ANALISIS PERAMALAN PERMINTAAN SAYURAN MENGGUNAKAN PENDEKATAN KOINTEGRASI PADA PT SAUNG MIRWAN, BOGOR, JAWA BARAT
Oleh TITI DESTIYANTI LESTARI H24080039
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012
ANALISIS PERAMALAN PERMINTAAN SAYURAN MENGGUNAKAN PENDEKATAN KOINTEGRASI PADA PT SAUNG MIRWAN, BOGOR, JAWA BARAT
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA EKONOMI di Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor
Oleh : TITI DESTIYANTI LESTARI H24080039
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012
Judul Skripsi : Analisis Peramalan Permintaan Sayuran Menggunakan Pendekatan Kointegrasi Pada PT Saung Mirwan, Bogor, Jawa Barat Nama
: Titi Destiyanti Lestari
NIM
: H24080039
Menyetujui Dosen Pembimbing I
Dosen Pembimbing II
(Dr. Ir. Muhammad Syamsun, M.Sc)
(Alim Setiawan S, S.TP, M.Si)
NIP : 19500727197412 1001
NIP : 19820227200912 1001
Mengetahui : Ketua Departemen,
(Dr. Ir. Jono M. Munandar, M.Sc) NIP : 19610123198601 1002
Tanggal Lulus :
RINGKASAN TITI DESTIYANTI LESTARI. H24080039. Analisis Peramalan Permintaan Sayuran Menggunakan Pendekatan Kointegrasi pada PT Saung Mirwan, Bogor, Jawa Barat. Di bawah bimbingan MUHAMMAD SYAMSUN dan ALIM SETIAWAN Usaha di sub sektor pertanian, khususnya di dalam bidang hortikultura yaitu sayuran memberikan kontribusi nyata dalam pembangunan pertanian dan memiliki nilai strategis dalam upaya memenuhi kebutuhan akan protein, vitamin, mineral, dan zat-zat lainnya yang penting bagi pemenuhan gizi masyarakat. Hal ini menandakan bahwa terdapat peluang bagi para produsen agribisnis khususnya sayuran untuk mengembangkan usahanya dalam rangka memenuhi permintaan akan sayuran. Salah satu perusahaan yang bergerak pada bidang agribisnis ini adalah PT Saung Mirwan, produsen sekaligus supplier serta perusahaan perdagangan pada bidang sayuran. Selama ini, PT Saung Mirwan dalam menerapkan peramalan permintaan masih menggunakan metode kualitatif atau subjektif. Oleh karena itu, penelitian ini berusaha dilakukan untuk memberikan sebuah masukan atau alternatif peramalan permintaan dengan menggunakan pendekatan kointegrasi bagi perusahaan. Jenis sayuran yang diusahakan sangat banyak, maka peramalan yang dilakukan hanya pada beberapa sayuran berdasarkan permintaan customer retail yang cukup tinggi yaitu kembang kol, lettuce head, dan tomat beef. Tujuan dari penelitian ini diantaranya, (1) mengidentifikasi dan menganalisis pola permintaan sayuran (kembang kol, lettuce head, dan tomat beef) di PT Saung Mirwan, (2) mempelajari dan mendapatkan ramalan jumlah permintaan sayuran (kembang kol, lettuce head, tomat beef), (3) menganalisis kointegrasi produk kembang kol, lettuce head, dan tomat beef pada proses permintaan penjualan di PT Saung Mirwan. Data permintaan yang diambil untuk peramalan yaitu dari bulan Januari 2009 sampai dengan bulan Desember 2011. Penelitian dilakukan selama tiga bulan mulai dari Desember 2011 sampai dengan Februari 2012. Informasi dan data yang diperoleh dianalisis secara kualitatif (deskriptif) dan kuantitatif dengan menggunakan bantuan program Microsoft Excel 2007, Eviews 6, dan Minitab 16. Setelah dilakukan analisis terhadap komoditi kembang kol, lettuce head, dan tomat beef berdasarkan uji stasioneritas data permintaannya tidak stasioner dan terdapat tren, maka harus dilakukan pembedaan atau difference. Hal ini mengarahkan bahwa data akan dianalisis lebih lanjut menggunakan analisis Vector Error Correction Model (VECM) dengan menggunakan panjang lag satu dan selang kepercayaan yang digunakan adalah lima persen. Hasil yang didapatkan pada uji kointegrasi bahwa terindikasi terdapat tiga kointegrasi diantara ketiga komoditi (kembang kol, lettuce head, dan tomat beef) yaitu adanya hubungan dan pengaruh permintaan antar komoditi. Pengaruh dan hubungan permintaan setiap komoditi tersebut dalam perusahaan akan menyebabkan penurunan dan peningkatan permintaaan terhadap komoditi lainnya. Hasil peramalan ketiga komoditi tersebut berdasarkan IRF dan FEVD untuk satu tahun ke depan cenderung mengalami peningkatan, walaupun ada fluktuasi dan berpengaruh baik terhadap peningkatan permintaan semua komoditi yang diteliti. iv
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 21 Desember 1989. Penulis merupakan anak ketiga dari tiga bersaudara pasangan Bapak Durga dan Ibu Suminah, dan dibesarkan oleh Ibu Masruroh. Penulis menyelesaikan pendidikan dasar di Sekolah Dasar Negeri (SDN) Pawidean III selama enam tahun. Kemudian melanjutkan ke Sekolah Menengah Pertama (SMP) Negeri 1 Haurgeulis selama tiga tahun. Sekolah lanjutan tingkat atas diselesaikan oleh penulis di Sekolah Menengah Atas (SMA) Negeri 32 Jakarta dan lulus pada tahun 2008. Setelah lulus, pada tahun 2008 penulis diterima di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI) di Departemen Manajemen Fakultas Ekonomi dan Manajemen (FEM). Selama menjadi mahasiswa, penulis aktif dalam organisasi seperti menjadi staf Shar-E SESC IPB periode 2009-2010 dan sebagai Bendahara Divisi Shar-E SESC IPB periode 2010-2011. Penulis juga aktif di berbagai kegiatan yang diadakan di kampus yaitu sebagai staf Expo acara Extravaganza 2009, staf Danus dan Sponsorship acara Banking Goes to Campus 2010, staff Danus dan Sponsorship acara IPB Social Fair 2010, staf Humas acara Season 6 2010, staf Konsumsi acara Masa Perkenalan Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor 2010, dan terakhir sebagai Steering Commitee sekaligus staf Konsumsi acara Season 7 2011. Selain itu, penulis juga mengikuti seminarseminar yang diadakan di kampus untuk menambah pengetahuan dan pengalaman.
v
KATA PENGANTAR Puji dan syukur senantiasa penulis panjatkan kepada Allah SWT Tuhan semesta alam yang telah memberikan rahmat, hidayah, karunia, dan nikmat yang tidak terkira dalam memberikan kemudahan berpikir dan bertindak, serta atas kesempatan-Nya kepada penulis untuk dapat menyelesaikan penulisan skripsi ini dengan baik. Shalawat dan salam tidak lupa penulis haturkan untuk junjungan nabi besar Muhammad SAW, beserta keluarganya, sahabat-sahabatnya, dan untuk para pengikutnya. Skripsi
ini
berjudul
Analisis
Peramalan
Permintaan
Sayuran
Menggunakan Pendekatan Kointegrasi pada PT Saung Mirwan, Bogor, Jawa Barat disusun sebagai tugas akhir untuk memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Skripsi ini menganalisis pola data permintaan PT Saung Mirwan dan mengolahnya untuk meramalkan permintaan di masa yang akan datang, kemudian menjelaskan pengaruh variabel pada produk yang digunakan terhadap penjualan produk itu sendiri maupun produk lainnya yang dianalisis dalam skripsi ini. Informasi yang diperoleh tersebut dapat menjadi masukan bagi perusahaan sehingga dapat digunakan untuk membuat perencanaan strategi maupun kebijakan yang sesuai dan tepat diterapkan di masa yang akan datang. Penulis berharap dengan adanya skripsi ini dapat menambah wawasan baru mengenai pengolahan data untuk peramalan produk yang dilihat hubungannya dalam jangka panjang. Penulis menyadari bahwa dalam penulisan skripsi ini masih jauh dari sempurna dan masih banyak kekurangan yang perlu diperbaiki. Oleh karena itu, penulis sangat mengharapkan saran dan kritik yang membangun sehingga dapat menjadikan skripsi ini lebih baik. Semoga skripsi ini dapat bermanfaat bagi pihak yang memerlukannya, khususnya PT Saung Mirwan, bagi akademisi dan ilmu pengetahuan. Bogor, Maret 2012
Penulis vi
UCAPAN TERIMA KASIH Segala puja dan puji bagi Allah SWT Tuhan Yang Maha Pengasih dan Penyayang atas rahmat dan karunia-Nya, penulis dapat menyelesaikan penulisan skripsi yang berjudul Analisis Peramalan Permintaan Sayuran Menggunakan Pendekatan Kointegrasi pada PT Saung Mirwan, Bogor, Jawa Barat sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor. Skripsi ini tidak akan selesai tanpa dukungan, dorongan, dan bantuan dari berbagai pihak baik secara moril maupun materil. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima kasih yang sebesar-besarnya kepada : 1.
Dr. Ir. Muhammad Syamsun, M.Sc sebagai dosen pembimbing pertama yang telah meluangkan waktunya untuk memberikan bimbingan, nasihat, motivasi, dan arahan selama penulis melakukan penyusunan skripsi.
2.
Alim Setiawan S, S.TP, M.Si sebagai dosen pembimbing kedua yang telah meluangkan waktunya untuk memberikan bimbingan, nasihat, motivasi, saran, dan arahan selama penulis melakukan penyusunan skripsi.
3.
Ir. Pramono Djoko Fewidarto, MS sebagai dosen penguji sidang skripsi yang telah meluangkan waktunya, memberikan masukan, saran, dan arahan yang membangun untuk perbaikan skripsi.
4.
Dr. Ir. Jono M. Munandar, M.Sc selaku Ketua Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor.
5.
Seluruh staf dan karyawan Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor.
6.
Bapak Tatang (Theo) Hadinata selaku Presiden Direktur PT Saung Mirwan yang telah memberikan kesempatan bagi penulis untuk meneliti di perusahaan miliknya. Ibu Lina, Mba Dhita, Pak Wasil, Pak Hendro, Mba Elin sebagai staf karyawan dan seluruh karyawan PT Saung Mirwan yang telah membantu memberikan informasi dan data yang ada pada PT Saung Mirwan untuk penelitian saya selama ini.
7.
Orang tua tercinta, Ayah Durga dan Ibu Masruroh (Almh) yang selalu mencurahkan kasih sayang, senantiasa berdoa, memberikan nasihat, vii
dukungan moral maupun materil, motivasi, pengertian, kesabaran, dan perhatian yang tiada henti untuk diberikan kepada penulis. 8.
Orang tua, Bapak Tono dan Mimi Saminah, Mama Warkan, serta adik Syiva atas doa, kasih sayang, dukungan, semangat dan pengertian yang tiada henti diberikan kepada penulis.
9.
Kakak-kakak tercinta, yayu Eka Ratna Wati, mamas Slamet Widodo, aa Bambang Haryanto, eteh Ecih Sukaesih, dan ponakan tercinta dede Labibah Nurul Jannah atas doa, kasih sayang, dukungan, dan pengertian yang tiada henti untuk diberikan kepada penulis.
10. Sendi Riyanto untuk setiap cinta, kasih sayang, dukungan, pengertian, kesabaran, doa tulus, penghibur hati dan berbagi cerita suka dan duka. 11. Kak Mokhammad Indrazakti dan Kak Kiki Maulya Puspita yang telah membantu penyusunan skripsi saya. 12. Sahabat-sahabat tersayang di Manajemen 45 (Septi, Putri, Aulia, Angietha, Ana, Meylisa) yang telah memberikan banyak pelajaran suka, duka, dan kebersamaan selama kuliah. 13. Teman-teman satu bimbingan Arni Novriana S, Choirul Amalia, Yuti Arlan, Yuviani Kusumawardani, Jessica Merismana, Rasyah Yunita R, dan Risyayana Ersya yang telah memberikan dukungan, semangat, dan doanya untuk berjuang bersama dalam menyelesaikan skripsi ini. 14. Teman sekamarku Nia Andriani yang telah menghibur, berbagi cerita suka dan duka, dan memberikan dukungan serta doa dan teman-teman kosan Rumah Ijo Siti Munawaroh, Mely Choirul Nurfitri, dan Ramadhani Safitri yang memberikan semangat, dukungan, dan doanya. 15. Semua teman-teman di Manajemen 45 yang selama ini telah berbagi suka dan duka bersama melewati masa perkuliahan di Manajemen, semoga tali silaturahmi kita akan tetap terjaga. 16. Semua pihak yang tidak disebutkan namanya dalam kesempatan ini, namun tidak mengurangi rasa terima kasih penulis atas kerja sama dan bantuannya dalam menyelesaikan skripsi ini. Semoga Allah SWT memberikan balasan kebaikan yang telah diberikan oleh semua pihak kepada penulis dalam menyusun skripsi ini. viii
DAFTAR ISI Halaman RINGKASAN RIWAYAT HIDUP .........................................................................
v
KATA PENGANTAR .....................................................................
vi
UCAPAN TERIMA KASIH ..........................................................
vii
DAFTAR TABEL ...........................................................................
xi
DAFTAR GAMBAR .......................................................................
xii
DAFTAR LAMPIRAN ...................................................................
xiii
I.
PENDAHULUAN ..................................................................
1
1.1 Latar Belakang Penelitian .................................................. 1.2 Perumusan Masalah ........................................................... 1.3 Tujuan Penelitian ............................................................... 1.4 Manfaat Penelitian ............................................................. 1.5 Ruang Lingkup Penelitian .................................................
1 4 5 5 6
TINJAUAN PUSTAKA ........................................................
7
2.1 Sayuran .............................................................................. 2.2 Definisi Peramalan............................................................. 2.2.1 Jenis-jenis Peramalan .............................................. 2.2.2 Peramalan Time Series (Runtut Waktu) .................. 2.3 Teori Pemasaran ................................................................ 2.4 Peramalan Penjualan .......................................................... 2.5 Kestasioneran Data ............................................................ 2.6 Model Vector Autoregression (VAR)................................ 2.7 Vector Error Correction Model (VECM) ......................... 2.8 Penelitian Terdahulu ..........................................................
7 8 8 9 10 11 13 13 14 14
III. METODE PENELITIAN......................................................
16
3.1 Kerangka Pemikiran Penelitian ......................................... 3.2 Lokasi dan Waktu Penelitian ............................................. 3.3 Pengumpulan Data ............................................................. 3.3.1 Jenis Data dan Informasi ......................................... 3.3.2 Sumber Data dan Informasi ..................................... 3.4 Pengolahan dan Analisis Data ........................................... 3.5 Uji Stasioneritas Data ........................................................ 3.6 Uji Kausalitas Granger ...................................................... 3.7 Model Vector Autoregression (VAR)................................ 3.8 Kointegrasi ......................................................................... 3.9 Impuls Respons Function and Forecast Error Variance
16 19 19 19 19 20 21 23 23 25
II.
ix
Decomposition (Fungsi Respon Impuls dan Dekomposisi Ragam) ............................................................................ 3.10 Penentuan Ordo VAR ...................................................... 3.11 Uji Stabilitas Model ......................................................... 3.12 Vector Error Correction Model (VECM)........................
27 28 28 29
IV. HASIL DAN PEMBAHASAN ..................................................
32
4.1 Gambaran Umum Perusahaan ............................................ 4.1.1 Sejarah Singkat PT Saung Mirwan ........................... 4.1.2 Letak Geografis ........................................................ 4.1.3 Profil PT Saung Mirwan ........................................... 4.1.4 Hasil Produksi .......................................................... 4.1.5 Struktur Organisasi dan Ketenagakerjaan ................ 4.1.6 Pola Kemitraan ......................................................... 4.1.7 Pemasaran ................................................................. 4.1.8 Pelayanan Terhadap Pelanggan ................................ 4.2 Hasil Analisis ...................................................................... 4.2.1 Uji Stasioneritas........................................................ 4.2.2 Uji Kausalitas Granger ............................................. 4.2.3 Uji Lag Optimum ..................................................... 4.2.4 Uji Kointegrasi ......................................................... 4.2.5 Estimasi VECM (Vector Error Correction Model) .. 4.2.6 Uji Stabilitas Model .................................................. 4.2.7 Impuls Response Function (IRF) .............................. 4.2.8 Forecast Error Variance Decomposition (FEVD) ... 4.2.9 Implikasi Manajerial .................................................
32 32 33 34 35 38 42 44 46 46 46 48 49 50 51 52 53 60 72
KESIMPULAN DAN SARAN ........................................................
73
1. Kesimpulan ........................................................................... 2. Saran ....................................................................................
73 74
DAFTAR PUSTAKA ......................................................................
75
LAMPIRAN .....................................................................................
77
x
DAFTAR TABEL No 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.
Halaman Hasil Uji Stasioneritas pada Level .............................................. Hasil Uji Stasioneritas First Difference ...................................... Hasil Uji Stasioneritas Second Difference .................................. Hasil Uji Kausalitas Granger ...................................................... Hasil Uji Lag Optimum .............................................................. Hasil Uji Kointegrasi .................................................................. Hasil Estimasi VECM ................................................................. Hasil Uji Stabilitas Model ........................................................... Hasil Peramalan Kembang Kol ................................................... Hasil Peramalan Lettuce Head .................................................... Hasil Peramalan Tomat Beef ......................................................
xi
47 48 48 49 50 51 52 53 61 64 68
DAFTAR GAMBAR No
Halaman
1.
Grafik Permintaan Lettuce Head, Tomat Rianto (Beef Tomato), dan Kembang kol ........................................................................ 2. Kerangka Pemikiran penelitian ................................................... 3. Impuls Response of Kembang kol ............................................... 4. Impuls Response of Lettuce head ................................................ 5. Impuls Response of Beef Tomato ................................................ 6. Nilai Aktual dan Nilai Forecast Kembang kol ............................ 7. Variance Decomposition of Cauliflower (Kembang kol) ........... 8. Nilai Aktual dan Nilai Forecast Lettuce head ............................. 9. Variance Decomposition of Lettuce Head .................................. 10. Nilai Aktual dan Nilai Forecast Tomat beef ............................... 11. Variance Decomposition of Beef Tomato ...................................
xii
4 18 53 56 58 62 63 65 66 69 70
DAFTAR LAMPIRAN No 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22.
Halaman Rata-rata Konsumsi Kalori (KKal) per Kapita Sehari Menurut Kelompok Makanan .................................................................... Permintaan Komoditas Sayuran Kembang Kol, Lettuce Head, dan Tomat Rianto (Beef Tomato) ................................................ Daftar Customer PT Saung Mirwan ........................................... Jumlah Karyawan PT Saung Mirwan ......................................... Produk PT Saung Mirwan ........................................................... Struktur Organisasi PT Saung Mirwan ....................................... Uji Stasioneritas Permintaan Kembang Kol ............................... Uji Stasioneritas Permintaan Lettuce Head ................................ Uji Stasioneritas Permintaan Tomat Beef ................................... Uji Kausalitas Granger ................................................................ Uji Lag Optimum ........................................................................ Uji Kointegrasi ............................................................................ Estimasi VECM .......................................................................... Uji Stabilitas Model .................................................................... Impuls Response of Cauliflower (Kembang Kol)........................ Impuls Response of Lettuce Head ............................................... Impuls Response of Beef Tomato ................................................ FEVD of Kembang Kol, Lettuce Head, Beef Tomato ................ Regresi Model Minitab ............................................................... Hasil Ramalan Komoditas Kembang Kol ................................... Hasil Ramalan Komoditas Lettuce Head .................................... Hasil Ramalan Komoditas Tomat Beef ......................................
xiii
78 79 80 81 82 84 85 87 89 91 92 93 94 96 97 98 99 100 103 106 107 108
1
I. PENDAHULUAN
1.1 Latar Belakang Indonesia merupakan Negara Agraris yang sebagian besar mata pencaharian penduduknya pada pertanian. Pertanian di sini meliputi pertanian tanaman bahan makanan, perikanan, tanaman perkebunan, peternakan, dan kehutanan. Hasil-hasil komoditas pertanian tersebut sangat berperan penting dalam memberikan sumbangan nilai tambah dan proses pembangunan ekonomi Negara Indonesia. Pertanian Indonesia memiliki potensi besar untuk dikembangkan, khususnya pada komoditas hortikultura. Hortikultura merupakan salah satu bidang dalam sub sektor pertanian sebagai penyedia sumber makanan. Komoditas hortikultura diantaranya yaitu sayuran, buah-buahan, bunga, obatobatan, dan tanaman taman. Komoditas hortikultura sering ditentukan sebagai komoditas yang berkualitas tinggi dengan standar kualitas tertentu dan juga sebagai komoditas yang memiliki nilai ekonomi yang tinggi, salah satunya yaitu komoditas sayuran. Oleh karena itu, komoditas tersebut harus diproduksi secara efisien untuk mendapatkan produk yang berkualitas dan dapat bersaing di pasar dalam negeri maupun luar negeri. Usaha di sub sektor pertanian, khususnya di dalam bidang hortikultura yaitu sayuran. Sayuran merupakan salah satu komponen penting di dalam menu makanan yang seimbang untuk pola hidup sehat. Hal ini karena sayuran memberikan kontribusi nyata dalam pembangunan pertanian dan memiliki nilai strategis dalam upaya memenuhi kebutuhan akan protein, vitamin, mineral, dan zat-zat lainnya yang penting bagi pemenuhan gizi masyarakat. Karena manusia membutuhkan dan selalu tertarik dengan pangan. Pangan merupakan sumber energi dan makanan. Seluruh pangan berasal langsung atau tidak langsung dari tanaman yang sebagian besar termasuk dalam kelompok sayuran (Rubatzky dan Yamaguchi, 1998). Kebutuhan rata-rata konsumsi kalori per kapita sehari akan sayursayuran di Indonesia hingga saat ini sebanyak 38,72 menurun dari tahun
2
sebelumnya (Lampiran 1). Namun, gaya hidup back to nature sekarang ini sedang menjadi trend di kalangan masyarakat yang sadar akan pentingnya menjaga kesehatan tubuh. Sektor pertanian dalam hal ini pertanian sayur mayur merupakan salah satu sektor penyedia pangan yang utama untuk meningkatkan pertumbuhan dan menyediakan zat-zat yang dibutuhkan oleh tubuh untuk dapat hidup sehat. Konsumsi sayur-sayuran meningkat seiring dengan perubahan ekonomi baik secara lokal, regional, nasional, maupun internasional. Hal ini menandakan bahwa terdapat peluang bagi para produsen agribisnis khususnya sayuran
untuk
mengembangkan
usahanya
dalam
rangka memenuhi
permintaan akan sayuran. Pada daerah Jawa Barat, terdapat beberapa perusahaan agribisnis berskala usaha luas yang dikenal sebagai produsen komoditi sayuran, misalnya PT Saung Mirwan, PT Parung Farm, PD Pacet Segar, PT Abbas Agri, dan PT Bi Mandiri. Peluang dalam menyediakan pasokan bahan makanan sayuran ini banyak dimanfaatkan salah satunya oleh PT Saung Mirwan untuk meningkatkan persediaan sayuran memenuhi permintaan dan kepuasaan konsumen akan kebutuhannya. PT Saung Mirwan (SM) merupakan salah satu perusahaan yang bergerak di bidang agribisnis sayuran. Sejak awal, perusahaan ini telah memposisikan dirinya sebagai perusahaan yang menghasilkan sayuran yang berkualitas dan eksklusif. Customer PT Saung Mirwan dibagi ke dalam dua kelompok, yaitu customer process (contohnya Seven Eleven) dan customer retail (contohnya Carrefour). Misalnya saja customer retail dalam melakukan permintaan komoditas di PT Saumg Mirwan sangat dipengaruhi oleh harga dan kuantitas, hari libur maupun hari raya. Customer retail dalam melakukan permintaan sudah ada kesepakatan terlebih dahulu dengan pihak perusahaan baik dalam jenis komoditas, harga, kuantitas, kualitas, dan spesifikasi produk. Mengingat jumlah permintaan sayuran yang diminta berfluktuasi dan peran peramalan permintaan untuk pengambilan keputusan bagi pihak manajemen perusahaan, maka perusahaan membutuhkan metode peramalan.
3
Peramalan permintaan tersebut digunakan sebagai informasi dasar untuk menyusun perencanaan dan keputusan di berbagai bidang dalam perusahaan. Mengingat jenis sayuran yang diusahakan cukup banyak, maka peramalan hanya dilakukan pada beberapa sayuran. Komoditi yang terpilih merupakan sayuran yang memiliki prospek permintaan yang bagus dari sisi harga, profit, dan kuantitas. Berdasarkan pertimbangan tersebut, maka komoditi yang terpilih terdiri dari kembang kol, lettuce head, dan tomat jenis rianto atau biasa disebut beef tomato. Ketiga komoditas ini merupakan komoditas yang paling banyak diminta oleh customer retail dari bayaknya komoditas yang diusahakan oleh PT Saung Mirwan, karena dipengaruhi permintaan dari end user dari customer retail setiap harinya. Peningkatan konsumsi sayuran diperkirakan akan terus meningkat apabila terjadi pertumbuhan ekonomi karena mempunyai hubungan yang positif dengan pendapatan masyarakat yang semakin meningkat dan manfaat lain yang terkandung di dalam sayuran yang dikonsumsi. Kebutuhan pasar akan sayuran yang terus meningkat dan harus dipenuhi. Hal ini menjadi sebuah kesempatan bagi perusahaan tersebut dalam melayani keinginan dan kebutuhan masyarakat di daerah tersebut maupun di daerah lainnya. Peluang dalam memenuhi kebutuhan pasar akan sayuran sangat dimanfaatkan dengan baik oleh PT Saung Mirwan. Selain itu, perusahaan selalu mengutamakan untuk memenuhi permintaan customer baik dalam hal kuantitas maupun kualitasnya. Ketiga komoditas yang paling banyak diminta oleh customer retail ini memiliki tingkat permintaan yang cukup baik seperti terlihat pada Gambar 1 dan lebih jelasnya dapat dilihat pada Lampiran 2 untuk angka setiap periodenya. PT Saung Mirwan banyak memasarkan komoditasnya ke daerah Jakarta, Bogor, Depok, Tangerang, Bekasi, dan ada juga ke daerah lainnya. Permintaan komoditas kembang kol, lettuce head, dan tomat rianto (beef tomato) berfluktuatif menyebabkan PT Saung Mirwan memerlukan suatu instrumen untuk melihat hubungan dan pengaruh permintaan pada penjualan ketiga
komoditas
tersebut.
Adanya
fluktuasi
permintaan
ini
juga
menunjukkan bahwa peramalan merupakan hal yang penting untuk
4
menentukan keberhasilan dari perencanaan. Data permintaan untuk ketiga komoditas yang berfluktuasi ini dipengaruhi oleh tren dan pola musiman. Kehadiran musiman ini dipengaruhi oleh kondisi tertentu seperti hari libur, hari raya, dan bulan puasa.
Gambar 1. Grafik Permintaan Lettuce Head, Tomat Rianto (Beef Tomato), dan Kembang Kol Periode Tahun 2009 sampai Tahun 2011 (PT Saung Mirwan, 2012) Hasil peramalan merupakan informasi dasar untuk menyusun perencanaan dan keputusan di berbagai bidang. Hal ini juga diperlukan untuk membantu PT Saung mirwan dalam mengontrol penjualan dari ketiga komoditas dalam beberapa periode ke depan. Pengaruh dan hubungan dalam permintaan setiap komoditas pada perusahaan terkadang dapat menyebabkan penurunan maupun peningkatan permintaan dan penjualan terhadap komoditas lainnya. 1.2 Perumusan Masalah Semakin banyaknya pesaing produsen atau petani kembang kol, lettuce head, dan tomat rianto atau beef tomato sekarang ini, membuat jumlah produk sayuran tersebut di pasaran harus bersaing dengan ketat baik dalam ketersediaan jumlah produk sayuran maupun kualitas yang diberikan oleh produsen ke konsumen. Hal ini membuat produsen sayuran kembang kol, lettuce head, dan tomat beef yang memasok pada PT Saung Mirwan harus
5
memikirkan bagaimana cara untuk mempertahankan pelanggannya maupun meningkatkan konsumennya. Oleh karena itu, PT Saung Mirwan sebagai produsen sayuran harus melakukan peramalan permintaan untuk menetapkan sasaran permintaan pada penjualan komoditas kembang kol, lettuce head, dan tomat rianto atau beef tomato. Perumusan masalah dari penelitian ini adalah : 1. Bagaimana pola permintaan yang terjadi pada produksi sayuran (kembang kol, lettuce head, dan tomat beef) di PT Saung Mirwan selama ini? 2. Bagaimana peramalan permintaan deret waktu komoditas sayuran di PT Saung Mirwan menurut pola permintaan yang ada untuk satu tahun ke depan pada produk sayuran (kembang kol, lettuce head, dan tomat beef)? 3. Bagaimana kointegrasi produk kembang kol, lettuce head, dan tomat beef dalam proses permintaan produk di PT Saung Mirwan? 1.3 Tujuan Penelitian Berdasarkan perumusan masalah di atas, maka tujuan dari penelitian ini adalah : 1. Mengidentifikasi dan menganalisis pola permintaan sayuran (kembang kol, lettuce head, dan tomat beef) di PT Saung Mirwan yang selama ini berlangsung. 2. Mempelajari dan mendapatkan ramalan jumlah permintaan sayuran (kembang kol, lettuce head, dan tomat beef) yang akan diminta untuk satu tahun ke depan dan menganalisis dilihat dari komoditas sayuran yang diramalkan. 3. Menganalisis kointegrasi produk kembang kol, lettuce head, dan tomat beef dalam proses penjualan di PT Saung Mirwan. 1.4 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat dan kontribusi : 1. Bagi penulis, dapat menerapkan ilmu pengetahuan yang didapat dari perkuliahan untuk dapat mempraktekannya atau menerapkannya di lapangan (usaha).
6
2. Bagi perusahaan, hasil penelitian dapat menjadi bahan pertimbangan dan masukan dalam pengambilan keputusan manajerial yang berkaitan dengan penyediaan produk (sayuran kembang kol, lettuce head, dan tomat beef) yang sesuai dengan permintaan konsumen dan kebijakan yang dapat diterapkan dalam merencanakan produksi yang optimal. 3. Bahan referensi bagi peneliti lain yang akan melakukan penelitian yang sama atau lebih lanjut mengenai peramalan yang melihat komoditas yang satu dapat mempengaruhi komoditas lainnya. 1.5 Ruang Lingkup Penelitian Ruang lingkup penelitian ini yaitu analisis peramalan penjualan dan kointegrasi dalam permintaan produk sayuran kembang kol, lettuce head, dan tomat rianto atau beef tomato dari periode Januari 2009 sampai Desember 2011 di PT Saung Mirwan. Analisis kointegrasi penjualan dengan menggunakan alat analisis Vector Autoregression (VAR) atau Vector Error Correction Model (VECM) dan untuk peramalannya dengan menggunakan Impuls Respons Function (IRF) dan Forecast Error Variance Decomposition (FEVD). Data yang dibutuhkan berupa data sekunder mengenai penjualan sayuran kembang kol, lettuce head, dan tomat rianto atau beef tomato serta seluruh data yang bersumber pada catatan pengelolaan produk sayuran di PT Saung Mirwan.
7
II. TINJAUAN PUSTAKA
2.1 Sayuran Menurut Williams et, al. (1993), rentang jenis sayuran yang diusahakan dan ditemukan di pasar-pasar jauh lebih besar di daerah tropis dibandingkan di daerah atau negara-negara beriklim sedang. Terlepas dari keanekaragaman yang besar dari sayuran tropis, jumlah yang dikonsumsi per kapita sering kali lebih sedikit dibandingkan dengan di negara yang beriklim sedang. Hal ini sangat memprihatinkan karena sayuran merupakan sumber protein penting dan zat nutrien lainnya yang murah, bila dibandingkan dengan daging, telur, dan hasil-hasil susu lainnya yang lebih mahal. Selain itu, masyarakat negara tropis sangat sedikit mengkonsumsi makanan tersebut untuk mendapatkan zat nutriennya. Suatu faktor yang membedakan pertanian sayuran dari tipe pertanian lainnya adalah luas lahan usaha tani dan sifat intensif dari pertanian sayuran. Karena sayuran lebih banyak dipanen dalam bentuk segar (kandungan air tinggi) maka hasilnya akan sangat tinggi bila diusahakan dengan sebaik mungkin. Supaya hasilnya memuaskan, masukan dalam bentuk pupuk, bibit, tenaga untuk penanaman, pemeliharaan dan pemanenan, serta perlindungan tanaman juga sangat tinggi, jauh lebih tinggi daripada untuk tanaman pertanian atau field crops (Williams et, al., 1993). Sayuran dikonsumsi dengan cara yang sangat bermacam-macam, baik sebagai bagian dari menu utama maupun sebagai makanan sampingan. Kandungan nutrisi antara sayuran yang satu dan sayuran yang lain pun berbeda-beda, meski umumnya sayuran mengandung sedikit protein atau lemak, dengan jumlah vitamin, provitamin, mineral, fiber dan karbohidrat yang bermacam-macam. Beberapa jenis sayuran bahkan telah diklaim mengandung zat antioksidan, antibakteri, antijamur, maupun zat anti racun. Kandungan zat gizi alami dalam sayuran hijau sangat banyak. Selain kaya dengan vitamin A dan C, sayuran hijau juga mengandung berbagai unsur mineral seperti zat kapur, zat besi, magnesium dan fosfor. Sayuran yang
8
berwarna hijau tua merupakan sumber karotenoid (pigmen dalam tanaman yang terdapat pada tumbuhan) terbaik dan tergolong penting untuk memerangi radikal bebas. 2.2 Definisi Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Usaha untuk melihat situasi dan kondisi pada masa yang akan datang merupakan usaha untuk memperkirakan pengaruh situasi dan kondisi yang berlaku terhadap perkembangan di masa yang akan datang. Peramalan merupakan dasar untuk penyusunan rencana yang manfaatnya dapat terlihat pada saat pengambilan keputusan dengan menggunakan suatu metode yang sesuai. Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu (Assauri, 1984). Sedangkan menurut Kusuma (1999), peramalan adalah perkiraan tingkat permintaan satu atau produk selama beberapa periode mendatang. Menurut Heizer dan Render (2006), peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan dapat dilakukan dengan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis atau bisa juga dengan prediksi intuisi yang bersifat subjektif, maupun kombinasi dari keduanya. Prosedur peramalan dapat dikelompokkan sesuai dengan sifatnya yang kuantitatif atau kualitatif. Teknik kualitatif yang murni adalah yang jelas tidak memerlukan manipulasi data, hanya pendapat pribadi yang digunakan oleh forecaster (peramal) yang mengacu hasil dari manipulasi mental data historis masa lalu. Di sisi lain, teknik kuantitatif yang murni tidak memerlukan input pendapat pribadi, hal ini merupakan prosedur mekanis yang menghasilkan keluaran kuantitatif dan memerlukan lebih banyak manipulasi data yang canggih dibandingkan lainnya (Hanke et, al., 2003). 2.2.1 Jenis-jenis Peramalan Jenis-jenis peramalan menurut Assauri (1984), apabila dilihat dari sifat penyusunannya dapat dibedakan atas dua macam:
9
a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknikteknik dan metode-metode dalam penganalisaan data tersebut. Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat dibedakan atas tiga macam: a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari tiga tahun atau lebih. b. Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya mencakup hitungan bulanan hingga tiga tahun. c. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu tahun tetapi umumnya kurang dari tiga periode. Metode peramalan kuantitatif dibagi ke dalam dua kategori, yaitu: a. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu disebut metode deret waktu atau time series, seperti dengan menggunakan pendekatan naif, rata-rata bergerak, penghalusan eksponensial, dan proyeksi tren. b. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan digunakan dengan variabel lain yang mempengaruhinya, yang bukan waktu, disebut metode korelasi atau sebab akibat causal methods (Assauri, 1984), seperti dengan menggunakan regresi linear. 2.2.2 Peramalan Time Series (Runtut Waktu) Peramalan time series (runtut waktu) menggunakan data runtut waktu yaitu data yang dikumpulkan dari suatu waktu ke waktu berikutnya selama jangka waktu tertentu, seperti jam, hari, minggu,
10
periode, tahun, dan lainnya. Data yang diperlukan untuk peramalan time series adalah nilai masa lalu dari suatu produk dianalisis pola data tersebut apakah berpola trend, musiman, atau siklus. Meramalkan berdasarkan data time series berarti nilai masa depan yang diperkirakan hanya dari nilai masa lalu dan bahwa peubah lain diabaikan, walaupun peubah-peubah lain tersebut mungkin sangat bermanfaat pada analisis. Data deret waktu dapat dibedakan menjadi data deret waktu yang bersifat stasioner dan tidak stasioner. Data stasioner memiliki nilai ratarata dan variansi yang relatif konstan dari waktu ke waktu, sedangkan data yang tidak stasioner relatif bervariansi dari waktu ke waktu (Aritonang, 2002). Data time series dapat juga dibedakan menjadi empat komponen, yaitu trend, musim, siklus, dan variasi acak atau random variation. 2.3 Teori Pemasaran Menurut
Kotler
(2009),
pemasaran
berhubungan
dengan
mengidentifikasi dan memenuhi kebutuhan manusia dan masyarakat. Setiap orang mungkin bisa menghasilkan produk, tetapi tidak semua bisa menghasilkan produk yang sesuai dengan keinginan dan kebutuhan dengan harga yang murah dan memuaskan. Pemasaran di sini adalah suatu proses yang di dalamnya individu dan kelompok mendapatkan apa yang mereka butuhkan dan inginkan dengan menciptakan, menawarkan, dan secara bebas mempertukarkan produk yang bernilai dengan pihak lain yaitu pelanggan. Pemasaran merupakan seni dalam menjual suatu produk yang dihasilkan oleh individu, kelompok, maupun organisasi dalam hal ini perusahaan. Pemasaran tidak hanya fokus pada penjualan produk, tetapi untuk dapat mengetahui dan memahami keinginan dan kebutuhan pelanggan sehingga produk diterima dan cocok dengannya dan selanjutnya memberikan pelayanan lain atas produknya. Konsep pemasaran menegaskan bahwa kunci utama untuk mencapai tujuan organisasi yang ditetapkan adalah perusahaan tersebut harus menjadi lebih efektif dibandingkan para pesaing dalam menciptakan, menyerahkan,
11
dan mengkomunikasikan nilai pelanggan kepada pasar sasaran yang terpilih. Pemasar harus terampil dalam mengelola permintaan yang berasal dari individu dan masyarakat, berupaya untuk memengaruhi level, waktu, dan komposisi permintaan. Produk yang dipasarkan oleh pemasar bisa berupa barang, jasa, acara khusus atau event, pengalaman, orang, tempat, kepemilikan, organisasi, informasi, dan gagasan. Pemasar dapat beroperasi dalam empat tempat pasar yang menjadi targetnya yaitu konsumen, bisnis, global, dan nirlaba. 2.4 Peramalan Penjualan Peramalan yang dilakukan oleh perusahaan pada umumnya hasilnya akan berimplikasi pada peramalan penjualan. Teknik dan metode analisa yang sangat erat kaitannya dengan perencanaan atau peramalan, khususnya disini tentang permintaan atau penjualan. Hal ini disebabkan oleh maksud dan tujuan dari suatu analisa kegiatan usaha yang menitikberatkan pada mengkaji situasi dan kondisi sekarang dengan situasi dan kondisi pada masa yang akan datang (Aritonang, 2002). Kegiatan peramalan tersebut untuk melihat prospek situasi dan kondisi di masa yang akan datang mengenai penjualan sayuran. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Assauri, 1984). Peramalan bisa mempengaruhi perusahaan dalam mencapai tujuannya di masa yang akan datang, keberhasilannya yang diperoleh dari kebijakan yang diterapkan dan dilaksanakan. Jadi, dalam menentukan kebijakan perlu diperkirakan peluang yang ada dan ancaman yang mungkin terjadi serta harus dihadapi dengan kekuatan yang dimiliki perusahaan, kelemahan bukan menjadi hambatan bagi perusahaan untuk tetap menjalankan usahanya. Dalam usaha untuk mengetahui atau melihat yang terjadi di masa depan, peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan sesuatu timbul, sehingga dapat dipersiapkan kebijakan atau langkah – langkah tindakan yang perlu dilakukan (Aritonang, 2002). Sebagian besar perusahaan membutuhkan hasil peramalan penjualan untuk dapat memprediksi kebutuhan sumber daya yang akan diproduksi untuk
12
menghasilkan produk yang nantinya akan ditawarkan kepada pelanggannya. Peramalan yang dilakukan perusahaan tidak hanya untuk jangka pendek saja tetapi juga jangka panjang. Oleh karena itu, peramalan penjualan merupakan hal yang penting dan strategis dilakukan oleh perusahaan agar dapat memprediksi dan memperkirakan apa yang akan terjadi pada masa yang akan datang di dalam perusahaan. Peramalan yang dilakukan oleh manajemen puncak biasanya melihat faktor-faktor baik internal maupun eksternal, tetapi sebagian besar akan dipengaruhi oleh faktor eksternalnya, seperti kondisi ekonomi, kondisi politik, kondisi sosial, perubahan teknologi, dan lingkungan eksternal lainnya yang secara strategis mempengaruhi kinerja perusahaan. Hasil ramalan penjualan manajemen puncak yang nantinya akan digunakan oleh seluruh bagian perusahaan yang dijadikan sebagai acuan untuk penganggaran dan perencanaan produk yang hasilnya harus benar-benar diimplementasikan. Menurut Sugiarto dan Harijono (2000), peramalan penjualan jangka panjang sangat dibutuhkan oleh perusahaan dalam keputusan pengembangan produk baru, penambahan lini produk dan juga keputusan untuk mengurangi jumlah produk yang dihasilkan atau dipasarkan. Selain itu ramalan penjualan jangka panjang juga sangat menentukan dalam proses penganggaran modal, pembukaan daerah pemasaran baru, pengambilalihan perusahaan lain, pengembangan saluran distribusi baru dan keputusan-keputusan strategis lainnya. Sedangkan pada jangka pendek perusahaan melakukan peramalan juga terhadap permintaan dan penjualan untuk setiap produk per daerah geografis dan konsumen yang menjadi target pemasaran perusahaan, perencanaan periklanan, rekrutmen sales force dan berbagai strategi pemasaran yang dapat dibuat peramalannya, perencanaan jadwal produksi, perencanaan kebutuhan bahan, perencanaan kebutuhan, rekrutmen tenaga kerja, prediksi arus kas, tingkat komposisi biaya dan pendapatan, dan lain sebagainya.
13
2.5 Kestasioneran Data Kestasioneran data deret waktu dapat diperiksa dengan melihat plot deret waktu. Plot deret waktu yang berfluktuasi dengan ragam yang konstan di sekitar rataan yang konstan menunjukkan bahwa data deret waktu tersebut stasioner. Sedangkan plot deret waktu yang tidak berfluktuasi di sekitar rataan yang konstan atau tidak berfluktuasi dengan ragam yang konstan mengindikasikan bahwa data deret waktu tersebut tidak stasioner. Selain itu plot korelasi diri (ACF) juga dapat menunjukkan data deret waktu stasioner atau tidak stasioner. Jika plot ACF dari data membentuk pola cuts off (memotong garis) atau tails off (turun secara eksponensial menuju nol) dengan cepat, maka data tersebut diperkirakan stasioner. Sedangkan jika plot ACF membentuk pola tails off secara lambat, maka data deret waktu tersebut diperkirakan tidak stasioner (Bowerman & O’Connell, 1993). Data dikatakan stasioner bila memenuhi syarat berikut: (1) rata-rata dan variannya konstan sepanjang waktu, dan (2) kovarian antara dua data runtut waktu tergantung pada kelambanan antara dua periode tersebut (Winarno, 2007). 2.6 Model Vector Autoregression (VAR) Model VAR dikembangkan oleh Christoper Sims pada tahun (1980). model ini pada dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model VAR sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Sims berpendapat, jika memang terdapat hubungan yang simultan antar variabel yang diamati, variabel-variabel tersebut perlu diperlakukan sama, sehingga tidak ada lagi variabel endogen dan eksogen (Nachrowi dan Usman, 2006). Model VAR ini menjawab tantangan kesulitan yang ditemui akibat model struktural yang harus mengacu pada teori. Dengan kata lain, model VAR tidak banyak tergantung pada teori, tetapi hanya perlu menentukan variabel yang saling berinteraksi (menyebabkan) yang perlu dimasukkan dalam sistem, dan banyaknya variabel jeda yang perlu diikutsertakan dalam
14
model yang diharapkan dapat menangkap keterkaitan antar variabel dalam sistem (Nachrowi dan Usman, 2006). 2.7 Vector Error Correction Model (VECM) Vector Error Correction Model (VECM) digunakan jika peubahpeubah yang ada bersifat tidak stasioner. Hal ini terjadi karena setiap bentuk persamaan kointegrasi akan mempunyai error correction model yang disebabkan dalam jangka pendek pergerakan dari setiap peubah mungkin saja akan menyimpang dari long-run-track-nya, misalnya karena adanya guncangan harga atau karena adanya faktor musim yang tidak menentu. Apabila kedua data yang dianalisis tidak stasioner tetapi saling berkointegrasi, berarti ada hubungan jangka panjang (atau keseimbangan) antara kedua variabel tersebut. Dalam jangka pendek ada kemungkinan terjadi
ketidakseimbangan
atau
disekuilibrium.
Karena
adanya
ketidakseimbangan ini maka diperlukan adanya koreksi dengan model koreksi kesalahan. 2.8 Penelitian Terdahulu Indrazakti (2011) meneliti tentang peramalan penjualan dengan menggunakan metode kointegrasi pada Safe 1, dan Cypergard (500 ml dan 100 ml) di PT Chemigard, data kuantitatif yang digunakan berupa laporan penjualan pestisida pembasmi rayap serta data kualitatif berupa penjelasan dan keterangan-keterangan. Model yang digunakan adalah model analisis Vector Error Correction Model (VECM) yang selanjutnya ada uji stabilitas data, kemudian memiliki analisis lanjutan yaitu Impuls Respons Function (IRF) dan Forecasting Error Variance Decomposition (FEVD) untuk mendapatkan peramalannya, yang terlebih dahulu harus dilakukan uji stasioneritas, penentuan lag optimal dan uji kointegrasi. Berdasarkan hasil uji kointegrasi data yang diolah memiliki hubungan kointegrasi pada produk Safe 1 dan Cypegard (500 ml dan 100 ml), dan berdasarkan IRF dan FEVD hasil ramalan ketiga produk tersebut untuk enam periode cenderung mengalami peningkatan walaupun adanya fluktuasi ringan dan produk yang berpengaruh baik terhadap peningkatan penjualan semua produk adalah produk Cypegard
15
baik kemasan 500 ml maupun 100 ml. Sedangkan produk Safe 1 berpengaruh positif terhadap penjualan dirinya sendiri dan penjualan produk Cypegard 500 ml, tetapi berpengaruh negatif terhadap penjualan produk Cypegard 100 ml. Penelitian lain yang terkait, Widyasari (2010) meneliti tentang kointegrasi harga beberapa komoditas pangan utama pasca krisis ekonomi di Pulau Sumatera dan Jawa dengan menggunakan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) yang dalam penggunaannya dibedakan menurut pola datanya, terlebih dahulu diuji menggunakan uji stasioneritas. Apabila data yang digunakan stasioner pada level nol maka digunakan metode analisis VAR dan apabila data yang digunakan tidak stasioner pada level nol maka digunakan metode analisis VECM. Penelitian yang dilakukan bertujuan untuk menganalisis kointegrasi harga beberapa komoditas pangan utama di tingkat produsen dan tingkat konsumen, dan menganalisis apakah terdapat pemimpin harga komoditas pangan utama di tingkat produsen dan tingkat konsumen. Hasil yang diperoleh dengan metode analisis VAR dan VECM menunjukkan terdapat kointegrasi harga komoditas jagung, kacang tanah, dan ketela rambat di Pulau Sumatera dan Jawa pada tingkat produsen maupun konsumen.
16
III. METODE PENELITIAN
3.1 Kerangka Pemikiran Penelitian Setiap perusahaan memilki tujuan mendapatkan keuntungan yang maksimal
secara berkelanjutan.
Untuk
itu,
setiap
perusahaan
harus
merencanakan atau merancang dan memiliki strategi manajemen yang baik. Proses penyusunan perencanaan membutuhkan suatu prediksi atau perkiraan yang tepat terhadap suatu proyeksi keadaan pada masa yang akan datang dengan mengacu pada keadaan atau kondisi saat ini. Penelitian
meramalkan
beberapa
komoditas
sayuran
dengan
menggunakan metode kointegrasi, sehingga hasil ramalan yang diperoleh dari masing-masing komoditas sayuran dapat melihat hubungan dan pengaruh komoditas sayuran yang satu dengan lainnya. Tujuan dari penelitian ini salah satunya adalah mengetahui pola data dan metode peramalan penjualan terbaik yang digunakan pada komoditas sayuran oleh PT Saung Mirwan untuk mencapai tujuan yang direncanakan dalam strategi pemasarannya. Langkah dalam melakukan penelitian ini dimulai dengan mengumpulkan data-data yang relevan mengenai perusahaan dan data permintaan dan penjualan komoditas sayuran yang terdapat pada PT Saung Mirwan untuk kurun waktu selama tiga tahun yaitu dari tahun 2009 sampai dengan tahun 2011. Data yang diperoleh akan diolah dan dianalisis dengan menggunakan metode analisis time series (deret waktu) dan metode analisis regresi, sebelumnya akan dibuat plot pola data penjualan selama kurun waktu yang diteliti. Setelah data penjualan dianalisis maka selanjutnya akan dilakukan uji kointegrasi pada data tersebut untuk mengetahui kestasioneran data yang diperoleh. Uji kointegrasi selesai maka tidak akan sulit untuk menentukan metode peramalan yang akan digunakan dan cocok pada data yang dihasilkan, karena data penjualan yang bersifat stasioner maka model yang dapat digunakan untuk analisis peramalan adalah Vector Autoregression (VAR), sedangkan untuk data penjualan yang bersifat tidak stasioner maka model yang dapat digunakan pada analisis peramalannya adalah Vector Error Correction
17
Model (VECM). Setelah analisis VAR atau VECM dilakukan maka akan diperoleh hasilnya, hasil dari analisis tersebut yang akan menunjukkan peramalan penjualan pada komoditas sayuran di PT Saung Mirwan untuk kurun waktu selama satu tahun ke depan.
18
PT Saung Mirwan
Visi, misi, dan tujuan Melihat hubungan antar komoditas sayuran dan diperlukan peramalan penjualan untuk menyusun perencanaan yang lebih tepat dan akurat Eksplorasi data penjualan sayuran 2009-2011
Uji Kestasioneran Tidak
Pembedaan
Stasioner Ya Pemilihan Ordo
Uji Kointegrasi (dilakukan jika sudah stasioner untuk data yang tidak stasioner) r≤0 Johansen VAR
Uji kestabilan model Impuls Respon Function (IRF) dan Forecast Error Variance Decomposition (FEVD) Hasil analisis
Implikasi manajerial Gambar 2. Kerangka pemikiran penelitian
r>0 Engle-Granger VECM
19
3.2 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di sebuah perusahaan produsen dan suplier komoditas sayuran yaitu PT Saung Mirwan. PT Saung Mirwan ini bertempat di Jalan Raya Puncak Mega Mendung, Bogor, Jawa Barat. Pelaksanaan penelitian dilakukan selama tiga bulan mulai dari bulan Desember 2011 sampai dengan bulan Februari 2012. 3.3 Pengumpulan Data Data yang digunakan adalah data historis permintaan dan penjualan komoditas sayuran yang terpilih dan data lain yang relevan terhadap penelitian ini. Data penjualan yang digunakan adalah penjualan komoditas sayuran kembang kol, lettuce head, dan tomat rianto atau beef tomato selama periode tahun 2009 sampai dengan tahun 2011. Data yang diambil bersifat kualitatif dan kuantitatif. 3.3.1 Jenis Data dan Informasi a. Informasi mengenai gambaran umum perusahaan yaitu meliputi sejarah, visi, misi dan perkembangan perusahaan, lokasi perusahaan, struktur
organisasi
dan
ketenagakerjaan
dalam
perusahaan,
pengadaan sarana produksi, fasilitas karyawan, pengelolaan limbah produksi dan program tanggung jawab sosial perusahaan terhadap lingkungan sekitarnya. b. Informasi mengenai gambaran umun proses produksi perusahaan. c. Data mengenai biaya produksi, biaya tenaga kerja, serta biaya produksi lainnya. d. Kapasitas produksi aktual perusahaan setiap periodenya dan perkembangan volume produksi setiap periodenya dan data mengenai permintaan sayuran. e. Data mengenai kapasitas gudang penyimpanan sayuran. 3.3.2 Sumber Data dan Informasi Data yang diperlukan diperoleh dari dua sumber berikut:
20
a. Data Primer, yaitu data yang diperoleh secara langsung dari perusahaan yang diperoleh dengan cara: 1) Observasi, yaitu teknik pengumpulan data yang dilakukan dengan cara pengamatan terhadap obyek. 2) Wawancara,
yaitu
teknik
pengumpulan
data
dengan
cara
mengadakan tanya jawab langsung secara lisan terhadap pemilik dan pegawai perusahaan yang terkait. b. Data Sekunder, yaitu data yang didapatkan dari sumber-sumber lain yang berfungsi sebagai data pendukung, yaitu: 1) Buku-buku, jurnal, atau laporan-laporan hasil penelitian yang relevan dan memilki keterkaitan dengan penelitian ini. 2) Data dari Departemen Pertanian, Departemen Perdagangan, maupun instansi-instansi yang terkait dengan penulisan penelitian ini dan menunjang tercapainya tujuan. 3) Data dari perusahaan yang berkaitan dengan data penjualan, data produksi sayuran, data kebutuhan input, dan lain-lain. 3.4 Pengolahan dan Analisis Data Informasi yang dikumpulkan kemudian diolah dan dianalisis untuk dapat memberikan penjelasan dan gambaran mengenai permasalahan yang diangkat dalam penelitian ini. Pengolahan dan analisis data yang diperoleh dalam penelitian ini dilakukan secara kualitatif dan kuantitatif. Analisis kualitatif atau deskriptif yang digunakan menggabungkan faktor-faktor seperti perasaan atau intuisi pengambil keputusan, emosi, pengalaman pribadi dan sistem nilai yang sebagian besar ada di dalam pribadi seseorang. Analisis kualitatif yang biasanya diperoleh dengan cara wawancara atau tanya jawab dengan pihak perusahaan untuk menggambarkan keadaan umum perusahaan dan mengetahui permasalahan yang terjadi di dalam perusahaan tersebut. Sedangkan untuk analisis kuantitatif yaitu menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Analisis kuantitatif yang dilakukan untuk analisis peramalan penjualan komoditas sayuran yang terpilih selama satu tahun ke
21
depan
dengan
menggunakan
metode peramalan
kointegrasi
dengan
menggunakan data penjualan deret waktu, artinya disajikan berdasarkan waktu kejadian tanpa menunjukkan faktor-faktor yang mempengaruhinya, sebelumnya harus dianalisis apakah data stasioner atau tidak stasioner, kemudian akan dilanjutkan dengan memilih model analisis peramalan yang sesuai dengan data tersebut. Hasil peramalan tersebut untuk melihat hubungan antara komoditas yang satu dengan komoditas lainnya dan digunakan juga untuk menetapkan target penjualan sayuran satu tahun ke depan, sehingga dapat dijadikan sebagai acuan perusahaan untuk membuat keputusan dan perencanaan strategi pemasaran terbaik di masa yang akan datang. Data kuantitatif tersebut diolah dengan menggunakan bantuan program Microsoft Excel 2007, Eviews 6, dan Minitab 16. 3.5 Uji Stasioneritas Data Umumnya data time series bersifat stokastik atau memiliki tren yang tidak stasioner yang artinya data tersebut mengandung akar unit. Supaya dapat mengestimasi model menggunakan data tersebut maka yang harus dilakukan pada langkah pertama yaitu uji stasioneritas data atau dikenal dengan unit root test. Bila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model dengan menggunakan data tersebut sebab tren datanya cenderung berfluktuasi tidak disekitar nilai rataratanya. Jadi, dapat disimpulkan bahwa data yang stasioner akan cenderung untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rataratanya (Gujarati, 2003). Uji akar unit dalam penelitian ini akan dilakukan dengan menggunakan Augmented Dickey Fuller (ADF). Pengujian Augmented Dickey Fuller (ADF) ini memodelkan pengaruh autokorelasi pada disturbance (memasukkan lag ΔX yang menyebabkan autokorelasi ke dalam model pengujian Augmented Dickey Fuller) sehingga uji hipotesa pada parameter yang diestimasi akan lebih akurat. Bentuk umum persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut (Enders, 2004): .................................................(1)
22
Dimana: = bentuk dari first different α
= intersep
X
= variabel yang diuji stasioneritasnya
P
= panjang lag yang digunakan dalam model
ut
= residual atau error Hipotesisnya adalah H0 mengandung hipotesis bahwa terdapat akar-
akar unit, H1 mengandung hipotesis bahwa tidak terdapat akar-akar unit. Pengujian hipotesis statistik tersebut dilakukan dengan membandingkan ADF test statistic hasil regresi dengan t-statistik MacKinnon Critical Value 1 persen, 5 persen, 10 persen. Bila ADF test statistic hitung lebih kecil dari MacKinnon Critical Value, maka H0 diterima dan H1 ditolak, tidak cukup bukti untuk menolak hipotesis bahwa di dalam persamaan mengandung akarakar unit, artinya data tersebut bersifat tidak stasioner. Tetapi sebaliknya, jika ADF test statistic hitung lebih besar dari MacKinnon Critical Value, maka H0 ditolak dan H1 diterima, karena cukup bukti untuk menolak hipotesis nol bahwa di dalam persamaan mengandung akar-akar unit yang artinya data bersifat stasioner. Jika hasil dari uji stasioner menunjukkan bahwa data belum stasioner pada level atau integrasi derajat nol I(0), maka untuk memperoleh data yang stasioner dilakukan dengan cara differencing data yaitu dengan mengurangi data tersebut pada data periode sebelumnya. Data melalui differencing pertama atau first difference akan diperoleh selisih, prosedur ADF dilakukan untuk menguji data sudah stasioner pada first difference. Apabila pada first difference menghasilkan data yang stasioner, maka data time series tersebut terintegrasi pada derajat pertama I(1) untuk seluruh variabel. Tetapi bila pada first difference data belum stasioner maka dilakukan second difference untuk menghasilkan data yang stasioner. Hal ini terus dilakukan sehingga diperoleh data yang stasioner.
23
3.6 Uji Kausalitas Granger Uji kausalitas Granger dilakukan untuk mengetahui dan mengevaluasi kemampuan peramalan dari suatu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode sekarang. Hipotesis nol yang diuji menyatakan bahwa tidak adanya kausalitas diantara variabel sedangkan hipotesis alternatif menyatakan bahwa adanya hubungan kausalitas diantara variabel. Untuk menolak atau menerima hipotesis nol dapat
melihat
probabilitasnya
yang
dibandingkan
dengan
tingkat
kepercayaan, pada penelitian ini menggunakan tingkat kepercayaan atau nilai kritis sebesar 5 persen. Jika nilai probabilitasnya lebih kecil dari 5 persen maka hipotesis nol ditolak, ini berarti bahwa adanya hubungan kausalitas diantara variabel-variabel yang diuji. 3.7 Model Vector Autoregression (VAR) Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel atau peubah runtut waktu atau time series maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Kelebihan dari analisis model VAR, antara lain adalah (Nachrowi dan Usman, 2006) : a. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel yang endogen dan mana yang variabel eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen b. Cara estimasinya sangat mudah, dimana metode Ordinary Least Square (OLS) dapat diaplikasikan pada tiap-tiap persamaan secara terpisah. c. Peramalan atau forecast yang diperoleh dengan model VAR pada beberapa hal lebih baik dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Namun
dengan
demikian,
model
VAR
tetap
mempunyai
kekurangan, diantaranya sebagai berikut : a. Model VAR lebih bersifat a teoritik karena tidak dapat memanfaatkan informasi atau teori terdahulu. Oleh karena itu, model tersebut sering disebut sebagai model yang tidak struktural.
24
b. Mengingat tujuan utama model VAR adalah untuk peramalan maka model VAR kurang cocok untuk analisis kebijakan. c. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan. d. Semua variabel VAR harus stasioner, jika tidak stasioner maka harus ditransformasi terlebih dahulu. e. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. VAR adalah suatu sistem persamaan dinamis dimana pendugaan suatu peubah pada periode tertentu tergantung pada pergerakan peubah tersebut dan peubah-peubah lain yang terlibat dalam sistem pada periodeperiode sebelumnya (Enders, 2004). Untuk suatu sistem sederhana dengan dua peubah, model simultan yang dibentuk (Enders, 2004) adalah sebagai berikut: ..............................................(2) ..............................................(3) dengan asumsi: (a) simpangan baku
dan dan
stasioner; (b)
; dan (c)
dan
dan
adalah galat dengan
tidak berkorelasi.
Persamaan 2 dan 3 memiliki struktur timbal balik atau feedback karena
dan
saling memberikan pengaruh satu sama lain. Persamaan ini
merupakan persamaan VAR struktural. Dengan menggunakan aljabar matriks, persamaan 2 dan 3 dapat dituliskan sebagai berikut:
atau ..............................................................................(4) Jika persamaan 4 dikalikan dengan
akan diperoleh model VAR
bentuk standar: ...............................................................................(5) dimana:
25
Secara umum model VAR berordo p mempunyai bentuk persamaan (Enders, 2004) sebagai berikut: .......................................(6) Dimana
= vektor peubah endogen berukuran nx1 diasumsikan
stasioner yang berisi n peubah yang masuk ke dalam model VAR, vektor intersep berukuran nx1, = 1, 2, ..., p,
=
= matriks parameter berukuran nxn untuk i
= vektor sisaan berukuran nx1, p = panjang lag, t = periode
amatan. Vector Autoregression (VAR) adalah sistem persamaan yang menunjukkan setiap peubah dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. 3.8 Kointegrasi Dua variabel atau peubah yang tidak stasioner sebelum didiferensi namun stasioner pada tingkat diferensi pertama, besar kemungkinan akan terjadi kointegrasi, yang berarti terdapat hubungan jangka panjang diantara keduanya. Ada tiga cara untuk menguji kointegrasi, yaitu uji kointegrasi Engle-Granger (EG), uji Cointegrating Regression Durbin Watson (CRDW), dan uji Johansen. Kointegrasi terjadi apabila variabel independen dan variabel dependen sama-sama merupakan suatu tren time series, sehingga masing-masing tidak stasioner. Akan tetapi bila keduanya diregresi kombinasi linearnya menjadi stasioner. Kointegrasi juga dapat menyebabkan terjadinya spurious regression (regresi lancung). Kointegrasi mudah terjadi pada data time series yang melibatkan jangka waktu yang lama (Winarno, 2007). Regresi dari dua variabel atau peubah yang non-stasioner akan menyebabkan terjadinya spurious regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Namun, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin
26
terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Maka di sini pentingnya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan deret waktu non-stasioner. Jadi, dengan kata lain konsep ini menyatakan bahwa apabila terdapat dua atau lebih deret waktu yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya yaitu white nose, maka time series dinamakan terkointegrasi. Menurut Enders (2004), dalam konsep kointegrasi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu: a. Kointegrasi merupakan kombinasi linear dari dua atau lebih data time series yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu. b. Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi. c. Bila vektor
mempunyai n komponen, maka akan ada n-1 vektor
kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi atau cointegration rank, biasanya dilambangkan dengan r. Sifat penting yang terdapat dalam variabel-variabel atau peubah yang terkointegrasi adalah perjalanan waktu variabel-variabel atau peubah tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel-variabel atau peubah non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004).
27
3.9 Impuls Respons Function and Forecast Error Variance Decomposition (Fungsi Respon Impuls dan Dekomposisi Ragam) Dekomposisi ragam memisahkan keragaman pada peubah endogen menjadi komponen-komponen yang ada di dalam sistem VAR. Dekomposisi ragam menginformasikan proporsi keragaman sisaan suatu peubah yang dijelaskan oleh sisaan masing-masing peubah dan sisaan peubah lain. Jika tidak menjelaskan sedikitpun ragam peramalan sisaan dari { } pada semua tahapan periode ramalan ke depan, maka dapat dikatakan bahwa { } bebas (Enders, 2004). Misalkan model VAR pada persamaan 6 untuk panjang lag p=1 dan banyaknya peubah endogen n=2 (peubah y dan z), peramalan untuk n tahapan periode ke depan (Enders, 2004) adalah
Dengan peramalan sisaan sebesar:
Dimana Koefisien
disebut sebagai fungsi respon impuls yang menginformasikan
pengaruh perubahan shock atau guncangan suatu peubah terhadap peramalan peubah lain (Enders, 2004). Pengaruh tersebut dapat dilihat secara visual dengan
menggunakan
plot
antara
koefisien dengan i.
Impuls respon dapat diartikan bahwa suatu respon dari suatu peubah endogen ketika peubah endogen yang lainnya di-shock atau diguncangkan dalam peubah itu sendiri atau peubah endogen lainnya. Impuls Respon Function (IRF) digunakan untuk menelusuri pengaruh suatu standar deviasi shock atau guncangan terhadap inovasi pada nilai peubah endogen pada saat ini dan di masa yang akan datang. Suatu shock atau guncangan yang terjadi pada satu peubah akan langsung mempengaruhi peubah tersebut dan juga dilanjutkan atau diteruskan pada peubah endogen yang lainnya melalui struktur yang dinamis atau struktur lag dalam VAR.
28
3.10 Penentuan Ordo VAR Penentuan ordo atau panjang beda kala (lag) dalam model VAR menunjukkan derajat bebas. Menurut Enders (2004) kriteria uji alternatif untuk menentukan panjang beda kala yang sesuai adalah dengan menggunakan statistik Akaike Information Criterion (AIC) atau Schwartz Bayesian Criterion (SBC). Model yang baik adalah model yang mampu memberikan tingkat residual atau error yang paling kecil. Model dengan nilai AIC atau SBC terkecil dipilih sebagai model terbaik dengan beda kala yang cukup efisien.
dimana: T = banyaknya pengamatan yang digunakan = determinan matriks ragam peragam dari sisaan N = total banyaknya parameter yang diduga dalam semua persamaan Jika setiap persamaan dalam n peubah VAR mempunyai p beda kala dan sebuah intersep, maka
.
3.11 Uji Stabilitas Model Uji stabilitas digunakan untuk melihat apakah model yang digunakan sudah stabil atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasilnya dapat dipercaya. Hasilnya dapat dipercaya jika model yang digunakan mempunyai stabilitas model. Apabila model VAR yang digunakan tidak stabil, maka hasil estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang tinggi. Stabilitas dapat diartikan bahwa hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Model dikatakan memiliki validitas yang tinggi bila inverse akar karakteristiknya mempunyai modulus kurang dari satu atau berada pada lingkaran, maka model cukup stabil. Namun
29
sebaliknya, jika modulusnya bernilai satu, atau lebih dari satu, atau kebanyakan modulusnya berada di luar lingkaran maka dapat dipastikan bahwa modelnya tidak stabil. Hasil dari estimasi model VAR tersebut meragukan, apabila model VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada di luar unit circle. 3.12 Vector Error Correction Model (VECM) Peubah-peubah tidak stasioner yang terintegrasi pada tingkat yang sama akan membentuk kombinasi linear yang bersifat stasioner (Enders, 2004). Setiap bentuk persamaan kointegrasi akan mempunyai error correction model karena dalam jangka pendek pergerakan dari setiap peubah mungkin saja akan menyimpang dari long-run-track-nya, misalnya karena adanya guncangan harga atau karena adanya faktor musim. Apabila kedua data yang dianalisis tidak stasioner tetapi saling berkointegrasi, berarti ada hubungan jangka panjang (atau keseimbangan) antara kedua variabel tersebut. Dalam jangka pendek ada kemungkinan terjadi
ketidakseimbangan
atau
disekuilibrium.
Karena
adanya
ketidakseimbangan ini maka diperlukan adanya koreksi dengan model koreksi kesalahan atau Error Corection Model (ECM). Model ECM ini diperkenalkan oleh Sargan, dikembangkan oleh Hendry, dan dipopulerkan oleh Engle dan Granger. Model koreksi kesalahan EG-nya dapat dituliskan sebagai berikut:
Y
: variabel dependen
X
: variabel independen : koreksi kesalahan atau residual lag 1 dari persamaan awal. Model koreksi kesalahan yang diajukan oleh Engle-Granger
memerlukan dua tahap, sehingga disebut dengan two steps EG. Tahap tertama adalah menghitung nilai residual dari persamaan regresi awal. Tahap kedua adalah melakukan analisis regresi dengan memasukkan residual dari langkah pertama (Winarno, 2007).
30
Komponen dari vektor
dikatakan terintegrasi jika ada vektor β’=(β1,
β2, ..., βn) sehingga kombinasi linear β
bersifat stasioner, dengan syarat ada
unsur β bernilai tidak sama dengan nol. Vektor β disebut vektor kointegrasi atau parameter jangka panjang. Rank kointegrasi (r) dari vektor
adalah
banyaknya vektor kointegrasi yang saling bebas. Nilai r diperoleh melalui uji Johansen. Hipotesis yang diuji adalah : H0 : rank ≤ r H1 : rank > r Statistik uji yang digunakan adalah :
Dengan:
: akar ciri ke-i matriks
, diperoleh dari persamaan (6)
T : banyaknya pengamatan. Jika
maka keputusan yang diambil adalah menerima H0,
artinya kointegrasi terjadi pada rank r. Jika rank kointegrasi (r) kurang dari atau sama dengan nol maka VAR dapat langsung digunakan, tetapi jika rank kointegrasi (r) lebih besar dari nol maka harus digunakan Vector Error Correction Model (VECM). Untuk data deret waktu yang tidak stasioner, VECM dapat memberikan pemahaman yang lebih baik tentang sifat-sifat dan dapat memperbaiki peramalan untuk jangka panjang. VECM ordo p dituliskan sebagai:
Dengan π = αβ’ β : vektor kointegrasi berukuran r x 1
31
α : vektor adjustment berukuran r x 1 Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. VECM dapat dituliskan dalam bentuk model VAR dengan menguraikan nilai diferensi
.
32
IV. HASIL DAN PEMBAHASAN
4.1 Gambaran Umum Perusahaan 4.1.1 Sejarah Singkat PT Saung Mirwan PT Saung Mirwan (SM) berdiri sejak tahun 1984. PT Saung Mirwan didirikan oleh Tatang Hadinata yang pada awalnya adalah seorang pengusaha konstruksi. Kegiatan berawal dari kegemaran pemilik sekaligus pimpinan perusahaan terhadap tanaman. Tatang Hadinata atau biasa disebut juga dengan nama Theo merupakan seorang yang otodidak di bidang pertanian dan memulai segalanya dari bawah. Sejak pendirian perusahaan, PT SM hanya memiliki empat orang staf dan beberapa karyawan harian mulai dengan menanam melon di atas lahan terbuka, tepatnya di daerah Sukamanah. Tahun 1985, perusahaan mulai mengembangkan usaha dengan menanam bawang putih seluas 7 hektar di Cipanas, Kabupaten Cianjur. Lahan tersebut juga ditanami dengan berbagai sayuran. Usaha tersebut terus berkembang selama tiga tahun, tetapi pada tahun terakhir mengalami penurunan. Kemudian pimpinan perusahaan akhirnya memutuskan
untuk
mengembalikan
usahanya di
sekitar Desa
Sukamanah. Tahun 1988, perusahaan melakukan perubahan terhadap pola usahanya yaitu dari cara tradisional di lahan terbuka menjadi hidroponik dalam green house (rumah kaca) dengan menggunakan sistem irigasi tetes. Hasil percobaan awal menunjukkan hasil yang sangat
memuaskan
sehingga
membuat
pimpinan
perusahaan
memutuskan untuk memperbesar usahanya dengan menanam tanaman melon, paprika, tomat, kyuuri (timun jepang), dan shisito. Luas areal lahan green house yang digunakan hingga mencapai 1,5 hektar. Banyaknya relasi dan kedekatan T. Hadinata dengan para ahli pertanian di Negara Belanda memberikan keuntungan sendiri bagi perusahaan. Para ahli tersebut memberikan konsultasi mengenai pertanian
33
diberbagai hal mulai dari masalah teknologi, informasi pasar, koperasi dan juga kemitraan pertanian. Usahanya pada tanaman sayuran dalam green house PT SM semakin berkembang, maka pada tahun 1992 perusahaan melakukan diversifikasi produk dengan percobaan untuk melakukan stek bunga krisan yang sudah berakar atau unrooted cutting. Kemudian dilakukan percobaan produksi bunga pot krisan dan bunga potong krisan. Hasil percobaan produksi yang berhasil dan memuaskan mendorong PT SM untuk membentuk divisi bunga dan mulai memproduksi secara komersial dan kontinyu atau keberlanjutan. 4.1.2 Letak Geografis PT Saung Mirwan berlokasi di Jalan Cikopo Selatan No. 134, Desa Sukamanah, Kampung Pasir Muncang, Bogor, Jawa Barat. Desa Sukamanah berbatasan dengan Desa Sukamaja di sebelah utara, Desa Suka Karya dan Desa Suka Galih di sebelah timur, Desa Suka Resmi dan Desa Bojong Murni di sebelah selatan, dan Desa Jambu Luwuk di sebelah barat. Lokasi tersebut berada di kaki Gunung Pangrango dengan ketinggian 670 meter di atas permukaan laut (dpl). Secara astronomis PT Saung Mirwan terletak pada koordinat 106º54’BT dan 6º41’LS. Lokasi tersebut dapat dicapai dengan menggunakan kendaraan pada jarak tempuh kurang lebih 25 kilometer dari Bogor dan 60 kilometer dari Jakarta, serta berjarak 5 kilometer ke arah selatan dari jalan raya Gadog. Desa Sukamanah memiliki topografi yang berbukit-bukit, datar, dan miring. Jenis tanah di daerah ini adalah tanah latosol yang berwarna kecoklatan. Jenis tanah ini memiliki sifat liat, remah, gembur, mudah menginfiltrasi air, daya menahan air cukup baik, dan tahan erosi. Tanah sesuai untuk budi daya tanaman sayuran. Suhu tertinggi yang dicapai dalam green house adalah 35-38ºC pada siang hari dan suhu terendah 18-25ºC pada malam hari. Kelembaban udara relatif (RH) dapat
34
mencapai titik tertinggi lebih dari 90% dan titik terendah 50% pada siang hari. 4.1.3 Profil PT Saung Mirwan PT
Saung
Mirwan
merupakan
salah
satu
perusahaan
perdagangan yang bergerak di bidang agribisnis, tepatnya sebagai produsen sekaligus supplier dan perusahaan perdagangan pada bidang sayuran dan bunga. Perusahaan ini mengawali kegiatannya sebagai produsen sayuran dengan menerapkan teknik budi daya secara hidroponik untuk berbagai macam sayuran eksklusif seperti tomat besar (dikenal sebagai tomat beef atau tomat rianto), tomat cherry, timun jepang atau kyuuri, cabe jepang atau shisito, dan paprika. Sejak tahun 1992 perusahaan ini memperluas usahanya dengan budi daya stek bunga krisan, bunga pot krisan, dan bunga potong. Salah satu strategi yang diterapkan perusahaan sehingga perusahaan masih tetap berkiprah di bidang agribisnis sampai saat ini adalah konsep customer to customer. Konsep tersebut menitikberatkan pada pemberian pelayanan untuk kepuasaan pelanggan dengan cara memenuhi permintaan pelanggan akan sayuran yang berkualitas. Sebagian besar tanaman yang ada dibudidayakan di dalam green house. Green house yang ada di Desa Sukamanah memiliki tipe rumah susun berganda atau shape frame dengan ventilasi di bagian atasnya, sehingga
sirkulasi
udara
dapat
berjalan
dengan
baik.
Selain
membudidayakan tanaman di dalam green house, PT Saung Mirwan juga memanfaatkan lahan luar untuk membudidayakan tanaman. Pusat kegiatan yang dilakukan oleh PT Saung Mirwan mulai dari proses produksi, pengemasan, penjualan, sampai administrasi berada di Desa Sukamanah. Luas areal yang dimiliki saat ini kurang lebih 11 ha. Hampir 4 ha adalah bangunan green house. Bangunan lain yang ada di lokasi ini seperti rumah pemilik, kantor, gudang pengemasan, bengkel, sarana olah raga, sarana ibadah, mess karyawan,
35
serta sarana dan prasarana lainnya yang menunjang kegiatan produksi hingga distribusi dari produk yang dihasilkan dari perusahaan. Visi PT Saung Mirwan adalah menjadi salah satu leader di bidang agribisnis dengan menerapkan teknologi tepat guna untuk meningkatkan kesejahteraan masyarakat pertanian. Sedangkan misinya, antara lain: 1. Menghasilkan produk pertanian yang berkualitas tinggi secara berkesinambungan sesuai dengan kebutuhan pasar. 2. Senantiasa meningkatkan kualitas produk, kualitas sumber daya manusia dan kualitas pelayanan untuk memberikan kepuasan pelanggan. 3. Mengembangkan sistem agribisnis melalui jaringan kemitraan. 4. Bekerjasama dengan berbagai lembaga penelitian untuk menerapkan teknologi tepat guna yang bermanfaat untuk pelaku agribisnis. 4.1.4 Hasil Produksi PT Saung Mirwan memproduksi berbagai jenis sayuran yang terdiri dari sayuran dataran rendah dan sayuran dataran tinggi seperti berbagai jenis lettuce, kedelai jepang atau edamame, tomat, pakchoy, bawang daun, buncis mini, okra, dan lain sebagainya. Komoditi sayuran yang ditanam di dalam green house termasuk dalam kategori eksklusif diantaranya adalah tomat cherry, tomat besar (dikenal dengan tomat beef arau tomat rianto), rukola, timun mini, dan timun jepang, diproduksi sendiri oleh perusahaan dengan luasan sekitar 0.7 ha. Sebagian besar produksi yang dilakukan oleh para petani mitra tani di lahan milik mereka masing-masing dengan komoditas sayuran yang sudah direncanakan sebelumnya dan cocok pada lahan yang digunakan. Komoditi bunga yang ditanam di dalam green house diantaranya adalah krisan pot, kalanchoe, kalandiva, dan kastuba. Lokasi tanaman induk krisan untuk produksi stek pucuk terbagi menjadi dua, yaitu 0.5 ha untuk induk krisan yang memproduksi stek pucuk untuk pasar lokal dan 0.9 ha untuk induk krisan yang memproduksi stek pucuk untuk
36
pasar ekspor. Lahan luar dimanfaatkan untuk produksi benih edamame, bawang daun, buncis mini, caisim, lettuce, selada keriting, dan rukola. Tetapi sekarang sebagian besar produk sayuran PT Saung Mirwan dipasok dari petani, baik dari mitra tani maupun mitra beli. PT Saung Mirwan menyadari kemungkinan orang yang sakit diakibatkan oleh produk yang dihasilkannya. Sayur itu sehat, tetapi kalau sayuran yang bersentuhan langsung dengan lingkungan yaitu tanah harus dicuci dengan air yang bersih, bila dibersihkannya dengan air yang kotor maka akan tercemar dengan bakteri yang menyebabkan penyakit seperti E. Coli. Untuk itu pencegahan dilakukan dalam menjamin bahwa perusahaan berada di posisi paling depan dalam menyiapkan metode pengolahan dan penanganan yang benar untuk mencegah terjadinya hal tersebut. Saat ini dalam persaingan yang semakin ketat, citra PT SM tetap tinggi karena konsistensinya di dalam menjaga kualitas. Kualitas adalah kesepakatan antara pembeli dan penjual untuk suatu produk yang diminta. Produk yang diusahakan oleh PT Saung Mirwan mengutamakan kualitas yang diinginkan oleh customer. Keunggulan produk PT SM terletak pada daya tahan ketika disimpan dibandingkan dengan produk perusahaan lainnya. Faktor yang membedakan produk PT Saung Mirwan dengan perusahaan lainnya yang paling dominan adalah dari segi harga, tetapi kalau sayuran dari sumber yang sama bila sudah dikirim ke beberapa perusahaan sayuran tidak akan berbeda, akan berbeda bila sayuran yang dibudidayakan di dalam green house sendiri. Penerapan Hazard Analysis Critical Control Point (HACCP) secara konsisten menjadi bagian dari budaya kerja dari seluruh karyawan PT SM sehingga kualitas produknya berada di atas yang lainnya. Penerapan HACCP dimulai dari sejak persiapan tanam, waktu tanam dan proses pemeliharaan sampai dengan waktu panen serta pascapanen komoditas sayuran. Kegiatan utama yang dilakukan PT Saung mirwan diantaranya adalah:
37
1. Memproduksi berbagai jenis sayuran segar yang dibudidayakan secara hidroponik di dalam green house dan juga sayuran segar dibudidayakan di lahan terbuka. 2. Mengemas sayuran segar hasil produksi dalam kemasan. 3. Memproses sayuran segar menjadi sayuran fresh cut (sayuran siap masak) yang mempunyai kecenderungan besar menjadi produk pilihan bagi customer. 4. Memproduksi stek (bibit) bunga krisan untuk bunga pot krisan. Inovasi produk yang dilakukan oleh perusahaan pada sayuran segar seperti fresh cut yang sudah lama diterapkan pada hortikultura segar, tetapi tetap menjadi inovasi utama. Perusahaan sudah menerapkan pilihan produk ini sejak tahun 2003 dengan menggunakan logo fresh & quality. PT SM melakukan hal tersebut karena adanya kecenderungan bahwa dengan meningkatnya kesadaran konsumen akan kepraktisan
dan
penghematan,
permintaan
sayuran
fresh
cut
diperkirakan akan meningkat dan karena adanya permintaan dari pelanggannya. PT SM memanfaatkan peluang tersebut dengan memproduksi sayuran fresh cut yang kemudian melakukan percobaan ke beberapa supermarket dan ternyata mendapatkan respon yang cukup baik. Produk fresh cut merupakan sayuran segar atau buah segar atau kombinasi keduanya yang secara fisik telah dirubah dari bentuknya semula, tetapi tetap dijaga kondisi kesegarannya yang ditempat pada suatu wadah. Produk fresh cut dijamin bersih, aman, dan sehat karena sudah melewati proses yang menambah nilai yang merupakan perpaduan antara ilmu pengetahuan, keterampilan, teknologi, dan pengawasan kualitas yang konsisten. Hal ini dilakukan pada Divisi Packaging atau Pengemasan. Divisi Packaging pada PT Saung Mirwan terdiri dari dua bagian pengemasan dan processing vegetable. Pengemasan sayuran untuk produk-produk yang akan dikirim ke supermarket, sedangkan processing sayuran untuk dikirim ke customer hotel, restoran, dan katering (Horeka) ini berdasarkan produk dan
38
customer-nya.
Menurut unitnya dalam Divisi Packaging ada unit
Penerimaan Sayur, Pengemasan Sayur, dan Processing Sayur. Divisi Packaging bekerja berdasarkan sales order dari customer pada Divisi Penjualan. Produk untuk customer retail hanya dikemas saja tidak ada proses pada sayuran selanjutnya. Pada produk yang diminta oleh customer industri (horeka) menginginkan adanya food safety yaitu Hazard Analysis Critical Control Point (HACCP), produk yang diminta diolah terlebih dahulu yaitu dipotong-potong, dan bisa saja dicampur dengan sayuran lainnya yang kemudian dipack dalam satu kemasan. Produk-produk fresh cut yang langsung dikonsumsi harus ada uji laboratorium yang sesuai dengan peraturan pemerintah untuk uji mikrobiologi dan ada juga uji air untuk pencucian sayuran dengan standar air yang digunakan adalah air minum. Beberapa faktor yang menyebabkan produk PT Saung Mirwan lebih mahal dari yang lain yaitu karena perusahaan menggunakan sistem food safety, faktor kehilangan lebih besar pada sayuran yang dibeli pada tempat yang jauh dari packing house, transportasi ganda karena sistem hanya memuat biaya pengiriman, dan ada biaya penyimpanan serta persediaan lebih besar. Sayuran harus diperhatikan kebersihan dan suhu penyimpanan agar produk tetap baik. Kriteria penyimpanan sayuran yang dilakukan oleh perusahaan dilakukan pada suhu 6-10ºC. Sayuran disimpan dalam ruang penyimpanan hasil produksi dengan suhu tertentu yaitu cold storage yang dimiliki perusahaaan ada dua yaitu raw material storage dan end product storage. 4.1.5 Struktur Organisasi dan Ketenagakerjaan PT Saung Mirwan (SM) dipimpin oleh seorang Presiden Direktur (Presdir) yang sekaligus pemilik perusahaan, yaitu Tatang Hadinata. Presdir dibantu oleh seorang Wakil Direktur, yang dalam pelaksanaan tugasnya dibantu oleh bagian Research and Development
39
(R&D), Teknik Informatika (IT), dan Quality Assurance (QA). Struktur organisasi dalam perusahaan tersebut terdiri atas tiga bidang utama, yaitu Bidang Produksi, Bidang Komersil, dan Bidang Umum. Setiap Bidang dipimpin oleh seorang Direktur. Bidang Produksi sekarang terdiri dari dua divisi produksi, yaitu Kebun Gadog dan Divisi Kemitraan. Divisi Kebun dan Divisi Kemitraan dipimpin oleh seorang Kepala Bagian (Kabag). Bidang Komersil terdiri atas empat divisi, yaitu Divisi Penjualan Sayur, Divisi Penjualam Bunga, Divisi Pengadaan, dan Divisi Pengemasan. Masing-masing divisi dipimpin oleh seorang Manajer. Divisi pengadaan terdiri atas Bagian Pengadaan Sayur dan Bagian Pengadaan Non-Sayur. Divisi Pengemasan terdiri atas Bagian Penerimaan Sayur, Bagian Fresh Vegetable, Bagian Fresh Cut Vegetable, dan Bagian Umum. Bidang Umum terdiri atas empat divisi, yaitu Divisi General Affair (GA), Divisi Human Resources (HR), Divisi Keuangan, dan Divisi Teknik. Struktur organisasi perusahaan dapat dilihat pada Lampiran 6. Setiap Kabag dibantu oleh Kepala Seksi (Kasi), sedangkan Kasi dibantu oleh Kepala Sub Seksi (Kasubsi). Kasi dan Kasubsi merupakan satu kesatuan yang menunjang kemajuan perusahaan yang berada di bawah Manajer dan Kabag. Kasubsi bertugas dalam mengawasi kegiatan-kegiatan karyawan harian yang berlangsung dalam perusahaan dan bertanggung jawab terhadap Kasi. Kasi mendapatkan wewenang dan bertanggung jawab kepada Kabag, sedangkan Kabag bertanggung jawab atas semua proses produksi terhadap Manajer. Karyawan harian bekerja sesuai dengan bidangnya masing-masing, misalnya karyawan bidang produksi melakukan kegiatan dalam budidaya tanaman atau karyawan divisi pengemasan melakukan kegiatan dalam pengemasan produk yang dihasilkan dan yang akan dijual. Sistem perekrutan tenaga kerja dilakukan oleh Divisi Human Resources (HR) bagian Personalia berdasarkan jenjang pendidikan. Karyawan harian minimal tamatan Sekolah Dasar (SD) dengan umur minimal 18 tahun, dan karyawan bulanan minimal tamatan SD sampai
40
Sekolah Menengah Atas (SMA). Bagi yang memiliki pendidikan minimal SMA atau tamatan SD yang telah bekerja selama lima tahun dapat menjadi Kasubsi. Jabatan Kasi disyaratkan memiliki pendidikan minimal D3, sedangkan Kabag sampai Manajer bagi yang memiliki pendidikan S1. Perekrutan karyawan bulanan menggunakan sistem jenjang karir dengan masa percobaan selama tiga bulan. Kenaikan jabatan dilakukan jika telah bekerja selama dua tahun terus menerus yang otomatis diikuti dengan perubahan dalam wewenang dan tanggung jawab, gaji, serta tunjangan. PT Saung Mirwan sekarang ini memiliki jumlah karyawan sebanyak 296 orang. Karyawan tersebut terdiri atas 51 orang di bidang umum (17,23%), 107 orang di bidang komersil (36,15%), dan 138 orang di bidang produksi (46,62%). Jumlah karyawan secara rinci dapat dilihat pada Lampiran 4. Jam kerja karyawan yang berlaku untuk seluruh karyawan adalah pukul 07.30-16.00 WIB (Senin-Kamis) dengan satu kali istirahat, yaitu pada pukul 12.00-13.00 WIB. Pada hari Jumat jam kerja karyawan sama seperti biasanya, namun waktu istirahat lebih panjang dari hari biasanya, yaitu dari pukul 11.00-13.00 WIB. Hal ini dimaksudkan untuk memberi kesempatan kepada karyawan muslim laki-laki yang akan melaksanakan shalat jumat. Karyawan bidang produksi tetap masuk kerja pada hari Sabtu dengan jam kerja lebih singkat dibanding hari biasanya (setengah hari kerja) yaitu pukul 07.3012.00 WIB. Pada hari Minggu diberlakukan kerja lembur secara bergantian untuk melakukan penyiraman. Namun, karyawan divisi pengemasan sayur tetap bekerja sepanjang hari dari hari Senin sampai dengan hari Minggu dengan memberlakukan dua shift kerja, yaitu shift pagi dan shift siang. Shift pagi dengan jam kerja pukul 07.30-15.00 WIB dengan jam istirahat sama dengan jam istirahat karyawan lainnya. Shift siang bekerja mulai pukul 14.00 WIB sampai dengan pukul 17.00 WIB. Pekerjaan dilanjutkan kembali pada pukul 20.00 WIB sampai dengan selesai, biasanya sampai dengan pukul 03.00 WIB.
41
Setiap karyawan di PT Saung Mirwan wajib mengisi daftar hadir sebagai tanda kehadiran. Kehadiran karyawan tetap ditandai dengan menggunakan finger print, sedangkan bagi karyawan harian dilakukan secara manual dengan mengisi daftar hadir yang disediakan di pos penjagaan. Pengisian daftar hadir bagi karyawan harian wajib dilakukan karena berhubungan dengan pembayaran upah mingguan. Pengisian daftar hadir dilakukan empat kali dalam satu hari, yaitu pagi saat datang, saat istirahat pukul 12.00 WIB (Senin-Kamis) atau pukul 11.00 WIB (Jumat), saat masuk setelah istirahat pukul 13.00 WIB, dan saat pulang. Pembagian kerja untuk karyawan di bidang produksi berlaku untuk karyawan laki-laki dan perempuan. Pekerjaan karyawan laki-laki meliputi pengolahan lahan, pemupukan, penyiraman (bagian nutrisi), penyemprotan pestisida, pemanenan, dan pengangkutan hasil panen. Pekejaan karyawan perempuan meliputi pengisian polybag, penanaman, penyulaman, pengajiran, pewiwilan, penyiangan gulma, sanitasi kebun (menyapu jalan kebun), pemanenan, dan pengemasan. Gaji yang diterima oleh karyawan harian dan borongan menggunakan sistem upah mingguan. Upah yang diterima antara karyawan laki-laki dan perempuan berbeda karena perbedaaan jenis pekerjaan tersebut. Jumlah upah yang diterima karyawan harian disesuaikan jumlah jam kerja dan hari masuk berdasarkan daftar hadir karyawan. Jumlah upah yang diterima karyawan borongan berdasarkan jumlah kerja yang dihasilkan. Jumlah gaji yang diterima karyawan bulanan tidak hanya dari gaji pokok bulanan, tetapi ditambah dengan adanya uang kerajinan, uang kehadiran tepat waktu, uang makan, tunjangan
asrama,
tunjangan
kesehatan,
tunjangan
pengobatan,
kacamata, tunjangan persalinan, tunjangan hari raya, serta tunjangan jabatan. Bagi karyawan bulanan, keterlambatan yang tercatat dalam daftar hadir akan menyebabkan besarnya pemotongan bonus yang akan diterima oleh karyawan.
42
4.1.6 Pola Kemitraan Pemenuhan kebutuhan pasar memerlukan kontinuitas produksi yang berjalan dengan baik. Namun, pihak perusahaan menyadari adanya keterbatasan yang dimilikinya terutama dalam hal luas lahan dan besarnya biaya investasi. Oleh karena itu, dibentuk suatu pola kerja sama berupa kemitraan dengan petani di sekitar wilayah Gadog. Produk PT Saung Mirwan selain dari produksi sendiri, perusahaan juga menjalin kerja sama kemitraan dengan sistem yang terjalin ada dua macam yaitu mitra tani dan mitra beli. Mitra beli dikelola oleh divisi pengadaan, sedangkan mitra tani sendiri dikelola oleh divisi kemitraaan yang berada di dalam bidang produksi. Mitra tani secara umum adalah mitra yang terprogram dalam harga, kuantitas, dan komoditi yang sudah ada kesepakatan sebelum tanam dengan petani yang akan di tanam pada lahan petani yang melakukan kemitraan. Komoditas yang banyak ditanam oleh mitra tani diantaranya yaitu edamame, caysin, lettuce head, tomat jenis TW, dan selada. Setiap mitra tani yang bekerja sama didampingi oleh penyuluh dari PT Saung Mirwan yang akan mengawasi, memberikan arahan komoditas yang cocok untuk ditanam dilahan tersebut, memberikan penjelasan mengenai cara menanam dan memelihara sayuran yang ditanam dengan baik, dan memberikan penjelasan mengenai proses produksi lainnya agar komoditas yang dipanen menghasilkan produk yang optimal Sedangkan mitra beli adalah mitra yang tidak terprogram, apabila perusahaan membutuh komoditi yang ada pada petani maka perusahaan akan mengajukan permintaan pada petani tersebut dengan harga yang ditentukan sesuai dengan harga pada saat itu dipasaran. PT Saung Mirwan dalam memenuhi produk sayuran yang diminta oleh customer dipasok oleh mitra tani di daerah Gadog. Komoditi yang diproduksi oleh mitra tani di wilayah Gadog adalah buncis mini, edamame, okra, pakchoi baby, pakchoi hijau, shisito, tomat cherry, tomat rianto atau beef tomato, tomat jenis TW, dan benih
43
edamame. Konsistensi dan kesinambungan produksi PT SM tercapai melalui kemitraan ini. Pola kemitraan memberikan manfaat yang dirasakan besar bagi PT SM. Pola kemitraan ini dapat dikatakan cukup rumit dan merupakan suatu proses dalam melakukan usaha. Persoalan utama yang dihadapi oleh perusahaan adalah bagaimana mengubah cara berpikir dan bekerja yang berawal dari sederhana dan tradisional hingga menjadi berwawasan bisnis yang menerapkan teknologi sesuai dan tepat guna. Awalnya mitra tani hanya berjumlah puluhan. Sekarang ini, mitra tani PT SM telah mencapai hampir 300 petani yang tersebar di wilayah Jawa Barat. Mereka memasok lebih dari 60 jenis sayuran. Kerja sama yang dilakukan PT SM dengan mitra tani adalah berdasarkan kesepakatan yang tertuang dalam Memorandum of Understanding (MoU). Sistem kemitraan dengan mitra tani ini, perusahaan menyediakan sarana produksi yang dibutuhkan para petani (saprodi), seperti bibit, pupuk, obat-obatan, dan lain-lain. Kemudian para petani tersebut menjual hasil produksinya ke PT SM. Keberhasilan pola kemitraan ini karena didasari azas kesetaraan di dalam menikmati keuntungan pada pihak-pihak yang terlibat. Banyak manfaat yang dirasakan oleh banyak pihak dari kemitraan ini, antara lain bertambahnya
tenaga
kerja
pertanian
yang
semakin
terampil,
berkualitas, dan siap pakai. Sekarang ini sudah banyak dijumpai pertanian yang di daerah terpencil dapat membudidayakan sayuran di dalam green house dengan berbagai ukuran, bila dibandingkan pada puluhan tahun yang lalu hanya sedikit perusahaan yang melakukan teknologi budi daya sayuran dalam green house ini. Walaupun hanya terbuat dari bahan yang sederhana, tetapi kualitas hasil produksinya tidak berbeda dengan produk yang dihasilkan oleh green house yang menggunakan teknologi lebih modern.
44
4.1.7 Pemasaran PT Saung Mirwan memproduksi dan menjual produk yang berkualitas dan eksklusif. Hal tersebut sesuai dengan sasaran pasar yang dituju oleh perusahaan. Sasaran pasarnya adalah pasar untuk kelas menengah ke atas sehingga PT SM selektif dalam memilih pelanggannya. Pelanggan (customer) PT SM terbagi menjadi dua yaitu customer process atau industri dan customer retail. Customer process atau industri adalah pelanggan yang langsung menggunakan atau mengolah produk sayuran yang disuplai dari PT SM seperti restoran, hotel, dan katering (Horeka). Sedangkan customer retail adalah customer yang membeli produk dari PT SM untuk dijual kembali kepada konsumennya (end user) yaitu supermarket-supermarket seperti Hyppermart, Carrefour, dan lainnya. Customer PT Saung Mirwan dapat dilihat pada Lampiran 3 dan sebagian produk yang dijual oleh PT Saung Mirwan dapat dilihat pada Lampiran 5. PT Saung Mirwan dalam memasarkan produknya menggunakan sistem jual putus. Pihak-pihak yang ingin menjadi customer PT SM harus membuat suatu perjanjian kerjasama atau MoU (Memorandum of Understanding). Terkait dengan pembayaran, untuk customer baru selama tiga bulan pertama dilakukan pembayaran secara cash and delivery. Selang waktu pembayaran yaitu antara 7 sampai dengan 30 hari. Setelah tiga bulan menjadi pelanggan perusahaan, PT SM melihat bagaimana perkembangan dari pelanggan baru tersebut dari sisi permintaan, kontinuitas permintaan, dan pembayaran. Hal ini menjadi bahan pertimbangan bagi perusahaan untuk melakukan kerja sama selanjutnya. Perkembangan jumlah pelanggan PT SM tidak terlalu meningkat banyak. Jumlahnya cenderung naik dan turun setiap tahunnya dan rata-rata berkisar 50-60 pelanggan per tahun. PT SM lebih cenderung untuk meningkatkan service level (memenuhi pesanan 80-90 persen dari permintaan) pelanggan dan meningkatkan kuantitas
45
permintaan dengan tetap menjaga kualitas produk yang sesuai spesifikasi yang diminta oleh customer. Pemesanan terhadap produk yang ada pada PT SM dapat dilakukan melalui telepon dan internet. Pemesanan melalui internet biasanya dilakukan untuk pasar ekspor. Pelanggan PT SM dapat melakukan order atau pemesanan dalam bentuk standing order dan daily order. Standing order adalah order total yang diminta oleh pelanggan untuk beberapa periode waktu tertentu (dalam hal ini mingguan), order tersebut terbagi ke dalam beberapa hari dalam seminggu sesuai permintaan pelanggan. Sedangkan daily order adalah order yang diminta oleh pelanggan dalam periode harian. Pelanggan yang melakukan pesanan dalam bentuk standing order berkisar 70 persen dari total jumlah pelangga dan 30 persen sisanya dalam bentuk daily
order.
Pelanggan
yang
menghubungi
perusahaan
untuk
melakukan pemesanan merupakan permintaan aktual terhadap PT SM. Selanjutnya berdasarkan permintaan tersebut, perusahaan berusaha memenuhi permintaan pelanggan tersebut baik dari sisi kuantitas, kualitas, maupun spesifikasi produk yang diinginkan oleh pelanggan. Permintaan sayuran di PT Saung Mirwan sebagian besar permintaan yang masuk ke dalam sales order perusahaan adalah dari customer process. Perusahaan lebih mengutamakan untuk memenuhi permintaan komoditas dari customer process, tetapi customer retail masih tetap dilayani dengan baik sesuai dengan permintaannya. Perusahaan mempunyai strategi tertentu dalam pemasaran untuk masing-masing kelompok customer tersebut. Permintaan dari customer process hanya untuk beberapa komoditas yang mereka pesan, tetapi mereka permintaannya dalam jumlah kuantitas yang besar dan secara kontinyu. Namun, ada juga customer process yang melakukan permintaan dengan banyak komoditi dengan kuantitas yang disesuaikan dengan permintaan yang dibutuhkan oleh customer. Sedangkan permintaan dari customer retail banyak komoditas yang mereka pesan
46
pada perusahaan, tetapi dengan jumlah yang relatif lebih kecil dibandingkan dengan permintaan dari customer process. 4.1.8 Pelayanan Terhadap Pelanggan PT Saung Mirwan berupaya memberikan pelayanan yang terbaik kepada pelanggannya. Pelayanan yang diberikan salah satunya yaitu kesiapan setiap personil atau karyawan untuk dapat dihubungi setiap
saat
oleh
pelanggan.
Pelanggan
dapat
memesan
dan
membicarakan masalah yang terkait dengan pemesanan, pertanyaan yang diajukan oleh pelanggan, dan penjelasan yang dibutuhkan dari pihak perusahaan. Bentuk pelayanan lainnya yaitu seperti pengiriman pesanan produk yang terjadwal sesuai dengan permintaan pelanggan. Sayuran memiliki daya tahan yang tidak lama, maka sayuran yang telah dipanen harus segera diproses dan diantar atau didistribusikan ke tempat penerimaan pelanggan dalam waktu yang relatif singkat untuk menjaga agar sayuran yang diterima masih dalam keadaan segar dan baik. PT Saung Mirwan akan berusaha memenuhi spesifikasi sayuran sesuai dengan permintaan dari pelanggan misalnya dari bentuk, warna, ukuran, potongan, dan sebagainya. Menyiapkan spesifikasi produk yang diminta oleh pelanggan memiliki arti bahwa perusahaan akan berusaha memenuhi apa yang menjadi keinginan pelanggan agar pelanggan merasa puas dengan pelayanan yang diberikan oleh perusahaan. Hal tersebut boleh dilakukan selama tidak ada penyimpangan dari aturanaturan kesepakatan yang sudah ditentukan sebelumnya dan itu merupakan prinsip bagi PT Saung Mirwan sendiri untuk menjaga loyalitas pelanggannya. 4.2 Hasil Analisis 4.2.1 Uji Stasioneritas Uji stasioneritas dilakukan untuk analisis mengenai pola data atau sifat dari pergerakan data deret waktu yang akan menentukan
47
metode peralaman yang sesuai dengan pola data tersebut. Plot deret waktu yang berfluktuasi dengan ragam yang konstan disekitar rataan yang konstan menunjukkan bahwa data deret waktu tersebut stasioner. Sedangkan plot deret waktu yang tidak berfluktuasi disekitar rataan yang konstan atau tidak berfluktuasi dengan ragam yang konstan mengindikasikan bahwa data deret waktu tersebut tidak stasioner. Apabila data deret waktu tersebut sudah stasioner maka metode peramalan yang digunakan adalah VAR, sedangkan bila data deret waktu tersebut semua atau salah satu tidak stasioner pada level nol (0) dan dilakukan pembedaan maka model yang dipilih adalah VECM. Artinya data stasioner harus pada pembedaan yang sama, karena seluruh variabel harus berada pada derajat yang sama. Uji kestasioneritasan dalam penelitian ini dilakukan dengan menggunakan Augmented Dickey Fuller (ADF). Pemeriksaan kestasioneran data deret waktu pada setiap variabel dalam tingkat level dengan menggunakan uji ADF dapat dilihat pada Tabel 1. Tabel 1. Hasil Uji Stasioneritas pada Level Variability KKOL LH TR Keterangan:
Test Critical Value 5% -2.967.767 -2.967.767 -2.971.853
t-statistic -1.653.915 -1.106.343 -1.813.444
Probability 0.4432 0.6995 0.3666
KKOL = Kembang kol LH
= Lettuce head
TR
= Tomat rianto (Beef Tomato)
Tabel 1 terlihat bahwa uji stasioneritas pada level atau derajat nol I(0) untuk komoditas kembang kol, lettuce head, dan tomat beef tidak stasioner. Hal ini terlihat dari nilai Test Critical Value pada derajat kepercayaan 5 persen. Jika nilai mutlak Test Critical Value lebih besar dari nilai mutlak t-statistic maka data tidak stasioner, sebaliknya jika nilai mutlak Test Critical Value lebih kecil dari nilai mutlak t-statistic maka data tersebut stasioner. Tabel 1 hasil uji stasioneritas di atas
48
menunjukkan bahwa semua peubah atau variabel data yang digunakan dalam penelitian ini tidak stasioner, maka data perlu dilakukan uji stasioneritas lebih lanjut yaitu pada pembedaan pertama atau first difference. Hasil uji first difference dapat dilihat pada Tabel 2 berikut. Tabel 2. Hasil Uji Stasioner First Difference Variability t-statistic Probability Test Critical Value 5% -2.976.263 -5.241.454 0.0005 KKOL -2.976.263 -4.921.974 0.0002 LH -2.971.853 -2.644.743 0.0963 TR Pembedaan pertama kembang kol dan lettuce head sudah stasioner, tetapi tomat beef masih tidak stasioner yang terlihat pada Tabel 2, maka harus dilakukan uji stasioner lebih lanjut yaitu pada pembedaan kedua atau second difference. Hasil second difference untuk tomat beef dapat dilihat pada Tabel 3 berikut ini. Tabel 3. Hasil Uji Stasioner Second Difference Variability t-statistic Probability Test Critical Value 5% -2.976.263 -6.759.467 0.0000 TR Pembedaan kedua tomat beef sudah stasioner yang terlihat pada Tabel 3. Artinya data stasioner pada pembedaan kedua, karena seluruh peubah atau variabel harus berada pada derajat yang sama, pada penelitian ini yaitu pada derajat pembedaan kedua. Dari uji stasioneritas yang dilakukan sudah dapat menentukan model peramalan yang akan dipilih yaitu model VECM. Hasil uji stasioneritas pada setiap level dapat dilihat secara lengkap pada Lampiran 7, 8, dan 9. 4.2.2 Uji Kausalitas Granger Uji Kausalitas Granger dilakukan untuk mengetahui hubungan kausalitas antara variabel-variabel atau peubah yang digunakan dalam penelitian ini atau yang ada dalam model. Hubungan kausalitas antar variabel atau peubah dapat diketahui dengan melakukan Pairwise Granger Causality Test. Hasil uji kausalitas Granger apabila nilai probability variabel lebih kecil dari atau sama dengan 5 persen maka terdapat hubungan kausalitas diantara variabel tersebut. Tetapi
49
sebaliknya jika nilai probability lebih dari 5 persen maka tidak terdapat hubungan kausalitas diantara variabelnya. Hasil uji Kausalitas Granger dapat dilihat pada Tabel 4. Tabel 4. Hasil Uji Kausalitas Granger Null F-Statistic Probability Hasil Hubungan Hypothesis: Pengujian Kasusalitas 3.79253 0.0377 Ada Hubungan LH does not hubungan satu arah Granger dari lettuce Cause KKOL 3.02112 0.0684 Tidak ada head ke KKOL does hubungan kembang kol not Granger Cause LH 1.99773 0.1585 Tidak ada Tidak terjadi TR does not hubungan hubungan Granger kausalitas Cause KKOL 1.82107 0.1844 Tidak ada KKOL does hubungan not Granger Cause TR 0.21765 0.8060 Tidak ada Tidak terjadi TR does not hubungan hubungan Granger kausalitas Cause LH 1.29882 0.2921 Tidak ada LH does not hubungan Granger Cause TR Terlihat pada Tabel 4 pada pengujian ini diketahui uji kausalitas menunjukkan hasil bahwa variabel-variabel atau peubah permintaan komoditas hanya terdapat satu hubungan kausalitas, yaitu antra lettuce head dan kembang kol. Hubungan kausalitas tersebut hanya satu arah yang diartikan bahwa permintaan lettuce head mempengaruhi permintaan kembang kol. Hasil uji Kausalitas Granger secara lengkap dapat dilihat pada Lampiran 10. 4.2.3 Uji Lag Optimum Penentuan panjang lag dalam model VAR menunjukkan derajat bebas. Peramalan dengan menggunakan pendekatakan model VAR VECM sangat sensitif terhadap jumlah lag yang digunakan. Pengujian ini
dilakukan untuk menentukan jumlah lag optimum yang dapat
digunakan dalam variabel yang akan dianalisis. Penentuan lag dapat digunakan dengan beberapa pendekatan antara lain Likelihood Ratio
50
(LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Model yang baik adalah model yang mampu memberikan tingkat residual atau error yang paling kecil. Model dengan nilai AIC atau SC terkecil dipilih sebagai model terbaik dengan panjang lag yang cukup efisien. Hasil pengujian lag optimum dapat dilihat pada Tabel 5 dan secara lengkap dapat dilihat pada Lampiran 11. Terlihat pada Tabel 5, hanya AIC yang menentukan panjang lag yang berbeda, sedangkan LR, FPE, SC, dan HQ menentukan panjang lag yang sama yaitu pada lag satu. Karena empat kriteria memberikan hasil yang sama, maka dipilih panjang lag satu. Penelitian ini panjang lag optimum berada pada lag satu, ini akan menentukan lag yang berpengaruh pada perhitungan peramalan. Tabel 5. Hasil Uji Lag Optimum Lag 0 1 2 3 4 5
LogL -5.908.071 -5.577.490 -5.484.960 -5.408.992 -5.330.136 -5.203.176
LR NA 55.53762* 13.32428 9.116235 7.570129 9.141139
FPE 8.58e+16 1.26e+16* 1.29e+16 1.58e+16 2.10e+16 2.27e+16
AIC 47.50457 45.57992 45.55968 45.67193 45.76109 45.46541*
SC 47.65083 46.16498* 46.58354 47.13458 47.66254 47.80565
HQ 47.54514 45.74219* 45.84366 46.07761 46.28847 46.11449
4.2.4 Uji Kointegrasi Uji kointegrasi dilakukan karena data yang digunakan berfluktuasi dengan asumsi data tidak stasioner dan menentukan apakah mengalami kointegrasi atau tidak. Proses kointegrasi ini memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan data deret waktu yang tidak stasioner. Dua variabel atau lebih yang tidak stasioner sebelum dilakukan pembedaan tetapi stasioner setelah dilakukan pembedaan pada tingkat pertama, maka besar kemungkinan terdapat hubungan jangka panjang diantara variabel atau peubah tersebut pada penelitian ini dalam 50 periode ke depan yang diteliti. Namun, proses pembedaan ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabelvariabel atau peubah deret waktu yang diteliti dan hanya memberikan
51
hubungan jangka pendek deret waktu tersebut. Langkah selanjutnya, untuk mengetahui keterkaitan jangka panjang antar variabel-variabel atau peubah permintaan, maka dilakukan analisis dengan menggunakan uji kointegrasi Johansen. Variabel-variabel yang akan diuji harus merupakan variabel yang stasioner pada derajat yang sama. Hasilnya jika nilai Trace Statistic lebih kecil dibandingkan dengan nilai Critical Value maka variabel-variabel tidak terkointegrasi, sebaliknya jika nilai Trace Statistic-nya lebih besar dibandingkan dengan nilai Critical Value maka variabel-variabel terkointegrasi. Hasil uji kointegrasi dapat dilihat pada Tabel 6 berikut. Tabel 6. Hasil Uji Kointegrasi Hypothesized Eigenvalue Trace 0.05 Prob.** Statistic Critical Value No. of CE(s) 0.981953 114.4954 29.79707 0.0000 None * 0.384318 18.14015 15.49471 0.0195 At most 1 * 0.237242 6.499555 3.841466 0.0108 At most 2 * Trace test indicates 3 cointegrating eqn(s) at the 0.05 level
Tabel 6 di atas menunjukkan bahwa terdapat variabel-variabel atau peubah yang terindikasi terkointegrasi pada derajat kepercayaan 5 persen. Adanya kointegrasi variabel terhadap variabel lain, hal ini menandakan bahwa terdapat hubungan jangka panjang diantara komoditas sayuran kembang kol, lettuce head, dan tomat beef dalam penelitian ini. Hasil uji kointegrasi secara lengkap dapat dilihat pada Lampiran 12. 4.2.5 Estimasi VECM (Vector Error Correction Model) Variabel-variabel atau peubah tidak stasioner yang terintegrasi pada tingkat yang sama akan bersifat stasioner setelah dilakukan pembedaan. Setiap model persamaan kointegrasi akan mempunyai error correction model karena dalam jangka pendek pergerakan dari setiap variabel ada kemungkinan penyimpangan dari pergerakan jangka panjangnya, seperti karena terjadi shock atau guncangan harga atau karena adanya faktor musiman yang ada dalam variabel. Pengaruh suatu variabel yang terkointegrasi terhadap variabel atau peubah lainnya dalam jangka panjang dapat dilihat dari analisis menggunakan metode
52
Vector Error Correction Model (VECM). Interpretasi hasil dilakukan dengan melihat koefisien kointegrasinya dan pembacaan tanda adalah terbalik dari tanda koefisiennya. Namun, harus dilihat terlebih dahulu besar nilai t-statistic dari koefisien yang didapatkan dari hasil uji. Koefisien kointegrasi dikatakan signifikan jika mutlak nilai t-statistic lebih besar daripada nilai t-tabel yaitu 1.96, karena menggunakan derajat kepercayaan 5 persen. Hasil dari uji kointegrasi menggunakan analisis VECM akan dihasilkan matriks koefisien jangka panjang untuk permintaan komoditas. Tabel 7. Hasil Estimasi VECM KKOL LH TR -0.651990 -0.856092 1.000000 [-2.27523] [-1.99967] Terlihat pada Tabel 7 di atas bahwa hasil nilai uji menunjukkan adanya hubungan jangka panjang antara permintaan komoditas sayuran kembang kol, lettuce head, dan tomat beef. Peningkatan permintaan lettuce head sebesar satu satuan akan meningkatkan permintaan kembang kol sebesar 0.65 satu satuan, dan kenaikan permintaan tomat beef sebesar satu satuan akan meningkatkan permintaan kembang kol sebesar 0,85 satu satuan. Hal ini menunjukkan bahwa adanya pengaruh komoditas sayuran dalam permintaan penjualan komoditas sayuran lainnya. Hasil estimasi VECM secara lengkap dapat dilihat pada Lampiran 13. 4.2.6 Uji Stabilitas Model Pengujian selanjutnya yang dilakukan adalah menguji stabilitas model VECM yang digunakan. Jika model memiliki stabilitas maka hasil estimasinya akan tidak berubah dengan deviasi yang besar meskipun periodenya diperpanjang sehingga hasil estimasinya dapat dipertanggungjawabkan (Gujarati, 2004). Penelitian ini berdasarkan hasil AR Root Table model dapat dikatakan stabil apabila nilai modulusnya kurang dari satu. Hasil uji stabilitas model dapat dilihat
53
pada Tabel 8 berikut ini dan secara lengkap dapat dilihat pada Lampiran 14. Tabel 8. Hasil Uji Stabilitas Model Root Modulus 0.979010 0.979010 0.869896 0.823481 - 0.280355i 0.869896 0.823481 + 0.280355i 0.508007 -0.253100 - 0.440467i 0.508007 -0.253100 + 0.440467i 0.195365 0.195365 Hasil uji stabilitas model yang terlihat pada Tabel 8 di atas, bahwa nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model VECM yang digunakan memiliki stabilitas model. 4.2.7 Impuls Response Function (IRF) Impuls respon dapat diartikan bahwa adanya suatu respon dari suatu peubah endogen ketika peubah endogen yang lainnya di shock atau diguncangkan dalam peubah itu sendiri atau peubah endogen lainnya. Impuls Respon Function (IRF) digunakan untuk menelusuri atau mengetahui pengaruh suatu standar deviasi shock atau guncangan terhadap perubahan yang terjadi pada nilai peubah endogen pada saat ini dan di masa yang akan datang. Nilai IRF memberikan arah besarnya pengaruh antar peubah atau variabel yang diteliti, dalam hal ini yaitu komoditas sayuran kembang kol, lettuce head, dan tomat beef. Gambar 3 menunjukkan ketika Kembang kol diimpuls atau diguncangkan. Response of LH to Nonfactorized One Unit KKOL Innovation
Response of KKOL to Nonfactorized One Unit KKOL Innovation
Response of TR to Nonfactorized One Unit KKOL Innovation
.6
1.2 1.0
.8 .7
.4
.6
0.8
.2 .5
0.6
.0
.4
0.4 .3
-.2 0.2
.2
-.4
0.0
.1
-.6
-0.2 5
10
15
20
25
(a)
30
35
40
45
50
.0
5
10
15
20
25
30
35
40
45
50
5
10
15
(b)
Gambar 3. Impuls Response of Kembang Kol
20
25
(c)
30
35
40
45
50
54
Respon komoditas pertama Gambar 3(a) yang dianalisis adalah respon variabel kembang kol yang diimpuls atau diguncang. Gambar 3(a) menunjukkan respon kembang kol terhadap guncangan dari variabel kembang kol itu sendiri. Terlihat pada gambar tersebut bahwa respon yang diberikan oleh kembang kol terhadap variabel dirinya sendiri pada perubahan standar deviasi sudah bernilai positif. Tren pergerakan respon kembang kol dari tiap periode cenderung untuk bergerak cukup stabil, walaupun terjadi fluktuasi yang terlihat signifikan pada periode awal. Namun, periode pertama setelah berada diposisi puncak ada penurunan yang signifikan sampai periode ketiga. Periode pertama respon bernilai 100 persen, pada periode kedua sudah terlihat penurunan yang signifikan dengan nilai responnya 45 persen sampai periode ketiga dengan titik respon terendah dengan nilai sebesar -4 persen. Setelah pada respon titik terendah periode ketiga mulai meningkat kembali, terlihat pada periode keempat dengan nilai respon 61 persen, selanjutnya terjadi fluktuasi ringan sampai periode ke 36. Periode ke 36 sampai dengan periode ke 50 dengan nilai respon yang stabil dan bertahan pada angka 47 persen. Terlihat dari Gambar 3(a) dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas kembang kol yang disebabkan oleh adanya guncangan seperti promosi atau lainnya sehingga mengakibatkan peningkatan permintaan akan berpengaruh positif pada peningkatan permintaan komoditas sayuran kembang kol itu sendiri. Gambar selanjutnya yaitu Gambar 3(b) menunjukkan respon variabel lettuce head terhadap guncangan dari variabel kembang kol. Terlihat pada gambar, respon yang diberikan variabel lettuce head pada perubahan standar deviasi kembang kol bernilai positif. Periode pertama responnya hanya nol persen, tetapi kemudian meningkat secara signifikan hingga 56 persen. Periode pertama sampai dengan periode ke 33 terjadi fluktuasi yang signifikan dengan puncak fluktuasi respon bernilai 56 persen dan nilai respon terendah pada periode ke 4 yaitu sebesar -40 persen. Nilai respon mulai stabil mulai dari periode ke 34
55
sampai dengan periode 50 yaitu berada pada nilai yang bertahan di angka 3 persen. Nilai respon yang positif dari Gambar 3(b) ini dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas kembang kol yang disebabkan oleh adanya guncangan seperti promosi atau lainnya sehingga mengakibatkan meningkatnya permintaan akan berpengaruh positif pada peningkatan permintaan komoditas sayuran lettuce head. Gambar berikutnya yaitu Gambar 3(c) menunjukkan respon variabel tomat beef terhadap guncangan dari variabel kembang kol. Respon yang diberikan oleh tomat beef pada perubahan standar deviasi kembang kol cenderung bernilai positif. Walaupun pada periode pertama respon yang diberikan
bernilai nol persen, tetapi periode
berikutnya meningkat secara signifikan hingga nilai responnya sebesar 30 persen. Nilai respon pada periode pertama hingga periode ke 40 menunjukkan fluktuasi yang signifikan dan periode selanjutnya pergerakkannya cenderung untuk stabil. Nilai respon tertinggi terjadi pada periode ke 8 dengan nilai respon sebesar 78 persen, kemudian nilai respon menurun dan berfluktuasi sampai periode ke 40 dan mulai stabil responnya pada nilai rata-rata respon 53 persen. Terlihat dari Gambar 3(c) dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas kembang kol yang disebabkan oleh adanya guncangan
seperti
promosi
atau
lainnya
yang
mengakibatkan
meningkatnya permintaan akan berpengaruh positif pada peningkatan permintaan komoditas sayuran tomat beef. Nilai dari hasil Impuls Response Function (IRF) untuk ketiga komoditas ketika kembang kol diguncang dapat dilihat pada Lampiran 15. Gambar 4 menunjukkan ketika Lettuce head diimpuls atau diguncangkan.
56
Response of KKOL to Nonfactorized One Unit LH Innovation
Response of LH to Nonfactorized One Unit LH Innovation 1.00
.30
0.95
.25
Response of TR to Nonfactorized One Unit LH Innovation .0 -.1 -.2
0.90
.20 -.3
0.85
.15
-.4
.10
-.5
0.80 0.75
-.6
.05
0.70
-.7
.00
0.65
-.8
-.05
0.60 5
10
15
20
25
30
(a)
35
40
45
50
-.9
5
10
15
20
25
30
35
40
45
50
5
10
15
(b)
20
25
30
35
40
45
50
(c)
Gambar 4. Impuls Response of Lettuce Head Respon kedua yang dianalisis adalah apabila variabel komoditas lettuce head diimpuls. Terlihat pada gambar yang pertama yaitu Gambar 4(a) menunjukkan respon dari variabel lettuce head terhadap guncangan dari variabel lettuce head itu sendiri. Respon yang diberikan variabel lettuce head pada perubahan standar deviasi terhadap variabel lettuce head itu sendiri bernilai positif. Pergerakan respon variabel lettuce head terhadap dirinya sendiri di setiap periode mengalami fluktuasi kemudian cenderung untuk bergerak stabil. Ketika variabel diguncangkan terjadi fluktuasi yang signifikan dari periode pertama sampai dengan periode ke 24, dengan nilai respon tertinggi yang diberikan bernilai 100 persen, kemudian menurun secara signifikan pada periode berikutnya hingga nilai 71 persen dan nilai respon terendah pada periode ke 5 dengan nilai sebesar 63 persen. Pada periode ke 25 sampai dengan periode 50 respon yang diberikan mulai stabil dengan nilai respon rata-rata 72 persen. Terlihat dari Gambar 4(a) dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas lettuce head yang disebabkan oleh adanya guncangan seperti promosi atau lainnya yang mengakibatkan meningkatnya permintaan akan berpengaruh positif pada peningkatan permintaan lettuce head itu sendiri. Gambar selanjutnya pada respon kedua yaitu Gambar 4(b) menunjukkan respon yang diberikan oleh variabel kembang kol terhadap guncangan dari variabel lettuce head. Respon yang diberikan oleh kembang kol terhadap perubahan standar deviasi lettuce head bernilai positif. Gambar 4(b) yang ditunjukkan terlihat bahwa respon
57
dari kembang kol terhadap variabel lettuce head sangat berfluktuatif dari periode pertama hingga periode ke 38. Periode pertama respon yang diberikan kembang kol bernilai nol persen, kemudian meningkat secara signifikan hingga 21 persen. Nilai respon tertinggi yang diberikan oleh kembang kol terhadap lettuce head berada pada periode ke 3 dengan respon sebesar 29 persen, dan nilai terendah pada periode ke 10 dengan nilai sebesar -0,6 persen. Nilai respon mulai stabil mulai dari periode ke 39 sampai dengan periode ke 50 dengan nilai respon rata-rata berada pada angka 5 persen. Terlihat dari Gambar 4(b) dapat disimpulkan bahwa peningkatan permintaan pada komoditas lettuce head yang disebabkan oleh adanya guncangan seperti promosi atau lainnya
yang
mengakibatkan
meningkatnya
permintaan
akan
berpengaruh positif pada peningkatan permintaan komoditas sayuran kembang kol. Gambar selanjutnya yaitu Gambar 4(c) menunjukkan respon variabel tomat beef terhadap guncangan dari variabel lettuce head. Jika dilihat dari grafik, respon yang diberikan oleh tomat beef terhadap perubahan standar deviasi variabel lettuce head cenderung bernilai negatif. Periode pertama respon bernilai nol persen, ini adalah respon nilai tertinggi, kemudian respon menurun sampai dengan periode ke 6 dengan nilai terendah sebesar -80 persen. Nilai respon mulai dari periode ke 36 sampai dengan periode ke 50 nilainya cenderung stabil dengan nilai rata-rata sebesar -50 persen. Terlihat dari Gambar 4(c) ini dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada lettuce head yang disebabkan oleh adanya guncangan seperti promosi atau lainnya yang mengakibatkan meningkatnya permintaan akan berpengaruh negatif pada penurunan permintaan komoditas sayuran tomat beef. Nilai dari hasil Impuls Response Function (IRF) untuk ketiga komoditas ketika lettuce head diguncang dapat dilihat pada Lampiran 16. Gambar 5 menunjukkan ketika tomat beef diimpuls atau diguncangkan.
58
Response of TR to Nonfactorized One Unit TR Innovation
Response of LH to Nonfactorized One Unit TR Innovation
Response of KKOL to Nonfactorized One Unit TR Innovation
1.6
.30
.6
.25 .5
1.2
.20 .4
0.8
.15 .3
.10
0.4 .2
.05
0.0 .1
-0.4
.00 -.05
.0
5
10
15
20
25
30
35
40
45
50
5
10
15
20
(a)
25
30
35
40
45
50
5
10
15
(b)
20
25
30
35
40
45
50
(c)
Gambar 5. Impuls Response of Beef Tomato Respon ketiga yang dianalisis adalah apabila variabel tomat beef diimpuls atau diberi guncangan. Gambar 5(a) menunjukkan respon yang diberikan oleh variabel tomat beef terhadap guncangan dari variabel tomat beef itu sendiri. Respon yang diberikan oleh tomat beef terhadap perubahan standar deviasi variabel tomat itu sendiri cenderung bernilai positif. Ketika variabel diguncangkan terjadi fluktuasi yang signifikan dari periode pertama hingga periode ke 40. Periode pertama nilai respon yang diberikan oleh tomat sebesar 100 persen, kemudian meningkat hingga 149 persen, ini adalah nilai respon tertinggi. Setelah itu menurun secara drastis hingga periode ke 11 dengan nilai terendah yaitu sebesar -24 persen, kemudian mengalami peningkatan kembali. Nilai respon yang diberikan pada periode ke 41 sampai dengan periode ke 50 sudah mulai stabil dengan nilai rata-rata respon berada pada angka 25 persen. Terlihat dari Gambar 5(a) ini dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas tomat beef yang disebabkan oleh adanya guncangan seperti promosi atau lainnya
akan
mengakibatkan
meningkatnya
permintaan
akan
berpengaruh positif pada permintaan komoditas sayuran tomat beef itu sendiri. Gambar selanjutnya untuk respon yang ketiga pada Gambar 5(b) menunjukkan respon dari variabel kembang kol terhadap guncangan dari variabel tomat beef. Jika dilihat pada grafik di atas, respon yang diberikan oleh kembang kol terhadap perubahan standar deviasi variabel tomat beef cenderung bernilai positif dengan fluktuasi yang cukup signifikan. Periode pertama nilai respon yang diberikan bernilai
59
nol persen, kemudian meningkat secara signifikan hingga periode ke 6 dengan nilai tertinggi sebesar 56 persen, selanjutnya mengalami penurunan hingga periode ke 14 dengan nilai terendah sebesar 24 persen. Nilai respon yang diberikan pada periode ke 42 sampai dengan periode ke 50 mulai stabil dengan nilai respon rata-rata yang berada di angka 33 persen. Terlihat dari Gambar 5(b) ini dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas tomat beef yang disebabkan oleh adanya guncangan seperti promosi atau lainnya
akan
mengakibatkan
meningkatnya
permintaan
akan
berpengaruh positif pada peningkatan permintaan komoditas sayuran kembang kol. Gambar selanjutnya yaitu Gambar 5(c) menunjukkan respon yang diberikan oleh variabel lettuce head terhadap guncangan dari variabel tomat beef. Jika dilihat dari grafik, respon yang diberikan oleh lettuce head terhadap perubahan standar deviasi variabel tomat beef cenderung bernilai positif. Terlihat respon yang diberikan oleh lettuce head berfluktuatif secara signifikan dan cenderung untuk bergerak stabil hingga periode ke 50. Periode pertama nilai respon yang diberikan bernilai nol persen, kemudian menurun pada periode berikutnya denga nilai sebesar -0,2 persen. Selanjutnya mengalami peningkatan secara signifikan hingga periode ke 4 dengan nilai respon sebesar 25 persen. Nilai respon yang diberikan berfluktuasi dari periode pertama sampai dengan periode 32. Nilai respon tertinggi pada periode ke 7 dengan nilai respon sebesar 29 persen dan nilai respon terendah pada periode ke 2 dengan nilai respon yang diberikan sebesar -0,2 persen. Pada periode ke 33 sampai dengan periode ke 50 nilai respon mulai stabil dengan nilai respon rata-rata sebesar 16 persen. Terlihat dari Gambar 5(c) ini dapat disimpulkan bahwa peningkatan permintaan secara signifikan pada komoditas tomat beef yang disebabkan oleh adanya guncangan seperti promosi atau lainnya yang mengakibatkan peningkatan
permintaan
yang
akan
berpengaruh
positif
pada
peningkatan permintaan komoditas sayuran lettuce head. Nilai dari hasil
60
Impuls Response Function (IRF) untuk ketiga komoditas ketika tomat beef diguncang dapat dilihat pada Lampiran 17. 4.2.8 Forecast Error Variance Decomposition (FEVD) Analisis dengan Forecast Error Variance Decomposition (FEVD) ini dapat menginformasikan mengenai ramalan dari variabel yang digunakan. Kemudian untuk mengetahui seberapa besar persen variasi sisaan suatu variabel yang dijelaskan oleh setiap sisaan masingmasing variabel dan sisaan variabel lain pada tahapan periode ramalan ke depan dalam model yang diaplikasikan. Tabel yang dijelaskan selanjutnya menunjukkan hasil variasi masing-masing variabel endogen oleh variabel endogen lainnya. Hasil dari uji Forecast Error Variance Decomposition (FEVD) dapat dilihat secara lengkap pada Lampiran 18. 1. Forecast Error of Cauliflower (Kembang kol) Variabilitas data ramalan dapat diukur dengan peramalan kesalahan standar atau forecast standar error ditambah dengan nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM untuk variabel kembang kol adalah : KKOL = 158 + 0,465 LAGKOL - 0,099 LAGLH + 0,327 LH + 0,062 LAGTR + 0,0185 TR Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan kembang kol. Setelah mendapatkan persamaan regresi dapat menghitung nilai ramalannya. Tabel 9 berikut ini merupakan hasil ramalan satu tahun ke depan dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram di setiap nilainya.
61
Tabel 9. Hasil Peramalan Kembang Kol Periode 31 32 33 34 35 36 37 38 39 40 41 42
Forecast SE ±342 ±451 ±554 ±688 ±795 ±893 ±992 ±1067 ±1124 ±1177 ±1218 ±1251
Nilai Persamaan 1044 1147 1195 1222 1263 1323 1399 1481 1566 1650 1732 1811
Nilai Forecast 702 1386 696 1598 641 1749 534 1910 468 2058 430 2216 407 2391 414 2548 442 2690 473 2827 514 2950 560 3062
Nilai Aktual 579 410 354 361 591 409
Keakuratan tidak akurat tidak akurat tidak akurat tidak akurat Akurat tidak akurat
Tabel 9 hasil peramalan, dilihat dari nilai persamaan atau nilai prediksi sementara dari variabel kembang kol mengalami peningkatan. Nilai ramalan yang cenderung meningkat di setiap periodenya sampai dengan periode ke 42 (Juni 2012). Nilai aktual selama periode ke 31 sampai dengan periode 34 tidak berada dalam rentang nilai forecast, sedangkan pada periode ke 35 nilai aktualnya berada pada nilai forecast, tetapi periode ke 36 nilai aktulanya kembali tidak berada pada rentang nilai forecast. Hal ini menunjukkan bahwa hitungan ramalan yang telah dilakukan menghasilkan nilai ramalan yang akurat dan tidak akurat. Nilai aktual yang tidak berada pada rentang nilai ramalan ini karena periode tersebut perusahaan memang melakukan pengurangan permintaan. Harga yang diminta oleh customer retail tidak bisa masuk ke dalam harga jual perusahaan dan adanya kompetisi harga dengan pesaing, sehingga perusahaan melakukan pengurangan permintaan terhadap komoditas kembang kol tersebut. Untuk peramalan enam periode berikutnya yaitu dari periode ke 37 sampai dengan periode ke 42 perusahaan dapat menentukan target permintaan terhadap penjualan komoditas kembang kol pada rentang nilai forecast. Untuk melihat lebih jelas perbedaan nilai aktual dan nilai forecast dapat melihat Gambar 6 di bawah ini.
62
Gambar 6. Nilai Aktual dan Nilai Forecast Kembang kol Penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan. Hasil peramalan dengan metode pemulusan eksponensial Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition. Nilai hasil ramalan dapat dilihat pada Lampiran 20. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Metode tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data kembang kol dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Bila
dibandingkan
hasilnya
dengan
menggunakan
pendekatan
kointegrasi, metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren yang terdapat pada data komoditas kembang kol.
63
2. Variance Decomposition of Cauliflower (Kembang kol)
Gambar 7. Variance Decomposition of Cauliflower (Kembang kol) Jika dilihat dari gambar diagram variance decomposition di atas, dapat diketahui bahwa permintaan komoditas sayuran kembang kol untuk periode 50 periode ke depan pengaruhnya lebih didominasi oleh komoditas kembang kol itu sendiri. Pada periode pertama permintaan komoditas kembang kol dipengaruhi oleh kembang kol itu sendiri hingga mencapai nilai 100 persen. Pada periode berikutnya pengaruh kembang kol mulai melemah hingga terus mengalami penurunan sampai periode ke 20 kemudian stabil hingga periode ke 50 dengan nilai 67,5 persen. Pengaruh dari tomat beef menguat terlihat dari periode ke 2 dengan nilai sebesar 1,3 persen sampai periode ke 50 sebesar 30,8 persen. Sedangkan pengaruh dari komoditas lettuce head melemah terlihat dari periode ke 11 sebesar 1,9 persen sampai dengan periode ke 50 sebesar 0,6 persen. Hal ini mengindikasikan bahwa variabilitas permintaan komoditas kembang kol selain dipengaruhi oleh permintaan kembang kol itu sendiri juga dipengaruhi oleh permintaan lettuce head dan tomat beef baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek. 3. Forecast Error of Lettuce head Variabilitas data ramalan dapat diukur dengan dengan peramalan kesalahan standar atau disebut juga forecast standar error
64
ditambah dengan nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM adalah sebagai berikut : LH = - 155 - 0,471 LAGKOL + 1,21 KKOL + 0,612 LAGLH - 0,156 LAGTR + 0,122 TR Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan lettuce head. Setelah mendapatkan persamaan regresinya, dapat menghitung nilai peramalannya. Tabel 10 di bawah ini merupakan hasil peramalan dari komoditas sayuran lettuce head selama satu tahun ke depan dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap nilainya. Tabel 10. Hasil Peramalan Lettuce Head Periode Forecast Nilai SE Persamaan ±342 682 31 ±451 797 32 ±554 928 33 ±688 1064 34 ±795 1223 35 ±893 1371 36 ±992 1525 37 ±1067 1681 38 ±1124 1842 39 ±1177 2005 40 ±1218 2169 41 ±1251 2333 42
Nilai Forecast 340 1024 346 1248 374 1482 376 1752 428 2018 478 2264 533 2517 614 2748 718 2966 828 3182 951 3387 1082 3584
Nilai Aktual 529 531 537 90 167 280
Keakuratan Akurat Akurat Akurat tidak akurat tidak akurat tidak akurat
Terlihat pada Tabel 10 di atas, dilihat dari nilai hasil persamaan atau nilai prediksi sementara dari variabel lettuce head yang didapat cenderung mengalami peningkatan dalam permintaan di setiap periodenya. Nilai ramalan cenderung terus meningkat hingga periode ke 42 (Juni 2012). Nilai aktual selama tiga periode pertama yaitu dari periode ke 31 sampai dengan periode ke 33 berada pada rentang nilai forecast, sedangkan dari periode ke 34 sampai dengan periode ke 36 nilai aktualnya tidak berada pada rentang nilai forecast. Hal ini
65
menunjukkan
bahwa
hitungan
ramalan
yang
telah
dilakukan
menghasilkan nilai ramalan yang akurat dan tidak akurat. Nilai aktual yang tidak berada pada rentang nilai forecast di periode tersebut dan tidak akurat karena ada faktor lain yang mempengaruhi permintaan tersebut yaitu komoditas lettuce head yang dijual oleh perusahaan mengalami kenaikan harga yang sangat tinggi, sehingga permintaan lettuce head menurun secara drastis. Penurunan permintaan juga disebabkan harga jual lettuce head perusahaan yang tidak masuk ke dalam harga yang diminta oleh customer retail, adanya persaingan mengenai harga dengan perusahaan lainnya, dan perusahaan lebih mengutamakan untuk memenuhi permintaan dari customer process yang lebih menguntungkan. Untuk peramalan enam periode berikutnya yaitu periode ke 37 sampai dengan periode ke 42 perusahaan dapat menentukan target permintaan terhadap penjualan komoditas lettuce head pada rentang nilai forecast. Untuk melihat lebih jelas perbandingan nilai aktual dengan nilai hasil peramalan dapat melihat Gambar 8 di bawah ini.
Gambar 8. Nilai Aktual dan Nilai Forecast Lettuce head Penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan. Hasil peramalan dengan metode pemulusan eksponensial Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition.
66
Nilai hasil ramalan dapat dilihat pada Lampiran 21. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Sedangkan dengan pendekatan kointegrasi pada penelitian ini hanya pada tiga periode pertama saja yang akurat. Metode pemulusan eksponensial Winter’s tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data lettuce head dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Hasil ramalan ini hampir sama dengan hasil ramalan untuk komoditas kembang kol yang menghasilkan nilai peramalan yang cenderung semakin menurun karena dipengaruhi data sebelumnya yang dijadikan dasar pada peramalan. Bila dibandingkan dengan hasil peramalan dengan pendekatan kointegrasi pada penelitian ini, peramalan dengan metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren dan pola musiman yang terdapat pada data lettuce head. 4. Variance Decomposition of Lettuce head
Gambar 9. Variance Decomposition of Lettuce head Gambar 9 variance decomposition di atas dapat dilihat bahwa permintaan komoditas lettuce head sangat dipengaruhi oleh komoditas
67
lettuce head itu sendiri dan kembang kol. Pada periode pertama lettuce head mempengaruhi komoditas lettuce head itu sendiri sebesar 48,7 persen lebih kecil dari pengaruh yang diberikan oleh kembang kol terhadap lettuce head sebesar 51, 2 persen. Periode berikutnya pengaruh lettuce head pada lettuce head itu sendiri mulai melemah terlihat pada periode ke 3 hingga mencapai 44,3 persen dan mulai stabil pada periode ke 9 dengan nilai 39,8 persen. Pengaruh dari komoditas kembang kol semakin menguat terlihat dari periode ke 3 dengan nilai sebesar 55,4 persen sampai dengan periode ke 50 dengan nilai sebesar 57,5 persen. Sedangkan pengaruh dari tomat beef menguat terlihat dari periode ke 3 dengan nilai sebesar 0.3 persen sampai dengan periode ke 50 nilainya sebesar 2,8 persen. Hal ini mengindikasikan bahwa variabilitas permintaan komoditas lettuce head sangat dipengaruhi oleh permintaan kembang kol dan permintaan lettuce head itu sendiri serta dipengaruhi oleh permintaan komoditas tomat beef baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek. 5. Forecast Error Of Beef Tomato Variabilitas data ramalan dapat diukur dengan peramalan kesalahan standar atau forecast standar error ditambah denagn nilai prediksi dari garis persamaan regresi. Persamaan regresi beda kala yang diperoleh dari pemodelan VECM adalah sebagai berikut : TR = 681 + 0,988 LAGTR + 0,150 LH - 0,177 LAGLH + 0,084 KKOL - 0,413 LAGKOL Hasil dari persamaan regresi tersebut dapat mengetahui nilai prediksi permintaan komoditas tomat beef. Setelah memperoleh persamaan regresinya, dapat menghitung nilai peramalannya. Tabel 11 di bawah ini merupakan hasil peramalan dari komoditas tomat beef selama satu tahun ke depan mulai dari periode ke 31 (Juli 2011) sampai dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap nilainya.
68
Tabel 11. Hasil Peramalan Tomat Beef Periode Forecast Nilai SE Persamaan ±342 3976 31 ±451 4273 32 ±554 4528 33 ±688 4759 34 ±795 4979 35 ±893 5179 36 ±992 5355 37 ±1067 5501 38 ±1124 5615 39 ±1177 5695 40 ±1218 5742 41 ±1251 5757 42
Nilai Nilai Keakuratan Forecast Aktual 3634 4318 2129 tidak akurat 3822 4724 1253 tidak akurat 3974 5082 2426 tidak akurat 4071 5447 1621 tidak akurat 4184 5774 519 tidak akurat 4286 6072 530 tidak akurat 4363 6347 4434 6568 4491 6739 4518 6872 4524 6960 4506 7008
Tabel 11 hasil peramalan di atas, dapat dilihat dari hasil nilai persamaan atau nilai prediksi sementara dari variabel tomat beef mengalami peningkatan di setiap periodenya. Nilai ramalan cenderung terus meningkat sampai dengan periode ke 42 (Juni 2012). Nilai aktual selama enam periode pertama yaitu periode ke 31 sampai dengan periode ke 36 nilainya tidak berda pada rentang nilai forecast. Hal ini menunjukkan
bahwa
hitungan
ramalan
yang
telah
dilakukan
mengasilkan nilai ramalan yang kurang akurat. Nilai aktual yang tidak berada pada rentang nilai forecast pada periode tersebut karena adanya faktor penyebab yang tidak terduga yaitu tanaman tomat beef yang dibudidayakan dalam green house terserang virus gemini. Sehingga perusahaan melakukan pengurangan dan menghentikan sementara permintaan terhadap komoditas tomat beef karena barang yang tidak ada dan kurang mencukupi permintaan. Permasalahan lain yang menyebabkan permintaan menurun yaitu disebabkan harga jual perusahaan yang kurang kompetitif, kebutuhan komoditas yang menggantungkan dari hasil produksi green house, dan permintaan dari customer retail dikurangi dan lebih mengutamakan pemenuhan permintaan customer process. Untuk peramalan enam periode berikutnya yaitu dari periode ke 37 sampai dengan periode ke 42
69
perusahaan dapat menetapkan target permintaan terhadap penjualan komoditas tomat beef tersebut pada rentang nilai forecast. Untuk melihat lebih jelas perbandingan nilai aktual dengan nilai hasil peramalan dapat melihat Gambar 10.
Gambar 10. Nilai Aktual dan Nilai Peramalan Tomat beef Seperti dijelaskan sebelumnya untuk komoditas kembang kol dan lettuce head, penelitian ini juga melakukan analisis peramalan dengan teknik dan metode peramalan lain untuk membandingkan hasil ramalan yang didapatkan pada komoditas tomat beef. Hasil peramalan dengan metode pemulusan eksponensial Winter’s menghasilkan nilai kesalahan yang lebih kecil dibandingkan dengan metode peramalan analisis tren dan time series decomposition. Nilai hasil ramalan dapat dilihat pada Lampiran 22. Hasil ramalan dengan metode pemulusan eksponensial Winter’s untuk satu tahun ke depan pada enam periode pertama nilai aktualnya semua berada pada rentang nilai forecast, sehingga nilai ramalannya akurat. Sedangkan dengan pendekatan kointegrasi pada penelitian ini nilai aktualnya semua tidak berada pada rentang nilai forecast sehingga nilai ramalannya tidak akurat. Metode pemulusan eksponensial Winter’s tersebut lebih sensitif terhadap tren dan pola musiman yang ada pada data tomat beef dari periode Januari 2009 sampai periode Desember 2011. Hasil peramalannya berfluktuatif dan memiliki kecenderungan menurun seiring dengan peningkatan periode ramalan pada penelitian. Hasil ramalan ini hampir sama dengan
70
hasil ramalan untuk komoditas kembang kol dan lettuce head yang menghasilkan nilai peramalan yang cenderung semakin menurun karena dipengaruhi data sebelumnya yang dijadikan dasar pada peramalan ini. Bila dibandingkan dengan hasil peramalan dengan pendekatan kointegrasi pada penelitian ini, peramalan dengan metode pemulusan eksponensial Winter’s lebih sensitif terhadap tren dan pola musiman yang terdapat pada data komoditas sayuran tomat beef. 6. Variance Decomposition of Beef Tomato
Gambar 11. Variance Decomposition of Beef Tomato Gambar 11 variance decomposition di atas dapat dilihat bahwa permintaan tomat beef sangat dipengaruhi oleh komoditas tomat beef itu sendiri. Pada periode pertama komoditas tomat beef mempengaruhi tomat beef itu sendiri masih mendominasi mencapai nilai 81,6 persen. Pada periode berikutnya pengaruh tomat beef mulai melemah terlihat dari periode ke 2 dengan nilai 76,9 persen sampai dengan periode ke 50 nilainya sebesar 49,7 persen. Pengaruh dari kembang kol semakin menurun terlihat dari periode ke 3 dengan nilai 17,3 persen sampai dengan periode ke 50 nilainya sebesar 6,4 persen. Sedangkan pengaruh dari variabel lettuce head semakin menguat terlihat dari periode ke 2 dengan nilai sebesar 0,9 persen sampai dengan periode ke 50 nilainya 43,9 persen. Hal ini mengindikasikan bahwa variabilitas permintaan tomat beef selain
71
dipengaruhi oleh permintaan tomat beef itu sendiri juga dipengaruhi oleh permintaan kembang kol dan permintaan lettuce head baik dalam jangka waktu yang panjang maupun jangka waktu yang pendek. Peramalan yang dilakukan oleh PT Saung Mirwan merupakan salah satu upaya untuk mengantisipasi permintaan pelanggan di masa yang akan datang. Permintaan yang dimaksud adalah permintaan aktual yang terjadi di perusahaan, yaitu jumlah sayuran yang dipesan oleh customer (pelanggan). Pelanggan yaitu perusahaan retail (supermarket), restoran, hotel, dan sebaginya, yang menjual kembali atau melakukan penanganan terlebih dahulu terhadap komoditi sayuran yang dibeli dari PT Saung Mirwan. Apabila dilihat dari sisi pemenuhan permintaan customer, sebagian besar atau pada umumnya tidah terpenuhi seratus persen. Hal tersebut disebabkan oleh faktor-faktor tertentu, seperti faktor alam (seperti cuaca) yang erat kaitannya dengan ketersediaan komoditas sayuran. PT Saung Mirwan dalam meramalkan permintaan menggunakan standar 20 persen, artinya selama selisih lebih atau kurang antara ramalan dengan aktualnya tidak melebihi 20 persen maka masih dapat dikatakan baik peramalan tersebut. Permintaan yang diramalkan untuk beberapa periode ke depan pada PT Saung Mirwan dilakukan oleh divisi pemasaran. Prediksi yang dilakukan oleh divisi pemasaran adalah berdasarkan pengalaman, yaitu dengan melihat kecenderungan permintaan selama dua tahun terakhir dan performance permintaannya untuk setiap customer. Hal ini dilakukan untuk melihat kemungkinan apakah target dapat dinaikkan atau tidak, baik dari sisi kuantitas dan harga untuk masing-masing komoditi sayuran per pelanggan dalam periode waktu mingguan yang biasa
dilakukan.
Hasil
dari
peramalan
tersebut
kemudian
dikoordinasikan ke seluruh divisi yang ada di perusahaan. Divisi yang terkait secara langsung dengan target kuantitas yang diinginkan oleh divisi pemasaran adalah bagian produksi dan divisi pengadaan. Bagi bagian produksi, hasil peramalan dijadikan sebagai dasar untuk menentukan jadwal penanaman selanjutnya dan apakah kuantitas yang
72
diminta oleh divisi pemasaran terpenuhi melalui sarana produksi yang tersedia. Sedangkan pada divisi pengadaan, hasil ramalan digunakan sebagai dasar untuk menentukan kuantitas yang diinginkan dari mitra PT Saung Mirwan, baik dari mitra tani yang melakukan kerja sama maupun mitra beli. Jika bagian produksi dan divisi pengadaan tidak mampu memenuhi kuantitas
yang diinginkan, biasanya divisi
pemasaran menurunkan targetnya. 4.2.9 Implikasi Manajerial Hasil
peramalan
yang
diperoleh
dengan
menggunakan
pendekatan kointegrasi pada penelitian ini menghasilkan implikasi manajerial yang dapat menjadi saran dan masukan untuk diterapkan pada perusahaan. Perusahaan dapat membuat keputusan manajerial seperti halnya dalam penyediaan atau pasokan komoditas sayuran yang dibutuhkan
untuk
memenuhi
permintaan
customer.
Peramalan
merupakan masukan untuk langkah selanjutnya dalam menentukan perencanaan dan target perusahaan diberbagai bidang dengan melihat dan mengacu kepada data dan informasi sebelumnya yang teraktual dan relevan mengenai komoditas yang diusahakan. Oleh karena itu, perusahaan dapat lebih fokus pada pembuatan struktur database permintaan setiap customer untuk setiap periode permintaan di PT Saung Mirwan secara harian, mingguan, maupun bulanan. Database permintaan tersebut secara terinci dan jelas menjadi dasar untuk mendapatkan data dan informasi yang lebih akurat pada masa yang akan datang. Data-data permintaan dan penjualan teraktual komoditas serta performance permintaan customer yang diusahakan PT Saung Mirwan bisa dijadikan dasar dalam menentukan target untuk meningkatkan produktivitas perusahaan. Database tersebut juga menjadi dasar bagi perusahaan untuk melakukan peramalan selanjutnya yang lebih akurat dan memiliki nilai error yang kecil.
73
KESIMPULAN DAN SARAN
1.
Kesimpulan Kesimpulan yang diperoleh dari
hasil penelitian yang telah
dilakukan yaitu sebagai berikut: a. Melihat data permintaan komoditas sayuran kembang kol, lettuce head, dan tomat beef bahwa data tersebut bersifat musiman dan memiliki tren. Data sayuran ketiga komoditas tersebut sangat berfluktuasi, sehingga data tersebut bersifat tidak stasioner. b. Dari hasil peramalan permintaan yang dilakukan untuk satu tahun ke depan (dimulai dari Juli 2011 sampai dengan Juni 2012) terjadi kecenderungan meningkat pada nilai hasil prediksi persamaan regresi beda kala,
sehingga
mempengaruhi
hasil
peramalan
permintaannya.
Berdasarkan hasil analisis Variance Decomposition untuk 50 periode ke depan pengaruh paling dominan pada komoditas kembang kol adalah kembang kol itu sendiri. Pengaruh dominan untuk komoditas sayuran lettuce head adalah lettuce head itu sendiri dan pengaruh produk lain yang paling besar adalah kembang kol. Sedangkan untuk tomat beef pengaruh paling dominan dalam permintaannya adalah tomat beef itu sendiri dan pengaruh komoditas lain yang besar adalah lettuce head. Adanya kesalahan dalam pengambilan plot data untuk peramalan menyebabkan kesalahan dan peramalan menjadi tidak akurat pada komoditas tomat beef. c. Hasil dari uji kointegrasi terdapat hubungan kointegrasi pada komoditas sayuran kembang kol, lettuce head, dan tomat beef yang menandakan bahwa adanya hubungan dalam jangka panjang diantara ketiga komoditas tersebut. Berdasarkan hasil uji IRF menunjukkan bahwa guncangan dalam permintaan kembang kol direspon positif oleh semua variabel. Adanya guncangan yang terjadi dalam permintaan lettuce head direspon positif oleh lettuce head itu sendiri dan kembang kol, tetapi direspon negatif oleh tomat beef. Sedangkan guncangan yang terjadi dalam permintaan tomat beef direspon positif oleh semua variabel.
74
2.
Saran Hasil dari penelitian ini penulis menyarankan beberapa hal kepada peneliti dan akademisi lain yang akan meneliti dan mempelajari mengenai peramalan permintaan penjualan produk yang melihat hubungan dan pengaruh dari masing-masing variabel atau peubah yang digunakan. Berikut adalah beberapa hal yang disarankan: a. Penelitian ini hanya dapat mengidentifikasi tiga variabel bebas atau faktor yang mempengaruhi permintaan pada ketiga komoditas yang terpilih, maka untuk penelitian selanjutnya dalam melakukan peramalan dapat memasukkan peubah atau variabel lain diluar komoditas dan atau faktor lain
yang
berpengaruh
dari
luar
lingkungan
perusahaan
yang
mempengaruhi permintaan dari masing-masing komoditas. Karena permintaan terhadap produk tersebut dapat dipengaruhi oleh customer maupun adanya persaingan dengan produk sejenis dari perusahaan lainnya. b. Penelitian ini hanya terbatas pada ketiga komoditas yang terpilih, untuk itu diperlukan penelitian lebih lanjut mengenai peramalan terhadap komoditi lainnya yang diusahakan pada PT saung Mirwan. c. Penelitian selanjutnya bila akan melakukan penelitian yang sama harus melihat hubungan dan pengaruh secara logis dan teoritis terlebih dahulu terhadap variabel-variabel yang akan digunakan dalam penelitian.
75
DAFTAR PUSTAKA Agung, I.G.N. 2009. Time Series Data Analysis Using Eviews. John Willey and Sons (Asia) Pte Ltd. Singapore. Aritonang, L. R. R. 2002. Peramalan Bisnis. Ghalia Indonesia. Jakarta. Assauri, S. 1984. Teknik & Metoda Peramalan Penerapannya Dalam Ekonomi & Dunia Usaha. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta. Badan Pusat Statistik . 2011. Rata-rata Konsumsi Kalori per Kapita Sehari Menurut Kelompok Makanan 1999, 2002-2010. [Studi berkala]. http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=0 5¬ab=5. (10 Oktober 2011) Bowerman, B. L dan O’Connell, R. T. 1993. Forecasting And Time Series: An Applied Approach. 3rd Edition. Duxbury Press. Belmont, California. Dianingsari, K. 2007. Analisis Hubungan Dinamis suku Bunga SBI, IHSG, Dan Suku Bunga Internasional Dengan Model Vector Autoregressive. Skripsi. Departemen Statistika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Bogor. Enders, W. 2004. Applied Econometric Time Series. 2nd Edition. John Wiley & Sons. Inc. America. Fikriansyah, I. 2011. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil City Car, Sedan, Dan MPV Di Auto 2000. Skripsi. Departemen Manajemen. Fakultas Ekonomi Dan Manajemen. Institut Pertanian Bogor. Bogor. Gujarati, D. N. 2006. Dasar-Dasar Ekonometrika Edisi Ketiga Jilid Dua. (Terjemahan). Penerbit Erlangga. Jakarta. Hanke, J. E, W. Dean dan A.G. Reitsch. 2003. Peramalan Bisnis. (Terjemahan) PT Prenhallindo. Jakarta. Heizer dan Render. 2006. Manajemen Operasi. Salemba Empat. Jakarta. Indrazakti, M. 2011. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi pada Produk Safe 1 dan Cypegard (500 ml dan 10 ml) Di PT Chemigard. Skripsi. Departemen Manajemen. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor.
76
Kusuma, H. 1999. Manajemen Produksi : Perencanaan dan Pengendalian Produksi. Andi Offset. Yogyakarta. Kotler, P dan K. L. Keller. 2009. Manajemen Pemasaran Edisi Kedua Belas Jilid Satu. (Terjemahan). Indeks. Jakarta. Nachrowi, N. D. dan Hardius Usman. 2006. Pendekatan Populer dan Praktis Ekonometrika Untuk Analisis Ekonomi dan Keuangan. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta. Respati, E. 2005. Analisis VAR (Vector Autoregressive) Untuk Mekanisme Pemodelan Harga Ayam. Tesis. Institut Pertanian Bogor. Bogor. Rubatzky, V. E. dan Mas Yamaguchi. 1998. Sayuran Dunia: Prinsip, Produksi dan Gizi, Jilid 1. (Terjemahan). Penerbit ITB. Bandung. Sugiarto dan Harijono. 2000. Peramalan Bisnis. Gramedia Pustaka Utama. Jakarta Susanti, A. A. 2006. Kajian Produk Domestik Bruto Tanaman Bahan Makanan Melalui Model Vector Autoregressive. Tesis. Institut Pertanian Bogor. Bogor. Widyasari, N. 2010. Analisis Kointegrasi harga Beberapa Komoditas Pangan Utama Di Pulau Sumatera dan Jawa Pasca Krisis Ekonomi. Skripsi. Departemen Ilmu Ekonomi. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor. Williams, C. N. Uzo, J. O dan Peregrine, W. T. H. 1993. Produksi Sayuran Di daerah Tropika. (Terjemahan). Gadjah Mada University. Yogyakarta. Winarno, W. W. 2007. Analisis Ekonometrika dan Statistika Dengan Eviews. UPP STIM YKPN. Yogyakarta.
77
LAMPIRAN
78
Lampiran 1. Rata-rata Konsumsi Kalori (KKal) per Kapita Sehari Menurut Kelompok Makanan No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Komoditi Padi-padian Umbi-umbian Ikan Daging Telur dan susu Sayur-sayuran Kacang-kacangan Buah-buahan Minyak dan lemak Bahan minuman Bumbu-bumbuan Konsumsi lainnya Makanan jadi Minuman beralkohol Tembakau dan sirih JUMLAH
1999 1 066,50 60.73 36.04 20.07 24.39 32.28 52.4 32.71 205.9 103.35 15.42 28.76 170.78 0.04 0 1 849,36
2002 1 039,91 55.43 42.53 35.01 39.63 37.44 71.66 40.75 246.66 120 18.28 41.66 198.09 0.09 0 1 987,13
2003 1 035,07 55.62 46.91 41.71 37.83 40.95 63.93 42.75 241.7 115.54 15.89 39.6 212.31 0.09 0 1 989,89
2004 1 024,08 66.91 45.05 39.73 40.47 38.8 62.24 41.61 236.67 114.75 16.41 40.16 219.09 0.09 0 1 986,06
2005 1 009.13 56.01 47.59 41.45 47.17 38.72 69.97 39.85 241.87 110.73 19.25 52.84 233.08 *) 0 2 007.65
2006 992.93 51.08 44.56 31.27 43.35 40.2 64.42 36.95 234.5 103.69 18.81 48.14 216.83 *) 0 1 926.74
2007 953.16 52.49 46.71 41.89 56.96 46.39 73.02 49.08 246.34 113.94 17.96 70.93 246,04 *) 0 2 014.91
2008 968.48 52.75 47.64 38.6 53.6 45.46 60.58 48.01 239.3 109.87 17.11 66.92 289,85 *) 0 2 038.17
Sumber : Survei Sosial Ekonomi Nasional , Modul Konsumsi 1999, 2002 dan 2005 (2003, 2004 dan 2006 hanya mencakup panel 10.000 rumahtangga, sedangkan 2007, 2008 dan 2009 mencakup panel 68.800 rumah tangga) Catatan : *) Termasuk minuman beralkohol
2009 2010 939.99 927.05 39.97 37.05 43.52 45.34 35.72 41.14 51.59 56.2 38.95 38.72 55.94 56.19 39.04 40.91 228.35 233.39 101.73 100.29 15.61 16 58.75 59.18 278.46 273,84*) 0 0 1 927.63 1 925.61
79
Lampiran 2. Permintaan Komoditas Sayuran Kembang Kol, Lettuce Head, dan Tomat Rianto (Beef Tomato) Periode Januari 2009 sampai Periode Desember 2011 Bulan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Kembang Kol 1069 1256 1499 1533 1681 1705 1809 1720 1944 1901 1941 2355 1687 1866 2934 2601 2128 1979
Lettuce Head 2141 2673 2811 2713 3612 3428 2910 3596 3668 4000 3306 4312 3038 3168 4140 4452 2899 1743
Tomat Rianto 1781 2161 2692 1943 1289 1017 1302 1254 1453 1173 1270 1860 1983 1911 2558 2260 1949 478
Bulan 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
Kembang Kol 1703 1211 1855 1516 1436 1137 607 589 982 700 706 875 579 410 354 361 591 409
Lettuce Head 2102 1980 2496 2486 1733 1477 1474 786 1131 1087 818 642 529 531 537 90 167 280
Tomat Rianto 473 456 540 774 332 311 582 304 292 1009 1701 3624 2129 1253 2426 1621 519 530
80
Lampiran 3. Daftar Customer PT Saung Mirwan NO.
BRAND NAME
COMPANY NAME
CUSTOMER PROCESS 1
7 ELEVEN
PT. MODERN PUTRA INDONESIA
2
BAKMI GAJAH MADA
PT. MIE GRIYASEJATI
3
LAWSON
PT. MIDI UTAMA INDONESIA
4
BURGER KING
PT. SARI BURGER INDONESIA
5
DE CREPES
PT. JADDI GLOBAL SEJAHTERA
6
CARL'S BURGER
PT. FORTUNE FOOD INTERNASIONAL
7
KAMIKAZE RESTO
PT. ARBELLA
8
MARCHE RESTAURANTS
9
MC DONALDS
PT. REKSO NASIONAL FOOD
10
MOSS BURGER
PT. MOG INDONESIA
11
PIZZA MARZANO
PT. SARI PIZZA INDONESIA
12
RANCH 99
13
SAN MIGUEL / PURE FOODS INDONESIA
PT. SAN MIGUEL PURE FOODS INDONESIA
14
DOMINO PIZZA
PT. SARI BURGER INDONESIA CUSTOMER RETAIL
15
HYPERMART
16
CARREFOUR
17
FARMERS MARKET
18
RANCH MARKET
19
GRAND LUCKY
81
Lampiran 4. Jumlah Karyawan PT Saung Mirwan Direktur Utama Direktur No
1 2
Divisi 1 Produksi 2 Distribusi 3 Kemitraan 4 Pengadaan 5 Pengemasan 6 Penjualan 7 Acc/Keuangan 8 Umum 9 IT 10 Mekanik Jumlah
Manajer Kabag Kasi Kasubsi Bulanan PKWT/MNJ T. 0 2 1 7 15 0 0 0 1 0 22 0 0 1 0 2 1 0 1 0 1 2 3 0 1 3 0 7 6 0 1 0 1 0 0 1 1 1 3 3 2 0 1 0 2 4 15 0 0 0 1 0 1 0 0 0 1 0 0 0 5 7 11 25 65 1
Harian Harian Tetap Lepas Borongan Total 29 24 60 138 0 0 0 23 0 0 0 4 0 0 0 7 13 0 40 70 0 0 0 3 0 0 0 10 7 8 0 37 0 0 0 2 1 0 0 2 50 32 100 296
82
Lampiran 5. Produk PT Saung Mirwan KODE No SAYURAN KETERANGAN 1 ASG ASPARAGUS PACK 2 BBR BAWANG BOMBAY (G) 3 4 5 6 7 8 9 10 11 12 13
BBY BBY BCL BCM BRC BSL BWP CYS DBW DDL DMN
BAWANG BOMBAY (C) BAWANG BOMBAY PACK (G) BUNCIS LOKAL URA BUNCIS MINI PACK BROCOLLY URA BASIL PACK BAWANG PUTIH PACK CAYSIN PACK DAUN BAWANG (C) DAUN DIL URA DAUN MINT PACK
KODE No SAYURAN KETERANGAN 14 DRS DAUN ROSMERY URA 15 EDA EDAMAME PACK 16 17 18 19 20 21 22 23 24 25 26
HRN JCA JGA JGC JMC JMC JRL KBG KBP KKL KLB
HORINSO JAGUNG ACAR KUPAS JAGUNG MNS KUPAS PACK JAGUNG ACAR JAMUR CHAMP (C) JAMUR CHAMP PACK(G) JERUK LEMON KOL BULAT KOL BULAT PUTIH PANJANG KEMBANG KOL KAILAN BABY
KODE No SAYURAN KETERANGAN 27 KLN KAILAN PACK 28 KLR KOL MERAH PACK 29 30 31 32 33 34 35 36 37 38 39
KRB KPB KPB KPI KPW KPW LLS LLS LTD LTD LTM
KOL MERAH BABY PACK KOL PUTIH BABY KOL PUTIH BABY PACK KAPRI KAPRI MANIS KAPRI TW LOLOROSA LOLOROSA PACK LETUCE HEAD (C) LETUCE HEAD (G) LETTUCE ROMANCE
83
Lanjutan Lampiran 5
No 40 41 42 43 44 45 46 47 48 49 50 51 52
KODE SAYURAN MTS MRG NAS NDV OKA PCB PCH PCP PPH PPH PPK PPR PPR
KETERANGAN MITSHUBA URA DAUN MARJURAN NASUBHI PACK ENDIVE OKRA PACK PAKCOY BABY PACK PAKCOY HIJAU PACK PAKCOY PUTIH PAPRIKA HIJAU (C) PAPRIKA HIJAU PACK (G) PAPRIKA KUNING PACK PAPRIKA MERAH (C) PAPRIKA MERAH PACK (G)
No 53 54 55 56 57 58 59 60 61 62 63 64 65
KODE SAYURAN PRL PSA RDC RKL SDT SLF SLI SLI SLR SLT SST SWP THM
KETERANGAN PETERSELY URA PISANG AMBON RADICIO URA RUKOLA SELEDRISTIK PACK SELADA OAKLEAF SELEDRI CUTTING (C) SELEDRI URA (G) SELADA MERAH SELADA KERITING PACK SISITO PACK SAWI PUTIH DAUN THYME 50GR
No 66 67 68 69 70 71 72 73 74 75 76 77 78
KODE SAYURAN TNM TMC TMT TMW TMW TNJ WRI WRL ZKB ZKB
KETERANGAN TIMUN MINI PACK TOMAT CHERRY PACK TOMAT RIANTO TOMAT TW (C) TOMAT TW URA (G) TIMUN JEPANG WORTEL IMPORT PACK WORTEL PACK ZUKINI BABY ZUKINI BABY PACK
84
Lampiran 6. Struktur Organisasi PT Saung Mirwan STRUKTUR ORGANISASI PT SAUNG MIRWAN PT SAUNG MIRWAN
R&D, IT, QA
BIDANG PRODUKSI
DIVISI KEBUN
BIDANG KOMERSIL
DIVISI PENJUALAN
BIDANG UMUM DIVISI GENERAL AFFAIR (GA)
DIVISI KEMITRAAN
DIVISI PENGADAAN DIVISI HUMAN DIVISI PENGEMASAN
RESOURCES (HR) DIVISI KEUANGAN/AKUNTING DIVISI TEKNIK
85
Lampiran 7. Uji Stasioner Permintaan Kembang Kol
KKOL 3,000
2,500
2,000
1,500
1,000
500 5
10
15
20
25
30
Null Hypothesis: KKOL has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-1.653915 -3.679322 -2.967767 -2.622989
0.4432
*MacKinnon (1996) one-sided p-values. Null Hypothesis: D(KKOL) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-5.241454 -3.699871 -2.976263 -2.627420
0.0002
86
Lanjutan Lampiran 7 Null Hypothesis: D(KKOL,2) has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-4.901836 -3.752946 -2.998064 -2.638752
0.0007
87
Lampiran 8. Uji Stasioneritas Permintaan Lettuce Head
LH 4,500 4,000 3,500 3,000 2,500 2,000 1,500 1,000 500 5
10
15
20
25
30
Null Hypothesis: LH has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-1.106343 -3.679322 -2.967767 -2.622989
0.6995
*MacKinnon (1996) one-sided p-values. Null Hypothesis: D(LH) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-4.921974 -3.699871 -2.976263 -2.627420
0.0005
88
Lanjutan Lampiran 8 Null Hypothesis: D(LH,2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-6.427065 -3.711457 -2.981038 -2.629906
0.0000
89
Lampiran 9. Uji Stasioneritas Permintaan Tomat Beef
TR 4,000 3,500 3,000 2,500 2,000 1,500 1,000 500 0 5
10
15
20
25
30
Null Hypothesis: TR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-1.813444 -3.689194 -2.971853 -2.625121
0.3666
Null Hypothesis: D(TR) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-2.644743 -3.689194 -2.971853 -2.625121
0.0963
90
Lanjutan Lampiran 9 Null Hypothesis: D(TR,2) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-6.759467 -3.699871 -2.976263 -2.627420
0.0000
91
Lampiran 10. Uji Kausalitas Granger Pairwise Granger Causality Tests Date: 02/18/12 Time: 15:52 Sample: 1 30 Lags: 2 Null Hypothesis:
Obs
F-Statistic
Prob.
LH does not Granger Cause KKOL KKOL does not Granger Cause LH
28
3.79253 3.02112
0.0377 0.0684
TR does not Granger Cause KKOL KKOL does not Granger Cause TR
28
1.99773 1.82107
0.1585 0.1844
TR does not Granger Cause LH LH does not Granger Cause TR
28
0.21765 1.29882
0.8060 0.2921
92
Lampiran 11. Uji Lag Optimum VAR Lag Order Selection Criteria Endogenous variables: KKOL LH TR Exogenous variables: C Date: 02/18/12 Time: 15:55 Sample: 1 30 Included observations: 25 Lag
LogL
LR
FPE
AIC
SC
HQ
0 1 2 3 4 5
-590.8071 -557.7490 -548.4960 -540.8992 -533.0136 -520.3176
NA 55.53762* 13.32428 9.116235 7.570129 9.141139
8.58e+16 1.26e+16* 1.29e+16 1.58e+16 2.10e+16 2.27e+16
47.50457 45.57992 45.55968 45.67193 45.76109 45.46541*
47.65083 46.16498* 46.58354 47.13458 47.66254 47.80565
47.54514 45.74219* 45.84366 46.07761 46.28847 46.11449
* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
93
Lampiran 12. Uji Kointegrasi Date: 02/18/12 Time: 15:59 Sample (adjusted): 7 30 Included observations: 24 after adjustments Trend assumption: Linear deterministic trend Series: KKOL LH TR Lags interval (in first differences): 1 to 5 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s)
Eigenvalue
Trace Statistic
None * At most 1 * At most 2 *
0.981953 0.384318 0.237242
114.4954 18.14015 6.499555
0.05 Critical Value Prob.** 29.79707 15.49471 3.841466
Trace test indicates 3 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
0.0000 0.0195 0.0108
94
Lampiran 13. Estimasi VECM Vector Error Correction Estimates Date: 02/18/12 Time: 16:26 Sample (adjusted): 4 30 Included observations: 27 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:
CointEq1
KKOL(-1)
1.000000
LH(-1)
-0.651990 (0.28656) [-2.27523]
TR(-1)
-0.856092 (0.42812) [-1.99967]
C
1155.485
Error Correction:
D(KKOL)
D(LH)
D(TR)
CointEq1
-0.187011 (0.10824) [-1.72773]
-0.052037 (0.20973) [-0.24812]
0.272077 (0.18435) [ 1.47588]
D(KKOL(-1))
-0.364404 (0.23669) [-1.53957]
0.616478 (0.45861) [ 1.34424]
0.031956 (0.40312) [ 0.07927]
D(KKOL(-2))
-0.748899 (0.26124) [-2.86670]
-0.441729 (0.50617) [-0.87268]
-0.055872 (0.44493) [-0.12557]
D(LH(-1))
0.085606 (0.15750) [ 0.54354]
-0.320128 (0.30516) [-1.04904]
0.103434 (0.26824) [ 0.38560]
D(LH(-2))
0.145318 (0.14990) [ 0.96943]
-0.096660 (0.29044) [-0.33280]
-0.233263 (0.25530) [-0.91368]
D(TR(-1))
-0.062207 (0.15819) [-0.39323]
-0.046840 (0.30651) [-0.15281]
0.479591 (0.26943) [ 1.78004]
95
Lanjutan Lampiran 13 D(TR(-2))
0.151829 (0.16472) [ 0.92173]
0.013699 (0.31916) [ 0.04292]
0.383895 (0.28054) [ 1.36840]
C
-25.93351 (66.8518) [-0.38793]
-99.98601 (129.531) [-0.77191]
51.55368 (113.858) [ 0.45279]
0.403185 0.183306 2217868. 341.6575 1.833666 -191.0803 14.74669 15.13064 -23.11111 378.0605
0.256310 -0.017681 8326338. 661.9881 0.935470 -208.9392 16.06957 16.45352 -80.33333 656.2124
0.321205 0.071122 6433309. 581.8894 1.284395 -205.4570 15.81163 16.19558 34.51852 603.7555
R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent
Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion
6.89E+15 2.40E+15 -593.0246 45.92775 47.22359
96
Lampiran 14. Uji Stabilitas Model Roots of Characteristic Polynomial Endogenous variables: KKOL LH TR Exogenous variables: C Lag specification: 1 2 Date: 02/18/12 Time: 16:03 Root 0.979010 0.823481 - 0.280355i 0.823481 + 0.280355i -0.253100 - 0.440467i -0.253100 + 0.440467i 0.195365
Modulus 0.979010 0.869896 0.869896 0.508007 0.508007 0.195365
No root lies outside the unit circle. VAR satisfies the stability condition.
97
Lampiran 15. Impuls Response of Cauliflower (Kembang Kol) Response of TR to Nonfactorized One Unit KKOL Innovation
Response of LH to Nonfactorized One Unit KKOL Innovation
Response of KKOL to Nonfactorized One Unit KKOL Innovation
.8
.6
1.2
.7 1.0
.4
.6
0.8 .2
.5
0.6
.4
.0 0.4
.3 -.2
0.2
.2 -.4
0.0
.1 .0
-.6
-0.2 5
10
15
20
25
30
35
40
45
5
50
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
Periode
KKOL
LH
TR
Periode
KKOL
LH
TR
1
1.000000
0.000000
0.000000
26
0.483722
0.035194
0.539560
2
0.564442
0.304034
27
0.477394
0.045232
0.534491
-0.402806
0.385841
28
0.470903
0.031042
0.521688
4
0.448585 0.036362 0.613061
-0.197359
0.297084
29
0.477521
0.033727
0.511041
5
0.543406
0.424853
0.713255
30
0.473484
0.040572
0.510088
6
0.190562
-0.126800
0.763048
31
0.467482
0.032070
0.507942
7
0.545652
-0.173954
0.633721
32
0.470754
0.031690
0.507296
8
0.590108
0.269906
0.777386
33
0.469548
0.036480
0.512845
9
0.357565
0.007505
0.766734
34
0.466192
0.032176
0.517450
10
0.530324
-0.096120
0.593549
35
0.468785
0.031299
0.520793
11
0.587805
0.175190
0.598494
36
0.469671
0.034852
0.526037
12
0.426298
0.056890
0.568248
37
0.468398
0.033176
0.529368
13
0.492225
-0.049874
0.445281
38
0.470361
0.032443
0.530140
14
0.539036
0.105600
0.441432
39
0.471618
0.034863
0.530976
15
0.434712
0.059578
0.456285
40
0.470917
0.034334
0.530480
16
0.453836
-0.026730
0.416383
41
0.471744
0.033608
0.528326
17
0.494187
0.059319
0.442431
42
0.472348
0.034933
0.526546
18
0.437953
0.050782
0.489740
43
0.471525
0.034703
0.524818
19
0.443708
-0.008402
0.493500
44
0.471456
0.033951
0.522806
20
0.479372
0.038840
0.519926
45
0.471535
0.034515
0.521674
21
0.454764
0.047229
0.555987
46
0.470807
0.034385
0.521260
22
0.456100
0.010432
0.556346
47
0.470537
0.033781
0.521037
23
0.482611
0.034976
0.558675
48
0.470602
0.034019
0.521440
24
0.472067
0.047285
0.566799
49
0.470276
0.034033
0.522280
25
0.468752
0.024703
0.553349
50
0.470210
0.033692
0.523032
3
98
Lampiran 16. Impuls Response of Lettuce Head Response of TR to Nonfactorized One Unit LH Innovation
Response of KKOL to Nonfactorized One Unit LH Innovation
Response of LH to Nonfactorized One Unit LH Innovation 1.00
.30
0.95
.25
.0 -.1 -.2
0.90
.20
-.3
0.85
.15
-.4
0.80
-.5
.10 0.75
-.6 .05
0.70
-.7
0.65
.00
0.60
-.05 5
10
15
20
25
30
35
40
Periode
KKOL
1
0.000000
2
0.207535
3
0.293708
4
45
-.8 -.9 5
50
LH
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
TR
Periode
KKOL
LH
TR
1.000000
0.000000
26
0.037845
0.716716
-0.505411
0.713800
-0.073958
27
0.040661
0.713211
-0.492028
0.850288
-0.418591
28
0.044855
0.718232
-0.479030
0.068920
0.805755
-0.513654
29
0.044855
0.718573
-0.469973
5
0.059030
0.630776
-0.744531
30
0.047868
0.716989
-0.467807
6
0.156128
0.778968
-0.809634
31
0.051499
0.720338
-0.468639
7
0.020567
0.794792
-0.776812
32
0.051528
0.721277
-0.472157
8
-0.023092
0.637800
-0.783208
33
0.052174
0.719976
-0.479002
9
0.045276
0.708194
-0.724421
34
0.053176
0.721334
-0.485922
10
-0.006454
0.748825
-0.594732
35
0.051857
0.721646
-0.491737
11
-0.026943
0.660902
-0.523722
36
0.050688
0.720216
-0.496933
12
0.034689
0.694284
-0.458797
37
0.050243
0.720329
-0.500063
13
0.029112
0.738385
-0.380181
38
0.048862
0.720296
-0.500797
14
0.022302
0.694185
-0.358910
39
0.047793
0.719218
-0.500233
15
0.065208
0.708820
-0.366770
40
0.047643
0.719111
-0.498369
16
0.068733
0.742842
-0.371366
41
0.047285
0.719266
-0.495484
17
0.057713
0.718947
-0.405340
42
0.047160
0.718832
-0.492663
18
0.075376
0.719817
-0.451775
43
0.047674
0.718931
-0.490199
19
0.072867
0.739688
-0.482196
44
0.048064
0.719310
-0.488182
20
0.056587
0.724505
-0.512901
45
0.048391
0.719287
-0.487083
21
0.058919
0.718326
-0.539550
46
0.048942
0.719451
-0.486860
22
0.054707
0.728497
-0.545952
47
0.049284
0.719774
-0.487218
23
0.042009
0.719694
-0.544204
48
0.049396
0.719792
-0.488117
24
0.042204
0.713380
-0.538758
49
0.049529
0.719816
-0.489326
25
0.042584
0.719757
-0.522935
50
0.049504
0.719929
-0.490493
99
Lampiran 17. Impuls Response of Beef Tomato Response of LH to Nonfactorized One Unit TR Innovation
Response of KKOL to Nonfactorized One Unit TR Innovation
Response of TR to Nonfactorized One Unit TR Innovation
.30
.6
1.6
.25 .5 1.2
.20 .4
.15
0.8
.3
.10 0.4
.2 0.0
-0.4 5
10
15
20
25
30
35
40
45
50
.05
.1
.00
.0
-.05 5
10
15
20
25
30
35
40
45
5
50
10
15
20
25
30
35
40
45
50
Periode
KKOL
LH
TR
Periode
KKOL
LH
TR
1
0.000000
0.000000
1.000000
26
0.338744
0.167683
0.180406
2
0.097891
-0.002291
1.246669
27
0.329339
0.160817
0.176050
3
0.379511
0.111300
1.488418
28
0.324205
0.158942
0.186844
4
0.416272
0.247918
1.451693
29
0.319291
0.157475
0.208611
5
0.443958
0.147918
1.231108
30
0.317702
0.154514
0.233956
6
0.557886
0.214143
0.875636
31
0.320105
0.155038
0.259263
7
0.537363
0.291485
0.562589
32
0.322856
0.156654
0.281243
8
0.466386
0.214130
0.224978
33
0.326493
0.157082
0.296043
9
0.460617
0.201270
-0.047773
34
0.331286
0.158951
0.303220
10
0.399992
0.229542
-0.186947
35
0.334810
0.161188
0.303699
11
0.317457
0.168337
-0.242438
36
0.337122
0.161998
0.298086
12
0.296469
0.140181
-0.221675
37
0.338887
0.162893
0.288572
13
0.271065
0.156350
-0.110286
38
0.339132
0.163711
0.277778
14
0.240272
0.128859
0.031411
39
0.338160
0.163391
0.267262
15
0.254419
0.116492
0.171147
40
0.336908
0.162904
0.258576
16
0.274117
0.139166
0.308559
41
0.335203
0.162526
0.252951
17
0.284261
0.138678
0.411197
42
0.333317
0.161680
0.250461
18
0.313125
0.139501
0.464021
43
0.331932
0.160916
0.250812
19
0.340047
0.160639
0.481678
44
0.330961
0.160531
0.253550
20
0.350582
0.166750
0.463497
45
0.330364
0.160137
0.257695
21
0.362962
0.166508
0.413936
46
0.330377
0.159926
0.262273
22
0.370446
0.176247
0.354345
47
0.330794
0.160064
0.266593
23
0.364370
0.176899
0.294341
48
0.331375
0.160245
0.270009
24
0.357687
0.170845
0.239067
49
0.332126
0.160469
0.272130
25
0.350791
0.170884
0.200199
50
0.332872
0.160818
0.272945
100
Lampiran 18. FEVD of Kembang Kol, Lettuce Head, Beef Tomato Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
S.E. 341.6575 451.4978 553.6858 688.0647 795.1580 892.8179 992.4601 1067.385 1124.281 1176.910 1218.398 1250.626 1283.057 1314.022 1342.955 1374.701 1408.267 1442.108 1478.121 1515.133 1551.301 1587.158 1622.078 1655.013 1686.486 1716.694 1745.410 1773.186 1800.445 1827.178 1853.685 1880.202 1906.632 1932.997 1959.322 1985.446 2011.284 2036.812 2061.937 2086.624 2110.909 2134.797 2158.315 2181.531 2204.483 2227.201 2249.728 2272.080 2294.261 2316.276
KKOL 100.0000 94.56118 78.70310 76.05349 73.44585 67.84908 65.86650 65.13799 63.94031 63.87507 64.37417 64.63337 65.16544 65.86429 66.30653 66.72429 67.15488 67.35291 67.44475 67.53100 67.50892 67.45164 67.44338 67.43519 67.44323 67.50298 67.57911 67.66171 67.76301 67.86186 67.94743 68.02755 68.09470 68.14456 68.18555 68.21856 68.24354 68.26702 68.29114 68.31538 68.34222 68.37191 68.40261 68.43423 68.46616 68.49676 68.52563 68.55267 68.57730 68.59973
LH 0.000000 4.140301 7.455907 4.873497 3.661856 3.207408 2.611990 2.336716 2.106484 1.949718 1.863172 1.769308 1.681308 1.603009 1.556062 1.507158 1.447427 1.403383 1.353492 1.294119 1.240717 1.189257 1.139332 1.095259 1.055714 1.019305 0.986929 0.957971 0.930944 0.906335 0.883864 0.862222 0.841597 0.821978 0.802722 0.784033 0.766127 0.748821 0.732239 0.716527 0.701579 0.687385 0.673977 0.661247 0.649119 0.637571 0.626512 0.615869 0.605621 0.595721
TR 0.000000 1.298517 13.84099 19.07301 22.89229 28.94351 31.52151 32.52529 33.95321 34.17521 33.76265 33.59732 33.15325 32.53270 32.13740 31.76855 31.39769 31.24371 31.20176 31.17488 31.25037 31.35910 31.41729 31.46955 31.50105 31.47772 31.43396 31.38032 31.30605 31.23180 31.16870 31.11023 31.06370 31.03346 31.01173 30.99740 30.99033 30.98416 30.97663 30.96810 30.95620 30.94070 30.92341 30.90452 30.88472 30.86567 30.84786 30.83146 30.81708 30.80455
101
Lanjutan Lampiran 18 Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
S.E. 341.6575 451.4978 553.6858 688.0647 795.1580 892.8179 992.4601 1067.385 1124.281 1176.910 1218.398 1250.626 1283.057 1314.022 1342.955 1374.701 1408.267 1442.108 1478.121 1515.133 1551.301 1587.158 1622.078 1655.013 1686.486 1716.694 1745.410 1773.186 1800.445 1827.178 1853.685 1880.202 1906.632 1932.997 1959.322 1985.446 2011.284 2036.812 2061.937 2086.624 2110.909 2134.797 2158.315 2181.531 2204.483 2227.201 2249.728 2272.080 2294.261 2316.276
KKOL 51.26589 61.08818 55.39313 53.98373 57.50574 56.62264 55.77663 57.18020 57.17391 56.79478 57.36756 57.43661 57.19003 57.38098 57.40950 57.23990 57.29513 57.32633 57.24388 57.27329 57.31730 57.29450 57.31910 57.35982 57.35967 57.37452 57.39990 57.40101 57.40488 57.41637 57.41571 57.41530 57.42130 57.42249 57.42362 57.42933 57.43327 57.43658 57.44229 57.44699 57.45056 57.45499 57.45868 57.46132 57.46421 57.46677 57.46870 57.47083 57.47295 57.47482
LH 48.73411 38.91165 44.28653 44.51373 40.91660 41.37731 41.45014 39.87019 39.75486 39.93224 39.38837 39.39497 39.67739 39.57394 39.63791 39.85866 39.85366 39.86546 39.95598 39.92615 39.88119 39.88818 39.84848 39.80135 39.79480 39.77781 39.75809 39.76404 39.76854 39.76793 39.77834 39.78664 39.78784 39.79177 39.79362 39.79005 39.78732 39.78446 39.77940 39.77563 39.77320 39.77048 39.76894 39.76864 39.76827 39.76827 39.76873 39.76880 39.76865 39.76847
TR 0.000000 0.000175 0.320344 1.502540 1.577661 2.000051 2.773233 2.949614 3.071228 3.272979 3.244069 3.168413 3.132579 3.045088 2.952589 2.901444 2.851208 2.808213 2.800140 2.800567 2.801509 2.817315 2.832421 2.838832 2.845523 2.847671 2.842009 2.834952 2.826579 2.815691 2.805953 2.798058 2.790868 2.785738 2.782766 2.780622 2.779410 2.778963 2.778311 2.777380 2.776239 2.774534 2.772377 2.770044 2.767522 2.764955 2.762568 2.760374 2.758398 2.756709
102
Lanjutan Lampiran 18 Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
S.E. 341.6575 451.4978 553.6858 688.0647 795.1580 892.8179 992.4601 1067.385 1124.281 1176.910 1218.398 1250.626 1283.057 1314.022 1342.955 1374.701 1408.267 1442.108 1478.121 1515.133 1551.301 1587.158 1622.078 1655.013 1686.486 1716.694 1745.410 1773.186 1800.445 1827.178 1853.685 1880.202 1906.632 1932.997 1959.322 1985.446 2011.284 2036.812 2061.937 2086.624 2110.909 2134.797 2158.315 2181.531 2204.483 2227.201 2249.728 2272.080 2294.261 2316.276
KKOL 17.91580 22.03350 17.34239 14.09856 12.48287 11.30848 10.58624 10.22169 10.12979 10.27629 10.33513 10.32999 10.31475 10.24849 10.16621 10.06129 9.933573 9.779471 9.587545 9.381552 9.179024 8.990876 8.826513 8.685524 8.565468 8.459438 8.360333 8.265066 8.170683 8.075448 7.978774 7.880298 7.780313 7.679362 7.578501 7.479111 7.382344 7.289075 7.199719 7.114243 7.032308 6.953374 6.876878 6.802321 6.729295 6.657515 6.586808 6.517110 6.448437 6.380861
LH 0.502847 0.985610 4.395018 6.763862 10.56494 14.30670 17.40565 20.33363 22.54229 23.77956 24.62685 25.25817 25.74278 26.23295 26.72028 27.12366 27.50406 27.94750 28.45463 29.06995 29.80963 30.60076 31.40362 32.19546 32.93355 33.60964 34.23502 34.80827 35.33575 35.83100 36.29891 36.74621 37.18516 37.62211 38.06032 38.50350 38.95007 39.39549 39.83660 40.26946 40.69020 41.09734 41.49022 41.86853 42.23338 42.58638 42.92900 43.26308 43.59037 43.91198
TR 81.58136 76.98089 78.26260 79.13757 76.95218 74.38482 72.00811 69.44468 67.32792 65.94414 65.03802 64.41184 63.94247 63.51855 63.11351 62.81505 62.56237 62.27303 61.95782 61.54850 61.01135 60.40837 59.76987 59.11902 58.50098 57.93092 57.40465 56.92666 56.49356 56.09355 55.72232 55.37349 55.03453 54.69853 54.36118 54.01739 53.66758 53.31544 52.96368 52.61629 52.27749 51.94928 51.63291 51.32915 51.03732 50.75610 50.48419 50.21980 49.96119 49.70716
103
Lampiran 19. Regresi Model Minitab 1. Kembang Kol The regression equation is KKOL = 158 + 0,465 LAGKOL - 0,099 LAGLH + 0,327 LH + 0,062 LAGTR + 0,0185 TR
29 cases used, 1 cases contain missing values
Predictor Constant LAGKOL LAGLH LH LAGTR TR
Coef 158,2 0,4649 -0,0991 0,32670 0,0619 0,01847
S = 274,003
SE Coef 170,3 0,1772 0,1233 0,08451 0,1316 0,09799
R-Sq = 81,6%
T 0,93 2,62 -0,80 3,87 0,47 0,19
P 0,362 0,015 0,430 0,001 0,643 0,852
R-Sq(adj) = 77,6%
Analysis of Variance Source Regression Residual Error Total
Source LAGKOL LAGLH LH LAGTR TR
DF 1 1 1 1 1
DF 5 23 28
SS 7649483 1726787 9376269
MS 1529897 75078
F 20,38
P 0,000
Seq SS 5904671 417044 1263126 61974 2667
Unusual Observations Obs LAGKOL KKOL Fit SE Fit 15 1866 2934,0 2229,6 2,87R 18 2128 1979,0 1558,9 2,03R
Residual 121,1 179,9
420,1
R denotes residual.
large
standardized
an
observation
with
a
St Resid 704,4
104
Lanjutan Lampiran 19 2. Lettuce Head The regression equation is LH = - 155 - 0,471 LAGKOL + 1,21 KKOL + 0,612 LAGLH 0,156 LAGTR + 0,122 TR
29 cases used, 1 cases contain missing values
Predictor Constant LAGKOL KKOL LAGLH LAGTR TR
Coef -154,6 -0,4715 1,2055 0,6121 -0,1561 0,1223
S = 526,339
SE Coef 331,6 0,3753 0,3118 0,2035 0,2518 0,1866
R-Sq = 81,9%
T -0,47 -1,26 3,87 3,01 -0,62 0,66
P 0,645 0,222 0,001 0,006 0,541 0,519
R-Sq(adj) = 78,0%
Analysis of Variance Source Regression Residual Error Total
Source LAGKOL KKOL LAGLH LAGTR TR
DF 1 1 1 1 1
DF 5 23 28
SS 28824634 6371753 35196387
MS 5764927 277033
F 20,81
P 0,000
Seq SS 17745595 8310733 2637383 12030 118894
Unusual Observations Obs LAGKOL 18 2128 2,43R R denotes residual.
an
LH 1743,0
Fit SE Fit Residual St Resid 2756,3 321,1 -1013,3 -
observation
with
a
large
standardized
105
Lanjutan Lampiran 19 3. Tomat Beef The regression equation is TR = 681 + 0,988 LAGTR + 0,150 LH - 0,177 LAGLH + 0,084 KKOL - 0,413 LAGKOL
29 cases used, 1 cases contain missing values
Predictor Constant LAGTR LH LAGLH KKOL LAGKOL
Coef 680,7 0,9885 0,1498 -0,1769 0,0835 -0,4129
S = 582,629
SE Coef 340,4 0,1911 0,2287 0,2633 0,4430 0,4207
R-Sq = 61,4%
T 2,00 5,17 0,66 -0,67 0,19 -0,98
P 0,057 0,000 0,519 0,508 0,852 0,337
R-Sq(adj) = 53,1%
Analysis of Variance Source Regression Residual Error Total
Source LAGTR LH LAGLH KKOL LAGKOL
DF 1 1 1 1 1
DF 5 23 28
SS 12443943 7807500 20251443
MS 2488789 339457
F 7,33
P 0,000
Seq SS 10796289 127299 1157531 35869 326956
Unusual Observations Obs 18 30
LAGTR 1949 1701
R denotes residual.
TR 478 3624 an
Fit 1642 2095
SE Fit 349 322
observation
Residual -1164 1529
with
a
St Resid -2,50R 3,15R
large
standardized
106
Lampiran 20. Hasil Ramalan Komoditas Kembang Kol dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition Pemulusan eksponensial Winters Nilai Nilai Forecast Persamaan 756 217 1295 593 -1 1187 723 63 1383 596 -138 1331 536 -279 1351 491 -409 1390 279 -708 1267 263 -815 1341 327 -843 1498 234 -1030 1498 170 -1189 1529 122 -1333 1576
Nilai Aktual 579 410 354 361 591 409
Analisis Tren Nilai Forecast 1123 1095 1066 1038 1009 981 952 924 896 867 839 810
Nilai Aktual 579 410 354 361 591 409
Time series Decomposition Nilai Nilai Forecast Aktual 1031 579 844 410 1088 354 969 361 960 591 944 409 701 759 1165 1006 807 749
107
Lampiran 21. Hasil Ramalan Komoditas Lettuce Head dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition Pemulusan eksponensial Winters Nilai Persamaan 629 592 539 427 218 118 -10 -106 -256 -388 -451 -445
Nilai Forecast -398 1656 -540 1724 -719 1797 -973 1827 -1335 1771 -1597 1832 -1892 1872 -2160 1945 -2486 1975 -2797 2021 -3041 2139 -3218 2328
Nilai Aktual 529 531 537 90 167 280
Time series Decomposition Nilai Nilai Nilai Nilai Forecast Aktual Forecast Aktual 1222 529 976 529 1136 531 1003 531 1045 537 1073 537 963 90 1065 90 877 167 768 167 791 280 764 280 704 547 618 502 532 564 445 498 359 250 273 104 Analisis Tren
108
Lampiran 22. Hasil Ramalan Komoditas Tomat Beef dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition Pemulusan eksponensial Winters Nilai Persamaan 1521 1536 1885 1969 1589 2217 3128 3141 4242 4689 4412 4246
Nilai Forecast 457 2585 363 2708 582 3188 519 3419 -19 3198 441 3992 1179 5077 1013 5269 1932 6552 2194 7184 1729 7095 1374 7118
Nilai Aktual 2129 1253 2426 1621 519 530
Analisis Tren Nilai Forecast 878 847 816 785 754 723 692 661 630 599 568 537
Nilai Aktual 2129 1253 2426 1621 519 530
Time series Decomposition Nilai Nilai Forecast Aktual 974 2129 982 1253 1243 2426 1491 1621 1047 519 1241 530 2000 2019 2843 2617 2357 628
