KECENDERUNGAN PRODUKSI
PERUSAHAAN-PERUSAHAAN PEMBUDIDAYA SENGON (
Paraserianthes
falcataria
(L) Nielsen) SEPULUH TAHUN YANG AKAN
DATANG
DWI KARSONO
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
KECENDERUNGAN PRODUKSI
PERUSAHAAN-PERUSAHAAN PEMBUDIDAYA SENGON (
Paraseriaenthes
falcataria
(L) NIELSEN) SEPULUH TAHUN YANG AKAN
DATANG
Oleh :
DWI KARSONO
E14102060
DEPARTEMEN MANAJEMEN HUTAN
FAKULTAS KEHUTANAN
RINGKASAN
Dwi Karsono. E14102060. Kecenderungan Produksi perusahaan-perusahaan pembudidaya Sengon (Paraserianthes falcataria (L) Nielsen) Sepuluh Tahun yang Akan Datang. Dibimbing oleh Ir. Emi Karminarsih, MS.
Sengon (Paraserianthes falcataria (L) Nielsen) merupakan salah satu jenis kayu yang cukup besar dibudidayakan di Indonesia, hal ini terjadi karena karakteristik tanaman sengon yang merupakan jenis fast growing stock (tanaman cepat tumbuh) sehingga dapat dipanen pada umur 4-6 tahun. Tanaman ini menjadi semakin terkenal dikarenakan adanya program “sengonisasi” yang dilakukan pemerintah mulai tahun 1989.
Karena cukup besarnya budidaya sengon yang ada sekarang ini di Indonesia maka sengon merupakan salah satu jenis tanaman alternatif dalam pemenuhan kebutuhan kayu di Indonesia. Mengingat hal-hal di atas, maka perlu dilakukan peramalan nilai produksi untuk jenis sengon tersebut agar dapat diperoleh gambaran kondisi produksi sengon untuk satu dekade yang akan datang.
Dilakukan peramalan produksi untuk tipe perusahaan Hutan Tanaman Industri (HTI), Perhutani, Perusahaan Lainnya dan gabungan ketiganya yang disebut juga Perusahaan Pembudidaya Tnaman Kehutanan (PPTK). Peramalan ini menggunakan data time series mulai tahun 2002 hingga 2006. Tabulasi data awal menggunakan Microsoft excel 2007 dan proses peramalan dilakukan dengan menggunakan program Minitab 15.
Pada peramalan untuk tipe HTI, Perhutani dan perusahaan Lainnya jenis metode peramalan yang digunakan adalah metoda dekomposisi klasik. Untuk perusahaan Pembudidaya Tanaman Kehutanan (PPTK) metoda yang digunakan adalah dekomposisi klasik. Metode tersebut digunakan karena memiliki Mean Square Error (MSE) terkecil disbanding metode yang lainnya.
Pada HTI hasil peramalan produksi sengon untuk sepuluh tahun yang akan datang cenderung menurun, hal ini terjadi karena adanya kebakaran areal hutan yang cukup luas dan adanya wabah hama penyakit. Perhutani memiliki hasil ramalan produksi yang meningkat karena tipe perusahaan ini lebih baik dalam menjaga lahannya sehingga terhindar dari hama penyakit tanaman dan kebakaran lahan. Sedangkan untuk tipe perusahaan lainnya hasil ramalan produksi cenderung menurun hal ini terjadi karena pengaruh hama penyakit serta kebakaran lahan yang terjadi. Pada PPTK ramalan yang dihasilkan produksi sengon cenderung meningkat. Hal ini terjadi karena jumlah produksi sengon tipe perusahaan Perhutani lebih besar dibanding dengan tipe perusahaan HTI dan lainnya.
Hal diatas membuktikan bahwa industri kayu sengon masih memberi peluang untuk pemenuhan kebutuhan akan kayu di Indonesia. Hasil ramalan 10 tahun yang akan datang menyatakan bahwa kondisi volume produksi kayu sengon cenderung meningkat
PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi berjudul Kecenderungan Produksi Perusahaan-perusahaan Pembudidaya Sengon (Paraserianthes falcataria
(L) Nielsen) Sepuluh Tahun Yang Akan datang adalah benar-benar hasil karya saya sendiri dengan bimbingan dosen pembimbing dan belum pernah digunakan sebagai karya ilmiah pada perguruan tinggi atau lembaga manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Bogor, Oktober 2009
LEMBAR PENGESAHAN
Judul : Kecenderungan Produksi Perusahaan-perusahaan Pembudidaya Sengon (Parasainthes falcataria (L) Nielsen) Sepuluh (10) Tahun yang Akan Datang
Nama : Dwi Karsono NRP : E14102060 Program Studi : Manajemen Hutan
Menyetujui: Pembimbing
Ir. Emi Karminarsih M,S NIP. 19470926 198003 2 002
Mengetahui:
Dekan Fakultas Kehutanan IPB,
Dr. Ir. Hendrayanto, MAgr NIP.131 578 788
KATA PENGANTAR
Segala Puji dan Syukur penulis panjatkan kepada tritunggal Allah Bapa, Putera, dan Roh Kudus karena atas segala limpahan kasih karunia, berkat, dan petunjuk-Nya penulis memperoleh kekuatan dan kemudahan dalam menyelesaikan karya ini.
Dengan segenap usaha dan doa, akhirnya penulis dapat menyelesaikan skripsi yang berjudul “Kecenderungan Produksi Perusahaan-perusahaan Sengon (Paraserianthes falcataria (L) Nielsen) Sepuluh Tahun Yang Akan
Datang” yang merupakan salah satu syarat untuk mendapat gelar Sarjana Kehutanan pada Fakultas Kehutanan Institut Pertanian Bogor. Penulis berharap karya ini dapat bermanfaat sebagai pengetahuan mengenai klasifikasi hutan dalam pengelolaan dan perencanaan hutan.
Terima kasih penulis ucapkan pada pihak – pihak yang telah membantu selama penelitian dan penyelesaian penulisan skripsi ini :
1. Pak Andar, Pak Unung, ibu, mamak, mbak-mbak, pakde, bude, dan seluruh keluarga besar untuk semua dukungan dan doanya.
2. Ir. Emi Karminarsih, MS selaku dosen pembimbing skripsi yang dengan sabar memberikan arah dan bimbingan selama penelitian dan penulisan skripsi ini.
3. Bapak Ir. Jajang Suryana, Msc dan ibu Dr. Ir Mirza Dikari Kusrini, MS yang dapat meluangkan waktu dan bersedia menjadi dosen penguji penulis sewaktu ujian komprehensif.
4. Seluruh laboran, staf dan pegawai departemen menejemen hutan.
5. Teman-teman Fakultas kehutanan dan yang bukan atas semua bantuannya. 6. Teman-teman warkop dan sobat-sobat di kost-an yang selalu penuh
keceriaan sepanjang hari.
7. neng yang memberikan inspirasi penulis sewaktu kuliah dan seseorang “disitu” yang memberikan semangat penulis di waktu-waktu akhir penulisan ini sehingga tulisan ini bisa terselesaikan dengan baik.
Semoga semua bantuan yang telah diberikan kepada penulis menjadi amal yang baik dan mendapat balasan yang setimpal dari Tuhan Yang Maha Esa.
Penulis sangat menyadari bahwa masih banyak kekurangan dalam penyusunan skripsi ini. Oleh karena itu penulis mengharapkan kritik dan saran yang bersifat membangun agar pengembangan diri menjadi lebih baik dari saat ini. Semoga skripsi ini dapat bermanfaat bagi semua pihak pada umumnya serta penulis khususnya.
Bogor, Oktober 2009
RIWAYAT HIDUP
Penulis lahir di bukit kemuning, lampung tanggal 13 mei 1984 dan merupakan anak kedua dari pasangan bapak sudaryono dan Ibu kasiyah.
Riwayat pendidikan penulis dimulai dari pendidikan dasar di SD Kristen no 3 Bandarjaya tahun 1990-1996. Selanjutnya pendidikan menengah pertama di SLTP Negeri 1 Terbanggi besar pada tahun 1996-1999, kemudian melanjutkan ke SMU Negeri 1 Terbanggi besar pada tahun 1999-2002. Pada 2003 penulis diterima sebagai mahasiswa di Institut Pertanian Bogor (IPB) pada Program Studi Manajemen Hutan, Fakultas Kehutanan melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Tahun 2004 penulis memilih Perencanaan Hutan Sebagai bidang keahlian.
Selama kuliah di Institut Pertanian Bogor, penulis telah mengikuti PUPH (Praktek Pengenalan dan Pengelolaan Hutan) di KPH Cianjur, Jawa Barat dan sancang-kemojang. Selain itu penulis juga telah mengikuti program KKN (Kuliah Kerja Nyata) di Desa Sukasari dan Banjarwangi Kecamatan Menes, Kabupaten Pandeglang.
Penulis menyusun karya ilmiah yang berjudul "Kecenderungan Produksi Perusahaan-perusahaan Sengon (Paraserienthes falcataria (L)
Nielsen) Sepuluh Tahun yang Akan Datang" sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan di Fakultas Kehutanan IPB, di bawah bimbingan Ir. Emi Karminarsih, MS.
DAFTAR ISI
Halaman
DAFTAR TABEL... i
DAFTAR GAMBAR ... ii
DAFTAR LAMPIRAN... iii
BAB I. PENDAHULUAN 1.1Latar Belakang ... 1
1.2Tujuan Penelitian ... 2
BAB II. TINJAUAN PUSTAKA 2.1. Sejarah Penyebaran Pohom Sengon... 3
2.2. Mengenal Sengon... 3
2.2.1 Deskripsi Botani... 3
2.2.2 Habitat Sengon ... 5
2.2.3 Sifat Keragaman dan Manfaat Kayu Sengon ... 5
2.3. Tipe-tipe Perusahaan Produsen Kayu Sengon ... 7
2.3.1 Perusahaan Pembudidayaan Tanaman Kehutanan ... 7
2.3.2 Hutan Tanaman Industri ... 7
2.3.3 Perum Perhutani... 8
2.3.4 Perusahaan Lainnya ... 8
2.4. Peramalan... 8
2.4.1 Syarat-syarat Peramalan ... 9
2.4.2 Jenis-jenis Peramalan... 9
2.4.3 Alasan Pemilihan Tehnik Peramalan ... 14
BAB III. METODE PENELITIAN 3.1 Waktu dan Tempat ... 16
3.2 Bahan dan Alat ... 16
3.3 Metode Pengumpulan Data ... 16
3.4 Metode Pengolahan Data ... 16
3.5 Metode Analisis Data... 17
3.6 Pemilihan Metode Peramalan ... 19
4.1 Deskripsi Umum Industri Sengon... 22
4.2 Perkembangan Produksi dan Luas Areal ... 22
4.3 Peramalan Produksi Sengon Hutan Tanaman Industri ... 24
4.4 Peramalan Produksi Sengon Perum Perhutani... 27
4.5 Peramalan Produksi Sengon Perusahaan Lainnya ... 29
4.6 Peramalan Produksi Sengon Perusahaan Pembudidayaan Tanaman Kehutanan... 31
KESIMPULAN dan SARAN ... 35
DAFTAR PUSTAKA ... 37
Daftar Tabel
Halaman Tabel 1. Banyaknya perusahaan Pembudidaya Tanaman Kehutanan Menurut
Propinsi dan Bentuk Badan Hukum Akhir Tahun 2006 ... 21 Tabel 2. Nilai MSE Beberapa Metode Peramalan Time Series Produksi
Sengon HTI ... 23 Tabel 3. Hasil Ramalan Volume Produksi Sengon HTI ... 24 Tabel 4. Nilai MSE beberapa Metode Peramalan Time Series Produksi
Sengon Perum Perhutani ... 26 Tabel 5. Hasil Ramalan Volume Produksi Sengon Perum Perhutani ... 27 Tabel 6. Nilai MSE Beberapa Metode Peramalan Time Series Produksi
Sengon Perusahaan Lainnya ... 28 Tabel 7. Hasil Ramalan Volume Produksi Sengon Perusahaan Lainnya... 29 Tabel 8. Nilai MSE Beberapa Metode Peramalan Time Series Produksi
Daftar Gambar
Halaman Gambar 1. Data Volume Produksi Sengon HTI Tahun 2002-2006 ... 23 Gambar 2. Data Volume Produksi Sengon Perum Perhutani Tahun
2002 – 2006... 25 Gambar 3. Data Volume Produksi Sengon Perusahaan Lainnya Tahun
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Data Volume Produksi HTI Tahun 2002-2006 ...35
Lampiran 2. Data Volume Produksi Perum Perhutani Tahun 2002-2006 ...35
Lampiran 3. Data Volume Produksi Perusahaan LainnyaI Tahun 2002-2006 ...36
Lampiran 4. Data Volume Produksi PPTK Tahun 2002-2006 ...36
Lampiran 5. Plot Time Series Volume Produksi HTI...37
Lampiran 6. Anderson-darling probability plot test...37
Lampiran 7. Plot autokorelasi dan autokorelasi parsial Volume Produksi HTI ...38
Lampiran 8. Kurva Peramalan Volume Produksi HTI dengan Berbagai Metode yang Diterapkan ...39
Lampiran 9. Plot Time Series Volume Produksi Perhutani ...43
Lampiran 10. Anderson-darling probability plot test ...43
Lampiran 11. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perhutani ...44
Lampiran 12. Kurva Peramalan Volume Produksi Perhutani dengan Berbagai Metode yang Diterapkan...45
Lapiran 13. Plot Time Series Volume Produksi Perusahaan Lainnya ...49
Lampiran 14. Anderson-darling probability plot test Perusahaan Lainnya ...49
Lampiran 15. Plot autokorelasi dan autokorelasi parsial Volume Produksi Perusahaan Lainnya ...50
Lampiran 16. Kurva Peramalan Volume Produksi Perusahaan Lainnya Dengan Berbagai Metode yang Diterapkan. ...51
Lampiran 17. Plot Time Series Volume Produksi PPTK...55
Lampiran 18. Anderson-darling probability plot test...55
Lampiran 19. Plot autokorelasi dan autokorelasi parsial Volume Produksi PPTK ... 56
Lampiran 20. Kurva Peramalan Volume Produksi PPTK dengan Berbagai Metode yang Diterapkan ...57
Hukum pada Akhir Tahun 2002...61 Lampiran 22. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan
Hukum pada Akhir Tahun 2003...62 Lampiran 23. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan
Hukum pada Akhir Tahun 2004...63 Lampiran 24. Banyaknya PPTK Menurut Propinsi dan Bentuk Badan
Hukum pada Akhir Tahun 2005...64 Lampiran 25 Mutasi Luas Tanaman Sengon Selama Tahun 2002-2006
Diberbagai Tipe Perusahaan ...65 Lampiran 26. Tabel Pengadaan dan Penggunaan Masing-Masing Tipe
BAB I
PENDAHULUAN
1. Latar Belakang
Didalam Media Indonesia (2009) menteri kehutanan MS Kaban menegaskan bahwa luas hutan di Indonesia sekitar 138 juta Ha, itu berarti ± 70% dari luas daratan yang ada di Indonesia merupakan kawasan hutan. Dengan meningkatnya pertumbuhan penduduk maka meningkat pula kebutuhan akan sumberdaya hutan khususnya kebutuhan akan kayu. Permasalahan yang timbul di bidang usaha kehutanan yang ada saat ini adalah pemeliharaan tanaman (kebakaran dan hama penyakit tanaman) serta penjagaan areal hutan (pencurian dan perebutan lahan dengan msayarakat). Untuk itu perlu di lakukan pengelolaan hutan secara lestari, untuk pemenuhan demand terhadap kayu yang semakin meningkat. Disatu sisi, dan sisi lain semakin kurangnya suply kayu hutan alam. Sehingga perlu diperluas usaha dibidang pengelolaan hutan seperti program pengembangan hutan rakyat.
Salah satu jenis kayu yang cukup terkenal dan dibudidayakan secara besar-besaran di Indonesia adalah sengon (Paraserienthes falcataria (L) Nielsen). Dengan jumlah pembudidayaan yang cukup besar ini maka dapat di perkirakan bahwa produksi yang akan di hasilkan diharapkan cukup besar, sehingga mampu untuk menunjang pemenuhan kebutuhan kayu dalam negeri khususnya untuk konstruksi dan furniture. Hal itu berkaitan dengan karakteristik kayu sengon yang merupakan jenis tanaman cepat tumbuh (fast growing species), bahkan ada yang mengatakan bahwa kayu sengon ini tergolong kayu ajaib karena daurnya tidak terlalu lama dan dapat dipanen pada umur 4 - 6 tahun (Trubus 2008).
Di Indonesia, produksi jenis kayu sengon sudah mulai dikembangkan sejak tahun 1989 dan akhir-akhir ini, kegiatan penanaman sudah dilakukan melalui kegian HTI, Perhutani dan Perusahaan Lainnya. Banyaknya kebutuhan akan kayu merupakan pendorong utama pengusaha untuk menjadikan kayu sengon sebagai salah satu jenis alternatif yang di produksi secara massal.
Atas dasar jenis sengon merupakan salah satu yang disarankan dalam pemenuhan program dan kegiatan pengembangan hutan baik bagi pemenuhan bahan baku industri mupun memenuhi kebutuhan domestik akan kayu rakyat, maka melalui penelitian ini dengan judul “Tren Produksi Sengon (Paraserienthes
falcataria (L) Nielsen) Sepuluh Tahun yang Akan Datang”, dapat
menggambarkan mengenai kondisi produksi jenis sengon dalam satu dekade yang akan datang.
2. Tujuan Penelitian
Penelitian ini bertujuan untuk memperoleh gambaran tentang tren komoditi jenis sengon sepuluh (10) tahun mendatang berdasarkan tersedianya data
BAB II
Tinjauan Pustaka
1. Sejarah dan Penyebaran Pohon Sengon
Berdasarkan catatan sejarah, sengon merupakan spesies asli dari kepulauan sebelah timur Indonesia yaitu wilayah sekitar Maluku dan Papua. Baru pada tahun 1870-an pohon ini menyebar ke seluruh kawasan Asia Tenggara mulai dari Myanmar sampai Filipina. Habitat alami pohon sengon ditemukan di kepulauan Maluku (Atmosuseno 1998). Pohon sengon pertama kali di temukan pada tahun 1871 oleh Teysmann di Pulau Banda lantas di bawa ke pulau jawa atau lebih tepatnya ke Kebun Raya Bogor. Dari Kebun Raya Bogor sengon kemudian disebarkan ke berbagai daerah di Indonesia mulai dari Sumatra hingga ke Papua. Penyebaran secara luas disebabkan karena mudahnya pohon ini tumbuh dan menyesuaikan diri dengan lingkungan. Tidak mengherankan apabila kalau sengon saat ini telah tersebar luas hingga ke Srilanka,India, Malaysia, Fiji dan Samoa (Santoso 1992). Sedangkan penyebaran secara alami pohon sengon berkisar di daerah Maluku, Papua Nugini, Kep. Solomon, dan Bismark.
2. Mengenal Sengon
2.1 Deskripsi Botani
Sengon dalam bahasa latin selain disebut Paraserianthes falcataria (L) Nielsen, juga sering disebut Albazia falcataria (L) Fosberg. Di Indonesia, sengon memiliki beberapa nama daerah seperti berikut (Atmosuseno 1998) :
1. Jawa : jeunjing, albasia (Jawa Barat) ; jing laut (Madura) ; mbesiah (Jawa Tengah) ; dan sengon sabrang (Jawa Tengah dan JawaTimur)
2. Sulawesi : tedehu pute.
3. Maluku : rawe, selawoku merah, seka, sika, sika bot, bai wagohon,wai atau wikie
Meskipun memiliki banyak julukan tetapi yang paling akrab untuk nama pohon ini adalah sengon itu sendiri. Hal itu terlihat dengan adanya program pemerintah berupa proyek “sengonisasi” bagi daerah-daerah kritis yang rawan terhadap bencana erosi (Atmosuseno 1998).
Sengon merupakan salah satu jenis pohon yang pertumbuhannnya sangat cepat. Pertumbuhannya selama 25 tahun dapat mencapai tinggi 45 meter dengan diameter batang mencapai 100 cm. mengingat pertumbuhan yang sangat cepat tersebut maka sengon dijuluki sebagai pohon ajaib (the miracle tree). Pada umur enam tahun sengon sudah dapat menghasilkan kayu bulat sebanyak 372 m3/ha (Atmosusesno 1998).
Pohon sengon berbatang lurus , tidak berbanir, kulit berwarna kelabu keputih-putihan, licin, tidak mengelupas dan memiliki tingi bebas cabang mencapai 20 meter. Tajuk berbentuk perisai, agak jarang dan selalu hijau. Tajuk yang agak jarang ini memungkinkan beberapa jenis tanaman perdu tumbuh baik di bawahnya (Santoso 1992).
Sengon berdaun majemuk ganda, jenis daun seperti ini merupakan ciri bagi suku Mimosaceae seperti halnya pohon turi (Sesbania grandiflora), putri malu (Mimosa pudica) dan petai cina (Leucaena gluaca). Pada intensitas cahaya rendah khususnya pada sore hari menjelang malam anak daun mudah terkulai (Atmosuseno 1994).
Pohon ini berbunga sepanjang tahun dan berbuah pada bulan Juni-November (umumnya pada akhir musim kemarau). Jumlah benih perkilogram dapat mencapai 40.000-55.000 biji. Bunga pohon sengon tersusun dalam bentuk malai dengan ukuran daun mahkota yang kecil sekitar 0,5-1 cm. benang sari menonjol lebih panjang dari daun mahkota. Warna bunga putih kekuningan dan kuntum bunga yang mekar berisi bunga jantan dan bunga betina. Cara penyerbukan bunga yang sedikit berbulu ini di bantu oleh serangga dan angin (Santoso 1992).
polongnya. Biji sengon berbentuk elips seperti perisai kecil dan ketika masih muda berwarna hijau, apabila telah masak berwarna coklat kehitam-hitaman, agak keras dan licin.
2.2 Habitat Sengon
Sengon (Paraserianthes falcataria (L) Nielsen) merupakan spesies pionir, terutama terdapat pada hutan hujan dataran rendah sekunder atau hutan pegunungan rendah. Sengon termasuk salah satu spesies paling cepat tumbuh di dunia, mampu tumbuh tinggi 8 m/tahun dalam tahun pertama penanaman. Tumbuh mulai pantai sampai dengan 1600 mdpl, ketinggian tempat yang optimal untuk tanaman sengon antara 0-800 mdpl (Hidayat 2002).
Sengon termasuk dalam jenis tanaman tropis, sehingga untuk tumbuh memerlukan suhu sekitar 20-33 oC. namun demikian, suhu optimal yang diperlukan sengon berkisar antara 22-29 oC (Atmosuseno 1998). Sengon dapat beradaptasi dengan iklim monsoon dan iklim lembab dengan curah hujan 200-2700 mm/tahun dengan bulan kering sampai 4 bulan.
Santoso (1992) mengatakan bahwa sengon dapat tumbuh baik pada tanah regosol, alluvial, dan letosol yang bertekstur lempung berpasir atau lempung berdebudengan kemasaman tanah (pH) sekitar 6-7. sengon juga dapat di tanam pada tanah yang tidak subur tanpa pupuk, tetapi tidak dapat tumbu subur pada lahan yang berdrainase buruk. Termasuk dalam spesies yang memerlukan cahaya dan membutuhkan kelembaban sekitar 50%-75%.
2.3 Sifat, Keragaman Penggunaan dan Manfaat Kayu Sengon
sifat mekaniknya, kayu sengon memiliki keteguhan lengkung statik diatas nilai 500 kg/cm dan termasuk kedalam kayu kelas kuat IV (Atmosuseno 1998).
Berdasarkan komponen kimia yang terkandung dalam kayu sengon, persentase selulosa dan ekstraktif tergolong tinggi, sedangkan presentase lignin dan pentosa tergolong rendah. Dengan presentase selulosa yang tinggi maka kayu sengon sangat potensial untuk di jadikan bahan baku pulp kertas dan produk selulosa lainnya. Presentase lignin dan pentosa yang rendah menunjukan bahwa kayu sengon tidak terlalu kuat dan tidak terlalu kaku (Atmosuseno 1998).
Atmosuseno (1998) juga mengatakan bahwa pohon sengon merupakan pohon yang serbaguna. Dari mulai daun hingga perakarannya dapat dimanfaatkan untuk berbagai macam keperluan.
1. Daun
Daun sengon, sebagai famili fabaceae lainnya merupakan pakan ternak yang sangat baik dan memiliki protein yang sangat tinggi. Jenis ternak seperti sapi, kambing, dan kerbau sangat menyukai daun sengon tersebut.
2. Perakaran
System perakaran sengon banyak mengandung nodul akar sebagai hasil simbiosis dengan bakteri rhizobium. Hal ini menguntungkan bagi akar dan sekitarnya. Keberadaan nodul akar dapat membantu porositas tanah dalam penyediaan unsur nitrogen dalam tanah. Dengan demikian pohon sengon dapat membuat akar disekitarnya menjadi lebih subur. Selanjutnya ditanami dengan tanaman palawija sehingga mampu meningkatkan pendapatan petani penggarapnya.
3.Kayu
3. Tipe-tipe Perusahaan Produsen Kayu Sengon
3.1 Perusahaan Pembudidaya Tanaman Kehutanan
Perusahaan pembudidaya tanaman kehutanan adalah usaha berbentuk badan usaha/hukum yang bergerak di bidang pembudiyaan tanaman kehutanan. Jenis tanaman kehutanan yang di budidayakan adalah jenis tanaman yang cepat tumbuh seperti sengon, pinus, akasia, sonokeling dan lainnya. Perusahaan pembudidayaan tanaman kehutanan meliputi HTI, Perum Perhutani dan Lainnya. Perbedaan ketiganya hanya terletak pada lokasi pengusahaan hutan didalam atau diluar kawasan hutan.
3.2 Hutan Tanaman Industri
Menurut peraturan pemerintah No 7 tahun 1990, yang dimaksud dengan HTIadalah hutan yang dibangun dalam rangka meningkatkan potensi dan kualitas hutan produksi dengan menerapkan silvikultur intensif untuk memenuhi kebutuhan bahan baku industri hasil hutan. Tujuan pembangunan HTI adalah untuk menunjang pertumbuhan industri perkayuan dengan penyediaan bahan baku, untuk menunjang ekspor kayu olahan disamping pemenuhan kebutuhan kayu di dalam negeri, dan juga untuk memperluas lapangan kerja.
Berdasarkan tujuan penggunaan hasil HTI di bagi menjadi 4 kelas yaitu :
a. Kelas perusahaan kayu pertukangan ( untuk bahan baku kayu lapis, kayu gergajian ,veener).
b. Kelas perusahaan kayu serat (untuk bahan baku kayu pulp, kertas, fiber
board yang dapat di ubah secara kimia menjadi rayon dan seluloid).
c. Kelas perusahaan kayu energi (untuk arang, kayu bakar dan gasifier)
d. Kelas perusahaan hasil hutan bukan kayu.
Areal dan lokasi untuk pembangunan HTI terdiri dari :
• Kawasan hutan produksi tetap atau kawasan hutan lainnya yang dapat ditetapkan menjadi hutan produksi tetap.
3.3 Perum Perhutani
Menurut peraturan pemerintah No. 36 tahun 1986, Perum perhutani adalah badan usaha milik negara yang diberi tugas dan wewenang untuk menyelenggarakan perencanaan, pengurusan, pengusahaan dan perlindungan hutan di wilayah kerjanya.
Wilayah kerja perum perhutani dibagi kedalam wilayah kerja unit yaitu : a. Wilayah kerja unit jawa tengah, disebut Unit I Jawa Tengah
b. Wilayah kerja unit jawa timur, disebut Unit II Jawa Timur
c. Wilayah kerja unit jawa barat, disebut Unit III Jawa Barat
Pembagian wilayah kerja unit kedalam kesatuan pemangkuan hutan (KPH). Yang dimaksud dengan perusahaan (Perum Perhutani) dalam pengumpulah data ini adalah Kesatuan Pemangkuan Hutan (KPH).
3.4 Perusahaan Lainnya
Perusahaan Lainnya adalah perusahaan selain HTI dan Perum Perhutani, yang membudidayakan tanaman kayu-kayuan kehutanan.
4. Peramalan
Dalam melakukan analisa ekonomi ataupun analisa kegiatan usaha perusahaan, haruslah dipekirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha pada masa yang akan datang. Kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang disebut juga dengan peramalan (forecasting) (Assauri, 1984).
kebijakan pemerintah), perkembangan potensi masyarakat, perkembangan tehnologi, penemuan-penemuan baru dan perbedaan antara hasil ramalan yang ada dengan kenyataan.
4.1 Syarat-syarat peramalan
Makridarkis et al. (1999) menyatakan bahwa komitmen tentang peramalan telah tumbuh karena berbagai faktor yaitu :
1. Meningkatnya kompleksitas organisasi dan lingkungannya. 2. Meningkatnya ukuran yang berubah dengan cepat.
3. Lingkungan dari organisasi yang berubah dengan cepat. 4. Pengambilan keputusan yang semakain sistematis.
5. Metode peramalan dan perngetahuan semakin berkembang.
Dalam dunia bisnis, hasil ramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan manajemen membuat perencanaan, meningkatkan peluang bisnis maupun mengatur pola investasi. Semakin tinggi akurasi yang dicapai peramalan, semakin tinggi pula peran peramalan dalam perusahaan karena hasil dari peramalan dapat memeberikan arah bagi perencanaan perusahaan, perencanaan produk dan pasar, perencanaan penjualan dan produksi.
Syarat dalam melakukan peramalan dengan tehnik tren :
1. Peningkatan produktifitas dan teknologi baru yang mengarah ke perubahan gaya hidup.
2. Kenaikan populasi yang menyebabkan peningkatan permintaan atas barang dan jasa.
3. Daya beli dolar mempengaruhi variable ekonomi akibat dari inflasi. 4. Meningkatnya permintaan pasar.
4.2 Jenis-jenis peramalan
Metode peramalan kuantitatif
Metode peramalan kuantitatif adalah metode yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangan bergantung pada metode peramalan yang digunakan dalam peramalan tersebut. Penggunaan metode peramalan yang berbeda akan diperoleh hasil permalan yang berbeda pula. Adapun yang perlu diperhatikan adalah baik tidaknya metode yang dipergunakan sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan apa yang terjadi. Metode yang baik adalah yang memberikan perbedaan atau penyimpangan terkecil.
Metode kuantitatif memerlukan data historis atau data empiris dan ini menuntut variable yang di gunakan punya satuan ukur atau dapat diukur. Menurut Hanke et al. (2003), metode ini dapat digunakan jika terdapat tiga kondisi :
a. Adanya informasi tentang keadaan masa lalu (data historis) b. Data tersebut dapat di kuantifikasikan dalam bentuk data numerik
c. Diasumsikan bahwa pola data masa lalu akan berkelanjutan pada masa yang akan datang.
Metode kuantitatif dapat dibedakan menjadi menjadi dua macam, yaitu metode deret waktu (time series) dan metode kausal.
Metode Deret Waktu (Time Series)
Metode peramalan deret data merupakan suatu tehnik peramalan yang didasarkan pada analisis perilaku atau nilai dimasa lalu suatu variabelyang disusun menurut aturan waktu. Alasan penggunaan model ini dikarenakan bentuknya sederhana cepat dan murah. Model ini cocok untuk meramal sejumlah besar variable dalam tempo singkat sengan sumberdaya yang terbatas.
Hanke et al. (2003) menyebutkan bahwa salah satu aspek penting dalam memilih metode peramalan yang sesuai untuk deret data adalah mempertimbangkan beberapa tipe pola data.
Pola data tersebut dibedakan menjadi empat, antara lain : a. Pola horisontal
suatu produk tidak meningkat atau menurun secara konsisten selama beberapa waktu.
b. Pola musiman
Pola ini terjadi ketika data observasi dipengaruhi oleh faktor musiman. Komponen musiman merupakan fluktuasi yang terjadi kurang dari setahun dan berulang pada tahun-tahun berikutnya. Komponen musiman relatif dominan pada peubah-peubah yang besarannya tergantung pada musim atau cuaca, seperti produksi pada komoditi pertanian.
c. Pola siklus (cyclus)
Pola ini terjadi ketika data observasi terlihat naik atau turun dalam periode waktu yang tidak tetap. Komponen sklus seperti fluktuasi gelombang disekitar garis tren seperti biasanya dipengaruhi oleh keadaan ekonomi secara umum. Nilai fluktuasi yang terjadi lebih dari setahun disekitar garis tren, misalnya disebabkan oleh fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis. Komponen siklus umumnya ditemukan pada analisa jangka panjang seperti ramalan peubah terkait dengan siklus hidup produk.
d. Pola kecenderungan (trend)
Pola ini terbentuk ketika data observasi terlihat meningkat atau menurun dalam periode waktu yang lebih panjang. Tren merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan deret data. Penyebabnya dapat berupa pertumbuhan penduduk, perubahan teknologi, inflasi, produktifitas dan sebagainya.
a. Tehnik peramalan data stasioner
Tehnik peramalan yang dapat dipertimbangkan untuk pola data stasioner antara lain metode naif, simple moving average (rata-rata bergerak), simple
exponential smoothing dan Autoregressive Integrated Moving Average
(ARIMA).
b. Tehnik peramalan data tren
Tehnik peramalan data tren yang dapat dipertimbangkan antara lain meliputi metode moving avcerage (rata-rata bergerak), holt’s linier exponential smoothing, simple regression, growth curves, exponential
model dan Autoregressive Integrated Moving Average (ARIMA).
c. Teknik peramalan data musiman
Data dengan pola musiman, teknik-teknik yang dapoat dipilih diantaranya terdiri dari metode dekomposisi klasik, cencus X-12, winter’s exponential smoothing, time series multiple regression,growth curves, exponential
model dan metode Autoregressive Integrated Moving Average (ARIMA).
d. Tehnik peramalan data siklus
Pada data dengan pola siklus , teknik-teknik yang dapat dipertimbangkan diantaranya metode dekomposisi klasik, indikator ekonomi, modelekonometrik, multiple regression dan metode Autoregressive
Integrated Moving Average (ARIMA).
Metode-metode yang digunakan dalam time series terdiri dari beberapa metode. Pembagian metode tersebut bervariasi menurut para ahli, namun pada dasarya memiliki maksud dan tujuan yang sama. Metode-metode time series
tersebut, sebagai berikut : 1. Metode tren
2. Metode rata-rata
• Metode rata-rata sederhana (simple average)
Metode ini merupakan metode yang tepat ketika seri data secara umum tidak berubah dan stabil, misalnya umlah penjualan produk daur hidupnya berada dalam kondisi maturity. Metode ini menggunakan rata-rata dari seluruh data historis sebagai ramalan untuk periode mendatang (Hanke et al. 2003).
• Metode rata-rata bergerak sederhana (simple moving average) Metode ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada setiap nilai, muncul nilai pengamatan baru, nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling tuadan memasukan nilai pengamatan yang terbaru. Metode ini tidak dapat mengatasi unsur tren dan musiman.
• Metode rata-rata bergerak ganda
Salah satu cara untuk meramalkan data time series yang memiliki tren linier adalah dengan menggunakan rata-rata bergerak ganda. Metode ini menghitung rata-rata bergerak sebelumnya (Hanke et al. 2003).
3. Metode pemulusan eksponensial
Metode ini merupakan metode yang secara kontinyu merevisi suatu nilai pendugaan atau nilai peramalan dengan mempertimbangkan perubahan atau fluktuasi data terakhir. Pada pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang digunakan. Pemberian bobot pada setiap data adalah berbeda dan menurun secara eksponensial terhadap pengamatan yang lebih tua. Metode pemulusan ini terdiri atas :
• Metode pemulusan eksponensial tunggal (single exponential smoothing)
digunakan untuk peramalan data time series dengan pola data stasioner
• Metode pemulusan eksponensial ganda ; metode linier satu parameter dari Brown (double exponential smoothing with linier trend)
Metode ini digunakan untuk peramalan data time series dengan tren linier. Metode ini memiliki tambahan nilai pemulusan dan disesuaikan untuk mengatasi unsur tren.
4. Metode Box-Jenkins (ARIMA)
Metode ARIMA merupakan metode yang berbeda dengan metode peramalan lkain, karena metode ini tidak mensyaratkan pola data tertentu supaya model dapat bekerja dengan baik. Secar teoritis, metode ARIMA merupakan metode yang canggih terutama untuk melakukan peramalan jangka pendek. Akan tetapi, secara praktis terdapat beberapa kelemahan (Hanke et al. 2003) :
• Jumlah data yang dibutuhkan relatif sangat besar
• Apabila terdapat data baru yang tersedia sering kali parameter dan model ini harus diestimasi ulang. Hal tersebut mengidentifikasi bahwa adanya revisi total terhadap model yang telah dibuat.
• Waktu yang dibutuhkan cukup lama untuk mencari model yang tepat.
4.3 Alasan pemilihan tehnik peramalan
Terdapat beberapa kriteria yang dapat dijadikan sebagai pedoman dalam memilih teknik peramalan yang sesuai bagi datayang akan diramal. Beberapa kriteria yang biasa dipakai adalah akurasi, jangkauan peramalan, biaya dan Mean
Squared Error (MSE). Metode peramalan yang memberikan nilai MSE terkecil
dapat dianggap sebagai metode terbaik untuk digunakan (Mulyono, 2000).
BAB III
METODE PENELITIAN
1. Waktu dan Tempat Penelitian
Penelitian dilakukan pada bulan april sampai juli 2009. Pengambilan data sekunder dilakukan di perpustakaan Badan Pusat Statistika yang berpusat di Jakarta.
2. Bahan dan Alat
Bahan yang digunaan merupakan data sekunder dalam bentuk deret berkala kayu sengon di Indonesia, terdiri dari data volume produksi kayu sengon secara nasional, mutasi luas tanaman sengon, data pengadaan dan penggunaan kayu sengon di Indonesia.
3. Metode pengumpulan data
Data yang digunakan adalah data sekunder berupa data berkala tahunan (time series) dari nilai volume produksi, mutasi luas, jumlah pengadaan dan penggunaan hasil produksi kayu sengon di Indonesia. Ditambah lagi dengan pengumpulan data atau informasi melalui studi literatur.
4. Metode pengolahan data
Data sekunder bersifat kuantitatif, melalui proses tabulasi yang kemudian diolah secara komputerisasi dengan menggunakan program
microsoft exel dan minitab 15. Pemilihan program tersebut karena telah dikenal dan mudah digunakan.
Pola fluktuasi volume produksi sengon diidentifikasi dengan analisa visual grafik sederhana perkembangan berdasarkan penyebaran data (scatter diagram) dari waktu ke waktu. Untuk melihat apakah data stasioner atau ada unsur tren dalam deret data, maka dilakukan dengan mempelajari plot autokorelasi (ACF) dan plot autokorelasi parsial (PACF) dari deret data tersebut menggunakan minitab 15.
5. Metode analisis data
Metode peramalan yang akan diuji dan digunakan dalam penelitian adalah metode exponential smoothing Holt, Eksponential Smoothing
Winter, dekomposisi data, ARIMA (metode Box-Jenkins). Penggunaan
metode peramalan tersebut berdasarkan plot data dan autokorelasi yang menunjukkan pola data tidak stasioner. Formulasi dari masing-masing metode tersebut adalah sebagai berikut :
a. Metode Exponensial Smoothing Holt
Menurut Assauri (1984) metode ini akan menyesuaikan faktor tren yang ada pada pola data. Dipopulerkan oleh C.C. Holt (1957), model ini menambahkan faktor pertumbuhan atau faktor tren pada persamaan dasar dari smoothing.
Rumus Holt’s Linear Smoothing : Untuk komponen level estimate :
Lt = αYt + (1 – α)(Lt-1)
Untuk komponen tren estimate : Tt = β(Lt – Lt-1) + (1 – β)Tt-1
Untuk forecast (peramalan) periode ke p dari data tertentu :
Ŷt+p = Lt + pTt
Dimana :
Lt = Level estimate ( dipengaruhi oleh besaran α)
Tt = Tren estimate ( dipengaruhi oleh besaran β)
Ŷt+p = nilai peramalan untuk periode p.
β = konstanta pemulusan untuk estimasi tren
p = Periode yang diramalkan
Yt = Data yang baru atau yang sebenarnya pada periode t
b. Metode Exponential Smoothing Winter
Menurut Assauri (1984) metode ini merupakan perluasan dari metode Holt. Dipopulerkan oleh Winter, model ini menambahkan faktor seasonal pada persamaan dasar dari smoothing. Berbeda dengan metode exponential smoothing holt, pada metode Winter ada dua macam cara perhitungan peramalan, yakni secara aditif atau secara multiplikatif. Disini akan digunakan rumus multiplikatif dengan rumus :
Rumus metode Winter (ada 4 persamaan) : Untuk komponen level estimate :
Untuk komponen tren estimate
Untuk komponen seasonality estimate
Untuk peramalan periode ke p :
Dimana :
S = seasonality estimate (dipengaruhi besaran γ)
γ = konstanta pemulusan untuk seasonality estimate
Model yang digunakan adalah model multiplikatif karena data bervariasi dengan besar variasi yang tidak sama dengan rumus sebagai berikut :
Karena faktor iregular (I) dapat dianggap 1 dan faktor C sulit untuk menentukan dengan pasti maka dapat dianggap bernilai 1.
d. Metode Box-Jenkins/ARIMA
Menurut Santoso (2009) pada metode ini untuk data yang tidak stasioner maka dilakukan differencing, yakni selisih antara data tertentu dengan data sebelumnya. Jika differencing berorder satu, persamaan adalah :
Y’t = Yt – Yt-1
Dimana :
Y’t = selisih data satu order
Yt = data pada waktu t
Yt-1 = data pada waktu t-1
Proses arima dapat dinyatakan sebagai gabungan dari 2 model/metode peramalan yaitu model autoregressive dan moving
average. Sehingga dapat juga di nyatakan sebagai berikut :
ARIMA (p,d,q) Dimana :
p = angka untuk model autoregressive (AR)
d = angka untuk order differencing
q = angka untuk model moving average (AR)
6. Pemilihan Metode Peramalan
Pemilihan terhadap metode yang dianggap paling sesuai untuk peramalan volume produksi kayu sengon, menggunakan kriteria pemilihan metode yang paling sering digunakan atau kriteria utama yaitu mean square error (MSE). Metode yang kedua adalah memiliki bentuk paling sederhana dan membutuhkan waktu yang paling sedikit dalam proses pengolahannya (Assauri,1984).
Kriteria pemilihan yang diutamakan adalah kriteria yang pertama, yaitu MSE terkecil. Jika terdapat lebih dari satu metode yang memiliki MSE hampir sama, maka dilihat kriteria kedua, tetapi ini tidak mutlak karena masih disesuaikan dengan kebutuhan dan kemampuan peramal yang sifatnya subjektif.
Dimana : Yt = nilai aktual
Ŷt = nilai ramalan
(Yt – Ŷt) = kesalahan peramalan
n = banyaknya data observasi
Asumsi yang digunakan
Asumsi yang digunakan dalam penelitian ini adalah produksi dalam keadaan “ceteris paribus”, misalnya seperti :
1. Produksi tidak dipengaruhi oleh adanya faktor-faktor perubahan yang terjadi seperti perubahan kebijakan-kebijakan yang mungkin terjadi (termasuk kebijakan pemerintah), perkembangan teknologi, penemuan-penemuan baru dan perbedaan hasil ramalan yang ada dengan kenyataan.
Proyeksi peramalan volume produksi kayu sengon dengan metode terpilih
BAB IV
HASIL DAN PEMBAHASAN
Deskripsi Umum Industri Sengon
Sengon merupakan jenis kayu alternatif dalam pemenuhan kebutuhan kayu di Indonesia. Jenis kayu sengon yang banyak dibudidayakan di Indonesia adalah jenis Paraserienthes falcataria (L) Nielsen yang dikenal dalam nama dagang atau di pasar sebagai kayu sengon atau albazia.
Sejarah industri sengon di Indonesia mulai berawal dari program sengonisasi oleh Departemen Kehutanan Republik Indonesia pada tahun 1989. Berawal dari program tersebut sehingga tanaman ini menjadi begitu terkenal dan semakin banyak industri yang meminati karena tanaman sengon termasuk kedalam jenis fast growing species atau jenis cepat tumbuh.
Di Indonesia saat ini ada begitu banyak pengusaha yang mengusahakan tanaman sengon ini, BPS mengelompokan menjadi 3 tipe perusahaan yaitu kelompok Hutan Tanaman Industri, Perum Perhutani dan Perusahaan Lainnya (perusahaan yang memiliki badan usaha tetapi tidak termasuk HTI dan Perum Perhutani). Keseluruhan perusahaan tersebut disatukan kedalam Perusahaan Pembudidayaan Tanaman Kehutanan.
Perkembangan Produksi dan Luas Areal
Tabel 1. Banyaknya perusahaan Pembudidaya Tanaman Kehutanan Menurut Propinsi dan Bentuk Badan Hukum Tahun 2006
Bentuk Badan Hukum Propinsi
PN/PD PT/NV Lainnya
Jumlah Perusahaan
1 Nangroe Aceh Darusalam - 6 - 6
2 Sumatra Utara - 8 - 8
3 Sumatra Barat - 3 - 3
4 Riau - 24 - 24
5 Jambi - 13 - 13
6 Sumatra Selatan - 8 - 8
7 Bengkulu - - - -
8 Lampung - 4 - 4
9 Bangka belitung - - - -
10 Kepulauan Riau - - - -
11 DKI Jakarta - - - -
12 Jawa Barat 13 10 - 23
13 Jawa Tengah 20 3 - 23
14 DIY Yogyakarta - 1 4 5
15 Jawa Timur 23 23
16 Banten 1 1 - 2
17 Kalimantan Barat - 12 - 12
18 Kalimantan Tengah - 10 - 10
19 Kalimantan Selatan - 9 - 9
20 Kalimantan Timur - 23 - 23
21 Sulawesi Utara - 1 - 1
22 Sulawesi Tengah - 1 - 1
23 Sulawesi Selatan - 2 - 2
24 Sulawesi Tenggara - 1 - 1
25 Gorontalo - - - -
26 Maluku - 2 - 2
27 maluku Utara - 2 - 2
28 Papua - 1 - 1
Total 57 145 4 206
[image:37.595.113.507.122.673.2]dan Perusahaan Lainnya luas areal lahan tanaman sengon yang terkena hama penyakit cukup besar yang berakibat menurunnya luas lahan tanaman sengon secara nasional pada tahun 2004 (lampiran 25).
Produksi sengon di Indonesia cukup besar mencapai kisaran 250.000m3, ternyata masih mengalami kekurangan dalam pemenuhan kebutuhan kayu di Indonesia. Hal ini terlihat dari lampiran 26 tentang pengadaan dan penggunaan produksi kayu sengon tahun 2002-2006, yang menerangkan penggunaan produksi kayu sengon tersebut hampir seluruhnya dijual dan kecuali HTI yang mulai tahun 2005 mulai mengolah sendiri sebagian dari volume produksinya serta mulai membeli produksi sengon dari hutan rakyat.
Peramalan Produksi Sengon Hutan Tanaman Industri
Identifikasi dan Analisis Pola Data Produksi Sengon Hutan Tanaman
Industri.
Sebelum menentukan metode peramalan yang akan dicapai dalam sebuah proses peramalan, diperlukan pegetahuan yang cukup tentang pola data atau sifat pergerakan data deret waktu yang akan diramal. Hal ini penting karena beberapa metode peramalan memiliki asumsi yang berbeda tentang pola pergerakan data deret waktu. Beberapa metode mungkin hanya cocok untuk pola data deret waktu yang stasioner atau metode lain yang mungkin hanya cocok untuk pola data deret waktu yang mengandung unsur tren, musiman dan siklus. Bahkan untuk metode Box-Jenkins (ARIMA) mengharuskan pola data yang digunakan adalah stasioner. Data produksi sengon yang dianalisis adalah data produksi sengon Hutan Tanaman Industri (HTI) secara nasional dalam bentuk data bulanan selama lima tahun (2002–2006).
Berdasarkan gambar 1 di bawah ini, dapat dilihat bahwa pola data volume produksi sengon HTI tidak stasioner. Ketidakstasioneran terlihat dari sebaran data volume produksi yang tidak berada disekitar garis lurus atau rata-rata konstan dan menunjukan data memiliki unsur tren.
Gambar 1. Data Volume Produksi Sengon HTI Tahun 2002-2006
Berdasarkan plot autokorelasi (lampiran 7) juga terlihat bahwa nilai koefisien autokorelasi pada time lag 1 berbeda nyata dari nol dan time lag
selanjutnya tidak langsung turun mendekati nol. Selain itu dapat dilihat juga bahwa pada time lag 1, 5, 6 dan 7 t-hitung lebih besar t-tabel hal ini menegaskan bahwa data tidak stasioner.
Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon HTI
Berdasarkan indikasi unsur yang terdapat dalam data produksi sengon, maka metode peramalan time series yang dapat digunakan untuk mengatasi data yang mengadung unsur tren adalah exponential smoothing Holt’s, winter’s method
dan dekomposisi klasik.
Berdasarkan tabel 2 berikut ini metode peramalan time series terbaik untuk produksi sengon adalah analisis dekomposisi klasik. Hal ini berdasarkan nilai MSE terkecil yaitu 1,50E + 06.
Tabel 2. Nilai MSE beberapa Metode Peramalan Time Series Produksi Sengon HTI
No Metode Peramalan MSE
Urutan terbaik
1 Double exponential smoothing (Holt’s)
0,2 0,2 9,03E + 06 4
2 Double exponential smoothing (Holt’s)
0,4 & 0,3 1,20E + 07 5
3 Triple exponential smoothing (Winter’s)
α = 0,2 β = 0,2 dan γ= 0,2
2,19E + 06 2
4 Triple exponential smoothing (Winter’s)
α = 0,4 β = 0,3 dan γ= 0,3
2,63E + 06 3
[image:39.595.116.483.567.737.2]Persamaan yang didapat dari metode dekomposisi klasik adalah sehingga bisa dihasilkan ramalan untuk sepuluh tahun mendatang disajikan dalam tabel 3. Berdasarkan hasil peramalan dengan metode dekomposisi klasik, untuk produksi sengon sepuluh tahun mendatang akan mengalami penurunan.
Tabel 3. Hasil Ramalan Volume Produksi Sengon HTI.
Tahun Hasil Ramalan Perusahaan HTI (m3)
2007 65318,8
2008 63651,7
2009 61984,7
2010 60317,6
2011 58650,6
2012 56983,4
2013 55316,4
2014 53649
2015 51982,3
2016 50315,3
Peramalan Produksi Sengon Perum Perhutani
Identifikasi dan Analisis Pola Data Produksi Sengon Perum Perhutani.
Data produksi sengon yang dianalisis adalah data volume produksi sengon Perum Perhutani dalam bentuk data bulanan selama lima tahun (2002–2006).
Berdasarkan gambar 2 dibawah ini, dapat dilihat bahwa pola data volume produksi Perum Perhutani tidak stasioner. Ketidakstasioneran data terlihat dari sebaran data volume yang tidak berada pada garis lurus atau rata-rata konstan dan menunjukan data diduga memiliki unsur tren. Hal itu ditunjang dengan plot autokorelasi (lampiran 11) yang menunjukan bahwa pada lag 1,2 dan 6 t-hitung
Gambar 2. Data Volume Produksi Sengon Perum Perhutani Tahun 2002-2006 Kenaikan volume produksi sengon dari tahun 2002-2006, terjadi karena kebijakan perhutani yang menanam tanaman sengon pada lahan-lahan yang kritis dan kemampuan Perum Perhutani menjaga lahannya sehingga terhindar dari hama penyakit tanaman (tabulasi data BPS). Seiring meningkatnya jumlah angka permintaan akan kayu saat ini maka produksi kayu sengon akan terus meningkat karena daurnya yang cukup singkat dan harganya yang semakin meningkat pula (Trubus 2008).
Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon Perum
Perhutani
Berdasarkan indikasi unsur yang terdapat dalam data volume produksi sengon Perum Perhutani, maka metode peramalan time series yang dapat mengatasi unsur tren. Menurut Santoso (2009) metode yang dapat digunakan dalam mengatasi data yang mengandung tren dan tidak stasioner adalah metode
exponential smoothing holt’s, winter’s method dan dekomposisi klasik.
Tabel 4. Nilai MSE beberapa Metode Peramalan Time Series Produksi Sengon
No Metode Peramalan MSE
Urutan terbaik
1 Double exponential smoothing (Holt’s)
0,2 0,2 1,23E + 08 2
2 Double exponential smoothing (Holt’s)
0,4 & 0,3 1,35E + 08 3
3 Triple exponential smoothing (Winter’s)
α = 0,2 β = 0,2 dan γ= 0,2 1,75E + 08 4 4 Triple exponential smoothing (Winter’s) α
= 0,4 β = 0,3 dan γ= 0,3 6,20E + 08 5
5 Time Series Decomposition 3,37E + 07 1
Karena metode dekomposisi klasik merupakan yang terbaik maka persamaan yang digunakan untuk meramal sepuluh tahun yang akan datang adalah dan hasil ramalan untuk sepuluh tahun yang akan datang disajikan dalam tabel 5. Berdasarkan hasil peramalan terpilih (dekomposisi klasik), untuk volume produksi sengon sepuluh tahun mendatang akan mengalami kenaikan.
Tabel 5. Hasil Ramalan Volume Produksi Sengon Perum Perhutani.
Tahun Hasil Ramalan Perum Perhutani (m3)
2007 199879,4
2008 216034,1
2009 232189,1
2010 248344,1
2011 264498,8
2012 280653,9
2013 296808,6
2014 312963,6
2015 329118,5
2016 345273,4
Peramalan Produksi Sengon Perusahaan Lainnya
Identifikasi dan Analisis Pola Data Produksi Sengon Perusahaan Lainnya.
Perusahaan lainnya adalah tipe perusahaan pembudidayaan tanaman kehutanan selain HTI dan Perhutani. Data yang dianalisis adalah data volume produksi sengon pada Perusahaan lainnya dalam bentuk volume produksi bulanan selama lima tahun (2002-2006).
[image:42.595.108.517.410.564.2]terlihat dari sebaran data volume produksi yang tidak berada disekitar garis lurus atau rata-rata konstan dan diduga memiliki unsur tren. Hal ini didukung dengan data hasil plot autokorelasi (lampiran 15) yang juga terlihat bahwa pada time lag 1
t-hitung lebih besar dari t-tabel.
[image:43.595.115.511.209.412.2]Produksi sengon memiliki kecenderungan menurun karena banyaknya areal lahan tanaman sengon yang terkena serangan hama penyakit.
Gambar 3. Data Volume Produksi Sengon Perusahaan Lainnya Tahun 2002-2006
Metode peramalan Time Series dan Nilai Ramalan Volume Produksi
Berdasarkan indikasi yang terdapat dalam data produksi sengon perusahaan lainnya, maka metode time series yang dapat mengatasi data yang memiliki unsur tren. Berdasarkan Santoso (2009), metode yang tepat untuk mengatasi data yang mengandung unsur tren dan data yang tidak stasioner adalah
exponential smoothing holt’s, winter’s method dan dekomposisi klasik.
Tabel 6. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon Perusahaan Lainnya
No Metode Peramalan MSE
Urutan terbaik
1 Double exponential smoothing (Holt’s)
0,2 0,2 5,05E + 07 4
2 Double exponential smoothing (Holt’s)
0,4 & 0,3 6,10E + 07 5
3 Triple exponential smoothing
(Winter’s) α = 0,2 β = 0,2 dan γ= 0,2 1,67E + 07 3 4 Triple exponential smoothing
(Winter’s) α = 0,4 β = 0,3 dan γ= 0,3 1,32E + 07 2
5 Time Series Decomposition 4,74E + 06 1
[image:44.595.114.475.116.242.2]Karena yang terbaik merupakan metode dekomposisi klasik maka dipakai persamaan dan hasil peramalan untuk sepuluh tahun mendatang disajikan dalam tabel 7. Berdasarkan hasil peramalan dengan metode terpilih (dekomposisi klasik), untuk produksi sengon lima tahun yang mendatang pada perusahaan lainnya mengalami penurunan.
Tabel 7. Hasil Ramalan Volume Produksi Sengon Perusahaan Lainnya.
Tahun Hasil Ramalan Perusahaan Lainnya (m3)
2007 40041
2008 36075,3
2009 32110
2010 28144,5
2011 24179
2012 20213,4
2013 16248
2014 12282,3
2015 8317
2016 4351,7
Peramalan Produksi Sengon Perusahaan Pembudidayaan Tanaman
Kehutanan (PPTK)
[image:44.595.108.507.366.594.2]Identifikasi dan Analisis Pola Data
Pada peramalan produksi sengon PPTK data yang dianalisis adalah total data volume produksi sengon dari tiap tipe perusahaan. Jadi data yang dianalisis dalam bentuk data bulanan selama lima tahun (2002-2006).
Berdasarkan gambar 4 dibawah ini, dapat dilihat bahwa pola data volume produksi sengon PPTK tidak stasioner. Ketidakstasioneran dapat dilihat dari sebaran data yang tidak berada disekitar garis lurus atau rata-rata konstan dan menunjkukan data memiliki unsur tren. Lampiran 19 juga menunjukan bahwa plot autokorelasi produksi sengon PPTK pada lag 1, 2, 5, 6 dan 7 memiliki t-hitung
lebih besar daripada t-tabel. Hal ini mempertegas bahwa data volume produksi sengon PPTK tidak stasioner dan memiliki unsur tren.
[image:45.595.113.510.395.582.2]Produksi sengon pada PPTK memiliki kecenderungan meningkat karena jumlah penurunan produksi pada HTI dan Perusahaan Lainnya masih dibawah kenaikan produksi pada Perum Perhutani, selain karena volume produksi sengon Perum Perhutani lebih besar daripada HTI dan Perusahaan Lainnya.
Gambar 4. Data Volume Produksi Sengon PPTK Tahun 2002-2006
Metode Peramalan Time Series dan Nilai Ramalan Produksi Sengon
Pada tabel 8 dapat dilihat metode time series terbaik untuk produksi sengon PPTK adalah analisis dekomposisi klasik. Yang mendasari keputusan ini adalah nilai MSE terkecil yaitu 2,37E + 07.
Tabel 8. Nilai MSE Beberapa Metode Peramalan Time Series Produksi Sengon
No Metode Peramalan MSE
Urutan terbaik
1 Double exponential smoothing (Holt’s) 0,2
0,2 2,78E + 08 4
2 Double exponential smoothing (Holt’s) 0,4 &
0,3 2,92E + 08 5
3 Triple exponential smoothing (Winter’s) α =
0,2 β = 0,2 dan γ= 0,2 5,49E + 07 2
4 Triple exponential smoothing (Winter’s) α =
0,4 β = 0,3 dan γ= 0,3 9,37E + 07 3
5 Time Series Decomposition 2,37E + 07 1
Metode terbaik yang didapat adalah metode dekomposisi klasik sehingga didapat persamaan dan hasil ramalan untuk sepuluh tahun mendatang disajikan dalam tabel 9. Berdasarkan hasil permalan dengan metode terpilih (dekomposisi klasik), untuk produksi sengon sepuluh tahun mendatang akan mengalami peningkatan.
Tabel 9. Hasil Ramalan Volume Produksi Sengon PPTK
Tahun Hasil Ramalan Perusahaan Pembudidayaan Tanaman Kehutanan (m3)
2007 289837,5
2008 303267,6
2009 316697,9
2010 330128,1
2011 343558,2
2012 356988,4
2013 370418,8
2014 383849
2015 397278,9
2016 410709,1
[image:46.595.109.510.449.620.2]Untuk data produksi HTI pada tahun 2005 mengalami penurunan. Hal ini dikarenakan pada tahun tersebut lahan HTI seluas 141.149 Hektar terserang hama dan penyakit tanaman. Hal yang sama juga terjadi pada tipe Perusahaan Lainnya yang terserang hama dan penyakit tanaman pada tahun 2004 seluas 57.428 Hektar. Pada contoh kasus ini maka sebenarnya dilapangan telah di lakukan kebijakan pemeliharaan tanaman lebih intensif, akan tetapi tidak langsung berdampak bagi produksi sehingga produksi tetap menurun. Kebijakan dan tindakan pemeliharaan tanaman secara lebih intensif tersebut tentu berpengaruh terhadap produksi untuk 3-4 tahun berikutnya sehingga pola data ikut berubah.
Pada dasarnya ceteris paribus itu kurang begitu efektif dalam hal ini karena pola data sebenarnya bisa kembali berubah beberapa tahun berikutnya akibat dari produksi yang kembali normal.
BAB V
KESIMPULAN dan SARAN
Kesimpulan
Metode peramalan time series terpilih untuk produksi kayu sengon baik HTI, Perum Perhutani dan Perusahaan Lainnya adalah metode dekomposisi klasik dengan persamaan dan nilai MSE sebesar 1,50E + 06, 3,37E + 07 dan 4,74E + 06. Untuk total produksi kayu sengon secara nasional (Perusahaan Pembudidayaan Tanaman Kehutanan) metode time series yang tepilih juga dekomposisi klasik dengan persamaan memiliki MSE sebesar 2,37E + 07.
Berdasarkan hasil ramalan dengan metode terpilih, produksi kayu sengon secara nasional dari tahun ketahun mengalami peningkatan. Hal ini membuktikan bahwa industri kayu sengon masih memberi peluang untuk pemenuhan kebutuhan akan kayu di Indonesia. Hasil ramalan 10 tahun yang akan datang menunjukan bahwa kondisi volume produksi kayu sengon cenderung meningkat.
Saran
Walaupun dari hasil peramalan diperoleh hasil cukup menjanjikan, hal ini didasarkan pada asumsi produksi dalam keadaan “ceteris parisbus” (produksi tidak dipengaruhi oleh perubahan yang terjadi dan pola masa lalu akan berlanjut di masa yang akan datang). Untuk menunjang kondisi tersebut tentu saja tidak lepas dari berbagai usaha dan dukungan yang diperlukan untuk mencapainya seperti : Sengonisasi, GERHAN dan kebijakan yang sesai proses pengembangan usaha perkayuan khususnya pada aspek manajemen produksi maupun pasar (keseimbangan supply dengan demand).
pemerintah, kondisi sosial masyarakat, dan lain-lain) sehingga hasil peramalan akan lebih akurat.
Perlu dilakukan tindakan perlindungan yang lebih cermat dan efektif dalam penanganan hama dan penyakit pada tanaman sengon untuk penurunan produksi, bahaya kebakaran, pencurian dan lain-lain.
Daftar Pustaka
Arsyad L.2001. Peramalan Bisnis. Edisi ke-1. BPFE. Yogyakarta.
Assauri S.1984. Teknik dan Metode Peramalan Penerapan dalam Ekonomi dan
Dunia Usaha. Edisi ke-1. FE-UI. Jakarta.
Atmosuseno BS.1998. Budidaya, Kegunaan, Prospek Sengon. Penebar Swadaya. Jakarta.
Badan Pusat Statistik.2002. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2002. Jakarta.
____________________.2003. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2003. Jakarta.
____________________.2004. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2004. Jakarta.
____________________.2005. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2005. Jakarta.
____________________.2006. Statistik Perusahaan Pembudidayaan Tanaman Kehutanan 2006. Jakarta.
Hanke JE, Dean WW dan Arthur GR.2003. peramalan bisnis. Edisi ke-7. Terjemahan Devi Anantanur. PT. Prehalindo. Jakarta.
Hidayat J.2002. Informasi Singkat : Paraserienthes falcataria. Direkktorat Pembenihan Tanaman Hutan. Jakarta.
Media Indonesia.2009. Luas Hutan di Indonesia 138 Juta Hektare. http://www.mediaindonesia.com/read/2009/06/06/80291/89/14/Luas_Hutan _di_Indonesia_138_Juta_Hektare [20 Juli 2009]
Mulyono. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1. Yogyakarta: BPFE.
Santoso HB.1992. Budidaya Sengon. Penerbit Kanisius. Yogyakarta.
Santoso S.2009. Business forecasting (Metode Peramalan Bisnis Masa Kini dengan MINITAB dan SPSS). PT Elex Media Computindo. Jakarta.
3
9
Lampiran 1. Data Volume Produksi HTI Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi HTI (m3)
tipe/tahun
january february maret april mei juni juli agustus september oktober november desember TOTAL
2002 4.790 2.595 3.758 4.367 2.283 5.742 5.972 6.963 9.246 12.602 5.284 3.627 67.229
2003 5.490 3.202 4.259 5.760 4.170 8.706 5.594 8.842 8.438 13.461 5.484 4.102 77.508
2004 2.926 3.202 4.214 3.545 3.035 3.875 6.285 6.760 8.074 9.618 6.915 4.482 62.931
2005 2675 3.168 2.488 6.736 6.042 5.677 8.115 7.350 10.907 9.914 3.754 5.545 72.411
2006 2.426 2.873 2.256 6.109 5.480 5.149 7.396 6.666 9.892 8.991 3.405 5.029 65.672
Lampiran 2. Data Volume Produksi Perum Perhutani Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006)
Produksi Perum Perhutani (m3)
tipe/tahun
january february maret april mei juni juli agustus september oktober november desember TOTAL
2002 461 514 446 259 98 697 27.449 670 19.415 19.024 473 19.280 88.786
2003 466 520 451 262 568 706 28.209 678 19.687 19.774 479 19.512 91.312
2004 28 1.249 1.852 2.414 13.754 21.143 22.134 21.594 22.193 23.477 21.706 23.856 175.400
2005 28 1.249 1.852 2.414 13.754 21.143 22.134 21.594 22.193 23.477 21.706 23.856 175.400
4
0
Lampiran 3. Data Volume Produksi Perusahaan LainnyaI Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006)
Produksi Perusahaan Lainnya (m3) Tipe/Tahun
january february maret april mei juni juli agustus september oktober november desember TOTAL
2002 143 272 135 483 520 853 812 18.387 15.603 862 1.634 1.744 41.448
2003 145 275 137 489 57 863 448 18.644 15.822 351 1.653 1.765 40.649
2004 143 275 122 604 35 844 356 18.666 15.613 453 1.634 1.765 40.510
2005 143 275 2.622 604 35 844 356 18.666 15.613 453 1.634 1.765 43.010
2006 144 274 754 545 162 851 493 18.591 15.663 530 1.639 1.760 41.406
Lampiran 4. Data Volume Produksi PPTK Tahun 2002-2006 (BPS 2002,2003,2004,2005,2006) Produksi (m3)
tipe/tahun
january february maret april mei juni juli agustus september oktober november desember TOTAL
2002 5.394 3.381 4.339 5.109 2.901 7.292 34.233 26.020 44.264 32.488 7.391 24.651 197.463
2003 6.101 3.997 4847 6.511 4.795 10.275 34.251 28.164 43.947 33.586 7.616 25.379 209.469
2004 3.097 4.726 6.188 6.563 16.824 25.862 28.775 47.020 45.880 33.548 30.255 30.103 278.841
2005 2.846 4.692 6.962 9.754 19.831 27.664 30.645 47.610 48.713 33.844 27.094 31.166 290.821
4
1
Lampiran 25 . Mutasi Luas Tanaman Sengon Selama Tahun 2002-2006 di berbagai Tipe Perusahaan
Mutasi Luas Tanaman Perusahaan HTI Jenis Sengon Selama Tahun 2002-2006 (Ha)
Penanaman baru Luas tanaman akhir tahun
Jenis Tanaman
Luas tanaman Pada awal
Tahun
reboisasi Konversi dari
tanaman lain subjumlah
Penebangan Tahun
Tanaman Muda
Tanaman
Masak Tebang Jumlah
Sengon (2002)
279.100 11.068 0 11.068 2.021 191.620 96.527 288.147
Penanaman
baru Kebakaran
Terserang Hama Penyakit
2003
288.147 54.930 11.708 41.961 2.824 216.356 70.228 286.584
2004
286.584 2.315 3.347 59.154 3.260 153.971 69.167 223.138
2005
223.138 3.362 147 141.149 8.854 128.161 74.919 203.080
2006
4
2
Mutasi Luas Tanaman Perusahaan Perhutani Jenis Sengon Selama Tahun 2002-2006 (Ha)
Penanaman baru Luas tanaman akhir tahun
Jenis Tanaman
Luas tanaman Pada awal
Tahun
reboisasi Konversi dari
tanaman lain subjumlah
Penebangan Tahun
Tanaman Muda
Tanaman Masak
Tebang Jumlah
Sengon (2002) 15.030 16.424 174 16.598 16.438 4.681 10.509 15.190
Penanaman
baru Kebakaran
Terserang Hama Penyakit
2003 15.190 18.725 124 0 15.910 11.627 6.254 17.881
2004 17.881 937 0 1.666 1.962 6.195 8.995 15.190
2005 15.190 793 0 4.202 1.688 1.086 9.007 10.093
4
3
Mutasi Luas Tanaman Perusahaan Lainnya Jenis Sengon Selama Tahun 2002-2006 (Ha)
Penanaman baru Luas tanaman akhir tahun
Jenis Tanaman
Luas tanaman Pada awal
Tahun
reboisasi Konversi dari
tanaman lain subjumlah
Penebangan Tahun
Tanaman Muda
Tanaman Masak
Tebang Jumlah
Sengon
(2002) 59.281 589 11 600 660 58.464 757 59.221
Penanaman
baru Kebakaran
Terserang Hama Penyakit
2003 59.221 29 0 0 443 57.411 1.396 58.807
2004 58.807 293 0 57.428 265 975 432 1.407
2005 1.407 155 0 339 273 530 420 950
2006 950 0 0 0 0 530 420 950
4
4
Penanaman baru Luas tanaman akhir tahun
Jenis Tanaman
Luas tanaman Pada awal
Tahun reboisasi Konversi dari
tanaman lain subjumlah
Penebangan Tahun
Tanaman Muda
Tanaman Masak
Tebang Jumlah
Sengon
(2002) 353.411 28.080 185 28.265 19.119 254.765 107.793 362.557
Penanaman
baru Kebakaran
Terserang Hama Penyakit
2003 362.557 73.685 11.832 41.961 19.177 285.394 77.878 363.272
2004 363.272 3.545 3.347 118.248 5.487 161.141 78.594 239.735
2005 239.735 4.310 147 18.960 10.815 129.777 84.346 214.123
41
Lampiran 5. Plot Time Series Volume Produksi HTI
Lampiran 6. Anderson-darling probability plot test
42
Lampiran 7. Plot autokorelasi dan autokorelasi parsial Volume Produksi HTI
autokore lasi HTI
43
Lampiran 8. Kurva Peramalan Volume Produksi HTI dengan Berbagai Metode yang Diterapkan
" #
$ !% & ' !% (&
) *!+ , ,
-.. ./! , ,
. 0) , 0 . , ,
1! 2 ) 3
!" # !" 3 !-4$ ) ! (
" #
$ !% & ' !% (&
) *!+ , ,
-.. ./! , ,
. 0) , 0 . , ,
1! 2 ) 3
44
" #
$ !% & ' !% (&
!%, , & ) *!+ , ,
-.. ./ ! , ,
. 0) , 0 . , ,
1! 2 ) 3
& ' ( ) !" !" # !"
)$ ). ) ! (
" #
$ !% & ' !% (&
!%, , & ) *!+ , ,
-.. ./ ! , ,
. 0) , 0 . , ,
1! 2 ) 3
& ' ( ) !%
