V. PERAMALAN HARGA CPO DI PASAR BERJANGKA DAN PASAR FISIK
5.1. Harga CPO di Pasar Berjangka Rotterdam 1. Analisis Pola Data Harga CPO
Data yang diperoleh dari BAPPEBTI berupa data harian dalam bentuk harga nominal CPO yang ada di pasar berjangka Rotterdam, dalam satuan US$/ton selama kurun waktu dua tahun mulai dari Januari 2004 sampai dengan Desember 2005, untuk memudahkan proses pengolahan data dan melakukan proses peramalan, maka data harian yang ada diubah dalam bentuk mingguan (rataan dari data harian) dan rataan dalam bulan.
Berdasarkan hasil analisis dengan model time series trend linier (Lampiran 1), bahwa harga CPO di pasar Rotterdam dalam rataan minggu selama dua tahun, menunjukan adanya trend penurunan harga CPO, penurunan yang terjadi disetiap kali penambahan minggu adalah sebanyak US$ 1,16/ton. Berdasarkan hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan minggu, menunjukan bahwa minggu pertama dan minggu keempat harga CPO di pasar Rotterdam cenderung meningkat. Hasil perhitungan rataan unsur musiman dapat dilihat pada Lampiran 2. 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 Mei, sedangkan pada tahun 2005 harga CPO cenderung meningkat pada bulan September sampai dengan Desember, hasil perhitungan rataan unsur musiman (season) dari hasil analisis trend dalam satuan bulan dapat dilihat pada Lampiran 3.
M in g gu H a rg a 9 0 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0 1 5 6 0 5 4 0 5 2 0 5 0 0 4 8 0 4 6 0 4 4 0 4 2 0 4 0 0 T im e Se r ie s Plo t o f R O T TER D AM
Fenomena terjadinya penurunan harga CPO sepanjang tahun 2004
sampai dengan tahun 2005, disebabkan oleh pengaruh permintaan terhadap CPO yang biasanya meningkat pada akhir minggu keempat dan awal minggu pertama, permintaan CPO yang meningkat ini disebabkan oleh kebiasaan dari para konsumen besar di dalam melakukan pembelian CPO pada minggu-minggu
tersebut.mmmmmmmmmmmmmmmmmmmmmmmmmmmmm Analisis pola data harga CPO selain menggunakan model time series,
juga menggunakan plot pola data serta plot autokorelasi. Hasil plot data harga mingguan CPO menunjukan bahwa data tidak stasioner. Ketidakstasioneran terlihat dari sebaran data harga CPO yang tidak berada disekitar garis lurus atau rata-rata konstan. Hal ini menunjukan bahwa kemungkinan pada data terdapat unsur trend. Plot data harga CPO dapat dilihat pada Gambar 6.
Gambar 6 . Plot Data Harga CPO di Pasar Berjangka Rótterdam
Hasil dari plot data harga CPO Rotterdam terlihat terjadi perubahan secara struktural pada pola data, mulai dari minggu satu sampai dengan minggu kedua puluh empat, fenomena data seperti ini menyebabkan data secara keseluruhan tidak dapat digunakan sebagai basis di dalam melakukan
peramalan. Oleh karena itu, proses peramalan menggunakan data yang dimulai dari minggu ke dua puluh lima sampai dengan minggu ke sembilan puluh enam.
Trend yang terjadi pada pola data harga CPO dari bulan Januari 2004-bulan Desember 2005 adalah trend menurun. Trend menurun ini disebabkan oleh faktor akibat negara-negara produsen minyak sawit mengalami kelebihan stok. Stok di beberapa negara produsen utama minyak sawit berlebih menjelang akhir tahun 2004 lalu. India sebagai salah satu negara pengimpor terbesar minyak dan lemak nabati juga mengurangi volume impornya, sehingga membuat harga CPO mengalami fluktuasi. Negara produsen yang mengalami kelebihan stok CPO adalah Malaysia, Brasil dan Indonesia. Malaysia sebagai produsen minyak sawit terbesar di dunia misalnya, menjelang akhir Desember 2004
mengalami kelebihan stok hingga sebanyak 1,4 juta ton2.mmmmmmmmmmmm Perkembangan harga CPO kedepannya di pasar dunia diduga mulai naik
dibandingkan tahun 2004-2005, kenaikan harga ini dipicu permintaan dunia untuk keperluan biodiesel. Situasi itu menepis kecemasan beberapa kalangan di awal tahun ini yang memperkirakan harga CPO masih akan tertekan. Kemungkinan penurunan produksi masih akan terjadi karena dugaan fenomena La Nina yang menyebabkan hujan yang lebat yang akan terjadi dalam waktu dekat. Akibatnya, banjir bisa merusak perkebunan2.m
Proses peramalan menggunakan basis data yang dimulai dari minggu ke dua puluh empat sampai dengan minggu ke sembilan puluh enam. Hasil plot data harga CPO Rotterdam terlihat secara umum data sudah stasioner, karena sudah berada pada rata-rata konstan. Gambar plot data dan plot ACF harga CPO di pasar Rotterdam dari minggu ke dua puluh lima sampai dengan minggu ke sembilan puluh enam, dapat dilihat pada gambar 7.
2
I n de x U S $ / T O N 7 0 63 5 6 49 4 2 35 2 8 21 1 4 7 1 4 6 0 4 5 0 4 4 0 4 3 0 4 2 0 4 1 0 4 0 0 3 9 0 Pl o t D a t a H a r g a CPO Pa s a r R ot t e r da m
Gambar 7. Plot Data Harga CPO Rotterdam Minggu 25 sampai Minggu 96
Alat analisis yang berikutnya digunakan untuk melihat pola data dan unsur pada data adalah plot ACF (Autocorrelation Function), dari plot ACF, nampak data sudah stasioner karena pada lag ke-3 nilai korelasinya sudah cutt off. Pola musiman terlihat setiap lag ke-7 karena pada setiap lag ke-7 nilai korelasi kembali meninggi. Akan tetapi pola musiman belum nampak stasioner sehingga perlu dilakukan pembedaan untuk mendapatkan pola ACF yang stasioner. Hasil setelah dilakukan pembedaan pada lag=7 dapat dilihat pada Gambar 9.
Gambar 8. Plot Data ACF Pasar Rotterdam La g A u to c o rr e la ti o n 70 6 5 60 5 5 5 0 4 5 4 0 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 , 0 0 , 8 0 , 6 0 , 4 0 , 2 0 , 0 - 0 , 2 - 0 , 4 - 0 , 6 - 0 , 8 - 1 , 0 AC F Ke l a p a S a w i t R ot t e r da m
La g A u to c o rr e la ti o n 6 0 5 5 50 45 40 3 5 3 0 2 5 2 0 1 5 1 0 5 1 1 , 0 0 , 8 0 , 6 0 , 4 0 , 2 0 , 0 - 0 , 2 - 0 , 4 - 0 , 6 - 0 , 8 - 1 , 0 A CF Ke l a p a Sa w i t R o t t e r da m D EFF 7
Gambar 9. Plot ACF Harga CPO di Pasar Berjangka Rótterdam Diff Lag 7
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), serta model time series lain yang bisa menangkap unsur tersebut adalahmmodelmWinters Multiflikatif.m
5.1.2. Model Peramalan Time Series untuk Harga CPO Rotterdam
1. Model Naive mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm Model ini mengasumsikan bahwa periode terkini merupakan prediktor
terbaik dari masa depan. Hasil dari penerapan model ini menghasilkan MAPE sebesar 1,59 persen.
2. Box – Jenkins (ARIMA)mmmmmmmmmmmmmmmmmmmmmmmmm