan) kelompok tani padi dan pendaftaran (pendaftaran) penggilingan, maka dilakukan pelatihan terlebih dahulu. Petugas yang telah dilatih, berdasarkan daftar yang sudah ada selanjutnya melakukan pembaruan kelompok tani pada desa contoh terpilih di kecamatan yang menjadi wilayah kerja.
Pendaftaran penggilingan
dilakukan terhadap seluruh penggilingan di wilayah kecamatan contoh. Waktu pelaksanaan pembaruan pada pertengahan Juli sampai Akhir Juli 2005.
Pada
akhir Juli 2005 hasil pendaftaran lengkap dikumpulkan, dan diambil oleh petugas pusat (Pusdatin – Deptan) untuk dilakukan pengambilan contoh. Contoh yang telah terpilih dibuat daftar, sehingga pewawancara membawa daftar petani dan penggilingan terpilih untuk diwawancarai. Tempat dan Waktu Survei stok gabah/beras dilaksanakan dalam 2 tahap yaitu : Tahap I
: Tanggal 2 – 6 Agustus 2005.
Lokasi
: Kecamatan yang disurvei terdiri dari 8 kecamatan di Pantura yaitu
Kecamatan
Cikaum,
Legon
Kulon,
Compreng,
Pamanukan, Ciasem, Blanakan, Pusakanagara dan Binong. Tahap II
: Tanggal 9 – 13 Agustus 2005.
Lokasi
: Kecamatan yang disurvei terdiri dari 10 kecamatan di daerah pegunungan dan dataran, yaitu Kecamatan Tanjung Siang, Sagalaherang,
Jalan
Cagak,
Cisalak,
Cijambe,
Cibogo,
Cipendeuy, Purwadadi, Cipunagara dan Pagaden. Petugas Survei Petugas yang terlibat dalam survei stok gabah/beras adalah : 1. Staf Pusat Data dan Informasi Pertanian bertugas pewawancara (enumerator). 2. Staf Dinas Pertanian Kabupaten Subang, bertugas penghubung dan pengantar ke kecamatan contoh. 3. Kepala Cabang Dinas (KCD) Pertanian dan Penyuluh bertugas mengantar dan mendampingi sampai ke desa contoh dan rumah tangga contoh.
25
Pemilihan Rumah Tangga Petani Contoh 1. Pemilihan Kecamatan Contoh Dasar pemilihan kecamatan contoh adalah berdasarkan luas panen padi tahun 2004. Pengelompokkan kecamatan berdasarkan luas panen padi tahun 2004, dari 22 kecamatan di Kabupaten Subang dilakukan pengurutan dari terkecil sampai terbesar, kemudian dikelompokkan menjadi 4 kelompok. Kelompok pertama terdiri dari 6 kecamatan dengan luas panen kurang dari 5000 ha, yaitu Kecamatan Kalijati, Cipendeuy, Purwadadi, Cijambe, Cibogo dan Jalan Cagak. Kelompok kedua adalah kecamatan dengan luas panen antara 5000 – 9000 ha, terdiri dari 6 kecamatan yaitu Kecamatan Tanjung Siang, Cikaum, Sagalaherang, Subang, Legonkulon, dan Cisalak. Kelompok ketiga dalah kecamatan dengan luas panen antara 9001 – 11000 ha, terdiri dari 4 kecamatan yaitu Kecamatan Pabuaran, Cipunagara, Compreng dan Blanakan. Kelompok keempat adalah kecamatan dengan luas panen di atas 11000 ha, ada 6 kecamatan yaitu Pagaden, Pamanukan, Patokbeusi, Ciasem, Pusakanagara dan Binong. Dari setiap kelompok dipilih secara acak 1 kecamatan, kecamatan yang terpilih dikeluarkan dari daftar contoh kecamatan, sehingga dari 22 kecamatan di Subang
ada 4 kecamatan yang tidak terpilih sebagai contoh, yaitu
Kecamatan Kalijati (kelompok pertama), Subang ( kelompok kedua), Pabuaran (kelompok ketiga) dan Patokbeusi (kelompok keempat). Hasil pemilihan kecamatan contoh dapat dilihat pada Tabel 2. Setelah daftar kecamatan terpilih dilakukan alokasi contoh rumah tangga pertanian
per kecamatan. Alokasi dilakukan secara proporsional
terhadap luas panen panen padi tahun 2004 untuk di masing- masing kecamatan. Kecamatan yang luas panen makin besar akan mendapat alokasi rumah tangga contoh yang besar pula, begitu juga sebaliknya. Jumlah contoh ketua kelompok tani direncanakan sejumlah 150 contoh dan dialokasikan ke 18 kecamatan contoh. Alokasi rumah tangga anggota kelompok tani untuk setiap kecamatan direncanakan sama yaitu 3 contoh rumah tangga.
26
Hasil alokasi jumlah contoh untuk setiap kecamatan dapat dilihat pada Tabel 2. Hasil alokasi contoh menunjukkan bahwa Kecamatan Binong memiliki luas panen yang terbesar, alokasi contoh juga paling banyak yaitu 18 rumah tangga ketua kelompok tani dan 3 rumah tangga anggota kelompok tani.
Tabel 2 Pemilihan Kecamatan Contoh PEMILIHAN KECAMATAN CONTOH No. Kecamatan
(1)
(2)
Luas Panen
Kelompok
terurut (ha)
Luas Panen (ha)
(3)
(4)
Pemilihan kecamatan Tidak Terpilih=v terpilih=x (5)
1 Kalijati
1.564
2 Cipeundeuy
2.635
3 Purwadadi
2.672
4 Cijambe
3.894
v
5 Cibogo
4.266
v
6 Jalancagak
4.870
v
7 Tanjungsiang
5.006
v
8 Cikaum
5.206
v
9 Sagalaherang
5.260
(6) x
v < 5000
5000 - 9000
v
v
10 Subang
6.065
x
11 Legonkulon
6.108
v
12 Cisalak
6.825
v
13 Pabuaran
9.318
14 Cipunagara
9.499
15 Compreng
10.237
v
16 Blanakan
10.600
v
17 Pagaden
11.056
v
18 Pamanukan
11.577
v
19 Patokbeusi
11.593
20 Ciasem
13.557
v
21 Pusakanagara
13.993
v
22 Binong
17.806
v
x 9001 - 11000
v
> 11000
x
27
Tabel 3 Alokasi Rumah Tangga Contoh Survei Stok Gabah/Beras ALOKASI JUMLAH CONTOH No.
Kecamatan
Luas Panen 2004 (Ha)
(1)
(2)
(3)
Hasil Alokasi Contoh Ketua Kelompok
Anggota
Tani
Kel. Tani
(4)
(5)
1 Cipeundeuy
2.635
4
3
2 Purwadadi
2.672
4
3
3 Cijambe
3.894
4
3
4 Cibogo
4.266
4
3
5 Jalancagak
4.870
5
3
6 Tanjungsiang
5.006
5
3
7 Cikaum
5.206
5
3
8 Sagalaherang
5.260
5
3
9 Legonkulon
6.108
6
3
10 Cisalak
6.825
7
3
11 Cipunagara
9.499
10
3
12 Compreng
10.237
11
3
13 Blanakan
10.600
11
3
14 Pagaden
11.056
11
3
15 Pamanukan
11.577
12
3
16 Ciasem
13.557
14
3
17 Pusakanagara
13.993
14
3
18 Binong
17.806
18
3
145.067
150
54
TOTAL
2. Pemilihan Desa Contoh Berdasarkan alokasi rumah tangga contoh per kecamatan, selanjutnya dialokasikan ke sejumlah desa contoh. Pemilihan desa contoh dilakukan secara acak dari kerangka survei.
Kerangka survei ini meliputi daftar
kecamatan, daftar desa dan daftar kelompok tani.
Jika pada pemilihan
pertama desa contoh secara acak jumlah kelompok tani belum memenuhi target alokasi contoh, maka dilakukan pemilihan desa contoh yang kedua secara acak, dan seterusnya sampai target alokasi rumah tangga kelompok tani terpenuhi.
Hasil pemilihan desa contoh menunjukkan ada beberapa
kecamatan dengan desa contoh lebih dari satu. Hasil secara lengkap pemilihan desa contoh ini dapat dilihat pada Tabel 4.
Sebagai contoh Kecamatan
28
Pamanukan contoh petani yang terpilih ada di Desa Lengkong Jaya, Mulyasari dan Pamanukan Hilir.
Tabel 4 Jumlah Alokasi Contoh Petani per Desa Terpilih ALOKASI JUMLAH CONTOH DESA TERPILIH No
Nama Kecamatan
Alokasi
Nama Desa
Jumlah
urut
Contoh
Contoh
Terpilih
Kelompok Tani
(4)
(5)
Ketua Keltan (1)
(2)
(3)
1Sagalaherang
5
Ponggang
5
2Jalancagak
5
Kasomalang Kulon
9
3Cisalak
7
Cigadog
7
4Tanjungsiang
5
Rancamanggung
7
5Cijambe
4
Tanjungwangi
11
6Cibogo
4
Wanareja
12
7Cipunagara
10
Sidajaya
8
Parigimulya
7
Sumurgintung
8
8Pagaden
11
Bendungan
8
9Cipendeuy
4
Langkong
6
10Purwadadi
4
Pasirjadi
3
Neglasari
1
Warungnangka
4
Rawajolang
3
Pinangsari
18
11Ciasem
14
12Binong
18
Mariuk Tanjungrasa
13Compreng
11
14Pusakanagara 15Pamanukan
16Blanakan
14 12
11
17Legonkulon 18Cikaum
6 5
Total
150
9 10
Jatimulya
8
Mekarjaya
19
Bojongjaya
7
Cigugur
8
Lengkongjaya
5
Mulyasari
3
Pamanukan Hilir
4
Cimalaya Hilir
4
Tanjungtiga
7
Legon Wetan
3
Bobos
5
Cikaum Timur
12 221
29
Jumlah alokasi tersebut berdasarkan kerangka contoh yang dibuat tahun 2002, sehingga perlu me mperbaharui kembali melalui kegiatan pembaharuan (updating).
Jumlah alokasi tersebut dapat mengalami perubahan setelah
dilakukan pengecekan. Pendaftaran (listing) penggilingan padi dan pembaharuan kelompok tani, dilakukan oleh Mantri Tani/KCD setelah mendapat pelatihan terlebih dahulu. Setelah pendaftaran selesai dan hasilnya diserahkan oleh tim pusat, maka dilakukan pemilihan contoh. Hasil pemilihan contoh berupa daftar contoh dan jadwal survei
diserahkan kembali ke Mantri Tani, agar
mempersiapkan responden yang menjadi contoh terpilih pada hari dan tanggal yang telah ditentukan dalam jadwal. Hasil akhir daftar contoh setelah dilakukan pendaftaran dan pemilihan contoh kembali terdapat pada Tabel 5. Tabel 5 Daftar Jumlah Rumah Tangga Petani Contoh No. Urut
(1)
Nama Kecamatan Contoh
Alokasi Kelompok Tani
(2)
Nama desa Terpilih
(3)
(4)
1 2 3 4 5 6 7
Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara
5 5 7 5 4 4 10
Ponggang
8
Pagaden
11
9 10
Cipendeuy Purwadadi
4 4
11
Ciasem
14
12
Binong
18
13
Compreng
11
14
Pusakanagara
14
15
Pamanukan
12
16
Blanakan
11
17
Legonkulon
6
18
Cikaum Total
5 150
Kasomalang Kulon
Cigadog Rancamanggung Tanjungwangi Wanareja Sidajaya Parigimulya Sumurgintung Bendungan Langkong Panyingkiran Rancamahi Sukahaji Pinangsari Mariuk Tanjungrasa Jatimulya Mekarjaya Bojongjaya Cigugur Lengkongjaya Mulyasari Pamanukan Hilir Cimalaya Hilir Tanjungtiga Legon Wetan Bobos Cikaum Timur
Jumlah Kelompok Tani Hasil Pembaruan (5) 4 6 5 6 9 4 7 2 8 7 4 3 1 3 11 9 8 8 6 6 4 3 3 4 2 7 3 5 9 157
Contoh Terpilih Ketua Kel. Tani (6) 4 6 5 6 9 4 7 2 8 7 4 3 1 3 11 9 8 8 6 6 4 3 3 4 2 7 3 5 9 157
Contoh Terpilih Anggota Kel.Tani (7) 5 3 5 3 3 3 3 3 4 4 3 3 3 3 3 3 3 3 60
30
Berdasarkan alokasi jumlah contoh pada Tabel 5, jumlah total petani yang disurvei ada 217 contoh, terdiri dari 157 ketua kelompok tani dan 60 anggota kelompok tani yang tersebar di 18 kecamatan contoh dan 29 desa contoh. Banyaknya kecamatan dan desa contoh dengan harapan adanya keragaman atau variasi waktu panen. Makin besar keragaman waktu panen, makin mudah untuk melihat besarnya pengaruh stok terhadap waktu panen. Adanya ketua kelompok tani dan anggota kelompok tani dengan harapan adanya keterwakilan petani.
Pemilihan Penggilingaan Padi Contoh Penggilingan yang didaftar adalah seluruh penggilingan di kecamatan contoh, baik yang merangkap pedagang maupun yang tidak. Kerangka survei adalah nama-nama penggilingan yang merangkap pedagang. Berdasarkan daftar nama
penggilingan
yang
merangkaap
pedagang,
dilakukan
pemilihan
penggilingan secara acak. Lokasi penggilingan bisa satu desa dengan lokasi rumah tangga contoh, bisa juga berada di desa lain namun masih dalam kecamatan contoh. Rencana awal semua penggilingan di kecamatan contoh disurvei, namun karena jumlah penggilingan pada satu kecamatan cukup banyak, maka dilakukan pemilihan secara acak. Jumlah penggilingan untuk setiap kecamatan ditetapkan, untuk kecamatan yang berada di jalur pantura adalah 5 penggilingan setiap kecamatan, dan kecamatan yang berada di wilayah non pantura ada 3 penggilingan. Oleh karena kecamatan yang di jalur pantura ada 8 kecamatan sehingga total contoh penggilingan 40, sedangkan untuk kecamatan non pantura ada 10 kecamatan sehingga jumlah contoh penggilingan ada 30. Total penggilingan yang disurvei 70 penggilingan. Pada saat pelaksanaan survei ada beberapa kendala, sehingga ada beberapa kecamatan yang tidak sesui dengan rencana. Kecamatan Legon Kulon karena kekurangakuratan dalam melakukan pendaftaran, sehingga tidak diperoleh penggilingan contoh pada saat survei. Ada kecamatan yang jumlahnya kurang dari target, tetapi dapat ditutupi oleh kecamatan lain, sehingga total contoh penggilingan tetap yaitu 70 contoh. Tabel 6 menunjukkan jumlah contoh dan populasi penggilingan pada kecamatan yang disurvei.
31
Tabel 6 Jumlah Populasi dan Penggilingan Contoh No. (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Kecamatan (2) Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara Pagaden Cipeundeuy Purwadadi Ciasem Binong Compreng Pusakanagara Pamanukan Blanakan Cikaum TOTAL
Jumlah Contoh (3) 3 3 4 3 4 3 3 5 5 3 5 5 3 5 6 5 5 70
Jumlah Populasi (4) 11 6 43 10 37 9 62 14 9 3 19 47 16 24 21 15 8 354
Pendugaan Stok Gabah/Beras di Wilayah Kabupaten
Stok suatu komoditas dipengaruhi oleh masukan baik dari produksi maupun impor dan stok sebelumnya. Stok ini selanjutnya akan digunakan untuk konsumsi dan penggunaan lainnya. Oleh karena pada penelitian ini survei dilakukan pada 2 pemegang stok terbesar di masyarakat yaitu petani produsen dan penggilingan, serta pemegang stok pemerintah, maka skema stok dapat dilihat pada Gambar 2. Berdasarkan dari skema distribusi stok pada gambar bahwa besaran stok yang dibuat modelnya secara garis besar dipegang oleh masyarakat dan pemerintah. Jika dibuat model persamaan : S(t) = Stok(t-1) + P(t) + (M-K)(t)
(1)
S(t) = Stok(t) + D(t)
(2)
Dari persamaan (1) dan (2) diperoleh : Stok(t) + D(t) = Stok(t -1) + P(t) + (M-K)(t) Stok(t) = Stok(t -1) + P(t) + (M-K)(t) – Dt
(3)
32
Model Stok Penggilingan (SG)
Model Stok Dolog (SD)
Model Stok Petani (ST)
Model Produksi (Pt )
Masuk – Keluar (M-K)t
Model Stok (Stokt-1 )
Suplai (St )
Model Stok t (Stokt )
Penggunaan/Demand (Dt )
Konsumsi (Ct )
Benih, pakan, susut (NCt )
Gambar 5 Skema Model Penelitian Stok.
Sedangkan varian Stok (t) adalah : Var (Stokt ) = Var (Stokt-1 + Pt – Dt ) Var (Stokt ) = Var (Stokt-1 ) + Var (Pt ) + Var (Dt )
(4)
Jika Dt diasumsikan konstan, maka : Var (Stokt ) = Var (Stokt-1 + Pt ) = Var (Stokt-1 ) + Var (Pt ) Karena (Stokt-1 ) dan Pt saling bebas sehingga : Var (stokt ) = Var (Stokt-1 ) + Var (Pt )
(5)
Stok(t-1) dalam lingkup penelitian ini ada 3 pemegang stok yaitu petani produsen, penggilingan dan Subdolog, sehingga : Stok(t-1) = SD + SG + ST
(6)
33
Sedangkan Varian dari stokt-1 adalah : Var (Stok(t -1)) = Var(SD) + Var (SG) + Var (ST)
(7)
Diasumsikan stok dolog (SD), stok penggilingan (SG) dan stok petani (ST) saling bebas. Sebenarnya stok petani dan penggilingan tidak saling bebas, karena stok penggilingan berasal dari pembelian ke petani, namun untuk memudahkan analisis diasumsikan saling bebas. Sedangkan demand (kebutuhan) secara garis besar terdiri dari kebutuhan konsumsi dan kebutuhan non konsumsi seperti pakan, benih dan susut, sehingga : Dt = Ct + NCt
(8)
Sedangkan total konsumsi untuk suatu wilayah adalah : C(t) = Konsumsi per kapita(t) * Proyeksi jumlah penduduk (t)
(9)
Menurut BPS jumlah gabah yang susut/tercecer pada saat angkut dari rumah tangga petani 1.43% dan susut simpan 0.53%. Penggunaan untuk benih dan pakan berdasarkan hasil survei 0.75%. Sedangkan penggunaan beras menurut BPS jumlah yang digunakan untuk pakan ternak/unggas sebesar 0.86% dan untuk industri non rumah tangga 0.12%. NC(t)=%(susut,pakan,benih)*P(t)
(10)
Pada Gambar 6 di atas ada pemegang stok lainnya yaitu stok pedagang, stok konsumen, stok industri pengolahan dan rumah makan/hotel diasumsikan diabaikan. Pada penelitian ini ruang lingkupnya adalah menyusun model 3 pemegang stok utama yaitu petani produsen, penggilingan dan Sub Dolog.
Model Stok Petani Rumah Tangga Petani merupakan salah satu pemegang stok gabah/beras. Petani setelah panen padi, pada umumnya ada sebagian gabah dijual baik untuk modal usaha tani musim berikutnya, sebagian lagi digunakan baik untuk konsumsi, pakan, benih, keperluan sosial dan sebagian gabah lagi disimpan baik untuk konsumsi atau stok(BPS, 2004). Persamaan identitas untuk petani adalah : S = X1 + X2 + X3
(11)
S = X4 + X5 + X6
(12)
X5 = X7 + X8 + X9 + X10
(13)
34
Produksi (X1 )
Sisa stok sebelum panen (X2 )
Dijual (X4 )
Pembelian/Pemberian dari pihak lain (X3 )
Suplai (S)
Penggunaan (X5 )
Dikonsumsi (X7 )
Benih (X8 )
Pakan (X9 )
Stok (X6 )
Sosial/lainnya (X10 )
Gambar 6 Skema Penggunaan Produksi Gabah oleh Petani. Pada penelitian ini kita tertarik perilaku rasio stok terhadap produksi, misalnya : R = (X6 /X1 )
(14)
Langkah- langkah selanjutnya untuk menyusun model stok adalah sebagai berikut : a. Dilakukan eksplorasi data terhadap R (statistik deskriptif, box plot) b. Pengelompokkan R berdasarkan lag waktu panen dan berdasarkan kecamatan contoh. c. Hitung rata-rata ( R ) untuk setiap kelompok lag waktu panen per kecamatan, sehingga diperoleh Rt− i (i=1,2,...,n). d. Menghitung pendugaan total stok setara beras di rumah tangga petani untuk setiap kecamatan dengan cara perkalian antara rasio stok lag panen ke-t dengan produksi pada lag panen yang sama. SˆTk (t ) = Rk (t −1) Pk ( t −1) + Rk ( t −2) Pk (t − 2) + .......... + Rk ( t− n) Pk (t − n)
(15)
dimana : SˆTk ( t) Rk(t-1) Pk(t-1) Rk(t-2)
= pendugaan total stok setara beras di seluruh rumah tangga petani kecamatan ke-k pada waktu t. = rata-rata rasio stok terhadap produksi kecamatan ke-k pada waktu t-1 = produksi padi kecamatan ke k pada bulan t-1. = rata-rata rasio stok terhadap produksi kecamatan ke-k pada waktu t-2.
35
Pk(t-2) Rk(t-n) Pk(t-n)
= produksi padi kecamatan ke k pada bulan t-2. = rata-rata rasio stok terhadap produksi kecamatan ke-k pada waktu t-n. = produksi padi kecamatan ke k pada bulan t- n.
e. Menyusun model terbaik untuk menduga stok setara beras di rumah tangga petani untuk setiap kecamatan contoh, dengan menggunakan stok waktu t di kecamatan ke-k sebagai peubah tak bebas (respon) dan produksi padi waktu t- 1 sampai t- n sebagai peubah bebas (prediktor), serta wilayah sebagai peubah boneka (dummy). SˆTk ( t) = f ( Pt −1 , Pt− 2 , Pt− 3 ,......., Pt − n , D)
(16)
f. Berdasarkan model terbaik yang diperoleh dilakukan pendugaan total stok di rumah tangga petani untuk kecamatan yang tidak disurvei. g. Menduga total stok di rumah tangga petani untuk total seluruh kecamatan di Kabupaten Subang. Menghitung galat baku hasil pendugaan total wilayah kabupaten sehingga diperoleh batas atas dan bawah pendugaan.
Model Stok Penggilingan Penggilingan membeli gabah dari petani dan dari pedagang pengumpul. Selanjutnya penggilingan melakukan pengolahan gabah menjadi beras, dan menjual beras ke pedagang (grosir), pedagang eceran atau pasar, baik di dalam wilayah kabupaten maupun di luar wilayah kabupaten. Produksi petani (P)
Stok t-1 (X11 )
Suplai (S)
Pembelian t (X10 )
Penjualan t (X12 )
Stok t (X13 )
Gambar 7 Skema Pembelian, Penjualan dan Stok Penggilingan.
36
Persamaan identitas untuk penggilingan adalah : S = X10 + X11 S = X12 + X13 Sehingga : X13 = (X10 – X12 ) + X11
(17)
Atau Stokt =(Pembelian-Penjualan)+Stokt-1 Dalam menyusun model pendugaan stok lebih mudah memasukkan data produksi wilayah baik kecamatan atau kabupaten karena datanya tersedia setiap saat dibandingkan dengan data volume pembelian ataupun penjualan, maka modelnya dihubungan dengan produksi wilayah.
Langkah- langkah penyusunan model
adalah sebagai berikut : •
Menentukan rata-rata stok untuk penggilingan kecamatan ke-k waktu t adalah: n
SGk ( t) =
∑X i =1
ik (t )
i=1,2,3,…..,n
n
k=1,2,3,.......,18. dimana :
SGk (t ) =rata stok setara beras penggilingan di kecamatan ke-k pada waktu t X ik ( t ) =stok di penggilingan ke –i pada kecamatan ke-k waktu t
•
Menentukan pendugaan total stok penggilingan di kecamatan ke-k waktu t : n
T SˆGk (t ) =
N k ∑ X ik ( t) i =1
nk
(18)
dimana : Nk =jumlah total penggilingan merangkap pedagang di kecamatan ke-k. nk =jumlah penggilingan contoh di kecamatan ke-k. Sedangkan ragam dugaan stok total adalah :
s 2 N − n Vˆ (TSˆGk ( t ) ) = Vˆ ( Ny ) = N 2 n N •
(19)
Menyusun model terbaik untuk menduga stok setara beras di penggilingan untuk setiap kecamatan contoh, dengan menggunakan Stok waktu t di
37
kecamatan ke-k sebagai peubah tak bebas (respon) dan produksi padi waktu t1 sampai t-n sebagai peubah bebas (prediktor). SˆGk ( t) = f ( Pt −1 , Pt− 2 , Pt− 3 ,......., Pt − n ) •
(20)
Berdasarkan model terbaik yang diperoleh dilakukan pendugaan total stok di penggilingan untuk kecamatan yang tidak disurvei.
•
Menduga total stok di penggilingan untuk total seluruh kecamatan di Kabupaten Subang. Menghitung galat baku (standar error) hasil pendugaan total wilayah kabupaten sehingga diperoleh batas atas dan batas bawah pendugaan.
Stok Subdolog Berbeda dengan stok petani dan penggilingan, jumlah stok di Subdolog mudah diketahui karena untuk setiap wilayah hanya ada 1 Subdolog. Namun karena pada penelitian ini kita menduga stok t, maka perlu dilakukan penyusunan model stok Subdolog tersebut. Model yang digunakan adalah model deret waktu ARIMA. Oleh karena itu pada penelitian ini dilakukan pengumpulan data bulanan stok beras di Subdolog selama 5 tahun terakhir. Tahapan penyusunan model stok Subdolog adalah : •
Plot data stok untuk melihat kestationeran data.
•
Penentuan model tentatif (spesifikasi model) berdasarkan analisis data historis. Tahap ini untuk menentukan secara tentatif nilai p (proses AR), d (pembedaan) dan q (proses MA).
•
Pendugaan parameter model. Tahapan ini digunakan menentukan penduga bagi parameter model yaitu ?i dan f i (i=1,2,.....) sesuai dengan model tentatif di atas.
•
Analisis diagnostik (analisis sisaan) untuk mengevaluasi kelayakan model.
•
Melakukan peramalan berdasarkan model yang diperoleh.
•
Menghitung varian dan selang kepercayaan hasil pendugaan stok.
38
Model Stok Wilayah Kabupaten
Sebagai tahap akhir dari penelitian ini adalah menduga stok gabah/beras di Kabupaten Subang berdasarkan model yang diperoleh. Tahapan dalam menduga stok gabah/beras dikabupaten Subang, didasarkan pada Gambar 2. Langkahlangkahnya adalah : •
Dengan menggunakan model yang diperoleh, melakukan pendugaan total stok petani wilayah kabupaten dan selang kepercayaan.
•
Melakukan pendugaan pendugaan total stok penggilingan dan selang kepercayaan.
•
Melakukan pendugaan stok Subolog dan selang kepercayaan.
•
Menghitung total Stokt-1 yaitu penjumlahan ketiga pemegang stok tersebut, serta menghitung batas atas dan batas bawah (selang kepercayaan).
•
Melakukan pendugaan/simulasi produksi padi bulan panen ke-t, wilayah kabupaten.
•
Menghitung demand bulan ke-t, dari proyeksi penduduk dikalikan konsumsi per kapita ditambah penggunaan benih, pakan, tercecer.
•
Menduga Stokt yaitu stok sebelumnya ditambah produksi dikurangi demand ditambah jumlah yang masuk wilayah dan dikurangi jumlah yang keluar wilayah.
•
Menghitung batas atas dan batas bawah Stokt berdasarkan ragam yang telah dihitung.
HASIL DAN PEMBAHASAN Karakteristik Petani Responden
Petani responden yang menjadi contoh dalam survei ini ada 217 petani, terdiri dari 93 anggota kelompok tani dan 124 ketua kelompok tani. Sebagaimanan petani pada umumnya, petani yang menjadi contoh sebagian besar berpendidikan rendah. Petani yang tidak bersekolah atau hanya tamat SD/SR sekitar 65%, petani yang lulus SLTP sekitar 16%, petani yang lulus SLTA sekitar 14% dan petani yang lulus D3/sarjana sekitar 5%. Hal ini menunjukkan gambaran bahwa sebagia n besar petani pada umumnya berpendidikan rendah. Untuk lebih jelasnya deskripsi pendidikan responden dapat dilihat pada Gambar 8.
Histogram Pendidikan Petani Contoh
60 50
Percent
40 30 20 10 0 Tidak Sekolah
SD/SR
SLTP
SLTA
D3/Sarjana
Pendidikan
Gambar 8 Histogram pendidikan petani responden
Berdasarkan umur petani responden menunjukkan bahwa petani yang berumur sekitar 25-35 tahun ada 9.5%, petani yang berumur 35 – 45 tahun ada 21%, petani yang berumur 45 –55 tahun jumlahnya sekitar 39.5%, petani yang berumur 55 – 65 tahun ada 21% dan sisanya petani yang diatas 65 tahun sekitar 8.3%. Hal ini menunjukkan bahwa tenaga kerja yang bekerja di sektor pertanian masih didominasi oleh generasi tua, yaitu yang berumur sekitar 45 – 55 tahun. Deskripsi umur responden dapat dilihat pada histogram Gambar 9.
40
Histogram Umur Responden 40
Percent
30
20
10
0 30
40
50
60
70
Umur
Gambar 9 Histogram umur petani responden.
Pada survei ini juga ditanyakan jumlah beras rata-rata yang dikonsumsi oleh rumah tangga setiap hari.
Total konsumsi rumah tangga dibagi dengan
jumlah anggota rumah tangga merupakan besarnya konsumsi per kapita per hari. Jika konsumsi per kapita dikalikan dengan satua n waktu (satu tahun) maka diperoleh konsumsi per kapita per tahun. Peubah konsumsi/kapita/tahun sering sekali digunakan dalam analisis. Berdasarkan hasil survei menunjukkan bahwa besarnya konsumsi per kapita per tahun rata-rata adalah 132.15 kg/kap/tahun, sedangkan median adalah 146 kg/kap/tahun.
Tabel 7 Konsumsi Beras per kapita petani responden Peubah
Jumlah
Rataan
Median
contoh Konsumsi (kg/kap/thn)
217
132.15
146
Rataan
Simpangan
terpangkas
Baku
132.15
32.85
41
Diagram Kotak garis Konsumsi per kapita
50
100
150
200
Konsumsi beras (Kg/kap/tahun)
Gambar 10 Diagram kotak garis konsumsi per kapita Deskripsi Pola Panen Padi Kabupaten Subang Pola panen padi di Kabupaten Subang secara umum ada dua puncak panen raya. Puncak panen raya yang pertama terjadi pada bulan Maret dan April. Panen raya tersebut dikenal sebagai panen raya musim penghujan, karena padi ditanam pada saat memasuki musim penghujan yaitu bulan Nopember dan Desember. Berdasarkan Gambar 12 tampak jelas bahwa ada dua puncak panen raya, yaitu sekitar bulan Maret – April dan bulan Agustus- September. Panen raya pada bulan Agustus- September tidak sebesar panen raya Maret-April, karena panen raya bulan Agustus- September ada kendala tersedianya air. Pola panen ini sangat penting dalam menduga stok gabah/beras di Kabupaten Subang. Pada saat panen raya seperti bulan Maret dan April maka stok gabah/beras di masyarakat terutama petani padi dan penggilingan padi cenderung lebih besar dibandingkan bulan-bulan lainnya. Tetapi beberapa bulan setelah panen raya seperti bulan Juni dan Juli stok akan semakin menipis. Pada bulan Agustus dan September stok akan meningkat kembali karena terjadi panen raya, selanjutnya akan terus menurun pada bulan Oktober dan Nopember, stok paling
42
rendah diduga terjadi pada bulan Desember dan Januari atau dikenal sebagai musim paceklik. Tabel 8 Produksi padi sawah di Kabupaten Subang Bulan 2002 Januari Pebruari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember
9042 65358 209730 98458 38693 29063 111554 116405 117931 30930 43045 10459
Produksi Padi (Ton) 2003 0 12234 95919 213465 83527 39790 31576 130255 78144 62008 38708 11522
2004 23298 42559 160483 151692 63950 43062 88147 188532 101220 92489 31011 21352
250000 200000 150000 Ton 100000 50000 0 Jan Peb Mar Aprl Mei Jun 2002
Jul
2003
Agt
Sep Okt Nop Des 2004
2005
Gambar 11 Pola panen padi di Kabupaten Subang Deskipsi Luas Panen, Produktivitas dan Stok Survei stok gabah beras ini dilakukan di 18 kecamatan di Kabupaten Subang, sedangkan total kecamatan dalam Kabupaten Subang adalah 22 kecamatan, jadi hanya 4 kecamatan yang tidak tercakup dalam survei. Jumlah contoh petani ada 217 contoh terdiri dari 124 ketua kelompok tani dan 93 anggota kelompok tani.
43
Luas panen rata-rata contoh adalah 14096 m2 atau sekitar 1.4 ha. Rentangan antara luas panen terkecil dan terbesar cukup jauh, yaitu luas panen terkecil 0.084 ha dan luas panen terbesar 22 ha. Jika dibandingkan antara rata-rata hitung luas panen 1.41 ha dan median 0.7 ha, artinya nilai rataan lebih besar dari median, sehingga sebaran menjulur ke kanan. Perbedaan yang cukup besar antara nilai median dan nilai rataan menunjukkan ada beberapa data yang sangat besar (pencilan) sehingga rataan tertarik pada data yang lebih besar. Cakupan yang cukup luas dalam survei ini yaitu ada 18 kecamatan, maka jika luas panen dibagi dua kelompok yaitu daerah pantura dan non pantura dalam wilayah Kabupaten Subang maka terdapat perbedaan yang cukup signifikan. Pada daerah non pantura (pegunungan dan dataran) rata-rata luas panen petani adalah sebesar 0.54 ha, sedangkan pada daerah pantura sebesar 2.44 ha. Tingginya luas panen pada daerah pantura karena ada beberapa petani yang memiliki lahan yang sangat luas (sekitar 10 ha) sehingga rataan tertarik ke arah yang lebih besar. Produktivitas di sini adalah produksi padi dibagi dengan luas panen. Produktivitas rata-rata dari seluruh petani contoh adalah 4371 kg/ha, sedangkan median 4181 kg/ha. Gambar 13 diagram kotak garis posisi median lebih dekat ke K1 (kuartil pertama) mencirikan suatu sebaran dengan kemiringan positif atau memanjang ke arah nilai- nilai yang besar atau ada beberapa data yang produktivitasnya sangat besar. Pada diagram kotak garis terlihat bahwa tidak ada data pencilan untuk produktivitas, untuk produktivitas tertinggi sampai 8500 kg/ha. Besarnya stok setara beras besarnya bervariasi
di petani produsen.
Besarnya stok ini sangat tergantung pada waktu petani tersebut panen, jenis varietas padi yang ditanam, pola penjualan dan penyimpanan dan pola penggunaan. Makin jauh rentang waktu antara saat panen dan saat pengamatan, stok makin kecil, petani yang panen beberapa bulan yang lalu stoknya makin menipis, sedangkan petani yang baru panen satu atau dua bulan yang lalu stok stoknya relatif besar. Varietas padi yang ditanam juga mempengaruhi stok, jika varietas padi yang ditanam padi ketan atau varietas tertentu seperti IR 42 untuk bahan baku industri, maka setelah panen langsung dijual semua sehingga petani tersebut hanya membeli beras secara eceran untuk makan sehari- hari.
44
Diagram Kotak Garis Produktivitas Padi
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
Produktivitas (Kg/ha)
Gambar 12 Diagram kotak garis produktivitas padi Pola penjualan dan penyimpanan petani berbeda-beda, ada yang panen kemudian menjual sebagian dan menyisakan untuk konsumsi sehari- hari sampai panen berikutnya, ada petani yang menjual seluruh hasil panen dan untuk konsumsi sehari- hari membeli beras. Pada pola yang pertama stok relatif lebih besar dari pada pola yang kedua. Besarnya stok rata-rata yang dimiliki petani adalah 354.9 kg beras dan median sebesar 190 kg beras. Stok paling kecil adalah sebesar 1.6 kg beras berarti petani sudah tidak memiliki lagi sisa produksi hasil panen dan untuk kebutuhan sehari- hari mengandalkan pembelian beras secera eceran. Stok yang paling besar adalah 5752 kg beras, stok yang besar pada umumnya karena baru saja panen atau petani belum menjual gabah hasil panen.
Suplai Gabah/Beras di Rumah Tangga Petani
Produksi padi yang dipanen petani digunakan untuk berbagai macam kebutuhan. Pada umumnya sebagian besar petani menjual sebagian hasil panennya, menyimpan sebagian dalam bentuk gabah untuk konsumsi dan stok. Petani sebagian besar menyimpan hasil panennnya dalam bentuk gabah, jika stok beras untuk konsumsi menipis maka sebagian gabah digiling kembali menjadi beras. Persentase jumlah beras yang dijual, yang telah digunakan baik untuk
45
konsumsi, sosial atau lainnya dan yang masih tersisa sebagai stok, untuk masingmasing petani berbeda-beda besarnya dan ada variasi. Untuk petani skala besar dengan luas panen lebih dari satu ha, maka persen gabah yang dijual relatif lebih besar dari pada petani skala kecil. Hasil survei pada Gambar 14 menunjukkan persentase ketersediaan gabah/beras di rumah tangga petani dan kemungkinan penggunaan suplai tersebut. Produksi (X1 )=91.6% s=0.1032
Sisa stok sebelum panen (X2 )=6.1% s=0.0784
Suplai (S)=100%
Dijual (X4 )
Penggunaan
Dikonsumsi (X7 )
Benih + Pakan (X8 )
(X5 )
Pembelian/Pemberian dari pihak lain (X3 )=2.3% s=0.0687
Stok (X6 )
Sosial/lainnya
(X9 )
Gambar 13 Pola ketersediaan gabah/beras pada petani contoh Kabupaten Subang Gambar 14 menunjukkan bahwa dari total suplai beras yang dimiliki rumah tangga petani sebagian besar berasal dari produksi panen terakhir yaitu 91.6%, sedangkan sisa stok yang berasal dari panen sebelumnya adalah 6.1% dan sisanya 2.3% berasal dari pemberian atau pembelian dari pihak lain. Produksi gabah pada panen terakhir dan sisa gabah pada panen sebelumnya, sebagian dijual. Jumlah yang dijual ini
rata-rata sebesar 57.3% dari total suplai, sedangkan sisanya
digunakan untuk konsumsi dan penggunaan lainnnya, serta disimpan sebagai stok. Survei ini dilakukan pada 18 kecamatan contoh, karakteristik rumah tangga petani yang terdiri atas dua jenis. Pada kecamatan di daerah pantura umumnya
46
petani memiliki lahan yang luas dan bertani merupakan usaha ya ng komersial, sebaliknya kecamatan lainnnya di wilayah Kabupaten Subang pada umumnya petani memiliki lahan relatif lebih sempit dan menanam padi lebih ditujukan untuk memenuhi kebutuhan rumah tangga sendiri.
Deskripsi Rasio Stok Terhadap Produksi Rasio stok terhadap produksi adalah besarnya fraksi stok dari produksi atau menunjukkan dari total produksi bersih berapa persen yang disimpan sebagai stok. Penyediaan (suplai) gabah/beras petani berasal dari produksi panen terakhir, pembelian/pemberian atau berasal upah gabah/beras dari pihak lain atau bisa berasal dari sisa stok panen sebelumnya. Selanjutnya suplai ini akan digunakan untuk penjualan, penggunaan (konsumsi, benih, pakan, sosial, lainnya) dan stok. Penjualan dilakukan pada umumnya sesaat setelah panen, sedangkan penggunaan dan stok diusahakan cukup sampai panen berikutnya, jadi makin jauh dari waktu panen stok akan semakin menipis.
Rasio Stok Tanpa Membedakan Wilayah Berdasarkan hasil survei dijumpai petani yang masih memiliki stok dari hasil panen tujuh bulan yang lalu. Rasio stok terhadap produksi untuk panen tujuh bulan lalu adalah 0.02695 atau sisa stok gabah/beras yang berasal dari panen yang dilakukan pada tujuh bulan lalu adalah 2.695% dari produksi. Untuk panen enam bulan lalu rata-rata besarnya stok adalah 4.755% dari produksi bersih, panen lima bulan lalu besarnya stok rata-rata 7.596% dari produksi bersih dan untuk panen empat bulan lalu besarnya stok 10.691% dari produksi bersih. Untuk panen tiga bulan lalu, dua bulan lalu, satu bulan lalu besarnya rataan stok masing- masing 16.022%, 23.49% dan 34.15% dari produksi bersih.
47
Tabel 9
Rasio stok terhadap produksi Kabupaten Subang
Waktu panen 1 bulan lalu 2 bulan lalu 3 bulan lalu 4 bulan lalu 5 bulan lalu 6 bulan lalu 7 bulan lalu
Rasio Stok terhadap produksi *) Rataan Median Simpangan baku 0.34150 0.25970 0.29680 0.23490 0.16280 0.21230 0.16022 0.10697 0.15045 0.10691 0.06280 0.11816 0.07596 0.04348 0.08143 0.04755 0.02025 0.06125 0.02695 0.00925 0.03801
*) Total contoh petani 217
Jika diamati lebih seksama penurunan rasio stok pada panen satu bulan lalu sampai empat bulan lalu agak tajam. Hal ini dapat dijelaskan karena pada lag waktu panen tersebut stok masih cukup besar sehingga penggunaan lebih banyak baik konsumsi maupun kegiatan sosial seperti hajatan. Pada masyarakat di Kabupaten Subang pada umumnya jika hajatan memberikan beras dan/atau uang. Semakin banyak jumlah yang hajatan pengeluaran beras untuk hajatan akan semakin besar. Jika stok gabah/beras di rumah tangga petani makin banyak cenderung memberikan beras untuk hajatan dalam jumlah yang besar. Sebaliknya pada panen lima bulan lalu sampai tujuh bulan lalu stok semakin menipis sehingga penggunaan lebih diprioritaskan untuk konsumsi rumah tangga saja. Pada diagram kotak garis tampak bahwa ragam rasio stok untuk panen satu bulan lalu paling besar, selanjutnya ragam stok makin menurun sampai panen tujuh bulan lalu. Hal ini karena pada saat baru saja panen (misalnya 1-2 bulan lalu) rumah tangga petani masih punya banyak pilihan dalam penggunaan hasil panen seperti dijual langsung, disimpan terlebih dahulu kemudian dijual, disimpan untuk konsumsi sendiri, disumbangkan untuk kegiatan sosial atau untuk keperluan lainnya.
48
1,0
0,5
0,0 Rt-1
Rt-2
Rt-3
Rt-4
Rt-5
Rt-6
Rt-7
Kabupaten Subang
Gambar 14 Rasio stok terhadap produksi menurut waktu panen.
Rasio Stok Terhadap Produksi Dengan Membedakan Wilayah Seperti telah dijelaskan pada bagian sebelumnya bahwa wilayah pantura dan non pantura sangat mempengaruhi pola penyimpanan stok. Hasil analisis deskripsi menunjukkan pola yang serupa untuk untuk pengamatan dua periode panen. Pada pengamatan stok panen sebelumnya, kemudian panen terakhir dan pada saat wawancara memiliki lag panen yang panjang, sampai pane n tujuh bulan yang lalu.
Tabel 10 Rasio Stok tehadap produksi Kabupaten Subang Wilayah Non Pantura Waktu panen Rataan 1 bulan lalu 2 bulan lalu 3 bulan lalu 4 bulan lalu 5 bulan lalu 6 bulan lalu 7 bulan lalu
Rasio Stok terhadap produksi *) Median Simpangan baku 0.5037 0.4667 0.5004 0.3564 0.3348 0.3494 0.2432 0.2150 0.2366 0.1538 0.1147 0.1412 0.1349 0.1103 0.1262 0.1189 0.0961 0.1080 0.0936 0.0951 0.0936
*) Total contoh petani 217 contoh, tersebar di 18 kecamatan (10 kecamatan non pantura, 8 kecamatan pantura)
49
Tabel 11 Rasio Stok tehadap produksi Kabupaten Subang Wilayah Pantura Waktu panen
Rasio Stok terhadap produksi *) Median Simpangan baku 0.1735 0.1043 0.1479 0.12443 0.07495 0.10893 0.09232 0.05095 0.08127 0.07032 0.03329 0.06019 0.05146 0.02800 0.04616 0.03347 0.01680 0.02913 0.01971 0.00849 0.01673
Rataan 1 bulan lalu 2 bulan lalu 3 bulan lalu 4 bulan lalu 5 bulan lalu 6 bulan lalu 7 bulan lalu
*) Total contoh petani 217 contoh, tersebar di 18 kecamatan (10 kecamatan non pantura, 8 kecamatan pantura)
Untuk lag waktu panen satu bulan yang lalu rasio stok terhadap produksi untuk wilayah pantura memiliki rataan 0.1735, sedangkan di wilayah non pantura 0.5037. Dengan perkataan lain contoh petani produsen di daerah pantura satu bulan setelah panen memiliki stok setara beras sebesar 17.35% dari produksi, dan petani produsen di daerah non pantura masih memiliki stok setara beras sebesar 50.37%. Rumah tangga petani di daerah pantura memiliki stok yang lebih rendah karena pada umumnya mereka memiliki lahan sawah yang cukup luas sehingga produksinya besar, jadi meskipun persentasenya lebih kecil secara kuantitas stok gabah/beras belum tentu lebih kecil. Hal yang sama terjadi pada lag- lag waktu panen berikutnya dari pane n dua bulan yang lalu sampai tujuh bulan yang lalu. Rataan rasio stok terhadap produksi untuk rumah tangga petani di daerah non pantura adalah : untuk waktu panen satu bulan lalu 0.5037, waktu panen dua bulan lalu 0.3564, waktu panen tiga bulan lalu 0.2432, waktu panen empat bulan lalu 0.1538. waktu panen lima bulan lalu 0.1349, waktu panen enam bulan lalu 0.1189 dan waktu panen tujuh bulan lalu 0.0936. Besarnya stok setara beras di daerah non pantura dari waktu panen satu bulan yang lalu sampai tujuh bulan yang lalu berturut adalah 50.37%, 35.64%, 24.32%, 15.38%, 13.49%, 11.89%, 9.36% dari produksi bersih. Sedangkan pada daerah pantura rataan rasio stok lebih kecil dibandingkan daerah non pantura wilayah Subang. Besarnya stok setara beras di daerah pantura dari waktu panen satu bulan yang lalu sampai tujuh bulan yang lalu berturut adalah 17.35%, 12.44%, 9.23%, 7.03%, 5.15%, 3.35%, 1.97% dari produksi bersih. Seperti yang telah dijelakan sebelumnya bahwa perbedaan ini rasio ini
50
karena usaha tani di daerah pantura cenderung berskala besar. Untuk petani di daerah pantura median luas panen 1.4 ha, sedangkan di daerah non pantura median luas panen 0.42 ha.
Oleh karena luas panen lebih besar sehingga
produksinya juga lebih besar, sedangkan untuk kebutuhan konsumsi, penggunaan dan stok relatif sama sehingga rasio menjadi lebih kecil.
1,0
0,5
0,0 Rt-1
Rt-2
Rt-3
Rt-4
Rt-5
Rt-6
Rt-7
Wilayah Non Pantura Kabupaten Subang
1,0
0,5
0,0 Rt-1
Rt-2
Rt-3
Rt-4
Rt-5
Rt-6
Rt-7
Wilayah Pantura Kabupaten Subang
Gambar 15
Rasio stok terhadap produksi menurut lag waktu panen berdasarkan wilayah.
51
Deskripsi Penggilingan Penggilingan secara umum dibagi menjadi dua, yaitu penggilingan yang melayani jasa giling dan penggilingan yang melayani jasa giling dan melakukan jual beli gabah/beras. Penggilingan yang hanya melayani jasa giling, tentu saja tidak memiliki stok gabah/beras. Sebaliknya penggilingan yang melakukan jual beli ada yang memiliki stok, sehingga yang disurvei hanya penggilingan yang merangkap pedagang atau yang melakukan jual beli. Jumlah contoh penggilingan yang disurvei ada 70 penggilingan yang tersebar di 17 kecamatan contoh. Variasi penggilingan yang merangkap pedagang ini juga sangat beragam, ada penggilingan yang memiliki kapasitas gudang dan kapasitas giling sangat besar ada yang tidak memiliki gudang dan hanya memiliki 1 mesin giling sehingga kapasitas sangat kecil. Kapasitas giling yang terkecil adalah 2.5 kuintal beras/hari dan kapasitas giling yang terbesar sampai 800 kuintal beras/hari, untuk penggilingan yang memiliki kapasitas besar karena memiliki beberapa unit mesin. Disamping itu biasanya penggilingan dilengkapi dengan tempat penjemuran. Kapasitas jemur juga bervariasi ada yang sampai 40 ton gabah. Beberapa penggilingan besar juga dilengkapi oven atau pengering gabah dengan kapasitas sekitar 20 ton gabah. Penggilingan di daerah pantura pada umumnya memiliki sarana transportasi berupa truk. Rata-rata memiliki 2 truk, satu truk untuk mencari gabah dengan cara mendatangi lokasi pemanenan, sedangkan truk lainnya untuk menjual beras. Truk yang dimiliki umumnya truk sedang dengan kapasitas angkut sekitar 10 ton beras. Sebaliknya penggilingan padi di daerah pegunungan/selatan Kabupaten Subang umumnya memiliki skala yang lebih kecil baik kapasitas giling, kapasitas jemur dan truk yang dimiliki. Kapasitas giling hanya sekitar 2 – 4 ton beras/hari, dan truk yang dimiliki hanya mobil boks kecil dengan kapasitas 1.7 – 2 ton beras. Besarnya stok di penggilingan bervariasi, ada kecenderungan makin besar kapasitas penggilingan maka stok makin besar.
Pada umumnya penggilingan
menyimpan stok hanya berupa stok kerja, yaitu stok diperlukan agar penggilingan bisa berjalan terus dan tidak sampai berhenti karena tidak ada bahan baku. Besarnya stok kerja ini bervariasi tergantung besarnya kapasitas giling, dan
52
biasanya besarnya stok kerja ini cukup untuk 1 hari operasional, jika kapasitas giling 10 ton beras per hari maka diperlukan gabah sekitar 15 ton. Besarnya stok beras rata-rata di penggilingan contoh pada saat survei (awal agustus) adalah sebesar 181.4 kuintal. Stok paling rendah 0 dan stok paling tinggi sampai 115 ton beras. Jika dilihat dari diagram kotak garis besarnya stok di penggilingan, posisi median relatif tidak di tengah-tengah tetapi cenderung agak ke kiri. Hal ini menunjukkan banyak penggilingan yang memiliki stok kecil. Berdasarkan angka median stok di penggilingan adalah sebesar 106.8 kuintal beras. Pada diagram kotak garis ditemukan ada 2 pencilan karena memiliki stok di atas 1000 kuintal beras pada saat survei. Kedua penggilingan tersebut termasuk penggilingan yang sangat besar, salah satu melayani perdagangan antar pulau dan lainnya untuk melayani kebutuhan konsumsi pesantren besar. Untuk menggambarkan nilai tengah dari stok di penggilingan penggunaan median lebih tepat dan besarnya adalah 151.7 ku. Tabel 12 Besaran stok di penggilingan pada awal Agustus 2005 Jumlah contoh 70
Rataan Stok (Ku) 181.4
Median Stok (Ku) 106.8
Rataan terpangkas 151.7
Simpangan baku 216.4
Penggilingan padi membeli gabah dari petani. Untuk mengetahui wilayah mana saja yang sedang panen, biasanya penggilingan menggunakan jasa calo. Jika sudah diketahui wilayah panen selanjutnya penggilingan melakukan pembelian gabah secara langsung dengan petani. Untuk penggilingan yang memiliki truk langsung ke lokasi panen dan membeli gabah dari petani tersebut. Selanjutnya gabah dibawa ke penggilingan untuk dijemur. Penjemuran dilakukan 2 sampai 3 hari. Ada beberapa penggilingan yang memiliki oven/dryer dan digunakan jika kurang sinar matahari atau banyak hujan.
53
0
500
1000
Stok Awal Agustus (Kuintal Beras)
Gambar 16 Diagram kotak garis stok beras di penggilingan pada awal Agustus 2005 Volume pembelian gabah rata-rata pada bulan Juli 2005 adalah sebesar 2 832 kuintal, sedangkan median hanya 1 590 kuintal per bulan. Perbedaan yang cukup jauh antara rataan dan median menunjukkan bahwa rataan contoh tertarik pada nilai- nilai yang besar. Hal ini menunjukkan bahwa banyak penggilingan skala kecil dan menengah, namun ada beberapa penggilingan yang sangat besar. Tabel 13 Volume Pembelian Gabah dan Penjualan Beras pada bulan Juli 2005 Peubah Pembelian gabah (ku) Penjualan beras (ku)
n 70 70
Rataan 2832 1697
Median 1590 1091
Rataan Simpangan terpangkas Baku 2210 3920 1346 2215
Asal pembelian gabah sebagian besar dari dalam kabupaten sendiri. Jika sedang panen raya maka dapat dipastikan bahwa pembelian gabah berasal dari dalam kabupaten. Jika sedang paceklik di Kabupaten Subang seperti Bulan Januari dan Pebruari, beberapa penggilingan yang memiliki modal kuat membeli gabah di luar kabupaten bahkan sampai ke luar propinsi (seperti Lampung dan Jawa Tengah).
54
0
10000
20000
Volume pembelian gabah (kuintal)
Gambar 17 Volume pembelian gabah oleh penggilingan Bulan Juli 2005
Beras yang telah digiling langsung dijual oleh pihak penggilingan. Untuk penggilingan di daerah Pantura seperti Kecamatan Cikaum, Legon Kulon, Pamanukan, Binong, Blanakan, Compreng, Ciasem dan Pusakanagara hampir semua beras dijual ke Pasar Induk Cipinang Jakarta. Penggilingan di daerah pegunungan (Kecamatan Jalancagak, Tanjungsiang, Cisalak, Sagalaherang) lebih dekat ke Bandung, sehingga penjualan beras ke pasar-pasar yang ada di Bandung. Beberapa penggilingan di kecamatan pedataran (seperti Pagaden), dijumpai beberapa penggilingan menjadi mitra SubDolog. Penggilingan yang menjadi mitra SubDolog mendapat order untuk pengadaan gabah. Selanjutnya penggilingan membeli gabah ke petani, setelah dikumpulkan, dikeringkan dan dikirim ke SubDolog jika telah memenuhi syarat kualitas. Pada bulan-bulan tertentu, jika sedang tidak ada pengadaan maka penggilingan mitra Dolog itu mendapat order unt uk menggiling gabah.
55
0
5000
10000
15000
Volume Penjualan Beras (kuintal)
Gambar 18 Volume penjualan beras oleh penggilingan padi bulan Juli 2005 Volume penjualan beras rata-rata pada Bulan Juli 2005 adalah sebesar 1 697 kuintal. Jika dilihat lebih jauh berdasarkan tujuan penjualan maka dari total 70 contoh penggilingan ada 18 penggilingan yang menjual gabah/beras di dalam Kabupaten Subang atau sekitar 25.7%, sedangkan sisanya 74.3% penjualan gabah/beras ke luar Kabupaten Subang. Dari 18 penggilingan yang menjual gabah/beras di dalam Kabupaten Subang rata-rata volume penjualan pada Bulan Juli 2005 adalah sebesar 1396 kuintal dan total penjualan beras sebesar 2512 ton. Jumlah penggilingan yang menjual beras ke luar Kabupaten Subang ada 52 contoh, rata-rata volume penjua lan beras 1801 kuintal atau total penjualan beras ke luar Subang dari total contoh penggilingan tersebut adalah sebesar 9365 ton. Berdasarkan total volume penjualan, beras yang dijual ke luar Kabupaten Subang adalah 78.85 %. Tabel 14 Volume penjualan beras berdasarkan tujuan penjualan Tujuan Dalam kabupaten Luar kabupaten
n
Rataan (kuintal) 18 1396 52
1801
Median Simpangan (kuintal) Baku 672 3264 1520
1575
Jumlah 25121.2
% Jumlah 21.15
93655.6
78.85
56
Deskripsi Subdolog Sub Dolog yang disurvei adalah Sub Dolog yang melayani wilayah Subang dan Purwakarta. Sub Dolog ini memiliki 18 gudang terdiri dari 5 gudang milik Sub Dolog dan 13 gudang sewa dari swasta. Gudang milik Dolog di Kabupaten Subang dan Purwakarta adalah : 1. Gudang Wessell kapasitas 3500 ton 2. Gudang Binong kapasitas 8000 ton 3. Gudang Rancaudik kapasitas 7500 ton 4. Gudang Pabuaran kapasitas 6000 ton 5. Gudang Purwakarta kapasitas 2000 ton Total kapasitas Gudang SubDolog wilayah Subang dan Purwakarta sekitar 82000 ton. Pengadaan gabah hampir seluruhnya dari wilayah Subang dan Purwakarta, hanya pada saat tertentu jika di Subang dan Purwakarta tidak ada panen, maka dilakukan pengadaan dari kabupaten lain. Pengadaan gabah melalui beberapa jalur yaitu melalui : mitra kerja, satuan tugas, UPGB (Unit Pengadaan Gabah Beras) dan Drying Center. Sedangkan penyaluran beras SubDolog melalui 3 jalur : Beras Raskin, Departemen Sosial jika ada bencana alam dan Departemen Kehakiman dan HAM untuk makanan penghuni Lembaga Pemasyarakatan. Penyaluran yang paling besar adalah melalui Raskin yaitu sekitar 2500 ton per bulan. Data yang berhasil dikumpulkan adalah data stok beras pada akhir bulan, dari bulan April 1997 sampai Juli 2005. Besarnya stok di Sub Dolog sangat fluktuatif dari bulan ke bulan. Jika diambil rata-rata stok selama periode waktu tersebut adalah 12450146 kg atau sekitar 12450 ton per bulan. Jik dilihat lebih jauh kedaan stok dari bulan ke bulan tampak bahwa, pada bulan Januari relatif masih tinggi yaitu sekitar 14000 ton, bulan Pebruari menurun menjadi 11000 ton, Maret terus menurun lagi menjadi sekitar 9600 ton. Bulan April, Mei, Juni meningkat lagi sekitar 10000 ton, karena pada bulan-bulan ini mulai dilakukan pengadaan. Bulan Juli merambat naik menjadi 11000 ton, Agustus merambat lagi menjadi 12000 ton, September menjadi 13000 ton. Stok tertinggi biasanya pada Bulan Oktober, Nopember dan Desember yaitu sekitar 15000 ton.
57
Tabel 15 Deskripsi stok bulanan Sub Dolog Subang tahun 1997 – 2005 Peubah Stok (kg)
n
Rataan
Median
100
12450146
10877845
Rataan terpangkas 12287238
Simpangan Baku 751585
Model Stok Petani Model stok petani dibangun berdasarkan hasil survei rasio stok terhadap produksi. Informasi mengenai jumlah stok pada saat survei, produksi pada saat panen dan bulan panen menjadi faktor yang sangat menentukan dalam membangun model ini. Besarnya stok di rumah tangga petani sangat dipengaruhi oleh waktu panen dan produksi padi. Setiap petani memiliki waktu panen yang berbeda-beda, pada umumnya makin jauh waktu panen dengan saat interview maka rasio makin kecil. Besarnya produksi hasil panen juga mempengaruhi besarnya stok, makin tinggi produksi dan makin banyak jumlah yang dijual maka rasio stok terhadap produksi akan makin kecil. Sebagai langkah awal pembangunan model adalah menduga total stok gabah/beras di rumah tangga petani setiap kecamatan. Pendugaan total stok gabah/beras di rumah tangga petani berdasarkan pola rasio stok pada saat interview terhadap bulan panen untuk masing- masing kecamatan. Setiap kecamatan memiliki pola rasio stok yang berbeda-beda. Di kecamatan di daerah pantura cenderung rasio stok terhadap produksi cenderung kecil dibandingkan dengan kecamatan di daerah non pantura. Untuk waktu panen satu bulan yang lalu, rasio stok terhadap produksi untuk rumah tangga petani di daerah pantura kurang dari 25%, sedangkan pada daerah non pantura pada umumnya di atas 25%. Rasio stok yang dihitung adalah rasio stok terhadap produksi dari waktu panen satu bulan yang lalu sampai tujuh bulan yang lalu, karena survei dilakukan bulan Agustus maka dihitung rasio stok dari produksi bulan Juli sampai bulan Januari. Penentuan jangka waktu rasio stok ini berdasarkan hasil survei. Setelah didapatkan pola rasio stok berdasarkan waktu panen untuk setiap kecamatan, selanjutnya untuk menduga stok di suatu
kecamatan adalah dengan cara
mengalikan rasio stok tersebut dengan produksi bulanan per kecamatan Hasil pendugaan total stok per kecamatan disajikan pada Lampiran 2.
58
Hasil pendugaan stok setara beras menunjukkan bahwa stok paling rendah adalah di Kecamatan Pamanukan yaitu hanya 565 ton beras, hal ini karena pada kecamatan tersebut didominasi padi varietas ketan dan IR 42 untuk bahan baku industri, sehingga setelah panen langsung dijual semua dan untuk kebutuhan sehari- hari dilakukan dengan cara me mbeli secara eceran, sehingga stok di rumah tangga petani kecil. Stok rumah tangga petani di kecamatan daerah pantura pada umumnya kecil yaitu di bawah 2000 ton beras karena pada umumnya merupakan sisa panen raya bulan April, kecuali Kecamatan Pusakanagara stok masih relatif lebih besar (3120 ton), karena panen raya dilakukan pada bulan Mei. Kecamatan Cipunagara, Pagaden dan Cipendeuy memiliki stok yang relatif besar karena pada bulan Juli baru saja panen. Kecamatan Sagalaherang, Cisalak, Tanjung Siang dan Cijambe memiliki stok yang relatif besar karena pada bulan Juli baru saja panen dengan produksi yang cukup besar. Selanjutnya dari hasil pendugaan stok gabah/beras di rumah tangga petani untuk setiap kecamatan dibuat model. Model tersebut digunakan untuk menduga stok di kecamatan lain yang tidak dijadikan contoh dan juga untuk menduga stok untuk setiap bulan Agustus. Model yang dibuat adalah model regresi berganda. Sebagai peubah tak bebas adalah stok setara beras pada awal bulan Agustus dan peubah tak bebas adalah produksi padi pada bulan Juli, Mei, April dan Maret. Produksi bulan Juni tidak masuk dalam model karena panen pada bulan Juni sangat kecil (masa paceklik) sehingga tidak menyumbang stok bulan Agustus. Data stok beras merupakan data hasil survei sedangkan data produksi bulanan untuk setiap kecamatan merupakan data sekunder dari Dinas Pertanian Kabupaten Subang. Model yang didapatkan untuk menduga
stok setara beras di rumah
tangga petani tingkat kecamatan adalah : SˆTagt = 40 + 0.334 Pjul + 0.177 Pmei + 0.0506 Papr + 0.194 Pmar – 2103 D dimana : SˆTagt : total stok di rumah tangga petani pada awal Agustus (Ton) Pjul : produksi padi gabah kering giling bulan Juli (Ton) Pmei : produksi padi gabah kering giling bulan Mei (Ton) Papr : produksi padi gabah kering giling bulan April (Ton) Pmar : produksi padi gabah kering giling bulan Maret (Ton) D : wilayah (pantura=1, non pantura=0)
59
Tabel 16 Model Stok Petani Peubah Koefisien
Galat T baku Intersep 39.6 324.6 0.12 Pjul 0.33440 0.04592 7.28 Pmei 0.17718 0.02616 6.77 Papr 0.05062 0.01734 2.92 Pmar 0.19397 0.06058 3.20 D -2102.9 361.6 5.82 S = 428.3 R-Sq = 86.2% R-Sq(adj) = 80.6% PRESS = 4372515 R-Sq(pred)= 72.87%
p
VIF
0.905 0.000 0.000 0.013 0.008 0.000
1.5 3.1 2.1 1.7 3.2
Stok (Agt) merupakan stok setara beras pada awal Agustus dalam satuan ton, sedangkan Pjul, Pmei, Papr, Pmar merupakan produksi gabah kering giling menurut bulan dalam satuan ton untuk masing- masing kecamatan dan D merupakan peubah boneka (dummi) untuk membedakan wilayah kecamatan. Nilai D bernilai 1 untuk wilayah pantura dan bernilai 0 untuk wilayah non pantura. Model tersebut merupakan model stok setara beras pada awal Agustus di kecamatan dalam wilayah Kabupaten Subang. Koefisien determinasi sebesar 86.2% menunjukkan bahwa keragaman stok di rumah tangga petani pada awal Agustus untuk wilayah kecamatan, berhasil diterangkan oleh produksi bulan Juli, Mei, April, Maret dan peubah dummi wilayah sebesar 86.2%. Pada pemilihan model regresi terbaik salah satu kriteria adalah koefisien determinasi ganda terkoreksi, makin besar nilai ini model semakin baik. Koefisien determinasi ganda terkoreksi besarnya 80.6%, nilai ini paling besar diantara model- model regresi lainnya, sehingga model regresi dengan peubah bebas produksi padi bulan Juli, Mei, April, Maret dan peubah dummi wilayah dipilih sebagai model terbaik untuk menduga stok setara beras di awal Agustus, seperti terlihat pada Lampiran 2. Uji F menunjukkan nilai p=0.000 sehingga hubungan regresi antara stok Agustus dengan produksi padi bulan Juli, Mei, April, Maret dan dummi wilayah nyata. Uji t menunjukkan bahwa untuk semua β k nilai p< 0.05, artinya dengan tingkat keyakinan 95% nilai koefisien regresi β k tidak sama dengan nol (k=1,2,3,4,5). Model stok awal Agustus menunjukkan nilai koefisien regresi untuk semua produksi bulan Juli, Mei, April dan Maret semua bertanda positif.
Hal ini
60
menunjukkan bahwa besarnya produksi pada bulan Juli, Mei, April dan Maret meningkatkan besaran stok di bulan Agustus. Model tersebut juga mengandung peubah dummi, yang bernilai 1 untuk kecamatan wilayah pantura dan bernilai 0 untuk kecamatan lainnya, dan secara signifikan nilai koefisien regresi tidak sama dengan nol. Adanya perbedaan wilayah ini karena dari hasil analisis deskripsi ada perbedaan
signifikan
dalam
pola
penggunaan
gabah/beras,
sehingga
mempengaruhi pola stok. Adanya peubah dummi tersebut dapat memecah model menjadi dua :
Model untuk kecamatan di wilayah non pantura (nilai D=0) : SˆTagt = 40 + 0.334 Pjul + 0.177 Pmei + 0.0506 Papr + 0.194 Pmar Model untuk kecamatan di wilayah pantura (nilai D=1) : SˆTagt = -2063 + 0.334 Pjul + 0.177 Pmei + 0.0506 Papr + 0.194 Pmar Selain itu kelayakan model perlu diuji keacakan galat model dan kenormalan galat. Hasil uji kecakan galat dan kenormalan galat dapat dilihat pada Lampiran 2. Perilaku sisaan yang dianggap layak akan terlihat apabila nilai-nilai tersebut membentuk suatu pita yang mendatar di sekitar garis sisaan=0, pita yang membentuk corong dapat memberikan petunjuk adanya keheterogenan ragam dan pita
yang
melengkung
menunjukkan
kekurangtepatan
persamaan
linier.
Berdasarkan plot antara nilai sisaan dengan dugaan terlihat bahwa sisaan bersifat acak, tidak memiliki pola tertentu sehingga model layak. Hasil pengujian plot kenormalan galat menujukkan bahwa polanya tampak cukup linier, konsisten dengan sebaran normal suku-suku galatnya. Pemeriksaan galat lebih lanjut melalui uji Kolmogorov-Smirnov menunjukkan bahwa nilai probabilitas yang lebih dari 0.15 sehingga sisaan menyebar normal, sesuai dengan asumsi yang diperlukan dalam model. Salah satu syarat model regresi yang layak adalah antar peubah bebas harus saling bebas. Peubah bebas pada model yaitu produksi padi bulan Juli, Mei, April dan Maret saling bebas. Produksi Juli besarnya tidak ditentukan oleh produksi Mei, April dan Maret, produksi Mei tidak ditentukan oleh produksi April dan Maret dan seterusnya. Besarnya produksi dipengaruhi oleh luas tanam, luas panen
61
dan produktivias. Hasil korelasi Pearson juga menunjukkan korelasi antar bulan panen tersebut tidak ada yang lebih dari 0.5 (Lampiran 2). Pengujian ini diperkuat melalui nilai VIF (variance inflation factors) untuk menguji apakah ada multikolinier. Jika nilai VIF>10 mengindikasikan ada multikolinier atau ada korelasi yang tinggi antar peubah bebas, sedangkan syarat model yang baik antar peubah bebas harus saling bebas. Pada model yang dihasilkan menunjukkan nilai VIF<5, sehingga model tersebut tidak ada masalah multikolinier. Berdasarkan model yang telah diuji kelayakannnya, selanjutnya dilakukan pendugaan stok baik untuk kecamatan contoh maupuan kecamatan yang tidak disurvei. Hasil Pendugaan stok setara beras untuk masing- masing kecamatan disajikan pada Tabel 17. Berdasarkan tabel tersebut selalu ada perbedaan antara hasil pendugaan dengan menggunakan survei dan hasil berdasarkan model. Semakin kecil jumlah kuadrat selisih antara nilai sebenarnya (hasil survei) dan nilai dugaan (hasil model) maka model tersebut akan semakin baik. Berdasarkan hasil survei total stok setara beras di rumah tangga petani untuk seluruh kecamatan contoh yang terdiri dari 18 kecamatan pada awal Agustus adalah sebesar 32037.82 ton beras, sedangkan berdasarkan model total stok adalah sebesar 32037.91 ton. Sedangkan pendugaan stok di kecamatan yang tidak dijadikan contoh berdasarkan model yaitu Kecamatan Subang sebesar 3243 ton, Kecamatan Kalijati sebesar
3828 ton, Kecamatan Pabuaran 1590 ton dan
Kecamatan Patokbeusi sebesar 4560 ton. Pendugaan total stok di rumah tangga petani pada awal Agustus lalu di 18 kecamatan contoh berdasarkan model adalah sebesar 32038 ton setara beras. Galat baku pendugaan (standard error prediction) untuk total kecamatan contoh adalah 1049.48, sehingga selang kepercayaan 95% bagi hasil pendugaan total stok pada 18 kecamatan contoh berkisar antara 29729 ton sampai 34347 ton setara beras. Sedangkan untuk kecamatan baru yang tidak masuk dalam contoh, dianggap sebagai pengamatan baru, sehingga selang yang digunakan bukan selang kepercayaan, tetapi selang pendugaan (prediction interval) untuk pengamatan yang baru. Kecamatan Subang hasil pendugaan berdasarkan model adalah total stok 3243 ton, hasil selang pendugaan dengan tingkat kepercayaan 95% batas bawah stok di kecamatan tersebut 2196 ton dan batas atas 4291 ton. Galat baku
62
total diperoleh akar dari jumlah kuadrat galat baku individu pengamatan, berdasarkan hasil perhitungan diperoleh 1593 ton. Pendugaan total stok di rumah tangga petani untuk seluruh kecamatan adalah 45259 ton, dengan tingkat kepercayaan 95% besaran stok setara beras di rumah tangga petani Kabupaten Subang berkisar antara 41753 ton sampai 48765 ton setara beras. Tabel 17 Pendugaan Stok Setara Beras di Rumah Tangga Petani No.
Kecamatan
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18.
Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara *) Pagaden Cipeundeuy Purwadadi Ciasem *) Binong *) Compreng *)
Stok Setara Beras (Ton) Survei
19. 20. 21. 22.
Model
3642.15 3047.04 782.62 1244.98 3143.26 3428.87 2369.85 2127.16 1734.26 1705.69 928.78 1300.96 2101.75 2218.24 2851.64 2949.52 2313.62 1632.25 785.88 885.18 586.95 52.87 1588.11 1275.00 1622.63 1616.50 3118.78 3075.63 Pusakanagara *) Pamanukan *) 564.51 743.27 Blanakan *) 657.88 1278.71 Legonkulon *) 1366.44 1346.93 Cikaum 1878.71 2109.11 TOTAL 32037.82 32037.91 Kecamatan yang tidak disurvei Subang 3243.50 Kalijati 3828.46 Pabuaran *) 1589.80 Patokbeusi *) 4559.65 TOTAL KAB. SUBANG 45259.32
*) Kecamatan Wilayah Pantura
Galat Baku Pendugaan Model
Selang Kepercayaan 95% Untuk Model (Ton Beras) Batas Bawah Batas Atas
262.69 203.01 226.37 192.60 164.65 174.26 349.60 295.46 154.52 198.60 274.33 283.57 322.74 355.63 235.81 180.98 247.36 189.35 1049.08
2474.69 802.65 2935.66 1707.52 1346.94 921.28 1456.52 2305.76 1295.59 452.47 -544.85 657.15 913.31 2300.79 229.47 884.39 807.99 1696.56 29728.88
3619.39 1687.30 3922.08 2546.79 2064.44 1680.65 2979.96 3593.28 1968.91 1317.89 650.58 1892.84 2319.69 3850.47 1257.06 1673.04 1885.88 2521.66 34346.94
218.64 309.55 374.92 740.41 1592.86
2195.78 2677.08 349.61 2695.98 41753.44
4291.22 4979.84 2829.99 6423.32 48765.20
63
4000.00 3500.00
Stok (Ton)
3000.00 2500.00 2000.00 1500.00 1000.00 500.00 0.00 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Kecamatan
Survei
Model
Gambar 19 Plot Pendugaan Stok di Petani Menurut Hasil Survei dan Model Jumlah rumah tangga usaha padi berdasarkan hasil Sensus Pertanian 2003 di Kabupaten Subang adalah 120199 rumah tangga. Hasil survei menunjukkan ratarata stok setara beras di rumah tangga petani pada awal Agustus sebesar 354.9 kg, jadi total stok di rumah tangga petani sebesar 42659 ton. Nilai tersebut masuk dalam selang hasil pendugaan menggunakan model yaitu berkisar antara 41753 ton sampai 48765 ton setara beras, sehingga tidak berbeda secara nyata antara pendugaan model dan pendugaan survei.
Model Stok Penggilingan Penggilingan melakukan penyimpanan stok baik sebagai stok kerja maupun stok berjaga-jaga. Stok kerja digunakan agar proses pekerjaan tidak terganggu dan penggilingan bisa terus beroperasi. Stok berjaga-jaga dilakukan ketika hendak memasuki musim paceklik, agar pada saat musim paceklik nanti penggilingan tetap beroperasi. Penggilingan yang melakukan stok spekulasi untuk memperoleh keuntungan yang besar, tidak ditemukan pada saat survei. Model stok penggilingan dibangun berdasarkan data primer yang merupakan hasil survei dan data sekunder dari Dinas Pertanian Kabupaten Subang. Data stok yang diperoleh dari survei adalah data stok pada saat wawancara, yaitu pada awal Agustus lalu. Untuk setiap kecamatan diambil beberapa penggilingan sebagai contoh, kemudian dihitung rata-rata stok di penggilingan untuk setiap kecamatan. Jumlah penggilingan yang merangkap pedagang diperoleh dari hasil listing.
64
Berdasarkan rata-rata stok gabah/beras di penggilingan untuk setiap kecamatan dan jumlah penggilingan merangkap pedagang untuk setiap kecamatan maka dapat diduga besarnya stok di penggilingan untuk setiap kecamatan contoh. Pendugaan stok di penggilingan untuk setiap kecamatan disajikan pada Lampiran 3. Berdasarkan hasil pendugaan tersebut menunjukkan bahwa jumlah stok setara beras di penggilingan yang paling banyak ada di Kecamatan Binong yaitu sebesar 1169 ton, diikuti dengan Kecamatan Cipunagara yaitu sebesar 1148 ton. Tingginya jumlah stok di dua kecamatan tersebut karena jumlah penggilingan yang merangkap pedagang jumlahnya banyak atau rata-rata stok yang cukup besar.
Stok di penggilingan yang dengan jumlah kecil ada di Kecamatan
Sagalaherang yaitu hanya 29 ton dan Kecamatan Jalan Cagak 37 ton, disamping karena jumlah penggilingan tidak terlalu banyak, skala usaha kecil, juga karena tidak ada panen sejak bulan Mei sampai Juli. Selanjut nya dari hasil pendugaan total stok setara beras di penggilingan untuk setiap kecamatan, kemudian dibangun model stok penggilingan. Model stok dibangun dari peubah tak bebas yaitu stok di penggilingan pada awal Agustus untuk setiap kecamatan dan peubah bebas produksi gabah di kecamatan contoh dari bulan Juli sampai dengan Maret. Model yang digunakan sebagaimana model stok petani adalah model regresi berganda. Berdasarkan hasil analisis model yang terbaik untuk menduga stok di penggilingan untuk setiap kecamatan pada awal Agustus adalah : SˆGagt = -341.1 + 0.0595 Pjul + 0.0203 Pmei + 0.0370 Papr + 0.125 Pmar – 0.000022 PKmar dimana: SˆGagt : total stok setara beras di penggilingan pada awal Agustus (Ton) Pjul : produksi padi gabah kering giling (GKG) bulan Juli (Ton) Pmei : produksi padi gabah kering giling bulan Mei (Ton) Papr : produksi padi gabah kering giling bulan April (Ton) Pmar : produksi padi gabah kering giling bulan Maret (Ton) PKmar : produksi kuadrat padi gabah kering giling bulan Maret (Ton)
65
Tabel 18 Model Stok Penggilingan Peubah
Koefisien
Galat T baku Intersep -341.1 183.9 -1.85 Pjul 0.05947 0.01726 3.45 Pmei 0.020348 0.008323 2.44 Papr 0.036978 0.004985 7.42 Pmar 0.12513 0.07351 1.70 PKmar -0.00002159 0.00000847 -2.55 S = 156.1 R-Sq = 86.0% R-Sq(adj) = 79.7% PRESS = 859431 R-Sq(pred)=55.18%
p 0.091 0.005 0.033 0.000 0.117 0.027
VIF
1.5 2.1 1.2 17.1 15.3
SˆGagt merupakan stok setara beras pada awal Agustus dalam satuan ton, sedangkan Pjul, Pmei, Papr, Pmar merupakan produksi gabah kering giling menurut bulan dalam satuan ton untuk masing- masing kecamatan dan Pkmar merupakan produksi gabah kering giling Bulan Maret dikuadratkan.
Model
tersebut merupakan model stok setara beras pada awal Agustus di kecamatan dalam wilayah Kabupaten Subang. Koefisien determinasi sebesar 86.0% menunjukkan bahwa keragama n stok di penggilingan pada awal Agustus untuk wilayah kecamatan, berhasil diterangkan oleh peubah bebas produksi per kecamatan bulan Juli, Mei, April, Maret dan produksi Maret kuadrat sebesar 86.0%. Koefisien determinasi ganda terkoreksi besarnya 79.7%, nilai ini menjadi salah satu kriteria dalam pemilihan model terbaik, makin tinggi nilainya (mendekati 100%) model semakin baik. Uji F menunjukkan nilai p=0.000 sehingga hubungan regresi antara stok Agustus dengan produksi padi bulan Juli, Mei, April, Maret dan produksi kuadrat bulan Maret nyata. Uji t menunjukkan bahwa untuk β k (k=0,1,2,3,5) nilai
p<
0.10, artinya dengan tingkat keyakinan 90% nilai koefisien regresi β k untuk peubah bebas produksi padi bulan Juli, Mei, April dan kuadrat produksi bulan Maret tidak sama dengan nol. Sebaliknya nilai β k untuk koefisien regresi peubah bebas produksi bulan Maret tidak nyata pada tingkat keyakinan 90%. Model stok awal Agustus menunjukkan nilai koefisien regresi untuk produksi bulan Juli, Mei, April dan Maret semua bertanda positif, sebaliknya produksi bulan Maret kuadrat bernilai negatif.
Hal ini menunjukkan bahwa
66
besarnya panen pada bulan Juli, Mei, April dan Maret akan meningkatkan besaran stok di bulan Agustus karena pada Bulan Maret dan April merupakan puncak panen raya sehingga penggilingan cenderung untuk melakukan penyimpanan stok, bulan Mei panen masih cukup banyak jadi masih terus terjadi penambahan stok, dan bulan Juli jumlah padi yang dipanen kembali meningkat sehingga penggilingan kembali menyimpan stok. Pada bulan Maret panen cukup banyak dan produksi padi besar, tanda koefisien positif dan bentuk kuadratnya negatif, tetapi jika dijumlahkan peran panen bulan Maret positif terhadap stok Agustus artinya makin besar produksi bulan Maret, stok pada bulan Agustus juga semakin besar. Selain itu kelayakan model perlu diuji keacakan galat model dan kenormalan galat. Hasil uji kecakan galat dan kenormalan galat dapat dilihat pada Lampiran 3. Perilaku sisaan yang dianggap layak akan terlihat apabila nilai-nilai tersebut membentuk suatu pita yang mendatar di sekitar garis sisaan=0, pita yang membentuk corong dapat memberikan petunjuk adanya keheterogenan ragam dan pita
yang
melengkung
menunjukkan
kekurangtepatan
persamaan
linier.
Berdasarkan plot antara nilai sisaan dengan dugaan terlihat bahwa sisaan bersifat acak, tidak memiliki pola tertentu sehingga model layak. Hasil pengujian plot kenormalan galat menujukkan bahwa polanya tampak cukup linier, konsisten dengan sebaran normal suku-suku galatnya. Pemeriksaan galat lebih lanjut melalui uji Kolmogorov-Smirnov menunjukkan bahwa nilai probabilitas yang lebih dari 0.15 sehingga sisaan menyebar normal, sesuai dengan asumsi yang diperlukan dalam model. Salah satu syarat model regresi yang layak adalah antar peubah bebas harus saling bebas. Peubah bebas pada model yaitu produksi padi bulan Juli, Mei, April dan Maret saling bebas. Produksi Juli besarnya tidak ditentukan oleh produksi Mei, April dan Maret, produksi Mei tidak ditentukan oleh produksi April dan Maret dan seterusnya. Besarnya produksi dipengaruhi oleh luas tanam, luas panen dan produktivias. Hasil korelasi Pearson juga menunjukkan korelasi antar bulan panen tersebut tidak ada yang lebih dari 0.5 (Lampiran 2). Berdasarkan model yang telah diuji kelayakannnya, selanjutnya dilakukan pendugaan stok baik untuk kecamatan contoh maupuan kecamatan yang tidak
67
disurvei. Hasil Pendugaan stok setara beras untuk masing- masing kecamatan disajikan pada Tabel 19. Berdasarkan tabel tersebut ada perbedaan antara hasil pendugaan dengan menggunakan survei dan hasil berdasarkan model. Semakin kecil jumlah kuadrat selisih antara nilai sebenarnya (hasil survei) dan nilai dugaan (hasil model) maka model tersebut akan semakin baik. Berdasarkan hasil survei total stok setara beras di penggilingan untuk seluruh kecamatan contoh yang terdiri dari 17 kecamatan pada awal Agustus adalah sebesar 5883.78 ton beras, dan berdasarkan model total stok sama dengan hasil survei yaitu sebesar 5883.76 ton. Sedangkan pendugaan stok di kecamatan yang tidak dijadikan contoh berdasarkan model yaitu Kecamatan Subang sebesar 545 ton, Kalijati sebesar 349 ton, Legon Kulon 95 ton, Pabuaran 599 ton dan Patokbeusi sebesar 932 ton. Pendugaan total stok di rumah tangga petani pada awal Agustus lalu di 17 kecamatan contoh berdasarkan model adalah sebesar 5884 ton setara beras. Galat baku pendugaan (standard error prediction) untuk total kecamatan contoh adalah 382.41, sehingga selang kepercayaan 95% bagi hasil pendugaan total stok pada 17 kecamatan contoh berkisar antara
5042 ton sampai 6725 ton setara beras.
Sedangkan untuk kecamatan baru yang tidak masuk dalam contoh, dianggap sebagai pengamatan baru, sehingga selang yang digunakan bukan selang kepercayaan, tetapi selang pendugaan (prediction interval) untuk pengamatan yang baru. Kecamatan Subang hasil pendugaan berdasarkan model adalah total stok 546 ton, hasil selang pendugaan dengan tingkat kepercayaan 95% batas bawah stok di kecamatan tersebut 418 ton dan batas atas 674 ton. Galat baku total diperoleh akar dari jumlah kuadrat galat baku individu pengamatan, berdasarkan hasil perhitungan diperoleh 609.29. Pendugaan total stok setara beras di penggilingan padi untuk seluruh kecamatan adalah 8404 ton, dengan tingkat kepercayaan 95% besaran stok setara beras di penggilingan untuk Kabupaten Subang berkisar antara 7063 ton sampai 9745 ton setara beras.
68
Tabel 19 Pendugaan Stok Setara Beras di Penggilingan No.
Kecamatan
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17.
Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara Pagaden Cipeundeuy Purwadadi Ciasem Binong Compreng Pusakanagara Pamanukan Blanakan Cikaum TOTAL
18. 19. 20. 21. 22.
Stok Setara Beras (Ton) Survei 29.15 37.26 288.53 59.90 382.58 132.93 1148.24 462.00 58.95 102.00 382.28 1168.99 325.00 400.32 379.26 480.15 46.24 5883.78
Galat Baku Pendugaan Model
Model 51.80 26.51 387.09 126.01 169.27 6.49 942.19 721.77 189.30 28.10 345.89 1044.82 307.96 326.96 445.28 646.13 118.19 5883.76
Kecamatan yang tidak disurvei Legonkulon Subang Kalijati Pabuaran Patokbeusi TOTAL KAB. SUBANG
Selang Kepercayaan 95% Untuk Model (Ton Beras) Batas Bawah Batas Atas -145.29 248.89 -125.72 178.75 201.11 573.08 -17.52 269.54 24.76 313.77 -144.77 157.74 683.12 1201.26 533.95 909.60 66.73 311.87 -136.31 192.51 214.23 477.55 788.31 1301.33 -0.44 616.37 16.91 637.01 208.47 682.09 430.00 862.26 -42.48 278.86 5042.08 6725.44
89.55 69.17 84.50 65.21 65.66 68.72 117.71 85.34 55.69 74.70 59.82 116.54 140.12 140.87 107.59 98.20 73.00 382.41
95.35 545.76 349.04 598.99 931.58 8404.48
109.51 58.18 104.13 99.13 259.08 609.29
-145.68 417.71 119.84 380.82 361.36 7063.42
336.38 673.81 578.23 817.17 1501.81 9745.54
1400.00 1200.00
Stok (Ton)
1000.00 800.00 600.00 400.00 200.00 0.00 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Kecamatan Survei
Model
Gambar 20 Plot Pendugaan Stok di Penggilingan Menurut Hasil Survei dan Model
69
Model Stok SubDolog Model stok Sub Dolog menggunakan data sekunder stok operasional beras Sub Dolog wilayah Subang. Sebelum dianalisis terlebih dahulu dilakukan eksplorasi data yang digunakan untuk mengetahui pola data secara umum. Lampiran 4. menunjukkan hasil eksplorasi data, dimana stok subdolog pada periode bulan April 1997 sampai dengan bulan Juli 2005 cenderung berfluktuasi tanpa pola musiman tertentu. Data tersebut mempunyai ragam yang cukup besar dengan nilai tengah konstan di sekitar 12450146 kg/bulan. Dengan melihat pola data tersebut dugaan sementara adalah data bersifat stasioner. Ragam berdasarkan plot tersebut menunjukkan ragam yang tidak konstan, sehingga dilakukan transformasi data dala m bentuk logaritma berbasis 10. Untuk memperkuat dugaan kestasioneran data dilakukan plot ACF (autocorrelation function) dan PACF (partial autocorrelation function), jika menunjukkan hasil yang tidak stationer maka dilakukan proses pembedaan (differencing). Plot ACF yang nilai- nilainya cenderung tetap besar untuk lag- lag yang cukup besar (lebih dari 6 lag yang signifikan), mengindikasikan data tidak stationer dalam nilai tengah, sehingga perlu dilakukan pembedaan (differencing). Hasil plot ACF menunjukkan hanya sampai lag 2 yang signifikan, sehingga dapat disimpulkan bahwa data sudah stationer, tidak perlu lagi dilakukan pembedaan (differencing). Pendugaan model dilakukan dengan menggunakan model ARIMA(p,d,q). Untuk mengetahui nilai dari p, d, dan q digunakan plot ACF (autocorrelation function) dan PACF (partial autocorrelation function) seperti ditampilkan pada Lampiran 4. Plot ACF menunjukkan bahwa data turun secara drastis pada lag 2 (cut off after lag-2), sedangkan plot PACF menunjukkan kecenderungan yang sama yaitu adanya penurunan data secara drastis setelah lag ke-2 (cut off after lag-2). Berdasarkan plot ACF dan PACF tersebut maka model tentative untuk data stok beras subDolog adalah model transformasi logaritma : - ARIMA (2,0,0)
- ARIMA (3,0,0)
- ARIMA (0,0,2)
- ARIMA (0,0,3)
- ARIMA (2,0,2)
- ARIMA (3,0,3)
70
Hasil pengujian menunjukkan model yang terbaik adalah ARIMA (2,0,0) dan ARIMA (2,0,2). Pengujian ini meliputi pengujian pendugaan paramater apakah nyata atau tidak dan Uji Modified Box-Pierce (Ljung-Box).
Hasil pengujian
pendugaan parameter baik model ARIMA (2,0,0) maupun ARIMA (2,0,2) menunjukkan nilai yang siginifikan pada tingkat kepercayaan 95%, karena nilai p untuk semua parama ter < 0.05 (taraf a =5%). Tabel 20 Penduga Parameter Model ARIMA (2,0,0) dan ARIMA (2,0,2) Type ARIMA (2,0,0) AR 1 AR 2 ARIMA (2,0,2) AR 1 AR 2 MA 1 MA 2
Koefisien
SE Koefisien
T
Nilai-p
1.672 -0.6764
0.1060 0.1060
15.81 -6.38
0.000 0.000
1.6694 -0.6693 0.6215 0.3660
0.0897 0.0897 0.1097 0.1091
18.62 -7.46 5.66 3.36
0.000 0.000 0.000 0.001
Pengujian asumsi kebebasan sisaan menggunakan hipotesis : H0 : at bebas atau tidak berkorelasi H1 : at berkorelasi Penarikan kesimpulan untuk hipotesis tersebut dilakukan berdasarkan korelasi diri dari sisaan (rk ) untuk k = 1,2,…,K yang selanjutnya diuji dengan statistik uji Modified Box-Pierce (Ljung-Box). Hasil uji asumsi kebebasan galat ditampilkan pada Tabel 21. Tabel 21 Uji Kebebasan Galat dengan Modified Box-Pierce (Ljung-Box) Lag ARIMA (2,0,0) 12 24 ARIMA (2,0,2) 12 24
Chi-Square
df
Nilai-p
10.4 18.4
10 22
0.406 0.684
9.7 18.7
8 20
0.288 0.542
Model ARIMA (2,0,0) Untuk k = 12 diperoleh nilai statistik uji Modified Box-Pierce Q < ?2 (a =0.05;
db=10)
karena nilai Q=10.4 sedangkan ?2 (a =0.05;
db=10)
=18.307 sehingga keputusan yang diambil adalah menerima H0 dan menolak H1,
71
berarti tidak ada korelasi antar at atau at saling bebas hingga lag ke-12, sehingga model dapat dikatakan layak. Model ARIMA (2,0,2) juga menunjukkan hal yang sama yaitu model layak hingga lag ke-12, bisa dilihat nilai p yang signifikan jika lebih dari 0.05. Oleh karena kedua model ARIMA tersebut memiliki kelayakan model yang sama, maka untuk memilih model terbaik adalah dengan cara melihat keakuratan peramalan. Untuk pengujian ini dilakukan pemotongan data sampai dengan bulan Desember 2004, untuk bulan Januari – Juli 2005 digunakan untuk menguji ketepatan peramalan, makin dekat nilai peramalan dengan nilai sebenarnya model makin tepat. Hasil pengujian menunjukkan model ARIMA (2,0,2) memberikan permalan yang lebih mendekati nilai sebenarnya dibandingkan ARIMA (2,0,0), sehingga dapat disimpulkan bahwa model terbaik adalah ARIMA (2,0,2) dengan transformasi logaritma. Penduga parameter untuk ARIMA (2,0,2) dapat dilihat pada Tabel 20, sehingga model untuk Zt adalah : Log(Zt )=1.6694 Log(Zt-1 ) - 0.6693 Log(Zt-2 )+Log at - 0.6215 Log(at-1 ) – 0.3660Log(at-2 )
Model yang telah ditentukan sebelumnya harus diuji kembali kelayakannya. Secara visual dilakukan uji kenormalan sisaan/galat dengan menggunakan plot Normal-scores.
Plot kenormalan galat tersebut ditampilkan pada Lampiran 4.
Hasil plot menunjukkan bahwa galat membentuk pola garis relatif lurus yang berarti bahwa galat tersebut mendekati sebaran normal. Selain itu kelayakan model juga dapat dilihat dari keacakan galat model. Jika galat menyebar acak tanpa ada pola tertentu maka model dikatakan layak. Dari Lampiran 4 diketahui bahwa galat bersifat acak karena tidak terdapat adanya pola tertentu pada sebaran galat. Berdasarkan hasil tersebut di atas maka asumsi kenormalan dan keacakan galat telah terpenuhi untuk model ARIMA(2,0,2). Plot antara nilai dugaan dan aktual menunjukkan nilai yang selalu hampir berimpit atau plot nilai dugaan hampir selalu mengikuti pola nilai aktual (sebenarnya). Makin berimpit plot dugaan dan plot nilai aktual maka model tersebut makin baik. Gambar 24 menujukkan plot nilai aktual dan nilai dugaan model stok Sub Dolog. Peramalan stok beras di subDolog Kabupaten Subang dengan menggunakan model AR(2) dilakukan untuk periode bulan Agustus 2005
72
sampai dengan Januari 2006 (6 bulan). Hasil peramalan ditampilkan dalam Tabel 22 dengan plot stok beras aktual dan stok dugaan pada Gambar 24.
Tabel 22 Peramalan Stok Beras di SubDolog Kabupaten Subang dengan Model ARIMA (2,0,2) Bulan
Pendugaan Stok (Kg)
Agustus 2005 September Oktober Nopember Desember Januari 2006
11140123 10537559 10156405 9912655 9756184 9656506
Galat baku
3821632 4308471 4327060 4288340 4248903 4218853
Selang Kepercayaan 95% (Kg) Batas bawah Batas atas 3649724 34003216 2092956 53055450 1675367 61570120 1507509 65180847 1428335 66639235 1387554 67203207
Stok beras di SubDolog Kabupaten Subang diperkirakan mengalami peningkatan pada bulan Agustus 2005 menjadi 11140123 kg. Hal ini karena musim panen yang telah terjadi di beberapa kecamatan menjelang bulan Agustus 2005 menyebabkan stok di Sub Dolog juga meningkat. Pada bulan September stok diramalkan akan menurun menjadi 10537559 kg, bulan Oktober kembali menurun menjadi 10156405 kg, karena produksi juga menurun. Pada bulan Nopember, Desember dan Januari memasuki musim paceklik dimana panen padi terus menurun dan produksi menurun sehingga bulan Januari 2006 diperkirakan stok turun menjadi 9656506 kg. 35000000 30000000
Stok (Kg)
25000000 20000000 15000000 10000000 5000000
Ap r-9 7 Oc t-9 7 Ap r-9 8 Oc t-9 8 Ap r-9 9 Oc t-9 9 Ap r-0 0 Oc t-0 0 Ap r-0 1 Oc t-0 1 Ap r-0 2 Oc t-0 2 Ap r-0 3 Oc t-0 3 Ap r-0 4 Oc t-0 4 Ap r-0 5 Oc t-0 5
0
Aktual
Dugaan
Gambar 21 Plot antara nilai aktual dan dugaan stok setara beras di Sub Dolog.
73
Stok Gabah/Beras Kabupaten Subang Model yang telah dibangun digunakan untuk menduga stok gabah/beras di wilayah Kabupaten Subang, baik kecamatan contoh maupun kecamatan yang tidak diambil sebagai contoh. Stok yang dimaksud disini adalah stok yang ada di masyarakat yaitu stok di rumah tangga petani, penggilingan yang merangkap pedagang dan stok yang ada di Sub Dolog. Stok yang ada di rumah tangga konsumen dan pedagang tidak tercakup dalam penelitian ini. Hasil pendugaan menggunakan model menunjukkan bahwa
stok yang
terbesar berada di rumah tangga petani, kemudian diikuti stok di gudang-gudang Sub Dolog dan terakhir di penggilingan. Pendugaan stok petani setara beras di rumah tangga petani untuk seluruh wilayah Kabupaten Subang pada awal Bulan Agustus adalah 45259 ton. Tingginya stok di rumah tangga petani karena jumlah rumah tangga petani yang jauh lebih banyak, dibandingkan jumlah penggilingan maupun gudang Sub Dolog. Disamping itu tingginya stok di rumah tangga petani karena beberapa kecamatan sudah mulai panen pada Bulan Juli, meskipun puncak panen raya diperkirakan baru terjadi di Bulan Agustus. Pendugaan stok Sub Dolog di Kabupaten Subang pada awal Agustus adalah sebesar 11140 ton. Sub Dolog memiliki stok yang cukup besar karena didukung pendanaan yang cukup untuk pengadaan dan ada misi khusus dari pemerintah seperti untuk Raskin dan kebutuhan sosial lainnya seperti bencana alam. Sub Dolog aktif mengadakan pembelian gabah petani untuk mencapai target stok yang diinginkan secara nasional, dan karena Kabupaten Subang merupakan salah satu lumbung padi, jadi wajar stok di Sub Dolog cukup besar. Pendugaan stok di penggilingan relatif lebih kecil dari stok rumah tangga petani dan Sub Dolog, yaitu sebesar 8404 ton. Hal ini karena berdasarkan informasi dari pemilik penggilingan, bahwa tidak perlu memiliki stok yang tinggi karena harga relatif stabil, produksi padi yang dipanen selalu tersedia setiap bulan meskipun ada fluktuasi dan perputaran modal berlangsung lebih cepat. Stok yang besar dilakukan hanya jika penggilingan berspekulasi pada saat paceklik dimana panen sedikit, harga beras meningkat barulah stok dilepas. Pada kenyataannya saat ini panen hampir berlangsung terus sepanjang tahun dan bergantian dari satu kecamatan ke kecamatan lainnya atau dari kabupaten satu ke kabupaten lain
74
bahkan propinsi lain, sehingga pasokan beras selalu mencukupi. Hal ini menyebabkan penggilingan enggan untuk melakukan stok yang terlampau besar, dan hanya menyimpan stok kerja saja. Tabel 23 Stok Setara Beras pada Bulan Agustus 2005 di Kabupaten Subang Pemilik Stok
Dugaan Stok (Ton)
Rumah Tangga Petani Penggilingan Padi Sub Dolog TOTAL *)
45259.32 8404.48 11140.12 64803.92
Galat baku pendugaan 1592.86 609.29 3821.63 4184.89
*) Batas bawah dan batas atas total stok dari nilai : x ± 2sx
Batas Bawah (Ton)
Batas Atas (Ton)
41753.44 7063.42 3649.72 56434.14
48765.20 9745.54 34003.22 73173.71
Berdasarkan model yang dibangun maka total stok di Kabupaten Subang yang dipegang oleh rumah tangga petani, penggilingan padi merangkap pedagang dan Sub Dolog pada awal Agustus adalah 64804 ton setara beras. Batas bawah hasil pendugaan total stok adalah 56434 ton dan batas atas hasil pendugaan 73174 ton. Peramalan Stok di Kabupaten Subang Setelah mengetahui stok pada Bulan Agustus, timbul pertanyaan bagaimana menduga stok untuk bulan-bulan setelah Agustus seperti September, Oktober, Nopember dan Desember dan seterusnya. Pertanyaan tersebut wajar dan akan sangat menarik jika dapat menduga stok, bukan hanya pada bulan pengamatan tetapi pada bulan-bulan lainnya. Untuk menjawab pertanyaan tersebut perlu mengetahui sistem produksi, stok dan konsumsi dapat dilihat pada Gambar 7. Berdasarkan gambar tersebut menunjukkan bahwa suplai gabah/beras di suatu wilayah merupakan penjumlahan dari sisa stok sebelumnya, produksi dan jumlah barang yang masuk serta keluar di suatu wilayah, atau dapat dituliskan : S(t) = Stok(t-1) + P(t) + (M-K)(t)
(1)
S(t) = Stok(t) + D(t)
(2)
Dari persamaan (1) dan (2) diperoleh : Stok(t) + D(t) = Stok(t -1) + P(t) + (M-K)(t) Stok(t) = Stok(t -1) + P(t) + (M-K)(t) – Dt
(3)
75
Stok(t) atau stok saat ini dapat diduga dari sisa stok bulan sebelumnya Stok(t-1), ditambah produksi padi saat ini P(t), ditambah jumlah gabah/beras yang masuk ke dalam wilayah dikurangi jumlah gabah/beras yang keluar wilayah dikurangi kebutuhan pada bulan tersebut. Kebutuhan (demand) meliputi kebutuhan untuk konsumsi, pakan, bibit, bahan baku ind ustri dan karena susut atau tercecer. Stok(t-1) besarnya telah diduga berdasarkan model yang telah dihasilkan. Jumlah barang yang keluar wilayah diduga melalui jumlah hasil panen yang langsung dijual oleh petani rata-rata sebesar 62.55%, kemudian penggilingan membeli hasil petani dan dijual dalam bentuk beras. Beras yang dijual oleh penggilingan keluar wilayah Subang besarnya 78.22%. Beras yang masuk ke wilayah Subang menurut informasi dari penggilingan jumlahnya sangat kecil dan hanya dilakukan pembelian dari luar wilayah jika di dalam wilayah kabupaten Subang sedangan puncak musim paceklik seperti bulan Februari atau Juni, jadi gabah/beras yang masuk ke wilayah Subang diasumsikan 0. Komponen demand atau kebutuhan diperoleh dari data sekunder dan hasil survei. Komponen demand meliputi : - Penggunaan gabah karena susut dan untuk bibit, pakan : 3.76% (BPS) - Konsumsi per kapita : 132.15 Kg/kapita/tahun (hasil survei) -Konsumsi non rumah tangga : 0.98% (BPS).
Model Produksi Padi Bulanan Kabupaten Subang
Komponen lain yang diperlukan adalah P(t) atau produksi pada saat ini. Produksi saat ini hanya dapat diduga dengan menggunakan model. Model yang dibangun untuk menduga produksi saat ini adalah model ARIMA. Data yang digunakan adalah data produksi bulanan dari Januari 2000 sampai September 2005. Pendugaan model dilakukan dengan model ARIMA (p,d,q)x(P,D,Q). Plot ACF menunjukkan untuk non musiman data turun secara drastis setelah lag-3 (cut off after lag-3) sedangkan yang musiman turun setara tajam (cut off) pada lag 12. Plot PACF menunjukkan hal sama yaitu non musiman data turun secara drastis setlah lag-2 (cut off after lag-2) sedangkan untuk musiman turun setara tajam pada
76
lag 12, sehingga model tentaif untuk menduga produksi adalah model produksi adalah : -ARIMA (2,0,3)x(1,0,1)12
-ARIMA (2,0,3)x(1,0,0)12 -ARIMA (2,0,3)x(0,0,1)12 -ARIMA (2,0,0)x(1,0,1)12 -ARIMA (2,0,0)x(1,0,0)12 -ARIMA (2,0,0)x(0,0,1)12 -ARIMA (0,0,3)x(1,0,1)12 -ARIMA (0,0,3)x(1,0,0)12 -ARIMA (0,0,3)x(0,0,1)12 -ARIMA (0,0,2)x(1,0,1)12 -ARIMA (0,0,0)x(1,0,1)12 -ARIMA (2,0,1)x(1,0,1)12 -ARIMA (1,0,3)x(1,0,1)12 Hasil pengujian masing masing model tersebut dapat dilihat pada Lampiran 5. Berdasarkan pengujian statistik t untuk pendugaan parameter nyata secara signifikan atau tidak dan uji Modified Box-Pierce (Ljung-Box) untuk melihat kelayakan model, diperoleh 3 model yang memenuhi kriteria tersebut yaitu model ARIMA (2,0,1)x(1,0,1)12, model ARIMA (1,0,3)x(1,0,1)12 dan model ARIMA (0,0,0)x(1,0,1)12. Uji lebih lanjut untuk memilih satu model terbaik diantara ketiga model tersebut, dengan menguji kemampuan dalam meramalkan. Cara pengujian sama dengan model Sub Dolog, dengan cara memotong
6 data
pengamatan terakhir untuk menguji ketepatan peramalan. Hasil pemilihan model terbaik dapat dilihat pada Lampiran 5. Model terbaik berdasarkan hasil pengujian adalah model ARIMA (0,0,0)x(1,0,1)12, dengan faktor musiman 12 bulan. Hasil pendugaan parameter dapat dilihat pada Tabel 24. Model ARIMA yang digunakan untuk meramal produksi bulanan adalah : Zt = 0.9994Zt-12 +at – 0.4415at-12 Tabel 24 Penduga Parameter Model ARIMA (0,0,0)x (1,0,1)12 Type SAR 12 SMA 12
Koefisien 0.9994 0.4415
SE Koefisien 0.0247 0.1535
T 40.42 2.88
Nilai-p 0.000 0.005
77
Tabel 25 Uji Kebebasan Galat dengan Modified Box-Pierce (Ljung-Box) Model ARIMA (0,0,0)x (1,0,1)12 Lag k=12 k=24 k=36 k=48
Chi-Square 8.8 16.0 33.4 36.1
df 10 22 34 46
Nilai-p 0.547 0.818 0.497 0.852
Untuk k = 12 diperoleh nilai statistik uji Modified Box-Pierce Q < ?2 (a =0.05; db=10) = 18.307 sehingga keputusan yang diambil adalah menerima H0 dan menolak H1. Berarti tidak ada korelasi antar at atau at saling bebas hingga lag ke-12 sehingga model dapat dikatakan layak.
Tabel 26 Peramalan Produksi Padi di Kabupaten Subang dengan Model ARIMA(0,0,0)x(1,0,1)12 Bulan
Pendugaan Produksi (Ton)
Galat baku
Selang Kepercayaan 95% (Ton) Batas bawah
Oktober 2005 Nopember 2005 Desember 2005 Januari 2006 Februari 2006 Maret 2006 April 2006
75824 33000 16384 11173 33433 102183 179379
34657 34657 34657 34657 34657 34657 34657
7897 -34928 -51544 -56754 -34495 34256 111451
Batas atas
143752 100927 84311 79101 101360 170111 247306
Produksi padi di Kabupaten Subang pada bulan Agustus yang merupakan puncak musim panen adalah 271078 ton, kemudian pada bulan September masih merupakan puncak musim panen dengan produksi 129683 ton.
Produksi padi
bulan Agustus dan September adalah angka aktual yang diperoleh dari Dinas Pertanian Kabupaten Subang. Hasil pendugaan produksi gabah kering giling di Kabupaten Subang pada bulan Oktober dengan menggunakan model di atas adalah 75824 ton atau mulai menurun dibandingkan bulan September karena masa panen raya telah lewat. Bulan Nopember diramalkan produksi sebesar 33000 ton, sedangkan bulan Desember dan Januari mulai memasuki musim paceklik dan produksinya berturut-turut sebesar 16384 ton dan 11173 ton. Pada bulan Februari
78
akan kembali meningkat menjadi 33433 ton, dan bulan Maret kembali memasuki puncak panen raya produksi diramalkan naik menjadi 102183 ton dan bulan April merupakan puncak panen raya dengan produksi 179379 ton.
Gambar 25
menunjukkan grafik nilai aktual dan nilai dugaan produksi serta peramalan 7 bulan ke depan. 300000
Produksi (Ton)
250000
200000
150000
100000
50000
Aktual
Ju l-04 Oc t-0 4 Ja n05 Ap r-0 5 Ju l-05 Oc t-0 5 Ja n06 Ap r-0 6
Ju l-02 Oc t-0 2 Ja n03 Ap r-0 3 Ju l-0 3 Oc t-0 3 Ja n04 Ap r-0 4
Ju l-00 Oc t-0 0 Ja n01 Ap r-0 1 Ju l-0 1 Oc t-0 1 Ja n02 Ap r-0 2
Ja n-0 0 Ap r-0 0
0
Dugaan
Gambar 22 Nilai aktual dan dugaan produksi serta peramalan 6 bulan ke depan dengan model ARIMA (0,0,0)x(1,0,1)12
Model Peramalan Stok Kabupaten Subang
Setelah menduga besarnya produksi dengan model ARIMA di atas, selanjutnya diduga besarnya stok pada akhir Agustus, September, Oktober, Nopember, Desember dan Januari 2006 dengan menggunakan persamaan (3) di atas. Hasil pendugaan stok setara beras di Kabupaten Subang disajikan pada Tabel 27. Hasil pendugaan dengan menggunakan model untuk ketiga pemegang stok pada awal Agustus atau akhir Juli adalah sebesar 64804 ton. Stok tersebut merupakan titik awal untuk menduga stok pada bulan-bulan berikutnya. Berdasarkan hasil perhitungan pada Tabel 27 total stok setara beras pada akhir Agustus adalah sebesar 128283 ton, dengan batas bawah pendugaan sebesar 111842 ton dan batas atas sebesar 144724 ton setara beras. Meningkatnya stok pada akhir Agustus ini karena pada bulan Agustus terjadi puncak panen raya
79
dengan produksi 271078 ton, sehingga diduga stok di rumah tangga petani dan penggilingan akan meningkat secara signifikan. Pada bulan September stok masih meningkat yaitu sebesar 149623 ton setara beras, karena masih ada sisa stok bulan Agustus yang cukup besar ditambah produksi padi masih cukup tinggi yaitu 129683 ton gabah. Pada bulan Oktober stok masih menunjukkan peningkatan stok menjadi 154940 ton, karena produksi padi walaupun diramalkan akan menurun setelah mengalami puncak panen raya pada bulan Agustus dan September tetapi sisa stok pada bulan-bulan sebelumnya masih cukup besar. Pada bulan Nopember dimana produksi mulai menurun secara signifikan yaitu diduga hanya 33000 ton, stok ikut menurun menjadi hanya 147630 ton. Pada bulan Desember stok kembali menurun secara signifikan menjadi 135514 ton setara beras, turunnya karena produksi bulan Desember diduga hanya sebesar 16384 ton gabah. Pada bulan Januari 2006 merupakan puncak musim paceklik produksi diramalkan sebesar 11173 ton, dan stok setara beras akan kembali menurun menjadi 121985 ton. Jumlah stok ini sangat dipengaruhi oleh produksi padi, jumlah yang dijual oleh petani dan jumlah beras yang dijual oleh penggilingan keluar wilayah Subang.
80 Tabel 27 No.
Peramalan Stok Setara Beras di Kabupaten Subang
Bulan
Galat
Produksi
Beras
baku Stok (t1)
Gabah
Masuk
Keluar
(Ton)
(Ton)
(Ton)
(Ton) (1)
(2)
1.
Agustus 2005
2.
September
Perdagangan 1)
Stok (t-1)
(3)
(4)
(5)
(6)
Susut,bibit pakan 2) (Ton gabah) (7)
Suplai Setara
Konsumsi
Total Konsumsi
beras 3)
per kapita 4a)
4b)
(Ton)
(Kg/kap/thn)
(Ton)
(8)
(9)
(10)
Konsumsi non Rumah Tangga 5)
Stok Akhir
Galat
Batas
Batas
Setara Beras
Baku
Bawah
Atas
(Ton beras)
(Ton)
(Ton)
(Ton)
(Ton)
(11)
(12)=(8)-(10)(11)
(13)
(14)
(15)
64803.92
4184.89
271078
0
133697
10192.53
145187
132.15
15480.77
1422.83
128283.12
8220.51
111842.09
144724.15
128283.12
8220.51
129683
0
63961
4876.08
166738
132.15
15480.77
1634.03
149623.24
9306.59
131010.06
168236.42
149623.24
9306.59
75824
0
37397
2850.98
172107
132.15
15480.77
1686.65
154939.92
36064.80
82810.32
227069.53
154939.92
36064.80
33000
0
16276
1240.80
164725
132.15
15480.77
1614.31
147630.34
50121.96
47386.42
247874.26
147630.34
50121.96
16384
0
8081
616.04
152489
132.15
15480.77
1494.39
135513.53
61018.87
13475.80
257551.27
5. Januari 2006 135513.53 61018.87 11173 0 5511 420.10 138827 132.15 15480.77 1360.50 121985.40 1) Berdasarkan hasil survei jumlah yang langsung dijual oleh petani 62.55% (standar error 0,0234), jumlah yang dijual ke luar Subang oleh penggilingan 78.85%
61099.90
-214.40
244185.20
2. 3. 4.
Oktober
6)
Nopember Desember
6) 6) 6)
dan jumlah gabah/beras yang masuk ke wilayah Subang diasumsikan tidak ada (nol). 2) Pengurangan produksi gabah karena : susut 1.58% , bibit 0.98%, pakan 1.20% (BPS) 3) Suplai setara beras= Stok t-1+((Produksi+Masuk-Keluar-susut benih pakan)*0,632) 4a) Hasil Survei menunjukkan rata-rata konsumsi per kapita rumah tangga petani 132,15 kg/kap/thn (standar error =2.23) 4b) Jumlah penduduk Kab. Subang tahun 2005 sebesar 1 405 745 jiwa (laju pertumbuhan penduduk 1.9%) 5) Konsumsi beras non rumah tangga : pakan ternak/unggas 0.86%, industri 0.12% (BPS) 6) Produksi bulan Oktober- Januari berdasarkan peramalan dengan ARIMA (0,0,0)x(1,0,1)12
KESIMPULAN DAN SARAN Kesimpulan Pola penggunaan hasil panen padi petani menurut hasil survei menunjukkan rata-rata 63% dari hasil panen dijual, sisanya digunakan untuk memenuhi konsumsi rumah tangga, untuk keperluan sosial dan disimpan sebagai stok. Besarnya jumlah stok gabah/beras sangat dipengaruhi oleh waktu panen, semakin jauh dari waktu panen stok akan semakin menipis. Rasio stok terhadap produksi adalah jumlah stok yang ada rumah tangga petani baik berupa gabah atau beras dibagi dengan produksi bersih hasil panen. Hasil surve i menunjukkan besanya rasio stok terhadap produksi dari seluruh contoh rumah tangga petani di Kabupaten Subang adalah 34% untuk waktu panen 1 bulan lalu, 23% untuk waktu panen 2 bulan lalu, 16% untuk waktu panen 3 bulan lalu, 11% untuk waktu panen 4 bulan lalu, 8% untuk waktu panen 5 bulan lalu, 5% untuk waktu panen 6 bulan lalu dan 3% untuk waktu panen 7 bulan lalu. Rasio stok terhadap produksi untuk rumah tangga petani di wilayah pantura lebih kecil dibandingkan wilayah non pantura dalam Kabupaten Subang. Penggilingan membeli gabah dari petani yang sedang panen, membawa ke penggilingan dan menjemur, kemudian digiling menjadi beras. Hasil survei menunjukkan pada Bulan Juli jumlah beras yang dijual oleh penggilingan keluar wilayah Subang 78.85%. Model pendugaan stok setara beras di rumah tangga petani per kecamatan adalah : SˆTagt = 40 + 0.334 Pjul + 0.177 Pmei + 0.0506 Papr + 0.194 Pmar – 2103 D Model pendugaan stok
setara beras di penggilingan padi merangkap
pedagang per kecamatan adalah : SˆGagt = -341.1 + 0.0595 Pjul + 0.0203 Pmei + 0.0370 Papr + 0.125 Pmar – 0.000022 PKmar Kedua model tersebut menggunakan peubah bebas produksi gabah kering giling bulan Juli sampai bulan Maret. Khusus untuk model stok di rumah petani ada peubah boneka yaitu wilayah pantura dan non pantura Kabupaten Subang.
82
Model Stok beras di Sub Dolog Kabupaten Subang adalah dengan menggunakan model transformasi logaritma ARIMA (2,0,2) tanpa pengaruh musiman. Sedangkan model produksi padi bulanan dengan menggunakan model ARIMA (0,0,0)x(1,0,1)12 dengan faktor musiman 12 bulan. Total stok setara beras di rumah tangga petani, di penggilingan yang merangkap pedagang dan di Sub Dolog, berdasarkan model yang telah dibangun pada awal Agustus 2005 untuk seluruh Kabupaten Subang adalah sebesar 64804 ton setara beras, dengan batas bawah pendugaan 56434 ton dan batas atas 73174 ton. Selanjutnya dengan menggunakan diagram suplai demand dan asumsi jumlah gabah/beras yang masuk ke wilayah diasumsikan tidak ada dan jumlah yang dijual langsung oleh petani sebesar 63%, serta dijual langsung oleh penggilingan keluar wilayah Subang sebesar 79% maka pendugaan stok setara beras pada akhir Agustus, September, Oktober, Nopember dan Desember 2005 berturut-turut sebesar 128 ribu ton, 150 ribu ton, 155 ribu ton, 148 ribu ton dan 136 ribu ton. Pada Januari 2006 stok setara beras diramalkan kembali menurun menjadi 122 ribu ton setara beras.
Saran
Penelitian ini hanya terbatas pada 3 pemegang stok yaitu rumah tangga petani, penggilingan merangkap pedagang dan Sub Dolog. Perlu penelitian lebih lanjut untuk memperluas cakupan stok untuk pemegang stok yang lain yaitu rumah tangga konsumen, pedagang beras, restoran, rumah
makan, hotel dan
industri yang berbahan baku gabah/beras. Hasil penelitian tersebut diharapkan dapat menduga stok wilayah secara keseluruhan dengan lebih akurat. Jumlah komoditi yang keluar dan masuk suatu wilayah tidak ada pencatatan. Untuk melihat kecukupan suatu komoditi di suatu wilayah sangat tergantung pada data ini, sehingga disarankan perlu studi lebih lanjut sehingga jumlah komoditas yang keluar masuk wilayah dapat diduga besarnya.
83
Penelitian stok gabah/beras ini dapat dimanfaatkan oleh Dinas Pertanian Kabupaten Subang atau instansi lain yang membutuhkan informasi besarnya stok. Pendugaan total stok dapat dilakukan secara mudah oleh petugas/staf kabupaten dengan menggunakan Microsoft Excell yang telah disiapkan sebagai bagian dari tesis ini. Akan tetapi, model pendugaan stok ini untuk jangka waktu tertentu (1-2 tahun) perlu dievaluasi kembali. Hasil lengkap metodologi penghitungan stok dapat dilihat pada Lampiran 7.
DAFTAR PUSTAKA
[BPS] Badan Pusat Statistik. 2002. Pengeluaran Untuk Konsumsi Penduduk Indonesia. Jakarta: BPS. [BBKP] Badan Bimas Ketahanan Pangan. 2003. Neraca Bahan Makanan Indonesia 2001 – 2002. Jakarta: Departemen Pertanian. [BBKP] Badan Bimas Ketahanan Pangan dan BPS. 2003. Metodologi Perhitungan Cadangan Pangan Beras Masyarakat. Jakarta: Deptan – BPS. Cryer, JD. 1991. Time Series Analysis. Boston.: PWS – KENT Publishing Company. Harianto. 2001. Pendapatan, harga beras dan konsumsi beras. Di dalam: Suryana A & Mardiyanto S, editor. Bunga Rampai Ekonomi Beras. Jakarta: Lembaga Penyelidikan Ekonomi dan Masyarakat, Fakultas Ekonomi Universitas Indonesia. hlm 103 –110 Kompas. 5 Maret 2005. Harga Dasar Dihapus (Inpres No 2/2005 tentang Kebijakan Perberasan). Jakarta.: Gramedia. Kshirsagar AM. 1983. A Course in Linier Models. New York: Marcel Dekker, Inc. Malian AH, Sayuti R, Ariani M, Mardianto S. 2003. Dampak Perubahan Harga Gabah/Beras Terhadap Produksi, Konsumsi dan Inflasi. Bogor: Puslitbang Sosial Ekonomi Pertanian. Montgomery DC, Johnson LA & Gardiner JS. 1990. Forecasting and Time Series Analysis. Singapore:Mc-Graw Hill. Myers R. 1994. Classical And Modern Regression with Applications. Boston: PWS – KENT Publishing Company. Myers RH, Milton JS. 1991. A First Course in The Theory of Linier Statistical Models. Boston: PWS – KENT Publishing Company. Netter J, Wasserman W, Kutner M. 1990. Applied Linier Statistical Models. Illinois: Richard D Irwin, Inc. Ryan TP. 1997. Modern Regression Methods. New York,USA: John Wiley & Sons, INC.
85
Natawidjaja, Ronnie S. 2000. Dinamika pasar beras domestic. Di dalam: Suryana A & Mardiyanto S, editor. Bunga Rampai Ekonomi Beras. Jakarta: Lembaga Penyelidikan Ekonomi dan Masyarakat, Fakultas Ekonomi Universitas Indonesia. hlm 59 – 81. Sawit, MH. 2001. Kebijakan harga beras : periode orba dan reformasi. Di dalam: Suryana A & Mardiyanto S, editor. Bunga Rampai Ekonomi Beras. Jakarta: Lembaga Penyelidikan Ekonomi dan Masyarakat, Fakultas Ekono mi Universitas Indonesia. hlm 123 – 150. Scheaffer, Richard L. Elementary Survey Sampling. Boston: PWS – KENT Publishing Company. Sugianto, Simatupang P, Djojomartono M. 1989. Faktor-faktor yang Mempengaruhi dan Sistem Pengendalian Stok Beras di Masyarakat. Jakarta: BPS. Surono, S. 2001. Perkembangan produksi dan kebutuhan impor beras serta kebijakan pemerintah untuk melindungi petani. Di dalam: Suryana A & Mardiyanto S, editor. Bunga Rampai Ekonomi Beras. Jakarta: Lembaga Penyelidikan Ekonomi dan Masyarakat, Fakultas Ekonomi Universitas Indonesia. hlm 41 – 58.
LAMPIRAN
87
Lampiran 1 Deskripsi Luas Panen, Stok, Produktivitas dan Rasio Stok terhadap Produksi
1. Deskripsi Luas Panen, Produksi, Stok dan Produktivitas Descriptive Statistics: Lspanen; Produksi; Pdv; Stok Variable Lspanen Produksi Stok
N 217 217 217
Variable Lspanen Produksi Stok
Minimum 840 95 1,6
Variable PDV
N 217
Variable PDV
Minimum 487
Mean 14096 3761 354,9
Median 7000 1586 190,0
Maximum 220000 52487 5752,0 Mean 4371
Q1 3500 632 64,1 Median 4181
Maximum 8500
Q1 3391
TrMean 10325 2726 264,6
StDev 24021 6434 611,4
SE Mean 1631 437 41,5
Q3 14000 3827 359,4 TrMean 4349
StDev 1518
SE Mean 103
Q3 5446
Descriptive Statistics: Lspanen by Wilayah Variable Lspanen
Wilayah 1 2
N 118 99
Mean 5395 24466
Median 4200 14000
TrMean 4795 19396
StDev 4625 32348
Variable Lspanen
Wilayah 1 2
SE Mean 426 3251
Minimum 840 1400
Maximum 27000 220000
Q1 2100 7200
Q3 7000 30000
2. Deskripsi Pola Penggunaan Descriptive Statistics: Psprod, Psberi, Psstok, Psjual, Psguna, Psstokt, Pskonsu Variable Psprod Psberi Psstok Psjual Psguna Psstokt Pskonsum Pssosial Pbepak Variable Psprod Psberi Psstok Psjual Psguna
N 217 217 217 217 217 217 217 217 217 Minimum 0.38725 0.00000 0.00000 0.0000 0.0000
Mean 0.91683 0.02353 0.06090 0.5733 0.1810 0.2458 0.08727 0.08690 0.00680 Maximum 1.15610 0.56301 0.37532 0.9890 0.9709
Median 0.95034 0.00000 0.02072 0.6817 0.1109 0.0993 0.03362 0.05813 0.00000 Q1 0.87758 0.00000 0.00465 0.2986 0.0471
TrMean 0.92849 0.01150 0.05125 0.5827 0.1597 0.2194 0.06650 0.07563 0.00401 Q3 0.98831 0.01114 0.10097 0.8906 0.2494
StDev 0.10324 0.06868 0.07838 0.3446 0.1896 0.2948 0.12807 0.09553 0.01712
SE Mean 0.00701 0.00466 0.00532 0.0234 0.0129 0.0200 0.00869 0.00649 0.00116
88
Psstokt Pskonsum Pssosial Pbepak
0.0006 0.00000 0.00000 0.00000
0.9998 0.81107 0.49843 0.16471
0.0193 0.01450 0.01698 0.00000
0.3899 0.10300 0.11999 0.00535
Descriptive Statistics: Psprod, Psberi, ... by Wilayah Variable Psprod Psberi Psstok Psjual Psguna Psstokt Pskonsum Pssosial Pbepak
Variable Psprod Psberi Psstok Psjual Psguna Psstokt Pskonsum Pssosial Pbepak
Wilayah 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
N 127 90 127 90 127 90 127 90 127 90 127 90 127 90 127 90 127 90
Mean 0.8862 0.96002 0.02469 0.02189 0.09123 0.01810 0.3667 0.8649 0.2431 0.09330 0.3904 0.04177 0.1221 0.03816 0.11280 0.05036 0.00823 0.00478
Median 0.9046 0.98119 0.00000 0.00000 0.07661 0.00741 0.3672 0.9039 0.1895 0.06345 0.3174 0.01973 0.0646 0.02309 0.07978 0.03175 0.00000 0.00000
TrMean 0.8969 0.96632 0.00951 0.01474 0.08355 0.01230 0.3577 0.8749 0.2262 0.08260 0.3795 0.03274 0.1014 0.03253 0.10334 0.04386 0.00650 0.00153
StDev 0.1198 0.04812 0.08271 0.04193 0.08670 0.03316 0.3022 0.1098 0.2164 0.08753 0.3096 0.05738 0.1551 0.03954 0.10986 0.05250 0.01361 0.02102
Wilayah 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
SE Mean 0.0106 0.00507 0.00734 0.00442 0.00769 0.00350 0.0268 0.0116 0.0192 0.00923 0.0275 0.00605 0.0138 0.00417 0.00975 0.00553 0.00121 0.00222
Minimum 0.3873 0.77253 0.00000 0.00000 0.00000 0.00000 0.0000 0.4601 0.0000 0.00411 0.0061 0.00061 0.0000 0.00080 0.00000 0.00000 0.00000 0.00000
Maximum 1.1561 1.00000 0.56301 0.19257 0.37532 0.22747 0.9785 0.9890 0.9709 0.50033 0.9998 0.28606 0.8111 0.21067 0.49843 0.28654 0.06675 0.16471
Q1 0.8492 0.93925 0.00000 0.00000 0.01442 0.00206 0.0000 0.8047 0.0730 0.03354 0.1045 0.00603 0.0178 0.01199 0.01905 0.01547 0.00000 0.00000
Q3 0.9745 0.99086 0.00000 0.02522 0.14116 0.01654 0.6284 0.9500 0.3508 0.12718 0.6250 0.05546 0.1697 0.04960 0.16808 0.06725 0.01322 0.00323
3. Deskripsi Rasio Stok terhadap Produksi Rasio Stok Terhadap Produksi Kabupaten Subang Descriptive Statistics: Rt-1; Rt-2; Rt-3; Rt-4; Rt-5; Rt-6; Rt-7
Variable Rt-1 Rt-2 Rt-3
N 399 359 331
N* 35 75 103
Mean 0,3415 0,2349 0,16022
Median 0,2597 0,1628 0,10697
TrMean 0,3229 0,2181 0,14708
StDev 0,2968 0,2123 0,15045
89
Rt-4 Rt-5 Rt-6 Rt-7 Variable Rt-1 Rt-2 Rt-3 Rt-4 Rt-5 Rt-6 Rt-7
260 143 91 51 SE Mean 0,0149 0,0112 0,00827 0,00733 0,00681 0,00642 0,00532
174 291 343 383 Minimum 0,0025 0,0007 0,00061 0,00000 0,00200 0,00000 0,00000
0,10691 0,07596 0,04755 0,02695 Maximum 1,1838 0,9570 0,68788 0,71941 0,47979 0,37575 0,18426
0,06280 0,04348 0,02025 0,00925 Q1 0,0908 0,0648 0,04042 0,02206 0,01503 0,00870 0,00366
0,09396 0,06737 0,03915 0,02118
0,11816 0,08143 0,06125 0,03801
Q3 0,5196 0,3616 0,25765 0,16511 0,12417 0,07503 0,03042
Rasio Stok Terhadap Produksi Wilayah Non Pantura Descriptive Statistics: Rt-1; Rt-2; Rt-3; Rt-4; Rt-5; Rt-6; Rt-7 Variable Rt-1 Rt-2 Rt-3 Rt-4 Rt-5 Rt-6 Rt-7 Variable Rt-1 Rt-2 Rt-3 Rt-4 Rt-5 Rt-6 Rt-7
N 203 171 149 114 42 15 5 SE Mean 0,0203 0,0164 0,0131 0,0129 0,0160 0,0253 0,0274
N* 33 65 87 122 193 220 178 Minimum 0,0063 0,0063 0,0072 0,0000 0,0106 0,0032 0,0209
Mean 0,5037 0,3564 0,2432 0,1538 0,1349 0,1189 0,0936 Maximum 1,1838 0,8921 0,6879 0,7194 0,4798 0,3758 0,1843
Median 0,4667 0,3348 0,2150 0,1147 0,1103 0,0961 0,0951 Q1 0,2700 0,1688 0,1120 0,0419 0,0469 0,0476 0,0394
TrMean 0,5004 0,3494 0,2366 0,1412 0,1262 0,1080 0,0936
StDev 0,2897 0,2150 0,1604 0,1374 0,1036 0,0979 0,0613
Q3 0,7627 0,5217 0,3437 0,2400 0,1823 0,1804 0,1469
Rasio Stok Tehadap Produksi Wilayah Pantura Descriptive Statistics: Rt-1; Rt-2; Rt-3; Rt-4; Rt-5; Rt-6; Rt-7 Variable Rt-1 Rt-2 Rt-3 Rt-4 Rt-5 Rt-6 Rt-7 Variable Rt-1 Rt-2 Rt-3 Rt-4 Rt-5 Rt-6 Rt-7
N 196 188 182 146 101 76 46 SE Mean 0,0138 0,00991 0,00739 0,00700 0,00541 0,00443 0,00397
N* 2 10 16 51 89 113 143 Minimum 0,0025 0,00073 0,00061 0,00073 0,00200 0,00000 0,00000
Mean 0,1735 0,12443 0,09232 0,07032 0,05146 0,03347 0,01971 Maximum 0,9914 0,95697 0,56978 0,52544 0,23323 0,17987 0,12651
Median 0,1043 0,07495 0,05095 0,03329 0,02800 0,01680 0,00849 Q1 0,0485 0,03355 0,02533 0,01687 0,01359 0,00771 0,00292
TrMean 0,1479 0,10893 0,08127 0,06019 0,04616 0,02913 0,01673 Q3 0,2223 0,16325 0,12429 0,08955 0,06729 0,04320 0,02361
StDev 0,1927 0,13584 0,09964 0,08458 0,05436 0,03863 0,02692
90 Lampiran 2. Pendugaan Stok di Rumah Tangga Petani Berdasarkan Hasil Survei No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Kecamatan Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara Pagaden Cipeundeuy Purwadadi Ciasem Binong Compreng Pusakanagara Pamanukan Blanakan Legonkulon Cikaum
Jul 0,5182 0,3524 0,7257 0,5565 0,5859 0,2475 0,3866 0,7126 0,1192 0,2531 0,1718 0,5374
Rasio Stok Agustus terhadap panen bulan : Jun Mei Apr Mar Peb 0,2714 0,2740 0,2397 0,1536 0,1098 0,3210 0,2122 0,1301 0,1681 0,1654 0,3146 0,1905 0,2023 0,1517 0,3487 0,2266 0,1335 0,1277 0,0664 0,3169 0,1350 0,1096 0,0572 0,0360 0,1270 0,0876 0,0605 0,3790 0,2562 0,1550 0,1790 0,1096 0,0681 0,0471 0,0437 0,0294 0,0811 0,0616 0,0428 0,0334 0,0761 0,0639 0,0646 0,2075 0,1620 0,1382 0,0519 0,0448 0,0364 0,0307 0,0409 0,0344 0,0131 0,1363 0,1157 0,1005 -
Jan 0,1296 0,0523 0,0209 0,0417 0,0370 0,0044 -
Juli 3499 6052 191 2950 409 9622 5534 2510 1365 1206 2124 5219
Juni 308,55 31,9 292,62 204 249,72 -
Produksi 2005 (Ton) Mei April Maret 1072 7375 6569 4033 5162 3777 2981 2812 7826 3237 2440 801 4837 1510 597 4371 4112 15617 1410 16967 1034 301 5556 2159 5091 3031 2363 9137 2709 8095 28240 2447 4023 27064 8234 26248 1682 11587 14889 9202 17721 4200 15239 1672
Feb 6528 256 1034 1436 1924 360 149,8 -
Dugaan Dugaan Stok Jan Stok Gabah Setara Beras (Ton) 490 5762,901 3642,153 996 1238,328 782,623 4973,505 3143,255 3749,770 2369,855 121 2744,075 1734,256 1469,583 928,776 3325,548 2101,746 968 4512,092 2851,642 3660,797 2313,624 1243,487 785,884 928,853 587,035 2512,826 1588,106 2567,456 1622,632 2065 4934,780 3118,781 1182 893,210 564,509 1040,942 657,875 2162,092 1366,442 2972,646 1878,712
91
Lampiran 3 Model Stok Petani Best Subsets Regression: Sagt versus Pjul, Pjun, Pmei, Papr, Pmar, D
Response is Sagt
Vars
R-Sq
R-Sq(adj)
C-p
S
1 1 2 2 3 3 4 4 5 5 6
28.3 9.7 35.2 33.6 58.9 45.3 76.6 74.7 86.3 79.0 87.2
23.8 4.0 26.6 24.8 50.1 33.6 69.4 66.9 80.6 70.2 80.3
47.8 63.9 43.8 45.2 25.4 37.1 12.1 13.8 5.8 12.1 7.0
849.76 953.82 834.26 844.44 687.58 793.26 538.14 560.31 428.29 531.15 432.36
P j u l
P j u n
P m e i
P a p r
P m a r D
X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X
Regression Analysis: Sagt versus Pjul, Pmei, Papr, Pmar, D
The regression equation is Sagt = 40 + 0.334 Pjul + 0.177 Pmei + 0.0506 Papr + 0.194 Pmar - 2103 D Predictor Constant Pjul Pmei Papr Pmar D
Coef 39.6 0.33440 0.17718 0.05062 0.19397 -2102.9
S = 428.3 PRESS = 4372515
SE Coef 324.6 0.04592 0.02616 0.01734 0.06058 361.6
T 0.12 7.28 6.77 2.92 3.20 -5.82
R-Sq = 86.3% R-Sq(pred) = 72.87%
P 0.905 0.000 0.000 0.013 0.008 0.000
VIF 1.5 3.1 2.1 1.7 3.2
R-Sq(adj) = 80.6%
Analysis of Variance Source Regression Residual Error Total Source Pjul Pmei Papr Pmar D
DF 1 1 1 1 1
DF 5 12 17
SS 13913672 2201143 16114815
Seq SS 4561216 1113759 56319 1978923 6203454
MS 2782734 183429
F 15.17
P 0.000
92
Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Pjul 3499 0 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0 0 2124 5219
Sagt 3642 783 3143 2370 1734 929 2102 2852 2314 786 587 1588 1623 3119 565 658 1366 1879
Fit 3047 1245 3429 2127 1706 1301 2218 2950 1632 885 53 1275 1616 3076 743 1279 1347 2109
SE Fit 263 203 226 193 165 174 350 295 155 199 274 284 323 356 236 181 247 189
Residual 595 -462 -286 243 29 -372 -116 -98 681 -99 534 313 6 43 -179 -621 20 -230
St Resid 1.76 -1.23 -0.79 0.63 0.07 -0.95 -0.47 -0.32 1.71 -0.26 1.62 0.98 0.02 0.18 -0.50 -1.60 0.06 -0.60
Predicted Values for New Observations New Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X denotes XX denotes
Fit SE Fit 95.0% CI 3047 263 ( 2475, 3619) ( 1245 203 ( 803, 1687) ( 3429 226 ( 2936, 3922) ( 2127 193 ( 1708, 2547) ( 1706 165 ( 1347, 2064) ( 1301 174 ( 921, 1681) ( 2218 350 ( 1457, 2980) ( 2950 295 ( 2306, 3593) ( 1632 155 ( 1296, 1969) ( 885 199 ( 452, 1318) ( 53 274 ( -545, 651) ( 1275 284 ( 657, 1893) ( 1616 323 ( 913, 2320) ( 3076 356 ( 2301, 3850) ( 743 236 ( 229, 1257) ( 1279 181 ( 884, 1673) ( 1347 247 ( 808, 1886) ( 2109 189 ( 1697, 2522) ( 3244 219 ( 2767, 3720) ( 3828 310 ( 3154, 4503) ( 1590 375 ( 773, 2407) ( 4560 740 ( 2946, 6173) ( a row with X values away from the center a row with very extreme X values
95.0% PI 1952, 4142) 212, 2278) 2373, 4484) 1104, 3150) 706, 2705) 294, 2308) 1014, 3423) 1816, 4083) 640, 2624) -143, 1914) -1055, 1161) 156, 2394) 448, 2785) 1863, 4289) -322, 1809) 266, 2292) 269, 2425) 1089, 3129) 2196, 4291) 2677, 4980) 350, 2830) 2696, 6423) XX
Values of Predictors for New Observations New Obs 1 2 3 4 5 6 7 8 9 10 11 12 13
Pjul 3499 0 6052 191 2950 409 9622 5534 2510 0 1365 0 0
Pmei 1072 0 3777 7826 801 597 0 0 301 0 4363 8095 4023
Papr 7375 4033 2981 3237 4837 4371 15617 16967 5556 5091 7137 28240 27064
Pmar 6569 5162 2812 2440 1510 4112 1410 1034 2159 3031 2709 2447 8234
D 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 1.00 1.00 1.00
93
14 15 16 17 18 19 20 21 22
1206 0 0 2124 5219 5164 6177 8928 18511
26248 11587 9202 15239 0 3562 656 0 0
1682 14889 17721 0 0 9379 8926 7200 0
0 0 4200 0 1672 1914 5956 1563 2232
1.00 1.00 1.00 1.00 0.00 0.00 0.00 1.00 1.00
Normplot of Residuals for Sagt Normal Probability Plot of the Residuals (response is Sagt) 2
Normal Score
1
0
-1
-2 -500
0
500
Residual
Uji Kenormlan
.999 .99
Probability
.95 .80 .50 .20 .05 .01 .001 -500
0
500
RESI3 Average: -0.0000000 StDev: 359.832 N: 18
Kolmogorov-Smirnov Normality Test D+: 0.174 D-: 0.098 D : 0.174 Approximate P-Value > 0.15
94
Residuals vs Fits for Sagt Residuals Versus the Fitted Values (response is Sagt)
Residual
500
0
-500
0
500
1000
1500
2000
2500
Fitted Value
Correlations: Pjul, Pjun, Pmei, Papr, Pmar
Pjul 0.073 0.775
Pjun
Pmei
-0.330 0.181
0.694 0.001
Papr
-0.113 0.654
-0.324 0.190
-0.060 0.814
Pmar
-0.267 0.284
-0.479 0.044
-0.418 0.084
Pjun
Pmei
Cell Contents: Pearson correlation P-Value
Papr
0.316 0.202
3000
3500
Lampiran 4 Pendugaan Stok Beras di Penggilingan Berdasarkan Hasil Survei
Kode Kec 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 18
Kecamatan
Sagalaherang Jalancagak Cisalak Tanjungsiang Cijambe Cibogo Cipunagara Pagaden Cipeundeuy Purwadadi Ciasem Binong Compreng Pusakanagara Pamanukan Blanakan Cikaum
Jumlah Contoh 3 3 4 3 4 3 3 5 5 3 5 5 3 5 6 5 5
Jumlah Populasi 11 6 43 10 37 9 62 14 9 3 19 47 16 24 21 15 8
Rataan Contoh 26,5 62,1 67,1 59,9 103,4 147,7 185,2 330 65,5 340 201,2 278,33 130 166,8 180,6 320,1 57,8
Standar Dugaan Deviasi Stok Kecamatan (Kuintal Beras) 32,6 291,5 72,1 372,6 38,6 2885,3 32,8 599,0 67,4 3825,8 105,7 1329,3 126 11482,4 407 4620,0 36,2 589,5 218 1020,0 173,7 3822,8 404 13081,5 48 2080,0 135,5 4003,2 174,9 3792,6 202,3 4801,5 87,9 462,4
95
Ragam Dugaan Selang Kepercayaan 95% Kecamatan Batas Atas Batas bawah 31174,3 31190,5 624665,7 25102,9 1386677,5 201104,8 19358136,0 4174354,8 9435,2 0,0 1605133,9 64437676,8 159744,0 1674454,8 1605975,5 1227758,7 37086,8
-54,56 26,45 1336,20 288,46 1517,76 450,34 2858,82 615,48 399,12 1020,00 1339,60 -2652,01 1296,63 1466,95 1308,75 2629,74 84,94
637,56 718,75 4434,40 909,54 6133,84 2208,26 20105,98 8624,52 779,88 1020,00 6306,00 28815,03 2863,37 6539,45 6276,45 6973,26 839,86
96
Lampiran 5 Model Stok Penggilingan Best Subsets Regression: STagt versus Pjul, Pjun, ... Response is STagt
Vars
R-Sq
R-Sq(adj)
C-p
S
1 1 2 2 3 3 4 4 5 5 6 6 7
45.3 22.3 70.3 67.4 81.7 79.3 85.3 82.8 88.5 86.0 88.6 88.5 88.6
41.7 17.1 66.1 62.8 77.4 74.5 80.4 77.0 83.3 79.7 81.7 81.7 79.7
30.1 48.3 12.4 14.7 5.5 7.3 4.6 6.6 4.0 6.0 6.0 6.0 8.0
264.44 315.20 201.57 211.21 164.48 174.78 153.24 165.97 141.32 156.12 147.93 148.18 155.93
P j u l
P j u n
P m e i
P a p r
P m a r
P K j u l
P K m a r
X X
X X X X X X X X X X X
X
X X X X X X X X X X X
X X X X X X X X X X X X X X X X
X X X X X X X X
Regression Analysis: STagt versus Pjul, Pjun, Pmei, Papr, Pmar The regression equation is STagt = 22 + 0.0521 Pjul - 0.427 Pjun + 0.0140 Pmei + 0.0316 Papr 0.0547 Pmar Predictor Constant Pjul Pjun Pmei Papr Pmar
Coef 21.5 0.05214 -0.4271 0.01397 0.031627 -0.05465
S = 193.7 PRESS = 1343376
SE Coef 144.7 0.02213 0.7034 0.01209 0.006162 0.02646
T 0.15 2.36 -0.61 1.16 5.13 -2.07
R-Sq = 78.5% R-Sq(pred) = 29.94%
P 0.884 0.038 0.556 0.272 0.000 0.063
VIF 1.6 2.4 2.9 1.2 1.4
R-Sq(adj) = 68.7%
Analysis of Variance Source Regression Residual Error Total Source Pjul Pjun Pmei Papr Pmar
DF 1 1 1 1 1
DF 5 11 16
SS 1504803 412762 1917565 Seq SS 123195 55 355709 865721 160123
MS 300961 37524
F 8.02
P 0.002
97
Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Pjul 3499 2505 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0 0 5219
STagt 29.2 37.3 288.5 59.9 382.6 132.9 1148.2 462.0 59.0 102.0 382.3 1169.0 325.0 400.3 379.3 480.2 46.2
Fit 93.2 -3.4 198.7 109.8 243.4 -35.3 940.1 790.2 214.3 16.9 308.4 894.0 483.7 379.3 567.2 481.0 202.3
SE Fit 111.8 84.6 170.6 97.2 72.8 83.1 152.8 102.2 69.4 93.4 74.0 123.1 149.1 175.1 129.7 89.2 95.5
Residual -64.1 40.6 89.9 -49.9 139.2 168.2 208.2 -328.2 -155.4 85.1 73.9 275.0 -158.7 21.0 -187.9 -0.9 -156.0
St Resid -0.40 0.23 0.98 -0.30 0.78 0.96 1.75 -1.99 -0.86 0.50 0.41 1.84 -1.28 0.25 -1.31 -0.00 -0.93
Regression Analysis: STagt versus Pjul, Pmei, Papr, Pmar The regression equation is STagt = 22 + 0.0472 Pjul + 0.00886 Pmei + 0.0328 Papr - 0.0543 Pmar Predictor Constant Pjul Pmei Papr Pmar
Coef 21.6 0.04716 0.008861 0.032813 -0.05428
S = 188.5 PRESS = 1168687
SE Coef 140.8 0.02001 0.008453 0.005688 0.02574
T 0.15 2.36 1.05 5.77 -2.11
R-Sq = 77.8% R-Sq(pred) = 39.05%
P 0.881 0.036 0.315 0.000 0.057
VIF 1.4 1.5 1.1 1.4
R-Sq(adj) = 70.3%
Analysis of Variance Source Regression Residual Error Total Source Pjul Pmei Papr Pmar
Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
DF 1 1 1 1
Pjul 3499 2505 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0
DF 4 12 16
SS 1490967 426598 1917565
MS 372742 35550
F 10.49
P 0.001
Seq SS 123195 162411 1047331 158030
STagt 29.2 37.3 288.5 59.9 382.6 132.9 1148.2 462.0 59.0 102.0 382.3 1169.0 325.0 400.3 379.3
Fit 81.6 -9.1 285.7 73.7 244.6 -33.6 911.3 783.2 207.8 24.1 316.3 887.2 498.4 366.2 612.8
SE Fit 107.2 81.8 90.0 74.8 70.8 80.8 141.4 98.9 66.7 90.2 70.9 119.3 143.2 169.1 102.9
Residual -52.4 46.4 2.9 -13.8 138.0 166.5 236.9 -321.2 -148.8 77.9 66.0 281.8 -173.4 34.1 -233.6
St Resid -0.34 0.27 0.02 -0.08 0.79 0.98 1.90 -2.00R
-0.84 0.47 0.38 1.93 -1.41 0.41 -1.48
98
16 17
0 5219
480.2 46.2
456.6 177.0
77.5 83.6
23.5 -130.7
0.14 -0.77
R denotes an observation with a large standardized residual
Regression Analysis: STagt versus Pjul, Pmei, Papr, Pmar, PKjul, PKmar
The regression equation is STagt = - 222 - 0.0031 Pjul + 0.0180 Pmei + 0.0324 Papr + 0.114 Pmar +0.000007 PKjul -0.000020 PKmar Predictor Coef Constant -221.6 Pjul -0.00311 Pmei 0.018006 Papr 0.032416 Pmar 0.11351 PKjul 0.00000746 PKmar -0.00001960
SE Coef 192.2 0.04517 0.008056 0.005639 0.07021 0.00000502 0.00000815
T -1.15 -0.07 2.24 5.75 1.62 1.49 -2.41
S = 148.2 PRESS = 1333831
R-Sq = 88.5% R-Sq(pred) = 30.44%
P 0.276 0.947 0.049 0.000 0.137 0.168 0.037
VIF 11.6 2.2 1.7 17.3 10.4 15.7
R-Sq(adj) = 81.7%
Analysis of Variance Source Regression Residual Error Total Source Pjul Pmei Papr Pmar PKjul PKmar Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
DF 1 1 1 1 1 1 Pjul 3499 2505 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0 0 5219
DF 6 10 16
SS 1697992 219573 1917565
MS 282999 21957
F 12.89
P 0.000
Seq SS 123195 162411 1047331 158030 79976 127049 STagt 29.2 37.3 288.5 59.9 382.6 132.9 1148.2 462.0 59.0 102.0 382.3 1169.0 325.0 400.3 379.3 480.2 46.2
Fit 17.2 -35.9 361.8 184.2 132.1 66.2 1066.8 636.2 156.9 107.4 324.5 1000.0 334.0 312.7 469.7 649.6 100.5
SE Fit 88.1 77.9 82.0 73.2 67.1 76.6 139.7 99.4 57.2 88.7 58.6 114.7 134.1 134.1 103.4 93.2 70.3
Residual 12.0 73.2 -73.3 -124.3 250.5 66.7 81.5 -174.2 -97.9 -5.4 57.7 169.0 -9.0 87.7 -90.4 -169.4 -54.2
St Resid 0.10 0.58 -0.59 -0.97 1.90 0.53 1.65 -1.58 -0.72 -0.05 0.42 1.80 -0.14 1.39 -0.85 -1.47 -0.42
99
Model Terbaik adalah : Regression Analysis: STagt versus Pjul, Pmei, Papr, Pmar, PKmar The regression equation is STagt = - 341 + 0.0595 Pjul + 0.0203 Pmei + 0.0370 Papr + 0.125 Pmar -0.000022 PKmar Predictor Coef Constant -341.1 Pjul 0.05947 Pmei 0.020348 Papr 0.036978 Pmar 0.12513 PKmar -0.00002159
SE Coef 183.9 0.01726 0.008323 0.004985 0.07351 0.00000847
T -1.85 3.45 2.44 7.42 1.70 -2.55
S = 156.1 PRESS = 859431
R-Sq = 86.0% R-Sq(pred) = 55.18%
P 0.091 0.005 0.033 0.000 0.117 0.027
VIF 1.5 2.1 1.2 17.1 15.3
R-Sq(adj) = 79.7%
Analysis of Variance Source Regression Residual Error Total Source Pjul Pmei Papr Pmar PKmar Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
DF 1 1 1 1 1 Pjul 3499 2505 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0 0 5219
DF 5 11 16
SS 1649468 268097 1917565
MS 329894 24372
F 13.54
P 0.000
Seq SS 123195 162411 1047331 158030 158501 STagt 29.2 37.3 288.5 59.9 382.6 132.9 1148.2 462.0 59.0 102.0 382.3 1169.0 325.0 400.3 379.3 480.2 46.2
Fit 51.8 26.5 387.1 126.0 169.3 6.5 942.2 721.8 189.3 28.1 345.9 1044.8 308.0 327.0 445.3 646.1 118.2
SE Fit 89.5 69.2 84.5 65.2 65.7 68.7 117.7 85.3 55.7 74.7 59.8 116.5 140.1 140.9 107.6 98.2 73.0
Residual -22.7 10.7 -98.6 -66.1 213.3 126.4 206.1 -259.8 -130.4 73.9 36.4 124.2 17.0 73.4 -66.0 -166.0 -72.0
R denotes an observation with a large standardized residual
St Resid -0.18 0.08 -0.75 -0.47 1.51 0.90 2.01R
-1.99 -0.89 0.54 0.25 1.20 0.25 1.09 -0.58 -1.37 -0.52
100
Normplot of Residuals for STagt Normal Probability Plot of the Residuals (response is STagt) 2
Normal Score
1
0
-1
-2 -300
-200
-100
0
100
200
Residual
Uji Kenormalan Sisaan
.999 .99
Probability
.95 .80 .50 .20 .05 .01 .001 -200
-100
0
100
200
RESI1 Average: -0.0000000
Kolmogorov-Smirnov Normality Test
StDev: 129.445 N: 17
D+: 0.107 D-: 0.067 D : 0.107 Approximate P-Value > 0.15
Residuals vs Fits for STagt Residuals Versus the Fitted Values (response is STagt)
200
Residual
100
0
-100
-200
-300 0
500
Fitted Value
1000
101
Predicted Values for New Observations New Obs Fit SE Fit 95.0% CI 1 51.8 89.5 ( -145.3, 248.9) ( 2 26.5 69.2 ( -125.7, 178.8) ( 3 387.1 84.5 ( 201.1, 573.1) ( 4 126.0 65.2 ( -17.5, 269.5) ( 5 169.3 65.7 ( 24.8, 313.8) ( 6 6.5 68.7 ( -144.8, 157.7) ( 7 942.2 117.7 ( 683.1, 1201.3) ( 8 721.8 85.3 ( 534.0, 909.6) ( 9 189.3 55.7 ( 66.7, 311.9) ( 10 28.1 74.7 ( -136.3, 192.5) ( 11 345.9 59.8 ( 214.2, 477.6) ( 12 1044.8 116.5 ( 788.3, 1301.3) ( 13 308.0 140.1 ( -0.4, 616.4) ( 14 327.0 140.9 ( 16.9, 637.0) ( 15 445.3 107.6 ( 208.5, 682.1) ( 16 646.1 98.2 ( 430.0, 862.3) ( 17 118.2 73.0 ( -42.5, 278.9) ( 18 95.4 109.5 ( -145.7, 336.4) ( 19 545.8 58.2 ( 417.7, 673.8) ( 20 349.0 104.1 ( 119.8, 578.2) ( 21 599.0 99.1 ( 380.8, 817.2) ( 22 931.6 259.1 ( 361.4, 1501.8) ( X denotes a row with X values away from the center XX denotes a row with very extreme X values
95.0% -344.3, -349.3, -3.6, -246.4, -203.5, -368.9, 511.9, 330.2, -175.5, -352.8, -22.1, 616.0, -153.8, -135.9, 28.0, 240.2, -261.1, -324.4, 179.1, -64.0, 192.0, 265.8,
Values of Predictors for New Observations New Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Pjul 3499 2505 6052 191 2950 409 9622 5534 2510 0 1365 0 0 1206 0 0 5219 2124 5164 6177 8928 18511
Pmei 1072 0 3777 7826 801 597 0 0 301 0 0 8095 4023 26248 11587 9202 0 15239 3562 656 0 0
Papr 7375 4003 2981 3237 4837 4371 15617 16967 5556 5091 11500 28240 27064 1682 14889 17721 0 0 9379 8926 7200 0
Pmar 6569 5162 2812 2440 1510 4112 1410 1034 2159 3031 2709 2447 8234 0 0 4200 1672 0 1914 5956 1563 2232
PKmar 43151761 26646244 7907344 5953600 2280100 16908544 1988100 1069156 4661281 9186961 7338681 5987809 67798756 0 0 17640000 2795584 0 3663396 35473936 2442969 4981824
PI 447.9) 402.3) 777.8) 498.4) 542.0) 381.9) 1372.5) 1113.4) 554.1) 409.0) 713.9) 1473.6) 769.7) 789.8) 862.6) 1052.1) 497.5) 515.1) 912.5) 762.1) 1006.0) 1597.3) XX
102
Lampiran 6 Model Stok Sub Dolog Plot data asli
30000000
Stok
20000000
10000000
0 Date/Time Ja
n
-9
8 o N
9 v-
8 S
e
p-
99
l Ju
0 -0 M
-0 ay
1
3 5 2 0 4 l -0 -0 03 -0 vpu ar J an o e J M N S
1
3 5 2 0 4 l -0 -0 03 -0 vpu ar J an o e J M N S
Plot Data setelah di Logaritma
7.5
Lstok
6.5
5.5
4.5 Date/Time
n Ja
-9
8 o N
9 v-
8 S
e
p-
99
l Ju
0 -0 M
-0 ay
103
Autocorrelation
Plot ACF 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
10
20
30
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
Lag
1 2 3 4 5 6 7 8 9 10 11 12
0.80 0.49 0.21 0.02 -0.10 -0.12 -0.08 -0.01 0.05 0.12 0.18 0.19
7.99 3.27 1.28 0.10 -0.60 -0.73 -0.46 -0.05 0.32 0.73 1.05 1.12
65.84 91.14 95.93 95.96 97.07 98.73 99.40 99.41 99.74 101.49 105.23 109.59
13 14 15 16 17 18 19 20 21 22 23 24
0.17 0.13 0.09 0.02 -0.08 -0.17 -0.17 -0.12 -0.04 0.06 0.13 0.14
0.97 0.75 0.48 0.11 -0.47 -0.93 -0.95 -0.66 -0.22 0.33 0.71 0.78
112.99 115.08 115.96 116.01 116.87 120.37 124.07 125.92 126.14 126.63 128.86 131.66
25 26 27 28 29 30 31 32 33 34 35 36
0.13 0.11 0.07 -0.05 -0.15 -0.22 -0.23 -0.24 -0.21 -0.18 -0.16 -0.12
0.71 0.58 0.38 -0.25 -0.82 -1.15 -1.22 -1.22 -1.07 -0.93 -0.80 -0.61
134.00 135.62 136.32 136.63 140.04 146.95 155.00 163.38 170.20 175.47 179.50 181.94
37 38 39 40
40 T
LBQ
-0.07 -0.34 -0.01 -0.05 0.02 0.11 0.00 0.01
Corr
182.69 182.71 182.80 182.80
Partial Autocorrelation
Plot PACF 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
10
20
30
40
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
1 2 3 4 5 6 7 8 9 10 11 12
0.86 -0.52 -0.12 -0.05 0.01 0.22 0.08 0.03 0.08 0.07 0.03 -0.17
8.57 -5.23 -1.17 -0.54 0.13 2.15 0.81 0.28 0.80 0.73 0.27 -1.68
13 14 15 16 17 18 19 20 21 22 23 24
0.10 0.03 0.05 -0.15 -0.10 -0.15 -0.04 0.05 0.04 -0.00 -0.03 -0.09
1.02 0.28 0.55 -1.50 -0.99 -1.48 -0.45 0.50 0.41 -0.04 -0.32 -0.95
25 26 27 28 29 30 31 32 33 34 35 36
0.08 0.02 -0.15 0.00 -0.00 -0.00 -0.00 -0.17 0.10 -0.06 0.07 0.07
0.82 0.22 -1.46 0.00 -0.00 -0.01 -0.03 -1.70 1.01 -0.59 0.70 0.74
37 38 39 40
-0.03 0.03 0.07 -0.05
-0.26 0.27 0.69 -0.49
MODEL ARIMA (2,0,0) Final Estimates of Parameters Type Coef SE Coef AR 1 1.6762 0.1060 AR 2 -0.6764 0.1060
T 15.81 -6.38
P 0.000 0.000
Number of observations: 100 Residuals: SS = 8.08800 (backforecasts excluded) MS = 0.08253 DF = 98
104
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 10.4 18.4 31.4 40.3 DF 10 22 34 46 P-Value 0.406 0.684 0.595 0.710 Forecasts from period 100 Period 101 102 103 104 105 106
95 Percent Limits Lower Upper 6.5405 7.6669 6.0684 8.2669 5.5811 8.8379 5.1049 9.3678 4.6510 9.8552 4.2231 10.3029
Forecast 7.1037 7.1677 7.2095 7.2364 7.2531 7.2630
Normplot of Residuals for Lstok Normal Probability Plot of the Residuals (response is Lstok) 3
Normal Score
2
1
0
-1
-2
-3 0
1
2
Residual
Residuals vs Order for Lstok Residuals Versus the Order of the Data (response is Lstok)
Residual
2
1
0
10
20
30
40
50
60
Observation Order
70
80
90
100
105
MODEL ARIMA (0,0,2) Final Estimates of Parameters Type Coef SE Coef MA 1 -1.7420 0.0272 MA 2 -0.9608 0.0123
T -64.11 -77.80
P 0.000 0.000
Number of observations: 100 Residuals: SS = 393.001 (backforecasts excluded) MS = 4.010 DF = 98 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 281.7 364.1 409.9 444.4 DF 10 22 34 46 P-Value 0.000 0.000 0.000 0.000 Forecasts from period 100 Period 101 102 103 104 105 106
Forecast 5.6447 2.5542 0.0000 0.0000 0.0000 0.0000
95 Percent Limits Lower Upper 1.7189 9.5705 -5.3311 10.4395 -8.7410 8.7410 -8.7410 8.7410 -8.7410 8.7410 -8.7410 8.7410
MODEL ARIMA (2,0,2) Final Estimates of Parameters Type Coef SE Coef AR 1 1.6694 0.0897 AR 2 -0.6693 0.0897 MA 1 0.6215 0.1097 MA 2 0.3660 0.1091
T 18.62 -7.46 5.66 3.36
P 0.000 0.000 0.000 0.001
Number of observations: 100 Residuals: SS = 5.86690 (backforecasts excluded) MS = 0.06111 DF = 96
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 9.7 18.7 31.0 38.5 DF 8 20 32 44 P-Value 0.288 0.542 0.518 0.704 Forecasts from period 100 Period 101 102 103 104 105 106
Forecast 7.04689 7.02274 7.00674 6.99619 6.98928 6.98482
95 Percent Limits Lower Upper 6.56226 7.53152 6.32076 7.72473 6.22411 7.78937 6.17826 7.81412 6.15483 7.82373 6.14225 7.82739
106
Normplot of Residuals for Lstok Normal Probability Plot of the Residuals (response is Lstok) 3
2
Normal Score
1
0
-1
-2
-3 -1
0
1
Residual
Residuals vs Order for Lstok Residuals Versus the Order of the Data (response is Lstok)
Residual
1
0
-1 10
20
30
40
50
60
70
80
90
100
Observation Order
Uji kenormalan galat
.999 .99
Probability
.95 .80 .50 .20 .05 .01 .001 -1
0
1
RESI3 Average: -0.0016175 StDev: 0.243432 N: 100
Kolmogorov-Smirnov Normality Test D+: 0.124 D-: 0.133 D : 0.133 Approximate P-Value < 0.01
107
MODEL ARIMA (3,0,0) Final Estimates of Parameters Type Coef SE Coef AR 1 1.6739 0.1085 AR 2 -0.7778 0.1726 AR 3 0.1038 0.1085
T 15.43 -4.51 0.96
P 0.000 0.000 0.341
Number of observations: 100 Residuals: SS = 7.77631 (backforecasts excluded) MS = 0.08017 DF = 97 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12.0 19.2 33.0 42.6 DF 9 21 33 45 P-Value 0.215 0.570 0.469 0.572 Forecasts from period 100 Period 101 102 103 104 105 106
95 Percent Limits Lower Upper 6.55860 7.66873 6.08755 8.25215 5.63607 8.75611 5.22966 9.18509 4.86811 9.55527 4.54448 9.88123
Forecast 7.11366 7.16985 7.19609 7.20738 7.21169 7.21285
MODEL ARIMA (0,0,3) Final Estimates of Parameters Type Coef SE Coef MA 1 -2.0155 0.0130 MA 2 -1.9421 0.0155 MA 3 -0.8652 0.0411
T -155.35 -125.20 -21.07
P 0.000 0.000 0.000
Number of observations: 100 Residuals: SS = 164.701 (backforecasts excluded) MS = 1.698 DF = 97
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 153.0 168.9 227.5 284.6 DF 9 21 33 45 P-Value 0.000 0.000 0.000 0.000 Forecasts from period 100 Period 101 102 103 104 105 106
Forecast 6.17636 4.16801 1.40093 0.00000 0.00000 0.00000
95 Percent Limits Lower Upper 3.62186 8.73086 -1.57940 9.91543 -6.19159 8.99346 -7.90767 7.90767 -7.90767 7.90767 -7.90767 7.90767
MODEL ARIMA (3,0,3) Final Estimates of Parameters Type Coef SE Coef AR 1 1.7723 0.1035 AR 2 -0.9367 0.1971 AR 3 0.1643 0.1193 MA 1 0.6463 0.0182 MA 2 0.1865 0.1247 MA 3 0.1699 0.1124
T 17.12 -4.75 1.38 35.56 1.50 1.51
P 0.000 0.000 0.171 0.000 0.138 0.134
108
Number of observations: 100 Residuals: SS = 5.55919 (backforecasts excluded) MS = 0.05914 DF = 94 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 3.7 11.8 23.9 31.6 DF 6 18 30 42 P-Value 0.713 0.859 0.774 0.879 Forecasts from period 100 Period 101 102 103 104 105 106
Forecast 7.05176 7.04469 7.00484 6.97499 6.95825 6.95001
95 Percent Limits Lower Upper 6.57501 7.52850 6.32674 7.76265 6.17510 7.83458 6.11350 7.83647 6.08987 7.82664 6.08046 7.81956
Actual
Model memenuhi Kriteria : 1. ARIMA (2,0,0) 2. ARIMA (2,0,2) Memilih Model Terbaik :
Uji kemampuan Meramal Tahun 2005 Sisaan
Jan Feb Maret April Mei Juni Juli
Stok 24603003 15245547 11148832 10285447 8983122 7283287 10165947
Log Stok 7.39099 7.18314 7.04723 7.01222 6.95343 6.86233 7.00715
ARIMA (2,0,0) 7.54359 7.58312 7.60918 7.62608 7.63676 7.64321 7.64678
Kuadrat 0.023287 0.159984 0.315788 0.376824 0.46694 0.609774 0.409127 2.361723
Sisaan ARIMA (2,0,2) 7.38879 7.24667 7.15197 7.08879 7.04659 7.01833 6.99936
Kuadrat 4.84E-06 0.004036 0.01097 0.005863 0.008679 0.024336 6.07E-05 0.05395
Ternyata model ARIMA (2,0,2) dengan transformasi Logaritma memberikan Peramalan yang lebih baik ketika dicek dengan cara memotong data sampai tahun 2004.
109
Lampiran 7 Model Produksi Kabupaten Subang Plot Produksi Padi Kabupaten Subang
300000
Produksi
200000
100000
0 Date/Time
Okt-00 Agust-01 Jun-02 Apr-03 Feb-04 Des-04
Plot ACF
Autocorrelation
Autocorrelation Function for Produksi 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
Lag
Corr
T
LBQ
1 2 3 4 5 6 7 8 9 10 11 12
0.30 -0.37 -0.38 0.02 0.10 0.05 -0.01 -0.13 -0.32 -0.26 0.21 0.61
2.47 -2.83 -2.62 0.14 0.64 0.33 -0.04 -0.83 -2.01 -1.53 1.20 3.38
6.37 16.35 27.08 27.12 27.90 28.12 28.12 29.52 38.13 43.82 47.63 79.48
13 14 15 16 17 18 19 20 21 22 23 24
0.29 -0.21 -0.28 -0.00 0.10 0.06 -0.02 -0.09 -0.25 -0.24 0.09 0.46
1.40 -0.97 -1.29 -0.01 0.46 0.28 -0.10 -0.39 -1.14 -1.06 0.39 2.00
86.85 90.69 97.82 97.82 98.82 99.19 99.24 100.00 106.59 112.61 113.46 136.79
25 26 27 28 29 30 31 32 33 34 35 36
0.26 -0.16 -0.21 -0.01 0.08 -0.02 -0.02 -0.04 -0.14 -0.23 -0.03 0.29
1.07 -0.63 -0.84 -0.03 0.33 -0.09 -0.09 -0.14 -0.54 -0.92 -0.11 1.13
144.45 147.24 152.43 152.44 153.32 153.38 153.45 153.62 156.17 163.88 163.99 176.58
37 38 39 40
0.35 -0.06 -0.25 -0.09
1.34 -0.23 -0.94 -0.33
195.43 196.05 206.57 207.97
10
20
30
40
110
Plot PACF
Partial Autocorrelation
Partial Autocorrelation Function for Produksi 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
10
20
30
40
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
1 2 3 4 5 6 7 8 9 10 11 12
0.30 -0.50 -0.10 0.05 -0.19 0.08 -0.03 -0.21 -0.31 -0.28 0.10 0.35
2.47 -4.17 -0.80 0.40 -1.61 0.63 -0.29 -1.78 -2.60 -2.35 0.81 2.93
13 14 15 16 17 18 19 20 21 22 23 24
0.09 0.15 0.06 -0.04 -0.09 -0.06 -0.04 0.13 0.01 0.00 0.00 0.09
0.71 1.24 0.50 -0.30 -0.76 -0.48 -0.30 1.05 0.10 0.03 0.01 0.75
25 26 27 28 29 30 31 32 33 34 35 36
-0.07 -0.04 0.07 -0.08 -0.01 -0.18 -0.03 -0.02 0.03 -0.04 -0.06 -0.07
-0.62 -0.32 0.57 -0.66 -0.08 -1.51 -0.21 -0.14 0.27 -0.30 -0.46 -0.62
37 38 39 40
0.17 -0.22 -0.05 -0.07
1.43 -1.86 -0.44 -0.61
ARIMA (2,0,0)x(1,0,1)12 Final Estimates of Parameters Type Coef SE Coef AR 1 -0.0473 0.1214 AR 2 -0.2709 0.1335 SAR 12 1.0006 0.0190 SMA 12 0.4861 0.1590
T -0.39 -2.03 52.74 3.06
P 0.698 0.047 0.000 0.003
Number of observations: 69 Residuals: SS = 75702179720 (backforecasts excluded) MS = 1164648919 DF = 65 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 7.0 18.8 32.0 33.9 DF 8 20 32 44 P-Value 0.541 0.535 0.468 0.864 Forecasts from period 69 Period 70 71 72 73 74 75 76
Forecast 42129 25720 25027 12640 31723 107133 178068
95 Percent Lower -24773 -41257 -44320 -56728 -37810 37597 108520
Limits Upper 109031 92698 94374 82008 101256 176670 247616
Actual
111
Normplot of Residuals for Produksi
Normal Probability Plot of the Residuals (response is Produksi) 2.5 2.0
Normal Score
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5 -100000
0
100000
Residual
Residuals vs Order for Produksi Residuals Versus the Order of the Data (response is Produksi)
Residual
100000
0
-100000
10
20
30
40
50
60
Observation Order
ARIMA (0,0,2)x(1,0,1)12 Final Estimates of Parameters Type Coef SE Coef SAR 12 1.0012 0.0154 MA 1 0.1617 0.1218 MA 2 0.2695 0.1301 SMA 12 0.4736 0.1622
T 64.94 1.33 2.07 2.92
P 0.000 0.189 0.042 0.005
Number of observations: 69 Residuals: SS = 75230471995 (backforecasts excluded) MS = 1157391877 DF = 65 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 5.6 14.4 28.9 31.1 DF 8 20 32 44 P-Value 0.693 0.808 0.622 0.929
112
Forecasts from period 69 Period 70 71 72 73 74 75 76
95 Percent Lower -27564 -47497 -53766 -58750 -35847 36208 108367
Forecast 39129 20062 16144 11159 34063 106118 178276
Limits Upper 105823 87622 86054 81069 103973 176028 248186
Actual
Normplot of Residuals for Produksi Normal Probability Plot of the Residuals (response is Produksi) 2.5 2.0
Normal Score
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5 -100000
0
100000
Residual
Residuals vs Order for Produksi Residuals Versus the Order of the Data (response is Produksi)
Residual
100000
0
-100000
10
20
30
40
50
60
Observation Order
ARIMA (0,0,0) x (1,0,1)12 Final Estimates of Parameters Type Coef SE Coef SAR 12 0.9994 0.0247 SMA 12 0.4415 0.1535
T 40.42 2.88
P 0.000 0.005
Number of observations: 69 Residuals: SS = 80441495974 (backforecasts excluded) MS = 1200619343 DF = 67
113
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 8.8 16.0 33.4 36.1 DF 10 22 34 46 P-Value 0.547 0.818 0.497 0.852 Forecasts from period 69 Period 70 71 72 73 74 75 76
95 Percent Lower 7897 -34928 -51544 -56754 -34495 34256 111451
Forecast 75824 33000 16384 11173 33433 102183 179379
Limits Upper 143752 100927 84311 79101 101360 170111 247306
Residuals vs Order for Produksi Residuals Versus the Order of the Data (response is Produksi)
Residual
100000
0
-100000
10
20
30
40
50
60
Observation Order
Normplot of Residuals for Produksi Normal Probability Plot of the Residuals (response is Produksi) 2.5 2.0
Normal Score
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5 -100000
0
Residual
100000
Actual
114
ARIMA (2,0,1)x(1,0,1)12 Final Estimates of Parameters Type Coef SE Coef AR 1 0.4816 0.2865 AR 2 -0.2679 0.1478 SAR 12 1.0013 0.0149 MA 1 0.5827 0.2811 SMA 12 0.4628 0.1661
T 1.68 -1.81 67.01 2.07 2.79
P 0.098 0.075 0.000 0.042 0.007
Number of observations: 69 Residuals: SS = 73149875665 (backforecasts excluded) MS = 1142966807 DF = 64 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4.8 15.8 27.8 29.5 DF 7 19 31 43 P-Value 0.679 0.669 0.633 0.943 Forecasts from period 69 Period 70 71 72 73 74 75 76
Forecast 38554 6842 13432 16858 37378 105070 178032
95 Percent Lower -27723 -59773 -56409 -53476 -32974 34653 107608
Limits Upper 104830 73457 83273 87191 107730 175486 248456
Normplot of Residuals for Produksi Normal Probability Plot of the Residuals (response is Produksi) 2.5 2.0
Normal Score
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5 -100000
0
Residual
100000
Actual
115
Residuals vs Order for Produksi Residuals Versus the Order of the Data (response is Produksi)
Residual
100000
0
-100000
10
20
30
40
50
60
Observation Order
ARIMA (1,0,3)x(1,0,1)12 Final Estimates of Parameters Type Coef SE Coef AR 1 -0.5372 0.3028 SAR 12 1.0011 0.0121 MA 1 -0.4784 0.2873 MA 2 0.3109 0.1351 MA 3 0.4088 0.1242 SMA 12 0.5352 0.1665
T -1.77 83.05 -1.67 2.30 3.29 3.21
P 0.081 0.000 0.101 0.025 0.002 0.002
Number of observations: 69 Residuals: SS = 70106116712 (backforecasts excluded) MS = 1112795503 DF = 63 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 2.1 11.9 23.4 25.6 DF 6 18 30 42 P-Value 0.910 0.853 0.798 0.979 Forecasts from period 69 Period 70 71 72 73 74 75 76
Forecast 35146 2779 17178 10009 35728 113191 174861
95 Percent Lower -30250 -62730 -50830 -60073 -34941 42353 103975
Limits Upper 100542 68288 85185 80091 106397 184028 245747
Actual
116
Residuals Versus the Order of the Data (response is Produksi)
Residual
100000
0
-100000
10
20
30
40
50
60
Observation Order
Normal Probability Plot of the Residuals (response is Produksi) 2.5 2.0
Normal Score
1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5 -100000
0
100000
Residual
Model 1. 2. 3.
Tentatif Terbaik : ARIMA (2,0,1)x(1,0,1)12 ARIMA (0,0,0)x(1,0,1)12 ARIMA (1,0,3)x(1,0,1)12
Uji Peramalan Dengan pemotongan Data Model 1 Bulan
Produksi
Kuadrat
Model 2
Sisaan
Kuadrat
Model 3
Sisaan
Apr-05
196666
145262
2,642,371,216
142581
May-05
92986
52763
1,617,889,729
Jun-05
2058
32615
933,730,249
Kuadrat Sisaan
2,925,187,225
144248
2,747,646,724
72051
438,274,225
69106
570,254,400
47434
2,058,981,376
64274
3,870,830,656
Jul-05
79459
88076
74,252,689
96866
303,003,649
80978
2,307,361
Aug-05
271078
144878
15,926,440,000
147224
15,339,813,316
145703
15,718,890,625
Sep-05
129683
98824
952,277,881
99195
929,518,144
97731
22,146,961,764
21,994,777,935
Model yang menghasilkan kuadrat sisaan terkecil adalah model 2, sehingga model terbaik adalah : ARIMA (0,0,0)x(1,0,1)12
1,020,930,304 23,930,860,070
121
IIIB. KETERANGAN KELOMPOK TANI TAMBAHAN 1 2 3 4 5 6 7 8 9 10
IV. PROSEDUR PENGAMBILAN SAMPEL *)
*) Diisi oleh Pengawas Pusat
122 RAHASIA
SSP05-Dpgl
DEPARTEMEN PERTANIAN PUSAT DATA DAN INFORMASI PERTANIAN PENDAFTARAN PENGGILINGAN PADI I. IDENTIFIKASI LOKASI 1. Propinsi : …………………………… 2. Kabupaten : …………………………… 3. Kecamatan : ………………………...…
II. IDENTIFIKASI PETUGAS Nama : ……………….. Tanda tangan : ……………….. Tanggal
1. Jumlah penggilingan padi berkode "1" 2. Jumlah alokasi sampel *)
: ………………
III. RINGKASAN :………………………………. :……………………………….
*) Diisi oleh pengawas pusat
IV. KETERANGAN PENGGILINGAN PADI Nama penggilingan/ Kapasitas Apakah melakukan Pemilik penggilingan Produksi jual beli ? (ton/jam) "Ya"=1 "tidak"=0 (2) (3) (4)
No. Urut (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Alamat Penggilingan (5)
127 V. HASIL REKAP INTERVIEW PETANI A. KETERANGAN PANEN TERAKHIR No.
Uraian
(1)
(2)
GABAH
BERAS
SETARA BERAS
(Kg)
(Kg)
(Kg)
(3)
(4)
(5)
Bulan Panen :……………………………………(no.3) a) 1 Produksi bersih panen terakhir
2 Pembelian/pemberian dari pihak lain 3 Sisa Stok sebelum panen terakhir a) 4 Jumlah yang dijual
(no.9) (no.11) (no.38) (no.17 & 23)
5 Jumlah yang telah dikonsumsi *)
(no.30)
6 Penggunaan benih
(no.28)
7 Penggunaan pakan
(no.33)
8 Penggunaan lain (sosial, hajatan, zakat, sumbangan,dll) 9 Sisa stok saat ini Jumlah point 1 s.d. 3 (Kolom 5) Jumlah point 4 s.d. 9 (Kolom 5) B. KETERANGAN PANEN SEBELUMNYA
(no.32) (no.24)
Bulan Panen :……………………………………. (no.34) 1 Produksi bersih panen sebelumnya
(no.35)
2 Pembelian/pemberian dari pihak lain
(no.36)
3 Jumlah yang dijual
(no.37)
4 Sisa Stok sebelum panen terakhir
(no.38)
a). Asumsi gabah bentuk GKP jika bentuk lain beri keterangan Konversi gabah ke beras 63,2% Konversi GKP ke GKG 86,51% *) Dihitung dulu periode waktu dari panen terakhir sampai saat interview dikalikan konsumsi rumah tangga per satuan waktu
VI. CATATAN
130 9 Mutasi 1 - 30 Nopemberi 2004 a. Pembelian/pengadaan b. Penjualan/penggunaan 10 Mutasi 1 - 31 Oktober 2004 a. Pembelian/pengadaan b. Penjualan/penggunaan 11 Mutasi 1 - 30 September 2004 a. Pembelian/pengadaan b. Penjualan/penggunaan 12 Mutasi 1 - 31 Agustus 2004 a. Pembelian/pengadaan b. Penjualan/penggunaan
V. CATATAN
Pemilihan Desa Sampel TerpilihKabupaten Subang Kecamatan 1. CISALAK
2. PAMANUKAN
3. BLANAKAN
4. BINONG
No 1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 1 2 3 4
Desa Sampel terpilih (dilingkari) Cisalak Sukakerti Cigadog Tenjolaya Pasangrahan Sindangsari Gardusayang Cimanggu Darmaga Cupunagara Mayang Bojongloa Sukamelang Pamanukan Mulyasari Rancasari Rancahilir Bongas PMK Sebrang Mundusari Pamanukan Hilir Lengkongjaya Sukasari Sukareja Sukamaju Batangsari Curugreja Blanakan Jayamukti Rawamekar Rawameneng Cimalaya Girang Cimalaya Hilir Langensari Muara Tanjungtiga Citrajaya Kihiyang Karangsari Binong
Jml. KelompokTani 7 9 7 7 8 7 8 8 4 9 3 7 9 3 3 6 4 4 4 4 4 5 8 6 7 7 7 10 8 5 9 7 4 8 9 7 17 6 6 10
5. PUSAKANAGARA
6. PAGADEN
5 6 7 8 9 10 11 12 13 14 15 16 17 18 1 2 3 4 5 6 7 8 9 10 11 12 13 14 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Cicadas Nanggerang Kediri Karangwangi Mulyasari Tambakdahan Bojong Keding Bojong Negara Rancaudik Kertajaya Mariuk Gardumukti Wanajaya Tanjungrasa Patimban Rancadaka Kalentambo Gempol Pusakaratu Pusakajaya Kebondanas Karanganyar Rangdu Cigugur Kaler Cigugur Bojongtengah Bojongjaya Kotasari Gembor Haniwung Sukamulya Kamarung Balimbing Sumbersari Gambarsari Gunungsembung Gunungsari Sumurgintung Cidadap Pagaden Neglasari Mekarwangi Bendungan
6 6 6 5 8 8 8 8 8 8 9 5 10 10 6 10 11 5 3 10 10 10 6 8 8 9 7 5 11 3 6 5 8 8 8 8 8 8 8 8 8 16 8
7. CIPUNAGARA
8.COMPRENG
9. LEGONKULON
10. CIASEM
16 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Margahayu Tanjung Parigimulya Jati Padamulya Simpar Kosambi Wanasari Manyingsal Sidamulya Sidajaya Kalensari Mekarjaya Compreng Jatireja Klarsari Sukatani Sukadana Jatimulya Karangmulya Bobos Legonkulon Tegalurung Anggasari Legon Wetan Pangarengan Krajan Rawajolang Karang Jaya Bungurjaya Bungurgede Dukuhhilir Dukuhgirang Penjalih Labansari Warungnangka Marjim Cabang Kebon Cau Sidamulya Raja Polah Margajaya Seberang
8 7 7 6 8 8 6 8 7 7 8 18 19 17 16 24 16 16 8 6 5 5 7 5 3 9 3 3 2 2 2 2 3 2 6 4 5 1 2 1 1 1 1
11. CIKAUM
12. CIPUENDEUY
13. PURWADADI
14. CIBOGO
18 19 20 21 22 23 1 2 3 4 5 6 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 2 3 4 5 6 7
Bangsal Sawahbaru Mandalawangi Pinangsari Sukamandijaya Ciasem Girang Tj. Sari barat Tj.Sari Timur Cikaum Barat CikaumTimur Sindangsari Mekarsari Cipuendeuy Wantilan Cimayasari Langkong Sawangan Jalupang Banggala Mulya Purwadadi Timur Pasirjadi Krajan Karangjaya Neglasari Pulosari Pagon Ciruluk Pasirbungur Blendung Koranji Rancamahi Parapatan Kalipace Sidamukti Ciela Wanakerta Sumurbarang Sadawarna Pada Asih Majasari Cinangsih Cibogo Wanareja
1 1 6 18 8 5 11 15 10 12 11 10 4 5 7 6 5 5 5 3 3 3 4 1 2 4 5 4 3 9 5 3 3 2 2 2 9 6 8 7 5 13 12
15. JALANCAGAK
16. CIJAMBE
17. TANJUNG SIANG
18. SAGALAHERANG
1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 13
Sanca Cimanglid Nagrak Ciater Palasari Cisaat Kasomalang Kasomalang Kulon Cijambe Cirangkong Tanjungwangi Gunungtua Bantarsari Sukahurip Cimenteng Cikadu Cikawung Cimeuhmal Buniara Tanjungsiang Sirap Gandasoli Rancamanggung Kawung Luwuk Sindanglaya Paku Haji Cibuluh Tanjungsiang Sagalaherang Sagalaherang Kaler Leles curug Agung Dayeh Kolot Cinta Mekar Cijengkol Ponggang Talangsari Cicadas Sukamandi Cikujang Cipancar
8 5 8 7 4 10 9 27 17 11 11 25 14 15 14 5 6 9 9 7 14 7 6 8 5 7 7 4 7 6 6 7 6 4 5 4 5 5 5 5
137 V. PERAMALAN STOK SETARA BERAS BULANAN DI KABUPATEN SUBANG Petunjuk : 1) Ikuti perhitungan dengan petunjuk kode operasi 2) Penjualan ke luar wilayah diasumsikan : jumlah yang dijual langsung oleh petani ke penggilingan 63%, penggilingan menjual ke luar wilayah 79% 3) Penggunaan benih 0.98%, pakan 1.20%, susut 1.58%, sehingga total 3.76% dari produksi 4) Konsumsi penduduk : 132 kg/kapita/tahun Jumlah penduduk tahun ini=(penduduk tahun lalux laju pertumbuhan pentumbuhan)+penduduk tahun lalu Konsumsi beras per bulan (Ton)={132 kg/kap/tahun x Jumlah Penduduk (ribu orang)} /12 5)Konsumsi beras non rumah tangga: pakan ternak 0.86%, industri 0.12%, sehingga total 0.98% 6) Contoh perhitungan untuk stok bulan September, Oktober, Nopember Untuk bulan-bulan berikutnya pola perhitungan sama seperti contoh.
Uraian 1 Stok Awal Agustus (hasil perhitungan) Produksi padi bulan Agustus Produksi padi setara beras Agustus Total ketersediaan setara beras Penjualan ke luar wilayah Subang Pengunaan benih, pakan dan susut Konsumsi penduduk bulan Agustus Konsumsi non rumah tangga Total kebutuhan setara beras Stok Awal September (Tersedia-kebutuhan) 2 Stok Awal September Produksi padi bulan September Produksi padi setara beras September Total ketersediaan setara beras Penjualan ke luar wilayah Subang Pengunaan benih, pakan dan susut Konsumsi penduduk bulan September Konsumsi non rumah tangga Total kebutuhan setara beras Stok Awal Oktober (Tersedia-kebutuhan) 3 Stok Awal Oktober Produksi padi bulan Oktober Produksi padi setara beras Oktober Total ketersediaan setara beras Penjualan ke luar wilayah Subang Pengunaan benih, pakan dan susut Konsumsi penduduk bulan Oktober Konsumsi non rumah tangga Total kebutuhan setara beras Stok Awal Nopember (Tersedia-kebutuhan)
Kode operasi
Jumlah (Ton)
a
……………….
b
……………….
c=bx63.2%
……………….
d=a+c
……………….
e=cx63%x79% ………………. f=cx3.76%
……………….
g=(132xJP)/12 ………………. h=cx0.98%
……………….
i=e+f+g+h
……………….
j=d-i
……………….
j
……………….
k
……………….
m=kx63.2%
……………….
n=j+m
……………….
p=mx63%x79% ………………. q=mx3.76%
……………….
r=(132xJP)/12 ………………. s=mx0.98%
……………….
t=p+q+r+s
……………….
u=n-t
……………….
u
……………….
v
……………….
w=vx63.2%
……………….
x=u+w
……………….
y=wx63%x79% ………………. z=wx3.76%
……………….
A=(132xJP)/12 ………………. B=mx0.98%
……………….
C=y+z+A+B
……………….
D=x-C
……………….
