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
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
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.
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
Kategori