V. PERAMALAN HARGA CPO DIPASAR
5.2. Harga CPO di Pasar Berjangka Malaysia
Data yang diperoleh dari internet berupa data harian dalam bentuk harga nominal CPO yang ada di pasar berjangka Malaysia, dalam satuan US$/ton selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, untuk memudahkan proses pengidenfikasian pola data dan unsur yang terdapat pada data, serta memudahkan proses peramalan, maka data harian yang ada diubah dalam bentuk mingguan (rataan dari data harian) dan rataan dalam bulan.
Berdasarkan hasil analisis dengan model time series trend linier (Lampiran 7), bahwa harga CPO di pasar Malaysia dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak US$ 1,12/ton. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa pada minggu pertama harga CPO di pasar Malaysia cenderung meningkat dibandingkan tiga minggu lainnya. Hasil perhitungan rataan unsur musiman dapat dilihat pada Lampiran 8. Hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan, menunjukan bahwa unsur musiman bulanan dalam periode waktu dua tahun sulit untuk diidentifikasi, pada tahun 2004 harga CPO cenderung meningkat pada bulan Januari sampai dengan bulan Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember, hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 9.
Analisis plot data harga CPO di pasar Malaysia selama dua tahun, menunjukan adanya trend penurunan harga CPO, artinya pola data tidak stasioner. Selain itu, hasil dari plot data harga CPO Malaysia secara keseluruhan terlihat terjadi perubahan secara struktural pada pola data, mulai dari minggu satu sampai dengan minggu kedua puluh, fenomena data seperti ini menyebabkan data secara keseluruhan tidak dapat digunakan sebagai basis di dalam melakukan peramalan. Maka yang dijadikan sebagai basis peramalan adalah data yang dimulai dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam. Gambar plot data harga CPO di pasar berjangka Malaysia dapat dilihat pada Gambar 11.
M in g gu H a rg a 63 5 6 4 9 4 2 3 5 2 8 2 1 1 4 7 1 5 5 0 5 0 0 4 5 0 4 0 0 3 5 0 Ti me S e r i e s Pl o t of M ALA Y SI A
Gambar 11. Plot Data Harga CPO di Pasar Fisik Malaysia
Hasil plot data harga CPO Malaysia dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, terlihat secara umum data sudah stasioner. Berdasarkan Gambar 12 terlihat bahwa kestasioneran terlihat dari sebaran data harga CPO di pasar berjangka Malaysia yang berada disekitar garis lurus atau rata-rata konstan. Berdasarkan plot data autokorelasi (Gambar 13 ) dapat dilihat bahwa nilai koefisien autokorelasi sudah cut off pada lag 3. Pola musiman dari plot ACF setelah diidentifikasi ternyata tidak terdapat pola musiman, hal ini berbeda dengan hasil perhitungan unsur musiman dalam minggu dimana terdapat pola musiman dalam minggu.mmmmmmmmmm
Gambar. Plot Data Harga CPO di Pasar Malaysia dari Minggu 21 sampai 96 I n de x U S $ / T O N 7 2 6 4 5 6 4 8 4 0 3 2 2 4 1 6 8 1 4 7 5 4 5 0 4 2 5 4 0 0 3 7 5 3 5 0 T i m e Se ri e s Pl ot o f U S $ / TO N
Gambar 13. Plot ACF dan PACF di Pasar Berjangka Malaysia
Gambar 13. Plot ACF dan PACF Harga CPO Malaysia
Berdasarkan pola data yang dimiliki (adanya unsur stasioner), maka tidak semua metode peramalan kuantitatif dapat diterapkan pada data tersebut, karena tidak semua model peramalan cocok untuk data yang memiliki unsur stasioner. Model peramalan yang mungkin cocok untuk kondisi data tersebut adalah naive, rata-rata bergerak dan model Box-Jenkins (ARIMA) serta Winters Multiflikatif.
5.2.2 Model Peramalan Time Series untuk Harga CPO Malaysia
1. Model Naivemmmm mmmmmmmmmmmmmmmmmmmmmmmmmmmm Model naive merupakan model time series yang paling sederhana dan
mudah didalam mengoperasikannya, model ini mengasumsikan bahwa periode terkini merupakan prediktor terbaik dari masa depan. Pengoperasian model naive menggunakan program Microsoft Excel. Nilai MAPE dari hasil peramalan dengan model ini adalah sebesar 1,86 %.
2. Model Simple Moving Average (Rata-rata bergerak sederhana)mm mmm Hasil dari pengolahan dengan Minitab 14 diperoleh nilai MAPE sebesar
4,53. Length yang digunakan ada 48.mmmmmmmmmmmmmmmmmmmmmmm 3. Model Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmm
Dengan melihat plot data pergerakan harga mingguan CPO Malaysia,
La g P a r ti a l A u t o c o r re la ti o n 75 70 65 60 55 50 45 40 35 30 2 5 20 15 10 5 1 1. 0 0. 8 0. 6 0. 4 0. 2 0. 0 -0. 2 -0. 4 -0. 6 -0. 8 -1. 0
PACF PASAR MALAYSI A
Lag A u t o c o r re la t io n 75 70 65 60 55 50 45 40 35 30 25 20 15 10 5 1 1, 0 0, 8 0, 6 0, 4 0, 2 0, 0 -0, 2 -0, 4 -0, 6 -0, 8 -1, 0 ACF MALAY SI A
dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, yang memiliki unsur stasioner, maka proses differensiasi sebagai syarat agar
proses ARIMA selanjutnya tidak perlu dilakukan.MMMMMMMMMMMMMMM Berdasarkan plot data awal yang sudah menjadi stasioner, maka hal
yang dilakukan berikutnya adalah melihat sebaran ACF dan PACF data awal. Berdasarkan plot ACF dan PACF menunjukan adanya komponen AR non
musiman (q=2). Sehingga model ARIMA awal adalah (2,0,0).mmmmmmmmmm Model tentative yang diperoleh (Lampiran 10) kemudian diperiksa
kelayakannya dengan menggunakan proses diagnostic checking sebagai berikut:
1. Hasil output menunjukan pada proses iterasi ke-14 kondisi konvergensi sudah tercapai. Hal ini terlihat dari pernyataan “relative change in each estimate less than 0.001”.
2. Berdasarkan hasil output, terlihat bahwa koefisien Autoregressive (AR) non musiman ketiganya kurang dari 1, koefisien Moving Average (MA) tidak ada. Hal ini menunjukan bahwa model memenuhi syarat stasioneritas dan invertibilitas.
3 Dari plot ACF dan PACF residual, terlihat bahwa nilai ACF dan PACF dari residual tidak ada yang signifikan (Lampiran 6). Hal ini menunjukan bahwa proses ARIMA menghasilkan error random/tidak berpola. Hal tersebut juga terlihat dari nilai P-value Chi Square Statistic pada lag ke-12 yang lebih besar dari a (5 %).mm
4. Dari hasil ouput ARIMA (2,0,0), terlihat bahwa nilai p-value koefisien kurang dari a (5 %).
5. MAPE yang dihasilkan oleh model ARIMA (2,0,0) adalah sebesar 1,351%.
Model tentative yang didapat sudah memenuhi semua kriteria kelayakan model, tetapi agar model yang didapat benar-benar merupakan model yang memiliki ketepatan paling baik (MAPE terkecil), maka model ARIMA yang lain tetap harus diduga. Dari hasil pendugaan, model ARIMA yang juga memenuhi kriteria diagnostic checking adalah ARIMA (3,0,0), dan ARIMA (1.0.0). Besaran MAPE dari model ARIMA yang memenuhi kriteria diagnostic checking
ditampilkan pada Tabel 9. Berdasarkan Tabel 9, maka model ARIMA yang paling tepat dalam menduga harga CPO di pasar berjangka Malaysia adalah ARIMA (2,0,0).
Tabel 9. Nilai MAPE untuk Model Peramalan ARIMA di Pasar Malaysia MODEL ARIMA MAPE (%) (3,0,0) 1.7339 (2,0,0) 1.7228 (1,0,0) 1.7777
4. Model Winters Multiflikatif
Model pemulusan musiman Winters, didasari oleh tiga persamaan yang masing-masing melicinkan faktor-faktor yang berkaitan dengan pola data, yaitu faktor stasioneritas, faktor trend, dan faktor musiman. Jika dibandingkan dengan model pemulusan lain, model Winters merupakan model yang paling kompleks dan rumit. Dalam model ini diperlukan tiga parameter sehingga diperlukan perhitungan dan waktu yang cukup lama untuk menemukan tiga parameter yang optimal. Meskipun demikian, model ini memiliki kelebihan yaitu dapat
mengantisipasi adanya pola musiman pada deret data.mmmmmmmm Penemuan kombinasi optimal dari tiga parameter a, ß, dan ? dilakukan
dengan menggunakan program QSB. Dari hasil perhitungan diperoleh kombinasi konstanta pemulusan yang optimal a= 0,60, ß=0,05 dan ?=0,90 dengan seasonal length (L=4). Kombinasi konstanta dan seasonal length tersebut menghasilkan nilai MAPE yaitu sebesar 2,39 %.
5.1.3. Pemilihan Model Peramalan Time Seriesmmmmmmmmmmmmmmm Setelah menerapkan berbagai model peramalan time series untuk
meramal pergerakan harga di pasar berjangka Malaysia, langkah selanjutnya adalah memilih model yang dianggap paling sesuai bagi kepentingan peramal dimana dalam hal ini adalah para pelaku transaksi di pasar berjangka (produsen CPO). Pemilihan model peramalan yang paling sesuai dapat didasarkan pada dua hal utama yaitu nilai MAPE terkecil yang menunjukan keakuratan peramalan yang tinggi, dan kedua adalah kemudahan dalam penerapan model tersebut. Perbandingan nilai MAPE untuk model peramalan harga CPO di pasar berjangka
Malaysia dapat dilihat pada Tabel 10.mmmmmmmmmmmmmmmmmmmmm
Tabel 10. Nilai MAPE untuk Model Peramalan Harga CPO di Pasar Berjangka Malaysia
No. Model Peramalan MAPE (%) L
1. ARIMA (2,0,0) 1,72
2. Naive 1,86
3. Winters Multiflikatif 2,39
Berdasarkan kriteria-kriteria yang ada maka dapat disimpulkan bahwa model ARIMA (2,0,0)lebih baik untuk menjelaskan pola data harga CPO di pasar berjangka Malaysia dengan menghasilkan MAPE sebesar 1,72 persen, dan komponen error yang dihasilkan tidak berpola. Persamaan dari Model ARIMA (2,0,0) adalah sebagai berikut: Yt = 24,002 + 1,1143 Yt-1 - 0,1721 Yt-2.
5.1.4. Hasil Ramalan Harga CPO dengan Model Terbaikmmmmmmmmm Hasil ramalan dengan menggunakan model ARIMA (2,0,0) menunjukan
bahwa untuk beberapa bulan kedepan secara umum harga CPO di pasar berjangka di Malaysia akan mengalami fluktuasi harga yang tidak menentu, kecendrungan harga yang terjadi adalah adanya peningkatan harga. Dari hasil perhitungan dengan model time series trend linier yang dilakukan, peningkatannya adalah sebesar US $ 1,46/Ton setiap penambahan minggu. (Lampiran 12), hasil ramalan untuk harga CPO di pasar berjangka Malaysia selama delapan bulan kedepan dilihat pada Lampiran 6.
Harga dalam rataan bulan tertinggi terjadi pada bulan Juli 2006 yaitu sebesar US$ 408,08, sedangkan yang terendah terjadi pada bulan Februari yaitu sebesar US$ 356,73. Harga dalam rataan minggu terendah pada minggu pertama, sedangkan di tiga minggu lainnya harga cenderung stabil namun lebih tinggi daripada minggu pertama, besarnya harga pada minggu pertama, kedua,
ketiga dan keempat adalah sebagai berikut; US$ 385,59, US$ 389,83,
US$ 388,57, US$ 388,39.mmmmmmmmmmmmmmmmmmmmmmmmmmmmm Hal ini memberikan tanda bagi pelaku transaksi di pasar berjangka
(produsen CPO) untuk segera melakukan Long Term Contract atau kontrak berjangka, dengan melakukan penguncian harga yang sesuai dengan harga pokok produksi dan keuntungan yang ingin diraih. Namun hal yang perlu diingat adalah bahwa data tidak hanya memiliki pola trend saja, tetapi juga mempunyai
komponen musiman baik antar minggu maupun antar bulan. Kedua hal itu juga berpengaruh kepada pergerakan data harga CPO di pasar berjangka, sehingga pelaku transaksi di pasar berjangka dalam hal ini produsen CPO harus berhati- hati dalam melakukan transaksi di pasar berjangka.
5.3. Harga CPO di Pasar Fisik Medan