ANALISIS PERAMALAN PERMINTAAN SAYURAN … · data untuk peramalan produk yang dilihat hubungannya...
Transcript of 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
1.99773 0.1585 Tidak ada hubungan
Tidak terjadi hubungan kausalitas
KKOL does not Granger Cause TR
1.82107 0.1844 Tidak ada hubungan
TR does not Granger Cause LH
0.21765 0.8060 Tidak ada hubungan
Tidak terjadi hubungan kausalitas
LH does not Granger Cause TR
1.29882 0.2921 Tidak ada hubungan
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
Hasil dari persamaan regresi tersebut dapat mengetahui nilai
prediksi permintaan lettuce head. Setelah mendapatkan persamaan
regresinya, dapat menghitung nilai peramalannya. Tabel 10 di bawah
ini merupakan hasil peramalan dari komoditas sayuran lettuce head
selama satu tahun ke depan dari periode ke 31 (Juli 2011) sampai
dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap
nilainya.
Tabel 10. Hasil Peramalan Lettuce Head
Periode Forecast 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
Hasil dari persamaan regresi tersebut dapat mengetahui nilai
prediksi permintaan komoditas tomat beef. Setelah memperoleh
persamaan regresinya, dapat menghitung nilai peramalannya. Tabel 11
di bawah ini merupakan hasil peramalan dari komoditas tomat beef
selama satu tahun ke depan mulai dari periode ke 31 (Juli 2011) sampai
dengan periode ke 42 (Juni 2012) dengan satuan kilogram untuk setiap
nilainya.
68
Tabel 11. Hasil Peramalan Tomat Beef
Periode Forecast 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¬ab=5. (10 Oktober 2011)
Bowerman, B. L dan O’Connell, R. T. 1993. Forecasting And Time Series: An Applied Approach. 3rd Edition. Duxbury Press. Belmont, California.
Dianingsari, K. 2007. Analisis Hubungan Dinamis suku Bunga SBI, IHSG, Dan Suku Bunga Internasional Dengan Model Vector Autoregressive. Skripsi. Departemen Statistika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Bogor.
Enders, W. 2004. Applied Econometric Time Series. 2nd Edition. John Wiley & Sons. Inc. America.
Fikriansyah, I. 2011. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil City Car, Sedan, Dan MPV Di Auto 2000. Skripsi. Departemen Manajemen. Fakultas Ekonomi Dan Manajemen. Institut Pertanian Bogor. Bogor.
Gujarati, D. N. 2006. Dasar-Dasar Ekonometrika Edisi Ketiga Jilid Dua. (Terjemahan). Penerbit Erlangga. Jakarta.
Hanke, J. E, W. Dean dan A.G. Reitsch. 2003. Peramalan Bisnis. (Terjemahan) PT Prenhallindo. Jakarta.
Heizer dan Render. 2006. Manajemen Operasi. Salemba Empat. Jakarta.
Indrazakti, M. 2011. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi pada Produk Safe 1 dan Cypegard (500 ml dan 10 ml) Di PT Chemigard. Skripsi. Departemen Manajemen. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor.
76
Kusuma, H. 1999. Manajemen Produksi : Perencanaan dan Pengendalian Produksi. Andi Offset. Yogyakarta.
Kotler, P dan K. L. Keller. 2009. Manajemen Pemasaran Edisi Kedua Belas Jilid Satu. (Terjemahan). Indeks. Jakarta.
Nachrowi, N. D. dan Hardius Usman. 2006. Pendekatan Populer dan Praktis Ekonometrika Untuk Analisis Ekonomi dan Keuangan. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta.
Respati, E. 2005. Analisis VAR (Vector Autoregressive) Untuk Mekanisme Pemodelan Harga Ayam. Tesis. Institut Pertanian Bogor. Bogor.
Rubatzky, V. E. dan Mas Yamaguchi. 1998. Sayuran Dunia: Prinsip, Produksi dan Gizi, Jilid 1. (Terjemahan). Penerbit ITB. Bandung.
Sugiarto dan Harijono. 2000. Peramalan Bisnis. Gramedia Pustaka Utama. Jakarta
Susanti, A. A. 2006. Kajian Produk Domestik Bruto Tanaman Bahan Makanan Melalui Model Vector Autoregressive. Tesis. Institut Pertanian Bogor. Bogor.
Widyasari, N. 2010. Analisis Kointegrasi harga Beberapa Komoditas Pangan Utama Di Pulau Sumatera dan Jawa Pasca Krisis Ekonomi. Skripsi. Departemen Ilmu Ekonomi. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor.
Williams, C. N. Uzo, J. O dan Peregrine, W. T. H. 1993. Produksi Sayuran Di daerah Tropika. (Terjemahan). Gadjah Mada University. Yogyakarta.
Winarno, W. W. 2007. Analisis Ekonometrika dan Statistika Dengan Eviews. UPP STIM YKPN. Yogyakarta.
77
LAMPIRAN
78
Lampiran 1. Rata-rata Konsumsi Kalori (KKal) per Kapita Sehari Menurut Kelompok Makanan
No. 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 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 No KODE
SAYURAN KETERANGAN 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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5.241454 0.0002
Test critical values: 1% level -3.699871 5% level -2.976263 10% level -2.627420 *MacKinnon (1996) one-sided p-values.
86
Lanjutan Lampiran 7
Null Hypothesis: D(KKOL,2) has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.901836 0.0007
Test critical values: 1% level -3.752946 5% level -2.998064 10% level -2.638752 *MacKinnon (1996) one-sided p-values.
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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.106343 0.6995
Test critical values: 1% level -3.679322 5% level -2.967767 10% level -2.622989 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LH) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.921974 0.0005
Test critical values: 1% level -3.699871 5% level -2.976263 10% level -2.627420 *MacKinnon (1996) one-sided p-values.
88
Lanjutan Lampiran 8
Null Hypothesis: D(LH,2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.427065 0.0000
Test critical values: 1% level -3.711457 5% level -2.981038 10% level -2.629906 *MacKinnon (1996) one-sided p-values.
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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.644743 0.0963
Test critical values: 1% level -3.689194 5% level -2.971853 10% level -2.625121 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: TR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.813444 0.3666
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)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.759467 0.0000
Test critical values: 1% level -3.699871 5% level -2.976263 10% level -2.627420 *MacKinnon (1996) one-sided p-values.
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
Lanjutan Lampiran 19
2. Lettuce Head The regression equation is LH = - 155 - 0,471 LAGKOL + 1,21 KKOL + 0,612 LAGLH - 0,156 LAGTR + 0,122 TR 29 cases used, 1 cases contain missing values Predictor 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
Lanjutan Lampiran 19
3. Tomat Beef The regression equation is TR = 681 + 0,988 LAGTR + 0,150 LH - 0,177 LAGLH + 0,084 KKOL - 0,413 LAGKOL 29 cases used, 1 cases contain missing values Predictor 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
Pemulusan eksponensial Winters Analisis Tren 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
Pemulusan eksponensial Winters Analisis Tren 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