IV. HASIL DAN PEMBAHASAN
4.2 Hasil Analisis
4.2.8 Forecast Error Variance Decomposition (FEVD)
Analisis dengan Forecast Error Variance Decomposition
(FEVD) ini dapat menginformasikan mengenai ramalan dari variabel yang digunakan. Kemudian untuk mengetahui seberapa besar persen variasi sisaan suatu variabel yang dijelaskan oleh setiap sisaan masing- masing variabel dan sisaan variabel lain pada tahapan periode ramalan ke depan dalam model yang diaplikasikan. Tabel yang dijelaskan selanjutnya menunjukkan hasil variasi masing-masing variabel endogen oleh variabel endogen lainnya. Hasil dari uji Forecast Error Variance Decomposition (FEVD) dapat dilihat secara lengkap pada Lampiran 18. 1. Forecast Error of Cauliflower (Kembang kol)
Variabilitas data ramalan dapat diukur dengan peramalan kesalahan standar atau forecast standar error ditambah dengan nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM untuk variabel kembang kol adalah : KKOL = 158 + 0,465 LAGKOL - 0,099 LAGLH + 0,327 LH + 0,062
LAGTR + 0,0185 TR
Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan kembang kol. Setelah mendapatkan persamaan regresi dapat menghitung nilai ramalannya. Tabel 9 berikut ini merupakan hasil ramalan satu tahun ke depan dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram di setiap nilainya.
Tabel 9. Hasil Peramalan Kembang Kol Periode Forecast SE Nilai Persamaan Nilai Forecast Nilai Aktual Keakuratan 31 ±342 1044 702 1386 579 tidak akurat 32 ±451 1147 696 1598 410 tidak akurat 33 ±554 1195 641 1749 354 tidak akurat 34 ±688 1222 534 1910 361 tidak akurat 35 ±795 1263 468 2058 591 Akurat 36 ±893 1323 430 2216 409 tidak akurat 37 ±992 1399 407 2391 38 ±1067 1481 414 2548 39 ±1124 1566 442 2690 40 ±1177 1650 473 2827 41 ±1218 1732 514 2950 42 ±1251 1811 560 3062
Tabel 9 hasil peramalan, dilihat dari nilai persamaan atau nilai prediksi sementara dari variabel kembang kol mengalami peningkatan. Nilai ramalan yang cenderung meningkat di setiap periodenya sampai dengan periode ke 42 (Juni 2012). Nilai aktual selama periode ke 31 sampai dengan periode 34 tidak berada dalam rentang nilai forecast, sedangkan pada periode ke 35 nilai aktualnya berada pada nilai
forecast, tetapi periode ke 36 nilai aktulanya kembali tidak berada pada rentang nilai forecast. Hal ini menunjukkan bahwa hitungan ramalan yang telah dilakukan menghasilkan nilai ramalan yang akurat dan tidak akurat. Nilai aktual yang tidak berada pada rentang nilai ramalan ini karena periode tersebut perusahaan memang melakukan pengurangan permintaan. Harga yang diminta oleh customer retail tidak bisa masuk ke dalam harga jual perusahaan dan adanya kompetisi harga dengan pesaing, sehingga perusahaan melakukan pengurangan permintaan terhadap komoditas kembang kol tersebut. Untuk peramalan enam periode berikutnya yaitu dari periode ke 37 sampai dengan periode ke 42 perusahaan dapat menentukan target permintaan terhadap penjualan komoditas kembang kol pada rentang nilai forecast. Untuk melihat lebih jelas perbedaan nilai aktual dan nilai forecast dapat melihat Gambar 6 di bawah ini.
Gambar 6. Nilai Aktual dan Nilai Forecast Kembang kol
Penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan. Hasil peramalan dengan metode pemulusan eksponensial
Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition. Nilai hasil ramalan dapat dilihat pada Lampiran 20. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Metode tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data kembang kol dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Bila dibandingkan hasilnya dengan menggunakan pendekatan kointegrasi, metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren yang terdapat pada data komoditas kembang kol.
2. Variance Decomposition of Cauliflower (Kembang kol)
Gambar 7. Variance Decomposition of Cauliflower (Kembang kol)
Jika dilihat dari gambar diagram variance decomposition di atas, dapat diketahui bahwa permintaan komoditas sayuran kembang kol untuk periode 50 periode ke depan pengaruhnya lebih didominasi oleh komoditas kembang kol itu sendiri. Pada periode pertama permintaan komoditas kembang kol dipengaruhi oleh kembang kol itu sendiri hingga mencapai nilai 100 persen. Pada periode berikutnya pengaruh kembang kol mulai melemah hingga terus mengalami penurunan sampai periode ke 20 kemudian stabil hingga periode ke 50 dengan nilai 67,5 persen.
Pengaruh dari tomat beef menguat terlihat dari periode ke 2 dengan nilai sebesar 1,3 persen sampai periode ke 50 sebesar 30,8 persen. Sedangkan pengaruh dari komoditas lettuce head melemah terlihat dari periode ke 11 sebesar 1,9 persen sampai dengan periode ke 50 sebesar 0,6 persen. Hal ini mengindikasikan bahwa variabilitas permintaan komoditas kembang kol selain dipengaruhi oleh permintaan kembang kol itu sendiri juga dipengaruhi oleh permintaan lettuce head
dan tomat beef baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek.
3. Forecast Error of Lettuce head
Variabilitas data ramalan dapat diukur dengan dengan peramalan kesalahan standar atau disebut juga forecast standar error
ditambah dengan nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM adalah sebagai berikut :
LH = - 155 - 0,471 LAGKOL + 1,21 KKOL + 0,612 LAGLH - 0,156 LAGTR + 0,122 TR
Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan lettuce head. Setelah mendapatkan persamaan regresinya, dapat menghitung nilai peramalannya. Tabel 10 di bawah ini merupakan hasil peramalan dari komoditas sayuran lettuce head selama satu tahun ke depan dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap nilainya.
Tabel 10. Hasil Peramalan Lettuce Head Periode Forecast SE Nilai Persamaan Nilai Forecast Nilai Aktual Keakuratan 31 ±342 682 340 1024 529 Akurat 32 ±451 797 346 1248 531 Akurat 33 ±554 928 374 1482 537 Akurat 34 ±688 1064 376 1752 90 tidak akurat 35 ±795 1223 428 2018 167 tidak akurat 36 ±893 1371 478 2264 280 tidak akurat 37 ±992 1525 533 2517 38 ±1067 1681 614 2748 39 ±1124 1842 718 2966 40 ±1177 2005 828 3182 41 ±1218 2169 951 3387 42 ±1251 2333 1082 3584
Terlihat pada Tabel 10 di atas, dilihat dari nilai hasil persamaan atau nilai prediksi sementara dari variabel lettuce head yang didapat cenderung mengalami peningkatan dalam permintaan di setiap periodenya. Nilai ramalan cenderung terus meningkat hingga periode ke 42 (Juni 2012). Nilai aktual selama tiga periode pertama yaitu dari periode ke 31 sampai dengan periode ke 33 berada pada rentang nilai
forecast, sedangkan dari periode ke 34 sampai dengan periode ke 36 nilai aktualnya tidak berada pada rentang nilai forecast. Hal ini
menunjukkan bahwa hitungan ramalan yang telah dilakukan menghasilkan nilai ramalan yang akurat dan tidak akurat. Nilai aktual yang tidak berada pada rentang nilai forecast di periode tersebut dan tidak akurat karena ada faktor lain yang mempengaruhi permintaan tersebut yaitu komoditas lettuce head yang dijual oleh perusahaan mengalami kenaikan harga yang sangat tinggi, sehingga permintaan
lettuce head menurun secara drastis. Penurunan permintaan juga disebabkan harga jual lettuce head perusahaan yang tidak masuk ke dalam harga yang diminta oleh customer retail, adanya persaingan mengenai harga dengan perusahaan lainnya, dan perusahaan lebih mengutamakan untuk memenuhi permintaan dari customer process
yang lebih menguntungkan. Untuk peramalan enam periode berikutnya yaitu periode ke 37 sampai dengan periode ke 42 perusahaan dapat menentukan target permintaan terhadap penjualan komoditas lettuce head pada rentang nilai forecast. Untuk melihat lebih jelas perbandingan nilai aktual dengan nilai hasil peramalan dapat melihat Gambar 8 di bawah ini.
Gambar 8. Nilai Aktual dan Nilai Forecast Lettuce head
Penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan. Hasil peramalan dengan metode pemulusan eksponensial
Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition.
Nilai hasil ramalan dapat dilihat pada Lampiran 21. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Sedangkan dengan pendekatan kointegrasi pada penelitian ini hanya pada tiga periode pertama saja yang akurat. Metode pemulusan eksponensial
Winter’s tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data lettuce head dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Hasil ramalan ini hampir sama dengan hasil ramalan untuk komoditas kembang kol yang menghasilkan nilai peramalan yang cenderung semakin menurun karena dipengaruhi data sebelumnya yang dijadikan dasar pada peramalan. Bila dibandingkan dengan hasil peramalan dengan pendekatan kointegrasi pada penelitian ini, peramalan dengan metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren dan pola musiman yang terdapat pada data lettuce head.
4. Variance Decomposition of Lettuce head
Gambar 9. Variance Decomposition of Lettuce head
Gambar 9 variance decomposition di atas dapat dilihat bahwa permintaan komoditas lettuce head sangat dipengaruhi oleh komoditas
lettuce head itu sendiri dan kembang kol. Pada periode pertama lettuce head mempengaruhi komoditas lettuce head itu sendiri sebesar 48,7 persen lebih kecil dari pengaruh yang diberikan oleh kembang kol terhadap lettuce head sebesar 51, 2 persen. Periode berikutnya pengaruh
lettuce head pada lettuce head itu sendiri mulai melemah terlihat pada periode ke 3 hingga mencapai 44,3 persen dan mulai stabil pada periode ke 9 dengan nilai 39,8 persen.
Pengaruh dari komoditas kembang kol semakin menguat terlihat dari periode ke 3 dengan nilai sebesar 55,4 persen sampai dengan periode ke 50 dengan nilai sebesar 57,5 persen. Sedangkan pengaruh dari tomat beef menguat terlihat dari periode ke 3 dengan nilai sebesar 0.3 persen sampai dengan periode ke 50 nilainya sebesar 2,8 persen. Hal ini mengindikasikan bahwa variabilitas permintaan komoditas
lettuce head sangat dipengaruhi oleh permintaan kembang kol dan permintaan lettuce head itu sendiri serta dipengaruhi oleh permintaan komoditas tomat beef baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek.
5. Forecast Error Of Beef Tomato
Variabilitas data ramalan dapat diukur dengan peramalan kesalahan standar atau forecast standar error ditambah denagn nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM adalah sebagai berikut :
TR = 681 + 0,988 LAGTR + 0,150 LH - 0,177 LAGLH + 0,084 KKOL - 0,413 LAGKOL
Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan komoditas tomat beef. Setelah memperoleh persamaan regresinya, dapat menghitung nilai peramalannya. Tabel 11 di bawah ini merupakan hasil peramalan dari komoditas tomat beef selama satu tahun ke depan mulai dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap nilainya.
Tabel 11. Hasil Peramalan Tomat Beef Periode Forecast SE Nilai Persamaan Nilai Forecast Nilai Aktual Keakuratan 31 ±342 3976 3634 4318 2129 tidak akurat 32 ±451 4273 3822 4724 1253 tidak akurat 33 ±554 4528 3974 5082 2426 tidak akurat 34 ±688 4759 4071 5447 1621 tidak akurat 35 ±795 4979 4184 5774 519 tidak akurat 36 ±893 5179 4286 6072 530 tidak akurat 37 ±992 5355 4363 6347 38 ±1067 5501 4434 6568 39 ±1124 5615 4491 6739 40 ±1177 5695 4518 6872 41 ±1218 5742 4524 6960 42 ±1251 5757 4506 7008
Tabel 11 hasil peramalan di atas, dapat dilihat dari hasil nilai persamaan atau nilai prediksi sementara dari variabel tomat beef mengalami peningkatan di setiap periodenya. Nilai ramalan cenderung terus meningkat sampai dengan periode ke 42 (Juni 2012). Nilai aktual selama enam periode pertama yaitu periode ke 31 sampai dengan periode ke 36 nilainya tidak berda pada rentang nilai forecast. Hal ini menunjukkan bahwa hitungan ramalan yang telah dilakukan mengasilkan nilai ramalan yang kurang akurat. Nilai aktual yang tidak berada pada rentang nilai forecast pada periode tersebut karena adanya faktor penyebab yang tidak terduga yaitu tanaman tomat beef yang dibudidayakan dalam green house terserang virus gemini. Sehingga perusahaan melakukan pengurangan dan menghentikan sementara permintaan terhadap komoditas tomat beef karena barang yang tidak ada dan kurang mencukupi permintaan. Permasalahan lain yang menyebabkan permintaan menurun yaitu disebabkan harga jual perusahaan yang kurang kompetitif, kebutuhan komoditas yang menggantungkan dari hasil produksi green house, dan permintaan dari
customer retail dikurangi dan lebih mengutamakan pemenuhan
permintaan customer process. Untuk peramalan enam periode berikutnya yaitu dari periode ke 37 sampai dengan periode ke 42
perusahaan dapat menetapkan target permintaan terhadap penjualan komoditas tomat beef tersebut pada rentang nilai forecast. Untuk melihat lebih jelas perbandingan nilai aktual dengan nilai hasil peramalan dapat melihat Gambar 10.
Gambar 10. Nilai Aktual dan Nilai Peramalan Tomat beef
Seperti dijelaskan sebelumnya untuk komoditas kembang kol dan lettuce head, penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan pada komoditas tomat beef. Hasil peramalan dengan metode pemulusan eksponensial Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition. Nilai hasil ramalan dapat dilihat pada Lampiran 22. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Sedangkan dengan pendekatan kointegrasi pada penelitian ini nilai aktualnya semua tidak berada pada rentang nilai forecast sehingga nilai ramalannya tidak akurat. Metode pemulusan eksponensial Winter’s tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data tomat beef dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Hasil ramalan ini hampir sama dengan
hasil ramalan untuk komoditas kembang kol dan lettuce head yang menghasilkan nilai peramalan yang cenderung semakin menurun karena dipengaruhi data sebelumnya yang dijadikan dasar pada peramalan ini. Bila dibandingkan dengan hasil peramalan dengan pendekatan kointegrasi pada penelitian ini, peramalan dengan metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren dan pola musiman yang terdapat pada data komoditas sayuran tomat beef.
6. Variance Decomposition of Beef Tomato
Gambar 11. Variance Decomposition of Beef Tomato
Gambar 11 variance decomposition di atas dapat dilihat bahwa permintaan tomat beef sangat dipengaruhi oleh komoditas tomat beef itu sendiri. Pada periode pertama komoditas tomat beef mempengaruhi tomat beef itu sendiri masih mendominasi mencapai nilai 81,6 persen. Pada periode berikutnya pengaruh tomat beef mulai melemah terlihat dari periode ke 2 dengan nilai 76,9 persen sampai dengan periode ke 50 nilainya sebesar 49,7 persen.
Pengaruh dari kembang kol semakin menurun terlihat dari periode ke 3 dengan nilai 17,3 persen sampai dengan periode ke 50 nilainya sebesar 6,4 persen. Sedangkan pengaruh dari variabel lettuce head semakin menguat terlihat dari periode ke 2 dengan nilai sebesar 0,9 persen sampai dengan periode ke 50 nilainya 43,9 persen. Hal ini mengindikasikan bahwa variabilitas permintaan tomat beef selain
dipengaruhi oleh permintaan tomat beef itu sendiri juga dipengaruhi oleh permintaan kembang kol dan permintaan lettuce head baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek.
Peramalan yang dilakukan oleh PT Saung Mirwan merupakan salah satu upaya untuk mengantisipasi permintaan pelanggan di masa yang akan datang. Permintaan yang dimaksud adalah permintaan aktual yang terjadi di perusahaan, yaitu jumlah sayuran yang dipesan oleh
customer (pelanggan). Pelanggan yaitu perusahaan retail (supermarket), restoran, hotel, dan sebaginya, yang menjual kembali atau melakukan penanganan terlebih dahulu terhadap komoditi sayuran yang dibeli dari PT Saung Mirwan. Apabila dilihat dari sisi pemenuhan permintaan
customer, sebagian besar atau pada umumnya tidah terpenuhi seratus persen. Hal tersebut disebabkan oleh faktor-faktor tertentu, seperti faktor alam (seperti cuaca) yang erat kaitannya dengan ketersediaan komoditas sayuran. PT Saung Mirwan dalam meramalkan permintaan menggunakan standar 20 persen, artinya selama selisih lebih atau kurang antara ramalan dengan aktualnya tidak melebihi 20 persen maka masih dapat dikatakan baik peramalan tersebut.
Permintaan yang diramalkan untuk beberapa periode ke depan pada PT Saung Mirwan dilakukan oleh divisi pemasaran. Prediksi yang dilakukan oleh divisi pemasaran adalah berdasarkan pengalaman, yaitu dengan melihat kecenderungan permintaan selama dua tahun terakhir dan performance permintaannya untuk setiap customer. Hal ini dilakukan untuk melihat kemungkinan apakah target dapat dinaikkan atau tidak, baik dari sisi kuantitas dan harga untuk masing-masing komoditi sayuran per pelanggan dalam periode waktu mingguan yang biasa dilakukan. Hasil dari peramalan tersebut kemudian dikoordinasikan ke seluruh divisi yang ada di perusahaan. Divisi yang terkait secara langsung dengan target kuantitas yang diinginkan oleh divisi pemasaran adalah bagian produksi dan divisi pengadaan. Bagi bagian produksi, hasil peramalan dijadikan sebagai dasar untuk menentukan jadwal penanaman selanjutnya dan apakah kuantitas yang
diminta oleh divisi pemasaran terpenuhi melalui sarana produksi yang tersedia. Sedangkan pada divisi pengadaan, hasil ramalan digunakan sebagai dasar untuk menentukan kuantitas yang diinginkan dari mitra PT Saung Mirwan, baik dari mitra tani yang melakukan kerja sama maupun mitra beli. Jika bagian produksi dan divisi pengadaan tidak mampu memenuhi kuantitas yang diinginkan, biasanya divisi pemasaran menurunkan targetnya.