Upload
aedy-sutarjo
View
184
Download
0
Embed Size (px)
Citation preview
LAPORAN KERJA PRAKTEK
DI DINAS KELAUTAN DAN PERIKANAN
PROVINSI DAERAH ISTIMEWA YOGYAKARTA
(Studi Kasus : Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing
dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012,
2013, dan 2014 Perkabupaten Perkuartal)
Aedy Sutarjo
10611009
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2013
iv
KATA PENGANTAR
Alhamdulillah,,,, Segenap puji dan syukur hanya bagi Allah SWT, Tuhan
semesta alam, Dzat yang selalu melimpahkan rahmat dan hidayah-Nya, sehingga
penulis dapat menyelesaikan penulisan Kerja Praktek yang berjudul “Aplikasi
Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi
Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014
Perkabupaten Perkuartal”. Shalawat dan salam senantiasa tercurah atas junjungan
kita Nabi Muhammad SAW, keluarga, sahabat, dan umatnya hingga akhir zaman.
Amin.
Kerja Praktek ini penulis laksanakan di Dinas Kelautan dan Perikanan
Provinsi Daerah Istimewa Yogyakarta guna menyelesaikan program kurikuler
pada pada Program Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan
Alam (FMIPA) Universitas Islam Indonesia Yogyakarta. Selama Kerja Praktek
banyak hal yang penulis dapatkan berkaitan dengan penerapan ilmu berupa
pengetahuan dan pengalaman di dunia kerja yang sangat di harapkan bagi penulis
dan bermanfaat pada masa mendatang.
Dalam penyusunan laporan ini, penulis menyadari bahwa masih banyak
kekurangan dan jauh dari sempurna. Oleh karena itu ,penulis sangat
mengharapkan kritik dan saran yang berkaitan dengan laporan ini. Dalam
melakukan Kerja Praktek dan penyusunan laporan ini, penulis telah melibatkan
berbagai pihak, untuk itu tidak lupa ucapan terima kasih penulis sampaikan
kepada :
1. Bapak Ir.T.Sugiharto,M.Si ,selaku Kepala Dinas Kelautan dan Perikanan yang
telah mengijinkan penulis melakukan Kerja Praktek di Dinas Kelautan dan
Perikanan Provinsi DIY.
2. Ibu Taurina Nugrahani, S.Kom, M.kom, Bapak Sugeng Iswitono, SP dan
Bapak Ernawan selaku staf Program dan Informasi Dinas Kelautan dan
v
Perikanan Provinsi DIY yang telah membimbing dan membantu dalam
penyediaan data daninformasi yang diperlukan dalam penyusunan laporan ini.
3. Ibu Kariyam ,S.Si,M.Si. selaku ketua Program Studi Statistika Universitas
Islam Indonesia “UII” Yogyakarta.
4. Bapak Dr. Jaka Nugraha,M.Si. selaku dosen pembimbing Kerja Praktek yang
telah meluangkan waktu untuk membimbing penulis selama Kerja Praktek.
5. Bapak RB. Fajriya Hakim,S.Si.,M.Si selaku dosen pembimbing akademik
yang telah membimbing dalam pengambilan setiap mata kuliah.
6. Kedua Orang tua beserta keluaga penulis yang selalu memberikan dukungan
dan do’a untuk penulis.
7. Teman-teman Jurusan Statistika baik alumni maupun yang masih
seperjuangan atas bantuan dan kerjasamanya selama ini.
8. Serta semua pihak yang baik secara langsung ataupun tidak langsung telah
membantu penulis dalam menyelesaikan tugas Kerja Praktik beserta
laporannya.
Semoga laporan ini dapat bermanfaat bagi pihak-pihak yang berkepentingan
dan juga bagi pembaca.
Demikianlah semoga Allah SWT senantiasa melimpahkan rahmat dan
ridho-Nya kepada semua pihak yang telah membantu penulis. Akhirnya penulis
berharap semoga penulisan ini dapat bermanfaat bagi semua pihak.
Wassalamualaikum Wr Wb.
Yogyakarta, Januari 2014
Penulis
vi
DAFTAR ISI
Halaman Judul .................................................................................................. i
Halaman Pengesahan ........................................................................................ ii
Kata Pengantar ................................................................................................. iv
Daftar Isi ............................................................................................................ vi
Daftar Lampiran ............................................................................................... ix
Abstrak ............................................................................................................... x
Isi Laporan Kerja Praktek
BAB I PENDAHULUAN .................................................................................. 1
1.1 Latar Belakang Masalah ........................................................................... 1
1.2 Perumusan Masalah ................................................................................. 2
1.3 Batasan Masalah........................................................................................2
1.4 Tujuan Kerja Praktek .............................................................................. 3
1.5 Manfaat kerja Praktek ............................................................................. 3
BAB II TINJAUAN UMUM INSTANSI .......................................................... 4
2.1 Tentang Dinas Kelautan dan Perikanan DIY ........................................... 4
2.2 Tugas dan Fungsi Dinas Kelautan dan Perikanan .................................... 5
2.3 Visi dan Misi Dinas Kelautan dan Perikanan .......................................... 6
2.3.1 Visi ................................................................................................. 6
2.3.2 Misi ................................................................................................ 7
2.4 Tujuan Dinas Kelautan dan Perikanan ..................................................... 8
2.5 Sasaran Dinas Kelautan dan Perikanan .................................................... 8
2.6 Strategi,Arah Kebijakan,program Prioritas dan Kegiatan Dinas
Kelautan dan Perikanan ........................................................................ 9
2.6.1 Strategi ............................................................................................ 9
2.6.2 Kebijakan ...................................................................................... 10
2.6.3 Program dan Kegiatan Prioritas .................................................... 10
2.7 Struktur Organisasi Dinas Kelautan dan Perikanan ............................. 14
2.8 Penerapan Ilmu Statistik di Dinas Kelautan dan Perikanan .................. 17
vii
BAB III LANDASAN TEORI ........................................................................... 19
3.1 Perikanan ................................................................................................ 19
3.1.1 Definisi Perikanan .................................................................. 19
3.1.2 Sumber Daya Perikanan .......................................................... 19
3.1.3 Jenis-Jenis Perikanan .............................................................. 20
3.2 Analisi Deskriptif ................................................................................... 20
3.3 Analisis Runtun Waktu .......................................................................... 21
3.3.1 ARIMA ......................................................................................... 21
3.3.2 Holt-Winters Exponential Smoothing ........................................... 23
3.3.3 Ukuran Ketepatan Peramalan ........................................................ 25
3.4 Peramalan Time Series dengan R .......................................................... 26
3.4.1 Sejarah Singkat R .......................................................................... 26
3.4.2 Cara Memperoleh R,Paket dan Library ........................................ 27
3.4.3 Kelebihan dan Kekurangan R ....................................................... 27
3.4.4 Metode Arima dengan R ............................................................... 29
3.4.5 Metode Holt-Winters dengan R .................................................... 29
BAB IV STUDI KASUS .................................................................................... 32
4.1 Pengambilan Data dan Pengolahan Data ............................................... 32
4.2 Analisis Deskriptif ................................................................................. 32
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Bantul Pertahun ........................................................... 34
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Kulon Progo Pertahun ................................................. 35
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Sleman Pertahun .......................................................... 36
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Bantul Perkuartal ......................................................... 37
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Kulon Progo Perkuartal ............................................... 38
viii
4.2.1 Jumlah Produksi Perikanan Perariran Umum
Kabupaten Sleman Perkuartal ....................................................... 39
4.2.1 Tingkat Produksi Perikanan Perariran Umum Provinsi DIY
Perkabupaten Perkuartal Tahun 2006-2011 ................................. 40
4.3 Peramalan Data ...................................................................................... 40
4.3.1 Peramalan Jumlah Produksi Perikanan Perariran Umum
Kabupaten Bantul ..................................................................... 41
4.3.1.1 Pra Pemrosesan Data dan Identifikasi Model ............... 41
4.3.1.2 Estimasi Parameter Dari Model .................................... 46
4.3.1.3 Pengecekan Diagnostik ................................................. 50
4.3.1.4 Pemilihan Model Terbaik ............................................. 55
4.3.1.5 Forecasting .................................................................... 56
4.2.2 Peramalan Jumlah Produksi Perikanan Perairan Umum
Kabupaten Kulon Progo ........................................................... 58
4.2.2.1 Pra Pemrosesan Data dan Identifikasi Model ............... 58
4.2.2.2 Estimasi Parameter Dari Model .................................... 61
4.2.2.3 Pengecekan Diagnostik ................................................. 66
4.2.2.4 Forecasting .................................................................... 68
4.2.3 Peramalan Jumlah Produksi Perikanan Perairan Umum
Kabupaten Sleman .................................................................... 70
4.2.3.1 Plot Data dan Identifikasi Model .................................. 70
4.2.3.2 Peramalan Dengan Metode Holt-Winters ..................... 71
BAB V KESIMPULAN DAN SARAN ............................................................ 74
5.1 Kesimpulan ............................................................................................ 74
5.2 Saran ....................................................................................................... 79
DAFTAR PUSTAKA .......................................................................................... 81
MAKALAH KP ................................................................................................... 83
LAMPIRAN
ix
DAFTAR LAMPIRAN
Lampiran 1 ........................................................................................................ 99
Lampiran 2 ........................................................................................................ 100
Lampiran 3 ........................................................................................................ 101
Lampiran 4 ........................................................................................................ 104
Lampiran 5 ........................................................................................................ 107
Lampiran 6 ........................................................................................................ 110
x
LAPORAN KERJA PRAKTEK
DI DINAS KELAUTAN DAN PERIKANAN
PROVINSI DAERAH ISTIMEWA YOGYAKARTA
(Studi Kasus : Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing
dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012,
2013, dan 2014 Perkabupaten Perkuartal)
ABSTRAK
Kerja praktek ini dilaksanakan di Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta. Data yang diambil adalah data jumlah hasil panen perikanan perairan umum perkabupaten perkuartal pada tahun 2006 - 2011. Data tersebut merupakan data sekunder yang diambil langsung dari buku laporan statistik perikanan perairan tangkap dan budidaya di Dinas Kelautan dan Perikanan Provinsi DIY. Tujuan dari penelitian ini adalah untuk memprediksi hasil panen atau produksi perikanan perairan umum perkabupaten perkuartal selama dua belas periode atau tiga tahun ke depan.Sehingga judul yang peneliti ambil untuk laporan kerja praktek ini adalah ”Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal”. Untuk menganalisis data tersebut digunakan analisis runtun waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters Eksponensial smoothing menggunakan bantuan software open source R. Dengan prediksi produksi perikanan perairan umum pada tahun 2012 sampai dengan tahun 2014 perkabupaten perkuartal ini diharapkan dapat menjadi refrensi untuk membantu instansi terkait dalam merencanakan peningkatan produksi perikanan perairan umum di Provinsi DI.Yogyakarta.
Kata Kunci : perairan umum,produksi, ARIMA ,Holt-Winters Exponensial Smoothing
BAB I
PENDAHULUAN
1.1. Latar Belakang
Letak geografis Provinsi Daerah Istimewa Yogyakarta berada pada 70 30’
sampai 800 15’ lintang selatan, dan 1100 00’ sampai 1100 52’ Bujur Timur.Adapun
kondisi tanahnya terdiri atas 634,93 Km2 (60,07 % ) tanah kering. Bagian selatan
wilayah Provinsi D.I. Yogyakarta berbatasan langsung dengan samudra Hindia.
Peran sektor kelautan dan perikanan di Provinsi Daerah Istimewa
Yogyakarta cukup strategis dalam mendukung pembangunan masyarakat kelautan
dan perikanan secara umum, baik ditinjau dari perspektif ekonomi ,sosial maupun
budaya.Hal ini dapat dilihat dari meningkatnya jumlah masyarakat yang
menyandarkan mata pencahariannya dari sektor kelutan dan perikanan,
menguatnya trend kebanggaan masyarakat khususnya generasi muda pada
kegiatan bidang perikanan dan kelautan ,serta meningkatnya apresiasi masyarakat
untuk menkomsumsi produk pangan berbahan baku ikan.
Potensi sumberdaya kelautan perikanan di provinsi D.I.
Yogyakarta,mempunyai prospek untuk dikembangkan pada usaha ekonomi
produktif baik untuk usaha perikanan tangkap (perairan pantai maupun lepas
pantai), usaha budi daya air tawar dari kolam sawah dan perairan umum yang
tersebar di seluruh kabupaten atau kota dan usaha pengolahan serta pemasaran
produk perikanan. Kesemua usaha tersebut berkembang cukup menggembirakan
di provinsi D.I.yogyakarta.
Untuk mempertahankan dan meningkatkan hasil produksi perikanan baik
perairan laut maupun umum diperlukan suatu perencanaan.Perencanaan tersebut
dapat dimulai dengan meramalkan jumlah produksi perikanan laut dan umum di
setiap Kabupaten Provinsi D.I. Yogyakarta pada periode mendatang yang terdiri
dari Kabupaten Bantul,Kabupaten Kulonprogo,Kabupaten Gunung
Kidul,Kabupaten Sleman dan Kodya Yogyakarta. Perkembangan yang terjadi
setiap bulannya dapat dilihat dengan cara pengumpulan data hasil panen
2
perikanan setiap Kabupaten yang ada di Provinsi D.I. Yogyakarta baik yang ada
di perairan laut maupun umum (rawa, waduk, sungai,kolam ,dll).
Berdasarkan latar belakang di atas,maka penulis memilih judul ”Aplikasi
Metode ARIMA dan Holt-Winters Exponential Smoothing dalam
Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012,
2013, dan 2014 Perkabupaten Perkuartal” .Karena masalah ini dianggap
menarik bagi penulis,serta dapat membantu instansi terkait dalam melakukan
prediksi jumlah produksi perikanan perairan umum tahun berikutnya sebagai
refrensi untuk merencanakan peningkatan jumlah produksi perikanan di Provinsi
DI.Yogyakarta.
1.2 Rumusan Masalah
Berdasarkan uraian di atas dapat dirumuskan permasalahan sebagai
berikut:
1. Bagaimana memperkirakan jumlah produksi perikanan perairan umum
perkabupaten perkuartal selama 12 periode atau 3 tahun ke depan
(2012,2013,dan 2014) di Provinsi DIY ?
1.3 Batasan Masalah
Untuk membatasi ruang lingkup penelitian dan tidak melebarnya masalah
yang ada, maka peneliti memberikan batasan masalah sebagai berikut:
1. Penelitian dilakukan di Dinas Kelautan dan Perikanan Provinsi D.I.
Yogyakarta.
2. Data yang digunakan adalah data banyaknya produksi perikanan perairan
umum perkabupaten perkuartal.
3. Metode analisis yang digunakan dalam proses peramalan ini adalah Analisis
Runtun Waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters.
4. Untuk Kabupaten yang memiliki data perairan umum adalah data Kabupaten
Bantul, Kulon Progo, dan Sleman
3
5. Periode pengambilan data adalah data produksi perikanan perairan umum
perkabupaten perkuartal dari kuartal I tahun 2006 sampai kuartal IV tahun
2011.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk:
1. Menentukan atau memilih metode peramalan yang tepat pada waktu
yang akan datang, yang pada ahirnya semua perencanaan produksi
dapat dijadwalkan sebaik mungkin.
2. Memperkirakan jumlah produksi perikanan perairan umum
perkabupaten perkuartal tiga tahun berikutnya yakni 2012,2013 dan
2014.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari hasil penelitian ini antara lain:
1. Dapat dijadikan salah satu alternatif dalam menentukan Rencana Kerja
dan Anggaran Dinas bagi Dinas Kelautan dan Perikanan Provinsi D.I.
Yogyakarta.
2. Sebagai titik awal untuk melakukan riset lebih lanjut di Dinas Kelautan
dan Perikanan Provinsi D.I. Yogyakarta ,terutama yang berkaitan
dengan analisis runtun waktu melalui data yang diperoleh dari survey
pasar setiap kuartalnya.
3. Dapat mengetahui metode yang sesuai untuk meramalkan jumlah
produksi perikanan perairan umum di masa yang akan datang.
4. Sebagai informasi dan evaluasi perkembangan produktivitas perikanan
di Provinsi DIY.
BAB II
TINJAUAN UMUM DINAS KELAUTAN DAN PERIKANAN
PROVINSI DAERAH ISTIMEWA YOGYAKARTA (DIY)
2.1 Tentang Dinas Kelautan dan Perikanan
Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta
dibentuk berdasarkan Peraturan Daerah Nomor 5 Tahun 2001 tanggal 23 Juli
2001, Peraturan Daerah Nomor 3 Tahun 2004 tentang Pembentukan dan
Organisasi Dinas daerah di Lingkungan Pemerintah Provinsi Daerah Istimewa
Yogyakarta. Dinas Kelautan dan Perikanan berada di Jalan Sagan III/4, Terban,
Yogyakarta.
Gambar 2.1 Kantor Dinas Kelautan dan Perikanan DIY
Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta
memiliki 2 kantor unit yaitu UPTD BPTKP dan PPP. UPTD (Unit Pelaksana
Teknis Dinas) adalah unit organisasi di lingkungan Dinas Kelautan dan Perikanan
yang melaksanakan tugas teknis penunjang dan atau tugas teknis operasional.
UPTD BPTKP (Balai Pengembangan Teknologi Kelautan dan Perikanan)
berkedudukan di Cangkringan, Sleman, sedangkan UPTD PPP (Pelabuhan
Perikanan Pantai) berkedudukan di Sadeng, Girisubo, Gunungkidul.
5
2.2 Tugas dan Fungsi Dinas Kelautan dan Perikanan DIY
Berdasarkan pada peraturan Gubernur Daerah Istimewa Yogyakarta
Nomor 39 Tahun 2008 tentang rincian tugas dan fungsi dinas dan Unit
pelaksanaan teknis pada Dinas Kelautan dan Perikanan ,bahwa Dinas Kelautan
dan Perikanan mempunyai tugas melaksanakan urusan Pemerintahan daerah di
bidang kelautan dan perikanan,kewenangan dekonsentrasi serta tugas pembantuan
yang diberikan oleh Pemerintah.
Dalam rangka melaksanakan tugas tersebut, Dinas Kelautan dan Perikanan
mempunyai berbagai fungsi diantaranya adalah:
a. Menyususn program pengendalian di bidang kelautan dan perikanan
b. Merumuskan kebijaksanaan teknis di bidang kelautan dan perikanan.
c. Melaksanakan, pengembangan,pengolahan dan pemasaran kelautan-perikanan
,serta wilayah pesisir.
d. Melaksanakan koordinasi perijinan di bidang kelautan dan perikanan.
e. Menguji dan mengawasi mutu perikanan.
f. Memberikan fasilitas penyelenggaraan bidang kelautan dan perikanan
Kabupaten dan Kota.
g. Melaksanakan pelayanan umum sesuai kewenangannya.
h. Menyelenggarakan kegiatan kelautan dan perikanan lintas Kabupaten atau
Kota.
i. Memberdayakan sumberdaya dan mitra kerja di bidang kelautan dan perikanan.
j. Melaksanakan kegiatan ketatausahaan.
k. Melaksanakan tugas lain yang diberikan oleh Gubernur sesuai dengan fungsi
dan tugasnya.
Dalam rangka efektivitas dan efisiensi peran Dinas, struktur organisasi
yang ada pada eselon tiga terdiri dari : Sekretaris, Bidang Perikanan, Bidang
Kelautan dan Pesisir, Bidang Bina Usaha, UPTD (Balai Pengembangan Teknologi
Kelautan-Perikanan dan Pelabuhan Perikanan Pantai) serta Kelompok Jabatan
Fungsional.
6
a. Sekretariat mempunyai tugas menyelenggarakan ketatausahaan, penyusunan
program, pengolahan data dan informasi , monitoring evaluasi dan pelaporan
kinerja dinas.
b. Bidang perikanan mempunyai tugas menyelenggarakan program perikanan
budidaya, perikanan tangkap serta pengujian dan pengawasan mutu hasil
perikanan.
c. Bidang Kelautan dan Pesisir mempunyai tugas mengelola kelautan,
sumberdaya ikan dan wilayah pesisir.
d. Bidang Bina Usaha mempunyai tugas menyelenggarakan pengembangan
usaha, pengolahan dan pemasaran serta pengembangan kelembagaan
perikanan.
e. Balai Pengembangan Teknologi Kelautan dan Perikanan mempunyai tugas
menyelenggarakan pengembangan teknologi budidaya air tawar, air payau dan
air laut.
2.3 Visi dan Misi Dinas Kelautan dan Perikanan DIY
2.3.1 Visi
Menjadi fasilitator masyarakat kelautan-perikanan yang mandiri dan
berdaya saing berbasis kekuatan sumberdaya lokal.
Penjelasan Visi tersebut adalah sebagai berikut :
1. Fasilitator
Tugas utama Dinas Kelautan dan Perikanan Provinsi D.I. Yogyakarta
adalah menyediakan fasilitas atau lebih bersifat pemberian dukungan bagi
masyarakat kelautan dan perikanan.
2. Masyarakat Kelautan dan Perikanan
Masyarakat perikanan terdiri dari unsure masyarakat inti dan masyarakat
pendukung. Masyarakat inti terdiri dari pelaku usaha budidaya ikan, nelayan,
pengolah, dan pemasar produk perikanan. Sedangkan masyarakat pendukung
terdiri dari institusi perguruan tinggi, litbang, kelompok kerja, LSM dan perhati
yang melakukan kegiatan berhubungan dengan kegiatan bidang kelautan dan
perikanan.
7
3. Yang Mandiri dan Berdaya Saing
Dalam pembangunan berbasis masyarakat orientasi target pembangunan
labih diarahkan pada masyarakat itu sendiri. Oleh karena itu, perlu didukung
dengan kapasitas, keterampilan, serta profesionalisme yang tinggi dalam rangka
pencapaian kualitas hidup masyarakat yang lebih baik.
Dalam rangka membangun daya saing usaha masyarakat, pembangunan
kelautan dan perikanan diarahkan pada kebutuhan pasar. Hasil dari transformasi
pemanfaatan sumber daya lokal menjadi produk berupa barang atau jasa kelautan
dan perikanan harus berorientasi pada pasar lokal maupun regional secara optimal
dan berkelanjutan melalui kerjasama dunia usaha untuk meningkatkan pendapatan
dan kesejahteraan masyarakat kelautan dan perikanan.
4. Sumberdaya Lokal
Sumberdaya lokal digunakan sebagai basis dalam pembangunan
masyarakat kelautan dan perikanan. Jenis dan karakter sumberdaya lokal yang
strategis dan mempunyai nilai ekonomis penting, perlu diketahui Stock
assesmentnya, sehingga pemanfaatan sumberdayanya terukur secara baik dan
tidak melampaui daya dukung lingkungannya.
2.3.2 Misi
Untuk mewujudkan visi tersebut ditempuh melalui emapt misi sebagai
berikut:
1. Memeberdayakan SDM kelautan dan perikanan menuju masyarakat berbasis
pengetahuan yang berdaya saing dan berbudi luhur.
2. Mengembangkan jejaring kelembagaan dan memantapkan struktur ekonomi
kerakyatan berbasis pengelolaan potensi sumberdaya kelautan dan perikanan
menuju usaha yang produktif dan berkelanjutan.
3. Meningkatkan efisiensi dan efektivitas tata kerja Dinas Kelautan dan
Perikanan untuk mewujudkan goog governance dan clean goverment.
4. Mengembangkan sarana dan prasarana bidang kelautan dan perikanan dalam
upaya meningkatkan pelayanan publik.
8
2.4 Tujuan Dinas Kelautan dan Perikanan
Mengacu kepada misi yang telah ditetapkan, maka tujuan yang hendak
dicapai atau dihasilkan dalam kurun waktu 5 tahun adalah ,sebagai berikut:
1. Mewujudkan kemandirian SDM kelautan dan perikanan yang berkualitas.
2. Mewujudkan kelembagaan dan struktur usaha kelautan dan perikanan yang
produktif berbasis kerakyatan dan berkelanjutan.
3. Mewujudkan tata kerja Dinas Kelautan dan Perikanan yang baik.\
4. Mewujudkan dan mengoptimalkan sarana dan prasarana pelayanan publik
berbasis kebutuhan masyarakat kelautan dan perikanan.
2.5 Sasaran Dinas Kelautan dan Perikanan
Mengacu kepada misi yang telah ditetapkan, maka sasaran yang hendak
dicapai atau dihasilkan dalam kurun waktu 5 tahun adalah sebagai berikut:
1. Misi : Memberdayakan SDM kelautan dan perikanan menuju masyarakat
berbasis pengetahuan yang berdaya saing dan berbudi luhur , dengan sasaran :
a. Terwujudnya peningkatan seksabilitas pelayanan pelatihan dan
penyuluhan kepada seluruh masyarakat kelautan dan perikanan dengan
sistem yang aplikatif dan adaptif.
b. Terwujudnya peningkatan budaya informasi bagi masyarakat kelautan dan
perikanan.
c. Terwujudnya budaya bahari dan maritim serta tumbuhnya kearifan lokal
dalam mengelola sumberdaya kelautan dan perikanan.
2. Misi : Mengembangkan jejaring kelembagaan dan memantapkan struktur
ekonomi kerakyatan berbasis pengelolaan potensi sumberdaya kelautan dan
perikanan menuju usaha yang produktif dan berkelanjutan ,dengan sasaran :
a. Terwujudnya pengembangan jejaring kelembagaan kelautan dan perikanan .
b. Terwujudnya usaha kelutan dan perikanan yang mandiri dan berdaya saing.
c. Terwujudnya lapangan kerja yang responsif dan adaptif.
9
3. Misi : Meningkatkan efisiensi dan efektivitas tata kerja Dinas Kelautan dan
Perikanan untuk mewujudkan good governance dan clean goverment, dengan
sasaran :
a. Terwujudnya Dinas Kelautan dan Perikanan yang responsif, transparan ,
dan akuntabel.
b. Terwujudnya pelayanan prima di bidang kelautan dan perikanan bagi
masyarakat.
c. Terwujudnya hubungan yang harmonis antara Dinas Kelautan Provinsi
dengan institusi pemerintah pusat maupun kabupaten/kota.
d. Terwujudnya sinergi antara Dinas Kelautan dan Perikanan dengan
lembaga penelitian (perguruan tinggi dan litbang), masyarakat, dan sektor
swasta.
4. Misi : Mengembangkan sarana dan prasarana bidang kelautan dan perikanan
dalam upaya meningkatkan pelayanan publik, dengan sasaran :
a. Terwujudnya ketersediaan dan pemerataan sarana dan prasarana sektor
kelautan-perikanan yang memadai baik kuantitas maupun kualitas.
b. Terwujudnya ketahanan masyarakat kelautan dan perikanan terhadap
bencana.
c. Terwujudnya pembangunan bidang kelautan dan perikanan yang
berwawasan lingkungan.
2.6 Strategi , Arah Kebijakan , Program Prioritas dan Kegiatan Dinas
Kelautan dan Perikanan
2.6.1 Strategi
a. Penciptaan iklim usaha yang kondusif sebagai faktor penggerak utama
perekonomian rakyat .
b. Pemberdayaan kelompok pelaku usaha bidang kelautan dan perikanan .
c. Percepatan pembangunan daerah tertinggal dan pengentasan kelompok
masayarakat miskin.
10
d. Pengembangan ketersediaan bahan protein ikan , distribusi , akses , mutu
dan keamanan pangan.
e. Pengembangan eksplorasi dan pemanfaatan sumberdaya kelautan dan
perikanan secara berkelanjutan.
2.6.2 Kebijakan
a. Mengembangkan jejaring kerja antar stakeholder pembangunan kelautan
dan perikanan dalam menggerakkan roda perekonomian rakyat.
b. Meningkatkan peran serta dan kapasitas kelompok pelaku usaha bidang
kelautan dan perikanan dalam pengelolaan sumberdaya kewilayahan .
c. Mengembangkan unit usaha produktif dalam rangka meningkatkan
produktifitas dan perlindungan kerja di daerah tertinggal dan masyarakat
miskin.
d. Mengembangkan system rantai dan logistic produk unggulan kelautan dan
perikanan.
e. Mengoptimalkan ketersediaan protein ikan setiap waktu di seluruh daerah
merata dan terjangkau oleh daya beli masyarakat.
f. Mengoptimalkan peran sumberdaya kelautan dan perikanan dalam
menciptakan lapangan kerja
2.6.3 Program dan Kegiatan Prioritas
Pencapaian misi kedua ini dilakukan melalui program prioritas sebagai
berikut :
1) Program Pemberdayaan Ekonomi Masyarakat Pesisir
a. Pembinaan ekonomi masyarakat pesisir.
b. Pengembangan kelembagaan usaha masyarakat pesisir.
c. Peningkatan jejaring usaha kelompok masyarakat pesisir.
d. Penyelenggaraan evaluasi penguatan modal usaha masyarakat pesisir.
e. Penyusunan model atau panduan pengembangan dan pengelolaan lahan
pesisir.
11
2) Program pemberdayaan masyarakat dalam pengawasan dan pengendalian
sumberdaya kelautan:
a. Pemberdayaan kelompok masyarakat pengawas dan aparat perikanan.
b. Optimalisasi dan pengembangan SISWASMAS.
c. Inidiai potensi kawasan konservasi laut daerah.
d. Pemanfaatan sumberdaya ikan hias secara berkelanjutan.
e. Rehabilitasi mangrove dan terumbu karang secara berkelanjutan.
f. Konservasi dan pengembangan penyu.
g. Sosialisasi pengembangan kawasan konservasi sumberdaya laut.
h. Apresiasi pelestarian budidaya ikan di perairan umum.
i. Gelar operasi keamanan laut dan penegakan hukum di wilayah laut
selatan DIY.
j. Program Pengembangan Budidaya Perikanan :
a. Penyusunan profil perikanan budidaya.
b. Penyusunan potensi pengembangan perikanan budidaya.
c. Pengembangan cara budidaya (pembenihan dan pembesaran) ikan
yang baik.
d. Peningkatan kemampuan kelompok pembudidaya ikan dalam
pengendalian penyakit ikan.
e. Pembinaan penggunaan dan peredaran obat ikan , bahan kimia dan
bahan biologis.
f. Pengendalian hama dan penyakit ikan.
g. Pemanfaatan kesehatan ikan keliling.
h. Pengembangan pakan ikan alami dan bantuan berbasis potensi lokal.
i. Pengembangan budidaya rumput laut dengan rumpon.
j. Pengembangan calon induk dan bibit unggul ikan air tawar , air
payau dan air laut.
k. Percontohan budidaya ikan air tawar, air payau , dan air laut.
l. Temu lapang budidaya ikan air tawar , air payau dan air laut.
m. Temu teknis budidaya ikan air tawar, air payau, dan air laut.
n. Penyelenggaraan pelepasan induk varietas unggul.
12
o. Pembinaan mutu benih dan induk ikan dalam rangka implementasi
Yogya seed centre.
p. Pengembangan kawasan sentra perikanan budidaya.
q. Pengembangan varietas induk atau benih ikan.
3) Program Pengembangan Perikanan Tangkap
a. Penangkapan ikan dengan alat tangkap baru (jarring millenium ).
b. Penyusunan profil perikanan tangkap.
c. Pengembangan usaha perikanan tangkap skala kecil.
d. Pengembangan pelabuhan perikanan.
e. Pengembangan dan pemanfaatan tenaga surya sebagai sumber energy di
TPI.
f. Pengembangan light fishing menggunakan lampu LED.
g. Survei potensi daerah penangkapan ikan pelagis.
h. Pengembangan kerja sama dalam pengelolaan dan pemanfaatn
sumberdaya perikanan tangkap.
i. Pengembangan standarisasi dokumen dan implementasi administrasi
kelaikan kapan.
j. Pengembangan, standart operasional prosedur usaha perikanan tangkap.
k. Pemetaan penempatan alat bantu penangkapan ikan.
4) Program Optimalisasi Pengolahan dan Pemasaran Produksi Perikanan.
a. Penyusunan profil pengolah dan pemasaran produksi perikanan.
b. Pengembangan sistem rantai dingin .
c. Pengembangan sistem usaha perikanan dan kelautan.
d. Temu koordinasi pengolahan dan pemasaran hasil perikanan antar MPU.
e. Pengembangan sistem pemasaran dalam negeri yang higenis dan efisien.
f. Pemeran atau promosi perikanan dan kelautan.
g. Pengawasan dan pengujian mutu hasil perikanan.
h. Monitoring dan evaluasi mutu produk perikanan di unit produksi , depo
atau pasar dan lokasi lainnya.
13
5) Program Pengembangan Kawasan Budidaya Laut, Air Payau dan Air Tawar.
a. Identifikasi karakteristik wilayah pesisir dan pemetaan pemanfaatan lahan.
b. Sosialisai rencana pemanfaatan ruang pesisir dan laut.
c. Implementasi pengelolaan tata ruang pesisir dan laut.
d. Pengembangan rekayasa teknologi budidaya air laut.
e. Pengembangan rekayasa teknologi budidaya air tawar.
f. Pengembangan rekayasa teknologi budidaya air payau.
g. Sosialisasi hasil-hasil pengembangan atau rekayasa budidaya.
6) Program Rehabilitasi Ekosistem dan Cadangan Sumberdaya Alam.
a. Identifikasi dan pemetaan konservasi pesisir.
b. Pengembangan konservasi ekosistem sumberdaya laut dan pesisir.
c. Rehabilitasi ekosistem pesisir .
d. Pembinaan pengelolaan ekosistem pesisir secara berkelanjutan.
e. Peningkatan stok sumberdaya perikanan.
f. Peningkatan eksplorasi dan pemanfaan sumberdaya laut dan pesisir.
g. Penguatan kelembagaan masyarakat dalam pengelolaan sumberdaya alam.
h. Pengembangan energy non migas berbasis sumberdaya lokal.
14
2.7 Struktur Organisasi Dinas Kelautan dan Perikanan Provinsi Daerah
Istimewa Yogyakarta.
Gambar 2.2 Struktur Organisasi Dinas Kelautan dan Perikanan DIY.
Sebagaimana struktur organisasi di atas maka dapat dilihat gambaran susunan
organisasi di Dinas Kelautan dan Perikanan. Berikut akan dijelaskan untuk setiap
satuan kerja yang ada di Dinas Kelautan dan Perikanan.
1) Sekretariat
Sekretariat dikepalai oleh sekretaris dinas dan mempunyai tugas
menyelenggarakan ketatausahaan, penyusunan program, pengelolaan data dan
informasi, monitoring, evaluasi dan pelaporan kinerja dinas. Sekretariat memiliki 3
subbagian yaitu subbagian keuangan, program dan informasi, dan umum. Berikut
merupakan fungsi dari sekretariat :
a. Penyusunan program Sekretariat
b. Penyusunan program Dinas
c. Fasilitasi perumusan kebijakan dan pedoman teknis teknis bidang kelautan
dan perikanan
15
d. Penyelenggaraan kearsipan, kerumahtanggaan, pengelolaan
barang,kehumasan, kepustakaan, serta efisiensi dan tatalaksana Dinas
e. Penyelenggaraan kepegawaian Dinas
f. Pengelolaan keuangan Dinas
g. Pengelolaan data dan pengembangan sistem informasi
h. Fasilitasi pengembangan kerjasama teknis
i. Penyelenggaraan monitoring dan evaluasi program serta penyusunan laporan
kinerja Dinas
j. Evaluasi dan penyusunan laporan program Sekretariat
k. Pelaksanaan tugas lain yang diberikan oleh atasan sesuai tugas dan
fungsinya
2) Bidang Kelautan dan Pesisir.
Bidang Kelautan dan Pesisir mempunyai tugas mengelola kelautan,
sumberdaya ikan dan wilayah pesisir. Bidang Kelautan dan Pesisir terdiri atas
Seksi Pendayagunaan Laut, Pengawasan Sumberdaya Ikan dan Pengembangan
Wilayah Pesisir.
Bidang Kelautan dan Pesisir mempunyai fungsi :
a. Penyusunan program Bidang Kelautan dan Pesisir.
b. Penyelenggaraan penataan dan pengelolaan perairan di wilayah laut.
c. Penyelenggaraan pengawasan, pengendalian dan penegakan hukum
pengelolaan sumberdaya laut dan pesisir.
d. Pengelolaan wilayah pesisir dan fasilitasi pengembangan masyarakat
pesisir;
e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang
Kelautan dan Pesisir.
3) Bidang Perikanan
Bidang perikanan mempunyai tugas menyelenggarakan program perikanan
budidaya, perikanan tangkap serta pengujian dan pengawasan mutu hasil
16
perikanan. Bidang Perikanan terdiri atas Seksi Teknis Budidaya, Teknis Tangkap
dan Pengujian dan Pengawasan Mutu.
Bidang Perikanan mempunyai fungsi :
a. Penyusunan program Bidang Perikanan.
b. Perumusan kebijakan dan pedoman teknis perikanan budidaya,
perikanan tangkap dan pengujian dan pengawasan mutu hasil
perikanan.
c. Penyelenggaraan pengujian dan pengawasan mutu hasil perikanan.
d. Pembinaan, pengendalian dan evaluasi penyelenggaraan program
perikanan budidaya dan perikanan tangkap.
e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang
Perikanan.
f. Pelaksanaan tugas lain yang diberikan pimpinan sesuai dengan tugas
dan fungsinya.
4) Bidang Bina Usaha.
Bidang Bina Usaha mempunyai tugas menyelenggarakan pengembangan
usaha, pengolahan dan pemasaran serta pengembangan kelembagaan perikanan.
Bidang Bina Usaha memiliki 3 seksi yaitu seksi pengembangan kelembagaan,
pengembangan usaha dan pengelolaan pemasaran.
Bidang Bina Usaha mempunyai fungsi :
a. Penyusunan program Bidang Bina Usaha .
b. Pembinaan usaha, perizinan dan permodalan perikanan.
c. Pengembangan pengolahan dan pemasaran hasil perikanan.
d. Fasilitasi pengembangan kapasitas dan kelembagaan perikanan.
e. Penyelenggaraan evaluasi dan penyusunan laporan program Bidang
Bina Usaha.
f. Pelaksanaan tugas lain yang diberikan pimpinan sesuai tugas dan
fungsinya.
17
2.8 Penerapan Ilmu Statistik di Dinas Kelautan dan Perikanan
Yogyakarta.
Pengumpulan data (statistic) pengolahan dan pemasaran hasil perikanan
(P2HP) yang dilakukan oleh Kementerian Kelautan dan Perikanan bekerjasama
dengan Badan Pusat Statistik telah dimulai sejak tahun 2006. Pada tahun 2006
pengumpulan data dilakukan terbatas hanya di Provinsi Jawa Barat, Jawa Tengah,
DI Yogyakarta, Jawa Timur, dan Banten. Pada tahun itu kegiatan pengumpulan
data dilakukan sebagai uji coba untuk mengetahui efektifitas dan ketepatan
instrument pengumpul data. Disamping itu uji coba digunakan untuk mengetahui
kesiapan sumber daya manusia yang akan bertugas sebagai pengumpul dan
pengolah data P2HP pada tahun-tahun berikutnya.
Pada tahun 2007 pengumpulan data P2HP dilakukan di seluruh wilayah
Republik Indonesia. Fokus utama pengumpulan data pada tahun itu adalah
mendapatkan seluruh direktori unit pengolahan dan pemasahan hasil perikanan.
Variabel pokok yang dikumpulkan adalah nama unit usaha, alamat, status badan
hukum, jenis unit usaha pengolahan/pemasaran ikan, sertifikasi usaha, penerapan
teknologi pengolahan, jumlah tenaga kerja, asset, omset/nilai produksi dan
beberapa variable pendukung lainnya. Data yang dikumpulkan, kemudian
dijadikan sebagai kerangka (frame) dasar pengambilan sampel pada tahun
selanjutnya. Ternyata program pengumpulan direktori pada tahun 2007 belum
maksimal, hal ini dikarenakan adanya keterbatasan sumber daya yang ada baik
sumber daya manusia maupun sumber daya pendukung lainnya. Pada tahun 2008
pengumpulan direktori P2HP dilanjutkan untuk melengkapi direktori yang telah
dihasilkan pada tahun 2007.
Pengumpulan data P2HP tahun 2008 ternyata juga belum maksimal. Ada
beberapa provinsi yang belum mendapatkan direktori sebagaimana yang
diharapkan. Untuk itu, upaya yang dilakukan pada tahun 2009 adalah dengan
menamahkan direktori unit pengolahan dan pemasaran hasil perikanan (UPI) dari
Sensus Ekonomi tahun 2006 (SE06). Hasil pengga-bungan tersebut selanjutnya
dijadikan sebagai kerangka sampel (sample frame) dalam pengumpulan data
dengan metode sampling.
18
Mulai tahun 2009 pengumpulan data P2HP dilakukan secara sampling.
Dengan metode sampling variabel amatan yang dikumpulkan lebih banyak
dibanding dengan pengumpulan data pada tahun-tahun sebelumnya. Variabel
amatan tersebut adalah variabel struktur ongkos, seperti: nilai modal/ investasi,
jumlah tenaga kerja (laki-laki dan perempuan), gaji dan pengeluaran lain untuk
tenaga kerja, pengeluaran untuk bahan bakar minyak, listrik, air, biaya-biaya lain,
bahan baku yang digunakan, jumlah alat produksi yang digunakan, jumlah dan
nilai produksi, jumlah dan nilai eksport, serta nilai barang modal.
BAB III
LANDASAN TEORI
3.1 Perikanan
3.1.1 Definisi Perikanan
Perikanan adalah semua kegiatan yang berkaitan dengan ikan, termasuk
memproduksi ikan, baik melalui penangkapan maupun budidaya dan atau
mengolahnya untuk memenuhi kebutuhan manusia akan pangan sumber protein
dan non pangan. (Irzal & Wawan, Manajemen Agribisnis Perikanan, 2006). Di
Indonesia, menurut UU RI no. 9/1985 dan UU RI no. 31/2004, kegiatan yang
termasuk dalam perikanan dimulai dari praproduksi, produksi, pengolahan sampai
dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan.
Dengan demikian, perikanan dapat dianggap merupakan usaha
agribisnis.Sedangkan Rumah Tangga Perikanan yaitu Rumah tangga yang
melakukan kegiatan penangkapan ikan atau organisme air lainnya dengan tujuan
sebagian atau seluruh hasilnya untuk dijual (UU No 31 Tahun 2004).
3.1.2 Sumberdaya Perikanan
Sumber daya perikanan merupakan salah satu kekayaan yang ada di
perairan. Perairan dapat dibagi menjadi 2 yaitu perairan umum dan perairan laut.
1. Perairan Umum
Pengertian perairan umum adalah bagian dari permukaan bumi yang secara
permanen atau berkala digenangi air, baik air tawar, air payau maupun air
laut; mulai dari garis pasang surut laut terendah ke arah daratan dan badan air
tersebut terbentuk secara alami atau buatan. Perairan umum tidak dimiliki
oleh perorangan dan mempunyai fungsi politik, ekonomi, sosial, budaya,
pertahanan-keamanan dan digunakan untuk sebesarbesarnya kemakmuran
masyarakat. Yang termasuk dalam perairan umum adalah sungai (DAS),
danau, waduk, goba dan genangan air lainnya.[Wikipedia, 2010]
20
2. Perairan Laut
Perairan Laut adalah wilayah permukaan bumi yang tertutup oleh air asin. Sebagaimana perairan darat, perairan laut juga sangat bermanfaat bagi
kehidupankita.Secara umum perairan laut dapat dimanfaatkan sebagai: sarana
transportasi,usaha perikanan,usaha pertambangan,sumber bahan baku obat-
obatan dan kosmetika,sumber energy,rekreasi serta pendidikan dan penelitian.
3.1.3 Jenis-Jenis Perikanan
Perikanan secara umum dapat digolongkan dalam perikanan darat dan
perikanan laut. Ditinjau dari asal sumbernya, produk-produk perikanan darat dapat
berasal dari:
1. Perairan umum seperti danau, waduk, rawa, dan lain-lain.
2. Perairan produk-produk air tawar seperti kolam, sawah dsb.
Produk-produk perikanan laut dapat dapat berasal dari:
1. Perairan budidaya air payau yaitu tambak-tambak
2. Budidaya perairan pantai (maricultur), rumput laut, mutiara.
3. Perairan laut.
3.2 Analisis Deskriptif
Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan
dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung
rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik),
untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga lebih
mudah dibaca dan bermakna.
Penggambaran data ini dalam bentuk tabel atau grafik dan angka – angka.
Ukuran – ukuran yang ada pada statistik deskriptif adalah ukuran pemusatan,
ukuran penyebaran, dan deskripsi data lain (penggambaran dengan tabel atau
grafik).
21
3.3 Analisis Runtun Waktu
Data time series (runtun waktu) menurut [Makridakis dkk, 1999] adalah
jenis data yang dikumpulkan menurut urutan waktu dalam suatu urutan waktu
tertentu. Dalam kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam,
hari, minggu, bulan atau tahun. Sehingga analisis runtun waktu adalah analisis
data yang berupa urutan waktu dalam suatu urutan waktu tertentu.
Pada dasarnya terdapat dua pendekatan untuk melakukan peramalan yaitu
dengan pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan
kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan
kualitatif ini adalah metode subyektif. Hal ini meliputi metode pencatatan faktor-
faktor yang dianggap akan mempengaruhi produksi terhadap hasil produksi
tersebut, ataupun mengikuti pendapat para pakar produk yang hendak diprediksi.
Berdasarkan informasi tersebut kita dapat memprediksi kejadian dimasa yang
akan datang.
Pada laporan ini, akan dibahas metode kuantitatif analisis time series (runtun
waktu). Berdasarkan serangkaian data masa lalu, kita bisa meramalkan kejadian di
masa datang dengan menggunakan analisis runtun waktu, yang merupakan hasil
observasi berbagai variabel menurut waktu dan digambarkan dalam bentuk grafik.
3.3.1 Autoregressive Integrated Moving Average (ARIMA)
Model Autoregressive Integrated Moving Average (ARIMA) merupakan
salah
satu model yang populer dalam peramalan dengan pendekatan time series. Model
ini
terdiri dari tiga bentuk utama yaitu model AR, MA, dan ARMA. Prosedur
Box‐Jenkins adalah suatu prosedur standar yang banyak digunakan dalam
pembentukan model ARIMA. Prosedur ini terdiri dari empat tahapan yang iteratif
dalam pembentukan model ARIMA pada suatu data runtun waktu, yaitu tahap
identifikasi, estimasi, diagnostic check, dan peramalan. Berikut ini adalah diagram
yang menggambarkan tahap‐tahap dalam prosedur Box‐Jenkins (Bowerman dan
O’Connell, 1993; Wei, 2006).
22
Gambar 3.1 Prosedur Box‐Jenkins untuk pembentukan model ARIMA
Secara umum, bentuk matematis dari model ARIMA(p,d,q) dapat ditulis
sebagai berikut (Cryer, 1986; Wei, 2006)
dengan B adalah operator mundur, yaitu Penentuan orde p dan q dari
model ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi
plot
Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)
dari data yang sudah stasioner. Berikut ini adalah petunjuk umum untuk
penentuan orde p dan q pada suatu data runtun waktu yang sudah stasioner.
23
Tabel 3.1. Pola teoritis ACF dan PACF dari proses yang stasioner
3.3.2 Holt-Winters Exponential Smoothing
Metode Holt-Winters sering disebut metode pemulusan eksponensial yang
melakukan pendekatan .Metode ini terbagi menjadi dua bagian yakni:
1. Metode Pemulusan Eksponensial Holt-Winters dengan Metode
PerkalianMusiman (Multiplicative Seasonal Method) yang digunakan untuk
variasi data musiman yang mengalami peningkatan/penurunan (fluktuasi),
2. Metode Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan
Musiman (Additive Seasonal Method) yang digunakan untuk variasi
musiman yang bersifat konstan.
Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni
persamaan pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan
musiman. Untuk Pemulusan Eksponensial Holt-Winters denganMetode Perkalian
Musiman mempunyai persamaan sebagai berikut:
24
Pemulusan Keseluruhan
Pemulusan Trend
Pemulusan Musiman
Ramalan
Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan
Musiman mempunyai persamaan sebagai berikut:
Pemulusan Keseluruhan
Pemulusan Trend
Pemulusan Musiman
Ramalan
25
Makna simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah:
Xt = nilai aktual pada periode akhir t
α = konstanta penghalusan untuk data (0 < α < 1)
β = konstanta penghalusan untuk trend (0 < β < 1)
γ = konstanta penghalusan untuk musiman (0 < γ < 1)
St = nilai pemulusan awal
bt = konstanta pemulusan
I = faktor penyesuaian musiman
L = panjang musim
Ft+m = ramalan untuk m periode ke depan dari t.
3.3.3 Ukuran Ketepatan Peramalan
Untuk menentukan metode mana yang lebih baik, digunakan ukuran
ketepatan peramalan dengan memilih metode yang memiliki nilai ukuran
ketepatan peramalan yang paling kecil nilainya. Ukuran ketepatan peramalan
antara lain adalah:
a. Ukuran Relatif
Percentage Error
PEt = (9)
Dimana = data ke-t
= nilai forecast data
Mean Percentage Error
MPE = (10)
Mean Absolute Percentage Error
MAPE = (11)
b. Ukuran Standar
Mean Absolute Error
MAE = ( 12)
26
Dimana ei = selisih data dengan forecast dengan i= 1,....,n
Mean Square Error
MSE = (13)
Sum Square Error
SSE = (14)
3.4 Peramalan Time Series Dengan R
R adalah suatu sistem untuk analisis data yang termasuk kelompok
software statistik open source yang tidak memerlukan lisensi atau gratis, yang
dikenal dengan
freeware. Sampai saat ini, pengguna statistika di Indonesia masih belum banyak
yang
menggunakan R untuk keperluan analisis data. Sebagian besar pengguna statistika
di
Indonesia masih menggunakan paket‐paket statistik komersil, seperti SPSS,
MINITAB,S‐plus, SAS, atau Eviews.
3.4.1 Sejarah Singkat R
R merupakan suatu sistem analisis data statistik yang komplet sebagai
hasil dari kolaborasi penelitian berbagai ahli statistik (statistisi) di seluruh dunia.
Versi awal dari R dibuat pada tahun 1992 di Universitas Auckland, New Zealand
oleh Ross Ihaka dan Robert Gentleman. Pada saat ini, source code kernel R
dikembangkan terutama oleh R Core Team yang beranggotakan 17 orang statistisi
dari berbagai penjuru dunia (lihat http://www.rproject.org/contributors.html).
Selain itu, para statistisi lain pengguna R di seluruh dunia juga memberikan
kontribusi berupa kode, melaporkan bug, dan membuat dokumentasi untuk R.
Paket statistik R bersifat multiplatforms, dengan file instalasi binary/file
tar tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free
BSD, NetBSD,irix, Solaris, AIX, dan HPUX. Secara umum, sintaks dari bahasa R
adalah ekuivalen denganpaket statistik Splus, sehingga sebagian besar keperluan
27
analisis statistika, dan pemrograman dengan R adalah hampir identik dengan
perintah yang dikenal di Splus.
3.4.2 Cara Memperoleh R, Paket dan Library
R dapat diperoleh secara gratis di CRAN‐archive yaitu The Comprehensice
R
Archive Network di alamat http://cran.r‐project.org. Pada server CRAN ini dapat
didownload file instalasi binary dan source code dari R‐base system dalam sistem
operasi Windows (semua versi), beberapa jenis distro linux, dan Macintosh.
Fungsi dan kemampuan dari R sebagian besar dapat diperoleh melalui
Add‐on
packages/library. Suatu library adalah kumpulan perintah atau fungsi yang dapat
digunakan untuk melakukan analisis tertentu. Sebagai contoh, fungsi untuk
melakukan analisis time series dapat diperoleh di library ts. Instalasi standar dari
R akan memuat berbagai library dasar, antara lain base, datasets, graphics, utils,
dan stats. Library lain hasil kontribusi dari pengguna R (di luar yang standar)
harus diinstal satu per satu sesuai dengan yang dibutuhkan untuk analisis. Daftar
semua library yang tersedia dapat diakses dari link download CRAN di alamat
http://cran.r‐project.org.
3.4.3 Kelebihan dan Kekurangan R
Karena R bersifat GNU (lihat http://www.gnu.org), penggunaan R tidak
memerlukan pembayaran lisensi .Ada beberapa alas an lain untuk lebih memilih
menggunakan R daripada menggunakan perangkat lunak statistic komersial,yaitu:
1. Kelebihan
a. Protabilitas, yakni jika memilih perangkat lunak ini , pengguna (user)
bebas untuk mempelajari dan menggunakannya sampai kapan pun
(berbeda, misalnya, lisensi perangkat lunak berversi pelajar)
b. Multiplatform. R merupakan system operasi multiplatform , lebih
kompetibel daripada perangkat lunak statistika manapun yang pernah ada .
28
Dengan demikian , jika pengguna memutuskan berpindah system operasi ,
penyesuaiannya akan relative lebih mudah untuk dilakukan.
c. Umum dan berada di barisan terdepan. Berbagai metode analisis statistic
(metode klasik maupun metode baru) telah diprogramkan ke dalam bahasa
R. Dengan demikian, perangkat lunak ini dapat digunakan untuk berbagai
macam analisis statistika, baik pendekatan klsaik maupun pendekatan
statistika modern.
d. Bisa deprogram. Pengguna dapat memprogramkan metode baru atau dapat
mengembangkan modifikasi dari fungsi-fungsi analisis statistika yang
telah ada dalam system R.
e. Bahasa berbasis analisis matriks.Bahasa R sangat baik untuk melakukan
pemrograman dengan basis matriks.
f. Fasilitas grafik yang relative baik.
2. Kelemahan
a. Point and klik GUI. Interaksi utama dengan R bersifat Command Line
Interface (CLI),walaupun saat ini telah tersedia menu Point and Click GUI
(Graphical User Interface) sederhana untuk keperluan analisis statistika
tertentu , seperti paket R commander yang dapat digunakan untuk
keperluan pengajaran statistika dasar dan R Commander Plugin untuk GUI
bagi keperluan beberapa analisis statistika lainnya. Dengan demikian ,
untuk dapat menggunakan R diperlukan penyesuaian-penyesuaian oleh
pengguna yang telah terbiasa dengan fasilitas Point and Click GUI.
b. Ketidaktersediaan sejumlah fungsi statistic . Walaupun analisis statistika
dalam R sudah cukup lengkap, tidak semua metode statistika
didimplementasikan ke dalam bahasa R (pada kenyataannya ,tidak ada
perangkat lunak statistika yang mengimplementasikan semua teknik
analisis statistika yang ada dalam literature). Namun, karena R dikatakan
sebagai lingua franca untuk keperluan komputasi statistika modern saat
ini,ketersediaan serta kelengkapan fungsi-fungsi tambahan dalam bentuk
paket /pustaka hanya masalah waktu saja.
29
3.4.4 Metode ARIMA dengan R.
R adalah salah satu paket statistika yang menyediakan fasilitas untuk
membuat bentuk ACF dan PACF teoritis dari model‐model ARIMA yang
stasioner. Berikut ini adalah salah satu contoh script untuk membuat plot ACF
dan PACF teoritis dari model AR(p), MA(q) dan ARMA(p,q)
3.4.5 Metode Exponensial Holt-Winter dengan R
Prinsip dari metode Exponential Smoothing adalah menggunakan nilai
penghalusan secara eksponensial sebagai ramalan dari kejadian di satu waktu
yang akan datang, t+k . Secara umum ada tiga macam model eksponensial, yaitu
eksponensial sederhana (untuk data dengan pola stasioner), eksponensial ganda
yang dikenal dengan model Holt (untuk data dengan pola tren), dan model
Holt‐Winters (untuk data dengan pola musiman dengan atau tanpa tren).
R menyediakan fasilitas untuk ketiga model tersebut dengan satu perintah
yaitu HoltWinters. Penggunaan dari perintah ini adalah seperti berikut.
30
Perintah HoltWinters ini memiliki beberapa argumen yang dapat digunakan
untuk menentukan pemilihan metode eksponensial smoothing mana yang akan
dipilih. Berikut ini adalah argumen yang dapat dipilih pada perintah HoltWinters.
Tabel 3.2 Argumen HoltWinter
Model Holt‐Winters yang disediakan di R terdiri dari dua pilihan, yaitu
model aditif dan multiplikatif. Model aditif digunakan pada data runtun waktu
dengan pola seasonal dengan variasi musiman konstan. Sedangkan model
multiplikatif digunakan untuk data dengan pola seasonal yang mengandung
variasi tidak konstan.
Fungsi prediksi pada model Holt‐Winters aditif (untuk runtun waktu
dengan
panjang periode p) adalah;
31
Sedangkan fungsi prediksi pada model Holt‐Winters multiplikatif (untuk runtun
waktu dengan panjang periode p) adalah;
Fungsi ini bekerja untuk mendapatkan nilai-nilai optimal dari α dan/atau β
dan/atau gamma dengan meminimalkan kuadrat dari error prediksi satu tahap.
BAB IV
STUDI KASUS
4.1. Pengambilan Data dan Pengolahan Data
Data produksi perikanan perairan umum ini merupakan data sekunder yang
diperoleh dari Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta dan proses
pengumpulan datanya adalah sebagai berikut :
a. Data merupakan data langsung yang diperoleh dari pendataan petugas dinas
lapangan dengan mengambil data seluruh desa yang potensi perikanan sesuai
dengan jenis perikanan.
c. Petugas mengisi blanko formulir data perikanan sesuai dengan hasil panen
perikanan dari setiap desa.
d. Sebelum data di kumpulkan dan diolah di Provinsi terlebih dahulu data
dikumpulkan di kabupaten dan diolah oleh dinas kemudian mengirim petugas
survey untuk melakukan pendataan kembali apakah data sudah cocok.
e. Petugas melakukan survey tiap Rumah Tangga Perikanan (RTP) ke desa-desa
yang potensi perikanan sesuai dengan jenis perikanan.
f. Hasil survey untuk mengestimasi data produksi hasil perikanan dan dilaporkan
tiap bulan sekali.
Data yang diambil adalah data jumlah produksi perikanan perairan umum
perkabupaten perkuartal pada kuartal pertama tahun 2006 sampai dengan kuartal
keempat tahun 2011. Data runtun waktu perikanan mengalami proses
heterokedastisitas atau variansi selalu berubah-ubah sepanjang waktu. Metode
statistik yang digunakan adalah metode ARIMA dan HoltWinter Exponential
Smoothing .(Data Jumlah Produksi Perikanan Perairan Umum Tahun 2006-2011
Perkabupaten Perkuartal provinsi DIY – Lampiran 1 dan Lampiran 2)
4.2 Analisis Deskriptif
Terkait analisis deskriptif berikut ini,ada beberapa faktor yang
mempengaruhi tingkat produksi perikanan di perairan umum,baik itu yang
menghambat maupun yang memperlancar usaha tersebut. Faktor pendukung
33
merupakan faktor–faktor yang dapat memperlancar kegiatan budidaya perikanan ,
diantaranya adalah :
a) Kondisi perairan dan lingkungan usaha yang sesuai dengan habitat ikan.
b) Sumber air dekat dengan lokasi usaha.
c) Tersedianya sumberdaya alam dan sumber daya manusia.
d) Tinggi rendahnya harga jual ikan.
e) Adanya lahan yang belum termanfaatkan dan sangat baik bila digunakan
untuk usa-ha budidaya, sehingga bila lahan tersebut diolah dengan baik
akan membantu meningkatkan pendapatan keluarga.
f) Adanya teknologi budidaya ikan yang lebih efektif dan lebih efisien.
g) Dengan semakin meningkatnya jumlah penduduk, maka permintaan ikan
juga semakin meningkat.
h) Adanya dukungan dari pemerintah.
i) Usaha budidaya perikanan dalam pemasarannya mempunyai jaringan
distribusi yang mantap di daerah tertentu.
j) Mempunyai organisasi dan kelompok kerja yang aktif dan produktif.
k) Mempunyai kemampuan untuk memproduksi ikan dengan ukuran yang
sesuai dengan permintaan konsumen.
l) Jumlah rumah tangga perikanan(RTP)
m) Mempunyai kemampuan dari segi teknis budidaya.
Beberapa faktor yang menjadi hambatan dalam usaha budidaya perikanan perairan
umum, diantaranya adalah :
a) Peralatan pengontrolan kualitas air yang kurang.
b) Belum adanya tenaga ahli khususnya di bidang perikanan yang membantu
dalam pelaksanaan usaha.
c) Tingginya biaya produksi dalam kegiatan usaha budidaya ikan.
d) Rendahnya minat penduduk lokal dalam mengkonsumsi ikan,sehingga
pema-saran untuk daerah lokal masih rendah.
e) Manajemen pengelolaan yang masih sederhana.
f) Kemungkinan berdirinya usaha baru dengan teknologi yang lebih baik.
g) Sedikitnya jumlah RTP (Rumah Tangga Perikanan)
34
h) Kurang adanya kepercayaan dari penyedia dana baik investor maupun
bank terhadap usaha budidaya perikanan karena adanya resiko
ketidakpastian yang tinggi, sehingga petani ikan kesulitan dalam
memperoleh dana dalam upaya pengembangan usahanya.
i) Belum mantapnya pola perencanaan dan pembinaan tenaga kerja yang
dapat memenuhi perkembangan usaha.
j) Peristiwa alam seperti gempa,gunung meletus,kekeringan ,dll. dapat
menjadi penghamabat jalannya usaha perikanan.
4.2.1 Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul
Pertahun.
Gambar 4.1. Jumlah produksi perikanan perairan umum (ton) Kab.Bantul
pertahun tahun 2006-2011
Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum
di Kabupaten Bantul tidak stabil karena mengalami kenaikan dan penurunan
dalam rentang waktu tahun 2006-2011.Pada tahun 2007 terjadi penurunan dengan
jumlah produksi 394 ton, hal ini disebabkan karena gempa yang terjadi di tahun
2006 mengakibatkan banyaknya infrastruktur yang mendukung jalannya usaha
budidaya ikan rusak,selain itu gempa juga mengakibatkan berkurangnya jumlah
Rumah Tangga Perikanan(RTP). Sedangkan di tahun 2008 terjadi kenaikan
464.1 394
876.1
292.4378.5 369.9
0
100
200
300
400
500
600
700
800
900
1000
2006 2007 2008 2009 2010 2011
Total Produksi (ton)
Tahun
JUMLAHPRODUKSIPERIKANANPERAIRANUMUMKAB.BANTULPERTAHUN
35
439.6 453.7 456.2 424.2520.9 538.9
0
100
200
300
400
500
600
2006 2007 2008 2009 2010 2011
Jumlah Produksi (ton)
Tahun
JUMLAHPRODUKSIPERIKANANPERAIRANUMUMKAB.KULONPROGOPERTAHUN
jumlah produksi yang signifikan sebesar 876.1 ton,dikarenakan pada tahun 2008
adanya pemberian bantuan berupa indukan lele dan gurami dari Dinas Perikanan
dan Kelautan (DKP) yang berimbas pada semakin berkembangnya usaha dibidang
perikanan khususnya usaha benih ikan di Kabupaten Bantul.Akan tetapi di tahun
2009 justru terjadi penurunan yang cukup tajam dari tahun sebelumnya sebesar
292.4 ton, hal ini terjadi karena petani lebih tertarik untuk menjual ikan dalam
bentuk benih keluar daerah daripada menunggu hingga ikan siap
dikonsumsi,metode ini dipandang lebih cepat menghasilkan tetapi mengakibatkan
produksi ikan tidak bisa tercukupi.Melihat hal tersebut pemerintah melakukan
pembinaan yang intensif terhadap kelompok usaha budidaya perikanan sehingga
hasilnya di tahun 2010 terjadi peningkatan dan penurunan di tahun 2011 tidak
begitu signifikan disbanding tahun-tahun sebelumnya.
4.2.2 Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo
Pertahun.
Gambar 4.2. Jumlah produksi perikanan perairan umum (ton) Kab.Kulon Progo
pertahun tahun 2006-2011
Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan
umum di Kabupaten Kulon Progo cukup stabil meski mengalami penurunan di
tahun dalam rentang waktu tahun 2006-2011. Pada tahun 2006 sampai 2008
produksi perikanan perairan umum di Kabupaten Kulon Progo stabil,hal ini tidak
36
lepas dari dukungan pemerintah baik daerah maupun pusat berupa
dana,pembangunan infrastruktur irigasi,penyuluhan ,dll. Akan tetapi terjadi
penurunan di tahun 2009 dikarenakan jumlah bantuan berupa dana produksi tidak
sebesar tahun sebelumnya. Melihat penurunan yang terjadi di tahun 2009
pemerintah meningkatkan dukungan yang tinggi selain dari segi dana hal yang
terpenting adalah meningkatkan manajemen pengolahan yang lebih baik sehingga
hasilnya pada tahun 2010 sampai 2011 terjadi peningkatan yang signifikan.
4.2.3 Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman
Pertahun.
Gambar 4.3. Jumlah produksi perikanan perairan umum (ton) Kab.Sleman
pertahun tahun 2006-2011
Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum
di Kabupaten Sleman tidak stabil karena mengalami kenaikan dan penurunan
dalam rentang waktu tahun 2006-2011.Pada tahun 2007 terjadi penurunan dengan
jumlah produksi 129 ton, hal ini disebabkan karena gempa yang terjadi di tahun
2006 mengakibatkan banyaknya infrastruktur yang mendukung jalannya usaha
budidaya ikan rusak,selain itu gempa juga mengakibatkan berkurangnya jumlah
Rumah Tangga Perikanan(RTP) . Sedangkan di tahun 2008 dan 2009 terjadi
131.6129 129.8
145142.5
136.3
120
125
130
135
140
145
150
2006 2007 2008 2009 2010 2011
Jumlah Produksi (ton)
Tahun
JUMLAHPRODUKSIPERIKANANPERAIRANUMUMKAB.SLEMANPERTAHUN
37
kenaikan jumlah produksi yang signifikan. Peningkatan produktifitas perikanan
tersebut dikarenakan adanya peningkatan produktivitas kolam, jumlah kelompok
pembudidaya meningkat,dan meningkatnya pengetahuan dan ketrampilan
pembudidayaan ikan, serta meningkatnya dukungan dari pemerintah.Akan tetapi
di tahun 2010 dan 2011 justru terjadi penurunan yang signifikan dari tahun
sebelumnya, hal ini disebabkan oleh erupsi gunung merapi mengakibatkan
kegiatan budidaya perikanan mengalami kerusakan yang cukup parah dengan
kerusakan kolam, tambak, sarana perbenihan dan kematian massal pada ikan.
4.2.4 Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul
Perkuartal.
Gambar 4.4. Jumlah produksi perikanan perairan umum (ton) Kab.Bantul
perkuartal tahun 2006-2011
Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan
perairan umum Kabupaten Bantul tidak stabil karena mengalami kenaikan dan
penurunan. Dalam rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil
panen terendah dicapai sebanyak 43,3 ton pada kuartal ke-3 tahun 2007
dikarenakan ketersediaan benih yang kurang memadai akibat musim kemarau
yang menyebabkan RTP (Rumah Tangga Perikanan) mengalami kesulitan untuk
mengairi lahan perikanannya sehingga banyak lahan perikanan yang kosong dan
jumlah tertinggi dicapai sebanyak 322,9 ton pada kuartal pertama tahun 2008.
0100200300400
KUARTAL I KUARTALII
KUARTALIII
KUARTALIV
Produksi (ton)
Perkuartal
Jumlah Produksi Perikanan Perairan Umum kabupaten Bantul
Th 2006
Th 2007
Th 2008
Th 2009
Th 2010
Th 2011
38
Pencapaian ini adalah hasil kerja keras semua pihak baik instansi terkait maupun
masyarakat dalam membenahi kekurangan-kekurangan yang menyebabkan
jumlah produksi merosot sebelumnya seperti menambah persediaan benih ikan
,menggiatkan penyuluhan kepada RTP,ketersediaan air yang mecukupi,
meningkatkan sarana dan prasarana yang menunjang produksi perikanan, dan
ketersediaan pakan yang terpenuhi.
4.2.5 Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo
Perkuartal.
Gambar 4.5. Jumlah produksi perikanan perairan umum (ton) Kab.Kulonprogo
perkuartal tahun 2006-2011
Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan
perairan umum Kabupaten Kulonprogo tidak stabil karena mengalami kenaikan
dan penurunan. Dalam rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil
panen terendah dicapai sebanyak 26,6 ton pada kuartal ke-4 tahun 2006
dikarenakan peristiwa gempa yang terjadi mengakibatkan berkurangnya RTP
(Rumah Tangga Perikanan) dan banyaknya lahan perikanan yang tidak terurus
sedangkan jumlah tertinggi dicapai sebanyak 211,4 ton pada kuartal pertama
tahun 2006, karena sebelum terjadi gempa kegiatan perikanan berjalan lancar
,sarana dan prasarana masih memadai, ketersediaan benih dan pakan masih
mencukupi ,dan jumlah lahan serta RTP menjadi faktor yang menunjang hasil
produksi.
0
50
100
150
200
250
I II III IV
Produksi (ton)
Perkuartal
Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo
Th.2006
Th.2007
Th.2008
Th.2009
Th.2010
Th.2011
39
4.2.6 Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman
Perkuartal.
Gambar 4.6. Jumlah produksi perikanan perairan umum (ton) Kab.Sleman
perkuartal tahun 2006-2011
Dari Gambar di atas, maka dapat dilihat bahwa produksi perikanan
perairan umum Kabupaten Sleman tidak stabil karena mengalami kenaikan dan
penurunan. Dalam rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil
panen terendah dicapai sebanyak 15,5 ton pada kuartal ke-3 tahun 2010
dikarenakan peristiwa letusan merapi yang terjadi mengakibatkan berkurangnya
RTP (Rumah Tangga Perikanan) ,banyaknya lahan perikanan yang tidak terurus
dan tercemar abu vulaknik sedangkan jumlah tertinggi dicapai sebanyak 58,2 ton
pada kuartal pertama tahun 2010, karena sebelum terjadi letusan kegiatan
perikanan berjalan lancar ,sarana dan prasarana masih memadai, ketersediaan
benih dan pakan masih mencukupi ,dan jumlah lahan serta RTP menjadi faktor
yang menunjang hasil produksi.
0
20
40
60
I II III IV
Produksi (ton)
Perkuartal
Jumlah Produksi Perikanan Perairan Umum Kab. Sleman
Th.2006
Th.2007
Th.2008
Th.2009
Th.2010
Th.2011
40
4.2.7 Tingkat Produksi Perikanan Perairan Umum Provinsi DIY
Perkabupaten Perkuartal Tahun 2006-2011.
Gambar 4.7. Tingkat produksi perikanan perairan umum provinsi DIY perkabupaten
perkuartal tahun 2006-2011
Dari grafik di atas dapat dilihat tingkat produksi perikanan perairan umum
di Provinsi DIY tidak stabil karena mengalami kenaikan dan penurunan dalam
rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011. Pada kuartal 2 dan 3 sering
terjadi penurunan di setiap daerahnya dikarenakan musim kemarau yang terjadi
pada bulan April sampai September dapat menyebabkan kurangnya ketersediaan
air yang cukup untuk mengairi sejumlah kolam-kolam perikanan
petani.Sedangkan pada kuartal 1 dan 4 produksi perikanan sering meningkat
karena musim penghujan yang terjadi pada bulan Oktober – Maret membuat
petani ikan dapat mencukupi pengairan dengan kualitas air yang baik.Hal ini
disebabkan oleh lokasi kegiatan perikanan budidaya yang selalu bergantung dari
keberadaan lahan dan air.
4.3 Peramalan Data
Metode statistik yang digunakan untuk mengolah data adalah analisis
runtun waktu menggunakan metode ARIMA Box Jenkins dan Holt-Winter
Exponential Smoothing dengan bantuan software open source R versi 2.11.1.
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
Perkuartal Tahun 2006‐2011
TingkatProduksiPerikananperaiaranUmumProvinsiDIYPerkabupatenPerkuartalTahun2006‐2011
Kab.Bantul Kab.Kulon Progo Kab.Sleman
41
4.3.1 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten
Bantul.
4.3.1.1 Prapemrosesan Data dan Identifikasi Model
Pada bagian ini ada beberapa hal yang sangat penting sebelum lebih lanjut
dalam melakukan analaisis menggunakan metode ARIMA .Prapemrosesan data
dan identifikasi model meliputi plot data,uji stasioneritas data,transformasi awal
dan identifikasi model. Selengkapnya mengenai prapemrosesan dan identifikasi
model akan dijabarkan berikut ini dari data yang akan diolah menggunakan
software opensource R versi 2.11.1.
1. Plot Data
Secara visual, dapat diperkirakan secara kasar dari bentuk model yang
mungkin sesuai untuk data dengan melihat plot data dalam urutan waktu. Plot data
sangat penting untuk melihat apakah proses runtun waktu sudah stasioner dalam
variansi ataupun stasioner dalam mean. Stasioner dalam mean artinya bahwa data
berkisar dititik yang sama sedangkan stasioner dalam variansi artinya penyebaran
atau fluktuasi data merata sehingga variansi data konstan. Plot data runtun waktu
jumlah produksi perikanan perairan umum Kabupaten Bantul dapat dilihat pada
gambar 4.1 dan ringkasan statistiknya dapat dilihat pada tabel 1 dari plot data
dapat terlihat bahwa produksi/hasil panen perikanan perairan umum Kabupaten
Bantul selalu berfluktuasi dari waktu kewaktu.
Gambar 4.8 Plot Data Kab.Bantul
42
Tabel 4.1. Ringkasan Data
Statistik Nilai
Mean 115,625
Median 99,65
Maximum 322,9
Minimum 43,3
Std. Dev. 67,08154
Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat
banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam
rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil panen terendah dicapai
pada titik 43,3 ton dan tertinggi pada 322,9 ton. Rata-rata hasil panen dalam
rentang waktu tersebut adalah sebesar 115,625 dengan nilai tengah 99,65 dan
standar deviasi 67,08154. Terlihat juga data belum stasioner baik secara rata-rata
maupun variansinya.Selain itu dari plot terlihat data tidak mengandung unsur
musiman sehingga metode ARIMA cocok digunakan.
2. Uji Stasioneritas Data
Dari plot di atas terlihat data mengandung tren linear, yang selanjutnya
dapat dikonfirmasikan dengan uji akar unit dengan uji Augmented Dickey-
Fuller/ADF(yang menyatakan adanya akar unit) atau dengan plot ACF/PACF
.Untuk pengujian kestasioneran, sebuah data runtun waktu dikatakan stasioner jika
nilai ADF test statistic lebih kecil dari nilai yang sudah ditentukan sebelumnya
, berikut output uji Augmented Dickey-Fuller/ADF dan plot ACF/PACF ;
43
Gambar 4.9 Plot ACF/PACF dari data Kab.Bantul
Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam
data(data tidak stasioner) diterima karena p-value > (0.5208>0.05), yang dapat
dikonfirmasikan dengan dengan plot ACF yang meluruh secara lambat menuju
nol. Selain itu data juga tidak stasioner dalam variansi ,hal ini dapat
dikonfirmasikan dengan output Box-Cox Plot berikut.
44
Gambar 4.10 Box-Cox Plot
Dari gambar 4.10 di atas terlihat nilai Estimate = -0,05 ,karena nilai
tersebut kurang dari 1, maka data tersebut tidak stasioner dalam variansi sehingga
perlu dilakukan transformasi.
3. Transformasi Awal dan Identifikasi Model
Karena data memiliki bentuk tren, maka diperlukan transformasi untuk
membentuk data yang stasioner (dalam mean).Transformasi yang dapat dilakukan
untuk membuang tren adalah melakukan pembedaan (differencing) data .Plot
output hasil pembedaan dengan order difference =2 dan lag difference=2 adalah
sebagai berikut,
Gambar 4.11 Plot differens
Terlihat data belum stasioner dalam variansi.Untuk melakukan stabilisasi
variansi dengan cara melakukan transformasi.Bentuk transformasi yang paling
45
sering digunakan adalah transformasi log, atau secara umum menggunakan
transformasi Box-Cox,berikut adalah plot hasil transformasi pada data di atas,
Gambar 4.12 Plot differens dari log
Terlihat bahwa dengan transformasi log dari data sebelum dilakukan
pembedaan,variansi data relatif telah stabil. Akan tetapi dalam peramalan data
,untuk mendapatkan hasil peramalan dengan model untuk data hasil transformasi
log, transformasi data hasil peramalan harus dilakukan dengan transformasi
eksponensial.
Selanjutnya akan diidentifikasi model Autoregressive Moving Average
(ARMA) yang tepat untuk menggambarkan data hasil pembedaan logaritma
dengan plot ACF/PACF sebagai berikut.
46
Gambar 4.13 Plot ACF/PACF dari difference log
4.3.1.2 Estimasi Parameter dari Model
Setelah melakukan uji asumsi kestasioneran, didapatkan data runtun waktu
yang stasioner. Selanjutnya dicari kemungkinan-kemungkinan model yang cocok
untuk menggambarkan proses runtun waktu pada data tersebut. Dapat ditentukan
alternative modelnya dengan cara melihat plot ACF dan PACF di atas.
Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 3
ordo atau 3 lag yang signifikan sehingga ordo AR(3) dan pada plot ACF terdapat
2 ordo atau 2 lag yang signifikan sehingga ordo MA(2), maka dari itu alternative
model yang mungkin adalah :
Model 1 : ARIMA ( 3, 2, 0)
Model 2 : ARIMA ( 3, 2, 2)
47
Model 3 : ARIMA ( 2, 2, 0 )
Model 4 : ARIMA ( 0, 2, 1 )
Estimasi parameter dari model di atas sebagai berikut;
1. Estimasi Parameter ARIMA (3,2,0)
Hipotesis :
H0 : = 0 (Parameter AR tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter AR cukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh
nilai Pvalue untuk ar1 sebesar 0,00073, ar2 sebesar 1,135926e-05,dan ar3
sebesar 0,018. Karena nilai Pvalue ar1(0,00073) < α (0,05), ar2(1,135926e-
48
05) < α (0,05) ,dan ar3(0,018) < α (0,05) maka tolak H0. Artinya parameter
AR cukup signifikan dalam model.
2. Estimasi Parameter ARIMA (3,2,2)
Hipotesis :
H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter AR /MA cukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa karena nilai
Pvalue ar1(0,739) > α (0,05),maka gagal tolak H0. Artinya parameter AR
tidak signifikan dalam model dan dapat dikeluarkan dari model.
49
3. Estimasi Parameter ARIMA (2,2,0)
Hipotesis :
H0 : = 0 (Parameter AR tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter AR cukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh
nilai Pvalue untuk ar1 sebesar 0,015, dan ar2 sebesar 0,00037. Karena nilai
Pvalue ar1(0,015) < α (0,05), dan ar2(0,00037) < α (0,05) maka tolak H0.
Artinya parameter AR cukup signifikan dalam model.
50
4. Estimasi Parameter ARIMA (0,2,1)
Hipotesis :
H0 : = 0 (Parameter MA tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter MA cukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh
nilai Pvalue untuk ma1 sebesar 3.096966e-08. Karena nilai Pvalue
ma1(3.096966e-08) < α (0,05), maka tolak H0. Artinya parameter MA cukup
signifikan dalam model.
4.3.1.3 Pengecekan Diagnostik
Untuk melakukan pengecekan diagnostik (diagnostic checking), selain
dengan kriteria statistik uji t untuk parameter/koefisien hasil estimasi,juga
dilakukan uji Q Ljung-Box dan plot ACF/PACF untuk residual guna melihat
apakah terdapat korelasi serial (autokorelasi) dalam residual dari model yang
diamati.Berikut hasil pengecekan diagnostik untuk masing-masing model yang
sudah signifikan.
51
1. ARIMA (3,2,0)
Gambar 4.14 Plot diagnostik dari model 1
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA
(3,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah
merupakan model white noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar
dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di
atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung
korelasi serial (autokorelasi) diterima.
Asumsi kedua yang juga harus diperiksa adalah normalitas dari residual
model. R menyediakan banyak perintah untuk uji normalitas, baik secara grafik
atau statistik inferensia. Pada bagian ini akan digunakan histogram dan QQ‐plot
untuk evaluasi secara grafik. Secara inferensi digunakan salah satu perintah yang
ada, yaitu shapiro.test untuk menerapkan uji Shapiro‐Wilk. Berikut adalah
output histogram dan QQ‐plot dari residual, serta uji normalitas residual model
dengan uji Shapiro‐Wilk dari data perikanan perairan umum Kabupaten Bantul.
52
Gambar 4.15 Histogram dan QQ‐Plot residual arima model 1
Output histogram dan QQ‐plot residual Arima model 1 pada data 1dapat
dilihat paga Gambar 4.15 di atas. Output uji Shapiro‐Wilk diatas menunjukkan
bahwa residual sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan
oleh p‐value yang lebih besar dari α (0,5726>0.05).
53
2. ARIMA (2,2,0)
Gambar 4.16 Plot diagnostik dari model 2
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA
(2,2,0) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah
merupakan model white noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar
dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di
atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung
korelasi serial (autokorelasi) diterima. Kemudian berikut adalah output histogram
dan QQ‐plot dari residual, serta uji normalitas residual model dengan uji
Shapiro‐Wilk dari Arima(2,2,0).
54
Gambar 4.17 Histogram dan QQ‐Plot residual arima model 2
Output histogram dan QQ‐plot residual Arima (2,2,0) dapat dilihat pada
Gambar 4.17 di atas. Output uji Shapiro‐Wilk diatas menunjukkan bahwa residual
sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh p‐value yang
lebih besar dari α (0,5368>0.05) .
55
3. ARIMA (0,2,1)
Gambar 4.18 Plot diagnostik dari model 3
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA
(0,2,1) merupakan model yang tidak baik .Dari plot ACF terlihat bahwa residual
bukan model white noise, ditandai dengan adanya lag ( ≥1) yang keluar dari garis
batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di bawah
garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung
korelasi serial (autokorelasi) ditolak. Sehingga untuk model ini tidak
diikutsertakan dalam pemilihan model terbaik.
4.3.1.4 Pemilihan Model Terbaik
Pemilihan model didasarkan pada nilai RMSE dan AIC pada model –
model yang cocok untuk meminimumkan kesalahan forecasting.
56
Tabel 4.2. Rangkuman Nilai RMSE dan AIC
Model ARIMA RMSE AIC
ARIMA ( 3, 2, 0 ) 0.583161563 50.7
ARIMA ( 2, 2, 0 ) 0.6696827179 53.98
Model yang paling baik adalah model yang memiliki nilai RMSE dan AIC
yang paling kecil. Dari kedua model diatas, ARIMA ( 3, 2, 0 ) memiliki nilai
RMSE dan AIC yang lebih kecil. Jadi model ARIMA ( 3, 2, 0 ) adalah model
yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode
kedepan dari data jumlah produksi/hasil panen perikanan perairan umum
kabupaten Bantul pada laporan Statistik Perikanan Tangkap Provinsi
DI.Yogyakarta.
4.3.1.5 Forecasting
Langkah terakhir yang harus dilakukan adalah meramalkan ( Forecasting )
untuk 12 periode atau 3 tahun ke depan untuk data kuartalan menggunakan R.
57
Gambar 4.19 Plot data,runtun tersuai,dan prediksi
Output di atas berisi peramalan terhadap jumlah produksi/hasil panen
perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke
depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV
2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal
IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum
Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara
umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran.
Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil
panen perikanan perairan umum Kabupaten Bantul ( dalam ton ) pada :
Kuartal I 2012 sebesar 105,63
Kuartal II 2012 sebesar 97,41
Kuartal III 2012 sebesar 58,87
Kuartal IV 2012 sebesar 65,42
58
Kuartal I 2013 sebesar 91,6
Kuartal II 2013 sebesar 77,97
Kuartal III 2013 sebesar 58,24
Kuartal IV 2013 sebesar 66,15
Kuartal I 2014 sebesar 78,74
Kuartal II 2014 sebesar 66,88
Kuartal III 2014 sebesar 57,05
Kuartal IV 2014 sebesar 63,69
Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor –
faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi
jumlah produksi perikanan perairan umum Kabupaten Bantul tidak
diperhitungkan. Jadi peramalan ini berlaku jika faktor – faktor selama tiga tahun
kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir.
4.3.2 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten
Kulon Progo.
4.3.2.1 Prapemrosesan Data dan Identifikasi Model
Prapemrosesan data dan identifikasi model meliputi plot data,uji
stasioneritas data,transformasi awal dan identifikasi model. Selengkapnya
mengenai prapemrosesan dan identifikasi model akan dijabarkan berikut ini dari
data yang akan diolah menggunakan software opensource R.
59
1. Plot Data
Gambar 4.20 Plot data Kab.Kulon Progo
Tabel 4.3 Ringkasan Data
Statistik Nilai
Mean 118,06
Median 110,7
Maximum 211,4
Minimum 26,6
Std. Dev. 44,05
Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat
banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam
rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil panen terendah dicapai
pada titik 26,6 ton dan tertinggi pada 211,4 ton. Rata-rata hasil panen dalam
rentang waktu tersebut adalah sebesar 118,06 dengan nilai tengah 110,7 dan
standar deviasi 44,05. Dari plot terlihat data tidak mengandung unsur musiman
sehingga metode ARIMA cocok digunakan.
60
2. Uji Stasioneritas Data
Dari plot di atas terlihat data tidak mengandung tren linear, yang
selanjutnya dapat dikonfirmasikan dengan uji akar unit dengan uji Augmented
Dickey-Fuller/ADF(yang menyatakan adanya akar unit) atau dengan plot
ACF/PACF .Untuk pengujian kestasioneran, sebuah data runtun waktu dikatakan
stasioner jika nilai ADF test statistic lebih kecil dari nilai yang sudah
ditentukan sebelumnya , berikut output uji Augmented Dickey-Fuller/ADF dan
plot ACF/PACF ;
Gambar 4.21 Plot ACF/PACF data Kab.Kulon Progo
Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam
data(data tidak stasioner) ditolak karena p-value < (0.01<0.05), yang dapat
61
dikonfirmasikan dengan dengan plot ACF yang meluruh secara cepat menuju
nol.Selain itu data juga sudah stasioner dalam variansi ,hal ini dapat
dikonfirmasikan dengan output Box-Cox Plot berikut.
Gambar 4.22 Box-Cox Plot
Dari gambar 4.22 di atas terlihat nilai Estimate = 0,70 ,karena nilai
tersebut mendekati 1, maka data tersebut stasioner dalam variansi sehingga tidak
perlu dilakukan transformasi.
4.3.2.2 Estimasi Parameter dari Model
Setelah melakukan uji asumsi kestasioneran,dapat diketahui bahwa data
sudah stasioner dalam mean dan variansi sehingga tidak perlu melakukan
differencing dan transformasi. Selanjutnya dicari kemungkinan-kemungkinan
model yang cocok untuk menggambarkan proses runtun waktu pada data tersebut.
Dapat ditentukan alternative modelnya dengan cara melihat plot ACF dan PACF
di bawah ini.
62
Gambar 4.23 Plot ACF/PACF dari data Kab.Bantul
Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 1
ordo atau 1 lag yang signifikan sehingga ordo AR(1) dan pada plot ACF terdapat
2 ordo atau 2 lag yang signifikan sehingga ordo MA(2), maka dari itu alternative
model yang mungkin adalah :
Model 1 : ARIMA ( 1, 0, 2)
Model 2 : ARIMA ( 1, 0, 1)
Model 3 : ARIMA ( 1, 0, 0 )
Model 4 : ARIMA ( 1, 0, 2 )
Estimasi parameter dari model di atas sebagai berikut;
63
1. Estimasi Parameter ARIMA (1,0,2)
Hipotesis :
H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter AR /MA cukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa karena nilai
Pvalue ar1(0,748) > α (0,05),maka gagal tolak H0. Artinya parameter AR
tidak signifikan dalam model sehingga dapat dikeluarkan dari model.
64
2. Estimasi Parameter ARIMA (1,0,1)
Hipotesis :
H0 : = 0 (Parameter AR dan MA tidak cukup signifikan dalam model)
H1 : ≠ 0 (Parameter AR dan MAcukup signifikan dalam model)
Daerah penolakan
T > Z0,05 atau p-value< α
Kesimpulan :
Berdasarkan hasil output di atas, dapat dijelaskan bahwa diperoleh
nilai Pvalue untuk ar1 sebesar 0.001012841, dan ma1 sebesar 5.189573e-08.
Karena nilai Pvalue ar1(0.001012841) < α (0,05), dan ma1 (5.189573e-08) <
α (0,05) , maka tolak H0. Artinya parameter AR dan MA cukup signifikan
dalam model.
65
3. Estimasi Parameter ARIMA (1,0,0) – Tidak Signifikan
4. Estimasi Parameter ARIMA (1,0,2) – Tidak Signifikan
66
4.3.2.3 Pengecekan Diagnostik
Untuk melakukan pengecekan diagnostik (diagnostic checking), selain
dengan kriteria statistik uji t untuk parameter/koefisien hasil estimasi,juga
dilakukan uji Q Ljung-Box dan plot ACF/PACF untuk residual guna melihat
apakah terdapat korelasi
serial (autokorelasi) dalam residual dari model yang diamati.Berikut hasil
pengecekan diagnostik untuk masing-masing model yang sudah signifikan.
1. ARIMA (1,0,1)
Gambar 4.24 Plot diagnostik arima(1,0,1)
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA
(1,0,1) merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah
merupakan model white noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar
dari garis batas interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di
atas garis batas 5%,yang menandakan hipotesis nol residual tidak mengandung
67
korelasi serial (autokorelasi) diterima. Kemudian berikut adalah output histogram
dan QQ‐plot dari residual, serta uji normalitas residual model dengan uji
Shapiro‐Wilk dari Arima(1,0,1).
Gambar 4.25 Histogram dan QQ‐Plot residual arima (1,0,1)
Output histogram dan QQ‐plot residual Arima (1,0,1) dapat dilihat pada
Gambar 4.25 di atas. Output uji Shapiro‐Wilk diatas menunjukkan bahwa residual
sudah memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh p‐value yang
lebih besar dari α (0,5983>0.05).
68
4.3.2.4 Forecasting
Karena hanya ada satu model yang signifikan dan memenuhi semua uji di
atas maka langkah terakhir yang harus dilakukan adalah meramalkan (
Forecasting ) untuk 12 periode atau 3 tahun ke depan untuk data kuartalan dengan
model arima (1,0,1) menggunakan R ,berikut output hasil peramalan 3 tahun ke
depan,
Gambar 4.26 Plot data,runtun tersuai,dan prediksi
Output di atas berisi peramalan terhadap jumlah produksi/hasil panen
perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke
depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV
2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal
IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum
69
Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara
umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran.
Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil
panen perikanan perairan umum Kabupaten Kulon Progo ( dalam ton ) pada:
Kuartal I 2012 sebesar 96,32
Kuartal II 2012 sebesar 101,54
Kuartal III 2012 sebesar 105,29
Kuartal IV 2012 sebesar 107,97
Kuartal I 2013 sebesar 109,90
Kuartal II 2013 sebesar 111,28
Kuartal III 2013 sebesar 112,27
Kuartal IV 2013 sebesar 112,90
Kuartal I 2014 sebesar 113,50
Kuartal II 2014 sebesar 113,86
Kuartal III 2014 sebesar 114,13
Kuartal IV 2014 sebesar 114,32
Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor –
faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi
jumlah produksi perikanan perairan umum Kabupaten Kulon Progo tidak
diperhitungkan. Jadi peramalan ini berlaku jika faktor – faktor selama tiga tahun
kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir.
70
4.3.3 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten
Sleman.
4.3.3.1 Plot Data dan Identifikasi Model
Gambar 4.27 Plot data Kab.Sleman
Tabel 4.4 Ringkasan Data
Statistik Nilai
Mean 33,93
Median 30,8
Maximum 58,2
Minimum 15,5
Std. Dev. 11,89
Jumlah produksi/hasil panen perikanan sulit diprediksi karena terdapat
banyak faktor yang mempengaruhi naik turunnya hasil panen tersebut. Dalam
rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil panen terendah dicapai
pada titik 15,5 ton dan tertinggi pada 58,2 ton. Rata-rata hasil panen dalam
rentang waktu tersebut adalah sebesar 33,93 dengan nilai tengah 30,8 dan standar
deviasi 11,89.
Dari plot data di atas dapat diperoleh informasi penting, yakni data
produksi perikanan perairan umum Kabupaten Sleman ternyata mengandung trend
71
dan mengandung pengaruh musiman juga, dimana rata-rata musiman (L) yang
terbentuk adalah 4.Dengan demikian metode ARIMA Box-Jenkins kurang cocok
digunakan akan tetapi metode yang tepat untuk meramalkan data Kabupaten
Sleman ini adalah metode Holt-Winters Exponential Smoothing.
4.3.3.2 Peramalan Dengan Metode Holt-Winters
Secara empiris,model penghalusan musiman yang paling tepat untuk
digunakan dapat dibandingkan dengan memilih metode yang memberikan
jumlahan galat kuadrat (sum of square error atau SSE) yang paling
minimum.Berikut adalah penghalusan rangkap tiga Holt-Winters dengan metode
aditif dan multiplikatif,dan tampilan nilai SSE dari model tersuai.
Di sini semua parameter penghalusan (alfa,beta,dan gamma) diberi nilai
NULL,yang berarti koefisiean penghalusan optimal akan digunakan (di mana
optimisasi akan dilakukan secara otomatis dalam R). Terlihat bahwa model
musiman multiplikatif Holt-Winters memiliki nilai SSE yang lebih kecil sehingga
merupakan model yang lebih baik untuk penghalusan data Kabupaten
Sleman.Berikut hasil prediksi 12 periode atau 3 tahun ke depan,plot tersuai dan
interval prediksi untuk data prediksi perikanan perairan umum Kabupaten Sleman
dengan model Holt-Winters Multiplikatif.
72
Gambar 4.28 Plot data tersuai dan interval prediksi dengan model
musimanmultiplikatif Holt-Winters
Output di atas berisi peramalan terhadap jumlah produksi/hasil panen
perikanan perairan umum Kabupaten Sleman selama 12 periode atau 3 tahun ke
depan. Data yang dimiliki dari periode kuartal I 2006 sampai dengan kuartal IV
2011. Peramalan dilakukan selama periode kuartal I 2012 sampai dengan kuartal
IV 2014. Plot untuk data pada prediksi jumlah produksi perikanan perairan umum
Kabupaten Bantul untuk periode tiga tahun ke depan setiap kuartalnya secara
umum menunjukkan bahwa dari kuartal ke kuartal terlihat adanya kestasioneran.
Berdasarkan hasil peramalan diatas kemungkinan jumlah produksi/hasil
panen perikanan perairan umum Kabupaten Sleman ( dalam ton ) pada :
Kuartal I 2012 sebesar 63,1
Kuartal II 2012 sebesar 37,26
Kuartal III 2012 sebesar 28,11
Kuartal IV 2012 sebesar 40,77
73
Kuartal I 2013 sebesar 61
Kuartal II 2013 sebesar 36
Kuartal III 2013 sebesar 27,16
Kuartal IV 2013 sebesar 39,38
Kuartal I 2014 sebesar 58,9
Kuartal II 2014 sebesar 34,76
Kuartal III 2014 sebesar 26,21
Kuartal IV 2014 sebesar 37,99
Peramalan di atas hanya berdasarkan data masa lalu sehingga faktor –
faktor yang lain (faktor ekonomi, faktor geografis, dll) yang mempengaruhi
jumlah produksi perikanan perairan umum Kabupaten Sleman tidak
diperhitungkan. Jadi peramalan ini berlaku jika faktor – faktor selama tiga tahun
kedepan tersebut relatif memiliki kondisi yang sama seperti enam tahun terakhir.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari analisis dan pembahasan yang telah dilakukan pada data hasil panen
perikanan perairan umum di Provinsi Daerah Istimewa Yogyakarta perkabupaten
perkuartal, dapat ditarik suatu kesimpulan sebagai berikut:
1) Dari hasil analisis deskriptif dapat diketahui bahwa jumlah produksi setiap
tahun dan kuartalnya dipengaruhi oleh berbagai faktor seperti curah
hujan,musim kemarau,bencana alam,manajemen pengelolaan,dll.
2) Dukungan pemerintah sangat mempengaruhi tingkat produksi perikanan di
masing-masing kabupaten baik berupa dana,penyuluhan,pembangunan
infrastruktur ,dll.
3) Metode ARIMA atau yang juga dikenal dengan metode Box-Jenkins ini
merupakan suatu pendekatan pembentukan model yang sangat baik untuk
suatu data runtun waktu. Metode ini menawarkan ketelitian yang tinggi
karena hampir semua aspek yang berkaitan dengan asumsi-asumsi
diperiksa secara seksama seperti keadaan stasionaritas variansi dan mean,
independensi galat, nilai-nilai autokorelasi serta nilai-nilai autokorelasi
parsial yang diperiksa dengan batas toleransi yang ketat.
4) Setelah melalui langkah – langkah analisa, model ARIMA ( 3, 2, 0 )
adalah model yang paling cocok untuk memodelkan data runtun waktu dan
meramalkan periode kedepan dari data hasil panen/produksi perikanan
75
perairan umum Kabupaten Bantul. Model ini merupakan model ARIMA
non musiman dengan orde AR non musiman 3, differencing untuk model
non musiman 2, dan orde MA non musimannya 0.
5) Model ARIMA ( 1, 0, 1 ) adalah model yang paling cocok untuk
memodelkan data runtun waktu dan meramalkan periode kedepan dari data
hasil panen/produksi perikanan perairan umum Kabupaten Kulon Progo.
Model ini merupakan model ARIMA non musiman dengan orde AR non
musiman 1, differencing untuk model non musiman 0, dan orde MA non
musimannya 1.
6) Data hasil panen perikanan perairan umum Kabupaten Sleman setelah
diplotkan ternyata mempunyai unsur musiman dan tren sehingga metode
ARIMA box jenkins kurang tepat untuk digunakan ,akan tetapi untuk
meramalkan datanya digunkan metode Holt-Winters.
7) Plot untuk data pada prediksi jumlah produksi perikanan perairan umum
Kabupaten Bantul ,Kulon Progo, dan Sleman untuk periode tiga tahun ke
depan setiap kuartalnya secara umum menunjukkan bahwa dari kuartal ke
kuartal terlihat adanya kestasioneran.
76
Gambar 5.2 Plot prediksi data Kabupaten Kulonprogo
Gambar 5.1 Plot prediksi data Kabupaten Bantul
77
Gambar 5.3 Plot prediksi data Kabupaten Sleman
8) Dari peramalan yang telah dilakukan dari masing-masing Kabupaten
perkuartal diperoleh hasil peramalan tiga tahun ke depannya sebagai
berikut;
Jumlah produksi/hasil panen perikanan perairan umum Kabupaten
Bantul ( dalam ton ) pada :
Kuartal I 2012 sebesar 105,63
Kuartal II 2012 sebesar 97,41
Kuartal III 2012 sebesar 58,87
Kuartal IV 2012 sebesar 65,42
Kuartal I 2013 sebesar 91,6
Kuartal II 2013 sebesar 77,97
Kuartal III 2013 sebesar 58,24
Kuartal IV 2013 sebesar 66,15
78
Kuartal I 2014 sebesar 78,74
Kuartal II 2014 sebesar 66,88
Kuartal III 2014 sebesar 57,05
Kuartal IV 2014 sebesar 63,69
Jumlah produksi/hasil panen perikanan perairan umum Kabupaten
Kulon Progo ( dalam ton ) pada :
Kuartal I 2012 sebesar 96,32
Kuartal II 2012 sebesar 101,54
Kuartal III 2012 sebesar 105,29
Kuartal IV 2012 sebesar 107,97
Kuartal I 2013 sebesar 109,90
Kuartal II 2013 sebesar 111,28
Kuartal III 2013 sebesar 112,27
Kuartal IV 2013 sebesar 112,90
Kuartal I 2014 sebesar 113,50
Kuartal II 2014 sebesar 113,86
Kuartal III 2014 sebesar 114,13
Kuartal IV 2014 sebesar 114,32
Jumlah produksi/hasil panen perikanan perairan umum Kabupaten
Sleman ( dalam ton ) pada :
79
Kuartal I 2012 sebesar 63,1
Kuartal II 2012 sebesar 37,26
Kuartal III 2012 sebesar 28,11
Kuartal IV 2012 sebesar 40,77
Kuartal I 2013 sebesar 61
Kuartal II 2013 sebesar 36
Kuartal III 2013 sebesar 27,16
Kuartal IV 2013 sebesar 39,38
Kuartal I 2014 sebesar 58,9
Kuartal II 2014 sebesar 34,76
Kuartal III 2014 sebesar 26,21
Kuartal IV 2014 sebesar 37,99
5.2 SARAN
1) Pemerintah perlu meningkatakan pembinaan terhadap kelompok-
kelompok petani ikan agar bisa mengoptimalkan produksi.
2) Pemerintah perlu meningkatkan bantuan dana kepada para petani ikan
sebagai modal untuk meningkatkan usaha mereka.
3) Dalam pemodelan sebuah runtun waktu produksi perikanan sebaiknya
diidentifikasi model apa yang paling cocok dengan data.
80
4) Diperlukan ketelitian dalam menganalisis data runtun waktu
menggunakan ARIMA dengan bantuan software open source R.
5) Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta dapat
menggunakan hasil peramalan ini sebagai bahan pertimbangan dan
penentuan kebijakan tehnis terhadap peningkatan produksi perikanan
perairan umum.
6) Diharapkan dengan hasil perkiraan yang didapat, Dinas Kelautan dan
Perikanan Provinsi DIY dapat menentukan target produksi atau hasil
panen perikanan perairan umum ke depannya.
DAFTAR PUSTAKA
Matloff,N.,2011, “The Art Of R Programming” ,No Starch Press, San Francisco Makridakis, S., Wheelwright, S.C., dan Mc Gee V.E., 1999, Metode dan Aplikasi
Peramalan , Jakarta : Binarupa Aksara.
Abdurakhman.,2013, “Modul Praktikum Analisis Runtun Waktu”, Program Studi
Statistika, FMIPA UII
Rosadi, D., 2011, “Analisis Ekonometrika dan Runtun Waktu Terapan dengan R”,
Andi Offset,Yogyakarta.
Suhartono., 2008, ”Analisis Data Statistik dengan R”, Program Studi Statistika, FMIPA
ITS
Iriawan, N., dan Astuti, S.P., 2006, Mengolah Data Statistik dengan Mudah
Menggunakan Minitab 14, Yogyakarta : Andi Offset.
Anonim ,2006.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______ ,2007.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______ ,2008.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______ ,2009.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______ ,2010.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______ ,2011.,”Laporan Statistik Perikanan Tangkap DIY”,Dinas Kelautan dan
Perikanan ,Provinsi DIY
_______, Metodologi Perikanan, [online], (http://alisadikinwear.wordpress.com /, di
akses tanggal 10 Desember 2013)
_______, Perikanan, [online],( http://id.wikipedia.org/wiki/Perikanan di akses tanggal
10 Desember 2013)
82
_______, HoltWinters, [pdf],
( http://repository.upi.edu/2869/4/S_MTK_0905655_Chapter1.pdf di akses tanggal 10
Desember 2013)
_______, Berita Bantul, [online], (http://bantulkab.go.id/berita/1325.html) di akses
tanggal 1 januari 2014
_______,Strategi Pemasaran Ikan, [online], (http://lintangluku.com/strategi-pemasaran-
ukm-di-bidang-perikanan/ ) di akses tanggal 5 Januari 2014.
_______,Produksi Perikanan darat, [online],
(http://www.harianjogja.com/baca/2009/05/29/produksi-perikanan-darat-belum-
maksimal-133293), di akses tanggal 10 Januari 2014.
http://www.perikanan-diy.info , di akses tanggal 10 Januari 2014
Lampiran 1:
Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul
Perkuartal Tahun 2006 -2011
Tahun Produksi/Kuartal (ton)
I II III IV
2006 168,6 166,8 52,3 76,4
2007 149,4 123,8 43,3 77,5
2008 322,9 208,9 124,2 220,1
2009 97,1 72,2 43,6 79,5
2010 146,2 102,2 75,9 54,2
2011 111,4 138,9 59,2 60,4
Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011
Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulon Progo
Perkuartal Tahun 2006 -2011
Tahun Produksi/Kuartal (ton)
I II III IV
2006 211,4 167,8 33,8 26,6
2007 178 101,3 80,8 93,6
2008 182,6 98 70,7 104,9
2009 107 102,5 95,2 119,5
2010 136,6 113,2 144,5 126,6
2011 127,8 133,1 108,2 169,8
Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011
100
Lampiran 2:
Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman
Perkuartal Tahun 2006 -2011
Tahun Produksi/Kuartal (ton)
I II III IV
2006 50,7 29,3 22,3 29,3
2007 48,1 24 22,4 34,5
2008 43,7 22,8 22,2 41,1
2009 49,8 28,9 22 44,3
2010 58,2 48,3 15,5 20,5
2011 32,3 28,5 32,8 42,7
Sumber : Buku Laporan Statistik Perikanan Tangkap DIY ,2006-2011
101
Lampiran 3:
Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Bantul
dengan Metode ARIMA menggunakan R
> setwd("E:\\MATERI KULIAH\\Semester VII\\Komputasi Statistika\\") > Data1=read.table("bntul.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) > Data1$bantul=ts(Data1$bantul,start=c(2006,1),freq=4) > ts.plot(Data1$bantul,col="blue",main="Time Series Plot") > library(tseries) Loading required package: quadprog Loading required package: zoo ‘tseries’ version: 0.10‐22 ‘tseries’ is a package for time series analysis and computational finance. See ‘library(help="tseries")’ for details. > adf.test(Data1$bantul) Augmented Dickey‐Fuller Test data: Data1$bantul Dickey‐Fuller = ‐2.1353, Lag order = 2, p‐value = 0.5208 alternative hypothesis: stationary > win.graph() > par(mfrow=c(1,2)) > acf(Data1$bantul,na.action=na.pass) > pacf(Data1$bantul,na.action=na.pass) > DataDiff1=diff(Data1$bantul,diff=2) > ts.plot(DataDiff1,col="blue",main="Time Series Plot") > par(mfrow=c(2,1)) > acf(Data1$bantul,na.action=na.pass) > pacf(Data1$bantul,na.action=na.pass) > DataDiff1=diff(Data1$bantul,diff=2) > ts.plot(DataDiff1,col="blue",main="Time Series Plot") > Data1Difflog1=diff(log(Data1$bantul),differences=1) > ts.plot(Data1Difflog1,col="blue",main="Time Series Plot") > Data1Difflog1=diff(log(Data1$bantul),differences=2) > ts.plot(Data1Difflog1,col="blue",main="Time Series Plot") > par(mfrow=c(2,1)) > acf(Data1Difflog1,lag.max=36,na.action=na.pass) > pacf(Data1Difflog1,lag.max=36,na.action=na.pass) > library(forecast) Loading required package: fracdiff This is forecast 2.06 > Data1.Log=log(Data1$bantul)
102
> Data1.Log=ts(Data1.Log,start=c(2006,1),freq=4) > ArimaModel.6=Arima(Data1.Log,order=c(2,1,3),seasonal=list(order=c(0,0,0),period=NA),include.mean=FALSE) > summary(ArimaModel.1) Error in summary(ArimaModel.1) : object 'ArimaModel.1' not found > tsdiag(ArimaModel.1) Error in tsdiag(ArimaModel.1) : object 'ArimaModel.1' not found > library(forecast) > Data1.Log=log(Data1$bantul) > Data1.Log=ts(Data1.Log,start=c(2006,1),freq=4) > ArimaModel.1=Arima(Data1.Log,order=c(3,2,0),seasonal=list(order=c(0,0,0),period=NA),include.mean=FALSE) > summary(ArimaModel.1) Series: Data1.Log ARIMA(3,2,0) Call: Arima(x = Data1.Log, order = c(3, 2, 0), seasonal = list(order = c(0, 0, 0), period = NA), include.mean = FALSE) Coefficients: ar1 ar2 ar3 ‐0.7330 ‐0.8736 ‐0.4821 s.e. 0.1856 0.1529 0.1885 sigma^2 estimated as 0.371: log likelihood = ‐21.35 AIC = 50.7 AICc = 53.06 BIC = 55.07 In‐sample error measures: ME RMSE MAE MPE MAPE MASE 0.008962748 0.583161563 0.450062484 ‐0.372827230 10.098591314 0.819547222 > n.ahead.predict=12 > pred.data = predict(ArimaModel.1, n.ahead = n.ahead.predict) > pred.data.low = pred.data$pred ‐ 2.07 * pred.data$se > pred.data.up = pred.data$pred + 2.07 * pred.data$se > pred.data $pred Qtr1 Qtr2 Qtr3 Qtr4 2012 4.659934 4.578895 4.075367 4.180783 2013 4.517470 4.356378 4.064537 4.191875 2014 4.366167 4.202900 4.043947 4.154073 $se Qtr1 Qtr2 Qtr3 Qtr4 2012 0.6090904 0.9831238 1.2242265 1.5397191 2013 2.0487989 2.5370421 2.9657168 3.4630681 2014 4.0541919 4.6333993 5.1962397 5.8144639 > pred.data=exp(pred.data$pred) > pred.data.low=exp(pred.data.low)
103
> pred.data.up=exp(pred.data.up) > pred.data Qtr1 Qtr2 Qtr3 Qtr4 2012 105.62910 97.40674 58.87210 65.41703 2013 91.60355 77.97423 58.23795 66.14668 2014 78.74123 66.87998 57.05106 63.69291 > fit.data = fitted(ArimaModel.1) > fit.data=exp(fit.data) > Bantul=Data1$bantul > freqdata=4 > Bantul = ts(Bantul,start=c(2006,1),freq=freqdata) > ts.plot(Bantul,xlim=c(start(Bantul)[1],(end(Bantul)[1]+(1+(n.ahead.predict/frequency(Bantul))))), + ylab = "Observed/Fitted", main = "ARIMA Fitted vs Actual Data") > lines(fit.data,col="red") > lines(pred.data,col="blue")
104
Lampiran 4:
Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Kulon
Progo dengan Metode ARIMA menggunakan R
setwd("E:\\MATERI KULIAH\\Semester VII\\Komputasi Statistika\\") Data2=read.table("kulon.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) Data2$kulon=ts(Data2$kulon,start=c(2006,1),freq=4) ts.plot(Data2$kulon,col="blue",main="Time Series Plot") library(tseries) Loading required package: quadprog Loading required package: zoo ‘tseries’ version: 0.10‐22 ‘tseries’ is a package for time series analysis and computational finance. See ‘library(help="tseries")’ for details. adf.test(Data2$kulon) Augmented Dickey‐Fuller Test data: Data2$kulon Dickey‐Fuller = ‐5.1495, Lag order = 2, p‐value = 0.01 alternative hypothesis: stationary Warning message: In adf.test(Data2$kulon) : p‐value smaller than printed p‐value win.graph() par(mfrow=c(2,1)) acf(Data2$kulon,na.action=na.pass) pacf(Data2$kulon,na.action=na.pass) library(forecast) Loading required package: fracdiff This is forecast 2.06 Data2=(Data2$kulon) Data2=ts(Data2,start=c(2006,1),freq=4) ArimaModel.2=Arima(Data2 ,order=c(1,0,1),seasonal=list(order=c(0,0,0),period=NA),include.mean=TRUE) summary(ArimaModel.2) Series: Data2 ARIMA(1,0,1) with non‐zero mean Call: Arima(x = Data2, order = c(1, 0, 1), seasonal = list(order = c(0, 0, 0), period = NA), include.mean = TRUE) Coefficients: ar1 ma1 intercept
105
0.7175 ‐1.0000 114.7945 s.e. 0.1907 0.1264 3.3476 sigma^2 estimated as 1601: log likelihood = ‐123.39 AIC = 254.79 AICc = 256.89 BIC = 259.5 In‐sample error measures: ME RMSE MAE MPE MAPE MASE ‐0.9288965 40.0113136 32.1466669 ‐22.3167705 40.3841597 0.8195227 tsdiag(ArimaModel.2) par(mfrow=c(2,1)) hist(ArimaModel.2$resid,br=4) qqnorm(ArimaModel.2$resid) shapiro.test(ArimaModel.2$resid) Shapiro‐Wilk normality test data: ArimaModel.2$resid W = 0.9672, p‐value = 0.5983 n.ahead.predict=12 pred.data = predict(ArimaModel.2, n.ahead = n.ahead.predict) pred.data.low = pred.data$pred ‐ 2.07 * pred.data$se pred.data.up = pred.data$pred + 2.07 * pred.data$se pred.data $pred Qtr1 Qtr2 Qtr3 Qtr4 2012 96.32418 101.54158 105.28520 107.97134 2013 109.89872 111.28166 112.27395 112.98594 2014 113.49682 113.86338 114.12640 114.31513 $se Qtr1 Qtr2 Qtr3 Qtr4 2012 40.67093 41.90517 42.52664 42.84309 2013 43.00510 43.08827 43.13103 43.15303 2014 43.16435 43.17018 43.17318 43.17472 > fit.data = fitted(ArimaModel.2) > kulon=Data2 > freqdata=4 > kulon = ts(kulon,start=c(2006,1),freq=freqdata) > ts.plot(kulon,xlim=c(start(kulon)[1],(end(kulon)[1]+(1+(n.ahead.predict/frequency(kulon))))), + ylab = "Observed/Fitted", main = "ARIMA Fitted vs Actual Data") > lines(fit.data,col="red") > lines(pred.data,col="blue") Error in xy.coords(x, y) : 'x' is a list, but does not have components 'x' and 'y' rec.fore = predict(ArimaModel.2, n.ahead=24) rec.fore = predict(ArimaModel.2, n.ahead=12) U = rec.fore$pred + rec.fore$se L = rec.fore$pred ‐ rec.fore$se L = rec.fore$pred ‐ rec.fore$se
106
minx = min(Data2,L) maxx = max(Data2,U) ts.plot(Data2, rec.fore$pred, xlim=c(2006,2014), ylim=c(minx,maxx)) lines(rec.fore$pred, col="red", type="o") > rec.fore $pred Qtr1 Qtr2 Qtr3 Qtr4 2012 96.32418 101.54158 105.28520 107.97134 2013 109.89872 111.28166 112.27395 112.98594 2014 113.49682 113.86338 114.12640 114.31513 $se Qtr1 Qtr2 Qtr3 Qtr4 2012 40.67093 41.90517 42.52664 42.84309 2013 43.00510 43.08827 43.13103 43.15303 2014 43.16435 43.17018 43.17318 43.17472 lines(U, col="blue", lty="dashed") lines(L, col="blue", lty="dashed") >
107
Lampiran 5:
Skrip dan Hasil Peramalan Produksi Perikanan Perairan Umum Kabupaten Sleman
dengan Metode Holt-Winters menggunakan R
> setwd("E:\\MATERI KULIAH\\Semester VII\\Komputasi Statistika\\") > Data3=read.table("sleman.txt",header=TRUE,sep="\t",na.strings="NA",dec=".",strip.white=TRUE) > sleman=ts(Data3,start=c(2006,1),freq=4) > ts.plot(sleman,col="blue",main="Time Series Plot") > fit1 = HoltWinters(sleman,alpha=NULL,beta=NULL,gamma=NULL, + seasonal="additive") > fit2 = HoltWinters(sleman,alpha=NULL,beta=NULL,gamma=NULL, + seasonal="multiplicative") > fit1$SSE [1] 1925.898 > fit2$SSE [1] 1798.183 > fit1 Holt‐Winters exponential smoothing with trend and additive seasonal component. Call: HoltWinters(x = sleman, alpha = NULL, beta = NULL, gamma = NULL, seasonal = "additive") Smoothing parameters: alpha: 0.04569836 beta : 0.3901612 gamma: 0.01071081 Coefficients: [,1] a 34.8585650 b 0.4784995 s1 17.7495741 s2 ‐6.5545607 s3 ‐9.4899241 s4 ‐1.2258315 > fit2 Holt‐Winters exponential smoothing with trend and multiplicative seasonal component. Call: HoltWinters(x = sleman, alpha = NULL, beta = NULL, gamma = NULL, seasonal = "multiplicative") Smoothing parameters: alpha: 0.5663958 beta : 0 gamma: 0.3118913 Coefficients: [,1] a 43.3720286
108
b ‐0.3575000 s1 1.4669303 s2 0.8734811 s3 0.6646262 s4 0.9721467 > fit1$fitted xhat level trend season 2007 Q1 50.12375 32.56875 ‐0.357500000 17.912500 2007 Q2 24.87519 32.11877 ‐0.393582916 ‐6.850000 2007 Q3 21.75100 31.68519 ‐0.409187228 ‐9.525000 2007 Q4 29.37055 31.30566 ‐0.397615792 ‐1.537500 2008 Q1 48.72811 31.14245 ‐0.306159006 17.891815 2008 Q2 23.35176 30.60652 ‐0.395808826 ‐6.858946 2008 Q3 20.26148 30.18549 ‐0.405646620 ‐9.518366 2008 Q4 28.01228 29.86843 ‐0.371083357 ‐1.485070 2009 Q1 47.79813 30.09544 ‐0.137732873 17.840421 2009 Q2 23.08256 30.04919 ‐0.102040009 ‐6.864585 2009 Q3 20.71613 30.21300 0.001683321 ‐9.498552 2009 Q4 28.94663 30.27335 0.024574432 ‐1.351296 2010 Q1 49.15875 30.99955 0.298320901 17.860882 2010 Q2 25.36544 31.71104 0.459523918 ‐6.805123 2010 Q3 24.60165 33.21864 0.868440925 ‐9.485429 2010 Q4 33.18294 33.67115 0.706161021 ‐1.194364 2011 Q1 52.23104 33.79772 0.480027580 17.953296 2011 Q2 26.92089 33.36693 0.124662512 ‐6.570701 2011 Q3 24.13811 33.56375 0.152817619 ‐9.578460 2011 Q4 33.09566 34.11241 0.307256754 ‐1.324001 > fit2$fitted xhat level trend season 2007 Q1 51.01915 32.56875 ‐0.3575 1.5838922 2007 Q2 23.83855 31.16737 ‐0.3575 0.7737308 2007 Q3 21.32012 30.92806 ‐0.3575 0.6974068 2007 Q4 29.37920 31.44758 ‐0.3575 0.9449702 2008 Q1 53.11039 34.15938 ‐0.3575 1.5712258 2008 Q2 23.27347 30.40962 ‐0.3575 0.7744368 2008 Q3 20.60403 29.70584 ‐0.3575 0.7020508 2008 Q4 29.22606 30.63593 ‐0.3575 0.9652435 2009 Q1 56.41631 37.24595 ‐0.3575 1.5293760 2009 Q2 26.31984 34.43814 ‐0.3575 0.7722813 2009 Q3 25.25476 35.97294 ‐0.3575 0.7090959 2009 Q4 32.93110 33.01567 ‐0.3575 1.0083569 2010 Q1 58.16121 39.04411 ‐0.3575 1.5033940 2010 Q2 29.98407 38.70122 ‐0.3575 0.7819812 2010 Q3 35.65971 51.61011 ‐0.3575 0.6957639 2010 Q4 36.12993 34.84133 ‐0.3575 1.0477355 2011 Q1 38.60603 26.03444 ‐0.3575 1.5035295 2011 Q2 19.04287 23.30139 ‐0.3575 0.8299757 2011 Q3 17.93269 29.39767 ‐0.3575 0.6175135 2011 Q4 40.90346 42.67676 ‐0.3575 0.9665449 > pred1 = predict(fit2,n.ahead=12,prediction.interval=TRUE) > plot(fit1,pred1)
109
> pred1 fit upr lwr 2012 Q1 63.09932 76.44366 49.7549728 2012 Q2 37.26011 52.06602 22.4541921 2012 Q3 28.11337 44.51689 11.7098549 2012 Q4 40.77380 82.72292 ‐1.1753157 2013 Q1 61.00161 117.59253 4.4106855 2013 Q2 36.01103 72.50213 ‐0.4800696 2013 Q3 27.16296 57.80962 ‐3.4837055 2013 Q4 39.38363 98.70865 ‐19.9413794 2014 Q1 58.90390 137.81520 ‐20.0074033 2014 Q2 34.76195 84.19863 ‐14.6747302 2014 Q3 26.21254 66.32938 ‐13.9042936 2014 Q4 37.99346 110.65147 ‐34.6645416
MAKALAH SEMINAR KERJA PRAKTEK
Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi
Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten
Perkuartal
Oleh :
Aedy Sutarjo 1
Dr.Jaka Nugraha,S.Si,M.Si 2
1 Mahasiswa Jurusan Statistika FMIPA Universitas Islam Indonesia 2 Dosen Pembimbing Kerja Praktek Jurusan Statistika FMIPA Universitas Islam Indonesia
ABSTRAK
Kerja praktek ini dilaksanakan di Dinas Kelautan dan Perikanan Provinsi Daerah Istimewa Yogyakarta. Data yang diambil adalah data jumlah hasil panen perikanan perairan umum perkabupaten perkuartal pada tahun 2006 - 2011. Data tersebut merupakan data sekunder yang diambil langsung dari buku laporan statistik perikanan perairan tangkap dan budidaya di Dinas Kelautan dan Perikanan Provinsi DIY. Tujuan dari penelitian ini adalah untuk memprediksi hasil panen atau produksi perikanan perairan umum perkabupaten perkuartal selama dua belas periode atau tiga tahun ke depan.Sehingga judul yang peneliti ambil untuk laporan kerja praktek ini adalah ”Aplikasi Metode ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten Perkuartal”. Untuk menganalisis data tersebut digunakan analisis runtun waktu dengan metode ARIMA Box-Jenkins dan Holt-Winters Eksponensial smoothing menggunakan bantuan software open source R. Dengan prediksi produksi perikanan perairan umum pada tahun 2012 sampai dengan tahun 2014 perkabupaten perkuartal ini diharapkan dapat menjadi refrensi untuk membantu instansi terkait dalam merencanakan peningkatan produksi perikanan perairan umum di Provinsi DI.Yogyakarta.
Kata Kunci : perairan umum, ARIMA ,Holt-Winters Exponensial Smoothing
PENDAHULUAN
Letak geografis Provinsi Daerah Istimewa Yogyakarta berada pada 70 30’ sampai
800 15’ lintang selatan, dan 1100 00’ sampai 1100 52’ Bujur Timur.Adapun kondisi
tanahnya terdiri atas 634,93 Km2 (60,07 % ) tanah kering. Bagian selatan wilayah Provinsi
D.I. Yogyakarta berbatasan langsung dengan samudra Hindia.
Peran sektor kelautan dan perikanan di Provinsi Daerah Istimewa Yogyakarta
cukup strategis dalam mendukung pembangunan masyarakat kelautan dan perikanan
secara umum, baik ditinjau dari perspektif ekonomi ,sosial maupun budaya.Hal ini dapat
dilihat dari meningkatnya jumlah masyarakat yang menyandarkan mata pencahariannya
84
dari sektor kelutan dan perikanan, menguatnya trend kebanggaan masyarakat khususnya
generasi muda pada kegiatan bidang perikanan dan kelautan ,serta meningkatnya apresiasi
masyarakat untuk menkomsumsi produk pangan berbahan baku ikan.
Potensi sumberdaya kelautan perikanan di provinsi D.I. Yogyakarta,mempunyai
prospek untuk dikembangkan pada usaha ekonomi produktif baik untuk usaha perikanan
tangkap (perairan pantai maupun lepas pantai), usaha budi daya air tawar dari kolam sawah
dan perairan umum yang tersebar di seluruh kabupaten atau kota dan usaha pengolahan
serta pemasaran produk perikanan. Kesemua usaha tersebut berkembang cukup
menggembirakan di provinsi D.I.yogyakarta.
Untuk mempertahankan dan meningkatkan hasil produksi perikanan baik perairan
laut maupun umum diperlukan suatu perencanaan.Perencanaan tersebut dapat dimulai
dengan meramalkan jumlah produksi perikanan laut dan umum di setiap Kabupaten
Provinsi D.I. Yogyakarta pada periode mendatang yang terdiri dari Kabupaten
Bantul,Kabupaten Kulonprogo,Kabupaten Gunung Kidul,Kabupaten Sleman dan Kodya
Yogyakarta. Perkembangan yang terjadi setiap bulannya dapat dilihat dengan cara
pengumpulan data hasil panen perikanan setiap Kabupaten yang ada di Provinsi D.I.
Yogyakarta baik yang ada di perairan laut maupun umum (rawa, waduk, sungai,kolam
,dll).
Berdasarkan latar belakang di atas,maka penulis memilih judul ”Aplikasi Metode
ARIMA dan Holt-Winters Exponential Smoothing dalam Memprediksi Jumlah
Produksi Perikanan Perairan Umum Tahun 2012, 2013, dan 2014 Perkabupaten
Perkuartal” .Karena masalah ini dianggap menarik bagi penulis,serta dapat membantu
instansi terkait dalam melakukan prediksi jumlah produksi perikanan perairan umum tahun
berikutnya sebagai refrensi untuk merencanakan peningkatan jumlah produksi perikanan di
Provinsi DI.Yogyakarta.
Berdasarkan uraian di atas dapat dirumuskan permasalahan sebagai berikut:
1. Bagaimana memperkirakan jumlah produksi perikanan perairan umum perkabupaten
perkuartal selama 12 periode atau 3 tahun ke depan (2012,2013,dan 2014) di Provinsi
DIY ?
TUJUAN PENELITIAN
Tujuan penelitian ini adalah untuk:
1. Menentukan atau memilih metode peramalan yang tepat pada waktu yang akan
datang, yang pada ahirnya semua perencanaan produksi dapat dijadwalkan
sebaik mungkin.
85
2. Memperkirakan jumlah produksi perikanan perairan umum perkabupaten
perkuartal tiga tahun berikutnya yakni 2012,2013 dan 2014.
LANDASAN TEORI
3.1 Perikanan
3.1.1 Definisi Perikanan
Perikanan adalah semua kegiatan yang berkaitan dengan ikan, termasuk memproduksi ikan, baik melalui penangkapan maupun budidaya dan atau mengolahnya untuk memenuhi kebutuhan manusia akan pangan sumber protein dan non pangan. (Irzal & Wawan, Manajemen Agribisnis Perikanan, 2006). Di Indonesia, menurut UU RI no. 9/1985 dan UU RI no. 31/2004, kegiatan yang termasuk dalam perikanan dimulai dari praproduksi, produksi, pengolahan sampai dengan pemasaran, yang dilaksanakan dalam suatu sistem bisnis perikanan. Dengan demikian, perikanan dapat dianggap merupakan usaha agribisnis.
3.1.2 Sumberdaya Perikanan
Sumber daya perikanan merupakan salah satu kekayaan yang ada di perairan.
Perairan dapat dibagi menjadi 2 yaitu perairan umum dan perairan laut.
1. Perairan Umum
Pengertian perairan umum adalah bagian dari permukaan bumi yang secara permanen
atau berkala digenangi air, baik air tawar, air payau maupun air laut; mulai dari garis
pasang surut laut terendah ke arah daratan dan badan air tersebut terbentuk secara
alami atau buatan. Perairan umum tidak dimiliki oleh perorangan dan mempunyai
fungsi politik, ekonomi, sosial, budaya, pertahanan-keamanan dan digunakan untuk
sebesarbesarnya kemakmuran masyarakat. Yang termasuk dalam perairan umum
adalah sungai (DAS), danau, waduk, goba dan genangan air lainnya.[Wikipedia, 2010]
2. Perairan Laut
Perairan Laut adalah wilayah permukaan bumi yang tertutup oleh air asin.
Sebagaimana perairan darat, perairan laut juga sangat bermanfaat bagi
kehidupankita.Secara umum perairan laut dapat dimanfaatkan sebagai: sarana
transportasi,usaha perikanan,usaha pertambangan,sumber bahan baku obat-obatan dan
kosmetika,sumber energy,rekreasi serta pendidikan dan penelitian.
3.2 Autoregressive Integrated Moving Average (ARIMA)
Model Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu
model yang populer dalam peramalan dengan pendekatan time series. Model ini terdiri dari
tiga bentuk utama yaitu model AR, MA, dan ARMA. Prosedur Box‐Jenkins adalah suatu
86
prosedur standar yang banyak digunakan dalam pembentukan model ARIMA. Prosedur ini
terdiri dari empat tahapan yang iteratif dalam pembentukan model ARIMA pada suatu data
runtun waktu, yaitu tahap identifikasi, estimasi, diagnostic check, dan peramalan. Berikut
ini adalah diagram yang menggambarkan tahap‐tahap dalam prosedur Box‐Jenkins
(Bowerman dan O’Connell, 1993; Wei, 2006).
Gambar .1 Prosedur Box‐Jenkins untuk pembentukan model ARIMA
Secara umum, bentuk matematis dari model ARIMA(p,d,q) dapat ditulis sebagai
berikut (Cryer, 1986; Wei, 2006)
dengan B adalah operator mundur, yaitu Penentuan orde p dan q dari model
ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi plot
Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data
yang sudah stasioner.
3.3 Holt-Winters Exponential Smoothing
Metode Holt-Winters sering disebut metode pemulusan eksponensial yang
melakukan pendekatan .Metode ini terbagi menjadi dua bagian yakni:
1. Metode Pemulusan Eksponensial Holt-Winters dengan Metode PerkalianMusiman
(Multiplicative Seasonal Method) yang digunakan untuk variasi data musiman yang
mengalami peningkatan/penurunan (fluktuasi),
87
2. Metode Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan
Musiman (Additive Seasonal Method) yang digunakan untuk variasi musiman yang
bersifat konstan.
Metode Holt-Winters didasarkan pada tiga persamaan pemulusan, yakni persamaan
pemulusan keseluruhan, pemulusan tren, dan persamaan pemulusan musiman. Untuk
Pemulusan Eksponensial Holt-Winters denganMetode Perkalian Musiman mempunyai
persamaan sebagai berikut:
Pemulusan Keseluruhan
Pemulusan Trend
Pemulusan Musiman
Ramalan
Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman
mempunyai persamaan sebagai berikut:
Pemulusan Keseluruhan
Pemulusan Trend
Pemulusan Musiman
Ramalan
88
Makna simbol-simbol yang digunakan pada persamaan (1) sampai (8) adalah:
Xt = nilai aktual pada periode akhir t
α = konstanta penghalusan untuk data (0 < α < 1)
β = konstanta penghalusan untuk trend (0 < β < 1)
γ = konstanta penghalusan untuk musiman (0 < γ < 1)
St = nilai pemulusan awal
bt = konstanta pemulusan
I = faktor penyesuaian musiman
L = panjang musim
Ft+m = ramalan untuk m periode ke depan dari t.
ANALISIS DAN PEMBAHASAN
4.1 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul.
4.1.1 Identifikasi Model
Prapemrosesan data dan identifikasi model meliputi plot data,uji stasioneritas
data,transformasi awal dan identifikasi model. Selengkapnya mengenai prapemrosesan
dan identifikasi model akan dijabarkan berikut ini dari data yang akan diolah menggunakan
software opensource R versi 2.11.1.
1. Plot Data
Gambar 2 Plot Data Kab.Bantul
Terlihat data belum stasioner baik secara rata-rata maupun variansinya.Selain itu
dari plot terlihat data tidak mengandung unsur musiman sehingga metode ARIMA cocok
digunakan.
89
2. Uji Stasioneritas Data
Gambar 3. Plot ACF/PACF dari data Kab.Bantul
Uji ADF menunjukkan bahwa hipotesis nol adanya akar unit dalam data(data tidak
stasioner) diterima karena p-value > (0.5208>0.05), yang dapat dikonfirmasikan
dengan dengan plot ACF yang meluruh secara lambat menuju nol.
3. Transformasi Awal dan Identifikasi Model
Gambar 4. Plot differens dari log
Terlihat bahwa dengan transformasi log dari data sebelum dilakukan
pembedaan,variansi data relatif telah stabil. Akan tetapi dalam peramalan data ,untuk
mendapatkan hasil peramalan dengan model untuk data hasil transformasi log,
90
transformasi data hasil peramalan harus dilakukan dengan transformasi
eksponensial.Selanjutnya akan diidentifikasi model Autoregressive Moving Average
(ARMA) yang tepat untuk menggambarkan data hasil pembedaan logaritma dengan plot
ACF/PACF sebagai berikut.
Gambar 5. Plot ACF/PACF dari difference log
4.1.2 Estimasi Parameter dari Model
Pada plot ACF dan PACF diatas terlihat bahwa pada plot PACF terdapat 3 ordo
atau 3 lag yang signifikan sehingga ordo AR(3) dan pada plot ACF terdapat 2 ordo atau 2
lag yang signifikan sehingga ordo MA(2), maka dari itu alternative model yang mungkin
adalah :
Model 1 : ARIMA ( 3, 2, 0)
Model 2 : ARIMA ( 3, 2, 2)
Model 3 : ARIMA ( 2, 2, 0 )
Model 4 : ARIMA ( 0, 2, 1 )
Berikut rangkuman hasil estimasi dari model di atas;
91
Tabel 1. Rangkuman Hasil Estimasi Parameter Model
ARIMA(3,2,0) ARIMA(3,2,2) ARIMA(2,2,0) ARIMA(0,2,1)
ar1 p-value < α 0,0007< 0,05 (Signifikan)
p-value > α 0,739> 0,05 (tidak Signifikan)
p-value < α 0,015< 0,05 (Signifikan)
ar2 p-value < α 1,135926e‐05< 0,05 (Signifikan)
p-value < α 0,00037< 0,05 (Signifikan)
ar3 p-value < α 0,018< 0,05 (Signifikan)
ma1 p-value < α 0,097e-08< 0,05 (Signifikan)
RMSE 0,583 0,6697 0,631
AIC 50,7 55,32 51,24
BIC 55,07 57,26 53,42
4.1.3 Pengecekan Diagnostik
Berikut rangkuman hasil pengecekan diagnostik untuk masing-masing model yang
sudah signifikan.
1. ARIMA (3,2,0)
Gambar 6. Plot diagnostik dari model 1
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (3,2,0)
merupakan model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan
92
model white noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar dari garis batas
interval. Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang
menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi)
diterima.
2. ARIMA (2,2,0)
Gambar 7. Plot diagnostik dari model 2
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (2,2,0) merupakan
model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white
noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar dari garis batas interval.
Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang
menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi)
diterima.
3. ARIMA (0,2,1)
Gambar 8. Plot diagnostik dari model 3
93
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (0,2,1)
merupakan model yang tidak baik .Dari plot ACF terlihat bahwa residual bukan model
white noise, ditandai dengan adanya lag ( ≥1) yang keluar dari garis batas interval.
Sedangkan nilai p-value dari statistik Ljung-Box juga di bawah garis batas 5%,yang
menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi) ditolak.
Sehingga untuk model ini tidak diikutsertakan dalam pemilihan model terbaik.
4.1.4 Pemilihan Model Terbaik
Pemilihan model didasarkan pada nilai RMSE dan AIC pada model – model yang
cocok untuk meminimumkan kesalahan forecasting.
Tabel 2. Rangkuman Nilai RMSE dan AIC
Model ARIMA RMSE AIC
ARIMA ( 3, 2, 0 ) 0.583161563 50.7
ARIMA ( 2, 2, 0 ) 0.6696827179 53.98
Model yang paling baik adalah model yang memiliki nilai RMSE dan AIC yang
paling kecil. Dari kedua model diatas, ARIMA ( 3, 2, 0 ) memiliki nilai RMSE dan AIC
yang lebih kecil. Jadi model ARIMA ( 3, 2, 0 ) adalah model yang paling cocok untuk
memodelkan data runtun waktu dan meramalkan periode kedepan dari data jumlah
produksi/hasil panen perikanan perairan umum kabupaten Bantul pada laporan Statistik
Perikanan Tangkap Provinsi DI.Yogyakarta.
4.1.5 Forecasting
Gambar 9. Plot Prediksi dan data aktual
94
4.2 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten
KulonProgo.
4.2.1 Identifikasi Model
1. Plot Data
Gambar 10. Plot data Kab.Kulonprogo
1. Uji Stasioneritas Data
Gambar 4.11 Plot ACF/PACF data Kab.Kulon Progo
95
4.2.2 Estimasi Parameter dari Model
Tabel 2. Rangkuman Hasil Estimasi Parameter Model
ARIMA(1,0,2) ARIMA(1,0,1) ARIMA(1,0,0) ARIMA(1,0,2)
ar1 p-value > α 0,748> 0,05 (Tidak Signifikan)
p-value < α 0,001< 0,05 (Signifikan)
Tidak
Signifikan
Tidak
Signifikan
ma1 p-value < α 0,1895e-08< 0,05 (Signifikan)
RMSE 38,885 40,011
AIC 254,2 254,79
BIC 260,09 259,5
4.2.3 Pengecekan Diagnostik
ARIMA (1,0,1)
Gambar 4.12 Plot diagnostik arima(1,0,1)
Terlihat dari hasil cek diagnostik di atas, residual dari model ARIMA (1,0,1) merupakan
model yang baik .Dari plot ACF terlihat bahwa residual sudah merupakan model white
noise, ditandai dengan tidak adanya lag ( ≥1) yang keluar dari garis batas interval.
Sedangkan nilai p-value dari statistik Ljung-Box juga di atas garis batas 5%,yang
menandakan hipotesis nol residual tidak mengandung korelasi serial (autokorelasi)
diterima.
96
4.2.4 Forecasting
Gambar 13. Plot Prediksi dan data aktual
4.3 Peramalan Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman.
1. Plot Data
Gambar 14. Plot data Kab.Sleman
Dari plot data di atas dapat diperoleh informasi penting, yakni data produksi
perikanan perairan umum Kabupaten Sleman ternyata mengandung trend dan mengandung
pengaruh musiman juga, dimana rata-rata musiman (L) yang terbentuk adalah 4.Dengan
demikian metode ARIMA Box-Jenkins kurang cocok digunakan akan tetapi metode yang
tepat untuk meramalkan data Kabupaten Sleman ini adalah metode Holt-Winters
Exponential Smoothing.
97
2. Forecasting
Gambar 15. Plot Prediksi dan data aktual
KESIMPULAN
Dari analisis dan pembahasan yang telah dilakukan pada data hasil panen perikanan
perairan umum di Provinsi Daerah Istimewa Yogyakarta perkabupaten perkuartal, dapat
ditarik suatu kesimpulan sebagai berikut:
1) Setelah melalui langkah – langkah analisa, model ARIMA ( 3, 2, 0 ) adalah model
yang paling cocok untuk memodelkan data runtun waktu dan meramalkan periode
kedepan dari data hasil panen/produksi perikanan perairan umum Kabupaten Bantul.
Model ini merupakan model ARIMA non musiman dengan orde AR non musiman 3,
differencing untuk model non musiman 2, dan orde MA non musimannya 0.
2) Model ARIMA ( 1, 0, 1 ) adalah model yang paling cocok untuk memodelkan data
runtun waktu dan meramalkan periode kedepan dari data hasil panen/produksi
perikanan perairan umum Kabupaten Kulon Progo. Model ini merupakan model
ARIMA non musiman dengan orde AR non musiman 1, differencing untuk model
non musiman 0, dan orde MA non musimannya 1.
3) Dari peramalan yang telah dilakukan dari masing-masing Kabupaten perkuartal
diperoleh hasil peramalan tiga tahun ke depannya sebagai berikut;
98
Tabel 3. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul
Perkuartal
Tahun Produksi/Kuartal (ton)
I II III IV
2012 105,63 97,41 58,87 65,42
2013 91,6 77,97 58,24 66,15
2014 78,74 66,88 57,05 63,69
Tabel 4. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Kulonprogo
Perkuartal
Tahun Produksi/Kuartal (ton)
I II III IV
2012 96,32 101,54 105,29 107,97
2013 109,90 111,28 112,27 112,90
2014 113,50 113,86 114,13 114,32
Tabel 5. Prediksi Jumlah Produksi Perikanan Perairan Umum Kabupaten Bantul
Perkuartal
Tahun Produksi/Kuartal (ton)
I II III IV
2012 63,1 37,26 28,11 40,77
2013 61 36 27,16 39,38
2014 58,9 34,76 26,21 37,99