ANALISIS HARGA CPO DI PASAR FISIK MEDAN DAN PASAR BERJANGKA MALAYSIA SERTA ROTTERDAM
Oleh : Dendi Suganda A14103523
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2006
RINGKASAN DENDI SUGANDA. Analisis Harga CPO Di Pasar Fisik Medan Serta Pasar Berjangka Malaysia Dan Rotterdam. (Di bawah Bimbingan HARMINI). Seiring dengan semakin menyatunya perekonomian nasional kedalam tatanan ekonomi dunia, ketidakpastian usaha akan menjadi ciri dalam dinamika perekonomian global yang harus dihadapi oleh perekonomian Indonesia. Iklim ketidakpastian usaha tersebut antara lain dicerminkan oleh adanya gejolak perubahan harga komoditi yang fluktuatif. Dalam jangka panjang, ketidakpastian dalam perkembangan harga atau yang biasa disebut dengan resiko harga ini akan menyulitkan para pelaku ekonomi, baik domestik maupun internasional, dalam upaya melakukan perencanaan kegiatan produksi, konsumsi dan distribusi, yang pada akhirnya dapat menghambat pertumbuhan ekonomi. Resiko
juga
semakin
bertambah
dengan
adanya
pengaruh
akibat
perubahan kurs, tingkat suku bunga atau inflasi.mmmmmmmmmmmmmmmmm. Berbagai kebijakan pemerintah dalam bentuk pengaturan berupa penetapan harga, pengaturan tataniaga, subsidi dan harga patokan atau melalui perjanjian komoditas internasional, ternyata tidak memberikan hasil sesuai dengan yang diharapkan atau tidak efektif lagi dalam menstabilkan tingkat harga akibat terjadinya berbagai penyimpangan dalam pelaksanaannya.mmmmmmmm Adanya
kecendrungan
fluktuasi
harga
CPO,
maka
dunia
usaha
Indonesia, termasuk produsen baik yang besar ataupun yang kecil dan kelompok petani, berusaha mencari, mendalami, dan meningkatkan aktivitas pengelolaan resiko agar terlindung dari resiko yang dapat merugikan mereka
melalui
instrumen perdagangan berjangka komoditi. Penelitian ini bertujuan menganalisis pola data harga CPO di pasar fisik dan harga CPO di pasar berjangka, mendapatkan model peramalan terbaik untuk meramalkan harga CPO di pasar fisik dan pasar berjangka, dan meramalkan harga CPO di pasar fisik dan harga CPO di pasar berjangka selama delapan bulan kedepan.m Metode
analisis
pola
data
menggunakan
plot
pola
data,
plot
Autocorrelation Function (ACF) dan plot Partial Autocorrelation Function, serta analisis model time series yaitu model trend linier. Penelitian ini menerapkan berbagai model peramalan time series, yaitu model peramalan naive, rata-rata sederhana, ARIMA dan Winters Multiflikatif, yang sesuai dengan pola data harga CPO setelah melihat perubahan secara struktural pada data di tiga pasar CPO.
Hasil penerapan beberapa model peramalan time series menunjukan bahwa model ARIMA merupakan model terbaik untuk meramalkan harga CPO di tiga pasar CPO. Model peramalan time series yang paling baik dalam meramalkan harga CPO di pasar berjangka Rotterdam, berdasarkan kriteria nilai MAPE adalah model ARIMAm(2,0,0) (2,1,0)7. Model peramalan terbaik untuk meramalkan harga CPO di pasar berjangka Malaysia adalah ARIMA (2,0,0), sedangkan untuk pasar fisik Medan adalah ARIMA (1,0,0) (1,1,0)4. Berdasarkan
hasil
analisis
pola data yang
dilakukan di tiga pasar,
diketahui bahwa selama dua tahun terakhir (2004-2005), harga CPO di pasar fisik dan berjangka secara umum mengalami trend penurunan harga. Penurunan harga CPO selama kurun waktu dua tahun tersebut disebabkan oleh faktor suplai yang berlebih. Malaysia yang merupakan negara produsen CPO nomor satu di dunia, mengalami
kelebihan stok hingga sebanyak 1,4 juta ton pada akhir
Desember 2004. Hasil ramalan menggunakan model peramalan terbaik, memperlihatkan adanya kecendrungan fluktuasi harga yang tidak menentu di tiga pasar CPO dan kecendrungan peningkatan harga, adanya unsur musiman antar minggu dan musiman antar bulan. Hal tersebut memberikan tanda bagi pelaku transaksi di pasar berjangka (produsen CPO) untuk segera melakukan Long Term Contract atau kontrak berjangka, dengan melakukan penguncian harga yang sesuai dengan harga pokok produksi dan keuntungan yang ingin diraih, serta berdasarkan analisis teknikal dan fundamental yang menjadi acuan didalam melakukan strategi lindung nilai.mmmmmmmmm
ANALISIS HARGA CPO DI PASAR FISIK MEDAN DAN PASAR BERJANGKA MALAYSIA SERTA ROTTERDAM
Oleh: DENDI SUGANDA A 14103523
SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar
SARJANA PERTANIAN pada Fakultas Pertanian Institut Pertanian Bogor
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2006
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR Dengan ini menyatakan bahwa skripsi yang ditulis oleh: Nama
: Dendi Suganda
NRP
: A 14103523
Program Studi : Ekstensi Manajemen Agribisnis Judul Skripsi
: Analisis Harga CPO di Pasar Fisik Medan dan Pasar Berjangka Malaysia serta Rotterdam
Dapat diterima sebagai syarat kelulusan pada Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor.
Bogor, Juli 2006 Menyetujui Dosen Pembimbing
Ir. Hj. Harmini, MS. NIP. 13100000
Mengetahui: Dekan Fakultas Pertanian
Prof. Dr. Ir. H. Supiandi Sabiham, M.Agr. NIP. 130 422 698
Tanggal Lulus Ujian: 10 Juli 2006
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI YANG BERJUDUL ‘ANALISIS HARGA CPO DI PASAR FISIK MEDAN DAN PASAR BERJANGKA
MALAYSIA
MERUPAKAN
HASIL
SERTA
KARYA
ROTTERDAM’
SENDIRI
DAN
BENAR-BENAR
BELUM
PERNAH
DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA SUATU PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
BOGOR, JULI 2006
DENDI SUGANDA A 14103523
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 18 Desember 1982 di Kota Palembang, Propinsi Sumatera Selatan. Penulis merupakan putra pertama dari pasangan Ayahanda Sunardi dan Ibunda Ruziah. Penulis menyelesaikan pendidikan Sekolah Dasar pada tahun 1994 di SDN 605 Palembang, kemudian melanjutkan pendidikan di SMP Negeri 46 Palembang dan lulus pada tahun 1997. Pada tahun yang sama penulis melanjutkan
ke
Sekolah
Pertanian
Pembangunan
Negeri
(SPPN)
Sembawa Palembang dan selesai pada tahun 2000. Tahun 2000 penulis diterima di Program Diploma 3 Program Studi Teknisi Peternakan, Bidang Studi Teknisi Usaha Ternak Daging. Jurusan Ilmu Produksi Ternak, Fakultas Peternakan, Institut Pertanian Bogor dan selesai pada tahun 2003. Kemudian pada tahun 2003 penulis diterima di Program Sarjana Ekstensi Manajemen Agribisnis, Departemen Ilmu-ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor.
Bogor, Juli 2006
Dendi Suganda A 14103523
KATA PENGANTAR
Puji dan Syukur penulis panjatkan ke-Hadirat Allah SWT, Tuhan Semesta Alam, tiada Tuhan selain Allah, Rabb yang telah menurunkan Islam sebagai mabda (ideologi) yang merupakan solusi atas seluruh problematika kehidupan manusia.
Atas
Rahmat,
Karunia
dan
Izin-Nya,
maka
penulis
dapat
menyelesaikan skripsi yang berjudul ‘Analisis Harga CPO di Pasar Fisik Medan dan Pasar Berjangka Malaysia serta Rotterdam’. Shalawat dan salam semoga tetap tercurahkan kepada junjungan kita Nabi Besar Muhammad SAW, beserta keluarga, sahabat serta pengikutnya yang senantiasa berdakwah mengajak pada kebenaran dan kemuliaan Islam. Skripsi yang ditulis mengambil judul mengenai ‘Analisis Harga CPO di Pasar Fisik Medan dan Pasar Berjangka Malaysia serta Rotterdam’. Penelitian ini melihat perkembangan harga CPO yang terjadi diberbagai pasar, dalam rangka analisis harga untuk melakukan strategi lindung nilai di pasar berjangka. Pada kesempatan ini penulis mengucapkan terima kasih kepada Ibu Ir. Hj. Harmini, MS selaku dosen pembimbing yang telah memberikan arahan dan masukan dalam penulisan skripsi, serta semua pihak yang telah membantu dalam penyusunan skripsi ini.
Bogor, Juli 2006
Penulis
UCAPAN TERIMAKASIH
Puji dan Syukur penulis panjatkan ke-Hadirat Allah SWT, Tuhan Semesta Alam, tiada Tuhan selain Allah, Rabb yang telah menurunkan Islam sebagai mabda (ideologi) yang merupakan solusi atas seluruh problematika kehidupan manusia.
Atas
Rahmat,
Karunia
dan
Izin-Nya,
maka
penulis
dapat
menyelesaikan skripsi yang berjudul ‘Analisis Harga CPO di Pasar Fisik Medan dan Pasar Berjangka Malaysia serta Rotterdam’. Penulis sadar bahwa dalam menyelesaikan pendidikan ini dibutuhkan bantuan dari berbagai pihak, oleh karena itu pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: 1. Kedua Orang Tua dan seluruh keluarga tercinta atas semua dorongan semangat dan pengorbanannya. 2. Ibu Ir. Hj. Harmini, MS. Selaku dosen pembimbing yang telah bersedia meluangkan
waktunya
dalam
membimbing,
mengarahkan
dan
mengevaluasi penulis selama melakukan penelitian. 3. Bapak Dr. Ir. Nunung Kusnadi, MS selaku dosen penguji utama dan Ibu Dra. Yusalina, MS sebagai dosen dari komisi pendidikan. 4. Bapak Subagio (BAPPEBTI) yang telah memberikan data yang lengkap mengenai harga CPO di berbagai pasar dunia. 5. Ibu Ir. Yayah K Wagiono, MEc. Sebagai Kepala Program Sarjana Ekstensi Manajemen Agribisnis, Institut Pertanian Bogor. 6. Bapak Ir. M. Firdaus, MSi selaku dosen evaluator kolokium. 7. Erwin Permana atas kesediaanya menjadi pembahas dalam seminar. 8. Hizbut Tahrir Indonesia yang telah mencerdaskan pemikiran dan mentasqif untuk berpikir tasyri.
9. Teman-temanku di Markaz Syabab, Iwan ‘juhai’, Ibra, Hello, Mas Ira, Mas Bai, Helmi serta yang sering mangkal di MS; Ari ambon, Jundi, dan lainnya yang tidak dapat penulis sebutkan satu-satu, hanya satu kalimat untuk kalian semua ‘ Thanks for yours Motivated’ 10. Sahabat perjuanganku di L-SIMA Ekstensi (Lembaga Studi Islam Mahasiswa Agribisnis), Insya Allah Khilafah akan segera berdiri dalam waktu dekat. So, tetap semangat guys. 11. Teman-teman aktivis Gema Pembebasan, keep Istiqomah dalam terus menggulirkan revolusi putih; revolusi Islam, dengan Dakwah Tanpa Kekerasan.
DAFTAR ISI Halaman DAFTAR ISI .....................................................................................................
i
DAFTAR TABEL..............................................................................................
iii
DAFTAR GAMBAR .........................................................................................
iv
DAFTAR LAMPIRAN ......................................................................................
v
I.
PENDAHULUAN .....................................................................................
1
1.1. Latar Belakang ......................................................................... 1.2. Perumusan Masalah ................................................................ 1.3. Tujuan Penelitian ..................................................................... 1.4. Manfaat Penelitian .................................................................. 1.5. Ruang Lingkup Penelitian ........................................................
1 4 7 7 7
TINJAUAN PUSTAKA .............................................................................
9
II.
2.1. Tanaman Kelapa Sawit .......................................................... 9 2.2. Minyak Sawit (CPO) ............................................................... 10 2.3. Prospek CPO ......................................................................... 11 2.4. Penelitian Terdahulu ............................................................... 14 III. KERANGKA PEMIKIRAN ........................................................................ 17 3.1. Teoritis..................................................................................... 3.1.1. Harga CPO ................................................................... 3.1.2. Faktor-faktor yang Mempengaruhi Harga CPO ........... 3.1.3. Kondisi Pasar CPO Nasional ....................................... Dan Internasional.......................................................... 3.1.4. Pemasaran CPO .......................................................... 3.1.5. Konsep Pasar Berjangka dan Pasar Fisik ................... 3.1.6. Peramalan .................................................................... 3.1.7. Metode Peramalan ....................................................... 3.1.8. Pemilihan Teknik Peramalan........................................ 3.2. Operasional ............................................................................. IV.
17 17 18 20 20 24 25 28 29 36 37
METODE PENELITIAN ........................................................................... 40 4.1. Waktu dan Lokasi Penelitian .................................................. 40 4.2. Jenis Dan Sumber Data ......................................................... 4.3. Metode Pengolahan dan Analisis Data .................................. 4.4. Pemilihan Model Peramalan Terbaik ..................................... 4.5. Definisi Operasional................................................................
V.
40 40 54 55
PERAMALAN HARGA CPO DIPASAR ................................................ 57 BERJANGKA DAN FISIK 5.1. Harga CPO di Pasar Berjangka Rotterdam............................ 57 5.2. Harga CPO di Pasar Berjangka Malaysia .............................. 66
5.3. Harga CPO di Pasar Fisik Medan .......................................... 75 5.4. Implikasi Hasil Ramalan Bagi Produsen CPO........................ 83 VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan............................................................................. 85 6.2. Saran ....................................................................................... 86 DAFTAR PUSTAKA ........................................................................................ 88 LAMPIRAN ...................................................................................................... 90
DAFTAR TABEL Nomor
Halaman
1. Pasar Internasional Hasil Perkebunan Kelapa Sawit ...................................... 5 2. Pasar Nasional Hasil Perkebunan Kelapa Sawit ........................................... 5 3. Volume dan Nilai Ekspor Minyak Sawit dan Inti Sawit....................................12 4. Pola ACF dan PACF Model ARIMA................................................................47 5. Data Harga Nominal rata-rata CPO Bulanan................................................. 59 di Pasar Berjangka Rotterdam.......................................................................59 6. Perbandingan Model untuk Harga CPO di Pasar Rotterdam ...................... 63 7. Nilai MAPE untuk Model Peramalan Harga CPO ..................................... 65 di Pasar Berjangka Rótterdam.....................................................................65 8. Data Harga Nominal rata-rata CPO Bulanan di Pasar Berjangka Malaysia...........................................................................68 9. Nilai MAPE untuk Model Peramalan ARIMA di Pasar Malaysia................72 10. Nilai MAPE untuk Model Peramalan Harga CPO........................................74 Di Pasar Berjangka Malaysia 11. Data Harga Nominal rata-rata CPO Bulanan di Pasar Fisik Medan ............. 76 12. Nilai MAPE untuk Model Peramalan ARIMA............................................ 80 di Pasar Fisik Medan 13. Nilai MAPE untuk Model di Pasar Fisik Medan
Peramalan
Harga
CPO ........................ 82
DAFTAR GAMBAR Nomor
Halaman
1. Proyeksi Ekspor CPO Indonesia 2000-2010 .................................................. 14 2. Saluran Pemasaran CPO di Pasar Nasional .................................................. 21 3. Saluran Pemasaran CPO ke Luar Negeri.......................................................22 4. Kerangka Pemikiran Operasional Peramalan Harga CPO ............................. 39 5. Diagram Arus untuk Strategi Pembentukan Model Box-Jenkins....................45 6. Plot Data Harga CPO di Pasar Berjangka Rotterdam..................................... 58 7. Plot Data Harga CPO Pasar Rotterdam Minggu 25 sampai Minggu 96 ......... 60 8. Plot ACF dan PACF Harga CPO Pasar Rotterdam ........................................ 60 9. Plot ACF Harga CPO Pasar Rotterdam Deff Lag 7 ........................................ 61 10. Plot ACF dan PACF Residual dari Model ARIMA (2,0,0)(0.1.1)7..................64 11. Plot Data Harga CPO di Pasar Berjangka Malaysia ...................................... 68 12. Plot Data Harga CPO di Pasar Berjangka Malaysia Minggu 25 - 96 ............ 69 13. Plot ACF dan PACF Data Harga CPO di Pasar Berjangka Malaysia ............ 70 14. Plot Data Harga CPO di Pasar Fisik Medan .................................................. 77 15. Plot Data Harga CPO di Pasar Fisik Medan Minggu 21 sampai 96 .............. 77 16. Plot ACF dan PACF Harga CPO di Pasar Fisik Medan ................................. 78 17. Plot ACF Harga CPO di Pasar Fisik Medan Diff Lag 4 .................................. 78
DAFTAR LAMPIRAN Nomor
Halaman
1. Data Harga Nominal CPO Mingguan di Pasar Berjangka Rótterdam dari Minggu 1 Januari 2004 sampai Minggu 4 Desember 2005 (US$/Ton)………………………………………………………………………… 90 2. Output Komputer dari Model ARIMA (2,0,0) (1,1,0)7 di Pasar Berjangka Rotterdam...................................................................... 91 3. Hasil Ramalan untuk Harga CPO di berbagai Pasar:MMMMMMMMMMMM Pasar Berjangka Rótterdam, Pasar Berjangka Malaysia danMMMM Pasar Fisik Medan……………………………………………………………… 92 4. Data Harga Nominal CPO (US$/Ton) Mingguan di Pasar Berjangka Malaysia…………………………………………………………….. 93 5. Output Komputer dari Model ARIMA (2,0,0) di Pasar Berjangka Malaysia..................................................................................... 94 6. Plot ACF dan PACF dari komponen error dengan model ARIMA (2,0,0) dan ARIMA (1,0,0) (1,1,0)4.............................................................. 95 7. Data Harga Nominal CPO (Rp/kg) Mingguan di Pasar Fisik Medan……….. 96 8. Output Komputer dari Model ARIMA (1,0,0) (1,1,0)4 di Pasar Fisik Medan....................................................................................... 97
I. PENDAHULUAN
1.1. Latar Belakang Indonesia merupakan salah satu negara produsen beberapa komoditi primer seperti produk pertanian, perkebunan, dan perikanan serta kehutanan. Sebagian besar dari produk primer tersebut seperti kelapa sawit (termasuk produk turunannya antara lain CPO, olein, minyak goreng dan margarin), karet, lada, kopi, coklat, dan udang, serta ikan telah memenuhi kebutuhan dunia dan mampu bertahan dari krisis ekonomi sehingga memberikan kontribusi yang besar bagi pembangunan nasional. Namun demikian, secara alami bisnis dibidang ekonomi pertanian itu sendiri sangat akrab dengan resiko karena sifatnya yang musiman (seasonal) dan mudah rusak (perishable). Dengan demikian, setiap gejolak yang terjadi dalam pasokan atau permintaan komoditi pertanian secara cepat akan berdampak pada bergejolaknya harga komoditi tersebut. Dalam perekonomian Indonesia sektor pertanian secara tradisional dikenal sebagai sektor penting, karena berperan antara lain sebagai sumber utama pangan, dan pertumbuhan ekonomi. Peranan sektor ini di Indonesia masih dapat ditingkatkan lagi apabila dikelola dengan baik, mengingat semakin langkanya
atau
menurunnya
mutu
sumberdaya
alam,
seperti
minyak
bumi/petrokimia, dan air serta lingkungan secara global, sementara di Indonesia sumber-sumber ini belum tergarap secara optimal. Ke masa depan sektor ini akan terus menjadi sektor penting dalam upaya pengentasan kemiskinan, penciptaan
kesempatan
kerja,
peningkatan
pendapatan
nasional,
dan
penerimaan ekspor, serta berperan sebagai produsen bahan baku untuk penciptaan nilai tambah disektor industri dan jasa1.mmmmmmmmmmmmmmm
1
www.ipard.com 10 Februari 2006
Seiring dengan semakin menyatunya perekonomian nasional kedalam tatanan ekonomi dunia, ketidakpastian usaha akan menjadi ciri dalam dinamika perekonomian global yang harus dihadapi oleh perekonomian Indonesia. Iklim ketidakpastian usaha tersebut antara lain dicerminkan oleh adanya gejolak perubahan harga komoditi yang fluktuatif.mmmmmmmmmmmmmmmmmmmm Dalam jangka panjang, ketidakpastian dalam perkembangan harga atau yang biasa disebut dengan resiko harga ini, akan menyulitkan para pelaku ekonomi, baik domestik maupun internasional, dalam upaya melakukan perencanaan kegiatan produksi, konsumsi dan distribusi, yang pada akhirnya dapat menghambat pertumbuhan ekonomi.
Resiko juga semakin bertambah
dengan adanya pengaruh akibat perubahan kurs, tingkat suku bunga atau inflasi. Berbagai kebijakan pemerintah dalam bentuk pengaturan berupa penetapan harga, pengaturan tataniaga, subsidi dan harga patokan atau melalui perjanjian komoditas internasional, ternyata tidak memberikan hasil sesuai dengan yang diharapkan atau tidak efektif lagi dalam menstabilkan tingkat harga akibat terjadinya berbagai penyimpangan dalam pelaksanaannya.mmmmmmmmmm Fluktuasi harga terjadi pada komoditas CPO sebagai hasil produksi tanaman kelapa sawit. Misalnya, pada bulan Maret tahun 2005 harga CPO di pasar berjangka Malaysia, berkisar antara US$ 384 /ton sampai US$ 414 /ton, dengan rata-rata US$ 392 /ton, atau mengalami kenaikan sebesar equivalen US$ 41 (11,68 persen) dibandingkan dengan harga rata-rata bulan Februari 2005 sebesar US$ 351 /ton. Akan tetapi, pada periode berikutnya yaitu bulan April 2005 harga rata-rata CPO US$ 388,50 /ton atau mengalami penurunan sebesar equivalen US$ 3,5 /ton. Pergerakan harga 2005,
CPO di pasar fisik Belawan Medan selama Maret
berkisar antara Rp 3.741/kg sampai Rp 4.410/kg, dengan rata-rata
Rp 4.006/kg, atau mengalami kenaikan sebesar equivalen
Rp 379/kg (10,44
persen) dibandingkan dengan harga rata-rata bulan Februari 2005 sebesar Rp 3.627/kg. Tapi pada periode berikutnya yaitu bulan April 2005 harga rata-rata CPO Rp 3.937/kg atau mengalami penurunan sebesar Rp 69/kg.mmmmmmmm Adanya kecendrungan
fluktuasi
harga
CPO,
maka
dunia
usaha
Indonesia, termasuk produsen baik yang besar ataupun yang kecil dan kelompok petani, berusaha mencari, mendalami, dan meningkatkan aktivitas pengelolaan resiko agar terlindung dari resiko yang dapat merugikan mereka
melalui
instrumen perdagangan berjangka komoditi. Perdagangan berjangka merupakan bentuk lain dari kegiatan asuransi yang diciptakan berdasarkan mekanisme pasar, yaitu dengan
membentuk pasar turunan dari pasar komoditi fisiknya.
Berdasarkan undang-undang No. 32/1997 tentang perdagangan berjangka komoditi, perdagangan berjangka adalah segala sesuatu yang berkaitan dengan jual beli komoditi dengan penyerahan kemudian berdasarkan kontrak berjangka dan opsi atas kontrak berjangka.……………………………………………………….. Perdagangan berjangka dilakukan di Bursa Berjangka yang hingga saat ini telah didirikan PT. Bursa Berjangka Jakarta (BBJ) dan sesuai dengan Keputusan Presiden Nomor 12 Tahun 1999 tentang komoditas yang dapat dijadikan subjek kontrak berjangka, maka pada
tahap awal komoditas yang
diperdagangkan di lantai bursa adalah olein dan kopi robusta (Badan Pengawas Perdagangan Berjangka Komoditi, 2003b). Sedangkan untuk komoditi CPO, Indonesia belum memiliki pasar berjangka, selama ini perusahaan nasional dan swasta masih memanfaatkan pasar berjangka yang ada di Malaysia atau pasar berjangka yang ada di luar negeri yang lain. Resiko
kerugian
akibat
fluktuasi
harga
dapat
dikurangi
dengan
menggunakan suatu strategi manajemen resiko yaitu lindung nilai (Hedging) di bursa berjangka. Dalam melakukan strategi Hedging ada dua alat analisis yang umumnya digunakan yaitu analisis teknikal dan analisis fundamental. Analisis
teknikal menggunakan pola data time series untuk menggambarkan bagaimana perkembangan harga suatu komoditi dengan melakukan peramalan, sedangkan analisis fundamental
didasarkan pada faktor yang mempengaruhi perubahan
harga. Perkembangan harga yang terjadi di pasar fisik menjadi acuan bagi pasar berjangka. Dengan adanya pasar fisik dan pasar berjangka dapat menjadi alternatif strategi pemasaran bagi produsen dalam memasarkan CPO, sehingga peramalan dapat membantu bagi produsen di dalam menentukan pilihan berdasarkan peramalan harga dengan model time series atau analisis teknikal, untuk pasar fisik ataupun pasar berjangka.
1.2. Perumusan Masalah Tingkat harga komoditas yang terjadi di pasar fisik selalu berfluktuasi sesuai dengan permintaan dan penawaran terhadap komoditas tersebut di pasar internasional dan domestik. Resiko dan ketidakpastian merupakan salah satu faktor
yang
menyebabkan
kegagalan
pasar
(market
failure)
sehingga
menyebabkan pasar terdistorsi dan ouput ekonomi tidak tercapai secara optimal. Di pasar internasional seperti pasar berjangka Rotterdam dan pasar fisik CPO Malaysia harga CPO cenderung berfluktuatif. Beberapa faktor yang mempengaruhi harga CPO adalah, pertama faktor musiman seperti perubahan cuaca yang akan mempengaruhi produksi
produk subtitusi seperti minyak
kedelai, minyak kacang tanah, minyak mustar dan minyak bunga matahari, faktor yang kedua adalah harga produk subtitusi yang fluktuatif, faktor ketiga adalah pengaruh dari nilai tukar rupiah, faktor keempat kebijakan pemerintah negara tujuan ekspor yang menaikan tarif bea masuk impor minyak kelapa sawit (CPO), faktor kelima kondisi politik dan keamanan negara, faktor keenam adalah siklus informasi aktual dunia, yaitu perkembangan harian dari Free on Board (FOB) Malaysia dan Cost Insurance Freight (CIF) Rotterdam.
Pergerakan harga CPO di pasar internasional ditransmisikan ke pasar domestik (border price dan whole sale price) melalui mekanisme pasar. Secara umum pergerakan harga CPO domestik searah dengan perkembangan harga CPO di pasar internasional. Tabel 1 menunjukan gambaran jumlah pasar ouput kelapa sawit domestik dan internasional.
Tabel 1. Pasar Internasional Hasil Perkebunan Kelapa Sawit Tahun 2005 Komoditi
CPO CPO (KLCE) RBD Olein RBD Stearin Fatty Acid PKO PKM
Kondisi
CIF Rotterdam FOB Malaysia FOB Malaysia FOB Malaysia FOB Malaysia CIF Rotterdam CIF Germany
L o k a s i P a s a r Rotterdam Kuala Lumpur Rotterdam Rotterdam Rotterdam Rotterdam Germany
Sumber : www.kpbptpn.com. 28 Maret 2006
Di dalam negeri, pasar CPO hanya terdapat di Pelabuhan Belawan, Medan. Sedangkan pasar minyak inti sawit (PKO) tidak ada. Pasar hasil perkebunan kelapa sawit yang banyak adalah pasar Olein, yang merupakan produk turunan dari CPO. Kondisi ini dapat dilihat di Tabel 2.mmmmmmmmm Fluktuasi harga CPO dapat menguntungkan dan dapat pula merugikan produsen. Adanya kerugian dari fluktuasi harga inilah yang mengakibatkan para produsen dan eksportir perlu melakukan strategi lindung nilai diperdagangan berjangka terhadap produk-produk atau bahan baku untuk mengamankan usahanya di pasar fisik.
Tabel 2. Pasar Nasional Hasil Perkebunan Kelapa Sawit Tahun 2005 Komoditi
Kondisi Penyerahan
Lokasi Pasar
CPO
FOB Belawan (Franco Pabrik Medan)
Medan incl.PPn
Olein
FOB Belawan (Franco Pabrik Medan)
Medan incl.PPn
Olein
Franco Pabrik Jakarta
Jakarta incl.PPn
Olein
Franco Pabrik Surabaya
Surabaya incl.PPn
Olein
Franco Pabrik Semarang
Semarang incl .PPn
Sumber : www.kpbptpn.com. 28 Maret 2006
Semakin kecil jumlah ketidakpastian yang harus diatasi akan semakin baik dalam menyusun suatu rencana kerja usahanya. Dengan demikian, mengurangi atau mengalihkan resiko kerugian akibat perubahan harga merupakan hal yang tidak terpisahkan dari suatu tindakan manajemen. Setelah melakukan strategi lindung nilai produsen dapat menentukan prioritas pasar yang akan lebih dulu ditujunya, pasar fisik atau pasar berjangka.MMMMMMMMMMMM Dalam melakukan strategi lindung nilai untuk mengetahui perkembangan harga yang terjadi, terdapat dua alat analisis yang digunakan yaitu analisis fundamental dan analisis teknikal. Model peramalan time series merupakan bagian dari analisis teknikal untuk mengetahui perkembangan harga yang terjadi. Hasil dari peramalan ini akan digunakan oleh para produsen atau eksportir untuk melakukan strategi lindung nilai, dalam rangka untuk meminimalisasi resiko dari fluktuasi
harga
CPO
yang
terjadi
di
pasar
berjangka
fisik.MMMMM......................................................................................
dan
pasar .
Dalam penelitian ini, peramalan time series (analisis teknikal) merupakan alat analisis yang digunakan. Ketika melakukan peramalan dibutuhkan suatu metode yang tepat dengan pola data yang diketahui bentuknya. Metode yang
tepat dan pola data yang diketahui bentuknya berguna untuk menghasilkan metode peramalan dengan hasil ramalan yang mendekati keadaan aktual. Metode peramalan yang memberikan nilai MAPE yang terkecil dianggap sebagai metode terbaik untuk digunakan dalam meramal harga sawit di pasar fisik dan harga CPO di pasar berjangka. Berdasarkan paparan
di atas, maka dalam
penelitian ini dapat dirumuskan masalah-masalah sebagai berikut :
1. Bagaimana pola data harga minyak di pasar fisik
dan harga CPO di
pasar berjangka? 2. Metode peramalan time series mana yang terbaik untuk meramalkan harga CPO di pasar fisik dan harga CPO di pasar berjangka?
1.3. Tujuan Penelitian Berdasarkan
permasalahan diatas, maka
tujuan penelitian dapat
dirumuskan sebagai berikut : 1. Menganalisis pola data harga CPO di pasar fisik dan harga CPO di pasar berjangka 2. Mendapatkan model peramalan terbaik untuk meramalkan harga CPO di pasar fisik dan pasar berjangka 3. Meramalkan harga CPO di pasar fisik dan harga CPO di pasar berjangka selama delapan bulan kedepan
1.4. Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat bermanfaat bagi penulis, pembaca, serta para stakeholder yang terlibat di pasar fisik dan pasar berjangka. Bagi penulis, penelitian ini berguna dalam mengaplikasikan ilmu-ilmu yang telah diterima selama kuliah, serta sebagai wahana latihan untuk menghasilkan karya
ilmiah yang lebih baik lagi kedepannya. Bagi pembaca, hasil dari penelitian ini dapat
digunakan
sebagai
sumber
bacaan
dan
bahan
untuk
penelitian
selanjutnya, serta bahan pertimbangan didalam melakukan strategi lindung nilai dan memilih pasar yang akan dituju sebagai tempat penjualan, juga sebagai pertimbangan dalam mengambil keputusan investasi.
1.5. Ruang Lingkup Penelitian Pada penelitian ini, hanya menekankan kepada peramalan time series dalam rangka melakukan strategi lindung nilai di pasar berjangka dan peramalan harga dipasar fisik, sedangkan bagaimana melakukan strategi lindung nilai dan analisis faktor-faktor yang mempengaruhi harga CPO bukan menjadi bagian dari penelitian ini.
II. TINJAUAN PUSTAKA
2.1. Tanaman Kelapa Sawit Kelapa sawit adalah tanaman perkebunan berupa pohon batang lurus dari famili Palmae. Tanaman tropis ini dikenal sebagai penghasil minyak sayur ini berasal dari Amerika. Brazil dipercaya sebagai tempat dimana pertama kali kelapa sawit tumbuh. Dari tempat asalnya, tanaman ini menyebar ke Afrika, Amerika Equatorial, Asia Tenggara dan Pasifik selatan. Benih kelapa sawit pertama yang ditanam di Indonesia pada tahun 1984 berasal dari Mauritius Afrika. Perkebunan kelapa sawit pertama dibangun di Tanahitam, Hulu Sumatera Utara oleh Schadt seorang Jerman pada tahun 1911 (Setyamidjaja, D. 1991). Pulau Sumatra terutama Sumatera Utara, Lampung dan Aceh merupakan pusat penanaman kelapa sawit yang pertama kali terbentuk di Indonesia, namun demikian sentra penanaman ini berkembang ke Jawa Barat (Garut selatan, Banten Selatan), Kalimantan Barat dan Timur, Riau, Jambi, Irian Jaya. Pada tahun 1995 luas perkebunan kelapa sawit adalah 2.025 juta, dan diperkirakan pada tahun 2005 luas perkebunan menjadi 2.7 juta hektar dengan produksi minyak sebesar 9.9 ton/tahun (Setyamidjaja, D. 1991). Tanaman
kelapa
sawit
(Elaeis
quineensis
Jacq)
memiliki
waktu
tumbuhnya 20-25 tahun. Pada tiga tahun pertama disebut sebagai kelapa sawit muda karena belum menghasilkan buah. Kelapa sawit mulai berbuah pada usia 4 – 6 tahun dan pada usia 7 – 10 tahun disebut sebagai periode matang (the mature periode), dimana pada periode tersebut mulai menghasilkan tandan buah segar (TBS). Tanaman kelapa sawit pada usia 11-20 tahun mulai mengalami penurunan produksi TBS, terkadang pada usia 20-25 tahun tanaman kelapa sawit mati (Setyamidjaja, D. 1991).
2.2. Minyak Sawit (CPO) Semua komponen buah sawit dapat dimanfaatkan secara maksimal. Buah sawit memiliki daging dan biji sawit (kernel), dimana daging sawit diolah menjadi minyak sawit atau CPO (crude palm oil) sedangkan biji sawit diolah menjadi minyak biji sawit atau PKO (palm kernel oil), dengan hasil ekstraksi CPO 20 persen dan PKO 2,5 persen. Sementara itu, cangkang biji sawit dapat dipergunakan
sebagai
bahan
bakar
ketel
uap
(Turner
and
Gillbank,
1974).MMMMMMMMMMM CPO dan PKO adalah ester asam lemak dan gliserol yang disebut trigliserida. Trigliserida minyak sawit kaya dengan asam palmitat, oleat, linoleat, stearat, dan gliserol, sedangkan minyak inti sawit mengandung asam laurat, miristat, stearat, gliserol dan sedikit palmitat. Selain trigliserida, minyak sawit juga mengandung vitamin A dan E. Minyak sawit dapat dipergunakan untuk bahan makanan dan industri melalui proses penyulingan, penjernihan dan penghilangan bau atau Refined, Bleached and Deodorized Palm Oil (RBDPO) (Lubis dan Naibaho, 1999)
2.2.1. Produk Turunan Minyak Kelapa Sawit Selain sebagai sumber minyak goreng, produk turunan minyak kelapa sawit masih banyak manfaatnya (Dirjen Bina Produksi Perkebunan, 2004) antara lain :
1. Produk turunan CPO selain minyak goreng dapat dihasilkan margarine, shortening, vanaspati (vegetable ghee), ice creams, bakery fats, instant noodle, sabun dan detergent, cocoa butter extender, chocolate dan coating, specialty fats, dry soap mixes, sugar confectionary, textiles oils dan biodiesel.
2. Produk turunan PKO fats,
ice
cream,
yaitu shortening, cocoa buter subtitute, specialty coffe
whitener/cream, sugar confectionary,
biscuit, cream fats, filled imitation cream, sabun dan detergent, shampo dan kosmetik.
3. Produk turunan oleochemicals kelapa sawit yaitu methyl ester, plastic, textile processing, metal processing, lubricants, emulsifers, detergent, glicerine,
cosmetic,
explosives,
pharmaceutical
product
dan
food
protective coatings.
2.3. Prospek CPO 2.3.1. Prospek CPO Di Pasar Internasional Hasil analisis yang dilakukan FAO (2001), Mielke (2001), dan Susila (2002) di dalam Susila (2006) menunjukkan bahwa prospek pasar CPO di pasar internasional relatif masih cerah. Hal ini antara lain tercermin dari sisi konsumsi yang diperkirakan masih terbuka dengan laju pertumbuhan konsumsi CPO dunia diproyeksikan mencapai sekitar 3,5 persen – 4,5 persen per tahun. Peningkatan yang signifikan terutama akan terjadi pada negara yang sedang berkembang seperti di Cina, Pakistan, dan juga Indonesia. Indonesia diperkirakan akan mengalami peningkatan konsumsi dengan laju sekitar 4 – 6 persen per tahun. Konsumsi CPO di Cina dan Pakistan diproyeksikan juga akan tumbuh dengan laju sekitar 4-6% per tahun (Susila 2006).
Produksi CPO dunia pada dekade
mendatang masih akan didominasi oleh Malaysia dan Indonesia. Malaysia sebagai produsen utama akan mengalami peningkatan produksi dengan laju 2,8 persen per tahun. Indonesia diperkirakan masih akan mempunyai peluang untuk peningkatan produksi dengan laju antara 7.6 persen per tahun, sehingga produksi CPO Indonesia pada tahun 2005 mencapai 10 juta ton (Susila,2006).
Perdagangan (ekspor-impor) CPO dunia diproyeksikan akan meningkat dengan laju sekitar 3.8% per tahun. Perkembangan yang demikian, maka volume perdagangan pada tahun 2005 diproyeksikan sekitar 19.16 juta ton (FAO 2001). Malaysia dan Indonesia tetap merupakan negara pengekspor utama dengan peluang peningkatan ekspor masing-masing sekitar 3.2% dan 6.5% per tahun. Berikut ini gambaran volume dan nilai ekspor Minyak Sawit (CPO) dan Minyak Inti Sawit (PKO) selama periode 1990-2004.
Tabel 3. Volume dan Nilai Ekspor Minyak Sawit dan Inti Sawit Periode 1990-2004 Tahun
Ekspor Minyak Sawit
Minyak Inti Sawit
Volume (ton)
Nilai (ribu)
Volume (ton)
Nilai (ribu)
1990
815.580
203.507
158.303
44.182
1991
1167.689
335.481
136.322
42.754
1992
1.030.272
356.494
222.541
109.841
1993
1.632.012
582.629
275.225
110.188
1994
1.631.203
717.811
340.504
177.583
1995
1.265.024
747.414
311.399
187.267
1996
1.671.957
825.415
341.318
235.168
1997
2.967.589
1.446.10
502.979
294.255
1998
1.479.278
745.277
347.009
195.447
1999
3.298.987
1.114.240
597.843
347.975
2000
4.110.027
1.087.270
578.825
239.120
2001
4.903.218
1.080.900
581.926
146.259
2002
6.333.708
2.092.400
673.846
256.234
2003
7.543.204
2.956.342
751.578
304.450
2004
8.250.365
3.856.450
825.652
385.950
Sumber: Direktorat Jenderal Bina Produksi Perkebunan (2006)
Berdasarkan sudut alokasi pangsa pasar, Indonesia diperkirakan masih menguasai pasar untuk negara-negara di beberapa Eropa Barat seperti Inggris, Italia, Belanda, dan Jerman. Malaysia lebih banyak menguasai pasar China (1.8 juta ton), India (1.7 juta ton), EU (1.5 juta ton), Pakistan (1.1 juta ton), Mesir (0.5 juta ton), dan Jepang (0.4 juta ton). Seperti kebanyakan harga produk primer pertanian, harga CPO relatif sulit untuk diprediksi dengan akurasi yang tinggi. Harga cenderung fluktuatif dengan dinamika yang perubahan yang relatif sangat cepat. Dengan kesulitan tersebut, maka proyeksi harga yang dilakukan lebih pada menduga kisaran harga untuk periode 2000-2005. Jika tidak ada shock dalam perdagangan dan produksi, maka harga CPO di pasar internasional pada periode tersebut diperkirakan lebih tinggi bila dibandingkan dengan situasi harga tahun 2001 yang dengan rata-rata sekitar US$ 265/ton. Di samping itu, mulai menurunnya stok pada periode menjelang 2005 juga mendukung perkiraan tersebut. Dengan argumen tersebut, harga CPO sampai dengan 2005 diperkirakan akan berfluktuasi sekitar US$ 350-450/ton (Susila dan Supriono 2001 dalam Susila 2006).mmmmmmmmmmmmmmmmmmmmmmmmmmmm 2.4.2. Peluang Pasar Indonesiammmmmmmmmmmmmmmmmmmmmmm Secara umum, ada dua sumber permintaan (peluang pasar) untuk CPO Indonesia yaitu konsumsi domestik dan ekspor. Setelah sebelumnya meningkat dengan laju sekitar 8% per tahun, peluang konsumsi CPO di dalam negeri diperkirakan akan meningkat dengan laju antara 6% pada tahap awal dan menurun menjadi sekitar 4% pada akhir dekade mendatang. Untuk periode 20002005, konsumsi domestik diperkirakan meningkat dengan laju 5%-6% per tahun. Selanjutnya, untuk periode 2005-2010, laju peningkatan konsumsi diperkirakan adalah 3%-5% per tahun. Dengan laju pertumbuhan tersebut, maka konsumsi domestik pada tahun 2005 dan 2010 masing-masing adalah 3.92 juta ton dan 4.58 juta ton (Susila 2006).
Selain mengandalkan pasar domestik, pasar ekspor merupakan pasar utama CPO Indonesia. Ekspor CPO Indonesia pada dekade terakhir meningkat dengan laju antara 7-8% per tahun. Di samping dipengaruhi oleh harga di pasar internasional dan tingkat produksi, kinerja ekspor CPO Indonesia juga sangat dipengaruhi oleh kebijakan pemerintah, khususnya tingkat pajak ekspor.
Gambar 1. Proyeksi Ekspor CPO Indonesia. 2000-2010
Berdasarkan asumsi tingkat pajak ekspor adalah masih di bawah 5%, maka ekspor CPO Indonesia diperkirakan akan tumbuh dengan laju 4-8% per tahun pada periode 2000-2010. Pada periode 2000-2005, ekspor akan tumbuh dengan laju 5 persen – 8 persen per tahun sehingga volume ekspor pada periode tersebut sekitar 5.4 juta ton. Pada periode 2005-2010, volume ekspor meningkat dengan laju 4 persen -5 persen per tahun yang membuat volume ekspor menjadi 6,79 juta ton pada tahun 2010 (Susila, 2006). Pada lima tahun terakhir, ketika Indonesia mengalami krisis multi-dimensional dan tingkat persaingan pasar
minyak nabati yang dihadapi CPO semakin ketat, laju pertumbuhan industri CPO mulai melambat.
2.6. Penelitian Terdahulu Penelitian mengenai peramalan dengan menggunakan metode kuantitatif sebagai alat bantu sudah banyak dilakukan. Hasibuan (2003) melakukan penelitian mengenai peramalan produksi CPO PT Sucofindo Medan, penelitian ini bertujuan mengidentifikasi pola data produksi CPO dengan mengamati plot data dan plot autokorelasinya. Berdasarkan plot data dan plot autokorelasi data produksi CPO PT Sucofindo Medan, diketahui bahwa pola data tidak stasioner, memiliki unsur trend dan musiman. Berdasarkan nilai MSE terendah, maka metode peramalan yang dipilih adalah metode ARIMA (1,1,1). Zega
(2003)
melakukan
penelitian
mengenai
faktor-faktor
yang
mempengaruhi penetapan harga CPO di PTPN III dan faktor-faktor yang mempengaruhi pemasaran CPO, dari hasil penelitian ini diketahui bahwa pemasaran CPO sangat dipengaruhi oleh faktor produk. Faktor produk yang dimaksud adalah kualitas CPO, sedangkan penetapan harga CPO sangat tergantung kepada mekanisme pasar, baik pasar domestik maupun pasar luar negeri. Beberapa faktor yang mempengaruhi kebijakan pemasaran CPO
di
PTPN III, yaitu faktor internal yang terdiri dari kapasitas pabrik dan pengadaan modal kerja, kebijaksanaan harga jual dan para kesan pembeli. Faktor eksternal yang diketahui terdiri dari kebijakan pemerintah, perkembangan perekonomian dunia, perkembangan sosial ekonomi masyarakat dan situasi persaingan. Selain itu, fluktuasi harga CPO dipengaruhi oleh beberapa faktor yang antara lain penawaran dan permintaan yang terjadi, kondisi politik dan keamanan negara, kondisi nilai tukar rupiah, perkembangan komoditi subtitusi CPO dunia, siklus informasi aktual dunia dan kondisi yang tidak dapat diperkirakan.mmmmmmm
Jafarudin, M. (2005) melakukan penelitian mengenai Peramalan Produksi TBS di Kebun Percobaan Betung II A. Tujuan penelitiannya adalah menganalisis pola data produksi TBS dikebun percobaan Betung II A dan mendapatkan metode peramalan time series yang paling sesuai untuk meramalkan produksi TBS di kebun percobaan Betung II A. Berdasarkan plot data disimpulkan bahwa data produksi tidak stasioner, terdapat unsur tren dan musiman. Dari hasil analisis metode peramalan terbaik
disimpulkan bahwa metode ARIMA
merupakan metode yang terbaik dengan nilai MSE yang terkecil dibandingkan dengan metode peramalan yang lain. Peramalan produksi Crude Palm Oil (CPO) dan Palm Kernel Oil (PKO) di PT Panamtama Kebun Teluk Dalam, Asahan Sumatera utara dilakukan oleh Siringoringo T. S (2005). Berdasarkan
penelitiannya metode peramalan
kuantitatif yang terbaik untuk produksi CPO dan PKO adalah metode ARIMA. Penentuan metode terbaik dilakukan berdasarkan nilai MAPE yang dihasilkan dan keefisienan dalam menerapkan metode. Berdasarkan hasil ulasan terhadap penelitian sebelumnya diperoleh kesimpulan bahwa peramalan terhadap produksi CPO telah banyak dilakukan, mulai dari penelitian Hasibuan (2003), Jafarudin, M. (2005), dan Siringoringo T. S (2005), sedangkan penelitian mengenai faktor-faktor yang mempengaruhi harga CPO di PTPN III dilakukan oleh Zega (2003). Hasil ulasan penelitian sebelumnya diperoleh manfaat yang dapat digunakan dalam penelitian ini, yaitu hasil penelitian Hasibuan (2003), Jafarudin, M. (2005), dan Siringoringo T. S (2005) dapat diketahui bagaimana pola data dan metode peramalan terbaik, yang dapat digunakan untuk meramalkan produksi CPO di perusahaan perkebunan kelapa sawit swasta dan negara. Penelitian Hasibuan (2003) berkaitan tentang peramalan CPO di PT Socfindo menjadi bahan masukan dalam menentukan metode peramalan yang akan diterapkan dalam meramalkan
produksi CPO dan PKO PT. PANAMTAMA. Tiga model terbaik dari penelitian Hasibuan adalah model ARIMA, model regresi dan model Winters. Berdasarkan penelitian Zega (2003) dapat diketahui mengenai faktorfaktor
yang
mempengaruhi
pemasaran
CPO
dan
faktor-faktor
yang
mempengaruhi penetapan harga CPO di PTPN III. Dengan demikan, hasil penelitian Zega (2003) menjadi bahan masukan untuk mengetahui faktor-faktor yang mempengaruhi harga minyak sawit domestik dan internasional.
III. KERANGKA PEMIKIRAN
3.1. Kerangka Pemikiran Teoritis 3.1.1. Harga CPO Harga adalah sejumlah nilai yang dibutuhkan untuk mendapatkan sejumlah kombinasi dari produk beserta pelayanannya (Swastha, 1997). Biaya yang dikeluarkan suatu perusahaan dalam memproduksi, mendistribusikan, memasarkan dan biaya atas resiko harus dapat menentukan perusahaan dalam menetapkan harga jual. Untuk menentukan harga diperlukan suatu metode yang terdiri atas penetapan harga mark up, penetapan harga sasaran pengembalian, penetapan harga nilai yang diterima, penetapan harga tingkat yang sedang berlaku dan penetapan harga tawaran tertutup. Di dalam bauran pemasaran harga merupakan satu-satunya unsur yang mewakili pendapatan (Kotler, 2000). Menurut Bangun
(2005) harga dapat menggambarkan bagaimana
prospek suatu usaha kedepannya, industri kelapa sawit diperkirakan akan tetap eksis kedepannya. Optimisme itu muncul karena harga CPO mentah di pasar dunia terus membaik. Diperkirakan meningkat.
Indikasi
ke
arah
harga tersebut dalam waktu dekat akan
sana
semakin
menguat
setelah
melihat
perkembangan harga pasar. Naik turunnya harga TBS dalam negeri dipengaruhi oleh naik turunnya harga CPO mentah di pasar Rotterdam dan Malaysia. Perbaikan harga di kedua bursa itu, dipicu oleh permintaan industri minyak nabati India yang terus membesar. Pada tahun 2002 industri minyak India membutuhkan lebih dari satu juta ton per bulan dan separuh dari total permintaan itu dipasok dari industri CPO Indonesia.mmmmmmmmmmmm Penetapan harga CPO sangat tergantung pada mekanisme pasar, baik pasar lokal maupun internasional. Umumnya produsen CPO tidak dapat
mempengaruhi penetapan harga, tetapi dalam penetapan harga CPO, produsen tersebut menggunakan metode penetapan harga berdasarkan nilai, dengan mempertimbangkan harga-harga CPO pesaing. Harga CPO internasional merupakan harga yang berlaku di pasar fisik CPO di luar negeri seperti pasar Rotterdam dan pasar Malaysia, sedangkan harga CPO lokal (nasional) adalah harga CPO yang berlaku di pasar lokal seperti pasar Belawan, Medan. (Simanjuntak, D 2003). 3.1.2. Faktor-faktor yang Mempengaruhi Harga CPO Berdasarkan hasil penelitian Zega (2003), dalam memasarkan CPO untuk pasar lokal maupun ekspor, harga jual ditentukan oleh mekanisme pasar. Penetapan harga CPO berdasarkan harga pasar Rotterdam dan harga psar Kuala
Lumpur
dengan
dikurangi
biaya-biaya
seperti:
biaya
pengapalan/transportasi, pajak ekspor dan PPN 21. Fluktuasi harga CPO dipengaruhi beberapa hal, antara lain:
1. Penawaran dan Permintaan yang Terjadi Diasumsikan penawaran tetap, namun apabila permintaan pasar maka harga CPO akan naik
dan
begitu
pula
sebaliknya
permintaan tetap dengan penawaran yang terus meningkat
naik
diasumsikan
maka dipastikan
harga CPO akan turun.
2. Kondisi Politik dan Keamanan Negara Berpengaruh pada kontinuitas pasokan CPO. Jika keadaan
politik dan
keamanan tidak stabil, akan menghambat kegiatan produksi. Kegiatan distribusi produk ke konsumen juga akan terkendala karena
kemungkinan
terjadinya
tindakan kriminal seperti penjarahan dalam proses transportasi dan antrian
menuju kapal yang memakan waktu lama. Terganggunya proses pengapalan akan mempengaruhi kualitas CPO
3. Kondisi Nilai Tukar Rupiah Penetapan harga
jual
CPO yang
ekspor berpatokan pada nilai tukar rupiah menguat terhadap Dollar Amerika harga
terjadi
baik
lokal
maupun
terhadap Dollar Amerika. Jika rupiah komoditi primer di pasar dunia akan
meningkat sehingga harga CPO juga akan meningkat.
4. Kondisi yang Tidak Dapat di Perkirakan (lost majeur) Keadaan alam seperti banjir, kemarau
panjang, badai El Nino akan
mengakibatkan menurunnya produktivitas tanaman kelapa sawit. Kondisi ini akan menghambat kontinuitas pasokan produksi
CPO
yang
akan
dijual oleh
perusahaan.
5. Siklus Informasi Aktual Dunia Siklus perkembangan harga harian dari FOB Malaysia dan CIF Rotterdam mempengaruhi penetapan harga CPO melalui negoisasi antara pihak dengan pembeli, karena apabila harganya turun
konsumen
penjual
cenderung
menginginkan hal yang serupa terjadi pada harga CPO yang ditawarkan penjual. Untuk itu peran R & D dan Marketing Intelligence untuk mengetahui situasi pasar dan rekomendasi harga jual bagi pihak manajemen berperan penting.
6. Perkembangan Komoditi Subtitusi CPO Dunia Perkembangan rape dan bunga matahari
harga minyak nabati seperti: minyak kedelai, bunga akan
mempengaruhi harga CPO dunia. Apabila
harga-harga komoditi subtitusi naik, maka CPO dari penjual berpeluang menjadi
pilihan pembeli. Begitu juga jika terjadi
kekurangan
pasokan
produk
subtitusinya, permintaan CPO dari penjual akan meningkat.
3.1.3. Kondisi Pasar CPO Nasional dan Internasional 3.1.3.1. Pasar CPO Nasional Pemasaran CPO Indonesia hasil produksi dari perkebunan negara atau pengusaha perkebunan swasta untuk keperluan dalam negeri diatur melalui SK Dirjen Perdagangan Dalam Negeri No. 22/DAGRI KP/T/83, SK ini merupakan perubahan dan penyesuaian dari SK yang pernah ditetapkan sebelumnya (tahun 1979), yaitu tentang Pedoman Petunjuk Teknis SK Menteri Perdagangan dan Koperasi, Menteri Pertanian, dan Menteri Perindustrian tentang Tataniaga CPO Kebutuhan Dalam Negeri (Susilowati, 1989). Surat
keputusan tersebut antara lain mengatur alokasi CPO untuk
masing-masing industri pengolahan CPO dalam kurun waktu enam bulan disesuaikan dengan kebutuhan
dalam
jumlah minyak kelapa sawit yang disediakan untuk negeri
dan
kebutuhan
masing-masing
industri
yang
bersangkutan. Selanjutnya seluruh alokasi CPO yang disediakan hanya dapat dipergunakan untuk keperluan bahan baku industri penerima alokasi dan tidak dibenarkan
untuk
diperjualbelikan.
Jumlah
efektif
CPO
yang
harus
didistribusikan kedalam negeri dan penetapan harganya diatur melalui Surat Keputusan Bersama Menteri Perdagangan, Menteri Pertanian, dan Menteri Perindustrian
dimana masing-masing
Departemen mempunyai tugas-tugas
sebagai berikut: Departemen Pertanian menyampaikan jumlah produksi dan rencana ekspor dari masing-masing produsen serta melakukan pengawasan penyaluran
CPO kepada
industri
pengolah
didalam
negeri,
selanjutnya
Departemen Perindustrian menyampaikan kapasitas dan kebutuhan masing-
masing
unit industri minyak goreng, sabun, dan industri lainnya, serta
melakukan alokasi
pengawasan terhadap perusahaan-perusahaan industri penerima
CPO. Berdasarkan kedua data tersebut barulah ditetapkan jumlah
efektif CPO yang dialokasikan untuk kebutuhan industri pengolahan
minyak
sawit, sekaligus menetapkan harganya.mmmmm.mmmmmmmmmmmmmmmm Penetapan
harga untuk pembelian CPO oleh pabrik industri dalam
negeri diatur melalui SK Menteri Perdagangan dan Industri No. 04/KP/1/1986. harga yang berlaku ditetapkan berdasarkan patokan harga di pasar fisik CPO internasional yaitu FOB Belawan Malaysia. Syarat-syarat penyerahan CPO dari produsen kepada industri dilaksanakan berdasarkan SK Dirjen Perdagangan Dalam Negeri yang pada pokoknya mengatur harga dan cara penyerahan CPO dari produsen kepada industri pengolah menurut lokasi industri masing-masing. Sementara itu saluran pemasaran CPO dari produsen sampai ke konsumen digambarkan sebagai berikut :
Perusahaan Swasta
PNP/PTP Tender di KPB
Spot di KPB
Konsumen Dalam Negeri
LTC di KPB
Gambar 2. Saluran Pemasaran CPO di Pasar Nasional Sumber : dimodifikasi dari Zega (2003) dari Susilowati (1989) Keterangan LTC PNP/PTP
: :
: Long Term Contract (Kontrak Jangka Panjang) Perusahaan Nasional Perkebunan/ PT Perkebunan
CPO
yang diperdagangkan berasal dari dua sumber, yaitu dari
perusahaan-perusahaan
perkebunan
milik
negara
(PNP/PTP)
dan
dari
perusahaan swasta. Sesuai dengan kesepakatan diantara PNP/PTP, CPO yang berasal PNP/PTP tersebut pemasarannya harus melalui Kantor Pemasaran Bersama (KPB). Sistem pemasaran yang dilakukan adalah dengan sistem tender/ lelang, penawaran langsung (spot) dan kontrak jangka panjang (Long Term Contract) dilakukan oleh KPB dengan PTPN
dan perusahaan swasta. Tender/ lelang
merupakan suatu sistem penjualan untuk mencari pembeli dengan penawaran tertinggi yang mencapai price idea. Pembeli dengan harga tertinggi inilah yang disebut pemenang tender. Penjualan langsung dilakukan apabila tidak tercapai kesepakatan harga antara pihak penjual dengan pembeli, biasanya ditawarkan pada pembeli dengan harga tetap dengan harga yang sesuai dengan harga pasar. Kontrak jangka panjang juga hampir sama dengan penawaran langsung, namun penawaran yang terjadi untuk masa yang akan datang, biasanya dalam jangka waktu satu bulan atau dengan kata lain merupakan sistem pesanan (order ) (Zega,2003).).
Berdasarkan
3.1.3.2. Pasar CPO Internasional Pemasaran CPO Indonesia hasil produksi dari perkebunan negara atau pengusaha swasta ke luar negeri seluruhnya ditangani oleh Kantor Pemasaran Bersama (KPB). Saluran pemasaran CPO dari produsen ke konsumen dapat dilihat pada Gambar 3. CPO yang berasal dari Indonesia tersebut dikirim ke importir melalui broker. Tetapi ada pula dari produsen ke importir tanpa melalui broker (Susilowati, 1989). Sesuai dengan kesepakatan diantara PNP/PTP, CPO yang berasal dari PNP/PTP tersebut pemasarannya harus melalui KPB baik untuk konsumen dalam negeri maupun luar negeri.
Perusahaan Swasta
PNP/PTP
KPB
Importir Luar Negeri
Broker Lokal
Badan Pemasaran Luar Negeri Konsumen Luar Negeri
Gambar 3. Saluran Pemasaran CPO ke Luar Negeri
Pemasaran konsumen luar negeri, semula pemasarannya melalui brokerbroker lokal selanjutnya broker tersebut harus berhubungan dengan badan pemasaran di luar negeri, seperti Indoham yang menangani pemasaran di Hamburg dan New York. Namun dewasa ini dengan pertimbangan untuk memotong rantai pemasaran agar lebih pendek, dengan tujuan akhir agar dapat lebih meningkatkan pangsa pasar di luar negeri. Oleh karena itu, penjualan CPO tidak lagi harus
melalui badan pemasaran luar
langsung berhubungan dengan
importir luar
negeri,
namun dapat
negeri.mmmm...........................
CPO yang berasal dari perusahaan swasta, untuk pemasaran keluar negeri dapat langsung berhubungan dengan importir atau agen luar negeri. Pada umumnya perusahaan-perusahaan
kecil akan bergabung pada perusahaan
yang besar, selanjutnya perusahaan besar tersebut yang akan memasarkan ke luar negeri. Untuk keperluan ini mereka memiliki kantor perwakilan diluar negeri, sebagai contoh adalah PT Sucofindo, merupakan eksportir non PTP yang relatif besar. Harga di FOB Malaysia dan CIF Rotterdam menjadi patokan perusahaan PTP dan Swasta didalam menentukan harga ekspor, sebelum terjadinya tawar
menawar harga dengan importir atau broker (Susilowati 1989). Pemasaran keluar negeri dilakukan juga melalui pasar berjangka, seperti yang dilakukan oleh PT PP London Sumatera, selama tahun 2004 sampai tahun 2005 perusahaan ini melakukan penjualan CPO nya melalui pasar berjangka. Penjualan crude palm oil (CPO) hasil produksi PT PP London Sumatera Indonesia TBk (Lonsum) ke pasar dunia relatif stabil karena mekanisme penjualan yang digunakan adalah sistem penjualan berjangka, atau kontrak 6 bulan ke depan. Oleh karena itu, meskipun tren harga CPO di pasar dunia melemah, harga penjualan CPO Lonsum stabil. Mekanisme penjualan kontrak berjangka merupakan strategi yang terbaik disaat menghadapi fluktuasi harga yang tidak menentu. Kontrak penjualan berjangka memakai mekanisme pematokan harga terhadap transaksi suatu komoditas hingga beberapa waktu ke depan. Dalam kaitan itu, harga rata-rata CPO FOB Belawan Lonsum mencapai pada tingkat US$ 380 per metrik ton dengan para importir di luar negeri. Mekanisme penjualan sistem kontrak berjangka itu ditempuh sesuai strategi penjualan sehingga Lonsum dapat memprediksikan fluktuasi harga CPO di pasar internasional dalam 6 bulan ke depan. Selain itu, cara itu cukup aman dalam menjaga biaya yang dikeluarkan dengan sebagian mata uang asing1.
3.1.4. Pemasaran CPO Produsen CPO pada umumya memasarkan hasil produksinya dalam bentuk CPO dan PKO, sistem pemasaran dilakukan secara langsung dan tidak langsung. Pemasaran langsung dilakukan dengan memasarkan produknya kepasar internasional, yaitu diekspor. Pemasaran tidak langsung dilakukan dengan memasarkan CPO melalui Kantor Pemasaran Bersama (KPB) di Jakarta, sistem pengiriman barang oleh produsen ke pihak pembeli berdasarkan pesanan, dalam hal ini pembeli memesan barang melalui KPB. Setelah tercapai
1
www.Agroindonesia.com.28 Januari 2006
kesepakatan harga
antara pihak pembeli dengan produsen baik mutu, dan
jumlah barang, syarat pembayaran, waktu dan tempat penyerahan barang, pihak produsen akan mengirimkan pesanan melalui pasar lokal (pelabuhan) terdekat kepada pembeli dengan syarat penyerahan secara FOB (Simanjuntak, D 2003)
3.1.5. Konsep Pasar Berjangka dan Pasar Fisik Bursa berjangka merupakan pasar derivatif, yang berbeda dari pasar komoditi secara fisik yang telah umum kita kenal. Di pasar berjangka, diperdagangkan dipersyaratkan
kontrak secara
berjangka standar.
atas
komoditi
Berdasarkan
UU
tertentu
yang
No.32/1997
telah
tentang
perdagangan berjangka komoditi, perdagangan berjangka adalah segala sesuatu yang berkaitan dengan jual beli komoditi dengan penyerahan kemudian berdasarkan kontrak berjangka dan opsi atas kontrak berjangka (Badan Pengawas Berjangka Komoditi, 2003a). Beberapa ketentuan yang telah ditetapkan secara standar dalam kontrak berjangka, antara lain jenis komoditi, mutu, jumlah satuan perkontrak, bulan penyerahan, tempat penyerahan, dan persyaratan penyerahan. Karena bentuknya yang standar itu, maka yang di”negoisasi”kan hanya harganya saja. Performance atau ”terpenuhinya” kontrak berjangka sesuai dengan spesifikasi yang tercantum dalam kontrak, dijamin oleh suatu lembaga khusus yaitu Lembaga Kliring Berjangka. Dengan demikan di bursa berjangka akan terdapat banyak pasar berjangka, sesuai dengan banyaknya komoditi yang diperdagangkan. Di bursa, pembeli dan penjual bertemu satu sama lain dan melakukan transaksi untuk membeli atau menjual sejumlah komoditi untuk kemudian hari, sesuai isi atau spesifikasi kontrak. Harga komoditi yang terbentuk di bursa berlangsung secara transparan. Dengan demikian, harga tersebut akan mencerminkan kekuatan pasokan dan permintaan yang sebenarnya. Transaksi di bursa dilakukan oleh
para anggota bursa, yang terdiri dari Hedger (para petani produsen, pedagang komoditi, prosesor dan industri pemakai), Investor (spekulator) dan pialang berjangka, baik dengan cara berteriak (open outcry) atau secara elektronik (authomated atau electronic trading system). Selanjutnya, harga yang terjadi dicatat menurut bulan penyerahan
masing-masing kontrak berjangka dan
diumumkan secara luas kepada masyarakat. Menurut Djunaidi (1999),
perbedaan antara perdagangan berjangka
(futures) dengan perdagangan fisik (forward) adalah sebagai berikut: 1. Kontrak Pada
perdagangan
fisik
syarat
kontrak
berdasarkan
negoisasi
sedangkan pada perdagangan berjangka syarat kontrak standard sesuai dengan ketetapan yang berlaku di bursa dan menurut Rambey (1999) kontrak forward yang diperdagangkan di pasar fisik dibuat secara ’tailor made’, tidak terstandarisasi, umumnya hanya terdapat satu delivery date, Settlement dilaksanakan diakhir periode kontrak dan umumnya terjadi delivery berupa cash settlement pada saat berakhirnya kontrak. Sedangkan kontrak berjangka diperdagangkan sesuai standard melalui bursa dan terdaftar pada lembaga kliring, terdapat delivery date dalam satu rentang waktu dengan settlement dilaksanakan secara harian melalui mekanisme margin trading dan kontrak umumnya diakhiri sebelum maturity. 2. Aktivitas Pasar Pada perdagangan fisik aktivitas pasar tidak diregulasi, sedangkan di pasar berjangka diregulasi oleh bursa. 3. Penetapan Harga Penetapan harga pada perdagangan fisik kurang kompetitif karena adanya negoisasi antara penjual dan pembeli. Sedangkan di pasar berjangka terjadi tawar menawar secara kompetitif sesuai dengan sistem lantai bursa.
4. Likuidasi Likuidasi pada perdagangan fisik biasanya sulit, sedangkan pada perdagangan berjangka mudah di offset (ditutup). Manfaat utama dari penyelenggaraan perdagangan berjangka komoditi yaitu sarana pembentukan harga (price discovery) yang transparan dan wajar, yang
mencerminkan
kondisi
yang
sebenarnya
dari
diperdagangkan dan sebagai sarana pengelolaan resiko
komoditi
yang
(risk management)
melalui kegiatan lindung nilai atau hedging (Badan Pengawas Perdagangan Berjangka Komoditi, 2003a). Pada dasarnya, harga komoditi primer sering berfluktuasi karena ketergantungannya pada faktor-faktor yang sulit dikuasai seperti kelainan musim, bencana alam, dan lain-lain. Dengan kegiatan lindung nilai menggunakan kontrak berjangka, mereka dapat mengurangi sekecil mungkin resiko yang diakibatkan gejolak harga tersebut. Dengan memanfaatkan kontrak berjangka, produsen komoditi dapat menjual komoditi yang baru akan mereka panen beberapa bulan kemudian, pada harga yang telah dipastikan atau “dikunci” sekarang (sebelum panen). Dengan demikian, mereka dapat memperoleh jaminan harga sehingga tidak terpengaruh oleh kenaikan atau penurunan harga jual di pasar tunai. Sebagai
jaminan,
semua
pengguna
pasar
berjangka,
dipersyaratkan
menyerahkan sejumlah uang yang disebut “margin”. Besarnya per kontrak umumnya berkisar antara 5 % - 10 % dari nilai kontrak. Adapun besarnya margin berbeda-beda tergantung pada komoditi, waktu, dan gejolak harga yang terjadi. Dalam perjalanannya, margin ini memerlukan tambahan (margin call), karena berkurang dari margin awalnya akibat pergerakan harga yang berlawanan dengan yang diperkirakan semula. Bila saldo margin mencapai batas tertentu, kepada setiap nasabah yang memiliki posisi “terbuka” baik beli atau jual, harus menambahkan marginnya kebesaran semula (margin awal). Margin yang telah
ditetapkan berlaku untuk periode waktu
tertentu, dan dapat diubah sesuai
dengan situasi dan kondisi yang ada. Selain itu ada biaya komisi yang dikenakan oleh pialang berjangka, yang besaran minimumnya ditetapkan bursa atas persetujuan Badan Pengawas Perdagangan
Berjangka Komoditi (Bapppebti,
2003b).
3.1.5.1. Lindung Nilai (Hedging) Dalam setiap kegiatan perdagangan, pengusaha selalu mengharapkan keuntungan, akan tetapi juga dihadapkan kepada resiko kerugian yang selalu melekat dalam kegiatan usahanya. Resiko umumnya berasal dari akibat perubahan harga barang, perubahan kurs mata uang, suku bunga, inflasi dan lain sebagainya. Untuk melindungi pengusaha dari resiko tersebut, dapat dilakukan lindung nilai yaitu suatu kegiatan pengambilan posisi di pasar berjangka yang berlawanan dengan posisinya di pasar fisik (Badan Pengawas Perdagangan Berjangka Komoditi, 2003b). Dengan lindung nilai, resiko tersebut dapat dialihkan kepada investor yang mengharapkan keuntungan dari perubahan harga di Bursa Berjangka. Manfaat lindung nilai selain merupakan sarana untuk mengurangi atau meminimalkan resiko akibat perubahan harga juga memberikan kepastian berusaha karena membantu pengendalian produk dan persediaan bahan baku guna memenuhi kebutuhan produsen, pengolah atau pabrikan. Lindung nilai memberikan peluang bagi Bank untuk menyediakan dana yang lebih besar karena lebih terjamin. Menurut Badan Pengawas Perdagangan Berjangka Komoditi (2003b) secara garis besar ada dua jenis lindung nilai yaitu lindung nilai jual untuk mengatasi resiko turunnya harga dan lindung nilai beli untuk mengatasi resiko kenaikan harga.
3.1.6. Peramalan Peramalan merupakan alat kuantitatif yang digunakan untuk membantu didalam mengambil suatu keputusan. Suatu keputusan akan lebih baik hasilnya bila memadukan antara hasil kuantitatif (peramalan) dan intuisi (pendapat pribadi). Hampir setiap organisasi memerlukan ramalan baik secara eksplisit maupun secara implisit, karena hampir setiap organisasi harus membuat perencanaan agar sesuai dengan kondisi masa depan yang tidak diketahui dengan baik. Selain itu, peramalan dibutuhkan pada semua lini fungsional, begitu pula pada semua jenis organisasi. Peramalan dibutuhkan dalam bidang keuangan, pemasaran, personalia, dan lingkup produksi, dalam pemerintahan dan organisasi pencari laba, dalam klub sosial kecil, dan dalam partai politik nasional (Hanke et al. 2003). Gaynor dan Kirkpatrick (1994) mengungkapkan bahwa peramalan merupakan pendugaan terhadap kegiatan masa depan. Metode peramalan dapat berdasarkan pengalaman, penilaian, opini dari ahli atau model matematika yang menggambarkan pola data historis. Peramalan merupakan suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahan dapat diperkecil. Peramalan dapat juga diartikan sebagai suatu usaha memperkirakan perubahan, agar tidak disalahpahami bahwa peramalan tidak memberikan jawaban yang pasti tentang apa yang akan terjadi, melainkan akan mencari yang sedekat mungkin dengan apa yang akan terjadi (Mulyono 2000).
3.1.7. Metode Peramalan Peramalan kualitatif pada hakekatnya didasarkan pada intuisi atau pengalaman empris dari perencana atau pengambil keputusan, sehingga relatif
lebih subjektif. Pada situasi manajemen dan industri (pasar) yang masih sederhana, peramalan kualitatif dapat memberikan akurasi hasil peramalan yang relatif sama dengan peramalan kuantitatif. Metode kualitatif dapat memberikan hasil yang bias ketika beberapa individu tertentu mendominasi proses peramalan melalui reputasi, kekuatan kepribadian atau posisi strategis dalam organisasi. (Anmi L, 2004). Metode peramalan terbagi menjadi dua yaitu metode peramalan kualitatif
dan metode kuantitatif.
3.1.7.1. Metode Kualitatif Metode peramalan kualitatif tidak memerlukan data seperti halnya dalam metode kuantitatif, akan tetapi bukan berarti bahwa metode kualitatif tidak membutuhkan data kuantitatif, tetapi terdapat perbedaan diantara keduanya. perbedaan ini terletak pada penggunaan data. Metode kualitatif membutuhkan input yang tergantung pada metode tertentu dan biasanya merupakan hasil dari pemikiran intuitif, pertimbangan dan pengetahuan yang didapat. Pendekatan dengan metode ini seringkali memerlukan input dari sejumlah orang yang telah terlatih secara khusus. Metode peramalan ini terbagi atas metode eksploratoris (metode Delphi, kurva- S analogi, dan penelitian morfologis) dimulai dari masa lalu dan masa kini sebagai titik awalnya dan bergerak secara heuristik dengan melihat semua kemungkinan yang ada. Pada metode normatif (matriks keputusan, pohon relevansi, dan analisis sistem) dimulai dengan menetapkan sasaran dan tujuan yang akan datang, kemudian melihat ke masa lalu apakah hal ini dapat dicapai berdasarkan kendala sumberdaya dan teknologi yang tersedia (Makridakis et al., 1999).
3.1.7.2. Metode Kuantitatif Makridakis et al., (1999) menulis bahwa peramalan kuantitatif memiliki sifat yang objektif berdasarkan pada keadaan aktual (data) yang diolah dengan menggunakan metode-metode tertentu. Penggunaan suatu metode juga harus didasarkan pada fenomena manajemen atau bisnis apa yang akan diramalkan dan tujuan yang ingin dicapai melalui peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut : 1. Tersedia informasi masa lalu 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik 3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa datang Pada dua asumsi pertama merupakan
syarat
keharusan
bagi
penerapan metode peramalan kuantitatif. Asumsi ketiga merupakan syarat kecukupan, artinya walaupun asumsi ketiga dilanggar, model yang dirumuskan masih dapat digunakan. Hal tersebut akan memberikan kesalahan peramalan yang relatif besar bila perubahan pola data maupun bentuk hubungan fungsional tersebut terjadi secara sistematis. Metode peramalan kuantitatif terbagi menjadi dua yaitu; model time series dan model kausal Dalam penelitian ini model peramalan yang digunakan adalah model time series. Menurut Hanke et al,. (2003) faktor utama yang mempengaruhi pemilihan teknik peramalan untuk data deret waktu (time series) adalah identifikasi dan pemahaman pola historis data. Pola data tersebut terbagi menjadi empat, yaitu : 1). Pola Horisontal Pola ini terjadi pada saat data observasi berfluktuasi disekitar nilai rata-rata konstan. Pola ini disebut juga pola stasioner. 2). Pola Trend
Pola ini muncul ketika observasi data menaik atau menurun pada periode
yang
panjang.
Contoh
dari
rangkaian
trend
adalah
pertumbuhan populasi, inflasi harga, perubahan teknologi, preferensi konsumen dan kenaikan produktifitas. 3). Pola Siklis (cyclus) Pola ini muncul pada saat observasi data memperlihatkan kenaikan dan penurunan pada periode yang tidak tetap. Komponen siklik
mirip
fluktuasi
gelombang
disekitar
trend
yang
sering
dipengaruhi oleh kondisi ekonomi. Fluktuasi siklik sering dipengaruhi oleh perubahan pada ekspansi dan kontraksi ekonomi. 4). Pola Musiman (seasonality) Pola
terjadi pada saat data observasi dipengaruhi oleh faktor
musiman. Komponen musiman mengacu pada suatu pola perubahan yang berulang dengan sendirinya dari tahun ketahun. Untuk deret bulanan, komponen musiman mengukur keragaman deret dari setiap Januari, setiap Februari dan seterusnya. Untuk deret triwulanan, ada empat elemen musim, masing-masing satu untuk setiap triwulan. Berdasarkan keempat tipe pola data tersebut, menurut Hanke et al,. (2003)
beberapa teknik peramalan yang dapat digunakan adalah sebagai
berikut: : 1). Teknik peramalan data dengan trend Teknik peramalan yang perlu dipertimbangkan
untuk pola
data
stasioner adalah model simple moving average (rata-rata bergerak), pemulusan eksponensial linier Holt, regresi linier sederhana, dan model Autoregressive Integrated Moving Average (ARIMA) 2). Teknik peramalan data stasioner
Teknik peramalan yang perlu dipertimbangkan pada data stasioner adalah model naive, model rata-rata sederhana, rata-rata bergerak, pemulusan eksponensial linier Holt sederhana, dan model rata-rata terintegrasi bergerak autoregresif (ARIMA) atau model Box-Jenkins 3). Teknik peramalan untuk data dengan musiman Teknik-teknik yang perlu dipertimbangkan ketika meramalkan deret musiman terdiri dari dekomposisi klasik, sensus X-12, pemulusan eksponensial winters, regresi berganda deret waktu, dan model ARIMA 4) Teknik peramalan untuk deret bersiklus Teknik-teknik yang perlu dipertimbangkan ketika meramalkan deret bersiklus terdiri dari dekomposisi klasik, indikator ekonomi, model ekonometrik, regresi berganda, dan model ARIMA Teknik peramalan yang digunakan dalam peramalan time series terdiri dari beberapa model. Pembagian model tersebut beragam menurut para ahli, namun pada dasarnya memiliki maksud dan tujuan yang sama. Model-model peramalan time series tersebut, adalah sebagai berikut : 1. Model Trend Model
ini menggambarkan pergerakan data yang meningkat atau
menurun dalam jangka waktu yang panjang. Model ini menggambarkan hubungan antara periode dengan variabel yang diramal dengan menggunakan analisis regresi. 2. Model Naif (naive) Model ini merupakan model sederhana yang menyatakan bahwa nilai suatu variabel saat ini merupakan perkiraan terbaik untuk nilai berikutnya atau nilai variabel dimasa depan akan tetap sama.
3. Model rata-rata 1) Model rata-rata sederhana (simple average) Menurut Hanke et al,. (2003) model ini merupakan model yang tepat ketika seri data secara umum tidak berubah dan stabil, misalnya jumlah penjualan produk daur hidupnya berada dalam kondisi maturity. Model ini menggunakan rata-rata dari seluruh data historis sebagai ramalan untuk periode mendatang. 2) Model rata-rata bergerak sederhana (simple moving average) Model ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada setiap nilai, muncul nilai pengamatan baru, nilai ratarata baru dapat dihitung dengan membuang nilai observasi yang paling tua dan memasukan nilai pengamatan yang terbaru. Model ini tidak dapat mengatasi unsur trend dan musiman. 3) Model rata-rata bergerak ganda Model ini menghitung rata-rata bergerak sebelumnya, pola data time series umumnya mengandung unsur trend linier (Hanke et al., 2003)
4. Model Pemulusan Eksponensial (exponential smoothing) Model pemulusan ini terdiri atas : 1). Model pemulusan eksponensial tunggal (single eksponential smoothing) model ini digunakan untuk peramalan data time series tanpa trend atau pola
stasioner.
Model
ini
juga
banyak
mengurangi
masalah
penyimpangan data karena tidak perlu lagi menyimpan semua data historis atau sebagian seperti halnya dalam model rata-rata bergerak. 2). Model pemulusan eksponensial tunggal : pendekatan adiftif Model ini memiliki kelebihan yaitu dalam hal nilai a yang dapat berubah secara otomatis. Nilai
a akan berubah secara otomatis jika terdapat
perubahan dalam pola data dasar. Model ini juga digunakan untuk peramalan data time series dengan pola data stasioner. 3). Model pemulusan eksponensial ganda: model linier satu parameter dari Brown (double exponential smoothing with linier trend) Model ini memiliki tambahan
nilai pemulusan dan disesuaikan untuk
mengatasi unsur trend. 4). Model pemulusan eksponensial ganda Holt (exponential smoothing linear trend) Model Holt tidak menggunakan rumus pemulusan berganda secara langsung. Model ini menggunakan dua konstanta pemulusan (a dan ß). 5). Model pemulusan eksponensial triple (model Brown-triple exponential smoothing) Model ini digunakan untuk peramalan data time series dengan trend kuadratik. Model ini memasukan tingkat pemulusan tambahan dan hanya memiliki satu konstanta pemulusan. 5. Model Box -Jenkins (ARIMA) Model Autoregressive Integrated Moving Average (ARIMA) adalah jenis model linier yang mampu mewakili deret waktu yang stasioner dan non stasioner. Model ini tidak mengikutkan variabel bebas dalam pembentukannya, model ini menggunakan informasi dalam deret itu sendiri untuk menghasilkan ramalan. Misalnya model ARIMA untuk penjualan bulanan akan memproyeksikan pola penjualan historis untuk meramalkan penjualan bulan depan (Hanke et al., 2003). 6. Model Dekomposisi Model
ini
berusaha
memisahkan
berbagai
komponen
yang
mempengaruhi perilaku deret data. Pemisahan (dekomposisi) ini bertujuan untuk membantu pemahaman atas perilaku deret data sehingga dapat dicapai keakuratan peramalan yang lebih baik. Model ini terdiri dari :
1). Dekomposisi aditif, model ini untuk pola data yang fluktuasinya
relatif
konstan. 2). Dekomposisi multiflikatif, model ini untuk pola data yang
fluktuasinya
proporsional terhadap trend. 7. Model Winters Model ini cocok digunakan untuk serial data yang mempunyai pola trend linier, serta faktor musiman. Kelebihan model ini adalah mudah dan cepat untuk meng-update ramalan ketika data baru diperoleh, jika trend dan musiman berubah dalam data historis dan pembobot optimal digunakan maka hasilnya lebih baik jika dibandingkan dengan model dekomposisi. Kelemahannya adalah pembobot optimal yang diperoleh harus selalu dimonitor dan jika ada pengaruh siklis hasil ramalannya tidak akurat karena komponen siklis tidak diperhitungkan.
3.1.8. Pemilihan Teknik Peramalan Hanke et al., (2003) menuliskan bahwa beberapa pertanyaan yang harus dipertimbangkan sebelum memutuskan
teknik peramalan mana yang paling
cocok untuk suatu masalah tertentu adalah : 1. Kenapa ramalan dibutuhkan? 2. Siapa yang akan menggunakan ramalan? 3. Karakteristik apa yang ada pada data yang tersedia? 4. berapa periode waktu yang akan diramalkan? 5. Berapa data minimum yang menjadi persyaratan? 6. Seberapa besar derajat keakuratan dikehendaki? 7. Berapa biaya peramalan? Dalam memilih teknik peramalan yang sesuai dengan benar, peramal harus dapat mengerjakan hal-hal berikut : 1. Menetapkan sifat dasar masalah peramalan
2. Menjelaskan sifat dasar data yang sedang diteliti 3. Mendeskripsikan kemampuan dan keterbatasan potensial dari teknikteknik peramalan yang kemungkinan sangat berguna Tingkat harga komoditas yang terjadi di pasar fisik selalu berfluktuasi 4. Mengembangkan sejumlah kriteria yang ditentukan terlebih dahulu sebagai dasar untuk memilih keputusan. Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan pemahaman pola data historis (Hanke et al., 2003).
3.2. Kerangka Pemikiran Operasional Tingkat
harga
komoditas CPO
yang terjadi
di pasar fisik selalu
berfluktuasi sesuai dengan permintaan dan penawaran terhadap komoditas tersebut di pasar internasional dan domestik. Resiko dan ketidakpastian merupakan salah satu faktor yang menyebabkan kegagalan pasar (market failure) sehingga menyebabkan pasar terdistorsi dan ouput ekonomi tidak tercapai secara optimal. Pemasaran komoditi CPO oleh pemasar di pasar fisik dan pasar berjangka akan sama-sama menghadapi fluktuasi harga, transaksi di pasar fisik yang dilakukan oleh pemasar tidak ada lindung nilai (hedging) yang dapat dilakukan, sehingga harus menanggung semua resiko yang disebabkan oleh fluktuasi harga. Berbeda dengan transaksi di pasar berjangka, pemasar dapat melakukan lindung nilai, sehingga
dapat meminimalisir resiko perubahan harga
yang dihadapi. Seorang produsen, pemasar ataupun eksportir yang melakukan lindung nilai tidak sepenuhnya terlepas dari resiko harga. Produsen tersebut harus tetap berhadapan dengan fluktuasi harga di pasar fisik dan fluktuasi harga di pasar berjangka. Fluktuasi harga di pasar fisik dipengaruhi oleh tingkat permintaan dan penawaran aktual komoditas, sedangkan fluktuasi harga di bursa berjangka
komoditas dipengaruhi oleh prediksi para pelaku bursa berjangka komoditas dimasa mendatang. Pergerakan harga fisik dan harga berjangka merupakan sumber data yang diperlukan dalam analisis teknikal untuk melakukan strategi lindung nilai. Instrumen yang dipakai dalam analisis teknikal adalah model peramalan time series. Untuk melakukan analisis teknikal dalam rangka melakukan strategi lindung nilai, dapat diketahui dengan melakukan penelitian mengenai peramalan harga CPO di pasar fisik dan pasar berjangka. Dengan penelitian ini dapat diketahui bagaimana pola data dan dapat dipilih suatu metode peramalan yang paling mendekati kondisi aktualnya. Hal pertama yang harus dilakukan untuk mendapatkan hasil peramalan yang baik adalah melakukan pengidentifikasian pola data. Pola data dipelajari dari deret data harga CPO di pasar fisik dan pasar berjangka masa lalu dan plot autokorelasi. Dari pola data yang didapat, kemudian akan disesuaikan dengan metode peramalan kuantitatif yang akan digunakan. Metode peramalan kuantitatif terdiri dari dua metode yaitu metode kausal dan time series. Pada penelitian ini digunakan model time series yang memang sering digunakan oleh pelaku perdagangan di pasar berjangka. Model
time
series yang digunakan antara lain tren, dan ARIMA serta Dekomposisi Multiflikatif dan Additif. Berdasarkan model peramalan tersebut, lalu dipilih model peramalan yang terbaik dengan nilai MAPE terkecil. Setelah didapatkan model peramalan terbaik, kemudian dilakukan peramalan selama beberapa bulan kedepan berdasarkan model terbaik.
Fluktuasi harga CPO yang terjadi di pasar berjangka dan pasar fisik, menyebabkan produsen (eksportir) CPO kesulitan didalam mengurangi (meminimalisir) resiko kerugian akibat terjadinya fluktuasi harga CPO.
Faktor-faktor yang mempengaruhi harga CPO
Analisis Harga CPO di Pasar Fisik dan Berjangka
Identifikasi Pola Data
Penyesuaian Pola Data dengan Model Peramalan Yang akan digunakan
Model Time Series Model Sederhana ; Naïve, Rata-rata sederhana, dll Tren Dekomposisi ARIMA Smoothing Winters
Pemiihan Model Peramalan Terbaik untuk Meramalkan Harga CPO Nasional dan Internasional
Implikasi Hasil Ramalan Bagi Produsen CPO Keterangan : - - - - - - - - - : Tidak diteliti dalam penelitian Gambar 4. Kerangka Pemikiran Operasional Peramalan Harga CPO di Pasar Berjangka dan Pasar Fisik
IV. METODE PENELITIAN
4.1. Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan mulai dari bulan Februari 2006. Pengambilan data
dilakukan
di
Badan
Pengawas
Perdagangan
Berjangka
Komoditi
(BAPPEBTI) yang berlokasi di Jakarta. Pengambilan data dilakukan pada bulan April sampai Mei 2006.
4.2. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk deret berkala. Data yang digunakan berupa data harga CPO di pasar fisik Belawan, Medan dan harga CPO di pasar berjangka Rotterdam dan Malaysia. Data harga CPO di pasar berjangka Rotterdam dan pasar fisik Medan diperoleh dari informasi statistik yang dimiliki oleh Badan Pengawas Perdagangan Berjangka Komoditi (BAPPEBTI) yang berlokasi di Jakarta, selama kurun waktu dua tahun yakni mulai dari Januari 2004 sampai dengan Desember 2005. Data yang diperoleh untuk pasar berjangka Rotterdam berupa data harga nominal CPO harian dengan satuan
US $/ton, untuk pasar fisik Belawan harga yang
diperoleh berupa harga nominal CPO harian dengan satuan Rp/kg. Data harga CPO di pasar berjangka Malaysia diperoleh dari internet, selama kurun waktu tujuh belas bulan mulai dari Januari 2004 sampai dengan Mei 2005, data harga nominal CPO harian dengan satuan
US $/ton. Untuk memudahkan proses
peramalan maka data tersebut diubah dalam bentuk rata-rata dalam periode waktu mingguan.
4.3. Metode Pengolahan dan Analisis Data Data sekunder yang diperoleh diolah menggunakan komputer dengan program Microsoft Excel. Program Minitab 14 digunakan untuk menganalisis
plot data harga minyak sawit (CPO), proses peramalan dengan model trend, dekomposisi serta ARIMA yang diolah dengan Program Minitab 14. Program QSB digunakan untuk meramalkan harga dengan model Winters dan Smoothing. Pemilihan program tersebut dikarenakan merupakan program yang telah sering digunakan
dan
mudah
digunakan.
Analisis
deskriptif
digunakan
untuk
menjelaskan pola musiman yang terjadi disetiap pasar CPO, dengan tabulasi sederhana dalam hitungan rataan minggu dan bulan.
4.3.1. Identifikasi Pola Data Harga CPO Data harga CPO diplot menggunakan program Minitab 14. Berdasarkan hasil plot data tersebut dapat diketahui secara visual bagaimana bentuk pola data, apakah mengandung unsur trend atau stasioner. Kestasioneran data dapat dilihat apakah data memiliki kecendrungan semakin meningkat, semakin menurun, atau terdapat fluktuasi musiman. Berdasarkan pola tersebut dapat diduga untuk sementara
model peramalan apa yang baik digunakan dalam
meramalkan harga CPO diberbagai pasar. Program Minitab 14 digunakan untuk mengidentifikasi plot autokorelasi (ACF) dan plot autokorelasi parsial (PACF). Dari hasil plot autokorelasi dapat dipelajari pola fluktuasi harga CPO dari waktu ke waktu secara inferensia. Hal ini dilakukan juga untuk melihat apakah data stasioner atau ada unsur trend serta unsur lainnya. Kestasioneran data dapat diuji dengan menghitung autocorrelation function (ACF). Melalui plot ACF dilihat secara inferensia, jika nilai ACF mendekati nol pada lag kedua atau ketiga, maka data tersebut stasioner. Jika data yang diamati memiliki pola musiman, pada plot ACF akan terlihat nilai ACF yang signifikan pada kelipatan musimnya.
4.3.2. Penerapan Model Peramalan Setelah proses plot data harga minyak sawit nasional dan internasional selesai,
dilakukan
peramalan
dengan
menggunakan
model
yang
telah
ditetapkan. Model peramalan yang digunakan dalam penelitian ini adalah model yang secara ilmiah dapat digunakan untuk mengatasi unsur data harga CPO diberbagai pasar. 1. Model Sederhana 1). Model Naivemmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model ini identik dengan model rata-rata bergerak sederhana (simple moving average) dengan ordo t = 1. Nilai data aktual terakhir dijadikan ramalan untuk periode berikutnya. Dimana
Ft+1 Xt
: nilai ramalan untuk satu periode kedepan : nilai aktual pada waktu ke t
Proses peramalan model ini menggunakan program Microsoft Excel 2). Model Rata-rata Sederhana (Simple Average) Model ini diterapkan memakai nilai rata-rata dari seluruh nilai ramalan periode berikutnya. Akibatnya model ini akan memberikan nilai ramalan yang lebih akurat jika deret data berkisar diantara nilai tengahnya atau data stasioner. Model ini hanya mampu memberikan ramalan untuk satu periode kedepan serta kurang praktis karena peramal harus menyimpan seluruh data historis. Nilai ratarata data secara keseluruhan ramalan untuk periode berikutnya Ft+1 = ? Xt t
Dimana
Ft+1 Xt
: nilai ramalan untuk satu periode kedepan : nilai aktual pada waktu ke t
Proses peramalan model ini menggunakan program Minitab 14 3). Model Rata-rata Bergerak Sederhana (Simple Moving Average) Proses kerja mengaplikasikan model ini adalah sebagai berikut :
a. Menentukan ordo dan bobot rata-rata bergerak Ordo dari rata-rata bergerak adalah jumlah data masa lalu yang dimasukan ke dalam rataan. Aplikasi model ini pada setiap harga CPO yang ada menggunakan ordo yang menghasilkan nilai kesalahan yang paling kecil. Pemilihan ordo terbaik dilakukan dengan cara coba-coba. b. Menerapkan persamaan model peramalan Untuk model rata-rata bergerak sederhana persamaan umumnya (Makridakis dkk, 1999) adalah : t
Ft+1 = ? Xi i=t-N+1
N Dimana
Ft+1 Xi N
: nilai ramalan untuk satu periode kedepan : nilai aktual pada waktu ke i : ordo dari rata-rata bergerak
2. Model ARIMA (Box Jenkins) Model
ARIMA
merupakan
model
pemulusan
(smoothing)
yang
mendasarkan ramalannya pada prinsip-prinsip perata-rataan masa lalu dengan menambahkan persentase kesalahan pada kesalahan ramalan sebelumnya. Model ARIMA terdiri atas autoregressive model, moving average model dan Autoregressive Integrated Moving Average (ARIMA) Model. 1. Model Autoregressive (AR) Model AR adalah persamaan dimana jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang berurutan. Secara umum model ini dapat ditulis sebagai berikut : Y t = b0 + b1Y t-1 + b2 Yt-2 + …bp Y t-p + e t Yt Yt-1, Yt-2 ... Yt-p b0, b1, . . . bp et
: : : :
series yang stasioner nilai lampau series yang bersangkutan konstanta dan koefisien model kesalahan peramalan yang dihasilkan proses random, diasumsikan mengikuti sebaran bebas dan normal dengan rata-rata nol
Tingkat dari model (nilai p) ditunjukan oleh banyaknya nilai lampau yang diikutsertakan dalam model. Sebagai contoh, AR (1) merupakan model Autoregressive tingkat satu yang menggunakan satu nilai lampau terakhir dalam model. 2. Model Moving Average (MA) Jika stasioner merupakan fungsi linier dari kesalahan peramalan sekarang dan masa lalu yang berurutan maka persamaan itu dinamakan Moving Average model (MA). Bentuk umum model ini dapat ditulis sebagai berikut: Y t = a0 + e t – a1e t-1 – a2e t-2 - ... – aqe t-q Yt et
et-1, et-2, ... et-q a0, a1, a2, ... aq
: nilai series yang stasioner : kesalahan peramalan yang dihasilkan oleh proses random yang diasumsikan mengikuti sebaran bebas dan normal dengan rata-rata nol : kesalahan peramalan masa lalu : konstanta dan koefisien model, mengikuti konvensi diberikan tanda negatif
Tingkat model MA ini (nilai q) ditunjukan dengan banyaknya kesalahan masa lampau yang digunakan dalam model. Jika dalam model digunakan dua kesalahan peramalan pada masa lampau maka dinamakan model moving average tingkat dua, ditulis MA (2).
3. Model Autoregressive Integrated Moving Average (ARIMA) Model ARIMA adalah gabungan dari model AR dan model MA. Pada model ini series stasioner adalah fungsi dari lampaunya dan nilai sekarang serta kesalahan lampaunya. Bentuk umum model ini adalah : Y t = b0 + b1Y t-1 + ... + bp Y t-p + e t – a1e t-1 - ... aqe t-q
Secara
umum
notasi
model
ARIMA
yang
diperluas
dengan
memperhatikan unsur musiman adalah sebagai berikut: ARIMA (p,d,q) (P,D,Q)L dimana L adalah banyaknya periode dalam setahun Tahapan dalam Metode Box-Jenkins (ARIMA)
Model ARIMA dapat digunakan melalui tiga tahap yang dapat dilihat pada Gambar 5.
Rumuskan kelompok model-model yang umum Tahap 1 Identifikasi Model
Penetapan model untuk sementara
Penaksiran parameter pada model sementara
Tahap 2 Estimasi dan Pengujian Model
Tidak Memadai
Pemeriksaan diagnostik (Apakah model memadai?) Ya Tahap 3 Penerapan Model
Gunakan model untuk peramalan
Gambar 5. Tahapan dalam Model Box Jenkins Sumber Keterangan
: Makridakis, MCGee dan Wheelwrigth, 1999
: Garis putus-putus membatasi antara satu tahap dan tahap berikutnya
1. Tahap Identifikasi Pada tahap identifikasi, variabel yang akan diramalkan terlebih dahulu diuji kestasioneran datanya. Kestasioneran data dapat diuji dengan cara plot data dan menghitung autocorrelation function (ACF). Melalui plot data, dilihat secara visual apakah data memiliki kecendrungan semakin meningkat, semakin menurun, atau terdapat fluktuasi musiman. Sedangkan dari nilai ACF, jika nilai ACF mendekati nol pada lag kedua atau ketiga, maka data tersebut stasioner. Jika data yang diamati memiliki pola musiman, pada plot ACF akan terlihat nilai ACF yang signifikan pada kelipatan musimnya.
Dalam prakteknya, banyak deret data Yt merupakan data non-stasioner. Deret data tersebut dapat dijadikan stasioner dengan melakukan proses differencing. Jumlah berapa kali dilakukan proses differencing (d) menunjukan tingkat differensiasi model. Misalkan Yt non-stasioner, setelah kemudian dibuat differensiasi tingkat satu. Zt = ? Yt = Yt – Yt-1, ternyata diperoleh nilai Zt stasioner, maka Z t dapat dikatakan first order homogenous dan Yt dikatakan non - stasioner tingkat satu. Untuk pola data yang mengandung unsur musiman, secara khusus dapat digunakan model seasonal ARIMA. Unsur musiman dapat dihilangkan dengan seasonal differencing . Setelah data menjadi stasioner, langkah yang selanjutnya dilakukan adalah menentukan model tentative. Untuk menentukan model tentative, diperlukan analisis perilaku dari ACF dan PACF. Pola perilaku ACF dan PACF bisa berpola cut off dan dies down. Pertama, ACF dan PACF dari data time series bisa berpola cut off. Pola cut off adalah pola ketika garis ACF dan PACF signifikan pada lag pertama atau kedua tetapi kemudian tidak ada garis ACF dan PACF yang signifikan pada lag berikutnya. Untuk pola cut off, perbedaan antar ACF dan PACF yang signifikan dengan ACF dan PACF yang tidak signifikan adalah besar sehingga garis ACF dan PACF terlihat terpotong (cut off). Kedua, ACF dan PACF dikatakan memiliki perilaku dies down jika kedua fungsi tersebut tidak terpotong, melainkan menurun secara bertahap. Bentuk penurunannya bisa tanpa ataupun dengan osilasi ataupun berbentuk gelombang sinus. Penentuan apakah suatu data time series dimodelkan dengan AR, MA atau ARIMA tergantung pola ACF dan PACF. Model AR digunakan jika plot ACFnya dies down sementara PACF-nya cut off. Model MA digunakan jika plot ACFnya cut off dan plot ACF-nya dies down. Sedangkan jika kedua plot ACF dan
PACF sama-sama dies down, maka model yang digunakan adalah model ARIMA. Lebih jelasnya dapat dilihat pada Tabel 4.
Tabel 4. Pola ACF dan PACF Model ARIMA Model
ACF (q)
MA (q)
AR (p)
PACF (p)
Terpotong (cuts off) setelah
Perlahan-lahan
lag q (q = 1 atau 2)
menghilang (dies down)
Perlahan-lahan menghilang
Terpotong
(dies down)
setelah lag p(p =1atau
(cuts
off)
2) Mixed (ARMA (p, q))
Perlahan-lahan menghilang
Perlahan-lahan
(dies down)
menghilang (dies down)
2. Tahap Estimasi dan Pengujian Model Dalam
melakukan
estimasi,
penelitian
ini
menggunakan
bantuan
komputer, yakni software MINITAB versi 14. setelah dilakukan estimasi koefisien, baik koefisien autoregressive maupun moving average masing-masing diuji signifikansinya dengan menggunakan uji t. Selain signifikasi koefisien, terdapat beberapa hal lainnya yang diuji dalam tahapan diagnostic checking, antara lain. 1. Kondisi
stationarity,
bisa
dilihat
dari
jumlah
seluruh
koefisien
autoregressive. Jumlah koefisien autoregressive harus kurang dari |1|. Jika model yang digunakan adalah model moving average, maka tidak ada kondisi stationarity yang harus dipenuhi. 2. Kondisi invertibility, yang menyatakan bahwa jumlah dari koefisien moving average harus kurang dari |1|. Jika model yang digunakan adalah autoregressive, maka tidak ada kondisi invertibility yang harus dipenuhi. 3. Iterasi harus konvergen, artinya estimasi yang dilakukan efisien dan tidak ada lagi estimator yang menghasilkan SSE yang lebih kecil. Hal ini
ditunjukan dalam ouput MINITAB 14 dengan kalimat ”relative change in each estimate less than 0.001” 4. Error dari model harus bersifat random. Hal ini terlihat dari modified Box Pierce (Ljung-Box-Pierce) Q statistic. Jika Q > ?2 dengan m = p-q derajat bebas maka model tidak akurat. Statistik Q dapat dihitung dengan menggunakan rumus Qm = n (n + 2) S
k=1
rk2 atau dengan melihat p-value n-k
statistik Q dimana jika p-value lebih dari a (5 persen) maka error yang dihasilkan berarti tidak bersifat acak dan model tidak cukup baik. 3. Tahap Penerapan Model Model yang telah memenuhi semua syarat pada diagnostic checking dapat digunakan untuk meramalkan variabel, tentu saja jika menurut kriteria pemilihan model, model ARIMA lebih baik dibandingkan dengan model lainnya. Selain model tentative, model ARIMA yang lain juga patut untuk dicoba. Jika ternyata model ARIMA selain model tentative memiliki MAPE terkecil, maka model itulah yang dipilih. 3. Model Dekomposisi Model dekomposisi berusaha memisahkan berbagai komponen yang mempengaruhi pola perilaku deret data. Pemisahan ini bertujuan untuk membantu pemahaman atas perilaku deret data, sehingga dapat dicapai keakuratan peramalan yang lebih baik. Komponen yang mempengaruhi deret data dapat dikelompokan menjadi empat macam yaitu trend, musiman, siklis, dan faktor acak. Apabila terdapat komponen-komponen tersebut dalam suatu deret data maka penggunaan model dekomposisi akan memberikan hasil peramalan yang optimal dan cukup akurat. Kelebihan lain model ini adalah kemampuannya memberikan ramalan untuk beberapa periode kedepan. Penulisan matematis umum dari pendekatan dekomposisi adalah :
Y t = f (It, Tt, Ct, Et) Dimana :
Yt It Tt Ct Et
: harga aktual CPO pada waktu ke-t : komponen musiman pada periode t : komponen trend pada periode t : komponen siklus pada periode t : komponen galat pada periode t
1). Model Dekomposisi Additif Asumsi yang digunakan adalah fluktuasi musiman konstan sepanjang waktu. Langkah yang ditempuh untuk model ini adalah sebagai berikut (Bowerman dan O’Connell, 1993): 1. Mendapatkan komponen T dan C dengan menghilangkan komponen I dan E yaitu dengan menghitung center moving average (CMA) yang panjangnya L (L = banyak periode dalam satu tahun), sehingga : CMAt = Tt + Ct 2. Mendapatkan komponen (It + Et), yakni : (It + Et) = Y t –(Tt + Ct) 3. Menghilangkan error dari (It + Et), dengan menghitung rata-rata untuk setiap musim, sehingga diperoleh : 1,
4. Seharusnya (
1
+
2......+
L)
yakni kurangkan dengan (
1
2,
.......,
L
= 0, jika tidak lakukan normalisasi agar = 0,
+
2......+
L)/L,
disebut faktor koreksi (FK),
dari masing-masing musim. Sehingga diperoleh indeks musiman, yang berlaku umum yaitu : It =
1
– FK,
2
=
2
– FK,......IL =
L
– FK
5. Menghitung deseasonalized dari data (dt) yakni dt = Y t-It 6. Gunakan
analisis
regresi
pada
deseasonalized
data
(dt),
untuk
mendapatkan model trend yang sesuai (linear, kuadratik, semi log, double
log, dan lain-lain)
dengan CMAt sebagai dependen variabel dan t
sebagai independend variabel. Lalu dari model yang sesuai tersebut dugalah nilai trend untuk setiap periode (T t) 7. Meramalkan nilai Yt untuk setiap periode, yakni dengan menambahkan berbagai komponen tersebut Yt = It + Tt, jika Ct dianggap nol 2) Model Dekomposisi Multiflikatif Asumsi yang digunakan adalah fluktuasi musiman membesar atau mengecil secara proporsional terhadap trend. Langkah-langkah yang ditempuh untuk model ini adalah sebagai berikut: 1. Mendapatkan komponen T dan C dengan menghilangkan komponen I dan E yaitu dengan menghitung center moving average (CMA) yang panjangnya L (L = banyak periode dalam satu tahun), sehingga : CMAt = Tt*Ct 2. Mendapatkan komponen (It * Et) yakni : (It * Et) = Y t / (Tt + Ct) 3. Menghilangkan error dari (It * Et), dengan mengitung rata-rata untuk setiap musim, sehingga diperoleh 1,
4. Seharusnya (
1,
2,
.......,
L)
2,
.......,
L
= L, jika tidak lakukan normalisasi agar = L,
yakni dengan mengalikan masing-masing musim dengan L / ( 1, L
2,
.......,
) , disebut faktor koreksi (FK), dari masing-masing musim. Sehingga
diperoleh Indeks Musiman Terkoreksi (IMT), yang berlaku umum yaitu : I1 =
1
* FK,
2
* FK, ......., IL =
5. Menghitung deseasonalized dari data (d t) yakni dt = Y t / It
L*
FK
6. Gunakan
analisis
regresi
pada
deseasonalized
data
(dt),
untuk
mendapatkan model trend yang sesuai (linear, kuadratik, semi log, double log, dan lain-lain) dengan CMAt sebagai
dependen variabel dan t
sebagai independen variabel. Lalu dari model yang sesuai tersebut dugalah nilai trend untuk setiap periode (T t) 7. Meramalkan nilai t untuk setiap periode, yakni dengan menambahkan berbagai komponen tersebut. Y t = It * Tt, jika Ct dianggap tidak ada Untuk mempermudah menerapkan model ini dalam meramalkan data yang ada digunakan program Microsoft Excel. 4. Model Pemulusan (Smoothing) Eksponensial 1). Model Pemulusan Eksponensial Tunggal (Single Exponential Smooting) Program Minitab 14 digunakan untuk membantu poses peramalan dengan model Single Exponential Smoothing ini. Model ini cocok untuk digunakan dalam peramalan jangka pendek (satu periode berikutnya) dengan serial data historis yang berpola horizontal atau stasioner. Persamaan umum dalam model eksponensial tunggal dapat dihitung melalui (Makridakis, 1999) : Ft+1
= Ft + a (Xt – Ft) = Ft + a e t
Dimana
Ft+1 Xt et a
: harga ramalan CPO satu periode kedepan : harga aktual CPO pada waktu ke-t : kesalahan ramalan : koefisien pemulusan
Keunggulan dari model ini adalah kemudahan penyimpanan data dan daya tarik intuitif bagi peramal dalam proses pembobotan. Kelemahan model ini terletak pada penentuan nilai a (5 persen) yang harus optimal.
2). Model Pemulusan Eksponensial Ganda (Double Exponential Smoothing DES) Holt Model DES Holt juga memberikan bobot yang semakin menurun pada observasi masa lalu. Model ini memiliki dasar pemikiran yang sama dengan ratarata bergerak linear dan cukup akurat jika diterapkan pada deret data yang mengandung unsur trend. Pada model Holt ramalan tidak menggunakan perhitungan pemulusan berganda secara langsung, tetapi menghaluskan nilai trend dengan konstanta yang digunakan pada serial data. Model pemulusan eksponensial Holt menggunakan tiga persamaan dalam melakukan peramalan. Persamaan tersebut adalah perhitungan untuk smoothing eksponensial serial data, trend dugaan, dan peramalan periode mendatang. Persamaan-persamaan dalam model smoothing eksponensial Holt adalah (Makridakis, 1999) :
Dimana
Ft+m Xt St St-1 Tt T t-1 a ß
St
= aXt + (1 – a) (St-1 + Tt-1)
Tt
= ß(St – St-1) + (1- ß) Tt-1
Ft+m
= St + m(Tt)
: ramalan harga CPO untuk periode (t + m) : nilai aktual pada waktu ke-t : nilai pemulusan pada periode ke t : nilai pemulusan pada periode ke t-1 : nilai dugaan trend untuk peiode ke t : nilai dugaan trend untuk periode ke (t-1) : koefisien pemulusan untuk S (0
Model ini dapat menghasilkan ramalan untuk beberapa periode kedepan. namun penggunaan model ini juga memiliki kelemahan yaitu tingkat kerumitan yang cukup tinggi, dimana peramal harus menemukan dua parameter a dan ß yang optimal. Penentuan nilai dua parameter ini membutuhkan waktu yang relatif
lama jika dilakukan dengan cara coba-coba. Oleh karena itu digunakan program QSB untuk membantu menemukan kedua nilai parameter yang optimal. 3). Model Winter Multiflikatif Model ini menghasilkan ramalan yang lebih tepat pada data historis yang memiliki pola trend linier dan pola musiman. Jika dibandingkan dengan model pemulusan lainnya, model Winters merupakan model dengan tingkat kesulitan yang paling kompleks dan rumit. kelemahan model ini adalah banyaknya jumlah parameter yang diperlukan sehingga harus mencoba berbagai kombinasi untuk mendapatkan nilai a, ß, ? yang optimal. Persamaan – persamaan dalam model smoothing eksponensial Winters adalah (Gaynor, 1994) : St
= a Xt + (1 – a ) (St-1 + Tt-1) It-L
Tt
= ß (St – St-1) + (1 – ß) Tt-1
It
= ? Xt + (1- ?) It-L St
Ft+m
= (St + Tt.m). It-L+m
Dimana
Ft+m Xt St St-1 Tt T t-1 It L a ß ?
: ramalan harga CPO untuk periode (t + m) : harga CPO aktual pada waktu ke t : nilai pemulusan pada periode ke t : nilai pemulusan pada periode ke t-1 : nilai dugaan trend untuk periode ke t : nilai dugaan trend untuk periode ke t-1 : faktor musiman yang dilicinkan dalam serial data ke t : panjang musiman dalam satu tahun : koefisien pemulusan untuk S (0< a<1) : koefisien pemulusan untuk komponen trend T (0< ß<1) : koefisien pemulusan untuk komponen musiman I (0< ?<1)
Untuk mempermudah melakukan proses peramalan maka digunakan program QSB.
4.4. Pemilihan Model Peramalan Terbaik Proses selanjutnya dari penelitian ini adalah membandingkan beberapa model peramalan yang telah diterapkan agar dapat menentukan suatu model yang paling baik untuk meramal harga CPO. Pertimbangan yang dipakai untuk memilih model peramalan yang terbaik adalah seberapa besar model yang akan dipilih mampu mengeksplorasi pola data yang ada, kemudahan dalam pengaplikasian model, kemampuan model dalam meramalkan suatu variabel dependen dan jangka waktu peramalan. Untuk mendapatkan suatu model peramalan terbaik, maka dilakukan pengukuran komponen error (galat/residual). Alat ukur statistik yang digunakan untuk mengukur error dalam penelitian ini adalah Mean Absolute Prosentase Error (MAPE),
MAPE menghitung error
peramalan dalam bentuk prosentase, MAPE dihitung dengan mencari jumlah nilai absolut error setiap periode, kemudian membaginya dengan pengamatan aktual dan kemudian absolut error persentase. MAPE memberikan indikasi seberapa besar error ramalan dibandingkan dengan nilai aktual deret. Persamaan MAPE adalah sebagai berikut (Hanke et al., 2003) : MAPE = ? t=1
Yt -
t
x 100% Yt n
Dimana
t
Yt n
: ramalan harga CPO periode ke t + 1 : harga CPO periode ke-t : jumlah pengamatan aktual
Sebagai keputusan untuk menggunakan suatu model peramalan tertentu, maka dapat dilihat dari nilai error yang dihasilkan oleh suatu model peramalan. Model peramalan yang akan dipilih sebagai model peramalan yang terbaik dan terakurat apabila menghasilkan nilai error ramalan yang relatif kecil secara konsisten, atau dengan kata lain nilai MAPE yang semakin kecil.
4.5. Definisi Operasional Beberapa variabel yang perlu didefinisikan secara operasional dalam penelitian ini antara lain: •
CPO (Crude Palm Oil), adalah hasil olahan pertama yang berasal dari daging buah sawit berbentuk minyak
•
Harga CPO Rotterdam, merupakan harga nominal CPO yang berlaku di pasar berjangka Rotterdam satuannya US$/ton
•
Harga CPO Malaysia, merupakan harga nominal CPO yang berlaku di pasar berjangka Malaysia satuannya US$/ton
•
Harga CPO Medan, merupakan harga nominal CPO yang berlaku di pasar fisik Medan satuannya Rp/kg
•
Harga mingguan CPO, diperoleh dari merata-ratakan harga CPO harian disetiap pasar CPO
•
Harga bulanan CPO, diperoleh dari merata-ratakan harga CPO mingguan disetiap pasar CPO
•
Harga harian CPO, harga harian CPO di pasar fisik Medan dan pasar berjangka Rotterdam diperoleh dari BAPEBBTI, sedangkan harga harian CPO Malaysia diperoleh dari internet.
V. PERAMALAN HARGA CPO DI PASAR BERJANGKA DAN PASAR FISIK
5.1. Harga CPO di Pasar Berjangka Rotterdam 5.1.1. Analisis Pola Data Harga CPO Data yang diperoleh dari BAPPEBTI berupa data harian dalam bentuk harga nominal CPO yang ada di pasar berjangka Rotterdam, dalam satuan US$/ton selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, untuk memudahkan proses pengolahan data dan melakukan proses peramalan, maka data harian yang ada diubah dalam bentuk mingguan (rataan dari data harian) dan rataan dalam bulan. Berdasarkan hasil analisis dengan model time series trend linier (Lampiran 1), bahwa harga CPO di pasar Rotterdam dalam
rataan minggu
selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak US$ 1,16/ton. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu pertama dan minggu keempat
harga
CPO
di
pasar
Rotterdam
cenderung
meningkat.
Hasil
perhitungan rataan unsur musiman dapat dilihat pada Lampiran 2. Hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Februari sampai dengan bulan Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan September sampai dengan Desember, hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 3.
Fenomena terjadinya penurunan harga CPO sepanjang tahun 2004 sampai dengan tahun 2005, disebabkan oleh pengaruh permintaan terhadap CPO yang biasanya meningkat pada akhir minggu keempat dan awal minggu pertama, permintaan CPO yang meningkat ini disebabkan oleh kebiasaan dari para konsumen besar di dalam melakukan pembelian CPO pada minggu-minggu tersebut.mmmmmmmmmmmmmmmmmmmmmmmmmmmmm Analisis pola data harga CPO selain menggunakan model time series, juga menggunakan plot pola data serta plot autokorelasi. Hasil plot data harga mingguan CPO menunjukan bahwa data tidak stasioner. Ketidakstasioneran terlihat dari sebaran data harga CPO yang tidak berada disekitar garis lurus atau rata-rata konstan. Hal ini menunjukan bahwa kemungkinan pada data terdapat unsur trend. Plot data harga CPO dapat dilihat pada Gambar 6.
T ime S er ie s Plo t o f R O T TE R DAM 560 540 520
Harga
500 480 460 440 420 400 1
10
20
30
40
50 Min g gu
60
70
80
90
Gambar 6 . Plot Data Harga CPO di Pasar Berjangka Rótterdam
Hasil dari plot data harga CPO Rotterdam terlihat terjadi perubahan secara struktural pada pola data, mulai dari minggu satu sampai dengan minggu kedua puluh empat, fenomena data seperti ini menyebabkan data secara keseluruhan tidak dapat digunakan sebagai basis di dalam melakukan
peramalan. Oleh karena itu, proses peramalan menggunakan data yang dimulai dari minggu ke dua puluh lima sampai dengan minggu ke sembilan puluh enam. Trend yang terjadi pada pola data harga CPO dari bulan Januari 2004bulan Desember 2005 adalah trend menurun. Trend menurun ini disebabkan oleh faktor akibat negara-negara produsen minyak sawit mengalami kelebihan stok. Stok di beberapa negara produsen utama minyak sawit berlebih menjelang akhir tahun 2004 lalu. India sebagai salah satu negara pengimpor terbesar minyak dan lemak nabati juga mengurangi volume impornya, sehingga membuat harga CPO mengalami fluktuasi. Negara produsen yang mengalami kelebihan stok CPO adalah Malaysia, Brasil dan Indonesia. Malaysia sebagai produsen minyak sawit terbesar di dunia misalnya, menjelang akhir Desember 2004 mengalami kelebihan stok hingga sebanyak 1,4 juta ton2.mmmmmmmmmmmm Perkembangan harga CPO kedepannya di pasar dunia diduga mulai naik dibandingkan tahun 2004-2005, kenaikan harga ini dipicu permintaan dunia untuk keperluan biodiesel. Situasi itu menepis kecemasan beberapa kalangan di awal tahun ini yang memperkirakan harga CPO masih akan tertekan. Kemungkinan penurunan produksi masih akan terjadi karena dugaan fenomena La Nina yang menyebabkan hujan yang lebat yang akan terjadi dalam waktu dekat. Akibatnya, banjir bisa merusak perkebunan2.m Proses peramalan menggunakan basis data yang dimulai dari minggu ke dua puluh empat sampai dengan minggu ke sembilan puluh enam. Hasil plot data harga CPO Rotterdam terlihat secara umum data sudah stasioner, karena sudah berada pada rata-rata konstan. Gambar plot data dan plot ACF harga CPO di pasar Rotterdam dari minggu ke dua puluh lima sampai dengan minggu ke sembilan puluh enam, dapat dilihat pada gambar 7.
2
www.Agroindonesia.com. 3 Februari 2005
P lo t Da ta Har g a CP O P as a r R otte r da m 460 450
US$/TON
440 430 420 410 400 390 1
7
14
21
28
35 42 In de x
49
56
63
70
Gambar 7. Plot Data Harga CPO Rotterdam Minggu 25 sampai Minggu 96
Alat analisis yang berikutnya digunakan untuk melihat pola data dan unsur pada data adalah plot ACF (Autocorrelation Function), dari plot ACF, nampak data sudah stasioner karena pada lag ke-3 nilai korelasinya sudah cutt off. Pola musiman terlihat setiap lag ke-7 karena pada setiap lag ke-7 nilai korelasi kembali meninggi. Akan tetapi pola musiman belum nampak stasioner sehingga perlu dilakukan pembedaan untuk mendapatkan pola ACF yang stasioner. Hasil setelah dilakukan pembedaan pada lag=7 dapat dilihat pada Gambar 9.
AC F Kel ap a S aw it R otte r da m 1,0 0,8
Autocorr elation
0,6 0,4 0,2 0,0 -0 , 2 -0 , 4 -0 , 6 -0 , 8 -1 , 0 1
5
10
15
20
25
30
35 40 La g
45
50
55
60
Gambar 8. Plot Data ACF Pasar Rotterdam
65
70
A CF Ke lap a S a wi t R o tter da m DE FF 7 1,0 0,8
Autocorr elation
0,6 0,4 0,2 0,0 -0 , 2 -0 , 4 -0 , 6 -0 , 8 -1 , 0 1
5
10
15
20
25
30
35
40
45
50
55
60
La g
Gambar 9. Plot ACF Harga CPO di Pasar Berjangka Rótterdam Diff Lag 7
Berdasarkan pola data yang dimiliki (adanya musiman dan sudah stasioner), maka tidak semua model peramalan kuantitatif dapat diterapkan pada data tersebut, karena tidak semua model peramalan cocok untuk data yang memiliki unsur stasioner dan musiman. Model peramalan yang mungkin cocok untuk kondisi data tersebut adalah Naive, Rata-rata bergerak dan model BoxJenkins (ARIMA), serta model time series lain yang bisa menangkap unsur tersebut adalahmmodelmWinters Multiflikatif.m
5.1.2. Model Peramalan Time Series untuk Harga CPO Rotterdam 1. Model Naive mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model ini mengasumsikan bahwa periode terkini merupakan prediktor terbaik dari masa depan. Hasil dari penerapan model ini menghasilkan MAPE sebesar 1,59 persen.
2. Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmmmmm Berdasarkan plot data harga CPO di pasar Rotterdam dari minggu ke dua puluh lima sampai dengan minggu ke sembilan puluh enam, maka dapat diidentifikasi adanya unsur musiman, unsur musiman dilihat dengan melakukan
differensiasi pada lag 7, setelah dilakukan differensiasi orde pertama pada lag 7, data sudah menjadi stasioner dan hal yang dilakukan berikutnya adalah melihat sebaran ACF dan PACF data awal yang sudah mengalami differensiasi. ACF data yang sudah mengalami differensiasi menunjukan adanya komponen AR non musiman (p=2) dan AR musiman (P=2) dengan panjang musiman (S=7). Sehingga model ARIMA awal adalah ARIMA (2,0,0) (2,1,0)7.…………………….. Model tentative yang diperoleh (Lampiran 4) kemudian diperiksa kelayakannya dengan menggunakan proses diagnostic checking sebagai berikut:
1. Hasil output menunjukan pada proses iterasi ke-14 kondisi konvergensi sudah tercapai. Hal ini terlihat dari pernyataan “relative change in each estimate less than 0.001”. 2. Berdasarkan hasil output, terlihat bahwa koefisien Autoregressive (AR) non musiman ketiganya kurang dari 1 dan juga AR musiman kurang dari 1, koefisien Moving Average (MA) tidak ada. Hal ini menunjukan bahwa model memenuhi syarat stasioneritas dan invertibilitas. 3. Dari plot ACF dan PACF residual, terlihat bahwa nilai ACF dan PACF dari residual tidak ada yang signifikan. Hal ini menunjukan bahwa proses ARIMA menghasilkan error random/tidak berpola. Hal tersebut juga terlihat dari nilai P-value Chi Square Statistic pada lag ke-12 yang lebih besar dari a (5%).mmmmmmmmmmmmmmmmmmmmmmmmmmmmm 4. Dari hasil ouput ARIMA
(2,0,0) (2,1,0)7 , terlihat bahwa nilai p-value
koefisien kurang dari a (5%). 5. MAPE yang dihasilkan oleh model ARIMA (2,0,0) (2,1,0)7 adalah sebesar 1,3514%.
Model tentative yang didapat sudah memenuhi semua kriteria kelayakan model, tetapi agar model yang didapat benar-benar merupakan model yang memiliki ketepatan paling baik (MAPE terkecil), maka model ARIMA yang lain tetap harus diduga. Dari hasil pendugaan, model ARIMA yang juga memenuhi kriteria diagnostic checking adalah ARIMA (1.0.0) (2.1.0)7, dan ARIMA (2.0.0) (1.1.0)7. Besaran MAPE dari model ARIMA yang memenuhi kriteria diagnostic checking ditampilkan pada Tabel 7. Berdasarkan Tabel 7, maka model ARIMA yang paling tepat dalam menduga harga CPO adalah ARIMA (2,0,0) (2,1,0)7.
Tabel 6. Perbandingan Model untuk Harga CPO di Pasar Rotterdam MODEL ARIMA
MAPE (%)
(2,0,0) (2,1,0)7
1,3514
(1.0.0) (2.1.0)7
1,4309
(2.0.0) (1.1.0)7
1,4344
Plot ACF dan PACF dari komponen error dengan model ARIMA (2,0,0) (2,1,0)7 dapat dilihat pada Gambar 10.
PACF of Residual Rotterdam
ACF of Residual CPO Rotterdam
(with 5% significance limits for the partial autocorrelations)
1.0
1.0
0.8
0.8
0.6
0.6
Part ial A ut ocorr elation
A ut ocorr elation
(with 5% significance limits for the autocorrelations)
0.4 0.2 0.0 -0.2 -0.4 -0.6
0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8
-0.8
-1.0
-1.0 1
2
3
4
5
6
7
8 Lag
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Lag
Gambar 10. Plot ACF dan PACF Residual dari Model ARIMA (2,0,0) (2,1,0)7
3. Simple Moving Average (Rata-rata bergerak sederhana)mmmmmmmm Hasil dari pengolahan dengan Minitab 14 diperoleh nilai MAPE sebesar 4,26. Length yang digunakan adalah 48.mmmmmmmmmmmmmmmmmmmmm 4. Model Winters Multiflikatifmmmmmmmmmmmmmmmmmmmmmmmm Model pemulusan Winters, didasari oleh tiga persamaan yang masingmasing melicinkan faktor-faktor yang berkaitan dengan pola data, yaitu faktor stasioneritas, faktor trend, dan faktor musiman. Jika dibandingkan dengan model pemulusan lain, model Winters merupakan model yang paling kompleks dan rumit. Dalam model ini diperlukan tiga parameter sehingga
diperlukan
perhitungan dan waktu yang cukup lama untuk menemukan tiga parameter yang optimal.
Meskipun
demikian,
model
ini
memiliki
kelebihan
yaitu
dapat
mengantisipasi adanya pola musiman pada deret data.mmmmmmmmmmmmmm Penemuan kombinasi optimal dari tiga parameter a, ß, dan ? dilakukan dengan menggunakan program QSB. Dari hasil perhitungan diperoleh kombinasi konstanta pemulusan yang optimal a= 0,90, ß=0,05 dan ?=0,90 dengan seasonal length (L=7). Kombinasi konstanta dan seasonal length tersebut menghasilkan nilai MAPE yaitu sebesar 1,93 persen.
5.1.3. Pemilihan Model Peramalan Time Seriesmmmmmmmmmmmmmmm Setelah menerapkan berbagai model peramalan time series untuk meramal pergerakan harga di pasar berjangka Rotterdam, langkah selanjutnya adalah memilih model yang dianggap paling sesuai bagi kepentingan peramal dimana dalam hal ini adalah para pelaku transaksi di pasar berjangka (produsen CPO). Pemilihan model peramalan yang paling sesuai dapat didasarkan pada dua hal utama yaitu nilai MAPE terkecil yang menunjukan keakuratan peramalan yang tinggi dan kedua adalah kemudahan dalam penerapan model tersebut.
Perbandingan nilai MAPE untuk model peramalan harga CPO dapat dilihat pada Tabel 7.
Tabel 7. Nilai MAPE untuk Model Peramalan Harga CPO di Pasar Berjangka Rótterdam No.
Model Peramalan
MAPE (%)
1.
ARIMA (2,0,0) (2,1,0)7
1,35
2.
Naive
1,59
3.
Winters Multiflikatif
1,93
4.
Rata-rata bergerak
4,26
Berdasarkan kriteria-kriteria yang ada, maka dapat disimpulkan bahwa model ARIMA (2,0,0) (1,1,0)7 lebih baik untuk menjelaskan pola data harga CPO di pasar berjangka Rótterdam, dengan menghasilkan MAPE sebesar 1,35 %, dan komponen error
yang dihasilkan tidak berpola. Persamaan dari Model
ARIMA (2,0,0) (1,1,0)7 adalah sebagai berikut : Y t = -0,115 + 1,0149 Yt-1 + 0,1468 Yt-2 – 0,3091Y t-3 + 0,5977 Y t-7 + 0,6066 Y t-8 + 0,0877 Yt-9 - 0,1847 Y t-10.mm
5.1.4. Hasil Ramalan Harga CPO dengan Model Terbaik Hasil ramalan dengan menggunakan model ARIMA (2,0,0) (2,1,0)7 menunjukan bahwa untuk beberapa bulan kedepan secara umum harga CPO di pasar berjangka di Rotterdam akan mengalami fluktuasi harga yang tidak menentu, kecendrungan harga yang terjadi adalah adanya peningkatan harga. Dari hasil perhitungan dengan model time series trend linier yang dilakukan, peningkatannya adalah sebesar US $ 0,21/Ton setiap penambahan minggu. (Lampiran 5), hasil ramalan untuk harga CPO di pasar berjangka Rotterdam selama delapan bulan kedepan dilihat pada Lampiran 6.
Harga dalam rataan bulan tertinggi terjadi pada bulan Februari dan Maret 2006 yaitu sebesar US$ 436.12 dan US$ 436.23, sedangkan yang terendah terjadi pada bulan April yaitu sebesar US$ 427.06. Harga dalam rataan minggu tertinggi terjadi pada minggu keempat, pada ketiga minggu lainnya harga cenderung stabil, hal ini menunjukan bahwa terdapat faktor musiman dalam periode mingguan, besarnya harga rataan pada minggu pertama, kedua, ketiga dan keempat adalah sebagai berikut; US$ 431.84, US$ 431.88, US$ 431.63, US$434.13.mmmmmmmmmmmmmmmmmmmmmmmmm Hal ini memberikan tanda bagi pelaku transaksi di pasar berjangka (produsen CPO) untuk segera melakukan Long Term Contract atau kontrak berjangka, dengan melakukan penguncian harga yang sesuai dengan harga pokok produksi dan keuntungan yang ingin diraih. Namun hal yang perlu diingat adalah bahwa data tidak hanya memiliki pola trend saja, tetapi juga mempunyai komponen musiman baik antar minggu maupun antar bulan. Kedua hal itu juga berpengaruh kepada pergerakan data harga CPO di pasar berjangka, sehingga pelaku transaksi di pasar berjangka dalam hal ini produsen CPO harus berhatihati dalam melakukan transaksi di pasar berjangka.
5.2. Harga CPO di Pasar Berjangka Malaysiammmmmmmmmmmmmmm 5.2.1. Analisis Pola Data Harga CPOmmmmmmmmmmmmmmmmmmmm Data yang diperoleh dari internet berupa data harian dalam bentuk harga nominal CPO yang ada di pasar berjangka Malaysia, dalam satuan US$/ton selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, untuk memudahkan proses pengidenfikasian pola data dan unsur yang terdapat pada data, serta memudahkan proses peramalan, maka data harian yang ada diubah dalam bentuk mingguan (rataan dari data harian) dan rataan dalam bulan.
Berdasarkan hasil analisis dengan model time series trend linier (Lampiran 7), bahwa harga CPO di pasar Malaysia dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali
penambahan minggu adalah sebanyak US$ 1,12/ton.
Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa pada minggu pertama harga CPO di pasar Malaysia cenderung meningkat dibandingkan tiga minggu lainnya. Hasil perhitungan rataan unsur musiman dapat dilihat pada Lampiran 8. Hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Januari sampai dengan bulan Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember, hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 9. Analisis plot data harga CPO di pasar Malaysia selama dua tahun, menunjukan adanya trend penurunan harga CPO, artinya pola data tidak stasioner. Selain itu, hasil dari plot data harga CPO Malaysia secara keseluruhan terlihat terjadi perubahan secara struktural pada pola data, mulai
dari minggu
satu sampai dengan minggu kedua puluh, fenomena data seperti ini menyebabkan data secara keseluruhan tidak dapat digunakan sebagai basis di dalam melakukan peramalan. Maka yang dijadikan sebagai basis peramalan adalah data yang dimulai dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam. Gambar plot data harga CPO di pasar berjangka Malaysia dapat dilihat pada Gambar 11.
Ti me S er ie s P lo t of M ALA Y S IA 550
Harga
500
450
400
350 1
7
14
21
28
35 Min g gu
42
49
56
63
Gambar 11. Plot Data Harga CPO di Pasar Fisik Malaysia
Hasil plot data harga CPO Malaysia dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, terlihat secara umum data sudah stasioner. Berdasarkan Gambar 12 terlihat bahwa kestasioneran terlihat dari sebaran data harga CPO di pasar berjangka Malaysia yang berada disekitar garis lurus atau rata-rata konstan. Berdasarkan plot data autokorelasi (Gambar 13 ) dapat dilihat bahwa nilai koefisien autokorelasi sudah cut off pada lag 3. Pola musiman dari plot ACF setelah diidentifikasi ternyata tidak terdapat pola musiman, hal ini berbeda dengan hasil perhitungan unsur musiman dalam minggu dimana terdapat pola musiman dalam minggu.mmmmmmmmmm
T ime S e ri es P l ot o f U S $ / TO N 475
US$/TON
450
425
400
375
350 1
8
16
24
32
40 In de x
48
56
64
72
Gambar. Plot Data Harga CPO di Pasar Malaysia dari Minggu 21 sampai 96
PACF PASAR MALAYSIA 1.0
0,8
0.8
0,6
0.6
Partial A ut ocorrelation
Aut ocorrelat ion
ACF MAL AY SIA 1,0
0,4 0,2 0,0 -0,2 -0,4 -0,6
0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8
-0,8
-1.0
-1,0 1
5
10
15
10 15 20 Berjangka 2 5 30 35 40 45 Malaysia 50 55 60 65 70 20 25 30 35 13. 40 45 Plot 50 55 ACF 60 65 70 75 Gambar dan PACF 1di5 Pasar Lag Lag
75
Gambar 13. Plot ACF dan PACF Harga CPO Malaysia
Berdasarkan pola data yang dimiliki (adanya unsur stasioner), maka tidak semua metode peramalan kuantitatif dapat diterapkan pada data tersebut, karena tidak semua model peramalan cocok untuk data yang memiliki unsur stasioner. Model peramalan yang mungkin cocok untuk kondisi data tersebut adalah naive, rata-rata bergerak dan model Box-Jenkins (ARIMA) serta Winters Multiflikatif.
5.2.2 Model Peramalan Time Series untuk Harga CPO Malaysia 1. Model Naivemmmm mmmmmmmmmmmmmmmmmmmmmmmmmmmm Model naive merupakan model time series yang paling sederhana dan mudah didalam mengoperasikannya, model ini mengasumsikan bahwa periode terkini merupakan prediktor terbaik dari masa depan. Pengoperasian model naive menggunakan program Microsoft Excel. Nilai MAPE dari hasil peramalan dengan model ini adalah sebesar 1,86 %.
2. Model Simple Moving Average (Rata-rata bergerak sederhana)mm mmm Hasil dari pengolahan dengan Minitab 14 diperoleh nilai MAPE sebesar 4,53. Length yang digunakan ada 48.mmmmmmmmmmmmmmmmmmmmmmm 3. Model Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmm Dengan melihat plot data pergerakan harga mingguan CPO Malaysia,
dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, yang memiliki unsur stasioner, maka proses differensiasi sebagai syarat agar proses ARIMA selanjutnya tidak perlu dilakukan.MMMMMMMMMMMMMMM Berdasarkan plot data awal yang sudah menjadi stasioner, maka hal yang dilakukan berikutnya adalah melihat sebaran ACF dan PACF data awal. Berdasarkan plot ACF dan PACF menunjukan adanya komponen AR non musiman (q=2). Sehingga model ARIMA awal adalah (2,0,0).mmmmmmmmmm Model tentative yang diperoleh (Lampiran 10) kemudian diperiksa kelayakannya dengan menggunakan proses diagnostic checking sebagai berikut:
1. Hasil output menunjukan pada proses iterasi ke-14 kondisi konvergensi sudah tercapai. Hal ini terlihat dari pernyataan “relative change in each estimate less than 0.001”. 2. Berdasarkan hasil output, terlihat bahwa koefisien Autoregressive (AR) non musiman ketiganya kurang dari 1, koefisien Moving Average (MA) tidak ada. Hal
ini
menunjukan
bahwa
model
memenuhi
syarat
stasioneritas dan invertibilitas. 3
Dari plot ACF dan PACF residual, terlihat bahwa nilai ACF dan PACF dari residual tidak ada yang signifikan (Lampiran 6). Hal ini menunjukan bahwa proses ARIMA menghasilkan error random/tidak berpola. Hal tersebut juga terlihat dari nilai P-value Chi Square Statistic pada lag ke-12 yang lebih besar dari a (5 %).mm
4. Dari hasil ouput ARIMA
(2,0,0), terlihat bahwa nilai p-value
koefisien kurang dari a (5 %).
5. MAPE yang dihasilkan oleh model ARIMA (2,0,0) adalah sebesar 1,351%.
Model tentative yang didapat sudah memenuhi semua kriteria kelayakan model, tetapi agar model yang didapat benar-benar merupakan model yang memiliki ketepatan paling baik (MAPE terkecil), maka model ARIMA yang lain tetap harus diduga. Dari hasil pendugaan, model ARIMA yang juga memenuhi kriteria diagnostic checking adalah ARIMA (3,0,0), dan ARIMA (1.0.0). Besaran MAPE dari model ARIMA yang memenuhi kriteria diagnostic checking ditampilkan pada Tabel 9. Berdasarkan Tabel 9, maka model ARIMA yang paling tepat dalam menduga harga CPO di pasar berjangka Malaysia adalah ARIMA (2,0,0).
Tabel 9. Nilai MAPE untuk Model Peramalan ARIMA di Pasar Malaysia MODEL ARIMA
MAPE (%)
(3,0,0)
1.7339
(2,0,0)
1.7228
(1,0,0)
1.7777
4. Model Winters Multiflikatif Model pemulusan musiman Winters, didasari oleh tiga persamaan yang masing-masing melicinkan faktor-faktor yang berkaitan dengan pola data, yaitu faktor stasioneritas, faktor trend, dan faktor musiman. Jika dibandingkan dengan model pemulusan lain, model Winters merupakan model yang paling kompleks dan rumit. Dalam model ini diperlukan tiga parameter sehingga
diperlukan
perhitungan dan waktu yang cukup lama untuk menemukan tiga parameter yang optimal.
Meskipun
demikian,
model
ini
memiliki
kelebihan
yaitu
dapat
mengantisipasi
adanya
pola
musiman
pada
deret
data.mmmmmmmm
Penemuan kombinasi optimal dari tiga parameter a, ß, dan ? dilakukan dengan menggunakan program QSB. Dari hasil perhitungan diperoleh kombinasi konstanta pemulusan yang optimal a= 0,60, ß=0,05 dan ?=0,90 dengan seasonal length (L=4). Kombinasi konstanta dan seasonal length tersebut menghasilkan nilai MAPE yaitu sebesar 2,39 %.
5.1.3. Pemilihan Model Peramalan Time Seriesmmmmmmmmmmmmmmm Setelah menerapkan berbagai model peramalan time series untuk meramal pergerakan harga di pasar berjangka Malaysia, langkah selanjutnya adalah memilih model yang dianggap paling sesuai bagi kepentingan peramal dimana dalam hal ini adalah para pelaku transaksi di pasar berjangka (produsen CPO). Pemilihan model peramalan yang paling sesuai dapat didasarkan pada dua hal utama yaitu nilai MAPE terkecil yang menunjukan keakuratan peramalan yang tinggi, dan kedua adalah kemudahan dalam penerapan model tersebut. Perbandingan nilai MAPE untuk model peramalan harga CPO di pasar berjangka Malaysia
dapat dilihat pada Tabel 10.mmmmmmmmmmmmmmmmmmmmm
Tabel 10. Nilai MAPE untuk Berjangka Malaysia No.
Model Peramalan
Model
Peramalan
MAPE (%)
1.
ARIMA (2,0,0)
1,72
2.
Naive
1,86
3.
Winters Multiflikatif
2,39
4.
Simple Moving Average
4,53
Harga CPO di Pasar
L
4
Berdasarkan kriteria-kriteria yang ada maka dapat disimpulkan bahwa model ARIMA (2,0,0) lebih baik untuk menjelaskan pola data harga CPO di pasar berjangka Malaysia dengan menghasilkan MAPE sebesar 1,72 persen, dan komponen error yang dihasilkan tidak berpola. Persamaan dari Model ARIMA (2,0,0) adalah sebagai berikut: Yt = 24,002 + 1,1143 Y t-1 - 0,1721 Yt-2.
5.1.4. Hasil Ramalan Harga CPO dengan Model Terbaikmmmmmmmmm Hasil ramalan dengan menggunakan model ARIMA (2,0,0) menunjukan bahwa untuk beberapa bulan kedepan secara umum harga CPO di pasar berjangka di Malaysia akan mengalami fluktuasi harga yang tidak menentu, kecendrungan harga yang terjadi adalah adanya peningkatan harga. Dari hasil perhitungan
dengan
model
time
series
trend
linier
yang
dilakukan,
peningkatannya adalah sebesar US $ 1,46/Ton setiap penambahan minggu. (Lampiran 12), hasil ramalan untuk harga CPO di pasar berjangka Malaysia selama delapan bulan kedepan dilihat pada Lampiran 6. Harga dalam rataan bulan tertinggi terjadi pada bulan Juli 2006 yaitu sebesar US$ 408,08, sedangkan yang terendah terjadi pada bulan Februari yaitu sebesar US$ 356,73. Harga dalam rataan minggu terendah pada minggu pertama, sedangkan di tiga minggu lainnya harga cenderung stabil namun lebih tinggi daripada minggu pertama, besarnya harga pada minggu pertama, kedua, ketiga dan keempat adalah sebagai berikut; US$ 385,59, US$ 389,83, US$ 388,57, US$ 388,39.mmmmmmmmmmmmmmmmmmmmmmmmmmmmm Hal ini memberikan tanda bagi pelaku transaksi di pasar berjangka (produsen CPO) untuk segera melakukan Long Term Contract atau kontrak berjangka, dengan melakukan penguncian harga yang sesuai dengan harga pokok produksi dan keuntungan yang ingin diraih. Namun hal yang perlu diingat adalah bahwa data tidak hanya memiliki pola trend saja, tetapi juga mempunyai
komponen musiman baik antar minggu maupun antar bulan. Kedua hal itu juga berpengaruh kepada pergerakan data harga CPO di pasar berjangka, sehingga pelaku transaksi di pasar berjangka dalam hal ini produsen CPO harus berhatihati dalam melakukan transaksi di pasar berjangka.
5.3. Harga CPO di Pasar Fisik Medan 5.3.1. Analisis Pola Data Harga CPO Data yang diperoleh dari BAPPEBTI berupa data harian dalam bentuk harga nominal CPO yang ada di pasar fisik Medan, dalam satuan Rp/kg selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, seperti
pada
peramalan
harga
CPO
Rotterdam
dan
Malaysia,
untuk
memudahkan proses pengidentifikasian pola data dan melakukan proses peramalan, maka data harian yang ada diubah dalam bentuk mingguan (rataan dari data harian) dan rataan dalam bulan. Berdasarkan hasil analisis dengan model time series trend linier (Lampiran 13), bahwa harga CPO di pasar fisik Medan dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak Rp 6,35/kg. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu keempat harga CPO di pasar fisik Medan cenderung meningkat. Hasil perhitungan rataan unsur musiman dapat dilihat pada Lampiran 14. Hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Februari sampai dengan bulan Juni, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember, hasil
perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 15. Analisis harga CPO Medan berdasarkan plot pola data menunjukan adanya unsur trend yang menurun, sepanjang tahun 2004 sampai dengan tahun 2005. Plot data mingguan harga CPO di pasar fisik Medan dimulai dari minggu pertama sampai dengan minggu sembilan puluh enam dapat dilihat pada Gambar 14.
HAR G A CP O M ED AN 5000
4500
4000
3500
3000 1
10
20
30
40
50
60
70
80
90
Gambar 14. Plot Data Harga CPO di Pasar Fisik Medan
Hasil plot data mingguan
dari minggu satu sampai dengan sembilan
puluh enam yang dilakukan, terlihat terjadi perubahan secara struktural yang terjadi pada pola data, mulai dari minggu pertama sampai dengan minggu ke dua puluh, untuk mempermudah proses pengolahan data, maka yang dijadikan sebagai basis peramalan adalah data yang dimulai dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam. Gambar plot data harga CPO, serta plot ACF dan PACF di pasar fisik Medan dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, dapat dilihat pada gambar dan Gambar
Time S e rie s Plot of R P/ K G 4 800 4 600 4 400
RP/KG
4 200 4 000 3 800 3 600 3 400 3 200 3 000 1
8
16
24
32
40 Index
48
56
64
72
Gambar 15. Plot Data Harga CPO di Pasar Fisik Medan Minggu 21 sampai 96
Berdasarkan plot ACF, nampak data sudah stasioner karena pada lag ke2 nilai korelasinya sudah cutt off. Pola musiman terlihat setiap lag ke-4 karena pada setiap lag ke-4 nilai korelasi kembali meninggi. P AC F ME DAN
0. 8
0. 8
0. 6
0. 6
Partial Autocorrelation
1. 0
0. 4 0. 2 0. 0 -0. 2 -0. 4 -0. 6 -0. 8
0. 4 0. 2 0. 0 -0. 2 -0. 4 -0. 6 -0. 8
-1. 0
-1. 0
1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
1
5
10
15
20
25
30
35
40 La g
45
50
55
60
65
70
75
Gambar 16. Plot Data ACF dan PACF di Pasar Fisik Medan
Berikut Gambar hasil setelah dilakukan pembedaan pada lag ke-4. A C F M E DA N 1 .0 0 .8 0 .6 Autocorrela tion
Aut ocor relat ion
AC F M EDAN 1. 0
0 .4 0 .2 0 .0 - 0 .2 - 0 .4 - 0 .6 - 0 .8 - 1 .0 1
5
10
15
20
25
30
35 40 La g
45
50
55
60
65
70
Gambar 17. Plot ACF Harga CPO di Pasar Fisik Medan Diff Lag 4
5.3.2. Model Peramalan Time Series untuk Harga CPO Medanmmmmmm Berdasarkan pola data yang dimiliki (adanya musiman dan sudah stasioner),
maka tidak semua model peramalan kuantitatif dapat diterapkan
pada data tersebut, karena tidak semua model peramalan cocok untuk data yang memiliki unsur stasioner dan musiman. Model peramalan yang mungkin cocok untuk kondisi data tersebut adalah Naive, Rata-rata bergerak dan model BoxJenkins (ARIMA), meskipun demikian beberapa model time series yang lain juga akan dicoba untuk melihat perbedaan hasil didalam penerapan model, seperti Winters
Multiflikatif.mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm
1. Model Naivemmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model naive merupakan model time series yang paling sederhana dan mudah didalam mengoperasikannya, model ini mengasumsikan bahwa periode terkini merupakan prediktor terbaik dari masa depan. Pengoperasian model naive menggunakan program Microsoft Excel. Nilai MAPE dari hasil peramalan dengan model ini adalah sebesar 4,34 %.mmmmmmmmmmmmmmmmmmmm 2. Model Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmm Dengan melihat plot data pergerakan harga mingguan CPO Medan, dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, Faktor musiman dilihat dengan melakukan differensiasi pada lag 4, setelah dilakukan differensiasi orde pertama pada lag 4, data sudah menjadi stasioner dan hal yang dilakukan berikutnya adalah melihat sebaran ACF dan PACF data awal yang sudah mengalami differensiasi. Plot ACF data yang sudah mengalami differensiasi menunjukan adanya komponen AR musiman (P=1), data awal juga mengandung AR (q=1), dengan panjang musiman (S=4). Sehingga model ARIMA awal adalah ARIMA (1,0,0) (1,1,0)4. Model tentative yang diperoleh (Lampiran 16) kemudian diperiksa kelayakannya dengan menggunakan proses diagnostic checking sebagai berikut:
1. Hasil output menunjukan pada proses iterasi ke-8 kondisi konvergensi sudah tercapai. Hal ini terlihat dari pernyataan “relative change in each estimate less than 0.001”. 2. Berdasarkan hasil output, terlihat bahwa koefisien Autoregressive (AR) non musiman dan musiman kurang dari 1, koefisien Moving Average (MA) tidak ada. Hal ini menunjukan bahwa model memenuhi syarat stasioneritas dan invertibilitas. 3. Dari plot ACF dan PACF residual, terlihat bahwa nilai ACF dan PACF dari residual tidak ada yang signifikan (Lampiran 11). Hal ini menunjukan bahwa proses ARIMA menghasilkan error random/tidak berpola. Hal tersebut juga terlihat dari nilai P-value Chi Square Statistic pada lag ke-12 yang lebih besar dari a (5%).mm 4. Dari hasil ouput ARIMA
(1,0,0) (1,1,0)4, terlihat bahwa nilai p-value
koefisien kurang dari a (5%). 5. MAPE yang dihasilkan oleh model ARIMA (1,0,0) (1,1,0)4 adalah sebesar 3,23 %.
Model tentative yang didapat sudah memenuhi semua kriteria kelayakan model, tetapi agar model yang didapat benar-benar merupakan model yang memiliki ketepatan paling baik (MAPE terkecil), maka model ARIMA yang lain tetap harus diduga. Dari hasil pendugaan, model ARIMA yang juga memenuhi kriteria diagnostic checking adalah ARIMA (1,0,0). Besaran MAPE dari model ARIMA yang memenuhi kriteria diagnostic checking ditampilkan pada Tabel 12. Berdasarkan Tabel 12, maka model ARIMA yang paling tepat dalam menduga harga CPO di pasar fisik Medan adalah ARIMA (1,0,0) (1,1,0)4
Tabel 12. Nilai MAPE untuk Model Peramalan ARIMA di Pasar Medan MODEL ARIMA (1,0,0) (1,1,0)
MAPE (%)
4
3,23
(1,0,0).
3,92
3. Model Simple Moving Average (Rata-rata bergerak sederhana)mm mmm Hasil dari pengolahan dengan Minitab 14 diperoleh nilai MAPE sebesar 5,6. Length yang digunakan ada 48.mmmmmmmmmmmmmmmmmmmmmmmm 4. Model Wintersmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model pemulusan Winters, didasari oleh tiga persamaan yang masingmasing melicinkan faktor-faktor yang berkaitan dengan pola data, yaitu faktor stasioneritas, faktor trend, dan faktor musiman. Jika dibandingkan dengan model pemulusan lain, model Winters merupakan model yang paling kompleks dan rumit. Dalam model ini diperlukan tiga parameter sehingga
diperlukan
perhitungan dan waktu yang cukup lama untuk menemukan tiga parameter yang optimal.
Meskipun
demikian,
model
ini
memiliki
kelebihan
yaitu
dapat
mengantisipasi adanya pola musiman pada deret data.mmmmmmmmmmmmmm Penemuan kombinasi optimal dari tiga parameter a, ß, dan ? dilakukan dengan menggunakan program QSB. Dari hasil perhitungan diperoleh kombinasi konstanta pemulusan yang optimal a= 0,90, ß=0,05 dan ?=0,90 dengan seasonal length (L=5). Kombinasi konstanta dan seasonal length tersebut menghasilkan nilai MAPE yaitu sebesar 3,93 %.
5.3.3. Pemilihan Model Peramalan Time SeriesMMMMMMMMMMMMMMMM Setelah menerapkan berbagai model peramalan time series untuk meramal pergerakan harga di pasar fisik Medan, langkah selanjutnya adalah memilih model yang dianggap paling sesuai bagi kepentingan peramal dimana
dalam hal ini adalah para pelaku transaksi di pasar berjangka (produsen CPO). Pemilihan model peramalan yang paling sesuai didasarkan pada dua hal utama yaitu nilai MAPE terkecil yang menunjukan keakuratan peramalan yang tinggi dan kedua adalah kemudahan dalam penerapan model tersebut. Perbandingan nilai MAPE untuk model peramalan harga CPO Medan dapat dilihat pada Tabel 13.
Tabel 13 . Nilai MAPE untuk Fisik Medan No.
Model
Model Peramalan
Peramalan
Harga
CPO
MAPE (%)
4
1.
ARIMA (1,0,0) (1,1,0)
2.
Winters Multiflikatif
3,93
3.
Naive
4,34
4
Simple Moving Average
5,60
di Pasar
L
3,23 7
48
Berdasarkan kriteria-kriteria yang ada maka dapat disimpulkan bahwa model ARIMA (1,0,0) (1,1,0)4 lebih baik untuk menjelaskan pola data harga CPO di pasar fisik Medan dengan menghasilkan MAPE sebesar 3,23%, dan komponen error
yang dihasilkan tidak berpola. Persamaan dari Model ARIMA (1,0,0)
(1,1,0)4 adalah sebagai berikut : Y = -19,61 + 0,4272 Yt-1 - 0,3635 Yt-4 - 0,2719 Yt5–
0,3635 Y t-8 – 0,2719 Yt-9 m
5.3.4. Hasil Ramalan Harga CPO dengan Model Terbaikm Hasil ramalan dengan menggunakan model ARIMA (1,0,0) (1,1,0)4 menunjukan bahwa untuk beberapa bulan kedepan secara umum harga CPO di pasar fisik Medan akan mengalami fluktuasi harga yang tidak menentu, kecendrungan harga yang terjadi adalah adanya peningkatan harga. Dari hasil perhitungan
dengan
model
time
series
trend
linier
yang
dilakukan,
peningkatannya adalah sebesar Rp 12,24/kg setiap penambahan minggu.
(Lampiran 17), hasil ramalan untuk harga CPO di pasar fisik Medan selama delapan
bulan kedepan dilihat pada Lampiran 6.mmmmmmmmmmmmmmm
Harga dalam rataan bulan tertinggi terjadi pada bulan
Mei 2006 yaitu
sebesar Rp 3946.55/kg, sedangkan yang terendah terjadi pada bulan Februari yaitu sebesar Rp 3450.32/kg. Harga dalam rataan minggu terendah pada minggu pertama, sedangkan diketiga minggu lainnya harga cenderung stabil namun lebih tinggi daripada minggu pertama, besarnya harga pada minggu pertama, kedua, ketiga dan keempat adalah sebagai berikut; Rp 3750.12/kg, Rp 3862.97/kg, Rp 3838.43/kg, Rp 3794.68/kg.mmmmmmmmmmmmmmmmmmmmmmmmmmm Hal ini memberikan tanda bagi pelaku transaksi di pasar berjangka (produsen CPO) untuk segera melakukan Long Term Contract atau kontrak berjangka, dengan melakukan penguncian harga yang sesuai dengan harga pokok produksi dan keuntungan yang ingin diraih. Namun hal yang perlu diingat adalah bahwa data tidak hanya memiliki pola trend saja, tetapi juga mempunyai komponen musiman baik antar minggu maupun antar bulan. Kedua hal itu juga berpengaruh kepada pergerakan data harga CPO di pasar berjangka, sehingga pelaku transaksi di pasar berjangka dalam hal ini produsen CPO harus berhatihati dalam melakukan transaksi di pasar berjangka.
5.4. Implikasi Hasil Ramalan Bagi Produsen CPOmmmmmmmmmmmmm Keberhasilan sebuah perusahaan diukur melalui kemampuan pihak manajemen perusahaan didalam mengendalikan segala bentuk ketidakpastian serta mampu menghadapi perubahan yang terus menerus. Perubahanperubahan yang terjadi dan tidak sepenuhnya dapat dikontrol oleh perusahaan seperti penurunan atau kenaikan harga CPO, merupakan tantangan tersendiri bagi pihak manajemen. Maka dari itu, pihak manajemen perlu memahami dan mengantisipasi hal tersebut, pihak manajemen perusahaan dapat melakukan
prediksi
dan
mengikuti
perkembangan
harga
serta
faktor-faktor
yang
mempengaruhi harga pada masa yang akan datang. Dari sini, diharapkan perusahaan dapat membuat suatu keputusan yang tepat. Fluktuasi harga yang terjadi ditiga pasar CPO diberbagai tempat terjadi setiap saat, dalam periode waktu harian. Langkah nyata yang dapat dilakukan oleh pihak manajemen perusahaan
adalah melakukan sistem penjualan
berjangka untuk beberapa bulan kedepan, normalnya selama tiga bulan. Melalui perdagangan berjangka komoditi yang ada di luar negeri, pihak perusahaan akan mendapatkan kepastian harga serta membuat perencanaan penjualan
yang
tepat. Kontrak penjualan berjangka memakai mekanisme pematokan harga terhadap transaksi suatu komoditas hingga beberapa waktu ke depan. Proses penentuan harga yang tepat didalam melakukan perdagangan berjangka, memerlukan analisis yang mendalam, umumnya ada dua alat analisis yang digunakan oleh para stakeholder dipasar berjangka, yaitu analisis teknikal dan analisis fundamendal. Model peramalan time series merupakan bagian dari analisis teknikal, hasil peramalan
time series dikombinasikan dengan hasil
analisis fundamental didalam melakukan strategi lindung nilai jual yang dapat dilakukan oleh produsen CPO. Dengan melakukan strategi lindung nilai, maka resiko kerugian akibat terjadinya fluktuasi harga yang tidak menentu dapat diminimalisir.
VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan Hasil plot data time series serta plot autokorelasi dan partial autokorelasi diberbagai pasar CPO baik pasar fisik maupun pasar berjangka menunjukan adanya unsur trend. Trend yang terjadi berupa penurunan harga CPO diberbagai pasar selama periode tahun 2004 sampai dengan tahun 2005. Di pasar Rotterdam berdasarkan analisis dengan model time series trend linier, bahwa harga CPO di pasar Rotterdam dalam
rataan minggu selama dua tahun,
menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak US$ 1,16/ton. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu pertama dan minggu keempat harga CPO di pasar Rotterdam cenderung meningkat, hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Februari sampai dengan bulan Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan September sampai dengan Desember. Berdasarkan hasil analisis dengan model time series trend linier di pasar berjangka Malaysia harga CPO di pasar Malaysia dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali
penambahan minggu adalah sebanyak US$ 1,12/ton,
berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa pada minggu pertama harga CPO di pasar Malaysia cenderung meningkat dibandingkan tiga minggu lainnya. Hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu
dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Januari sampai dengan bulan Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember. Di pasar fisik Medan berdasarkan analisis dengan model time series trend linier, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali
penambahan minggu adalah sebanyak Rp 6,35/kg.
Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu keempat harga CPO di pasar fisik Medan cenderung meningkat, unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Februari sampai dengan bulan Juni, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember. Penentuan model peramalan time series terbaik untuk harga CPO di berbagai pasar adalah berdasarkan nilai MAP E terkecil. Model peramalan time series terbaik untuk harga CPO di pasar berjangka Rotterdam adalah ARIMA (2,0,0) (2,1,0)7 dengan persamaan modelnya sebagai berikut : Yt = -0,115 + 1,0149 Yt-1 + 0,1468 Yt-2 – 0,3091Yt-3 + 0,5977 Yt-7 + 0,6066 Yt-8 + 0,0877 Yt-9 0,1847 Y t-10. Model peramalan time series terbaik untuk harga CPO di pasar berjangka Malaysia adalah ARIMA (2,0,0), dengan persamaan modelnya sebagai berikut : Yt = 24,002 + 1,1143 Yt-1 - 0,1721 Yt-2. Model peramalan time series terbaik untuk harga CPO di pasar fisik Medan adalah ARIMA (1,0,0) (1,1,0)4, dengan persamaan modelnya adalah sebagai berikut : Y = - 19,61 + 0,4272 Yt-1 0,3635 Y t-4 - 0,2719 Yt-5 – 0,3635 Yt-8 – 0,2719 Yt-9 m Perbandingan harga antara harga CPO yang terjadi di pasar berjangka Rótterdam dan Malaysia, menunjukan bahwa harga CPO di pasar Rótterdam
relatif lebih tinggi dibandingkan dengan harga CPO di pasar berjangka Malaysia, tentunya akan sangat menguntungkan apabila para produsen CPO menjual produksi CPO nya kepasar ini, dengan asumsi tidak dipengaruhi biaya-biaya lainnya, seperti biaya transportasi. Dari data tiga pasar CPO yang diteliti, maka dapat disimpulkan bahwa minggu pertama merupakan minggu dimana harga CPO mengalami kenaikan, dibandingkan tiga minggu lainnya. ………………… Berdasarkan model peramalan yang terbaik, maka dapat diketahui bagaimana pola harga CPO kedepannya, hasil ramalan dari tiap model terbaik diberbagai pasar
menggambarkan secara umum bahwa harga CPO dunia
cenderung fluktuatif dan memiliki trend yang meningkat (Lampiran.
6.2. Saran Menghadapi fluktuasi harga CPO yang tidak menentu, maka perusahaan dapat menjadikan pasar berjangka sebagai alternatif untuk meminimalisir resiko kerugian akibat fluktuasi harga. Dipasar berjangka strategi lindung nilai merupakan hal yang penting dilakukan oleh perusahaan, untuk itu strategi lindung nilai perlu dilakukan dengan baik. Caranya dengan melakukan analisis teknikal berupa bentuk peramalan time series, dan analisis fundamental. Hasil dari kedua analisis ini dapat menjadi pemikiran mendasar bagi pihak manajemen perusahaan produsen CPO di dalam menentukan harga yang akan dikunci dalam kontrak pasar berjangka.
DAFTAR PUSTAKA Anmi, L. 2004. Peramalan Impor Komoditas Pertanian Indonesia Dari Negara Asean. Skripsi. Jurusan Ilmu-ilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor. Badan
Pengawas Perdagangan Berjangka Komoditi (Bappebti). 2003a. Himpunan peraturan perdagangan Berjangka Komoditi. Jilid I. Badan Pengawas Perdagangan Berjangka Komoditi. Departemen Perindustrian dan Perdangan. Republik Indonesia. Jakarta.
------------, 2003b. Melakukan Lindung Nilai (Hedging) di Bursa Berjangka. Badan Pengawas Perdagangan Berjangka Komoditi. Departemen Perindustrian dan Perdangan. Republik Indonesia. Jakarta. Direktorat Jendral Bina Produksi dan Perkebunan. 2004. Rencana Makro Pengembangan Agribisnis Kelapa Sawit. Departemen Pertanian. Jakarta Djunaidi, A. 1999. Prospek Bursa Berjangka Komoditi di Tengah-tengah Penyelesaian Krisis Ekonomi Nasional dan Era Pasar Bebas Dunia. Dalam perdagangan Berjangka Komoditi Indonesia : Relevansinya Dengan Konstruksi Nilai Etika Dalam Pasar Bebas dan Pertumbuhan Nilai Ekonomi Bangsa. HMI Publisher. Jakarta Gaynor, P.E., dan R.C. Kirkpatrick. 1994. Introduction to Time Series Modelling and Forecasting in Business and Economics. Singapore. Mc. Graw Hill. Hanke, E.J., Wichern, W.D., Reitsch, G.A. 2003. Peramalan Bisnis. Edisi Ketujuh. Penerbit PT Prenhallindo Jakarta. Jafarudin, M. 2005. Peramalan Volume Produksi TBS Di Kebun Percobaan Betung II A. Skripsi. Jurusan Ilmu-ilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor. Lubis, A.U dan M.P. Naibaho. 1999. Prospek Perkembangan Industri Hilir Pengolahan Kelapa Sawit. Seminar Nasional Peluang dan Tantangan industri Kelapa sawit Menyonsong Abad XX1, Medan Makridakis, S., Whellwright dan McGee. 1999. Metode dan Aplikasi Peramalan. Jilid Satu. Edisi Kedua. Binarupa Aksara, Jakarta. Mulyono. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1. BPFE. Yogyakarta. Rambey, S. 1999. Adakah Nilai Ekonomis Produk Fiansial Derivatif? Dalam Perdagangan berjanGka Komoditi indonesia : Relevansinya Dengan Kontruksi Nilai Etika dalam Pasar bebas dan pertumbuhan Nilai Etika Dalam Pasar Bebas dan Pertumbuhan Nilai ekonomi Bangsa. HMI Publisher. Jakarta. Setyamidjaja, D. 1991. Budidaya Kelapa Sawit. Penerbit Kanisius. Yogyakarta
Simanjuntak, D. 2003. Kajian Strategi Perusahaan PT Perkebunan Nusantara I Untuk Mendukung Pemasaran Minyak Sawit. Tesis. Sekolah Pasca Sarjana. Institut Pertanian Bogor, Bogor. Siringoringo, S.T.E. 2005. Peramalan Produksi Crude Palm Oil (CPO) Dan Palm Kernel Oil (PKO) PT. PANAMTAMA Kebun Teluk Dalam, Asahan Sumatera Utara. Skripsi. Jurusan Ilmu-ilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor. Susila, R. W. 2006. Peluang Investasi Bisnis Kelapa Sawit Di Indonesia. www. ipard.com. Diakses Tanggal 19 April 2006. Susilowati, S. H. 1989. Pasar Minyak Sawit Dunia dan Kaitannya Dengan Ekspor Minyak Sawit Indonesia. Tesis. Program Studi Ekonomi Pertanian. Fakultas Pascasarjana. Institut Pertanian Bogor. Bogor Swastha, B. dan I.W. Sukotjo. 1997. Pengantar Bisnis Modern. Edisi Ketiga. Penerbit Liberty. Yogyakarta. Turner, P.D and R.A. Gill Banks. 1974. Oil Palm Cultivation and Management. The Incorporated Society of lanters, Kuala Lumpur. Zega, D. T. S. 2003. Analisis Strategi Pemasaran Minyak Kelapa Sawit (CPO) pada PTPN III (Persero) Medan, Sumatera Utara. Skripsi. Jurusan Ilmuilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor.
Lampiran 1. Hasil Analisis Harga CPO di Pasar Berjangka Rotterdam Selama Periode 2004-2005
Trend Analysis Data Length NMissing
ROT 96.0000 0
Fitted Trend Equation Yt = 505.393 - 1.16546*t
Accuracy Measures MAPE: MAD: MSD:
6.20329 28.3792 1147.81
tim e s s e r ie s R o tt e r s L i ne a r T r e n d M o d e l Y t = 5 0 5 .3 9 3 - 1 .1 6 5 4 6 * t A c tu a l
55 0
F i ts A c tu a l F i ts
ROT
50 0
45 0
MAPE : MAD: MSD:
40 0 0
10
20
30
40
50
T im e
60
70
80
90
10 0
6 .2 0 2 8 .3 8 1 1 4 7 .8 1
Lampiran 2. Hasil perhitungan rataan unsur musiman (mingguan) di Pasar Rotterdam Periode Bln (2004) Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nov
Des
Periode
Minggu
Bln (2005) Minggu t
T=Yt
Yt
Sn= Yt/T
t
T=Yt
Yt
Sn= Yt/T
1
49
448.29
412.50
0.920
0.968
2
50
447.12
400.50
0.896
492.50 493.89
0.981 0.986
3 4
51 52
445.95 444.79
402.00 396.67
0.901 0.892
499.57 498.40
508.75 527.00
1.018 1.057
1 2
53 54
443.62 442.46
395.00 396.88
0.890 0.897
7
497.23
542.50
1.091
3
55
441.29
400.50
0.908
8 9
496.07 494.90
557.50 558.00
1.124 1.127
4 1
56 57
440.13 438.96
409.00 427.00
0.929 0.973
2 3
10 11
493.74 492.57
553.00 546.50
1.120 1.109
2 3
58 59
437.80 436.63
438.33 442.50
1.001 1.013
4
12
491.41
551.79
1.123
1
1
504.23
499.17
0.990
2
2
503.06
487.00
3 4
3 4
501.90 500.73
1 2
5 6
3 4 1
Jan
Feb
Mar
Apr
4
60
435.47
424.64
0.975
1 2
61 62
434.30 433.13
431.00 425.50
0.992 0.982
3 4
63 64
431.97 430.80
431.00 424.64
0.998 0.986
1 2
65 66
429.64 428.47
418.75 418.50
0.975 0.977
1 2
13 14
490.24 489.08
546.25 537.50
1.114 1.099
3 4
15 16
487.91 486.75
526.25 539.64
1.079 1.109
1 2
17 18
485.58 484.41
551.00 546.00
1.135 1.127
3
19
483.25
534.38
1.106
3
67
427.31
412.50
0.965
4 1
20 21
482.08 480.92
540.00 473.75
1.120 0.985
4 1
68 69
426.14 424.98
410.00 409.00
0.962 0.962
2 3
22 23
479.75 478.59
433.13 430.00
0.903 0.898
2 3
70 71
423.81 422.65
401.00 408.00
0.946 0.965
4
24
477.42
495.00
1.037
1 2
25 26
476.26 475.09
435.63 433.13
0.915 0.912
3 4
27 28
473.93 472.76
430.00 437.50
0.907 0.925
1
29
471.59
428.00
0.908
2 3
30 31
470.43 469.26
430.00 430.00
0.914 0.916
4 1
32 33
468.10 466.93
450.00 455.00
0.961 0.974
2
34
465.77
452.50
3 4
35 36
464.60 463.44
1 2
37 38
462.27 461.11
Mei
Jun
4
72
421.48
419.17
0.995
1 2
73 74
420.31 419.15
420.50 419.00
1.000 1.000
3 4
75 76
417.98 416.82
415.00 411.43
0.993 0.987
1
77
415.65
405.00
0.974
2 3
78 79
414.49 413.32
405.50 406.88
0.978 0.984
4 1
80 81
412.16 410.99
395.71 400.83
0.960 0.975
0.972
2
82
409.83
409.00
0.998
443.50 444.64
0.955 0.959
3 4
83 84
408.66 407.49
413.00 427.79
1.011 1.050
437.50 434.50
0.946 0.942
1 2
85 86
406.33 405.16
444.00 452.00
1.093 1.116
Jul
Agt
Sep
Okt
3
39
459.94
431.50
0.938
3
87
404.00
457.50
1.132
4 1
40 41
458.77 457.61
431.43 438.50
0.940 0.958
4 1
88 89
402.83 401.67
449.17 447.50
1.115 1.114
2 3
42 43
456.44 455.28
431.00 435.00
0.944 0.955
2 3
90 91
400.50 399.34
447.50 440.00
1.117 1.102
4 1
44 45
454.11 452.95
435.42 426.00
0.959 0.941
4 1
92 93
398.17 397.01
439.64 439.00
1.104 1.106
2
46
451.78
424.50
0.940
2
94
395.84
436.50
1.103
3 4
47 48
450.62 449.45
421.50 420.31
0.935 0.935
3 4
95 96
394.67 393.51
423.00 423.75
1.072 1.077
Keterangan: T=Yt=505.393 - 1.16546*t
Nov
Des
Lampiran 3. Hasil perhitungan rataan unsur musiman (bulanan) di Pasar Rotterdam
Bulan / Tahun
Nilai Musiman
Januari-04
0.9814
Februari-04
1.0727
Maret-04
1.1200
April-04
1.1001
Mei-04
1.1220
Juni-04
0.9558
Juli-04
0.9148
Agustus-04
0.9248
September-04
0.9650
Oktober-04
0.9418
November-04
0.9542
Desember-04
0.9377
Januari-04
0.9023
Februari-04
0.9061
Maret-04
0.9906
April-04
0.9896
Mei-04
0.9697
Juni-04
0.9671
Juli-04
0.9950
Agustus-04
0.9743
September-04
1.0084
Oktober-04
1.1139
November-04
1.1094
Desember-04
1.0893
Lampiran 4. Output Komputer dari Berjangka Rotterdam
Model
ARIMA (2,0,0) (1,1,0)7 di Pasar
ARIMA Model: US$/TON Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
SSE 26875.6 20284.4 14821.2 10473.2 7264.0 5211.6 4392.7 4259.6 4250.1 4248.3 4247.9 4247.8 4247.8 4247.8 4247.8
0.100 0.250 0.400 0.550 0.700 0.850 0.970 1.022 1.021 1.018 1.016 1.016 1.015 1.015 1.015
Parameters 0.100 0.100 0.046 0.063 -0.008 0.012 -0.063 -0.059 -0.122 -0.160 -0.190 -0.301 -0.263 -0.451 -0.309 -0.543 -0.313 -0.573 -0.311 -0.586 -0.310 -0.592 -0.310 -0.595 -0.309 -0.597 -0.309 -0.597 -0.309 -0.598
0.100 0.085 0.072 0.064 0.065 0.080 0.111 0.135 0.142 0.145 0.146 0.146 0.147 0.147 0.147
0.307 0.306 0.298 0.280 0.242 0.171 0.070 -0.047 -0.105 -0.113 -0.114 -0.114 -0.115 -0.115 -0.115
Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type AR 1 AR 2 SAR 7 Constant
Coef 0.0149 0.1468 -0.5977 -0.115
SE Coef 0.1241 0.1820 0.1136 1.024
T 8.18 0.81 -5.26 -0.11
P 0.000 0.423 0.000 0.911
Differencing: 0 regular, 1 seasonal of order 7 Number of observations: Original series 72, after differencing 65 Residuals: SS = 4075.07 (backforecasts excluded) MS = 67.92 DF = 60
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 10.3 7 0.671
24 38.* 1* 0.06*
36 * * *
48 * * *
Lampiran 5. Hasil Analisis Ramalan Harga CPO di Pasar Berjangka Rótterdam Selama Delapan Bulan (Januari – Agustus 2006)
Trend Analysis Data Length NMissing
Rot 32.0000 0
Fitted Trend Equation Yt = 430.925 + 0.210629*t
Accuracy Measures MAPE: MAD: MSD:
0.884980 3.83242 22.5786
T r e n d A n a ly s is fo r R o t L i ne a r T r e n d M o d e l Y t = 4 3 0 .9 2 5 + 0 .2 1 0 6 2 9 * t A c tua l F its
Rot
44 0
A c tua l F its
43 0
MAPE : MAD: MSD:
42 0 0
10
20
T im e
30
0 .8 8 5 0 3 .8 3 2 4 2 2 .5 7 8 6
Lampiran 6. Hasil Ramalan untuk Harga CPO di berbagai Pasar: Pasar Berjangka Rótterdam, Pasar Berjangka Malaysia dan Pasar Fisik Medan Minggu
(1 Jan 06) (2 Jan 06) (3 Jan 06) (4 Jan 06) (1 Feb 06) (2 Feb 06) (3 Feb 06) (4 Feb 06) (1 Mar 06) (2 Mar 06) (3 Mar 06) (4 Mar 06) (1 Apr 06) (2 Apr 06) (3 Apr 06) (4 Apr 06) (1 Mei 06) (2 Mei 06) (3 Mei 06) (4 Mei 06) (1 Jun 06) (2 Jun 06) (3 Jun 06) (4 Jun 06) (1 Jul 06) (2 Jul 06) (3 Jul 06) (4 Jul 06) (1 Agt 06) (2 Agt 06) (3 Agt 06) (4 Agt 06)
Harga Ramalan (US $/Ton) di Pasar Rotterdam 421.489 426.168 434.938 439.946 442.959 433.601 433.930 433.990 432.198 436.157 438.264 438.309 426.677 427.363 426.072 428.137 434.934 440.488 430.165 430.594 430.076 432.809 434.891 437.663 438.393 439.285 439.868 437.890 438.020 438.129 438.890 438.513
Harga Ramalan (US $/Ton) di Pasar Malaysia
Harga Ramalan (Rp/kg) di Pasar Medan
394.93 368.46 363.07 362.20 357.73 351.24 357.93 360.04 355.27 393.26 399.53 405.64 392.75 390.67 388.29 387.91 391.07 393.28 393.42 385.98 383.33 400.35 396.42 400.02 401.75 414.54 409.89 406.12 407.88 406.87 400.04 399.21
3400.19 3986.54 3780.37 3757.69 3179.66 3705.67 3644.69 3271.26 3800.59 3696.12 3786.93 3667.15 3978.94 3937.68 3902.41 3891.22 3939.18 3915.19 3964.54 3967.27 3823.24 3841.85 3823.25 3866.39 3900.42 3917.14 3902.27 3989.06 3978.77 3903.64 3903.00 3947.44
Lampiran 7. Hasil Analisis Harga CPO di Pasar Berjangka Malaysia Selama Periode 2004-2005
Trend Analysis Data Length NMissing
MALAY 96.0000 0
Fitted Trend Equation Yt = 481.115 - 1.12006*t
Accuracy Measures MAPE: MAD: MSD:
8.08939 34.7598 1713.08
T IM E S E R IE S M A L A Y L i ne a r T re n d M o d e l Yt = 4 8 1 .1 1 5 - 1 .1 2 0 0 6 * t 55 0
A c tua l Fits
MALAY
A c tua l Fits
45 0
MAPE : MAD : MSD :
35 0 0
10
20
30
40
50
T im e
60
70
80
90
10 0
8 .0 9 3 4 .7 6 1 7 1 3 .0 8
Lampiran 8. Hasil perhitungan rataan unsur musiman (mingguan) di Pasar Malaysia Periode Bulan (2004) Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nov
Des
Periode
Minggu t
T=Yt
Yt
Sn=Yt/t
Bulan (2005) Jan
Minggu t
T=Yt
Yt
Sn=Yt/t
1
49
426.23
369.75
0.867
0.991
2
50
425.11
361.40
0.850
477.75 470.00 476.63 490.00
0.984 1.028
3 4
51 52
423.99 422.87
359.33 355.00
0.847 0.839
475.51 496.17
1.043
1
53
421.75
348.50
0.826
2 3
54 55
420.63 419.51
353.50 356.17
0.840 0.849
4 1
56 57
418.39 417.27
352.30 385.80
0.842 0.925
1
1
479.99 486.00
1.013
2
2
478.87 474.50
3 4
3 4
1
5
2 3
6 7
474.39 509.00 473.27 520.80
1.073 1.100
4 1
8 9
472.15 537.50 471.03 546.00
1.138 1.159
Feb
Mar
2
10
469.91 544.67
1.159
2
58
416.15
396.60
0.953
3 4
11 12
468.79 545.17 467.67 545.41
1.163 1.166
3 4
59 60
415.03 413.91
403.75 393.29
0.973 0.950
1 2
13 14
466.55 547.67 465.43 539.13
1.174 1.158
1 2
61 62
412.79 411.67
389.80 387.13
0.944 0.940
3
15
464.31 529.50
1.140
3
63
410.55
386.38
0.941
4 1
64 65
409.43 408.31
389.10 391.50
0.950 0.959
2 3
66 67
407.19 406.07
392.00 385.40
0.963 0.949
4
68
404.95
382.00
0.943
1 2
69 70
403.83 402.71
396.75 395.50
0.982 0.982
Apr
4 1
16 17
463.19 530.00 462.07 533.67
1.144 1.155
2 3
18 19
460.95 529.63 459.83 494.83
1.149 1.076
4
20
458.71 470.00
1.025
1 2
21 22
457.59 440.20 456.47 423.25
0.962 0.927
3
23
455.35 416.63
0.915
3
71
401.59
398.54
0.992
4 1
24 25
454.23 430.70 453.11 416.00
0.948 0.918
4 1
72 73
400.47 399.35
400.56 412.35
1.000 1.033
2 3
26 27
451.99 405.75 450.87 405.00
0.898 0.898
2 3
74 75
398.23 397.11
410.00 406.25
1.030 1.023
4
28
449.75 409.27
0.910
Mei
Jun
Jul
Agt
4
76
395.99
407.25
1.028
1 2
77 78
394.87 393.75
406.50 400.25
1.029 1.017
3 4
79 80
392.63 391.51
398.54 389.00
1.015 0.994
1
81
390.39
394.50
1.011
2 3
82 83
389.27 388.15
399.50 398.50
1.026 1.027
4 1
84 85
387.03 385.91
400.20 420.50
1.034 1.090
1 2
29 30
448.63 406.80 447.51 411.00
0.907 0.918
3 4
31 32
446.39 417.50 445.27 410.88
0.935 0.923
1
33
444.15 435.50
0.981
2 3
34 35
443.03 436.70 441.91 427.88
0.986 0.968
4 1
36 37
440.79 416.13 439.67 418.10
0.944 0.951
2
38
438.55 403.10
0.919
2
86
384.79
430.65
1.119
3 4
87 88
383.67 382.55
445.50 430.55
1.161 1.125
1
89
381.43
435.78
1.142
2 3
90 91
380.31 379.19
440.00 435.60
1.157 1.149
4 1
92 93
378.07 376.95
425.67 426.50
1.126 1.131
Sep
Okt
3 4
39 40
437.43 396.75 436.31 408.00
0.907 0.935
1
41
435.19 409.90
0.942
2 3
42 43
434.07 400.50 432.95 408.83
0.923 0.944
4 1
44 45
431.83 405.38 430.71 399.13
0.939 0.927
2
46
429.59 388.50
0.904
2
94
375.83
424.57
1.130
3 4
47 48
428.47 386.00 427.35 392.50
0.901 0.918
3 4
95 96
374.71 373.59
418.59 419.70
1.117 1.123
Keterangan: T=Yt=481.115 - 1.12006*t
Nov
Des
Lampiran 9. Hasil perhitungan rataan unsur musiman (bulanan) di Pasar Malaysia
Bulan / Tahun Januari-04 Februari-04 Maret-04 April-04 Mei-04 Juni-04 Juli-04 Agustus-04 September-04 Oktober-04 November-04 Desember-04 Januari-04 Februari-04 Maret-04 April-04 Mei-04 Juni-04 Juli-04 Agustus-04 September-04 Oktober-04 November-04 Desember-04
Nilai Musiman 1.0038 1.0888 1.1618 1.1542 1.1012 0.9381 0.9060 0.9208 0.9696 0.9281 0.9369 0.9126 0.8512 0.8394 0.9501 0.9440 0.9535 0.9893 1.0284 1.0136 1.0244 1.1239 1.1435 1.1254
Lampiran 10. Output
Komputer
dari
Model
ARIMA (2,0,0) di Pasar
Berjangka Malaysia
ARIMA Model: US$/TON Estimates at each iteration Iteration SSE Parameters 0 29404.2 0.100 0.100 323.222 1 22049.8 0.250 0.092 265.808 2 16674.7 0.400 0.068 215.081 3 12808.3 0.550 0.030 169.784 4 10125.4 0.700 -0.019 128.971 5 8393.7 0.850 -0.077 91.838 6 7444.1 1.000 -0.141 57.411 7 7221.6 1.071 -0.171 40.805 8 7172.7 1.093 -0.175 33.787 9 7157.1 1.101 -0.174 29.929 10 7151.4 1.106 -0.173 27.584 11 7149.2 1.109 -0.172 26.089 12 7148.5 1.111 -0.172 25.106 13 7148.3 1.113 -0.172 24.447 14 7148.3 1.114 -0.172 24.002 Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type AR 1 AR 2 Constant Mean
Coef 0.1143 -0.1721 24.002 415.15
SE Coef 0.1173 0.1125 1.195 20.67
T 9.50 -1.53 20.08
P 0.000 0.130 0.000
Number of observations: 77 Residuals: SS = 6846.96 (backforecasts excluded) MS = 92.53 DF = 74
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 9.1 9 0.625
24 * * *
36 * * *
48 * * *
Lampiran 11. Plot ACF dan PACF dari komponen error dengan model ARIMA (2,0,0) dan ARIMA (1,0,0) (1,1,0)4
Plot ACF dan PACF dari komponen error dengan model ARIMA (2,0,0) ACF of Residuals for US$/TON
PACF of Residuals for US$/TON (with 5% significance limits for the partial autocorrelations)
1.0
1.0
0.8
0.8
0.6
0.6
Part ial A utocorrelation
Aut ocorrelat ion
(with 5% significance limits for the autocorrelations)
0.4 0.2 0.0 -0.2 -0.4 -0.6
0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8
-0.8
-1.0
-1.0 2
4
6
8
10 Lag
12
14
16
2
18
4
6
8
10 Lag
12
14
16
18
ACF of Residual CPO Rotterda m
PACF of Residual R otterdam
(w ith 5% s ignific ance limits for the autoc orrelations )
(w ith 5% significanc e lim its f or the partial autocorrelations)
1. 0
1. 0
0. 8
0. 8
0. 6
0. 6
Pa rtial Autocorre la tion
A utocorr elation
Plot ACF dan PACF dari komponen error dengan model ARIMA (1,0,0) (1,1,0)4
0. 4 0. 2 0. 0 -0. 2 -0. 4 -0. 6 -0. 8
0. 4 0. 2 0. 0 -0. 2 -0. 4 -0. 6 -0. 8
-1. 0
-1. 0 1
2
3
4
5
6
7
8 La g
9
10
11
12
13
14
1
2
3
4
5
6
7
8 La g
9
10
11
12
13
14
Lampiran 12. Hasil Analisis Ramalan Harga CPO di Pasar Berjangka Malaysia Selama Delapan Bulan (Januari – Agustus 2006)
Trend Analysis Data Length NMissing
Malay 32.0000 0
Fitted Trend Equation Yt = 363.881 + 1.46764*t
Accuracy Measures MAPE: MAD: MSD:
2.34189 8.94856 142.199
T ren d A n alysis for M alay Line ar T re nd M odel Yt = 36 3.88 1 + 1.46 76 4*t 42 0
Ac tua l Fits
41 0
Ac tua l Fits
Malay
40 0 39 0 38 0 37 0 36 0
M APE : M AD : M SD :
35 0 0
10
20
T im e
30
2.342 8.949 142.199
Lampiran 13. Hasil Analisis Harga CPO di Pasar Fisik Selama Periode 2004-2005
Trend Analysis Data Length NMissing
MED 96.0000 0
Fitted Trend Equation Yt = 4403.11 - 6.35853*t
Accuracy Measures MAPE: MAD: MSD:
6.70558 273.184 117872
T re n d A n a ly s is f or M E D L i ne a r T re n d M o d e l Yt = 4 4 0 3 .1 1 - 6 .3 5 8 5 3 * t 500 0
A c tua l Fits A c tua l
MED
Fits
400 0
MAPE : MAD : MSD :
300 0 0
10
20
30
40
50
T im e
60
70
80
90
10 0
7 273 117 872
Lampiran 14. Hasil perhitungan rataan unsur musiman (mingguan) di Pasar Fisik Medan Periode
Periode
Bulan Minggu (2004) t Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nov
Des
T=Yt
Yt
Bulan (2005)
Minggu t
T=Yt
Yt
Sn= Yt/T
Jan
1 2
49 50
4091.54 4085.18
3811.25 3664.20
0.931 0.897
3 4
51 52
4078.82 4072.47
3639.00 3030.58
0.892 0.744
1
53
4066.11
3561.00
0.876
2 3
54 55
4059.75 4053.39
3597.75 3616.00
0.886 0.892
4 1
56 57
4047.03 4040.67
3728.60 3871.60
0.921 0.958
2 3
58 59
4034.32 4027.96
4048.33 4120.40
1.003 1.023
4
60
4021.60
4036.29
1.004
1 2
61 62
4015.24 4008.88
3929.00 3849.40
0.979 0.960
3 4
63 64
4002.52 3996.16
3905.20 4043.00
0.976 1.012
1
65
3989.81
3938.75
0.987
2 3
66 67
3983.45 3977.09
3923.40 3857.80
0.985 0.970
4 1
68 69
3970.73 3964.37
3824.40 3853.20
0.963 0.972
Sn= Yt/T
1 2
1 2
4396.75 4247.33 4390.39 4096.80
0.966 0.933
3 4
3 4
4384.03 4117.60 4377.68 4156.11
0.939 0.949
1
5
4371.32 4297.00
0.983
2 3
6 7
4364.96 4479.80 4358.60 4578.50
1.026 1.050
4 1
8 9
4352.24 4778.40 4345.88 4835.20
1.098 1.113
2 3
10 11
4339.52 4842.20 4333.17 4765.40
1.116 1.100
4
12
4326.81 4825.43
1.115
1 2
13 14
4320.45 4760.50 4314.09 4709.50
1.102 1.092
3 4
15 16
4307.73 4641.50 4301.37 4694.43
1.077 1.091
1
17
4295.01 4849.00
1.129
Feb
Mar
Apr
Mei
2 3
18 19
4288.66 4865.40 4282.30 4894.75
1.134 1.143
4 1
20 21
4275.94 5006.00 4269.58 4661.25
1.171 1.092
2
22
4263.22 4050.75
0.950
2
70
3958.01
3821.20
0.965
3 4
23 24
4256.86 4007.40 4250.51 4615.57
0.941 1.086
3 4
71 72
3951.65 3945.30
3833.20 3987.50
0.970 1.011
1 2
25 26
4244.15 4070.50 4237.79 4050.75
0.959 0.956
1 2
73 74
3938.94 3932.58
4067.80 4045.00
1.033 1.029
3 4
27 28
4231.43 4007.40 4225.07 4056.71
0.947 0.960
3 4
75 76
3926.22 3919.86
4030.50 3948.34
1.027 1.007
1
29
4218.71 3913.20
0.928
1
77
3913.50
3895.25
0.995
2 3
78 79
3907.14 3900.79
3879.00 3969.25
0.993 1.018
4 1
80 81
3894.43 3888.07
4031.43 4001.00
1.035 1.029
Jun
Jul
Agt
2 3
30 31
4212.35 3940.00 4206.00 3941.75
0.935 0.937
4 1
32 33
4199.64 4095.33 4193.28 4258.80
0.975 1.016
2
34
4186.92 4182.20
0.999
2
82
3881.71
3970.17
1.023
3 4
35 36
4180.56 4041.00 4174.20 4056.86
0.967 0.972
3 4
83 84
3875.35 3868.99
4094.00 3977.16
1.056 1.028
1 2
37 38
4167.84 3952.60 4161.49 3940.20
0.948 0.947
1 2
85 86
3862.63 3856.28
4014.75 4011.42
1.039 1.040
3
39
4155.13 3892.00
0.937
3
87
3849.92
4599.60
1.195
4 1
88 89
3843.56 3837.20
4508.00 4469.00
1.173 1.165
2 3
90 91
3830.84 3824.48
3451.00 4397.40
0.901 1.150
4 1
92 93
3818.13 3811.77
4356.00 4238.80
1.141 1.112
Sep
Okt
4 1
40 41
4148.77 3878.71 4142.41 3964.40
0.935 0.957
2 3
42 43
4136.05 3861.20 4129.69 3907.44
0.934 0.946
4 1
44 45
4123.33 3898.50 4116.98 3124.70
0.945 0.759
2
46
4110.62 3833.00
0.932
2
94
3805.41
3324.00
0.873
3 4
47 48
4104.26 3858.80 4097.90 3867.50
0.940 0.944
3 4
95 96
3799.05 3792.69
3971.40 3982.88
1.045 1.050
Keterangan: T=Yt=4403.11 - 6.35853*t
Nov
Des
Lampiran 15. Hasil perhitungan rataan unsur musiman (bulanan) di Pasar Fisik Medan
Bulan / Tahun Januari-04 Februari-04 Maret-04 April-04 Mei-04 Juni-04 Juli-04 Agustus-04 September-04 Oktober-04 November-04 Desember-04 Januari-04 Februari-04 Maret-04 April-04 Mei-04 Juni-04 Juli-04 Agustus-04 September-04 Oktober-04 November-04 Desember-04
Nilai Musiman 0.9469 1.0394 1.1109 1.0906 1.1443 1.0173 0.9555 0.9438 0.9883 0.9417 0.9456 0.9388 0.8662 0.8938 0.9971 0.9815 0.9763 0.9795 1.0238 1.0102 1.0341 1.1118 1.0890 1.0203
Lampiran 16. Output
Komputer
dari
Model
ARIMA (1,0,0) (1,1,0)4 di
Pasar Fisik Medan
ARIMA Model: RP/KG Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8
SSE 6144428 5268628 4781034 4626788 4620270 4619871 4619840 4619837 4619837
Parameters 0.100 -20.370 -0.050 -20.883 -0.200 -20.333 -0.325 -19.546 -0.354 -19.679 -0.361 -19.655 -0.363 -19.630 -0.363 -19.618 -0.364 -19.614
0.100 0.215 0.328 0.415 0.426 0.427 0.427 0.427 0.427
Relative change in each estimate less than 0.0010
Final Estimates of Parameters Type AR 1 SAR 4 Constant
Coef 0,4272 -0,3635 -19,61
SE Coef 0,1108 0,1141 30,35
T 3,86 -3,19 -0,65
P 0,000 0,002 0,520
Differencing: 0 regular, 1 seasonal of order 4 Number of observations: Original series 76, after differencing 72 Residuals: SS = 4567732 (backforecasts excluded) MS = 66199 DF = 69
Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value
12 6,6 9 0,680
24 16,9 21 0,720
36 29,6 33 0,638
48 44,1 45 0,512