KECENDERUNGAN PRODUKSI PERUSAHAAN- PERUSAHAAN PEMBUDIDAYA SENGON (Paraserianthes falcataria (L) Nielsen) SEPULUH TAHUN YANG AKAN DATANG DWI KARSONO

KECENDERUNGAN PRODUKSI PERUSAHAANPERUSAHAAN PEMBUDIDAYA SENGON (Paraserianthes falcataria (L) Nielsen) SEPULUH TAHUN YANG AKAN DATANG

DWI KARSONO

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2009

KECENDERUNGAN PRODUKSI PERUSAHAANPERUSAHAAN PEMBUDIDAYA SENGON (Paraseriaenthes falcataria (L) NIELSEN) SEPULUH TAHUN YANG AKAN DATANG

Karya Ilmiah Sebagai salah satu syarat memperoleh gelar Sarjana Kehutanan Pada Fakultas Kehutanan Institut Pertanian Bogor

Oleh : DWI KARSONO E14102060

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR 2009

RINGKASAN Dwi Karsono. E14102060. Kecenderungan Produksi perusahaan-perusahaan pembudidaya Sengon (Paraserianthes falcataria (L) Nielsen) Sepuluh Tahun yang Akan Datang. Dibimbing oleh Ir. Emi Karminarsih, MS. Sengon (Paraserianthes falcataria (L) Nielsen) merupakan salah satu jenis kayu yang cukup besar dibudidayakan di Indonesia, hal ini terjadi karena karakteristik tanaman sengon yang merupakan jenis fast growing stock (tanaman cepat tumbuh) sehingga dapat dipanen pada umur 46 tahun. Tanaman ini menjadi semakin terkenal dikarenakan adanya program “sengonisasi” yang dilakukan pemerintah mulai tahun 1989. Karena cukup besarnya budidaya sengon yang ada sekarang ini di Indonesia maka sengon merupakan salah satu jenis tanaman alternatif dalam pemenuhan kebutuhan kayu di Indonesia. Mengingat hal-hal di atas, maka perlu dilakukan peramalan nilai produksi untuk jenis sengon tersebut agar dapat diperoleh gambaran kondisi produksi sengon untuk satu dekade yang akan datang. Dilakukan peramalan produksi untuk tipe perusahaan Hutan Tanaman Industri (HTI), Perhutani, Perusahaan Lainnya dan gabungan ketiganya yang disebut juga Perusahaan Pembudidaya Tnaman Kehutanan (PPTK). Peramalan ini menggunakan data time series mulai tahun 2002 hingga 2006. Tabulasi data awal menggunakan Microsoft excel 2007 dan proses peramalan dilakukan dengan menggunakan program Minitab 15. Pada peramalan untuk tipe HTI, Perhutani dan perusahaan Lainnya jenis metode peramalan yang digunakan adalah metoda dekomposisi klasik. Untuk perusahaan Pembudidaya Tanaman Kehutanan (PPTK) metoda yang digunakan adalah dekomposisi klasik. Metode tersebut digunakan karena memiliki Mean Square Error (MSE) terkecil disbanding metode yang lainnya. Pada HTI hasil peramalan produksi sengon untuk sepuluh tahun yang akan datang cenderung menurun, hal ini terjadi karena adanya kebakaran areal hutan yang cukup luas dan adanya wabah hama penyakit. Perhutani memiliki hasil ramalan produksi yang meningkat karena tipe perusahaan ini lebih baik dalam menjaga lahannya sehingga terhindar dari hama penyakit tanaman dan kebakaran lahan. Sedangkan untuk tipe perusahaan lainnya hasil ramalan produksi cenderung menurun hal ini terjadi karena pengaruh hama penyakit serta kebakaran lahan yang terjadi. Pada PPTK ramalan yang dihasilkan produksi sengon cenderung meningkat. Hal ini terjadi karena jumlah produksi sengon tipe perusahaan Perhutani lebih besar dibanding dengan tipe perusahaan HTI dan lainnya. Hal diatas membuktikan bahwa industri kayu sengon masih memberi peluang untuk pemenuhan kebutuhan akan kayu di Indonesia. Hasil ramalan 10 tahun yang akan datang menyatakan bahwa kondisi volume produksi kayu sengon cenderung meningkat

Kata kunci : sengon, peramalan, produksi, volume, HTI (Hutan Tanaman Industri), Perhutani, Perusahaan lainnya, Perusahaan Pembudidaya Tanaman Kehutanan (PPTK), time series.

PERNYATAAN Dengan ini saya menyatakan bahwa skripsi berjudul Kecenderungan Produksi Perusahaan-perusahaan Pembudidaya Sengon (Paraserianthes falcataria (L) Nielsen) Sepuluh Tahun Yang Akan datang adalah benar-benar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah pada perguruan tinggi atau lembaga manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Bogor, Oktober 2009

Dwi Karsono E14102060

LEMBAR PENGESAHAN Judul

: Kecenderungan Produksi Perusahaan-perusahaan Pembudidaya Sengon (Parasainthes falcataria (L) Nielsen) Sepuluh (10) Tahun yang Akan Datang

Nama

: Dwi Karsono

NRP

: E14102060

Program Studi : Manajemen Hutan

Menyetujui: Pembimbing

Ir. Emi Karminarsih M,S NIP. 19470926 198003 2 002

Mengetahui: Dekan Fakultas Kehutanan IPB,

Dr. Ir. Hendrayanto, MAgr NIP.131 578 788

Tanggal lulus :

KATA PENGANTAR Segala Puji dan Syukur penulis panjatkan kepada tritunggal Allah Bapa, Putera, dan Roh Kudus karena atas segala limpahan kasih karunia, berkat, dan petunjuk-Nya

penulis

memperoleh

kekuatan

dan

kemudahan

dalam

menyelesaikan karya ini. Dengan segenap usaha dan doa, akhirnya penulis dapat menyelesaikan skripsi yang berjudul “Kecenderungan Produksi Perusahaan-perusahaan Sengon (Paraserianthes falcataria (L) Nielsen) Sepuluh Tahun Yang Akan Datang” yang merupakan salah satu syarat untuk mendapat gelar Sarjana Kehutanan pada Fakultas Kehutanan Institut Pertanian Bogor. Penulis berharap karya ini dapat bermanfaat sebagai pengetahuan mengenai klasifikasi hutan dalam pengelolaan dan perencanaan hutan. Terima kasih penulis ucapkan pada pihak – pihak yang telah membantu selama penelitian dan penyelesaian penulisan skripsi ini : 1. Pak Andar, Pak Unung, ibu, mamak, mbak-mbak, pakde, bude, dan seluruh keluarga besar untuk semua dukungan dan doanya. 2. Ir. Emi Karminarsih, MS selaku dosen pembimbing skripsi yang dengan sabar memberikan arah dan bimbingan selama penelitian dan penulisan skripsi ini. 3. Bapak Ir. Jajang Suryana, Msc dan ibu Dr. Ir Mirza Dikari Kusrini, MS yang dapat meluangkan waktu dan bersedia menjadi dosen penguji penulis sewaktu ujian komprehensif. 4. Seluruh laboran, staf dan pegawai departemen menejemen hutan. 5. Teman-teman Fakultas kehutanan dan yang bukan atas semua bantuannya. 6. Teman-teman warkop dan sobat-sobat di kost-an yang selalu penuh keceriaan sepanjang hari. 7. neng yang memberikan inspirasi penulis sewaktu kuliah dan seseorang “disitu” yang memberikan semangat penulis di waktu-waktu akhir penulisan ini sehingga tulisan ini bisa terselesaikan dengan baik. 8. Dan pihak – pihak yang tidak dapat disebutkan satu - persatu.

Semoga semua bantuan yang telah diberikan kepada penulis menjadi amal yang baik dan mendapat balasan yang setimpal dari Tuhan Yang Maha Esa. Penulis sangat menyadari bahwa masih banyak kekurangan dalam penyusunan skripsi ini. Oleh karena itu penulis mengharapkan kritik dan saran yang bersifat membangun agar pengembangan diri menjadi lebih baik dari saat ini. Semoga skripsi ini dapat bermanfaat bagi semua pihak pada umumnya serta penulis khususnya.

Bogor, Oktober 2009

Penulis

RIWAYAT HIDUP Penulis lahir di bukit kemuning, lampung tanggal 13 mei 1984 dan merupakan anak kedua dari pasangan bapak sudaryono dan Ibu kasiyah. Riwayat pendidikan penulis dimulai dari pendidikan dasar di SD Kristen no 3 Bandarjaya tahun 1990-1996. Selanjutnya pendidikan menengah pertama di SLTP Negeri 1 Terbanggi besar pada tahun 1996-1999, kemudian melanjutkan ke SMU Negeri 1 Terbanggi besar pada tahun 1999-2002. Pada 2003 penulis diterima sebagai mahasiswa di Institut Pertanian Bogor (IPB) pada Program Studi Manajemen Hutan, Fakultas Kehutanan melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Tahun 2004 penulis memilih Perencanaan Hutan Sebagai bidang keahlian. Selama kuliah di Institut Pertanian Bogor, penulis telah mengikuti PUPH (Praktek Pengenalan dan Pengelolaan Hutan) di KPH Cianjur, Jawa Barat dan sancang-kemojang. Selain itu penulis juga telah mengikuti program KKN (Kuliah Kerja Nyata) di Desa Sukasari dan Banjarwangi Kecamatan Menes, Kabupaten Pandeglang. Penulis menyusun karya ilmiah yang berjudul "Kecenderungan Produksi Perusahaan-perusahaan Sengon (Paraserienthes falcataria (L) Nielsen) Sepuluh Tahun yang Akan Datang" sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan di Fakultas Kehutanan IPB, di bawah bimbingan Ir. Emi Karminarsih, MS.

DAFTAR ISI Halaman DAFTAR TABEL................................................................................................. i DAFTAR GAMBAR ........................................................................................... ii DAFTAR LAMPIRAN....................................................................................... iii BAB I. PENDAHULUAN 1.1 Latar Belakang ................................................................................ 1 1.2 Tujuan Penelitian ............................................................................ 2 BAB II. TINJAUAN PUSTAKA 2.1. Sejarah Penyebaran Pohom Sengon............................................... 3 2.2. Mengenal Sengon........................................................................... 3 2.2.1 Deskripsi Botani..................................................................... 3 2.2.2 Habitat Sengon ....................................................................... 5 2.2.3 Sifat Keragaman dan Manfaat Kayu Sengon ........................ 5 2.3. Tipe-tipe Perusahaan Produsen Kayu Sengon ............................... 7 2.3.1 Perusahaan Pembudidayaan Tanaman Kehutanan ................ 7 2.3.2 Hutan Tanaman Industri ........................................................ 7 2.3.3 Perum Perhutani..................................................................... 8 2.3.4 Perusahaan Lainnya ............................................................... 8 2.4. Peramalan....................................................................................... 8 2.4.1 Syarat-syarat Peramalan ........................................................ 9 2.4.2 Jenis-jenis Peramalan............................................................. 9 2.4.3 Alasan Pemilihan Tehnik Peramalan ................................... 14 BAB III. METODE PENELITIAN 3.1 Waktu dan Tempat ........................................................................ 16 3.2 Bahan dan Alat.............................................................................. 16 3.3 Metode Pengumpulan Data ........................................................... 16 3.4 Metode Pengolahan Data .............................................................. 16 3.5 Metode Analisis Data.................................................................... 17 3.6 Pemilihan Metode Peramalan ....................................................... 19

BAB IV. HASIL dan PEMBAHASAN ............................................................. 22

4.1 Deskripsi Umum Industri Sengon.................................................. 22 4.2 Perkembangan Produksi dan Luas Areal ....................................... 22 4.3 Peramalan Produksi Sengon Hutan Tanaman Industri .................. 24 4.4 Peramalan Produksi Sengon Perum Perhutani............................... 27 4.5 Peramalan Produksi Sengon Perusahaan Lainnya ......................... 29 4.6 Peramalan Produksi Sengon Perusahaan Pembudidayaan Tanaman Kehutanan...................................................................... 31 KESIMPULAN dan SARAN ............................................................................ 35 DAFTAR PUSTAKA ........................................................................................ 37 LAMPIRAN....................................................................................................... 38

Daftar Tabel

Halaman Tabel 1. Banyaknya perusahaan Pembudidaya Tanaman Kehutanan Menurut Propinsi dan Bentuk Badan Hukum Akhir Tahun 2006 ...................... 21 Tabel 2. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon HTI ......................................................................................... 23 Tabel 3. Hasil Ramalan Volume Produksi Sengon HTI .................................... 24 Tabel 4. Nilai MSE beberapa Metode Peramalan Time Series Produksi Sengon Perum Perhutani ..................................................................... 26 Tabel 5. Hasil Ramalan Volume Produksi Sengon Perum Perhutani ................ 27 Tabel 6. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon Perusahaan Lainnya ............................................................... 28 Tabel 7. Hasil Ramalan Volume Produksi Sengon Perusahaan Lainnya........... 29 Tabel 8. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon PPTK ..................................................................................... 31 Tabel 9. Hasil Ramalan Volume Produksi Sengon PPTK ................................. 32

Daftar Gambar

Halaman Gambar 1. Data Volume Produksi Sengon HTI Tahun 2002-2006 ................... 23 Gambar 2. Data Volume Produksi Sengon Perum Perhutani Tahun 2002 – 2006....................................................................................... 25 Gambar 3. Data Volume Produksi Sengon Perusahaan Lainnya Tahun 2002 – 2006....................................................................................... 28 Gambar 4. Data Volume Produksi Sengon PPTK Tahun 2002-2006................ 30

DAFTAR LAMPIRAN Halaman Lampiran 1. Data Volume Produksi HTI Tahun 2002-2006 ................................35 Lampiran 2. Data Volume Produksi Perum Perhutani Tahun 2002-2006 ............35 Lampiran 3. Data Volume Produksi Perusahaan LainnyaI Tahun 2002-2006 .....36 Lampiran 4. Data Volume Produksi PPTK Tahun 2002-2006 .............................36 Lampiran 5. Plot Time Series Volume Produksi HTI..........................................37 Lampiran 6. Anderson-darling probability plot test..............................................37 Lampiran 7. Plot autokorelasi dan autokorelasi parsial Volume Produksi HTI ...38 Lampiran 8. Kurva Peramalan Volume Produksi HTI dengan Berbagai Metode yang Diterapkan ..................................................................39 Lampiran 9. Plot Time Series Volume Produksi Perhutani ...................................43 Lampiran 10. Anderson-darling probability plot test ............................................43 Lampiran 11. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perhutani ..........................................................................44 Lampiran 12. Kurva Peramalan Volume Produksi Perhutani dengan Berbagai Metode yang Diterapkan...................................................45 Lapiran 13. Plot Time Series Volume Produksi Perusahaan Lainnya ...................49 Lampiran 14. Anderson-darling probability plot test Perusahaan Lainnya ...........49 Lampiran 15. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perusahaan Lainnya ..........................................................50 Lampiran 16. Kurva Peramalan Volume Produksi Perusahaan Lainnya Dengan Berbagai Metode yang Diterapkan. ....................................51 Lampiran 17. Plot Time Series Volume Produksi PPTK.......................................55 Lampiran 18. Anderson-darling probability plot test.............................................55 Lampiran 19. Plot autokorelasi dan autokorelasi parsial Volume Produksi PPTK............................................................................................... 56 Lampiran 20. Kurva Peramalan Volume Produksi PPTK dengan Berbagai Metode yang Diterapkan ..................................................................57

Lampiran 21. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan

Hukum pada Akhir Tahun 2002.......................................................61 Lampiran 22. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan Hukum pada Akhir Tahun 2003.......................................................62 Lampiran 23. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan Hukum pada Akhir Tahun 2004.......................................................63 Lampiran 24. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan Hukum pada Akhir Tahun 2005.......................................................64 Lampiran 25 Mutasi Luas Tanaman Sengon Selama Tahun 2002-2006 Diberbagai Tipe Perusahaan ............................................................65 Lampiran 26. Tabel Pengadaan dan Penggunaan Masing-Masing Tipe Perusahaan ........................................................................................69

BAB I PENDAHULUAN 1. Latar Belakang Didalam Media Indonesia (2009) menteri kehutanan MS Kaban menegaskan bahwa luas hutan di Indonesia sekitar 138 juta Ha, itu berarti ± 70% dari luas daratan yang ada di Indonesia merupakan kawasan hutan. Dengan meningkatnya pertumbuhan penduduk maka meningkat pula kebutuhan akan sumberdaya hutan khususnya kebutuhan akan kayu. Permasalahan yang timbul di bidang usaha kehutanan yang ada saat ini adalah pemeliharaan tanaman (kebakaran dan hama penyakit tanaman) serta penjagaan areal hutan (pencurian dan perebutan lahan dengan msayarakat). Untuk itu perlu di lakukan pengelolaan hutan secara lestari, untuk pemenuhan demand terhadap kayu yang semakin meningkat. Disatu sisi, dan sisi lain semakin kurangnya suply kayu hutan alam. Sehingga perlu diperluas usaha dibidang

pengelolaan hutan seperti program

pengembangan hutan rakyat. Salah satu jenis kayu yang cukup terkenal dan dibudidayakan secara besarbesaran di Indonesia adalah sengon (Paraserienthes falcataria (L) Nielsen). Dengan jumlah pembudidayaan yang cukup besar ini maka dapat di perkirakan bahwa produksi yang akan di hasilkan diharapkan cukup besar, sehingga mampu untuk menunjang pemenuhan kebutuhan kayu dalam negeri khususnya untuk konstruksi dan furniture. Hal itu berkaitan dengan karakteristik kayu sengon yang merupakan jenis tanaman cepat tumbuh (fast growing species), bahkan ada yang mengatakan bahwa kayu sengon ini tergolong kayu ajaib karena daurnya tidak terlalu lama dan dapat dipanen pada umur 4 - 6 tahun (Trubus 2008). Luas kawasan hutan sengon semakin bertambah sejalan dengan waktu, hal ini dikarenakan harga kayu ini yang semakin meningkat dan banyak perusahaan pembudidaya tanaman kehutanan yang mulai menanam jenis kayu ini.

Di Indonesia, produksi jenis kayu sengon sudah mulai dikembangkan sejak tahun 1989 dan akhir-akhir ini, kegiatan penanaman sudah dilakukan melalui kegian HTI, Perhutani dan Perusahaan Lainnya. Banyaknya kebutuhan akan kayu merupakan pendorong utama pengusaha untuk menjadikan kayu sengon sebagai salah satu jenis alternatif yang di produksi secara massal. Atas dasar jenis sengon merupakan salah satu yang disarankan dalam pemenuhan program dan kegiatan pengembangan hutan baik bagi pemenuhan bahan baku industri mupun memenuhi kebutuhan domestik akan kayu rakyat, maka melalui penelitian ini dengan judul “Tren Produksi Sengon (Paraserienthes falcataria

(L)

Nielsen)

Sepuluh

Tahun

yang

Akan

Datang”,

dapat

menggambarkan mengenai kondisi produksi jenis sengon dalam satu dekade yang akan datang.

2. Tujuan Penelitian Penelitian ini bertujuan untuk memperoleh gambaran tentang tren komoditi jenis sengon sepuluh (10) tahun mendatang berdasarkan tersedianya data time series BPS tahun 2002 sampai dengan tahun 2006, tentang produksi jenis sengon perusahaan pembudidayaan tanaman kehutanan.

BAB II

Tinjauan Pustaka 1. Sejarah dan Penyebaran Pohon Sengon Berdasarkan catatan sejarah, sengon merupakan spesies asli dari kepulauan sebelah timur Indonesia yaitu wilayah sekitar Maluku dan Papua. Baru pada tahun 1870-an pohon ini menyebar ke seluruh kawasan Asia Tenggara mulai dari Myanmar sampai Filipina. Habitat alami pohon sengon ditemukan di kepulauan Maluku (Atmosuseno 1998). Pohon sengon pertama kali di temukan pada tahun 1871 oleh Teysmann di Pulau Banda lantas di bawa ke pulau jawa atau lebih tepatnya ke Kebun Raya Bogor. Dari Kebun Raya Bogor sengon kemudian disebarkan ke berbagai daerah di Indonesia mulai dari Sumatra hingga ke Papua. Penyebaran secara luas disebabkan karena mudahnya pohon ini tumbuh dan menyesuaikan diri dengan lingkungan. Tidak mengherankan apabila kalau sengon saat ini telah tersebar luas hingga ke Srilanka,India, Malaysia, Fiji dan Samoa (Santoso 1992). Sedangkan penyebaran secara alami pohon sengon berkisar di daerah Maluku, Papua Nugini, Kep. Solomon, dan Bismark.

2. Mengenal Sengon 2.1 Deskripsi Botani Sengon dalam bahasa latin selain disebut Paraserianthes falcataria (L) Nielsen, juga sering disebut Albazia falcataria (L) Fosberg. Di Indonesia, sengon memiliki beberapa nama daerah seperti berikut (Atmosuseno 1998) : 1. Jawa : jeunjing, albasia (Jawa Barat) ; jing laut (Madura) ; mbesiah (Jawa Tengah) ; dan sengon sabrang (Jawa Tengah dan JawaTimur) 2. Sulawesi : tedehu pute. 3. Maluku : rawe, selawoku merah, seka, sika, sika bot, bai wagohon,wai atau wikie 4. Malaysia dan Brunei Darusalam : puak, batai dan kayu macis. Orang melayu bayak menyebut sengon dengan nama salawaku putih.

Meskipun memiliki banyak julukan tetapi yang paling akrab untuk nama pohon ini adalah sengon itu sendiri. Hal itu terlihat dengan adanya program pemerintah berupa proyek “sengonisasi” bagi daerah-daerah kritis yang rawan terhadap bencana erosi (Atmosuseno 1998). Sengon merupakan salah satu jenis pohon yang pertumbuhannnya sangat cepat. Pertumbuhannya selama 25 tahun dapat mencapai tinggi 45 meter dengan diameter batang mencapai 100 cm. mengingat pertumbuhan yang sangat cepat tersebut maka sengon dijuluki sebagai pohon ajaib (the miracle tree). Pada umur enam tahun sengon sudah dapat menghasilkan kayu bulat sebanyak 372 m3/ha (Atmosusesno 1998). Pohon sengon berbatang lurus , tidak berbanir, kulit berwarna kelabu keputih-putihan, licin, tidak mengelupas dan memiliki tingi bebas cabang mencapai 20 meter. Tajuk berbentuk perisai, agak jarang dan selalu hijau. Tajuk yang agak jarang ini memungkinkan beberapa jenis tanaman perdu tumbuh baik di bawahnya (Santoso 1992). Sengon berdaun majemuk ganda, jenis daun seperti ini merupakan ciri bagi suku Mimosaceae seperti halnya pohon turi (Sesbania grandiflora), putri malu (Mimosa pudica) dan petai cina (Leucaena gluaca). Pada intensitas cahaya rendah khususnya pada sore hari menjelang malam anak daun mudah terkulai (Atmosuseno 1994).

Pohon ini berbunga sepanjang tahun dan berbuah pada bulan JuniNovember (umumnya pada akhir musim kemarau). Jumlah benih perkilogram dapat mencapai 40.000-55.000 biji. Bunga pohon sengon tersusun dalam bentuk malai dengan ukuran daun mahkota yang kecil sekitar 0,5-1 cm. benang sari menonjol lebih panjang dari daun mahkota. Warna bunga putih kekuningan dan kuntum bunga yang mekar berisi bunga jantan dan bunga betina. Cara penyerbukan bunga yang sedikit berbulu ini di bantu oleh serangga dan angin (Santoso 1992). Buah pohon sengon berbentuk polong, pipih dan tipis. Berwarna hijau sampai kecoklat jika telah masak. Panjang buah sekitar 6-12 cm. setiap buah berisi 15-30 biji. Bila telah masak umumnya biji-biji tersebut akan lepas dari

polongnya. Biji sengon berbentuk elips seperti perisai kecil dan ketika masih muda berwarna hijau, apabila telah masak berwarna coklat kehitam-hitaman, agak keras dan licin.

2.2 Habitat Sengon Sengon (Paraserianthes falcataria (L) Nielsen) merupakan spesies pionir, terutama terdapat pada hutan hujan dataran rendah sekunder atau hutan pegunungan rendah. Sengon termasuk salah satu spesies paling cepat tumbuh di dunia, mampu tumbuh tinggi 8 m/tahun dalam tahun pertama penanaman. Tumbuh mulai pantai sampai dengan 1600 mdpl, ketinggian tempat yang optimal untuk tanaman sengon antara 0-800 mdpl (Hidayat 2002). Sengon termasuk dalam jenis tanaman tropis, sehingga untuk tumbuh memerlukan suhu sekitar 20-33

o

C. namun demikian, suhu optimal yang

diperlukan sengon berkisar antara 22-29 oC (Atmosuseno 1998). Sengon dapat beradaptasi dengan iklim monsoon dan iklim lembab dengan curah hujan 2002700 mm/tahun dengan bulan kering sampai 4 bulan. Santoso (1992) mengatakan bahwa sengon dapat tumbuh baik pada tanah regosol, alluvial, dan letosol yang bertekstur lempung berpasir atau lempung berdebudengan kemasaman tanah (pH) sekitar 6-7. sengon juga dapat di tanam pada tanah yang tidak subur tanpa pupuk, tetapi tidak dapat tumbu subur pada lahan yang berdrainase buruk. Termasuk dalam spesies yang memerlukan cahaya dan membutuhkan kelembaban sekitar 50%-75%.

2.3 Sifat, Keragaman Penggunaan dan Manfaat Kayu Sengon Dilihat dari sifat fisik, kayu sengon memiliki berat jenis (BJ) rata-rata sebesar 0,33. dengan BJ yang tergolong rendah ini maka kayu sengon dapat di manfaatkan sebagaibahan baku kerajinan tangan. Kadar Air (KA) rata-rata kayu sengon pada umur 7-9 tahun berkisar antara 12%-15% atau rata2 13,0%. Kerapatan kayu sengon tergolong kedalam kayu yang memiliki kerapatan sedang. Nilai penyusutan kayu sengon pada umur 7-9 tahun dapat di golongkan sedang yaitu sebesar 4,57% pada arah tangensial dan 2,71% pada arah radial. Dilihat dari

sifat mekaniknya, kayu sengon memiliki keteguhan lengkung statik diatas nilai 500 kg/cm dan termasuk kedalam kayu kelas kuat IV (Atmosuseno 1998). Berdasarkan komponen kimia yang terkandung dalam kayu sengon, persentase selulosa dan ekstraktif tergolong tinggi, sedangkan presentase lignin dan pentosa tergolong rendah. Dengan presentase selulosa yang tinggi maka kayu sengon sangat potensial untuk di jadikan bahan baku pulp kertas dan produk selulosa lainnya. Presentase lignin dan pentosa yang rendah menunjukan bahwa kayu sengon tidak terlalu kuat dan tidak terlalu kaku (Atmosuseno 1998). Atmosuseno (1998) juga mengatakan bahwa pohon sengon merupakan pohon yang serbaguna. Dari mulai daun hingga perakarannya dapat dimanfaatkan untuk berbagai macam keperluan. 1. Daun Daun sengon, sebagai famili fabaceae lainnya merupakan pakan ternak yang sangat baik dan memiliki protein yang sangat tinggi. Jenis ternak seperti sapi, kambing, dan kerbau sangat menyukai daun sengon tersebut. 2. Perakaran System perakaran sengon banyak mengandung nodul akar sebagai hasil simbiosis dengan bakteri rhizobium. Hal ini menguntungkan bagi akar dan sekitarnya. Keberadaan nodul akar dapat membantu porositas tanah dalam penyediaan unsur nitrogen dalam tanah. Dengan demikian pohon sengon dapat membuat akar disekitarnya menjadi lebih subur. Selanjutnya ditanami dengan tanaman

palawija

sehingga

mampu

meningkatkan

pendapatan

petani

penggarapnya. 3.Kayu Bagian yang paling besar manfaatnya dari pohon sengon adalah bagian kayunya. Dengan harga yang cukup meyakinkan saat ini sengon banyak diusahakan untuk berbagai keperluan dalam bentuk kayu olahan berupa papanpapan dengan ukuran tertentu sebagai bahan pembuat papan penyekat, pengecoran semen dalam konstruksi, industri korek api, pensil, papan partikel hingga bahan baku pulp dan kertas.

3. Tipe-tipe Perusahaan Produsen Kayu Sengon 3.1 Perusahaan Pembudidaya Tanaman Kehutanan Perusahaan pembudidaya tanaman kehutanan adalah usaha berbentuk badan usaha/hukum yang bergerak di bidang pembudiyaan tanaman kehutanan. Jenis tanaman kehutanan yang di budidayakan adalah jenis tanaman yang cepat tumbuh seperti sengon, pinus, akasia, sonokeling dan lainnya. Perusahaan pembudidayaan tanaman kehutanan meliputi HTI, Perum Perhutani dan Lainnya. Perbedaan ketiganya hanya terletak pada lokasi pengusahaan hutan didalam atau diluar kawasan hutan. 3.2 Hutan Tanaman Industri Menurut peraturan pemerintah No 7 tahun 1990, yang dimaksud dengan HTIadalah hutan yang dibangun dalam rangka meningkatkan potensi dan kualitas hutan produksi dengan menerapkan silvikultur intensif untuk memenuhi kebutuhan bahan baku industri hasil hutan. Tujuan pembangunan HTI adalah untuk menunjang pertumbuhan industri perkayuan dengan penyediaan bahan baku, untuk menunjang ekspor kayu olahan disamping pemenuhan kebutuhan kayu di dalam negeri, dan juga untuk memperluas lapangan kerja. Berdasarkan tujuan penggunaan hasil HTI di bagi menjadi 4 kelas yaitu : a. Kelas perusahaan kayu pertukangan ( untuk bahan baku kayu lapis, kayu gergajian ,veener). b. Kelas perusahaan kayu serat (untuk bahan baku kayu pulp, kertas, fiber board yang dapat di ubah secara kimia menjadi rayon dan seluloid). c. Kelas perusahaan kayu energi (untuk arang, kayu bakar dan gasifier) d. Kelas perusahaan hasil hutan bukan kayu. Areal dan lokasi untuk pembangunan HTI terdiri dari : •

Kawasan hutan produksi tetap atau kawasan hutan lainnya yang dapat ditetapkan menjadi hutan produksi tetap.

•

Diprioritaskan pada lahan kosong, padang alang-alang, semak belukar dan hutan rawan/tidak produktif.

3.3 Perum Perhutani Menurut peraturan pemerintah No. 36 tahun 1986, Perum perhutani adalah badan

usaha

milik

negara

yang

diberi

tugas

dan

wewenang

untuk

menyelenggarakan perencanaan, pengurusan, pengusahaan dan perlindungan hutan di wilayah kerjanya. Wilayah kerja perum perhutani dibagi kedalam wilayah kerja unit yaitu : a. Wilayah kerja unit jawa tengah, disebut Unit I Jawa Tengah b. Wilayah kerja unit jawa timur, disebut Unit II Jawa Timur c. Wilayah kerja unit jawa barat, disebut Unit III Jawa Barat Pembagian wilayah kerja unit kedalam kesatuan pemangkuan hutan (KPH). Yang

dimaksud

dengan

perusahaan

(Perum

Perhutani)

dalam

pengumpulah data ini adalah Kesatuan Pemangkuan Hutan (KPH). 3.4 Perusahaan Lainnya Perusahaan Lainnya adalah perusahaan selain HTI dan Perum Perhutani, yang membudidayakan tanaman kayu-kayuan kehutanan. 4. Peramalan Dalam melakukan analisa ekonomi ataupun analisa kegiatan usaha perusahaan, haruslah dipekirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha pada masa yang akan datang. Kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang disebut juga dengan peramalan (forecasting) (Assauri, 1984). Menurut Assauri (1984), ada tiga langkah dalam melakukan peramalan yang dianggap penting. Pertama,menganalisa data historis ( data time series yang ada), dengan cara membuat tabulasi untuk dapat menemukan pola dari data tersebut. Kedua, menentukan metode peramalan yang akan digunakan, yang akan memberikan hasil yang tidak jauh berbeda dengan kemungkinan kenyataan yang akan terjadi atau metode yang akan menghasilkan penyimpangan terkecil. Ketiga, memproyeksikan data yang lalu dengan menggunakan metode peramalan yang digunakan dengan mempertimbangkan beberapa faktor perubahan. Faktor-faktor perubahan terdiri dari kebijakan-kebijakan yang mungkin terjadi (termasuk

kebijakan pemerintah), perkembangan potensi masyarakat, perkembangan tehnologi, penemuan-penemuan baru dan perbedaan antara hasil ramalan yang ada dengan kenyataan. 4.1 Syarat-syarat peramalan Makridarkis et al. (1999) menyatakan bahwa komitmen tentang peramalan telah tumbuh karena berbagai faktor yaitu : 1. Meningkatnya kompleksitas organisasi dan lingkungannya. 2. Meningkatnya ukuran yang berubah dengan cepat. 3. Lingkungan dari organisasi yang berubah dengan cepat. 4. Pengambilan keputusan yang semakain sistematis. 5. Metode peramalan dan perngetahuan semakin berkembang. Dalam dunia bisnis, hasil ramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan manajemen membuat perencanaan, meningkatkan peluang bisnis maupun mengatur pola investasi. Semakin tinggi akurasi yang dicapai peramalan, semakin tinggi pula peran peramalan dalam perusahaan karena hasil dari peramalan dapat memeberikan arah bagi perencanaan perusahaan, perencanaan produk dan pasar, perencanaan penjualan dan produksi. Syarat dalam melakukan peramalan dengan tehnik tren : 1. Peningkatan produktifitas dan teknologi baru yang mengarah ke perubahan gaya hidup. 2. Kenaikan populasi yang menyebabkan

peningkatan permintaan atas

barang dan jasa. 3. Daya beli dolar mempengaruhi variable ekonomi akibat dari inflasi. 4. Meningkatnya permintaan pasar.

4.2 Jenis-jenis peramalan Berdasarkan sifat ramalan yang telah disusun, maka peramalan dibedakan atas dua macam, yaitu metode peramalan kualitatif dan metode peramalan kuantitatif (Arsyad 2001).

Metode peramalan kuantitatif Metode peramalan kuantitatif adalah metode yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangan bergantung pada metode peramalan yang digunakan dalam peramalan tersebut. Penggunaan metode peramalan yang berbeda akan diperoleh hasil permalan yang berbeda pula. Adapun yang perlu diperhatikan adalah baik tidaknya metode yang dipergunakan sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan apa yang terjadi. Metode yang baik adalah yang memberikan perbedaan atau penyimpangan terkecil. Metode kuantitatif memerlukan data historis atau data empiris dan ini menuntut variable yang di gunakan punya satuan ukur atau dapat diukur. Menurut Hanke et al. (2003), metode ini dapat digunakan jika terdapat tiga kondisi : a. Adanya informasi tentang keadaan masa lalu (data historis) b. Data tersebut dapat di kuantifikasikan dalam bentuk data numerik c. Diasumsikan bahwa pola data masa lalu akan berkelanjutan pada masa yang akan datang. Metode kuantitatif dapat dibedakan menjadi menjadi dua macam, yaitu metode deret waktu (time series) dan metode kausal. Metode Deret Waktu (Time Series) Metode peramalan deret data merupakan suatu tehnik peramalan yang didasarkan pada analisis perilaku atau nilai dimasa lalu suatu variabelyang disusun menurut aturan waktu. Alasan penggunaan model ini dikarenakan bentuknya sederhana cepat dan murah. Model ini cocok untuk meramal sejumlah besar variable dalam tempo singkat sengan sumberdaya yang terbatas. Hanke et al. (2003) menyebutkan bahwa salah satu aspek penting dalam memilih

metode

peramalan

yang

sesuai

untuk

deret

data

adalah

mempertimbangkan beberapa tipe pola data. Pola data tersebut dibedakan menjadi empat, antara lain : a. Pola horisontal Pola ini terjadi ketika observasi berfluktuasi disekitar nilai rata-rata konstan. Pola ini sering disebut juga pola stasioner, misalnya penjualan

suatu produk tidak meningkat atau menurun secara konsisten selama beberapa waktu. b. Pola musiman Pola ini terjadi ketika data observasi dipengaruhi oleh faktor musiman. Komponen musiman merupakan fluktuasi yang terjadi kurang dari setahun dan berulang pada tahun-tahun berikutnya. Komponen musiman relatif dominan pada peubah-peubah yang besarannya tergantung pada musim atau cuaca, seperti produksi pada komoditi pertanian. c. Pola siklus (cyclus) Pola ini terjadi ketika data observasi terlihat naik atau turun dalam periode waktu yang tidak tetap. Komponen sklus seperti fluktuasi gelombang disekitar garis tren seperti biasanya dipengaruhi oleh keadaan ekonomi secara umum. Nilai fluktuasi yang terjadi lebih dari setahun disekitar garis tren, misalnya disebabkan oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Komponen siklus umumnya ditemukan pada analisa jangka panjang seperti ramalan peubah terkait dengan siklus hidup produk. d. Pola kecenderungan (trend) Pola ini terbentuk ketika data observasi terlihat meningkat atau menurun dalam periode waktu yang lebih panjang. Tren merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan deret data. Penyebabnya dapat berupa pertumbuhan penduduk, perubahan teknologi, inflasi, produktifitas dan sebagainya. Santoso S (2003) menyatakan bahwa faktor utama yang berpengaruh dalam pemilihan tehnik peramalan adalah identifikasi dan pemahaman pola data historis. Jika diketahui pola data memiliki pola tren, siklus, stasioner atau musiman, selanjutnya dapat ditentukan tehnik yang mampu dan efektif dalam mengekstrapolasi pola-pola tersebut. Selain itu, faktor yang menyebabkan pola tersebut perlu diketahui agar kebijakan dapat disusun untuk mengatasinya. Berdasarkan keempat pola data tersebut, beberapa tehnik peramalan yang dapat digunakan sebagai berikut :

a. Tehnik peramalan data stasioner Tehnik peramalan yang dapat dipertimbangkan untuk pola data stasioner antara lain metode naif, simple moving average (rata-rata bergerak), simple exponential smoothing dan Autoregressive Integrated Moving Average (ARIMA). b. Tehnik peramalan data tren Tehnik peramalan data tren yang dapat dipertimbangkan antara lain meliputi metode moving avcerage (rata-rata bergerak), holt’s linier exponential smoothing, simple regression, growth curves, exponential model dan Autoregressive Integrated Moving Average (ARIMA). c. Teknik peramalan data musiman Data dengan pola musiman, teknik-teknik yang dapoat dipilih diantaranya terdiri dari metode dekomposisi klasik, cencus X-12, winter’s exponential smoothing, time series multiple regression,growth curves, exponential model dan metode Autoregressive Integrated Moving Average (ARIMA). d. Tehnik peramalan data siklus Pada data dengan pola siklus , teknik-teknik yang dapat dipertimbangkan diantaranya

metode

dekomposisi

klasik,

indikator

ekonomi,

modelekonometrik, multiple regression dan metode Autoregressive Integrated Moving Average (ARIMA). Metode-metode yang digunakan dalam time series terdiri dari beberapa metode. Pembagian metode tersebut bervariasi menurut para ahli, namun pada dasarya memiliki maksud dan tujuan yang sama. Metode-metode time series tersebut, sebagai berikut : 1. Metode tren Metode tren menggambarkan pergerakan data yang meningkat atau menurun dalam jangaka waktu yang panjang. Metode ini menggambarkan hubungan antara periode dengan variabel yang diramal dengan menggunakan analisis regresi.

2. Metode rata-rata •

Metode rata-rata sederhana (simple average) Metode ini merupakan metode yang tepat ketika seri data secara umum tidak berubah dan stabil, misalnya umlah penjualan produk daur hidupnya berada dalam kondisi maturity. Metode ini menggunakan rata-rata dari seluruh data historis sebagai ramalan untuk periode mendatang (Hanke et al. 2003).

•

Metode rata-rata bergerak sederhana (simple moving average) Metode ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada setiap nilai, muncul nilai pengamatan baru, nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling tuadan memasukan nilai pengamatan yang terbaru. Metode ini tidak dapat mengatasi unsur tren dan musiman.

•

Metode rata-rata bergerak ganda Salah satu cara untuk meramalkan data time series yang memiliki tren linier adalah dengan menggunakan rata-rata bergerak ganda. Metode ini menghitung rata-rata bergerak sebelumnya (Hanke et al. 2003).

3. Metode pemulusan eksponensial Metode ini merupakan metode yang secara kontinyu merevisi suatu nilai pendugaan atau nilai peramalan dengan mempertimbangkan perubahan atau fluktuasi data terakhir. Pada pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang digunakan. Pemberian bobot pada setiap data adalah berbeda dan menurun secara eksponensial terhadap pengamatan yang lebih tua. Metode pemulusan ini terdiri atas : •

Metode pemulusan eksponensial tunggal (single exponential smoothing) Metode ini digunakan untuk peramalan data time series tanpa tren atau secara otomatis. Nilai α akan berubah secara otomatis jika terdapat perubahan dalam pola data dasar. Metode ini juga

digunakan untuk peramalan data time series dengan pola data stasioner •

Metode pemulusan eksponensial ganda ; metode linier satu parameter dari Brown (double exponential smoothing with linier trend) Metode ini digunakan untuk peramalan data time series dengan tren linier. Metode ini memiliki tambahan nilai pemulusan dan disesuaikan untuk mengatasi unsur tren.

4. Metode Box-Jenkins (ARIMA) Metode ARIMA merupakan metode yang berbeda dengan metode peramalan lkain, karena metode ini tidak mensyaratkan pola data tertentu supaya model dapat bekerja dengan baik. Secar teoritis, metode ARIMA merupakan metode yang canggih terutama untuk melakukan peramalan jangka pendek. Akan tetapi, secara praktis terdapat beberapa kelemahan (Hanke et al. 2003) : •

Jumlah data yang dibutuhkan relatif sangat besar

•

Apabila terdapat data baru yang tersedia sering kali parameter dan model ini harus diestimasi ulang. Hal tersebut mengidentifikasi bahwa adanya revisi total terhadap model yang telah dibuat.

•

Waktu yang dibutuhkan cukup lama untuk mencari model yang tepat.

4.3 Alasan pemilihan tehnik peramalan Terdapat beberapa kriteria yang dapat dijadikan sebagai pedoman dalam memilih teknik peramalan yang sesuai bagi datayang akan diramal. Beberapa kriteria yang biasa dipakai adalah akurasi, jangkauan peramalan, biaya dan Mean Squared Error (MSE). Metode peramalan yang memberikan nilai MSE terkecil dapat dianggap sebagai metode terbaik untuk digunakan (Mulyono, 2000). Kerumitan atau kecanggihan teknik yang dipakai tidak selalu berhubungan dengan akurasi peramalan. Teknik yang dipilih sebagai teknik terbaik saat inipun tidak dapat menjamin akan memberikan hasil yang terbaik dimasa yang akan datang, karena beberapa faktor ketidak pastian. Jika ada teknik-teknik peramalan yang memiliki kemampuan yang sama , maka sebaiknya teknik yang dipilih

adalah model yang paling sederhana, yaitu kesederhanaan suatu model. Hal ini berarti, semakin sederhana suatu model, maka semakin bagus model tersebut, karena biaya peramalan akan menjadi lebih murah dan model dimengerti oleh pemakainya (Mulyono, 2000).

BAB III

METODE PENELITIAN

1. Waktu dan Tempat Penelitian Penelitian dilakukan pada bulan april sampai juli 2009. Pengambilan data sekunder dilakukan di perpustakaan Badan Pusat Statistika yang berpusat di Jakarta. 2. Bahan dan Alat Bahan yang digunaan merupakan data sekunder dalam bentuk deret berkala kayu sengon di Indonesia, terdiri dari data volume produksi kayu sengon secara nasional, mutasi luas tanaman sengon, data pengadaan dan penggunaan kayu sengon di Indonesia. 3. Metode pengumpulan data Data yang digunakan adalah data sekunder berupa data berkala tahunan (time series) dari nilai volume produksi, mutasi luas, jumlah pengadaan dan penggunaan hasil produksi kayu sengon di Indonesia. Ditambah lagi dengan pengumpulan data atau informasi melalui studi literatur. 4. Metode pengolahan data Data sekunder bersifat kuantitatif, melalui proses tabulasi yang kemudian diolah secara komputerisasi dengan menggunakan program microsoft exel dan minitab 15. Pemilihan program tersebut karena telah dikenal dan mudah digunakan. Deret volume produksi sengon yang telah dikumpulkan, diolah untuk menduga pola data sementara (memiliki unsur tren atau stasioner). Berdasarkan pola data tersebut dapat diduga peramalan sementara yang dapat digunakan untuk meramal volume produksi selama 10 tahun yang akan datang.

Pola fluktuasi volume produksi sengon diidentifikasi dengan analisa visual grafik sederhana perkembangan berdasarkan penyebaran data (scatter diagram) dari waktu ke waktu. Untuk melihat apakah data stasioner atau ada unsur tren dalam deret data, maka dilakukan dengan mempelajari plot autokorelasi (ACF) dan plot autokorelasi parsial (PACF) dari deret data tersebut menggunakan minitab 15. 5. Metode analisis data Metode peramalan yang akan diuji dan digunakan dalam penelitian adalah metode exponential smoothing Holt, Eksponential Smoothing Winter, dekomposisi data, ARIMA (metode Box-Jenkins). Penggunaan metode peramalan tersebut berdasarkan plot data dan autokorelasi yang menunjukkan pola data tidak stasioner. Formulasi dari masing-masing metode tersebut adalah sebagai berikut :

a. Metode Exponensial Smoothing Holt Menurut Assauri (1984) metode ini akan menyesuaikan faktor tren yang ada pada pola data. Dipopulerkan oleh C.C. Holt (1957), model ini menambahkan faktor pertumbuhan atau faktor tren pada persamaan dasar dari smoothing. Rumus Holt’s Linear Smoothing : Untuk komponen level estimate : Lt = αYt + (1 – α)(Lt-1) Untuk komponen tren estimate : Tt = β(Lt – Lt-1) + (1 – β)Tt-1 Untuk forecast (peramalan) periode ke p dari data tertentu : Ŷt+p = Lt + pTt Dimana : Lt = Level estimate ( dipengaruhi oleh besaran α) Tt = Tren estimate ( dipengaruhi oleh besaran β) Ŷt+p = nilai peramalan untuk periode p. α = Konstansta pemulusan untuk data

β = konstanta pemulusan untuk estimasi tren p = Periode yang diramalkan Yt = Data yang baru atau yang sebenarnya pada periode t b. Metode Exponential Smoothing Winter Menurut Assauri (1984) metode ini merupakan perluasan dari metode Holt. Dipopulerkan oleh Winter, model ini menambahkan faktor seasonal pada persamaan dasar dari smoothing. Berbeda dengan metode exponential smoothing holt, pada metode Winter ada dua macam cara perhitungan peramalan, yakni secara aditif atau secara multiplikatif. Disini akan digunakan rumus multiplikatif dengan rumus : Rumus metode Winter (ada 4 persamaan) : Untuk komponen level estimate :

Untuk komponen tren estimate

Untuk komponen seasonality estimate

Untuk peramalan periode ke p :

Dimana : S = seasonality estimate (dipengaruhi besaran γ) γ = konstanta pemulusan untuk seasonality estimate

c. Metode Dekomposisi Data/klasik (Time Series Decomposition) Menurut Santoso (2009) tujuan metode ini adalah “memecah” data time series ke dalam empat komponen : tren (T),siklis (C),musiman (S) dan iregular (I). Proses ini dinyatakan dalam sebuah model matematis yang membuat data hubungan time series awal (Y) dengan komponen-komponennya.

Model yang digunakan adalah model multiplikatif karena data bervariasi dengan besar variasi yang tidak sama dengan rumus sebagai berikut :

Karena faktor iregular (I) dapat dianggap 1 dan faktor C sulit untuk menentukan dengan pasti maka dapat dianggap bernilai 1.

d. Metode Box-Jenkins/ARIMA Menurut Santoso (2009) pada metode ini untuk data yang tidak stasioner maka dilakukan differencing, yakni selisih antara data tertentu dengan data sebelumnya. Jika differencing berorder satu, persamaan adalah : Y’t = Yt – Yt-1 Dimana : Y’t = selisih data satu order Yt = data pada waktu t Yt-1 = data pada waktu t-1 Proses arima dapat dinyatakan sebagai gabungan dari 2 model/metode peramalan yaitu model autoregressive dan moving average. Sehingga dapat juga di nyatakan sebagai berikut : ARIMA (p,d,q) Dimana : p = angka untuk model autoregressive (AR) d = angka untuk order differencing q = angka untuk model moving average (AR) 6. Pemilihan Metode Peramalan Metode peramalan yang digunakan adalah metode yang sesuai dan tepat untuk data volume produksi kayu sengon. Ketepatan atau keandalan merupakan kriteria dalam memilih suatu produk peramalan. Ketepatan menunjukan seberapa jauh model mampu menghasilkan ramalan yang tidak jauh berbeda dalam keadaan aktualnya.

Pemilihan terhadap metode yang dianggap paling sesuai untuk peramalan volume produksi kayu sengon, menggunakan kriteria pemilihan metode yang paling sering digunakan atau kriteria utama yaitu mean square error (MSE). Metode yang kedua adalah memiliki bentuk paling sederhana dan membutuhkan waktu yang paling sedikit dalam proses pengolahannya (Assauri,1984). Kriteria pemilihan yang diutamakan adalah kriteria yang pertama, yaitu MSE terkecil. Jika terdapat lebih dari satu metode yang memiliki MSE hampir sama, maka dilihat kriteria kedua, tetapi ini tidak mutlak karena masih disesuaikan dengan kebutuhan dan kemampuan peramal yang sifatnya subjektif.

Dimana :

Yt = nilai aktual Ŷt = nilai ramalan

(Yt – Ŷt) = kesalahan peramalan n = banyaknya data observasi Asumsi yang digunakan Asumsi yang digunakan dalam penelitian ini adalah produksi dalam keadaan “ceteris paribus”, misalnya seperti : 1. Produksi tidak dipengaruhi oleh adanya faktor-faktor perubahan yang terjadi seperti perubahan kebijakan-kebijakan yang mungkin terjadi (termasuk kebijakan pemerintah), perkembangan teknologi, penemuanpenemuan baru dan perbedaan hasil ramalan yang ada dengan kenyataan. 2. Pola masa lalu akan berkelanjutan pada masa yang akan datang.

Proyeksi peramalan volume produksi kayu sengon dengan metode terpilih Proyeksi peramalan volume produksi kayu sengon dengan metode terpilih dilakukan untuk melihat fluktuasi sepuluh tahun yang akan datang sehingga dapat diketahui dan diterapkan kebijakan apa yang perlu diambil.

BAB IV

HASIL DAN PEMBAHASAN

Deskripsi Umum Industri Sengon Sengon merupakan jenis kayu alternatif dalam pemenuhan kebutuhan kayu di Indonesia. Jenis kayu sengon yang banyak dibudidayakan di Indonesia adalah jenis Paraserienthes falcataria (L) Nielsen yang dikenal dalam nama dagang atau di pasar sebagai kayu sengon atau albazia. Sejarah industri sengon di Indonesia mulai berawal dari program sengonisasi oleh Departemen Kehutanan Republik Indonesia pada tahun 1989. Berawal dari program tersebut sehingga tanaman ini menjadi begitu terkenal dan semakin banyak industri yang meminati karena tanaman sengon termasuk kedalam jenis fast growing species atau jenis cepat tumbuh. Di Indonesia saat ini ada begitu banyak pengusaha yang mengusahakan tanaman sengon ini, BPS mengelompokan menjadi 3 tipe perusahaan yaitu kelompok Hutan Tanaman Industri, Perum Perhutani dan Perusahaan Lainnya (perusahaan yang memiliki badan usaha tetapi tidak termasuk HTI dan Perum Perhutani). Keseluruhan perusahaan tersebut disatukan kedalam Perusahaan Pembudidayaan Tanaman Kehutanan. Perkembangan Produksi dan Luas Areal Pada saat ini industri sengon di Indonesia sudah sangat merata (hampir di seluruh propinsi di Indonesia). Hal ini terlihat dari tabel 1 yang menerangkan jumlah perusahaan pembudidayaan tanaman kehutanan di Indonesia.

Tabel 1. Banyaknya perusahaan Pembudidaya Tanaman Kehutanan Menurut Propinsi dan Bentuk Badan Hukum Tahun 2006 Propinsi 1 2 3 4 5 6 7 8 9 10

Nangroe Aceh Darusalam Sumatra Utara Sumatra Barat Riau Jambi Sumatra Selatan Bengkulu Lampung Bangka belitung Kepulauan Riau

11 12 13 14 15 16

DKI Jakarta Jawa Barat Jawa Tengah DIY Yogyakarta Jawa Timur Banten

17 18 19 20 21 22 23 24 25

Bentuk Badan Hukum Jumlah PN/PD PT/NV Lainnya Perusahaan 6 6 8 8 3 3 24 24 13 13 8 8 4 4 13 20 23 1

10 3 1

4

1

-

23 23 5 23 2

Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur

-

12 10 9 23

-

12 10 9 23

Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo

-

1 1 2 1 -

-

1 1 2 1 -

57

2 2 1 145

4

2 2 1 206

26 Maluku 27 maluku Utara 28 Papua Total

Luas lahan tanaman sengon di Indonesia tiap tahun semakin meningkat. Hal ini terjadi karena adanya tambahan luas lahan dari konversi tanaman lain ke tanaman sengon dan dari proses reboisasi. Akan tetapi pada tipe perusahaan HTI

dan Perusahaan Lainnya luas areal lahan tanaman sengon yang terkena hama penyakit cukup besar yang berakibat menurunnya luas lahan tanaman sengon secara nasional pada tahun 2004 (lampiran 25). Produksi sengon di Indonesia cukup besar mencapai kisaran 250.000m3, ternyata masih mengalami kekurangan dalam pemenuhan kebutuhan kayu di Indonesia. Hal ini terlihat dari lampiran 26 tentang pengadaan dan penggunaan produksi kayu sengon tahun 2002-2006, yang menerangkan penggunaan produksi kayu sengon tersebut hampir seluruhnya dijual dan kecuali HTI yang mulai tahun 2005 mulai mengolah sendiri sebagian dari volume produksinya serta mulai membeli produksi sengon dari hutan rakyat. Peramalan Produksi Sengon Hutan Tanaman Industri Identifikasi dan Analisis Pola Data Produksi Sengon Hutan Tanaman Industri. Sebelum menentukan metode peramalan yang akan dicapai dalam sebuah proses peramalan, diperlukan pegetahuan yang cukup tentang pola data atau sifat pergerakan data deret waktu yang akan diramal. Hal ini penting karena beberapa metode peramalan memiliki asumsi yang berbeda tentang pola pergerakan data deret waktu. Beberapa metode mungkin hanya cocok untuk pola data deret waktu yang stasioner atau metode lain yang mungkin hanya cocok untuk pola data deret waktu yang mengandung unsur tren, musiman dan siklus. Bahkan untuk metode Box-Jenkins (ARIMA) mengharuskan pola data yang digunakan adalah stasioner. Data produksi sengon yang dianalisis adalah data produksi sengon Hutan Tanaman Industri (HTI) secara nasional dalam bentuk data bulanan selama lima tahun (2002–2006). Berdasarkan gambar 1 di bawah ini, dapat dilihat bahwa pola data volume produksi sengon HTI tidak stasioner. Ketidakstasioneran terlihat dari sebaran data volume produksi yang tidak berada disekitar garis lurus atau rata-rata konstan dan menunjukan data memiliki unsur tren. Produksi sengon HTI memiliki kecenderungan menurun karena banyaknya areal lahan tanaman sengon yang terkena hama penyakit dan mengalami kebakaran hutan.

T im e S e r ie s P lo t o f V o l_ H T I 14000

12000

Vol_HTI

10000

8000

6000

4000

2000 M o n th Year

Ja n 2002

Ju l

Ja n 2003

Ju l

Ja n 2004

Ju l

Ja n 2005

Ju l

Ja n 2006

Ju l

Gambar 1. Data Volume Produksi Sengon HTI Tahun 2002-2006 Berdasarkan plot autokorelasi (lampiran 7) juga terlihat bahwa nilai koefisien

autokorelasi pada time lag 1 berbeda nyata dari nol dan time lag

selanjutnya tidak langsung turun mendekati nol. Selain itu dapat dilihat juga bahwa pada time lag 1, 5, 6 dan 7 t-hitung lebih besar t-tabel hal ini menegaskan bahwa data tidak stasioner. Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon HTI Berdasarkan indikasi unsur yang terdapat dalam data produksi sengon, maka metode peramalan time series yang dapat digunakan untuk mengatasi data yang mengadung unsur tren adalah exponential smoothing Holt’s, winter’s method dan dekomposisi klasik. Berdasarkan tabel 2 berikut ini metode peramalan time series terbaik untuk produksi sengon adalah analisis dekomposisi klasik. Hal ini berdasarkan nilai MSE terkecil yaitu 1,50E + 06. Tabel 2. Nilai MSE beberapa Metode Peramalan Time Series Produksi Sengon HTI No 1

Metode Peramalan Double exponential smoothing (Holt’s) 0,2 0,2

MSE

Urutan terbaik

9,03E + 06

4

2

Double exponential smoothing (Holt’s) 0,4 & 0,3

1,20E + 07

5

3

Triple exponential smoothing (Winter’s) α = 0,2 β = 0,2 dan γ= 0,2 Triple exponential smoothing (Winter’s) α = 0,4 β = 0,3 dan γ= 0,3 Time Series Decomposition

2,19E + 06

2

2,63E + 06

3

1,50E + 06

1

4

5

Persamaan yang didapat dari metode dekomposisi klasik adalah sehingga bisa dihasilkan ramalan untuk sepuluh tahun mendatang disajikan dalam tabel 3. Berdasarkan hasil peramalan dengan metode dekomposisi klasik, untuk produksi sengon sepuluh tahun mendatang akan mengalami penurunan. Tabel 3. Hasil Ramalan Volume Produksi Sengon HTI. Tahun

Hasil Ramalan Perusahaan HTI (m3)

2007

65318,8

2008

63651,7

2009

61984,7

2010

60317,6

2011

58650,6

2012

56983,4

2013

55316,4

2014

53649

2015

51982,3

2016

50315,3

Peramalan Produksi Sengon Perum Perhutani Identifikasi dan Analisis Pola Data Produksi Sengon Perum Perhutani. Data produksi sengon yang dianalisis adalah data volume produksi sengon Perum Perhutani dalam bentuk data bulanan selama lima tahun (2002–2006). Berdasarkan gambar 2 dibawah ini, dapat dilihat bahwa pola data volume produksi Perum Perhutani tidak stasioner. Ketidakstasioneran data terlihat dari sebaran data volume yang tidak berada pada garis lurus atau rata-rata konstan dan menunjukan data diduga memiliki unsur tren. Hal itu ditunjang dengan plot autokorelasi (lampiran 11) yang menunjukan bahwa pada lag 1,2 dan 6 t-hitung lebih besar daripada t-tabel.

T im e S e r ie s P lo t o f V o l_ P e r h u ta n i 30000

Vol_Perhutani

25000

20000

15000

10000

5000

0 M o n th Ye ar

Ja n 2002

Ju l

Ja n 2003

Ju l

Ja n 2004

Ju l

Ja n 2005

Ju l

Ja n 2006

Ju l

Gambar 2. Data Volume Produksi Sengon Perum Perhutani Tahun 2002-2006 Kenaikan volume produksi sengon dari tahun 2002-2006, terjadi karena kebijakan perhutani yang menanam tanaman sengon pada lahan-lahan yang kritis dan kemampuan Perum Perhutani menjaga lahannya sehingga terhindar dari hama penyakit tanaman (tabulasi data BPS). Seiring meningkatnya jumlah angka permintaan akan kayu saat ini maka produksi kayu sengon akan terus meningkat karena daurnya yang cukup singkat dan harganya yang semakin meningkat pula (Trubus 2008).

Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon Perum Perhutani Berdasarkan indikasi unsur yang terdapat dalam data volume produksi sengon Perum Perhutani, maka metode peramalan time series yang dapat mengatasi unsur tren. Menurut Santoso (2009) metode yang dapat digunakan dalam mengatasi data yang mengandung tren dan tidak stasioner adalah metode exponential smoothing holt’s, winter’s method dan dekomposisi klasik. Berdasarkan tabel 4. Berikut ini metode peramalan time series terbaik untuk volume produksi sengon Perum Perhutani adalah metode dekomposisi klasik. Hal ini berdasarkan nilai MSE terkecil yaitu 3,37E + 07.

Tabel 4. Nilai MSE beberapa Metode Peramalan Time Series Produksi Sengon MSE

Urutan terbaik

No 1

Metode Peramalan Double exponential smoothing (Holt’s) 0,2 0,2

1,23E + 08

2

2

Double exponential smoothing (Holt’s) 0,4 & 0,3

1,35E + 08

3

3

Triple exponential smoothing (Winter’s) α = 0,2 β = 0,2 dan γ= 0,2

1,75E + 08

4

4

Triple exponential smoothing (Winter’s) α = 0,4 β = 0,3 dan γ= 0,3

6,20E + 08

5

5

Time Series Decomposition

3,37E + 07

1

Karena metode dekomposisi klasik merupakan yang terbaik maka persamaan yang digunakan untuk meramal sepuluh tahun yang akan datang adalah

dan hasil ramalan untuk sepuluh tahun yang akan

datang disajikan dalam tabel 5. Berdasarkan hasil peramalan terpilih (dekomposisi klasik), untuk volume produksi sengon sepuluh tahun mendatang akan mengalami kenaikan. Tabel 5. Hasil Ramalan Volume Produksi Sengon Perum Perhutani. Tahun

Hasil Ramalan Perum Perhutani (m3)

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

199879,4 216034,1 232189,1 248344,1 264498,8 280653,9 296808,6 312963,6 329118,5 345273,4

Peramalan Produksi Sengon Perusahaan Lainnya Identifikasi dan Analisis Pola Data Produksi Sengon Perusahaan Lainnya. Perusahaan lainnya adalah tipe perusahaan pembudidayaan tanaman kehutanan selain HTI dan Perhutani. Data yang dianalisis adalah data volume produksi sengon pada Perusahaan lainnya dalam bentuk volume produksi bulanan selama lima tahun (2002-2006). Berdasarkan gambar 3 dibawah ini, dapat dilihat bahwa pola data volume produksi sengon perusahaan lainnya tidak stasioner. Ketidakstaioneran data

terlihat dari sebaran data volume produksi yang tidak berada disekitar garis lurus atau rata-rata konstan dan diduga memiliki unsur tren. Hal ini didukung dengan data hasil plot autokorelasi (lampiran 15) yang juga terlihat bahwa pada time lag 1 t-hitung lebih besar dari t-tabel. Produksi sengon memiliki kecenderungan menurun karena banyaknya areal lahan tanaman sengon yang terkena serangan hama penyakit. Tim e S e r ie s P lo t of V o l_ L a inny a 20000

Vol_Lainnya

15000

10000

5000

0 M o n th Year

Ja n 2002

Ju l

Ja n 2003

Ju l

Ja n 2004

Ju l

Ja n 2005

Ju l

Ja n 2006

Ju l

Gambar 3. Data Volume Produksi Sengon Perusahaan Lainnya Tahun 2002-2006 Metode peramalan Time Series dan Nilai Ramalan Volume Produksi Berdasarkan indikasi yang terdapat dalam data produksi sengon perusahaan lainnya, maka metode time series yang dapat mengatasi data yang memiliki unsur tren. Berdasarkan Santoso (2009), metode yang tepat untuk mengatasi data yang mengandung unsur tren dan data yang tidak stasioner adalah exponential smoothing holt’s, winter’s method dan dekomposisi klasik. Berdasarkan tabel 6 berikut ini metode tim series terbaik untuk produksi sengon perusahaan lainnya adalah analisis dekomposisi klasik. Keputusan ini berdasarkan nilai MSE terkecil yaitu 4,74E + 06.

Tabel 6. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon Perusahaan Lainnya No 1 2 3 4 5

Metode Peramalan Double exponential smoothing (Holt’s) 0,2 0,2 Double exponential smoothing (Holt’s) 0,4 & 0,3 Triple exponential smoothing (Winter’s) α = 0,2 β = 0,2 dan γ= 0,2 Triple exponential smoothing (Winter’s) α = 0,4 β = 0,3 dan γ= 0,3 Time Series Decomposition

MSE

Urutan terbaik

5,05E + 07

4

6,10E + 07

5

1,67E + 07

3

1,32E + 07

2

4,74E + 06

1

Karena yang terbaik merupakan metode dekomposisi klasik maka dipakai persamaan

dan hasil peramalan untuk sepuluh tahun

mendatang disajikan dalam tabel 7. Berdasarkan hasil peramalan dengan metode terpilih (dekomposisi klasik), untuk produksi sengon lima tahun yang mendatang pada perusahaan lainnya mengalami penurunan. Tabel 7. Hasil Ramalan Volume Produksi Sengon Perusahaan Lainnya. Hasil Ramalan Perusahaan Lainnya (m3)

Tahun

Peramalan

2007

40041

2008

36075,3

2009

32110

2010

28144,5

2011

24179

2012

20213,4

2013

16248

2014

12282,3

2015

8317

2016

4351,7

Produksi

Sengon

Perusahaan

Pembudidayaan

Tanaman

Kehutanan (PPTK) Perusahaan Pembudidayaan Tanaman Kehutanan (PPTK) merupakan total dari tiga tipe perusahaan diatas (HTI, Perum Perhutani dan Perusahaan Lainnya) atau dengan kata lain merupakan data volume produksi sengon secara nasional.

Identifikasi dan Analisis Pola Data Pada peramalan produksi sengon PPTK data yang dianalisis adalah total data volume produksi sengon dari tiap tipe perusahaan. Jadi data yang dianalisis dalam bentuk data bulanan selama lima tahun (2002-2006). Berdasarkan gambar 4 dibawah ini, dapat dilihat bahwa pola data volume produksi sengon PPTK tidak stasioner. Ketidakstasioneran dapat dilihat dari sebaran data yang tidak berada disekitar garis lurus atau rata-rata konstan dan menunjkukan data memiliki unsur tren. Lampiran 19 juga menunjukan bahwa plot autokorelasi produksi sengon PPTK pada lag 1, 2, 5, 6 dan 7 memiliki t-hitung lebih besar daripada t-tabel. Hal ini mempertegas bahwa data volume produksi sengon PPTK tidak stasioner dan memiliki unsur tren. Produksi sengon pada PPTK memiliki kecenderungan meningkat karena jumlah penurunan produksi pada HTI dan Perusahaan Lainnya masih dibawah kenaikan produksi pada Perum Perhutani, selain karena volume produksi sengon Perum Perhutani lebih besar daripada HTI dan Perusahaan Lainnya. T im e S e r ie s P lo t o f V o l_ P P T K 50000

Vol_PPTK

40000

30000

20000

10000

0 M o n th Year

Ja n 2002

Ju l

Ja n 2003

Ju l

Ja n 2004

Ju l

Ja n 2005

Ju l

Ja n 2006

Ju l

Gambar 4. Data Volume Produksi Sengon PPTK Tahun 2002-2006 Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon Berdasarkan indikasi unsur yang terdapat pada data produksi sengon PPTK, maka metode peramalan time series yang dapat mengatasi unsur tren dan data yang memiliki unsur tren. Berdasarkan Santoso (2009), metode yang tepat untuk mengatasi data yang mengandung unsur tren dan data yang tidak stasioner adalah exponential smoothing holt’s, winter’s method dan dekomposisi klasik.

Pada tabel 8 dapat dilihat metode time series terbaik untuk produksi sengon PPTK adalah analisis dekomposisi klasik. Yang mendasari keputusan ini adalah nilai MSE terkecil yaitu 2,37E + 07. Tabel 8. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon No 1 2 3 4 5

Metode Peramalan Double exponential smoothing (Holt’s) 0,2 0,2 Double exponential smoothing (Holt’s) 0,4 & 0,3 Triple exponential smoothing (Winter’s) α = 0,2 β = 0,2 dan γ= 0,2 Triple exponential smoothing (Winter’s) α = 0,4 β = 0,3 dan γ= 0,3 Time Series Decomposition

MSE

Urutan terbaik

2,78E + 08

4

2,92E + 08

5

5,49E + 07

2

9,37E + 07

3

2,37E + 07

1

Metode terbaik yang didapat adalah metode dekomposisi klasik sehingga didapat persamaan

dan hasil ramalan untuk sepuluh tahun

mendatang disajikan dalam tabel 9. Berdasarkan hasil permalan dengan metode terpilih (dekomposisi klasik), untuk produksi sengon sepuluh tahun mendatang akan mengalami peningkatan. Tabel 9. Hasil Ramalan Volume Produksi Sengon PPTK Tahun 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

Hasil Ramalan Perusahaan Pembudidayaan Tanaman Kehutanan (m3) 289837,5 303267,6 316697,9 330128,1 343558,2 356988,4 370418,8 383849 397278,9 410709,1

Hasil yang di peroleh untuk produksi perusahaan-sengon di Indonesia sepuluh tahun yang akan datang sangatlah menjanjikan karena meningkat, tetapi hal ini dalam asumsi ceteris paribus. Pada kenyataannya sejalan dengan waktu pasti ada kebijakan-kebijakan pemerintah yang bisa saja merubah pola data tersebut, sehingga keadaan ceteris paribus tidak lagi menjadi efektif.

Untuk data produksi HTI pada tahun 2005 mengalami penurunan. Hal ini dikarenakan pada tahun tersebut lahan HTI seluas 141.149 Hektar terserang hama dan penyakit tanaman. Hal yang sama juga terjadi pada tipe Perusahaan Lainnya yang terserang hama dan penyakit tanaman pada tahun 2004 seluas 57.428 Hektar. Pada contoh kasus ini maka sebenarnya dilapangan telah di lakukan kebijakan pemeliharaan tanaman lebih intensif, akan tetapi tidak langsung berdampak bagi produksi sehingga produksi tetap menurun. Kebijakan dan tindakan pemeliharaan tanaman secara lebih intensif tersebut tentu berpengaruh terhadap produksi untuk 3-4 tahun berikutnya sehingga pola data ikut berubah. Pada dasarnya ceteris paribus itu kurang begitu efektif dalam hal ini karena pola data sebenarnya bisa kembali berubah beberapa tahun berikutnya akibat dari produksi yang kembali normal. Produksi perhutani untuk hasil ramalan sepuluh tahun yang akan datang akan meningkat. Hal tersebut berdasarkan asumsi ceteris paribus akan tetapi dengan jumlah penduduk pulau Jawa yang semakin meningkat maka jumlah luasan lahan untuk kawasan hutan diperkirakan akan menyempit sehingga di mungkinkan hal tersebut kurang begitu akurat.

BAB V

KESIMPULAN dan SARAN

Kesimpulan Metode peramalan time series terpilih untuk produksi kayu sengon baik HTI, Perum Perhutani dan Perusahaan Lainnya adalah metode dekomposisi klasik dengan persamaan

dan nilai MSE sebesar 1,50E + 06, 3,37E

+ 07 dan 4,74E + 06. Untuk total produksi kayu sengon secara nasional (Perusahaan Pembudidayaan Tanaman Kehutanan) metode time series yang tepilih juga dekomposisi klasik dengan persamaan

memiliki

MSE sebesar 2,37E + 07. Berdasarkan hasil ramalan dengan metode terpilih, produksi kayu sengon secara nasional dari tahun ketahun mengalami peningkatan. Hal ini membuktikan bahwa industri kayu sengon masih memberi peluang untuk pemenuhan kebutuhan akan kayu di Indonesia. Hasil ramalan 10 tahun yang akan datang menunjukan bahwa kondisi volume produksi kayu sengon cenderung meningkat.

Saran Walaupun dari hasil peramalan diperoleh hasil cukup menjanjikan, hal ini didasarkan pada asumsi produksi dalam keadaan “ceteris parisbus” (produksi tidak dipengaruhi oleh perubahan yang terjadi dan pola masa lalu akan berlanjut di masa yang akan datang). Untuk menunjang kondisi tersebut tentu saja tidak lepas dari berbagai usaha dan dukungan yang diperlukan untuk mencapainya seperti : Sengonisasi, GERHAN dan kebijakan yang sesai proses pengembangan usaha perkayuan khususnya pada aspek manajemen produksi maupun pasar (keseimbangan supply dengan demand). Tetapi perlu di ingat kondisi dimasa lalu tidak akan selalu berlanjut di masa yang akan datang oleh karena itu dalam peramalan yang akan datang perlu ditambahkan asumsi-asumsi yang lebih baik (kebijakan-kebijakan terkini

pemerintah, kondisi sosial masyarakat, dan lain-lain) sehingga hasil peramalan akan lebih akurat. Perlu dilakukan tindakan perlindungan yang lebih cermat dan efektif dalam penanganan hama dan penyakit pada tanaman sengon untuk penurunan produksi, bahaya kebakaran, pencurian dan lain-lain. Perlu dilakukan penelitian lebih lanjut mengenai produksi sengon hasil dari hutan rakyat karena semakin besarnya minat petani untuk menanam jenis ini.

Daftar Pustaka Arsyad L.2001. Peramalan Bisnis. Edisi ke-1. BPFE. Yogyakarta. Assauri S.1984. Teknik dan Metode Peramalan Penerapan dalam Ekonomi dan Dunia Usaha. Edisi ke-1. FE-UI. Jakarta. Atmosuseno BS.1998. Budidaya, Kegunaan, Prospek Sengon. Penebar Swadaya. Jakarta. Badan Pusat Statistik.2002. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2002. Jakarta. ____________________.2003. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2003. Jakarta. ____________________.2004. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2004. Jakarta. ____________________.2005. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2005. Jakarta. ____________________.2006. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2006. Jakarta. Hanke JE, Dean WW dan Arthur GR.2003. peramalan bisnis. Edisi ke-7. Terjemahan Devi Anantanur. PT. Prehalindo. Jakarta. Hidayat J.2002. Informasi Singkat : Paraserienthes falcataria. Direkktorat Pembenihan Tanaman Hutan. Jakarta. Media Indonesia.2009. Luas Hutan di Indonesia 138 Juta Hektare. http://www.mediaindonesia.com/read/2009/06/06/80291/89/14/Luas_Hutan _di_Indonesia_138_Juta_Hektare [20 Juli 2009] Mulyono. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1. Yogyakarta: BPFE. Santoso HB.1992. Budidaya Sengon. Penerbit Kanisius. Yogyakarta. Santoso S.2009. Business forecasting (Metode Peramalan Bisnis Masa Kini dengan MINITAB dan SPSS). PT Elex Media Computindo. Jakarta. Trubus.2008. MS kaban : Harga Sengon Akan Terus Naik. http://www.trubusonline.co.id/mod.php?mod=publisher&op=viewarticle&ci d=1&artid=1412 [20 Juli 2009]

Lampiran 1. Data Volume Produksi HTI Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi HTI (m3) tipe/tahun january

february

maret

april

mei

juni

juli

agustus

september

oktober

november

desember

TOTAL

2002

4.790

2.595

3.758

4.367

2.283

5.742

5.972

6.963

9.246

12.602

5.284

3.627

67.229

2003

5.490

3.202

4.259

5.760

4.170

8.706

5.594

8.842

8.438

13.461

5.484

4.102

77.508

2004

2.926

3.202

4.214

3.545

3.035

3.875

6.285

6.760

8.074

9.618

6.915

4.482

62.931

2005

2675

3.168

2.488

6.736

6.042

5.677

8.115

7.350

10.907

9.914

3.754

5.545

72.411

2006

2.426

2.873

2.256

6.109

5.480

5.149

7.396

6.666

9.892

8.991

3.405

5.029

65.672

Lampiran 2. Data Volume Produksi Perum Perhutani Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi Perum Perhutani (m3) tipe/tahun january

february

maret

april

mei

juni

juli

agustus

september

oktober

november

desember

TOTAL

2002

461

514

446

259

98

697

27.449

670

19.415

19.024

473

19.280

88.786

2003

466

520

451

262

568

706

28.209

678

19.687

19.774

479

19.512

91.312

2004

28

1.249

1.852

2.414

13.754

21.143

22.134

21.594

22.193

23.477

21.706

23.856

175.400

2005

28

1.249

1.852

2.414

13.754

21.143

22.134

21.594

22.193

23.477

21.706

23.856

175.400

2006

246

883

1.150

1.337

7.044

10.922

24.982

11.134

20.872

21.438

11.091

21.626

132.725

39

Lampiran 3. Data Volume Produksi Perusahaan LainnyaI Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi Perusahaan Lainnya (m3) Tipe/Tahun january

february

maret

april

mei

juni

juli

agustus

september

oktober

november

desember

TOTAL

2002

143

272

135

483

520

853

812

18.387

15.603

862

1.634

1.744

41.448

2003

145

275

137

489

57

863

448

18.644

15.822

351

1.653

1.765

40.649

2004

143

275

122

604

35

844

356

18.666

15.613

453

1.634

1.765

40.510

2005

143

275

2.622

604

35

844

356

18.666

15.613

453

1.634

1.765

43.010

2006

144

274

754

545

162

851

493

18.591

15.663

530

1.639

1.760

41.406

Lampiran 4. Data Volume Produksi PPTK Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi (m3) tipe/tahun january

february

maret

april

mei

juni

juli

agustus

september

oktober

november

desember

TOTAL

2002

5.394

3.381

4.339

5.109

2.901

7.292

34.233

26.020

44.264

32.488

7.391

24.651

197.463

2003

6.101

3.997

4847

6.511

4.795

10.275

34.251

28.164

43.947

33.586

7.616

25.379

209.469

2004

3.097

4.726

6.188

6.563

16.824

25.862

28.775

47.020

45.880

33.548

30.255

30.103

278.841

2005

2.846

4.692

6.962

9.754

19.831

27.664

30.645

47.610

48.713

33.844

27.094

31.166

290.821

2006

2.816

4.030

4.160

7.991

12.686

16.922

32.871

36.391

46.427

30.959

16.135

28.415

239.803

40

Lampiran 25 . Mutasi Luas Tanaman Sengon Selama Tahun 2002-2006 di berbagai Tipe Perusahaan Mutasi Luas Tanaman Perusahaan HTI Jenis Sengon Selama Tahun 2002-2006 (Ha) Penanaman baru

Jenis Tanaman

Luas tanaman Pada awal Tahun

Luas tanaman akhir tahun Penebangan Tahun

reboisasi

Konversi dari tanaman lain

subjumlah

11.068

0

11.068

Penanaman baru

Kebakaran

Terserang Hama Penyakit

288.147

54.930

11.708

286.584

2.315

223.138

203.080

279.100

Tanaman Muda

Tanaman Masak Tebang

Jumlah

2.021

191.620

96.527

288.147

41.961

2.824

216.356

70.228

286.584

3.347

59.154

3.260

153.971

69.167

223.138

3.362

147

141.149

8.854

128.161

74.919

203.080

134

0

0

5.705

124.645

72.864

197.509

Sengon (2002)

2003

2004

2005

2006

41

Mutasi Luas Tanaman Perusahaan Perhutani Jenis Sengon Selama Tahun 2002-2006 (Ha) Penanaman baru

Jenis Tanaman

Sengon (2002)

Luas tanaman Pada awal Tahun

15.030

Luas tanaman akhir tahun Penebangan Tahun

reboisasi

Konversi dari tanaman lain

subjumlah

16.424

174

16.598

Penanaman baru

Kebakaran

Terserang Hama Penyakit

Tanaman Muda

Tanaman Masak Tebang

Jumlah

16.438

4.681

10.509

15.190

2003

15.190

18.725

124

0

15.910

11.627

6.254

17.881

2004

17.881

937

0

1.666

1.962

6.195

8.995

15.190

2005

15.190

793

0

4.202

1.688

1.086

9.007

10.093

2006

10.093

734

0

0

4

1.164

9.659

10.823

42

Mutasi Luas Tanaman Perusahaan Lainnya Jenis Sengon Selama Tahun 2002-2006 (Ha) Penanaman baru Jenis Tanaman

Sengon (2002)

Luas tanaman Pada awal Tahun

59.281

Luas tanaman akhir tahun Penebangan Tahun

reboisasi

Konversi dari tanaman lain

subjumlah

589

11

600

Penanaman baru

Kebakaran

Terserang Hama Penyakit

Tanaman Muda

Tanaman Masak Tebang

Jumlah

660

58.464

757

59.221

2003

59.221

29

0

0

443

57.411

1.396

58.807

2004

58.807

293

0

57.428

265

975

432

1.407

2005

1.407

155

0

339

273

530

420

950

2006

950

0

0

0

0

530

420

950

Mutasi Luas Tanaman Perusahaan Pembudidaya Tanaman Kehutanan Jenis Sengon Selama Tahun 2002-2006 (Ha) 43

Penanaman baru Jenis Tanaman

Sengon (2002)

Luas tanaman akhir tahun

Luas tanaman Pada awal Tahun

reboisasi

Konversi dari tanaman lain

subjumlah

353.411

28.080

185

28.265

Penanaman baru

Kebakaran

Terserang Hama Penyakit

Penebangan Tahun

Tanaman Muda

Tanaman Masak Tebang

Jumlah

19.119

254.765

107.793

362.557

2003

362.557

73.685

11.832

41.961

19.177

285.394

77.878

363.272

2004

363.272

3.545

3.347

118.248

5.487

161.141

78.594

239.735

2005

239.735

4.310

147

18.960

10.815

129.777

84.346

214.123

2006

214.123

868

0

0

5.709

126.339

82.943

209.282

44

45

41

Lampiran 5. Plot Time Series Volume Produksi HTI Time Series Plot of Vol_HTI 14000 12000

Vol_HTI

10000

8000 6000 4000 2000 Month Jan Year 2002

Jul

Jan 2003

Jul

Jan 2004

Jul

Jan 2005

Jul

Jan 2006

Jul

Lampiran 6. Anderson-darling probability plot test Probability Plot of Vol_HTI Normal 99,9 Mean StDev N AD P-Value

99 95

Percent

90 80 70 60 50 40 30 20 10 5 1 0,1

0

4000

8000 Vol_HTI

12000

16000

5762 2616 60 0,967 0,014

42

Lampiran 7. Plot autokorelasi dan autokorelasi parsial Volume Produksi HTI autokorelasi HTI 1,0 0,8

Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

5

6

7

5

6

7

Partial autokorelasi HTI 1,0

Partial Autocorrelation

0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

43

Lampiran 8. Kurva Peramalan Volume Produksi HTI dengan Berbagai Metode yang Diterapkan Double Exponential Smoothing 0,2 & 0,2 Double Exponential Method 60000

Variable A ctual Fits Forecasts 95,0% PI

50000 40000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2

Vol_HTI

30000 20000

Accuracy Measures MA PE 55 MA D 2604 MSD 9034897

10000 0 -10000 -20000 -30000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Double Exponential Smoothing 0,3 & 0,4 Double Exponential Method 150000

100000

Vol_HTI

50000

0

-50000

-100000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,3 Gamma (trend) 0,4 Accuracy Measures MAPE 62 MAD 2967 MSD 11939368

44

Winter's Method 0,2 o,2 & 0,2 Multiplicative Method 20000

Variable A ctual Fits Forecasts 95,0% PI

Vol_HTI

10000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2

0

A ccuracy Measures MA PE 25 MA D 1211 MSD 2191157

-10000

-20000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Winter's Method 0,4 0,3 & 0,3 Multiplicative Method 50000

Vol_HTI

25000

0

-25000

-50000

-75000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Delta (seasonal) 0,3 A ccuracy Measures MA PE 26 MA D 1277 MSD 2625874

45

Decomposittion vol HTI Multiplicative Model 14000

Variable A ctual Fits Trend Forecasts

12000

A ccuracy Measures MA PE 19 MA D 976 MSD 1507235

Vol_HTI

10000 8000 6000 4000 2000 Bulan Tahun

1 6 12 2002 2003 2004

6 2006

Time Series Decomposition for Vol_HTI Multiplicative Model Accuracy Measures MAPE 19 MAD 976 MSD 1507235 Forecasts Period Forecast 61 2723,1 62 2879,1 63 2977,2 64 5483,0 65 4507,7 66 5167,1 67 6184,0 68 6876,7 69 8662,6 70 10909,3 71 4883,1 72 4065,9 73 2654,5 74 2806,4 75 2901,9 76 5344,1 77 4393,2 78 5035,6 79 6026,3 80 6701,0 81 8440,8 82 10629,3 83 4757,5 84 3961,1 85 2586,0

86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118

2733,8 2826,6 5205,1 4278,8 4904,1 5868,6 6525,3 8218,9 10349,3 4631,9 3856,3 2517,4 2661,1 2751,4 5066,2 4164,3 4772,6 5710,9 6349,5 7997,1 10069,3 4506,3 3751,5 2448,8 2588,5 2676,1 4927,3 4049,8 4641,2 5553,2 6173,8 7775,2 9789,3

46

119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149

4380,7 3646,7 2380,2 2515,8 2600,8 4788,3 3935,4 4509,7 5395,5 5998,0 7553,4 9509,3 4255,1 3541,9 2311,7 2443,2 2525,5 4649,4 3820,9 4378,2 5237,8 5822,3 7331,5 9229,3 4129,5 3437,1 2243,1 2370,5 2450,2 4510,4 3706,4

150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180

4246,7 5080,1 5646,5 7109,6 8949,3 4003,9 3332,3 2174,5 2297,9 2374,9 4371,5 3592,0 4115,2 4922,4 5470,8 6887,8 8669,4 3878,4 3227,5 2106,0 2225,2 2299,7 4232,6 3477,5 3983,7 4764,7 5295,1 6665,9 8389,4 3752,8 3122,7

47

Lampiran 9. Plot Time Series Volume Produksi Perhutani Time Series Plot of Vol_Perhutani 30000

Vol_Perhutani

25000 20000 15000 10000 5000 0 Month Jan Year 2002

Jul

Jan 2003

Jul

Jan 2004

Jul

Jan 2005

Jul

Jan 2006

Jul

Lampiran 10. Anderson-darling probability plot test Probability Plot of Vol_Perhutani Normal 99,9 Mean StDev N AD P-Value

99 95

Percent

90 80 70 60 50 40 30 20 10 5 1 0,1

-20000 -10000

0

10000 20000 Vol_Perhutani

30000

40000

50000

11060 10304 60 5,385 <0,005

48

Lampiran 11. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perhutani Autokorelasi Vol_Perhutani 1,0 0,8

Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4

5

6

7

8 Lag

9

10

11

12

13

14

15

11

12

13

14

15

Pautokorelasi Vol_Perhutani 1,0

Partial Autocorrelation

0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4

5

6

7

8 Lag

9

10

49

Lampiran 12. Kurva Peramalan Volume Produksi Perhutani dengan Berbagai Metode yang Diterapkan. Double Exponential Smoothing 0,2 0,2 Double Exponential Method 250000

Variable A ctual Fits Forecasts 95,0% PI

Vol_Perhutani

200000 150000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2

100000

Accuracy Measures MA PE 2932 MA D 9199 MSD 123072610

50000 0 -50000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Double Exponential Smoothing 0,4 0,3 Double Exponential Method 600000 500000

Vol_Perhutani

400000 300000 200000 100000 0 -100000 -200000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Accuracy Measures MA PE 3249 MA D 8582 MSD 135410006

50

Winter's Method 0,2 0,2 0,2 Multiplicative Method Variable A ctual Fits Forecasts 95,0% PI

100000

Vol_Perhutani

50000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2

0

A ccuracy Measures MA PE 365 MA D 7481 MSD 175246366

-50000

-100000

-150000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Winter's Method 0,4 0,3 0,3 Multiplicative Method 500000

Vol_Perhutani

250000

0

-250000

-500000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Delta (seasonal) 0,3 A ccuracy Measures MA PE 312 MA D 11219 MSD 620102110

51

decomposition VolPerhutani Multiplicative Model 80000

Variable A ctual Fits Trend Forecasts

70000

Vol_Perhutani

60000

A ccuracy Measures MA PE 337 MA D 4061 MSD 33702219

50000 40000 30000 20000 10000 0 Bulan Tahun

1 6 12 2002 2003 2004

6 2006

Time Series Decomposition for Vol_Perhutani Multiplikative Model Accuracy Measures MAD 4061 MSD 33702219 Forecasts Period Forecast 61 162,4 62 1184,9 63 1694,8 64 2132,4 65 12069,9 66 19098,4 67 41412,1 68 12511,2 69 32799,7 70 33498,1 71 12611,5 72 30704,0 73 176,2 74 1285,1 75 1837,1 76 2310,2 77 13069,4 78 20669,1 79 44794,7 80 13526,2 81 35442,9 82 36179,5 83 13614,3 84 33129,4 85 190,1 86 1385,3

87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118

1979,4 2488,0 14068,9 22239,8 48177,3 14541,3 38086,1 38860,9 14617,2 35554,8 203,9 1485,5 2121,7 2665,8 15068,4 23810,5 51560,0 15556,3 40729,3 41542,4 15620,0 37980,3 217,7 1585,7 2264,0 2843,6 16067,9 25381,2 54942,6 16571,3 43372,5 44223,8

52

16622,8 40405,7 231,6 17067,4 26951,8 58325,3 17586,4 46015,7 46905,3 17625,7 42831,1 245,4 1786,1 2548,6 3199,2 18066,9 28522,5 61707,9 18601,4 48658,8 49586,7 18628,5 45256,6 259,2 1886,3 2690,9 3377,0 19066,4 30093,2 65090,6 19616,4

122 123 124 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180

1685,9 2406,3 3021,4 51302,0 52268,2 19631,4 47682,0 273,1 1986,5 2833,2 3554,8 20065,9 31663,9 68473,2 20631,5 53945,2 54949,6 20634,2 50107,4 286,9 2086,7 2975,5 3732,6 21065,4 33234,6 71855,8 21646,5 56588,4 57631,1 21637,0 52532,9

Lapiran 13. Plot Time Series Volume Produksi Perusahaan Lainnya Time Series Plot of Vol_Lainnya 20000

15000 Vol_Lainnya

119 120 121 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152

10000

5000

0 Month Jan Year 2002

Jul

Jan 2003

Jul

Jan 2004

Jul

Jan 2005

Jul

Jan 2006

Jul

54

Lampiran 14. Anderson-darling probability plot test Probability Plot of Vol_Lainnya Normal 99,9 Mean StDev N AD P-Value

99 95

Percent

90 80 70 60 50 40 30 20 10 5 1 0,1

-20000

-10000

0 10000 Vol_Lainnya

20000

Lampiran 15. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perusahaan Lainnya

3450 6224 60 13,170 <0,005

55

Auto korelasi Lainnya 1,0 0,8

Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

5

6

7

5

6

7

Pautokorelasi Lainnya 1,0

Partial Autocorrelation

0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

Lampiran 16. Kurva Peramalan Volume Produksi Perusahaan Lainnya dengan Berbagai Metode yang Diterapkan.

56

double exponensial smoothing 0,2 0,2 Double Exponential Method 100000

Variable A ctual Fits Forecasts 95,0% PI

Vol_Lainnya

75000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2

50000 25000

Accuracy Measures MAPE 929 MAD 4969 MSD 50524230

0 -25000 -50000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

double exponensial smoothing 0,4 0,3 Double Exponential Method 200000

Vol_Lainnya

100000

0

-100000

-200000

-300000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Accuracy Measures MAPE 805 MAD 5390 MSD 60798919

57

Winter's Method 0,2 0,2 0,2 Multiplicative Method 50000

Variable A ctual Fits Forecasts 95,0% PI

40000

Vol_Lainnya

30000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2

20000 10000

A ccuracy Measures MA PE 78 MA D 1609 MSD 16884420

0 -10000 -20000 -30000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Winter's Method 0,4 0,3 0,3 Multiplicative Method 50000

Vol_Lainnya

25000 0 -25000 -50000 -75000 -100000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Delta (seasonal) 0,3 A ccuracy Measures MA PE 81 MA D 1397 MSD 13170545

58

Decompisotion Vol _Lainnya Multiplicative Model 30000

Variable A ctual Fits Trend Forecasts

25000

A ccuracy Measures MA PE 51 MA D 991 MSD 4749982

Vol_Lainnya

20000 15000 10000 5000 0 Bulan Tahun

1 6 12 2002 2003 2004

6 2006

59

Time Series Decomposition for Vol_Lainnya Multiplicative Model Accuracy Measures MAPE 51 MAD 991 MSD 4749982 Forecasts Period Forecast 61 151,0 62 286,2 63 458,4 64 573,2 65 47,4 66 857,7 67 407,2 68 18395,7 69 15171,1 70 432,2 71 1577,8 72 1683,1 73 136,9 74 259,3 75 415,0 76 518,4 77 42,8 78 774,4 79 367,4 80 16580,8 81 13661,9 82 388,8 83 1418,2 84 1511,4 85 122,9 86 232,4 87 371,5 88 463,7 89 38,2 90 691,2 91 327,5 92 14766,0 93 12152,8 94 345,5 95 1258,6 96 1339,7 97 108,8 98 205,5 99 328,1 100 408,9 101 33,7 102 607,9 103 287,7 104 12951,1 105 10643,7 106 302,1 107 1099,0 108 1168,0 109 94,7 110 178,6 111 284,6 112 354,2 113 29,1 114 524,7 115 247,8 116 11136,3 117 9134,5 118 258,8 119 939,4 120 996,3 121 80,6

122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180

151,6 241,2 299,4 24,6 441,4 208,0 9321,4 7625,4 215,4 779,8 824,6 66,5 124,7 197,8 244,7 20,0 358,2 168,1 7506,5 6116,3 172,1 620,2 652,9 52,4 97,8 154,3 189,9 15,4 274,9 128,3 5691,7 4607,1 128,7 460,6 481,2 38,3 70,9 110,9 135,2 10,9 191,7 88,4 3876,8 3098,0 85,4 301,0 309,5 24,2 44,0 67,5 80,5 6,3 108,5 48,6 2062,0 1588,9 42,0 141,4 137,8

59

PPTK Lampiran 17. Plot Time Series Volume Produksi PPTK. Time Series Plot of Vol_PPTK 50000

Vol_PPTK

40000

30000

20000

10000

0 Month Jan Year 2002

Jul

Jan 2003

Jul

Jan 2004

Jul

Lampiran 18. Anderson-darling probability plot test

Jan 2005

Jul

Jan 2006

Jul

60

Probability Plot of Vol_PPTK Normal 99,9 Mean StDev N AD P-Value

99 95

20273 14870 60 2,566 <0,005

Percent

90 80 70 60 50 40 30 20 10 5 1 0,1

-20000

0

20000 Vol_PPTK

40000

60000

Lampiran 19. Plot autokorelasi dan autokorelasi parsial Volume Produksi PPTK. Autokorelasi PPTK 1,0 0,8

Autocorrelation

0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

5

6

7

61

Pautokorelasi PPTK 1,0

Partial Autocorrelation

0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1

2

3

4 Lag

5

6

Lampiran 20. Kurva Peramalan Volume Produksi PPTK dengan Berbagai Metode yang Diterapkan.

7

62

Double Exponential Smoothing 0,2 0,2 Double Exponential Method Variable A ctual Fits Forecasts 95,0% PI

300000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2

Vol_PPTK

200000

Accuracy Measures MA PE 164 MA D 13705 MSD 277857648

100000

0

-100000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Double Exponential Smoothing 0,4 0,3 Double Exponential Method 750000

Vol_PPTK

500000

250000

0

-250000

-500000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Accuracy Measures MA PE 150 MA D 14172 MSD 292431572

63

Winter's Method 0,2 0,2 0,2 Multiplicative Method 100000

Variable A ctual Fits Forecasts 95,0% PI

Vol_PPTK

50000

Smoothing C onstants A lpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2

0

A ccuracy Measures MA PE 44 MA D 5662 MSD 54905759

-50000

-100000 1

18

36

54

72

90 108 126 144 162 180 Index

Winter's Method 0,4 0,3 0,3 Multiplicative Method 300000 200000

Vol_PPTK

100000 0 -100000 -200000 -300000 Bulan 1 6 12 6 Tahun 2002 2003 2004 2006

Variable A ctual Fits Forecasts 95,0% PI Smoothing C onstants A lpha (level) 0,4 Gamma (trend) 0,3 Delta (seasonal) 0,3 A ccuracy Measures MA PE 42 MA D 6162 MSD 93677245

64

Decomposition Vol_PPTK Multiplicative Model 80000

Variable A ctual Fits Trend Forecasts

70000

Vol_PPTK

60000

A ccuracy Measures MA PE 30 MA D 3548 MSD 23693142

50000 40000 30000 20000 10000 0 Bulan Tahun

1 6 12 2002 2003 2004

6 2006

65

Time Series Decomposition for Vol_PPTK Multiplicative Model Accuracy Measures MAPE MAD MSD

30 3548 23693142

Forecasts Period 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112

Forecast 3284,4 4937,2 6589,5 8770,2 16184,8 23096,2 38251,7 42666,9 54258,2 40184,5 19091,5 32522,4 3440,9 5171,6 6901,1 9183,3 16944,1 24175,6 40032,5 44645,5 56764,7 42033,8 19966,8 34007,7 3597,5 5406,0 7212,7 9596,4 17703,5 25255,0 41813,3 46624,2 59271,3 43883,1 20842,0 35492,9 3754,0 5640,4 7524,3 10009,5 18462,9 26334,5 43594,1 48602,9 61777,8 45732,3 21717,2 36978,2 3910,6 5874,8 7835,9 10422,6

113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180

19222,3 27413,9 45374,9 50581,5 64284,3 47581,6 22592,4 38463,4 4067,1 6109,2 8147,5 10835,7 19981,6 28493,3 47155,7 52560,2 66790,9 49430,9 23467,6 39948,7 4223,7 6343,6 8459,1 11248,8 20741,0 29572,8 48936,5 54538,9 69297,4 51280,1 24342,9 41434,0 4380,2 6578,0 8770,7 11661,9 21500,4 30652,2 50717,3 56517,6 71804,0 53129,4 25218,1 42919,2 4536,8 6812,3 9082,3 12075,0 22259,7 31731,6 52498,1 58496,2 74310,5 54978,6 26093,3 44404,5 4693,3 7046,7 9393,9 12488,1 23019,1 32811,0 54278,9 60474,9 76817,0 56827,9 26968,5 45889,8