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.
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.
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.
2. Variance Decomposition of Cauliflower Kembang kol
Kategori