Pendugaan Luas Panen dan Produksi Jagung Nasional Menggunakan Pendekatan Modeling

Agil Muhammad
| Abstract views: 14 | PDF views: 30 | PDF views: 2

Abstract

Stabilitas produksi merupakan salah satu kendala dalam pengembangan jagung di Indonesia. Penelitian focus pada pengembangan model untuk menduga luas panen dan produksi jagung di Indonesia menggunakan dua model yaitu Arima dan Dumped trend. Data seri waktu dikumpulkan dari periode 1960-2016. Data yang menunjukkan pola gejolak distandarisasi terlebih dahulu menggunakan natural logaritma. Hasil pendugaan menunjukkan kedua model dapat memprediksi dengan baik krend produksi jagung dengan nilai koefisien korelasi >0.98. Sementara itu trend luas panen lebih sulit diprediksi karena pola gejolak data lebih ekstrim. Nilai koefisien korelasi luas panen 0,78 dengan model Arima serta 0,74 dengan model Dumped. Hasil pengujian model menunjukkan bahwa proyeksi tingkat produksi jagung pada tahun 2036 diperkirakan luas panen jagung naik menjadi 4.512.000 ha. Sementara itu hasil ramalan produksi jagung menunjukkan adanya kenaikan produksi dari 23 juta ton pada 2017 menjadi 36 juta ton atau naik sebesar 13 juta ton. Sementara itu Dumped trend menduga produksi jagung lebih tinggi yaitu 23 juta ton pada tahun 2017 dan naik menjadi 41 juta ton pada tahun 2036.

Keywords

Kata kunci: Arima. Dumped Trend, Luas Panen, Produksi, Jagung

Full Text:

PDF PDF

References

Aqil, M., I. Kita, A. Yano, S. Nishiyama. 2006. A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behaviour of runoff. Journal of Hydrology 337. p. 22-34.

Badmus, M. A., and O. S. Ariyo. 2011. Forecasting cultivated area and production of maize in Nigeria using ARIMA model. Asian Journal of Agricultural Sciences 3(3): 171-176, 2011.

Box, G.E.P. and G.M. Jenkin. 1976. Time Series of Analysis, Forecasting and Control, San Fransisco, Helden-Day, California. USA.

BPS. 2016. Laporan luas panen, produktivitas dan produksi jagung Indonesia tahun 1960-2016, Jakarta.

Cheng CH, Huang SF, Teoh HJ. 2011. Predicting daily ozone concentration maxima using fuzzy time series based on a two-stage linguistic partition method. Comput Math Appl 62(4):2016–2028.

Ditjen PSP. 2017. Pedoman Pelaksanaan Pengadaan dan Penyaluran Bantuan Alat dan Mesin Pertanian APBN TA 2017. Direktotat Jenderal Prasarana dan Sarana Pertanian, Kementerian Pertanian: Jakarta

Egrioglu E, Aladag CH, Yolcu U, Basaran MA, Uslu VR. 2009. A new hybrid approach based on SARIMA and partial high order bivariate fuzzy time series forecasting model. Expert Syst Appl 36(4):7424–7434

Enders, W. 2004. Applied econometric time series 2nd edition. New York: John Willey & Sons, Inc.

Fatoki, O., U.A. Mbata, G.A. Olulude and O. Abass. 2010. An application of ARIMA model to Nigeria gross domestic production. Int. J. Stat. Sys., 5(1):310-320

Iqbal TA, Sadik K, dan SUmertajaya IM. 2014. Pemodelan Pengukuran Luas Panen Padi Nasional Menggunakan Generalized Autoregressive Conditional Heteroscedastic Model (GARCH). Penelitian Pertanian Tanaman Pangan Vol. 33 No. 1 2014

Kementerian Pertanian. 2016. Grand Design Produksi Jagung 2016-2045, Kementerian Pertanian: Jakar

Magar, R.B.; Jothiprakash. 2011. Intermittent reservoir daily-inflow prediction using lumped and distributed data multi-linear regression models. J. Earth Syst. Sci. 2011, 120, 1067–1084.

Matsumura, Gaitan CF, Sugimoto K, Alex JC and Hsieh W, 2014. Maize yield forecasting by linear regression and artificial neural networks in Jilin, China The Journal of Agricultural Science · May 2014.

Makridakis, Spyros, Wheelwright, Steven and Victor Mc Gee. 1999. Metode dan aplikasi peramalan (Edisi Bahasa Indonesia), 2nd Edition. Erlangga Jakarta.

Murugan, N. & Manivel, S. 2009. Profit planning of an NGO run enterprise using linear programming approach. International Research Journal of Finance and Economics, 23, 443–454

Musunuru, N, M. Yu, and A. Larson. 2013. Forecasting volatility of returns for corn using GARCH Models. The Texas Journal of Agriculture and Natural Resources. 26: 42-55.

Nurmaulidar, Asep Rusyana, Rizka Maqfirah. 2016. Penggunaan metode exponential smoothing untuk meramalkan persediaan beras pada bulog divre Aceh . Prosiding SEMIRATA Bidang MIPA 2016; BKS-PTN Barat, Palembang 22-24 Mei 2016.

Okasha, K.M., Abu Shanab, M.M.D. 2014). Forecasting Monthly Water Production in Gaza City Using a Seasonal ARIMA Model Scholars Journal of Physics. Mathematics and Statistics, vol. 1, no. 2, pp. 61-67.

Pusdatin. 2016. Outlook Komoditas Pertanian Sub Sektor Tanaman Pangan: Jagung. Pusat Data dan Sistem Informasi Pertanian, Kementerian Pertanian: Jakarta.

Pusdatin. 2017. Analisis Kinerja Perdagangan Jagung. Pusat Data dan Sistem Informasi Pertanian, Kementerian Pertanian, Jakarta.

Ranđelović, V., Prodanović, S., Despotović, S., Glamočlija Đ. 2010. Prinos kukuruza različitih FAO grupa zrenja u funkciji padavina tokom ASI perioda, Zbornik radova XXIV savetovanja agronoma, veterinara i tehnologa. Beograd, vol. 16, no. 1-2, pp. 103-111

Sharda, R. and R. Patil, 1992. Connectionist Approach to Time Series Prediction: An Empirical Test, Journal of Intelligent Manufacturing, Forthcoming

Sulaiman AA, Kariyasa IK, Hoerudin, Subagyono K, SUwandi dan Bahar, FA. 2017. Cara cepat swasembada jagung. Kementerian Pertanian 2017.

Tsaur, R. C., 2012. A Fuzzy Time Series-Markov Chain Model With An Application to Forecast The Exchange Rate Between The Taiwan and US Dollar. International Journal of Innovative Computing, Information, and Control Vol.8, No. 7.

Zheng, Y., H.W. Kinnucan, and H. Thompson. 2008. News and food price volatility. Applied Economics 40: 1629-1635.

Copyright (c) 2019 JURNAL PANGAN
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Refbacks

  • There are currently no refbacks.