Laporan Kerja Praktik

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


Kabupaten Kulon Progo Pertahun ................................................. 35


Kabupaten Sleman Pertahun .......................................................... 36


Kabupaten Bantul Perkuartal ......................................................... 37


Kabupaten Kulon Progo Perkuartal ............................................... 38

viii


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.


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.


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 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


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



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



perairan umum Kabupaten Kulonprogo tidak stabil karena mengalami kenaikan

dan penurunan. Dalam rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil


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



perairan umum Kabupaten Sleman tidak stabil karena mengalami kenaikan dan

penurunan. Dalam rentang waktu kuartal ke-1 2006 – kuartal ke-4 2011 hasil


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



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.


Hipotesis :

H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model)

H1 : ≠ 0 (Parameter AR /MA cukup signifikan dalam model)

Daerah penolakan


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


Hipotesis :

H0 : = 0 (Parameter AR tidak cukup signifikan dalam model)

H1 : ≠ 0 (Parameter AR cukup signifikan dalam model)

Daerah penolakan


Kesimpulan :


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


Hipotesis :

H0 : = 0 (Parameter MA tidak cukup signifikan dalam model)

H1 : ≠ 0 (Parameter MA cukup signifikan dalam model)

Daerah penolakan


Kesimpulan :


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)







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)



(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









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.


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





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


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


Hipotesis :

H0 : = 0 (Parameter AR /MA tidak cukup signifikan dalam model)

H1 : ≠ 0 (Parameter AR /MA cukup signifikan dalam model)

Daerah penolakan


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


Hipotesis :

H0 : = 0 (Parameter AR dan MA tidak cukup signifikan dalam model)

H1 : ≠ 0 (Parameter AR dan MAcukup signifikan dalam model)

Daerah penolakan


Kesimpulan :


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)






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






69




panen perikanan perairan umum Kabupaten Kulon Progo ( dalam ton ) pada:















jumlah produksi perikanan perairan umum Kabupaten Kulon Progo tidak



70


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





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









panen perikanan perairan umum Kabupaten Sleman ( dalam ton ) pada :





73

Kuartal I 2013 sebesar 61

Kuartal II 2013 sebesar 36









jumlah produksi perikanan perairan umum Kabupaten Sleman tidak



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 :









78






Kulon Progo ( dalam ton ) pada :














Sleman ( dalam ton ) pada :

79





Kuartal I 2013 sebesar 61

Kuartal II 2013 sebesar 36







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










_______, 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



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


100

Lampiran 2:

Data Jumlah Produksi Perikanan Perairan Umum Kabupaten Sleman



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


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

110

Lampiran 6:

Struktur Organisasi Dinas Kelautan dan Perikanan Provinsi DI.Yogyakarta

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 Trend

Pemulusan Musiman

Ramalan

Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan Musiman

mempunyai persamaan sebagai berikut:


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


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)


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)


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


diterima.

3. ARIMA (0,2,1)


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


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)


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


diterima.

96

4.2.4 Forecasting


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


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


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


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


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

Documents

Laporan Kerja Praktik