Peramalan Permintaan Pear dari Australia 155 59 Perkembangan Harga Pear Impor dari Australia Tahun
HASIL DAN PEMBAHASAN 5.1 Hasil
2 Winters Multiplikatif 8,54E+10
5.1.4. Permintaan Anggur Impor
5.4.1.3. Permintaan Impor Anggur dari China a Plot Data
China merupakan negara asal impor anggur Indonesia terbesar ketiga. Umumnya impor anggur dari China akan memuncak di Akhir tahun. Terjadi peningkatan yang sangat tajam permintaan impor anggur dari China dari tahun 2001 sampi 2002 yaitu sebesar 344,62 persen. Pada tahun 2001 dan 2002 permintaan impor anggur dari China adalah sebesar 93 dan 419 ton. Tahun 2002 dan 2003 masih terjadi peningkatan yaitu sebesar 8,40 dan 217,53 persen. Permintaan anggur impor tahun 2003 dan 2004 adalah sebesar 455 dan 1.445. ton. Penurunan terjadi pada tahun 2005 yaitu sebesar 59,63 persen dari tahun 2004 yaitu menjadi sebesar 583 ton.
Perkembangan Impor Anggur Indonesia dari China Tahun 2001-2005
0 50000 100000 150000 200000 250000 300000 janu ari mar et mei juli sept embe r nove mbe r janu ari mar et mei juli sept embe r nove mbe r janu ari mar et mei juli sept embe r nove mbe r janu ari mar et mei juli sept embe r nove mbe r janu ari mar et mei juli sept embe r nove mbe r Bulan B e ra t B e rs ih (k g ) Impor Anggur
Gambar 14. Perkembangan Impor Anggur Indonesia dari China tahun 2001–2005
96
b. Peramalan Permintaan Impor Anggur dari China
Berdasarkan tabel dibawah ini, metode peramalan time series terbaik
untuk permintaan anggur dari China adalah Metode SARIMA (0,0,0) (0,1,1)12
dalam bentuk persamaan back shift notation adalah (1-B12)1Yt = (1-0.7055B12)εt.
Hasil Pangolahan Metode SARIMA (0,0,0) (0,1,1)12 dapat dilihat pada Lampiran
49.
Tabel 25. Nilai MSE Metode Peramalan Time Series pada Permintaan Impor Angggur dari China
No. Metode MSE MSE terkecil
1 Trend 2,55E+10 6 2 W. Multiplikatif 5,53E+09 2 3 W. Aditif 8,65E+09 4 4 D. Multiplikatif 8,18E+09 3 5 D. Aditif 9,79E+09 5 6 SARIMA (0,0,0) (0,1,1)12 1,75E+09 1 1. Identifikasi
Berdasarkan gambar plot ACF dan PACF pada Lampiran 43, plot ACF
memiliki pola gelombang sinus (damped sine wave), sedangkan PACFnya cut
off. Pada gambar plot gambar autokorelasi dapat dilihat nilai autokorelasi yang
berbeda nyata dari nol terjadi pada lag 1,5 dan 6. Pada selain lag-lag tersebut,
nilai autokorelasinya sama dengan nol. Hal ini menunjukkan bahwa data permintaan impor anggur dari China sudah stasioner, jadi tidak perlu dilakukan pembedaan.
2. Estimasi
Melihat pola ACF dan PACF model tentative yang mungkin adalah AR
(1). selain kemungkinan dari model tersebut, tidak menutup kemungkinan untuk model tentaif yang lain. Menentukan model terbaik diantara model-model yang ditentukan adalah memilih model yang memiliki nilai MSE terkecil. Walaupun pada plot non musiman tidak menunjukkan adanya unsur trend, juga diuji dengan
melakukan pembedaan. Model ARIMA terbaik yang terpilih adalah SARIMA (0,0,0 )(0,1,1)12.
3. Evaluasi Model (Uji Diagnostik)
Setelah dilakukan estimasi parameter model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Kreiteria dalam evaluasi metode SARIMA antara lain:
- Prose iterasi harus convergence
Hasil pengolahan Model SARIMA menunjukkan bahwa proses iterasi telah
convergence (antara dua model sudah tidak ada beda yang nyata). Proses
iterasi terlah convergence ditunjukkan adanya pernyataan relative change in
each estimate less then 0,0010.
- Residual random
Residual dari hasil peramalan dari model juga menunjukkan bahwa residual (forcast error) sudah random. Sebagai indikator residual hasil ramalan telah
random indikator yang digunakan adalah modified Box-Pierce statistik. Hal ini
ditunjukkan bahwa nilai P-value untuk uji staitistik dari residual lebih besar dari 0,05. Selain itu grafik ACF dan PACF dari residual yang memiliki pola cut off menunjukkan bahwa residual telah acak
- Kondisi invertibilitas ataupun stasioneritas harus terpenuhi
Kondisi invertibilitas ataupun stasioner telah terpenuhi. Hal ini ditunjukkan oleh
jumlah koefisien MA atau AR yang masing-masingnya kurang dari satu. Dalam output model terlihat jumlah koefisien untuk SMA (1,1) = 0,7055 dan tidak terdapat koefisien SAR. Hal ini kondisi invertibilitas telah terpenuhi
- Parameter yang diestimasi berbeda nyata dari nol
Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Terlihat pada output bahwa P- value koefisen untuk untuk SMA (1,1) = 0,000
98
- Model harus parsimonius
Keseluruhan model yang telah memenuhi syarat di atas, model SARIMA (0,0,0 )(0,1,1).adalah model yang relatif sudah dalam bentuk paling sederhana - Model harus memiliki nilai MSE terkecil
Model ini memiliki nilai MSE terkecil dari keseluruhan model yang dicoba. Model ini memiliki nilai MSE sebesar 1,75E+09.
4. Peramalan
Hasil peramalan permintaan anggur dari China untuk 12 bulan ke depan
dapat dilihat pada Lampiran 49. Total permintaan anggur dari China terjadi
penurunan dari tahun sebelumnya menjadi sebesar 77 ton. Pucak terendah terjadi pada bulan Januari dengan total 4,8 ton, sedangakan puncak permintaan terendah terjadi pada bulan November, yaitu sebesar 160 ton.
c. Faktor-faktor yang mempengaruhi permintaan Impor Anngur Indonesia dari China
Berdasarkan hipotesis penelitian, keseluruhan variabel yang diduga mempengaruhi permintaan anggur dari China yang berpengaruh nyata antara
lain lag impor. Sedangkan variabel yang tidak berpengaruh nyata antara lain
nilai tukar, harga anggur, pasokan dan harga mangga PIKJ.
Rata-rata harga anggur yang berada di bawah harga rata-rata harga produsen anggur (lihat Lampiran 50) diduga sebagai penyebab harga dan nilai tukar tidak berpengaruh terhadap permintaan anggur dari China. Hal tersebut menyebabkan anggur dari China memilki daya saing yang lebih dari sisi harga di dalam pasar. Hal tersebut diduga menyebabkan respon permintaan impor anggur dari China pada jangka pendek maupun pada jangka panjang bersifat tidak elastis. Selain itu, terdapat indikasi bahwa pada saat pasokan mangga meningkat permintaan akan anggur impor menurun. Walaupun terjadi penurunan permintaan pada saat pasokan mangga PIKJ meningkat, tetapi penurunan impor
anggur kurang dari satu satuan peningkatan mangga. Hal tersebut terdapat dugaan, pada saat terjadi peningkatan mangga konsumen mengurangi konsumsi mangga hanya sekedar mencoba.
Tabel 26. Hasil Analisis Model Regresi Permintaan Impor Anggur dari China Tahun 2002-2005
Elastisitas Peubah koefisien koefisienSE hitung t- value p- VIF
SR LR
Constant -18333 77550 -0,24 0,815
Nilai tukar 5,398 7,919 0,68 0,501 1,0 1,28 1,47 Harga anggur impor -3157 9387 -0,34 0,739 1,4 -0,06 -0,07 Pasokan mangga PIKJ -0,001799 0,00154 -1,17 0,253 4,2 -0,2 -0,2 Harga mangga PIKJ -3,016 3,146 -0,96 0,345 2,8 -0,28 -0,32
Lag volume impor 0,13034 0,04501 2,90* 0,007 1,7 Februari -29402 23703 -1,24 0,224 2,2 Maret -12737 28213 -0,45 0,655 3,2 April 3677 33007 0,81 0,425 4,3 Mei 26681 29365 0,13 0,901 3,4 Juni 31533 27366 1,15 0,258 3,0 Juli 4734 27365 0,17 0,864 3,0 Agustus -10209 25961 -0,39 0,697 2,7 September 7075 26253 0,27 0,789 2,7 Oktober 26678 26067 1,02 0,314 2,7 November 60898 26400 2,31* 0,028 2,8 Desember 140001 25403 5,51* 0,000 2,6 R-Sq = 78,3% R-Sq(adj) = 67,1% Durbin-Watson statistic =2,17 F hit = 6,99
Keterangan: * = signifikan pada taraf nyata 5 % ; ** = signifikan pada taraf nyata 10 % SR = jangka pendek; LR = jangka panjang
Ada beberapa evaluasi model regresi permintaan anngur dari China (output komputer tersaji di Lampiran 52). Pertama, untuk mengetahui uji normalitas dapat dilihat dari grafik Kolmogorov-Smirnov ( lihat lampiran 52). Titik- titik residual yang tergambar dalam grafik tersebut segaris dan P-value lebih dari 0,15 lebih besar dari taraf nyata 5 persen, yang berarti residual model permintaan anggur dari China terdistribusi normal. Kedua, asumsi homoskedastisitas atau masalah heteroskedastisitas diperiksa menggunakan grafik Residual Plot (Lampiran 51). Pada grafik residual plot tidak ditemukan titik yang berpola sistematik (acak). Hal ini menunjukkan bahwa variasi setiap unsur residual adalah sama (konstan). Ketiga, masalah multikolinearitas dapat dilihat
100 dari nilai VIF. Pada Tabel 4 terlihat bahwa semua variabel bebas (penjelas) mempunyai nilai VIF lebih kecil dari 10, sehingga tidak terjadi masalah multikolinearitas. Keempat Uji Durbin-Watson menghasilkan nilai sebesar 2,17, maka dapat diambil kesimpulan tidak terdapat autokorelasi antar veriabel bebas dalam model. Hasil dugaan model regresi permintaan impor anggur dari China (Tabel 26) diperoleh koefisien determinasi sebesar 78,3 persen. Hasil tersebut memiliki pengertian bahwa 78,3 persen perubahan volume permintaan impor anggur dari China dapat dijelaskan oleh variasi variabel bebas dalam model, sedangkan 21,7 persen diterangkan oleh faktor-faktor lain yang tidak terdapat dalam model. Hasil uji F untuk model secara keseluruhan signifikasi pada taraf nyata sebesar 5 persen. Hasil tersebut memiliki pengertian bahwa secara bersama-sama semua variabel bebas dalam model mampu menjelaskan dengan baik perubahan volume permintaan impor anggur dari Australia.