V. PERAMALAN HARGA CPO DIPASAR
5.3. Harga CPO di Pasar Fisik Medan
Data yang diperoleh dari BAPPEBTI berupa data harian dalam bentuk harga nominal CPO yang ada di pasar fisik Medan, dalam satuan Rp/kg selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, seperti pada peramalan harga CPO Rotterdam dan Malaysia, untuk memudahkan proses pengidentifikasian pola data dan melakukan 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 13), bahwa harga CPO di pasar fisik Medan dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak Rp 6,35/kg. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu keempat harga CPO di pasar fisik Medan cenderung meningkat. Hasil perhitungan rataan unsur musiman dapat dilihat pada Lampiran 14. 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 Februari sampai dengan bulan Juni, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan Juli sampai dengan Desember, hasil
9 0 8 0 7 0 6 0 50 4 0 3 0 2 0 1 0 1 5 0 0 0 4 5 0 0 4 0 0 0 3 5 0 0 3 0 0 0 H AR GA CP O M ED AN
perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 15.
Analisis harga CPO Medan berdasarkan plot pola data menunjukan adanya unsur trend yang menurun, sepanjang tahun 2004 sampai dengan tahun 2005. Plot data mingguan harga CPO di pasar fisik Medan dimulai dari minggu pertama sampai dengan minggu sembilan puluh enam dapat dilihat pada Gambar 14.
Gambar 14. Plot Data Harga CPO di Pasar Fisik Medan
Hasil plot data mingguan dari minggu satu sampai dengan sembilan puluh enam yang dilakukan, terlihat terjadi perubahan secara struktural yang terjadi pada pola data, mulai dari minggu pertama sampai dengan minggu ke dua puluh, untuk mempermudah proses pengolahan data, 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, serta plot ACF dan PACF di pasar fisik Medan dari minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, dapat dilihat pada gambar dan Gambar
I nde x R P / K G 72 64 5 6 48 4 0 32 2 4 16 8 1 4 800 4 600 4 400 4 200 4 000 3 800 3 600 3 400 3 200 3 000 Ti m e S e r i e s Pl ot of R P/ KG La g A u t o co 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 M EDAN La g P a rt ia l A u to c o rr e la ti o 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 P ACF ME DAN La g A u to co rr e la ti o n 7 0 6 5 60 5 5 5 0 4 5 40 3 5 3 0 25 2 0 1 5 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 M E DA N
Gambar 15. Plot Data Harga CPO di Pasar Fisik Medan Minggu 21 sampai 96
Berdasarkan plot ACF, nampak data sudah stasioner karena pada lag ke- 2 nilai korelasinya sudah cutt off. Pola musiman terlihat setiap lag ke-4 karena pada setiap lag ke-4 nilai korelasi kembali meninggi.
Gambar 16. Plot Data ACF dan PACF di Pasar Fisik Medan
Berikut Gambar hasil setelah dilakukan pembedaan pada lag ke-4.
5.3.2. Model Peramalan Time Series untuk Harga CPO Medanmmmmmm Berdasarkan pola data yang dimiliki (adanya musiman dan sudah
stasioner), maka tidak semua model peramalan kuantitatif dapat diterapkan pada data tersebut, karena tidak semua model peramalan cocok untuk data yang memiliki unsur stasioner dan musiman. Model peramalan yang mungkin cocok untuk kondisi data tersebut adalah Naive, Rata-rata bergerak dan model Box- Jenkins (ARIMA), meskipun demikian beberapa model time series yang lain juga akan dicoba untuk melihat perbedaan hasil didalam penerapan model, seperti
Winters Multiflikatif.mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm
1. Model Naivemmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm 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 4,34 %.mmmmmmmmmmmmmmmmmmmm
2. Model Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmm Dengan melihat plot data pergerakan harga mingguan CPO Medan, dari
minggu ke dua puluh satu sampai dengan minggu ke sembilan puluh enam, Faktor musiman dilihat dengan melakukan differensiasi pada lag 4, setelah dilakukan differensiasi orde pertama pada lag 4, data sudah menjadi stasioner dan hal yang dilakukan berikutnya adalah melihat sebaran ACF dan PACF data awal yang sudah mengalami differensiasi. Plot ACF data yang sudah mengalami differensiasi menunjukan adanya komponen AR musiman (P=1), data awal juga mengandung AR (q=1), dengan panjang musiman (S=4). Sehingga model ARIMA awal adalah ARIMA (1,0,0) (1,1,0)4. Model tentative yang diperoleh (Lampiran 16) kemudian diperiksa kelayakannya dengan menggunakan proses
1. Hasil output menunjukan pada proses iterasi ke-8 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 dan musiman 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 11). 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 (1,0,0) (1,1,0)4, terlihat bahwa nilai p-value koefisien kurang dari a (5%).
5. MAPE yang dihasilkan oleh model ARIMA (1,0,0) (1,1,0)4 adalah sebesar 3,23 %.
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 (1,0,0). Besaran MAPE dari model ARIMA yang memenuhi kriteria diagnostic checking ditampilkan pada Tabel 12. Berdasarkan Tabel 12, maka model ARIMA yang paling tepat dalam menduga harga CPO di pasar fisik Medan adalah ARIMA (1,0,0) (1,1,0)4
Tabel 12. Nilai MAPE untuk Model Peramalan ARIMA di Pasar Medan
MODEL ARIMA MAPE (%)
(1,0,0) (1,1,0)4 3,23
(1,0,0). 3,92
3. Model Simple Moving Average (Rata-rata bergerak sederhana)mm mmm Hasil dari pengolahan dengan Minitab 14 diperoleh nilai MAPE sebesar
5,6. Length yang digunakan ada 48.mmmmmmmmmmmmmmmmmmmmmmmm
4. Model Wintersmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model pemulusan 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.mmmmmmmmmmmmmm Penemuan kombinasi optimal dari tiga parameter a, ß, dan ? dilakukan
dengan menggunakan program QSB. Dari hasil perhitungan diperoleh kombinasi konstanta pemulusan yang optimal a= 0,90, ß=0,05 dan ?=0,90 dengan seasonal length (L=5). Kombinasi konstanta dan seasonal length tersebut menghasilkan nilai MAPE yaitu sebesar 3,93 %.
5.3.3. Pemilihan Model Peramalan Time SeriesMMMMMMMMMMMMMMMM Setelah menerapkan berbagai model peramalan time series untuk
meramal pergerakan harga di pasar fisik Medan, 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 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 Medan dapat dilihat pada Tabel 13.
Tabel 13 . Nilai MAPE untuk Model Peramalan Harga CPO di Pasar Fisik Medan
No. Model Peramalan MAPE (%) L
1. ARIMA (1,0,0) (1,1,0)4 3,23
2. Winters Multiflikatif 3,93 7
3. Naive 4,34
4 Simple Moving Average 5,60 48
Berdasarkan kriteria-kriteria yang ada maka dapat disimpulkan bahwa model ARIMA (1,0,0) (1,1,0)4 lebih baik untuk menjelaskan pola data harga CPO di pasar fisik Medan dengan menghasilkan MAPE sebesar 3,23%, dan komponen
error yang dihasilkan tidak berpola. Persamaan dari Model ARIMA (1,0,0) (1,1,0)4 adalah sebagai berikut : Y = -19,61 + 0,4272 Yt-1 - 0,3635 Yt-4 - 0,2719 Yt- 5 – 0,3635 Yt-8 – 0,2719 Yt-9 m
5.3.4. Hasil Ramalan Harga CPO dengan Model Terbaikm
Hasil ramalan dengan menggunakan model ARIMA (1,0,0) (1,1,0)4 menunjukan bahwa untuk beberapa bulan kedepan secara umum harga CPO di pasar fisik Medan 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 Rp 12,24/kg setiap penambahan minggu.
(Lampiran 17), hasil ramalan untuk harga CPO di pasar fisik Medan selama
delapan bulan kedepan dilihat pada Lampiran 6.mmmmmmmmmmmmmmm Harga dalam rataan bulan tertinggi terjadi pada bulan Mei 2006 yaitu
sebesar Rp 3946.55/kg, sedangkan yang terendah terjadi pada bulan Februari yaitu sebesar Rp 3450.32/kg. Harga dalam rataan minggu terendah pada minggu pertama, sedangkan diketiga minggu lainnya harga cenderung stabil namun lebih tinggi daripada minggu pertama, besarnya harga pada minggu pertama, kedua, ketiga dan keempat adalah sebagai berikut; Rp 3750.12/kg, Rp 3862.97/kg, Rp
3838.43/kg, Rp 3794.68/kg.mmmmmmmmmmmmmmmmmmmmmmmmmmm 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.
5.4. Implikasi Hasil Ramalan Bagi Produsen CPOmmmmmmmmmmmmm