1094
PEMODELAN NILAI EKSPOR KELAPA SAWIT DI
INDONESIA MENGGUNAKAN SMOOTHING KERNEL
(MODELING THE VALUE OF PALM OIL EXPORTS IN INDONESIA
USING SMOOTHING KERNEL)
Aditya Faizal Arifin
1, Erni Tri Astuti
2Sekolah Tinggi Ilmu Statistik1 Sekolah Tinggi Ilmu Statistik2
Krajan, Margosari, RT/RW 2/1, Kecamatan Limbangan, Kabupaten Kendal, Jawa Tengah E-mail: 16.8965@stis.ac.id
ABSTRAK
Perdagangan internasional adalah salah satu kegiatan yang dilakukan di seluruh negara untuk memenuhi kebutuhan negaranya. Pada awalnya, ekspor migas merupakan sektor yang diunggulkan di Indonesia, akan tetapi pada beberapa tahun terakhir telah terjadi perubahan yang menyebabkan ekspor non migas lebih diunggulkan. Salah satu ekspor negara Indonesia yang menghasilkan devisa yang tinggi adalah ekspor kelapa sawit. Dalam Rancangan Pemerintah Jangka Menengah Nasional, sektor ini menjadi sektor yang diunggulkan karena kontribusi yang sangat besar bagi ekspor non migas. Proyeksi nilai ekspor kelapa sawit sangat diperlukan sebagai pertimbangan keberhasilan ekspor non migas di Indonesia. Salah satu teknik peramalan yang dapat digunakan adalah teknik Smoothing Kernel. Data yang digunakan adalah nilai ekspor kelapa sawit pada Januar 2015 sampai Maret 2019, penelitian kali ini membagi 2 data yaitu data testing dan training. Hasil dari peramalan menunjukan bahwa smoothing kernel statis lebih baik dari pada
smoothing kernel dinamis bisa diihat dari nilai MAPE yang lebih kecil. Selanjutnya peneliti meramalkan nilai ekspor kelapa sawit tahun 2020, hasilnya total nilai ekspor kelapa sawit tahun 2020 senilai 14245.6 juta USD dan pertumbuhan nilai ekspor kelapa sawit akan turun sebesar 10.7% dari tahun 2019, tentu ini akan membantu pemerintah dalam mewujudkan target RPJMN untuk pertumbuhan nilai ekspor nonmigas.
Kata Kunci: kelapa sawit, metode nonparametrik, smoothing kernel
ABSTRACT
International trade is one of the activities carried out in all countries to meet the needs of their country. Initially, oil and gas exports were the leading sector in Indonesia, however, in recent years there have been changes that have resulted in non-oil and gas exports becoming more prominent. One of the country's exports that generates high foreign exchange is palm oil exports. In the National Medium Term Government Plan, this sector is the leading sector because of its very large contribution to non-oil and gas exports. The projection of the export value of palm oil is needed as a consideration for the success of non-oil exports in Indonesia. One of the forecasting techniques that can be used is the Kernel Smoothing technique. The data used is the value of palm oil exports from January 2015 to March 2020, this research divides 2 data, namely testing and training data. The result of the forecast shows that static kernel smoothing is better than dynamic kernel smoothing, it can be seen from the smaller MAPE value. Furthermore, the researchers predicted the value of palm oil exports in 2020, the result was that the total value of palm oil exports in 2020 was valued at 14245.6 million USD and the growth in the value of palm oil exports would decrease by 10.7% from 2019, of course this will help the government realize the RPJMN target for growth in non-oil export value
Arifin)
1095
PENDAHULUAN
LATAR BELAKANG
Perdagangan dapat didefinisikan sebagai pertukaran barang dan jasa atau uang yang saling menguntungkan atau memberikan manfaat dan didasarkan atas kehendak sukarela dari masing-masing pihak, sedangkan perdagangan internasional dapat didefinisikan sebagai transaksi bisnis antara pihak-pihak lebih dari satu negara (Wahono Diphayana,2018)
.
Perdagangan internasional itu tidak terlepas dari dua kegiatan yaitu kegiatan ekspor dan kegiatan impor (Edi Supardi, 2019). Di Indonesia, kegiatan ekspor sangat di perhatikan oleh pemerintah karena peningkatan nilai ekspor dapat meningkatkan Produk Domestik Bruto disuatu negara sehingga pemerintah sering melakukan upaya untuk melakukan peningkatan nilai ekspor. Pada awalnya, ekspor di Iindonesia masih bertumpu pada sektor migas, akan tetapi mulai pertengahan tahun 1980 terjadi transisi yang menyebabkan ekspor dari nonmigas melampaui ekspor sektor migas. Perkembangan nilai ekspor di Indonesia mengalami fluktuasi setiap tahunnya, pada tahun 2019 nilai ekspor nonmigas memiliki nilai yang sangat jauh melampaui ekspor migas (BPS, 2019), untuk lebih jelasnya perkembangan tersebut dapat dilihat pada gambar 1.Gambar 1. Grafik nilai ekspor migas dan non migas Indonesia tahun 1975 – 2019
Dalam Rancangan Pembangunan Jangka Menengah Nasional (RPJMN) tahun 2019-2024 menyatakan bahwa pemerintah menargetkan pertumbuhan ekspor nonmigas pada tahun 2020 sebesar 7,48 persen - 9,13 persen. Salah satu komoditas unggulan dari sektor nonmigas yang mempunyai kontibusi besar terhadap eskpor nonmigas di Indonesia adalah komoditas kelapa sawit dengan kontribusi sebesar 10 persen. Mulai tahun 2006 Indonesia berhasil menempatkan diri sebagai penghasil kelapa sawit terbesar di dunia dengan mengalahkan Malaysia dan Amerika Serikat untuk minyak nabati dunia (Gapki, 2017). Hal itu sejalan dengan pernyataan Derek Byerlee dkk (2017) yang memasukan kelapa sawit sebagai salah satu komoditas revolusi minyak nabati dunia. Jan Horas (2017) juga menyatakan bahwa kelapa sawit memiliki peran strategis dalam makroekonomi Indonesia seperti lokomotif perekonomian nasional, kedaulatan energi, pendorong sektor ekonomi kerakyatan, dan penyerapan tenaga kerja serta penghasil devisa negara terbesar. Untuk itu, meramalkan nilai ekspor kelapa sawit sangat penting dilakukan sebagai acuan untuk mengetahui keberhasilan ekspor nonmigas di Indonesia.
Data nilai ekspor kelapa sawit yang mempunyai fluktuasi yang tinggi tentu sangat mempengaruhi dalam keakuratan peramalan, sehingga perlu metode khusus karena data yang fluktuasinya sangat tinggi sulit ditangani oleh metode parametrik atau kemungkinan melanggar asumsi klasik sangat besar kemungkinannya. Salah satu teknik inferensia untuk mengatasi masalah ini adalah regresi nonparammetrik. Menurut Budiantra (2009) pada non parametrik, data mencari sendiri bentuk
0 20000 40000 60000 80000 100000 120000 140000 160000 180000 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 2020 2025
1096
estimasi dari kurva regresinya tanpa harus dipengaruhi faktor subjektifitas peneliti, berarti pendekatan non parametrik sangat fleksibel dan objektif.
Dari kedua penelitian diatas kita mengetahui bahwa metode non parametrik cocok digunakan untuk mengestimasi dan meramalkan data yang memiliki volatilitas yang tinggi seperti smoothing spline, polynomial local dan smoothing kernel (Eubank et el, 2004). Masing-masing metode memiliki kelebihan diantaranya smoothingkernel yang memiliki kelebihan dalam mempolakan data (Hardle, 1998)
Dari uraian diatas metode yang akan digunakan untuk penelitian kali ini adalah metode
smoothing kernel karena metode tesebut merupakan metode yang paling sederhana dan baik dalam mempolakan data. Peramalan menggunakan menggunakan smoothing kernel statis dan smoothing kernel dinamis dalam pemilihan metode peramalan yang lebih baik. Penelitian akan dilanjutkan dengan meramalkan nilai ekspor kelapa sawit tahun 2020.
TUJUAN PENELITIAN
Tujuan penelitian ini adalah:1. Memberikan gambaran perkembangan ekspor kelapa sawit di Indonesia.
2. Mendapatkan model nilai ekspor kelapa sawit menggunakan metode Smoothing Kernel,
3. Mengestimasi dan meramalkan nilai ekspor kelapa sawit Indonesia tahun 2020
METODE PENELITIAN
METODE PENGUMPULAN DATA
Penelitian ini dilakukan dengan pendekatan kuantitatif dengan data yang dipergunakan dalam penelitian ini adalah data sekunder yang berupa data nilai ekspor kelapa sawitperiode Januari 2015 sampai Maret 2020. Penelitian ini mencakup nilai ekspor dari komoditas kelapa sawit di seluruh 1096ndonesia dengan menghitung nilai Freight On Board (FOB). Variabel yang diteliti didapatkan dari Monthly Trade Figure
dan publikasi Badan Pusat Statistik (BPS) melalui publikasi “Buletin Statistik Luar Negeri”.
Pada penelitian kali ini akan membagi data menjadi 2 bagian yaitu data training (untuk menyusun nilai estimasi atau model) dan data testing (untuk menguji ketepatan model). Data training terdiri dari data dari periode ke 1 sampai periode ke 45 sedangkan data testing terdiri dari periode ke 46 sampai periode ke 63.
METODE ANALISIS
Analisis yang digunakan pada penelitian kali ini menggunakan regresi nonparametrik, bentuk persamaan umum dari metode nonparametrik dapat kita tulis :
𝑦
𝑖= 𝑚(𝑥
𝑖) + 𝜀
𝑖………..(1)Dimana:
𝑦𝑖 = nilai ekspor kelapa sawit pada bulan ke i 𝑚(𝑥𝑖) = kurva regresi nonparametrik
𝜀𝑖 = error
Metode yang digunakan untuk mengestimasi nilai ekspor kelapa sawit adalah dengan menggunakan analisis regresi nonparametric yaitu metode kernel smoothing dan menggunakan estimasi Nadaraya-Watson:
Arifin) 1097
𝑚
̂
ℎ(𝑥) =
𝑛−1∑𝑛𝑖=1𝐾ℎ(𝑥−𝑥𝑖)𝑦𝑖 𝑛−1∑ 𝐾 ℎ(𝑥−𝑥𝑖) 𝑛 𝑖=1 ………..(2) Dimana:𝑚̂ℎ(𝑥) = kurva regresi nonparametrik dengan bandwidth h 𝐾ℎ(. ) = fungsi kernel yang tergantung kepada bandwidth h
Salah satu hal yang sangat penting dalam peramalan menggunakan smoothing kernel adalah pemilihan kernel yang tepat. Ada beberapa fungsi kernel yang dapat digunakan dalam suatu penelitian seperti kernel Gaussian, Epanechnikov, Tricube dan lainnya. Pada penelitian kali ini akan menggunakan fungsi kernel Gaussian karena fungsi ini memberi penimbang yang berbeda antar observasi, penimbang akan lebih besar jika dekat dengan titik yang diamati dan penimbang akan lebih kecil jika jauh dari titik yang diamati, selain itu fungsi kernel Gaussian merupakan fungsi yang paling sering digunakan.
Pemilihan bandwidth optimum merupakan salah satu hal yang sangat penting bagi penentuan model terbaik dari regresi nonparametrik khususnya metode regresi smoothing kernel. Apabila bandwidth terlalu kecil akan menghasilkan kurva yang under-smoothing yaitu kurva sangat kasar mendekati nilai asli dan sangat fluktuatif, sehingga bias akan kecil akan tetapi varians besar akan tetapi juga bandwidth terlalu lebar maka akan menghasilkan kurva yang over smoothing yang akan menyebabkan varians menjadi kecil akan tetapi bias besar dan tidak sesuai dengan pola data.
Pada penelitian kali ini, peneliti menggunakan beberapa software untuk membantu proses analisis data, peneliti menggunakan Microsoft Excell 2016 untuk membuat grafik gambaran umum ekspor kelapa sawit dan R Studio untuk membuat estimasi membuat estimasi nilai kelapa sawit menggunakan Nadaraya-Watson dan meramalkan nilai ekspor kelapa sawit tahun 2020.
HASIL DAN PEMBAHASAN
Gambaran umum perkembangan nilai ekspor kelapa sawit di Indonesia
Gambaran umum perkembangan nilai ekspor kelapa sawit di Indonesia sangat penting untuk dilakukan, karena ekspor kelapa sawit merupakan salah satu penyumbang devisa terbesar di Indonesia. Perkembangan nilai kelapa sawit ini juga bisa menjadi salah satu tolak ukur keberhasilan ekspor non migas di Indonesia karena kelapa sawit memiliki kontribusi yang paling tinggi terhadap ekspor non migas di Indonesia. Perkembangan nilai ekspor kelapa sawit bisa dilihat pada Gambar 2.
1098
Gambar 2. Gambaran umum perkembangan nilai ekspor kelapa sawit indonesia Januari 2015 – Maret
2020
Terlihat bahwa secara umum pada tahun 2015 nilai ekspor kelapa sawit mengalami trend yang menurun meskipun data sempat naik turun nilai ekspornya akan tetapi pada pertengahan tahun 2016 sampai awal tahun 2017 nilai ekspor kelapa sawit mengalami peningkatan yang sangat drastis. Begitu juga pada tahun 2018 nilai ekspor kelapa sawit mengalami trend yang turun dan pada akhir tahun 2019 nilai ekspor kelapa sawit cenderung mengalami peningkatan yang signifikan. Nilai ekspor kelapa sawit pernah mengalami ekspor yang sangat kecil yaitu pada Bulan Juli 2016 sebesar 941 juta US Dollar dan pada akhir periode mengalami kenaikan signifikan diangka 1727.1 juta US Dollar. Perkembangan nilai ekspor kelapa sawit ini pada awal hingga akhir periode mengalami fluktuasi yang cukup besar karena sempat memiliki kenaikan dan penurunan drastis di beberapa bulan pada rentang periode tersebut.
Seringkali para peneliti menggunakan regresi parametrik dikarenakan regresi tersebut memiliki asumsi-asumsi yang digunakan sebagai tolak ukur kebaikan sebuah data, akan tetapi kelemahannya adalah regresi parametrik memaksa data untuk memiliki pola distribusi tertentu yang bisa digunakan dalam penelitian menggunakan metode tersebut. Untuk penelitian kali ini peneliti tidak menggunakan regresi parametrik karena pola data yang sangat tidak beraturan, jika dipaksakan menggunakan regresi parametrik kemungkinan besar banyak asumsi yang terlanggar, oleh karena itu pada penelitian kali ini peneliti menggunakan regresi nonparametrik disebabkan regresi nonparametrik tidak membutuhkan asumsi khusus yang digunakan untuk melakukan penelitian menggunakan penelitian ini.
Pemilihan
Bandwidth
Optimum
Pemilihan bandwidth optimum tentu menjadi salah satu hal yang paling penting dalam smoothing kernel karena jika bandwidth terlalu besar maka pemulusan data akan bersifat oversmoothing atau estimasi yang dihasilkan akan terlalu mulus sehingga tidak representatif dalam pemulusan data, sebaliknya jika pemulusan data menggunakan bandwidth yang terlalu rendah maka estimasi akan undersmoothing atau sangat kasar sehingga varians yang dihasilkan akan tinggi.
0 200 400 600 800 1000 1200 1400 1600 1800 2000 Ja n-15 Ap r-15 Jul-15 Oc t-15 Ja n-16 Ap r-16 Jul-16 Oc t-16 Ja n-17 Ap r-17 Jul-17 Oc t-17 Ja n-18 Ap r-18 Jul-18 Oc t-18 Ja n-19 Ap r-19 Jul-19 Oc t-19 Ja n-20 N ila i E kspor K ela pa Saw it (J ut a U S$ ) Bulan Ke
Arifin)
1099 Gambar 3. Perbandingan estimasi dengan bandwidth yang berbeda
Pemilihan bandwidth melalui Gambar 3 memiliki subjektivitas yang tinggi sehingga membutuhkan tingkat kepekaan untuk memilih bandwidth melalui gambar di atas, tidak jarang pula menggunakan trial dan error untuk mendapatkan bandwidth yang optimum melalui tabel tersebut. Ada beberapa metode yang lebih objektif yang dapat kita gunakan untuk memilih bandwidth optimum yang digunakan untuk peramalan, metode tersebut antara lain adalah Mean Absolute Percentage Error (MAPE),
Mean Square Error (MSE), dan lainnya.
Pada penelitian kali menggunakan metode Cross Validation untuk memilih bandwidth optimum untuk menghitung estimasi dari smoothing kernel. Bandwidth yang terpilih merupakan bandwidth yang dapat meminimumkan Cross Validation (CV) dari data nilai ekspor kelapa sawit. Bandwidth tersebut merupakan bandwidth yang memberikan bias dan varians yang optimum.
Tabel 1. Nilai CV dengan bandwidth yang berbeda
Bandwidth CV 1.91 0.167786 1.92 0.16778 1.93 0.1677741 1.94 0.1677683 1.95 0.1677626 1.96 0.167757 1.97 0.1677514 1.98 0.1677459 1.99 0.1677405 2 0.1677352
1100
2.01 0.214167
Bisa dilihat pada tabel 1, bahwa perbedaan bandwidth dapat mempengaruhi nilai Cross Validation yang dihasilkan, tabel tersebut menggunakan bandwidth yang bernilai 1.91 sampai 2.01 karena pada rentang bandwidth tersebut CV yang dihasilkan menjadi kecil. Dan pada Tabel 2 bisa dilihat bahwa pada bandwidth senilai 2.01 CV yang dihasilkan berkisar 0.21 lebih tinggi dari yang lain, sedangkan bandwidth yang menghasilkan CV yang minimum berada di angka 2 yang menghasilkan CV berkisar 0.167. Sehingga dari pemaparan tersebut dapat dipastikan bahwa bandwidth (h) dengan nilai 2 terpilih menjadi
bandwidth yang digunakan untuk mengestimasi nilai ekspor kelapa sawit di Indonesia periode Januari 2015 - Maret 2020.
Hasil estimasi menggunakan smoothing kernel Gaussian
Smoothing kernel gaussian didekati dengan estimator Nadaraya-Watson. Dari bandwidth optimal senilai 2 diperoleh estimator Nadaraya -Watson sebagai berikut:
𝑚̂2(𝑥) = 𝑛−1∑ 𝐾 2(𝑥 − 𝑥𝑖)𝑦𝑖 45 𝑖=1 𝑛−1∑ 𝐾 2(𝑥 − 𝑥𝑖) 45 𝑖=1 𝐾2= 2−1𝐾( 𝑢 2) sehingga 𝑚̂2(𝑥) = ∑ 0.5 𝑘(𝑥−𝑥𝑖 2 )𝑦𝑖 45 𝑖=1 ∑ 0.5𝑘(𝑥−𝑥𝑖 2 ) 45 𝑖=1
Persamaan tersebut menggunakan bandwidth sebesar 2 yang berarti untuk mengestimasi sebuat titik maka diperlukan 2 nilai data sebelum titik estimasi tersebut dan juga 2 data setelah titik estimasi tersebut. Akan tetap jika hanya dengan persamaan maka tidak akan tahu gambaran estimasi Nadaraya-Watson, sehingga diperlukan gambaran dari persamaan tersebut. Estimasi kurva regresi dengan kernel
dapat dilihat melalui gambar yang ditunjukan oleh Gambar 3 .
Gambar 3. Estimasi ekspor kelapa sawit dengan h optimum 2
Gambar 3 merupakan dengan nilai ekspor kelapa sawit periode bulan ke-1 sampai bulan ke-45 yang diperoleh dengan metode Nadaraya Watson menggunakan kernel gaussian. Bisa kita lihat bahwa dalam grafik di atas hasil kurva (garis yang berwarna hitam) dari estimasi cukup bisa mempolakan data nilai ekspor kelapa sawit dengan baik.
Arifin)
1101 Pemilihan Peramalan Berdasarkan Nilai MAPE
Perbandingan ramalan ini menggunakan data testing periode (Oktober 2018 - Maret 2020), setelah itu akan mencari peramalan yang terbaik antara metode peramalan Statis dan peramalan dinamis. Dengan menggunakan software R Studio peneliti dapat menunjukan ramalan dari data testing seperti plot dibawah ini:
Gambar 4. Hasil peramalan dengan menggunakan smoothing kernel statis
Berdasarkan Gambar 4 terlihat bahwa peramalan nilai ekspor kelapa sawit dengan menggunakan metode peramalan statis cenderung over estimate, hal tersebut dapat dilihat pada garis yang berwarna orange berada di atas garis yang berwarna biru. Akan tetapi nilai dari ramalan cenderung menurun dikarenakan nilai ramalan dipengaruhi oleh nilai ekspor sebelumnya yang cenderung menurun.
Begitu juga hasil dari evaluasi model dengan menggunakan data testing menggunakan teknik peramalan dinamis, plot estimasi juga peramalan juga cenderung over estimate bisa dilihat pada gambar 5.
Gambar 5. Hasil peramalan dengan menggunakan smoothing kernel dinamis Karena menggunakan grafik belum bisa menunjukan model yang lebih baik, maka peneliti menggunakan cara yang lebih objektif untuk mencari model yang terbaik dengan menghitung MAPE, dan
0 200 400 600 800 1000 1200 1400 1600 1800 2000 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 N ilai E kspo r Ke lap a Sawi t (U S$) Periode Ke Data Asli Nilai Ramalan
0 200 400 600 800 1000 1200 1400 1600 1800 2000 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 N ilai E kspo r Ke lap a Sawi t(US $) Periode Ke Data Asli Nilai Ramalan
1102
yang menghasilkan MAPE yang terkecil akan terpilih menjadi metode yang digunakan untuk menghitung nilai ekspor kelapa sawit tahun 2020. Jika nilai MAPE berada dibawah 10 persen maka evaluasi dikategorikan sangat baik, jika MAPE berada di kisaran 10 sampai 20 persen maka evaluasi dikategorikan baik, nilai MAPE yang berada di kisaran 20 sampai 50 persen dapat dikategorikan cukup baik sedangkan jika lebih dari 50 persen dapat dikategorikan evaluasi peramalan buruk.
Tabel 2. Hasil ramalan menggunakan metode peramalan statis Data Ke Nilai Asli Peramalan Statis Eror
46 1503.6 1529.63 0.017312 47 1336.3 1534.535 0.148346 . . . . . . . . . . . . 61 1270.5 1394.057 0.097251 62 1420.2 1414.019 0.004352 63 1374.5 1431.851 0.041725 MAPE 16.10%
Dari tabel ke 2 menunjukan MAPE yang dihasilkan oleh metode peramalan statis adalah sebesar 16.1 persen. Peramalan dengan metode statis masih tergolong baik karena besar kesalahan rata-rata data ramalan berbeda sekitar 16.1 persen terhadap data aslinya.
Selanjutnya akan dilakukan penghitungan nilai MAPE dari metode peramalan dinamis, hasil dari nilai MAPE tersebut bisa dilihat pada Tabel ke 3. MAPE yang dihasilkan oleh metode peramalan dinamis adalah sebesar 19 persen. Peramalan dengan metode dinamis masih tergolong baik karena besar kesalahan rata-rata data ramalan berbeda sekitar 19 persen terhadap data aslinya.
Tabel 3. Hasil ramalan menggunakan metode peramalan dinamis Data Ke Nilai Asli Peramalan Dinamis Eror
46 1503.6 1432.37 71.227 47 1336.3 1471.41 -135.108 . . . . . . . . . . . . 61 1270.5 1463.51 -193.007 62 1420.2 1463.51 -43.307 63 1374.5 1463.51 -89.007 MAPE 19.10%
Dari evaluasi kedua metode peramalan di atas, maka dapat disimpulkan bahwa metode peramalan statis lebih baik dibandingkan dengan metode peramalan dinamis, terlihat dari nilai MAPE yang lebih kecil.
Peramalan Nilai Ekspor Kelapa Sawit Tahun 2020
Dari perbandingan kedua metode di atas bisa dilihat melihat bahwa untuk peramalan nilai kelapa sawit dengan data testing, meskipun pada kedua metode di atas memiliki MAPE yang berbeda akan tetapi metode yang lebih baik digunakan adalah metode statis. Untuk itu peneliti akan menggunakan
Arifin)
1103 peramalan statis untuk meramalkan nilai pada tahun 2020. Peramalan nilai ekspor kelapa sawit pada tahun 2020 dapat dilihat pada Tabel 4:
Tabel 4. Peramalan nilai ekspor kelapa sawit bulan April sampai Desember 2020
Bulan Nilai Ramalan Apr-20 1205.95 May-20 1257.01 Jun-20 1310.11 Jul-20 1358.57 Aug-20 1395.44 Sep-20 1417.15 Oct-20 1425.12 Nov-20 1423.98 Dec-20 1418.70
Untuk mengetahui pertumbuhan nilai ekspor kelapa sawit, dari hasil peramalan nilai ekspor tahun 2020 akan dibandingkan dengan nilai ekspor kelapa sawit pada tahun 2019. Pertumbuhan nilai ekspor kelapa sawit bisa ditulis dengan rumus di bawah ini:
𝑃̂𝑡=
(16277.23 − 14694.9)
14694.9 𝑥 100 % = 10.7%
Jadi dari peramalan di atas kemungkinan nilai ekspor kelapa sawit tahun 2020 mengalami kenaikan dari tahun sebelumnya sebesar 10.7 persen. Hasil peramalan tersebut merupakan salah satu kabar yang baik bagi pemerintah karena akan membantu dalam mewujudkan pertumbuhan nilai ekspor nonmigas sesuai yang tertera dalam RPJMN. Pemerintah juga harus terus membuat kebijakan yang dapat menungkatkan nilai ekspor kelapa sawit.
KESIMPULAN
Dari beberapa uraian yang telah ditulis maka dapat diambil kesimpulan yaitunilai ekspor kelapa sawit memiliki pola yang fluktuatif dimana nilai ekspor paling tinggi pada bulan Januari 2017 dengan nilai ekspor sebesar 1765.2 juta US Dolar sedangkan nilai ekspor terendah terjadi pada bulan Juli 2016 dengan nilai ekspor sebesar 941 juta US Dolar, dalam pemilihan bandwidth optimum dengan menggunakan data training didapatkan nilai 2 yang artinya untuk mengestimasi sebuah nilai maka diperlukan 2 data sebelum dan sesudah titik estimasi tersebut, metode smoothing kernel dengan bandwidth optimum sebesar 2 dapat menggambarkan pola nilai ekspor kelapa sawit dengan baik, smoothing kernel statis lebih akurat dalam meramalkan data karena menghasilkan nilai MAPE yang lebih kecil dibandingkan dengan MAPE yang dihasilkan dari metode smoothing kernel dinamis dan dapat diketahui bahwa proyeksi pertubuhan nilai ekspor kelapa sawit pada ahun 2020 mengalami kenaikan sebesar 10.7 persen.
DAFTAR PUSTAKA
Diphayana, W. (2018). Perdagangan Internasional. Penerbit: Deepublish.
Supriadi, Edi. (2019). Ekspor Impor: Teori Dan Praktikum Kegiatan Ekspor Impor Untuk Praktisi Logistik Dan Bisnis. Yogyakarta: Deepublish
1104
Badan Pusat Statistik. (2019). Nilai Ekspor Migas-Nonmigas 1975-2019. https://www.bps.go.id/indicator/8/203/1/nilai-migas-nonmigas-.html.
Bapennas. (2019). Rancangan Pembangunan Jangka Menengah Nasional Tahun 2019-2024. Jakarta Gapki. (2017). Sawit Indonesia Merevolusi Pasar Minyak Nabati Dunia. <
https://gapki.id/news/3294/sawit-indonesia-merevolusi-pasar-minyak-nabati dunia>. [20 Desember 2019].
Dereck, Byerlee dkk. The Tropical Oil Corp Revolution: Food, Fuel, And Forest. Inggris: Journal Of Agrarian Change (2017): 697-700.
Horas, Jan. Sipayung, Tungkot. (2017). Perkebunan Kelapa Sawit Indonesia Dalam Prespektif Pembangunan Berkelanjutan. Bogor: STIE Kesatuan.
Budiantara, I Nyoman. (2009). Pemodelan Regresi Nonparametrik Spline Truncated Dan Aplikasinya pada Angka Kelahiran Kasar di Surabaya. Jurnal Sains Dan Seni Pomits Vol 3, No.1, (2014)
R, Eubank. (1999). Nonparametric Regression and Spline Smoothing. New York: Marcel Dekker, Inc. Wolfgang, Hardle. (1994). Applied Nonparametric Regression. Cambridge: Cambridge University Press.
