PERAMALAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI IMPOR BUAH INDONESIA
Oleh: Taufan S Nusantara A14103703
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2006
RINGKASAN TAUFAN S NUSANTARA. Peramalan dan Faktor-faktor yang Mempengaruhi Impor Buah-buahan Indonesia (di Bawah Bimbingan MUHAMMAD FIRDAUS). Telah dibukanya perdangan bebas pada masa sekarang ini, setiap negara harus membuka pasar dalam negerinya untuk dimasuki negara lain. Semua hambatan tarif dan non tarif pada semua komoditi pada akhirnya akan dihapuskan kecuali beberapa komoditi penting, seperti makanan pokok. Hal ini akan mengakibatkan terjadinya persaingan yang ketat dalam pasar di Indonesia. Indonesia mengimpor beberapa komoditas pertanian dari negara atau kelompok negara seperti Jepang, USA, ASEAN, APEC antara lain dikelompokkan ke dalam kelompok serealia, kelompok peternakan, kelompok ikan, kelompok hortikultura, kelompok perkebunan dan kelompok bahan pakan ternak. Ketergantungan pangan yang sangat tinggi pada pasokan luar negeri akan dapat mengancam ketahanan (ketersediaan) pangan dalam negeri, terutama apabila pasokan dalam negeri dan pasar dunia sangat tipis. Melonjaknya permintaan volume ekspor dari volume impor buah-buahan Indonesia, menyebabkan neraca perdagangan menjadi defisit. Masalah dari semakin meningkatnya impor buah-buahan adalah terjadinya fluktuasi dalam tiap tahunnya. Fluktuasi tersebut dikhawatirkan akan dapat menggeser konsumsi buah lokal dan sustainibiitas pertanian buah-buahan serta komoditas substitusi impor lainya. Peramalan dan analisis faktor-faktor yang mempengaruhi permintaan impor digunakan alat untuk mendapatkan imformasi di masa yang akan datang sebagai untuk mengantisipasi berbagai dampak negatif dari meningkatnya impor. Selain itu, sebagai pertimbangan dalam mengevaluasi dan menetapkan kebijakan impor buah-buahan. Penelitian bertujuan untuk: 1) Mendapatkan gambaran mengenai perkembangan permintaan impor buah-buahan Indonesia 2) Menganalisis faktorfaktor yang mempengaruhi permintaan impor buah-buahan Indonesia 3) Mendapatkan metode peramalan terbaik untuk meramalkan impor buah-buahan Indoensia 4) Meramalkan volume impor buah-buahan Indonesia. Data yang digunakan dalam penelitian ini adalah data sekunder, yaitu data laporan bulanan impor Badan Pusat Statstik dari tahun 2001-2005 dan data Pasar Induk Keramat Jati tahun 2002-2005. Metode yang digunakan adalah terdiri dari metode time series dan regresi. Metode time series digunakan untuk meramalkan permintaan impor buah-buahan 12 bulan ke depan. Sedangkan metode regresi digunakan untuk menganalisis faktor-faktor yang mempengaruhi permintaan impor buah-buahan Indonesia. Perkembangan impor buah-buahan Indonesia dari negara-negara ekportir selama lima tahun memiliki kecenderungan memiliki trend yang meningkat. Selain itu, permintaan buah-buahan juga dipengaruhi adanya unsur musiman. Hal ini menyebabkan permintaan buah-buahan cenderung berfluktuatif dalam satu tahunnya. Penguasaan pasokan oleh negara-negara pengekspor buahbuahan pada umumnya dikuasai oleh negara China, Australia dan Amerika Serikat. Persentase dari ketiga negara tersebut kurang lebih sekitar 80 persen. Pengolahan menggunanakan beberapa model time series yang digunakan, antara lain: metode trend, dekomposisi aditif dan Multiplikatif, winters aditif dan multiplikatif dan metode Bob Jenkins (ARIMA). Hasil pengolahan dari metode-metode tersebut, metode yang sesuai untuk meramalkan permintaan Impor Indonesia yang pertama adalah metode SARIMA, yang kedua adalah metode winters multiplikatif dan yang ketiga adalah metode dekomposisi aditif.
Secara keseleruhan variabel yang berpengaruh terhadap permintaan buah-buah-buahan adalah variabel lag dan dummy musiman. Hal ini menunjukkan adanya ekspekstasi untuk melakukan mengimpor dari jumlah impor yang pada waktu sebelumnya dan pada saat negara pengekspor mengalami pucak musim panen permintaan impor untuk buah-buahan mengalami peningkatan. Nilai tukar dan harga buah apel itu sendiri secara keseluruhan tidak berpengaruh nyata terhadap permintaan buah impor, diduga disebabkan oleh harga buah yang relatif lebih murah. Sedangkan secara umum pasokan buah pasar induk keramat jati tidak berpengaruh terahadap permintaan impor buahbuahan, menunjukkan terdapat indikasi bahwa impor buah dapat dilakukan setiap saat. Impor buah tidak memperhatikan jumlah pasokan buah di dalam negeri. Apabila tidak dilakukan antisipasi, pada jangka panjang impor buahbuahan dapat mengancam buah lokal.
PERAMALAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI IMPOR BUAH INDONESIA
Skripsi Sebagai syarat untuk memperoleh gelar Sarjana Pertanian pada Fakultas Pertanian Institut Pertanian Bogor
Oleh: Taufan S Nusantara A14103703
PROGRAM SARJANA EKSTENSI MANAJEMEN AGRIBISNIS FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2006
Judul
: Peramalan dan Faktor-faktor yang Mempengaruhi Impor Buah Indonesia
Nama
: Taufan S Nusantara
NRP
: A14103703
Menyetujui, Dosen Pembimbing
Muhammad Firdaus, SP. MSi NIP. 132 158 758
Mengetahui, Dekan Fakultas Pertanian
Prof. Dr. Ir. Supiandi Sabiham, M.Agr NIP. 130 422 698
Tanggal Lulus :
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadirat Allah SWT atas khndak dan segala
rahmat-Nya
sehingga
penulis
dapat
menyelesaikan
skripsi
ini.
Penyusunan skripsi ini adalah sebagai salah satu syarat untuk memperoleh gelar Sarjana Pertanian pada Fakultas Pertanian Institut Pertanian Bogor. Adapun judul skripsi ini adalah “Peramalan dan Analisis Faktor-faktor yang Mempengaruhi Permintaan Imor Buah-buahan Indonesia”. Penelitian ini bertujuan untuk meramalkan permitaan impor buah-buahan Indonesia ke depan dan menganalisis faktor-faktor yang mempengaruhi permintaan impor buahbuahan Indonesia. Penulis menyadari bahwa masih banyak kajian mengenai impor buahbuahan Indonesia yang dapat digunakan untuk memperluas penulisan skripsi ini sehingga menjadi lebih sempurna. Penulis mengharapakan skripsi ini dapat bermanfaat bagi semua pihak yang berminat untuk mengembangkan penelitian mengenai impor buah-buahan.
Bogor, Juli 2006
Taufan S Nusantara
PERNYATAAN DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI YANG BERJUDUL PERAMALAN DAN FAKTOR-FAKTOR YANG MEMPENGARUHI IMPOR BUAH INDONESIA BENAR-BENAR HASIL KARYA SAYA SENDIRI DAN BELUM PERNAH DIAJUKAN SEBAGAI KARYA TULIS ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN
Bogor, Juli 2006
Taufan S Nusantara NRP A14103703
DAFTAR RIWAYAT HIDUP
Penulis adalah putra keenam dari enam bersaudara dari pasangan Bapak Sunarto dan Ibu Sutarmi, dilahirkan di Kediri pada tanggal 02 Agustus 1982. Penulis menyelesaikan pendidikan Sekolah Dasar pada tahun 1994 di SDN Pare VIII. Kemudian melanjutkan pendidikan menengah pertama ke SLTPN 2 Pare dan selesai pada tahun 1997. Penulis melanjutkan ke Sekolah Menengah Umum Negeri di SMUN 2 Pare dan lulus pada tahun 2000. Pada tahun yang sama penulis diterima sebagai mahasiswa pada Program Diploma III Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor dan lulus pada tahun 2004. Penulis melanjutkan studi ke jenjang S1 pada tahun 2004 di Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor.
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang senantiasa memberikan rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan skripsi dengan judul “Peramalan dan Faktor-faktor yang Mempengaruhi Impor Buah Indonesia”. Tujuan dari penelitian ini adalah untuk Meramalkan dan Menganalisis
faktor-faktor
yang
mempengaruhi
permintaan
impor
buah
Indonesia. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Oleh karena itu saran dan kritik yang membangun sangat diharapkan untuk menyempurnakan tulisan ini.
Bogor, Agustus 2006
Taufan S Nusantara A14103703
UCAPAN TERIMA KASIH
Segala puji dan syukur kehadirat Allah SWT, karena berkat rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi ini. Penyelesaian skripsi ini selain dari hasil kesungguhan, kerja keras, kesabaran, pengorbanan serta doa juga tidak lepas dari bimbingan, nasehat, bantuan maupun dorongan berbagai pihak. Untuk itu pada kesempatan ini penulis mengucapkan terima kasih dan penghargaan yang setinggi-tingginya kepada: 1. Muhammad Firdaus SP. MSi selaku dosen pembimbing yang dengan penuh kesabaran selalu bersedia membimbing, membantu dan mengarahkan penulis dalam menyelesaikan skripsi. 2. Ibu, Bapak dan kakak-kakakku yang selalu kucintai dan kusayangi terima kasih atas kasih sayang, cinta, doa, dukungan, bimbingan, bantuan moral dan materil, nasihat, pengorbanan serta harapan yang telah diberikan kepada penulis. 3. Ir. Harmini, MS dan Arif Karyadi, SP selaku dosen penguji terima kasih atas masukan untuk perbaikan skripsi. 4. Wahyu Dian, SP. MS, Sir Hab dan Lettya Roswati terimakasih atas dukungan, masukan, Harapan, komputer, printer dan kertasnya. 5. Taufik Nugraha (Ovx), Mardian Nurmansyah (Aa Adi), Dzulfikar Ali Hakim (Izul), Muhammad Marwan (Oto), Arif Priyadi, Budi Nurdiana (Bojels), Zahakir Haris (Apek), Alex, Heru, Andi Ismail, Sari Rahmawati, Ana Khaerani, Enda Wahyuni dan teman-teman angkatan X yang telah menjadi sahabat penulis dalam suka dan duka. Terima kasih atas kebersamaan, persahabatan, dorongan, bantuan, keceriaan dan canda tawanya. 6. Semua pihak yang telah membantu penulisan ini.
DAFTAR ISI Halaman I. PENDAHULUAN...................................................................................
1
1.1. Latar Balakang ...............................................................................
1
1.2. Perumusan Masalah.......................................................................
2
1.3. Tujuan Penelitian............................................................................
5
1.4. Ruang Lingkup Penelitian...............................................................
6
II. TINJAUAN PUSTAKA .........................................................................
7
2.1. Konsep Permintaan........................................................................
7
2.1.1. Faktor-faktor yang Mempengaruhi Permintaan ....................
8
2.1.2. Elastisitas Permintaan..........................................................
10
2.2. Teori Dasar Perdagangan Internasional ........................................
11
2.3. Buah-buahan..................................................................................
11
2.3.1. Definisi Buah-buahan ..........................................................
13
2.3.2. Karakteristik Buah-buahan ...................................................
13
2.4. Peramalan......................................................................................
14
2.5. Teknik Peramalan ..........................................................................
15
2.5.1. Metode Kualitatif...................................................................
16
2.5.2. Metode Kuantitatif ................................................................
17
2.6. Penelitian terdahulu .......................................................................
19
III. KERANGKA PEMIKIRAN ..................................................................
22
IV. METODE PENELITIAN ......................................................................
27
4.1. Lokasi dan Waktu Penelitian..........................................................
27
4.2. Jenis dan Sumber Data .................................................................
27
4.3. Pengolahan dan Analisisi Data ......................................................
27
4.4. Identifikasi Pola Data Permintaan Buah-buahan ...........................
28
4.5. Penerapan Metode Peramalan ......................................................
28
4.5.1. Metode Peramalan Time Series ............................................
28
4.5.1.1. Metode Trend ..........................................................
28
4.5.1.2. Metode Dekomposisi...............................................
29
4.5.1.3. Metode Winters ..................................................................
29
4.5.1.4. Metode Bob Jenkins (ARIMA) ................................
30
4.5.2. Pemilihan Metode Time Series..............................................
38
Halaman 4.5.2. Metode Kausal ............................................................................
39
4.5.2.1. Metode Regresi .......................................................
40
4.5.2.2. Evaluasi Model Penduga.........................................
42
V. HASIL DAN PEMBAHASAN...............................................................
48
5.1. Hasil .............................................................................................
48
5.1.1 Permintaan Apel Indonesia ....................................................
48
5.1.1.1 Permintaan Apel dari China .......................................
48
5.1.1.2. Permintaan Apel dari Amerika Serikat......................
52
5.1.1.3. Permintaan Apel dari Australia .................................
57
5.1.2. Permintaan Oranges Indonesia .............................................
60
5.1.2.1. Permintaan Oranges dari China ...............................
60
5.1.2.2. Permintaan Oranges dari Australia...........................
66
5.1.2.3. Permintaan Oranges dari Amerika Serikat ...............
69
5.1.3. Permintaan Mandarin Indonesia............................................
75
5.1.3.1. Permintaan Mandarin dari China ..............................
75
5.1.3.2. Permintaan Mandarin dari Pakistan..........................
79
5.1.3.3. Permintaan Mandarin dari Australia .........................
84
5.1.4. Permintaan Anggur Indonesia ...............................................
87
5.1.4.1. Permintaan Anggur dari Australia.............................
88
5.1.4.2. Permintaan Anggur dari Amerika Serikat .................
91
5.1.4.3. Permintaan Anggur dari China .................................
95
5.1.5. Permintaan Pear Indonesia ...................................................
100
5.15.1. Permintaan Pear dari China ......................................
100
5.1.5.2. Permintaan Pear dari Australia.................................
104
5.15.3. Permintaan Pear dari Amerika Serikat ......................
109
5.2. Pembahasan ..................................................................................
113
VI. KESIMPULAN DAN SARAN..............................................................
121
6.1. Kesimpulan ....................................................................................
121
6.2. Saran .............................................................................................
122
DAFTAR PUSTAKA ................................................................................
123
LAMPIRAN ..............................................................................................
125
DAFTAR TABEL
Tabel
Teks
1
Neraca Ekspor-Impor Buah-buahan Indoneisa Tahun 1999-2000 ......................................................................................
1
2
Pola ACF dan PACF model Seasonal ARIMA ...............................
34
3
Nilai MSE Metode Peramalan Time series pada Permintaan Apel Indonesia dari China...........................................
49
Hasil Analisis Model Regresi Permintaan Impor Apel dari China Tahun 2002-2005 ...........................................................................
50
Nilai MSE Metode Peramalan Time series pada Permintaan Impor Apel Indonesia dari Amerika Serikat ....................................
53
Hasil Analisis Model Regresi Permintaan Impor Apel dari USA Tahun 2002-2005 ...........................................................................
55
Nilai MSE Metode Peramalan Time Series pada Permintaan Apel Indonesia dari Australia ......................................
58
Hasil Analisis Model Regresi Linier Berganda Permintaan Impor Apel dari Australia Tahun 2002-2005.............................................
59
Nilai MSE Metode Peramalan Time Series pada Permintaan Oranges Indonesia dari China........................................................
61
4 5 6 7 8 9
Halaman
10 Hasil Analisis Model Regresi Permintaan Impor Oranges dari China Tahun 2002-2005 ........................................................................... 64 11 Nilai MSE Metode Peramalan Time Series pada Permintaan Oranges Indonesia dari Australia ...................................................
67
12 Hasil Analisis Model Regresi Permintaan Impor Oranges dari Australia Tahun 2002-2005 ............................................................
68
13 Nilai MSE Metode Peramalan Time Series pada Permintaan Oranges Indonesia dari Amerika Serikat........................................
70
14 Hasil Analisis Model Regresi Permintaan Impor Oranges dari USA Tahun 2002-2005 ...........................................................................
73
15 Nilai MSE Beberapa Metode Peramalan Time Series pada Permintaan Mandarin Indonesia dari China ...................................
76
16 Hasil Analisis Model Regresi Permintaan Impor Mandarin dari China Tahun 2002-2005.................................................................
77
17 Nilai MSE Metode Peramalan Time Series pada Permintaan Mandarin Indonesia dari Pakistan ..................................................
80
Tabel
Teks
Halaman
18 Hasil Analisis Model Regresi Permintaan Impor Mandarin dari Pakistan Tahun 2002-2005 ............................................................
82
19 Nilai MSE Metode Peramalan Time Series pada Permintaan Mandarin Indonesia dari Australia..................................................
85
20 Hasil Analisis Model Regresi Permintaan Impor Mandarin dari Australia Tahun 2002-2005 ............................................................
86
21 Nilai MSE Metode Peramalan Time Series Pada Permintaan Angggur dari Australia....................................................................
89
22 Hasil Analisis Model Regresi Permintaan Impor Anggur dari Australia Tahun 2002-2005 ............................................................
90
23 Nilai MSE Metode Peramalan Time Series pada Permintaan Angggur dari Amerika Serikat ........................................................
92
24 Hasil Analisis Model Regresi Permintaan Impor Anggur dari USA Tahun 2002-2005...................................................................
93
25 Nilai MSE Metode Peramalan Time Series pada Permintaan Angggur dari China ........................................................................
96
26 Hasil Analisis Model Regresi Permintaan Impor Anggur dari China Tahun 2002-2005.................................................................
99
27 Nilai MSE Metode Peramalan Time Series pada Permintaan Pear dari China ..............................................................................
102
28 Hasil Analisis Model Regresi Permintaan Impor Pear dari China Tahun 2002-2005.................................................................
102
29 Nilai MSE Beberapa Metode Peramalan Time Series pada Permintaan Pear dari Australia ......................................................
105
30 Hasil Analisis Model Regresi Permintaan Impor Pear dari Australia Tahun 2002-2005 ............................................................
108
31 Nilai MSE Metode Peramalan Time Series pada Permintaan Pear dari Amerika Serikat (USA)....................................................
110
32 Hasil Analisis Model Regresi Permintaan Impor Pear dari USA Tahun 2002-2005 ...........................................................................
111
DAFTAR GAMBAR Gambar
Teks
Halaman
1
Kurva Perdagangan Internasonal ..............................................
13
2
Kerangka Operasional Peramalan dan Analisis Faktor-faktor yang Mempangaruhi Permintaan Impor Buah-Buahan Indonesia ...................................................................................
26
Perkembangan Impor Apel Indonesia dari China Tahun 2001-2005..................................................................................
49
Perkembangan Impor Apel Indonesia dari Amerika Serikat Tahun 2001-2005 ......................................................................
52
Perkembangan Impor Apel Indonesia dari Australia Tahun 2001-2005..................................................................................
57
Perkembangan Impor Oranges Indonesia dari China Tahun 2001-2005..................................................................................
61
Perkembangan Impor Oranges Indonesia dari Australia Tahun 2001-2005 ......................................................................
66
Perkembangan Impor Oranges Indonesia dari Amerika Serikat Tahun 2001-2005 ......................................................................
69
Perkembangan Impor Mandarin Indonesia dari China Tahun 2001-2005..................................................................................
75
Perkembangan Impor Mandarin Indonesia dari Pakistan Tahun 2001-2005 ......................................................................
79
Perkembangan Impor Mandarin Indonesia dari Australia Tahun 2001-2005..................................................................................
84
Perkembangan Impor Anggur Indonesia dari Australia Tahun 2001-2005..................................................................................
88
Perkembangan Impor Anggur Indonesia dari Amerika Serikat Tahun 2001-2005 ......................................................................
91
Perkembangan Impor Anggur Indonesia dari Australia Tahun 2001-2005..................................................................................
95
Perkembangan Impor Pear Indonesia dari China Tahun 2001-2005..................................................................................
101
Perkembangan Impor Pear Indonesia dari Australia Tahun 2001-2005..................................................................................
104
Perkembangan Impor Pear Indonesia dari Amerika Serikat Tahun 2001-2005 ......................................................................
109
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
DAFTAR LAMPIRAN Lampiran 1
Teks
Halaman
Total Volume Apel Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2004 (Kg) ............................................
125
Output Analisis Metode Winter Multiplikatif untuk Peramalan Permintaan Apel dari China.......................................................
125
Perkembangan Harga Apel Impor dari China Tahun 2001-2005..................................................................................
125
4
Residual Plot Model Regresi Permintaan Apel dari China .......
126
5
Output Analisis Regresi Permintaan Impor Apel dari China ......
126
6
Output Analisis SARIMA (0,0,0) (0,1,1) untuk Permintaan Impor Apel dari USA ..................................................................
127
7
Perkembangan Harga Apel Impor dari USA Tahun 2001-2005
128
8
Residual Plot Model Regresi Permintaan Apel dari USA ..........
128
9
Output Analisis Regresi Permintaan Apel dari USA ..................
129
10
Output Analisis Winters Aditif untuk Peramalan Permintaan Impor Apel dari Australia ...........................................................
130
Perkembangan Harga Apel Impor dari Australia Tahun 2001-2005..................................................................................
130
12
Residual Plot Model Regresi Permintaan apel dari Australia ....
130
13
Output Analisis Regresi Permintaan Apel dari Australia............
131
14
Total Volume Impor Oranges Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg).......................
132
Perkembangan Harga Oranges Impor dari China Tahun 2001-2005..................................................................................
132
Output Analisis SARIMA (0,0,1 )(0,1,2) Permalan Permintaan Oranges dari Chin......................................................................
132
17
Residual Plot Model Regresi Permintaan Oranges dari Chin....
133
18
Output Analisis Regresi Permintaan Oranges dari China..........
134
19
Analisis Winters' Multiplicative Model untuk Peramalan Permintaan Oranges dari Australia............................................
135
Perkembangan Harga Oranges Impor dari Australia Tahun 2001-2005..................................................................................
135
2 3
11
15 16
20
Lampiran 21
Teks
Halaman
Residual Plot Model Regresi Permintaan Oranges dari Australia.....................................................................................
135
22
Output Analisis Regresi Permintaan Oranges dari Australia .....
136
23
Output Analisis SARIMA (0,0,0 )(3,1,0) Peramalan Permintaan Oranges dari USA......................................................................
137
Perkembangan Harga Oranges Impor dari USA Tahun 2001-2005..................................................................................
138
25
Residual Plot Model Regresi Permintaan Oranges dari USA....
138
26
Output Analisis Regresi Permintaan Oranges dari USA............
138
27
Total Volume Impor Mandarin Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg).......................
139
Perkembangan Harga Mandarin Impor dari China Tahun 2001-2005..................................................................................
139
Output Analisis Winters' multiplicative model untuk Peramalan Permintaan Mandarin dari China.............................
140
30
Residual Plot Model Regresi Permintaan Mandarin dari China.
140
31
Ouput Analisis Regresi Permintaan Mandarin dari China .........
141
32
Output Analisis SARIMA (1,0,0) (0,1,1) untuk Peramalan Permintaan Mandarin dari Pakistan...........................................
142
Perkembangan Harga Mandarin Impor dari Pakistan Tahun 2001-2005..................................................................................
143
Residual Plot Model Regresi Permintaan Mandarin dari Pakistan .....................................................................................
143
35
Output Analisis Regresi Permintaan Mandarin dari Pakistan ....
143
36
Output Analisis Model Dekomposisi Multiplikatif untuk Peramalan Permintaan Mandarin dari Australia ........................
144
Perkembangan Harga Mandarin Impor dari Australia Tahun 2001-2005..................................................................................
145
Residual Plot Model Regresi Permintaan Mandarin dari Australia.....................................................................................
145
39
Output Analisis Regresi Permintaan Mandarin dari Australia....
145
40
Total Volume Impor Anggur Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg)........................
146
24
28 29
33 34
37 38
Lampiran 41
Teks
Halaman
Perkembangan Harga Anggur Impor dari Australia Tahun 2001-2005..................................................................................
146
Output Analisis Model Dekomposisi Multiplikatif untuk Peramalan Permintaan Anggur dari Australia ...........................
147
43
Residual Model Regresi Permintaan Anggur dari Australia.......
147
44
Output Analisis Regresi Permintaan Anggur dari Australia .......
148
45
Output Analisis Dekomposisi Multiplikatif untuk Peramalan Permintaan Anggur dari USA ....................................................
149
Perkembangan Harga Anggur Impor dari USA Tahun 2001-2005..................................................................................
149
47
Residual Plot Model Regresi Permintaan Anggur dari USA ......
149
48
Output Analisis Regresi Pemintaan Angur dari USA .................
150
49
Output Analisis SARIMA (0,0,0) (0,1,1) untuk Peramalan Permintaan Anggur dari China ..................................................
151
Perkembangan Harga Anggur Impor dari China Tahun 2001-2005..................................................................................
152
51
Residual Plot Model Regresi Permintaan Anggur dari China ....
152
52
Output Analisi Regresi Permintaan Anggur dari China..............
152
53
Total Volume Impor Pear Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg).......................
153
Perkembangan Harga Pear Impor dari China Tahun 2001-2005..................................................................................
153
Output Analisis Winters' multiplicative model untuk Peramalan Permintaan Pear dari China ....................................
154
56
Residual Plot Model Regresi Permintaan Pear dari China ........
154
57
Output Analisis Model Regresi Permintaan Pear dari China .....
154
58
Output Analisis Model SARIMA (1,0,0) (0,1,1) untuk
42
46
50
54 55
Peramalan Permintaan Pear dari Australia .......................
155
Perkembangan Harga Pear Impor dari Australia Tahun 2001-2005..................................................................................
156
60
Residual Plot Model Regresi Permintaan Pear dari Australia ...
157
61
Output Analisis Model Regresi Permintaan Pear dari Australia
157
59
Lampiran 62
Teks
Halaman
Output Analisis Winters' multiplicative model untuk Peramalan Permintaan Pear dari USA ........................................................
158
63
Perkembangan Harga Pear Impor dari USA Tahun 2001-2005
158
64
Residual Plot Model Regresi Permintaan Pear dari USA ..........
159
65
Output Analisis Model Regresi Permintaan Pear dari USA .......
159
BAB 1 PENDAHULUAN
1.1.
Latar Belakang Telah dibukanya perdagangan bebas pada masa sekarang ini, setiap
negara harus membuka pasar dalam negerinya untuk dimasuki negara lain. Semua hambatan tarif dan non tarif pada semua komoditi pada akhirnya akan dihapuskan kecuali beberapa komoditi penting, seperti makanan pokok. Hal ini akan mengakibatkan terjadinya persaingan yang ketat dalam pasar di Indonesia. Indonesia mengimpor beberapa komoditas pertanian dari negara atau kelompok
negara
seperti
Jepang,
USA,
ASEAN,
APEC
antara
lain
dikelompokkan ke dalam kelompok serealia, kelompok peternakan, kelompok ikan, kelompok hortikultura, kelompok perkebunan dan kelompok bahan pakan ternak. Beberapa kelompok produk pertanian tersebut memiliki trend yang meningkat misalnya kelompok peternakan khususnya daging beku, kelompok perkebunan khususnya gula dan kelompok hortikultura terutama buah-buahan (Agroindonesia, 2004). Tingginya impor komoditas pangan merupakan konsekuensi dari peningkatan jumlah penduduk yang besar sehingga menjadi sasaran bagi negara lain untuk memasukkan produknya. disamping itu peningkatan pendapatan per kapita dapat dipandang sebagai salah satu pemicu (trigger) meningkatnya permintaan impor barang konsumsi, apalagi bila peningkatan pendapatan tersebut tanpa diikuti dengan pertumbuhan tingkat menabung (saving rate) yang memadai. (Suryana, 1997). Preferensi konsumen terhadap komoditas pertanian yang semula hanya dipengaruhi oleh jenis kenyamanan, stabilitas harga dan nilai komoditas (Simatupang dalam Suryana, 1997), Maka saat ini preferensi konsumen
dipengaruhi oleh kualitas, kandungan nutrisi, kesehatan dan aspek lingkungan. Adanya perubahan mendasar yang terjadi pada masyarakat golongan menengah ke atas adalah adanya kecenderungan lebih menghargai produk-produk impor, sehingga konsumsi barang impor meningkat seiring dengan bertambahnya jumlah masyarakat golongan tersebut. Kecenderungan
lebih
menghargai
produk
impor
mengindikasikan
beberapa kemungkinan antara lain, 1) produksi domestik yang belum dapat mengimbangi permintaan 2) jenis dan kualitas komoditas pertanian tidak sesuai dengan preferensi konsumen 3) bahan yang diperlukan untuk bahan baku dan olahannya tidak dapat diproduksi sendiri 4) harga barang impor cukup bersaing dengan produk dalam negeri, sebagai akibat adanya kebijakan untuk mengurangi atau menghilangkan hambatan non tarif-barrier dan penurunan besarnya tariff sejalan dengan liberalisasi perdagangan dunia. Ketergantungan pangan yang sangat tinggi pada pasokan luar negeri akan dapat mengancam ketahanan (ketersediaan) pangan dalam negeri, terutama apabila pasokan dalam negeri dan pasar dunia sangat tipis. Bagi Indonesia, apabila tidak segera dilakukan langkah antisipasi yang tepat, hal tersebut akan mengakibatkan krisis pangan yang serius serta meningkatnya jumlah tenaga penganggur dan penduduk miskin yang semula bekerja di bidang pertanian akan memicu kerawanan sosial.
1.2.
Perumusan Masalah Berdasarkan laporan Badan Pusat Statistik tahun 1999-2004, secara
keseluruhan perkembangan ekspor dan impor buah-buahan menunjukkan peningkatan. Namun melonjaknya permintaan volume impor lebih tinggi dari volume ekspor buah-buahan Indonesia, menyebabkan neraca perdagangan menjadi defisit. Neraca perdagangan buah-buahan mengalami surplus yang
2
sangat tinggi pada tahun 1999, mencapai USD 215 juta. Namun setelah itu nilai neraca perdagangan terus mengalami penurunan hingga defisit mulai tahun 2000. Tabel 1. Neraca Ekspor-Impor Buah-buahan Indonesia Tahun 1999-2004 Tahun 1999 2000 2001 2002 2003 2004
Ekspor volume (kg) nilai(US$) 264.955.554 132.967.838 187.344.905 94.703.116 188.040.173 100.629.327 225.367.780 138.373.394 189.648.224 131.500.808 210.182.344 122.836.691
Impor volume (kg) nilai(US$) 110.409.321 61.352.034 246.621.488 145.057.885 250.624.963 147.103.077 274.783.344 220.253.270 228.648.866 195.006.043 393.353.172 224.589.553
Neraca volume (kg) nilai(US$) 154.546.233 71.615.804 -59.276.583 -50.354.769 -62.584.790 -46.473.750 -49.415.564 -81.879.876 -39.000.642 -63.505.235 -183.170.828 -101.752.862
Sumber: Badan Pusat Statistik (BPS), 2005 (diolah) Rekomendasi Food and Agriculture Orgnization (FAO) konsumsi buahbuahan per kapita per tahun adalah sebesar 65,75 kilogram. Produksi buahbuahan Indonesia hanya mampu memenuhi kebutuhan konsumsi buah-buahan sebesar 50 kilogram per kapita per tahun. Berdasarkan laporan Direktorat Jenderal Hortikultura tahun 2005, produksi buah-buahan Indonesia mencapai 14 juta ton. Buah yang diekspor hanya mengambil proporsi kurang lebih 0,02 persen dari total produksi. Buah-buahan yang diekspor antara lain manggis, mangga, nanas segar, pisang non cavendish, jeruk, pomelo, melon, rambutan, alpokad, belimbing, pepaya dan salak. Maka untuk memenuhi konsumsi buah yang direkomendasikan FAO diperlukan produksi buah-buahan kurang lebih sebesar 5 juta ton. Hal ini menunjukkan pasar buah-buahan Indonesia masih terbuka lebar. Selain dari sisi produksi, adanya pengaruh musiman diduga juga sebagai pemicu meningkatnya permintaan impor buah. Pengaruh musiman menyebabkan variasi buah-buahan Indonesia menjadi sedikit, karena beberapa buah ada hanya pada saat-saat tertentu. Misalnya buah jeruk, buah jeruk tinggi pada bulan Mei sampai Juli. Sedangkan buah impor, karena keberadaan negara-negara produsen buah-buahan yang berada di belahan bumi utara dan selatan
3
menyebabkan bermacam-macam buah impor buah dapat dipasok sepanjang tahun. Indikasi kebijakan impor buah yang diterapkan Indonesia saat ini, diduga pula sebagai pemicu buah-buahan impor membanjiri pasar buah dalam negeri tanpa ada batasan. Beberapa kebijakan impor buah tersebut di antaranya adalah deregulasi Juni tahun 1991, yang menyebabkan tataniaga komoditas hortikultura menjadi relatif bebas. Paket deregulasi yang dikenal sebagai Pakjun 1991 itu memang telah melonggarkan pembatasan impor komoditas hortikultura yang sebelumnya diatur melalui SK Menperdagkop No. 505/1982. Pada tahun 1991 nilai impor buah hanya sebesar 5 juta dolar AS tetapi untuk tahun 1992 membengkak hingga 8 juta dolar. Begitu pula di tahun 1993 dan 1994, data memberi gambaran jumlah nilai impor bagi buah segar masing-masing telah mencapai angka 40 dan 66 juta dolar. Sementara itu dalam kurun enam bulan pertama pada tahun 1995 (Januari-Juni), total nilai impor tersebut sudah mencapai 45 juta Dollar 1 . Tarif bea masuk (BM) yang sangat rendah, yaitu hanya sebesar 5%, dan tidak diterapkannya kuota impor. Selain itu, pemerintah belum menerapkan standar dan prosedur pemeriksaan buah impor seperti menerapkan persyaratan Sanitary and Phytosanitary (SPS), dan persyaratan mutu secara spesifik. Mempersyaratkan sertifikasi Europ GAP dan memenuhi ketentuan Bio Terorism Act, memberlakukan ketentuan batas maksimum kandungan kimia dan hanya buah tertentu yang boleh diimpor. (Agroindonesia, 2004). Impor buah-buahan yang semakin meningkat dikhawatirkan akan makin menggeser konsumsi buah lokal, karena secara umum memang menunjukkan keragaan yang sangat tinggi. Buah-buahan impor dari berbagai negara yang jumlahnya pada tahun 2004 tercatat sekitar 400 ribu ton. Selain itu, Impor buah-
1
http://www.w3c.org/TR/1999/REC-html401-19991224/loose.dtd. diakses pada tanggal 8 Juni 2006
4
buahan Indonesia mememiliki kecenderungan trend yang meningkat dan berfluktuasi secara bulanan dalan tiap tahunnya. Peningkatan dan fluktuasi impor buah-buahan diharapkan tidak mengganggu sustainabilitas pertanian buahbuahan dan komoditas subsitusi impor lainnya di Indonesia. Tindakan antisipasi berbagai dampak negatif serta pertimbangan dalam mengevaluasi dan menetapkan kebijakan impor buah-buahan, dapat didasarkan pada informasi dari Identifikasi keadaan masa lalu dan melalui peramalan. Identifikasi keadaan masa lalu berguna untuk melihat pola pemintaan yang telah terjadi dan menganalisis faktor-faktor apa saja mempengaruhinya. Sedangkan peramalan berguna untuk melihat perkiraan keadaan di masa yang akan datang. Melakukan suatu peramalan dibutuhkan metode yang tepat dengan pola data yang telah diketahui bentuknya. Metode yang tepat dan pola data yang diketahui bentuknya akan berguna untuk menghasilkan metode peramalan dengan hasil peramalan yang mendekati keadaan aktual. Metode peramalan yang baik memberikan nilai kesalahan (error) terkecil yang diukur dari nilai ratarata kuadrat erornya. 1.3. Tujuan Penelitian Penelitian ini bertujuan untuk: 1. Mendapatkan gambaran mengenai perkembangan permintaan impor buah-buahan Indonesia 2. Mendapatkan metode peramalan terbaik dan meramalkan impor buahbuahan Indoensia. 3. Menganalisis faktor-faktor yang mempengaruhi permintaan impor buahbuahan Indonesia
5
1.4. Ruang lingkup Penelitian Pada penelitian ini, peramalan dilakukan hanya pada lima buah impor apel, oranges, mandarin, anggur dan pear di mana buah-buahan tersebut merupakan buah tertinggi dan secara kontinyu diimpor. Negara-negara pengekspor buah-buahan tersebut dibatasi berdasarkan pada nilai ekspor dan kekontiyuannya melakukan ekspor ke Indonesia selama tahun 2001- 2005 dan hanya dipilih tiga negara pengekspor tertinggi.
6
BAB II TINJAUAN PUSTAKA
2.1. Konsep Permintaan Permintaan dapat diartikan sebagai jumlah produk atau jasa yang diminta oleh konsumen. Dalam istilah ekonomi, permintaan mengacu pada jumlah produk yang rela dan mampu dibeli oleh orang-orang berdasarkan sekelompok kondisi tertentu. Kebutuhan atau keinginan merupakan komponen yang diperlukan tetapi harus disertai dengan kemampuan keuangan sebelum permintaan ekonomi tercipta. Jadi, dalam permintaan ekonomi memerlukan para pembeli potensial dengan keinginan untuk menggunakan atau memiliki sesuatu dan kemampuan keuangan untuk memperolehnya (Pappas dan Hirschey, 1995) Menurut Kottler (1997), dasar pemikiran pemasaran dimulai dari kebutuhan dan keinginan manusia, sehingga adalah penting untuk membedakan antara kebutuhan, keinginan dan permintaan. Kebutuhan manusia (human Needs) merupakan hal yang tidak diciptakan oleh masyarakat atau pemasar karena kebutuhan hakikat biologis dari kondisi manusia. Keinginan (Wants) adalah hasrat akan pemuas kebutuhan yang spesifik. Meskipun kebutuhan manusia sedikit, keiginan mereka banyak. Keinginan manusia terus dibentuk dan diperbaharui oleh kekuatan dan lembaga sosial. Permintaan (demands) adalah keinginan akan produk spesifik yang didukung oleh kemampuan dan kesediaan untuk membelinya. Keinginan dapat menjadi permintaan jika didukung oleh daya beli. Permintaan yang diartikan sebagai jumlah produk atau jasa yang diminta oleh konsumen juga dipengaruhi oleh sejumlah variabel. Permintaan merupakan jumlah barang atau jasa yang rela dan mampu dibeli oleh para pelanggan, selama periode waktu tertentu berdasarkan pada sekelompok kondisi tertentu.
Kondisi-kondisi yang dipertimbangkan antara lain mencakup harga barang yang bersangkutan, harga, ketersediaan barang yang berkaitan, perkiraan akan perubahan harga, pengeluaran periklanan dan sebagainya. Jumlah produk yang akan dibeli oleh konsumen, dalam hal ini adalah permintaan produk tersebut, bergantung pada semua faktor ini (Pappas dan Hirschey, 1995)
2.1.1. Faktor-faktor yang Mempengaruhi Permintaan Hukum permintaan, harga barang yang dimaksud merupakan variabel atau faktor yang mempengaruhi permintaan, ceteris paribus. Adanya asumsi yang menganggap faktor lain tetap sama tentu sangat berbeda dalam kenyataan sebenarnya. Oleh karena itu diperlukan analisa bagaimana faktor penting lainya akan mempengaruhi permintaan. Harga barang-barang lain, pendapatan, selera, dan kekayaan merupakan faktor-faktor penting yang mempengaruhi kuantitas yang diminta. Selanjutnya Lipsey, et al. (1995) menyebutkan bahwa harga komoditi itu sendiri, rata-rata penghasilan rumahtangga, harga komoditi lain, selera, distribusi pendapatan di antara rumahtangga, dan besarnya populasi merupakan variabel penting yang mempengaruhi banyaknya komoditi yang akan dibeli semua rumahtangga pada periode waktu tertentu. Sedangkan menurut Nicholson (2002) kuantitas yang diminta itu tergantung pada harga, pendapatan, dan preferensi, ceteris paribus. Secara matematis kuantitas yang diminta dan faktor-faktor yang mempengaruhinya dapat ditulis dalam bentuk fungsi permintaan seperti berikut: Qdx = ƒ (Px, Py, I, preferensi) ceteris paribus Fungsi permintaan di atas bisa diartikan bahwa kuantitas permintaan barang X dipengaruhi oleh harga barang X (Px), harga barang Y (Py), pendapatan (I; income),
dan
preferensi.
Namun
bukan
berarti
faktor-faktor
lain
tidak
8
berpengaruh, untuk menyederhanakan maka digunakan asumsi ceteris paribus seperti yang tertulis di belakang fungsi tersebut. Adapun faktor-faktor yang mempengaruhi permintaan adalah harga barang itu sendiri, harga barang lain yang terkait, tingkat pendapatan per kapita, selera atau kebiasaan, jumlah penduduk, perkiraan harga di masa mendatang, distribusi pendapatan dan usaha-usaha produsen meningkatkan penjualan. Hubungan antara faktor-faktor tersebut dengan jumlah permintaan secara matematis ditilis sebagai berikut: Dx = f(Px, Py, Y/kap, T, Pop, Pp, Ydist, Adv) - +/- +/- + + + + + dimana: Dx = permintaan barang X Px = harga barang X Py = haraga barang Y (subtitusi atau komplemen) Y/kap = pendapatan per kapita T = selera Pop = jumlah penduduk Pp = perkiraan harga barang X periode mendatang Ydist = distribusi pendapatan Adv = upaya produsen meningkatkan penjualan (promosi) Perubahan permintaan yang disebabkan oleh faktor-faktor di atas dapat dibedakan dalam dua pengertian yaitu pergerakan sepanjang kurva permintaan atau movement along a demand curve (increase or decrease in quantity demand) dan pergeseran kurva permintaan atau shift/change in demand (increase or decrease in demand). Apabila satu atau beberapa kondisi dari ceteris paribus (selain harga barang yang diminta) berubah, maka kurva permintaan akan bergeser, sedangkan pergerakan sepanjang kurva permintaan tidak perlu ada perubahan dalam kondisi ceteris paribus atau hanya disebabkan perubahan harga barang yang diminta. Pengaruh perubahan harga suatu barang terhadap kuantitas sejenis barang yang diminta akan memiliki dua efek yang berbeda pada pilihan individu yaitu efek substitusi dan efek pendapatan. Kedua efek ini bisa dijelaskan dengan kurva kepuasan sama (kurva indiferens). Jika harga barang X turun, ceteris
9
paribus, maka konsumen akan lebih banyak mengkonsumsi barang X dan mengurangi konsumsi barang Y (efek substitusi). Perpindahan akan terjadi di sepanjang kurva indiferens yang sama. Akibat harga barang X turun, pendapatan (daya beli) riil konsumen atau individu akan meningkat dan menambah kosumsi barang X (efek pendapatan). Individu akan berpindah ke kurva indiferens yang baru. Perubahan harga barang lain terhadap kuantitas barang yang diminta terlebih dahulu harus dilihat keterkaitan atau hubungan antarbarang tersebut: barang itu merupakan barang komplemen atau barang substitusi. Dua barang bersifat komplemen jika kenaikan harga satu barang akan menurunkan kuantitas permintaan barang lainnya. Misalkan, harga barang Y meningkat maka kurva permintaaan barang X akan bergeser ke kiri. Sebaliknya barang substitusi adalah sifat dua barang yang jika salah satu harganya meningkat, kuantitas barang lainnya yang diminta akan meningkat. Sehingga kurva permintaan barang X akan bergeser ke kanan jika harga barang Y meningkat. Saat pendapatan meningkat dengan asumsi faktor lain tetap sama, maka kuantitas yang diminta juga bertambah untuk barang normal. Akibatnya kurva permintaan akan bergeser ke kanan. Lain halnya untuk barang inferior, jika pendapatan meningkat justru akan mengurangi kuantitas yang diminta, terlihat dari pergeseran kurva permintaaan ke kiri
2.1.2 Elastisitas Permintaan Elastisitas dibutuhkan untuk mengetahui sejauh mana respon perubahan kuantitas yang diminta akibat perubahan faktor-faktor yang mempengaruhinya. Koefisien elastisitas itu sendiri dapat didefinisikan sebagai persentase perubahan dalam variabel yang tak bebas (dependent variable) dibagi dengan persentase perubahan dalam variabel bebas (independen variable). Nicholson (2002)
10
menyatakan bahwa elastisitas adalah ukuran persentase perubahan suatu variabel yang disebabkan oleh 1 persen perubahan variabel lainnya. Perubahan P (harga barang) akan menyebabkan perubahan Q (kuantitas yang dibeli). Elastisitas harga dari permintaaan akan mengukur hubungan ini. Secara khusus, elastisitas harga dari permintaan didefinisikan sebagai persentase perubahan jumlah yang diminta atas suatu barang yang disebabkan oleh perubahan harga barang itu sebesar 1 persen (Nicholson, 2002). Dalam bentuk matematis, Persentase perubahan ℮D =
Persentase perubahan Q Persentase perubahan P
=
∂Q ∂P
•
P Q
Jika ℮D = 1, maka dikatakan kurva permintaan itu ber-elastisitas satu (unitary elasticity), jika ℮D >1, kurva permintaan adalah elastis, dan jika ℮D < 1 kurva permintaan adalah inelastis. Menurut Samuelson & Nordhaus (1993) permintaan bersifat elastis terhadap harga bila perubahan harga sebesar 1 persen menyebabkan perubahan yang diminta lebih dari 1 persen. Sebaliknya permintaaan bersifat inelastis terhadap harga bila perubahan harga sebesar 1 persen menyebabkan perubahan jumlah yang diminta sebesar kurang dari 1 persen.
2.2. Teori Dasar Perdagangan Internasional
Beberapa faktor penting yang mendorong timbulnya perdagangan internasional (ekspor-impor) suatu negara dengan negara lain. Faktor-faktor tersebut antara lain yaitu keinginan untuk memperluas pemasaran, memperbesar penerimaan devisa, adanya perbedaan biaya relatif dalam menghasilkan komoditi tertentu serta perbedaan permintaan dan penawaran antar negara karena tidak semua negara mampu menyediakan kebutuhan masyarakat.
11
Terjadinya
perdagangan
dapat
dilihat
pada
gambar
1
dengan
menggunakan konsep dasar fungsi permintaan dan penawaran domestik. Suatu negara A dan B memiliki fungsi permintaan dan penawaran domestik, masingmasing adalah DA dan SA untuk negara A serta DA dan SB untuk negara B. B
Sebelum terjadinya perdagangan, keseimbangan di negara A dicapai pada kondisi EA dengan jumlah QA dan harga PA sedangkan di negara B keseimbangan dicapai pada kondisi EB dan harga PB, dengan asumsi bahwa B
harga domestik di negara A relaitif lebih tinggi dibandingkan dengan harga domestik di negara B. Apabila harga internasional di bawah PA, maka negara A akan meminta lebih banyak daripada kebutuhan konsumsinya sehingga di negara A telah terjadi axcess demand (kelebihan permintaan) karena konsumsi domestiknya lebih
besar daripada produksi domestiknya. Sementara itu, jika harga internasional di atas PB, maka negara B akan memproduksi lebih banyak daripada kebutuhan B
konsumsinya sehingga di negara B telah terjadi axcess supply (kelebihan Penawaran). Dengan demikian negara B mempunyai kesempatan menjual kelebihan produksinya ke negara lain. Selanjutnya apabila terjadi perdagangan di antara ke-dua negara. Permintaan impor digambarkan oleh ED dan penawaran ekspor digambarkan oleh ES. Keseimbangan di pasar dunia terjadi pada kondisi E* yang menghasilkan harga dunia sebesar P*, dimana negara A akan mengimpor sebesar M dan negara B akan mengekspor sebesar X yang merupakan jumlah yang sama dengan impor dari negara A. Jumlah Ekspor dan impor tersebut ditunjukkan oleh jumlah perdagangan sebesar Q* pada pasar dunia.
12
SA
PA
SB
ES X P*
M 0
E* DA
QA
ED Q*
Negara A (Pengimpor)
Perdagangan Internasional
PB 0
DB QB
Negara B (Pengekspor)
Keterangan: PA PB QA QB M X P* Q*
: Harga domestik di negara A tanpa perdagangan internasional : Harga domestik di negara B tanpa perdagangan internasional : jumlah yang diperdagangkan di negara A tanpa perdagangan internasional : jumlah yang diperdagangkan di negara B tanpa perdagangan internasional : Jumlah yang di impor oleh negara A : Jumlah yang di ekspor oleh negara B : Harga di pasar internasional setelah perdagangan internasional : Jumlah yang diperdagangkan di pasar internasional Gambar 1. Kurva Perdagangan Internasonal Sumber: Salvatore, 1997 (diolah)
2.3. Buah-buahan 2.3.1. Definisi buah-buahan
Buah-buahan adalah bahan makanan yang kaya akan vitamin, mineral, lemak,protein dan serat. Selain itu, setiap buah mempunyai keuinikan dan daya tarik tersendiri, misalnya rasa yang lezat, aroma yang khas serta warna atau bentuk yang menarik dan mengandung nilai estitika Buah-buahan yang dikonsumsi dapat dibedakan dalam bentuk buah segar maupun dalam bentuk olahan. Buah segar yang dikonsumsi berupa buah natural artinya buah yang masih utuh secara organoleptik bukan hasil olahan, sedangkan buah hasil olahan dapat berupa cairan maupun serbuk ataupun berupa tablet yang merupakan hasil olahan berbagai macam buah-buahan (Sjaifullah, 1997)
13
2.3.2. Karakteristik buah
Terdapat berbagai macam buah-buahan yang terdapat di Indonesia. Namun, berbagai jenis buah itu pada dasarnya dapat dibedakan menjadi dua kelompok sesuai dengan persyaratan hidupnya, yaitu kelompok buah-buahan subtropik dan buah-buahan tropik Kelompok buah-buahan subtropik yang untuk tumbuh dan berbuahnya menghendaki suhu rendah (kurang dari 210C). Daerah tersebut di Indonesia hanya terdapat pada pengunungan yang berada pada ketinggian lebih dari 1000 meter di atas permukaan laut. Buah yang termasuk dalam kelompok ini adalah apel, pir dan persik. Kelompok
buah-buahan
tropis
yang
tumbuh
dan
berbuahnya
menghendaki suhu tinggi (lebih dari 250C). Daerah tersebut di Indonesia hanya terdapat di dataran rendah. Buah yang termasuk ke dalam kelompok ini antara lain durian, rambutan, dan salak (Sunaryo, 1997)
2.4. Peramalan Forcasting (selanjutnya diistilahkan dengan peramalan) pada dekade
1980-an di dunia barat, masih dipandang sebagai kegiatan yang teknis atau tepatnya sebagai dari ilmu statistik semata yang digunakan untuk memprediksi suatu peubah di masa yang akan datang. Pada dekade 1990-an, pandangan yang sama juga masih dapat dirasakan oleh kalangan bisnis di Indonesia dan negara-negara berkembang lainnya. Belakangan ini ditempat asalnya yaitu dunia barat, cakupan peramalan telah berkembang pesat yang melampaui sifat teknisnya, yaitu secara luas digunakan dalam perencanaan, pengambilan keputusan, serta dalam isu-isu manajerial lainnya. Sebagai alat pendukung untuk bidang-bidang tersebut, peramalan telah berkembang dan dipandang sebagai kebutuhan yang cukup penting.
14
Menurut Sugiarto dan Harijono (2000) peramalan merupakan suatu studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis. Apabila direnungkan secara mendalam, banyak orang akan terkejut jika menyadari bahwa pada kenyataannya banyak keputusan yang dilakukan secara pribadi maupun oleh perusahaan mengarah kepada kejadiankejadian di masa datang sehingga memerlukan ramalan tentang keadaan lingkungan masa depan tersebut.
2.5.Teknik Peramalan
Terdapat sejumlah teknik yang tersedia dalam peramalan, maka masalah yang timbul bagi para praktisi adalah memahami bagaimana karakteristik suatu metode peramalan akan sesuai dengan situasi pengambilan keputusan tertentu. Pappas dan Hirschey (1995) membagi teknik peramalan ke dalam empat katagori yaitu analisis kualitatif, analisis serial waktu dan proyeksi, metode ekonometrik dan analisis masukan dan keluaran. Salah satu dari pendekatan peramalan yang digunakan lebih unggul dan merupakan pendekatan terbaik dibandingkan
dengan
yang
lainnya,
bergantung
pada
masalah
yang
bersangkutan. Beberapa faktor penting yang harus dipertimbangkan mencakup: 1. Jarak ke masa depan yang harus diramal 2. Tenggang waktu yang tersedia untuk analisis 3. Tingkat akurasi yang diperlukan 4. Kualitas data yang tersedia untuk dianalisis 5. Sifat hubungan yang tercakup dalam masalah peramalan 6. Biaya dan keuntungan yang berkaitan dengan masalah peramalan Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang lebih luas, beberapa teknik
15
peramalan telah dikembangkan. Teknik tersebut dibagi menjadi dua kategori utama yaitu metode kuantitatif dan metode kualitatif.
2.5.1. Metode Kualitatif
Peramalan kualitatif pada hakikatnya didasarkan pada intuisi atau pengalaman empiris dari perencana atau pengambil keputusan sehingga relatif lebih subjektif. Dalam situasi manajemen dan industri atau pasar yang masih sederhana, peramalan kualitatif dapat memberikan akurasi hasil peramalan yang relatif sama dengan peramalan kuantitatif. Metode kualitatif dapat memberikan hasil yang membias ketika beberapa individu tertentu mendominasi proses peramalan melalui reputasi, kekuatan, atau posisi strategis dalam organisasi. Makridakis et al. (1999) menyatakan bahwa metode peramalan kualitatif tidak memerlukan data seperti halnya dalam metode kuantitatif. Hal tersebut tidak berarti bahwa metode kualitatif tidak memerlukan data kuantitatif. Perbedaanya terletak pada penggunaan data tersebut. Input yang dibutuhkan tergantung pada metode tertentu dan biasanya merupakan hasil dari pemikiran intuitif, pertimbangan dan pengetahuan yang didapat. Pendekatan dengan metode ini seringkali memerlukan input dari sejumlah orang yang telah terlatih secara khusus. Metode peramalan ini terbagi atas metode eksploratoris dan normative. Metode eksploratoris (metode Dalphi, kurvas-S analogi dan penelitian
morfologis) dimulai dari masa lalu dan masa kini sebagai titik awalnya dan bergerak secara heuristik dengan melihat semua kemungkinan yang ada. Sedangkan metode normative (matrik keputusan, pohon relevansi dan analisi sistem) dimulai dengan menetapkan sasaran dan tujuan yang akan datang, kemudian melihat ke masa lalu apakah hal ini dapat dicapai, berdasarkan kendala, sumberdaya dan teknologi yang tersedia. Menurut Georgoff dan Murdick (1985) seperti dikutip oleh Geynor dan Kirkpatrick (1994) membagi
16
metode kualitatif menjadi dua yaitu berdasarkan pertimbangan (judgement) dan perhitungan (counting). Berdasarkan metode pertimbangan terbagi menjadi naïve extrapolation, sales forces composite dan historical analogy. Sedangkan
berdasarkan metode perhitungan, terdiri atas market testing, consumer market servey dan industrial market survey.
2.5.2. Metode Kuantitatif
Peramalan kuantitif memiliki sifat yang objektif karena didasarkan pada keadaan aktual (data) yang diolah dengan menggunakan metode-metode tertentu. Penggunaan suatu metode juga harus didasarkan pada fenomena apa yang akan diramalkan dan tujuan yang ingin dicapai melalui peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi (Makridakis et al ., 1999) berikut: 1. Tersedia informasi masa lalu 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric 3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa yang akan datang. Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode kuantitatif. Asumsi ke-tiga merupakan syarat kecukupan, artinya walaupun asumsi ke-tiga dilanggar, model yang dirumuskan masih dapat digunakan. Hanya saja akan memberikan kesalahan peramalan yang relatif besar bila perubahan pola data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis. Peramalan
kuantitatif
dapat
memberikan
hasil
yang
dapat
dipertanggungjawabkan karena memiliki dasar yang jelas. Dasar yang digunakan adalah data yang merupakan represensi gambaran aktual masa lalu dan adanya justifikasi teoritik mengenai metode yang digunakan secara
17
sistematik, melihat perkembangan teknologi komputer yang semakin pesat, maka peramalan kuatitatif dapat dikatakan sebagai kegiatan yang tidak terlalu sukar untuk diterapkan. Peramalan kuantitatif juga memiliki keterbatasan. Pada dasarnya segala bentuk dan teknik peramalan kuantitatif bersifat eksploratif, yang didasarkan pada suatu pola data atau hubungan sebagai dan akibat antar data. Peramalan kuantitatif mengasumsikan bahwa pola data atau hubungan sebab akibat antar data masih akan berlaku pada periode yang akan datang. Jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat. Akan tetapi hal tersebut dapat dideteksi untuk menentukan ada tidaknya perubahan melalui suatu pendekatan pemantauan (monitoring). Hal yang relatif sulit adalah masalah penyesuaian bentuk pola data atau hubungan sebab akibat antar data setelah ada perubahan, kecuali setelah perubahan telah cukup untuk menetukan pola atau hubungan yang baru. Monitoring dalam peramalan bertujuan untuk memantau sejauh mana
suatu model peramalan, baik yang kausal maupun bentuk time series masih dapat digunakan. karena pada kenyataannya tidak jarang terjadi suatu perubahan yang mendasar, misalnya perubahan kebijakan pemerintahan dalam bentuk deregulasi. Melalui metode ini adanya perubahan tersebut dapat dideteksi dengan baik sehingga reformulasi model peramalan dapat dilakukan secepat mungkin. Metode peramalan kuantitatif pada dasarnya dapat dibagi menjadi dua kelompok utama, yaitu metode time series (deret berkala) dan metode kausal.
18
2.6. Penelitian Terdahulu
Penelitian yang terkait dengan peramalan telah dilakukan oleh para peneliti sebelumnya. Hasil penelitian Ricky (2001), Hartono (2001), Sugiharta (2002) dan Hasibuan (2003), sedangkan data penel hasil penelitian Safitri (2004) akan diuraikan secara ringkas berikut ini. Ricky (2001) melakukan penelitian dengan judul Peramalan Permintaan Paprika untuk perencanaan Produksi pada PT Saung Mirwan (PT SM). Data yang digunakan adalah data permintaan paprika selama 95 minggu. Pola data paprika memiliki unsur tren dan musiman. Unsur tren permintaan paprika disebabkan oleh beberapa hal. Paprika memiliki tren permintaan yang meningkat. Hal tersebut dikarenakan permintaan paprika selain untuk memenuhi pasar lokal, juga untuk memenuhi permintaan pasar ekspor. Selain itu PT SM merupakan perusahaan yang identik dengan produksi paprika berkualitas, sehingga hal tersebut yang mendorong naiknya permintaan. Untuk unsur musiman, biasanya permintaan paprika cenderung meningkat saat hari raya, tahun, baru, liburan sekolah dan ketika negara Belanda sebagai negara produsen paprika tidak berproduksi (November-Februari). Metode peramalan yang digunakan adalan metode winter dan dekomposisi. Peramalan permintaan paprika PT SM dengan menggunakan metode winter memberikan hasil yang terbaik. Galat peramalan untuk permintaan oranye lokal, paprika hijau lokal, kuning lokal, merah lokal, kuning ekspor dan merah ekspor dengan pendekatan MAPE adalah 42.19 persen, 37 persen, 24 persen, 40 persen dan 40 persen. Penelitian yang dilakukan Ricky hanya menggunakan dua metode time series yaitu metode winter dan dekomposisi pada komoditi paprika. Dalam penelitian ini peneliti menyarankan agar penggunaan metode peramalan terpilih, memberikan batasan beberapa persen galat peramalan yang masih diterima dan mengamati perubahan terhadap permintaan yang terjadi.
19
Hartono (2001) melakukan penelitian dengan judul Aplikasi Metode Peramalan Time series dalam Pendugaan Harga Saham pada perusahaan Agribisnis di PT Bursa Efek Jakarta (BEJ). Peneliatian ini bertujuan untuk mengetahui perkembangan perusahaan agribisnis yang terdaftar di BEJ, menerapkan dan menetukan metode peramalan time series untuk menduga harga saham perusahaan agribisnis di BEJ dan mempelajari prospek pengembangan investasi saham yang dikaitkan dengan pengembangan agrisbisnis di Indonesia. Data sekunder yang digunakan terdiri dari serial data harga saham penutupan yang terdaftar pada tanggal 1 januari -30 juni 2001. Fluktuasi harga saham pada perdagangan saham harian merupakan cerminan dari kekuatan permintaan dan penawaran transaksi jual dan beli di lantai bursa. Salah satu cara yang dilakukan untuk mendorong investor dalam memprediksi pergerakan harga saham di masa yang akan datang adalah menggunakan metode peramalan. Peramalan harga saham perusahaan PT Astra Agrolestari Tbk, PT Cipendawa Farm Enterprises, PT Multibreeder Adirama Indonesia Tbk,
\PT
Indofood Sukses Makmur Tbk, PT Ultrajaya Milk Tbk, sebaiknya menggunakan metode wighted moving average. Saham-saham PT Bakrie Sumatera Plentation Tbk dan PT H.M. Samporna T bk Mengunakan Metode simple average. PT Gudang Garam Tbk menggunakan metode Brown. Sedangkan untuk PT London Sumatera Tbk dan PT Bahtera Adirama Samudera Tbk masing-masing menggunakan metode single exponential smoothing dan winter. Dalam penelitian ini tidak menggunakan metode Bob Jenkins (ARIMA) yang sebenarnya sesuai dengan data yang memiliki jangka waktu pendek. Hasibuan (2003) melakukan penelitian dengan judul Peramalan Produksi CPO di PT Sucofindo Medan, Sumatera utara (Suatu Pendekatan Metode Peramalan Kuantitatif). Metode yang terbaik dengan nilai MSE terendah adalah
20
metode ARIMA. Selain itu, adanya pertimbangan kemudahan dalam penggunaan dan keakuratan yang dihasilkan, sebaiknya perusahaan menggunakan metode winter. Metode ini tidak tergantung pada ketersediaan dugaan jumlah tanaman belum menghasilkan dan tidak harus diolah kembali dengan adanya data baru, selama konstanta yang digunakan optimal. Safitri (2004) mengidentifikasi perilaku volme ekspor komoditas pertanian Indoensia ke Negara Singapura, Malaysia dan Thailand serta menetukan metode peramalan terbaik. Penelitian ini dilakukan di Badan Pusat Statistik Jakarta untuk observasi data ekspor dari tahun 1970 sampai 2002. metode peramalan yang digunakan adalah metode time series. ARIMA dipilih sebagai metode terbaik pada hampir semua komoditas ekspor ke Singapura, yaitu tembakau, kopi, kakao rempah kecuali karet dengan metode DES Holt. Metode terbaik peramalan ekspor ke Malaysia adalah DES pada komoditas teh dan ikan, DES holt pada tembakau dan ARIMA (2,2,2) pada rempah. Permalan ekspor ke Thailand dipilih ARIMA (2,1,2) pada komoditas ikan dan AR pada kayu sebagai metode terbaik. Penulis merasa topik penelitian yang digunakan baru pertama kalinya dan belum
pernah
dilaksanakan.
Sehingga
akan
memperdalam
atau
menyempurnakan penelitian terdahulu. Kesamaan penelitiaan ini dengan penelitian terdahulu adalah dari alat analisis yang digunakan yaitu memakai analisis time series dan kausal (regresi)
21
BAB III KERANGKA PEMIKIRAN
Indonesia telah terlibat dalam kesepakatan perdagangan bebas, hal ini mengakibatkan negara-negara di dunia memiliki hubungan perdagangan dengan Indonesia. Salah satu hubungan perdagangan tersebut adalah impor, dalam hal ini adalah impor produk pertanian salah satunya adalah buah-buahan. Berdasarkan data impor buah-buahan selama lima tahun ke belakang, impor buah-buahan
Indonesia
mengalami
peningkatan,
walaupun
mengalami
peningkatan dalam setiap tahunya, akan tetapi dalam tiap bulannya dalam satu tahun volume impor sangat berfluktuasi. Peningkatan dan fluktuasi volume impor buah-buahan dapat beresiko dapat mengancam sustainabilitas pertanian buah-buahan dan komoditas subsitusi impor lainnya di Indonesia, bahkan apabila tanpa dilakukan penanggulangan yang serius dapat mengancam perekonomian. Salah satu cara untuk mengantisipasi atau mengurangi resiko negatif dari adanya impor dengan mengetahui perkembangan impor buah-buahan pada masa mendatang. Salah satunya dengan melakukan peramalan terhadap impor buah-buahan. Sehingga dengan mengetahui keadaan di masa yang akan datang dapat membuat kebijakan-kebijakan yang tepat untuk meminimalkan resiko negatif tersebut. Peramalan merupakan upaya memperkirakan hal-hal yang menjadi perhatian di masa depan. Secara garis besar, peramalan dibedakan menjadi peramalan kuantitatif dan kualitatif. Hasil peramalan kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya yang digabungkan dengan intuisi maupun ketajaman peramal dalam menghasilkan suatu informasi yang diperkirakan akan terjadi di masa depan. Sebaliknya, peramalan kuantitatif menggunakan data kuantitatif yang diperoleh dari pengamatan nilai sebelumnya
dengan ditunjang dari beberapa informasi kualitatif. Hasil peramalan kuantitatif ralatif lebih disukai kaena dapat memberikan pandangan yang lebih nyata dan objektif. Model peramalan yang tersedia cukup banyak maka harus dilakukan pemilihan terhadap metode yang akan digunakan. Metode peramalan yang digunakan adalah harus sesuai dengan kebutuhan dan kemampuan pengguna. Oleh kerana itu, dari beberapa metode peramalan yang ada perlu dipilih yang sesuai dan terbaik. Mengingat jumlah komoditi buah yang diimpor cukup banyak, maka peramalan dalam penelitian hanya dilakukan lima komoditi tertinggi yang diimpor secara kontinyu dan berdasarkan negara pengekspor tiga terbesar. Metode peramalan yang digunakan dalam penelitian ini adalah metode kuantitatif yang terdiri atas metode time series. Salah satu kriteria yang sering dipakai dalam memilih metode peramalan adalah kesalahan peramalan. Semakin kecil nilai kesalahan peramalan, semakin baik metodenya karena hasil peramalan mendekati aktualnya. Karena tiap metode
memiliki
karakteristik
yang
berbeda-beda,
maka
yang
perlu
dipertimbangkan adalah faktor ketersediaan data, pola data historis yang dimiliki dan horison peramalan. Selain kesalahan peramalan, perlu diperhatikan juga prinsip parsimony Metode time series yang digunakan dalam penelitian terdiri dari beberapa metode. Pemilihan metode tersebut berdasarkan pada identifikasi pola data pada masing-masing komoditi terpilih. Identifikasi pola data dilakukan dengan cara memplot data dan nilai autokorelasi. Berdasarkan identifikasi tersebut dapat diduga sementara model yang sesuai dengan pola datanya. Kemudian dari model time series yang digunakan, dipilih model time series yang terbaik dengan menggunakan kriteria nilai MSE terendah.
23
Selain metode time series, digunakan juga Metode kausal. Metode kausal digunakan untuk menentukan model melalui persamaan regresi, dengan veriabel dependen permintaan buah dari masing-masing komoditi yang dipilih. Identifikasi veriabel independen yang berpengaruh terhadap impor buah-buahan didasarkan pada teori, dapat dikuantitatifkan dan tersedia data dalam bentuk bulanan. Variabel independen tersebut adalah harga, nilai tukar rupiah terhadap Dollar Amerika Serikat, pasokan dan harga buah tropis pasar induk keramat jati dan dummy bulanan. Harga buah-buahan impor berkorelasi negatif terhadap permintaan impor buah-buahan. Memiliki korelasi negatif artinya, apabila terjadi kenaikan harga sebesar satu satuan maka akan menyebabkan menurunnya permintaan impor buah-buahan Indonesia. Nilai tukar berkorelasi negatif terhadap permintaan impor buah-buahan Indonesia. Nilai tukar memiliki korelasi negatif karena pada saat nilai tukar melemah (nominal meningkat), secara teori harga produk dalam negeri relatif lebih murah dibandingkan dengan harga produk negara lain. Hal ini seharusnya memacu meningkatnya ekspor dan menurunkan impor. Harga buah lokal apabila memilki hubungan negatif terhadap permintaan, secara teori maka buah lokal merupakan komplementer dari buah impor. Sedangkan apabila berkorelasi positif maka buah lokal merupakan substitusi dari buah impor. Pasokan buah PIKJ apabila memiliki hubungan negatif terhadap permintaan impor buah bahwa impor buah dilakukan untuk mengisi kekosongan pasokan buah dalam negeri dan sebalikknya. Lag volume impor adalah nilai volume impor sebelumnya, hal ini untuk melihat pengaruh adanya ekspektasi impor pada masa yang akan datang dari jumlah impor yang dilakukan pada waktu yang lalu. Sedangkan dummy bulanan digunakan untuk melihat pucak musim buah-buahan di setiap negara produsen buah
24
Model regresi dalam penelitian ini menggunakan model linier dan bentuk fungsional regresi yang lain seperti model regresi double log. Model regresi diduga dengan menggunakan metode ordinary least square (OLS) dengan melakukan uji statistik agar sesuai dengan asumsi-asumsi OLS, agar bersifat Best Linier Unbiased and Estimator (BLUE). Setelah mendapatkan gambaran mengenai keadaan periode mendatang dan faktor-faktor yang berpengaruh, informasi tersebut dapat digunakan sebagai pertimbangan
tindakan
untuk
antisipasi
bebagai
dampak
negatif
dan
pertimbangan dalam mengevaluasi dan menetapkan kebijakan impor buahbuahan Indonesia
25
Perdagangan Dunia
Impor buah-buahan
Fluktuasi Volume Impor Buah
Beresiko Terhadap Sustainabilitas Pertanian Buah-buahan Indonesia Peramalan Volume Impor Buah-buahan Indonesia Identifikasi Pola Data
Plot Data Impor: - Stasioner - Trend Penyesuaian Pola Data dengan Menggunakan Metode Peramalan yang akan digunakan
Metode Kausal Harga impor Nilai tukar rupiah Harga dan Pasokan buah PKIJ
Metode Peramalan: - Trsend - Dekomposisi multiplikatif - Dekomposisi aditif - Winter multiplikatif - Winters aditif - ARIMA
Lag impor Musim penen negara pengekspor
Identifikasi faktor-fakor yang berpengaruh terhadap permintaan impor buah-buahan Indonesia
1. Pemilihan Metode Peramalan Terbaik untuk Meramalkan Impor Buahbuahan Indonesia 2. Meramalkan permintaan Impor buah-buahan indonesia
Rekomendasi Informasi permintaan dan faktor-faktor yang mempengaruhi impor buah-buahan
Gambar 2. Kerangka Operasional Peramalan dan Analisis Faktor faktor yang Mempengaruhi Permintaan Impor Buah-Buahan Indonesia
26
BAB IV METODE PENELITIAN
4.1. Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Badan Pusat Statistik (BPS) yang berlokasi di Jakarta. BPS diperlukan sebagai tempat sumber pengambilan data sekunder. Pengambilan data dilakukan pada bulan Januari-Februari 2006.
4.2. Jenis dan Sumber data Data yang digunakan dalam penelitian ini berupa data sekunder dalam bentuk time series bulanan dari bulan Januari tahun 2000-2005. Data tersebut diperoleh dari informasi statistik yang dimiliki oleh BPS dan pencatatan harga dan pasokan buah Pasar Induk Keramat Jati. Selain itu, informasi juga diperoleh dari 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. Karena hasil penelitian ini diharapkan dapat digunakan untuk pihak terkait dengan impor buah, maka perlu diutamakan untuk memakai program yang mudah didapat dan mudah digunakan. Sementara untuk data kualititatif yang diperolah, diolah dan disajikan dalam bentuk narasi. Program microsoft excel digunakan untuk menganalis plot data volume impor buah-buahan Indonesia. Program minitab digunakan untuk mengolah dengan menggunakan model time seris dan dan model regresi.
4.4. Identifikasi Pola Data Permintaan Buah-buahan Identifikasi pola data dengan cara pengolahan data time series permintaan impor buah-buahan Indonesia dalam bentuk plot terhadap waktu. Berdasarkan plot tersebut di duga pola datanya jika memiliki unsur trend, musiman, siklus atau random. Plot series data dibuat dengan tujuan: (1) mendiskripsikan pola permintaan impor buah-buahan Indonesia dan (2) melihat kecenderungan permintaan impor buah-buahan Indonesia dan (3) melihat unsur musiman pada permintaan impor buah Indonesia. Plot fluktuasi permintaan impor buah-buahan diidentifikasi dengan analisis visual terhadap grafik (plot data) permintaan impor buah-buaan Indonesia dari periode-ke periode. Selain itu, untuk memperkuat hasil identifikasi visual digunakan identifikasi secara statistik dengan menggunakan metode time series yaitu metode trend dengan memasukkan variabel dummy bulanan
4.5. Penerapan Metode Peramalan 4.5.1. Metode Time Series Pengolahan
data
permintaan
impor
buah-buahan
Indonesia
menggunakan metode time series antara lain metode dekomposisi aditif dan multiplikatif, Bob Jenkins, metode tred dengan memasukkan variabel musiman dan winter aditif dan multiplikatif.
4.5.1.1. Metode trend Metode tren Ŷt+1= a + b.t + b2D Dimana :Ŷt+1 = Ramalan pada masing-masing komoditi pada satu periode ke depan b = Slope kenaikan atau penurunan; D = dummy bulanan
28
4.5.1.2. 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: Data= pola+galat atau data =ƒ(trend, silkus dan musiman) + galat 1. Dekomposisi Aditif Yt = Tt + Ct + St + ε Dimana: Tt = komponen trend pada periode t Ct = komponen siklus pada periode t St = komponen musiman pada periode t ε = komponen galat pada periode t 2. Dekomposisi Multiplikatif Yt = Tt x Ct x St x εt Dimana: Tt = komponen trend pada periode t Ct = komponen siklus pada periode t St = komponen musiman pada periode t ε = komponen galat pada periode t
4.5.1.3. Metode Winters Metode Pemulusan eksponensial yang disesuaikan untuk trend dan variasi musiman, merupakan pengembangan dari metode eksponensial. Metode Winters merevisi estimasi berdasarkan pengalaman terkini, tren (slope) dan musiman.
29
Persamaan dari model winters adalah: 1. Metode Winters multipilikati: Deret pemulusan eksponensial:
Lt = α
Yt + (1 − α)(L t −1 + Tt −1 ) S t −s
Estimasi musiman:
St = γ
Yt + (1 − γ )S t −s Lt
Estimasi trend:
Ramalan Periode ke depan:
Tt = β(L t − L t −1 ) + (1 − β )Tt −1
Y t +p = (L t + pTt )S t −s+p
Dimana: Lt = nilai pemulusan baru atau level estimasi saat ini α = konstanta pemulusan untuk level (0≤ α ≤1) Yt = pengamatan baru atau nilai ektual periode t β = konstanta pemulusan untuk estimasi trend (0≤ β ≤1) Tt = estimasi trend γ = konstanta pemulusan untuk estimasi musiman (0≤ γ ≤1) St = estimasi musiman P = periode yang diramalkan s = panjangnya musim Ŷt+p = ramalan p periode ke depan 2. Metode Winters aditif Yt = Tt + St + εt dengan Tt = a - b(t)
Estimasi musiman:
Deret pemulusan eksponensial
St = γ (Yt - Lt) + (1 - γ) (St-s)
Lt = α (Yt – St-1) + (1 - α)(Lt-1 + Tt-1)
Peramalan :
Estimasi trend:
Ŷt+p = [ Lt + Tt (p)] + St-s+p
Tt = β (Lt – Lt-1) + (1 - β) (Tt-1) 4.5.1.4. Metode Seasonal Bob Jenkins (SARIMA) Model SARIMA (Seasonal ARIMA) hampir sama dengan Model ARIMA tidak mensyaratkan suatu pola data tren tertentu supaya model dapat bekerja dengan baik. Sugiato dan Harjono (2000) menyebutkan bahwa metode Bob Jenkins menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari berbagai alternatif model yang ada. Model yang terpilih dilakukan pengujian kembali. Model dianggap sudah memadai apabila residual terdistribusi secara random, kecil dan independen satu sama lain. Model SARIMA secara umum dinotasikan sebagai berikut:
30
SARIMA (p, d, q) (P, D, Q)L Di mana: p, P d, D q, Q L
= orde autoregressive (AR) non musiman dan musiman = orde pembedaan non musiman dan musiman = orde moving average (MA) non musiman dan musiman = beda kala musiman
Model AR menggambarkan bahwa variabel dependen yang dipengaruhi oleh
variabel
dependen
itu
sendiri
pada
periode-periode
sebelumnya.
Pembedaan dengan model MA adalah pada jenis variabel independennya. Variabel independen pada model AR adalah nilai sebelumnya (lag) dari variabel dependen (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 = δ + θ1L Yt-L + θ2L Yt-2L +.....+ θPL Yt-PL + εt Di mana : Yt Yt-1L,Yt-2L δ dan θ1L, θ2 εt 2. Model SMA
= Nilai series yang stasioner = Nilai sebelumnya = Konstanta dan koefisen model = Kesalahan peramalan Model AR
Yt = μ - Φ1L εt-L - Φ 2L εt-L -......- Φ QL εt-QL+ εt Di mana : Yt = Nilai series yang stasioner εt = Kesalahan peramalan εt-1L, εt-2L = Kesalahan pada masa lalu μ, Φ 1L dan Φ 2L = Konstanta dan koefien model 3. Model SARMA Yt = δ + θ1L Yt-L + θ2L Yt-2L +....+ θPL Yt-PL - Φ1L εt-L - Φ 2L εt-L -....- Φ QL εt-QL+ εt Di mana : Yt = Nilai series yang stasioner Yt-1L,Yt-2L = Nilai sebelumnya εt-1L, εt-QL = Kesalahan pada masa lalu δ dan θ1, θP, Φ 1, Φ Q = Konstanta dan koefisen model εt = Kesalahan peramalan 4. Model SARIMA (p, d , q) (P, D, Q) θp (B) ΦP (BL) (1-B)d (1-BL)D Yt = μ + θq (B) ΦQ (BL) εt
31
Di mana : θp (B) = 1 - θ1B - θ2B2 - ….θpBp ΦP (BL) = 1 - Φ1BL – Φ2B2L - ..... ΦPBPL θq (B) = 1 - θ1B - θ2B2 - ….θqBq ΦQ (BL)= 1 - Φ1BL – Φ2B2L - ..... ΦQBQL B
=Backward shift operator (BYt = Yt-1, B2Yt= Yt-2 dan seterusnya)
a. Tahapan dalam Metode ARIMA Langkah-langkah dalam metode Bob-Jenkins (ARIMA) adalah sebagai berikut: 1. Tahap Penstasioneran Data Model Seasonal ARIMA digunakan apabila data yang digunakan sebagai input model terdapat unsur musiman. Menentukan unsur musiman dapat dilakukan dengan melihat 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 bebrapa periode ke belakang. Koefisien autokorelasi dapat dihitung dengan menggunakan formula sebagai berikut:
)(
(
n ∑ Z t − Z Z t −k − Z r = t =k +1 k n 2 ∑ Zt − Z t =1
(
)
)
Dimana: rk = nilai koefisien autokorelasi; n = jumlah obeservasi;
Zt = series stasioner Z = rata-rata series data stasioner
32
2. Tahap Identifikasi Model Sementara Menurut Gaynor dan Kirkpatrick (1994) bahwa model Bob-Jenkins terdiri dari: 1. Jika ACF terpotong (cut off) seelah lag 1 atau 2; lag musiman tidak signifikan dan PACF perlahan-lahan menghilang (dies down), maka diperoleh model non seasonal MA (q=1 atau 2) 2. Jika ACF terpotong (cut off) setelah lag musiman L; lag non musiman tidak signifikan dan PACF perlahan-lahan menghilang (dies down), maka diperoleh model seasonal MA (Q=1) 3. Jika ACF terpotong setelah lag musiman L; lag non musiman terpotong (cut off) setelah lag 1 dan 2, maka diperolah model non seasonal – seasonal MA (q= 1 atau 2; Q = 1) 4. Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cut off) setelah lag 1 atau 2; lag musiman tidk signifikan, maka diproleh model non seasonal AR (p=1 atau 2) 5. Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cut off) setelah lag musiman L; lag non musiman tidak signifikan, maka diperoleh model seasonal AR (P=1) 6. Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cut off) seteah lag musiman L; lag non musiman tidak signifikan, maka diperoleh model seasonal AR (P=1) 7. Jika ACF perlahan-lahan menghilang (dies down) dan PACF terpotong (cut of) setelah lag musiman L; dan non musiman terpotong (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 perlahan-lahan menghilang (dies down) maka diperoleh mixed (ARMA atau ARIMA) model
33
Tabel 2. Pola ACF dan PACF Model Seasonal ARIMA ACF
PACF
Model
Dies down
MA non musiman (q=1 atau 2) Zt = μ - θ1 εt-1+ εt Zt = μ - θ1 εt-1 - θ2 εt-2+ εt
Cut off setelah lag L musiman, tidak signifikan pada lag non musiman Cut off setelah lag musiman, non musiman siginfikan lag 1 atau 2
Dies down
MA terdapat musiman (Q=1) Zt = μ - θ1Lεt-L+ εt
Dies down
Non Musiman-musiman MA Zt = μ - θ1 εt-1 - θ1L εt-L+ θ1θ1 Lεt-L-1+εt Zt = μ - θ1 εt-1 - θ2 εt-2 - θ1L εt-L + θ1θ1 LεtL+θ2θ1 Lεt-L -2+εt
Dies down
Cut of setelah lag 1 atau 2 tidak ada signifikan lag musiman Cut off setelah lag L musiman, tidak signifikan pada lag non musiman Cut off setelah lag musiman, non musiman siginfikan lag 1 atau 2
AR non musiman (p=1 atau 2) Zt = δ + θ1Zt-1 + εt Zt = δ + θ1Zt-1 + θ2Zt-2 + εt
Dies down
Campuran (AR;MA) Non musiman : Zt = δ + θ1Zt-1 - θ1εt-1 + εt Musiman : Zt = δ + θ1Zt-L - θ1Lεt-L + εt
Cut of setelah lag 1 atau 2 tidak ada signifikan lag musiman
Dies down
Dies down
Dies down
AR terdapat musiman (P=1) Zt = δ + θ1LZt-L + εt Non musiman-musiman AR (p=1 atau 2; P=1) Zt = δ + θ1Zt-1 + θ1LZt-L +θ1θ1LZt-L-1 +ε Zt = δ + θ1Zt-1 +θ2Zt-2 θ1LZt-L +θ1θ1LZt-L1 + θ2θ1LZt-L-2 +εt
Sumber : Gaynor dan Kirkpatrick, 1994
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 parameter-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)
34
- Perbaikan secara iteratif yaitu dengan memilih taksiran awal dan kemudian membiarkan program komputer untuk memperhalus panaksiran tersebut secara iteratif. Metode ini lebih disukai 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 persial yang signifikan. - Mempelajari statistik sampling dari pemecahan optimum untuk melihat apakah model tersebut masih dapat disederhanakan. Nilai-nilai 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 dapat diukur dengan derajat hubungan satu dengan yang lainnya. Dan model dikatakan sudah memadai apabila nilai korelasi antar dugaan parameter tersebut tidak segnifikan. Model yang baik harus memenuhi syarat : • Proses interasi harus convergence 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
35
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 Φ1 + Φ2 + ..... + 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 uji statistik Ljung-Box (Q).
Η0 : ρ1 = ρ2 = ..... = ρm = 0 Η1 : ρ1 ≠ ρ2 ≠ ..... ≠ ρm ≠ 0 Statistik Uji :
2 m rk Q = n(n + 2) ∑ k =1n − k
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.
36
• 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=
r −ρ r k k , atau sama dengan t = k SE r variance k
( )
dimana : k = lag atau selang n = jumlah observasi j = 1....., k-1, dan j
tα/2(n-1) berarti dapt 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:
(Yt − Yˆ t−1)2 n−n
2
n = jumlah observasi deret stasioner np= jumlah parameter estimasi dalam model
37
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.
4.5.2. Pemilihan Metode Peramalan Time Series
Metode-metode peramalan yang terbaik hasil dari pengolahan dari data permintaan impor buah-buahan Indonesia, dipilih metode yang paling sesuai untuk meramalkan permintaan impor buah-buahan Indonesia. Kriteria pemilihan metode yang paling sering digunakan atau kriteria utama adalah mean sequare 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. Kedua kriteria tersebut sudah mewakili beberapa kriteria yang lainnya, sebab pada akhirya kriteria yang lain merujuk pada dua kriteria terebut. Kriteria pemilihan yang ditamakan adalah kriteria yang pertama, yaitu MSE terkecil. Jika terdapat lebih dari satu metode yang memiliki nilai MSE yang sama, maka pemilihan berdasarkan kriteria kedua, tetapi ini tidak mutlak karena masih disesuaikan dengan kebutuhan dan kemampuan peramal.
(
)
) 2 ∑ Yt − Yt MSE = n
Keterangan: Yt = nilai aktual Ŷt = nilai ramalan (Yt- Ŷt) = kesalahan peramalan n = banyaknya data
38
4.5.3. 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 tak bebas (dependent variable) dapat dijelaskan oleh variabel bebas (independent variable) 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. Menurut Gujarati (1997) dengan asumsi-asumsi tertentu, metode OLS mempunyai beberapa sifat statistik yang sangat menarik yang membuatnya menjadi satu metode analisis regresi yang paling kuat (powerfull) dan populer. 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 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. Kovarians 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
39
5. Peubah bebas X saling bebas atau tidak ada kolonieritas ganda diantara peubah bebas X 6. εi ∼ N (0;σ2), artinya kesalahan pengganggu mengikuti distribusi normal dengan rata-rata nol dan varian 7. Model regresi dispesiikasi secara benar Apabila asumsi-asumsi di atas dapat terpenuhi, maka koefisen regresi (parameter) yang diperoleh merupakan penduga linier terbaik dan tak bias.
4.5.2.1. Model Regresi
Bentuk fungsional Model regresi terdapat beberapa macam. Salah satu bentuk fungsional dengan model yang sederhana adalah model regresi linier. Salah satu keuntungan model regresi linier adalah mudah dianalisis. Selain memiliki keuntungan, model regresi linier juga memiliki kelemahan. Salah satu kelemahan dari model regresi linier adalah interpretasi koefisiennya terkadang tidak sesuai dengan substansi permasalahan. Melihat kelemahan dari model regresi linier, maka dapat digunakan model regresi dengan bentuk fungsional yang lain. Beberapa bentuk fungsional model regresi anatara lain (Nachrowi, 2002): 1. Model Log-log atau Double log (konstan elastisitas) Model double log merupakan hsail trasnformasi dari suatu model tidak linier menjadi model linier, dengan jalan membuat model dalam bentuk logaritma. Salah satu hal yang menarik dari model double log dalam aplikasinya adalah slope atau nilai dari koefisien dalam model menyatakan ukuran elastisitas. 2. Model semi log Prinsip dari model ini sama dengan model double log, yaitu melakukan transformasi logaritma terhadap data. Perbedaan antara model semi log
40
dan model double log, yaitu pada model semi log data yang ditrasnformasikan hanya salah satu dari variabel endogen atau variabel eksogen. Model dari permintaan impor buah Indonesia adalah sebagai berikut: -
model regresi untuk oranges dan mandarin impor Yi = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6D1 + ε lnYi = ln β0 + β1 ln X1 + β2 ln X2 + β3 ln X3 + β4 ln X4 + β5 ln X5 + ln β6D1 + ε dimana:
-
Yi β0 βi X1 X2 X3 X4 D ε
= jumlah permintaan per buah per negara pengekspor = intersep = koefisien regresi varibel bebas ke i (i = 1,2,....,7) = nilai tukar rupiah terhadap Dollar USA (Rp) = harga oranges/mendarin impor (US$/kg) = pasokan jeruk PIKJ (kg) = lag volume impor (kg) = dummy Bulanan = unsur galat
model regresi untuk apel, anggur dan pear impor Yi = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6D1 + ε lnYi = ln β0 + β1 ln X1 + β2 ln X2 + β3 ln X3 + β4 ln X4 + β5 ln X5 + ln β6D1 + ε dimana:
Yi β0 βi X1 X2 X3 X4 X5 D ε
= jumlah permintaan per buah per negara pengekspor = intersep = koefisien regresi varibel bebas ke i (i = 1,2,....,7) = nilai tukar rupiah terhadap Dollar USA (Rp) = harga apl/anggur/pear impor (US$/kg) = pasokan mangga PIKJ (kg) = harga mangga PIKJ (kg) = lag volume impor (kg) = dummy Bulanan = unsur galat
Nilai tukar yang digunakan adalah nilai tukar Rupiah terhadap Dollar USA. Penggunaan nilai tukar tersebut didasarkan, bahwa dalam perdagangan antar negara dalam pembayarannya menggunakan Dollar USA. Harga buah impor yang digunakan adalah harga ditingkat importir. Penggunaan harga buah ditingkat importir adalah untuk mengetahui harga buah impor dari setiap negara. Tidak tersediannya data produksi buah-buahan Indonesia dalam time series bulanan, maka digunakannya data pasokan dan harga buah Pasar Induk
41
Keramat Jati (PIKJ) sebagai perkiraan produksi dan harga Indonesia. Pasokan buah lokal yang digunakan adalah pasokan buah mangga dan jeruk. Pasokan buah mangga digunakan substitusi apel, pear dan anggur. Dasar yang digunakan mangga adalah untuk melihat pengaruh musiman buah lokal. Selain itu, buah mangga merupakan salah satu buah yang disukai oleh masyarakat Indonesia. Sedangkan pasokan jeruk PIKJ digunakan sebagai substitusi jeruk impor yaitu untuk oranges dan mandarin. Dummy bulanan digunakan untuk melihat puncak musim di negara pengekspor. Selain variabel yang dimasukkan ke dalam model, masih terdapat variabel yang berpengaruh terhadap permintaan impor buah. Karena keterbatasan data dalam bentuk time series bulanan, maka variabel tersebut tidak dimasukkan ke dalam model. Variabel-variabel tersebut seperti jumlah penduduk, preferensi konsumen dan peningkatan pendapatan
4.5.2.2. Evaluasi Model Penduga
Evaluasi model penduga bertujuan untuk mengetahui apakah model yang diduga terpenuhi secara teori dan statistik. Untuk itu kriteria pemilihan model terbaik dalam analisis regresi linier berganda harus sesuai dengan kriteria sebagai berikut: 1. Kriteria Statistik
Pengujian terhadap model penduga permintaan impor dilakukan untuk mendapatkan model terbaik dan tak bias. Pengujian yang dilakukan antara lain, yaitu sebagai berikut: a. Uji Autokorelasi Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series). Uji autokorelasi perlu dilakkan apabila data yang dianalisa merupakan
data time series (Gujarati, 1997).
42
(
∑ ei − ei−1 d= ∑ ei Keterangan:
d
)2
= nilai Durbin Watson
∑ei = jumlah kuadrat sisa Nilai Durbin Watson kemudian dibandingkan dengan nilai dtabel. Hsail perbandingan akan menghasilakn kesimpulan seperti kriteria sebagai berikut: 1. Jika d* < dl, berarti terdapat autokorelasi positif 2. Jika d* > (4-dl), berarti terdapat autokorelasi negatif 3. Jika du < d* < (4-dl), berarti tidak terdapat auto korelasi 4. Jika dl < d* < du atau (4-du) < (4-dl), berarti tidak dapat disimpulkan b. Uji Multikolinearitas Masalah multikolinearitas dalam model dapat diketahui dengan melihat nilai Varians Inflation Facktor (VIF) pada masing-masing variabel bebasnya.
VIF =
1
(1− R ) 2
i
Dimana: R2 = koefisien determinasi Apabila nilai VIF kurang dari 10, maka dapat disimpulkan bahwa dalam model tidak terdapat masalah multikolinearitas. Selain itu, untuk melihat korelasi antar peubah bebas dalam model dapat digunakan uji korelasi pearson, dimana nilai yang semakin mendekati satu berarti korelasi peubah bebas semakin kuat. c. Uji Heteroskadastis homoskedastis yang menyatakan bahwa variasi dari setiap unsur residual model adalah sama (konstan). Asumsi ini bila dilanggar akan menyebabkan model yang dihasilkan menjadi tidak bias, konsisten, terbaik dan linier tetapi tidak efisien (Gujarati, 1997)
43
Jika tidak ada informasi empiris mengenai sifat heteroskedastisitas, dalam praktek
analisis
regresi
dapat
dilakukan
atas
asumsi
tidak
ada
heteroskedastisitas dan kemudian melakukan pengujian sesudahnya dari kuadrat residual yang ditaksir ℮i2 untuk melihat jika residual tadi menunjukkan suatu pola yang sistematis. Untuk melihat ada atau tidaknya pola tersebut maka ℮i2 dipetakan terhadap Yi atau satu dari variabel bebas. Jika tidak ada pola yang sistematis maka tidak ada heteroskedastisitas. d. Uji Normalitas Asumsi normalitas mengharuskan nilai residual dalam model menyebar atau terdistribusi secara normal. Untuk mengetahuinya dapat dilakukan uji Kolmogorov-Smirnov dengan memplotkan nilai standar residual dengan
probabilitinya pada tes normalitas. Apabila pada grafik titik-titik residual yang ada tergambar segaris dan p-value lebih besar dari α = 0,05, maka dapat disimpulkan bahwa residual model terdistribusi dengan normal. e. Uji model penduga Tujuan dari pengujian ini adalah untuk mengetahui apakah model penduga yang diajukan layak untuk menduga parameter dari fungsi impor. Hipotesis: H0 : β1 = β2 =….= βi = 0, variabel bebas (Xi) secara serentak tidak berpengaruh nyata terhadap permintaan buah impor H1 : paling tidak salah satu βi ≠ 0, i = 1, 2, 3,….,, variabel bebas (Xi) secara serentak berpengaruh nyata terhadap permintaan buah impor minimal yang digunakan adalah uji F:
44
F-hitung =
⎛ R2 ⎞ ⎜ ⎟ ⎜ k − 1⎟ ⎝ ⎠
(
⎛ 1− R2 ⎜ ⎜ n−k ⎝
)⎞⎟ ⎟ ⎠
F-tabel = Fα(k-1,n-k) Di mana: R2 K N Kriteria uji:
= koefisien determinasi = jumlah parameter termasuk intersep = jumlah observasi
F-hitung > Fα(k-1,n-k), maka tolak H0 F-hitung < Fα(k-1,n-k), maka terima H1 Jika H0 ditolak maka seluruh variabel bebas secara bersama-sama mempengaruhi varabel tidak bebasnya pada tingkat signifikasi tertentu dan derajat bebas tertentu. Jika H0 diterima maka seluruh variabel bebas secara bersama-sama tidak mempengaruhi variabel tak bebas pada tingkat signifikasi tertentu dan derajat bebas tertentu. f. Uji untuk masing-masing parameter pengujian ini bertujuan untuk mengetahui variabel bebas yang berpengaruh secara parsial terhadap variabel tak bebas. Hipotesis: H0 : βij = 0 H1 : βi ≠ 0 Uji statistik yang digunakan adalah uji-t
⎛ bi − β i ⎝ S (bi )
t-hitung = ⎜⎜ t-tabel = tα/2(n-k) Dimana:
bi S (bi) βi k n
⎞ ⎟⎟ ⎠ = Koefisien k-i yang diduga = Standar deviasi parameter bi = Parameter ke-i yang diduga = Jumlah parameter termasuk intersep = Jumlah observasi
Kriteria uji: t-hitung > tα/2(n-k), maka tolak H0 t-hitung < tα/2(n-k), maka terima H0
45
Jika t-hitung lebih besar dari t-tabel (α, n-k) maka tolak H0 artinya peubah bebas berpengaruh nyata terhadap peubah tidak bebas dalam model pada taraf nyata α persen dan sebaliknya apabila t-hitung lebih kecil daripada ttabel (α, n-k), maka terima H0, artinya peubah bebas tidak berpengaruh nyata terhadap peubah tidak bebas dalam model pada taraf nyata α persen. 2. Kriteria Ekonomi
Penentuan parameter model regresi berdasarkan teori ekonomi yang ada, kemudian diuji berdasarkan teori ekonomi pula. Teori ekonomi yang digunakan untuk menerangkan hasil analisis ini adalah teori permintaan dan elastisitas. Dari teori permintaan dan elastisitas dapat dikembangkan hipotesis sebagai berikut: a. Harga Harga buah-buahan impor berkorelasi negatif terhadap permintaan impor buah-buahan. Memiliki korelasi negatif artinya, apabila terjadi kenaikan harga sebesar satu satuan maka akan menyebabkan menurunnya permintaan impor buah-buahan Indonesia. b. Nilai Tukar Rupiah Nilai tukar berkorelasi negatif terhadap permintaan impor buah-buahan Indonesia. Nilai tukar memiliki korelasi negatif karena pada saat nilai tukar melemah (nominal meningkat), secara teori harga produk dalam negeri relatif lebih murah dibandingkan dengan harga produk negara lain. Hal ini seharusnya memacu meningkatnya ekspor dan menurunkan impor. c. Harga buah PIKJ Harga buah lokal apabila memilki hubungan negatif terhadap permintaan secara teori maka buah lokal merupakan komplementer dari buah impor. Sedangkan apabila berkorelasi positif maka buah lokal merupakan substitusi dari buah impor.
46
c. Pasokan Buah dalam negeri pasokan buah PIKJ apabila memiliki hubungan negatif terhadap permintaan impor buah maka buah impor merupakan substitusi dari buah lokal dan menunjukkan bahwa impor buah dilakukan untuk mengisi kekosongan pasokan buah dalam negeri dan sebalikknya. d. lag volume impor Lag volume impor adalah nilai volume impor sebelumnya, hal ini untuk melihat pengaruh adanya ekspektasi impor pada masa yang akan datang dari jumlah impor yang dilakukan pada waktu yang lalu. e. Dummy bulanan Dummy digunakan untuk melihat pucak musim panen buah impor di setiap negara produsen buah impor.
4.5.2.3. Elastisitas dari Model Regresi Linier Berganda
Analisis elastisitas bertujuan untuk mengetahui persentase perubahan jumlah impor buah yang diminta (Y) terhadap perubahan sebesar satu persen pada salah satu variabel (faktor) yang mempengaruhinya (Xi). Nilai elastisitas yang dibahas dalam penelitian ini adalah elastisitas rataan dengan rumus sebagai berikut: ∂Y
Ei =
X Y i = ∂Y • i ∂X ∂Xi Y i i X i
dimana: ∂Y/∂Xi = turunan pertama fungsi permintaan Yi terhadap variabel Xi
Xi Yi
= rata-rata variabel Xi = rata-rata variabel Yi
47
BAB V HASIL DAN PEMBAHASAN 5.1. Hasil Pengolahan permintaan impor buah-buahan Indonesia pertama dilakukan intepretasi dari plot data dari masing-masing buah yang berasal dari Negara yang melakukan ekspor ke Indonesia. Tahap selanjutnya dilakukan intepretasi hasil dari pengolahan dengan menggunakan model time series dan metode kausal.
5.1.1. Permintaan Apel Indonesia Apabila diurutkan berdasarkan negara asalnya maka selama tahun 2001 – 2005 rata-rata impor Apel Indonesia terbesar pertama berasal dari negara China. Amerika Serikat, New Zealand, Perancis dan Australia berturut-turut merupakan negara asal impor oranges Indonesia terbesar kedua, ketiga, keempat dan kelima (Lampiran 1). Rata-rata impor apel Indonesia dari China adalah sebesar 42.007 ton Impor apel Indonesia terbesar dari negara China terjadi pada tahun 2004, yaitu sebesar 73.153 ton.
5.1.1.1. Permintaan Apel dari China a. Plot data China merupakan negara asal impor apel Indonesia terbesar. Selama tahun 2001–2005, impor apel Indonesia dari China menunjukkan trend yang meningkat (Gambar 3). Pada tahun 2001 permintaan impor apel Indonesia dari China sebesar 27.202 ton. Kemudian meningkat 24,81 persen menjadi 27.942 ton pada tahun 2002. Pada tahun 2003 terjadi penurunan sebesar 0,67 persen dari tahun 2002, menjadi sebesar 28.310 ton. Tahun 2004 meningkat sebesar 116,93 persen dari tahun 2003 menjadi 34.927 ton dan pada tahun 2005
meningkat 21,12 persen menjadi 41.996 ton. Rata-rata pertumbuhan impor apel dari China dari tahun 2001 sampai 2005 adalah sebesar 40,55 persen. Perkembangan Impor Apel Indonesia dari China Tahun 2001-2005 14000000
12000000
Berat Bersih(kg)
10000000
8000000 impor apel 6000000
4000000
2000000
m ei
se ju pt li e m be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju li p te m be r no ve m be r
m ar e t
ja nu ar i
m ei
se ju li p te m be r no ve m be r
m ar e t
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
0
Bulan
Gambar 3. Perkembangan Impor Buah Apel Indonesia dari China Tahun 2001–2005 b. Peramalan Permintaan Impor Apel dari China Berdasarkan Tabel 3, metode peramalan time series terbaik untuk permintaan Apel dari China adalah Metode Winters Multiplikatif. Hasil pengolahan menggunakan Winter Multiplikatif menghasilkan nilai MSE sebesar 3,70E+12. Hasil pengolahan dan peramalan untuk 12 bulan ke depan dapat dilihat
pada Lampiran 2. Permintaan impor apel dari China 12 bulan menunjukkan penurunan dari tahun sebelumnya. Total permintaan selama 12 bulan ke depan menjadi sebesar 80.620 ton. Pucak tertinggi impor terjadi pada bulan November yaitu sebesar 9.372 ton. Sedangkan puncak terendah sebesar 4.653 ton terjadi pada bulan Februari. Rata-rata permintaan apel dari China untuk 12 bulan ke depan sebesar 6.718 ton per bulan. Tabel 3. Nilai MSE Metode Peramalan Time series pada Permintaan impor Apel Indonesia dari China No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (0,1,1) (0,1,1)12
MSE 3,90E+12 3,70E+12 3,99E+12 4,99E+12 4,12E+12 6,2E+12
MSE terkecil 2 1 3 4 5 6
49
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Apel dari China Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan apel dari China yang berpengaruh nyata antara lain pasokan mangga PIKJ, lag impor dan dummy musiman dari negara pengekspor. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar dan harga apel impor dan harga mangga PIKJ. Tabel 4. Hasil Analisis Model Regresi Permintaan Impor Apel dari China Tahun 2002-2005 Peubah
koefisien
SE koefisien 4182376 407 816702 0,07903 140,4 0,1455 1038996 1162132 1082143 1053159 1014589 1012171 1028647 1050207 1399400 1213690 1186033
t p VIF hitung value 0,10 0,923 -0,28 0,784 1,30 -0,96 0,344 1,60 -2,69* 0,011 5,40 1,34 0,191 2,70 5,20* 0,000 2,40 2,40* 0,023 2,10 1,25 0,220 2,60 0,88 0,386 2,20 2,01* 0,053 2,10 0,46 0,651 2,00 1,11 0,274 2,00 3,19* 0,003 2,00 2,54* 0,017 2,10 3,84* 0,001 3,70 3,17* 0,003 2,80 2,61* 0,014 2,70 R-Sq(adj) = 48,8%
Elastisitas SR LR
407186 Constant Nilai tukar -112,6 -0,29 -1,21 Harga apel impor -784982 -0,15 -0,60 Pasokan mangga PIKJ -0,2128 -0,26 -1,07 Harga mangga PIKJ 187,8 0,19 0,78 Lag volume impor 0,7566 Februari 2490170 Maret 1454783 April 951654 Mei 2116280 Juni 463655 Juli 1127023 Agustus 3283651 September 2662377 Oktober 5366769 November 3848257 Desember 3101239 R-Sq = 65,2% Durbin-Watson statistic = 2,04 F hit = 3,99 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Pada saat nilai tukar rupiah melemah dan harga apel meningkat, terdapat indikasi permintaan impor pear dari China mengalami penurunan. Hal tersebut ditunjukkan dari nilai koefisien nilai tukar dan harga bernilai negatif. Akan tetapi perubahan nilai tukar dan harga apel pada jangka pendek dan panjang, tidak berdampak besar pada perubahan permintaan impor apel dari China. Nilai elastisitas jangka pendek dan panjang, menunjukkan permintaan impor pear tidak responsif terhadap perubahan harga dan nilai tukar. Terdapat dugaan
50
kedekatan wilayah China dengan Indonesia menyebabkan pembebanan biaya transportasi pada harga apel dari China tidak terlalu besar sehingga harga apel dari China relatif lebih murah (lihat Lampiran 3). Pada saat pasokan mangga meningkat dan harga mangga murah menyebabkan permintaan impor apel dari China menurun. Pada jangka pendek respon penurunan impor apel dari China terhadap peningkatan pasokan mangga PIKJ tidak elastis, tetapi pada jangka panjang bersifat elastis. Terdapat indikasi menurunnya permintaan apel disebabkan konsumen mengurangi konsumsi apel dan meningkatkan konsumsi mangga, hal ini dijadikan informasi oleh pengimpor sehingga mengurangi impor pada saat pasokan mangga meningkat. Puncak musim panen apel China adalah pada bulan Oktober. Ada beberapa evaluasi model regresi permintaan apel dari China (output komputer tersaji di Lampiran 5). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov (Lampiran 5). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar 0,15 lebih besar dari taraf nyata 5 persen. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 4). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 4 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat, Uji Durbin-Watson menghasilkan nilai sebesar 1,99, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor apel dari China (Tabel 4). Hasil uji F untuk signifikasi menyeluruh, signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki
51
pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor apel dari China.
5.1.1.2. Permintaan Apel dari Amerika Serikat (USA) a. Plot Data Perkembangan Impor Apel Indonesia dari Amerika Serikat Tahun 2001-2005 7000000
6000000
Berat Bersih(kg)
5000000
4000000 impor apel 3000000
2000000
1000000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
0
Bulan
Gambar 4. Perkembangan Impor Apel Indonesia dari Amerika Serikat Tahun 2001–2005 Amerika Serikat merupakan negara asal impor apel Indonesia terbesar kedua. Selama tahun 2001 – 2005, impor apel Indonesia dari Amerika Serikat umumnya menunjukkan fluktuasi yang semakin menurun. Pada tahun 2002 total impor apel dari USA menurun sebesar 8,93 persen dari tahun 2001 menjadi 39.077 ton. Pada tahun 2003 masih terjadi penurunan, yaitu sebesar 22,58 persen menjadi 30.254 ton. Tahun 2004 permintaan apel dari USA meningkat sebesar 10,63 persen dari tahun 2003 menjadi sebesar 33.469 ton. Pada tahun 2005 kembali terjadi penurunan, dimana total impor apel dari USA menjadi 30.007 ton atau menurun 10,34 persen dari tahun 2004.
b. Peramalan Permintaan Impor Apel dari Amerika Serikat (USA) Berdasarkan Tabel 5, metode peramalan time series terbaik untuk permintaan Apel dari negara Amerika Serikat adalah Metode SARIMA (0,0,1) (0,1,1)12 atau bentuk persamaan back shift operator notation adalah sebagai
52
berikut: (1-B12)1 Yt = (1+0,6442B) (1- 0,7921B12)εt. Hasil analisis SARIMA (0,0,1) (0,1,1)12 dapat dilihat pada Lampiran 6. Tabel 5. Nilai MSE Metode Peramalan Time series pada Permintaan Impor Apel Indonesia dari Amerika Serikat No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (0,0,1) (0,1,1)12
MSE 2,64E+12 8,77E+11 9,13E+11 1,22E+12 1,12E+12 6,34E+11
MSE terkecil 6 2 3 5 4 1
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 13, terlihat bahwa ACF memiliki pola eksponensial menurun dan PACF cut off pada lag 1 dan 2. 2. Estimasi Melihat pola ACF dan PACF model tentatif yang mungkin adalah AR (1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga pengolahan diuji dengan melakukan pembedaan. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi parameter model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode ARIMA antara lain: - Proses iterasi harus convergence Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi telah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
53
- Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modifeid Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak - Kondisi invertibilitas ataupun stasioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk MA (1) = -0,6442 dan SMA (1,1) = -0.7921. - Parameter yang diestimasi berbeda nyata dengan nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue koefisen untuk MA (1) = 0,000 dan untuk SMA (1,1) = 0,000 - Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA (0,0,1)(0,1,1)12 adalah model yang relatif sudah dalam bentuk paling sederhana - Model harus memiliki MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini memiliki nilai MSE sebesar 6,34E+11. 4. Peramalan Hasil peramalan untuk 12 bulan ke depan permintaan impor apel dari USA dapat dilihat pada lampiran 13. Model Total permintaan impor apel dari USA menunjukkan peningkatan dari tahun sebelumnya yaitu menjadi sebesar 33.967
54
ton dengan rata-rata per bulan sebesar 2.830 ton. Puncak tertinggi terjadi pada bulan Desember yaitu sebesar 4.577 ton. Sedangkan puncak terendah terjadi pada bulan Maret yaitu sebesar 1.886 ton.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Apel dari Amerika Serikat (USA) Keseluruhan variabel hipotesis penelitian yang diduga mempengaruhi permintaan apel dari USA yang berpengaruh nyata antara lain harga apel impor, lag impor dan variabel dummy bulanan. Sedangkan variabel yang tidak berpengaruh nyata adalah nilai tukar, pasokan dan harga mangga PIKJ. Tabel 6. Hasil Analisis Model Regresi Permintaan Impor Apel dari USA Tahun 2002-2005 Peubah
koefisien
SE koefisien 2758332 230,8 920868 0,03662 72,09 0,1348 589365 655467 652501 628966 603051 530941 540677 556009 724087 645712 620841
t-hitung
p-value
VIF
Elastisitas SR LR
5089924 1,85 0,075 Constant Nilai tukar -369,8 -1,60 0,119 1,7 -1,22 -2,25 Harga apel impor -1928512 -2,09* 0,045 1,7 -0,53 -0,98 Pasokan mangga PIKJ -0,04147 -1,13 0,266 4,5 -0,06 -0,12 Harga mangga PIKJ 5,41 0,08 0,941 2,4 0,01 0,02 Lag volume impor 0,458 3,40* 0,002 2,8 Februari 593831 1,01 0,321 2,6 Maret 441515 0,67 0,506 3,2 April 715948 1,10 0,281 3,2 Mei 1167345 1,86** 0,073 2,9 Juni 1997330 3,31* 0,002 2,7 Juli 1393936 2,63* 0,013 2,1 Agustus 1314725 2,43* 0,021 2,2 September 1082784 1,95** 0,061 2,3 Oktober 2232257 3,08* 0,004 3,9 November 2980491 4,62* 0,000 3,1 Desember 3346997 5,39* 0,000 2,9 R-Sq = 76,8% R-Sq(adj) = 64,8% Durbin-Watson statistic = 1,71 F hit = 6,42 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Permintaan apel dari USA akan menurun pada saat harga apel ditingkat eksportir
USA
meningkat.
Koefisien
harga
apel
yang
bernilai
negatif,
menunjukkan pada saat harga meningkat akan menurunkan permintaan apel. Selain itu terdapat indikasi pada saat nilai tukar melemah, akan menurunkan
55
permintaan apel dari USA. Pada jangka pendek dan panjang pemintaan apel dari USA bersifat tidak elastis terhadap perubahan harga. Sedangkan terhadap perubahan nilai tukar permintaan apel dari USA lebih responsif, baik pada jangka pendek maupun pada jangka panjang. Hal tersebut diduga jarak yang jauh menyebabkan pembebanan biaya transportasi ke dalam harga apel menjadi besar, dan pada saat nilai tukar melemah berdampak apel USA menjadi kalah bersaing dengan apel dari negara lain. Permintaan apel dari USA diduga menurun pada saat pasokan mangga meningkat. Pada saat pasokan mangga meningkat dan harga mangga menurun, terdapat indikasi konsumen beralih mengkonsumsi mangga. Puncak musim panen apel USA jatuh pada bulan Desember. Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 9). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value sebesar 0,15 lebih besar dari α = 0,05. artinya, residual model permintaan apel dari USA terdistribusi normal.
Pengujian
lainnya
yaitu
asumsi
homoskedastisitas
diperiksa
menggunakan grafik Residual Plot, dimana (Lampiran 8). Pada grafik scatter plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 6 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 1,99, maka berdasarkan hipotesis awal dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor apel dari USA (Tabel 6) diperoleh koefisien determinasi sebesar 72,1 persen. Hasil tersebut memiliki pengertian bahwa 72,9 persen perubahan volume permintaan impor apel dari
56
USA dapat dijelaskan oleh variasi peubah bebas dalam model, sedangkan 27,1 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan apel impor dari USA dapat dilihat pada Lampiran 9. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata alpha 5 persen.
Hasil tersebut memiliki pengertian bahwa secara
bersama-sama semua peubah bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor apel dari USA.
5.1.1.3. Permintaan Impor Apel dari Australia a. Plot Data Perkembangan Impor Apel Indonesia dari Australia Tahun 2001-2005 250000
Berat Bersih (kg)
200000
150000 impor apel 100000
50000
m ei
ju se li pt em be no r ve m be r
m ei
ju se li pt em be no r ve m be r ja nu ar i m ar et
m ei
ju se li pt em be no r ve m be r ja nu ar i m ar et
ja nu ar i m ar et
m ei
ju se li pt em be no r ve m be r
m ei
ju se li pt em be no r ve m be r ja nu ar i m ar et
ja nu ar i m ar et
0
Bulan
Gambar 5. Perkembangan Impor Apel Indonesia dari Australia tahun 2001–2005 Australia merupakan negara asal impor apel Indonesia terbesar kelima. Selama tahun 2001 – 2005, impor apel Indonesia dari
Australia umumnya
menunjukkan fluktuasi yang menurun di awal bulan dan fluktuasi yang meningkat di tengah dan akhir tahun. Permintaan apel impor Indonesia dari Australia pada tahun 2001 adalah sebesar 1.083 ton. Terjadi penurunan 11,62 persen dari tahun 2001, sehingga total permintaan apel impor dari Australia pada tahun 2002 menjadi sebesar 957 ton. Pada tahun 2003 menurun sebesar 30,49 persen dari tahun 2002 dan tahun 2004 menurun 5,34 persen dari tahun 2003. Pada tahun 2005 permintan impor apel dari Australia sebesar 22,01 persen menjadi 770 ton.
57
b. Peramalan Permintaan Impor Apel dari Australia Pada Tabel 7 dibawah ini hasil pengolahan terbaik diperoleh dengan menggunakan metode Winters Aditif. Hasil pengolahan data permintaan impor apel dari Australia menghasilkan nilai MSE terkecil sebesar 1,02E+09. Metode ini optimal pada nilai pemulusan level estimasi saat ini sebesar 0,050. Untuk nilai pemulusan trend sebesar 0,250 sedangkan untuk musimannya sebesar 0,010. Hasil pengolahan dan peramalan untuk tahun 12 bulan ke depan dilihat pada Lampiran 10. Total permintaan apel dari Australia meningkat tajam dari tahun sebelumnya yaitu menjadi sebesar 1.263 ton, dengan rata-rata permintaan per bulan sebesar 105 ton. Puncak tertinggi terjadi pada bulan Juli yaitu sebesar 167 ton. Sedangkan puncak terendah jumlah permintaan sebesar 37 ton, terjadi pada bulan Januari. Tabel 7. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Apel Indonesia dari Australia No. 1 2 3 4 5 6
Metode trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (1,0, 0) ( 1, 0 ,1)12
MSE 5,38E+09 1,12E+09 1,02E+09 1,12E+09 1,09E+09 1,67E+09
MSE Terkecil 6 4 1 3 2 5
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Apel dari Australia Variabel yang diduga mempengaruhi permintaan impor apel dari Australia berpengaruh nyata pada nilai tukar, harga apel impor, lag impor dan variabel dummy bulanan.
Sedangkan variabel yang tidak berpengaruh nyata adalah
pasokan mangga PIKJ. Nilai tukar dan harga apel impor berpengaruh terhadap permintaan impor apel dari Australia, diduga disebabkan rata-rata harga apel dari Australia berada di atas rata-rata harga apel negara-negara produsen apel (Lampiran 11). Pada
58
saat harga apel Australia meningkat, apel Australia kalah bersaing dengan apel dari negara lain. Puncak musim panen apel yang bersamaan dengan puncak musim mangga, diduga impor apel apel meningkat seiring dengan peningkatan pasokan mangga PIKJ. Puncak musiman penen apel Australia jatuh pada bulan Juni. Pada bulan Juni diduga harga apel Australia berada pada level yang rendah. Pada bulan-bulan sekitar bulan Juni, apel Australia dapat bersaing dengan apel dari negara lain dan pada saat pasokan mangga sedang mengalami peningkatan. Tabel 8. Hasil Analisis Model Regresi Linier Berganda Permintaan Impor Apel dari Australia Tahun 2002-2005 Peubah
koefisien
SE koefisien
t-hitung
p-value
VIF
Elastisitas LR
52,43 21,33 2,46 0,020 Constant Nilai tukar -5,136 2,263 -2,27* 0,030 1,2 -8,26 Harga apel impor -1,3942 0,4617 -3,02* 0,005 1,4 -2,24 Pasokan PIKJ 0,06535 0,0679 0,96 0,343 5,5 0,11 Lag volume impor 0,378 0,1583 2,39* 0,023 2,3 Februari -0,0513 0,6641 -0,08 0,939 2,1 Maret 1,090 1,060 1,03 0,311 5,4 April 0,7596 0,6698 1,13 0,265 2,2 Mei -0,0847 0,5914 -0,14 0,887 1,7 Juni 0,6592 0,516 1,28 0,211 1,8 Juli 0,5328 0,6574 0,81 0,424 2,1 Agustus 0,6089 0,6499 0,94 0,356 2,0 September 0,1514 0,6428 0,24 0,815 2,0 Oktober 0,3755 0,633 0,59 0,557 1,9 November 0,2771 0,6355 0,44 0,666 2,0 Desember -0,6385 0,6338 -1,01 0,321 1,9 R-Sq = 65,2% R-Sq(adj) = 48,8% Durbin-Watson statistic = 2,04 F hit = 3,99 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Evaluasi model regresi permintaan apel dari Australia dapat dilihat pada Lampiran 13. Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov (lampiran 13). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value lebih dari 0,15 lebih besar dari taraf nyata 5 persen, yang berarti residual model apel dari Australia terdistribusi normal. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa
59
menggunakan grafik Residual Plot (Lampiran 12). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 8 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,04, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor apel dari Australia (Tabel 8) diperoleh koefisien determinasi sebesar 65,2 persen. Hasil tersebut memiliki pengertian bahwa 65,2 persen perubahan volume permintaan impor apel dari Australia dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 34,8 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model.
5.1.2. Permintaan Oranges Indonesia Apabila diurutkan berdasarkan negara asalnya maka sepanjang tahun 2001 - 2005, rata-rata impor oranges Indonesia terbesar pertama berasal dari negara China. Pakistan, Australia, Brazil dan Afrika Selatan berturut-turut merupakan negara asal impor oranges Indonesia terbesar kedua, ketiga, keempat dan kelima (Lampiran 16).
5.1.2.1 Permintaan Oranges dari China a. Plot Data China merupakan negara asal impor oranges
Indonesia terbesar.
Selama tahun 2001 – 2005, impor oranges Indonesia terbesar dari China terjadi pada setiap awal tahun dan akhir tahun. Pada tahun 2001 permitaan impor oranges dari China sebesar 5.035 ton. Pada tahun 2002 meningkat menjadi
60
5.866 ton atau meningkat 16,50 persen dari tahun 2001. Menurun 30,14 persen dari tahun 2002, permintan impor oranges pada tahun 2003 menjadi 4.098 ton. Pada tahun 2004 meningkat tajam dari tahun 2003 sebesar 307,33 persen menjadi 8.196 ton. Tahun 2005 menurun 31,05 persen menjadi 6.187 ton. Perkembangan Impor Oranges Indonesia dari China Tahun 2001-2005 5000000 4500000 4000000
Berat Bersih(kg)
3500000 3000000 2500000
Impor Oranges
2000000 1500000 1000000 500000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 6. Perkembangan Impor Oranges Indonesia dari China Tahun 2001–2005 b. Peramalan Permintaan Impor Oranges dari China Berdasarkan Tabel 9, metode peramalan time series terbaik untuk permintaan oranges dari China adalah Metode SARIMA (0,0,1) (0,1,2)12 atau dalam bentuk persamaan back shift operator notation sebagai berikut (1-B12)1Yt = (1+0,9673B) (1-0,9759B12-0,9985B24)εt Hasil analisis SARIMA (0,0,1) (0,1,2)12 untuk permintaan oranges China dapat dilihat pada Lampiran 14. Tabel 9. Nilai MSE Metode Peramalan Time Series pada Permintaan Oranges Indonesia dari China No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (0,0,1 )(0,1,2)12
MSE 3,79E+12 9,30E+11 2,82E+11 3,72E+11 3,85E+11 2,77E+11
MSE Terkecil 6 5 2 3 4 1
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 17, plot autokorelasi memiliki pola eksponensial menurun (damped exponential). Pada gambar plot autokorelasi dapat dilihat nilai autokorelasi yang berbeda nyata dari
61
nol terjadi pada lag 1, 2, 3, 4 dan 6. Pada lag-lag selanjutnya nilai autokorelasinya sama dengan nol, hal ini menunjukkan data impor oranges dari China belum stasioner dan perlu dilakukan pembedaan. Melihat dari plot ACF dan PACF sesudah dilakukan pembedaan, ACF memiliki pola damped exponential-oscilation sedangkan PACF memiliki pola damped exponential. 2. Estimasi Setelah data distasionerkan, hasil analisis dari perilaku atau pola ACF dan PACF model tentatif yang mungkin adalah model AR (1,1) dan MA (1,1). Data yang menunjukkan adanya unsur musiman maka perlu dilakukan pembedaan pada lag musimannya dengan D=1. selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga diuji dengan pembedaan. Model SARIMA terbaik yang terpilih adalah SARIMA (0,0,1) (0,1,2)12. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi koefisien model,
selanjutnya dilakukan
evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Proses iterasi harus convergence Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
62
- Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modifeid Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak. - Kondisi invertibilitas ataupun stasioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk MA = - 0, 9673 , SMA (1,1) = 0,9985 dan SMA (1,2) = - 0,9759. - Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue parameter untuk MA (1) = 0,000, untuk SMA (1,1) = 0,000 dan SMA (1,2) = 0,000. - Model harus parsimonius Keseluruhan model yang telah memenuhi sayarat di atas, model SARIMA (0,01)
(0,1,2)12 adalah model yang relatif sudah dalam bentuk paling
sederhana - Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini meiliki nilai MSE sebesar 2,77E+11. 4. Peramalan Hasil peramalan dapat dilihat pada output pengolahan data pada Lampiran 14. Total Permintaan impor oranges China untuk 12 bulan ke depan
63
meningkat menjadi sebesar 15.905 ton. Rata-rata permintaan impor oranges dari China sebesar 1.325 ton per bulan. Puncak tertinggi terjadi pada bulan Januari yaitu sebesar 3.921 ton, sedangkan pundak terendah pada bulan Juni 150 ton.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Oranges Impor dari China Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan oranges dari China yang berpengaruh nyata antara lain harga oranges, lag impor dan dummy bulanan. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, pasokan dan harga jeruk PIKJ. Tabel 10. Hasil Analisis Model Regresi Permintaan Impor Oranges dari China Tahun 2002-2005 Peubah
koefisien
SE koefisien 2682328 193,5 589016 0,03224 145,2 0,1501 441639 539149 401275 430735 466127 444326 456733 445759 447037 421283 413062
tpVIF hitung value 1,61 0,117 -1,22 0,233 1,8 -2,14* 0,041 2,1 0,26 0,795 3,1 -0,13 0,899 2,0 3,45* 0,002 4,1 1,70** 0,098 2,3 -3,58* 0,001 3,4 -0,93 0,357 1,9 -3,38* 0,002 2,1 -3,58* 0,001 2,5 -2,83* 0,008 2,3 -2,51* 0,018 2,4 -2,60* 0,014 2,3 -2,25* 0,032 2,3 -2,93* 0,006 2,1 -1,43 0,162 2,0 R-Sq(adj) = 74,4%
Elastisitas SR LR
4320589 Constant Nilai tukar -235,4 -2,71 -5,62 Harga oranges impor -1258136 -1,05 -2,19 Pasokan jeruk PIKJ 0,00844 0,1 0,21 Harga jeruk PIKJ -18,6 -0,13 -0,27 Lag volume impor 0,5183 Januari 752452 Februari -1930980 Maret -374896 April -1456937 Mei -1669814 Juni -1256138 Juli -1145835 Agustus -1157764 September -1005926 Oktober -1233881 November -591413 R-Sq = 83,1% Durbin-Watson statistic =2,19 F hit =9,53 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Permintaan oranges China akan turun pada saat harga oranges di China sedang mengalami peningkatan. Hal tersebut diduga disebabkan harga oranges China relatif lebih tinggi dibandingkan dengan oranges dari negara lain (lihat Lampiran 15). Terdapat indikasi respon yang sama pada saat nilai tukar rupiah
64
sedang terdepresiasi terhadap Dollar USA. Perminataan oranges dari China bersifat elastis terhadap perubahan harga dan nilai tukar, baik pada jangka pendek dan jangka panjang. Pada saat pasokan jeruk lokal meningkat, impor oranges China juga menunjukkan peningkatan. Terdapat indikasi, pada saat jeruk lokal meningkat konsumen meningkatkan konsumsi kedua-duanya. Hal tersebut diduga dikarenakan rasa yang berbeda antara jeruk lokal dan oranges impor. Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 17). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value sebesar > 0,15 lebih besar dari α = 0,05. artinya, residual model permintaan oranges dari China terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 16). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 38 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji DurbinWatson untuk melihat autokorelasi dihasilkan nilai sebesar 1,91, yang berarti tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor oranges dari China (Tabel 10) diperoleh koefisien determinasi sebesar 83,1 persen. Hasil tersebut memiliki pengertian bahwa 83,1 persen perubahan volume permintaan impor oranges dari China dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 16,9 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan oranges impor dari China dapat dilihat pada Lampiran 17. Hasil uji-F model secara keseluhan signifikan pada taraf nyata
65
sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersamasama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor oranges dari China.
5.1.2.2. Permintaan Oranges dari Australia a. Plot Data Perkembangan Impor Oranges Indonesia dari Australia Tahun 2001-2005 1600000
1400000
Berat Bersih(kg)
1200000
1000000
800000
Impor Oranges
600000
400000
200000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 7. Perkembangan Impor Oranges Indonesia dari Australia Tahun 2001–2005 Australia merupakan negara asal impor oranges Indonesia terbesar ketiga. Selama tahun 2001 – 2005, impor oranges Indonesia terbesar dari Australia terjadi pada setiap awal tahun dan akhir tahun. Tahun 2001 permintan impor oranges Indonesia dari Australia adalah sebesar 2.491 ton. Meningkat 5,56 persen dari tahun 2001, tahun 2002 total permintaan impor oranges menjadi 2.630 ton. Pada tahun 2003 meningkat 49,18 persen dari tahun 2002 dan tahun 2004 meningkat sebesar 83,65 persen dari tahun 2003. Pada tahun 2005 menurun 43 persen, sehingga total permintaan oranges impor dari Asutralia pada tahun 2005 menjadi 4.065 ton. b. Peramalan Permintaan Impor Oranges dari Australia Berdasarkan hasil pengolahan pada Tabel 11 dibawah ini, hasil pengolahan terbaik diperoleh melalui Winters Multiplikatif. Hasil pengolahan data permintaan impor oranges dari Australia menghasilkan nilai MSE terkecil sebesar 3,43E+10. Metode ini optimal pada nilai pemulusan level estimasi saat ini
66
sebesar 0,7. Untuk nilai pemulusan trend sebesar 0,005 sedangkan untuk musimannya sebesar 0,005. Hasil pengolahan dan peramalan dengan menggunakan metode winters multiplikatif dapat dilihat pada Lampiran 19. Permintaan oranges dari Australia terjadi peningkatan dari tahun sebelumnya yaitu menjadi sebesar 4.781 ton. Rata-rata permintaan oranges dari Australia sebesar 398 ton per bulan. Puncak terendah impor oranges dari Australia terjadi pada bulan yaitu April sebesar 57 ton. Sedangkan puncak tertinggi permintaan oranges sebesar 797 ton terjadi pada bulan Agustus. Tabel 11. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Oranges Indonesia dari Australia No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (0,1,1) (0,1,1).
MSE 2,77E+11 3,43E+10 3,97E+10 4,65E+10 5,75E+10 5,94E+10
MSE Terkecil 6 1 2 3 4 5
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Oranges dari Australia Variabel yang diduga mempengaruhi permintaan oranges dari Australia berpengaruh hanya lag impor. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, harga apel impor, pasokan dan harga buah jeruk PIKJ. Nilai tukar dan harga oranges tidak berpengaruh terhadap permintaan oranges dari Australia diduga disebabkan oranges dari Australia memiliki daya saing di sisi harga. Hal tersebut ditunjukkan pada Lampiran 20, dapat dilihat ratarata harga oranges Australia berada di bawah harga rata-rata produsen oranges. Nilai koefisien nilai tukar dan harga yang bernilai positif, diduga terdapat indikasi pada saat harga oranges Australia tinggi masih dapat bersaing dengan oranges dari negara lain. Jenis yang berbeda antara oranges dan jeruk lokal, terdapat dugaan pada saat jeruk lokal meningkat konsumsi oranges diikuti dengan
67
peningkatan konsumsi jeruk lokal. Puncak musim oranges Australia adalah jatuh pada bulan Juni. Tabel 12. Hasil Analisis Model Regresi Permintaan Impor Oranges dari Australia Tahun 2002-2005 Peubah
koefisien
SE koefisien 22,79 1,728 0,2681 0,3343 0,8114 0,172 0,3987 0,4267 0,4513 0,5054 0,4641 0,4635 0,4727 0,4641 0,4189 0,4307 0,4283
tphitung value -1,16 0,254 1,47 0,150 0,38 0,703 1,00 0,326 0,77 0,445 2,08* 0,046 -0,68 0,503 -0,41 0,683 -2,24* 0,032 0,42 0,678 3,23* 0,003 1,98** 0,057 2,53* 0,017 2,12* 0,042 2,50* 0,018 2,91* 0,007 0,69 0,497 R-Sq(adj) = 76,4%
VIF
Elastisitas LR
-26,52 Constant Nilai tukar 2,547 1,8 3,96 Harga oranges impor 0,1031 1,6 0,16 Pasokan jeruk PIKJ 0,3337 3,4 0,52 Harga jeruk PIKJ 0,628 2,4 0,98 Lag volume impor 0,3572 5,9 Februari -0,2701 1,9 Maret -0,1761 2,2 April -1,011 2,5 Mei 0,212 3,1 Juni 1,4995 2,6 Juli 0,9169 2,6 Agustus 1,1958 2,7 September 0,9849 2,6 Oktober 1,0462 2,1 November 1,2544 2,3 Desember 0,2945 2,2 R-Sq = 84,5% Durbin-Watson statistic =2,24 F hit =10,53 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Evaluasi model regresi permintaan apel dari Australia dapat dilihat pada Lampiran 22). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov (lampiran 22). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar 0,085 lebih besar dari taraf nyata 5 persen, yang berarti residual model oranges dari Australia terdistribusi normal. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 21). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 4 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak
68
terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,32, maka tidak dapat diambil kesimpulan terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor oranges dari Australia (Tabel 12) diperoleh koefisien determinasi sebesar 70,3 persen. Hasil tersebut memiliki pengertian bahwa 70,3 persen perubahan volume permintaan impor oranges dari Australia dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 29,7 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor oranges dari Australia.
5.1.2.3 Permintaan Oranges dari Amerika Serikat a. Plot Data Perkembangan Impor Oranges Indonesia dari Amerika Serikat Tahun 2001-2005 500000 450000 400000
Berat Bersih(kg)
350000 300000 250000
Impor Oranges
200000 150000 100000 50000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 8. Perkembangan Impor Oranges Indonesia dari Amerika Serikat Tahun 2001–2005 Amerika serikat merupakan negara asal impor oranges Indonesia terbesar keenam. Selama tahun 2001 – 2005, impor oranges Indonesia terbesar dari Amerika Serikat
umumnya terjadi pada setiap tengah dan akhir tahun.
Namun tidak seperti Brazil, dan Afrika Selatan impor oranges Indonesia dari Amerika Serikat hampir selalu ada di sepanjang tahun meskipun dalam jumlah
69
yang sangat kecil dibandingkan dengan negara-negara lainnya. Sehingga bisa dikatakan bahwa pasokan oranges dari Amerika Serikat hampir selalu ada di setiap tahunnya. Sepanjang tahun 2001, Indonesia tidak mengimpor oranges dari Afrika Selatan pada bulan Oktober. Impor tertinggi di tahun 2001 terjadi di bulan Mei, yaitu sebesar 22.252 kg. Indonesia tidak mengimpor oranges dari Amerika Serikat terjadi kembali pada bulan Agustus-September 2003. Tahun 2001 permintaan impor oranges dari USA sebesar 1.339 ton. Tahun 2002 permintan oranges dari USA sebesar 1.438 ton atau meningkat 7,39 persen dari tahun 2001. Pada tahun 2003 menurun 21,54 persen dari tahun 2002 menjadi 1.128 ton. Meningkat kembali sebesar 36,05 persen pada tahun 2004 menjadi 1.535 ton. Pada tahun 2005 terjadi penurunan sebesar 17,64 persen menjadi 1.264 ton.
b. Peramalan Permintaan Impor Oranges dari Amerika Serikat Berdasarkan Tabel 13 dibawah ini, metode peramalan time series terbaik untuk permintaan oranges dari Amerika Serikat adalah Metode SARIMA (0,0,0)(3,1,0)12 atau dalam bentuk persamaan back shift operator notation adalah (1-B12)1 (1+1.0262B12+1.0166B24+0.9927B36) Yt = εt. Hasil Pengolahan Metode SARIMA (0,0,0)(3,1,0)12 untuk peramalan pemintaan oranges dari Amerika Serikat dapat dilihat pada Lampiran 23. Tabel 13. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Oranges Indonesia dari Amerika Serikat No. 1 2 3 4 5 6
Metode Tend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif Arima (0,0,0 )(3,1,0)
MSE 3,25E+10 2,03E+10 1,73E+10 8,45E+09 7,76E+09 2,99E+09
MSE Terkecil 6 5 4 3 2 1
70
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 23, plot ACF memiliki pola gelombang sinus (damped sine wave) sedangkan PACFnya cut off. Pada gambar plot gambar autokorelasi dapat dilihat nilai autokorelasi yang berbeda nyata dari nol terjadi pada lag 1 dan 5. Pada selain lag-lag tersebut, nilai autokorelasinya sama dengan nol. Hal ini menunjukkan bahwa data permintaan impor oranges dari Amerika Serikat sudah stasioner, jadi tidak perlu dilakukan pembedaan. 2. Estimasi Melihat pola ACF dan PACF model tentatif yang mungkin adalah AR (1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga pengolahan diuji dengan melakukan pembedaan. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi parameter model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode ARIMA antara lain: - Proses iterasi harus convergence Hasil pengolahan Model ARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010. - Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah
71
random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji statistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak. - Kondisi invertibilitas ataupun stasioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk SAR (1,1) = -1.0262 SAR (1,2) = -1.0166 dan SAR (1,3) = -0.9927. - Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien kurang dari 0,05. Terlihat pada output bahwa P-value koefisen untuk SAR (1,1) = 0,000 SAR (1,2) = 0,000 dan SAR (1,3) = 0,000. - Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA ARIMA (0,0,0)(3,1,0)12 adalah model yang relatif sudah dalam bentuk paling sederhana - Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini meiliki nilai MSE sebesar 2,99E+09. 4. Peramalan Hasil peramalan ini dapat dilihat Lampiran 23. Permintaan oranges 12 bulan dari USA meningkat dari tahun sebelumnya sebesar 165 ton, dengan total permintaan sebesar 1.436 ton. Puncak tertinggi terjadi pada bulan Juli yaitu sebesar 317 ton, sedangkan puncak permintan terendah terjadi pada bulan Februari yaitu sebesar 13 ton.
72
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Oranges dari Amerika Serikat (USA) Keseluruhan variabel hipotesis penelitian yang diduga mempengaruhi permintaan oranges dari USA yang berpengaruh nyata antara lain harga apel impor, pasokan jeruk lokal PIKJ, lag impor. Sedangkan variabel yang tidak berpengaruh nyata adalah nilai tukar dan harga jeruk PIKJ. Tabel 14. Hasil Analisis Model Regresi Permintaan Impor Oranges dari USA Tahun 2002-2005 Peubah
koefisien
SE koefisien 110,9 8,061 2,107 1,645 4,086 0,1454 1,933 1,926 1,945 2,003 2,118 2,32 2,312 2,205 2,187 2,064 1,975
tphitung value 1,44 0,16 -1,28 0,21 -3,55* 0,00 -1,90** 0,07 -0,35 0,73 2,04* 0,05 0,32 0,75 0,35 0,73 0,18 0,86 1,12 0,27 1,20 0,24 1,34 0,19 0,44 0,66 -0,69 0,49 -0,14 0,89 -0,71 0,48 0,88 0,39 R-Sq(adj) = 45,7%
VIF
Elastisitas LR
159,8 Constant Nilai tukar -10,301 1,6 -14,63 Harga oranges impor -7,475 1,4 -10,62 Pasokan jeruk PIKJ -3,12 3,4 -4,43 Harga jeruk PIKJ -1,411 2,4 -2,00 Lag volume impor 0,2961 1,8 Februari 0,625 1,9 Maret 0,672 1,8 April 0,348 1,9 Mei 2,244 2,0 Juni 2,538 2,2 Juli 3,101 2,7 Agustus 1,022 2,6 September -1,525 2,4 Oktober -0,3 2,4 November -1,466 2,1 Desember 1,741 1,9 R-Sq = 64,2% Durbin-Watson statistic =2,19 F hit =3,47 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Peningkatan
harga
oranges
USA,
direspon
dengan
menurunkan
permintaan akan oranges dari USA. Didguga rata-rata harga oranges dari USA yang relatif tinggi dibandingkan dengan rata-rata harga oranges dari negara produsen apel, menyebabkan oranges USA menjadi kurang bersaing dengan oranges dari negara lain (lihat pada Lampiran 24). Respon permintaan impor oranges dari USA terhadap peningkatan pasokan jeruk lokal adalah searah. Pada saat pasokan jeruk lokal meningkat permintaan impor oranges dari USA juga menunjukkan penurunan. Pada jangka
73
pendek dan jangka panjang permintaan impor oranges dari USA bersifat elastis. Hal ini diduga jarak antara USA dan Indonesia yang relatif jauh menyebabkan pembebanan biaya tranportasi ke dalam harga oranges impor dari USA menjadi besar. Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 26). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value Lebih dari 0,15 lebih besar dari α = 0,05. artinya, residual model permintaan oranges dari USA terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot, dimana (Lampiran 25). Pada grafik scatter plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 14 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 2,19, maka berdasarkan hipotesis awal dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor oranges dari USA (Tabel 14) diperoleh koefisien determinasi sebesar 64,2 persen. Hasil tersebut memiliki pengertian bahwa 64,2 persen perubahan volume permintaan impor oranges dari USA dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 35,8 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan oranges impor dari USA dapat dilihat pada Lampiran 26. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel
74
bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor oranges dari USA.
5.1.3. Permintaan Mandarin Indonesia Apabila diurutkan berdasarkan negara asalnya maka selama tahun 2001 – 2005, rata-rata impor mandarin Indonesia terbesar berturut-turut berasal dari negara China, Pakistan, Australia, Brazil dan Argentina (Lampiran 27). Selama tahun 2001 hingga tahun 2005, rata-rata impor mandarin Indonesia dari China adalah sebesar 2.051.303 kg. Impor mandarin Indonesia terbesar dari negara China terjadi pada April tahun 2005, yaitu sebesar 9.512.156 kg.
5.1.3.1 Permintaan Mandarin dari China a. Plot Data Perkembangan Impor Mandarin Indonesia dari China Tahun 2001-2005 10000000 9000000 8000000
Berat Bersih(kg)
7000000 6000000 5000000
Impor Mandarin
4000000 3000000 2000000 1000000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 9. Perkembangan Impor Mandarin Indonesia dari China tahun 2001–2005 China merupakan negara asal impor mandarin Indonesia terbesar. Selama tahun 2001 – 2005, impor mandarin Indonesia terbesar dari
China
terjadi pada setiap awal tahun dan akhir tahun. Impor mandarin dari China pada tahun 2001 sebesar 21.978 ton. Meningkat 1,10 persen dari tahun 2001 pada tahun 2002, permintan menjadi sebesar 22.220 ton. Tahun 2004 meningkat sebesar 2,82 persen dari tahun 2003 dan tahun 2005 meningkat 54,09 persen
75
dari tahun 2004. Pada tahun 2004 dan tahun 2005 permintaan mandarin impor dari China sebesar 22.450 dan 34. 593 ton.
b. Peramalan Permintaan Impor Mandarin dari China Berdasarkan hasil pengolahan pada Tabel 15, hasil peramalan terbaik diperoleh dengan menggunakan metode Winters Multiplikatif. Hasil pengolahan data permintaan impor mandarin dari China menghasilkan nilai MSE terkecil sebesar 2,96E+12. Metode ini optimal pada nilai pemulusan level estimasi saat ini sebesar 0,550. Untuk nilai pemulusan trend sebesar 0,150 sedangkan untuk musimannya sebesar 0,050. Hasil pengolahan dan peramalan 12 bulan permintaan mandarin dari China dengan menggunakan metode Winters Multiplikatif dapat dilihat pada Lampiran 28. Tabel 15. Nilai MSE Beberapa Metode Peramalan Time Series pada Permintaan Impor Mandarin Indonesia dari China No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (1,0,0) (0,1,1)12
MSE 1,77E+13 2,96E+12 4,18E+12 3,38E+12 3,23E+12 4,13E+12
MSE terkecil 6 1 5 3 2 4
Permintaan Mandarin dari China ke depan meningkat dari tahun sebelumnya sebesar 8.841 ton. Total pemintaan 12 bulan ke depan menjadi sebesar 44.054 ton dengan rata-rata per bulan sebesar 3.671 ton. Puncak permintaan mandarin tertinggi terjadi pada bulan Maret, yaitu sebesar 9.684 ton dan puncak terendah terjadi pada bulan September, yaitu sebesar 222 ton.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Mandarin dari China Nilai tukar, lag impor dan variabel dummy bulanan merupakan keseluruhan variabel dalam hipotesis penelitian yang diduga mempengaruhi
76
permintaan mandarin dari China. Sedangkan variabel yang tidak berpengaruh nyata harga mandarin impor dan pasokan jeruk PIKJ. Tabel 16. Hasil Analisis Model Regresi Permintaan Impor Mandarin dari China Tahun 2002-2005 Peubah
koefisien
SE koefisien 6296751 454,5 1351769 0,0962 433,9 0,1549 1026664 999124 1178443 1286533 1366521 1434936 1554781 1381957 1267738 1135646 1053885
t p VIF hitung -value 1,34 0,189 -1,61 0,118 1,6 -0,75 0,461 1,8 0,66 0,516 4,4 0,19 0,854 2,8 2,14* 0,041 2,9 1,64 0,111 1,9 -2,16* 0,039 1,8 -1,81** 0,080 2,6 -1,57 0,126 3,1 -1,18 0,246 3,4 -1,81 0,080 3,8 -1,58 0,124 4,5 -1,57 0,127 3,5 -0,44 0,666 3,0 1,15 0,260 2,4 -0,08 0,935 2,1 R-Sq(adj) = 52,7%
Elastisitas SR LR
8453822 Constant Nilai tukar -731,7 -3,68 -5,50 Harga mandarin impor -1009816 -0,38 -0,57 Pasokan jeruk PIKJ 0,06326 0,33 0,49 Harga jeruk PIKJ 80,6 0,25 0,37 Lag volume impor 0,3311 Februari 1685952 Maret -2155779 April -2130687 Mei -2021301 Juni -1615260 Juli -2593046 Agustus -2457887 September -2167938 Oktober -551958 November 1302406 Desember -87265 R-Sq = 68,8% Durbin-Watson statistic =2,09 F hit =4,28 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Terdapat indikasi pada saat terjadi depresiasi nilai tukar rupiah tehadap Dollar USA dan pada saat harga mandarin impor, permintaan terhadap mandari dari China mengalami penurunan. Hal tersebut terjadi diduga karena harga mandarin dari China hampir sama dengan harga rata-rata dari negara-negara produsen mandarin (lihat Lampiran 29). Adanya perbedaan antara jeruk lokal dan mandarin, diduga konsumen meningkatkan konsumsi dari keduanya pada saat keduanya tersedia. Permintaan impor dari mandarin dari China pada jangka pendek dan jangka panjang bersifat tidak elastis terhadap perubahan harga mandari, pasokan dan harga jeruk lokal. Tetapi respon terhadap perubahan nilai tukar bersifat elastis baik pada jangka pendek dan jangka panjang.
77
Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 31). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value sebesar 0,057 lebih besar dari α = 0,05. artinya, residual model permintaan mandarin dari China terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 30). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 16 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 2,09, yang berarti tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor mandarin dari China (Tabel 16) diperoleh koefisien determinasi sebesar 68,8 persen. Hasil tersebut memiliki pengertian bahwa 68,8 persen perubahan volume permintaan impor mandarin dari China dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 38,0 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan mandarin impor dari China dapat dilihat pada Lampiran 31. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata alpha 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor mandarin dari China.
78
5.1.3.2. Permintaan Mandarin dari Pakistan a. Plot Data Perkembangan Impor Mandarin Indonesia dari Pakistan Tahun 2001-2005 8000000
7000000
Berat Bersih(kg)
6000000
5000000
4000000
Impor Mandarin
3000000
2000000
1000000
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 10. Perkembangan Impor Mandarin Indonesia dari Pakistan tahun 2001–2005 Pakistan merupakan negara asal impor mandarin Indonesia terbesar kedua. Selama tahun 2001 – Juni 2005, impor mandarin Indonesia terbesar dari Pakistan terjadi pada setiap awal tahun dan akhir tahun. Pada tahun 2001 permintaan mandarin impor dari Pakistan sebesar 28.284 ton. Pada tahun 2002 menurun menjadi 17.611 ton atau menurun sebesar 37,73 persen dari tahun 2001. Menurun sebesar 48,47 persen dari tahun 2002, permintan impor mandarin tahun 2003 menjadi sebesar 9.075 ton. Pada tahun 2004 meningkat sebesar 56,77 persen dari tahun 2003 menjadi 14.226 ton. Terjadi penurunan kembali pada tahun 2005 sebesar 53,09 persen dari tahun 2004 menjadi sebesar 15.619 ton.
b. Peramalan Permintaan Impor Mandarin dari Pakistan Berdasarkan Tabel 17 dibawah ini, metode peramalan time series terbaik untuk permintaan mandarin dari Pakistan adalah Metode SARIMA (1,0,0)(0,1,1)12 atau
dalam
bentuk
persamaan
back
shift
operator
notation
adalah
(1-B12)1 (1+0.7204B)Yt = (1-0.8530B12)εt. Hasil pangolahan metode SARIMA (1,0,0)(0,1,1)12 untuk peramalan permintaan mandarin dari Pakistan dapat dilihat pada Lampiran 32.
79
Tabel 17. Nilai MSE Metode Peramalan Time Series pada Permintaan Mandarin Indonesia dari Pakistan No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (1,0,0)(0,1,1)12
MSE 7,33E+12 1,47E+12 1,24E+12 2,01E+12 1,93E+12 1,18E+12
MSE terkecil 6 3 2 5 4 1
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 30, plot ACF memiliki pola gelombang sinus (damped sine wave) sedangkan PACFnya cut off pada lag satu. Pada gambar plot gambar autokorelasi dapat dilihat nilai autokorelasi yang berbeda nyata dari nol terjadi pada lag 1,5 dan 6. Pada selain lag-lag tersebut nilai autokorelasinya sama dengan nol. 2. Estimasi Melihat pola ACF dan PACF model tentatif yang mungkin adalah AR (1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga pengolahan diuji dengan melakukan pembedaan. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi parameter model,
selanjutnya dilakukan evaluasi
untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Proses iterasi harus convergence Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010.
80
- Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak - Kondisi Invertibilita atapun stasioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk AR (1) = 0,2704 dan SMA (1,1) = 0,8530. - Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue koefisen untuk AR (1) = 0,000 dan untuk SMA (1,1) = 0,000 - Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA (1,0,0)(0,1,1)12 adalah model yang relatif sudah dalam bentuk paling sederhana - Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini meiliki nilai MSE sebesar 1,18E+12. 4. Peramalan Berdasarkan hasil evaluasi model di atas, maka dapat dilakukan permalan untuk beberapa periode ke depan. Hasil peramalan untuk 12 bulan ke depan dapat dilihat pada Lampiran 32.
81
Pemintaan impor madarin dari Pakistan ke depan mengalami peningkatan tajam dari tahun sebelumnya sebesar 7.358 ton sehingga total permintaan impor mandarin dari Pakistan menjadi sebesar 14.032 ton. Puncak permintaan tertinggi terjadi pada bulan April, yaitu sebesar 2.678 ton, sedangkan puncak terendah terjadi pada bulan Juni, yaitu sebesar 218 ton. Rata permintaan mandarin dari Pakistan ke depan sebesar 1.169 ton per bulan.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Mandarin dari Pakistan Keseluruhan variabel hipotesis penelitian yang diduga mempengaruhi permintaan mandarin dari Pakistan yang berpengaruh nyata hanya lag impor. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, harga oranges Pakistan dan pasokan jeruk lokal PIKJ. Tabel 18. Hasil Analisis Model Regresi Permintaan Impor Mandarin dari Pakistan Tahun 2002-2005 Peubah Constant Nilai tukar Harga mandarin impor
koefisien 1377513 -157,5 -76796 0,02375 120,9 0,5775 1094386 795916 -1044365 -1363611 45074 -1253963 -1105188 -878470 -652284 192971 635201
SE koefisien 2922611 371,3 1001029 0,06237 283,3 0,1303 818232 815484 864328 952916 1068219 1105657 1152256 1096005 997366 921219 896588
tpVIF hitung value 0,47 0,641 -0,42 0,674 1,60 -0,08 0,939 1,70 0,38 0,706 2,70 0,43 0,673 1,80 4,43* 0,000 2,00 1,34 0,191 1,90 0,98 0,337 1,80 -1,21 0,236 2,10 -1,43 0,162 2,50 0,04 0,967 3,20 -1,13 0,265 3,40 -0,96 0,345 3,70 -0,8 0,429 3,30 -0,65 0,518 2,80 0,21 0,835 2,40 0,71 0,484 2,20 R-Sq(adj) = 53,5%
Elastisitas SR LR -0,97 -0,03 0,15 0,46
-2,29 -0,07 0,36 1,08
Pasokan jeruk PIKJ Harga jeruk PIKJ Lag volume impor Februari Maret April Mei Juni Juli Agustus September Oktober November Desember R-Sq = 69,4% Durbin-Watson statistic =1,79 F hit = 4,38 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
82
Harga rata-rata mandarin dari Pakistan yang berada di bawah harga ratarata negara pengekspor mandarin (Lampiran 33), diduga sebagai penyebab nilai tukar dan harga mandarin dari Pakistan tidak berpengaruh terhadap permintaan mandarin dari Pakistan. Pada saat nilai tukar Rupiah terhadap Dollar USA mengalami depresiasi dan pada saat harga pear mengalami peningkatan, mandarin dari Pakistan masih dapat bersaing dan menguntungkan bagi importir. Ada beberapa evaluasi model regresi permintaan mandarin dari Pakistan (output komputer tersaji di Lampiran 35). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov (lihat lampiran 35). Titiktitik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar > 0,15 lebih besar dari taraf nyata 5 persen, yang berarti residual model permintaan mandarin dari Pakistan terdistribusi normal. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 34). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 4 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 1,79, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor mandarin dari Pakistan (Tabel 18) diperoleh koefisien dterminasi sebesar 69,4 persen. Hasil tersebut memiliki pengertian bahwa 69,4 persen perubahan volume permintaan impor mandarin dari Pakistan dapat dijelaskan oleh variasi peubah bebas dalam model, sedangkan 30,6 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa
83
secara bersama-sama semua peubah bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor mandarin dari Pakistan.
5.1.3.3 Permintaan Mandarin dari Australia a. Plot Data Perkembangan Impor Mandarin Indonesia dari Australia tahun 2001-2005 1800000 1600000 1400000
Berat Bersih(kg)
1200000 1000000 Impor Mandarin 800000 600000 400000 200000
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be no r ve m be r
m ar et
Ja nu ar i
0
Bulan
Gambar 11. Perkembangan Impor Mandarin Indonesia dari Australia tahun 2001–2005 Australia merupakan negara asal impor mandarin Indonesia terbesar kedua. Selama tahun 2001 – Juni 2005, impor mandarin Indonesia dari Australia sangat fluktuatif. Umumnya pada setiap tengah tahun fluktuasi impor menunjukkan perkembangan yang meningkat. Terjadi peningkatan permintaan impor mandarin dari Australia sebesar 7,43 persen dari tahun 2001 sampai 2002, dari sebesar 5.726 ton menjadi 6.151 ton. Tahun 2003 menurun tajam sebesar 63,73 persen dari tahun 2002 menjadi sebesar 2.231 ton. Pada tahun 2004 meningkat kembali menjadi sebesar 3.513 ton. Tahun 2005 terjadi penurunan sebesar 40,30 persen dari tahun 2004 menjadi sebesar 2.097 ton.
b. Peramalan Permintaan Impor Mandarin dari Australia Berdasarkan hasil pengolahan pada Tabel 19, hasil peramalan terbaik diperoleh dengan menggunakan metode dekomposisi multiplikatif (Yt = 476309 4840,73*t). Hasil pengolahan data permintaan impor mandarin dari Australia menghasilkan nilai MSE terkecil sebesar 5,21E+10. Hasil pengolahan dan
84
peramalan untuk 12 bulan ke depan pemintaan mandarin dari Australia dengan menggunakan metode Dekomposisi multiplikatif dapat dilihat pada Lampiran 36. Permintaan mandarin dari Australia ke depan mengalami penurunan sebesar 871 ton dari tahun sebelumnya, dengan total permintaan sebesar 1.754 ton. Rata-rata permintaan mandarin dari Australia sebesar 146 ton per bulan. Puncak permintaan tertinggi terjadi pada bulan Agustus yaitu sebesar 337 ton, sedangkan permintaan terendah terjadi pada bulan Maret dengan total 87 kilogram. Tabel 19. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Mandarin Indonesia dari Australia No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (0,0,1) (0,0,1)12
MSE 2,77E+11 8,54E+10 3,32E+11 5,21E+10 5,36E+10 7,7E+10
MSE terkecil 5 4 6 1 2 3
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Mandarin dari Australia Pada Tabel 20 dapat dilihat, variabel yang diduga mempengaruhi permintaan mandarin dari Australia berpengaruh nyata pada pasokan jeruk PIKJ lag impor dan dummy bulanan. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, harga apel impor dan harga jeruk PIKJ. Ada indikasi bahwa pada saat nilai tukar melemah dan harga mengalami peningkatan, direspon dengan menurunkan permintaan akan mandarin dari Australia. Nilai koefisien nilai tukar bernilai negatif menunjukkan respon permintaan akan mandarin yang menurun pada saat nilai tukar melemah dan harga meningkat. Pada Lampiran 37 dapat dilihat harga rata-rata mandarin Australia berada di atas rata-rata harga mandarin negara-negara produsen mandarin. Harga mandarin yang relatif tinggi dibandingkan dengan harga
85
mandarin, diduga kenaikan harga dan melemahnya nilai tukar menyebabkan madarin dari Australia menjadi kurang bersaing. Walaupun peningkatan harga akan menurunkan permintaan, tetapi pada jangka pendek dan jangka panjang permintaan mandarin dari Australia bersifat tidak elastis. Perubahan kenaikan satu satuan harga, hanya direspon dengan menurukan permintaan kurang dari satu satuan. Puncak musim panen yang hampir bersamaan dengan puncak musim panen jeruk lokal, menyebabkan meningkatnya permintaan impor mandarin Australia meningkat seiring dengan peningkatan pasokan jeruk lokal. Pada bulan-bulan sekitar bulan Juni, pada saat tersebut harga mandarin Australia sedang berada pada level yang relatif rendah. Pada saat-saat tersebut mandarin Australia mampu bersaing dengan mandarin dari negara lain. Tabel 20. Hasil Analisis Model Regresi Permintaan Impor Mandarin dari Australia Tahun 2002-2005 Peubah
koefisien
SE koefisien 1061371 75,63 80175 0,01657 69,45 0,1503 171083 171917 171143 174359 183950 228601 226212 218343 174292 179438 176714
tpVIF hitung value 0,67 0,509 -0,70 0,487 1,5 -1,11 0,274 1,1 -2,28* 0,030 4,5 0,14 0,892 2,5 2,36* 0,025 2,3 0,31 0,758 1,9 0,37 0,717 1,9 0,50 0,618 1,9 2,00* 0,055 2,0 3,53* 0,001 2,2 2,65* 0,013 3,4 4,23* 0,000 3,3 1,80** 0,081 3,1 3,00* 0,005 2,0 1,46 0,153 2,1 0,28 0,781 2,0 R-Sq(adj) = 55,0%
Elastisitas SR LR
708485 Constant Nilai tukar -53,21 -1,67 -2,59 Harga mandarin impor -89206 -0,21 -0,33 Pasokan jeruk PIKJ -0,0378 -1,2 -1,9 Harga jeruk PIKJ 9,49 0,18 0,28 Lag volume impor 0,3546 Februari 53275 Maret 62919 April 86259 Mei 347910 Juni 649719 Juli 606207 Agustus 957967 September 393605 Oktober 523299 November 262696 Desember 49567 R-Sq = 70,3% Durbin-Watson statistic =2,32 F hit = 4,59 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Evaluasi model regresi permintaan apel dari Australia dapat dilihat pada Lampiran 39). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik
86
Kolmogorov-Smirnov (lampiran 39). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar 0,138 lebih besar dari taraf nyata 5 persen, yang berarti residual model apel dari Australia terdistribusi normal. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 38). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 20 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,29, maka dapat diambil tidak kesimpulan terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor mandarin dari Australia (Tabel 20) diperoleh koefisien determinasi sebesar 70,0 persen. Hasil tersebut memiliki pengertian bahwa 70,0 persen perubahan volume permintaan impor mandarin dari Australia dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 30,0 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signfikan pada taraf nyata alpha 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor mandarin dari Australia.
5.1.4. Permintaan Anggur Impor Apabila diurutkan berdasarkan negara asalnya maka sepanjang tahun 2001 - 2005, rata-rata impor anggur Indonesia terbesar pertama berasal dari negara Australia. Amerika Serikat, China, Chili,dan Afrika Selatan berturut-turut
87
merupakan negara asal impor anggur Indonesia terbesar kedua, ketiga, keempat dan kelima (Lampiran 40).
5.1.4.1. Permintaan Anggur dari Australia a. Plot Data Perkembangan Impor Anggur Indoensia dari Australia Tahun 2001-2005 3500000
3000000
Berat Bersih(kg)
2500000
2000000 Impor Anggur 1500000
1000000
500000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu a ri
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
0
Bulan
Gambar 12. Perkembangan Impor Anggur Indonesia dari Australia Tahun 2001–2005 Australia merupakan negara asal impor anggur Indonesia terbesar. Secara umum Indonesia tidak pernah tidak mengimpor anggur dari Austalia. Umumnya impor anggur dari Austalia akan memuncak di awal tahun dan akhir tahun. Terjadi peningkatan tajam permintaan anggur dari tahun 2001 sampai 2003 yaitu sebesar 65,13 persen. Pada tahn 2001 permitaan anggur impor dari Australia sebesar 4.443 ton menjadi 7.337 pada tahun 2002. Pada tahun 2003 menurun sebesar 46,75 persen menjadi 3.907 ton. Terjadi peningkatan tajam pada tahun 2004 yaitu meningkat sebesar 169,92 persen dari tahun 2003 menjadi sebesar 10.546 ton. Tahun 2005 menurun sebesar 28,08 persen menjadi sebesar 7.796 ton.
b. Peramalan Permintaan Impor Anggur dari Australia Berdasarkan hasil pengolahan pada Tabel 21, hasil pengolahan terbaik diperoleh melalui metode Dekomposisi Multiplikatif (Yt = 431739 + 4441,25*t). Hasil pengolahan data permintaan impor anggur dari Australia menghasilkan nilai
88
MSE terkecil sebesar. 1,94E+11. Hasil pengolahan dan peramalan permintaan anggur dari Australia untuk 12 bulan ke depan dengan menggunakan metode Dekomposisi Multiplikatif dapat dilihat pada Lampiran 41. Permintaan total anggur dari Australia untuk 12 bulan ke depan naik dari tahun sebelumnya menjadi sebesar 8.659 ton, dengan rata-rata permintaan sebesar 721 ton per bulan. Puncak permintaan terjadi pada bulan Mei, yaitu sebesar 2.045 ton, sedangkan puncak permintaan terendah terjadi pada bulan Desember, yaitu sebesar 19 ton. Tabel 21. Nilai MSE Metode Peramalan Time Series Pada Permintaan Impor Angggur dari Australia No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (0,0,1) (0,1,1)12
MSE 1,19E+12 2,15E+11 2,51E+11 1,94E+11 2,18E+11 2,44E+11
MSE terkecil 6 2 5 1 3 4
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Anggur Indonesia dari Australia Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan anggur dari Australia yang berpengaruh nyata antara lain nilai tukar, harga anggur dan harga mangga PIKJ. Sedangkan variabel yang tidak berpengaruh nyata antara lain pasokan PIKJ dan lag volume (Tabel 22). Pada lampiran 42, dapat dilihat rata-rata harga anggur dari Australia hampir sama dengan rata-rata harga anggur produsen anggur. Hal tersebut diduga menyebabkan harga dan nilai tukar berpengaruh terhadap permintaan anggur dari Australia. Pengimpor akan meningkatkan impor Australia pada saat harga di tingkat konsumen sedang terjadi penurunan dan nilai tukar rupiah terhadap Dollar USA mengalami depresiasi. Permintaan impor anggur dari Australia bersifat elastis terhadap peubahan nilai tukar dan harga anggur itu
89
sendiri. Pada saat harga mangga sedang berada pada level yang relatif rendah, permintaan anggur dari australia mengalami penurunan. Terdapat indikasi pada saat pasokan meningkat dan harga mangga menurun, konsumen akan mengurangi konsumsi anggur dan meningkatkan konsumsi buah mangga. Puncak musim panen anggur dari Australia jatuh pada bulan Maret. Tabel 22. Hasil Analisis Model Regresi Permintaan Impor Anggur dari Australia Tahun 2002-2005 Peubah
koefisien
SE koefisien 45,41 4,881 1,044 0,1208 0,1202 0,163 1,421 2,053 1,745 1,581 1,517 1,552 1,516 1,381 1,449 1,368 1,383
tpVIF hitung value 2,43 0,021 -2,33* 0,027 1,40 -3,36* 0,002 4,20 -0,05 0,957 3,00 2,03* 0,051 2,00 1,00 0,326 3,70 2,49* 0,019 2,40 2,33* 0,026 4,90 2,09* 0,045 3,60 2,45* 0,020 2,90 1,65 0,110 2,70 1,27 0,214 2,80 0,40 0,695 2,70 0,31 0,755 2,20 -1,32 0,198 2,50 0,95 0,349 2,20 -0,540 0,594 2,20 R-Sq(adj) = 65,8%
Elastisitas LR
110,35 Constant Nilai tukar -11,351 -13,56 Harga anggur impor -3,504 -4,19 Pasokan mangga PIKJ -0,0066 -0,01 Harga mangga PIKJ 0,2445 0,29 Lag volume impor 0,1629 Februari 3,531 Maret 4,784 April 3,641 Mei 3,871 Juni 2,497 Juli 1,969 Agustus 0,599 September 0,434 Oktober -1,908 November 1,3 Desember -0,746 R-Sq = 77,5% Durbin-Watson statistic = 1,26 F hit = 6,66 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Ada beberapa evaluasi model regresi permintaan anggur dari Australia (output komputer tersaji di Lampiran 44). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov (lampiran 44). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar 0,090 lebih besar dari taraf nyata 5 persen, yang berarti residual model permintaan
anggur
dari
Australia
terdistribusi
normal.
Kedua,
asumsi
homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 43). Pada grafik residual plot tidak ditemukan titik
90
yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 22 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 1,26, maka tidak dapat kesimpulan terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor anggur dari Australia (Tabel 22) diperoleh koefisien dterminasi sebesar 77,5 persen. Hasil tersebut memiliki pengertian bahwa 77,5 persen perubahan volume permintaan impor anggur dari Australia dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 22,5 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor anggur dari Australia.
5.1.4.2. Permintaan Impor Anggur dari Negara Amerika Serikat a. Plot Data Perkembangan Impor Anggur Indonesia dari Usa tahun 2001-2005 4000000
3500000
2500000
Impor Anggur
2000000
1500000
1000000
500000
m ei
se ju pt li em be no r ve m be r
m ei
se ju pt li em be no r ve m be r ja nu ar i m ar et
m ei
se ju pt li em be no r ve m be r ja nu ar i m ar et
ja nu ar i m ar et
m ei
se ju pt li em be no r ve m be r
ja nu ar i m ar et
m ei
se ju pt li em be no r ve m be r
0
ja nu ar i m ar et
Berat Bersih (kg)
3000000
Bulan
Gambar 13. Perkembangan Impor Anggur Indonesia dari Amerika Serikat tahun 2001–2005
91
Amerika Serikat merupakan negara asal impor anggur Indonesia terbesar kedua. Umumnya impor anggur dari Amerika Serikat akan memuncak di akhir tahun. Tahun 2001 dan 2002 permintaan impor anggur dari USA adalah sebesar 4.828 dan 7.240 ton atau pada tahun 2002 meningkat sebesar 49,96 persen. Pada tahun 2003 permintaan anggur impor dari USA masih terus meningkat dengan peningkatan sebesar 2,62 dan 56,18 persen dari tahun 2004, sehingga permintaan impor pada tahuin 2003 tahun 2004 adalah sebesar 7.430 dan 11.605 ton. Tahun 2005 permintaan impor anggur dari USA menurun sebesar 5,74 persen dari tahun 2004 menjadi sebesar 10.938 ton.
b. Peramalan Permintaan Impor Anggur dari Amerika Serikat Berdasarkan hasil pengolahan pada Tabel 23, hasil peramalan terbaik diperoleh melalui metode Dekomposisi Multiplikatif (Yt = 146011 + 18187,2*t). Hasil pengolahan data permintaan impor anggur dari Amerika Serikat menghasilkan nilai MSE terkecil sebesar. 1,60E+11. Hasil pengolahan dan peramalan permintaan angur dari Amerika Serikat untuk 12 bulan ke depan dengan menggunakan metode Dekomposisi Multiplikatif pada Lampiran 45. Total permintan anggur dari USA untuk 12 bulan ke depan sebesar 16.882 ton atau meningkat 8.474 ton dari tahun sebelumnya. Puncak permintaan terjadi pada bulan Desember, yaitu sebesar 4.283 ton, sedangkan puncak terendah terjadi pada bulan Juni yaitu sebesar 5 ton. Tabel 23. Nilai MSE Metode Peramalan Time Series pada Permintaan Angggur dari Amerika Serikat No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (1,0,0) (0,0,1)12
MSE 3,30E+12 1,84E+11 2,33E+11 1,60E+11 2,75E+11 2,14E+11
MSE terkecil 6 2 4 1 5 3
92
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Anggur dari Amerika Serikat (USA) Keseluruhan variabel hipotesis penelitian yang diduga mempengaruhi permintaan anggur dari USA yang berpengaruh nyata antara lain, lag impor dan variabel dummy musim panen dari negara pengekspor. Sedangkan variabel yang tidak berpengaruh nyata adalah nilai tukar, harga apel impor dan pasokan mangga PIKJ. Perkembangan harga anggur USA dari tahun 2002 sampai 2005 menunjukkan adanya usur trend yang menurun (lihat Lampiran 46). Walaupun terjadi fluktuasi dalam tiap bulannya, tetapi flukutusi tersebut berada pada selang yang semakin menurun. Perkembangan harga yang terjadi tersebut diduga menyebabkan nilai tukar dan harga tidak berpengaruh terhadap permintaan anggur dan USA. Tabel 24. Hasil Analisis Model Regresi Permintaan Impor Anggur dari USA Tahun 2002-2005 Peubah
koefisien
SE koefisien 1283693 119,9 248407 0,02245 46,79 0,1454 384219 465490 451824 429310 423376 414578 411396 390975 478992 409927 393087
t pVIF hitung value -0,95 0,351 1,29 0,206 1,10 -0,08 0,938 1,50 -1,43 0,163 4,00 -1,18 0,249 2,80 2,51* 0,017 4,60 -0,43 0,672 2,60 -0,25 0,803 3,80 -0,14 0,890 3,60 0,13 0,900 3,30 0,45 0,658 3,20 0,69 0,497 3,00 1,76** 0,088 3,00 2,80* 0,009 2,70 4,70* 0,000 4,10 4,59* 0,000 3,00 4,43* 0,000 2,70 R-Sq(adj) = 79,6%
Elastisitas SR LR
Constant -1215276 Nilai tukar 155,1 1,83 2,88 Harga anggur impor -19353 -0,03 -0,05 Pasokan mangga PIKJ -0,03209 -0,18 -0,28 Harga mangga PIKJ -55,01 -0,25 -0,39 Lag volume impor 0,3654 Februari -164055 Maret -117035 April -63089 Mei 54543 Juni 189022 Juli 285162 Agustus 723671 September 1095419 Oktober 2250888 November 1880335 Desember 1741471 R-Sq = 86,6% Durbin-Watson statistic =1,82 F hit = 12,47 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
93
Variabel pasokan mangga PIKJ tidak berpengaruh nyata terhadap perubahan permintaan mengindikasikan bahwa impor anggur adalah ancaman untuk buah lokal. Apabila anggur merupakan substitusi dari buah lokal maka pada saat pasokan buah lokal menurun terjadi peningkatan permintaan impor anggur dari USA. Puncak musim produksi mangga lokal adalah berkisar pada bulan Agustus sampai Desember. sedangkan puncak impor apel dari USA berpengaruh nyata pada bulan Juni sampai Desember. Puncak produksi mangga lokal dan puncak impor anggur dari USA yang jatuh bersamaan akan terjadi persaingan antara anggur USA dengan Buah lokal. Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 48). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value sebesar 0,130 lebih besar dari α = 0,05. artinya, residual model permintaan anggur dari USA terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot, dimana (Lampiran 47). Pada grafik scatter plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 24 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 1,82, maka berdasarkan hipotesis awal dapat diambil kesimpulan tidak terdapat
autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor anggur dari USA (Tabel 24) diperoleh koefisien determinasi sebesar 86,6 persen. Hasil tersebut memiliki pengertian bahwa 86,6 persen perubahan volume permintaan impor anggur dari USA dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 23,4 persen diterangkan oleh
94
faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan anggur impor dari USA dapat dilihat pada Lampiran 48. Hasil uji F model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor anggur dari USA.
5.4.1.3. Permintaan Impor Anggur dari China a. Plot Data China merupakan negara asal impor anggur Indonesia terbesar ketiga. Umumnya impor anggur dari China akan memuncak di Akhir tahun. Terjadi peningkatan yang sangat tajam permintaan impor anggur dari China dari tahun 2001 sampi 2002 yaitu sebesar 344,62 persen. Pada tahun 2001 dan 2002 permintaan impor anggur dari China adalah sebesar 93 dan 419 ton. Tahun 2002 dan 2003 masih terjadi peningkatan yaitu sebesar 8,40 dan 217,53 persen. Permintaan anggur impor tahun 2003 dan 2004 adalah sebesar 455 dan 1.445. ton. Penurunan terjadi pada tahun 2005 yaitu sebesar 59,63 persen dari tahun 2004 yaitu menjadi sebesar 583 ton. Perkembangan Impor Anggur Indonesia dari China Tahun 2001-2005 300000
250000
150000
Impor Anggur
100000
50000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
0
ja nu ar i
Berat Bersih (kg)
200000
Bulan
Gambar 14. Perkembangan Impor Anggur Indonesia dari China tahun 2001–2005
95
b. Peramalan Permintaan Impor Anggur dari China Berdasarkan tabel dibawah ini, metode peramalan time series terbaik untuk permintaan anggur dari China adalah Metode SARIMA (0,0,0) (0,1,1)12 dalam bentuk persamaan back shift notation adalah (1-B12)1Yt = (1-0.7055B12)εt. Hasil Pangolahan Metode SARIMA (0,0,0) (0,1,1)12 dapat dilihat pada Lampiran 49. Tabel 25. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Angggur dari China No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (0,0,0) (0,1,1)12
MSE 2,55E+10 5,53E+09 8,65E+09 8,18E+09 9,79E+09 1,75E+09
MSE terkecil 6 2 4 3 5 1
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 43, plot ACF memiliki pola gelombang sinus (damped sine wave), sedangkan PACFnya cut off. Pada gambar plot gambar autokorelasi dapat dilihat nilai autokorelasi yang berbeda nyata dari nol terjadi pada lag 1,5 dan 6. Pada selain lag-lag tersebut, nilai autokorelasinya sama dengan nol. Hal ini menunjukkan bahwa data permintaan impor anggur dari China sudah stasioner, jadi tidak perlu dilakukan pembedaan. 2. Estimasi Melihat pola ACF dan PACF model tentative yang mungkin adalah AR (1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentaif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga diuji dengan
96
melakukan pembedaan. Model ARIMA terbaik yang terpilih adalah SARIMA (0,0,0 )(0,1,1)12. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi parameter model,
selanjutnya dilakukan
evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Prose iterasi harus convergence Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010. - Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak - Kondisi invertibilitas ataupun stasioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk SMA (1,1) = 0,7055 dan tidak terdapat koefisien SAR. Hal ini kondisi invertibilitas telah terpenuhi - Parameter yang diestimasi berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue koefisen untuk untuk SMA (1,1) = 0,000
97
- Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA (0,0,0 )(0,1,1).adalah model yang relatif sudah dalam bentuk paling sederhana - Model harus memiliki nilai MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini memiliki nilai MSE sebesar 1,75E+09. 4. Peramalan Hasil peramalan permintaan anggur dari China untuk 12 bulan ke depan dapat dilihat pada Lampiran 49. Total permintaan anggur dari China terjadi penurunan dari tahun sebelumnya menjadi sebesar 77 ton. Pucak terendah terjadi pada bulan Januari dengan total 4,8 ton, sedangakan puncak permintaan terendah terjadi pada bulan November, yaitu sebesar 160 ton.
c. Faktor-faktor yang mempengaruhi permintaan Impor Anngur Indonesia dari China Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan anggur dari China yang berpengaruh nyata antara lain lag impor. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, harga anggur, pasokan dan harga mangga PIKJ. Rata-rata harga anggur yang berada di bawah harga rata-rata harga produsen anggur (lihat Lampiran 50) diduga sebagai penyebab harga dan nilai tukar tidak berpengaruh terhadap permintaan anggur dari China. Hal tersebut menyebabkan anggur dari China memilki daya saing yang lebih dari sisi harga di dalam pasar. Hal tersebut diduga menyebabkan respon permintaan impor anggur dari China pada jangka pendek maupun pada jangka panjang bersifat tidak elastis. Selain itu, terdapat indikasi bahwa pada saat pasokan mangga meningkat permintaan
akan
anggur
impor
menurun.
Walaupun
terjadi
penurunan
permintaan pada saat pasokan mangga PIKJ meningkat, tetapi penurunan impor
98
anggur kurang dari satu satuan peningkatan mangga. Hal tersebut terdapat dugaan, pada saat terjadi peningkatan mangga konsumen mengurangi konsumsi mangga hanya sekedar mencoba. Tabel 26. Hasil Analisis Model Regresi Permintaan Impor Anggur dari China Tahun 2002-2005 Peubah
koefisien
SE koefisien 77550 7,919 9387 0,00154 3,146 0,04501 23703 28213 33007 29365 27366 27365 25961 26253 26067 26400 25403
tpVIF hitung value -0,24 0,815 0,68 0,501 1,0 -0,34 0,739 1,4 -1,17 0,253 4,2 -0,96 0,345 2,8 2,90* 0,007 1,7 -1,24 0,224 2,2 -0,45 0,655 3,2 0,81 0,425 4,3 0,13 0,901 3,4 1,15 0,258 3,0 0,17 0,864 3,0 -0,39 0,697 2,7 0,27 0,789 2,7 1,02 0,314 2,7 2,31* 0,028 2,8 5,51* 0,000 2,6 R-Sq(adj) = 67,1%
Elastisitas SR LR
-18333 Constant Nilai tukar 5,398 1,28 1,47 Harga anggur impor -3157 -0,06 -0,07 Pasokan mangga PIKJ -0,001799 -0,2 -0,2 Harga mangga PIKJ -3,016 -0,28 -0,32 Lag volume impor 0,13034 Februari -29402 Maret -12737 April 3677 Mei 26681 Juni 31533 Juli 4734 Agustus -10209 September 7075 Oktober 26678 November 60898 Desember 140001 R-Sq = 78,3% Durbin-Watson statistic =2,17 F hit = 6,99 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Ada beberapa evaluasi model regresi permintaan anngur dari China (output komputer tersaji di Lampiran 52). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov ( lihat lampiran 52). Titiktitik residual yang tergambar dalam grafik tersebut segaris dan P-value lebih dari 0,15 lebih besar dari taraf nyata 5 persen, yang berarti residual model permintaan
anggur
dari
China
terdistribusi
normal.
Kedua,
asumsi
homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 51). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat
99
dari nilai VIF. Pada Tabel 4 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,17, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor anggur dari China (Tabel 26) diperoleh koefisien determinasi sebesar 78,3 persen. Hasil tersebut memiliki pengertian bahwa 78,3 persen perubahan volume permintaan impor anggur dari China dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 21,7 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signifikasi pada taraf nyata sebesar 5 persen.
Hasil tersebut memiliki pengertian bahwa secara
bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor anggur dari Australia.
5.1.5. Permintaan Pear Impor Apabila diurutkan berdasarkan negara asalnya maka sepanjang tahun 2001 - 2005, rata-rata impor pear Indonesia terbesar pertama berasal dari negara China. Australia, Chili, Amerika Serikat dan Afrika Selatan berturut-turut merupakan negara asal impor pear Indonesia terbesar kedua, ketiga, keempat dan kelima (Lampiran 53).
5.1.5.1. Permintaan Pear Dari China a. Plot Data China merupakan negara asal impor pear Indonesia terbesar. Secara umum Indonesia tidak pernah tidak mengimpor pear dari China. Umumnya impor pear dari China akan memuncak di awal tahun dan akhir tahun. Permintaan impor pear dari China pada tahun 2002 meningkat sebesar 13,47 persen dari
100
permintaan anggur tahun 2001 yaitu dari 33.523 ton menjadi 38.039 ton. Pada tahun 2003 menurun sebesar 19,47 persen dari tahun 2002 menjadi sebesar 30.634 persen. Pada tahun 2004 meningkat sangat tajam dari tahun 2003 yaitu sebesar 122,95 persen menjadi 68.292 ton. Permintaan pear dari China masih terus meningkat sampai tahun 2005 yaitu dengan peningkatan sebesar 10,69 persen. Pada tahun 2005 permintaan anggur dari China menjadi sebesar 31.317 ton. Perkembangan Impor Pear Indonesia dari China Tahun 2001-2005 12000000
10000000
Berat Bersih(kg)
8000000
6000000
impor pear
4000000
2000000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
0
Bulan
Gambar 15. Perkembangan Impor Pear Indonesia dari China tahun 2001–2005 b. Peramalan Permintaan Impor Pear dari China Berdasarkan hasil pengolahan pada Tabel 27, hasil peramalan terbaik diperoleh melalui metode Winters Multiplikatif. Hasil pengolahan data permintaan impor pear dari China menghasilkan nilai MSE terkecil sebesar 2,26E+12. Metode ini optimal pada nilai pemulusan level estimasi saat ini sebesar 0,390. Untuk nilai pemulusan trend sebesar 0,050 sedangkan untuk musimannya sebesar 0,010. Hasil pengolahan dan peramalan untuk 12 bulan ke depan permintaan pear dari China dengan menggunakan metode Winters Multiplikatif dapat dilihat pada Lampiran 54. Total permintaan anggur dari china untuk 12 bulan ke depan menurun menjadi 68.045 ton atau terjadi penurunan sebesar 7.546 ton dari tahun sebelumnya. Puncak permintaan tertinggi terjadai pada bulan Oktober , yaitu sebesar 7.092 ton, sedangkan pucak terendah permintaan terjadi pada bulan Juli
101
yaitu sebesar 3.358 ton. Rata-rata permintaan anggur dari china sebesar 5.670 ton. Tabel 27. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Pear dari China No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposis Multiplikatif Dekomposisi Aditif SARIMA (1,1,0) (1,1,0)12
MSE 1,18E+13 2,26E+12 2,68E+12 2,85E+12 2,84E+12 3,74E+12
MSE terkecil 6 1 2 3 4 5
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Pear dari China Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan pear dari China yang berpengaruh nyata antara lain harga pear impor dan lag impor. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar pasokan harga mangga PIKJ dan dummy bulanan. Tabel 28. Hasil Analisis Model Regresi Permintaan Impor Pear dari China Tahun 2002-2005 Peubah
koefisien
SE koefisien 9,699 1,135 0,1545 0,02727 0,02605 0,156 0,3013 0,3562 0,3294 0,3086 0,2883 0,2826 0,3089 0,4195 0,3196 0,2878 0,2842
tpVIF hitung value -0,11 0,916 1,10 0,280 1,5 -3,38* 0,002 1,8 0,70 0,492 4,2 0,37 0,713 2,7 1,72** 0,096 2,3 -0,07 0,941 2,1 0,72 0,480 2,9 0,18 0,860 2,5 0,31 0,762 2,2 0,16 0,874 1,9 -0,88 0,386 1,8 0,28 0,782 2,2 1,26 0,218 4,1 1,13 0,269 2,4 1,41 0,167 1,9 1,36 0,183 1,9 R-Sq(adj) = 49,6%
Elastisitas LR
-1,035 Constant Nilai tukar 1,249 1,71 Harga pear impor -0,5222 -0,71 Pasokan mangga PIKJ 0,01897 0,02 Harga mangga PIKJ 0,00966 0,01 Lag volume impor 0,2677 Februari -0,0226 Maret 0,2549 April 0,0587 Mei 0,0945 Juni 0,0462 Juli -0,2483 Agustus 0,0864 September 0,528 Oktober 0,36 November 0,4071 Desember 0,3872 R-Sq = 66,8% Durbin-Watson statistic = 2,23 F hit =3,89 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
102
Perubahan harga yang cukup signifikan dari perkembangan harga tahun 2002-2005 pear dari China diduga menyebabkan harga pear berpengaruh terhadap permintaan impor pear dari China (Lampiran 55). Harga pear pada bulan dari tahun 2002-2003 meningkat tajam, dari harga terendah 0,69 Dollar pada bulan Januari 2002 hingga mencapai puncak pada harga 1,22 Dollar yang terjadi pada bulan September 2003. Pada tahun 2004 harga Pear menurun sampai menyentuh harga terendah, yaitu sebesar 0,27 Dollar yang terjadi pada bulan Juni 2005. Terdapat indikasi konsumsi pear China tidak berubah pada saat pasokan mangga meningkat, akan tetapi sebaliknya. Ada dugaan mangga kurang kuat digunakan sebagai barang substitusi dari pear. Ada beberapa evaluasi model regresi permintaan pear dari China. Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik KolmogorovSmirnov (lampiran 57). Titik-titik residual yang tergambar dalam grafik tersebut segaris dan P-value sebesar 0,15 lebih besar dari taraf nyata 5 persen, yang berarti residual model permintaan pear dari China terdistribusi normal. Kedua, asumsi
homoskedastisitas
atau
masalah
heteroskedastisitas
diperiksa
menggunakan grafik Residual Plot (Lampiran 56). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 28 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,15, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor pear dari China (Tabel 28) diperoleh koefisien determinasi sebesar 63,0 persen. Hasil tersebut memiliki pengertian bahwa 63,0 persen perubahan volume permintaan impor pear dari China dapat dijelaskan oleh variasi variabel bebas dalam model,
103
sedangkan 37,0 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan pear impor dari China dapat dilihat pada Lampiran 57. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor pear dari China.
5.1.5.2. Permintaan Pear dari Australia a. Plot Data Perkembangan Impor Pear Indoenesia dari Australia Tahun 2001-2005 700000
600000
Berat Bersih(kg)
500000
400000 Impor Pear 300000
200000
100000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
0
Bulan
Gambar 16. Perkembangan Impor Pear Indonesia dari Australia tahun 2001–2005 Australia merupakan negara asal impor pear Indonesia terbesar kedua. Umumnya impor pear dari Australia akan memuncak di tengah tahun. Jumlah impor pear di awal dan akhir tahun umumnya menurun. Permintaan impor pear dari Australia pada tahun 2001 dan 2002 adalah sebesar 3.643 dan 3.204 ton atau pada tahun 2002 menurun sebesar 12,06 persen dari tahun 2001. penurunan terus terjadi sampai tahun 2004. Pada tahn 2003 menurun sebesar 48,35 persen dari tahun 2002 dan tahun 2004 menurun 26,46 persen dari tahun 2003. Permintaan impor pear dari Australia tahun 2003 dan 2004 adalah sebesar 1.655 dan 1.217 ton. Pada tahun 2005 meningkat sebesar 6,68 persen dari tahun 2004 menjadi sebesar 1.298 ton.
104
b. Peramalan Permintaan Impor Pear dari Negara Australia Berdasarkan Tabel 29, metode peramalan time series terbaik untuk permintaan anggur dari china adalah Metode SARIMA (1,0,0) (0,1,1)12 atau dalam persamaan back shift notation: (1-B12)1(1-0.6735B)Yt = (1-0.7665B12)εt. Hasil Pengolahan metode SARIMA (1,0,0) (0,1,1)12 untuk peramalan permintaan pear dari Australia dapat dilihat pada Lampiran 58. Tabel 29. Nilai MSE Beberapa Metode Peramalan Time Series pada Permintaan Impor Pear dari Australia No. 1 2 3 4 5 6
Metode Trend W. Multiplikatif W. Aditif D. Multiplikatif D. Aditif SARIMA (1,0,0) (0,1,1)12
MSE 6,82E+10 1,17E+10 1,18E+10 1,67E+10 1,62E+10 1,02E+10
MSE terkecil 6 2 3 5 4 1
1. Identifikasi Berdasarkan gambar plot ACF dan PACF pada Lampiran 58, plot ACF memiliki
pola
eksponensial
menurun
(damped
exponensial),
sedangkan
PACFnya cut off. Pada gambar plot gambar autokorelasi dapat dilihat nilai autokorelasi yang berbeda nyata dari nol terdapat pada Lag 1 dan 2. Pada selain lag-lag tersebut, nilai autokorelasinya sama dengan nol. Hal ini menunjukkan bahwa data permintaan impor pear dari Australia sudah stasioner, jadi tidak perlu dilakukan pembedaan. 2. Estimasi Melihat pola ACF dan PACF model tentatif yang mungkin adalah AR (1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentatif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga pengolahan
105
diuji dengan melakukan pembedaan. Keseluruhan model yang diuji, model SARIMA (0,0,0)(0,1,1)12 merupakan model yang paling baik. 3. Evaluasi Model (Uji Diagnostik) Setelah dilakukan estimasi parameter model,
selanjutnya dilakukan
evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode SARIMA antara lain: - Proses iterasi harus convergence Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah convergence (antara dua model sudah tidak ada beda yang nyata). Proses iterasi terlah convergence ditunjukkan adanya pernyataan relative change in each estimate less then 0,0010. - Residual random Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. - Kondisi invertibilitas ataupun Satisioneritas harus terpenuhi Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk AR (1) = 0,6735 dan SMA (1,1) = 0,7665 - Parameter yang diestimasi harus berbeda nyata dari nol Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa Pvalue koefisen untuk AR (1) = 0,000 dan untuk SMA (1,1) = 0,000.
106
- Model harus parsimonius Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA ARIMA (0,0,0)(0,1,1)12 adalah model yang relatif sudah dalam bentuk paling sederhana. - Model harus memiliki MSE terkecil Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini Meiliki nilai MSE sebesar 1,02E+10. 4. Peramalan Total permintaan pear dari Australia untuk 12 bulan ke depan menjadi sebesar 1.905 ton, dengan rata-rata sebesar 158 ton per bulan. Puncak tertinggi impor terjadi pada bulan Maret yaitu sebesar 340 ton, sedangkan puncak terendah terjadi pada bulan Desember, yaitu sebesar 39 ton. Hasil peramalan ini dapat dilihat secara langsung seperti yang terlihat pada output pengolahan data pada Lampiran 58.
c. Faktor-Faktor yang Mempengaruhi Permintaan Impor Pear Impor dari Australia Keseluruhan variabel hipotesis penelitian yang diduga mempengaruhi permintaan pear Australia, hanya lag impor yang berpengaruh nyata (lihat Tabel 30). Harga rata-rata pear di tingkat eksportir Australia yang relatif lebih tinggi dibandingkan dengan harga rata-rata produsen pear (lihat Lampiran 59), diduga terdapat indikasi pada saat harga meningkat dan nilai tukar melemah menyebabkan permintaan impor pear dari Australia menurun. Akan tetapi permintaan bersifat tidak elastis terhadap perubahan nilai tukar dan harga pear itu sendiri baik pada jangka pendek maupun pada jangka panjang. Artinya perubahan harga dan nilai tukar satu satuan, hanya direspon perubahan jumlah
107
permintaan pear kurang dari satu satuan. Terdapat dugaan mangga tidak mampu mensubstitusi buah pear. Pada saat pasokan mangga meningkat, konsumsi mangga meningkat seiring dengan peningkatan konsumsi pear. Puncak musim panen untuk pear Australia jatuh pada bulan Maret. Tabel 30. Hasil Analisis Model Regresi Permintaan Impor Pear dari Australia Tahun 2002-2005 Peubah
koefisien
SE koefisien 231041 23,81 51880 0,00511 9,628 0,1609 67573 77773 87586 70474 69574 71154 69784 77713 107852 93828 92332
tphitung value 0,60 0,56 -0,21 0,83 -0,51 0,62 1,52 0,14 -0,83 0,41 4,40* 0,00 -0,49 0,63 2,51* 0,02 -1,83** 0,08 0,58 0,57 0,70 0,49 -0,25 0,81 0,60 0,55 -0,53 0,60 -1,32 0,20 -1,20 0,24 -1,95** 0,06 R-Sq(adj) = 44,0%
VIF
Elastisitas SR LR
137659 Constant Nilai tukar -5,11 1,0 -0,30 -1,04 Harga pear impor -26240 1,5 -0,14 -0,49 Pasokan mangga PIKJ 0,00778 5,1 0,22 0,74 Harga mangga PIKJ -7,971 2,9 -0,18 -0,62 Lag volume impor 0,7073 2,1 Februari -33103 2,0 Maret 195544 2,6 April -160027 3,3 Mei 40758 2,2 Juni 48744 2,1 Juli -17731 2,2 Agustus 41769 2,1 September -41227 2,6 Oktober -142107 5,1 November -113029 3,8 Desember -180007 3,7 R-Sq = 63,0% Durbin-Watson statistic = 2,15 F hit =3,31 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 61). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value sebesar 0,15 lebih besar dari α = 0,05. artinya, residual model permintaan pear dari Australia terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot, dimana (Lampiran 60). Pada grafik scatter plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai
108
VIF. Pada Tabel 30 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 2,15 maka berdasarkan hipotesis awal dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor pear dari Australia (Tabel 30) diperoleh koefisien determinasi sebesar 63,0 persen. Hasil tersebut memiliki pengertian bahwa 63,0 persen perubahan volume permintaan impor pear dari Australia dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 37.0 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan pear impor dari Australia dapat dilihat pada Lampiran 59. Hasil uji F untuk model secara keseluruhan, signifikan pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor pear dari Australia.
5.1.5.3. Permintaan Pear Impor dari Amerika Serikat a. Plot Data Perkembangan Impor Pear Indonesia dari Usa Tahun 2001-2005 250000
150000 Impor Buah 100000
50000
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
ja nu ar i
m ei
se ju pt li em be r no ve m be r
m ar et
0
ja nu ar i
Berat Bersih (kg)
200000
Bulan
Gambar 17. Perkembangan Impor Pear Indonesia dari Amerika Serikat tahun 2001–2005
109
Amerika Serikat merupakan negara asal impor pear Indonesia terbesar keempat. Umumnya impor pear dari Amerika Serikat akan memuncak di tengah tahun. Tahun 2002 permintaan impor pear dari Amerika Serikat meningkat sebesar 21,25 persen dari tahun 2001. Pada tahun 2002 permintanan impor pear dari Amerika Serikat sebesar 315 ton. Tahun 2003 meningkat 43,81 persen dari tahun 2002 menjadi 453 ton. Pada tahun 2004 meningkat tajam, dengan peningkatan sebesar 155,66 persen dari tahun 2003 menjadi sebesar 1.158 ton. Permintan impor pear dari Amerika Serikat menurun pada tahun 2005 yaitu menjadi sebesar 548 ton atau menurun 52,64 persen dari tahun 2004.
b. Peramalan Permintaan Impor Pear dari Amerika Serikat Berdasarkan hasil pengolahan pada tabel dibawah ini, hasil pengolahan terbaik diperoleh melalui metode Winters Multiplikatif. Hasil pengolahan data permintaan impor pear dari USA menghasilkan nilai MSE terkecil sebesar 1,60E+09. Metode ini optimal pada nilai pemulusan level estimasi saat ini sebesar 0,520. Untuk nilai pemulusan trend sebesar 0,190 sedangkan untuk musimannya sebesar 0,010. Hasil pengolahan dan peramalan permintaan pear dari USA untuk 12 bulan ke depan dengan menggunakan metode Winters Multiplikatif dapat dilihat pada Lampiran 62. Tabel 31. Nilai MSE Metode Peramalan Time Series pada Permintaan Pear dari Amerika Serikat (USA) No. 1 2 3 4 5 6
Metode Trend Winters Multiplikatif Winters Aditif Dekomposisi Multiplikatif Dekomposisi Aditif SARIMA (0,0,1) (0,1,1)12
MSE 7,43E+09 1,60E+09 2,08E+09 2,05E+09 2,07E+09 2,36E+09
MSE terkecil 6 1 4 2 3 5
Total permintaan pear dari USA untuk 12 bulan ke depan sebesar 1.240 ton atau meningkat sebesar 691,.9 ton dari tahun sebelumnya. Puncak tertinggi
110
terjadi pada bulan Desember, yaitu sebesar 337,9 ton, sedangkan puncak terendah terjadi pada bulan Juli, yaitu sebesar 6 ton. Rata-rata permintaan pear dari USA untuk 12 bulan ke depan sebesar 103 ton per bulan.
c. Faktor-faktor yang mempengaruhi permintaan Impor pear dari Amerika Serikat (USA) Variabel yang diduga mempengaruhi permintaan pear dari USA berpengaruh nyata pada lag impor dan pasokan mangga PIKJ. Sedangkan variabel yang tidak berpengaruh nyata antara lain nilai tukar, harga pear impor harga mangga PIKJ dan dummy bulanan. Tabel 32. Hasil Analisis Model Regresi Permintaan Impor Pear dari USA Tahun 2002-2005 Peubah
koefisien
SE koefisien 227198 24,44 47077 0,004446 12,57 0,1576 62618 74800 76362 64883 71459 71394 69122 71168 86319 79048 75313
tpVIF hitung value 1,51 0,141 -1,15 0,261 1,2 -1,48 0,149 1,3 -1,69** 0,100 4,3 0,44 0,661 3,2 3,37* 0,002 2,2 -0,43 0,670 1,9 3,13* 0,004 2,7 -1,41 0,170 2,8 0,73 0,468 2,0 0,70 0,487 2,5 0,15 0,882 2,4 0,89 0,378 2,3 0,57 0,573 2,4 1,10 0,279 3,6 0,99 0,329 3,0 -0,30 0,768 2,7 R-Sq(adj) = 49,2%
Elastisitas SR LR
342903 Constant Nilai tukar -27,98 -1,66 -3,55 Harga pear impor -69682 -0,30 -0,63 Pasokan mangga PIKJ -0,007534 -0,21 -0,45 Harga mangga PIKJ 5,57 0,16 0,33 Lag volume impor 0,5306 Februari -26958 Maret 234467 April -107318 Mei 47658 Juni 50228 Juli 10715 Agustus 61766 September 40547 Oktober 95126 November 78429 Desember -22364 R-Sq = 66,5% Durbin-Watson statistic =1,98 F hit =3,84 Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Pada Lampiran 63, dapat dilihat rata-rata harga pear dari USA yang berada di atas rata-rata harga produsen pear, diduga terdapat indikasi pada saat harga meningkat dan nilai tukar rupiah melemah, pengimpor mengurangi impor pear dari USA. Hal tersebut ditunjukkan dari nilai koefisien dari nilai tukar dan
111
harga pear yang bernilai negatif. Pasokan mangga PIKJ berpengaruh diduga, pada saat pasokan mangga meningkat menyebabkan konsumen beralih mengkonsumsi mangga. Pengujian
asumsi
kenormalan
dilakukan
dengan
melihat
grafik
Kolmogorov-Smirnov (Lampiran 65). Berdasarkan grafik ini, terlihat bahwa titik residual yang ada tergambar segaris dan nilai P-value lebih dari 0,15 lebih besar dari α = 0,05. artinya, residual model permintaan pear dari USA terdistribusi normal. Pengujian lainnya yaitu asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot, dimana (Lampiran 64). Pada grafik scatter plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Adapun masalah multikolinearitas dapat dilihat dari nilai VIF. Pada Tabel 32 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Sedangkan uji Durbin-Watson untuk melihat autokorelasi dihasilkan nilai sebesar 1,98, maka berdasarkan hipotesis awal dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor pear dari USA (Tabel 32) diperoleh koefisien determinasi sebesar 66,5 persen. Hasil tersebut memiliki pengertian bahwa 66,5 persen perubahan volume permintaan impor pear dari USA dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 33,5 persen diterangkan oleh faktorfaktor lain yang tidak terdapat dalam model. Hasil pengolahan regresi dari permintaan pear impor dari USA dapat dilihat pada Lampiran 65. Hasil uji F untuk model secara keseluruhan signifikan pada taraf nyata alpha 5 persen.
Hasil
tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor pear dari USA.
112
5.2. Pembahasan Berdasarkan perkembangan meningkatnya permintaan terhadap buah impor ke Indonesia terdapat beberapa indikasi penyebabnya, antara lain: 1. Pertambahan penduduk dan preferensi konsumen Peningkatan impor buah secara mendasar disebabkan oleh kemampuan pemasar buah impor memanfaatkan peluang pasar yang ditimbulkan oleh peningkatan konsumsi buah akibat peningkatan pendapatan dan kesadaran masyarakat akan kesehatan 1 . Meningkatnya jumlah
penduduk setiap tahun dengan perubahan
preferensi konsumen dan kemampuan produksi buah lokal, akan meyebabkan peningkatan permintaan akan buah impor. 2. Buah lokal bersifat musiman Pasar buah-buahan, termasuk buah impor di Indonesia masih cukup besar. Pada sisi lain, produksi buah dalam negeri hingga kini masih terbatas, antara lain, karena persediaan buah Indonesia sangat tergantung pada musim, sedangkan masyarakat memerlukan buah yang sehat, baik, dan setiap waktu Guna menutupi kekurangan pasokan, maka masuklah buah impor. Maraknya buah impor, seperti jeruk, apel, anggur, pear, karena buah-buahan tersebut tersedia setiap saat oleh eksportir di luar negeri 2 . Produksi yang masih rendah dan pengaruh musiman dari buah-buahan Indonesia merupakan celah bagi ekportir buah-buahan dari luar negeri untuk memasarkan buah-buahan ke dalam pasar di Indonesia. Selain itu juga dipengaruhi ketidakmampuan memproduksi buah-buahan tertentu (seperti: apel, pear dan kurma) dikarenakan klomatologi tanaman yang tidak sesuai untuk
1 2
http://www.w3.org/TR/REC-html40/loose.dtd ( 6 Juni 2006) http://www.sinarharapan.co.id/berita/0211/23/eko01.html (8 juni 2006)
113
ditanam di Indonesia dan permintaan konsumen yang tinggi. Kondisi tersebut meyebabkan pengaruh nilai tukar dan harga tidak signifikan. 3. Ketidakmampuan memproduksi jenis buah yang diimpor Ketidaksesuaian kondisi iklim di Indonesia untuk memproduksi buahbuahan seperti apel, pear, mandarin, anggur dan pear. Memang terdapat beberapa tempat yang sesuai untuk memproduksi buah-buahan tersebut. Namun kualitas dan kuantitas dari buah yang dihasilkan berbeda dengan buah yang diimpor. 4. Kekuatan Pemasaran Strategi pemasaran yang dilakukan beberapa penjual buah impor: a. Penjual membeli sudut-jaja (sales-counter) di pasar-pasar swalayan atau pasar-pasar besar. Sudut-jaja tersebut dipilih yang berlokasi strategis, mudah dilihat, mudah didatangi, dan langsung menarik perhatian. Kemudian sudutjaja tersebut dipenuhi dengan buah-buah impor yang mereka jual. Buah yang ditampilkan adalah buah dengan mutu yang terbaik dilihat dari berbagai aspek. Pada saat yang bersamaan para penjual ini juga menggunakan berbagai media promosi, yang secara gencar mencoba menanam citra buah yang bermutu di mata konsumen, yaitu yang mencakup kesegaran, kesehatan dan gengsi. Sejalan dengan usaha tersebut, juga dikembangkan kerjasama dengan restoran dan hotel untuk menangkap kelompok konsumen yang mengkonsumsi dengan jumlah besar. Komitmen yang diberikan pada mereka terutama adalah kontinuitas pasokan dan mutu. Konsumen Indonesia yang telah meningkat pendapatan dan kesadarannya akan kesehatan mulai terbentuk pola pikirnya: buah segar yang bermutu (dan bergensi) yang pasti ada di pasar adalah buah impor. Walaupun masih ada konsumen yang mencari buah nasional, mereka telah siap kalau pun buah nasional tersebut tidak ada, karena pasti buah impor akan tersedia untuk
114
mereka beli. Akhirnya mereka berhenti mencari buah nasional, dan datang ke pasar swalayan untuk membeli buah impor. Pola konsumsi masyarakat telah terpengaruhi 3 . b. Penjual buah impor melakukan perluasan baik dalam cakupan pasar maupun keragaman buah. Pasar yang dimasuki bukan lagi hanya swalayan atau pasar besar tetapi mulai masuk ke pasar kecil, pinggir jalan, dan pelosokpelosok. Buah yang sudah tidak laku di pasar kota besar dibawa daerahdaerah pelosok. Jika mula-mula hanya buah yang berukuran besar yang dijajakan, kemudian ditambah dengan buah yang berukuran kecil. Setelah satu buah diterima di pasar, penjual akan memasukkan buah dengan jenis lain. Berdasarkan
Tabel
33,
faktor-faktor
yang
berpengaruh
terhadap
permintaan apel antara lain nilai tukar, harga apel impor dan dummy bulanan. Faktor nilai tukar dan harga apel impor tidak berpengaruh nyata terhadap permintaan apel dari China. Sedangkan pasokan mangga PIKJ hanya berpengaruh nyata pada permintaan apel China. Terdapat indikasi pada saat nilai tukar melemah dan harga apel meningkat, permintaan akan apel menurun. Pada saat pasokan mangga meningkat yang diikuti penurunan harga mangga, diindikasikan mengakibatkan penurunan konsumsi buah apel. Hal tersebut menunjukkan terdapat dugaan bahwa buah lokal masih dapat mensubstitusi buah apel. Faktor-faktor yang berpengaruh terhadap permintaan oranges antara lain harga apel impor dan dummy musiman (lihat Tabel 33). Faktor nilai tukar dan harga apel impor tidak berpengaruh nyata terhadap permintaan oranges dari Australia. Sedangkan pasokan mangga PIKJ hanya berpengaruh nyata pada permintaan oranges USA. Terdapat indikasi permintaan oranges menurun ketika 3
http://www.w3.org/TR/REC-html40/loose.dtd (6 Juni 2006)
115
nilai tukar rupiah melemah terhadap Dollar USA dan pada saat harga oranges meningkat. Diduga pada saat harga oranges impor dari negara tertentu sedang mengalami peningkatan menajadi kurang bersaing terhadap oranges dari negara lain. Selain itu, ada indikasi konsumsi oranges impor tidak terpengaruh dengan ketersediaan jeruk lokal. Diduga pada saat pasokan jeruk lokal meningkat, konsumsi akan oranges tidak terpengaruh. Tetapi diikuti pula dengan peningkatan konsumsi jeruk lokal. Secara umum faktor-faktor yang mempengaruhi permintaan impor mandarin adalah lag musiman dan musim panen negara pengekspor. Nilai tukar hanya berpengaruh terhadap permintaan mandarin dari China, sedangkan pasokan jeruk PIKJ hanya berpengaruh terhadap permintaan mandarin dari USA (lihat Tabel 33). Permintaan impor anggur secara umum dipengaruhi oleh adanya ekspektasi impor dari bulan lalu dan musim panen negara produsen anggur. Nilai tukar dan harga hanya berpengaruh terhadap permintaan impor anggur dari Australia (lihat Tabel 33). Secara umum terdapat dugaan pengimpor akan menurukan permintaan anggur pada saat harga anggur meningkat dan nilai tukar rupiah sedang terdepresiasi terhadap Dollar USA. Selain itu, konsumsi anggur akan menurun ketika pasokan mangga meningkat. Hal tersebut menunjukkan, buah lokal masih dapat mensubstitusi dari buah anggur. Pada Tabel 33, dapat dilihat faktor-faktor yang mempengaruhi permintaan impor pear Indonesia adalah nilai tukar, harga pear, ekspektasi impor dari volume bulan sebelumnya dan musim panen negara pengekspor. Terdapat indikasi pada saat nilai tukar rupiah sedang terdepresisai terhadap Dollar USA dan harga pear meningkat, direspon oleh pengimpor dengan menurunkan permintaan impor pear. Hal tersebut diduga pada saat harga pear dari negara tertentu sedang mengalami peningkatan, menyebabkan daya saingya menurun
116
terhadap pear dari negara lain. Secara umum, pada saat pasokan mangga meningkat terdapat kecenderungan permintaan akan pear juga mengalami peningkata. Hal tersebut diduga, mangga bukan merupakan substitusi dari pear. Akan tetapi terdapat indikasi pada saat permintaan pear meningkat diikuti dengan meningkatnya permintaan akan mangga. Secara umum terdapat dugaan, permintaan akan buah impor merespon terhadap perubahan dari nilai tukar dan harga. Pada saat nilai tukar melemah terhadap Dollar dan harga buah impor meningkat permintaan akan buah impor menurun. Indikasi lain terdapat dugaan bahwa jeruk lokal tidak mampu mensubstisi dari oranges dan mandarin. Kualitas yang berbeda diduga menyebabkan permintaan akan mandarin dan oranges tetap walapun jumlah jeruk lokal sedang mengalami peningkatan. Sedangkan permintaan akan apel dan pear menurun ketika jumlah pasokan mangga meningkat, tetapi respon sebaliknya ketika mangga meningkat permintaan akan pear tidak mengalami penurunan. Pada saat ini, buah lokal menunjukkan masih dapat bersaing dengan buah impor. Indikasi dari respon permintaan oranges dan mandarin meningkat seiring dengan meningkatnya jumlah pasokan jeruk lokal. Pada jangka pendek hal tersebut tidak akan berpengaruh signifikan terhadap permintaan jeruk. Akan tetapi pada jangka panjang, tanpa ada penangan yang serius dari pemerintah jeruk lokal dapat tersingkir. Hal yang sama juga dapat terjadi pada buah mangga. Adanya kesepakatan perdagangan bebas hambatan tarif dan non-tarif sudah tidak dapat digunakan. Kebijakan penerapan prosedur dan standar pemeriksaan buah perlu ditingkatkan.
117
Tabel 33. Hasil Peramalan dan Analisis Faktor-Faktor yang Mempengaruhi Permintan Impor Buah-Buahan Indonesia No.
Impor Buah
Negara Pengekspor
China
1
Apel
Amerika Serikat
Australia
China
2
Oranges
Australia
Amerika Serikat
Metode Time Series Terbaik
Winter multiplikatif
SARIMA (0,0,0) (0,1,1)12
Winters Aditif
SARIMA (0,0,1) (0,1,2)12
Winter multiplikatif
SARIMA (0,0,0) (3,1,0)12
Ramalan 12 Bulan kedepan • • • • • • • • • • • • • • • • • • • • • • • • • • • • •
menurun dari tahun sebelumnya. Total : 80.620.761 kg Pucak tertinggi bulan November :9.372.268 kg puncak terendah bulan februari :4.653.001 kg Rata-rata: 6.718.397 meningkat dari tahun sebelumnya. Total : 33.967.840 kg Pucak tertinggi bulan Desember : 4.577.084 kg puncak terendah bulan Maret : 1.886.979 kg Rata-rata: 33.967.840 meningkat dari tahun sebelumnya. Total : 1.263.182 kg Pucak tertinggi bulan Juli : 167.302 kg puncak terendah bulan Januari : 37.489 kg Rata-rata: 105.265 kg meningkat dari tahun sebelumnya. Total : 15.905.497 kg Pucak tertinggi bulan Januari: 3.921.238 kg puncak terendah bulan April : 150.222 kg Rata-rata: 1.325.458 meningkat dari tahun sebelumnya. Total : 4.781.337 kg Pucak tertinggi bulan Agustus: 797.963 kg puncak terendah bulan Januari : 57.303 kg Rata-rata: 398.445 kg meningkat dari tahun sebelumnya. Total : 1.436.173 kg Pucak tertinggi bulan Juli: 317.421 kg puncak terendah bulan Februari: 13.008 kg.
Faktor-faktor yang Berpengaruh • • •
Pasokan mangga PIKJ Lag volume Impor Dummy bulanan: Oktober
• • •
Harga apel impor Lag volume Impor Dummy bulanan: Desember
• • • •
Nilai tukar Harga apel impor Lag volume Impor Dummy bulanan: April Harga apel impor Lag volume Impor Dummy bulanan: Mei
• • • • •
Lag volume Impor Dummy bulanan: Agustus
• • •
Harga apel impor Pasokan mangga PIKJ Lag volume Impor
Tabel 33. Lanjutan \No.
Impor Buah
Negara Pengekspor
China
3
Mandarin
Pakistan
Australia
Australia
4
Anggur
Amerika Serikat
China
Metode Time Series Terbaik
Ramalan 12 Bulan kedepan
Winter multiplikatif
SARIMA (1,0,0) (0,1,1)12
Dekomposisi multiplikatif
Dekomposisi multiplikatif
Dekomposisi multiplikatif
SARIMA (0,0,0) (0,1,1)
12
• • • • • • • • • • • • • • • • • • • • • • • • • • • •
meningkat dari tahun sebelumnya. Total : 44.054.136 kg Pucak tertinggi bulan Maret: 9.684.358 kg puncak terendah bulan September: 222.877 kg Rata-rata: 3.671.178 kg meningkat dari tahun sebelumnya. Total : 26.524.897 kg Pucak tertinggi bulan Maret: 5.890.793 kg puncak terendah bulan September: 154.104 kg Rata-rata: 2.210.408 kg menurun dari tahun sebelumnya. Total : 26.524.897 kg Pucak tertinggi bulan Agustus: 337.686 kg puncak terendah bulan maret: 87 kg Rata-rata: 146.211 kg meningkat dari tahun sebelumnya. Total : 8.659.153 kg Pucak tertinggi bulan Agustus: 2.045.506 kg puncak terendah bulan maret: 19.137 kg Rata-rata: 721.596 kg meningkat dari tahun sebelumnya. Total : 16.882.780 kg Pucak tertinggi bulan Desember: 4.283.287 kg puncak terendah bulan Juni: 5.093 kg menurun dari tahun sebelumnya. Total : 77.629 kg Pucak tertinggi bulan November: 160.414kg puncak terendah bulan Januari: 4.857 kg
Faktor-faktor yang Berpengaruh • •
Lag volume Impor Dummy bulanan: Februari
•
Lag volume Impor
• •
Lag volume Impor Dummy bulanan: Agustus
• • • •
Nilai tukar Harga apel impor Pasokan Mangga PIKJ Dummy bulanan: Februari Lag volume Impor Dummy bulanan: Desember
• • • •
Lag volume Impor Dummy bulanan: Desember
Tabel 33. Lanjutan \No.
Impor Buah
Negara Pengekspor
China
5
Pear
Australia
Amerika Serikat
Metode Time Series Terbaik
Winter multiplikatif
SARIMA (1,0,0) (0,1,1)12
Winter multiplikatif
Ramalan 12 Bulan kedepan • • • • • • • • • • • • • • •
meningkat dari tahun sebelumnya. Total : 68.045.890 kg Pucak tertinggi bulan Oktober: 7.092.994kg puncak terendah bulan Juli: 3.358.417 kg Rata-rata: 5.670.491 kg meningkat dari tahun sebelumnya. Total : 1.905.527 kg Pucak tertinggi bulan Maret: 340.117 kg puncak terendah bulan Desember: 39.482 kg Rata-rata: 158.794 kg meningkat dari tahun sebelumnya. Total : 1240.572 kg Pucak tertinggi bulan Desember: 337.877 kg puncak terendah bulan Juli: 6.254 kg Rata-rata: 103.381 kg
Faktor-faktor yang Berpengaruh • •
Harga apel impor Lag Volume impor
• •
Lag volume Impor Dummy bulanan: Maret
• •
Lag volume Impor Pasokan mangga
BAB VI KESIMPULAN DAN SARAN
6.1. Kesimpulan Perkembangan impor buah-buahan Indonesia dari negara-negara ekportir selama lima tahun memiliki kecenderungan yang meningkat. Permintaan buahbuahan juga dipengaruhi adanya unsur musiman. Hal ini menyebabkan permintaan
buah-buahan
cenderung
berfluktuatif
dalam
satu
tahunnya.
Penguasaan pasokan oleh negara-negara pengekspor buah-buahan pada umumnya dikuasai oleh negara China, Australia dan Amerika Serikat. Persentase dari ketiga negara tersebut kurang lebih sekitar 80 persen. Hasil peramalan menunjukkan bahwa permintaan impor buah mengalami peningkatan di masa yang akan datang. Penurunan hanya terjadi pada permitaan impor apel dan anggur dari China. Secara keseleruhan variabel yang berpengaruh terhadap permintaan buah-buah-buahan
adalah
variabel
lag
dan
dummy
musiman.
Hal
ini
menunjukkan adanya ekspekstasi untuk melakukan mengimpor dari jumlah impor yang pada waktu sebelumnya dan pada saat negara pengekspor mengalami pucak musim panen permintaan impor
untuk buah-buahan mengalami
peningkatan. Nilai tukar dan harga buah apel itu sendiri secara keseluruhan tidak berpengaruh nyata terhadap permintaan buah impor. akan tetapi terdapat dugaan permintaan impor buah mengalami penurunan ketika nilai tukar melemah terhadap Dollar USA dan harga buah impor meningkat. Untuk buah lokal secara umum masih dapat mensubstisuti dari buah impor. Akan tetapi untuk jeruk lokal menunjukkan tidak dapat mensubstitusi oranges dan mandarin impor.
6.2. Saran Buah lokal saat ini masih menunjukkan persaingan terhadap buah impor. pada jangka panjang apabila tanpa ada perhatian terhadap laju buah impor dan agribisnis buah lokal, pada jangka panjang ada kekhawatiran buah lokal dapat tersingkir. Hambatan langsung yang dapat digunakan untuk menekan laju impor seperti meningkatkan standar dan prosedur pemeriksaan buah impor yang masuk setidaknya dari dua aspek. Pertama, kesesuaian 'grade' mutu buah dengan spesifikasi yang dijanjikan kepada konsumen, dan kedua, untuk memeriksa ada tidaknya residu pestisida. Sedangkan hambatan tidak langsung yaitu dengan meningkatkan citra buah lokal, memperbaiki sistem agribisinis buah-buahan lokal untuk meningkatkan terhadap kualitas dan kuantitas buah lokal.
122
DAFTAR PUSTAKA
Agroindonesia. 2004. Kebijakan Impor Buah Indonesia dinilai Terlalu Longgar. http://www.agroindustri.com Anmi, Lastioro. 2004. Peramalan impor Komoditas Pertanian Indonesia dari Negara ASEAN. Skripsi. Departemen Ilmu-ilmu Sosial Ekonomi Pertanian. Institut Pertanian Bogor. Bogor. Badan Pusat Statistik. 2003. Statistik Perdagangan Luar Negeri Indonesia (Impor) tahun 2000-2005. Jakarta Gaynor. P. E. dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and Forcasting in Business and Economics. Singapore: Mc. Graw Hill. Hanke, et al., 2003. Peramalanan Bisnis. Edisi ke-7. Terjemahan Devy Anantanur. PT Prenhallindo, Jakarta. Hartono. 2001. Aplikasi Metode Peramalan Time Series dalam Pendugaan Harga saham pada perusahaan Agribisnis di PT Bursa Efek Jakarta. Skripsi. Jurusan Ilmu-Ilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor. Bogor Hasibuan, L. 2003. Peramalan Produksi CPO PT Sucofindo Medan. Skripsi. Jurusan Ilmu-ilmu Sosial Ekonomi Pertanian. Institut Pertanian Bogor. Bogor Makridakis, et al., 1999. Metode dan Aplikasi Peramalan Jilid 1. Edisi ke-2 terjemahan Hari Suminto. PT Interaksa. Jakarta. Mulyono. 2000. Ekonomi Internasional. BPFE-Yogyakarta, Yogyakarta. Nachrowi, N D, et al. 2002. Penggunaan Teknik Ekonometri. PT RajaGrafindo Persada. Jakarta Nicholson, W. 2002. Mikroekonomi Intermediate dan Aplikasinya. Ed ke-8. Penerbit Erlangga, Jakarta. Papas, J. L. dan Hirschey, M. 1995. Ekonomi Manajerial Jilid I. Edisi ke-6. terjemahan Daniel Wirajaya. Binarupa Aksara, Jakarta. Ricky. 2000. Peramalan Permintaan Paprika untuk Perencanaan Produksi Pada PT Saung Mirwan di Cisarua Bogor. Skripsi. Fakultas Pertanian. Institut Pertanian Bogor. Bogor Safitri, Hilda. 2004. Analisis Peramalan Ekspor Komoditi Pertanian Indonesia ke Singapura, Malaysia dan Thailand. Skripsi. Skripsi. Departemen Ilmuilmu Sosial Ekonomi Pertanian. Institut Pertanian Bogor. Bogor.
Salvatore, D. 1997. Ekonomi Internasional. Edisi kelima Jilid I. Penerjemah Haris Munandar. Penerbit Erlangga. Jakarta. Samuelson, P.A., Nordhaus, W.D. 1993. Mikroekonomi. Ed ke-14. Penerbit Erlangga, Jakarta. Sugiarto dan Harjono. 2000. Peramalan Bisnis. PT Gramedia Pustaka Utama. Jakarta Suryana, Achmad, et al. 1997. Kebijaksanaan Pembangunan Peranian: Analisis Kebijakan Antisipatif dan Rensponsif. Pusat Penelitian Sosial Ekonomi Pertanian. Badan Penelitian dan Pengembangan Pertanian. Jakarta
124
Lampiran 1. Total Volume Apel Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2004 (Kg) Tahun 2001 2002 2003 2004 2005 Rata-Rata
China 27.202.712 33.950.599 33.721.845 73.153.686 88.606.477 51.327.064
Amerika Serikat 42.908.122 39.077.323 30.254.063 33.469.655 30.007.857 35.143.404
New Zealand 4.632.301 3.562.513 2.286.534 2.967.539 1.893.168 3.068.411
Perancis 3.499.146 2.947.404 1.149.794 721.523 645.891 1.792.752
Australia 1.083.679 957.721 665.679 631.133 770.059 821.654
Sumber: Badan Pusat Statistik, 2005 (diolah) Lampiran 2. Output Analisis Metode Winter Multiplikatif untuk Peramalan Permintaan Apel dari China Data Length NMissing
Vol_China 60,0000 0
Smoothing Constants Alpha (level): 0,24 Gamma (trend): 0,01 Delta (seasonal): 0,01 Accuracy Measures MAPE: 41 MAD: 1457970 MSD: 3,70E+12 Row 1 2 3 4 5 6 7 8 9 10 11 12
Period 61 62 63 64 65 66 67 68 69 70 71 72
Forecast 6358761 4653001 5858452 7317067 5638927 7903621 4090344 6515905 7127753 8170025 9372268 7614637
Row 13 14 15 16 17 18 19 20 21 22 23 24
Period 73 74 75 76 77 78 79 80 81 82 83 84
Forecast 6697432 4899727 6167731 7701657 5934021 8315433 4302547 6852488 7494363 8588451 9850227 8001317
Lampiran 3. Perkembangan Harga Apel Impor dari China Tahun 2001-2005 1,2
1
US$
0,8
harga apel China rata-rata harga China rata-rata pasar
0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ju l_ 01 se p_ 01 no v_ 01 ja n_ 0 2 m ar _0 2 m ei _0 2
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Sumber: Badan Pusat Statistik, 2005 (diolah)
125
Lampiran 4. Residual Plot Model Regresi Permintaan Apel dari China Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals 4000000 UCL=3469925
3000000 2000000
Residual
Residual
2000000 1000000 0 -1000000
0
Mean=-7,5E-10
-2000000
-2000000
LCL=-3469925
-4000000 -2
-1
0
1
2
0
10
20
30
40
Normal Score
Observation Number
Histogram of Residuals
Residuals v s. Fits
50
3000000 2000000
Residual
Frequency
10
5
1000000 0 -1000000 -2000000
0 -2000000 -1000000 0 1000000 2000000 3000000
0
Residual
2000000 4000000 6000000 8000000
Fit
Lampiran 5. Output Analisis Regresi Permintaan Impor Apel dari China The regression equation is Q_cin = 407186 - 113 e - 784982 P_cin - 0,213 Qm + 188 Pm + 0,757 lag_vol + 2490170 feb + 1454783 mar + 951654 april + 2116280 mei + 463655 juni + 1127023 juli + 3283651 agust + 2662377 sept + 5366769 okto + 3848257 nov + 3101239 des Predictor Constant e P_cin Qm Pm lag_vol feb mar april mei juni juli agust sept okto nov des
Coef 407186 -112,6 -784982 -0,21278 187,8 0,7566 2490170 1454783 951654 2116280 463655 1127023 3283651 2662377 5366769 3848257 3101239
S = 1385228
SE Coef 4182376 407,0 816702 0,07903 140,4 0,1455 1038996 1162132 1082143 1053159 1014589 1012171 1028647 1050207 1399400 1213690 1186033
R-Sq = 72,9%
T 0,10 -0,28 -0,96 -2,69 1,34 5,20 2,40 1,25 0,88 2,01 0,46 1,11 3,19 2,54 3,84 3,17 2,61
P 0,923 0,784 0,344 0,011 0,191 0,000 0,023 0,220 0,386 0,053 0,651 0,274 0,003 0,017 0,001 0,003 0,014
VIF 1,3 1,6 5,4 2,7 2,4 2,1 2,6 2,2 2,1 2,0 2,0 2,0 2,1 3,7 2,8 2,7
R-Sq(adj) = 58,9%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 1,59813E+14 9,98830E+12 31 5,94845E+13 1,91886E+12 47 2,19297E+14
F 5,21
P 0,000
Durbin-Watson statistic = 1,99
126
Lampiran 5. Lanjutan Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000000 -1000000
0
1000000 2000000 3000000
RESI1 Average: -0,0000000 StDev: 1125002 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,055 D-: 0,059 D : 0,059 Approximate P-Value > 0.15
Lampiran 6. Output Analisis SARIMA Impor
(0,0,1) (0,1,1)12 untuk Permintaan
Estimates at each iteration Iteration SSE Parameters 0 114650869980919 0,100 0,100 1 97256682693712 -0,050 0,080 2 84984313692792 -0,200 0,068 3 76157745549778 -0,350 0,065 4 69942441638137 -0,500 0,084 5 65553947763298 -0,636 0,176 6 62060075369502 -0,618 0,320 7 59202121576923 -0,639 0,441 8 56728170664200 -0,641 0,553 9 54639241475720 -0,645 0,651 10 53278937870235 -0,646 0,724 11 52791653993150 -0,646 0,765 12 52691097514484 -0,645 0,782 13 52674915755582 -0,645 0,788 14 52672538334779 -0,644 0,791 15 52672207410881 -0,644 0,792 16 52672165481653 -0,644 0,792 Relative change in each estimate less than
0,0010
Final Estimates of Parameters Type Coef SE Coef MA 1 -0,6442 0,0943 SMA 12 0,7921 0,1191
P 0,000 0,000
T -6,83 6,65
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 29171967738519 (backforecasts excluded) MS = 634173211707 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 15,5 34,1 39,5 * DF 10 22 34 * P-Value 0,113 0,048 0,237 *
127
Lampiran 6. Lanjutan Forecasts from period 60 Period 61 62 63 64 65 66
Forecast 1993063 2002682 1886979 2541958 2699446 3389614
Period 67 68 69 70 71 72
Forecast 3096316 2803011 2326666 2919296 3731725 4577084
5 Lag Corr 1 2 3 4 5 6 7 8 9 10 11 12
0.48 0.03 -0.02 -0.00 -0.04 0.01 -0.18 -0.40 -0.43 -0.22 0.02 0.24
Partial Autocorrelation Function for Vol_Usa Partial Autocorrelation
Autocorrelation
Autocorrelation Function for Vol_Usa 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
T
LBQ
3.75 0.22 -0.15 -0.02 -0.24 0.07 -1.13 -2.50 -2.44 -1.14 0.12 1.20
14.80 14.87 14.91 14.91 15.00 15.01 17.22 28.68 42.12 45.73 45.77 50.09
15
Lag Corr 13 14 15 16 17 18 19 20 21 22 23 24
0.13 -0.04 0.10 0.24 0.18 0.17 0.18 -0.03 -0.19 -0.03 0.08 -0.01
T
LBQ
0.63 -0.20 0.48 1.20 0.86 0.80 0.83 -0.15 -0.87 -0.15 0.35 -0.07
51.35 51.48 52.25 57.32 60.13 62.69 65.53 65.62 68.96 69.05 69.63 69.65
25 Lag Corr 25 26 27 28 29 30 31 32 33 34 35 36
-0.10 -0.12 -0.11 -0.03 -0.03 -0.01 0.00 -0.03 -0.09 -0.00 0.06 0.01
35 T
LBQ
-0.45 -0.55 -0.50 -0.12 -0.15 -0.03 0.02 -0.13 -0.41 -0.00 0.26 0.05
70.69 72.29 73.69 73.77 73.89 73.90 73.90 74.01 75.17 75.17 75.68 75.70
45
Lag Corr 37 38 39 40 41 42 43 44 45 46 47 48
0.02 0.07 0.02 -0.05 -0.04 0.00 0.02 -0.03 -0.08 -0.08 -0.04 -0.08
T
LBQ
0.10 0.30 0.10 -0.24 -0.19 0.01 0.10 -0.13 -0.35 -0.35 -0.18 -0.34
75.78 76.52 76.60 77.14 77.50 77.50 77.60 77.81 79.33 80.97 81.46 83.31
1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 5
55 Lag Corr 49 50 51 52 53 54 55 56 57 58
-0.05 -0.01 -0.01 -0.02 0.01 0.00 0.01 0.01 -0.01 0.00
T
LBQ
-0.24 -0.07 -0.03 -0.10 0.03 0.01 0.05 0.06 -0.03 0.01
84.26 84.34 84.35 84.59 84.62 84.62 84.71 84.90 84.94 84.96
Lag PAC
T
0.48 -0.26 0.12 -0.05 -0.04 0.08 -0.33 -0.20 -0.22 0.00 0.12 0.22
3.75 -2.03 0.91 -0.37 -0.27 0.61 -2.58 -1.56 -1.72 0.01 0.90 1.72
1 2 3 4 5 6 7 8 9 10 11 12
15 Lag PAC
T
-0.10 -0.05 0.16 -0.06 -0.07 0.05 0.18 -0.02 -0.04 0.14 0.05 -0.02
-0.76 -0.37 1.27 -0.46 -0.58 0.37 1.38 -0.13 -0.30 1.12 0.37 -0.16
13 14 15 16 17 18 19 20 21 22 23 24
25
35
Lag PAC
T
-0.02 0.03 -0.04 -0.00 -0.13 0.06 -0.09 0.03 -0.05 -0.09 -0.08 -0.02
-0.16 0.23 -0.29 -0.00 -0.98 0.45 -0.69 0.21 -0.36 -0.73 -0.61 -0.12
25 26 27 28 29 30 31 32 33 34 35 36
45
Lag PAC
T
0.09 -0.13 0.03 -0.10 -0.01 -0.07 0.03 0.00 -0.04 0.04 -0.03 -0.08
0.73 -1.01 0.25 -0.80 -0.07 -0.52 0.26 0.01 -0.30 0.33 -0.20 -0.59
37 38 39 40 41 42 43 44 45 46 47 48
55 Lag PAC
T
-0.07 -0.02 0.07 0.03 -0.02 -0.06 0.02 -0.07 -0.05 0.02
-0.57 -0.13 0.52 0.24 -0.19 -0.50 0.17 -0.56 -0.42 0.19
49 50 51 52 53 54 55 56 57 58
Lampiran 7. Perkembangan Harga Apel Impor dari USA Tahun 2001-2005 1,2
1
U S $
0,8
harga apel USA rata-rata harga USA rata-rata pasar
0,6
0,4
0,2
no v_ 0 5
ju l_ 0 5
se p _0 5
m ei_ 0 5
ja n_ 0 5
m a r_ 05
no v_ 0 4
ju l_ 0 4
se p _0 4
m e i_ 04
ja n_ 0 4
m ar _ 04
no v_ 0 3
ju l_ 0 3
se p _0 3
m ei _0 3
ja n_ 0 3
m ar _0 3
n o v_ 0 2
ju l_ 0 2
se p _0 2
m ei_ 0 2
ja n_ 0 2
m ar _ 02
no v_ 0 1
ju l_ 0 1
se p _0 1
m ei_ 01
m ar _ 01
ja n_ 0 1
0
Bulan
Lampiran 8. Residual Plot Model Regresi Permintaan Apel dari USA
Residual Model Diagnostics I Chart of Residuals
Normal Plot of Residuals 2000000
1
2000000
Residual
0
1000000 0
Mean=-4,1E-10
-1000000 LCL=-1491202
-1000000
-2000000 -2
-1
0
1
0
2
10
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits 2000000
8 7 6
Residual
Frequency
Residual
UCL=1491202
1000000
5 4 3 2
1000000
0
1 -1000000
0 -1000000
0
1000000
Residual
2000000
1000000 2000000 3000000 4000000 5000000
Fit
128
Lampiran 9. Output Analisis Regresi Permintaan Apel dari USA The regression equation is Q_usa = 5089924 - 370 e - 1928512 p_usa - 0,0415 Qm + 5,4 Pm + 0,458 lag_vol + 593831 feb + 441515 mar + 715948 apr + 1167345 mei + 1997330 jun + 1393936 jul + 1314725 ags + 1082784 sep + 2232257 okt + 2980491 nov + 3346997 des Predictor Constant e p_usa Qm Pm lag_vol feb mar apr mei jun jul ags sep okt nov des
Coef 5089924 -369,8 -1928512 -0,04147 5,41 0,4580 593831 441515 715948 1167345 1997330 1393936 1314725 1082784 2232257 2980491 3346997
S = 702961
SE Coef 2758332 230,8 920868 0,03662 72,09 0,1348 589365 655467 652501 628966 603051 530941 540677 556009 724087 645712 620841
R-Sq = 76,8%
T 1,85 -1,60 -2,09 -1,13 0,08 3,40 1,01 0,67 1,10 1,86 3,31 2,63 2,43 1,95 3,08 4,62 5,39
P 0,075 0,119 0,045 0,266 0,941 0,002 0,321 0,506 0,281 0,073 0,002 0,013 0,021 0,061 0,004 0,000 0,000
VIF 1,7 1,7 4,5 2,8 2,4 2,6 3,2 3,2 2,9 2,7 2,1 2,2 2,3 3,9 3,1 2,9
R-Sq(adj) = 64,8%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 5,07426E+13 3,17141E+12 31 1,53188E+13 4,94155E+11 47 6,60614E+13
F 6,42
P 0,000
Durbin-Watson statistic = 1,71
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1000000
0
1000000
2000000
RESI1 Average: -0,0000000 StDev: 570904 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,068 D-: 0,042 D : 0,068 Approximate P-Value > 0.15
129
Lampiran 10. Output Analisis Winters Aditif untuk Peramalan Permintaan Impor Apel dari Australia Data Length NMissing
Val_Aus 60,0000 0
Smoothing Constants Alpha (level): 0,05 Gamma (trend): 0,25 Delta (seasonal): 0,01 Accuracy Measures MAPE: 122 MAD: 23749 MSD: 1,02E+09 Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 46300 54242 72343 118580 95177 118584
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 132717 121184 90082 93982 97570 83237
Lampiran 11. Perkembangan Harga Apel Impor dari Australia Tahun 20012005 2
1,8
1,6
1,4
US$
1,2
harga apel Australia rata-rata harga Australia rata-rata pasar
1
0,8
0,6
0,4
0,2
no v_ 05
ju l_ 05
se p_ 05
m ei_ 05
ja n_ 05
m ar _0 5
no v_ 04
ju l_ 04
se p_ 04
m ei_ 04
ja n_ 04
m ar _0 4
no v_ 03
ju l_ 03
se p_ 03
m ei_ 03
ja n_ 03
m ar _0 3
no v_ 02
ju l_ 02
se p_ 02
m ei_ 02
ja n_ 02
m ar _0 2
no v_ 01
ju l_ 01
se p_ 01
m ei_ 01
ja n_ 01
m ar _0 1
0
Bulan
Lampiran 12. Residual Plot Model Regresi Permintaan apel dari Australia
Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals
2
2
UCL=2,028
1
Residual
Residual
1 0 -1
0
-2
-2
-3
-3 -2
-1
0
1
Mean=-4,2E-15
-1 LCL=-2,028 1
0
2
10
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
20
2
Residual
Frequency
1
10
0 -1 -2
0
-3 -2,5 -2,0 -1,5 -1,0 -0,5 -0,0 0,5 1,0 1,5 2,0
Residual
7
8
9
10
11
12
Fit
130
Lampiran 13. Output Analisis Regresi Permintaan Apel dari Australia The regression equation is ln_Qaus = 52,4 - 5,14 ln_eusd - 1,39 ln_Paus + 0,0653 ln_Qm + 0,378 ln_lagQ - 0,051 feb + 1,09 mar + 0,760 apr - 0,085 mei + 0,659 jun + 0,533 jul + 0,609 ags + 0,151 sept + 0,376 okt + 0,277 nov - 0,639 des Predictor Constant ln_eusd ln_Paus ln_Qm ln_lagQ feb mar apr mei jun jul ags sept okt nov des
Coef 52,43 -5,136 -1,3942 0,06535 0,3780 -0,0513 1,090 0,7596 -0,0847 0,6592 0,5328 0,6089 0,1514 0,3755 0,2771 -0,6385
S = 0,8704
SE Coef 21,33 2,263 0,4617 0,06790 0,1583 0,6641 1,060 0,6698 0,5914 0,5160 0,6574 0,6499 0,6428 0,6330 0,6355 0,6338
R-Sq = 65,2%
T 2,46 -2,27 -3,02 0,96 2,39 -0,08 1,03 1,13 -0,14 1,28 0,81 0,94 0,24 0,59 0,44 -1,01
P 0,020 0,030 0,005 0,343 0,023 0,939 0,311 0,265 0,887 0,211 0,424 0,356 0,815 0,557 0,666 0,321
VIF 1,2 1,4 5,5 2,3 2,1 5,4 2,2 1,7 1,8 2,1 2,0 2,0 1,9 2,0 1,9
R-Sq(adj) = 48,8%
Analysis of Variance Source Regression Residual Error Total
DF 15 32 47
SS 45,3332 24,2417 69,5749
MS 3,0222 0,7576
F 3,99
P 0,000
Durbin-Watson statistic = 2,04
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2
-1
0
1
RESI1 Average: -0,0000000 StDev: 0,718179 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,085 D-: 0,104 D : 0,104 Approximate P-Value > 0.15
131
Lampiran 14. Total Volume Impor Oranges Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg) Tahun 2001 2002 2003 2004 2005 Rata-Rata
China 2.057.154 5.866.631 4.098.330 16.693.582 11.551.594 8053458
Pakistan 1.507.494 4.922.502 2.269.287 13.489.986 5.233.125 5.484.479
Australia 2.491.997 2.630.447 3.923.975 7.214.800 4.401.255 4.132.495
Brazil 140.900 1.067.057 1.982.324 2.795.438 999.693 1.397.082
Afrika Selatan 1.331.108 1.731.232 1.530.778 1.374.236 1.808.169 1.555.105
Sumber: BPS, 2001 – 2005
Lampiran 15. Perkembangan Harga Oranges Impor dari China Tahun 20012005 1,4
1,2
1
0,8 US$
harga oranges China rata-rata harga China rata-rata pasar 0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei_ 05
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Lampiran 16. Output Analisis SARIMA (0,0,1 )(0,1,2)12 Permalan Permintaan Oranges dari China Estimates at each iteration Iteration SSE Parameters 0 54518397640151 0,100 0,100 0,100 1 41703385898774 0,002 0,024 -0,050 2 33485241794094 -0,089 -0,055 -0,200 3 27692360705492 -0,200 -0,168 -0,350 4 24059542235737 -0,325 -0,318 -0,444 5 21609550562764 -0,433 -0,468 -0,491 6 19482016179825 -0,526 -0,618 -0,525 7 17303085446112 -0,609 -0,768 -0,561 8 14986347082698 -0,694 -0,918 -0,620 9 13982633017377 -0,782 -0,991 -0,726 10 13575533343455 -0,847 -0,986 -0,802 11 13113387360198 -0,898 -0,987 -0,879 12 12789029531640 -0,945 -0,991 -0,984 13 12495071727999 -0,988 -0,997 -0,971 14 12482053467260 -0,979 -0,999 -0,968 15 12481444265470 -0,976 -0,999 -0,967 16 12481444264113 -0,976 -0,999 -0,967 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef SAR 12 -0,9759 0,0864 SAR 24 -0,9985 0,0901 MA 1 -0,9673 0,0679
T -11,30 -11,08 -14,24
P 0,000 0,000 0,000
132
Lampiran 16. Lanjutan Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 12480996076703 (backforecasts excluded) MS = 277355468371 DF = 45 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 13,4 26,5 28,2 * DF 9 21 33 * P-Value 0,147 0,188 0,705 * Forecasts from period 60 Period 61 62 63 64 65 66
Forecast 3921238 1663828 3135823 1488632 195073 150222
Period 67 68 69 70 71 72
Forecast 151594 213150 349529 308144 1325957 3002307
5 Lag Corr
Partial Autocorrelation Function f or Vol_china Partial Autocorrelation
Autocorrelation
Autocorrelation Function f or Vol_china 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
T
LBQ
15 Lag Corr
T
LBQ
25 Lag Corr
35 T
LBQ
45
Lag Corr
T
LBQ
55 Lag Corr
5
T
LBQ
Lag PAC
1 2 3 4 5
0.56 0.36 0.10 -0.11 -0.24
4.32 2.16 0.58 -0.62 -1.37
19.64 27.74 28.43 29.24 33.30
13 14 15 16 17
0.20 0.07 -0.06 -0.16 -0.21
0.90 0.31 -0.25 -0.71 -0.91
72.08 72.48 72.75 74.93 78.72
25 26 27 28 29
0.07 0.08 -0.03 -0.12 -0.15
0.29 96.20 0.33 96.90 -0.13 97.01 -0.47 98.57 -0.60 101.22
37 38 39 40 41
0.08 0.14 0.01 -0.08 -0.11
0.30 0.55 0.06 -0.31 -0.40
124.84 128.28 128.32 129.54 131.70
49 50 51 52 53
0.05 0.08 0.05 0.01 0.00
0.17 0.29 0.19 0.04 0.00
152.31 154.53 155.60 155.64 155.64
6 7 8 9
-0.27 -0.27 -0.16 -0.01
-1.45 -1.43 -0.80 -0.05
38.25 43.46 45.26 45.27
18 19 20 21
-0.19 -0.23 -0.18 -0.15
-0.83 -0.98 -0.75 -0.62
82.05 86.87 89.84 92.00
30 31 32 33
-0.15 -0.17 -0.15 -0.14
-0.61 -0.69 -0.61 -0.56
42 43 44 45
-0.12 -0.12 -0.11 -0.11
-0.45 -0.46 -0.41 -0.40
134.60 137.76 140.53 143.28
54 55 56 57
-0.00 -0.01 -0.01 -0.02
-0.02 -0.04 -0.05 -0.09
155.66 155.76 155.91 156.57
10 0.16 0.79 11 0.26 1.29 12 0.46 2.24
47.10 52.23 68.87
22 -0.07 -0.31 23 0.05 0.21 24 0.17 0.69
92.53 92.80 95.67
34 -0.04 -0.18 114.04 35 0.09 0.36 115.29 36 0.24 0.92 123.89
104.01 107.83 110.99 113.76
46 -0.03 -0.12 143.54 47 0.07 0.28 145.07 48 0.14 0.55 151.58
1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
58 -0.01 -0.04 156.76
1 2 3 4 5 6 7 8 9 10 11 12
0.56 0.06 -0.17 -0.19 -0.12 -0.02 -0.07 0.05 0.10 0.13 0.07 0.31
T
15 Lag PAC 13 14 15 16 17 18 19 20 21 22 23 24
4.32 0.49 -1.34 -1.44 -0.94 -0.17 -0.55 0.38 0.76 0.99 0.56 2.40
-0.35 -0.10 0.05 0.04 0.01 -0.01 -0.12 -0.10 -0.15 -0.06 0.14 -0.01
T
25
35
Lag PAC 25 26 27 28 29 30 31 32 33 34 35 36
-2.72 -0.81 0.38 0.31 0.05 -0.10 -0.92 -0.76 -1.13 -0.47 1.08 -0.11
-0.01 0.08 -0.19 -0.15 0.00 0.03 0.08 -0.03 -0.04 0.05 -0.05 0.12
T
45
Lag PAC 37 38 39 40 41 42 43 44 45 46 47 48
-0.07 0.66 -1.47 -1.14 0.03 0.20 0.60 -0.21 -0.33 0.35 -0.35 0.89
-0.23 0.10 0.03 -0.04 -0.03 -0.04 -0.03 -0.05 -0.02 -0.04 0.06 -0.13
T -1.81 0.78 0.26 -0.35 -0.26 -0.34 -0.24 -0.42 -0.15 -0.30 0.43 -1.03
55 Lag PAC 49 50 51 52 53 54 55 56 57 58
0.05 -0.07 0.09 0.04 -0.03 -0.01 0.03 -0.00 0.06 -0.02
T 0.38 -0.56 0.73 0.30 -0.27 -0.09 0.25 -0.02 0.48 -0.19
Lampiran 17. Residual Plot Model Regresi Permintaan Oranges dari China Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals UCL=1360902
1000000
Residual
Residual
1000000
0
0
Mean=3,57E-10
-1000000
-1000000
LCL=-1360902
-2
-1
0
1
0
2
20
30
40
Normal Score
Observation Number
Histogram of Residuals
Residuals v s. Fits
50
1000000
Residual
10
Frequency
10
5
0
-1000000 0 -1000000
0
Residual
1000000
0
1000000 2000000 3000000 4000000
Fit
133
Lampiran 18. Output Analisis Regresi Permintaan Oranges dari China The regression equation is Q_cin = 4320589 - 235 e - 1258136 p_china + 0,0084 Qj - 19 Pj + 0,518 lag_Q + 752452 jan - 1930980 feb - 374896 mar - 1456937 apr 1669814 mei - 1256138 jun - 1145835 jul - 1157764 ags - 1005926 sep - 1233881 okt - 591413 nov Predictor Constant e p_china Qj Pj lag_Q jan feb mar apr mei jun jul ags sep okt nov
Coef 4320589 -235,4 -1258136 0,00844 -18,6 0,5183 752452 -1930980 -374896 -1456937 -1669814 -1256138 -1145835 -1157764 -1005926 -1233881 -591413
S = 563289
SE Coef 2682328 193,5 589016 0,03224 145,2 0,1501 441639 539149 401275 430735 466127 444326 456733 445759 447037 421283 413062
R-Sq = 83,1%
T 1,61 -1,22 -2,14 0,26 -0,13 3,45 1,70 -3,58 -0,93 -3,38 -3,58 -2,83 -2,51 -2,60 -2,25 -2,93 -1,43
P 0,117 0,233 0,041 0,795 0,899 0,002 0,098 0,001 0,357 0,002 0,001 0,008 0,018 0,014 0,032 0,006 0,162
VIF 1,8 2,1 3,1 2,0 4,1 2,3 3,4 1,9 2,1 2,5 2,3 2,4 2,3 2,3 2,1 2,0
R-Sq(adj) = 74,4%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,83680E+13 3,02300E+12 31 9,83612E+12 3,17294E+11 47 5,82042E+13
F 9,53
P 0,000
Durbin-Watson statistic = 2,19
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1000000
0
1000000
RESI1 Average: 0,0000000 StDev: 457470 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,070 D-: 0,072 D : 0,072 Approximate P-Value > 0.15
134
Lampiran 19. Analisis Winters' Multiplicative Model untuk Peramalan Permintaan Data Length NMissing
Vol_Austr 60,0000 0
Smoothing Constants Alpha (level): 0,700 Gamma (trend): 0,005 Delta (seasonal): 0,005 Accuracy Measures MAPE: 53 MAD: 120317 MSD: 3,43E+10 Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 222748 110797 119139 57303 125262 518814
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 614177 797963 614319 680329 629250 291236
Lampiran 20. Perkembangan Harga Oranges Impor dari Australia Tahun 2001-2005 1
0,9
0,8
0,7
US$
0,6 harga oranges Australia rata-rata harga Australia rata-rata harga pasar
0,5
0,4
0,3
0,2
0,1
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Lampiran 21. Residual Plot Model Regresi Permintaan Oranges dari Australia Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals 2
1
UCL=1,512
Residual
Residual
1
0
4 4
0
Mean=-6,3E-16 4
44
4
-1 LCL=-1,512
-1
-2 -2
-1
0
1
0
2
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits 1
Residual
10
Frequency
10
5
0
-1
0 -1
0
Residual
1
10
11
12
13
14
Fit
135
Lampiran 22. Output Analisis Regresi Permintaan Oranges dari Australia The regression equation is ln_Qaus = - 26,5 + 2,55 ln_eusd + 0,103 ln_Paus + 0,334 ln_Qj + 0,628 ln_Pj + 0,357 ln_lagQ - 0,270 feb - 0,176 mar - 1,01 apr + 0,212 mei + 1,50 jun + 0,917 jul + 1,20 ags + 0,985 sep + 1,05 okt + 1,25 nov + 0,295 des Predictor Constant ln_eusd ln_Paus ln_Qj ln_Pj ln_lagQ feb mar apr mei jun jul ags sep okt nov des
Coef -26,52 2,547 0,1031 0,3337 0,6280 0,3572 -0,2701 -0,1761 -1,0110 0,2120 1,4995 0,9169 1,1958 0,9849 1,0462 1,2544 0,2945
S = 0,5486
SE Coef 22,79 1,728 0,2681 0,3343 0,8114 0,1720 0,3987 0,4267 0,4513 0,5054 0,4641 0,4635 0,4727 0,4641 0,4189 0,4307 0,4283
R-Sq = 84,5%
T -1,16 1,47 0,38 1,00 0,77 2,08 -0,68 -0,41 -2,24 0,42 3,23 1,98 2,53 2,12 2,50 2,91 0,69
P 0,254 0,150 0,703 0,326 0,445 0,046 0,503 0,683 0,032 0,678 0,003 0,057 0,017 0,042 0,018 0,007 0,497
VIF 1,8 1,6 3,4 2,4 5,9 1,9 2,2 2,5 3,1 2,6 2,6 2,7 2,6 2,1 2,3 2,2
R-Sq(adj) = 76,4%
Analysis of Variance Source Regression Residual Error Total
DF 16 31 47
SS 50,6961 9,3285 60,0245
MS 3,1685 0,3009
F 10,53
P 0,000
Durbin-Watson statistic = 2,24
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -1
0
1
RESI1 Average: -0,0000000 StDev: 0,445509 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,067 D-: 0,053 D : 0,067 Approximate P-Value > 0.15
136
Lampiran
23. Output Analisis SARIMA Permintaan Oranges dari USA
)(3,1,0)12
(0,0,0
Peramalan
Estimates at each iteration Iteration SSE Parameters 0 1101493397583 0.100 0.100 0.100 1 954146420817 -0.050 0.003 0.061 2 829000350406 -0.200 -0.107 0.010 3 724007572010 -0.350 -0.227 -0.050 4 637187391889 -0.500 -0.357 -0.121 5 565629170049 -0.650 -0.498 -0.207 6 506575248103 -0.791 -0.648 -0.310 7 450744639617 -0.912 -0.798 -0.430 8 376740762873 -1.017 -0.948 -0.580 9 286414962976 -1.091 -1.056 -0.730 10 186154094540 -1.136 -1.112 -0.880 11 137475810291 -1.087 -1.074 -1.010 12 134725708384 -1.029 -1.019 -0.994 13 134717669989 -1.026 -1.017 -0.993 14 134717653996 -1.026 -1.017 -0.993 Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type Coef SE Coef SAR 12 -1.0262 0.0692 SAR 24 -1.0166 0.0761 SAR 36 -0.9927 0.0698
T -14.84 -13.35 -14.23
P 0.000 0.000 0.000
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 134361248347 (backforecasts excluded) MS = 2985805519 DF = 45 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 23.6 23.6 23.7 * DF 9 21 33 * P-Value 0.005 0.313 0.882 * Forecasts from period 60 Period Forecast Period 61 38553 67 62 13008 68 63 60271 69 64 83193 70 65 225594 71 66 106840 72
Forecast 317421 269372 43265 75078 163280 40298 Partial Autocorrelation
Autocorrelation
Autocorrelation Function for Vol_US 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 5
15
25
35
45
Partial Autocorrelation Function for Vol_US 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0
55
15
25
35
45
55
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
L BQ
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
1
0 .4 4
3 .3 9
1 2 .0 5
13
0 .2 0
0 .9 8
5 1 .8 4
25
0 .0 6
0 .2 7
6 6 .1 0
37
0 .0 2
0 .1 0
9 7 .4 2
49
0 .0 8
0 .3 5 1 1 6 .4 2
1
0 .4 4
3 .3 9
13
-0 .1 3
-1 .0 2
25
-0 .0 6
-0 .4 8
37
-0 .0 7
-0 .5 4
49
-0 .0 0
-0 .0 0
2
0 .0 0
0 .0 0
1 2 .0 5
14
0 .1 2
0 .6 0
5 3 .0 4
2 6 -0 .1 2
-0 .5 7
6 7 .7 5
3 8 -0 .1 0 -0 .4 2
9 9 .0 2
50
0 .0 2
0 .0 7 1 1 6 .5 2
2
-0 .2 4
-1 .8 3
14
-0 .0 9
-0 .7 3
26
-0 .1 0
-0 .7 9
38
-0 .0 3
-0 .2 5
50
0 .0 3
0 .2 0
3
0 .0 1
0 .0 5
1 2 .0 5
15
0 .0 5
0 .2 6
5 3 .2 8
2 7 -0 .2 0
-0 .9 1
7 2 .1 4
3 9 -0 .0 6 -0 .2 7
9 9 .7 2
5 1 -0 .0 0 -0 .0 2 1 1 6 .5 2
3
0 .1 5
1 .1 3
15
0 .0 0
0 .0 0
27
-0 .0 3
-0 .2 5
39
-0 .0 1
-0 .0 7
51
-0 .0 3
-0 .2 4
4 -0 .1 8 -1 .1 8
1 4 .1 7
16
-0 .0 7 -0 .3 6
5 3 .7 4
2 8 -0 .1 2
-0 .5 4
7 3 .7 9
4 0 -0 .0 8 -0 .3 3 1 0 0 .8 3
52
0 .0 2
0 .1 0 1 1 6 .7 9
4
-0 .3 3
-2 .5 5
16
-0 .1 9
-1 .4 9
28
-0 .0 8
-0 .5 9
40
0 .0 5
0 .4 3
52
5 -0 .3 4 -2 .1 9
2 2 .0 2
17
-0 .0 8 -0 .3 9
5 4 .3 0
2 9 -0 .1 0
-0 .4 4
7 4 .9 1
4 1 -0 .1 1 -0 .4 7 1 0 3 .1 9
53
0 .0 0
0 .0 1 1 1 6 .7 9
5
-0 .1 2
-0 .9 5
17
0 .3 7
29
0 .0 7
0 .5 5
41
-0 .0 4
-0 .2 8
53
0 .0 1
0 .0 8
6 -0 .3 1 -1 .8 3
2 8 .5 0
18
0 .1 1
5 4 .3 5
3 0 -0 .1 4
-0 .6 5
7 7 .4 6
4 2 -0 .0 9 -0 .3 7 1 0 4 .7 7
5 4 -0 .0 3 -0 .1 1 1 1 7 .2 4
6
-0 .1 9
-1 .4 6
18
0 .0 0
0 .0 2
30
-0 .1 6
-1 .2 3
42
0 .0 8
0 .6 4
54
-0 .0 3
-0 .2 3
7 -0 .2 2 -1 .2 2
3 1 .7 7
19
-0 .1 7 -0 .8 1
5 6 .8 7
3 1 -0 .0 7
-0 .3 0
7 8 .0 4
4 3 -0 .0 8 -0 .3 3 1 0 6 .1 2
5 5 -0 .0 4 -0 .1 5 1 1 8 .1 6
7
-0 .0 7
-0 .5 4
19
-0 .2 0
-1 .5 2
31
-0 .0 2
-0 .1 3
43
-0 .0 5
-0 .3 5
55
0 .0 4
0 .2 9
8 -0 .2 5 -1 .3 8
3 6 .2 3
20
-0 .1 4 -0 .6 8
5 8 .7 2
3 2 -0 .0 0
-0 .0 1
7 8 .0 4
4 4 -0 .0 6 -0 .2 7 1 0 7 .0 7
5 6 -0 .0 2 -0 .0 9 1 1 8 .6 4
8
-0 .2 8
-2 .1 9
20
0 .1 2
0 .8 9
32
-0 .0 3
-0 .2 6
44
-0 .0 4
-0 .3 5
56
-0 .0 1
-0 .0 8
9 -0 .2 5 -1 .3 6
0 .0 2
T
5
Lag
0 .0 5
0 .0 6
0 .4 8
4 0 .9 3
21
0 .0 5
0 .2 6
5 9 .0 0
33
0 .1 3
0 .6 0
8 0 .5 4
4 5 -0 .0 3 -0 .1 1 1 0 7 .2 5
5 7 -0 .0 1 -0 .0 5 1 1 8 .8 5
9
-0 .2 2
-1 .7 1
21
-0 .0 5
-0 .4 2
33
0 .0 7
0 .5 6
45
-0 .0 5
-0 .4 0
57
-0 .0 3
-0 .2 0
10
0 .0 8
0 .4 1
4 1 .3 8
22
0 .0 7
0 .3 2
5 9 .4 3
34
0 .2 1
0 .9 4
8 6 .9 4
46
0 .0 5
0 .1 9 1 0 7 .8 1
5 8 -0 .0 2 -0 .0 8 1 1 9 .5 4
10
0 .1 2
0 .9 5
22
0 .0 9
0 .6 6
34
-0 .0 3
-0 .2 3
46
-0 .1 1
-0 .8 2
58
-0 .0 4
-0 .3 4
11
0 .2 4
1 .2 4
4 5 .7 4
23
0 .1 5
0 .7 2
6 1 .7 5
35
0 .1 9
0 .8 2
9 2 .1 5
47
0 .1 0
0 .4 2 1 1 0 .6 2
11
-0 .0 9
-0 .6 8
23
0 .1 4
1 .0 5
35
-0 .0 7
-0 .5 7
47
-0 .0 1
-0 .0 5
12
0 .2 0
1 .0 0
4 8 .7 5
24
0 .2 0
0 .9 2
6 5 .7 4
36
0 .1 8
0 .7 9
9 7 .3 3
48
0 .1 1
0 .4 4 1 1 4 .0 8
12
0 .0 4
0 .3 1
24
0 .0 6
0 .4 6
36
-0 .0 0
-0 .0 2
48
0 .0 7
0 .5 1
137
Lampiran 24. Perkembangan Harga Oranges Impor dari USA Tahun 20012005 1,2
1
0,8
harga oranges USA rata-rata harga USA raa-rata pasar
0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 05
m ei _0 5
ja n_ 05 m ar _0 5
ju l_ 04 se p_ 04 no v_ 04
m ei _0 4
ja n_ 04 m ar _0 4
ju l_ 03 se p_ 03 no v_ 03
m ei _0 3
ja n_ 03 m ar _0 3
ju l_ 02 se p_ 02 no v_ 02
m ei _0 2
ja n_ 02 m ar _0 2
ju l_ 01 se p_ 01 no v_ 01
m ei _0 1
ja n_ 01 m ar _0 1
0
Lampiran 25. Residual Plot Model Regresi Permintaan Oranges dari USA Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals
5
UCL=6,472
Residual
Residual
5
0
0
Mean=-9,1E-15
-5 -5
LCL=-6,472
-2
-1
0
1
0
2
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits 5
Residual
10
Frequency
10
5
0
-5
0 -6 -5 -4 -3 -2 -1 0
1
2
3
4
0
Residual
5
10
15
Fit
Lampiran 26. Output Analisis Regresi Permintaan Oranges dari USA The regression equation is ln_Qus = 160 - 10,3 ln_e - 7,48 ln_Pus - 3,12 ln_Qj - 1,41 ln_Pj + 0,296 ln_LagQ + 0,63 feb + 0,67 mar + 0,35 apr + 2,24 mei + 2,54 jun + 3,10 jul + 1,02 ags - 1,53 sep - 0,30 okt - 1,47 nov + 1,74 des Predictor Constant ln_e ln_Pus ln_Qj ln_Pj ln_LagQ feb mar apr mei jun jul ags sep okt nov des S = 2,721
Coef 159,8 -10,301 -7,475 -3,120 -1,411 0,2961 0,625 0,672 0,348 2,244 2,538 3,101 1,022 -1,525 -0,300 -1,466 1,741
SE Coef 110,9 8,061 2,107 1,645 4,086 0,1454 1,933 1,926 1,945 2,003 2,118 2,320 2,312 2,205 2,187 2,064 1,975
R-Sq = 64,2%
T 1,44 -1,28 -3,55 -1,90 -0,35 2,04 0,32 0,35 0,18 1,12 1,20 1,34 0,44 -0,69 -0,14 -0,71 0,88
P 0,160 0,211 0,001 0,067 0,732 0,050 0,748 0,730 0,859 0,271 0,240 0,191 0,661 0,494 0,892 0,483 0,385
VIF 1,6 1,4 3,4 2,4 1,8 1,9 1,8 1,9 2,0 2,2 2,7 2,6 2,4 2,4 2,1 1,9
R-Sq(adj) = 45,7%
138
Analysis of Variance Source Regression Residual Error Total
DF 16 31 47
SS 410,761 229,441 640,202
MS 25,673 7,401
F 3,47
P 0,001
Durbin-Watson statistic = 2,19
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -6
-5
-4
-3
-2
-1
0
1
2
3
4
RESI1 Average: -0,0000000 StDev: 2,20946 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,061 D-: 0,073 D : 0,073 Approximate P-Value > 0.15
Lampiran 27. Total Volume Impor Mandarin Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg) Tahun 2001 2002 2003 2004 2005 Rata-Rata
China 21.978.442 22.220.776 21.834.688 22.450.335 35.212.966 24.739.441
Pakistan 28.284.227 17.611.929 9.075.073 14.226.923 6.673.746 15.174.380
Australia 5.726.263 6.151.594 2.231.297 3.513.417 2.626.321 4.049.778
Brazil 3.337.144 3.567.486 959.618 1.020.917 978.280 1.972.689
Argentina 276.538 160.439 180.679 465.755 2.038.401 624.362
Sumber: BPS, 2001 – 2005
Lampiran 28. Perkembangan Harga Mandarin Impor dari China Tahun 20012005 1,2
1
harga mandarin China harga rata-rata China rata-rata pasar
0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
0
ja n_ 01 m ar _0 1 m ei _0 1
US$
0,8
Bulan
139
Lampiran
29.
Data Length NMissing
Output Analisis Winters' multiplicative model Peramalan Permintaan Mandarin dari China
untuk
Vol_China 60,0000 0
Smoothing Constants Alpha (level): 0,55 Gamma (trend): 0,15 Delta (seasonal): 0,05 Accuracy Measures MAPE: 7242950 MAD: 1105075 MSD: 2,96E+12 Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 6275940 7354333 9684358 5180991 1173413 630619
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 1288186 350676 222877 501358 3072276 8319109
Lampiran 30. Residual Plot Model Regresi Permintaan Mandarin dari China Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals 4000000
1
3000000
Residual
2000000 1000000 0 -1000000
0
Mean=-3,8E-10
-2000000 5
-2000000
LCL=-3044325
-4000000 -2
-1
0
1
0
2
10
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits 3000000
10
2000000
Residual
Frequency
Residual
UCL=3044325
5
2000000
5
1000000 0 -1000000 -2000000
0 -2000000
0
2000000
Residual
4000000
0
2000000
4000000
6000000
Fit
140
Lampiran 31. Ouput Analisis Regresi Permintaan Mandarin dari China The regression equation is Q_cin = 8453822 - 732 e - 1009816 P_cin + 0,0633 Qj + 81 Pj + 0,331 Lag_Q + 1685952 feb - 2155779 mar - 2130687 apr - 2021301 mei - 1615260 jun - 2593046 jul - 2457887 ags - 2167938 sep - 551958 okt + 1302406 nov - 87265 des Predictor Constant e P_cin Qj Pj Lag_Q feb mar apr mei jun jul ags sep okt nov des
Coef 8453822 -731,7 -1009816 0,06326 80,6 0,3311 1685952 -2155779 -2130687 -2021301 -1615260 -2593046 -2457887 -2167938 -551958 1302406 -87265
S = 1408975
SE Coef 6296751 454,5 1351769 0,09620 433,9 0,1549 1026664 999124 1178443 1286533 1366521 1434936 1554781 1381957 1267738 1135646 1053885
R-Sq = 68,8%
T 1,34 -1,61 -0,75 0,66 0,19 2,14 1,64 -2,16 -1,81 -1,57 -1,18 -1,81 -1,58 -1,57 -0,44 1,15 -0,08
P 0,189 0,118 0,461 0,516 0,854 0,041 0,111 0,039 0,080 0,126 0,246 0,080 0,124 0,127 0,666 0,260 0,935
VIF 1,6 1,8 4,4 2,8 2,9 1,9 1,8 2,6 3,1 3,4 3,8 4,5 3,5 3,0 2,4 2,1
R-Sq(adj) = 52,7%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 1,35890E+14 8,49312E+12 31 6,15415E+13 1,98521E+12 47 1,97431E+14
F 4,28
P 0,000
Durbin-Watson statistic = 2,09
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000000
0
2000000
RESI1 Average: 0,0000000 StDev: 1264176 N: 48
Kolmogorov-Smirnov Normality Test D+: 0,089 D-: 0,117 D : 0,117 Approximate P-Value: 0,096
141
Lampiran 32. Output Analisis SARIMA (1,0,0) (0,1,1) untuk Peramalan Permintaan Mandarin dari Pakistan ARIMA model for Vol_Pakistan Estimates at each iteration Iteration SSE Parameters 0 156450065611164 0.100 0.100 1 129521663185627 0.250 0.155 2 107628759513569 0.400 0.250 3 90737420606243 0.525 0.400 4 80306860007220 0.586 0.550 5 72194480835641 0.625 0.700 6 67349238430697 0.656 0.850 7 67026804127605 0.689 0.858 8 66953884108011 0.705 0.852 9 66935857492651 0.713 0.854 10 66931416736484 0.717 0.853 11 66930227490627 0.719 0.853 12 66929955472422 0.720 0.853 13 66929877289997 0.720 0.853 Relative change in each estimate less than
0.0010
Final Estimates of Parameters Type Coef SE Coef AR 1 0.7204 0.1123 SMA 12 0.8530 0.1377
P 0.000 0.000
T 6.41 6.19
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 54161979295967 (backforecasts excluded) MS = 1177434332521 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11.8 17.2 28.0 * DF 10 22 34 * P-Value 0.296 0.754 0.755 * Forecasts from period 60 Period 61 62 63 64 65 66
Forecast 1889694 1326747 2610778 2678031 1229280 218891
Period 67 68 69 70 71 72
Forecast 904895 435758 254498 341013 598107 1544848
Partial Autocorrelation
Autocorrelation
Autocorrelation Function for Vol_Pakistan 1 .0 0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
5
15
25
35
45 T
Partial Autocorrelation Function for Vol_Pakistan 1 .0 0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
5
55 Co rr
T
15
25
35
45
55
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
L BQ
Lag
L BQ
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
1
0 .6 5
5 .0 5
2 6 .8 1
13
0 .1 3
0 .6 5
5 1 .6 3
25
0 .0 8
0 .3 7
6 8 .2 4
37
0 .1 5
0 .6 4 1 0 6 .9 0
49
-0 .0 3 -0 .1 4 1 2 8 .1 5
1
0 .6 5
5 .0 5
13
-0 .0 6
-0 .4 8
25
-0 .0 4
-0 .3 0
37
-0 .1 7
-1 .3 1
49
0 .0 2
0 .1 3
2
0 .3 8
2 .1 5
3 5 .9 7
14
0 .1 7
0 .8 2
5 3 .9 6
2 6 -0 .0 4 -0 .1 7
6 8 .3 9
38
0 .0 9
0 .3 6 1 0 8 .1 6
50
-0 .0 4 -0 .1 5 1 2 8 .6 6
3
0 .1 7
0 .8 7
3 7 .7 5
15
0 .1 9
0 .9 0
5 6 .9 3
2 7 -0 .1 3 -0 .5 8
7 0 .2 8
3 9 -0 .0 1 -0 .0 3 1 0 8 .1 7
51
-0 .0 5 -0 .2 2 1 2 9 .8 8
2 3
-0 .0 8 -0 .0 8
-0 .6 3 -0 .6 5
14 15
0 .1 0 0 .1 5
0 .8 1 1 .1 5
26 27
-0 .1 2 -0 .0 7
-0 .9 3 -0 .5 7
38 39
-0 .0 3 0 .0 5
-0 .2 1 0 .3 8
50 51
-0 .1 4 0 .0 0
-1 .0 8 0 .0 1
4 -0 .1 1 -0 .5 6
3 8 .5 1
16
0 .0 8
0 .3 6
5 7 .4 3
2 8 -0 .1 6 -0 .7 1
7 3 .1 8
4 0 -0 .1 2 -0 .4 9 1 1 0 .8 4
52
-0 .0 7 -0 .2 8 1 3 2 .1 0
4
-0 .2 8
-2 .1 6
16
-0 .1 5
-1 .1 6
28
0 .1 2
40
-0 .0 1
-0 .0 5
52
0 .0 9
0 .7 2
5 -0 .2 2 -1 .1 7
4 1 .9 3
1 7 -0 .0 5 -0 .2 3
5 7 .6 4
2 9 -0 .1 8 -0 .7 9
7 6 .9 8
4 1 -0 .1 6 -0 .6 8 1 1 6 .1 4
53
-0 .1 0 -0 .4 0 1 3 7 .4 1
5
-0 .0 1
-0 .1 2
17
-0 .1 9
-1 .4 5
29
0 .0 0
0 .0 0
41
0 .0 4
0 .3 2
53
-0 .0 3
-0 .2 7
6 -0 .2 0 -1 .0 3
4 4 .7 4
1 8 -0 .0 2 -0 .0 9
5 7 .6 7
3 0 -0 .1 9 -0 .8 5
8 1 .5 7
4 2 -0 .1 5 -0 .6 1 1 2 0 .7 1
54
-0 .1 0 -0 .3 9 1 4 3 .2 2
6
0 .0 8
0 .5 8
18
0 .2 1
1 .6 6
30
-0 .1 1
-0 .8 4
42
-0 .0 7
-0 .5 5
54
-0 .0 8
-0 .6 4
7 -0 .1 6 -0 .8 0
4 6 .5 2
1 9 -0 .1 4 -0 .6 4
5 9 .3 5
3 1 -0 .1 9 -0 .8 2
8 6 .1 4
4 3 -0 .1 3 -0 .5 3 1 2 4 .4 3
55
-0 .1 3 -0 .5 1 1 5 5 .4 1
7
0 .0 1
0 .0 8
19
-0 .0 9
-0 .6 8
31
-0 .1 0
-0 .7 5
43
-0 .0 6
-0 .4 4
55
-0 .0 1
-0 .0 5
8 -0 .1 4 -0 .7 0
4 7 .9 5
2 0 -0 .0 5 -0 .2 2
5 9 .5 5
3 2 -0 .1 1 -0 .4 8
8 7 .8 3
4 4 -0 .1 0 -0 .3 9 1 2 6 .5 7
56
-0 .1 2 -0 .4 8 1 6 8 .7 7
32
0 .6 3
44
0 .5 5
56
-0 .1 4
-1 .0 9
0 .0 1
T
8
-0 .1 2
-0 .9 3
20
0 .2 8
2 .1 3
4 8 .7 6
21
0 .0 9
0 .4 2
6 0 .3 4
3 3 -0 .0 5 -0 .2 0
8 8 .1 2
4 5 -0 .0 6 -0 .2 4 1 2 7 .4 4
57
-0 .0 8 -0 .3 2 1 7 7 .0 9
9
-0 .0 6
-0 .4 7
21
-0 .0 4
-0 .3 0
33
0 .1 0
45
0 .0 1
0 .0 4
57
-0 .0 5
-0 .4 0
4 8 .7 7
22
0 .1 6
0 .7 6
6 2 .9 8
34
0 .0 2
0 .0 8
8 8 .1 7
4 6 -0 .0 3 -0 .1 2 1 2 7 .6 6
58
-0 .0 5 -0 .1 9 1 8 1 .5 4
10
0 .9 2
22
0 .0 8
0 .6 3
34
0 .3 8
46
-0 .0 9
-0 .7 1
58
-0 .0 3
-0 .2 2
11
0 .0 7
0 .3 5
4 9 .1 7
23
0 .1 6
0 .7 4
6 5 .5 9
35
0 .1 5
0 .6 5
9 1 .5 5
47
0 .0 2
0 .0 7 1 2 7 .7 6
59
-0 .0 2 -0 .1 0 1 8 3 .8 1
11
0 .1 1
0 .8 3
23
-0 .0 9
-0 .6 9
35
0 .0 8
0 .6 3
47
-0 .0 1
-0 .0 5
59
0 .0 1
0 .1 0
12
0 .1 2
0 .5 7
5 0 .2 3
24
0 .1 4
0 .6 2
6 7 .5 2
36
0 .2 7
1 .1 6 1 0 3 .0 3
48
0 .0 1
0 .0 2 1 2 7 .7 7
12
-0 .0 0
-0 .0 3
24
0 .0 7
0 .5 2
36
-0 .0 3
-0 .2 3
48
-0 .0 2
-0 .1 8
9 -0 .1 1 -0 .5 2 1 0 -0 .0 1 -0 .0 6
0 .1 2
0 .0 8 0 .0 1 0 .0 5
0 .0 7
142
Lampiran 33. Perkembangan Harga Mandarin Impor dari Pakistan Tahun 2001-2005 1,2
1
US$
0,8
harga Mandarin Pakisatan harga rata-rata pakistan rata-rata pasar
0,6
0,4
0,2
0 1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
51
53
55
57
59
Bulan
Lampiran 34. Residual Plot Model Regresi Permintaan Mandarin dari Pakistan Residual Model Diagnostics I Chart of Residuals
3000000
3000000
2000000
2000000
Residual
Residual
Normal Plot of Residuals
1000000 0 -1000000
1 UCL=2255893
5
1000000 0
Mean=7,28E-11
-1000000 -2000000
-2000000
LCL=-2255893
5
-2
-1
0
1
0
2
10
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
20
3000000
Residual
Frequency
2000000
10
1000000 0 -1000000 -2000000
0 -2000000 -1500000 -1000000 -5000000 500000 1000000 1500000 2000000 2500000
0
Residual
10000002000000300000040000005000000
Fit
Lampiran 35. Output Analisis Regresi Permintaan Mandarin dari Pakistan The regression equation is Q_pak = 1377513 - 157 e - 76796 P_pak + 0,0237 Qj + 121 Pj + 0,577 Lag_Q + 1094386 feb + 795916 mar - 1044365 apr - 1363611 mei + 45074 jun - 1253963 jul - 1105188 ags - 878470 sep - 652284 okt + 192971 nov + 635201 des Predictor Constant e P_pak Qj Pj Lag_Q feb mar apr mei jun jul ags
Coef 1377513 -157,5 -76796 0,02375 120,9 0,5775 1094386 795916 -1044365 -1363611 45074 -1253963 -1105188
SE Coef 2922611 371,3 1001029 0,06237 283,3 0,1303 818232 815484 864328 952916 1068219 1105657 1152256
T 0,47 -0,42 -0,08 0,38 0,43 4,43 1,34 0,98 -1,21 -1,43 0,04 -1,13 -0,96
P 0,641 0,674 0,939 0,706 0,673 0,000 0,191 0,337 0,236 0,162 0,967 0,265 0,345
VIF 1,6 1,7 2,7 1,8 2,0 1,9 1,8 2,1 2,5 3,2 3,4 3,7
143
sep okt nov des
-878470 -652284 192971 635201
S = 1149935
1096005 997366 921219 896588
R-Sq = 69,4%
-0,80 -0,65 0,21 0,71
0,429 0,518 0,835 0,484
3,3 2,8 2,4 2,2
R-Sq(adj) = 53,5%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 9,27717E+13 5,79823E+12 31 4,09928E+13 1,32235E+12 47 1,33765E+14
F 4,38
P 0,000
Durbin-Watson statistic = 1,79
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2000000
-1000000
0
1000000
2000000
RESI1 Average: 0,0000000
Kolmogorov-Smirnov Normality Test
StDev: 961809 N: 48
D+: 0,093 D-: 0,095 D : 0,095 Approximate P-Value > 0.15
Lampiran 36. Output Analisis Model Dekomposisi Multiplikatif untuk Peramalan Permintaan Mandarin dari Australia Data Length NMissing
Vol_Australi 60,0000 0
Trend Line Equation Yt = 476309 - 4840,73*t Accuracy of Model MAPE: MAD: MSD:
183 144887 5,21E+10
Forecasts Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 6266 5802 87 3951 128011 336980
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 266529 337686 160372 246528 191149 71165
144
Lampiran 37. Perkembangan Harga Mandarin Impor dari Australia Tahun 2001-2005 1,4
1,2
1
0,8 US$
harga mandarin Ausralia rata-rata harga Australia rata-rata pasar 0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 0 5
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 0 3 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Lampiran 38. Residual Plot Model Regresi Permintaan Mandarin dari Australia Residual Model Diagnostics I Chart of Residuals
Normal Plot of Residuals
1
600000
UCL=570129
500000
Residual
Residual
400000 200000 0
0
Mean=-7,1E-11
-200000 -500000
LCL=-570129
-400000 -2
-1
0
1
0
2
10
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
15
600000 400000
10
Residual
Frequency
20
5
200000 0 -200000
0
-400000 -400000 -300000 -200000 -1000000100000 200000 300000 400000 500000 600000
0
Residual
500000
1000000
Fit
Lampiran 39. Output Analisis Regresi Permintaan Mandarin dari Australia The regression equation is Q_aus = 708485 - 53,2 e - 89206 P_aus - 0,0378 Qj + 9,5 Pj + 0,355 lag_vol + 53275 feb + 62919 mar + 86259 apr + 347910 mei + 649719 jun + 606207 jul + 957967 ags + 393605 sep + 523299 okt + 262696 nov + 49567 des Predictor Constant e P_aus Qj Pj lag_vol feb mar apr mei jun jul ags sep okt nov des
Coef 708485 -53,21 -89206 -0,03779 9,49 0,3546 53275 62919 86259 347910 649719 606207 957967 393605 523299 262696 49567
SE Coef 1061371 75,63 80175 0,01657 69,45 0,1503 171083 171917 171143 174359 183950 228601 226212 218343 174292 179438 176714
T 0,67 -0,70 -1,11 -2,28 0,14 2,36 0,31 0,37 0,50 2,00 3,53 2,65 4,23 1,80 3,00 1,46 0,28
P 0,509 0,487 0,274 0,030 0,892 0,025 0,758 0,717 0,618 0,055 0,001 0,013 0,000 0,081 0,005 0,153 0,781
VIF 1,5 1,1 4,5 2,5 2,3 1,9 1,9 1,9 2,0 2,2 3,4 3,3 3,1 2,0 2,1 2,0
145
S = 238556
R-Sq = 70,3%
R-Sq(adj) = 55,0%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,17833E+12 2,61146E+11 31 1,76417E+12 56908785363 47 5,94250E+12
F 4,59
P 0,000
Durbin-Watson statistic = 2,32
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -400000
-200000
0
200000
400000
600000
RESI1 Average: -0,0000000 StDev: 193741 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,120 D-: 0,085 D : 0,120 Approximate P-Value: 0,085
Lampiran 40. Total Volume Impor Anggur Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg) Tahun 2001 2002 2003 2004 2005 Rata-Rata
Australia 4443720 7337749 3907453 10546876 7796031 6806366
Serikat Amerika 4828342 7240585 7430552 11605121 10938569 8408634
China 93818 419950 455232 1445495 583556 599610
Chile 375443 274455 826439 2168884 1887776 1106599
Afrika Selatan 311758 280335 765709 1473516 902141 746692
Sumber: BPS, 2001 – 2005 Lampiran 41. Perkembangan Harga Anggur Impor dari Australia Tahun 2001-2005 4,5
4
3,5
3
2,5 US$
harga anggur Australia rata-rata harga Australia rata-rata pasar
2
1,5
1
0,5
ju l_ 05 se p _0 5 no v_ 05
ja n_ 0 5 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 0 4 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 0 3 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 0 2 se p _0 2 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p _0 1 no v_ 01
ja n_ 0 1 m ar _ 01 m ei _0 1
0
Bulan
146
Lampiran 42. Output Analisis Model Dekomposisi Multiplikatif untuk Peramalan Permintaan Anggur dari Australia Data Length NMissing
Vol_australi 60,0000 0
Trend Line Equation Yt = 431739 + 4441,25*t Accuracy of Model MAPE: MAD: MSD:
5552 279039 1,94E+11
Forecasts Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 55416 573637 1237536 1016911 2045506 1852171
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 812082 406705 342126 34772 263154 19137
Lampiran 43. Residual Model Regresi Permintaan Anggur dari Australia Residual Model Diagnostics I Chart of Residuals 5
4 3 2 1 0 -1 -2 -3 -4 -5
1 1 UCL=3,287
Residual
Residual
Normal Plot of Residuals
0
Mean=1,15E-15
5
-5 -2
-1
0
1
0
2
10
Histogram of Residuals
Residual
Frequency
10
5
0 -2 -1
0
Residual
1
30
40
50
Residuals v s. Fits
15
-4 -3
20
Observation Number
Normal Score
-5
LCL=-3,287
1
2
3
4
4 3 2 1 0 -1 -2 -3 -4 -5 5
10
15
Fit
147
Lampiran 44. Output Analisis Regresi Permintaan Anggur dari Australia The regression equation is ln_Qaust = 110 - 11,4 ln_eusd - 3,50 ln_Paust - 0,007 ln_Qm + 0,245 ln_Pm + 0,163 Ln_lagQ + 3,53 feb + 4,78 mar + 3,64 apr + 3,87 mei + 2,50 jun + 1,97 jul + 0,60 ags + 0,43 sep - 1,91 okt + 1,30 nov - 0,75 des Predictor Constant ln_eusd ln_Paust ln_Qm ln_Pm Ln_lagQ feb mar apr mei jun jul ags sep okt nov des
Coef 110,35 -11,351 -3,504 -0,0066 0,2445 0,1629 3,531 4,784 3,641 3,871 2,497 1,969 0,599 0,434 -1,908 1,300 -0,746
S = 1,768
SE Coef 45,41 4,881 1,044 0,1208 0,1202 0,1630 1,421 2,053 1,745 1,581 1,517 1,552 1,516 1,381 1,449 1,368 1,383
R-Sq = 77,5%
T 2,43 -2,33 -3,36 -0,05 2,03 1,00 2,49 2,33 2,09 2,45 1,65 1,27 0,40 0,31 -1,32 0,95 -0,54
P 0,021 0,027 0,002 0,957 0,051 0,326 0,019 0,026 0,045 0,020 0,110 0,214 0,695 0,755 0,198 0,349 0,594
VIF 1,4 2,0 4,2 3,0 3,7 2,4 4,9 3,6 2,9 2,7 2,8 2,7 2,2 2,5 2,2 2,2
R-Sq(adj) = 65,8%
Analysis of Variance Source Regression Residual Error Total
DF 16 31 47
SS 333,120 96,928 430,048
MS 20,820 3,127
F 6,66
P 0,000
Durbin-Watson statistic = 1,26
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -5
-4
-3
-2
-1
0
1
2
3
4
RESI1 Average: 0,0000000 StDev: 1,43607 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,118 D-: 0,110 D : 0,118 Approximate P-Value: 0,090
148
Lampiran 45. Output Analisis Dekomposisi Multiplikatif untuk Peramalan Permintaan Anggur dari USA Data Length NMissing
Vol_Usa 60,0000 0
Trend Line Equation Yt = 146011 + 18187,2*t Accuracy of Model MAPE: MAD: MSD:
2130 228759 1,60E+11
Forecasts Row Period 1 61 2 62 3 63 4 64 5 65 6 66
FORE1 1378340 262949 180861 116725 165972 5093
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 173749 1038270 1748149 3398123 4131262 4283287
Lampiran 46. Perkembangan Harga Anggur Impor dari USA Tahun 20012005 2,5
2
1,5 US$
harga anggur USA rata-rata harga USA rata-rata pasar 1
0,5
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 04 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Lampiran 47. Residual Plot Model Regresi Permintaan Anggur dari USA
149
Residual Model Diagnostics I Chart of Residuals
Normal Plot of Residuals 4 3
UCL=3,002
2
Residual
Residual
2,0 1,5 1,0 0,5 0,0 -0,5 -1,0 -1,5 -2,0 -2,5
1 0
Mean=2,59E-15
-1 -2 -3
LCL=-3,002
-4 -2
-1
0
1
0
2
10
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
15
2,0 1,5
10
Residual
Frequency
20
5
0 -2,5 -2,0 -1,5 -1,0 -0,5 -0,0 0,5 1,0 1,5 2,0
1,0 0,5 0,0 -0,5 -1,0 -1,5 -2,0 -2,5 9
Residual
10
11
12
13
14
15
Fit
Lampiran 48. Output Analisis Regresi Pemintaan Angur dari USA The regression equation is Q_usa = - 1215276 + 155 e - 19353 P_usa - 0,0321 Qm - 55,0 Pm + 0,365 lag_Qusa - 164055 feb - 117035 mar - 63089 apr + 54543 mei + 189022 jun + 285162 jul + 723671 ags + 1095419 sep + 2250888 okt + 1880335 nov + 1741471 des Predictor Constant e P_usa Qm Pm lag_Qusa feb mar apr mei jun jul ags sep okt nov des
Coef -1215276 155,1 -19353 -0,03209 -55,01 0,3654 -164055 -117035 -63089 54543 189022 285162 723671 1095419 2250888 1880335 1741471
S = 455171
SE Coef 1283693 119,9 248407 0,02245 46,79 0,1454 384219 465490 451824 429310 423376 414578 411396 390975 478992 409927 393087
R-Sq = 86,6%
T -0,95 1,29 -0,08 -1,43 -1,18 2,51 -0,43 -0,25 -0,14 0,13 0,45 0,69 1,76 2,80 4,70 4,59 4,43
P 0,351 0,206 0,938 0,163 0,249 0,017 0,672 0,803 0,890 0,900 0,658 0,497 0,088 0,009 0,000 0,000 0,000
VIF 1,1 1,5 4,0 2,8 4,6 2,6 3,8 3,6 3,3 3,2 3,0 3,0 2,7 4,1 3,0 2,7
R-Sq(adj) = 79,6%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,13433E+13 2,58395E+12 31 6,42260E+12 2,07181E+11 47 4,77659E+13
F 12,47
P 0,000
Durbin-Watson statistic = 1,82
150
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -2,4
-1,8
-1,2
-0,6
0,0
0,6
1,2
1,8
RESI1 Average: 0,0000000 StDev: 0,939685 N: 46
Kolmogorov-Smirnov Normality T est D+: 0,094 D-: 0,115 D : 0,115 Approximate P-Value: 0,130
151
Lampiran 49. Output Analisis SARIMA (0,0,0) (0,1,1)12 untuk Peramalan Permintaan Anggur dari China Estimates at each iteration Iteration SSE Parameters 0 126563203801 0.100 1 117112692219 0.250 2 110771291541 0.400 3 107768522873 0.504 4 106344981432 0.566 5 105491102945 0.609 6 104973129260 0.641 7 104682198865 0.664 8 104534394469 0.679 9 104465816750 0.689 10 104436160434 0.695 11 104423978837 0.700 12 104419163914 0.702 13 104417321483 0.704 14 104416640181 0.705 15 104416399833 0.706 Relative change in each estimate less than
0.0010
Final Estimates of Parameters Type Coef SE Coef SMA 12 0.7055 0.1459
P 0.000
T 4.83
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 82142334780 (backforecasts excluded) MS = 1747709251 DF = 47 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 12.5 30.4 44.2 * DF 11 23 35 * P-Value 0.325 0.138 0.137 * Forecasts from period 60 Period Forecast Period 61 4857 67 62 6252 68 63 15844 69 64 6608 70 65 41261 71 66 11347 72
Forecast 8956 28391 58446 99142 160414 64409
Partial Autocorrelation
Autocorrelation Function for Vol_China 1 .0
Autocorrelation
0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
5 Lag
Co rr
T
L BQ
1
0 .4 1
3 .2 1
2
0 .1 3
0 .8 4
15
Lag
25
35
45
Partial Autocorrelation Function for Vol_China 1 .0 0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
5
55 T
L BQ
Lag
9 1 .1 1
4 9 -0 .0 0 -0 .0 2
9 7 .5 1
1
9 1 .6 3
5 0 -0 .0 2 -0 .0 8
9 7 .6 5
3 9 -0 .0 7 -0 .2 9
9 2 .4 5
5 1 -0 .0 3 -0 .1 5
9 8 .1 5
2 3
4 0 -0 .0 8 -0 .3 5
9 3 .7 1
5 2 -0 .0 5 -0 .1 9
9 9 .1 1
4
4 1 -0 .0 5 -0 .2 3 4 2 -0 .0 7 -0 .2 9
9 4 .2 9 9 5 .2 2
5 3 -0 .0 5 -0 .2 3 1 0 0 .6 5 5 4 -0 .0 6 -0 .2 6 1 0 3 .0 3
5 6
0 .1 6
4 3 -0 .0 5 -0 .2 0
9 5 .7 0
5 5 -0 .0 7 -0 .3 1 1 0 6 .8 3
7
-0 .3 3
8 8 .7 0
4 4 -0 .0 5 -0 .2 2
9 6 .3 0
5 6 -0 .0 7 -0 .2 9 1 1 1 .2 7
8
-0 .0 7
Co rr
T
L BQ
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
1 0 .8 5
1 3 0 .3 0
1 .5 2
5 7 .5 4
25
0 .0 8
0 .3 7
7 8 .6 4
37
0 .0 0
0 .0 0
1 1 .8 5
1 4 -0 .0 7 -0 .3 6
5 7 .9 8
26
0 .0 4
0 .1 7
7 8 .8 0
3 8 -0 .0 6 -0 .2 4
3 -0 .0 8 -0 .5 5
1 2 .3 0
1 5 -0 .0 9 -0 .4 5
5 8 .7 0
2 7 -0 .1 3 -0 .5 9
8 0 .7 3
4 -0 .1 6 -1 .0 3
1 3 .9 2
1 6 -0 .1 4 -0 .6 7
6 0 .3 8
2 8 -0 .1 2 -0 .5 5
8 2 .5 3
5 -0 .1 3 -0 .8 4 6 0 .0 6 0 .4 1
1 5 .0 6 1 5 .3 5
1 7 -0 .0 4 -0 .1 8 1 8 -0 .0 5 -0 .2 2
6 0 .5 0 6 0 .6 9
2 9 -0 .1 2 -0 .5 3 3 0 -0 .1 2 -0 .5 2
8 4 .2 3 8 5 .9 7
7 -0 .1 5 -0 .9 8
1 7 .0 2
1 9 -0 .0 7 -0 .3 2
6 1 .0 9
3 1 -0 .1 4 -0 .6 1
8 8 .4 8
8 -0 .1 8 -1 .1 4
1 9 .3 8
2 0 -0 .0 9 -0 .4 1
6 1 .7 8
3 2 -0 .0 4 -0 .1 8
9 -0 .1 0 -0 .6 1
Lag
Co rr
PAC
15
T
Lag
PAC
0 .4 1
3 .2 1
13
-0 .0 6 -0 .1 4
-0 .4 4 -1 .0 7
14 15
-0 .0 8
-0 .6 1
16
-0 .0 2
-0 .1 8
17
1 .2 4
18
0 .0 1
-2 .5 2
19
-0 .0 2
-0 .5 1
20
0 .2 9
25
T
Lag
0 .0 8
0 .6 6
25
-0 .3 1 0 .1 3
-2 .3 9 0 .9 9
26 27
0 .0 2
0 .1 8
28
-0 .0 7
-0 .5 1
29
0 .0 9
30
-0 .1 6
31
2 .2 7
PAC
35
45
55
T
Lag
PAC
T
Lag
0 .0 2
0 .1 8
37
-0 .1 1
-0 .8 6
49
0 .0 5
0 .3 7
0 .0 3 -0 .0 5
0 .2 7 -0 .4 2
38 39
0 .0 3 0 .0 1
0 .2 2 0 .1 0
50 51
-0 .0 2 -0 .0 5
-0 .1 5 -0 .4 1
-0 .0 6
-0 .4 7
40
0 .2 8
52
-0 .0 9
-0 .7 0
-0 .0 9
-0 .6 7
41
0 .5 0
53
0 .0 7
0 .5 7
-0 .0 8
-0 .6 5
42
0 .0 0
0 .0 3
54
-0 .0 2
-0 .1 8
-0 .0 1
-0 .0 4
43
-0 .0 7
-0 .5 2
55
0 .0 0
32
-0 .0 8
-0 .5 9
44
-0 .0 9
-0 .7 2
56
0 .0 5
0 .0 4 0 .0 6
PAC
T
0 .0 1 0 .4 1
2 0 .0 9
2 1 -0 .0 3 -0 .1 5
6 1 .8 7
3 3 -0 .1 1 -0 .4 6
9 0 .2 5
4 5 -0 .0 4 -0 .1 8
9 6 .7 2
5 7 -0 .0 6 -0 .2 5 1 1 5 .5 2
9
0 .0 7
0 .5 8
21
-0 .1 8
-1 .3 9
33
-0 .0 5
-0 .4 2
45
0 .0 4
0 .3 2
57
0 .0 0
0 .0 0
10
0 .0 5
0 .3 1
2 0 .2 9
2 2 0 .0 4
0 .1 9
6 2 .0 4
3 4 -0 .0 1 -0 .0 6
9 0 .2 8
4 6 -0 .0 5 -0 .2 3
9 7 .5 1
5 8 -0 .0 3 -0 .1 4 1 1 7 .6 5
10
0 .1 1
0 .8 9
22
-0 .1 1
-0 .8 6
34
0 .0 1
0 .0 5
46
0 .0 1
0 .0 9
58
-0 .0 2
-0 .1 3
11
0 .4 0
2 .4 2
3 2 .2 4
2 3 0 .2 5
1 .1 7
6 8 .2 1
35
0 .0 5
0 .2 3
9 0 .7 1
4 7 -0 .0 0 -0 .0 1
9 7 .5 1
5 9 -0 .0 1 -0 .0 6 1 1 8 .3 6
11
0 .4 1
3 .1 9
23
0 .0 6
0 .4 9
35
-0 .1 6
-1 .2 3
47
0 .0 0
0 .0 3
59
-0 .0 5
-0 .3 8
12
0 .4 8
2 .6 8
5 0 .2 1
2 4 0 .3 1
1 .4 2
7 7 .9 3
36
0 .0 5
0 .2 2
9 1 .1 1
48
0 .0 0
9 7 .5 1
12
0 .1 0
0 .7 9
24
0 .0 3
0 .2 4
36
-0 .1 1
-0 .8 6
48
0 .1 3
1 .0 1
0 .0 0
152
Lampiran 50. Perkembangan Harga Anggur Impor dari China Tahun 20012005 3,5
3
2,5
2 US$
harga anggur China rata-rata harga China rata-rata pasar 1,5
1
0,5
ju l_ 05 se p_ 0 5 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 0 4 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 0 3 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 0 2 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
Lampiran 51. Residual Plot Model Regresi Permintaan Anggur dari China Residual Model Diagnostics I Chart of Residuals
Normal Plot of Residuals 100000
UCL=73386
Residual
Residual
50000
0
3
0
Mean=-2,2E-11
-50000
LCL=-73386
-100000 -2
-1
0
1
0
2
10
20
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
15
10
Residual
Frequency
50000
5
0
-50000 0 -50000
0
50000
0
Residual
50000
100000
150000
Fit
Lampiran 52. Output Analisi Regresi Permintaan Anggur dari China The regression equation is Q_cin = - 18333 + 5,40 e - 3157 P_cin - 0,00180 Qm - 3,02 Pm + 0,130 lag_Q - 29402 feb - 12737 mar + 26681 apr + 3677 mei + 31533 jun + 4734 jul - 10209 ags + 7075 sep + 26678 okt + 60898 nov + 140001 des Predictor Constant e P_cin Qm Pm lag_Q feb mar apr mei jun jul ags sep okt nov des S = 30416
Coef -18333 5,398 -3157 -0,001799 -3,016 0,13034 -29402 -12737 26681 3677 31533 4734 -10209 7075 26678 60898 140001
SE Coef 77550 7,919 9387 0,001543 3,146 0,04501 23703 28213 33007 29365 27366 27365 25961 26253 26067 26400 25403
R-Sq = 78,3%
T -0,24 0,68 -0,34 -1,17 -0,96 2,90 -1,24 -0,45 0,81 0,13 1,15 0,17 -0,39 0,27 1,02 2,31 5,51
P 0,815 0,501 0,739 0,253 0,345 0,007 0,224 0,655 0,425 0,901 0,258 0,864 0,697 0,789 0,314 0,028 0,000
VIF 1,0 1,4 4,2 2,8 1,7 2,2 3,2 4,3 3,4 3,0 3,0 2,7 2,7 2,7 2,8 2,6
R-Sq(adj) = 67,1%
153
Analysis of Variance Source Regression Residual Error Total
DF SS 16 1,03482E+11 31 28679008488 47 1,32161E+11
MS 6467613409 925129306
F 6,99
P 0,000
Durbin-Watson statistic = 2,17
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -50000
0
50000
RESI1 Average: -0,0000000 StDev: 24702,1 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,086 D-: 0,087 D : 0,087 Approximate P-Value > 0.15
Lampiran 53. Total Volume Impor Pear Indonesia Berdasarkan Lima Negara Asal Terbesar Tahun 2001 – 2005 (Kg) Tahun 2001 2002 2003 2004 2005 Rata-Rata
China
Australia
33.523.231 38.039.442 30.634.436 68.292.183 75.592.078 49.216.274
Republik Korea
3.643.969 3.204.400 1.655.129 1.217.255 1.298.573 2.203.865
Amerika Serikat
838.186 969.980 830.196 867.740 404.301 782.081
259.856 315.083 453.132 1.158.474 548.653 547.040
Afrika Selatan 166.344 123.084 196.317 767.441 1.205.783 491.794
Sumber: BPS, 2001 – 2005
Lampiran 54. Perkembangan Harga Pear Impor dari China Tahun 2001-2005 1,4
1,2
1
0,8 U S $
harga per China rata-rata harga China rata-rata pasar 0,6
0,4
0,2
no v_ 0 5
ju l_ 0 5
se p _0 5
m ei _0 5
ja n_ 0 5 m ar _ 05
no v_ 04
ju l_ 0 4
se p_ 0 4
m ei _0 4
ja n_ 0 4 m ar _ 04
no v_ 0 3
ju l_ 03
se p _0 3
m ei _0 3
ja
n_ 0 3 m ar _ 03
no v_ 0 2
ju l_ 0 2
se p _0 2
m ei_ 02
ja n_ 0 2 m ar _ 02
no v_ 0 1
ju l_ 01
se p _0 1
m ei_ 01
ja n_ 01 m ar _0 1
0
Bulan
154
Lampiran
55.
Data Length NMissing
Output Analisis Winters' multiplicative Peramalan Permintaan Pear dari China
model
untuk
Vol_China 60,0000 0
Smoothing Constants Alpha (level): 0,39 Gamma (trend): 0,05 Delta (seasonal): 0,01 Accuracy Measures MAPE: 35 MAD: 1161436 MSD: 2,26E+12 Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 6197685 4134945 5682113 6185505 5533077 5732162
Row 7 8 9 10 11 12
Perio 67 68 69 70 71 72
FORE1 3358417 4909021 6517407 7092994 6308710 6393854
Lampiran 56. Residual Plot Model Regresi Permintaan Pear dari China Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals 300000
200000
UCL=234557
Residual
Residual
200000 100000 0
100000 0
Mean=-1,3E-11 7
-100000 -200000
-100000
LCL=-234557
-300000 -2
-1
0
1
0
2
10
Histogram of Residuals 9 8 7 6 5 4 3 2 1 0
40
50
Residuals v s. Fits 200000
Residual
Frequency
30
Observation Number
Normal Score
-200000
20
100000
0
-100000 -100000
0
100000
200000
0
Residual
100000
200000
300000
Fit
Lampiran 57. Output Analisis Model Regresi Permintaan Pear dari China The regression equation is Q_aus = 137659 - 5,1 e_usd - 26240 P_aus + 0,00778 Qm - 7,97 Pm + 0,707 lag_Q - 33103 feb + 195544 mar - 160027 apr + 40758 mei + 48744 jun - 17731 jul + 41769 ags - 41227 sep - 142107 okt - 113029 nov - 180007 des Predictor Constant e_usd P_aus Qm Pm lag_Q feb
Coef 137659 -5,11 -26240 0,007780 -7,971 0,7073 -33103
SE Coef 231041 23,81 51880 0,005111 9,628 0,1609 67573
T 0,60 -0,21 -0,51 1,52 -0,83 4,40 -0,49
P 0,556 0,832 0,617 0,138 0,414 0,000 0,628
VIF 1,0 1,5 5,1 2,9 2,1 2,0
155
Lampiran 57. Lanjutan mar apr mei jun jul ags sep okt nov des
195544 -160027 40758 48744 -17731 41769 -41227 -142107 -113029 -180007
S = 91753
77773 87586 70474 69574 71154 69784 77713 107852 93828 92332
R-Sq = 63,0%
2,51 -1,83 0,58 0,70 -0,25 0,60 -0,53 -1,32 -1,20 -1,95
0,017 0,077 0,567 0,489 0,805 0,554 0,600 0,197 0,237 0,060
2,6 3,3 2,2 2,1 2,2 2,1 2,6 5,1 3,8 3,7
R-Sq(adj) = 44,0%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,45192E+11 27824521725 31 2,60979E+11 8418667769 47 7,06171E+11
F 3,31
P 0,002
Durbin-Watson statistic = 2,15
Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -100000
0
100000
200000
RESI1 Average: -0,0000000 StDev: 74516,7 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,074 D-: 0,038 D : 0,074 Approximate P-Value > 0.15
Lampiran 58. Output Analisis Model SARIMA (1,0,0) (0,1,1)12 untuk
Peramalan Permintaan Pear dari Australia Estimates at each iteration Iteration SSE Parameters 0 939363813432 0.100 0.100 1 824578423679 0.250 0.123 2 747634697626 0.400 0.173 3 694023656500 0.536 0.295 4 660624746280 0.575 0.433 5 635570747185 0.611 0.548 6 616746279829 0.639 0.642 7 605913838096 0.657 0.708 8 602356826538 0.666 0.742 9 601613654502 0.670 0.757 10 601485963376 0.672 0.763 11 601465750494 0.673 0.765 12 601462757574 0.673 0.766 13 601462371626 0.673 0.766 Relative change in each estimate less than
0.0010
156
Final Estimates of Parameters Type Coef SE Coef AR 1 0.6735 0.1187 SMA 12 0.7665 0.1486
T 5.67 5.16
P 0.000 0.000
Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48 Residuals: SS = 471409222303 (backforecasts excluded) MS = 10248026572 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 8.7 15.0 32.0 * DF 10 22 34 * P-Value 0.561 0.863 0.565 * Forecasts from period 60 Period 61 62 63 64 65 66
Forecast 54300 74649 340117 181713 186210 201911
Period 67 68 69 70 71 72
Forecast 201330 203395 169333 147072 106015 39482
0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
5
15
Lag
Co rr
T
L BQ
Lag
Co rr
T
L BQ
1
0 .5 6
4 .3 7
2 0 .0 6
13
0 .1 8
0 .8 8
4 7 .8 5
25 Lag
Co rr
35 T
L BQ
2 5 -0 .0 8 -0 .3 6
6 2 .6 2
Lag
45 Co rr
Partial Autocorrelation Function for Vol_Australi
Partial Autocorrelation
Autocorrelation
Autocorrelation Function for Vol_Australi 1 .0
1 .0 0 .8 0 .6 0 .4 0 .2 0 .0 -0 .2 -0 .4 -0 .6 -0 .8 -1 .0
55
T
L BQ
Lag
3 7 -0 .1 5 -0 .6 7
8 9 .7 4
49
Co rr
T
5
15
25
35
45
55
L BQ
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
Lag
PAC
T
-0 .0 2 -0 .0 9 1 3 8 .1 4
1
0 .5 6
4 .3 7
13
-0 .2 0
-1 .5 7
25
-0 .1 0
-0 .7 9
49
0 .0 2
0 .1 8
37
-0 .1 1
-0 .8 3
2
0 .3 6
2 .1 9
2 8 .4 8
14
0 .2 0
0 .9 9
5 1 .0 8
2 6 -0 .0 0 -0 .0 0
6 2 .6 2
3 8 -0 .1 5 -0 .6 4
9 3 .3 8
50
0 .1 0 1 3 8 .3 5
2
0 .0 6
0 .5 0
14
0 .1 4
1 .0 9
26
0 .0 3
0 .2 1
38
-0 .0 2
-0 .1 5
50
0 .0 4
0 .2 8
3
0 .2 4
1 .3 3
3 2 .1 4
15
0 .1 2
0 .5 8
5 2 .2 3
2 7 -0 .1 0 -0 .4 8
6 3 .8 4
3 9 -0 .1 3 -0 .5 6
9 6 .3 6
51
-0 .0 1 -0 .0 2 1 3 8 .3 6
3
0 .0 1
0 .1 1
15
-0 .1 3
-1 .0 1
27
-0 .1 7
-1 .2 9
39
0 .1 4
1 .0 8
51
0 .0 1
0 .0 5
4
0 .1 7
0 .9 6
3 4 .1 7
16
0 .1 5
0 .7 2
5 4 .0 9
2 8 -0 .1 8 -0 .8 2
6 7 .4 8
4 0 -0 .1 3 -0 .5 6
9 9 .5 0
52
-0 .0 3 -0 .1 4 1 3 8 .9 3
4
0 .0 3
0 .2 5
16
1 .1 3
28
-0 .1 8
-1 .3 8
40
-0 .0 6
-0 .5 0
52
-0 .0 8
-0 .6 4
5
0 .1 1
0 .6 0
3 5 .0 2
17
0 .1 9
0 .9 3
5 7 .2 9
2 9 -0 .1 7 -0 .8 0
7 1 .0 9
4 1 -0 .1 5 -0 .6 3 1 0 3 .8 0
53
-0 .0 7 -0 .2 9 1 4 1 .6 3
5
-0 .0 1
-0 .1 2
17
0 .0 8
0 .6 1
29
-0 .0 9
-0 .7 0
41
-0 .0 3
-0 .2 2
53
-0 .0 3
-0 .2 4
6
0 .0 6
0 .3 2
3 5 .2 7
18
0 .1 5
0 .7 3
5 9 .3 8
3 0 -0 .1 6 -0 .7 2
7 4 .2 3
4 2 -0 .1 8 -0 .7 6 1 1 0 .4 6
54
-0 .1 2 -0 .4 8 1 5 0 .3 2
6
-0 .0 2
-0 .1 6
18
-0 .0 1
-0 .1 1
30
-0 .0 1
-0 .1 0
42
-0 .0 1
-0 .0 5
54
0 .0 2
7
0 .0 3
0 .1 6
3 5 .3 4
19
0 .0 5
0 .2 4
5 9 .6 1
3 1 -0 .1 5 -0 .6 7
7 7 .1 1
4 3 -0 .1 9 -0 .7 9 1 1 8 .1 4
55
-0 .1 6 -0 .6 4 1 6 8 .9 9
7
-0 .0 1
-0 .0 5
19
-0 .0 9
-0 .6 9
31
0 .0 0
0 .0 2
43
-0 .0 3
-0 .2 3
55
0 .0 2
0 .1 8
8
0 .0 4
0 .2 2
3 5 .4 5
2 0 -0 .0 5 -0 .2 4
5 9 .8 5
3 2 -0 .1 9 -0 .8 4
8 1 .8 0
4 4 -0 .1 8 -0 .7 6 1 2 5 .8 4
56
-0 .1 4 -0 .5 5 1 8 6 .6 0
8
0 .0 4
0 .2 8
20
-0 .1 6
-1 .2 3
32
0 .0 1
0 .0 4
44
0 .0 9
0 .7 0
56
-0 .0 5
-0 .3 6
9 -0 .0 1 -0 .0 4
3 5 .4 6
2 1 -0 .1 2 -0 .5 8
6 1 .3 1
3 3 -0 .1 6 -0 .6 9
8 5 .1 9
4 5 -0 .1 8 -0 .7 4 1 3 3 .9 4
57
-0 .0 9 -0 .3 4 1 9 5 .6 6
9
-0 .0 6
-0 .4 6
21
-0 .0 0
-0 .0 1
33
0 .0 4
0 .3 4
45
-0 .0 2
-0 .1 3
57
-0 .0 1
-0 .1 1
58
-0 .0 2 -0 .0 9 1 9 6 .5 7
10
0 .1 7
1 .3 5
22
0 .0 3
0 .2 1
34
-0 .0 5
-0 .3 7
46
0 .1 0
0 .7 9
58
-0 .0 2
-0 .1 7
0 .0 2
0 .1 5
10
0 .1 0
0 .5 4
3 6 .2 1
2 2 -0 .0 3 -0 .1 3
6 1 .3 9
3 4 -0 .0 6 -0 .2 6
8 5 .7 0
4 6 -0 .1 0 -0 .4 2 1 3 6 .7 7
11
0 .1 4
0 .7 5
3 7 .7 3
23
0 .0 4
0 .1 7
6 1 .5 3
3 5 -0 .0 4 -0 .1 7
8 5 .9 2
4 7 -0 .0 6 -0 .2 4 1 3 7 .7 6
11
0 .0 5
0 .4 3
23
0 .1 8
1 .3 8
35
-0 .0 2
-0 .1 9
47
0 .0 1
0 .1 0
12
0 .3 1
1 .6 5
4 5 .4 1
24
0 .0 7
0 .3 1
6 1 .9 9
3 6 -0 .0 2 -0 .0 7
8 5 .9 6
4 8 -0 .0 3 -0 .1 1 1 3 7 .9 9
12
0 .2 8
2 .1 4
24
-0 .1 7
-1 .2 9
36
-0 .0 3
-0 .2 4
48
0 .0 4
0 .2 8
0 .1 4
Lampiran 59. Perkembangan Harga Pear Impor dari Australia Tahun 20012005 3
2,5
harga pear Australia rata-rata harga Australia rata-rata pasar
1
0,5
no v_ 0 5
ju l_ 0 5
se p _0 5
m e i_ 05
ja n_ 0 5
m a r_ 0 5
no v_ 0 4
ju l_ 0 4
se p _0 4
m e i_ 0 4
ja n_ 0 4
m a r_ 0 4
no v_ 0 3
ju l_ 0 3
se p _0 3
m e i_ 03
ja n_ 0 3
m a r_ 0 3
no v_ 0 2
ju l_ 0 2
se p _ 0 2
m e i_ 0 2
ja n_ 0 2
m a r_ 0 2
no v_ 0 1
ju l_ 0 1
se p _ 0 1
m e i_ 01
m a r_ 0 1
0
ja n_ 0 1
U S $
2
1,5
Bulan
157
Lampiran 60. Residual Plot Model Regresi Permintaan Pear dari Australia Residual Model Diagnostics Normal Plot of Residuals
I Chart of Residuals 300000
200000
UCL=234557
Residual
Residual
200000 100000 0
100000 0
Mean=-1,3E-11 7
-100000 -200000
-100000
LCL=-234557
-300000 -2
-1
0
1
0
2
10
30
40
50
Observation Number
Normal Score
Histogram of Residuals
Residuals v s. Fits
9 8 7 6 5 4 3 2 1 0
200000
Residual
Frequency
20
100000
0
-100000
-200000
-100000
0
100000
200000
0
Residual
100000
200000
300000
Fit
Lampiran 61. Output Analisis Model Regresi Permintaan Pear dari Australia The regression equation is Q_aus = 137659 - 5,1 e_usd - 26240 P_aus + 0,00778 Qm - 7,97 Pm + 0,707 lag_Q - 33103 feb + 195544 mar - 160027 apr + 40758 mei + 48744 jun - 7731 jul + 41769 ags - 41227 sep - 142107 okt - 113029 nov - 180007 des Predictor Constant e_usd P_aus Qm Pm lag_Q feb mar apr mei jun jul ags sep okt nov des
Coef 137659 -5,11 -26240 0,007780 -7,971 0,7073 -33103 195544 -160027 40758 48744 -17731 41769 -41227 -142107 -113029 -180007
S = 91753
SE Coef 231041 23,81 51880 0,005111 9,628 0,1609 67573 77773 87586 70474 69574 71154 69784 77713 107852 93828 92332
R-Sq = 63,0%
T 0,60 -0,21 -0,51 1,52 -0,83 4,40 -0,49 2,51 -1,83 0,58 0,70 -0,25 0,60 -0,53 -1,32 -1,20 -1,95
P 0,556 0,832 0,617 0,138 0,414 0,000 0,628 0,017 0,077 0,567 0,489 0,805 0,554 0,600 0,197 0,237 0,060
VIF 1,0 1,5 5,1 2,9 2,1 2,0 2,6 3,3 2,2 2,1 2,2 2,1 2,6 5,1 3,8 3,7
R-Sq(adj) = 44,0%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,45192E+11 27824521725 31 2,60979E+11 8418667769 47 7,06171E+11
F 3,31
P 0,002
Durbin-Watson statistic = 2,15
158
Lampiran 61. Lanjutan Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -100000
0
100000
200000
RESI1 Average: -0,0000000 StDev: 74516,7 N: 48
Lampiran Data Length NMissing
62.
Kolmogorov-Smirnov Normality T est D+: 0,074 D-: 0,038 D : 0,074 Approximate P-Value > 0.15
Output Analisis Winters' multiplicative Peramalan Permintaan Pear dari USA
model
untuk
Vol_Usa 60,0000 0
Smoothing Constants Alpha (level): 0,52 Gamma (trend): 0,19 Delta (seasonal): 0,01 Accuracy Measures MAPE: 141 MAD: 27668 MSD: 1,60E+09 Row 1 2 3 4 5 6
Period 61 62 63 64 65 66
FORE1 122177 91002 56414 84488 110982 7660
Row 7 8 9 10 11 12
Period 67 68 69 70 71 72
FORE1 6254 17530 27269 138906 240013 337877
Lampiran 63. Perkembangan Harga Pear Impor dari USA Tahun 2001-2005 1,8
1,6
1,4
1,2
1 US$
harga pear USA rata-rata harga USA rata-rata pasar
0,8
0,6
0,4
0,2
ju l_ 05 se p_ 05 no v_ 05
ja n_ 05 m ar _0 5 m ei _0 5
ju l_ 04 se p_ 0 4 no v_ 04
ja n_ 04 m ar _0 4 m ei _0 4
ju l_ 03 se p_ 03 no v_ 03
ja n_ 03 m ar _0 3 m ei _0 3
ju l_ 02 se p_ 02 no v_ 02
ja n_ 02 m ar _0 2 m ei _0 2
ju l_ 01 se p_ 01 no v_ 01
ja n_ 01 m ar _0 1 m ei _0 1
0
Bulan
159
Lampiran 64. Residual Plot Model Regresi Permintaan Pear dari USA Residual Model Diagnostics I Chart of Residuals
Normal Plot of Residuals
UCL=214571
200000
Residual
Residual
100000
0
-100000
100000 0
Mean=-6,3E-11
-100000 -200000
-2
-1
0
1
LCL=-214571
0
2
10
20
30
40
Normal Score
Observation Number
Histogram of Residuals
Residuals v s. Fits
50
8 100000
6 5 4
Residual
Frequency
7
3 2
0
-100000
1 0 -200000
-100000
0
100000
200000
0
Residual
100000
200000
300000
400000
Fit
Lampiran 65. Output Analisis Model Regresi Permintaan Pear dari USA The regression equation is Q_usa = 342903 - 28,0 e - 69682 P_usa + 5,6 Pm - 0,00753 Qm + 0,531 lag_Q - 26958 feb + 234467 mar - 107318 apr + 47658 mei + 50228 jun + 10715 jul + 61766 agst + 40547 sep + 95126 okt + 78429 nov 22364 des Predictor Constant e P_usa Pm Qm lag_Q feb mar apr mei jun jul agst sep okt nov des
Coef 342903 -27,98 -69682 5,57 -0,007534 0,5306 -26958 234467 -107318 47658 50228 10715 61766 40547 95126 78429 -22364
S = 87368
SE Coef 227198 24,44 47077 12,57 0,004446 0,1576 62618 74800 76362 64883 71459 71394 69122 71168 86319 79048 75313
R-Sq = 66,5%
T 1,51 -1,15 -1,48 0,44 -1,69 3,37 -0,43 3,13 -1,41 0,73 0,70 0,15 0,89 0,57 1,10 0,99 -0,30
P 0,141 0,261 0,149 0,661 0,100 0,002 0,670 0,004 0,170 0,468 0,487 0,882 0,378 0,573 0,279 0,329 0,768
VIF 1,2 1,3 3,2 4,3 2,2 1,9 2,7 2,8 2,0 2,5 2,4 2,3 2,4 3,6 3,0 2,7
R-Sq(adj) = 49,2%
Analysis of Variance Source Regression Residual Error Total
DF SS MS 16 4,69540E+11 29346249248 31 2,36631E+11 7633250102 47 7,06171E+11
F 3,84
P 0,001
Durbin-Watson statistic = 1,98
160
Lampiran 65. Lanjutan Normal Probability Plot
,999 ,99
Probability
,95 ,80 ,50 ,20 ,05 ,01 ,001 -100000
0
100000
RESI1 Average: -0,0000000 StDev: 70955,6 N: 48
Kolmogorov-Smirnov Normality T est D+: 0,096 D-: 0,091 D : 0,096 Approximate P-Value > 0.15
161
