PERAMALAN DAN FAKTOR-FAKTOR PENENTU FLUKTUASI HARGA CABAI MERAH DI ENAM KOTA BESAR DI JAWA - BALI (Kasus Pengendalian Harga Cabai Merah pada Bagian Analisis Harga, Badan Ketahanan Pangan Nasional, DEPTAN RI)
Oleh : ALEX MUHARLIS A14104511
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2007
RINGKASAN ALEX MUHARLIS, Peramalan dan Faktor-Faktor Penentu Fluktuasi Harga Cabai Merah Di Jawa – Bali (di bawah bimbingan bapak MUHAMMAD FIRDAUS) Hortikultura merupakan salah satu sektor pertanian yang berkembang pesat dalam pertanian Indonesia. Jenis tanaman yang dibudidayakan dalam hortikultur meliputi buah-buahan, sayur-sayuran, bunga dan tanaman hias. Sedangkan dalam hortikultur, sayuran adalah salah satu sumber vitamin dan mineral. Cabai merah (Capsicum annum) merupakan komoditas sayuran yang memiliki peranan penting bagi pertanian di Indonesia. Cabai merah biasa digunakan dalam bentuk segar maupun olahan. Cabai dalam bentuk segar dapat digunakan sebagai bumbu masakan, sambal dan penghias makanan. Sedangkan bentuk olahannya seperti saus sambal dan bubuk cabai. Cabai merah diminati pasar karena rasa pedasnya yang khas. Penawaran komoditas cabai merah ini, masih sangat tergantung dari jumlah cabai yang diproduksi. Sedangkan jumlah produksi cabai yang dihasilkan sangat ditentukan oleh luas panen dan produktivitas lahan. Cabai merah merupakan salah satu komoditas yang memiliki fluktuasi harga yang cukup besar. Fluktuasi harga cabai merah dapat disebabkan oleh besarnya jumlah penawaran dan besarnya jumlah permintaan. Semakin tinggi jumlah penawaran maka harga akan rendah, sedangkan semakin sedikitnya jumlah penawaran harga akan semakin meningkat (ceteris paribus). Harga cabai merah yang sangat fluktuatif menjadikan komoditas ini sulit untuk dapat diprediksi. Harga rata -rata tertinggi bulanan cabai merah besar di Jawa-Bali dicapai pada tingkat harga Rp 18.775,00/Kg, sedangkan harga terendah dicapai pada tingkat harga Rp 3.635,00/Kg. Perbedaan nilai antara harga tertinggi dan harga terendah adalah sebesar Rp 15.140,00/Kg, nilai tersebut dirasa sangat tinggi. Hal tersebut dapat dihindari apabila tingkat penawaran dapat disesuaikan dengan tingkat permintaan. Harga rata-rata bulanan cabai merah keriting tertinggi di dapat pada tingkat harga Rp 22.188,00/Kg dan nilai terendah dicapai pada tingkat harga Rp 3.875,00/Kg. Jarak antara nilai tertinggi dengan nilai terendah menunjukkan perbedaan yang sangat besar, yaitu sebesar Rp 18.313,00/Kg. Hal ini memperlihatkan, bahwa fluktuasi cabai merah keriting memiliki fluktuasi harga yang lebih besar bila dibandingkan dengan fluktuasi harga yang terjadi pada cabai merah besar. Penelitian ini bertujuan untuk mengidentifikasi pola fluktuasi harga cabai merah di Jawa–Bali,.mendapatkan metode peramalan terbaik untuk meramalkan harga cabai merah di enam kota, menganalisis perubahan harga cabai merah di masa yang akan datang dengan peramalan dan menganalisis faktor-faktor apa saja yang mempengaruhi perubahan harga cabai merah. Metode penenelitian ini dilakukan dangan menggunakan metode time series dan metode kausal. Untuk metode time series digunakan metode trend kuadratik, pemulusan eksponensial, Winters, dekomposisi dan Box Jenkins, sedangkan untuk metode kausal dilakukan analisis regresi berganda. Dari hasil analisis plot data diketahui perubahan harga cabai merah besar di enam kota dalam jangka panjang memiliki trend yang meningkat. Dalam jangka pendek harga cabai merah besar memiliki unsur musiman dimana selama empat bulan (NovemberFebuari) harga mencapai titik tertinggi dan selama delapan bulan (Maret-Oktober) harga cenderung lebih rendah bila dibandingkan dengan bulan-bulan sebelumnya. Untuk perubahan harga cabai merah keriting dalam jangka panja ng juga memiliki trend yang meningkat dan dalam jangka pendek harga cabai merah besar memiliki unsur musiman dimana selama empat bulan (November-Febuari) harga mencapai titik tertinggi dan
2
selama delapan bulan (Maret-Oktober) harga cenderung lebih rendah bila dibandingkan dengan bulan-bulan sebelumnya. Untuk harga cabai merah keriting akan meningkat pada saat menjelang dan saat hari lebaran. Dari hasil pengolahan data dengan menggunakan metode time series, maka didapat metode peramalan terbaik untuk harga cabai merah besar maupun harga cabai merah keriting adalah metode SARIMA untuk semua kota. Model SARIMA (1,0,0)(1,1,1) 8 untuk Kota DKI Jakarta harga cabai merah besar dan Harga cabai merah keriting, Kota Bandung untuk harga cabai merah besar dan harga cabai merah keriting, Kota semarang untuk harga cabai merah keriting, Kota Yogyakarta untuk harga cabai merah besar dan harga cabai merah keriting dan Kota Surabaya untuk harga cabai merah besar dan harga cabai merah keriting. Model SARIMA (0,0,0)(1,1,1) 8 untuk harga cabai merah besar di Semarang dan model SARIMA (0,1,1)(1,1,1) 18 untuk harga cabai merah besar di Denpasar. Harga cabai merah hasil peramalan di enam kota selanjutnya akan dilihat kecnderungan yang akan terjadi selama 12 bulan ke depan. Untuk harga cabai merah besar di Kota DKI Jakarta dan Bandung, plot data memiliki kecenderungan stabil. Untuk harga cabai merah besar di Kota Semarang, Yogyakarta, Surabaya dan Denpasar plot data memperlihatkan kecenderungan menurun secara secara tajam dan akan meningkat secara perlahan. Untuk harga cabai merah keriting yang akan terjadi di Kota DKI Jakarta, Bandung, Semarang dan Yogyakarta, plot data memiliki kecenderungan meningkat secara perlahan dan saat mencapai titik tertinggi harga cenderung akan menurun secara perlahan. Dan akan meningkat kembali Untuk harga cabai merah keriting di Kota Surabaya, plot data memiliki kecenderungan menurun secara perlahan di sepanjang tahun dan saat mencapai titik terendah harga akan kembali naik. Faktor-faktor yang mempengaruhi perubahan harga cabai merah besar di DKI Jakarta adalah lag harga cabai merah besar (X2 ) dan jumlah pasokan cabai di PIKJ (X3 ), Bandung adalah harga cabai merah di tingkat produsen (X1 ) dan harga jual cabai merah besar di PIKJ (X4 ), Semarang adalah harga cabai merah di tingkat produsen (X1 ), lag harga cabai merah besar (X2 ) dan harga jual cabai merah besar di PIKJ (X4 ), Yogyakarta adalah harga jual cabai merah besar di PIKJ (X4 ), Surabaya adalah harga cabai merah di tingkat produsen (X1 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D 1 ) dan Denpasar adalah harga cabai merah di tingkat produsen (X1 ) dan harga jual cabai merah besar di PIKJ (X4 ). Untuk faktor-faktor yang mempengaruhi perubahan harga cabai merah keriting di DKI Jakarta adalah lag harga cabai merah besar (X2 ) dan harga jual cabai merah keriting di PIKJ (X4 ), Bandung adalah harga cabai merah di tingkat produsen (X1 ), lag harga cabai merah besar (X2 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ), Semarang adalah lag harga cabai merah besar (X2 ) dan harga jual cabai merah keriting di PIKJ (X4 ), Yogyakarta adalah harga cabai merah di tingkat produsen (X1 ) dan harga jual cabai merah keriting di PIKJ (X4 ) dan Surabaya adalah harga cabai merah di tingkat produsen (X1 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ).
3
PERAMALAN DAN FAKTOR-FAKTOR PENENTU FLUKTUASI HARGA CABAI MERAH DI ENAM KOTA BESAR DI JAWA - BALI (Kasus Pengendalian Harga Cabai Merah pada Bagian Analisis Harga, Badan Ketahanan Pangan Nasional, DEPTAN RI)
Skripsi Sebagai Salah Satu Syarat Memperoleh Gelar Sarjana Pertanian Fakultas Pertanian Institut Pertanian Bogor
ALEX MUHARLIS A14104511
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2007
4
Judul Skripsi
:
Peramalan dan Faktor-Faktor Penentu Fluktuasi Harga Cabai Merah di Enam Kota Besar di Jawa – Bali (Kasus Pengendalian Harga Cabai Merah pada Bagian Analisis Harga, Badan Ketahanan Pangan Nasional, Deptan RI)
Nama
:
Alex Muharlis
NRP
:
A14104511
Menyetujui Dosen Pembimbing
Muhammad Firdaus, Ph.D NIP. 132 158 758
Mengetahui Dekan Fakultas Pertanian
Prof.. Dr. Ir.Didy Sopandie, M.Agr NIP. 131 124 019
Tanggal Lulus
:
5
PERNYATAAN
DENGAN INI SAYA MENYATAKAN SKRIPSI SAYA YANG BERJUDUL PERAMALAN
DAN
FAKTOR-FAKTOR
PENENTU
FLUKTUASI
HARGA CABAI MERAH DI ENAM KOTA BESAR DI JAWA – BALI (KASUS PENGENDALIAN HARGA CABAI MERAH PADA BAGIAN ANALISIS HARGA, BADAN KETAHANAN PANGAN NASIONAL, DEPTAN RI) BENAR-BENAR MERUPAKAN HASIL KARYA SAYA SENDIRI DAN BELUM PERNAH DIAJUKAN SEBAGAI KARYA ILMIAH PADA SUATU PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Bogor, Mei 2007
ALEX MUHARLIS (A14104511)
6
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 5 April 1984 sebagai anak dari pasangan Bapak H. Muharlis U.N. dan Ibu Hj. Noer Aini S. Penulis adalah anak ke tiga dari tiga bersaudara. Penulis menjalankan pendidikan sekolah dasar di SDN. Mekar Indah dan SDN. Poncol I, dan lulus pada tahun 1995.
Pendidikan tingkat menengah
pertama dilalui di SLTPN 06 Bekasi dan lulus pada tahun 1998. Pendidikan tingkat atas diselesaikan pada tahun 2001 di SMU Angkasa II, Jakarta Timur. Pada tahun 2004 penulis menyelesaikan pendidikannya di Program Diploma III Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor. Pada tahun yang sama penulis melanjutkan pendidikannya pada Program Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor.
7
KATA PENGANTAR
Bismillahirrahmanirrahim, Alhamdulillah, puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan berkah, rahmat, taufik dan hidayah-NYA, sehingga penulis dapat menyelesaikan skripsi ini. Skripsi ini merupakan hasil karya penulis guna memenuhi persyaratan untuk memperoleh gelar sarjana pada Program Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor. Skripsi yang berjudul Peramalan dan Faktor-Faktor Penentu Fluktuasi Harga Cabai Merah di Enam Kota Besar di Jawa – Bali (Kasus Pengendalian Harga Cabai Merah pada Bagian Analisis Harga, Badan Ketahanan Pangan Nasional, Deptan RI) ini berisikan mengenai pemilihan metode peramalan harga cabai merah terbaik di Jawa – Bali. Selain itu skripsi ini juga memperlihatkan faktor- faktor apa saja yang mempengaruhi perubahan harga cabai merah di Jawa – Bali. Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan. Namun penulis berharap agar skripsi ini dapat bermanfaat bagi para penbacanya.
Bogor, Mei 2007
Penulis
8
UCAPAN TERIMA KASIH
Syukur Alhamdulillah penulis panjatkan kehadirat Allah SWT karena dengan segala rahmat dan hidayah-Nya penulis dapat menyelesaikan skripsi ini. Penulisan Skripsi ini tidak terlepas dari bantuan berbagai pihak, yang sudah memberikan dukungan moral maupun materiil, dorongan semangat, bimbingan, sumbangan pemikiran dan lain- lain. Oleh karena itu pada kesempatan ini penulis ingin menyampaikan terima kasih dan penghargaan setinggi- tingginya kepada : 1.
Allah SWT yang telah memberikan segalanya bagi penulis.
2.
Papa dan mama yang telah memberikan dukungan mental, materiil, kasih sayang, do’a dan kepercayaan selama ini kepada penulis.
3.
Bpk Muhammad Firdaus, Ph.D selaku dosen pembimbing yang telah sabar memberikan bimbingan, dukungan, pengarahan dan waktunya, sehingga skripsi ini dapat terselesaikan.
4.
Ibu Ir. Harmini, MS selaku dosen penguji utama yang telah memberikan banyak masukan dan koreksi, sehingga skripsi ini menjadi lebih baik dan lebih bermanfaat.
5.
Bpk Rahmat Yanuar, SP, MSi selaku dosen penguji dari komisi pendidikan atas koreksi dan sarannya, sehingga sripsi ini dapat menjadi lebih sempurna dalam format yang sudah ditentukan.
6.
Ibu Febriantina Dewi, SP, MM selaku dosen evaluator pada saat kolokium atas masukan, koreksi dan saran.
7.
Pihak Badan Ketahanan Pangan : Bu Inti dan Pa Edi atas informasi dan data-data yang telah diberikan.
8.
Bpk Siswo atas data-data cabai merah di PIKJ.
9.
My Brothers and my sisters : Datin, Mba Yufi, Mas Uwit dan Mba Ika atas segala dukungan yang telah diberikan selama ini. Ngak lupa juga buat Icel yang masih di dalam perut.
10. Agripa Bukit selaku pembahas pada saat seminar, seorang sahabat yang selalu ada pada saat susah maupun senang dan seorang saudara angkat penulis. Thank for all bro!! I cannot forget all things, has we done together.
9
11. Anak-anak penghuni wisma samiaji : H. Ganjar Gumelar (bibir), Herdi Rahkmadi (bokep), Muhammad Afifi (lancip), Budi Nurdiana (bojel), Moch Marwan (otto), Dzulfikar Hakim, SP (idzoet), Zulyan Afif (tampel) dan Dellianoer Hidayat (kodel) atas kebersamaannya selama ini, pengalaman-pengalaman baru dan hubungan kekeluargaannya. 12. Andi Tenri Maega yang sudah membukakan dunia baru, memberikan warna-warni
kehidupan,
memberikan
semangat,
dukungan
dan
memberikam solusi dari segala masalah. Thanks for come to my life. 13. All of my pets : Catty, Romeo, Chulkin, Sharoon dan Roma, atas keceriaan, kasih sayang dan kemanjaan yang mereka berikan.kepada penulis. 14. Teman-teman seperjua ngan skripsi : Ipur, Derry, Roni, Sari, Hani, Rika dan zaky atas kebersamaan, masukan- masukan dan persahabatan selama menyusun skripsi. 15. Anak-anak Cidangiang : Ewa, Anna, Elsa dan Levi atas kebersamaan, keceriaan dan bantuan kalian untuk urusan konsumsi. 16. Anak-anak MAB 38 : Agung, Bina, Zaenal, Faisal, Asti, Unun, Yanti, Anggra, Siska, Yuan, Cipit, Ilwah, mita dan yang tidak disebutkan namanya. 17. Anak-anak Komunitas Motor Ekstensi ”KOMET” : James, Encep, Ojay, Jarwo, Tatep, Stefanus, Wempy, dan lain- lain atas kebersamaan dan pengalaman touring selama di Ekstensi. Keep on touring bro. 18. Kepada seluruh staf pengajar dan tata usaha Program Sarjana Ekstensi Manajemen Agribisnis. 19. Rekan-rekan mahasiswa Ekstensi MAB. 20. Semua pihak yang tidak disebutkan satu-persatu atas bantuannya kepada penulis.
10
DAFTAR ISI Halaman DAFTAR TABEL .......................................................................................... iii DAFTAR GAMBAR ..................................................................................... vi DAFTAR LAMPIRAN ................................................................................. vii BAB I.
PENDAHULUAN .......................................................................... 1.1. Latar Belakang ........................................................................ 1.2. Perumusan Masalah ................................................................. 1.3. Tujuan Penelitian ..................................................................... 1.4. Kegunaan Penelitian ................................................................ 1.5. Ruang Lingkup Penelitian .......................................................
1 1 4 7 7 8
BAB II. TINJAUAN PUSTAKA ................................................................ 9 2.1. Deskripsi Cabai Merah ............................................................ 9 2.2. Tinjauan Penelitian Terdahulu ................................................ 9 BAB III. KERANGKA PEMIKIRAN ......................................................... 3.1. Kerangka Pemikiran Teoritis .................................................. 3.1.1. Penentuan Harga Oleh Permintaan dan Penawaran ...... 3.1.2. Fluktuasi Produksi dan Kecenderungan Harga ............. 3.1.3. Peramalan ...................................................................... 3.1.4. Jenis-Jenis Peramalan .................................................... 3.1.5. Identifikasi Pola Data Model Time Series ..................... 3.1.6. Metode Peramalan Model Time Series .......................... 3.1.7. Pemilihan Model Peramalan ......................................... 3.2. Kerangka Pemikiran Operasional ............................................
14 14 14 15 16 17 18 19 21 22
BAB IV. METODE PENELITIAN ............................................................. 4.1. Lokasi dan Waktu Penelitian .................................................... 4.2. Jenis dan Sumber Data ............................................................ 4.3. Pengolahan dan Analisis Data ................................................. 4.4. Identifikasi Pola Data .............................................................. 4.5. Penerapan Metode Peramalan Time Series ............................. 4.5.1. Metode Trend ................................................................ 4.5.2. Metode Pemulusan Eksponensial .................................. 4.5.3. Metode Winters ............................................................. 4.5.4. Metode Dekomposisi ..................................................... 4.5.5. Metode Box Jenkins ...................................................... 4.6. Pemilihan Metode Peramalan Time Series .............................. 4.7. Metode Kausal .........................................................................
27 27 27 27 28 28 28 29 29 30 30 39 39
Halaman BAB V. HASIL DAN PEMBAHASAN ..................................................... 5.1. Hasil ........................................................................................ 5.1.1. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di DKI Jakarta .................... 5.1.2. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Keriting di DKI Jakarta ............... 5.1.3. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di Bandung ......................... 5.1.4. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Keriting di Bandung .................... 5.1.5. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di Semarang ....................... 5.1.6. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Keriting di Semarang ................... 5.1.7. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di Yogyakarta .................... 5.1.8. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Keriting di Yogyakarta ................ 5.1.9. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di Surabaya ........................ 5.1.10. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Keriting di Surabaya .................... 5.1.11. Peramalan dan Faktor-Faktor yang Mempengaruhi harga Cabai Merah Besar di Denpasar ........................ 5.2. Pembahasan ............................................................................. 5.3 Implikasi Peramalan ................................................................
42 42 42 47 53 59 65 70 76 81 86 91 96 101 107
BAB VI. KESIMPULAN DAN SARAN ..................................................... 109 6.1. Kesimpulan .............................................................................. 109 6.2. Saran ........................................................................................ 110 DAFTAR PUSTAKA .................................................................................... 111 LAMPIRAN ................................................................................................... 113
ii
DAFTAR TABEL
Nomor 1.
2.
3.
4.
5.
6.
Halaman Perkembangan Luas Panen, Produksi dan Produktivitas Cabai di Indonesia Tahun 1995-2004 ........................................
2
Produksi Cabai Menurut Beberapa Propinsi Tahun 2000-2004 ...................................................................................
3
Luas Panen Cabai Menurut Beberapa Propinsi Tahun 2000-2004 ...................................................................................
3
Konsumsi dan Pengeluaran Rata-rata Perkapita Seminggu untuk Cabai Merah Tahun 2002-2004 .......................................
4
Perkembangan Harga Rata-Rata Bulanan Cabai Merah Besar di Jawa dan Bali Tahun 2002-2004 ............................................
5
Perkembangan Harga Rata-Rata Bulanan Cabai Merah Keriting di Jawa dan Bali Tahun 2002-2004 .............................
6
7.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di DKI Jakarta ....................................................... 44
8.
Hasil Peramalan Harga Cabai Merah Besar di DKI Jakarta Selama 12 Bulan.......................................................................... 45
9.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di DKI Jakarta .................................................................. 46
10.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di DKI Jakarta ................................................... 50
11.
Hasil Peramalan Harga Cabai Merah Keriting di DKI Jakarata ....................................................................................... 51
12.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di DKI Jakarta .............................................................. 52
13.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Bandung ............................................................ 55
14.
Hasil Peramalan Harga Cabai Merah Besar di Bandung Selama 12 Bulan ......................................................................... 56
iii
Nomor
Halaman
15.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Bandung ....................................................................... 58
16.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Bandung ........................................................ 61
17.
Hasil Peramalan Harga Cabai Merah Keriting di Bandung Selama 12 Bulan ......................................................................... 62
18.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Bandung ................................................................... 64
19.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Semarang .......................................................... 67
20.
Hasil Peramalan Harga Cabai Merah Besar di Semarang Selama 12 bulan ......................................................................... 68
21.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Semarang ...................................................................... 69
22.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Semarang ...................................................... 72
23.
Hasil Peramalan Harga Cabai Merah Keriting di Semarang Selama 12 Bulan ......................................................................... 73
24.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Semarang ................................................................. 75
25.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Yogyakarta ........................................................ 77
26.
Hasil Peramalan Harga Cabai Merah Besar di Yogyakarta Selama 12 Bulan ......................................................................... 79
27.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Yogyakarta ................................................................... 80
28.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Yogyakarta ................................................... 82
29.
Hasil Peramalan Harga Cabai Merah Keriting di Yokyakarta Selama 12 Bulan ......................................................................... 84
iv
Nomor
Halaman
30.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Yogyakarta ............................................................... 85
31.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Surabaya ........................................................... 87
32.
Hasil Peramalan Harga Cabai Merah Besar di Surabaya Selama 12 Bulan ......................................................................... 89
33.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Surabaya ....................................................................... 90
34.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Surabaya ....................................................... 92
35.
Hasil Peramalan Harga Cabai Merah Keriting di Surabaya Selama 12 Bulan ......................................................................... 94
36.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Surabaya ................................................................... 95
37.
Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Denpasar ........................................................... 97
38.
Hasil Peramalan Harga Cabai Merah Besar di Denpasar Selama 12 Bulan ......................................................................... 99
39.
Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Denpasar ....................................................................... 100
40.
Metode Peramalan Terbaik di Enam Kota ................................. 101
41.
Hasil Peramalan Harga Cabai Merah Besar di Enam Kota Selama 12 Bulan.......................................................................... 103
42.
Hasil Peramalan Harga Cabai Merah Keriting di Enam Kota Selama 12 Bulan.......................................................................... 104
43.
Faktor-Faktor yang Mempengaruhi Harga Cabai Merah di Enam Kota .................................................................................. 106
v
DAFTAR GAMBAR
Nomor
Halaman
1.
Penentuan Harga oleh Permimtaan dan Penawaran ................... 14
2.
Fluktuasi Produksi dan Kecenderungan Harga .......................... 15
3.
Bagan Alur Kerangka Pemikiran ............................................... 26
4.
Plot Harga Cabai Merah Besar di DKI Jakarta .......................... 43
5.
Plot Harga Cabai Merah Keriting di DKI Jakarta ...................... 49
6.
Plot Harga Cabai Merah Besar di Bandung ............................... 54
7.
Plot Harga Cabai Merah Keriting di Bandung ........................... 60
8.
Plot Harga Cabai Merah Besar di Semarang .............................. 66
9.
Plot Harga Cabai Merah Keriting di Semarang ......................... 71
10.
Plot Harga Cabai Merah Besar di Yogyakarta ........................... 76
11.
Plot Harga Cabai Merah Keriting di Yogyakarta ....................... 81
12.
Plot Harga Cabai Merah Besar di Surabaya ............................... 86
13.
Plot Harga Cabai Merah Keriting di Surabaya ........................... 91
14.
Plot Harga Cabai Merah Besar di Denpasar ............................... 96
vi
DAFTAR LAMPIRAN
Nomor
Halaman
1.
Harga Rataan Cabai Merah di Enam Kota 200-2006 ................. 113
2.
Metode Trend Kuadratik ............................................................ 114
3.
Metode Pemulusan Eksponensial Tunggal ................................ 120
4.
Metode Pemulusan Eksponensial Ganda ................................... 126
5.
Metode Winters Aditif ............................................................... 132
6.
Metode Winters Multiplikatif ..................................................... 138
7.
Metode Dekomposisi Aditif ....................................................... 144
8.
Metode dekomposisi Multiplikatif ............................................. 150
9.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Besar di DKI Jakarta .................................................................. 156
10.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Keriting di DKI Jakarta .............................................................. 158
11.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Besar di Bandung ....................................................................... 160
12.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Keriting di Bandung ................................................................... 163
13.
SARIMA Model (0,0,0)(1,1,1)8 untuk Harga Cabai Merah Besar di Semarang ...................................................................... 165
14.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Keriting di Semarang ................................................................. 167
15.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Besar di Yogyakarta ................................................................... 169
16.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Keriting di Yogyakarta ............................................................... 171
17.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Besar di Surabaya ....................................................................... 173
vii
Nomor
Halaman
18.
SARIMA Model (1,0,0)(1,1,1)8 untuk Harga Cabai Merah Keriting di Surabaya ................................................................... 175
19.
SARIMA Model (1,0,0)(1,1,1)18 untuk Harga Cabai Merah Besar di Denpasar ....................................................................... 177
20.
Hasil Regresi Harga Cabai Merah Besar di DKI Jakarta ........... 179
21.
Hasil Regresi Harga Cabai Merah Keriting di DKI Jakarta ....... 180
22.
Hasil Regresi Harga Cabai Merah Besar di Bandung ................ 181
23.
Hasil Regresi Harga Cabai Merah Keriting di Bandung ............ 182
24.
Hasil Regresi Harga Cabai Merah Besar di Semarang .............. 183
25.
Hasil Regresi Harga Cabai Merah Keriting di Semarang .......... 184
26.
Hasil Regresi Harga Cabai Merah Besar di Yogyakarta ............ 185
27.
Hasil Regresi Harga Cabai Merah Keriting di Yogyakarta ........ 186
28.
Hasil Regresi Harga Cabai Merah Besar di Surabaya ................ 187
29.
Hasil Regresi Harga Cabai Merah Keriting di Surabaya ........... 188
30.
Hasil Regresi Harga Cabai Merah Besar di Denpasar ............... 189
31.
Plot Data Harga Ramalan Cabai Merah Besar di Enam Kota .... 190
32.
Plot Data Harga Ramalan Cabai Merah Keriting di Lima Kota ............................................................................................ 191
viii
BAB I PENDAHULUAN
1.1
Latar Belakang Hortikultura merupakan salah satu sektor yang berkembang pesat dalam
pertanian Indonesia.
Jenis tanaman yang dibudidayakan dalam hortikultura
meliputi buah-buahan, sayur-sayuran, bunga dan tanaman hias. Sedangkan dalam hortikultur a, sayuran adalah salah satu sumber vitamin dan mineral. Cabai merah (Capsicum annum) merupakan komoditas sayuran yang memiliki peranan penting bagi pertanian di Indonesia.
Cabai merah biasa
digunakan dalam bentuk segar maupun olahan. Cabai dalam bentuk segar dapat digunakan sebagai bumbu masakan, sambal dan penghias makanan. Sedangkan bentuk olahannya seperti saus sambal dan bubuk cabai. Cabai merah diminati pasar karena rasa pedasnya yang khas. Penawaran komoditas cabai merah ini, masih sangat tergantung dari jumlah cabai yang diproduksi. Sedangkan jumlah produksi cabai yang dihasilkan sangat ditentukan oleh luas panen dan produktivitas lahan.
Setiap tahunnya
jumlah cabai yang ditawarkan mengalami perubahan. Perubahan tersebut terjadi karena adanya fluktuasi luas panen yang diikuti oleh fluktuasi produksi, sehingga produktivitas lahan juga turut berfluktuasi. Fluktuasi yang terjadi pada luas panen dan jumlah produksi cabai mempunyai kecenderungan yang meningkat. Luas panen yang terbesar terjadi pada tahun 2004 sebesar 194.588 Ha, sedangkan luas panen yang terkecil terjadi pada tahun 2001 sebesar 142.556 Ha. Produksi cabai terbesar terjadi pada tahun 1995 sebesar 1.589.978 ton dan pada tahun 2001 hanya menghasilkan cabai sebesar 580.464 ton. Sehingga dapat dilihat pada Tabel 1,
tahun 2001 komoditas ini mengalami penurunan yang cukup besar baik dari luas panen, jumlah produksi maupun produktivitas lahan. Luas panen cabai meningkat kembali sejak tahun 2002 dan terus meningkat.
Tabel 1.
Perkembangan Luas Panen, Produksi dan Produktivitas Cabai di Indonesia Tahun 1995- 2004
Tahun
Luas Panen (Ha)
Produktivitas (Ton/Ha) 8.72 6.15 4.96 5.14 5.50 4.17 4.07 4.22 6.05 5.66 www.deptan.go.id, 2006
Produksi (Ton)
1995 182.263 1.589.978 1996 169.764 1.043.792 1997 161.602 801.832 1998 164.944 848.524 1999 183.374 1.007.726 2000 174.708 727.747 2001 142.556 580.464 2002 150.598 635.089 2003 176.264 1.066.722 2004 194.588 1.100.514 Sumber : Direktorat Jenderal Bina Produksi Hortikultura dalam
Dari jumlah produksi cabai di Indonesia, lebih dari 50 persen cabai dihasilkan di pulau Jawa.
Hal ini dikarenakan sentra-sentra penghasil cabai
terdapat di pulau Jawa.
Jawa Barat merupakan penghasil cabai terbesar,
sedangkan Jawa Timur memiliki luas panen terbesar. Berikut adalah Tabel 2 dan Tabel 3, perbandingan luas panen dan produksi cabai tahun 2000-2004 antara pulau Jawa dengan Indonesia.
2
Tabel 2.
Produksi Cabai Menurut Beberapa Propinsi Tahun 2000-2004
Propinsi DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Jawa
2000
2001
39 190.612 118.497 12.293 126.638 448.079
27 159.830 73.029 13.315 122.435 6.333 374.696
Tahun (Ton) 2002 5 150.948 89.225 16.373 127.468 12.288 396.307
2003
2004
1 247.300 127.149 19.557 197.989 5.412 597.408
9 211.250 149.232 15.894 218.489 8.298 603.173
Indonesia 727.747 580.464 635.089 1.066.722 1.100.514 Sumber : Direktorat Jenderal Bina Produksi Hortikultura dalam www.deptan.go.id, 2006
Tabel 3.
Luas Panen Cabai Menurut Beberapa Propinsi Tahun 2000-2004
Propinsi DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Jawa
2000 10 25.889 32.203 1.565 39.748 99.415
Tahun (Ha) 2001 2002 8 7 16.851 17.867 18.504 24.428 1.975 2.282 35.642 34.593 2.197 3.323 75.177 82.500
2003 1 20.304 26.900 2.439 40.553 1.244 91.441
2004 3 20.246 30.804 2.031 41.837 1.786 96.707
174.708 142.556 150.598 176.264 194.588 Indonesia Sumber : Direktorat Jenderal Bina Produksi Hortikultura dalam www.deptan.go.id, 2006
Konsumsi masyarakat akan cabai merah juga mengalami fluktuasi. Fluktuasi yang terjadi dalam besaran yang relatif kecil, baik itu dalam kuantitas maupun nilainya.
Konsumsi cabai merah di perkotaan lebih banyak bila
dibandingkan dengan konsumsi cabai merah di pedesaan. Begitu pula dengan nilai yang harus dikeluarkan oleh masyarakat. Masyarakat di perkotaan harus mengeluarkan lebih banyak uang untuk mendapatkan cabai merah bila dibandingkan dengan masyarakat pedesaan.
3
Tabel 4. Konsumsi dan Pengeluaran Rata-Rata Perkapita Seminggu untuk Cabai Merah Tahun 2002-2004 Perkotaan Tahun
Kuantitas (Ons)
Nilai (Rp)
Pedesaan Kuantitas (Ons)
2002 0,318 314 2003 0,298 346 2004 0,295 332 Sumber : Badan Pusat Statistik, 2006
1.2
0,238 0,231 0,234
Rata-rata
Nilai (Rp) 235 256 265
Kuantitas (Ons)
Nilai (Rp)
0,274 0,259 0,261
270 294 294
Perumusan Masalah Cabai merah merupakan salah satu komoditas yang memiliki fluktuasi
harga yang cukup besar. Harga cabai merah yang berfluktuasi, dapat memberikan pengaruh positif maupun pengaruh negatif. Pengaruh positif yang dapat dilihat adalah ketika harga cabai sedang tinggi, maka penjual cabai akan mendapatkan keuntungan yang cukup besar. Sedangkan pengaruh negatif yang ditimbulkan bagi produsen adalah keuntungan yang rendah pada saat harga sedang rendah. Fluktuasi harga cabai merah dapat disebabkan oleh besarnya jumlah penawaran dan besarnya jumlah permintaan. Semakin tinggi jumlah penawaran maka harga akan rendah, sedangkan semakin sedikitnya jumlah penawaran harga akan semakin meningkat (ceteris paribus). Tinggi rendahnya jumlah penawaran dapat disebabkan oleh terjadinya panen raya, tingginya tingkat gagal panen karena terkena serangan hama dan faktor cuaca. Dilihat dari sisi permintaan, tingginya harga terjadi karena permintaan naik.
Sedangkan turunnya permintaan akan menyebabkan turunnya harga
(ceteris paribus). Tinggi rendahnya jumlah permintaan dapat disebabkan oleh adanya hari- hari besar agama.
4
Harga cabai merah yang sangat fluktuatif menjadikan komoditas ini sulit untuk dapat diprediksi. Harga rata-rata tertinggi bulanan cabai merah besar di Jawa – Bali
dicapai pada tingkat harga Rp 18.775,00/Kg, sedangkan harga
terendah dicapai pada tingkat harga Rp 3.635,00/Kg. Perbedaan nilai antara harga tertinggi dan harga terendah adalah sebesar Rp 15.140,00, nilai tersebut dirasa sangat tinggi.
Hal tersebut dapat dihindari apabila tingkat penawaran dapat
disesuaikan dengan tingkat permintaan. Untuk bulan November dan Desember 2006, data belum tersedia.
Tabel 5.
Perkembangan Rata-Rata Harga Bulanan Cabai Merah Besar di Jawa dan Bali Tahun 2002-2006
Tahun (Rp/Kg) 2002 2003 2004 Januari 6.891 8.896 12.198 Februari 8.812 10.570 7.256 Maret 5.826 7.848 9.479 April 5.496 6.420 8.760 Mei 6.194 4.398 10.550 Juni 4.365 3.635 10.273 Juli 4.931 3.992 11.080 Agustus 5.771 4.345 6.214 September 7.172 5.120 5.125 Oktober 6.370 5.761 5.500 November 10.911 5.150 5.425 Desember 14.111 5.119 6.450 Sumber : Badan Ketahanan Pangan, 2006 (diolah) Bulan
2005 8.742 5.063 4.645 4.984 4.238 4.770 9.893 12.986 9.002 18.775 14.538 10.683
2006 11.690 11.917 9.475 8.981 7.094 7.454 6.415 4.907 6.033 5.634 -
Harga rata-rata bulanan cabai merah keriting tertinggi didapat pada tingkat harga Rp 22.188,00/Kg dan nilai terendah dicapai pada tingkat harga Rp 3.875,00/Kg. Jarak antara nilai tertinggi dengan nilai terendah menunjukkan perbedaan yang sangat besar, yaitu sebesar Rp 18.313,00.
Hal ini
memperlihatkan, bahwa fluktuasi cabai merah keriting memiliki fluktuasi harga yang lebih besar bila dibandingkan dengan fluktuasi harga yang terjadi pada cabai
5
merah besar.
Data harga cabai merah keriting pada bulan November dan
Desember pada saat pengambilan data, data tersebut belum tersedia.
Tabel 6.
Perkembangan Rata-Rata Harga Bulanan Cabai Merah Keriting di Jawa dan Bali Tahun 2002-2006
Tahun (Rp/Kg) 2002 2003 2004 Januari 7.507 8.944 12.935 Februari 7.626 11.500 8.566 Maret 6.282 7.935 10.623 April 6.067 6.727 10.554 Mei 7.107 5.500 10.600 Juni 5.116 4.042 12.245 Juli 5.925 4.042 12.546 Agustus 6.961 4.952 6.604 September 6.986 4.804 5.041 Oktober 5.999 5.402 4.395 November 12.356 3.912 4.850 Desember 15.597 3.875 6.712 Sumber : Badan Ketahanan Pangan, 2006 (diolah) Bulan
2005 9.475 6.029 5.543 6.760 4.427 5.136 11.643 13.154 8.465 22.188 15.519 12.339
2006 13.880 13.042 10.575 10.154 8.104 8.259 7.077 6.093 7.581 6.400 -
Fluktuasi harga cabai merah yang terjadi di Indonesia ini menyebabkan Badan Ketahanan Pangan mengalami kesulitan dalam mengawasi perubahan harga tersebut. Badan Ketahanan Pangan merasa kesulitan dalam menetapkan kebijakan harga untuk cabai merah, sehingga dibutuhkan peramalan harga cabai merah agar fluktuasi harga yang akan terjadi dapat segera diatasi. Cara yang dapat digunakan dalam mengatasi masalah tersebut adalah dengan menetapkan kebijakan harga dan melakukan distribusi cabai merah yang merata. Hal ini dirasa dapat mengurangi fluktuasi harga yang terjadi.
6
Berdasarkan masalah yang dijelaskan di atas, maka dalam penelitian ini dapat dirumuskan beberapa masalah sebagai berikut : 1. Bagaimanakah pola fluktuasi harga cabai di enam kota di Jawa – Bali ? 2. Metode peramalan apakah yang cocok dengan pola data harga cabai merah di enam kota di Jawa – Bali ? 3. Bagaimanakah kecenderungan perubahan harga yang akan terjadi di masa yang akan datang ? 4. Faktor-faktor apa saja yang mempengaruhi perubahan harga cabai merah ?
1.3
Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Mengidentifikasi pola fluktuasi harga cabai merah di enam kota di Jawa – Bali. 2. Mendapatkan metode peramalan terbaik untuk meramalkan harga cabai merah di enam kota di Jawa – Bali. 3. Menganalisis kecenderungan perubahan harga cabai merah di masa yang akan datang di enam kota di Jawa – Bali. 4. Menganalisis faktor- faktor yang mempengaruhi perubahan harga cabai merah di enam kota di Jawa – Bali.
1.4
Kegunaan Penelitian Diharapkan hasil dari penelitian ini akan dapat digunakan oleh para pelaku
perdagangan komoditas cabai merah, baik itu cabai merah besar maupun cabai merah keriting.
Bagi para produsen hasil ini dapat dijadikan sebagai bahan
pertimbangan perencanaan dalam berproduksi dan ditingkat harga berapa cabai
7
merah tersebut akan terjual. Bagi para pedagang besar juga dapat melihat kotakota mana saja yang menjadi tujuan distribusi cabai merah dengan jumlah yang disesuaikan dengan permintaan. Bagi pemerintah dan pihak-pihak yang terkait dapat dijadikan sebagai bahan untuk merumuskan kebijakan terhadap cabai merah dengan memberikan pemahaman mengenai pola fluktuasi harga cabai merah, selain itu hasil penelitian ini juga dapat dijadikan acuan untuk membuat tujuan distribusi cabai merah, agar jumlah pasokan lebih merata di tiap-tiap kota. Bagi penulis, penelitian ini sebagai sarana mengaplikasikan ilmu yang sudah didapat selama kuliah dengan fakta yang terjadi di lapangan, serta menambah wawasan dan pengalaman dalam menganalisis, mengkaji dan memberikan alternatif pemecahan pada suatu masalah yang terjadi. Penelitian ini juga diharapkan dapat menjadi bahan pemikiran bagi penelitian-penelitian selanjutnya.
1.5
Ruang Lingkup Penelitian Pada penelitian ini dilakukan peramalan mengenai harga cabai merah
besar dan cabai merah keriting selama satu tahun ke depan dengan menggunakan metode time series berdasarkan data harga rata-rata bulanan cabai merah. Data harga yang didapat berasal Badan Ketahanan Pangan bagian Analisis Harga. Data tersebut berasal dari enam kota besar di Indonesia, yaitu DKI Jakarta, Bandung, Semarang, Yogyakarta, Surabaya dan Denpasar. Untuk komoditas cabai merah keriting, tidak terdapat data harga rata-rata bulanan untuk Kota Denpasar.
8
BAB II TINJAUAN PUSTAKA
2.1
Deskripsi Cabai Merah Cabai (Capsicum sp) merupakan tanaman perdu dari terong-terongan
(Solanaceae), memiliki sekitar 20 spesies yang sebagian besar tumbuh di tempat asalnya, Amerika (Setiadi, 2005). Ada beberapa jenis cabai yang dibudidayakan di Jawa. Cabai dapat dibedakan menurut bentuk buahnya, yaitu bentuk buah besar, keriting dan bentuk buah kecil. Nama lokal cabai-cabai tersebut adalah cabai besar (cabai merah dan cabai hijau), cabai keriting dan cabai rawit. Cabai merah (Capsicum annum) merupakan tanaman setahun yang ditanam pada ketinggian kurang dari 200 m dari permukaan laut. Cabai merah mempunyai daun berwarna hijau tua, berbentuk bujur telur dan bunga soliter dengan daun bunga putih. Buah biasanya menggantung (kadang-kadang tegak) dan mempunyai rasa sedang sampai sangat pedas. Bentuk buah panjang dan lurus atau ramping. Warna buah hijau muda sampai hijau tua saat masih muda dan menjadi merah bila telah tua.
2.2
Tinjauan Penelitian Terdahulu Cabai merah merupakan komoditas yang menarik, banyak faktor- faktor
yang dapat diteliti dari komoditas ini. Berikut adalah rangkuman dari hasil- hasil penelitian terdahulu mengenai cabai merah. Penelitian yang dilakukan Muslikh (2000) menghasilkan bahwa sistem penentuan harga cabai rawit merah terdiri dari penentuan secara sepihak dan secara tawar- menawar antara dua pihak.
Penentuan secara sepihak ini
adalah sistem penentuan harga yang sudah ditetapkan oleh pedagang. Sedangkan tawar-menawar dimaksudkan agar penentuan harga dapat ditentukan oleh kedua belah pihak yaitu pedagang dan pembeli. Dalam penentuan harga beli, pedagang pengumpul bertindak sebaga i penerima harga (price taker) sedangkan pedagang grosir betindak sebagai penentu harga (price maker). Lebih khusus lagi Muslikh menyebutkan bahwa penentu harga di tingkat pedagang grosir Pasar Induk Kramat Jati (PIKJ) dilakukan bersama-sama dengan pedaga ng pengecer melalui proses tawar- menawar.
Demikian pula halnya
penentuan harga di tingkat pedagang pengecer merupakan hasil dari kekuatan permintaan dan penawaran pasar.
Pembentukan harga di tingkat konsumen
berbeda dengan pasar produsen, dimana penentua n harga di pasar produsen dikuasai sepenuhnya oleh pedagang grosir. Dalam menentukan harga beli dan harga jual, pedagang grosir melakukan pengamatan terhadap perkembangan harga berdasarkan atas permintaan cabai rawit merah. Hal ini memperlihatkan bahwa pencarian informasi pasar banyak dilakukan oleh para pedagang grosir. Dalam penelitiannya Muslikh hanya memfokuskan pada pembentukan harga cabai merah yang terjadi di PIKJ. Menurut Rozfaulina (2000) cabai merah merupakan komoditas pertanian yang bersifat inelastis untuk jangka pendek, sehingga peningkatan produksi yang melebihi permintaan pada waktu tertentu akan menjatuhkan harga yang cukup besar.
Demikian pula sebaliknya, pasokan yang tidak dapat memenuhi
permintaan akan meningkatkan harga cabai yang sangat drastis. Sehingga hasil penelitian Rozfaulina adalah perubahan harga cabai merah sangat dipengaruhi oleh jumlah produksi.
10
Adrianto (2000) menyatakan bahwa perkembangan harga cabai merah yang cenderung fluktuatif lebih dipengaruhi oleh faktor permintaan. Hal tersebut didasari oleh fenomena yang menunjukkan kecenderungan harga cabai merah selama ini yang mengalami kenaikan yang cukup signifikan pada saat menjelang hari besar agama, terutama Idul Fitri. Sugiharta (2002) meneliti tentang pola fluktuasi harga cabai merah dan cabai merah keriting di PIKJ. Hasil yang didapat terlihat bahwa pola harga cabai mengikuti suatu trend yang menurun dan tidak mengikuti suatu pola musiman tertentu.
Pola fluktuasi harga cabai merah yang tidak mengikuti pola musiman
ini bertentangan dengan asumsi umum harga komoditas pertanian yang mengikuti pola musiman.
Hal ini disebabkan karena faktor- faktor yang mempengaruhi
pergerakan harga cabai merah di PIKJ sangat kompleks dan melibatkan spekulasi serta instinc para pedagang besar. Di lain pihak, trend menurun pada harga cabai merah sudah sesuai dengan adanya trend meningkat pada jumlah pasokan keseluruhan cabai di PIKJ. Hasil uji korelasi dan uji regresi dengan taraf nyata 5 persen menunjukan bahwa jumlah pasokan keseluruhan cabai mempengaruhi fluktuasi harga cabai merah tetapi belum dapat dikatakan berpengaruh secara sangat kuat. Metode peramalan yang paling sesuai untuk memperkirakan harga cabai merah di masa depan adalah metode time series. Dari 30 metode time series yang diuji, metode Box Jenkins merupakan metode yang paling sesuai untuk meramalkan kedua jenis cabai tersebut. Metode peramalan harga cabai merah di PIKJ, di mana metode ARIMA (2,1,2) paling sesuai untuk harga cabai merah besar dan metode ARIMA (1,1,1) paling sesuai untuk cabai merah keriting. Metode- metode lainnya yang
11
ramalannya cukup akurat adalah Pelicinan Eksponensial Tunggal dan metode Naive. Susanti (2006) melakukan penelitian dengan judul Peramalan Permintaan Cabai Merah (Studi Kasus Pasar Ind uk Kramat Jati, DKI Jakarta). Peramalan ini dilakukan untuk melihat pola data permintaan cabai merah dan menentukan metode yang tepat untuk melakukan peramalan.
Hasil dari penelitian yang
dilakukan oleh Susanti adalah pola data permintaan cabai merah mengalami fluktuasi yang besar dan terdapat data periode musiman. Dari hasil uji berbagai metode peramalan time series dan metode peramalan kausal, maka diperoleh bahwa metode peramalan yang dianggap paling akurat adalah metode peramalan time series ARIMA. Metode peramalan ARIMA dianggap paling akurat karena memiliki perhitungan kesalahan (error) yang relatif lebih kecil dibandingkan dengan metode peramalan yang lainnya. Model peramalan ARIMA yang didapat adalah SARIMA (1,1,1)(0,1,1)51 . Persamaan penelitian ini dengan penelitian terdahulu adalah pada alat analisis yang digunakan dan komoditas yang menjadi bahan penelitian yaitu cabai merah besar dan cabai merah keriting.
Alat analisis menggunakan metode
kuantitatif, yaitu metode time series dan metode kausal. Perbedaan penelitian yang akan dilakukan dengan penelitian yang terdahulu adalah data harga yang dijadikan sebagai data sekunder didapat dari enam kota besar yang sudah memiliki sistem pencatatan yang baik pada pasar induknya dan diasumsikan dapat mewakili harga cabai merah di Jawa dan Bali. Selain itu penelitian ini akan melihat faktor penentu harga yaitu penawaran. Penelitian ini juga akan melihat sebesar apa faktor- faktor penentu harga
12
tersebut mempengaruhi perubahan harga cabai merah besar maupun cabai merah keriting Penelitian ini juga ingin memperlihatkan implikasi dari hasil peramalan yang akan dilakukan.
13
BAB III KERANGKA PEMIKIRAN 3.1
Kerangka Pemikiran Teoritis
3.1.1
Penentuan Harga oleh Permintaan dan Penawaran Dalam teori ekonomi mikro, harga terbentuk oleh keseimbangan antar
kurva permintaan dan kurva penawaran. Hubungan antara harga suatu komoditas dengan jumlah yang diminta mengikuti suatu hipotesa dasar ekonomi yang menyatakan bahwa semakin rendah harga suatu komoditas, semakin banyak jumlah komoditas tersebut yang diminta, apabila variabel lain konstan (ceteris paribus) (Lipsey, 1995). Lipsey (1995) menerangkan lebih jauh mengenai kekuatan penawaran dan permintaan. Kedua kekuatan tersebut saling berinteraksi dalam membentuk harga pada suatu pasar yang bersaing. Kondisi keseimbangan (equilibrium condition) akan tercapai, jika jumlah yang diminta sama dengan jumlah yang ditawarkan. Pada kondisi ini kedua belah pihak (produsen dan konsumen) akan terpuaskan. Terjadinya harga pada posisi keseimbangan dapat dilihat pada Gambar 1.
Harga Penawaran Pe Permintaan Qe
Jumlah
Gambar 1. Penentuan Harga oleh Permintaan dan Penawaran.
3.1.2
Fluktuasi Produksi dan Kecenderungan Harga Fluktuasi produksi akan menyebabkan pergeseran kurva penawaran. Jika
produksi turun, maka kurva penawaran akan bergeser ke kiri atas. Sebaliknya, jika produksi naik maka kurva penawaran akan bergeser ke kanan bawah. Karena terjadinya pergeseran kurva, maka harga baru akan terbentuk (Gambar 2).
Harga S2 S0 S1
P2 P0 P1 D Q2
Q0
Q1
Jumlah
Gambar 2. Fluktuasi Produksi dan Kecenderungan Harga.
Perubahan harga yang disebabklan oleh fluktuasi produksi juga akan mengakibatkan perubahan penerimaan produsen (Lipsey, 1995). Besarnya perubahan harga yang terjadi sangat tergantung dari elastisitas kurva permintaan. Apabila kurva permintaan inelastis, maka perubahan harga yang terjadi relatif besar, sedangkan kurva permintaan elastis, maka perubahan harga yang terjadi relatif kecil.
3.1.3
Peramalan Peramalan adalah mengenai sesuatu yang belum terjadi. Dalam hal ini
peramalan menghubungkan harga jual cabai merah dengan data historis yang ada.
15
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis et al., 1999). Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecendrungan, dan pola yang sistematis (Sugiarto dan Harijono, 2000). Peramalan merupakan suatu dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa pada waktu yang akan datang, yang dapat membantu dalam melakukan perencanaan dan pengambilan keputusan. Prediksi mengenai kejadian masa depan tidak selalu tepat, pelaku peramalan hanya dapat berusaha untuk membuat sekecil mungkin kesalahan yang mungkin akan terjadi (Hanke et al.,2003) Makridakis et al., (1999) menyatakan bahwa komitmen tentang peramalan telah tumbuh karena beberapa faktor yaitu : 1. Meningkatnya kompleksitas organisasi dan lingkungannya. 2. Meningkatnya ukuran organisasi. 3. Lingkungan dari organisasi yang berubah dengan cepat. 4. Pengambilan keputusan yang semakin sistematis. 5. Metode peramalan dan pengetahuan semakin berkembang. Menurut Hanke (2003) tehnik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi lima tahapan proses peramalan sebagai berikut : 1. Pengumpulan data 2. Pemadatan atau pengurangan data 3. Penyusunan model dan evaluasi 4. Ekstrapolasi model (peramalan aktual) 5. Evaluasi peramalan
16
3.1.4
Jenis-Jenis Peramalan Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung
dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, Mulyono (2000) menjelaskan bahwa peramalan dapat dibedakan atas dua macam, yaitu : a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau “judgement” dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut. b. Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan tehnik-tehnik dan metodemetode dalam penganalisaan data tersebut. Selanjutnya Mulyono (2000) menyatakan bahwa jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat dibedakan atas dua macam, yaitu : a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk menyusun hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu setengah tahun atau tiga semester. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam, yaitu metode peramalan kualitatif dan kuantitatif. Metode kualitatif disusun berdasarkan pemikiran yang bersifat intuisi, pertimbangan dan pengetahuan dari penyusunnya, sedangkan metode kuantitatif
17
dengan melakukan perhitungan secara statistik. Peramalan kualitatif terdiri dari delphi method, jury of executive opinion, sales force composite dan costumer market survey (Gaynor, 1994). Peramalan kuantitatif dapat menggunakan metode time series dan metode kausal.
3.1.5
Identifikasi Pola Data Model Time Series Metode peramalan time series merupakan suatu tehnik peramalan yang
didasarkan pada analisis perilaku atau nilai masa lalu suatu variabel yang disusun menurut urutan waktu. Alasan penggunaan model ini adalah karena sederhana, cepat dan murah. Model ini cocok untuk meramal sejumlah besar variabel dalam tempo singkat dengan sumberdaya yang terbatas (Mulyono, 2000). Metode time series ini akan menghasilkan pola data yang dibagi menjadi empat (Hanke, 2003) yaitu : 1. Pola Horizontal Pola horizontal terjadi ketika data observasi berfluktuasi disekitar nilai rata-rata yang konstan. Tipe ini disebut juga pola stasioner. 2. Pola Musiman Pola ini terjadi ketika data observasi dipenga ruhi 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/cuaca. 3. Pola Siklik Pola ini terjadi ketika data observasi terlihat naik/turun dalam periode waktu yang tidak tetap.
Komponen siklus umumnya ditemukan pada
18
analisis jangka panjang seperti peramalan peubah yang terkait dengan siklus hidup produk. 4. Pola Kecenderungan (trend) Pola trend terbentuk ketika data observasi terlihat meningkat/menurun dalam periode waktu yang lebih panjang. Trend merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan data time series. Langkah yang harus dilakukan untuk menganalisis data historis adalah dengan memplotkan data tersebut secara grafis. Dari hasil plot data tersebut dapat diketahui apakah pola data stasioner, musiman, siklik atau trend.
Dengan
mengetahui secara jelas pola dari suatu data historis maka dapat dipilih tehniktehnik peramalan yang mampu secara efektif mengekstrapolasi pola data.
3.1.6
Metode Peramalan Model Time Series Metode yang digunakan dalam peramalan model time series antara lain :
1. Metode Pemulusan Eksponensial (exponential smoothing) Metode ini merupakan metode yang secara kontinyu merevisi suatu nilai pendugaan atau nilai peramalan dengan mempertimbangkan perubahan/ fluktuasi data terakhir (Gaynor, 1994). Dalam 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 terdiri dari :
19
a. Metode Pemulusan Eksponensial Tunggal (single smoothing)
exponential
Metode ini digunakan untuk peramalan data time series tanpa trend atau pola stansioner. Metode ini juga banyak mengurangi masalah penyimpanan data karena tidak perlu lagi menyimpan semua data historis atau sebagian seperti halnya dalam metode rata-rata bergerak. b. Metode Pemulusan Eksponensial Ganda : metode linier satu parameter dari Brown (dobble exponential smoothing with linear trend) Metode ini digunakan untuk peramalan data time series dengan trend linier.
Metode ini memiliki tambahan nilai pemulusan dan
disesuaikan untuk mengatasi unsur trend. 2. Metode Winters Metode ini digunakan untuk peramalan data time series dengan trend linier dan musiman.
Metode ini memiliki kelebihan yaitu mudah dan
cepat dalam mengupdate ramalan ketika data baru diperoleh. Metode ini tidak memperhitungkan komponen sik lus sehingga tidak ada pengaruh siklus hasil ramalannya menjadi tidak baik. Metode Winters terdiri atas model multiplikatif (fluktuasi proporsional terhadap trend) dari aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter yang digunakan yaitu a, ß dan ? (Gaynor, 1994). 3. Metode Dekomposisi Metode ini dapat digunakan pada data historis yang memilki pola sembarang.
Metode dekomposisi biasanya mencoba memisahkan
komponen trend, siklus dan musiman. Metode dekomposisi terbagi atas dekomposisi multiplikatif dan dekomposisi aditif. Metode ini memiliki
20
kelebihan yaitu mudah dan cepat dalam melakukan perhitungan. Sedangkan kelemahannya adalah jika ada data baru maka pengolahan harus diulang lagi dan tidak ada variabel lain yang diperhitungkan. Namun, metode ini umum dipakai, cukup sukses dan akurat hasilnya untuk ramalan jangka panjang (Gaynor, 1994). 4. Metode Box Jenkins (SARIMA) Metode
Seasonal
Autoregressive
Integrated
Moving
Average
(SARIMA) merupakan metode yang dikembangkan oleh George Box dan Gwilyn Jenkins, sehingga nama mereka sering disinonimkan dengan proses SARIMA.
Metode ini berbeda dengan metode peramalan lain,
karena metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja dengan baik. Metode ini sangat tepat untuk kondisi dimana tersedia data yang memiliki jangka waktu pendek.
3.1.7
Pemilihan Model Peramalan Menurut Hanke et al., (2003), persyaratan essensial dalam memilih suatu
tehnik peramalan tidak terletak pada metode peramalan yang menggunakan proses matematika yang rumit atau menggunakan metode yang canggih. Akan tetapi metode terpilih harus menghasilkan suatu ramalan yang akurat, tepat waktu, manfaat yang diperoleh lebih besar dari biaya penggunaannya dan dipahami oleh manajemen, sehingga ramalan dapat membantu menghasilkan keputusan yang lebih baik.
21
3.2
Kerangka Pemikiran Operasional Fluktuasi harga yang terjadi pada komoditas cabai merah ini merupakan
fenomena dari komoditas hortikultur. Fluktuasi harga cabai merah cukup besar, sehingga harga cabai merah tidak memiliki kepastian harga. Harga jual cabai merah besar terendah adalah sekitar Rp 4.771,00/Kg, sedangkan harga tertinggi dapat mencapai Rp 18.276,00/Kg. Sedangkan untuk cabai merah keriting harga terendah adalah sekitar Rp 3.875,00/Kg dan harga jual tertinggi mencapai Rp 22.188,00/Kg.
Hal ini merupakan keadaan yang kuang baik bagi produsen
maupun konsumen.
Terkadang prudusen sangat diuntungkan, demikian pula
sebaliknya. Para pelaku perdagangan komoditas cabai akan selalu mengharapkan keuntungan.
Besarnya keuntungan yang akan didapat oleh pada pelaku
perdagangan ini relatif berfluktuatif besarannya yang diakibatkan karena fluktuasi harga cabai yang cukup tinggi. Banyak faktor yang mempengaruhi terjadinya fluktuasi harga cabai. Seperti diantaranya jumlah permintaan dan penawaran. Perubahan permintaan dapat dikarenakan oleh perubahan pola konsumsi masyarakat, adanya momenmomen tertentu seperti hari besar agama.
Perubahan penawaran dapat
dikarenakan oleh faktor cuaca yang mempengaruhi jumlah produksi. Fluktuasi
harga
yang
terjadi
pada
komoditas
ini
menyebabkan
ketidakpastian harga. Oleh karena itu dibutuhkan pencarian faktor- faktor apa saja yang mempengaruhi terjadinya perubahan harga tersebut. Pencarian faktor- faktor yang mempengaruhi perubahan harga cabai merah dilakukan dengan metode regresi dengan variabel dummy. Variabel-variabel yang
22
akan digunakan dalam penelitian ini adalah harga cabai merah di Indonesia sebagai dependent variabel, sedangkan yang berfungsi sebagai independent variabel adalah harga cabai merah di tingkat produsen, harga cabai merah pada periode sebelumnya (lag harga cabai merah), jumlah pasokan cabai di Pasar Induk Kramat Jati (PIKJ) dan harga jual cabai merah di PIKJ.
Faktor budaya
masyarakat (hari besar keagamaan) digunakan sebagai variabel dummy untuk menjelaskan pengaruhnya terhadap harga cabai merah di Indonesia. Melihat fenomena yang terjadi pada komoditas cabai merah ini, maka dibutuhkan
peramalan
mengenai
harga
cabai
merah
guna
mengurangi
ketidakpastian harga dan mengetahui tingkat harga cabai merah pada masa yang akan datang. Hal tersebut juga dapat membantu para produsen dan konsumen dalam membuat keputusan penjualan dan pembelian. Dalam penelitian ini metode peramalan yang akan digunakan adalah metode peramalan time series yang terdiri dari Metode trend kuadratik, Metode pemulusan eksponensial tunggal, Metode pemulusan eksponensial ganda, Metode Winters aditif dan multiplikatif, Metode dekomposisi aditif dan multiplikatif dan Metode Box Jenkins (SARIMA) Metode- metode peramalan time series yang digunakan adalah untuk meramal nilai suatu variabel di masa yang akan datang tanpa melihat variabelvariabel lain yang mempengaruhi variabel tersebut. Oleh karena itu data yang digunakan untuk meramalkan harga cabai merah di masa yang akan datang adalah data harga rata-rata bulanan cabai merah. Melalui penggunaan metode regresi dengan variabel dummy dan metode peramalan time series, maka ketidakpastian harga akan dapat dikurangi, sehingga
23
dapat mengurangi risiko kerugian di tingkat produsen maupun konsumen. Bagan kerangka pemikiran dapat dilihat pada Gambar 3. Hipotesa dari penelitian ini adalah sebagai berikut : 1.
Harga cabai merah di tingkat produsen kota i Harga cabai merah di tingkat produsen berpengaruh positif dengan harga rata-rata bulanan cabai merah. Artinya setiap kenaikan satu satuan harga cabai merah di tingkat produsen, maka akan meningkatkan harga rata-rata bulanan cabai merah.
2.
Lag harga cabai merah di kota i Lag harga cabai merah adalah harga rata-rata bulanan cabai merah periode sebelumnya di kota i. Lag harga cabai merah ini digunakan unuk melihat seberapa besar lag tersebut mempengaruhi ekspektasi harga ratarata bulanan cabai merah. Lag harga cabai merah berpengaruh positif dengan perubahan harga rata-rata bulanan cabai merah, hal ini berarti setiap kenaikan satu satuan lag harga cabai merah akan meningkatkan harga rata-rata bulanan cabai merah sebesar koefisien lag harga cabai merah.
3.
Jumlah pasokan cabai di PIKJ Jumlah pasokan cabai merah diambil hanya dari PIKJ, hal ini dikarenakan cabai merah yang diproduksi di daerah-daerah penghasil cabai akan banyak didistribusikan ke PIKJ. Sehingga pasokan untuk cabai di PIKJ dapat dijadikan sebagai standar. Jumlah pasokan cabai di PIKJ diduga berpengaruh negatif dengan harga rata-rata bulanan cabai merah.
24
Arti dari pengaruh negatif adalah setiap kenaikan pasokan sebesar satu satuan, maka akan menurunkan harga rata-rata bulanan cabai merah. 4.
Harga cabai merah di PIKJ Harga cabai merah yang dijual di PIKJ ini diharapkan mampu untuk melihat pembentukan harga yang terjadi di kota-kota besar lainnya. Hal ini diasumsikan bahwa PIKJ merupakan pasar induk terbesar dan hampir semua jenis komoditas sayuran dari daerah dikirim ke PIKJ. Harga cabai merah di PIKJ ini diduga berpengaruh positif terhadap harga rata-rata bulanan cabai merah. Hal tersebut berarti setiap kenaikan harga cabai merah satu satuan, akan meningkatkan harga rata-rata bulanan cabai merah.
5.
Variabel dummy untuk budaya masyarakat Budaya masyarakat berhubungan dengan hari- hari besar keagamaan dan acara adat masyarakat tertentu. Apabila hal tersebut terjadi, maka harga cabai merah akan meningkat akibat jumlah permintaan yang meningkat.
25
Fluktuasi harga cabai merah
Risiko Ketidakpastian Pasar bagi Produsen dan Kosumen
Metode Kuantitatif
Metode Kausal Ø Harga Cabai merah di tingkat produsen Ø Harga cabai periode sebelumnya Ø Jumlah pasokan cabai di PIKJ per bulan Ø Harga cabai di PIKJ Ø Faktor budaya masyarakat
Mengidentifikasi FaktorFaktor yang Mempengaruhi Fluktuasi Harga Cabai Merah di Indonesia
Ø Ø Ø Ø Ø Ø
Penerapan Metode Peramalan Time Series Metode Trend kuadratik Metode Pemulusan Eksponensial Tunggal Metode Pemulusan Eksponensial Ganda Metode Winters Metode Dekomposisi Metode Box Jenkins (ARIMA)
Pemilihan Metode Peramalan Time Series Terbaik untuk Cabai Merah
Meramalkan Harga Cabai Merah
Rekomendasi Informasi Fluktuasi Harga dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah
Gambar 3. Bagan Alur Kerangka Pemikiran
26
BAB IV METODE PENELITIAN 4.1
Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Departemen Pertanian (Deptan) pada Badan
Ketahanan Pangan bagian Analisis Harga yang berlokasi di Jakarta Selatan. Badan Ketahanan Pangan bagian Analisis Harga diperlukan sebagai tempat sumber pengambilan data sekunder.
Pengambilan data dilakukan pada bulan
September-Desember 2006.
4.2
Jenis dan Sumber data Data yang digunakan dalam penelitian ini berupa data sekunder dalam
bentuk time series rata-rata harga bulanan dari bulan Januari tahun 2002 sampai bulan Oktober 2006. Data tersebut diperoleh dari informasi harga yang dimiliki oleh Deptan pada Badan Ketahanan Pangan bagian Analisis Harga. Selain itu, informasi juga diperoleh dari BPS, Pasar Induk Kramat Jati, studi literatur, internet dan bahan bacaan yang sesuai dengan topik penelitian.
4.3
Pengolahan dan Analisis Data Data sekunder yang diperoleh merupakan data kuantitatif, sehingga diolah
dengan menggunakan program microsoft excel dan Minitab 13.
Pemilihan
program tersebut berdasarkan alasan bahwa program telah banyak dikenal dan mudah digunakan. Untuk data kuantitatif yang diperoleh, diolah dan disajikan dalam bentuk narasi.
4.4
Identifikasi Pola Data Hasil yang akan didapatkan dari identifikasi pola data adalah bentuk pola
data yang akan disesuaikan dengan metode peramalan yang akan dilakukan. Pola yang dapat terbentuk meliputi pola : 1. Pola Stasioner 2. Pola Musiman 3. Pola Siklik 4. Pola Trend Pola data harga cabai yang didapatkan dari plot data harga cabai dan plot autokorelasinya. Data yang telah diplotkan akan membentuk suatu pola data. Dari hasil tersebut dapat diketahui apakah data tersebut memiliki unsur stasioner, musiman, siklik atau trend. Hal tersebut dilakukan untuk menduga sementara metode apa yang seharusnya digunakan sebagai alat analisis.
4.5
Penerapan Metode Peramalan Time series Setelah pola data terlihat, maka analisis data dapat dilakukan dengan
beberapa cara antara lain metode Trend kuadratik,
metode Pemulusan
Eksponensial (Exponential Smoothing), metode Winters, metode Dekomposisi dan metode Box Jenkins. Berikut adalah formula dari masing- masing metode :
4.5.1
Metode Trend Yt-1 = a + b.t Dimana : Yt-1 a b
= ramalan m periode ke depan setelah periode t = intersep = slope kenaikan atau penurunan
28
4.5.2
Metode Pemulusan Eksponensial (Exponential Smoothing)
1. Metode Pemulusan Eksponensial Tunggal (single eksponential smoothing) Yt+1 = a Yt + (1 – a) Yt Nilai awal, Y1 = So = a = (Y1 + Y2 + ... + Yn-1 + Yn ) Dimana :
a = intersep So = pemulusan tahap 1 Yt = a
2. Metode Pemulusan smoothing)
Eksponensial
Ganda
(double
exponential
Yt-T = at + bt Dimana :
4.5.3
at bt St St(2)
= 2St – St(2) = [a / (1 – a)] (St – St(2) ) = a Yt + (1 – a) St-1 = a St + (1 – a) St-1 (2)
(update intersep) (update slope) (pemulusan tahap 1) (pemulusan tahap 2)
Metode Winters
1. Metode Winters (model multiplikatif) at = a (Yt/Snt-L) + (1 – a) (at-1 + bt-1 ) bt = ß (at – at-1 ) + (1 – ß) bt-1 Snt = ? (Yt /at ) + (1 – ?) St-L Yt-m = (at + mbt ) Snt-L+m 2. Metode Winters (model aditif) at = α (Yt – Snt-1 ) + (1 - α)(at-1 + bt-1 ) bt = β (at – at-1 ) + (1 - β) bt-1 Snt = γ (Yt - at ) + (1 - γ) St-s Yt+m = [ at + mbt ] + Snt-L+m
29
Dimana :
4.5.4
Yt at
= data aktual periode t = pemulusan terhadap deseasionalized data pada periode t bt = pemulusan terhadap dugaan trend pada periode t Snt = pemulusan terhadap dugaan musim pada periode t Yt-m = ramalan m periode ke depan setelah periode t a, ß dan ? = pembobot pemulusan L = banyaknya periode dalam satu tahun
Metode Dekomposisi Metode dekomposisi memisahkan tiga komponen dari pola dasar yang
cenderung mencirikan deret data ekonomi dan bisnis yang terdiri dari faktor trend, siklus dan musiman. Pola data didekomposisi membantu meningkatkan ketepatan peramalan dan perilaku deret waktu lebih baik (Makridakis et al, 1999) Dekomposisi mempunyai asumsi bahwa data tersusun dari pola dan galat. Susunan data motode dekomposisi sebagi berikut: 1. Dekomposisi Multiplikatif Yt = Tt x Ct x St x εt Dimana : Tt Ct St ε
= komponen trend pada periode t = komponen siklus pada periode t = komponen musiman pada periode t = komponen galat pada periode t
2. Dekomposisi Aditif Yt = Tt + Ct + St + ε Dimana : Tt Ct St ε
4.5.5
= komponen trend pada periode t = komponen siklus pada periode t = komponen musiman pada periode t = komponen galat pada periode t
Metode Box Jenkins (SARIMA) Model SARIMA hampir sama dengan model ARIMA, hanya saja model
SARIMA memasukan pola musiman tertentu. Model SARIMA dianggap sudah
30
memadai apabila residual terdistribusi secara random, kecil dan independen satu sama lain. Model SARIMA secara umum dinotasikan sebagai berikut : SARIMA (p, d, q) (P,D,Q)L Dimana :
p d q P D Q L
= orde/derajat autoregressive (AR) non musiman = orde/derajat differencing (pembedaan) non musiman = orde/derajat moving average (MA) non musiman = orde/derajat autoregressive (SAR) musiman = orde/derajat differencing (pembedaan) musiman = orde/derajat moving average (SMA) musiman = beda kala Musiman
Model AR menggambarkan bahwa variabel terikat yang dipengaruhi oleh variabel terikat itu sendiri pada periode-periode sebelumnya. Pembedaan dengan model MA adalah pada jenis variabel bebasnya. Variabel bebas pada model AR adalah nilai sebelumnya (lag) dari variabel terikat (Yt ) itu sendiri. Sedangkan, pada model MA adalah nilai residual pada periode sebelumnya. Pada SARIMA terbagi atas model SMA (seasonal moving average), SAR (seasonal autoregressive), SARMA (seasonal autoregressive moving average), dan SARIMA (seasonal autoregressive integrated moving average).
Persamaan
model tersebut adalah sebagai berikut: 1. Model SAR Yt = d + ? 1L Yt-L + ?2L Yt-2L +......+ ?PL Yt-PL + et Dimana :
Yt Yt-L, Yt-2L d dan ? 1L, ?2L et
= nilai series yang stasioner = nilai sebelumnya = konstanta dan koefien model = kesalahan peramalan
31
2. Model SMA Yt = µ – ? Dimana :
1L et-L -
?
2L et-2L
Yt et-L, et-2L µ dan ? 1L, ? et
-......- ?
QL et-QL + et
= nilai series yang stasioner = kesalahan pada masa lalu 2L = konstanta dan koefisen model = kesalahan peramalan
3. Model SARMA Yt = d + ? 1L Yt-L +....+ ?PL Yt-PL – ? Dimana :
Yt Yt-L, d dan ? 1L, ? et
1L
1L et-L -….-
?
QL et-QL
+ et
= nilai series yang stasioner = nilai sebelumnya = konstanta dan koefien model = kesalahan peramalan
4. Model SARIMA (p, d, q) (P, D, Q) ? p (B) ? P (BL) (1-B)d (1-BL)D Yt = µ + ? q (B) ? Dimana :
? p (B) ? P (BL) ? q (B) ? Q (BL) B
L Q (B ) et
= 1 - ?1 B – ? 2 B2 -.......-? p Bp = 1 – ? 1 BL – ? 2 B2L -......-? P BPL = 1 - ?1 B – ? 2 B2 -.......-? q Bq = 1 – ? 1 BL – ? 2 B2L -......-? Q BQL = Backward shift operator (BYt = Yt-1 , B2 Yt = Yt-2 dan seterusnya)
a. Tahapan dalam Metode SARIMA Langkah- langkah dalam metode Box Jenkins (SARIMA) adalah sebagai berikut 1. Tahap Penstasioneran Data Model SARIMA mengasumsikan data menjadi input berasal dari data stasioner. Data yang telah stasioner dapat dilihat melalui nilai autokorelasi (plot ACF), apabila data yang menjadi input model belum stasioner maka perlu dilakukan penstasioneran data.
Salah satu metode penstasioneran data yang
umum dipakai adalah metode pembedaan (differencing). Penstasioneran data dilakukan dengan melakukan pembedaam regular dan pembedaan musiman.
32
Pembedaan regular
: Zt = Yt – Yt-1
Pembedaan musiman : Zt = Yt-L – Yt-L-1 Pembedaan kedua dilakukan jika data yang diperoleh setelah melakukan pembedaan pertama data masih belum stasioner. Apabila pada sampai pembedaan kedua, data belum stasioner maka dapat dilakukan transformasi data ke dalam bentuk log atau logaritma natural. Model Seasonal ARIMA digunakan apabila data yang digunakan sebagai input model terdapat unsur musiman.
Menentukan unsur musiman dapat
dilakukan dengan meilhat plot data. Identik dengan model ARIMA, apabila data belum stasioner baik trend maupun musimannya maka perlu dilakukan pembedaan. Penstasioneran data dilakukan dengan melakukan pembedaan regular dan pembedaan musiman. Pembedaan regular:
Zt = Yt – Yt-1
Pembedaan musiman: Zt = Yt-L- Yt-L-1 Dimana:
L = jumlah periode musiman dalam setahun
Analisis ACF dan PACF dilakukan dengan menggunakan program Minitab 13. Autokorelasi adalah korelasi diantara variabel itu sendiri dengan selang satu atau beberapa periode ke belakang. Koefisien autokorelasi dapat dihitung dengan menggunakan formula sebagai berikut:
∑ (Z n
rk =
t = k +1
t
)(
− Z Zt −k − Z
∑ (Z n
t =1
Dimana : rk n Zt Z
t
−Z
)
)
2
= nilai koefisien autokorelasi; = jumlah obeservasi; = series stasioner = rata-rata series data stasioner
33
2. Tahap Identifikasi Model Sementara Menurut Gaynor dan Kirkpatrick (1994) bahwa model Box Jenkins terdiri dari: 1.
Jika ACF terpotong (cut off) setelah lag 1 atau 2; lag musiman tidak signifikan dan PACF perlahan- lahan menghilang (dying down), maka diperoleh model non seasonal MA (q=1 atau 2)
2.
Jika ACF cut off setelah lag musiman L; lag non musiman tidak signifikan dan PACF dying down, maka diperoleh model seasonal MA (Q=1)
3.
Jika ACF terpotong setelah lag musiman L; lag non musiman cut off setelah lag 1 dan 2, maka diperoleh model non seasonal – seasonal MA (q= 1 atau 2; Q = 1)
4.
Jika ACF dying down dan PACF cut off setelah lag 1 atau 2; lag musiman tidak signifikan, maka diproleh model non seasonal AR (p=1 atau 2)
5.
Jika ACF dying down dan PACF cut off setelah lag musiman L; lag non musiman tidak signifikan, maka diperoleh model seasonal AR (P=1)
6.
Jika ACF dying down dan PACF cut off seteah lag musiman L; lag non musiman tidak signifikan, maka diperoleh model seasonal AR (P=1)
7.
Jika ACF dying down dan PACF cut off setelah lag musiman L; dan non musiman cut off setelah lag 1 atau 2, maka diperoleh model non seasonal dan seasonal AR (p=1 atau 2 dan P=1)
8.
Jika ACF dan PACF dying down maka diperoleh mixed (ARMA atau ARIMA) model
34
3. Tahap Estimasi Paramater dari Model Sementara Setelah model ditemukan, maka parameter dari model harus diestimasi. Terdapat dua cara yang mendasar dapat digunakan untuk pendugaan terhadap parame ter-parameter tersebut, yaitu: - Trial and error yaitu dengan menguji beberapa nilai yang berbeda dan memilih diantaranya dengan syarat yang meminimumkan jumlah kuadrat nilai galat (sum square of residuals) - Perbaikan secara iteratif yaitu dengan memilih taksiran awal dan kemudian membiarkan program komputer untuk memperhalus panaksiran tersebut secara iteratif.
Metode ini banyak digunakan dan telah tersedia suatu
logaritma (proses komputer). 4. Tahap Diagnosa Untuk pengujian kelayakan model dapat dilakukan dengan dua cara : - secara mendasar, model sudah memadai apabila residualnya tidak dapat dipergunakan untuk memperbaiki ramalan atau dengan ada nilai autokorelasi yang signifikan dan tidak ada nilai autokorelasi parsial yang signifikan. - Mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan. Nilai- nilai dugaan terhadap parameter model tersebut masih dapat disederhanakan. Nilainilai dugaan terhadap parameter model SARIMA yang telah diukur akan memberikan informasi nilai lain selain nilai dugaan parameter, yaitu nilai standart error dari dugaan tersebut. Dari informasi ini maka akan diperoleh matriks interkorelasi antar parameter yang diduga sehingga
35
dapat diukur dengan derajat hubungan satu dengan yang lainnya. Dan model dikatakan sudah memadai apabila nilai korelasi antar dugaan parameter tersebut tidak signifikan. Model yang baik harus memenuhi syarat : • Proses interasi harus konvergen Prosesnya harus berhenti ketika telah menghasilkan nilai parameter yang memberikan SSE terkecil. • Kondisi invertibilitas dan stasioneritas harus terpenuhi Zt adalah fungsi linear dari data stasioner yang lampau (Z t − 1 , Z t − 2 ....) .. Dengan mengaplikasi analisa regresi pada nilai lag deret stasioner maka dapat
diperoleh
autoregresi
karena
komponen
trendnya
sudah
dihilangkan. Data stasioner Zt saat ini adalah fungsi linear dari error masa kini dan masa lampau. Zt = µ + εt - Θ1 εt – 1 - Θ2 εt – 2 - ..... - Θq εt – q Jumlah koefisiensi MA harus kurang dari 1 Θ1 + Θ2 + ..... + Θ4 < 1 ⇒ Invertibility conditions Ζt = δ + Θ1 Ζt – 1 + Θ2 Ζt – 2 + ..... + εt Jumlah koeisien AR harus selalu kurang dari 1 Φ 1 + Φ 2 + ..... + Φp < 1 ⇒ Stasionarity conditions • Residual hendaknya bersifat acak, dan terdistribusi normal Jika residual error bersifat acak, ACF dan PACF dari residual secara statistik harus sama dengan nol. Jika hal ini mengindikasikan bahwa model yang digunakan belum sesuai dengan data.
Untuk menguji
autokorelasi residual digunakan uj i statistik Ljung-Box (Q).
36
Η0 : ρ1 = ρ2 = ..... = ρm = 0 Η1 : ρ1 ≠ ρ2 ≠ ..... ≠ ρm ≠ 0 Statistik Uji : rk2 Q = n(n + 2)∑ k =1 n − k m
Dimana : n k m rk
= jumlah observasi = selang waktu = jumlah selang waktu yang diuji = fungsi autokorelasi sampel dari residual berselang k
Kesimpulan : Bila Q > χ 2 a (m − p − q )
⇒ simpulkan tolak H0 . atau bila nilai p (p-
value) terkait dengan statistik Q kecil (misalkan p<0,05), maka tolak H0 dan model dipertimbangkan tidak memadai. • Semua parameter estiminasi harus berbeda nyata dari nol. Dengan mengunakan t-rasio Uji t → Uji Signifikansi Parsial (rk ) Hipotesis : H0 : Tidak terdapat autokorelasi pada deret waktu (H0 : ρk = 0). H1 : Terdapat autokorelasi yang nyata pada selang ke-k (H1 : ρk ≠ 0). Statistik uji : t=
rk − ρ k var iance
Dimana :
, atau sama dengan t =
rk SE (rk )
k = lag atau selang n = jumlah observasi j = 1....., k-1, dan j
37
Kriteria Uji : Dibawah H0 statistik t menyebar dengan derajat bebas (n-1). Untuk α tertentu dari tabel-t didapat tα/2(n-1) atau pada tingkat signifikasi 0,05 atau 5 persen. Berdasarkan pengalaman dapat mengunakan nilai t-tabel = 2 sebagai nilai kritis untuk menguji autokorelasi (ρk), (Gaynor dan Kirkpatrick,1994). Kesimpulan: Bila t- hitung >tα/2(n-1) berarti dapat diambil kesimpulan untuk menolak H0 atau jika nilai absolut dari t-hitung <2, berarti tidak ada autokorelasi • berlaku prinsip parsimony model yang dipilih adalah model yang memiliki jumlah parameter terkecil • Nilai MSE model terkecil MSE = ∑ Dimana:
(Y − Yˆ )
2
t
t −1
n − n2
n = jumlah observasi deret stasioner np = jumlah parameter estimasi dalam model
semakin kecil nilai MSE menunjukkan model secara keseluruhan lebih baik. Sebagai tambahan, nilai confidence interval untuk peramalan yang akan datang sering lebih kecil sehingga lebih akurat. 5. Tahap Peramalan Model terbaik telah diperoleh, maka dapat dilakukan peramalan untuk beberapa waktu ke depan. Evaluasi ulang terhadap model perlu dilakukan karena kemungkinan pola data berubah.
38
4.6
Pemilihan Metode Peramalan Time Series Metode- metode peramalan yang terbaik hasil dari pengolahan dari data
rata-rata harga bulanan cabai merah, dipilih metode yang paling sesuai untuk meramalkan harga cabai merah. Kriteria pemilihan metode yang paling sering digunakan atau kriteria utama adalah mean square error (MSE). Metode yang terpilih adalah metode yang memiliki nilai MSE yang paling rendah. Selain itu, kriteria kedua adalah memiliki bentuk paling sederhana dan membutuhkan waktu yang paling sedikit dalam proses pengolahannya.
4.7
Metode Kausal Analisis data yang digunakan dalam metode kausal adalah model regresi.
Model regresi berganda dengan persamaan tunggal bentuk dan model mampu menunjukkan berapa persen variabel terikat dapat dijelaskan oleh variabel bebas dengan koefisien determinsai (R2 ). Variabel- variabel bebas tersebut kemudian dilakukan pengujian apakah berpengaruh nyata atau tidak terhadap variabel tak bebas dengan melakukan uji-t dan perhitungannya lebih sederhana (Hanke et al,2003) Penaksiran parameter diduga dengan metode kuadrat terkecil biasa (Ordinary Least Square) atau metode kuadrat terkecil.
Untuk mendapat hasil
OLS terbaik dan tak bias (Best Linier Unbiased Estimator), model regresi linier harus memenuhi asumsi-asumsi sebagai berikut (Nachrowi et al, 2002) : 1. E(ui)=0; nilai rata-rata untuk kesalahan pengganggu sama dengan nol ui meyatakan variabel- varibel lain yang mempengaruhi Yi akan tetapi tidak terwakili di dalam model.
39
2. Cov (ui,uj) = 0 ; i ≠ j; tidak ada autokorelasi antara kesalahan pengganggu Pada saat xi sudah terobservasi, deviasi Yi dari meannya tidak menunjukkan adanya pola {E(ui,uj ) = 0}. 3. Homoskedastis; variasi ui sama ; var (ui) = σ2 untuk setiap i. 4. Covarians antara ui dan xi sama dengan nol {cov (ui,xi ) = 0}; Peubah bebas X1 , X2 ,....Xk konstan dalam pengambilan sampel dan bebas terhadap kesalahan pengganggu. 5. Peubah bebas X saling bebas atau tidak ada kolinieritas ganda diantara peubah bebas X 6. ε i ∼ N (0;σ2 ), artinya kesalahan pengganggu mengikuti distribusi normal dengan rata-rata nol dan varian 7. Model regresi dispesifikasi secara benar Sebelum membuat model, perlu diperhatikan hal-hal sebagai berikut: - Bagaimana yang dikatakan oleh teori - Variabel- variabel apa saja yang perlu diperhatikan - Bagaimana bentuk fungsinya Apabila asumsi-asumsi di atas dapat terpenuhi, maka koefisen regresi (parameter) yang diperoleh merupakan penduga linier terbaik dan tak bias. Penelitian ini menggunakan model peramalan kausal dengan variabel dummy (boneka), untuk menganalisis faktor- faktor yang mempengaruhi harga cabai merah di Indonesia. Variabel dummy digunakan untuk menjelaskan data kualitatif yang menunjukan kategori tertentu. Variabel-variabel yang digunakan dalam penelitian ini adalah harga cabai sebagai variabel terikat.
Variabel bebasnya adalah harga cabai di tingkat
40
produsen, harga cabai pada periode sebelumnya, jumlah pasokan cabai di PIKJ dan harga jual cabai merah di PIKJ. Variabel dummy meliputi faktor iklim dan budaya masyarakat. Variabel dummy budaya masyarakat, akan bernilai 1 saat terjadi hari-hari besar (bulan puasa dan idul fitri) dan akan bernilai 0 apabila tidak ada hari besar pada bulan tersebut. Persamaan yang akan digunakan pada metode peramalan kausal adalah sebagai berikut :
Yi = α + β1 X 1 + β 2 X 2 + β3 X 3 + β4 X 4 + β5 D1 + ε t Dimana : Yi a ß1 .,ß4 X1 X2 X3 X4 D1
= = = = = = = =
harga cabai merah di kota i periode t (Rp/kg) intersep model slope variabel bebas harga cabai merah di tingkat produsen di kota i (Rp/kg) harga cabai merah di kota i periode sebelum t (Rp/kg) jumlah pasokan cabai di PIKJ (kg/bulan) harga cabai merah di PKIJ (Rp/Kg) variabel dummy untuk budaya masyarakat
Keterangan : ß1 , ß2 , ß4 , ß5 > 0 ß3 < 0
41
BAB V HASIL DAN PEMBAHASAN 5.1.
Hasil Peramalan mengenai harga cabai merah di enam kota kota dilakukan
dengan cara menginterpretasikan plot data cabai merah besar maupun cabai merah keriting dari masing- masing kota. Selanjutnya dilakukan pengolahan data dengan menggunakan analisis time series. Sedangkan untuk melihat faktor-faktor yang mempengaruhi perubahan harga cabai merah akan dilakukan metode kausal.
5.1.1. Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di DKI Jakarta a. Plot Data DKI Jakarta merupakan bi u kota negara, sehingga DKI Jakarta menjadi tujuan utama perdagangan. Cabai merah besar merupakan salah satu komoditas yang banyak dipasarkan ke DKI Jakarta. Selama tahun 2002-2006, harga cabai merah besar berfluktuasi dengan selisih antara harga tertinggi dengan harga terndah sebesar Rp 15.968,00.
Harga tertinggi dicapai pada tingkat harga
Rp 22.161,00/Kg yang terjadi pada bulan November 2005, sedangkan harga terendah adalah sebesar Rp 6.193,00/Kg yang terjadi pada bulan Juli 2003. Harga rata-rata dicapai pada tingkat harga Rp 10.947,00/Kg.
Pada tahun 2006 harga
cabai merah besar terendah hanya mencapai Rp 10.069,00/Kg, tidak berbeda jauh dengan harga rata-rata yang didapat sebelumnya. Perubahan harga cabai merah besar di DKI Jakarta memiliki kecenderungan yang meningkat. Hal ini terlihat dari plot data (Gambar 4) dari tahun ke tahun harga cabai merah besar mengalami peningkatan (trend meningkat). Setelah dilakukan perataan harga setiap bulannya,
didapatkan pola musiman harga cabai merah besar di DKI Jakarta yang terjadi harga tinggi pada empat bulan berurut-turut yaitu pada bulan November-Febuari, sedangkan delapan bulan lainnya harga cenderung lebih rendah. Fluktuasi Harga Cabai Merah Besar di DKI Jakarta 25000
Rp/Kg
20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 4. Plot Data Harga Cabai Merah Besar di DKI Jakarta (Januari 2002-Oktober 2006) b. Pemilihan Model Peramalan Berdasarkan hasil pengolahan pada tabel 7, didapatkan metode SARIMA (1,0,0)(1,1,1)8 . Model ini menghasilkan MSE sebesar 6089535. Penentuan model ini melihat dari pola ACF dan PACFnya. ACF dan PACF memiliki pola dying down, sehingga model akan memiliki unsur AR dan unsur MA. Dalam penentuan musimannya, didapat dari melihat pola data harga rataan bulanan cabai merah besar di DKI Jakarta.
Setelah itu model dicocokan dengan model ARIMA
tentatif, sehingga didapatkan model SARIMA yang memenuhi evaluasi model. Persamaan
model
SARIMA
(1,0,0)(1,1,1)8
adalah
(1 + 0,6000 B) (1- 0,6797 B8 )1 Yt = (1 + 0,8073 B8 ) et. Hasil dari model SARIMA (1,0,0)(1,1,1)8 dapat dilihat pada Lampiran 9.
43
Tabel 7. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di DKI Jakarta No. 1 2 3 4 5 6 7 8
Metode Peramalan
MSE
Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE Terkecil
13296259 8672584 9881168 7265926 7217340 10504811 10601541 6089535
8 4 5 3 2 6 7 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,563. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,6000 , SAR = -0,6797 dan SMA = 0,8073. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6089535.
Peramalan cabai merah besar di DKI Jakarta dengan menggunakan metode SARIMA (1,0,0)(1,1,1)8 , dihasilkan harga ramalan cabai merah besar yang cukup tinggi dengan harga ramalan rata-rata sebesar Rp 15.211,30/Kg. Harga ramalan rata-rata memiliki nilai yang lebih besar dari tingkat harga rata-rata pada periode sebelumnya, sehingga harga cabai merah besar di DKI Jakarta di masa mendatang
44
memiliki kecenderungan ya ng meningkat. Harga tertinggi akan terjadi pada bulan April tahun 2008, harga ramalan akan mencapai Rp 18.714,80/Kg.
Harga
terendah akan terjadi pada bulan Desember 2007 sebesar Rp 13.205,10/Kg. Harga cabai merah besar di DKI Jakarta yang akan terjadi cenderung lebih stabil. Hasil peramalan harga cabai merah besar di DKI Jakarta dapat dilihat pada Tabel 8.
Tabel 8. Hasil Peramalan Harga Cabai Merah Besar di DKI Jakarta Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 16.750,5 15.673,5 15.222,2 15.967,1 14.298,1 15.140,0 14.263,5 13.205,1 13.649,1 13.768,2 16.003,0 18.714,8 15.211,3
c. Analisis Regresi Faktor-faktor yang mempengaruhi perubahan harga cabai merah besar di DKI Jakarta dapat dilihat pada Tabel 9. Dari beberapa faktor penduga, yaitu lag harga cabai merah besar di DKI Jakarta (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ), didapat dua faktor yang mempengaruhi perubahan harga cabai merah besar di DKI Jakarta. Faktor- faktor yang mempengaruhinya adalah lag harga cabai merah besar (X2 ) yang berpengaruh positif dan jumlah pasokan cabai di PIKJ (X3 )
45
berpengaruh positif. Hal ini dapat disimpulkan bahwa peningkatan harga cabai merah besar di DKI Jakarta disebabkan oleh peningkatan jumlah pasokan cabai di PIKJ, Sehingga pada saat pasokan cabai sedang meningkat, maka harga cabai akan meningkat, jumlah pasokan cabai di PIKJ ini meliputi jumlah beberapa jenis cabai, yaitu cabai merah besar, cabai merah keriting, cabai rawit hijau besar dan cabai rawit kecil yang dikomulatifkan. Selain itu lag harga cabai merah besar di DKI Jakarta juga memiliki pengaruh positif, yang berarti setiap terjadi kenaikan sebesar satu satuan harga akan mempengaruhi kenaikan harga sebesar x satuan. Dengan kata lain lag harga cabai merah besar di DKI Jakarta ini dapat dijadikan acuan apakah harga cabai di masa mendatang me ngalami kenaikan atau akan mengalami penurunan.
Tabel 9. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di DKI Jakarta Variabel
Koefisien
SE Koefisien 1424 0,05672 0,06585 0,1863 536,2
T Hitung
P Value
Konstanta 3668 2,58 0,014 X2 0,21950 3,87 0,000* X3 0,84167 12,78 0,000* X4 -0,2469 -1,33 0,192 D1 552,2 1,03 0,309 R-Sq = 91,8% R-Sq(adj) = 91,0% F Hitung = 117,62 P Value = 0,000 Durbin-Watson statistic = 1,84 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 1,6 1,9 1,4 1,2
Ada beberapa evaluasi model linier berganda harga cabai merah besar di DKI Jakarta . Pertama dilakukan uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,84, maka berdasarkan hipotesis awal tidak dapat diambil kesimpulan mengena i autokorelasi antar variabel bebas dalam model. Uji kedua adalah uji multikolinearitas, uji ini dilakukan untuk melihat apakah terjadi
46
perubahan pada variabel bebas menjadi linier terikat. Uji ini dapat dilakukan dengan melihat nilai VIF pada Tabel 9, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. Uji selanjutnya adalah uji kenormalan yang dilakukan untuk melihat apakah penyebaran residual sudah terjadi secara normal. Uji kenormalan ini dapat dilakukan dengan melihat dari nilai Kolmogorov-Sminov.
P-value
Kolmogolov-Sminov bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal. Nilai R-Sq sebesar 91,8 persen, hal ini menunjukan bahwa model regresi untuk cabai merah besar di DKI Jakarta atau variabel- variabel bebas mampu menjelaskan keragaman harga cabai merah besar di DKI Jakarta atau variabel terikat sebesar 91,8 persen dan 8,2 persen sisanya dijelaskan oleh variabel-variabel lain yang tidak terdapat pada model tersebut. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Hal ini menunjukan bahwa secara serentak variabel bebas dalam model secara signifikan berpengaruh terhadap harga cabai merah besar di DKI Jakarta.
5.1.2.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Keriting di DKI Jakarta
a. Plot Data Harga cabai merah keriting di DKI Jakarta juga mengalami fluktuasi yang cukup besar, seperti yang terjadi pada harga cabai merah besar. Hal ini dapat dilihat dari plot data harga cabai merah keriting di DKI Jakarta selama tahun 2002 sampai tahun 2006 yang beberapa kali mencapai puncak harga. Harga cabai merah
keriting
tertinggi
terjadi
pada
bulan
November
2005
sebesar
47
Rp 25.061,00/Kg dan harga terendah terjadi pada bulan Juni 2002 sebesar RP 6.508,00/Kg. Selisih harga tertinggi dan terendah sebesar Rp 18.553,00. Dari plot data dapat dilihat bahwa perubahan harga cabai merah keriting ini umumnya terjadi secara bertahap, baik peningkatan harga maupun penurunan harga. Peningkatan yang cukup tajam terjadi pada bulan Oktober-November 2002, Desember 2003-Januari 2004 dan September-Oktober 2005 yang masing- masing sebesar Rp 6.975,00/Kg, Rp 6.780,00/Kg dan Rp 11.606,00/Kg.
Sedangkan
penurunan harga yang cukup tajam terjadi pada bulan Desember 2002-Januari 2003, Agustus-September 2005 dan November-Desember 2005 yang masingmasing bernilai Rp 7.924,00/Kg, Rp 7.661,00/Kg dan Rp 7.047,00/Kg. Dari hasil tersebut dapat disimpulkan hampir setiap kenaikan yang terjadi secara tajam pada harga cabai merah keriting, maka akan diikuti dengan penurunan yang cukup tajam pula. Harga rata-rata dicapai sebesar Rp 11.330,00/Kg. Harga cabai merah keriting di DKI Jakarta dalam jangka panjang mempunyai trend meningkat.
Hal
ini dapat dilihat dari garis trend pada grafik menunjukan peningkatan. Dari harga rataan bulanan didapat bahwa harga cabai merah keriting di DKI Jakarta mencapai harga tertinggi pada bulan November-Febuari.
Sedangkan pada bulan-bulan
lainnya harga cabai merah keriting di DKI Jakarta cenderung lebih rendah.
48
Fluktuasi Harga Cabai Merah Keriting di DKI Jakarta 30000
Rp/Kg
25000 20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 5. Plot Data Harga Cabai Merah Keriting di DKI Jakarta (Januari 2002-Oktober 2006) b. Pemilihan Model Peramalan Dari hasil pengolahan data dengan menggunakan analisis time series, maka didapatkan model SARIMA (1,0,0)(1,1,1)8 sebagai model terbaik. Model ini menghasilkan MSE sebesar 7976912, yang merupakan MSE terkecil. Model SARIMA ini di dapatkan dengan melihat pola ACF dan PACF dari data yang sudah stasioner. Dari pola ACF dan PACF terlihat bahwa keduanya berpola dyingdown, sehingga data tersebut memiliki unsur AR dan MA. Selanjutnya dilakukan uji model tentatif dan melihat nilai MSE terkecil dari model- model tentatif yang memungkinkan.
Setelah dilakukan evaluasi model dengan
menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model SARIMA (1,0,0)(1,1,1)8.
Persamaan
model
SARIMA
(1,0,0)(1,1,1)8
adalah
(1 + 0,5577 B) (1- 0,6654 B8 )1 Yt = (1 + 0,7837 B8 ) et. Peramalan dengan model SARIMA dapat dilihat pada Lampiran 10.
49
Tabel 10. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di DKI Jakarta No. 1 2 3 4 5 6 7 8
Metode Peramalan
MSE
Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
15715744 10759485 13479279 9177465 8966102 13036212 13016032 7976912
MSE Terkecil 8 4 7 3 2 6 5 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,446. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,5577, SAR = -0,6654 dan SMA = 0,7837. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 7976912.
Dari
hasil
peramalan
dengan
menggunakan
metode
SARIMA
(1,0,0)(1,1,1)8 , terlihat pola harga yang akan terjadi cenderung lebih stasioner. Harga ramalan rata-rata cabai merah keriting yang diperoleh adalah sebesar Rp 15.667,80/Kg, harga ramalan rata-rata yang akan terjadi tidak berbeda jauh dengan harga rata-rata yang dicapai pada periode sebelumnya. Harga tertinggi
50
akan terjadi pada bulan April 2008 sebesar Rp 19.113,00/Kg dan harga terendah akan terjadi pada bulan Desember 2007 sebesar Rp 13.461,00/Kg. Peningkatan harga tertinggi akan terjadi pada bulan Maret-April sebesar Rp 2.244,90 dan penurunan terbesar akan terjadi pada bulan Mei-Juni sebesar Rp 1.576,30. Untuk lebih lengkapnya, harga ramalan cabai merah keriting di DKI Jakarta dapat dilihat pada Tabel 11.
Tabel 11.
Hasil Peramalan Harga Cabai Merah Keriting di DKI Jakarta Selama 12 Bulan
Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 17.341,8 15.765,5 15.737,1 16.492,8 14.356,2 15.568,9 14.804,7 13.461,0 14.273,9 14.231,0 16.868,1 19.113,0 15.667,8
c. Analisis Regresi Faktor-faktor yang mempengaruhi perubahan harga cabai merah keriting di DKI Jakarta dapat dilihat pada Tabel 12.
Faktor- faktor yang diduga
berpengaruh adalah lag harga cabai merah keriting di DKI Jakarta (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ), didapat tiga faktor yang mempengaruhi harga cabai merah keriting di DKI Jakarta.
Faktor-faktor yang mempengaruhinya
adalah lag harga cabai merah besar (X2 ) berpengaruh positif, harga cabai merah
51
keriting di PIKJ (X4 ) berpengaruh positif dan dummy budaya masyarakat (D1 ) dengan harga cabai merah keriting di DKI Jakarta.
Lag harga cabai merah
keriting berpengaruh dengan perubahan harga cabai merah keriting di masa yang akan datang, jadi apabila lag harga cabai merah keriting tinggi maka dapat diprediksi harga cabai merah keriting akan naik.
Untuk harga cabai merah
keriting di PIKJ ini juga dapat memprediksi keadaan harga cabai merah keriting di masa yang akan datang. Apabila harga jual cabai merah keriting di PIKJ naik, maka harga cabai merah keriting di DKI Jakarta juga akn naik.
Hal ini
memperlihatkan bahwa pembentukan harga cabai merah keriting di DKI Jakarta terjadi berdasarkan harga jual yang terjadi di PIKJ. Sedangkan untuk variabel dummy budaya masyarakat berpengaruh cukup besar, hal ini mengindikasikan bahwa apabila berlangsung suatu tradisi masyarakat akan menyebabkan kenaikan harga cabai merah keriting di DKI Jakarta. Dalam kasus ini apabila pada bulan tersebut terdapat hari besar keagamaan (lebaran), keadaan ini terjadi karena masyarakat membutuhkan cabai merah keriting sebagai bumbu masakan yang biasa dihidangkan pada kesempatan ini.
Sehingga permintaan cabai merah
keriting menjadi meningkat dan harga cabai merah keriting akan meningkat. Tabel 12. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di DKI Jakarta Variabel
Koefisien
SE Koefisien 1365 0,04853 0,1790 0,06029 504,6
T Hitung
P Value
Konstanta 2553 1,87 0,068 X2 0,21696 4,47 0,000* X3 -0,1937 -1,08 0,285 X4 0,91577 15,19 0,000* D1 1056,0 2,09 0,042* R-Sq = 93,5% R-Sq(adj) = 92,9% F Hitung = 152,10 P Value = 0,000 Durbin-Watson statistic = 1,74 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 1,5 1,4 1,7 1,2
52
Evaluasi model regresi berganda untuk harga cabai merah keriting di DKI Jakarta dilakukan dengan melihat nilai Durbin-Watson sebesar 1,74, maka berdasarkan hipotesis awal tidak dapat diambil kesimpulan mengenai autokorelasi antar variabel bebas dalam model. Nilai VIF pada Tabel 12, memperlihatkan semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. Uji kenormalan dilakukan dengan melihat Pvalue Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal.
Nilai R-Sq sebesar 93,5 persen, menunjukan bahwa model mampu
menjelaskan keragaman harga cabai merah keriting di DKI Jakarta sebesar 93,5 persen dan 6,5 persen sisanya dijelaskan oleh variabel-variabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Dari semua uji yang telah dilakukan, menunjukan bahwa variabel bebas dalam model secara signifikan berpengaruh terhadap harga cabai merah keriting di DKI Jakarta.
5.1.3.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di Bandung
a. Plot Data Fluktuasi harga cabai merah besar juga terjadi di Bandung. Harga jual tertinggi
cabai
merah
besar
di
Bandung
dicapai
pada
tingkat
harga
Rp 22.182,00/Kg pada bulan Oktober 2005. Pada bulan Juni 2002 harga dicapai pada tingkat harga Rp 5.062,00/Kg. Dari tingkat harga tertinggi dan terendah di dapat selisih sebesar Rp 17.120,00. Variasi harga cabai merah besar yang terjadi pada tahun 2005 sangat variatif. Peningkatan harga yang cukup tajam terjadi pada
53
bulan September-Oktober 2005 sebesar Rp 11.606,00, sedangkan harga rata-rata cabai merah besar di Bandung adalah sebesar Rp 9.638,70/Kg. Hal ini dapat dilihat bahwa kenaikan harga cabai merah melebihi dapat harga rata-ratanya. Harga cabai merah besar di Bandung memiliki trend yang meningkat. Bulanbulan yang memiliki nilai rataan harga bulanan tertinggi adalah NovemberFebuari. Hal ini hampir sama dengan apa yang terjadi di Kota DKI Jakarta. Fluktuasi Harga Cabai Merah Besar di Bandung 25000
Rp/Kg
20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 6. Plot Harga Cabai Merah Besar di Bandung (Januari 2002-Oktober)
b. Pemilihan Model Peramalan Berdasarkan tabel 9, model SARIMA (1,0,0)(1,1,1)8 merupakan metode peramalan time series yang tepat untuk meramalkan harga cabai merah besar di Bandung.
Model ini menghasilkan MSE sebesar 6798828. Model SARIMA
(1,0,0)(1,1,1,)8 didapat dengan menganalisis pola ACF dan PACF. Pola ACF pertama terlihat data belum stasioner, sehingga perlu dilakukan pembedaan. Setelah dilakukan pembedaan, pola ACF sudah stasioner dan memiliki unsur musiman.
Sehingga dilakukan pembedaan kedua untuk melihat unsur
54
musimannya. Setelah itu akan dilihat pola ACF. Pola ACF dan PACF memiliki pola dying down, sehingga di prediksi memiliki unsur AR dan MA.
Lalu
dilakukan pencocokan dengan model ARIMA tentatif. Setelah dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut. Peramalan dengan model SARIMA (1,0,0)(1,1,1) 8 dapat dilihat pada Lampiran 11.
Dari model
SARIMA (1,0,0)(1,1,1,)8 didapat back shift
operator notation seperti (1 + 0,5289B) (1- 0,6129 B8 )1 Yt = (1 + 0,7950 B8 ) et Tabel 13. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Bandung No. 1 2 3 4 5 6 7 8
Metode Peramalan
MSE
Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE Terkecil
12864544 9180275 10402972 8000798 7711619 10769070 10839500 6798828
8 4 5 3 2 6 7 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,134. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,5289, SAR = -0,6129 dan SMA = 0,7950.
55
5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6798828.
Berdasarkan hasil peramalan harga cabai merah besar di Bandung dengan menggunakan model SARIMA (1,0,0)(1,1,1)8 akan terjadi fluktuasi harga. Harga cabai merah besar tertinggi diprediksi terjadi pada bulan April 2008 sebesar Rp 14.511,9/Kg dan yang terendah terjadi pada bulan Desember 2007 sebesar Rp 9.672,90/Kg. Jarak antara tingkat harga tertinggi dan tingkat harga terendah adalah sebesar Rp 9.086,00. Perubahan harga cabai merah besar di Bandung yang akan terjadi cenderung penurunan harga, peningkatan harga dalam setahun ke depan terjadi sebanyak tiga kali dan selebihnya adalah penurunan harga. Sedangkan harga ramalan rata-rata didapat sebesar Rp 12.055,410/Kg. Dari hasil tersebut dapat dilihat bahwa perbedaan antara harga tertinggi dan harga terendah mendekati nilai ramalan harga rata-rata cabai merah besar di Bandung.
Tabel 14. Hasil Peramalan Harga Cabai Merah Besar di Bandung Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 13.106,9 11.972,2 11.934,8 12.913,7 10.494,4 13.119,5 11.611,1 9.672,9 11.015,7 11.348,7 12.963,8 14.511,9 12.055,4
56
c. Analisis Regresi Analisis regresi berganda untuk harga cabai merah besar di Bandung dengan faktor-faktor yang diduga berpengaruh adalah harga cabai merah di tingkat produsen di kota Bandung (X1 ), lag harga cabai merah besar di Bandung (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari hasil regresi didapatkan bahwa hanya dua faktor penduga yang berpengaruh, yaitu harga cabai merah di tingkat produsen di kota Bandung (X1 ) dan harga jual cabai merah besar di PIKJ (X4 ). Kedua faktor tersebut memiliki hubungan yang positif. Untuk harga cabai merah besar di bandung ini dipengaruhi oleh tingkat harga yang di dapat oleh produsen di daerah tersebut, hal ini dimungkinkan kenaikan harga yang terjadi di tingkat produsen akan berpengaruh nyata pada kenaikan harga cabai merah besar. Hal lainnya yang berpengaruh pada perubahan harga cabai merah besar adalah harga jual cabai merah besar di PIKJ.
Harga jual cabai merah di PIKJ ternyata
mempengaruhi pembentukan harga cabai merah besar di bandung.
Hal ini
mungkin dikarenakan banyaknya pasokan cabai yang didistribusikan ke PIKJ, sehingga harga jual cabai merah besar di PIKJ dijadikan sebagai acuan.
57
Tabel 15. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Bandung Variabel
Koefisien
SE Koefisien 1142 0,1911 0,04727 0,1329 0,07174 378,6
T Hitung
P Value
Konstanta 1502 1,31 0,196 X1 0,4892 2,56 0,014* X2 0,03864 0,82 0,418 X3 -0,1558 -1,17 0,248 X4 0,76029 10,60 0,000* D1 622,9 1,65 0,108 R-Sq = 95,4% R-Sq(adj) = 94,8% F Hitung = 169,98 P Value = 0,000 Durbin-Watson statistic = 1,87 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 5,0 1,9 1,4 4,3 1,2
Evaluasi model linier berganda harga cabai merah besar di Bandung dengan pengujian autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,87, sehingga dapa disimpulkan tidak terjadi autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dengan melihat nilai VIF pada Tabel 15, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas.
P- value
Kolmogolov-Sminov menunjukan nilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal.
Nilai R-Sq sebesar 95,4 persen, sehingga model tersebut dapat
menjelaskan keragaman harga cabai merah besar di Bandung sebesar 95,4 persen dan 4,6 persen dijelaskan oleh variabel- variabel lain yang tidak terdapat pada model tersebut. Nilai R-Sq sebesar 95,4 persen, model regresi dapat dinilai cukup baik. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik.
58
5.1.4.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Keriting di Bandung
a. Plot Data Plot data harga cabai merah keriting di Bandung tidak berbeda jauh dengan plot data harga cabai merah besar di Bandung. Harga selama tahun 2006 memiliki kecenderungan menurun. Peningkatan harga yang sangat tajam terjadi pada bulan September-Oktober 2005 sebesar Rp 13.058,00. Harga tertinggi juga terjadi pada bulan Oktober 2005 sebesar Rp 23.288,00/Kg. Sedangkan harga terendah terjadi pada bulan Juni 2002 sebesar Rp 5.479,00/Kg. Selisih dari harga trtinggi dan terendah adalah sebesar Rp 17.809,00. Pada bulan-bulan lainnya peningkatan dan penurunan harga cabai merah keriting cenderung terjadi secara bertahap.
Harga rata-rata cabai merah keriting di Bandung mencapai harga
Rp 10.257,80/Kg.
Harga rata-rata cabai merah keriting di Bandung hampir
mencapai dua kali lipat dari harga terendahnya. Harga cabai merah keriting di Bandung untuk jangka panjang terdapat unsur trend. Trend yang meningkat pada harga cabai merah keriting memperlihatkan bahwa terjadi kenaikan harga cabai merah setiap tahunnya.
Pada jangka pendek harga cabai merah keriting
mempunyai unsur musiman, dimana pada bulan November sampai Febuariharga berada pada titik tertinggi dan bulan-bulan lainnya cenderung lebih rendah.
59
Fluktuasi Harga Cabai Merah Keriting di Bandung 25000
Rp/Kg
20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 7. Plot Harga Cabai Merah Keriting di Bandung (Januari 2002-Oktober 2006) b. Pemilihan Model Peramalan Metode analisis time series terbaik untuk meramalkan harga cabai merah keriting di Bandung adalah model SARIMA (1,0,0)(1,1,1)8 .
Dari model ini
dihasilkan nilai MSE sebesar 5819237, yang merupakan MSE terkecil. Model ini di dapatkan dengan melihat pola ACF dan PACF dari data yang sudah stasioner (data yang sudah dilakukan pembedaan).
Dari pola ACF dan PACF terlihat
bahwa keduanya ber pola dyingdown, sehingga data tersebut memiliki unsur AR dan MA. Setelah melihat pola ACF dan PACF, maka dilakukan analisis model tentatif. Untuk menentukan model SARIMA terbaik dilihat model yang memiliki nilai MSE terkecil.
Setelah dilakukan evaluasi model dengan menggunakan
kriteria evaluasi Box Jenkins, maka didapatkan model SARIMA (1,0,0)(1,1,1)8 . Peramalan dengan model SARIMA (1,0,0)(1,1,1)8 dapat dilihat pada Lampiran 12. Dari model SARIMA (1,0,0)(1,1,1,)8 didapat back shift operator notation seperti (1 + 0,5758 B) (1- 0,5855 B8 )1 Yt = (1 + 0,7631 B8 ) et
60
Tabel 16. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Bandung No.
Metode Peramalan
MSE
1 2
Trend Kuadratik Pemulusan Eksponensial Tunggal
3 4 5 6 7 8
Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE Terkecil
14746077
8
9992179 10991083 8837097 8304749 12100356 12135026 7901026
4 5 3 2 6 7 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,422. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,03. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,5758, SAR = -0,5855 dan SMA = 0,7631. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 7901026.
Berdasarkan metode peramalan terbaik yang didapatkan untuk peramalan harga cabai merah keriting di Bandung, dilakukan peramalan untuk 12 bulan ke depan.
Hasil peramalan harga didapatkan harga ramalan rata-rata sebesar
61
Rp 12.467,80/Kg dengan harga ramalan tertinggi yang akan terjadi pada bulan April 2008 sebesar Rp 14.950,20/Kg dan harga terendah akan dicapai pada bulan Desember 2007 dengan tingkat harga Rp 10.346,20/Kg. Selisih harga ramalan tertinggi dan terendah didapat sebesar Rp 4.604,00. Dari hasil ramalan dapat dilihat bahwa harga cabai merah keriting di Bandung pada periode Mei 2007April 2008 akan mengalami fluktuasi harga yang tidak tinggi.
Tabel 17. Hasil Peramalan Harga Cabai Merah Keriting di Bandung Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 13.695,7 12.554,3 11.862,4 12.682,6 10.734,4 13.442,9 12.712,3 10.346,2 11.646,0 11.532,3 13.454,3 14.950,2 12.467,8
c. Analisis Regresi. Faktor-faktor yang diduga mempengaruhi perubahan harga cabai merah keriting di Bandung dapat dilihat pada Tabel 18.
Faktor- faktor yang diduga
berpengaruh adalah harga cabai merah di tingkat produsen di kota Bandung (X1 ), lag harga cabai merah keriting di Bandung (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Didapat beberapa faktor yang mempengaruhi perubahan harga cabai merah
62
keriting di Bandung, yaitu cabai merah di tingkat produsen di kota Bandung (X1 ), lag harga cabai merah keriting di Bandung (X2 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ).
Ke empat faktor tersebut
berhubungan positif dengan harga cabai merah keriting di Bandung, hal ini berarti setiap kenaikan satu-satuan faktor- faktor tersebut akan mempengaruhi kenaikan harga cabai merah keriting di Bandung sebesar nilai koefisien faktor- faktor tersebut. Untuk harga cabai merah keriting di bandung ini dipengaruhi oleh tingkat harga yang didapat oleh produsen di daerah tersebut, hal ini dimungkinkan kenaikan harga yang terjadi di tingkat produsen akan berpengaruh langsung terhadap kenaikan harga cabai merah keriting.
Faktor berikutnya yang
mempengaruhi parubahan harga cabai merah di Bandung adalah lag harga cabai merah, hal ini memungkinkan para pelaku perdagangan cabai merah keriting membentuk harga berdasarkan lag harga cabai merah keriting. Selain lag harga cabai merah keriting, harga jual cabai merah keriting di PIKJ juga menjadi dasar pembentukan harga cabai merah keriting di Bandung.
Faktor terakhir adalah
budaya masyarakat, hal ini disebabkan karena masyarakat membutuhkan cabai merah keriting sebagai bumbu masakan yang akan dihidangkan pada waktu tersebut.
Sehingga permintaan cabai merah keriting meningkat dan tidak
diimbangi dengan jumlah pasokan yang mengakibatkan terjadinya kelebihan permintaan (kelangkaan barang).
63
Tabel 18. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Bandung Variabel
Koefisien
SE Koefisien 1193 0,2157 0,04575 0,1395 0,07929 391,9
T Hitung
P Value
Konstanta 1191 1,00 0,324 X1 0,4462 2,07 0,045* X2 0,11345 2,48 0,017* X3 -0,1545 -1,11 0,274 X4 0,75209 9,49 0,000* D1 1507,2 3,85 0,000* R-Sq = 95,6% R-Sq(adj) = 95,1% F Hitung = 179,71 P Value = 0,000 Durbin-Watson statistic = 1,81 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 5,9 1,9 1,4 5,0 1,2
Evaluasi model linier berganda harga cabai merah keriting di Bandung adalah Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,81, sehingga tidak ada hubungan autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dilakukan dengan melihat nilai VIF pada Tabel 18, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas.
Uji kenormalan dilakukan
dengan melihat P- value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal. Nilai R-Sq didapat sebesar 95,6 persen, sehingga model tersebut dapat menjelaskan keragaman harga cabai merah keriting di Bandung sebesar 95,6 persen. Mopdel yang dihasilkan sudah cukup baik, dapat dilihat dari nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen. Hal ini menunjukan bahwa variabel bebas dalam model secara signifikan berpengaruh terhadap harga cabai merah keriting di Bandung.
64
5.1.5.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di Semarang
a. Plot Data Fluktuasi harga cabai merah besar di Semarang juga memiliki pola yang hampir sama dengan fluktuasi harga yang terjadi di kota-kota sebelumnya. Peningkatan dan penurunan harga terjadi lebih banyak terjadi secara bertahap. Tetapi lonjakan permintaan pada bulan September-Oktober 2005 menyebabkan kenaikan
harga
yang
sangat
besar,
peningkatan
tersebut
sebesar
Rp 11.393,00/Kg. Harga tertinggi yang terjadi pada bulan Oktober 2005 adalah sebesar
Rp
19.550,00/Kg
dan
harga
terendahnya
dicapai
pada
harga
Rp 3.228,00/Kg di bulan September 2003. Selisih antara harga tertinggi dan terdah adalah sebesar Rp, 16.322,00. Dari gambar 10, terlihat bahwa titik harga cabai merah besar banyak berada di bawah tingkat harga Rp 10.000,00/Kg selama Januari 2002-Oktober 2006. Tingkat harga cabai merah di Semarang cenderung lebih rendah bila dibandingkan dengan tingkat harga pada dua kota sebelumnya. Harga rata-rata cabai merah besar di Semarang yang didapat Rp 6.843,20/Kg. Pada harga cabai merah besar di Semarang memiliki trend yang meningkat, dalam jangka panjang fluktuasi harga cabai merah besar terus meningkat. Dari harga rataan bulanan harga cabai merah besar di Semarang terlihat pola musiman, dimana selama delapan bulan (Maret-Oktober) harga cabai merah cenderung berada pada tingkat harga yang tidak tinggi dan selama empat bulan (NovemberFebuari) harga cabai merah besar berada pada tingkat tinggi.
65
Fluktuasi Harga Cabai Merah Besar di Semarang 25000
Rp/Kg
20000 15000 10000 5000 0 1
4
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 8. Plot Harga Cabai Merah Besar di Semarang (Januari 2002-Oktober 2006) b. Pemilihan Model Peramalan Dari hasil pengolahan data dengan menggunakan analisis time series, maka didapatkan model SARIMA (0,0,0)(1,1,1)8 sebagai model terbaik. Model ini menghasilkan MSE sebesar 6315179, yang merupakan MSE terkecil. Model SARIMA ini di dapatkan dengan melihat pola ACF dan PACF dari data yang sudah stasioner. Dari pola ACF dan PACF terlihat bahwa keduanya berpola dyingdown, sehingga data tersebut memiliki unsur AR dan MA. Selanjutnya dilakukan uji model tentatif dan melihat nilai MSE terkecil dari model- model tentatif yang memungkinkan.
Setelah dilakukan evaluasi model dengan
menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model SARIMA (0,0,0)(1,1,1)8. Peramalan dengan model SARIMA dapat dilihat pada Lampiran 13.
Berikut
adalah
bentuk
persamaan
SARIMA
(0,0,0)(1,1,1)8.
(1 + 0,5758 B) (1- 0,5855 B8 )1 Yt = (1 + 0,7631 B8 ) et
66
Tabel 19. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Semarang No. 1 2 3 4 5 6 7 8
Metode Peramalan
MSE
Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (0,0,0)(1,1,1)8
MSE Terkecil
9218645 7527821
8 4
8174452 6800372 6485957 8044317 8285662 6315179
6 3 2 5 7 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak. Hal ini dapat dilihat dari P-value pada indikator Ljung-Box bernilai 0,210. 2. Model SARIMA (0,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,048. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien SAR = -0,7831 dan SMA = 0,8038. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6315179. Dari hasil ramalan harga cabai merah besar di Semarang, terlihat bahwa fluktuasi harga yang akan terjadi tidak terlalu besar. Hal ini terlihat dari selisih harga ramalan tertinggi dengan harga ramalan terendah yang hanya berjarak Rp 4.669,40. Tingkat harga ramalan tertinggi dicapai pada Rp 12.216,30/Kg yang akan terjadi pada bulan April 2008 dan harga ramalan terendah akan terjadi pada
67
bulan Desember 2007 dengan nilai sebesar Rp 7.546,90/Kg. Harga ramalan ratarata sebesar Rp 9.090,20/Kg.
Perubahan harga yang akan terjadi mengalami
peningkatan dan penurunan harga secara bergantian (selang-seling), tetapi perubahan yang terjadi tidak terlalu besar.
Tabel 20. Hasil Peramalan Harga Cabai Merah Besar di Semarang Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 10.490,5 9.858,2 9.535,2 9.655,0 8.325,8 9.771,4 7.659,4 6.181,8 7.726,3 7.546,9 10.115,2 12.216,3 9.090,2
c. Analisis Regresi Faktor-faktor yang diduga mempengaruhi perubahan harga cabai merah besar di Semarang adalah harga cabai merah di tingkat produsen di kota Semarang (X1 ), lag harga cabai merah besar di Semarang (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Hasil pengolahan data dengan analisis regresi di dapat beberapa faktor yang mempengaruhi perubahan harga cabai merah besar di Semarang, yaitu harga cabai merah di tingkat produsen di kota Semarang (X1 ), lag harga cabai merah besar di Semarang (X2 ) dan harga jual cabai merah besar di PIKJ (X4 ). Harga cabai merah di tingkat produsen di kota Semarang dan harga jual cabai
68
merah besar di PIKJ berpengaruh positif dengan perubahan harga cabai merah besar di Semarang, sedangkan lag harga cabai merah besar berpengaruh negatif dengan perubahan harga cabai merah besar di Semarang. Harga cabai merah di tingkat produsen di kota Semarang memiliki pengaruh yang cukup besar bigi perubahan harga cabai merah besar di Semarang, hal ini memungkinkan bahwa para pedagang menginginkan keuntungan yang stabil dari komoditas cabai merah besar ini. Pembentukan harga cabai merah besar di Semarang ini juga memiliki kesamaan seperti hampir di setiap kota yang di pengaruhi oleh harga cabai merah besar yang terjadi di PIKJ. Lain halnya dengan faktor- faktor sebelumnya, lag harga cabai merah besar justru berpengaruh negatif dengan perubahan harga cabai merah besar.
Tabel 21. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Semarang Variabel
Koefisien
SE Koefisien 986,6 0,1819 0,04702 0,1151 0,07144 326,7
T Hitung
P Value
Konstanta -738,3 -0,75 0,459 X1 0,8213 4,51 0,000* X2 -0,14618 -3,11 0,003* X3 -0,0834 -0,72 0,473 X4 0,60741 8,50 0,000* D1 32,8 0,10 0,921 R-Sq = 95,5% R-Sq(adj) = 95,0% F Hitung = 175,05 P Value = 0,000 Durbin-Watson statistic = 1,33 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 6,8 2,0 1,4 5,9 1,2
Evaluasi model linier berganda harga cabai merah besar di Semarang adalah Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,33, sehingga dapat diambil kesimpulan bahwa tidak ada hubungan autokorelasi antar variabel bebas dalam model. Tidak terjadinya masalah moltikolinieritas,
69
halini dapat dilihat dari semua nilai VIF yang duhasilkan lebih kecil dari 10. Uji kenormalan dilakukan dengan melihat P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), sehingga didapat residual model sudah terdistribusi secara no rmal. Nilai R-Sq menunjukan nilai sebesar 95,5 persen, bahwa model tersebut mampu menjelaskan keragaman harga cabai merah besar di Semarang sebesar 95,5 persen dan 4,5 persen sisanya dijelaskan oleh variabelvariabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Model regresi secara signifikan berpengaruh terhadap harga cabai merah besar di Semarang.
5.1.6.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Keriting di Semarang
a. Plot Data Dari plot data pada Gambar 11, dapat dilihat pola fluktuasi harga cabai merah keriting di Semarang. Terdapat dua puncak harga yang cukup mencolok, puncak harga pertama terjadi pada bulan November 2002 dan puncak ke dua terjadi pada bulan Oktober 2005 yang masing- masing bernilai Rp 16.524,00/Kg dan Rp 22.188,00/Kg.
Harga terendah dicapai pada tingkat harga
Rp
2.953,00/Kg terjadi pada bulan November 2004. Hal ini terlihat jarak yang jauh sekali antara tingkat harga tertinggi dan terendah sebesar Rp 19.235,00. Harga rata-rata cabai merah keriting di Semarang mencapai tingkat harga Rp 7.326,30/Kg. Pola harga cabai merah keriting yang terjadi di Semarang setelah mengalami peningkatan yang cuk up tajam akan diikuti dengan penurunan harga secara perlahan-lahan.
Dalam jangka panjang harga cabai merah keriting
70
mempunyai trend yang meningkat, selain itu pada jangka pendek harga cabai merah keriting memiliki unsur musiman. Fluktuasi Harga Cabai Merah Keriting di Semarang 25000
Rp/Kg
20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 9. Plot Harga Cabai Merah Keriting di Semarang (Januari 2002- Oktober 2006)
b. Pemilihan Model Peramalan Berdasarkan hasil pengolahan pada tabel 22, didapatkan model SARIMA (1,0,0)(1,1,1)8 sebagai model terbaik. Dari model ini menghasilkan MSE sebesar 8846120, yang merupakan MSE terkecil. Model ini didapatkan dengan melihat pola ACF dan PACF dari data yang sudah stasioner. Dari pola ACF dan PACF terlihat bahwa keduanya berpola dyingdown, sehingga data tersebut memiliki unsur AR dan MA. Dilakukan uji model tentatif dan menghitung nilai MSE terkecil dari model- model tentatif yang memungkinkan.
Setelah dilakukan
evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut.
Dalam peramalan harga cabai merah besar di
Semarang ini didapat model SARIMA (1,0,0)(1,1,1)8. Peramalan dengan model
71
SARIMA dapat dilihat pada Lampiran 14. Dari model SARIMA (1,0,0)(1,1,1,)8 didapat persamaan seperti (1 + 0,4293 B) (1- 0,5923 B8 )1 Yt = (1 + 0,7856 B8 ) et Tabel 22. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Semarang No. 1 2 3 4 5 6 7 8
Metode Peramalan
MSE
Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda
MSE Terkecil
13145417 11149492 12081557 10536445 10470637 12265112 12692421 8846120
Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
8 4 5 3 2 6 7 1
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,204. 2. Model SARIMA (1,0,0)(1,1,1)8
sudah dalam bentuk yang paling
sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,4293, SAR = -0,5923 dan SMA = 0,7856. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 8846120
Dari
hasil
peramalan
dengan
menggunakan
model
SARIMA
(1,0,0)(1,1,1)8 , maka didapat harga ramalan cabai merah keriting 12 bulan ke
72
depan (Tabel 23). Dari hasil ramalan dapat dilihat harga ramalan tidak mengalami fluktuasi harga yang signifikan.
Harga terlihat akan meningkat dan menurun
secara bertahap. Harga tertinggi akan dicapai pada bulan April 2008 sebesar Rp 12.242,10/Kg dan harga terendah dicapai pada bulan Desember 2007 sebesar Rp 7.549,10/Kg.
Selisih harga antara harga ramalan tertinggi dengan harga
ramalan terendah adalah Rp 4.693,00. Dari selisih tersebut terlihat bahwa harga ramalan yang akan datang, harga akan lebih stabil bila dibandingkan dengan harga yang terjadi pada periode sebelumnya yaitu sebesar Rp 19.235,00. Sedangkan harga ramalan rata-rata akan mencapai Rp 9.793,80/Kg. Harga ramalan rata-rata yang capai akan melibihi harga rata-rata pada periode sebelumnya, hal ini memperlihatkan bahwa harga cabai merah keriting di Semarang berfluktuasi dengan trend yang meningkat sedikit.
Tabel 23. Hasil Peramalan Harga Cabai Merah Keriting di Semarang Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 10.915,1 8.894,0 9.456,6 10.049,5 8.953,8 11.502,0 8.917,6 7.549,1 9.779,2 8.258,1 11.008,4 12.242,1 9.793,8
73
c. Analisis Regresi Pengolahan data untuk melihat faktor-faktor yang mempengaruhi perubahan harga cabai merah keriting di Semarang akan dilakukan dengan menggunakan analisis kausal. Hasil analisis kausal dengan faktor-faktor yang diduga berpengaruh adalah harga cabai merah di tingkat produsen di kota Semarang (X1 ), lag harga cabai merah keriting di Semarang (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari hasil analisis didapat bahwa hanya terdapat dua faktor yang berpengaruh terhadap parubahan harga cabai merah keriting di Semarang yaitu lag harga cabai merah keriting di Semarang (X2 ) dan harga jual cabai merah keriting di PIKJ (X4 ). Lag harga cabai merah keriting di Semarang berpengaruh negatif dengan perubahan harga cabai merah keriting, hal ini berarti apabila lag harga cabai merah keriting meningkat satu satuan maka akan mengurangi harga cabai merah keriting yang akan terjadi masa yang akan datang. Faktor ke dua yang berpengaruh adalah harga jual cabai merah keriting di PIKJ yang berpengaruh positif. Hal ini berarti setiap kenaikan satu satuan harga jual cabai merah keriting di PIKJ akan meningkatkan harga cabai merah keriting di Semarang.
Hal ini memungkinkan bahwa pembentukan harga cabai merah
keriting di Semarang melihat harga jual cabai merah keriting di PIKJ sebagai acuan pembentuk harga.
74
Tabel 24. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Semarang Variabel
Koefisien
SE Koefisien 1631 0,3272 0,06327 0,1891 0,1311 519,0
T Hitung
P Value
Konstanta -2629 -1,61 0,115 X1 0,5385 1,65 0,107 X2 -0,14660 -2,32 0,026* X3 0,1838 0,97 0,337 X4 0,8673 6,62 0,000* D1 585,4 1,13 0,266 R-Sq = 91,4% R-Sq(adj) = 90,3% F Hitung = 87,10 P Value = 0,000 Durbin-Watson statistic = 1,50 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 8,2 1,8 1,4 7,7 1,2
Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,50, sehingga dapat diambil kesimpulan bahwa tidak ada hubungan autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dengan melihat nilai VIF pada Tabel 24, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. P- value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal. Nilai R-Sq sebesar 91,4 persen, memperlihatkan bahwa model tersebut dapat menjelaskan keragaman harga cabai merah keriting di Semarang sebesar 91,4 persen. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Model secara signifikan berpengaruh terhadap harga cabai merah keriting di Semarang.
75
5.1.7.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di Yogyakarta
a. Plot Data Plot data harga cabai merah besar di Yogyakarta selama tahun 2002 sampai tahun 2006 terdapat satu puncak harga yang mencolok. merah
besar
tertinggi
terjadi
pada
bulan
November
Harga cabai
2005
sebesar
Rp 18.000,00/Kg, dan harga terendah terjadi pada bulan September 2004 sebesar RP 2.140,00/Kg. Sedangkan
Selisih harga tertinggi dan terendah sebesar Rp 15.860,00.
harga
rata-rata
cabai
merah
besar
di
Yogyakarta
adalah
Rp 6.383,30/Kg. Dari plot data fluktuasi harga cabai merah besar yang terjadi di Yogyakarta masih banyak terjadi di bawah tingkat harga Rp 10.000,00/Kg, sehingga harga cabai merah besar di Yogyakarta memiliki tingkat harga terendah bila dibandingkan dengan tingkat harga di kota-kota lainnya di Jawa – Bali . Hal ini mungkin dikarenakan dekat dengan sentra produksi cabai merah. Harga cabai merah besar di Yogyakarta memiliki trend yang meningkat dan mempunyai unsur musiman tertentu. Fluktuasi Harga Cabai Merah Besar di Yogyakarta 20000
Rp/Kg
15000 10000 5000 0 1
4
7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 10. Plot Harga Cabai Merah Besar di Yogyakarta (Januari 2002-Oktober 2006)
76
b. Pemilihan Model Peramalan Berdasarkan Tabel 25, model SARIMA (1,0,0)(1,1,1)8 merupakan metode peramalan time series yang tepat untuk meramalkan harga cabai merah besar di Bandung.
Model ini menghasilkan MSE sebesar 5122950. Model SARIMA
(1,0,0)(1,1,1)8 didapat dengan mengana lisis pola ACF dan PACF. Pola ACF pertama terlihat data belum stasioner, sehingga perlu dilakukan pembedaan. Setelah dilakukan pembedaan, pola ACF sudah stasioner dan memiliki unsur musiman.
Sehingga dilakukan pembedaan kedua untuk melihat unsur
musimanya. Setelah itu akan dilihat pola ACF. Pola ACF dan PACF memiliki pola dying down, sehingga di prediksi memiliki unsur AR dan MA.
Setelah
dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut. dilihat pada Lampiran 15.
Peramalan dengan model SARIMA dapat
Persamaan SARIMA (1,0,0)(1,1,1,)8 adalah
(1 + 0,4293 B) (1- 0,5923 B8 )1 Yt = (1 + 0,7856 B8 ) et
Tabel 25. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Yogyakarta No. 1 2 3 4 5 6 7 8
Metode Peramalan Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE
MSE Terkecil
8488328
8
6518532 7355295 5234376 5138778 7045119 7234743 5122950
4 7 3 2 5 6 1
77
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,082. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,002. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR =0,5814, SAR = - 0,5529 dan SMA = 0,7837. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 5122950.
Dengan menggunakan model SARIMA (1,0,0)(1,1,1)8 , maka didapatkan hasil ramalan pada tabel 26.
Harga ramalan rata-rata didapat sebesar
Rp 8.285,30/Kg. Harga ramalan rata-rata yang dihasilakan lebih tinggi dari harga rata-rata sebelumnya.
Pada bulan Oktober 2007 akan dicapai harga ramalan
tertinggi yaitu sebesar Rp 9.973,10/Kg dan pada bulan Desember 2007 akan dicapai harga terendah yaitu sebesar Rp 6.349,10/Kg. Sedangkan selisih harga ramalan tertinggi dengan harga ramalan terendah didapat sebesar Rp 3.624,00. Dari hasil ramalan dapat dilihat bahwa harga cabai merah besar di Yogyakarta cenderung lebih stabil, bahkan menurun bila dibandingkan dengan periode sebelumnya.
78
Tabel 26. Hasil Peramalan Harga Cabai Merah Besar di Yogyakarta Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 9.303,8 8.601,8 8.121,6 8.416,3 7.684,9 9.973,1 7.889,6 6.349,1 8.195,0 7.479,4 8.434,4 8.974,9 8.285,3
c. Analisis Regresi Hasil pengolahan dengan menggunakan metode kausal dengan faktorfaktor yang diduga berpengaruh dengan perubahan harga cabai merah besar di Yogyakarta adalah harga cabai merah di tingkat produsen di kota Yogyakarta (X1 ), lag harga cabai merah besar di Yogyakarta (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Didapat hanya satu faktor yang berpengaruh yaitu harga jual cabai merah besar di PIKJ yang berpengaruh positif dengan perubahan harga cabai merah besar di Yogyakarta. Hal ini memiliki arti bahwa setiap terjadinya peningkatan harga jual cabai merah besar di PIKJ akan meningkatkan harga jual cabai merah di Yogyakarta, sehingga harga jual di PIKJ menjadi acuan pembentukan harga cabai merah besar di Yogyakarta.
79
Tabel 27. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Yogyakarta Variabel
Koefisien
SE Koefisien 1614 0,1899 0,08441 0,2109 0,1024 603,7
T Hitung
P Value
VIF
Konstanta 1622 1,01 0,321 X1 -0,0044 -0,02 0,982 X2 0,13585 1,61 0,115 X3 -0,1602 -0,76 0,452 X4 0,6558 6,40 0,000* D1 -120,2 -0,20 0,843 R-Sq = 81,3% R-Sq(adj) = 97,0% F Hitung = 35,64 P Value = 0,000 Durbin-Watson statistic = 1,60 Keterangan : * = Signifikan pada taraf nyata 5 %
3,4 1,5 1,4 3,5 1,2
Tahap evaluasi model linier berganda harga cabai merah besar di Yogyakarta pertama dilakukan uji autokorelasi. Uji ini dilakukan dengan melihat nilai Durbin-Watson sebesar 1,60, terlihat dari nilai tersebut tidak terdapat hubungan autokorelasi antar variabel bebas. Uji multikolinearitas dengan melihat nilai VIF pada Tabel 27, dari tabel tersebut terlihat tidak terjadi masalah moltikolinieritas karena nilai VIF yang dihasilkan lebih kecil dari 10.
Uji
kenormalan dilakukan dengan melihat P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal.
Nilai R-Sq sebesar 81,3 persen,
menunjukan bahwa model tersebut mampu menjelaskan keragaman harga cabai merah besar di Yogyakarta sebesar 81,3 persen dan 18,7 persen sisanya dijelaskan oleh variabel- variabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen. Variabel bebas dalam model secara signifikan mempengaruhi perubahan harga cabai merah besar di Yogyakarta.
80
5.1.8.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Keriting di Yogyakarta
a. Plot Data Gambar 13, memperlihatkan plot data harga cabai merah keriting di Yogyakarta selama tahun 2002 sampai tahun 2006. Dari data tersebut didapatkan harga
rata-rata
cabai
merah
keriting
di
Yogyakarta
adalah
sebesar
Rp 7.079,90/Kg. Harga cabai merah keriting tertinggi terjadi pada bulan Oktober 2005 sebesar Rp 19.884,00/Kg, dan harga terendah terjadi pada bulan Oktober 2004 sebesar RP 2.843,00/Kg.
Selisih harga tertinggi dan terendah sebesar
Rp 17.041,00, selisih sebesar ini dapat menyebabkan kestabilan harga menjadi tidak baik.
Peningkatan tajam terjadi pada bulan September-Oktober 2005
sebesar Rp 12.673,00. harga cabai merah keriting di Yogyakarta memiliki trend yang meningkat. Fluktuasi Harga Cabai Merah Keriting di Yogyakarta 25000
Rp/Kg
20000 15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 11. Plot Harga Cabai Merah Keriting di Yogyakarta (Januari 2002-Oktober 2006)
81
b. Pemilihan Model Peramalan Berdasarkan hasil pengolahan pada Tabel 28, maka didapatkan model SARIMA (1,0,0)(1,1,1)8 sebagai model terbaik. Model ini menghasilkan MSE sebesar 6409168, yang merupakan MSE terkecil.
Model SARIMA ini di
dapatkan dengan melihat pola ACF dan PACF dari data yang sudah stasioner. Dari pola ACF dan PACF terlihat bahwa keduanya berpola dyingdown, sehingga data tersebut memiliki unsur AR dan MA.
Selanjutnya dilakukan uji model
tentatif dan melihat nilai MSE terkecil dari model- model tentatif yang memungkinkan. Setelah dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model SARIMA (1,0,0)(1,1,1)8. Persamaan model SARIMA (1,0,0)(1,1,1)8 adalah (1 + 0,4842 B) (1- 0,6269 B8 )1 Yt = (1 + 0,7957 B8 ) et. Peramalan dengan model SARIMA dapat dilihat pada Lampiran 16.
Tabel 28. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Keriting di Yogyakarta No. 1 2 3 4 5 6 7 8
Metode Peramalan Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE 10570025 8119667 9042885 7406680 7333851 9902469 10094561 6409168
MSE Terkecil 8 4 5 3 2 6 7 1
82
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,077. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,000. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,4842, SAR = - 0,6269 dan SMA = 0,7957. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6409168.
Dengan model SARIMA (1,0,0)(1,1,1)8 , dilakukan peramalan selama dua belas bulan ke depan (Tabel 29). Dari hasil ramalan didapat harga ramalan ratarata sebesar Rp 8.944,80/Kg, terlihat harga ramalan rata-rata menunjukan nilai yang lebih besar bila dibandingkan dengan harga rata-rata sebelumnya. Tetapi harga akan cenderung lebih stabil, harga tetap mengalami fluktuasi yang tidak terlalu besar. Harga ramalan tertinggi akan terjadi pada bulan April 2008 sebesar Rp 10.921,10/Kg dan harga ramalan terendah akan terjadi pada bulan Desember 2007 sebesar Rp 6.795,90/Kg. adalah sebesar Rp 4.125,20.
Selisih harga ramalan tertinggi dan terendah Bila melihat selisih pada waktu sebelumnya
(Rp 17.041,00), terlihat bahwa selisih harga ramalan mengalami penurunan yang sangat tajam di masa yang akan datang. Sehingga harga cabai merah keriting di Yogyakarta dapat dikatakan cenderung akan lebih stabil.
83
Tabel 29. Hasil Peramalan Harga Cabai Merah Keriting di Yogyakarta Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 10.063,8 8.915,0 8.538,1 8.814,5 7.706,6 10.184,9 8.208,1 6.795,9 9.130,5 7.807,4 10.252,8 10.921,1 8.944,8
c. Analisis Regresi Penggunaan metode kausal dengan faktor- faktor yang diduga berpengaruh terhadap perubahan harga cabai merah keriting di Yogyakarta adalah harga cabai merah di tingkat produsen di kota Yogyakarta (X1 ), lag harga cabai merah keriting di Yogyakarta (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari hasil analisis kausal, didapat dua faktor yang mempengaruhi perubahan harga cabai merah keriting di Yogyakarta. Dua faktor tersebut adalah harga cabai merah di tingkat produsen di kota Yogyakarta (X1 ) dan harga jual cabai merah keriting di PIKJ (X4 ). Kedua-duanya memiliki pengaruh positif. Faktor harga cabai merah di tingkat produsen di kota Yogyakarta memiliki pengaruh yang cukup besar, hal ini dimungkinkan karena pembentukan harga didasari oleh penerimaan harga di tingkat produsen. Jadi setiap kenaikan harga di tingkat produsen di Yogyakarta akan meningkatkan harga cabai merah keriting di
84
Yogyakarta.
Faktor lainnya yang berpengaruh adalah harga jual cabai merah
keriting di PIKJ, seperti pada kota-kota sebelumnya harga jual cabai merah di PIKJ di jadikan sebagaui acuan pembentukan harga.
Tabel 30. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Yogyakarta Variabel
Koefisien
SE Koefisien 1241 0,1712 0,06264 0,1637 0,08684 460,2
T Hitung
P Value
VIF
Konstanta -517 -0,42 0,679 X1 0,3613 2,11 0,041* X2 0,01737 0,28 0,783 X3 0,0280 0,17 0,865 X4 0,68668 7,91 0,000* D1 -248,1 -0,54 0,593 R-Sq = 91,0% R-Sq(adj) = 90,0% F Hitung = 83,40 P Value = 0,000 Durbin-Watson statistic = 1,63 Keterangan : * = Signifikan pada taraf nyata 5 %
4,7 1,7 1,4 4,3 1,2
Model linier berganda harga cabai merah keriting di Yogyakarta dievaluasi dengan melihat nilai Durbin-Watson sebesar 1,63, untuk melihat hubungan autokorelasi antar variabel bebas dalam model dan didapatkan bahwa dalam model tidak terdapat hubungan autokorelasi antar variabel.
Uji
multikolinearitas dengan melihat nilai VIF pada Tabel 30, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. Model sudah terdistribusi dengan normal, hal ini dapat dilihat dari P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen). Model tersebut mampu menjelaskan keragaman harga cabai merah keriting di Yogyakarta sebesar 91,0 persen, karena nilai R-Sq bernilai sebesar 91,0 persen dan 9,0 persen sisanya dijelaskan oleh variabelvariabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar
85
0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik.
Model sudah signifikan mempengaruhi perubahan harga cabai merah
keriting di Yogyakarta.
5.1.9.
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di Surabaya
a. Plot Data Plot data harga cabai merah besar di Surabaya selama tahun 2002 sampai tahun 2006. Harga cabai merah besar tertinggi terjadi pada bulan November 2005 sebesar Rp 17.923,00/Kg, dan harga terendah terjadi pada bulan Juli 2003 sebesar Rp 3.173,00/Kg.
Selisih harga tertinggi dan terendah sebesar Rp 14.750,00.
Harga rata-rata yang didapat adalah sebesar Rp 7.089,80/Kg.
Trend yang
meningkat juga terjadi pada harga cabai merah besar di Surabaya.
Fluktuasi Harga Cabai Merah Besar di Surabaya 20000
Rp/Kg
15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 12. Plot Harga Cabai Merah di Surabaya (Januari 2002- Oktober 2006)
86
b. Pemilihan Model Peramalan Berdasarkan Tabel 31, model SARIMA (1,0,0)(1,1,1)8 merupakan metode peramalan time series yang tepat untuk meramalkan harga cabai merah besar di Surabaya. Model ini menghasilkan MSE sebesar 6302881. Model SARIMA (1,0,0)(1,1,1)8 didapat dengan menganalisis pola ACF dan PACF.
Pola ACF
pertama terlihat data belum stasioner, sehingga perlu dilakukan pembedaan. Setelah dilakukan pembedaan, pola ACF sudah stasioner dan memiliki unsur musiman.
Sehingga dilakukan pembedaan kedua untuk melihat unsur
musimanya. Setelah itu akan dilihat pola ACF. Pola ACF dan PACF memiliki pola dying down, sehingga di prediksi memiliki unsur AR dan MA.
Setelah
dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut.
Peramalan dengan model SARIMA
(1,0,0)(1,1,1)8 dapat dilihat pada Lampiran 17 Tabel 31. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Surabaya No. 1 2 3 4 5 6 7 8
Metode Peramalan Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE 9960526 7880484 8572600 7005316 7084933 8693468 8858811 6302881
MSE Terkecil 8 4 5 2 3 6 7 1
87
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,123. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,3871, SAR = - 0,6323 dan SMA = 0,7901. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6302881.
Dengan dipilihnya model SARIMA (1,0,0)(1,1,1)8 , maka akan dilakukan peramalan selama dua belas bulan ke depan. Dari hasil peramalan didapat harga ramalan cabai merah besar di Surabaya, bahwa pola data yang terbentuk akan cenderung lebih stabil. Harga ramalan rata-rata akan mencapai Rp 9.615,30/Kg. Harga ramalan rata-rata memiliki nilai yang lebih besar bila dibandingkan dengan harga rata-rata di waktu sebelumnya, hal ini memperlihatkan bahwa pola data harga cabai merah besar di Surabaya memiliki trend yang meningkat di masa yang akan
datang.
Harga
ramalan
tertinggi
dicapai
pada
tingkat
harga
Rp 11.301,40/Kg yang akan terjadi pada bulan April 2008. Sedangkan harga ramalan
terendah
akan
terjadi
pada
bulan
Desember
2007
Rp 7.430,10/Kg, sehingga akan didapat selisih sebesar Rp 3.871,30.
sebesar Selisih
antara harga ramalan dengan harga sebelumnya sangat jauh berbeda, hal ini dikarenakan tingkat harga pada harga ramalan cenderung mengalami penurunan.
88
Tabel 32.
Hasil Peramalan Harga Cabai Merah Besar di Surabaya Selama 12 Bulan
Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 10.715,9 9.643,8 10.729,9 10.884,5 9.067,1 10.442,4 8.995,8 7.430,1 8.177,1 7.499,7 10.496,9 11.301,4 9.615,3
c. Analisis Regresi Faktor-faktor yang diduga berpengaruh terhadap perubahan harga cabai merah besar di Surabaya adalah harga cabai merah di tingkat produsen di kota Surabaya (X1 ), lag harga cabai merah besar di Surabaya (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari ke lima faktor tersebut, ada tiga faktor yang berpengaruh pada perubahan harga cabai merah besar di Surabaya.
Faktor- faktor tersebut
adalah harga cabai merah di tingkat produsen di kota Surabaya (X1 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Ketiga faktor tersebut berpengaruh positif terhadapa perubahan harga cabai merah besar di Surabaya, sehingga setiap kenaikan satu satuan ketiga faktor tersebut akan mengakibatkan kenaikan harga cabai merah di Surabaya. Sama halnya dengan beberapa kota sebelumnya, harga cabai merah di tingkat produsen menjadi dasar pembentukan harga cabai merah besar di
89
Surabaya. Selain itu harga jual cabai merah besar di PIKJ juga menjadi acuan pembentukan harga yang terjadi di Surabaya. Untuk faktor budaya masyarakat juga berpengaruh cukup besar bagi perubahan harga cabai merah besar ini, karena memiliki nilai koefisien yang cukup besar pada hasil olahan regresi.
Tabel 33. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Surabaya Variabel
Koefisien
SE Koefisien 837,2 0,1154 0,0697 0,1077 0,06578 335,3
T Hitung
P Value
VIF
Konstanta -1150,8 -1,37 0,177 X1 1,0872 9,42 0,000* X2 0,02344 0,63 0,530 X3 -0,0287 -0,27 0,791 X4 0,29325 4,46 0,000* D1 1146,9 3,42 0,001* R-Sq = 96,2% R-Sq(adj) = 95,8% F Hitung = 208,68 P Value = 0,000 Durbin-Watson statistic = 1,93 Keterangan : * = Signifikan pada taraf nyata 5 %
Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson.
5,1 1,5 1,4 5,5 1,4
Nilai
Durbin-Watson sebesar 1,93, sehingga dapat diambil kesimpulan bahwa tidak ada hubungan autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dengan melihat nilai VIF, semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas.
Uji kenormalan
dilakukan dengan melihat P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal. Nilai R-Sq sebesar 96,2 persen, menunjukan bahwa model tersebut mampu me njelaskan keragaman harga cabai merah besar di Surabaya sebesar 96,2 persen dan 3,8 persen sisanya dijelaskan oleh variabelvariabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar
90
0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik.
5.1.10
Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Keriting di Surabaya
a. Plot Data Plot data harga cabai merah keriting di Surabaya selama tahun 2002 sampai tahun 2006.
Harga cabai merah keriting tertinggi terjadi pada bulan
Oktober 2005 sebesar Rp 18.115,00/Kg, dan harga terendah terjadi pada bulan Juli 2003 sebesar RP 3.786,00/Kg. Selisih harga tertinggi dan terendah sebesar Rp 14.329,00. Harga rata-rata dicapai pada tingkat harga Rp 7.994,60/Kg. Dalam jangka panjang harga cabai merah keriting di Surabaya memiliki trend yang meningkat. Dimana dari hasil harga rataan bulanan cabai merah keriting didapat harga cabai merah keriting naik pada bulan November-Febuari. Fluktuasi Harga Cabai Merah Keriting di Surabaya 20000
Rp/Kg
15000 10000 5000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 13. Plot Harga Caba i Merah Keriting di Surabaya (Januari 2002-Oktober 2006)
91
b. Pemilihan Model Peramalan Berdasarkan tabel 34, model SARIMA (1,0,0)(1,1,1)8 merupakan metode peramalan time series yang tepat untuk meramalkan harga cabai merah keriting di Surabaya. Model ini menghasilkan MSE sebesar 6335858. Model SARIMA (1,0,0)(1,1,1,)8 didapat dengan menganalisis pola ACF dan PACF. Pola ACF pertama terlihat data belum stasioner, sehingga perlu dilakukan pembedaan. Setelah dilakukan pembedaan, pola ACF sudah stasioner dan memiliki unsur musiman.
Sehingga dilakukan pembedaan kedua untuk melihat unsur
musimannya. Setelah itu akan dilihat pola ACF. Pola ACF dan PACF memiliki pola dying down, sehingga di prediksi memiliki unsur AR dan MA.
Lalu
dilakukan pencocokan dengan model ARIMA tentatif. Setelah dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut. Peramalan dengan model SARIMA (1,0,0)(1,1,1) 8 dapat dilihat pada Lampiran 17.
Dari model
SARIMA (1,0,0)(1,1,1,)8 didapat back shift
operator notation seperti (1 + 0,4079 B) (1- 0,6397 B8 )1 Yt = (1 + 0,8019 B8 ) et Tabel 34. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Keriting di Surabaya No. 1 2 3 4 5 6 7 8
Metode Peramalan Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)8
MSE
MSE Terkecil
10770300 8017078
8 4
8693590 6951068 7266224 9182858 9354519 6335858
5 2 3 6 7 1
92
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,070. 2. Model SARIMA (1,0,0)(1,1,1)8 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR = 0,4079, SAR = - 0,6397 dan SMA = 0,8019. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 6335858.
Dari Tabel 34 terlihat bahwa model SARIMA (1,0,0)(1,1,1)8 merupakan metode terbaik untuk digunakan meramalkan harga cabai merah keriting di Surabaya. Didapatkan harga ramalan rata-rata sebesar Rp 11.261,20/Kg. Untuk harga ramalan tertinggi akan terjadi pada bulan April 2008 sebesar Rp 13.219,10/Kg dan harga ramalan terendah akan terjadi pada bulan Desember 2007 sebesar Rp 9.030,20/Kg. Selisihnya sebesar Rp 4.188,90. Hasil peramalan juga menunjukan bahwa harga cabai merah keriting di Surabaya memiliki kecenderungan menurun.
93
Tabel 35. Hasil Peramalan Harga Cabai Merah Keriting di Surabaya Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 12.467,3 11.557,0 12.646,1 13.121,4 10.275,2 11.561,0 10.430,1 9.030,2 9.796,9 9.055,0 11.974,8 13.219,1 11.261,2
c. Analisis Regresi Hasil pengolahan dengan menggunakan metode kausal dengan faktorfaktor yang diduga berpengaruh dengan perubahan harga cabai merah keriting di Surabaya adalah harga cabai merah di tingkat produsen di kota Surabaya (X1 ), lag harga cabai merah keriting di Surabaya (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari ke lima faktor tersebut, ada tiga faktor yang berpengaruh pada perubahan harga cabai merah keriting di Surabaya. Faktor- faktor tersebut adalah harga cabai merah di tingkat produsen di kota Surabaya (X1 ), harga jual cabai merah besar di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ).
Ketiga faktor tersebut
berpengaruh positif terhadapa perubahan harga cabai merah besar di Surabaya, sehingga setiap kenaikan satu satuan ketiga faktor tersebut akan mengakibatkan kenaikan harga cabai merah di Surabaya.
94
Tabel 36. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Keriting di Surabaya Variabel
Koefisien
SE Koefisien 770,3 0,1160 0,03347 0,09877 0,06514 299,4
T Hitung
P Value
Konstanta -1356,4 -1,76 0,086 X1 1,0567 9,11 0,000* X2 0,04371 1,31 0,199 X3 0,05217 0,53 0,600 X4 0,34282 5,26 0,000* D1 652,6 2,18 0,035* R-Sq = 97,0% R-Sq(adj) = 96,6% F Hitung = 264,40 P Value = 0,000 Durbin-Watson statistic = 1,80 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 6,1 1,5 1,4 6,7 1,4
Evaluasi model linier berganda harga cabai merah keriting di Surabaya adalah Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,80, sehingga dapat diambil kesimpulan bahwa tidak ada hubungan autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dengan melihat nilai VIF pada Tabel 36, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. Uji kenormalan dilakukan dengan melihat P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal.
Nilai R-Sq sebesar 97,0 persen,
menunjukan bahwa model tersebut mampu menjelaskan keragaman harga cabai merah keriting di Surabaya sebesar 97,0 persen dan 3,0 persen sisanya dijelaskan oleh variabel- variabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Hal ini menunjukan bahwa secara serentak variabel bebas dalam model secara signifikan berpengaruh terhadap harga cabai merah keriting di Surabaya.
95
5.1.11. Peramalan dan Faktor-Faktor yang Mempengaruhi Harga Cabai Merah Besar di Denpasar a. Plot Data Plot data harga cabai merah besar di Denpasar selama tahun 2002 sampai tahun 2006 terdapat dua puncak harga yang mencolok. Harga cabai merah besar tertinggi terjadi pada bulan Agustus 2005 sebesar Rp 15.000,00/Kg dan pada bulan Oktober 2005 sebesar Rp 15.038,00/Kg, dan harga terendah terjadi pada bulan Juni 2003 sebesar Rp 3.479,00/Kg. Selisih harga tertinggi dan terendah sebesar Rp 11.559,00. Didapat harga rata-rata sebesar Rp 7.242,70/Kg. Plot harga cabai merah besar di Denpasar memiliki pola yang agak berbeda dengan pola data harga cabai merah besar di kota-kota sebelumnya.
Trend yang
meningkat juga dimiliki oleh harga cabai merah besar di Denpasar. Fluktuasi Harga Cabai Merah Besar di Denpasar 16000 14000
Rp/Kg
12000 10000 8000 6000 4000 2000 0 1
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 Bulan
Gambar 14. Plot Harga Cabai Merah Besar di Denpasar (Januari 2002-Oktober 2006)
96
b. Pemilihan Model Peramalan Berdasarkan Tabel 37, model SARIMA (1,0,0)(1,1,1)18 merupakan metode peramalan time series yang tepat untuk meramalkan harga cabai merah besar di Denpasar. Model ini menghasilkan MSE sebesar 4098729. Model SARIMA (1,0,0)(1,1,1)18 didapat dengan menganalisis pola ACF dan PACF. Pola ACF pertama terlihat data belum stasioner, sehingga perlu dilakukan pembedaan. Setelah dilakukan pembedaan, pola ACF sudah stasioner dan memiliki unsur musiman.
Sehingga dilakukan pembedaan kedua untuk melihat unsur
musimanya. Setelah itu akan dilihat pola ACF. Pola ACF dan PACF memiliki pola dying down, sehingga di prediksi memiliki unsur AR dan MA.
Setelah
dilakukan evaluasi model dengan menggunakan kriteria evaluasi Box Jenkins, maka didapatkan model tersebut. Dari model SARIMA (1,0,0)(1,1,1,)18 didapat back shift operator notation seperti (1 + 0,4990 B) (1- 0,9235 B18 )1 Yt = (1 + 0,7626 B18 ) et Tabel 37. Nilai MSE Metode Peramalan Time Series pada Harga Cabai Merah Besar di Denpasar No. 1 2 3 4 5 6 7 8
Metode Peramalan Trend Kuadratik Pemulusan Eksponensial Tunggal Pemulusan Eksponensial Ganda Winters Aditif Winters Multiplikatif Dekomposisi Aditif Dekomposisi Multiplikatif SARIMA (1,0,0)(1,1,1)18
MSE 6975384 5151917 5609375 4715983 4675615 7098758 7489003 4098729
MSE Terkecil 6 4 5 3 2 7 8 1
97
Evaluasi model SARIMA harus memenuhi enam kriteria, yaitu: 1. Residual sudah bersifat acak.
Hal ini dapat dilihat dari P-value pada
indikator Ljung-Box bernilai 0,069. 2. Model SARIMA (1,0,0)(1,1,1)18 sudah dalam bentuk yang paling sederhana (parsimonious). 3. P-value koefisien kurang dari 0,05 yaitu 0,00. 4. Kondisi invertibilitas ataupun stasioneritas sudah terpenuhi, dapat dilihat dari nilai koefisien AR= 0,4990, SAR = -0,9235 dan SMA = 0,7626. 5. Proses iterasi sudah convergence, pada output terdapat pernyataan relative change in each estinate less than 0,0010. 6. Model memiliki nilai MSE terkecil yaitu sebesar 4098729.
Dari
hasil
peramalan
dengan
menggunakan
model
SARIMA
(1,0,0)(1,1,1)18 , didapat hasil harga ramalan pada Tabel 38. harga ramalan ratarata akan mencapai Rp 8.539,50/Kg, dengan harga ramalan tertinggi sebesar Rp 12.972,40/Kg yang akan terjadi pada bulan Juli 2007 sedangkan pada bulan Desember 2007 harga ramalan akan mencapai harga terendah yaitu sebesar Rp 5.118,60/Kg.
98
Tabel 38. Hasil Peramalan Harga Caba i Merah Besar di Denpasar Selama 12 Bulan Tahun
2007
2008
Bulan Mei Juni Juli Agustus September Oktober November Desember Januari Februari Maret April Rata-rata
Peramalan Harga (Rp /Kg) 11.537,6 11.577,0 12.972,4 8.335,3 8.252,3 7.844,5 8.382,7 5.118,6 6.359,0 6.922,6 7.540,4 7.631,3 8.539,5
c. Analisis Regresi Faktor-faktor yang diduga berpengaruh dengan perubahan harga cabai merah besar di Denpasar adalah harga cabai merah di tingkat produsen di kota Denpasar (X1 ), lag harga cabai merah besar di Denpasar (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah keriting di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Dari ke lima faktor tersebut, ada dua faktor yang berpengaruh pada perubahan harga cabai merah besar di Denpasar. Faktor- faktor tersebut adalah harga cabai merah di tingkat produsen di kota Denpasar (X1 ) dan harga jual cabai merah besar di PIKJ (X4 ), kedua faktor tersebut berhubungan positif.
99
Tabel 39. Hasil Analisis Regresi Linier Berganda Harga Cabai Merah Besar di Denpasar Variabel
Koefisien
SE Koefisien 1410 0,1722 0,08332 0,1880 0,08983 566,2
T Hitung
P Value
Konstanta 1053 0,75 0,459 X1 0,8940 5,19 0,000* X2 0,04993 0,60 0,552 X3 -0,1229 -0,65 0,517 X4 0,22370 2,49 0,017* D1 803,3 1,42 0,163 R-Sq = 83,3% R-Sq(adj) = 81,3% F Hitung = 40,98 P Value = 0,000 Durbin-Watson statistic = 1,85 Keterangan : * = Signifikan pada taraf nyata 5 %
VIF 3,2 1,7 1,3 3,3 1,3
Evaluasi model linier berganda harga cabai merah besar di Denpasar adalah Uji autokorelasi dilakukan dengan melihat nilai Durbin-Watson sebesar 1,85, sehingga dapat diambil kesimpulan bahwa tidak ada hubungan autokorelasi antar variabel bebas dalam model. Uji multikolinearitas dengan melihat nilai VIF pada Tabel 39, dari tabel tersebut terlihat semua variabel menghasilkan nilai VIF yang lebih kecil dari 10, sehingga tidak terjadi masalah moltikolinieritas. Uji kenormalan dilakukan dengan melihat P-value Kolmogolov-Sminov yang bernilai 0.15 (lebih besar dari taraf nyata 5 persen), hal ini memperlihatkan bahwa residual model sudah terdistribusi secara normal.
Nilai R-Sq sebesar 83,3 persen,
menunjukan bahwa model tersebut mampu menjelaskan keragaman harga cabai merah besar di Denpasar sebesar 83,3 persen dan 16,7 persen sisanya dijelaskan oleh variabel- variabel lain yang tidak terdapat pada model. Nilai P value pada uji F sebesar 0,000, lebih kecil dari taraf nyata 5 persen, sehingga model yang dihasilkan cukup baik. Hal ini menunjukan bahwa secara serentak variabel bebas dalam model secara signifikan berpengaruh terhadap harga cabai merah besar di Denpasar.
100
5.2.
Pembahasan Fluktuasi harga yang terjadi pada harga cabai merah di Indonesia cukup
besar. Hal ini dikarenakan komoditas ini merupakan salah satu sayuran yang memiliki tingkat permintaan yang cukup tinggi.
Selain itu masyarakat sudah
memiliki tradisi yang secara turun-temurun dalam mengolah cabai merah menjadi berbagai macam hidangan untuk dikonsumsi. Dibeberapa daerah cabai merah merupakan suatu kebutuhan pokok masyarakatnya.
Oleh karena itu banyak
dilakukan analisis mengenai cabai merah. Dari plot data harga cabai merah yang sudah dibahas, semua kota mengalami kecenderungan yang meningkat. Sehingga harga cabai merah besar maupun cabai merah keriting akan menjadi lebih tinggi dari tahun ke tahun. Dari hasil pengolahan harga cabai merah besar maupun keriting dengan menggunakan alat analisis time series, maka dihasilkan metode-metode terbaik untuk digunakan meramalkan harga cabai merah besar maupun cabai merah keriting di enam kota. Berikut adalah tabel metode peramalan terpilih untuk setiap kota.
Tabel 40.
Metode Peramalan Terbaik di Enam Kota Kota
Metode Terbaik Cabai Merah Besar
DKI Jakarta Bandung Semarang Yogyakarta Surabaya Denpasar
SARIMA (1,0,0)(1,1,1)8 SARIMA (1,0,0)(1,1,1)8 SARIMA (0,0,0)(1,1,1)8 SARIMA (1,0,0)(1,1,1)8 SARIMA (1,0,0)(1,1,1)8 SARIMA (0,1,1)(1,1,1)18
Cabai Merah Keriting SARIMA SARIMA SARIMA SARIMA SARIMA
(1,0,0)(1,1,1)8 (1,0,0)(1,1,1)8 (1,0,0)(1,1,1)8 (1,0,0)(1,1,1)8 (1,0,0)(1,1,1)8
101
Dari Tabel 40 semua kota menggunakan peramalan SARIMA. Hal ini memperlihatkan bahwa harga cabai merah memiliki pola musiman tertentu, sehingga metode peramalan yang cocok menggunakan SARIMA. Hasil peramalan harga cabai merah besar yang dilakukan di enam kota akan memperlihatkan fluktuasi harga yang akan terjadi di masa yang akan datang. Peramalan harga cabai merah besar di enam kota dapat dilihat pada Tabel 41. Dari hasil peramalan harga cabai merah besar di enam kota terlihat pola yang berbeda-beda di setiap kota. Harga tertinggi cabai merah besar tetjadi pada bulan April 2008. Harga tertinggi di DKI Jakarta sebesar Rp 18.714,80/Kg, di Bandung sebesar Rp 14.511,90/Kg, di Semarang sebesar Rp 12.216,30/Kg, di Yogyakarta sebesar Rp 8.974,90/Kg, di Surabaya sebesar Rp 11.301,40/Kg dan di Denpasar sebesar Rp 11.703,0/Kg.
Sedangkan nilai harga terendah terjadi pada bulan
Desember 2007. harga terendah di DKI Jakarta sebesar Rp 13.205,10/Kg, di Bandung sebesar Rp 9.672,90/Kg, di Semarang sebesar Rp 6.181,80/Kg, di Yogyakarta sebesar Rp 6.349,10/Kg, di Surabaya sebesar Rp 7.430,10/Kg dan di Denpasar sebesar Rp 7.216,80/Kg.
102
Tabel 41.
Hasil peramalan Harga Cabai Merah Besar di Enam Kota Selama 12 Bulan
Bulan DKI Jakarta Mei 16.750,5 Juni 15.673,5 Juli 15.222,2 Agustus 15.967,1 September 14.298,1 Oktober 15.140,0 November 14.263,5 Desember 13.205,1 Januari 13.649,1 Febuari 13.768,2 Maret 16.003,0 April 18.714,8 Keterangan : DKI Jakarta Bandung Semarang Yogyakarta Surabaya Denpasar
Bandung Semarang Yogyakarta 13.106,9 10.490,5 9.303,8 11.972,2 9.858,2 8.601,8 11.934,8 9.535,2 8.121,6 12.913,7 9.655,0 8.416,3 10.494,4 8.325,8 7.684,9 13.119,5 9.771,4 9.973,1 11.611,1 7.659,4 7.889,6 9.672,9 6.181,8 6.349,1 11.015,7 7.726,3 8.195,0 11.348,7 7.546,9 7.479,4 12.963,8 10.115,2 8.434,4 14.511,9 12.216,3 8.974,9 : SARIMA (1,0,0)(1,1,1)8 : SARIMA (1,0,0)(1,1,1) 8 : SARIMA (0,0,0)(1,1,1) 8 : SARIMA (1,0,0)(1,1,1) 8 : SARIMA (1,0,0)(1,1,1) 8 : SARIMA (1,0,0)(1,1,1) 8
Surabaya 10.715,9 9.643,8 10.729,9 10.884,5 9.067,1 10.442,4 8.995,8 7.430,1 8.177,1 7.499,7 10.496,9 11.301,4
Denpasar 10.435,9 10.641,2 9.792,5 9.907,6 9.088,3 9.624,8 9.277,1 7.216,8 7.453,8 7.636,1 10.215,1 11.703,0
Hasil peramalan harga cabai merah keriting yang dilakukan di lima kota akan memperlihatkan fluktuasi harga yang akan terjadi di masa yang akan datang. Peramalan harga cabai merah keriting di lima kota dapat dilihat pada Tabel 42. Dari hasil peramalan harga cabai merah keriting di lima kota terlihat pola yang berbeda-beda hampir di setiap kota. Harga tertinggi cabai merah keriting terjadi pada bulan April. Harta tertinggi di DKI Jakarta sebesar Rp 19.113,00/Kg, di Bandung sebesar Rp 14.950,20/Kg, di Semarang sebesar Rp 12.242,10/Kg, di Yogyakarta sebesar Rp 10.921,10/Kg dan di Surabaya sebesar Rp 13.219,10/Kg. Sedangkan nilai harga terendah terjadi pada bulan Desember. Harga terendah di DKI Jakarta sebesar Rp 13.461,00/Kg, di Bandung sebesar Rp 10.346,20/Kg, di Semarang sebesar Rp 7.549,10/Kg, di Yogyakarta sebesar Rp 6.795,90/Kg dan di Surabaya sebesar Rp 9.030,20/Kg.
103
Tabel 42.
Hasil peramalan Harga Cabai Merah Keriting di Lima Kota Selama 12 Bulan
Bulan DKI Jakarta Bandung Semarang Mei 17.341,8 13.695,7 10.915,1 Juni 15.765,5 12.554,3 8.894,0 Juli 15.737,1 11.862,4 9.456,6 Agustus 16.492,8 12.682,6 10.049,5 September 14.356,2 10.734,4 8.953,8 Oktober 15.568,9 13.442,9 11.502,0 November 14.804,7 12.712,3 8.917,6 Desember 13.461,0 10.346,2 7.549,1 Januari 14.273,9 11.646,0 9.779,2 Febuari 14.231,0 11.532,3 8.258,1 Maret 16.868,1 13.454,3 11.008,4 April 19.113,0 14.950,2 12.242,1 Keterangan : DKI Jakarta : SARIMA (1,0,0)(1,1,1) 8 Bandung : SARIMA (1,0,0)(1,1,1) 8 Semarang : SARIMA (1,0,0)(1,1,1) 8 Yogyakarta : SARIMA (1,0,0)(1,1,1) 8 Surabaya : SARIMA (1,0,0)(1,1,1) 8
Yogyakarta 10.063,8 8.915,0 8.538,1 8.814,5 7.706,6 10.184,9 8.208,1 6.795,9 9.130,5 7.807,4 10.252,8 10.921,1
Surabaya 12.467,3 11.557,0 12.646,1 13.121,4 10.275,2 11.561,0 10.430,1 9.030,2 9.796,9 9.055,0 11.974,8 13.219,1
Berdasarkan pengolahan dengan menggunakan metode kausal untuk melihat faktor- faktor apa saja mempengaruhi perubahan harga cabai merah besar maupun cabai merah keriting. Dibuat model regresi berganda dengan faktorfaktor yang diduga berpengaruh, yaitu harga cabai merah di tingkat produsen di kota i (X1 ), lag harga cabai merah besar (X2 ), jumlah pasokan cabai di PIKJ (X3 ), harga jual cabai merah di PIKJ (X4 ) dan dummy budaya masyarakat (D1 ). Diduga harga cabai merah di tingkat produsen di kota i (X1 ), lag harga cabai me rah besar (X2 ) dan harga jual cabai merah di PIKJ (X4 ) akan berpengaruh positif terhadap perubahan harga cabai merah besar maupun keriting di setiap kota. Sedangkan jumlah pasokan cabai di PIKJ (X3 ) diduga berpengaruh negatif dengan perubahan harga cabai merah besar maupun keriting dimasing- masing kota. Untuk variabel dummy budaya masyarakat (D1 ) akan bernilai 1 saat bulan puasa dan lebaran. Hasil regresi berganda dapat dilihat pada Tabel 43.
104
Dari hasil analisis faktor harga jual cabai merah di PIKJ (X4 ) berpengaruh hampir di setiap kota, hanya kota DKI Jakarta pada komoditas cabai merah besar yang tidak berpengaruh nyata. Faktor ini berpengaruh positif terhadap perubahan harga cabai merah, sehingga harga jual cabai merah di PIKJ dapat dijadikan sebagai acuan pembentuk harga cabai merah di kota-kota lain. Oleh karena itu pemerintah dapat menggunakan PIKJ sebagai tempat untuk mengendalikan perubahan harga cabai merah yang akan terjadi. Faktor kedua yang berpengaruh adalah harga cabai merah di tingkat produsen di kota i (X1 ). Hanya kota DKI Jakarta untuk komoditas cabai merah besar dan cabai merah keriting, kota semarang untuk komoditas cabai merah keriting dan kota Yogyakarta untuk komoditas cabai merah besar, harga cabai merah besar di tingkat produsen tidak berpengaruh nyata. Khusus untuk kota DKI Jakarta, kota ini tidak terdapat produsen cabai merah besar dan cabai merah keriting, sehingga dalam pengolahan harga cabai merah di tingkat produsen tidak dihitung. Faktor ini berpengaruh positif dengan perubahan harga cabai merah, sehingga apabila terjadi kenaikan harga di tingkat produsen akan berimplikasi pada kenaikan harga cabai merah di pasaran. Faktor selanjutnya yang berpengaruh adalah lag harga cabai merah (X2 ). Ada tiga kota yang perubahan harganya dipengaruhi oleh faktor ini yaitu DKI Jakarta, Bandung dan Semarang. Untuk kota DKI Jakarta untuk komoditas cabai merah besar dan cabai merah keriting, dan Bandung untuk komoditas cabai merah keriting, faktor ini berpengaruh positif. Sedangkan di kota Semarang untuk kedua komoditas cabai merah faktor ini berpengaruh negatif.
105
Untuk variabel dummy budaya masyarakat (D1 ) hanya dua kota berpengaruh nyata, yaitu kota Bandung dan Surabaya. Variabel ini berpengaruh besar pada perubahan harga cabai merah keriting di Bandung, dilihat dari nilai koefisiennya. Untuk jumlah pasokan cabai di PIKJ (X3 ) hanya berpengaruh pada perubahan harga cabai merah besar di DKI Jakarta.
Faktor ini tidak
mempengaruhi perubahan harga cabai merah di kota-kota lainnya. Hal ini terjadi mungkin karena jumlah pasokan cabai di PIKJ merupakan hasil kumulatif pasokan cabai merah besar, cabai merah keriting, cabai rawit besar dan sebagainya, sehingga hanya mempengaruhi perubahan harga di PIKJ sebagai tempat tujuan.
Tabel 43.
Penduga
Faktor-Faktor di Enam Kota DKI Jakarta HC HC MB MK
X1
-
-
X2
*
X3 X4
* -
* -
D1
-
Keterangan :
* * HCMB HCMK
yang
Bandung
Mempengaruhi
Harga
Cabai
Merah
Semarang
Yogyakarta
Surabaya
Denpasar
HC MB
HC MK
HC MB
HC MK
HC MB
HC MK
HC MB
HC MK
HC MB
* -
*
*
-
-
* -
* -
* -
-
* -
* -
* -
* -
-
-
-
-
-
*
* -
* -
* -
* -
*
*
*
*
* -
* -
*
HC MK
= Berpengaruh dengan perubahan harga = Tidak Berpengaruh pada perubahan harga = harga cabai merah besar = harga cabai merah keriting
106
5.3
Implikasi Peramalan Harga cabai merah hasil peramalan di enam kota selanjutnya akan dilihat
kecnderungan yang akan terjadi selama 12 bulan ke depan. Untuk harga cabai merah besar di Kota DKI Jakarta dan Bandung, plot data memiliki kecenderungan stabil. Untuk harga cabai merah besar di Kota Semarang, Yogyakarta, Surabaya dan Denpasar plot data memperlihatkan kecenderungan menurun secara secara tajam dan akan meningkat secara perlahan. Hasil peramalan harga cabai merah besar hampir di setiap kota mengalami penurunan harga terlebih dahulu dan diikuti oleh peningkatan harga secara perlahan. Hal ini disebabkan oleh terjadinya panen raya di kota penghasil cabai merah besar, sehingga menurunkan harga cabai merah besar di sebagian kota. Tetapi beberapa bulan ke depan atau setelah terjadi panen raya, pasokan cabai merah besar menjadi berkurang dan menyebabkan harga cabai merah besar kembali meningkat secara perlahan. Untuk harga cabai merah keriting yang akan terjadi di Kota DKI Jakarta, Bandung, Semarang dan Yogyakarta, plot data memiliki kecenderungan meningkat secara perlahan dan saat mencapai titik tertinggi harga cenderung akan menurun secara perlahan. Dan akan meningkat kembali Untuk harga cabai merah keriting di Kota Surabaya, plot data memiliki kecenderungan menurun secara perlahan di sepanjang tahun dan saat mencapai titik terendah harga akan kembali naik. Harga cabai merah keriting mengalami kencenderungan meningkat secara perlahan. Hal ini mungkin disebabkan oleh jumlah pasokan ke tiap-tiap kota belum dapat mengimbangi peningkatan permintaan.
107
Dalam mengantisipasi fluktuasi harga cabai merah yang akan terjadi, sebaiknya dilakukan pendistribusian cabai merah yang lebih merata yang disesuaikan dengan jumlah permintaan di tiap-tiap kota. Harga ramala n tertinggi akan terjadi pada bulan April 2008 untuk setiap kota, hal ini dapat dijadikan acuan bagi pemerintah agar dapat mengantisipasi hal yang akan terjadi. Hal yang dapat dilakukan pemerintah sabagai pengatur distribusi adalah dengan mengatur jumlah pasokan ke tiap-tiap kota dengan melihat tingkat permintaannya. Cara lain yang dapat digunakan adalah dengan cara mendistribusikan pasokan cabai merah dari daerah yang memiliki tingkat harga yang lebih rendah, menuju kota yang memiliki tingkat harga yang lebih tinggi.
108
BAB VI KESIMPULAN DAN SARAN
6.1. Kesimpulan Plot data harga cabai merah besar dan harga cabai merah keriting memperlihatkan bahwa fluktuasi harga cabai merah yang terjadi selama lima tahun terakhir, mengalami fluktuasi yang cukup besar. ketidakstabilan harga.
Hal ini menyebabkan
Perkembangan harga cabai merah besar maupun harga
cabai merah keriting, memiliki trend yang meningkat setiap tahunnya. Dari hasil pengolahan data dengan menggunakan metode time series, maka didapat metode peramalan terbaik untuk harga cabai merah besar maupun harga cabai merah keriting adalah metode SARIMA untuk semua kota. Model SARIMA (1,0,0)(1,1,1)8 untuk Kota DKI Jakarta harga cabai merah besar dan Harga cabai merah keriting, Kota Bandung untuk harga cabai merah besar dan harga cabai merah keriting, Kota semarang untuk harga cabai merah keriting, Kota Yogyakarta untuk harga cabai merah besar dan harga cabai merah keriting dan Kota Surabaya untuk harga cabai merah besar dan harga cabai merah keriting. Model SARIMA (0,0,0)(1,1,1)8 untuk harga cabai merah besar di Semarang dan model SARIMA (0,1,1)(1,1,1)18 untuk harga cabai merah besar di Denpasar. Faktor yang mempengaruhi perubahan harga cabai merah adalah faktor harga jual cabai merah di PIKJ (X4 ). Faktor- faktor selanjutnya yang berpengaruh adalah harga cabai merah di tingkat produsen di kota i (X1 ), lag harga cabai merah (X2 ) dan variabel dummy (D1 ). Untuk faktor pasokan cabai di PIKJ tidak banyak berpengaruh pada perubahan harga cabai merah besar maupun cabai merah
keriting, hanya berpengaruh pada perubahan harga cabai merah besar di DKI Jakarta.
6.2.
Saran Setelah dilakukan peramalan, maka akan terlihat pada bulan apa harga
cabai merah akan mengalami peningkatan dan penurunan.
Hal yang dapat
dilakukan oleh pemerintah (Departemen Pertanian) adalah dengan menggalakan program penanaman suatu komoditas dengan menggunakan sistem perjanjian atau sistem kontrak, sehingga terdapat kepastian harga dari suatu komoditas (khususnya cabai merah). Selain itu hal yang dapat dilakukan adalah dengan mendistribusikan cabai merah secara merata atau sesuai proporsi permintaan masing- masing kota. Agar fluktuasi harga tidak terjadi terlalu besar, sebaiknya dilakukan suatu kebijakan yang mengatur harga cabai merah. Pengendalian harga cabai merah dapat dilakukan oleh pemerintah dengan melihat harga cabai merah di PIKJ. Hal ini dikarenakan harga jual di PIKJ berpengaruh terhadap pembentukan harga cabai merah di kota-kota lainnya (acuan pembentuk harga)
110
DAFTAR PUSTAKA Andrianto, N. M. 2000. Analisis Efisiensi Penggunaan Faktor-Faktor Produksi dan Pendapatan Usaha tani Cabai Merah Studi Kasus di Desa Karawang, Kecamatan Sukabumi, Kabupaten Sukabumi. [Skripsi]. Jurusan Ilmu- ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Badan Pusat Statistik. 2006. Statistik Indonesia. Jakarta. Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. IPB Press. Bogor. Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and Forcasting ini Business and Economic. Singapura:Mc. Graw Hill. Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis. PT. Prenhallindo. Jakarta. Lipsey, R.G., Courant, P.N., Purvis D.D, Steiner, P.O..1995. Pengantar Mikroekonomi (terjemahan). Jilid I. Ed ke-10.. Bina Rupa Aksara. Jakarta. Makridakis, S., Wheelwright, S.C., McGee, V.E. 1999. Metode dan Aplikasi Peramalan, Jilid I. Penerbit Erlangga. Jakarta. Manda, H. 2006 Analisis Permintaan Cabai oleh Restoran Padang di Kota Bogor. [Skripsi]. Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor. Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1, Badan Penerbit Fakultas Ekonomi Yogyakarta. Yogyakarta. Muslikh. 2000. Analisis Sistem Tata Niaga Cabai Rawit Merah (Capsicum frutescens) di DKI Jakarta. Studi Kasus Pasar Induk Kramat Jati, Pasar Jatinegara, dan Pasar Tanah Abang. [Skripsi]. Jurusan Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Nusantara, T. S. 2006. Peramalan dan Analisis Faktor-Faktor yang Mempengaruhi Permintaan Impor Buah-Buahan Indonesia. [Skripsi]. Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor Rozfaulina. 2000. Analisis Pendapatan Usahatani dan Saluran Pemasaran Cabai Merah Keriting. Kasus Tiga Desa di Kecamatan Sukaraja, Kabupaten Sukabumi, Jawa Barat. [Skripsi]. Jurusan Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor.
Sugiharta, F. 2002. Aplikasi Metode Peramalan terhadap Harga Komoditas Cabai Merah Sebagai Dasar Pengambilan Keputusan Para Pelaku Perdagangan : Studi Kasus Pasar Induk Kramat Jati. [Skripsi]. Departemen Ilmu-Ilmu Sosial Ekonomi Pertanian, Fakultas Pertanian, Institut Pertanian Bogor. Susanti, N. 2006. Peramalan Permintaan Cabai Merah : Studi Kasus Pasar Induk Kramat Jati, DKI Jakarta. [Skripsi]. Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor. www.deptan.go.id
112
Lampiran 1. Harga Rataan Cabai Merah di Enam Kota 2002-2006 Bulan
Jakarta
Bandung
Semarang
Yogyakarta
Surabaya
Denpasar
HCMB
HCMK
HCMB
HCMK
HCMB
HCMK
HCMB
HCMK
HCMB
HCMK
januari
13101,60
13223,20
11639,00
12240,20
8627,60
9634,20
8915,80
9167,40
9301,60
10372,60
8436,20
februari
12936,40
13285,40
11287,60
11632,40
8035,00
7799,60
8227,60
8426,00
8003,00
9322,00
7498,00
maret
10328,40
10776,80
9307,80
9483,80
6646,00
6388,20
6643,00
6980,60
7327,60
8499,20
7075,40
april
9860,40
10586,20
8604,20
9037,20
6263,00
6735,20
5890,20
6837,00
6600,20
8070,60
6630,00
mei
9641,20
10134,20
7976,40
8558,80
5821,40
6161,20
5364,20
5920,20
6058,80
6726,80
6426,80
juni
9221,00
9284,00
8017,80
8315,20
5809,80
6225,00
5738,20
6383,00
5705,20
6386,60
5969,00
juli
10119,80
10537,60
8956,60
9507,20
6271,40
6912,40
5355,20
6562,60
6898,20
7912,80
7117,20
agustus
10199,80
10593,00
8368,00
9190,40
5508,00
6348,89
4584,60
5631,80
6268,80
7209,00
7279,00
8842,00
9106,00
7888,40
8709,40
5371,00
6245,60
4734,60
5884,60
5290,60
6126,20
6954,60
oktober
11274,60
11717,20
10824,60
11314,20
7858,40
8392,00
6938,80
7519,20
7510,20
7942,60
8114,40
nopember
13126,50
13997,25
11633,00
13376,75
7522,50
9053,25
7111,50
7809,00
8512,00
8642,75
8491,00
desember
13698,50
13733,25
12040,00
12875,00
8939,75
8625,50
7455,50
8209,75
8084,75
9068,25
7152,00
september
HCMB
Keterangan ; HCMB : harga cabai merah besar HCMK : harga cabai merah keriting
113
114 Lampiran 2. Metode Trend Kuadratik Trend Analysis HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Fitted Trend Equation Yt = 8024,64 + 107,040*t
- 0,204528*t**2
Accuracy Measures MAPE: MAD: MSD:
Peramalan HCMB DKI Jakarta
28,2616 2995,17 13296259
Quadratic Trend Model Yt = 8024,64 + 107,040*t - 0,204528*t**2 Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast
F its
20000
HCMB DKI Jak
Row
14118,1 14198,3 14278,2 14357,6 14436,6 14515,2 14593,4 14671,2 14748,6 14825,6 14902,1 14978,3
F orecasts Actual F its F orecasts
15000
10000 MAPE: MAD: MSD:
5000 0
10
20
30
40
50
60
70
28 2995 13296259
80
Time
Trend Analysis: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Fitted Trend Equation Yt = 8408,76 + 105,792*t
- 0,173508*t**2
Accuracy Measures
Peramalan HCMK DKI Jakarta MAPE: MAD: MSD:
29,4310 3221,63 15715744
Quadratic Trend Model Yt = 8408,76 + 105,792*t - 0,173508*t**2 25000
Period
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
14552,2 14635,2 14717,9 14800,3 14882,3 14964,0 15045,3 15126,3 15207,0 15287,2 15367,2 15446,8
Actual F its
HCMK DKI Jakarts
Row
F orecasts Actual F its F orecasts
15000
MAPE: MAD: MSD:
5000 0
10
20
30
40
50
60
70
29 3222 15715744
80
Time
114
115 Lanjutan Lampiran 2. Trend Analysis: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Fitted Trend Equation Yt = 8448,39 + 24,6878*t
+ 0,401573*t**2
Accuracy Measures
Peramalan HCMB Bandung MAPE: MAD: MSD:
30,9684 2854,42 12864544
Quadratic Trend Model Yt = 8448,39 + 24,6878*t + 0,401573*t**2 Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast
F its
20000
HCMB Bandung
Row
11749,7 11827,0 11905,1 11984,0 12063,7 12144,2 12225,6 12307,7 12390,6 12474,3 12558,8 12644,1
F orecasts Actual F its F orecasts
15000
10000 MAPE: MAD: MSD:
5000 0
10
20
30
40
50
60
70
31 2854 12864544
80
Time
Trend Analysis: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Fitted Trend Equation Yt = 9088,76 + 31,7686*t
+ 0,201512*t**2
Accuracy Measures
Peramalan HCMK Bandung
29,5852 2973,45 14746077
Row
Period
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
12005,1 12063,3 12121,8 12180,8 12240,2 12300,0 12360,2 12420,7 12481,7 12543,1 12604,9 12667,1
Quadratic Trend Model Yt = 9088,76 + 31,7686*t + 0,201512*t**2 25000
Actual F its F orecasts
HCMK Bandung
MAPE: MAD: MSD:
Actual F its F orecasts
15000
MAPE: MAD: MSD:
5000 0
10
20
30
40
50
60
70
30 2973 14746077
80
Time
115
116 Lanjutan Lampiran 2. Trend Analysis: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Fitted Trend Equation Yt = 5078,43 + 82,4106*t
- 0,579153*t**2
Accuracy Measures
Peramalan HCMB Semarang
Row
38,6875 2393,58 9218645 Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Quadratic Trend Model Yt = 5078,43 + 82,4106*t - 0,579153*t**2 20000
Actual F its
Forecast HCMB Semarang
MAPE: MAD: MSD:
7988,19 7994,74 8000,12 8004,34 8007,41 8009,32 8010,07 8009,66 8008,09 8005,37 8001,49 7996,44
F orecasts Actual F its F orecasts
15000
10000
5000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
39 2394 9218645
80
Time
Trend Analysis: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Fitted Trend Equation Yt = 5901,90 + 45,2008*t
+ 7,91E-02*t**2
Accuracy Measures MAPE: MAD: MSD:
Peramalan HCMK Semarang
44,4167 2813,33 13145417
Quadratic Trend Model Yt = 5901,90 + 45,2008*t + 7,91E-02*t**2 22000
Period
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
9174,09 9229,65 9285,37 9341,25 9397,29 9453,48 9509,83 9566,34 9623,01 9679,84 9736,82 9793,96
Actual F its
HCMK Semarang
Row
F orecasts Actual F its F orecasts
12000
MAPE: MAD: MSD:
2000 0
10
20
30
40
50
60
70
44 2813 13145417
80
Time
116
117 Lanjutan Lampiran 2. Trend Analysis: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Fitted Trend Equation Yt = 5759,43 - 12,1641*t
+ 0,854121*t**2
Accuracy Measures
Peramalan HCMB Yogyakarta
Row
42,7429 2257,62 8488328 Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Quadratic Trend Model Yt = 5759,43 - 12,1641*t + 0,854121*t**2 20000
Actual F its
Forecast HCMB Yogyakarta
MAPE: MAD: MSD:
8577,43 8677,16 8778,59 8881,73 8986,58 9093,14 9201,41 9311,38 9423,07 9536,46 9651,56 9768,37
F orecasts Actual F its F orecasts
10000
MAPE: MAD: MSD:
0 0
10
20
30
40
50
60
70
43 2258 8488328
80
Time
Trend Analysis: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Fitted Trend Equation Yt = 5821,93 + 53,2509*t
- 0,271953*t**2
Accuracy Measures MAPE: MAD: MSD:
Peramalan HCMK Yogyakarta
41,8961 2563,85 10570025
Quadratic Trend Model Yt = 5821,93 + 53,2509*t - 0,271953*t**2 20000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 8134,24 8151,86 8168,94 8185,48 8201,47 8216,92 8231,83 8246,19 8260,01 8273,28 8286,01 8298,20
Actual F its
HCMK Yogyakaeta
Row
F orecasts Actual F its F orecasts
15000
10000
5000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
42 2564 10570025
80
Time
117
118 Lanjutan Lampiran 2. Trend Analysis: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Fitted Trend Equation Yt = 5598,40 + 52,2186*t
- 4,26E-02*t**2
Accuracy Measures
Peramalan HCMB Surabaya MAPE: MAD: MSD: Row
41,6334 2569,59 9960526 Period
Quadratic Trend Model Yt = 5598,40 + 52,2186*t - 4,26E-02*t**2 19000
Actual F its
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
HCMB Surabaya
F orecasts
8812,45 8859,09 8905,63 8952,10 8998,47 9044,77 9090,97 9137,09 9183,13 9229,08 9274,94 9320,72
Actual F its F orecasts
14000
9000
MAPE: MAD: MSD:
4000 0
10
20
30
40
50
60
70
42 2570 9960526
80
Time
Trend Analysis: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Fitted Trend Equation Yt = 6045,34 + 65,6247*t
+ 1,16E-02*t**2
Accuracy Measures
Row 1 2 3 4 5 6 7 8 9 10 11 12
Peramalan HCMK Surabaya
40,1024 2821,17 10770300 Period 65 66 67 68 69 70 71 72 73 74 75 76
Quadratic Trend Model Yt = 6045,34 + 65,6247*t + 1,16E-02*t**2 19000
Actual F its
Forecast 10359,9 10427,0 10494,2 10561,4 10628,6 10695,8 10763,1 10830,3 10897,6 10965,0 11032,3 11099,7
F orecasts
HCMK Surabaya
MAPE: MAD: MSD:
Actual F its F orecasts
14000
9000
MAPE: MAD: MSD:
4000 0
10
20
30
40
50
60
70
40 2821 10770300
80
Time
118
119 Lanjutan Lampiran 2. Trend Analysis: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Fitted Trend Equation Yt = 5126,17 + 125,194*t
- 1,37045*t**2
Accuracy Measures
Peramalan HCMB Surabaya MAPE: MAD: MSD:
33,2176 2114,14 6975384
Quadratic Trend Model Yt = 5126,17 + 125,194*t - 1,37045*t**2 15000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Actual F its
Forecast 7473,59 7419,25 7362,18 7302,36 7239,80 7174,50 7106,46 7035,68 6962,16 6885,89 6806,89 6725,15
HCMB Denpasar
Row
F orecasts Actual F its F orecasts
10000
5000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
33 2114 6975384
80
Time
119
120 Lampiran 3. Metode Pemulusan Eksponensial Tunggal Single Exponential Smoothing: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Peramalan HCMB DKI Jakarta
Actual
Smoothing Constant Alpha: 0,781921
HCMB DKI Jakarta
Predicted
Accuracy Measures MAPE: 17 MAD: 1986 MSD: 8672584 Row
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7 10613,7
5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69 5747,69
15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8 15479,8
20000
Forecast Actual Predicted Forecast
15000
Smoothing Constant Alpha: 0,782
10000
MAPE: MAD: MSD:
5000 0
10
20
30
40
50
60
17 1986 8672584
70
Time
Single Exponential Smoothing: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Peramalan HCMK DKI Jakarta
Smoothing Constant Alpha: 0,733993
Actual
25000
HCMK DKI Jakarta
Predicted
Accuracy Measures MAPE: 19 MAD: 2277 MSD: 10759485 Row
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2 10968,2
5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27 5390,27
16546,1 16546,1 1 6546,1 16546,1 16546,1 16546,1 16546,1 16546,1 16546,1 16546,1 16546,1 16546,1
Forecast Actual Predicted Forecast
15000 Smoothing Constant Alpha: 0,734 MAPE:
19
MAD: 2277 MSD: 10759485
5000 0
10
20
30
40
50
60
70
Time
120
121 Lanjutan Lampiran 3. Single Exponential Smoothing: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Peramalan HCMB Bandung
Actual
Smoothing Constant Alpha: 0,700358
Period
Forecast
Lower
Upper
HCMB Bandung
Accuracy Measures MAPE: 21 MAD: 2094 MSD: 9180275 Row
Predicted
20000
Forecast Actual Predicted Forecast
15000
Smoothing Constant Alpha: 0,700
10000
MAPE:
5000
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88 9203,88
4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79 4072,79
14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0 14335,0
MAD: MSD:
0
10
20
30
40
50
60
21 2094 9180275
70
Time
Single Exponential Smoothing: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Peramalan HCMK Bandung
24000
Smoothing Constant Alpha: 0,734506
Predicted
Period
Forecast
Lower
Upper
HCMK Bandung
Forecast
Accuracy Measures MAPE: 20 MAD: 2204 MSD: 9992179 Row
Actual
Actual Predicted Forecast
14000 Smoothing Constant Alpha: 0,735 MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09 9314,09
3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22 3914,22
14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0 14714,0
MAD: MSD:
4000 0
10
20
30
40
50
60
70
Time
121
20 2204 9992179
122 Lanjutan Lampiran 3. Single Exponential Smoothing: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Peramalan HCMB Semarang
20000
Smoothing Constant Alpha: 0,606998
Period
Forecast
Lower
Upper
HCMB Semarang
Predicted
Accuracy Measures MAPE: 28 MAD: 1915 MSD: 7527821 Row
Actual Forecast Actual Predicted Forecast
10000 Smoothing Constant Alpha: 0,607 MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77 5600,77
909,183 909,183 909,183 909,183 909,183 909,183 909,183 909,183 909,183 909,183 909,183 909,183
10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3 10292,3
MAD: MSD:
0 0
10
20
30
40
50
60
28 1915 7527821
70
Time
Single Exponential Smoothing: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Peramalan HCMK Semarang
Actual
Smoothing Constant Alpha: 0,567728
Period
Forecast
Lower
Upper
HCMK Semarang
Accuracy Measures MAPE: 33 MAD: 2363 MSD: 11149492 Row
Predicted
20000
Forecast Actual Predicted Forecast
10000 Smoothing Constant Alpha: 0,568 MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66 6399,66
610,366 610,366 610,366 610,366 610,366 610,366 610,366 610,366 610,366 610,366 610,366 610,366
12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9 12188,9
33
MAD: 2363 MSD: 11149492
0 0
10
20
30
40
50
60
70
Time
122
123 Lanjutan Lampiran 3. Single Exponential Smoothing: HCMB Yogyakarts HCMB Yogyakarts 58,0000 0
Peramalan HCMB Yogyakarta
Actual
Smoothing Constant Alpha: 0,622670
17000
Accuracy Measures MAPE: 28 MAD: 1709 MSD: 6518532 Row
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87 5564,87
1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08 1377,08
9752,67 9752,67 9752,67 9752,67 9752,67 9752,67 9752,67 9752,67 9752,6 7 9752,67 9752,67 9752,67
HCMB Yogyakarta
Data Length NMissing
Predicted Forecast Actual Predicted Forecast
12000
Smoothing Constant Alpha: 0,623
7000
MAPE:
2000
MAD: MSD:
0
10
20
30
40
50
60
28 1709 6518532
70
Time
Single Exponential Smoothing: HCMK Yogyakarta HCMK Yogyakarta 58,0000 0
Peramalan HCMK Yogyakarta
Smoothing Constant Alpha: 0,640077
Actual
20000
Predicted
Accuracy Measures MAPE: 30 MAD: 2037 MSD: 8119667 Row
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37 6069,37
1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50 1078,50
11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2 11060,2
HCMK Yogyakarta
Data Length NMissing
Forecast Actual Predicted Forecast
15000
10000 Smoothing Constant Alpha: 0,640
5000 MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
Time
123
30 2037 8119667
124 Lanjutan Lampiran 3. Single Exponential Smoothing: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Peramalan HCMB Surabaya
Actual
Smoothing Constant Alpha: 0,615501
Predicted
15000
Period
10000
Forecast
Lower
Upper
HCMB Surabaya
Row
Forecast Actual Predicted Forecast
Accuracy Measures MAPE: 29 MAD: 2037 MSD: 7880484
Smoothing Constant Alpha: 0,616
5000
MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33 5122,33
131,654 131,654 131,654 131,654 131,654 131,654 131,654 131,654 131,654 131,654 131,654 131,654
MAD: MSD:
0
10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0 10113,0
0
10
20
30
40
50
60
29 2037 7880484
70
Time
Single Exponential Smoothing: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Peramalan HCMK Surabaya
Actual
Smoothing Constant Alpha: 0,644129
17000
Period
Forecast
Lower
Upper
HCMK Surabaya
Forecast
Accuracy Measures MAPE: 26 MAD: 1985 MSD: 8017078 Row
Predicted Actual Predicted Forecast
12000
Smoothing Constant Alpha: 0,644
7000
MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20 6254,20
1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65 1390,65
11117,7 11117,7 11117,7 11117,7 11117,7 1 1117,7 11117,7 11117,7 11117,7 11117,7 11117,7 11117,7
2000
MAD: MSD:
0
10
20
30
40
50
60
70
Time
124
26 1985 8017078
125 Lanjutan Lampiran 3. Single Exponential Smoothing: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Peramalan HCMB Denpasar
Smoothing Constant Alpha: 0,665455
Predicted
Period
Forecast
Lower
Upper
HCMB Denpasar
Forecast
Accuracy Measures MAPE: 23 MAD: 1663 MSD: 5151917 Row
Actual
15000
Actual Predicted Forecast
10000
Smoothing Constant Alpha: 0,665
5000
MAPE:
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01 5234,01
1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85 1158,85
9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18 9309,18
MAD: MSD:
0
10
20
30
40
50
60
70
Time
125
23 1663 5151917
126 Lampiran 4. Metode Pemulusan Eksponensial Ganda Double Exponential Smoothing: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 1,14609(actual) Gamma (trend): -0,02146(actual)
1,14609(adjusted) 0,01000(adjusted)
Accuracy Measures MAPE: 17 MAD: 2016 MSD: 9881168
Peramalan HCMB DKI Jakarta
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 11314,3 11381,0 11447,7 11514,3 11581,0 11647,7 11714,3 11781,0 11847,7 11914,4 11981,0 12047,7
Lower -14756,5 -18266,2 -21778,1 -25291,5 -28806,1 -32321,6 -35837,8 -39354,5 -42871,6 -46389,1 -49906,9 -53424,9
Upper 37385,2 41028,2 44673,4 48320,2 51968,2 55617,0 59266,5 62916,5 66567,0 70217,8 73868,9 77520,3
Predicted
HCMB DKI Jakarta
Row
Forecast
50000
Actual Predicted Forecast
0
Smoothing Constants Alpha (level): 1,146 G amma (trend): 0,010 MAPE: MAD: MSD:
-50000 0
10
20
30
40
50
60
17 2016 9881168
70
Time
Double Exponential Smoothing: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 1,26508(actual) Gamma (trend): -0,04372(actual)
1,26508(adjusted) 0,01000(adjusted)
Accuracy Measures MAPE: 19 MAD: 2322 MSD: 13479279
Peramalan HCMK DKI Jakarta
Actual
100000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
11803,8 11871,9 11940,0 12008,1 12076,2 12144,3 12212,3 12280,4 12348,5 12416,6 12484,7 12552,8
-22921,6 -27740,9 -32561,9 -37384,2 -42207,3 -47031,0 -51855,3 -56680,0 -61505,0 -66330,3 -71155,7 -75981,4
46529 51485 56442 61400 66360 71320 76280 81241 86202 91163 96125 101087
Predicted Forecast
HCMK DKI Jak
Row
Actual Predicted Forecast
50000
0 Smoothing Constants Alpha (level): 1,265 G amma (trend): 0,010
-50000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
Time
126
19 2322 13479279
127 Lanjutan Lampiran 4. Double Exponential Smoothing: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,886977 Gamma (trend): 0,024359 Accuracy Measures MAPE: 23 MAD: 2262 MSD: 10402972
Peramalan HCMB Bandung
60000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 8916,62 8833,70 8750,78 8667,86 8584,94 8502,02 8419,10 8336,18 8253,26 8170,34 8087,42 8004,50
Lower -11661,6 -14341,9 -17027,4 -19716,9 -22409,2 -25103,7 -27800,0 -30497,7 -33196,5 -35896,2 -38596,7 -41297,8
Actual Predicted
Upper 29494,8 32009,3 34529,0 37052,6 39579,1 42107,8 44638,2 47170,0 4 9703,0 52236,9 54771,5 57306,8
HCMB Bandung
Row
40000
Forecast
20000
Actual Predicted Forecast
0
Smoothing Constants Alpha (level): 0,887 G amma (trend): 0,024
-20000
MAPE: MAD: MSD:
-40000 0
10
20
30
40
50
60
23 2262 10402972
70
Time
Double Exponential Smoothing: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,891323 Gamma (trend): 0,028008 Accuracy Measures MAPE: 21 MAD: 2245 MSD: 10991083
Peramalan HCMK Bandung
60000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 8793,77 8696,27 8598,78 8501,29 8403,79 8306,30 8208,80 8111,31 8013,81 7916,32 7818,83 7721,33
Lower -11765,3 -14462,5 -17165,0 -19871,2 -22580,3 -25291,6 -28004,5 -30718,8 -33434,3 -36150,6 -38867,6 -41585,3
Actual Predicted
Upper 29352,8 31855,1 34362,5 36873,8 39387,9 41904,2 44422,1 46941,5 49461,9 51983,2 54505,3 57028,0
HCMK Bandung
Row
40000
Forecast
20000
Actual Predicted Forecast
0
Smoothing Constants Alpha (level): 0,891 G amma (trend): 0,028
-20000
MAPE: MAD: MSD:
-40000 0
10
20
30
40
50
60
70
Time
127
21 2245 10991083
128 Lanjutan Lampiran 4. Double Exponential Smoothing: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,770205 Gamma (trend): 0,033342 Accuracy Measures MAPE: 28 MAD: 1989 MSD: 8174452
Peramalan HCMB Semarang
40000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5034,28 4947,25 4860,21 4773,18 4686,14 4599,11 4512,07 4425,04 4338,00 4250,96 4163,93 4076,89
Lower -10101,9 -11989,0 -13882,4 -15780,4 -17681,8 -19586,1 -21492,4 -23400,5 -25310,0 -27220,6 -29132,2 -31044,6
20170,4 21883,5 23602,8 25326,7 27054,1 28784,3 30516,5 32250,6 33986,0 35722,5 37460,1 39198,4
Actual Predicted
Upper
30000
HCMB Semarang
Row
Forecast Actual Predicted Forecast
20000 10000 0
Smoothing Constants Alpha (level): 0,770 G amma (trend): 0,033
-10000 -20000
MAPE: MAD: MSD:
-30000 0
10
20
30
40
50
60
28 1989 8174452
70
Time
Double Exponential Smoothing: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,775175 Gamma (trend): 0,032010 Accuracy Measures MAPE: 33 MAD: 2453 MSD: 12081557
Peramalan HCMK Semarang
Actual
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5886,31 5802,82 5719,32 5635,83 5552,33 5468,84 5385,34 5301,85 5218,35 5134,86 5051,36 4967,87
-12931,9 -15260,1 -17595,8 -19937,2 -22282,9 -24631,9 -26983,4 -29337,1 -31692,4 -34049,2 -36407,2 -38766,1
24704,6 26865,7 29034,5 31208,9 33387,6 35569,5 37754,1 39940,8 42129,1 44318,9 46509,9 48701,9
Predicted
40000
HCMK Semarang
Row
Forecast Actual Predicted Forecast
20000
0 Smoothing Constants Alpha (level): 0,775 G amma (trend): 0,032
-20000
MAPE: MAD: MSD:
-40000 0
10
20
30
40
50
60
70
Time
128
33 2453 12081557
129 Lanjutan Lampiran 4. Double Exponential Smoothing: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,822368 Gamma (trend): 0,032450 Accuracy Measures MAPE: 28 MAD: 1822 MSD: 7355295
Peramalan HCMB Yogyakarta
Actual
40000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5022,31 4944,08 4865,85 4787,62 4709,39 4631,16 4552,93 4474,70 4396,46 4318,23 4240,00 4161,77
Lower -10023,3 -11943,7 -13869,0 -15798,1 -17730,0 -19664,0 -21599,7 -23536,8 -25474,9 -27414,0 -29353,8 -31294,3
Upper 20068,0 21831,8 23600,7 25373,4 27148,8 28926,3 30705,6 32486,1 34267,8 36050,5 37833,8 39617,8
Predicted
HCMB Yogyakarta
Row
30000
Forecast Actual Predicted Forecast
20000 10000 0
Smoothing Constants Alpha (level): 0,822 G amma (trend): 0,032
-10000 -20000
MAPE: MAD: MSD:
-30000 0
10
20
30
40
50
60
28 1822 7355295
70
Time
Double Exponential Smoothing: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,822846 Gamma (trend): 0,031830 Accuracy Measures MAPE: 30 MAD: 2132 MSD: 9042885
Peramalan HCMK Yogyakarta
Actual
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5567,51 5487,98 5408,44 5328,91 5249,37 5169,84 5090,30 5010,77 4931,23 4851,70 4772,16 4692,63
-12051,2 -14288,3 -16531,4 -18778,8 -21029,5 -23282,7 -25537,8 -27794,6 -30052,6 -32311,7 -34571,7 -36832,4
23186,2 25264,3 27348,3 29436,7 31528,3 33622,4 35718,5 37816,1 39915,1 42015,1 44116,0 46217,6
40000
Predicted Forecast
HCMK Yogyaka
Row
Actual Predicted Forecast
20000
0 Smoothing Constants Alpha (level): 0,823 G amma (trend): 0,032
-20000
MAPE: MAD: MSD:
-40000 0
10
20
30
40
50
60
70
Time
129
30 2132 9042885
130 Lanjutan Lampiran 4. Double Exponential Smoothing: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,804590 Gamma (trend): 0,017883 Accuracy Measures MAPE: 28 MAD: 2036 MSD: 8572600
Peramalan HCMB Surabaya
Actual
40000
Period
1 2 3 4 5 6 7 8 9 10 11 12
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
4155,43 4035,84 3916,26 3796,68 3677,10 3557,52 3437,94 3318,35 3198,77 3079,19 2959,61 2840,03
Lower -12201,5 -14304,9 -16414,3 -18528,0 -20645,0 -22764,5 -24886,0 -27009,1 -29133,5 -31258,9 -33385,3 -35512,4
Predicted
Uppe r 20512,3 22376,6 24246,8 26121,4 27999,2 29879,5 31761,9 33645,8 35531,0 37417,3 39304,5 4 1192,4
Forecast
HCMB Surabaya
Row
Actual Predicted Forecast
20000
0 Smoothing Constants Alpha (level): 0,805 G amma (trend): 0,018
-20000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
28 2036 8572600
70
Time
Double Exponential Smoothing: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,803603 Gamma (trend): 0,024194 Accuracy Measures MAPE: 26 MAD: 2049 MSD: 8693590
Peramalan HCMK Surabaya
Actual
40000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5330,47 5218,44 5106,41 4994,38 4882,35 4770,32 4658,29 4546,26 4434,23 4322,19 4210,16 4098,13
Lower -11102,7 -13206,8 -15316,9 -17431,3 -19549,0 -21669,3 -23791,6 -25915,5 -28040,7 -30167,0 -32294,1 -34422,1
Predicted
Upper 21763,7 23643,7 25529,7 27420,1 29313,7 31209,9 33108,2 35008,0 36909,1 38811,3 40714,5 42618,4
Forecast
HCMK Surabaya
Row
Actual Predicted Forecast
20000
0 Smoothing Constants Alpha (level): 0,804 G amma (trend): 0,024
-20000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
Time
130
26 2049 8693590
131 Lanjutan Lampiran 4. Double Exponential Smoothing: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Smoothing Constants Alpha (level): 0,792804 Gamma (trend): 0,037743 Accuracy Measures MAPE: 24 MAD: 1739 MSD: 5609375
Peramalan HCMB Denpasar
Actual
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 4331,03 4212,52 4094,02 3975,51 3857,00 3738,49 3619,98 3501,47 3382,97 3264,46 3145,95 3027,44
Lower -9383,5 -11154,7 -12931,0 -14711,1 -16494,1 -18279,3 -20066,3 -21854,7 -23644,3 -25434,8 -27226,1 -29018,0
30000
Upper 18045,6 19579,7 21119,0 22662,1 24208,1 25756,3 27306,3 28857,7 30410,2 31963,7 33518,0 35072,9
Predicted Forecast
HCMB Denpasar
Row
20000
Actual Predicted Forecast
10000 0
Smoothing Constants Alpha (level): 0,793 G amma (trend): 0,038
-10000 -20000
MAPE: MAD: MSD:
-30000 0
10
20
30
40
50
60
70
Time
131
24 1739 5609375
132 Lampiran 5. Metode Winters Aditif Winters' Additive: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 0,78 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 18 MAD: 1944 MSD: 7265926 Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 10848,3 10462,8 11396,2 11510,8 10187,6 12655,0 15105,9 15716,9 15730,8 15594,8 13020,4 12586,7
50000
Lower -4182,5 -6365,9 -7236,5 -8930,2 -12065,1 -11412,0 -10777,4 -11984,4 -13789,7 -15746,1 -20141,8 -22397,6
Upper 25879,1 27291,5 30028,9 31951,9 32440,3 36722,0 40989,2 43418,1 45251,4 46935,8 46182,6 47571,0
HCMB DKI Jakarta
Row
Peramalan HCMB DKI Jakarta
Actual Predicted
40000
Forecast
30000
Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,780 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
18 1944 7265926
70
Time
Winters' Additive: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 0,72 Gamma (trend): 0,02 Delta (seasonal): 0,01 Accuracy Measures MAPE: 20 MAD: 2241 MSD: 9177465
Peramalan HCMK DKI Jakarta
Actual
50000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
12043,8 11315,9 12691,7 12869,3 11504,4 14238,1 17207,1 17070,2 17262,7 17442,0 15054,3 14985,5
-3686,8 -6225,1 -6667,6 -8314,3 -11507,8 -10606,4 -9472,4 -11446,5 -13093,0 -14754,3 -18983,9 -20895,6
27774,5 28856,9 32051,0 34052,8 34516,7 39082,5 43886,5 45586,9 47618,4 49638,3 49092,4 50866,5
Predicted
HCMK DKI Jakarta
Row
Forecast Actual Predicted Forecast
25000
Smoothing Constants Alpha (level): 0,720 Gamma (trend):0,020 Delta (season): 0,010
0
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
Time
132
20 2241 9177465
133 Lanjutan Lampiran 5. Winters' Additive: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,70 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 23 MAD: 2118 MSD: 8000798
Peramalan HCMB Bandung
Actual
40000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 7952,7 8019,0 8982,3 8418,4 7963,5 10924,5 12041,9 12477,7 12398,5 12066,8 10110,4 9431,0
Lower -6430,4 -7995,3 -8671,0 -10879,8 -12984,0 -11675,8 -12214,0 -13436,0 -15174,9 -17167,8 -20786,7 -23129,7
Predicted
Upper 22335,7 24033,2 26635,6 27716,5 28911,0 33524,8 36297,8 38391,5 39972,0 41301,4 41007,5 41991,7
HCMB Bandung
Row
Forecast
30000
Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,700 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
23 2118 8000798
70
Time
Winters' Additive: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,70 Gamma (trend): 0,05 Delta (seasonal): 0,01 Accuracy Measures MAPE: 22 MAD: 2244 MSD: 8837097
Peramalan HCMK Bandung
Actual
40000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 7083,4 6745,2 7842,3 7430,8 6855,1 9365,3 11587,3 10995,9 10537,5 9828,1 7582,7 7040,7
Lower -8155,5 -10221,9 -10861,4 -13015,6 -15338,8 -14579,7 -14111,8 -16459,7 -18676,5 -21146,0 -25152,7 -27457,3
Predicted
Upper 22322,2 23712,3 26546,0 27877,2 29048,9 33310,3 37286,5 38451,5 39751,6 40802,1 40318,2 41538,8
HCMK Bandung
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,700 Gamma (trend):0,050 Delta (season): 0,010
0 -10000 -20000
MAPE: MAD: MSD:
-30000 0
10
20
30
40
50
60
70
Time
133
22 2244 8837097
134 Lanjutan Lampiran 5. Winters' Additive: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,61 Gamma (trend): 0,02 Delta (seasonal): 0,01 Accuracy Measures MAPE: 31 MAD: 2010 MSD: 6800372
Peramalan HCMB Semarang
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5705,68 5778,03 6323,38 5643,83 5590,78 8162,28 8190,11 9697,48 9767,99 9254,31 7947,48 7647,59
Lower -5994,1 -7145,8 -7833,3 -9752,6 -11050,6 -9728,2 -10952,8 -10700,6 -11887,5 -13660,5 -16228,2 -17790,3
30000
Upper 17405,4 18701,8 20480,1 21040,3 22232, 1 26052,7 27333,0 30095,5 31423,5 32169,1 32123,1 33085,5
HCMB Semarang
Row
Predicted Forecast Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,610 Gamma (trend):0,020 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
31 2010 6800372
70
Time
Winters' Additive: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,61 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 38 MAD: 2497 MSD: 10536445
Peramalan HCMK Semarang
40000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5806,0 5896,4 6610,1 6072,9 5996,2 8169,3 9146,6 8751,6 10095,7 8281,4 6894,4 7266,9
Lower -8724,5 -10154,4 -10972,0 -13048,8 -14671,6 -14049,9 -14628,1 -16581,9 -16799,4 -20177,7 -23130,7 -24325,8
20336,6 21947,2 24192,1 25194,5 26664,1 30388,5 32921,2 34085,1 36990,9 36740,6 36919,5 38859,6
Actual Predicted
Upper HCMK Semarang
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,610 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000
0
10
20
30
40
50
60
70
Time
134
38 2497 10536445
135 Lanjutan Lampiran 5. Winters' Additive: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,55 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 30 MAD: 1681 MSD: 5234376
Peramalan HCMB Yogyakarta
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
5967,0 6414,7 6105,3 5408,2 5631,9 7910,0 8379,7 8800,8 10568,4 9952,2 8440,8 7761,4
Lower -2819,1 -3226,9 -4400,0 -5967,2 -6618,4 -5219,3 -5631,9 -6095,7 -5215,2 -6720,4 -9122,3 -10693,6
Upper 14753,1 16056,3 16610,6 16783,5 17882,2 21039,3 22391,3 23697,3 26352,0 26624,7 26003,9 26216,4
Predicted
HCMB Yogyakarta
Row
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,550 Gamma (trend):0,010 Delta (season): 0,010
0
MAPE: MAD: MSD:
-10000 0
10
20
30
40
50
60
30 1681 5234376
70
Time
Winters' Additive: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,63 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 34 MAD: 2172 MSD: 7406680
Peramalan HCMK Yogyakarta
40000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6558,6 7160,2 7478,6 6686,4 7078,1 8851,7 9497,4 10041,1 11366,9 10760,9 9453,2 9448,0
-6533,7 -7329,9 -8418,7 -10625,0 -11652,9 -11303,2 -12084,8 -12971,1 -13077,6 -15118,0 -17861,5 -19304,0
19650,9 21650,4 23375,9 23997,9 25809,2 29006,5 31079,5 33053,3 35811,5 36639,7 36767,9 38200,0
Actual Predicted
HCMK Yogyakarta
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,630 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
135
34 2172 7406680
136 Lanjutan Lampiran 5. Winters' Additive: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,62 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 32 MAD: 2065 MSD: 7005316
Peramalan HCMB Surabaya
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5841,8 5605,1 6914,7 6401,9 5540,4 7877,0 9283,2 8979,4 10617,3 9433,2 8874,1 8263,0
Lower -6387,6 -7917,1 -7909,3 -9730,6 -11906,0 -10887,4 -10802,5 -12430,4 -12118,8 -14631,0 -16519,9 -18462,1
18071,2 19127,3 21738,6 22534,4 22986,8 26641,3 29368,9 30389,1 33353,4 33497,5 34268,2 34988,2
Predicted
30000
Upper
Forecast
HCMB Surabaya
Row
Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,620 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
32 2065 7005316
70
Time
Winters' Additive: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,64 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 28 MAD: 2050 MSD: 6951068
Peramalan HCMK Surabaya
40000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
7302,8 7090,0 8743,3 8166,5 7210,9 9154,7 10370,4 10929,4 12765,0 11838,9 11142,7 10840,8
-5270,2 -6838,4 -6549,0 -8496,2 -10827,3 -10262,8 -10429,6 -11255,7 -10807,3 -13122,3 -15209,0 -16902,5
19875,7 21018,3 24035,6 24829,3 25249,0 28572,2 31170,4 33114,6 36337,3 36800,2 37494,3 38584,2
Actual Predicted
HCMK Surabaya
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,640 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
0
10
20
30
40
50
60
70
Time
136
28 2050 6951068
137 Lanjutan Lampiran 5. Winters' Additive: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Smoothing Constants Alpha (level): 0,70 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 24 MAD: 1653 MSD: 4715983
Peramalan HCMB Denpasar
Actual
30000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 4743,22 4332,62 5527,94 5736,88 5459,54 6666,71 7345,78 6061,53 7664,00 6771,43 6395,46 5997,07
Lower -6481,9 -8165,6 -8249,4 -9324,2 -10888,8 -10971,5 -11584,6 -14162,7 -13855,5 -16044,5 -17718,0 -19414,7
Predicted
Upper 15968,4 16830,8 19305,3 20798,0 21807,9 24305,0 26276,1 26285,7 29183,5 29587,4 30508,9 31408,8
Forecast
HCMB Denpasar
Row
20000
Actual Predicted Forecast
10000
Smoothing Constants Alpha (level): 0,700 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
137
24 1653 4715983
138 Lampiran 6. Metode Winters Multiplikatif Winters' multiplicative: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 0,79 Gamma (trend): 0,02 Delta (seasonal): 0,01 Accuracy Measures MAPE: 18 MAD: 1976 MSD: 7217340
Peramalan HCMB DKI Jakarta
Actual
50000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 11108,7 10796,2 12049,6 12331,2 10901,1 14054,4 16807,9 17891,9 17435,0 17498,4 14139,3 13692,0
Lower -4410,8 -6590,4 -7210,1 -8806,0 -12116,9 -10846,9 -9978,7 -10781,6 -13126,8 -14952,8 -20202,1 -22540,4
Upper 26628,2 28182,9 31309,4 33468,4 33919,0 38955,6 43594,5 46565,4 47996,8 49949,5 48480,6 49924,4
Predicted
HCMB DKI Jakarta
Row
40000
Forecast
30000
Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,790 Gamma (trend):0,020 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
18 1976 7217340
70
Time
Winters' Multiplicative: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Smoothing Constants Alpha (level): 0,70 Gamma (trend): 0,04 Delta (seasonal): 0,01 Accuracy Measures MAPE: 20 MAD: 2213 MSD: 8966102
Peramalan HCMK DKI Jakarta
Actual
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
10426,9 9557,1 10864,1 10940,5 9447,7 12099,2 14630,3 14456,4 14001,9 14110,6 11437,9 11252,5
-4601,4 -7175,5 -7581,0 -9223,3 -12439,4 -11514,9 -10713,6 -12619,8 -14808,4 -16435,4 -20845,1 -22768,7
2 5455,1 26289,7 29309,3 31104,3 31334,9 35713,3 39974,3 41532,5 42812,2 44656,6 43721,0 45273,8
40000
Predicted Forecast
HCMK DKI Jak
Row
Actual Predicted Forecast
20000
Smoothing Constants Alpha (level): 0,700 Gamma (trend):0,040 Delta (season): 0,010
0
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
138
20 2213 8966102
139 Lanjutan Lampiran 6. Winters' multiplicative: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,70 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 22 MAD: 2070 MSD: 7711619
Peramalan HCMB Bandung
Actual
40000
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 7894,4 7966,1 8966,5 8433,1 8009,1 11023,6 12006,0 12549,9 12239,1 11952,4 9904,4 9204,6
Lower -6164,2 -7687,0 -8288,7 -10429,8 -12465,9 -11067,0 -11702,8 -12779,4 -14712,5 -16622,8 -20295,9 -22621,7
Predicted
Upper 21953,1 23619,1 26221,6 27296, 0 28484,2 33114,2 35714,9 37879,2 39190,6 40527,7 40104,6 41030,9
HCMB Bandung
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,700 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
22 2070 7711619
70
Time
Winters' Multiplicative: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Smoothing Constants Alpha (level): 0,67 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 22 MAD: 2228 MSD: 8304749
Peramalan HCMK Bandung
Actual
40000
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 8188,1 8000,2 9231,2 9000,4 8611,7 11233,2 13460,2 13102,3 12600,0 12060,7 9902,1 9504,3
Lower -6195,8 -7976,3 -8346,8 -10185,6 -12187,4 -11182,8 -10576,0 -12556,6 -14683,8 -16849,7 -20636,3 -22663,5
Predicted
Upper 22572,1 23976,8 26809,2 28186,3 29410,7 33649,2 37496,4 38761,2 39883,8 40971,1 40440,5 41672,0
HCMK Bandung
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,670 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
139
22 2228 8304749
140 Lanjutan Lampiran 6. Winters' Multiplicative: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,65 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 29 MAD: 1958 MSD: 6485957
Peramalan HCMB Semarang
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Forecast 5092,75 5100,80 5546,55 4903,56 4816,65 7053,43 6874,25 8233,55 8027,40 7518,39 6247,01 5918,37
Lower -7125,0 -8446,2 -9337,8 -11324,2 -12759,2 -11874,1 -13408,0 -13405,7 -14970,9 -16840,5 -19473,9 -21165,7
Upper 17310,5 18647,8 20430,9 21131,3 22392,5 25981,0 27156,5 29872,8 31025,7 31877,3 31967,9 33002,4
HCMB Semarang
Row
30000
Predicted Forecast
20000
Actual Predicted Forecast
10000
Smoothing Constants Alpha (level): 0,650 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
29 1958 6485957
70
Time
Winters' Multiplicative: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Smoothing Constants Alpha (level): 0,60 Gamma (trend): 0,03 Delta (seasonal): 0,01 Accuracy Measures MAPE: 37 MAD: 2489 MSD: 10470637
Peramalan HCMK Semarang
40000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5885,8 5986,9 6724,6 6245,8 6202,7 8354,4 9213,9 8879,3 10055,6 8207,2 6780,0 7208,3
-8346,7 -9718,7 -10465,2 -12436,8 -13979,4 -13332,4 -13981,9 -15828,9 -16167,9 -19533,9 -22480,8 -23573,9
20118,3 21692,5 23914,5 24928,4 26384,8 30041,2 32409,6 33587,4 36279,0 35948,4 36040,8 37990,5
Actual Predicted
HCMK Semarang
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,600 Gamma (trend):0,030 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000
0
10
20
30
40
50
60
70
Time
140
37 2489 10470637
141 Lanjutan Lampiran 6. Winters' Multiplicative: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,51 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 29 MAD: 1660 MSD: 5138778
Peramalan HCMB Yogyakarta
Actual
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
5993,9 6500,1 6157,6 5350,3 5601,8 8261,5 8682,7 9265,2 11263,2 10534,9 8609,0 7728,8
-2068,80 -2302,49 -3393,42 -4955,85 -5464,77 -3569,79 -3916,78 -4105,36 -2880,91 -4384,79 -7088,03 -8747,06
14056,5 15302,7 15708,7 15656,5 16668,4 20092,8 21282,2 22635,8 25407,3 25454,6 24306,0 24204,6
Predicted
HCMB Yogyakarta
Row
20000
Forecast Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,510 Gamma (trend):0,010 Delta (season): 0,010
0
MAPE: MAD: MSD:
-10000 0
10
20
30
40
50
60
29 1660 5138778
70
Time
Winters' Multiplicative: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Smoothing Constants Alpha (level): 0,60 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 33 MAD: 2159 MSD: 7333851
Peramalan HCMK Yogyakarta
Row 1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 6435,4 7083,6 7435,2 6521,3 6951,8 8992,6 9620,2 10339,3 11811,8 11058,3 9325,8 9289,6
Lower -5912,4 -6542,2 -7478,3 -9687,3 -10557,7 -9822,3 -10503,9 -11096,9 -10939,1 -13009,3 -16060,2 -17416,4
Upper 18783,2 20709,4 22348,7 22729,9 24461,3 27807,6 29744,3 31775,6 34562,6 35125,8 34711,8 35995,6
HCMK Yogyakarta
Actual Predicted
30000
Forecast Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,600 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
141
33 2159 7333851
142 Lanjutan Lampiran 6. Winters' Multiplicative: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,65 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 31 MAD: 2057 MSD: 7084933
Peramalan HCMB Surabaya
Actual
Period
1 2 3 4 5 6 7 8 9 10 11 12
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
5713,2 5490,0 6791,5 6322,4 5465,1 7876,6 9174,2 8947,0 10545,3 9261,7 8617,4 7900,8
Lower -7121,1 -8740,7 -8844,1 -10724,4 -12997,7 -12006,1 -12131,6 -13784,3 -13613,6 -16326,5 -18401,5 -20550,1
Upper 18547,5 19720,8 22427,0 23369,1 23928,0 27759,4 30480,0 31678,3 34704,2 34849,9 35636,4 36351,7
Predicted
30000
HCMB Surabaya
Row
Forecast Actual Predicted Forecast
20000 10000
Smoothing Constants Alpha (level): 0,650 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
31 2057 7084933
70
Time
Winters' Multiplicative: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Smoothing Constants Alpha (level): 0,65 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 27 MAD: 2063 MSD: 7266224
Peramalan HCMK Surabaya
40000
Period
Forecast
Lower
Upper
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6997,6 6763,7 8555,9 7969,2 6930,7 9105,8 10200,7 10959,9 12838,2 11759,2 10878,4 10496,4
-5872,3 -7506,4 -7122,9 -9124,7 -11583,3 -10832,0 -11164,0 -11834,3 -11387,6 -13899,8 -16215,4 -18033,3
19867,4 21033,8 24234,8 25063,2 25444,6 29043,6 31565,5 33754,1 37063,9 37418,2 37972,1 39026,0
Actual Predicted
HCMK Surabaya
Row
30000
Forecast
20000
Actual Predicted Forecast
10000 Smoothing Constants Alpha (level): 0,650 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
142
27 2063 7266224
143 Lanjutan Lampiran 6. Winters' Multiplicative: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Smoothing Constants Alpha (level): 0,75 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 23 MAD: 1626 MSD: 4675615
Peramalan HCMB Denpasar
Actual
1 2 3 4 5 6 7 8 9 10 11 12
Period 65 66 67 68 69 70 71 72 73 74 75 76
Forecast 4892,31 4606,38 5573,84 5780,24 5636,33 6655,59 7092,64 6078,00 7313,38 6576,83 6294,38 5978,14
Lower -7087,7 -8780,6 -9225,4 -10435,3 -11998,5 -12400,9 -13387,3 -15826,9 -16017,8 -18181,5 -19892,0 -21637,0
Upper 16872,3 17993,3 20373,1 21995,8 23271,2 25712,1 27572,6 27982,9 30644,5 31335,2 32480,8 33593,3
Predicted Forecast
HCMB Denpasar
Row
30000 20000
Actual Predicted Forecast
10000
Smoothing Constants Alpha (level): 0,750 Gamma (trend):0,010 Delta (season): 0,010
0 -10000
MAPE: MAD: MSD:
-20000 0
10
20
30
40
50
60
70
Time
143
23 1626 4675615
144 Lampiran 7. Metode Dekomposisi Aditif Decomposition Additive: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Trend Line Equation Yt = 8145,31 + 94,9726*t Accuracy of Model 23 2489 10504811
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Peramalan HCMB DKI Jakarta
Actual
Forecast 12351,6 12793,2 13692,5 13264,6 12412,3 13911,2 16973,2 16796,7 18694,5 17664,2 15045,7 14490,8
21000
HCMB DKI Jakarta
MAPE: MAD: MSD:
Predicted F orecast Actual Predicted F orecast
16000
11000
MAPE: 23 MAD: 2489 MSD: 10504811
6000 0
10
20
30
40
50
60
70
80
Time
Decomposition Additive: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Trend Line Equation Yt = 8511,13 + 95,5551*t Accuracy of Model 24 2726 13036212
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Forecast 12952,9 13005,4 14178,9 14135,9 13144,3 13989,1 17242,8 16876,3 18834,0 17936,5 15554,5 15122,5
Peramalan HCMK DKI Jakarta
Actual
25000
Predicted
HCMK DKI Jakarta
MAPE: MAD: MSD:
F orecast Actual Predicted F orecast
15000
MAPE: 24 MAD: 2726 MSD: 13036212
5000 0
10
20
30
40
50
60
70
80
Time
144
145 Lanjutan Lampiran 7. Decomposition Additive: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Trend Line Equation Yt = 8211,46 + 48,3806*t Accuracy of Model
Peramalan HCMB Bandung
27 2497 10769070
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Actual
Forecast 9412,5 9728,0 11107,6 10282,1 10281,7 11074,3 13671,1 12645,6 14506,4 13574,7 11904,0 11279,7
Predicted
20000
HCMB Bandung
MAPE: MAD: MSD:
F orecast Actual Predicted F orecast
15000
10000 MAPE: 27 MAD: 2497 MSD: 10769070
5000 0
10
20
30
40
50
60
70
80
Time
Decomposition Additive: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Trend Line Equation Yt = 8969,87 + 43,6578*t Accuracy of Model 25 2581 12100356
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Forecast 10207,2 9961,1 11286,3 11112,5 10677,2 11576,8 14752,1 13471,0 14760,9 13921,2 11875,3 10971,2
Peramalan HCMK Bandung
Actual Predicted
HCMK Bandung
MAPE: MAD: MSD:
F orecast
20000
Actual Predicted F orecast
15000
10000 MAPE: 25 MAD: 2581 MSD: 12100356
5000 0
10
20
30
40
50
60
70
80
Time
145
146 Lanjutan Lampiran 7. Decomposition Additive: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Trend Line Equation Yt = 5420,13 + 48,2406*t Accuracy of Model
Peramalan HCMB Semarang
33 2129 8044317
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
20000
Actual Predicted
Forecast 6916,7 7214,5 8497,9 7735,4 7814,8 8166,9 9444,0 10468,7 11426,1 10259,8 9088,2 8820,2
HCMB Semarang
MAPE: MAD: MSD:
F orecast Actual Predicted F orecast
15000
10000
5000
MAPE: 33 MAD: 2129 MSD: 8044317
0
10
20
30
40
50
60
70
80
Time
Decomposition Additive: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Trend Line Equation Yt = 5855,24 + 49,8669*t Accuracy of Model MAPE: MAD: MSD:
39 2528 12265112
Peramalan HCMK Semarang
Forecasts Actual
22000
Period
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
7348,0 7517,5 8720,5 8928,6 8366,5 8424,4 10259,8 10865,8 13515,7 10650,3 8953,1 8900,1
Predicted
HCMK Semarang
Row
F orecast Actual Predicted F orecast
12000
MAPE: 39 MAD: 2528 MSD: 12265112
2000 0
10
20
30
40
50
60
70
80
Time
146
147 Lanjutan Lampiran 7. Decomposition Additive: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Trend Line Equation Yt = 5255,50 + 38,2291*t Accuracy of Model
Peramalan HCMB Yogyakarta
36 1896 7045119
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Actual
Forecast 6953,6 6234,7 7021,6 6742,2 5937,8 6633,5 8936,9 8730,4 11441,2 10025,5 8827,2 7923,0
17000
HCMB Yogyakarta
MAPE: MAD: MSD:
Predicted F orecast Actual Predicted F orecast
12000
7000
MAPE: 36 MAD: 1896 MSD: 7045119
2000 0
10
20
30
40
50
60
70
80
Time
Decomposition Additive: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Trend Line Equation Yt = 5982,38 + 37,2057*t Accuracy of Model 37 2336 9902469
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Forecast 7629,0 6799,6 8187,0 7820,7 7065,3 6819,9 8970,0 9674,1 11857,0 10219,9 9102,9 9119,2
Peramalan HCMK Yogyakarta
Actual
20000
Predicted
HCMK Yogyakarta
MAPE: MAD: MSD:
F orecast Actual Predicted F orecast
15000
10000
5000
MAPE: 37 MAD: 2336 MSD: 9902469
0
10
20
30
40
50
60
70
80
Time
147
148 Lanjutan Lampiran 7. Decomposition Additive: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Trend Line Equation Yt = 5623,56 + 49,7028*t Accuracy of Model 37 2314 8693468
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Peramalan HCMB Surabaya
Actual
18000
Forecast 7073,3 7400,4 9356,3 8256,1 7434,1 8635,3 10276,1 9730,2 11894,9 9699,7 10106,1 9668,9
Predicted F orecast
HCMB Surabaya
MAPE: MAD: MSD:
Actual Predicted F orecast
13000
8000
MAPE: 37 MAD: 2314 MSD: 8693468
3000 0
10
20
30
40
50
60
70
80
Time
Decomposition Additive: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Trend Line Equation Yt = 6038,51 + 66,3078*t Accuracy of Model 34 2452 9182858
Forecasts Row Period 1 65 2 66 3 67 4 68 5 69 6 70 7 71 8 72 9 73 10 74 11 75 12 76
Forecast 8232,3 8641,6 10808,3 9560,7 8694,6 9758,2 11437,6 11368,7 13513,3 12254,6 12299,6 11989,0
Peramalan HCMK Surabaya
Actual
18000
Predicted F orecast
HCMK Surabaya
MAPE: MAD: MSD:
Actual Predicted F orecast
13000
8000 MAPE: 34 MAD: 2452 MSD: 9182858
3000 0
10
20
30
40
50
60
70
80
Time
148
149 Lanjutan Lampiran 7. Decomposition Additive: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Trend Line Equation Yt = 5934,73 + 44,3369*t Accuracy of Model MAPE: MAD: MSD:
31 2088 7098758
Peramalan HCMB Denpasar
Forecasts Actual
15000
Row
Period
Predicted
Forecast
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6392,7 6598,0 8641,1 8601,3 9584,2 9889,0 10679,8 8428,6 11300,6 9282,3 9730,3 9597,9
HCMB Denpasar
F orecast Actual Predicted F orecast
10000
5000
MAPE: 31 MAD: 2088 MSD: 7098758
0
10
20
30
40
50
60
70
80
Time
149
150 Lampiran 8. Metode Dekomposisi Multiplikatif Decomposition Multiplicative: HCMB DKI Jakarta Data Length NMissing
HCMB DKI Jakarta 58,0000 0
Trend Line Equation Yt = 8145,31 + 94,9726*t Accuracy of Model 22 2437 10601541
Forecasts Row Period 1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Peramalan HCMB DKI Jakarta
Actual
Forecast 11142,0 11471,4 13330,0 12643,9 11833,9 13632,5 18204,3 17635,6 20514,1 18779,7 15138,2 14216,2
21000
HCMB DKI Jakarta
MAPE: MAD: MSD:
Predicted F orecast Actual Predicted F orecast
16000
11000
MAPE: 22 MAD: 2437 MSD: 10601541
6000 0
10
20
30
40
50
60
70
80
Time
Decomposition Multiplicative: HCMK DKI Jakarta Data Length NMissing
HCMK DKI Jakarta 58,0000 0
Trend Line Equation Yt = 8511,13 + 95,5551*t Accuracy of Model 24 2662 13016032
Forecasts Row Period 1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Peramalan HCMK DKI Jakarta
11795,0 11435,2 14045,8 13888,7 12233,9 13498,5 18526,0 17480,6 20492,7 19060,6 15766,3 15186,5
Actual
25000
Forecast
Predicted
HCMK DKI Jakarta
MAPE: MAD: MSD:
F orecast Actual Predicted F orecast
15000
MAPE: 24 MAD: 2662 MSD: 13016032
5000 0
10
20
30
40
50
60
70
80
Time
150
151 Lanjutan Lampiran 8. Decomposition Multiplicative: HCMB Bandung Data Length NMissing
HCMB Bandung 58,0000 0
Trend Line Equation Yt = 8211,46 + 48,3806*t Accuracy of Model MAPE: MAD: MSD:
26 2468 10839500
Forecasts Row Period
Peramalan HCMB Bandung
Actual
Forecast
Predicted
65 66 67 68 69 70 71 72 73 74 75 76
8700,5 8828,3 10909,7 9799,0 10083,0 11008,9 14383,6 13106,8 15539,1 14026,0 12149,8 11155,6
HCMB Bandung
20000
1 2 3 4 5 6 7 8 9 10 11 12
F orecast Actual Predicted F orecast
15000
10000 MAPE: 26 MAD: 2468 MSD: 10839500
5000 0
10
20
30
40
50
60
70
80
Time
Decomposition Multiplicative: HCMK Bandung Data Length NMissing
HCMK Bandung 58,0000 0
Trend Line Equation Yt = 8969,87 + 43,6578*t Accuracy of Model MAPE: MAD: MSD:
25 2567 12135026
Forecasts Row Period
Peramalan HCMK Bandung
Actual
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
9668,5 8938,0 11061,7 11100,6 10155,7 11618,1 15477,0 13684,6 15937,5 14381,3 11810,6 10902,0
HCMK Bandung
Predicted
1 2 3 4 5 6 7 8 9 10 11 12
F orecast
20000
Actual Predicted F orecast
15000
10000 MAPE: 25 MAD: 2567 MSD: 12135026
5000 0
10
20
30
40
50
60
70
80
Time
151
152 Lanjutan Lampiran 8. Decomposition Multiplicative: HCMB Semarang Data Length NMissing
HCMB Semarang 58,0000 0
Trend Line Equation Yt = 5420,13 + 48,2406*t Accuracy of Model MAPE: MAD: MSD:
33 2164 8285662
Forecasts Row Period
Peramalan HCMB Semarang
20000
Forecast
Actual
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6017,4 6085,2 8325,0 7203,0 7442,3 8023,9 9428,2 11295,9 13325,9 10747,2 9387,0 8869,6
HCMB Semarang
Predicted F orecast Actual Predicted F orecast
15000
10000
5000
MAPE: 33 MAD: 2164 MSD: 8285662
0
10
20
30
40
50
60
70
80
Time
Decomposition Multiplicative: HCMK Semarang Data Length NMissing
HCMK Semarang 58,0000 0
Trend Line Equation Yt = 5855,24 + 49,8669*t Accuracy of Model MAPE: MAD: MSD:
39 2555 12692421
Forecasts Row Period
Peramalan HCMK Semarang
Forecast
Actual
22000
1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
6228,1 5820,8 8664,3 8980,6 8271,8 8315,6 9954,0 11552,6 15431,8 11318,8 9058,2 9148,1
HCMK Semarang
Predicted F orecast Actual Predicted F orecast
12000
MAPE: 39 MAD: 2555 MSD: 12692421
2000 0
10
20
30
40
50
60
70
80
Time
152
153 Lanjutan Lampiran 8. Decomposition Multiplicative: HCMB Yogyakarta Data Length NMissing
HCMB Yogyakarta 58,0000 0
Trend Line Equation Yt = 5255,50 + 38,2291*t Accuracy of Model 35 1887 7234743
Forecasts Row Period 1 2 3 4 5 6 7 8 9 10 11 12
65 66 67 68 69 70 71 72 73 74 75 76
Peramalan HCMB Yogyakarta
Actual
Forecast 6619,4 5465,8 6772,1 6265,1 5755,7 6179,2 9292,8 8770,6 13219,1 10196,9 9213,1 7918,5
17000
HCMB Yogyakarta
MAPE: MAD: MSD:
Predicted F orecast Actual Predicted F orecast
12000
7000
MAPE: 35 MAD: 1887 MSD: 7234743
2000 0
10
20
30
40
50
60
70
80
Time
Decomposition Multiplicative: HCMK Yogyakarta Data Length NMissing
HCMK Yogyakarta 58,0000 0
Trend Line Equation Yt = 5982,38 + 37,2057*t Accuracy of Model MAPE: MAD: MSD:
37 2338 10094561
Forecasts Row Period
Peramalan HCMK Yogyakarta
Actual
20000
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
7420,9 6017,9 8158,4 7630,2 7175,8 6322,3 9000,4 9558,8 13168,1 10417,7 9208,2 9387,3
HCMK Yogyakarta
Predicted
1 2 3 4 5 6 7 8 9 10 11 12
F orecast Actual Predicted F orecast
15000
10000
5000
MAPE: 37 MAD: 2338 MSD: 10094561
0
10
20
30
40
50
60
70
80
Time
153
154 Lanjutan Lampiran 8. Decomposition Multiplicative: HCMB Surabaya Data Length NMissing
HCMB Surabaya 58,0000 0
Trend Line Equation Yt = 5623,56 + 49,7028*t Accuracy of Model MAPE: MAD: MSD:
36 2330 8858811
Forecasts Row Period
Peramalan HCMB Surabaya
Actual
18000
Forecast
Predicted
65 66 67 68 69 70 71 72 73 74 75 76
5962,6 6050,9 9147,4 7790,1 7033,7 8542,8 10825,8 10259,3 13837,4 10050,7 10484,5 9867,6
F orecast
HCMB Surabaya
1 2 3 4 5 6 7 8 9 10 11 12
Actual Predicted F orecast
13000
8000
MAPE: 36 MAD: 2330 MSD: 8858811
3000 0
10
20
30
40
50
60
70
80
Time
Decomposition Multiplicative: HCMK Surabaya Data Length NMissing
HCMK Surabaya 58,0000 0
Trend Line Equation Yt = 6038,51 + 66,3078*t Accuracy of Model MAPE: MAD: MSD:
34 2444 9354539
Forecasts Row Period
Peramalan HCMK Surabaya
Forecast
Actual
18000
Predicted
65 66 67 68 69 70 71 72 73 74 75 76
6956,3 7178,7 10693,5 9131,7 8165,0 9458,4 11685,7 11864,6 15696,0 12829,5 12853,1 12526,1
F orecast
HCMK Surabaya
1 2 3 4 5 6 7 8 9 10 11 12
Actual Predicted F orecast
13000
8000 MAPE: 34 MAD: 2444 MSD: 9354539
3000 0
10
20
30
40
50
60
70
80
Time
154
155 Lanjutan Lampiran 8. Decomposition Multiplicative: HCMB Denpasar Data Length NMissing
HCMB Denpasar 58,0000 0
Trend Line Equation Yt = 5934,73 + 44,3369*t Accuracy of Model MAPE: MAD: MSD:
31 2128 7489003
Forecasts Row Period
Peramalan HCMB Denpasar
Forecast
Actual
15000
Predicted
65 66 67 68 69 70 71 72 73 74 75 76
5354,8 5640,5 8388,6 8333,8 9922,1 10378,8 11369,6 8225,8 12308,1 9303,6 9959,1 9781,8
F orecast
HCMB Denpasar
1 2 3 4 5 6 7 8 9 10 11 12
Actual Predicted F orecast
10000
5000
MAPE: 31 MAD: 2128 MSD: 7489003
0
10
20
30
40
50
60
70
80
Time
155
156
Lampiran 9. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Besar di DKI Jakarta Estimates at each iteration Iteration SSE Parameters 0 1933049630 0,100 0,100 1 1165331828 0,250 -0,019 2 1058141042 0,270 0,064 3 928799388 0,297 0,122 4 630161205 0,384 0,011 5 500383197 0,438 -0,139 6 402915277 0,501 -0,289 7 343160744 0,563 -0,439 8 317036865 0,610 -0,586 9 313871814 0,607 -0,640 10 313320243 0,603 -0,662 11 313213037 0,601 -0,672 12 313191429 0,601 -0,676 13 313187055 0,600 -0,678 14 313186193 0,600 -0,679 15 313186037 0,600 -0,680 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,6000 0,1178 SAR 8 -0,6797 0,1264 SMA 8 0,8073 0,1433 Constant 580,15 71,83
T 5,09 -5,38 5,63 8,08
0,100 487,215 0,215 617,801 0,365 563,876 0,515 519,414 0,665 534,453 0,675 564,267 0,704 564,197 0,744 543,264 0,784 525,842 0,798 549,347 0,803 565,804 0,806 573,724 0,807 577,372 0,807 579,039 0,807 579,802 0,807 580,152 0,0010
P 0,000 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 280118604 (backforecasts excluded) MS = 6089535 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 3,0 18,4 28,9 32,6 DF 8 20 32 44 P-Value 0,935 0,563 0,622 0,898 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 16750,5 15673,5 15222,2 15967,1 14298,1 15140,0 14263,5 13205,1 13649,1 13768,2 16003,0 18714,8
95 Percent Limits Lower Upper 10705,8 22795,3 9627,3 21719,8 8762,4 21682,1 9364,7 22569,5 7645,2 20951,1 8468,9 21811,1 7585,9 20941,1 6525,2 19885,1 6968,3 20329,9 7087,1 20449,3 8871,1 23134,8 11427,4 26002,1
Actual
156
157
Lanjutan Lampiran 9. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
.
157
158
Lampiran 10. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Keriting di DKI Jakarta Estimates at each iteration Iteration SSE Parameters 0 2291374321 0,100 0,100 1 1291827857 0,247 -0,050 2 1134728685 0,273 0,008 3 930121108 0,314 0,016 4 685409304 0,385 -0,134 5 536953236 0,453 -0,284 6 451020555 0,521 -0,434 7 414847146 0,572 -0,577 8 410558551 0,567 -0,627 9 409791534 0,562 -0,648 10 409638878 0,560 -0,658 11 409607601 0,559 -0,662 12 409601241 0,558 -0,664 13 409600015 0,558 -0,665 14 409599816 0,558 -0,665 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,5577 0,1226 SAR 8 -0,6654 0,1319 SMA 8 0,7837 0,1552 Constant 665,45 90,79
T 4,55 -5,05 5,05 7,33
0,100 409,471 0,248 643,503 0,398 601,708 0,548 576,194 0,608 613,883 0,654 622,999 0,703 608,818 0,752 595,577 0,771 625,772 0,778 646,748 0,781 656,959 0,783 661,731 0,783 663,943 0,784 664,969 0,784 665,445 0,0010
P 0,000 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 366937950 (backforecasts excluded) MS = 7976912 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 5,7 20,2 30,6 34,0 DF 8 20 32 44 P-Value 0,680 0,446 0,536 0,861 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 17341,8 15765,5 15737,1 16492,8 14356,2 15568,9 14804,7 13461,0 14273,9 14231,0 16868,1 19113,0
95 Percent Limits Lower Upper 10672,3 24011,2 9095,4 22435,6 8636,5 22837,7 9263,5 23722,0 7087,4 21625,0 8287,8 22849,9 7519,9 22089,6 6175,0 20747,0 6987,5 21560,3 6944,5 21517,5 9051,5 24684,8 11138,7 27087,3
Actual
158
159
Lanjutan Lampiran 10. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
159
160
Lampiran 11. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Besar di Bandung Estimates at each iteration Iteration SSE Parameters 0 1849671343 0,100 0,100 1 1122960793 0,250 -0,020 2 1008245930 0,276 0,057 3 868393933 0,312 0,102 4 582079192 0,416 -0,036 5 478363453 0,473 -0,186 6 408122389 0,530 -0,336 7 375118740 0,566 -0,486 8 369595577 0,551 -0,552 9 368342898 0,540 -0,582 10 368035066 0,534 -0,598 11 367956977 0,532 -0,605 12 367936897 0,530 -0,609 13 367931732 0,530 -0,611 14 367930423 0,529 -0,612 15 367930103 0,529 -0,613 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,5289 0,1250 SAR 8 -0,6129 0,1283 SMA 8 0,7950 0,1473 Constant 374,53 80,64
T 4,23 -4,78 5,40 4,64
0,100 197,332 0,219 345,101 0,369 316,183 0,519 291,171 0,669 295,372 0,686 304,354 0,728 297,761 0,771 300,455 0,784 331,178 0,790 352,154 0,793 363,320 0,794 369,002 0,794 371,897 0,795 373,377 0,795 374,136 0,795 374,526 0,0010 P 0,000 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 312746106 (backforecasts excluded) MS = 6798828 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 7,1 27,0 40,9 45,5 DF 8 20 32 44 P-Value 0,531 0,134 0,134 0,408 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 13106,9 11972,2 11934,8 12913,7 10494,4 13119,5 11611,1 9672,9 11015,7 11348,7 12963,8 14511,9
95 Percent Limits Lower Upper 7084,1 19129,7 5949,0 17995,3 5571,3 18298,4 6458,1 19369,2 4013,4 16975,5 6631,3 19607,7 5120,9 18101,3 3182,1 16163,6 4524,8 17506,7 4857,7 17839,6 6073,0 19854,6 7513,3 21510,4
Actual
160
161
Lanjutan Lampiran 11. ACF of Residuals for C1 (wit h 95 % confidence limit s fo r the autocorrelations) 1,0 0,8
Autocorrelati on
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
9
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
10
11
12
Lag
161
162
162
163
Lampiran 12. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Keriting di Bandung Estimates at each iteration Iteration SSE Parameters 0 2099164410 0,100 0,100 1 1265320395 0,250 -0,018 2 1087483015 0,288 0,036 3 853921020 0,350 0,026 4 631748422 0,434 -0,124 5 506136969 0,513 -0,274 6 442932270 0,580 -0,424 7 426437628 0,595 -0,516 8 423426014 0,586 -0,553 9 422730251 0,580 -0,570 10 422561999 0,578 -0,578 11 422520930 0,577 -0,582 12 422511081 0,576 -0,584 13 422508856 0,576 -0,585 14 422508433 0,576 -0,586 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,5758 0,1186 SAR 8 -0,5855 0,1413 SMA 8 0,7631 0,1693 Constant 311,00 98,47
T 4,86 -4,14 4,51 3,16
0,100 98,933 0,217 284,498 0,367 279,791 0,517 281,784 0,578 299,340 0,630 292,100 0,687 272,157 0,728 271,748 0,746 288,585 0,755 299,717 0,759 305,484 0,761 308,409 0,762 309,884 0,763 310,629 0,763 311,004 0,0010
P 0,000 0,000 0,000 0,003
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 363447173 (backforecasts excluded) MS = 7901026 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 6,8 20,6 34,9 40,3 DF 8 20 32 44 P-Value 0,556 0,422 0,331 0,630 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 13695,7 12554,3 11862,4 12682,6 10734,4 13442,9 12712,3 10346,2 11646,0 11532,3 13454,3 14950,2
95 Percent Limits Lower Upper 6957,5 20433,9 5815,1 19293,5 4872,7 18852,0 5611,9 19753,3 3637,0 17831,9 6336,7 20549,2 5603,1 19821,4 3236,0 17456,3 4535,6 18756,5 4421,7 18642,8 5947,1 20961,6 7316,0 22584,4
Actual
163
164
Lanjutan Lampiran 12. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
164
165
Lampiran 13. SARIMA Model (0, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Besar di Semarang Estimates at each iteration Iteration SSE Parameters 0 1446549560 0,100 0,100 212,526 1 984065392 -0,050 0,248 510,380 2 882192726 0,000 0,398 498,095 3 746573540 -0,001 0,548 506,884 4 566435351 -0,151 0,632 586,181 5 457295313 -0,301 0,670 655,118 6 381320016 -0,451 0,708 719,103 7 335784419 -0,601 0,746 784,512 8 319149289 -0,719 0,779 847,659 9 317015177 -0,756 0,792 881,314 10 316614165 -0,771 0,798 897,274 11 316527624 -0,778 0,801 905,291 12 316508072 -0,781 0,803 909,202 13 316503658 -0,782 0,803 911,134 14 316502709 -0,783 0,804 912,084 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef SAR 8 -0,7831 0,1161 SMA 8 0,8038 0,1443 Constant 912,08 77,76
T -6,74 5,57 11,73
P 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 296813408 (backforecasts excluded) MS = 6315179 DF = 47 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 16,0 25,9 54,4 61,9 DF 9 21 33 45 P-Value 0,066 0,210 0,011 0,048 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 10490,5 9858,2 9535,2 9655,0 8325,8 9771,4 7659,4 6181,8 7726,3 7546,9 10115,2 12216,3
95 Percent Limits Low er Upper 5564,0 15417,0 4931,7 14784,6 3823,1 15247,4 3942,8 15367,2 2613,6 14038,0 4059,2 15483,6 1947,3 13371,6 469,6 11893,9 2014,1 13438,5 1834,7 13259,0 3552,6 16677,7 5653,7 18778,9
Actual
165
166
Lanjutan Lampiran 13. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
166
167
Lampiran 14. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Keriting di Semarang Estimates at each iteration Iteration SSE Parameters 0 1802044692 0,100 0,100 1 1139275412 0,187 -0,050 2 992431033 0,216 -0,008 3 819852385 0,255 -0,012 4 606747716 0,328 -0,162 5 511892290 0,383 -0,312 6 461345151 0,433 -0,462 7 449928276 0,443 -0,547 8 448516574 0,435 -0,575 9 448288222 0,432 -0,585 10 448249310 0,430 -0,590 11 448242741 0 ,430 -0,591 12 448241719 0,429 -0,592 13 448241605 0,429 -0,592 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,4293 0,1344 SAR 8 -0,5923 0,1403 SMA 8 0,7856 0,1577 Constant 480,85 96,14
T 3,19 -4,22 4,98 5,00
0,100 116,802 0,248 373,353 0,398 363,688 0,548 360,743 0,658 387,738 0,694 405,747 0,737 415,911 0,767 437,327 0,778 460,594 0,782 472,280 0,784 477,355 0,785 479,528 0,785 480,452 0,786 480,846 0,0010
P 0,003 0,000 0,000 0,000
Differencing: 0 regular, 1 seas onal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 406921540 (backforecasts excluded) MS = 8846120 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 9,2 24,9 35,6 43,7 DF 8 20 32 44 P-Value 0,327 0,204 0,302 0,482 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 10915,1 8894,0 9456,6 10049,5 8953,8 11502,0 8917,6 7549,1 9779,2 8258,1 11008,4 12242,1
95 Percent Limits Lower Upper 4459,2 17371,0 2438,1 15349,9 2637,2 16276,0 3165,2 16933,8 2057,7 15850,0 4603,6 18400,4 2018,8 15816,4 650,2 14447,9 2880,3 16678,0 1359 ,2 15156,9 3652,4 18364,3 4804,9 19679,2
Actual
167
168
Lanjutan Lampiran 14. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
168
169
Lampiran 15. SARIMA Model (0, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Besar di Yogyakarta Estimates at each iteration Iteration SSE Parameters 0 1167342413 0,100 0,100 1 718855142 0,250 -0,035 2 656389724 0,270 0,048 3 582344992 0,297 0,107 4 424427441 0,381 0,013 5 352224406 0,438 -0,137 6 300929408 0,504 -0,287 7 274338998 0,566 -0,437 8 269527117 0,584 -0,514 9 269025772 0,583 -0,540 10 268963994 0,582 -0,548 11 268956184 0,582 -0,551 12 268955232 0,581 -0,552 13 268955133 0,581 -0,553 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,5814 0,1200 SAR 8 -0,5529 0,1407 SMA 8 0,7837 0,1612 Constant 247,32 73,91
T 4,85 -3,93 4,86 3,35
0,100 169,063 0,234 284,097 0,384 253,215 0,534 224,484 0,684 215,995 0,694 228,979 0,722 229,352 0,757 225,264 0,774 233,202 0,780 241,440 0,783 245,153 0,783 246,587 0,784 247,121 0,784 247,317 0,0010
P 0,000 0,000 0,000 0,002
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 242095698 (backforecasts excluded) MS = 5122950 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12,7 29,3 38,8 41,3 DF 8 20 32 44 P-Value 0,124 0,082 0,189 0,590 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 9303,8 8601,8 8121,6 8416,3 7684,9 9973,1 7889,6 6349,1 8195,0 7479,4 8434,4 8974,9
95 Percent Limits Lower Upper 3777,7 14830,0 3074,7 14128,8 2406,2 13837,0 2638,7 14194,0 1886,3 13483,4 4167,5 15778,7 2081,7 13697,6 540,4 12157,9 2385,9 14004,0 1670,2 13288,5 2355,5 14513,3 2807,5 15142,3
Actual
169
170
Lanjutan Lampiran 15. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
170
171
Lampiran 16. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Keriting di Yogyakarta. Estimates at each iteration Iteration SSE Parameters 0 1494155920 0,100 0,100 1 896440878 0,221 -0,050 2 775549833 0,251 -0,007 3 648044222 0,288 0,005 4 450456726 0,375 -0,145 5 378945533 0,428 -0,295 6 336020535 0,480 -0,445 7 322291133 0,504 -0,565 8 320962942 0,493 -0,604 9 320780817 0,488 -0,618 10 320754583 0,486 -0,624 11 320750805 0,485 -0,626 12 320750283 0,484 -0,627 13 320750221 0,484 -0,627 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,4842 0,1329 SAR 8 -0,6269 0,1396 SMA 8 0,7957 0,1534 Constant 369,51 78,12
T 3,64 -4,49 5,19 4,73
0,100 32,983 0,248 267,247 0,398 266,246 0,548 263,504 0,694 284,881 0,716 302,146 0,753 310,565 0,783 328,184 0,791 351,834 0,794 362,642 0,795 366,943 0,796 368,611 0,796 369,257 0,796 369,508 0,0010
P 0,001 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 294821748 (backforecasts excluded) MS = 6409168 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12,9 29,6 35,8 39,6 DF 8 20 32 44 P-Value 0,114 0,077 0,296 0,661 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 10063,8 8915,0 8538,1 8814,5 7706,6 10184,9 8208,1 6795,9 9130,5 7807,4 10252,8 10921,1
95 Percent Limits Lower Upper 4391,5 15736,2 3242,6 14587,4 2495,5 14580,7 2688,4 14940,7 1561,1 13852,2 4034,8 16335,0 2056,9 14359,3 644,5 12947,4 2979,0 15282,0 1655,9 13958,9 3677,5 16828,2 4250,3 17591,9
Actual
171
172
Lanjutan Lampiran 16. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
172
173
Lampiran 17. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Besar di Surabaya. Estimates at each iteration Iteration SSE Parameters 0 1416200493 0,100 0,100 1 862742466 0,210 -0,050 2 765392395 0,234 0,008 3 644052543 0,272 0,023 4 476490212 0,342 -0,127 5 390378235 0,399 -0,277 6 343096220 0,443 -0,427 7 328155728 0,441 -0,542 8 325559354 0,415 -0,588 9 324946685 0,401 -0,610 10 324795343 0,394 -0,621 11 324757223 0,390 -0,627 12 324747567 0,389 -0,630 13 324745139 0,388 -0,631 14 324744544 0,387 -0,632 15 324744406 0,387 -0,632 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,3871 0,1372 SAR 8 -0,6323 0,1314 SMA 8 0,7901 0,1525 Constant 505,85 80,97
T 2,82 -4,81 5,18 6,25
0,100 183,757 0,248 378,440 0,398 352,766 0,548 334,228 0,638 355,003 0,687 365,387 0,738 372,795 0,772 408,610 0,782 454,171 0,786 479,846 0,788 492,858 0,789 499,471 0,790 502,826 0,790 504,534 0,790 505,404 0,790 505,847 0,0010
P 0,007 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 289932524 (backforecasts excluded) MS = 6302881 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 8,4 27,4 40,6 43,2 DF 8 20 32 44 P-Value 0,396 0,123 0,141 0,504 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 10715,9 9643,8 10729,9 10884,5 9067,1 10442,4 8995,8 7430,1 8177,1 7499,7 10496,9 11301,4
95 Percent Limits Lower Upper 5378,0 16053,8 4305,9 14981,8 5002,3 16457,6 5100,7 16668,3 3275,0 14859,3 4649,0 16235,8 3202,2 14789,4 1636,5 13223,7 2383,4 13970,7 1706,1 13293,3 4246,2 16747,7 4984,9 17617,8
Actual
173
174
Lanjutan Lampiran 17. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
174
175
Lampiran 18. SARIMA Model (1, 0, 0)(1, 1, 1)8 untuk Harga Cabai Merah Keriting di Surabaya. Estimates at each iteration Iteration SSE Parameters 0 1557923383 0,100 0,100 1 913314147 0,229 -0,050 2 820205094 0,252 0,019 3 708865143 0,283 0,057 4 483010958 0,374 -0,093 5 403331959 0,423 -0,243 6 351771111 0,468 -0,393 7 330558146 0,478 -0,534 8 327157255 0,444 -0,588 9 326322323 0,426 -0,614 10 326111141 0,417 -0,627 11 326056902 0,412 -0,633 12 326042888 0,410 -0,637 13 326039275 0,409 -0,638 14 326038355 0,408 -0,639 15 326038128 0,408 -0,640 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,4079 0,1361 SAR 8 -0,6397 0,1282 SMA 8 0,8019 0,1480 Constant 613,56 76,93
T 3,00 -4,99 5,42 7,98
0,100 332,570 0,248 502,572 0,398 456,254 0,548 417,469 0,696 420,971 0,712 440,272 0,750 447,908 0,786 481,555 0,794 542,992 0,798 577,646 0,800 595,520 0,801 604,644 0,801 609,313 0,802 611,704 0,802 612,930 0,802 613,559 0,0010
P 0,004 0,000 0,000 0,000
Differencing: 0 regular, 1 seasonal of order 8 Number of observations: Original series 58, after differencing 50 Residuals: SS = 291449458 (backforecasts excluded) MS = 6335858 DF = 46 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13,2 35,0 48,0 51,3 DF 8 20 32 44 P-Value 0,105 0,070 0,034 0,210 Forecasts from period 58 Period 1 2 3 4 5 6 7 8 9 10 11 12
Forecast 12467,3 11557,0 12646,1 13121,4 10275,2 11561,0 10430,1 9030,2 9796,9 9055,0 11974,8 13219,1
95 Percent Limits Lower Upper 7062,8 17871,8 6152,4 16961,6 6820,2 18472,0 7228,3 19014,5 4371,0 16179,4 5654,9 17467,0 4523,8 16336,4 3123,8 14936,6 3890,5 15703,3 3148,6 14961,4 5610,7 18338,9 6782,0 19656,2
Actual
175
176
Lanjutan Lampiran 18. ACF of Residuals for C1 (with 95% confidence limits for the autocorrelations)
1,0
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
9
10
11
12
10
11
12
Lag
PACF of Residuals for C1 (with 95% confidence limits for the partial autocorrelations)
Partial Autocorrelation
1,0 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
9
Lag
176
177
Lampiran 19. SARIMA Model (1,0,0)(1,1,1)18 untuk Harga Cabai Merah Besar di Denpasar Estimates at each iteration Iteration SSE Parameters 0 285739712 0,100 0,100 1 279859970 0,082 -0,050 2 271013115 0,088 -0,200 3 261647136 0,134 -0,302 4 251527320 0,185 -0,413 5 240771577 0,239 -0,521 6 229317022 0,293 -0,623 7 216550982 0,345 -0,722 8 201552765 0,394 -0,815 9 184768212 0,438 -0,884 10 168755701 0,471 -0,914 11 159212054 0,491 -0,923 12 156214586 0,498 -0,925 13 155565164 0,500 -0,925 14 155442283 0,500 -0,925 15 155419956 0,499 -0,924 16 155415875 0,499 -0,924 17 155415091 0,499 -0,924 18 155414921 0 ,499 -0,924 Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef AR 1 0,4990 0,1512 SAR 18 -0,9235 0,1786 SMA 18 0,7626 0,2083 Constant 548,18 96,33
T 3,30 -5,17 3,66 5,69
0,100 836,062 0,031 977,043 0,020 1085,714 0,052 1091,600 0,078 1079,342 0,112 1043,771 0,157 986,119 0,214 910,309 0,292 816,803 0,405 702,970 0,545 591,823 0,656 530,739 0,716 523,612 0,743 533,661 0,754 541,335 0,759 545,247 0,761 547,039 0,762 547,834 0,763 548,185 0,0010
P 0,002 0,000 0,001 0,000
Differencing: 0 regular, 1 seasonal of order 18 Number of observations: Original series 58, after differencing 40 Residuals: SS = 147554252 (backforecasts excluded) MS = 4098729 DF = 36 Modified Box-Pierce (Ljung -Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11,6 29,0 45,0 * DF 8 20 32 * P-Value 0,169 0,089 0,063 * Forecasts from period 58 Period
Forecast
65 66 67 68 69 70 71 72 73 74 75 76
11537,6 11577,0 12972,4 8335,3 8252,3 7844,5 8382,7 5118,6 6359,0 6922,6 7540,4 7631,3
95 Percent Limits Lower Upper 6957,8 6997,1 8392,5 3755,4 3672,4 3264,5 3802,7 538,6 1779,0 2342,7 2960,5 3051,3
Actual
16117,5 16156,9 17552,4 12915,3 12832,3 12424,5 12962,7 9698,5 10939,0 11502,6 12120,4 12211,2
177
178
Lanjutan Lampiran 19.
ACF of Residuals for Harga Ca (with 9 5% confidence li mits fo r the autocorrela ti ons) 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
9
10
9
10
Lag
PACF of Residuals for Harga Ca (with 95% confidence li mits fo r the parti al autocorrela ti ons) 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
178
179
Lampiran 20. Hasil Regresi Harga Cabai Merah Besar di DKI Jakarta Regression Analysis: Pt versus X2; X3; X4; D1 The regression equation is Pt = 3668 + 0,219 X2 + 0,842 X3 - 0,247 X4 + 552 D1 Predictor Constant X2 X3 X4 D1
Coef 3668 0,21950 0,84167 -0,2469 552,2
S = 1244
SE Coef 1424 0,05672 0,06585 0,1863 536,3
R-Sq = 91,8%
T 2,58 3,87 12,78 -1,33 1,03
P 0,014 0,000 0,000 0,192 0,309
VIF 1,6 1,9 1,4 1,2
R-Sq(adj) = 91,0%
Analysis of Variance Source Regression Residual Error Total
DF 4 42 46
Source X2 X3 X4 D1
Seq SS 357489254 365517769 3861860 1641400
DF 1 1 1 1
SS 728510283 65033672 793543954
MS 182127571 1548421
F 117,62
P 0,000
Durbin-Watson statistic = 1,84
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -3000
-2000
-1000
0
1000
2000
RESI1 Average: -0,0000000 StDev: 1189,02 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,062 D-: 0,091 D : 0,091 Approximate P-Value > 0.15
179
180
Lampiran 21. Hasil Regresi Harga Cabai Merah Keriting di DKI Jakarta Regression Analysis: Pt versus X2; X3; X4; D1 The regression equation is Pt = 2553 + 0,217 X2 - 0,194 X3 + 0,916 X4 + 1056 D1 Predictor Constant X2 X3 X4 D1
Coef 2553 0,21696 -0,1937 0,91577 1056,0
S = 1195
SE Coef 1365 0,04853 0,1790 0,06029 504,6
R-Sq = 93,5%
T 1,87 4,47 -1,08 15,19 2,09
P 0,068 0,000 0,285 0,000 0,042
VIF 1,5 1,4 1,7 1,2
R-Sq(adj) = 92,9%
Analysis of Variance Source Regression Residual Error Total
DF 4 42 46
Source X2 X3 X4 D1
Seq SS 386305025 103905293 372559104 6255824
DF 1 1 1 1
SS 869025245 59990767 929016012
MS 217256311 1428352
F 152,10
P 0,000
Durbin-Watson statistic = 1,74
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -3000
-2000
-1000
0
1000
2000
3000
RESI1 Average: -0,0000000 StDev: 1141,99 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,106 D-: 0,091 D : 0,106 Approximate P-Value > 0.15
180
181
Lampiran 22. Hasil Regresi Harga Cabai Merah Besar di Bandung Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = 1502 + 0,489 X1 + 0,0386 X2 - 0,156 X3 + 0,760 X4 + 623 D1 Predictor Constant X1 X2 X3 X4 D1
Coef 1502 0,4892 0,03864 -0,1558 0,76029 622,9
S = 889,8
SE Coef 1142 0,1911 0,04727 0,1329 0,07174 378,6
R-Sq = 95,4%
T 1,31 2,56 0,82 -1,17 10,60 1,65
P 0,196 0,014 0,418 0,248 0,000 0,108
VIF 5,0 1,9 1,4 4,3 1,2
R-Sq(adj) = 94,8%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 562296183 5889 14622420 93800058 2143018
DF 1 1 1 1 1
SS 672867568 32459920 705327488
MS 134573514 791705
F 169,98
P 0,000
Durbin-Watson statistic = 1,87
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1000
0
1000
2000
RESI1 Average: 0,0000000 StDev: 840,030 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,086 D-: 0,037 D : 0,086 Approximate P-Value > 0.15
181
182
Lampiran 23. Hasil Regresi Harga Cabai Merah Keriting di Bandung Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = 1191 + 0,446 X1 + 0,113 X2 - 0,155 X3 + 0,752 X4 + 1507 D1 Predictor Constant X1 X2 X3 X4 D1
Coef 1191 0,4462 0,11345 -0,1545 0,75209 1507,2
S = 929,7
SE Coef 1193 0,2157 0,04575 0,1395 0,07929 391,9
R-Sq = 95,6%
T 1,00 2,07 2,48 -1,11 9,49 3,85
P 0,324 0,045 0,017 0,274 0,000 0,000
VIF 5,9 1,9 1,4 5,0 1,2
R-Sq(adj) = 95,1%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 666939368 1233812 17530282 78074319 12781745
DF 1 1 1 1 1
SS 776559525 35434656 811994181
MS 155311905 864260
F 179,71
P 0,000
Durbin-Watson statistic = 1,81
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000
-1000
0
1000
2000
RESI1 Average: -0,0000000 StDev: 877,678 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,063 D-: 0,112 D : 0,112 Approximate P-Value: 0,142
182
183
Lampiran 24. Hasil Regresi Harga Cabai Merah Besar di Semarang Regression Analysis: Yt versus X1; X2; X3; X4; D1 The regression equation is Yt = - 738 + 0,821 X1 - 0,146 X2 - 0,083 X3 + 0,607 X4 + 33 D1 Predictor Constant X1 X2 X3 X4 D1
Coef -738,3 0,8213 -0,14618 -0,0834 0,60741 32,8
S = 756,3
SE Coef 986,6 0,1819 0,04702 0,1151 0,07144 326,7
R-Sq = 95,5%
T -0,75 4,51 -3,11 -0,72 8,50 0,10
P 0,459 0,000 0,003 0,473 0,000 0,921
VIF 6,8 2,0 1,4 5,9 1,2
R-Sq(adj) = 95,0%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 440374105 10799746 3637980 45826492 5759
DF 1 1 1 1 1
SS 500644080 23452106 524096186
MS 100128816 572003
F 175,05
P 0,000
Durbin-Watson statistic = 1,33
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1500 -1000
-500
0
500
1000
1500
RESI1 Average: -0,0000000 StDev: 714,023 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,097 D-: 0,091 D : 0,097 Approximate P-Value > 0.15
183
184
Lampiran 25. Hasil Regresi Harga Cabai Merah Keriting di Semarang Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = - 2629 + 0,538 X1 - 0,147 X2 + 0,184 X3 + 0,867 X4 + 585 D1 Predictor Constant X1 X2 X3 X4 D1
Coef -2629 0,5385 -0,14660 0,1838 0,8673 585,4
S = 1235
SE Coef 1631 0,3272 0,06327 0,1891 0,1311 519,0
R-Sq = 91,4%
T -1,61 1,65 -2,32 0,97 6,62 1,13
P 0,115 0,107 0,026 0,337 0,000 0,266
VIF 8,2 1,8 1,4 7,7 1,2
R-Sq(adj) = 90,3%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 573705393 11981375 322760 75767344 1939207
DF 1 1 1 1 1
SS 663716079 62485523 726201602
MS 132743216 1524037
F 87,10
P 0,000
Durbin-Watson statistic = 1,50
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -3000
-2000
-1000
0
1000
2000
3000
4000
RESI1 Average: -0,0000000 StDev: 1165,50 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,089 D-: 0,100 D : 0,100 Approximate P-Value > 0.15
184
185
Lampiran 26. Hasil Regresi Harga Cabai Merah Besar di Yogyakarta Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = 1622 - 0,004 X1 + 0,136 X2 - 0,160 X3 + 0,656 X4 - 120 D1 Predictor Constant X1 X2 X3 X4 D1
Coef 1622 -0,0044 0,13585 -0,1602 0,6558 -120,2
S = 1411
SE Coef 1614 0,1899 0,08441 0,2109 0,1024 603,7
R-Sq = 81,3%
T 1,01 -0,02 1,61 -0,76 6,40 -0,20
P 0,321 0,982 0,115 0,452 0,000 0,843
VIF 3,4 1,5 1,4 3,5 1,2
R-Sq(adj) = 79,0%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 247333904 7484185 13959178 85700675 78857
DF 1 1 1 1 1
SS 354556800 81570173 436126973
MS 70911360 1989516
F 35,64
P 0,000
Durbin-Watson statistic = 1,60
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -3000
-2000
-1000
0
1000
2000
3000
RESI1 Average: -0,0000000 StDev: 1331,64 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,098 D-: 0,126 D : 0,126 Approximate P-Value: 0,059
185
186
Lampiran 27. Hasil Regresi Harga Cabai Merah Keriting di Yogyakarta Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = - 517 + 0,361 X1 + 0,0174 X2 + 0,028 X3 + 0,687 X4 - 248 D1 Predictor Constant X1 X2 X3 X4 D1
Coef -517 0,3613 0,01737 0,0280 0,68668 -248,1
S = 1094
SE Coef 1241 0,1712 0,06264 0,1637 0,08684 460,2
R-Sq = 91,0%
T -0,42 2,11 0,28 0,17 7,91 -0,54
P 0,679 0,041 0,783 0,865 0,000 0,593
VIF 4,7 1,7 1,4 4,3 1,2
R-Sq(adj) = 90,0%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 418247904 5679 5035253 75096291 347709
DF 1 1 1 1 1
SS 498732837 49036000 547768837
MS 99746567 1196000
F 83,40
P 0,000
Durbin-Watson statistic = 1,63
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000
-1000
0
1000
2000
RESI1 Average: -0,0000000 StDev: 1032,47 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,078 D-: 0,046 D : 0,078 Approximate P-Value > 0.15
186
187
Lampiran 28. Hasil Regresi Harga Cabai Merah Besar di Surabaya Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = - 1151 + 1,09 X1 + 0,0234 X2 - 0,029 X3 + 0,293 X4 + 1147 D1 Predictor Constant X1 X2 X3 X4 D1
Coef -1150,8 1,0872 0,02344 -0,0287 0,29325 1146,9
S = 718,8
SE Coef 837,2 0,1154 0,03697 0,1077 0,06578 335,3
R-Sq = 96,2%
T -1,37 9,42 0,63 -0,27 4,46 3,42
P 0,177 0,000 0,530 0,791 0,000 0,001
VIF 5,1 1,5 1,4 5,5 1,4
R-Sq(adj) = 95,8%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 503572560 581804 3908843 24951251 6043817
DF 1 1 1 1 1
SS 539058275 21181876 560240150
MS 107811655 516631
F 208,68
P 0,000
Durbin-Watson statistic = 1,93
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1000
0
1000
2000
RESI1 Average: -0,0000000 StDev: 678,583 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,117 D-: 0,068 D : 0,117 Approximate P-Value: 0,108
187
188
Lampiran 29. Hasil Regresi Harga Cabai Merah Keriting di Surabaya Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = - 1356 + 1,06 X1 + 0,0437 X2 + 0,0522 X3 + 0,343 X4 + 653 D1 Predictor Constant X1 X2 X3 X4 D1
Coef -1356,4 1,0567 0,04371 0,05217 0,34282 652,6
S = 658,0
SE Coef 770,3 0,1160 0,03347 0,09877 0,06514 299,4
R-Sq = 97,0%
T -1,76 9,11 1,31 0,53 5,26 2,18
P 0,086 0,000 0,199 0,600 0,000 0,035
VIF 6,1 1,5 1,4 6,7 1,4
R-Sq(adj) = 96,6%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 547246807 1345466 1189202 20451286 2057063
DF 1 1 1 1 1
SS 572289825 17748978 590038803
MS 114457965 432902
F 264,40
P 0,000
Durbin-Watson statistic = 1,80
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1000
0
1000
2000
RESI1 Average: 0,0000000 StDev: 621,166 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,084 D-: 0,073 D : 0,084 Approximate P-Value > 0.15
188
189
Lampiran 30. Hasil Regresi Harga Cabai Merah Besar di Denpasar Regression Analysis: Pt versus X1; X2; X3; X4; D1 The regression equation is Pt = 1053 + 0,894 X1 + 0,0499 X2 - 0,123 X3 + 0,224 X4 + 803 D1 Predictor Constant X1 X2 X3 X4 D1
Coef 1053 0,8940 0,04993 -0,1229 0,22370 803,3
S = 1271
SE Coef 1410 0,1722 0,08332 0,1880 0,08983 566,2
R-Sq = 83,3%
T 0,75 5,19 0,60 -0,65 2,49 1,42
P 0,459 0,000 0,552 0,517 0,017 0,163
VIF 3,2 1,7 1,3 3,3 1,3
R-Sq(adj) = 81,3%
Analysis of Variance Source Regression Residual Error Total
DF 5 41 46
Source X1 X2 X3 X4 D1
Seq SS 299981482 3013476 8017102 16849709 3253618
DF 1 1 1 1 1
SS 331115387 66259355 397374741
MS 66223077 1616082
F 40,98
P 0,000
Durbin-Watson statistic = 1,85
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000
-1000
0
1000
2000
RESI1 Average: 0,0000000 StDev: 1200,18 N: 47
Kolmogorov-Smirnov Normality Test D+: 0,110 D-: 0,062 D : 0,110 Approximate P-Value > 0.15
189
190
Lampiran 31. Plot Data Harga Ramalan Harga Cabai Merah Besar di Enam Kota Fluktuasi Harga Ramalan Cabai Merah Besar di Bandung
Fluktuasi Harga Ramalan Harga Cabai Merah Besar di DKI Jakarta 20000,0
Rp/Kg
Rp/Kg
15000,0 10000,0 5000,0 0,0 1
2
3
4
5
6
7
8
9
10
11
16000,0 14000,0 12000,0 10000,0 8000,0 6000,0 4000,0 2000,0 0,0 1
12
2
3
4
5
Fluktuasi Harga Ramalan Cabai Merah Besar di Semarang 14000,0
12000,0
12000,0
10000,0 Rp/Kg
Rp/Kg
7
8
9
10
11
12
Fluktuasi Harga Ramalan Cabai Merah Besar di Yogyakarta
10000,0 8000,0 6000,0 4000,0
8000,0 6000,0 4000,0 2000,0
2000,0 0,0
0,0
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
Bulan
6
7
8
9
10
11
12
Bulan
Fluktuasi Harga Ramalan Cabai Merah di Denpasar
Fluktuasi Harga Ramalan Cabai Merah Besar di Surabaya 12000,0
14000,0
10000,0
12000,0 10000,0
8000,0
Rp/Kg
Rp/Kg
6
Bulan
Bulan
6000,0
8000,0 6000,0
4000,0
4000,0
2000,0
2000,0 0,0
0,0 1
2
3
4
5
6
7
Bulan
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
Bulan
190
191
Lampiran 32. Plot Data Harga Ramalan Harga Cabai Merah Keriting di Lima Kota Fluktuasi Harga Ramalan Cabai Merah Keriting di Bandung
Fluktuasi Harga Ramalan Cabai Merah Keriting di DKI Jakarta 25000,0
15000,0
Rp/Kg
Rp/Kg
20000,0
10000,0 5000,0 0,0 1
2
3
4
5
6
7
8
9
10
11
16000,0 14000,0 12000,0 10000,0 8000,0 6000,0 4000,0 2000,0 0,0 1
12
2
3
4
5
6
8
9
10
11
12
Fluktuasi Harga Ramalan Cabai Merah Keriting di Yogyakarta
Fluktuasi Harga Ramalan Cabai Merah Keriting di Semarang
12000,0
12000,0
10000,0
10000,0
8000,0
Rp/Kg
14000,0
8000,0 6000,0 4000,0
6000,0 4000,0 2000,0
2000,0
0,0
0,0 1
2
3
4
5
6
7
8
9
10
11
1
12
2
3
4
5
6
7
8
9
10
11
12
Bulan
Bulan
Fluktuasi Harga Ramalan Cabai Merah Keriting di Surabaya 14000,0
Rp/Kg
Rp/Kg
7
Bulan
Bulan
12000,0 10000,0 8000,0 6000,0 4000,0 2000,0 0,0 1
2
3
4
5
6
7
8
9
10
11
12
Bulan
191
