PERKEMBANGAN MINYAK SAWIT DOMESTIK DAN DUNIA
VI. PERGERAKAN POLA DAN PERAMALAN HARGA OLEIN DI PASAR FISIK ROTTERDAM DAN JAKARTA DI PASAR FISIK ROTTERDAM DAN JAKARTA
6.2. Harga Olein Jakarta 1. identifikasi Pola data
Identifikasi pola data dilakukan untuk mengetahui unsur unsur yang terdapat pada pola data dengan mengamati plot data sebagai pertimbangan awal yang dapat mebantu dalam pemilihan teknik peramalan kuantitatif di tahap pengolahan selanjutnya
Gambar 19. Plot Data Harga Rata-Rata Mingguan Komoditi Olein Pada Pasar Fisik Jakarta, Periode Januari 2005 S/D Minggu Kedua Agustus 2008
Bedasarkan hasil plot data harga rata-rata minguan dengan jumlah 189 periode amatan bahwa Olein pada pasar berjangka Jakarta juga memiliki pergerakan harga relatif sama dengan Harga Olein yang terjadi pada pasar berjangka Rotterdam, hal ini menunjukan kedua pasar tersebut terintegrasi dengan baik sehingga pasar untuk komoditi ini di Indonesia cukup efisisen dan berkembang dengan baik.
Hasil plot data harga rata-rata minguan sebanyak 189 periode amatan terdapat tiga periode pola harga. Pembagian periode pola harga ini berdasarkan unsur pola data yang terjadi yaitu: pola data stasioner dan pola tren yang naik dan tren yang berbalik arah serta memiliki pola musiman. Pembagian tiga periode demikian membantu memudahkan untuk memahami fenomena yang menyebabkan pola tersebut berlangsung .
Pada periode minggu pertama hingga periode ke 78 atau minggu pertama bulan pertama Januari 2005 hingga minggu keempat bulan Juni 2006 plot data menunjukkan pola yang stasioner . Harga berkisar antara 3.036 Rp/kg hingga 4.787 Rp/kg atau dengan range sebesar 1751 point. Harga rata-rata periode itu sebesar 4.212 Rp/kg dengan keragaman data yang relatif seragam . Stabilnya harga pada periode ini disebabkan penawaran dan permintaan pada saat itu relatif seimbang.
Memasuki periode minggu ke 79 hingga minggu ke 166 atau minggu pertama semester dua bulan Juli 2006 hingga minggu keempat Maret 2008 terjadi tren kenaikan harga yang sangat tinggi. Harga bergerak dari 4.290 Rp/kg hingga mencapai harga puncak tertinggi mencapai 12.223 Rp/kg atau dengan range harga sebesar
7.933 point. Harga rata-rata pada periode ini sebesar 6780 atau terjadi kenaikan harga sebesar 61 persen dari harga rata rata periode sebelumnya sehingga keragaman data pada periode ini sangat tinggi sekali. Peningkatan harga yang sangat besar ini dalam sejarah kelapa sawit disebabkan oleh laju permintaan CPO sebagai bahan baku sangat tinggi sekali tidak bisa diimbangi oleh laju kenaikan penawaran dari minyak CPO itu sendiri sehingga terjadi acces Demand.
Peningkatan harga Olein domestik mengikuti pergerakan naiknya harga CPO pada pasar internasional dan domestik, selain itu dipengaruhi oleh naiknya harga minyak mentah dan minyak minyak nabti lainya yang ikut naik. Peningkatan Konsumsi minyak sawit dunia dan peningkatan konsumsi domestik yang begitu tinggi disebabkan oleh beberapa faktor, selain karena pertumbuhan karena populasi penduduk, permintaan akan biodesel dan biofuel minyak sawit juga mulai digunakan sebagai bahan bakunya, tarik menarik besarnya ekspor dengan konsumsi di dalam negeri serta dengan kebijakan pajak ekspor yang ditetapakan pemerintah sangat mempengaruhi gejolak harga pada pasar domestik .
Pada periode minggu 167 hingga minggu ke 189 atau minggu pertama Juni 2008 hingga minggu kedua Agustus 2008 pola data harga mengalami tren penurunan. Harga bergerak dari Rp 10.910/kg turun menjadi Rp 7.605 Rp/kg atau penurunan harga sebasar 41 persen dari periode sebelumnya dengan range sebasar 3.305 point Harga rata-rata pada periode ini masih tinggi sebesar Rp 9.512/Kg dikarenakan harga mulai sangat turun memasuki bulan Juli dan Agustus , sedangkan keragaman data relatif sedang dibandingkan periode sebelumnya. Hasil statistik data harga mingguan komoditi Olein pada pasar berjangka Rotterdam semua periode ditunjukkan pada tabel 15.
Tabel 15. Statistik periode-periode unsur pola data harga Olein Jakarta Periode
(minggu) Mean StDev Variance Sum Min Max Range Kurtosis N 1 s/d 78 4212.64 246.499 60761.8 328586 3036 4787 1751 6.40135 78 79 s/d 166 6780.01 1634.36 2671145 596641 4290 12223.3 7933.3 0.216054 88 167 s/d 189 9512.17 801.434 642297 218780 7605 10910 3305 0.63827 23
Terjadinya kecendrungan penurunan harga pada periode ini disebabkan oleh turunnya harga minyak CPO Dunia dimana acses demand yang sangat besar pada periode sebelumnya sudah mulai bisa di respon oleh pihak produsen dari berbagai negara produsen minyak CPO terutama Indonesia dan Malaysia dengan meningkatkan penawaran minyak CPO kepasaran Internasional. Selain itu juga faktor turunnya harga minyak mentah di pasar internasional dari kisaran 147 dollar AS per barrel ke sekitar 120 dollar AS per barrel. Ini menarik harga CPO ikut turun.
Untuk melihat unsur pola musiman dan siklus sulit dilakukan dengan dengan plot data ACF korelogram. Plot yang dilakukan terdapat unsur musiman pada lag 7 artinya musiman terjadi setiap minggu ketujuh dan tidak bersiklus, hasil plot ACF dan PACF dapat dilihat pada Lampiran 4. Secara keseluruhan pola data dari harga mingguan Olein Jakarta menunjukkan pola yang acak, artinya data historis tidak terpola sehingga harga kedepan masih sulit untuk dipredikasikan dengan baik dan memberikan peluang ketidak pastian yang sangat tinggi. Pola pergerakah harga yang terjadi pada pasar fisik Jakarta menunjukkan pola pergerakan yang sama terjadi pada pasar fisik Roterdam. Hal ini menunjuk kan kudua pasar tersebut terintegrasi sangat kuat.
6.2.2. Penerapan Teknik Peramalan Time Series
Berdasarkan pola data yang dimiliki maka tidak semua model peramalan kuantitatif dapat diterapkan pada data tersebut, karena tidak semua model peramalan cocok untuk menjelaskan keragaman pola data historis dari karakteristik pola data harga Olein Jakarta diatas. Beberapa Teknik analisis time series yang dipilih untuk mendekati karakteristik dari pola data adalah sebagai berikut: Dekomposisi Winters dan sarima karena teknik ini mampu menangkap pola musiman pada karakteristik pola data yang ada dan mampu meramalkan untuk beberapa periode kedepan. untuk output hasil olahan denga program dari minitab 14 dapat dilihat pada lampiran 4. Sedangkan teknik teknik tren akan memberikan nilai eror sangat tinggi dikarenakan adanya pola trend yang berlawanan sehinga perlu dilakukan pemotongan data untuk
di jadikan basis datanya untuk mendapatkan nilai eror yang kecil. untuk teknik lainya hanya mampu meramalkan satu periode kedepan, sehingga teknik ini tidak digunakan dalam permodelan
1. SARIMA
Metode sarima didalam pengguanaannya memerlukan data yang bersifat stasioner. Pada tahap identifikasi pola data sebelumnyadiktahui bahwa belum stasioner identifikasi pola menunjukkan bahwa sebaran dari awal bedakala menurun lambat sehingga diperlukan pembedaan pertama (Defferensing) data awal tersebut untuk menstasionerkan data. Dengan demikian proses arima selanjutnya dapat dilakukan.
Setelah dilakukan pembedaan pertama berikutya adalah melihat sebaran ACF dan PACF data yang telah mengalami pembedaan (lampiran). terlihat bahwa plot ACF setelah deperensing menjadi cut off nilai Autocorelation yang signifikan pada lag pertama saja dan pada lag ke tujuh juga signifikan ini mengindikasikan adanya musiman pada periode ketujuh. Kemudian dilakukan deperensing untuk season baru kemudian dilihat kembali sebaran ACFnya. Dari pola sebaran ACF yang dihasilkan pola cut of dan singnifikan pada lag pertama dan lag ketujuh
Sedangkan pada plot PACF, terlihat bahwa plot PACF menurun perlahan dan signifikan juga pada lah pertama dan ketujuh. Dengan demikian, model tentatif memiliki nilai ordo p sebesar 0, ordo q sebesar 0 dan ordo d sebesar 1 dan ordo season P sebesar 0, ordo Q sebesar 1 dan D sebesar 1 sehingga didapat model tentatif sarima (0,1,0) (0,1,1)7
Model tentatif yang diperoleh (lampiran 10) kemudian diperiksa kelayakannya dengan menggunakan proses diagnostic checking sebagai berikut : 1. Hasil output menunjukkan pada proses iterasi keempat belas kondisi konvergensi
sudah tercapai. Hal ini terlihat dari pernyataan ”Relative Change in each
2. Berdasarkan hasil output, terlihat bahwa koefisien autoregressive (MA) sebesar 0,9637. (kurang dari satu). hal ini menunjukkan bahwa model memenuhi syarat stasioneritas dan invertibilitas
3. Hasil output sarima (0,1,0) (0,1,1)7 terlihat bahwa nilai p-value koefisien kurang dari alfa
4. Dari plot ACF dan PACF residual, terlihat niali AC dan PAC dari residual tidak ada yang signifikan. hal ini menunjukakn bahwa proses arima menghasilkan eror yang sudah random tidak berpola. Hal tersebut juga terlihat dari nilai P-value Chi Square Statistik pada lag ke 12 yang lebih besar dari alfa
5. Mape yang dihasilkan oleh model tentative adalah sebesar 4,3
Model tentative yang didapat sudah memenuhi kreteria kelayakan model, karna model ini model yang paling sederhana (parsimoni) maka model sarima ini yang dipilih untuk dibandingkan dengan model model yang telah didapatkan dari sebeleumnya.
6.2.3. Pemilihan Teknik Peramalan Kuantitatif Terbaik
Setelah menerapkan berbagai teknik peramalan untuk meramalkan, maka langkah selanjutnya adalah pemilihan teknik yang dianggap terbaik dan sesuai. Pemilihan teknik ini berdasarkan kepada MAPE terkecil dan memiliki model yang sederhana untuk dapat diterapkan sesuai dengan tujuan peramalan. Tabel 16 berikut menunjukkan perbandingan hasil Output masing-masing teknik peramalan yang dipergunakan
Tabel 16. Perbandingan hasil penerapan Model Peramalan
No Teknik permodelan Tentatif MAPE
1. Dekomposisi a. Aditif b. Multiflikatif 10 12 2. Winter Brown α(0.2), β (0.2), γ (0.2)
Multiflikatif Aditif
α(0.2), β (0.2),γ (0.2) 4 5
3. Sarima (0,1,0)(0,1,1)7 4.3
Berdasarkan tabel diatas diperoleh hasil bahwa teknik peramalan yang memberikan MAPE terkecil untuk untuk data harga komoditi Olein pada pasar Fisik Jakarta adalah metode Winters Brown Multiflikatif dengan nilai Mape sebesar empat Model winters ini diputuskan untuk meramalkan harga Olein pada pasar fisik Jakarta untuk diterapkan meramalkan selama 8 periode kedepan . model ini juga hasilnya sangat baik untuk disandingkan dengan hasil peramalan untuk Olein Rotterdam karna dari teknik analisis yang sama.
