ANALISIS PERAMALAN PERMINTAAN SAYURAN … · data untuk peramalan produk yang dilihat hubungannya...

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

(Dr. Ir. Muhammad Syamsun, M.Sc)

NIP : 19500727197412 1001

Dosen Pembimbing II

(Alim Setiawan S, S.TP, M.Si)

NIP : 19820227200912 1001

Mengetahui :

Ketua Departemen,

(Dr. Ir. Jono M. Munandar, M.Sc)

NIP : 19610123198601 1002

Tanggal Lulus :

iv

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.

v

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 seminar-

seminar yang diadakan di kampus untuk menambah pengetahuan dan

pengalaman.

vi

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

vii

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,

viii

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.

ix

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 1.2 Perumusan Masalah ........................................................... 4 1.3 Tujuan Penelitian ............................................................... 5 1.4 Manfaat Penelitian ............................................................. 5 1.5 Ruang Lingkup Penelitian ................................................. 6

II. TINJAUAN PUSTAKA ........................................................ 7

2.1 Sayuran .............................................................................. 7 2.2 Definisi Peramalan............................................................. 8

2.2.1 Jenis-jenis Peramalan .............................................. 8 2.2.2 Peramalan Time Series (Runtut Waktu) .................. 9

2.3 Teori Pemasaran ................................................................ 10 2.4 Peramalan Penjualan .......................................................... 11 2.5 Kestasioneran Data ............................................................ 13 2.6 Model Vector Autoregression (VAR) ................................ 13 2.7 Vector Error Correction Model (VECM) ......................... 14 2.8 Penelitian Terdahulu .......................................................... 14

III. METODE PENELITIAN ...................................................... 16

3.1 Kerangka Pemikiran Penelitian ......................................... 16 3.2 Lokasi dan Waktu Penelitian ............................................. 19 3.3 Pengumpulan Data ............................................................. 19

3.3.1 Jenis Data dan Informasi ......................................... 19 3.3.2 Sumber Data dan Informasi ..................................... 19

3.4 Pengolahan dan Analisis Data ........................................... 20 3.5 Uji Stasioneritas Data ........................................................ 21 3.6 Uji Kausalitas Granger ...................................................... 23

3.7 Model Vector Autoregression (VAR) ................................ 23 3.8 Kointegrasi ......................................................................... 25 3.9 Impuls Respons Function and Forecast Error Variance

x

Decomposition (Fungsi Respon Impuls dan Dekomposisi Ragam) ............................................................................ 27

3.10 Penentuan Ordo VAR ...................................................... 28 3.11 Uji Stabilitas Model ......................................................... 28 3.12 Vector Error Correction Model (VECM)........................ 29

IV. HASIL DAN PEMBAHASAN .................................................. 32

4.1 Gambaran Umum Perusahaan ............................................ 32 4.1.1 Sejarah Singkat PT Saung Mirwan ........................... 32 4.1.2 Letak Geografis ........................................................ 33 4.1.3 Profil PT Saung Mirwan ........................................... 34 4.1.4 Hasil Produksi .......................................................... 35 4.1.5 Struktur Organisasi dan Ketenagakerjaan ................ 38 4.1.6 Pola Kemitraan ......................................................... 42 4.1.7 Pemasaran ................................................................. 44 4.1.8 Pelayanan Terhadap Pelanggan ................................ 46

4.2 Hasil Analisis ...................................................................... 46 4.2.1 Uji Stasioneritas ........................................................ 46 4.2.2 Uji Kausalitas Granger ............................................. 48 4.2.3 Uji Lag Optimum ..................................................... 49 4.2.4 Uji Kointegrasi ......................................................... 50 4.2.5 Estimasi VECM (Vector Error Correction Model) .. 51 4.2.6 Uji Stabilitas Model .................................................. 52 4.2.7 Impuls Response Function (IRF) .............................. 53 4.2.8 Forecast Error Variance Decomposition (FEVD) ... 60 4.2.9 Implikasi Manajerial ................................................. 72

KESIMPULAN DAN SARAN ........................................................ 73

1. Kesimpulan ........................................................................... 73 2. Saran .................................................................................... 74

DAFTAR PUSTAKA ...................................................................... 75

LAMPIRAN ..................................................................................... 77

xi

DAFTAR TABEL

No Halaman

1. Hasil Uji Stasioneritas pada Level .............................................. 47 2. Hasil Uji Stasioneritas First Difference ...................................... 48 3. Hasil Uji Stasioneritas Second Difference .................................. 48 4. Hasil Uji Kausalitas Granger ...................................................... 49 5. Hasil Uji Lag Optimum .............................................................. 50 6. Hasil Uji Kointegrasi .................................................................. 51 7. Hasil Estimasi VECM ................................................................. 52 8. Hasil Uji Stabilitas Model ........................................................... 53 9. Hasil Peramalan Kembang Kol ................................................... 61 10. Hasil Peramalan Lettuce Head .................................................... 64 11. Hasil Peramalan Tomat Beef ...................................................... 68

xii

DAFTAR GAMBAR

No Halaman

1. Grafik Permintaan Lettuce Head, Tomat Rianto (Beef Tomato), dan Kembang kol ........................................................................ 4

2. Kerangka Pemikiran penelitian ................................................... 18 3. Impuls Response of Kembang kol ............................................... 53 4. Impuls Response of Lettuce head ................................................ 56 5. Impuls Response of Beef Tomato ................................................ 58 6. Nilai Aktual dan Nilai Forecast Kembang kol ............................ 62 7. Variance Decomposition of Cauliflower (Kembang kol) ........... 63 8. Nilai Aktual dan Nilai Forecast Lettuce head ............................. 65 9. Variance Decomposition of Lettuce Head .................................. 66 10. Nilai Aktual dan Nilai Forecast Tomat beef ............................... 69 11. Variance Decomposition of Beef Tomato ................................... 70

xiii

DAFTAR LAMPIRAN

No Halaman

1. Rata-rata Konsumsi Kalori (KKal) per Kapita Sehari Menurut Kelompok Makanan .................................................................... 78

2. Permintaan Komoditas Sayuran Kembang Kol, Lettuce Head, dan Tomat Rianto (Beef Tomato) ................................................ 79

3. Daftar Customer PT Saung Mirwan ........................................... 80 4. Jumlah Karyawan PT Saung Mirwan ......................................... 81 5. Produk PT Saung Mirwan ........................................................... 82 6. Struktur Organisasi PT Saung Mirwan ....................................... 84 7. Uji Stasioneritas Permintaan Kembang Kol ............................... 85 8. Uji Stasioneritas Permintaan Lettuce Head ................................ 87 9. Uji Stasioneritas Permintaan Tomat Beef ................................... 89 10. Uji Kausalitas Granger ................................................................ 91 11. Uji Lag Optimum ........................................................................ 92 12. Uji Kointegrasi ............................................................................ 93 13. Estimasi VECM .......................................................................... 94 14. Uji Stabilitas Model .................................................................... 96 15. Impuls Response of Cauliflower (Kembang Kol) ........................ 97 16. Impuls Response of Lettuce Head ............................................... 98 17. Impuls Response of Beef Tomato ................................................ 99 18. FEVD of Kembang Kol, Lettuce Head, Beef Tomato ................ 100 19. Regresi Model Minitab ............................................................... 103 20. Hasil Ramalan Komoditas Kembang Kol ................................... 106 21. Hasil Ramalan Komoditas Lettuce Head .................................... 107 22. Hasil Ramalan Komoditas Tomat Beef ...................................... 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, obat-

obatan, 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 sayur-

sayuran 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 teknik-

teknik 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 rata-

rata 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 peubah-

peubah 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

Gambar 2. Kerangka pemikiran penelitian

PT Saung Mirwan

Melihat hubungan antar komoditas sayuran dan diperlukan

peramalan penjualan untuk menyusun perencanaan yang lebih

tepat dan akurat

Visi, misi, dan tujuan

Eksplorasi data penjualan

sayuran 2009-2011

Hasil analisis

Implikasi manajerial

Uji Kestasioneran

Stasioner Pembedaan

Ya

Tidak

Pemilihan Ordo

Uji Kointegrasi (dilakukan jika sudah stasioner untuk data yang tidak stasioner)

Johansen Engle-Granger

r ≤ 0

VAR VECM

r > 0

Impuls Respon Function (IRF) dan

Forecast Error Variance Decomposition (FEVD)

Uji kestabilan model

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 rata-

ratanya. Jadi, dapat disimpulkan bahwa data yang stasioner akan cenderung

untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-

ratanya (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 akar-

akar 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 variabel-

variabel 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 periode-

periode sebelumnya (Enders, 2004). Untuk suatu sistem sederhana dengan

dua peubah, model simultan yang dibentuk (Enders, 2004) adalah sebagai

berikut:

..............................................(2)

..............................................(3)

dengan asumsi: (a) dan stasioner; (b) dan adalah galat dengan

simpangan baku dan ; dan (c) dan 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, = matriks parameter berukuran nxn untuk i

= 1, 2, ..., p, = 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 07.30-

12.00 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 aturan-

aturan 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 Test Critical Value 5%

t-statistic Probability

KKOL -2.967.767 -1.653.915 0.4432 LH -2.967.767 -1.106.343 0.6995 TR -2.971.853 -1.813.444 0.3666 Keterangan:

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 Test Critical Value

5% t-statistic Probability

KKOL -2.976.263 -5.241.454 0.0005 LH -2.976.263 -4.921.974 0.0002 TR -2.971.853 -2.644.743 0.0963 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 Test Critical Value

5% t-statistic Probability

TR -2.976.263 -6.759.467 0.0000 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 Hypothesis:

F-Statistic Probability Hasil Pengujian

Hubungan Kasusalitas

LH does not Granger Cause KKOL

3.79253 0.0377 Ada hubungan

Hubungan satu arah

dari lettuce head ke

kembang kol KKOL does not Granger Cause LH

3.02112 0.0684 Tidak ada hubungan

TR does not Granger Cause KKOL


Tidak terjadi hubungan kausalitas

KKOL does not Granger Cause TR


TR does not Granger Cause LH


Tidak terjadi hubungan kausalitas

LH does not 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

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 variabel-

variabel atau peubah deret waktu yang diteliti dan hanya memberikan

Lag LogL LR FPE AIC SC HQ 0 -5.908.071 NA 8.58e+16 47.50457 47.65083 47.54514 1 -5.577.490 55.53762* 1.26e+16* 45.57992 46.16498* 45.74219* 2 -5.484.960 13.32428 1.29e+16 45.55968 46.58354 45.84366 3 -5.408.992 9.116235 1.58e+16 45.67193 47.13458 46.07761 4 -5.330.136 7.570129 2.10e+16 45.76109 47.66254 46.28847 5 -5.203.176 9.141139 2.27e+16 45.46541* 47.80565 46.11449

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.** No. of CE(s) Statistic Critical Value

None * 0.981953 114.4954 29.79707 0.0000 At most 1 * 0.384318 18.14015 15.49471 0.0195 At most 2 * 0.237242 6.499555 3.841466 0.0108

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

1.000000 -0.651990 -0.856092 [-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 0.823481 - 0.280355i 0.869896 0.823481 + 0.280355i 0.869896 -0.253100 - 0.440467i 0.508007 -0.253100 + 0.440467i 0.508007 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.

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit KKOL Innovation

-.6

-.4

-.2

.0

.2

.4

.6

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit KKOL Innovation

.0

.1

.2

.3

.4

.5

.6

.7

.8

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit KKOL Innovation

(a) (b) (c)

Gambar 3. Impuls Response of Kembang Kol

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

0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1.00

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit LH Innovation

-.05

.00

.05

.10

.15

.20

.25

.30

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit LH Innovation

-.9

-.8

-.7

-.6

-.5

-.4

-.3

-.2

-.1

.0

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit LH Innovation

(a) (b) (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

-0.4

0.0

0.4

0.8

1.2

1.6

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit TR Innovation

.0

.1

.2

.3

.4

.5

.6

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit TR Innovation

-.05

.00

.05

.10

.15

.20

.25

.30

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit TR Innovation

(a) (b) (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 masing-

masing 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 Forecast SE

Nilai Persamaan

Nilai Forecast

Nilai Aktual

Keakuratan

31 ±342 1044 702 1386 579 tidak akurat 32 ±451 1147 696 1598 410 tidak akurat 33 ±554 1195 641 1749 354 tidak akurat 34 ±688 1222 534 1910 361 tidak akurat 35 ±795 1263 468 2058 591 Akurat 36 ±893 1323 430 2216 409 tidak akurat 37 ±992 1399 407 2391 38 ±1067 1481 414 2548 39 ±1124 1566 442 2690 40 ±1177 1650 473 2827 41 ±1218 1732 514 2950 42 ±1251 1811 560 3062

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


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 SE

Nilai Persamaan

Nilai Forecast

Nilai Aktual

Keakuratan

31 ±342 682 340 1024 529 Akurat 32 ±451 797 346 1248 531 Akurat 33 ±554 928 374 1482 537 Akurat 34 ±688 1064 376 1752 90 tidak akurat 35 ±795 1223 428 2018 167 tidak akurat 36 ±893 1371 478 2264 280 tidak akurat 37 ±992 1525 533 2517 38 ±1067 1681 614 2748 39 ±1124 1842 718 2966 40 ±1177 2005 828 3182 41 ±1218 2169 951 3387 42 ±1251 2333 1082 3584

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


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 SE

Nilai Persamaan

Nilai Forecast

Nilai Aktual

Keakuratan

31 ±342 3976 3634 4318 2129 tidak akurat 32 ±451 4273 3822 4724 1253 tidak akurat 33 ±554 4528 3974 5082 2426 tidak akurat 34 ±688 4759 4071 5447 1621 tidak akurat 35 ±795 4979 4184 5774 519 tidak akurat 36 ±893 5179 4286 6072 530 tidak akurat 37 ±992 5355 4363 6347 38 ±1067 5501 4434 6568 39 ±1124 5615 4491 6739 40 ±1177 5695 4518 6872 41 ±1218 5742 4524 6960 42 ±1251 5757 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=05&notab=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.

http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=05&notab=5

http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=05&notab=5

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. Komoditi 1999 2002 2003 2004 2005 2006 2007 2008 2009 2010 1 Padi-padian 1 066,50 1 039,91 1 035,07 1 024,08 1 009.13 992.93 953.16 968.48 939.99 927.05 2 Umbi-umbian 60.73 55.43 55.62 66.91 56.01 51.08 52.49 52.75 39.97 37.05 3 Ikan 36.04 42.53 46.91 45.05 47.59 44.56 46.71 47.64 43.52 45.34 4 Daging 20.07 35.01 41.71 39.73 41.45 31.27 41.89 38.6 35.72 41.14 5 Telur dan susu 24.39 39.63 37.83 40.47 47.17 43.35 56.96 53.6 51.59 56.2 6 Sayur-sayuran 32.28 37.44 40.95 38.8 38.72 40.2 46.39 45.46 38.95 38.72 7 Kacang-kacangan 52.4 71.66 63.93 62.24 69.97 64.42 73.02 60.58 55.94 56.19 8 Buah-buahan 32.71 40.75 42.75 41.61 39.85 36.95 49.08 48.01 39.04 40.91 9 Minyak dan lemak 205.9 246.66 241.7 236.67 241.87 234.5 246.34 239.3 228.35 233.39 10 Bahan minuman 103.35 120 115.54 114.75 110.73 103.69 113.94 109.87 101.73 100.29 11 Bumbu-bumbuan 15.42 18.28 15.89 16.41 19.25 18.81 17.96 17.11 15.61 16 12 Konsumsi lainnya 28.76 41.66 39.6 40.16 52.84 48.14 70.93 66.92 58.75 59.18 13 Makanan jadi 170.78 198.09 212.31 219.09 233.08 *) 216.83 *) 246,04 *) 289,85 *) 278.46 273,84*) 14 Minuman beralkohol 0.04 0.09 0.09 0.09 - - - - - - 15 Tembakau dan sirih 0 0 0 0 0 0 0 0 0 0

JUMLAH 1 849,36 1 987,13 1 989,89 1 986,06 2 007.65 1 926.74 2 014.91 2 038.17 1 927.63 1 925.61 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

79

Lampiran 2. Permintaan Komoditas Sayuran Kembang Kol, Lettuce Head, dan Tomat Rianto (Beef Tomato) Periode Januari 2009 sampai Periode Desember 2011

Bulan Kembang

Kol Lettuce

Head Tomat Rianto

Bulan Kembang

Kol Lettuce

Head Tomat Rianto

1 1069 2141 1781 19 1703 2102 473 2 1256 2673 2161 20 1211 1980 456 3 1499 2811 2692 21 1855 2496 540 4 1533 2713 1943 22 1516 2486 774 5 1681 3612 1289 23 1436 1733 332 6 1705 3428 1017 24 1137 1477 311 7 1809 2910 1302 25 607 1474 582 8 1720 3596 1254 26 589 786 304 9 1944 3668 1453 27 982 1131 292

10 1901 4000 1173 28 700 1087 1009 11 1941 3306 1270 29 706 818 1701 12 2355 4312 1860 30 875 642 3624 13 1687 3038 1983 31 579 529 2129 14 1866 3168 1911 32 410 531 1253 15 2934 4140 2558 33 354 537 2426 16 2601 4452 2260 34 361 90 1621 17 2128 2899 1949 35 591 167 519 18 1979 1743 478 36 409 280 530

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 1

Direktur 2

No Divisi Manajer Kabag Kasi Kasubsi Bulanan PKWT/MNJ T. Harian Tetap

Harian Lepas Borongan Total

1 Produksi 0 2 1 7 15 0 29 24 60 138 2 Distribusi 0 0 1 0 22 0 0 0 0 23 3 Kemitraan 0 1 0 2 1 0 0 0 0 4 4 Pengadaan 1 0 1 2 3 0 0 0 0 7 5 Pengemasan 1 3 0 7 6 0 13 0 40 70 6 Penjualan 1 0 1 0 0 1 0 0 0 3 7 Acc/Keuangan 1 1 3 3 2 0 0 0 0 10 8 Umum 1 0 2 4 15 0 7 8 0 37 9 IT 0 0 1 0 1 0 0 0 0 2

10 Mekanik 0 0 1 0 0 0 1 0 0 2 Jumlah 5 7 11 25 65 1 50 32 100 296

82

Lampiran 5. Produk PT Saung Mirwan

No KODE

SAYURAN KETERANGAN No KODE


SAYURAN KETERANGAN 1 ASG ASPARAGUS PACK 14 DRS DAUN ROSMERY URA 27 KLN KAILAN PACK 2 BBR BAWANG BOMBAY (G) 15 EDA EDAMAME PACK 28 KLR KOL MERAH PACK

3 BBY BAWANG BOMBAY (C) 16 HRN HORINSO 29 KRB KOL MERAH BABY PACK

4 BBY BAWANG BOMBAY PACK (G) 17 JCA JAGUNG ACAR KUPAS 30 KPB KOL PUTIH BABY 5 BCL BUNCIS LOKAL URA 18 JGA JAGUNG MNS KUPAS PACK 31 KPB KOL PUTIH BABY PACK 6 BCM BUNCIS MINI PACK 19 JGC JAGUNG ACAR 32 KPI KAPRI 7 BRC BROCOLLY URA 20 JMC JAMUR CHAMP (C) 33 KPW KAPRI MANIS 8 BSL BASIL PACK 21 JMC JAMUR CHAMP PACK(G) 34 KPW KAPRI TW 9 BWP BAWANG PUTIH PACK 22 JRL JERUK LEMON 35 LLS LOLOROSA

10 CYS CAYSIN PACK 23 KBG KOL BULAT 36 LLS LOLOROSA PACK 11 DBW DAUN BAWANG (C) 24 KBP KOL BULAT PUTIH PANJANG 37 LTD LETUCE HEAD (C) 12 DDL DAUN DIL URA 25 KKL KEMBANG KOL 38 LTD LETUCE HEAD (G) 13 DMN DAUN MINT PACK 26 KLB KAILAN BABY 39 LTM LETTUCE ROMANCE

83

Lanjutan Lampiran 5

No KODE



SAYURAN KETERANGAN 40 MTS MITSHUBA URA 53 PRL PETERSELY URA 66 TNM TIMUN MINI PACK 41 MRG DAUN MARJURAN 54 PSA PISANG AMBON 67 TMC TOMAT CHERRY PACK 42 NAS NASUBHI PACK 55 RDC RADICIO URA 68 TMT TOMAT RIANTO 43 NDV ENDIVE 56 RKL RUKOLA 69 TMW TOMAT TW (C) 44 OKA OKRA PACK 57 SDT SELEDRISTIK PACK 70 TMW TOMAT TW URA (G) 45 PCB PAKCOY BABY PACK 58 SLF SELADA OAKLEAF 71 TNJ TIMUN JEPANG 46 PCH PAKCOY HIJAU PACK 59 SLI SELEDRI CUTTING (C) 72 WRI WORTEL IMPORT PACK 47 PCP PAKCOY PUTIH 60 SLI SELEDRI URA (G) 73 WRL WORTEL PACK 48 PPH PAPRIKA HIJAU (C) 61 SLR SELADA MERAH 74 ZKB ZUKINI BABY 49 PPH PAPRIKA HIJAU PACK (G) 62 SLT SELADA KERITING PACK 75 ZKB ZUKINI BABY PACK 50 PPK PAPRIKA KUNING PACK 63 SST SISITO PACK 76 51 PPR PAPRIKA MERAH (C) 64 SWP SAWI PUTIH 77 52 PPR PAPRIKA MERAH PACK (G) 65 THM DAUN THYME 50GR 78

84

Lampiran 6. Struktur Organisasi PT Saung Mirwan

STRUKTUR ORGANISASI PT SAUNG MIRWAN

PT SAUNG MIRWAN

DIVISI

KEUANGAN/AKUNTING

DIVISI HUMAN

RESOURCES (HR)

DIVISI GENERAL

AFFAIR (GA)

BIDANG UMUM

DIVISI PENJUALAN

DIVISI KEMITRAAN

DIVISI PENGEMASAN

DIVISI PENGADAAN

BIDANG KOMERSIL BIDANG PRODUKSI

DIVISI KEBUN

R&D, IT, QA

DIVISI TEKNIK

85

Lampiran 7. Uji Stasioner Permintaan Kembang Kol

500

1,000

1,500

2,000

2,500

3,000

5 10 15 20 25 30

KKOL

Null Hypothesis: KKOL has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.653915 0.4432

Test critical values: 1% level -3.679322 5% level -2.967767 10% level -2.622989 *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)



86

Lanjutan Lampiran 7

Null Hypothesis: D(KKOL,2) has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=12)



87

Lampiran 8. Uji Stasioneritas Permintaan Lettuce Head

500

1,000

1,500

2,000

2,500

3,000

3,500

4,000

4,500

5 10 15 20 25 30

LH

Null Hypothesis: LH has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)



Null Hypothesis: D(LH) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)



88

Lanjutan Lampiran 8

Null Hypothesis: D(LH,2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)



89

Lampiran 9. Uji Stasioneritas Permintaan Tomat Beef

0

500

1,000

1,500

2,000

2,500

3,000

3,500

4,000

5 10 15 20 25 30

TR

Null Hypothesis: D(TR) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)



Null Hypothesis: TR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)


Test critical values: 1% level -3.689194 5% level -2.971853 10% level -2.625121

90

Lanjutan Lampiran 9

Null Hypothesis: D(TR,2) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12)



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 28 3.79253 0.0377 KKOL does not Granger Cause LH 3.02112 0.0684

TR does not Granger Cause KKOL 28 1.99773 0.1585 KKOL does not Granger Cause TR 1.82107 0.1844

TR does not Granger Cause LH 28 0.21765 0.8060 LH does not Granger Cause TR 1.29882 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 -590.8071 NA 8.58e+16 47.50457 47.65083 47.54514

1 -557.7490 55.53762* 1.26e+16* 45.57992 46.16498* 45.74219* 2 -548.4960 13.32428 1.29e+16 45.55968 46.58354 45.84366 3 -540.8992 9.116235 1.58e+16 45.67193 47.13458 46.07761 4 -533.0136 7.570129 2.10e+16 45.76109 47.66254 46.28847 5 -520.3176 9.141139 2.27e+16 45.46541* 47.80565 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 Trace 0.05 No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.981953 114.4954 29.79707 0.0000

At most 1 * 0.384318 18.14015 15.49471 0.0195 At most 2 * 0.237242 6.499555 3.841466 0.0108

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

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 -0.052037 0.272077 (0.10824) (0.20973) (0.18435) [-1.72773] [-0.24812] [ 1.47588]

D(KKOL(-1)) -0.364404 0.616478 0.031956 (0.23669) (0.45861) (0.40312) [-1.53957] [ 1.34424] [ 0.07927]

D(KKOL(-2)) -0.748899 -0.441729 -0.055872 (0.26124) (0.50617) (0.44493) [-2.86670] [-0.87268] [-0.12557]

D(LH(-1)) 0.085606 -0.320128 0.103434 (0.15750) (0.30516) (0.26824) [ 0.54354] [-1.04904] [ 0.38560]

D(LH(-2)) 0.145318 -0.096660 -0.233263 (0.14990) (0.29044) (0.25530) [ 0.96943] [-0.33280] [-0.91368]

D(TR(-1)) -0.062207 -0.046840 0.479591 (0.15819) (0.30651) (0.26943) [-0.39323] [-0.15281] [ 1.78004]

95

Lanjutan Lampiran 13

D(TR(-2)) 0.151829 0.013699 0.383895 (0.16472) (0.31916) (0.28054) [ 0.92173] [ 0.04292] [ 1.36840]

C -25.93351 -99.98601 51.55368 (66.8518) (129.531) (113.858) [-0.38793] [-0.77191] [ 0.45279] R-squared 0.403185 0.256310 0.321205

Adj. R-squared 0.183306 -0.017681 0.071122 Sum sq. resids 2217868. 8326338. 6433309. S.E. equation 341.6575 661.9881 581.8894 F-statistic 1.833666 0.935470 1.284395 Log likelihood -191.0803 -208.9392 -205.4570 Akaike AIC 14.74669 16.06957 15.81163 Schwarz SC 15.13064 16.45352 16.19558 Mean dependent -23.11111 -80.33333 34.51852 S.D. dependent 378.0605 656.2124 603.7555

Determinant resid covariance (dof

adj.) 6.89E+15 Determinant resid covariance 2.40E+15 Log likelihood -593.0246 Akaike information criterion 45.92775 Schwarz criterion 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 Modulus 0.979010 0.979010

0.823481 - 0.280355i 0.869896 0.823481 + 0.280355i 0.869896 -0.253100 - 0.440467i 0.508007 -0.253100 + 0.440467i 0.508007 0.195365 0.195365

No root lies outside the unit circle.

VAR satisfies the stability condition.

97

Lampiran 15. Impuls Response of Cauliflower (Kembang Kol)

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit KKOL Innovation

-.6

-.4

-.2

.0

.2

.4

.6

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit KKOL Innovation

.0

.1

.2

.3

.4

.5

.6

.7

.8

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit KKOL Innovation

Periode KKOL LH TR Periode KKOL LH TR 1 1.000000 0.000000 0.000000 26 0.483722 0.035194 0.539560 2 0.448585 0.564442 0.304034 27 0.477394 0.045232 0.534491

3 -0.036362 -0.402806 0.385841 28 0.470903 0.031042 0.521688

4 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

98

Lampiran 16. Impuls Response of Lettuce Head

0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1.00

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit LH Innovation

-.05

.00

.05

.10

.15

.20

.25

.30

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit LH Innovation

-.9

-.8

-.7

-.6

-.5

-.4

-.3

-.2

-.1

.0

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit LH Innovation

Periode KKOL LH TR Periode KKOL LH TR 1 0.000000 1.000000 0.000000 26 0.037845 0.716716 -0.505411 2 0.207535 0.713800 -0.073958 27 0.040661 0.713211 -0.492028 3 0.293708 0.850288 -0.418591 28 0.044855 0.718232 -0.479030 4 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

-0.4

0.0

0.4

0.8

1.2

1.6

5 10 15 20 25 30 35 40 45 50

Response of TR to NonfactorizedOne Unit TR Innovation

.0

.1

.2

.3

.4

.5

.6

5 10 15 20 25 30 35 40 45 50

Response of KKOL to NonfactorizedOne Unit TR Innovation

-.05

.00

.05

.10

.15

.20

.25

.30

5 10 15 20 25 30 35 40 45 50

Response of LH to NonfactorizedOne Unit TR Innovation

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 S.E. KKOL LH TR

1 341.6575 100.0000 0.000000 0.000000 2 451.4978 94.56118 4.140301 1.298517 3 553.6858 78.70310 7.455907 13.84099 4 688.0647 76.05349 4.873497 19.07301 5 795.1580 73.44585 3.661856 22.89229 6 892.8179 67.84908 3.207408 28.94351 7 992.4601 65.86650 2.611990 31.52151 8 1067.385 65.13799 2.336716 32.52529 9 1124.281 63.94031 2.106484 33.95321 10 1176.910 63.87507 1.949718 34.17521 11 1218.398 64.37417 1.863172 33.76265 12 1250.626 64.63337 1.769308 33.59732 13 1283.057 65.16544 1.681308 33.15325 14 1314.022 65.86429 1.603009 32.53270 15 1342.955 66.30653 1.556062 32.13740 16 1374.701 66.72429 1.507158 31.76855 17 1408.267 67.15488 1.447427 31.39769 18 1442.108 67.35291 1.403383 31.24371 19 1478.121 67.44475 1.353492 31.20176 20 1515.133 67.53100 1.294119 31.17488 21 1551.301 67.50892 1.240717 31.25037 22 1587.158 67.45164 1.189257 31.35910 23 1622.078 67.44338 1.139332 31.41729 24 1655.013 67.43519 1.095259 31.46955 25 1686.486 67.44323 1.055714 31.50105 26 1716.694 67.50298 1.019305 31.47772 27 1745.410 67.57911 0.986929 31.43396 28 1773.186 67.66171 0.957971 31.38032 29 1800.445 67.76301 0.930944 31.30605 30 1827.178 67.86186 0.906335 31.23180 31 1853.685 67.94743 0.883864 31.16870 32 1880.202 68.02755 0.862222 31.11023 33 1906.632 68.09470 0.841597 31.06370 34 1932.997 68.14456 0.821978 31.03346 35 1959.322 68.18555 0.802722 31.01173 36 1985.446 68.21856 0.784033 30.99740 37 2011.284 68.24354 0.766127 30.99033 38 2036.812 68.26702 0.748821 30.98416 39 2061.937 68.29114 0.732239 30.97663 40 2086.624 68.31538 0.716527 30.96810 41 2110.909 68.34222 0.701579 30.95620 42 2134.797 68.37191 0.687385 30.94070 43 2158.315 68.40261 0.673977 30.92341 44 2181.531 68.43423 0.661247 30.90452 45 2204.483 68.46616 0.649119 30.88472 46 2227.201 68.49676 0.637571 30.86567 47 2249.728 68.52563 0.626512 30.84786 48 2272.080 68.55267 0.615869 30.83146 49 2294.261 68.57730 0.605621 30.81708 50 2316.276 68.59973 0.595721 30.80455

101

Lanjutan Lampiran 18 Period S.E. KKOL LH TR

1 341.6575 51.26589 48.73411 0.000000 2 451.4978 61.08818 38.91165 0.000175 3 553.6858 55.39313 44.28653 0.320344 4 688.0647 53.98373 44.51373 1.502540 5 795.1580 57.50574 40.91660 1.577661 6 892.8179 56.62264 41.37731 2.000051 7 992.4601 55.77663 41.45014 2.773233 8 1067.385 57.18020 39.87019 2.949614 9 1124.281 57.17391 39.75486 3.071228

10 1176.910 56.79478 39.93224 3.272979 11 1218.398 57.36756 39.38837 3.244069 12 1250.626 57.43661 39.39497 3.168413 13 1283.057 57.19003 39.67739 3.132579 14 1314.022 57.38098 39.57394 3.045088 15 1342.955 57.40950 39.63791 2.952589 16 1374.701 57.23990 39.85866 2.901444 17 1408.267 57.29513 39.85366 2.851208 18 1442.108 57.32633 39.86546 2.808213 19 1478.121 57.24388 39.95598 2.800140 20 1515.133 57.27329 39.92615 2.800567 21 1551.301 57.31730 39.88119 2.801509 22 1587.158 57.29450 39.88818 2.817315 23 1622.078 57.31910 39.84848 2.832421 24 1655.013 57.35982 39.80135 2.838832 25 1686.486 57.35967 39.79480 2.845523 26 1716.694 57.37452 39.77781 2.847671 27 1745.410 57.39990 39.75809 2.842009 28 1773.186 57.40101 39.76404 2.834952 29 1800.445 57.40488 39.76854 2.826579 30 1827.178 57.41637 39.76793 2.815691 31 1853.685 57.41571 39.77834 2.805953 32 1880.202 57.41530 39.78664 2.798058 33 1906.632 57.42130 39.78784 2.790868 34 1932.997 57.42249 39.79177 2.785738 35 1959.322 57.42362 39.79362 2.782766 36 1985.446 57.42933 39.79005 2.780622 37 2011.284 57.43327 39.78732 2.779410 38 2036.812 57.43658 39.78446 2.778963 39 2061.937 57.44229 39.77940 2.778311 40 2086.624 57.44699 39.77563 2.777380 41 2110.909 57.45056 39.77320 2.776239 42 2134.797 57.45499 39.77048 2.774534 43 2158.315 57.45868 39.76894 2.772377 44 2181.531 57.46132 39.76864 2.770044 45 2204.483 57.46421 39.76827 2.767522 46 2227.201 57.46677 39.76827 2.764955 47 2249.728 57.46870 39.76873 2.762568 48 2272.080 57.47083 39.76880 2.760374 49 2294.261 57.47295 39.76865 2.758398 50 2316.276 57.47482 39.76847 2.756709

102

Lanjutan Lampiran 18 Period S.E. KKOL LH TR

1 341.6575 17.91580 0.502847 81.58136 2 451.4978 22.03350 0.985610 76.98089 3 553.6858 17.34239 4.395018 78.26260 4 688.0647 14.09856 6.763862 79.13757 5 795.1580 12.48287 10.56494 76.95218 6 892.8179 11.30848 14.30670 74.38482 7 992.4601 10.58624 17.40565 72.00811 8 1067.385 10.22169 20.33363 69.44468 9 1124.281 10.12979 22.54229 67.32792

10 1176.910 10.27629 23.77956 65.94414 11 1218.398 10.33513 24.62685 65.03802 12 1250.626 10.32999 25.25817 64.41184 13 1283.057 10.31475 25.74278 63.94247 14 1314.022 10.24849 26.23295 63.51855 15 1342.955 10.16621 26.72028 63.11351 16 1374.701 10.06129 27.12366 62.81505 17 1408.267 9.933573 27.50406 62.56237 18 1442.108 9.779471 27.94750 62.27303 19 1478.121 9.587545 28.45463 61.95782 20 1515.133 9.381552 29.06995 61.54850 21 1551.301 9.179024 29.80963 61.01135 22 1587.158 8.990876 30.60076 60.40837 23 1622.078 8.826513 31.40362 59.76987 24 1655.013 8.685524 32.19546 59.11902 25 1686.486 8.565468 32.93355 58.50098 26 1716.694 8.459438 33.60964 57.93092 27 1745.410 8.360333 34.23502 57.40465 28 1773.186 8.265066 34.80827 56.92666 29 1800.445 8.170683 35.33575 56.49356 30 1827.178 8.075448 35.83100 56.09355 31 1853.685 7.978774 36.29891 55.72232 32 1880.202 7.880298 36.74621 55.37349 33 1906.632 7.780313 37.18516 55.03453 34 1932.997 7.679362 37.62211 54.69853 35 1959.322 7.578501 38.06032 54.36118 36 1985.446 7.479111 38.50350 54.01739 37 2011.284 7.382344 38.95007 53.66758 38 2036.812 7.289075 39.39549 53.31544 39 2061.937 7.199719 39.83660 52.96368 40 2086.624 7.114243 40.26946 52.61629 41 2110.909 7.032308 40.69020 52.27749 42 2134.797 6.953374 41.09734 51.94928 43 2158.315 6.876878 41.49022 51.63291 44 2181.531 6.802321 41.86853 51.32915 45 2204.483 6.729295 42.23338 51.03732 46 2227.201 6.657515 42.58638 50.75610 47 2249.728 6.586808 42.92900 50.48419 48 2272.080 6.517110 43.26308 50.21980 49 2294.261 6.448437 43.59037 49.96119 50 2316.276 6.380861 43.91198 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 Coef SE Coef T P Constant 158,2 170,3 0,93 0,362 LAGKOL 0,4649 0,1772 2,62 0,015 LAGLH -0,0991 0,1233 -0,80 0,430 LH 0,32670 0,08451 3,87 0,001 LAGTR 0,0619 0,1316 0,47 0,643 TR 0,01847 0,09799 0,19 0,852 S = 274,003 R-Sq = 81,6% R-Sq(adj) = 77,6% Analysis of Variance Source DF SS MS F P Regression 5 7649483 1529897 20,38 0,000 Residual Error 23 1726787 75078 Total 28 9376269 Source DF Seq SS LAGKOL 1 5904671 LAGLH 1 417044 LH 1 1263126 LAGTR 1 61974 TR 1 2667 Unusual Observations Obs LAGKOL KKOL Fit SE Fit Residual St Resid 15 1866 2934,0 2229,6 121,1 704,4 2,87R 18 2128 1979,0 1558,9 179,9 420,1 2,03R R denotes an observation with a large standardized residual.

104


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 Coef SE Coef T P Constant -154,6 331,6 -0,47 0,645 LAGKOL -0,4715 0,3753 -1,26 0,222 KKOL 1,2055 0,3118 3,87 0,001 LAGLH 0,6121 0,2035 3,01 0,006 LAGTR -0,1561 0,2518 -0,62 0,541 TR 0,1223 0,1866 0,66 0,519 S = 526,339 R-Sq = 81,9% R-Sq(adj) = 78,0% Analysis of Variance Source DF SS MS F P Regression 5 28824634 5764927 20,81 0,000 Residual Error 23 6371753 277033 Total 28 35196387 Source DF Seq SS LAGKOL 1 17745595 KKOL 1 8310733 LAGLH 1 2637383 LAGTR 1 12030 TR 1 118894 Unusual Observations Obs LAGKOL LH Fit SE Fit Residual St Resid 18 2128 1743,0 2756,3 321,1 -1013,3 -2,43R R denotes an observation with a large standardized residual.

105


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 Coef SE Coef T P Constant 680,7 340,4 2,00 0,057 LAGTR 0,9885 0,1911 5,17 0,000 LH 0,1498 0,2287 0,66 0,519 LAGLH -0,1769 0,2633 -0,67 0,508 KKOL 0,0835 0,4430 0,19 0,852 LAGKOL -0,4129 0,4207 -0,98 0,337 S = 582,629 R-Sq = 61,4% R-Sq(adj) = 53,1% Analysis of Variance Source DF SS MS F P Regression 5 12443943 2488789 7,33 0,000 Residual Error 23 7807500 339457 Total 28 20251443 Source DF Seq SS LAGTR 1 10796289 LH 1 127299 LAGLH 1 1157531 KKOL 1 35869 LAGKOL 1 326956 Unusual Observations Obs LAGTR TR Fit SE Fit Residual St Resid 18 1949 478 1642 349 -1164 -2,50R 30 1701 3624 2095 322 1529 3,15R R denotes an observation with a large standardized residual.

106

Lampiran 20. Hasil Ramalan Komoditas Kembang Kol dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition

Pemulusan eksponensial Winters Analisis Tren Time series Decomposition

Nilai Persamaan Nilai Forecast Nilai

Aktual Nilai

Forecast Nilai

Aktual Nilai

Forecast Nilai

Aktual 756 217 1295 579 1123 579 1031 579 593 -1 1187 410 1095 410 844 410 723 63 1383 354 1066 354 1088 354 596 -138 1331 361 1038 361 969 361 536 -279 1351 591 1009 591 960 591 491 -409 1390 409 981 409 944 409 279 -708 1267 952 701 263 -815 1341 924 759 327 -843 1498 896 1165 234 -1030 1498 867 1006 170 -1189 1529 839 807 122 -1333 1576 810 749

107

Lampiran 21. Hasil Ramalan Komoditas Lettuce Head dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition


Nilai Persamaan

Nilai Forecast

Nilai Aktual

Nilai Forecast

Nilai Aktual

Nilai Forecast

Nilai Aktual

629 -398 1656 529 1222 529 976 529 592 -540 1724 531 1136 531 1003 531 539 -719 1797 537 1045 537 1073 537 427 -973 1827 90 963 90 1065 90 218 -1335 1771 167 877 167 768 167 118 -1597 1832 280 791 280 764 280 -10 -1892 1872 704 547 -106 -2160 1945 618 502 -256 -2486 1975 532 564 -388 -2797 2021 445 498 -451 -3041 2139 359 250 -445 -3218 2328 273 104

108

Lampiran 22. Hasil Ramalan Komoditas Tomat Beef dengan Metode Pemulusan Eksponensial Winter’s, Metode Tren, dan Time Series Decomposition


Nilai Persamaan

Nilai Forecast

Nilai Aktual

Nilai Forecast

Nilai Aktual

Nilai Forecast

Nilai Aktual

1521 457 2585 2129 878 2129 974 2129 1536 363 2708 1253 847 1253 982 1253 1885 582 3188 2426 816 2426 1243 2426 1969 519 3419 1621 785 1621 1491 1621 1589 -19 3198 519 754 519 1047 519 2217 441 3992 530 723 530 1241 530 3128 1179 5077 692 2000 3141 1013 5269 661 2019 4242 1932 6552 630 2843 4689 2194 7184 599 2617 4412 1729 7095 568 2357 4246 1374 7118 537 628

ANALISIS PERAMALAN PERMINTAAN SAYURAN … · data untuk peramalan produk yang dilihat hubungannya...

Documents

Transcript of ANALISIS PERAMALAN PERMINTAAN SAYURAN … · data untuk peramalan produk yang dilihat hubungannya...