BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT

Transkripsi

1 BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT Pada bab ini, penulis akan membandingkan hasil peramalan menggunakan model ARIMA dan model VAR yang telah diuraikan pada bab II. Adapun data yang digunakan pada studi kasus ini adalah data sekunder mengenai volume penjualan inti sawit dan harga inti sawit, yang diperoleh dari PT. Perkebunan Nusantara VIII. Data tersebut merupakan data bulanan, dimulai dari Januari tahun 2004 sampai dengan Desember tahun Data selengkapnya dapat dilihat pada tabel 3. berikut. DATA KE VOLUME (RATUS RIBU KG) Tabel 3. Volume Penjualan Inti Sawit dan Harga Inti Sawit HARGA (RIBU RUPIAH) DATA KE VOLUME (RATUS RIBU KG) HARGA (RIBU RUPIAH) 2004: 600, :2 50 2, :2 450, : ,2 2004: ,4 2006:4 500, : , :5 600, : , :6 600, : , :7 350, : ,0 2006:8 800, : ,4 2006:9 850, : , :0 600, : , : 800, : 675 2, : , : ,4 2007: 550 2, : 500 2, : , : , : , : , : , : , : , : , : ,365

2 : , : , : , : , : , : , : , : , : , : 900 3, : 850 2, : , :2 650, : 340,940 Data di atas akan dimodelkan dengan menggunakan dua metode, yaitu metode ARIMA dan VAR. Untuk metode ARIMA akan digunakan software MINITAB 3 sedangkan untuk metode VAR digunakan software Eviews 3, hal ini dikarenakan software Minitab belum bisa digunakan untuk metode VAR. 3. Metode ARIMA Pada metode ini, variabel volume penjualan dan harga akan dimodelkan secara terpisah atau univariat. 3.. Volume Penjualan Inti Sawit. Uji Stasioneritas Untuk memeriksa kestasioneran data volume penjualan inti sawit dapat dilihat dari correlogram.

3 Vol Inti Sawit Index Gambar 3. Correlogram Data Volume Penjualan Inti Sawit Dilihat dari gambar di atas, dapat dikatakan bahwa data volume penjualan inti sawit sudah stasioner. 2. Identifikasi Model Setelah data stasioner, maka langkah selanjutnya adalah melakukan identifikasi model dengan membandingkan fak dan fakp dari data dengan fak dan fakp teoritis. Output fak dan fakp disajikan pada gambar berikut:

4 4 A u t o c o r r e la t io n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.2 FAK Volume Penjualan Inti Sawit P a r t ia l A u t o c o r r e la t io n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.3 FAKP Volume Penjualan Inti Sawit Berdasarkan fak dan fakp di atas, maka dapat diidentifikasi beberapa model, yaitu: AR(), MA(), dan ARMA(,).

5 42 3. Estimasi Parameter Setelah diperoleh model sementara, selanjutnya adalah mencari penaksir terbaik untuk parameter model tersebut. Hasil penaksiran pada model-model deret waktu dengan menggunakan software Minitab 3 adalah sebagai berikut: ARIMA Model: Vol Inti Sawit ARIMA model for Vol Inti Sawit Estimates at each iteration Iteration SSE Parameters ,00 467, , , ,366 33, , , , , , ,350 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P AR 0,3733 0,408 2,65 0,0 Constant 328,35 25,24 3,0 0,000 Mean 523,95 40,27 Number of observations: 48 Residuals: SS = (backforecasts excluded) MS = DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 0, 36,0 45,3 * DF * P-Value 0,432 0,03 0,093 * ARIMA Model: Vol Inti Sawit ARIMA model for Vol Inti Sawit Estimates at each iteration Iteration SSE Parameters ,00 59, , , ,200 52, ,350 52, ,44 52, ,409 52, ,40 52,565 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P MA -0,4096 0,348-3,04 0,004 Constant 52,57 35, 4,85 0,000

6 43 Mean 52,57 35, Number of observations: 48 Residuals: SS = (backforecasts excluded) MS = 2984 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 8,7 28,3 37,4 * DF * P-Value 0,563 0,64 0,36 * ARIMA Model: Vol Inti Sawit ARIMA model for Vol Inti Sawit Estimates at each iteration Iteration SSE Parameters ,00 0,00 467, ,250-0,050 39, ,37-0, , ,044-0, , ,079-0, , ,08-0, , ,08-0, , ,08-0, ,806 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P AR 0,0809 0,3677 0,22 0,827 MA -0,3456 0,343 -,0 0,39 Constant 479,8 33,93 4,4 0,000 Mean 522,02 36,9 Number of observations: 48 Residuals: SS = (backforecasts excluded) MS = DF = 45 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 8,7 29, 37,9 * DF * P-Value 0,463 0,2 0,256 * Dari perhitungan di atas, diperoleh: Model AR() Model AR() mempunyai bentuk. Zt = φzt + at atau ( Z Z) = φ( Z Z ) + a.dari hasil estimasi model AR() diperoleh: t t t φ = 0, Karena mean atau Z = 523, 95> 2 SE ( mean) = 2(40, 27) = 80,54 maka

7 44 Z berbeda secara signifikan dengan nol. Sehingga model yang digunakan adalah model bentuk kedua, yaitu ( Z Z) = φ( Z Z ) + a t t t ( ) Z 523,95 = 0,3733 Z 523,95 + a t t t Z = 0, 3733Z + a + 328,36 (3.) t t t Model MA() Model MA() mempunyai bentuk. Zt = at + θat atau ( Zt Z) = at + θat. Dari hasil estimasi model MA() diperoleh: θ = 0, 4096.Karena mean atau Z = 52,57 > 2 SE ( mean) = 2(35,) = 70, 22 maka Z berbeda secara signifikan dengan nol. Sehingga model yang digunakan adalah model bentuk kedua, yaitu ( Z Z) = a + θa t t t Z 52, 57 = a 0, 4096a t t t Zt = at 0, 4096at + 52,57 (3.2) Model ARMA(,) Model ARMA (,) mempunyai bentuk: Zt = φzt + at + θat atau ( Z Z) = φ( Z Z) + a + θa. t t t t Dari hasil estimasi model ARMA(,) diperoleh: φ = 0, 0809 dan θ = 0,3456. Karena mean atau Z = 522, 02 > 2 SE ( mean) = 2(36,9) = 73,82 maka Z berbeda secara signifikan dengan nol. Sehingga model yang digunakan adalah model bentuk kedua, yaitu:

8 45 ( Z Z) = φ( Z Z) + a + θa t t t t ( ) Z 522, 02 = 0, 0809 Z 522, 02 + a 0,3456a t t t t Z = 0, 0809Z + a 0,3456a + 479, 79 (3.3) t t t t 4. Verifikasi Model Terdapat beberapa tahapan dalam verifikasi model, tahapan-tahapan tersebut adalah: a. Uji Keberartian Koefisien Dalam menentukan keberartian koefisien digunakan kriteria pengujian dimana koefisien dikatakan berarti jika ˆ φ 2 SE ( φ) atau ˆ θ 2 SE ( θ ). Model AR() ˆ φ = 0,3733 > 2 SE ( φ) = 2(0,408) = 0, 286. Jadi, koefisien φ berarti berbeda secara signifikan dengan nol, koefisien berarti. Model MA() ˆ θ = 0, 4096 > 2 SE ( θ ) = 2(0,348) = 0, Jadi, koefisien θ berbeda secara signifikan dengan nol, koefisien berarti. Model ARMA(,) ˆ φ = 0, 0809 < 2 SE ( φ) = 2(0, 3677) = 0, Jadi, koefisien φ tidak berbeda secara signifikan dengan nol, koefisien tidak berarti. ˆ θ = 0,3456 < 2 SE ( θ ) = 2(0,343) = 0, Jadi, koefisien θ tidak berbeda secara signifikan dengan nol, koefisien tidak berarti. Maka model ARMA(,)

9 46 tidak memadai dari segi keberartian koefisien, sehingga tidak perlu lagi diikutsertakan pada pemodelan selanjutnya. b. Variansi Sesatan Rumus untuk mencari variansi sesatan model berdasarkan software Minitab 3, yaitu: 2 SS MS σ a = DF Model AR() 2 SS MS σ a = = = 2989,5 DF 46 Model MA() 2 SS MS σ a = = = 2992, 72 DF 46 c. Uji Kecocokan (lack of fit) Uji kecocokan dilakukan untuk melihat kecocokan model dengan data. Adapun kriteria pengujian yang digunakan adalah model diterima jika P-value > α, dengan α = 0,05. Model AR() Tabel 3.2 Nilai Q Box-Pierce Model AR() untuk Volume Penjualan Inti Sawit LAG P-VALUE KESIMPULAN 2 0,432 model sesuai 24 0,03 model tdk sesuai 36 0,093 Model sesuai

10 47 Model MA() Tabel 3.3 Nilai Q Box-Pierce Model MA() untuk Volume Penjualan Inti Sawit LAG P-VALUE KESIMPULAN 2 0,563 model sesuai 24 0,64 model sesuai 36 0,36 model sesuai Berdasarkan uraian di atas, maka model yang paling cocok dengan data yang menurunkannya adalah MA() dengan variansi sesatan = 2992, 72, maka model untuk volume penjualan inti sawit adalah: Zt = at 0, 4096at + 52,57 dengan a t ~ N (0;2992,72). 5. Peramalan Setelah didapat model yang sesuai dengan data volume penjualan inti sawit, maka langkah selanjutnya adalah meramalkan volume penjualan inti sawit untuk 5 bulan ke depan. Data selengkapnya disajikan pada lampiran. Tabel berikut merupakan data aktual beserta data ramalan volume penjualan inti sawit untuk lima bulan yang akan datang.

11 48 Tabel 3.4 Data Aktual dan Data Ramalan Volume Penjualan Inti Sawit dengan Metode ARIMA Data ke DATA AKTUAL VOLUME PENJUALAN INTI SAWIT (RATUS RIBU KG) DATA RAMALAN VOLUME PENJUALAN INTI SAWIT (RATUS RIBU KG) 2008: , : , : , : , : , Harga Inti Sawit. Uji Stasioneritas 4 Harga 3 2 Index Gambar 3.4 Correlogram Data Harga Inti Sawit Dilihat dari gambar di atas, data belum stasioner maka harus dilakukan differensiasi.

12 49 0,5 0,4 0,3 0,2 C4 0, 0,0-0, -0,2-0,3 Index Gambar 3.5 Correlogram Data Harga Inti Sawit Differensi Orde Dilihat dari Gambar 3.5 maka data sudah stasioner. 2. Identifikasi Model Setelah data stasioner, maka langkah selanjutnya adalah melakukan identifikasi model dengan membandingkan fak dan fakp dari data dengan fak dan fakp teoritis. Output fak dan fakp disajikan pada gambar berikut: A u t o c o r r e l a t io n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.6 FAK Harga Inti Sawit Differensi Orde

13 50 P a r t i a l A u t o c o r r e l a t i o n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.7 FAKP Harga Inti Sawit Differensi Orde Dari gambar fak dan fakp harga inti sawit di atas, ternyata mempunyai model white noise, ini menyulitkan langkah selanjutnya pada pemodelan sehingga diperlukan differensi sekali lagi. A u t o c o r r e l a t i o n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.8 FAK Harga Inti Sawit differensi Orde 2

14 5 P a r t i a l A u t o c o r r e l a t i o n,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 -, Gambar 3.9 FAKP Harga Inti Sawit Differensi Orde 2 Dari pola fak dan fakp harga inti sawit differensi kedua, dapat dilihat bahwa data differensi kedua telah stasioner dan dapat diidentifikasi beberapa model, yaitu: AR(), AR(2), MA(), ARMA(,), dan ARMA(2,). 3. Estimasi Parameter Setelah diperoleh model sementara, selanjutnya adalah mencari penaksir terbaik untuk parameter model tersebut. Hasil penaksiran pada model-model deret waktu dengan menggunakan software Minitab 3 adalah sebagai berikut: ARIMA Model: Harga ARIMA model for Harga Estimates at each iteration Iteration SSE Parameters 0 2, ,00 0,094 2, ,050 0, ,436-0,200 0, , ,350 0,003 4, ,398 0,000 5, ,404-0,000 6, ,405-0,000 7, ,405-0,000 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P AR -0,405 0,444-2,8 0,007

15 52 Constant -0, ,0335-0,0 0,994 Differencing: 2 regular differences Number of observations: Original series 48, after differencing 46 Residuals: SS =,98720 (backforecasts excluded) MS = 0,0456 DF = 44 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 5,4 24,7 44,5 * DF * P-Value 0,9 0,30 0,07 * ARIMA Model: Harga ARIMA model for Harga Estimates at each iteration Iteration SSE Parameters 0 2,8865 0,00 0,00 0,083 2, ,050-0,006 0, , ,200-0,7 0,026 3,8329-0,350-0,229 0,009 4, ,500-0,344-0,003 5, ,532-0,369-0,003 6, ,537-0,372-0,004 7, ,537-0,373-0,004 8, ,537-0,373-0,004 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P AR -0,5372 0,460-3,68 0,00 AR 2-0,3728 0,480-2,52 0,06 Constant -0, ,0296-0,3 0,900 Differencing: 2 regular differences Number of observations: Original series 48, after differencing 46 Residuals: SS =,73269 (backforecasts excluded) MS = 0,04030 DF = 43 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 20,4 32,8 52,0 * DF * P-Value 0,06 0,048 0,09 * ARIMA Model: Harga ARIMA model for Harga Estimates at each iteration Iteration SSE Parameters 0 2, ,00 0,04 2,2862 0,250 0,044 2,8387 0,400 0,06 3, ,550 0,004 4,5762 0,700-0,00

16 53 5, ,850-0,00 6, ,908 0,00 7, ,945 0,00 8, ,946 0,00 9, ,946 0,00 0, ,946 0,00 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P MA 0,9464 0,0775 2,2 0,000 Constant 0,0034 0, ,65 0,58 Differencing: 2 regular differences Number of observations: Original series 48, after differencing 46 Residuals: SS =,37564 (backforecasts excluded) MS = 0,0326 DF = 44 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 7,4 5, 27, * DF * P-Value 0,689 0,856 0,792 * ARIMA Model: Harga ARIMA model for Harga Estimates at each iteration Iteration SSE Parameters 0 2,7982 0,00 0,00 0,094, ,050 0,250-0,004 2, ,065 0,400-0,003 3, ,72 0,550-0,002 4, ,263 0,700-0,002 5,5325 0,39 0,850-0,00 6, ,270 0,925 0,000 7, ,23 0,96 0,00 8, ,094 0,952 0,00 9,3649 0,09 0,947 0,00 0,3648 0,093 0,947 0,00,3648 0,093 0,947 0,00 2,3648 0,093 0,947 0,00 Relative change in each estimate less than 0,000 Final Estimates of Parameters Type Coef SE Coef T P AR 0,0932 0,670 0,56 0,579 MA 0,9467 0,093 0,7 0,000 Constant 0, , ,60 0,554 Differencing: 2 regular differences Number of observations: Original series 48, after differencing 46 Residuals: SS =,3637 (backforecasts excluded) MS = 0,037 DF = 43 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 7,4 4,3 27,4 * DF * P-Value 0,59 0,855 0,742 *

17 54 ARIMA Model: Harga ARIMA model for Harga Estimates at each iteration Iteration SSE Parameters 0 2,7940 0,00 0,00 0,00 0,083 2, ,050 0,073-0,08 0, , ,200 0,05-0,50 0, , ,350 0,030-0,287 0,03 4 2,5083-0,500 0,008-0,427 0, 5 2,4636-0,650-0,05-0,568 0,9 6 2,4237-0,800-0,039-0,70 0,26 7 2, ,950-0,067-0,85 0,32 8 2,3740 -,00-0,2-0,97 0,24 9 2,093 -,87-0,262-0,924 0,08 0 2, ,237-0,259-0,949 0,005, ,274-0,33-0,92-0,000 2,9726 -,292-0,39-0,97-0,000 3, ,304-0,323-0,920-0,00 4,9703 -,307-0,323-0,92-0,00 Unable to reduce sum of squares any further Final Estimates of Parameters Type Coef SE Coef T P AR -,3075 0,3086-4,24 0,000 AR 2-0,3233 0,234 -,38 0,75 MA -0,9205 0,2503-3,68 0,00 Constant -0, ,0606-0,0 0,990 Differencing: 2 regular differences Number of observations: Original series 48, after differencing 46 Residuals: SS =,95029 (backforecasts excluded) MS = 0,04644 DF = 42 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 5,5 25,0 44,7 * DF * P-Value 0,050 0,200 0,067 * Dari perhitungan di atas, diperoleh: Model AR() Model AR() mempunyai bentuk. Zt = φzt + at. Dari hasil estimasi model AR() diperoleh: φ = 0, 405. Dengan mensubstitusi nilai estimasi parameter untuk model AR(), maka diperoleh: Z = 0, 405Z + a (3.4) t t t

18 55 Model AR(2) Model AR(2) mempunyai bentuk. Yt = φy t + φ2yt 2 + at. Dari hasil estimasi model AR(2) diperoleh: φ = 0, 5372 dan φ 2 = 0, Dengan mensubstitusi nilai estimasi parameter untuk model AR(2), maka diperoleh: Y = 0, 5372Y 0,3728Y + a (3.5) t t t 2 t Model MA() Model MA() mempunyai bentuk. Zt = at + θat. Dari hasil estimasi model MA() diperoleh: θ = 0,9464. Dengan mensubstitusi nilai estimasi parameter untuk model MA(), maka diperoleh: Zt = at + 0,9464at (3.6) Model ARMA(,) Model ARMA (,) mempunyai bentuk: Zt = φzt + at + θat. Dari hasil estimasi model ARMA(,) diperoleh: φ = 0, 0932 dan θ = 0,9467. Dengan mensubstitusi nilai estimasi parameter untuk model ARMA(,), maka diperoleh: Z = 0, 0932Z + a + 0,9467a (3.7) t t t t Model ARMA(2,) Model ARMA (2,) mempunyai bentuk: Zt = φz t + φ2zt 2 + at + θat. Dari hasil estimasi model ARMA(2,) diperoleh: φ =,3075, φ 2 = 0,3233 dan θ = 0,9205. Dengan mensubstitusi nilai estimasi parameter untuk model ARMA(2,), maka diperoleh:

19 56 Z =, 3075Z 0,3233Z + a 0, 9205a (3.8) t t t 2 t t 4. Verifikasi Model Terdapat beberapa tahapan dalam verifikasi model, tahapan-tahapan tersebut adalah: a. Uji Keberartian Koefisien Model AR() ˆ φ = 0, 405 > 2 SE ( φ) = 2(0,444) = 0, Jadi, koefisien φ berbeda secara signifikan dengan nol, koefisien berarti. Model AR(2) ˆ φ = 0,5372 > 2 SE ( φ) = 2(0,460) = 0, Jadi, koefisien φ berbeda secara signifikan dengan nol, koefisien berarti. ˆ φ2 = 0, 3728 > 2 SE ( φ2) = 2(0,480) = 0, Jadi, koefisien φ 2 berbeda secara signifikan dengan nol, koefisien berarti. Model MA() ˆ θ = 0,9464 > 2 SE ( θ ) = 2(0, 0775) = 0,550. Jadi, koefisien θ berbeda secara signifikan dengan nol, koefisien berarti. Model ARMA(,) ˆ φ = 0, 0932 < 2 SE ( φ) = 2(0,670) = 0,3340. Jadi, koefisien φ tidak berbeda secara signifikan dengan nol, koefisien tidak berarti.

20 57 ˆ θ = 0,9467 > 2 SE ( θ ) = 2(0, 093) = 0,862. Jadi, koefisien θ berbeda secara signifikan dengan nol, koefisien berarti. Karena koefisien φ tidak berarti secara signifikan terhadap model, maka model ARMA (, ) ini kurang bagus. Sehingga pengujian untuk model ini tidak perlu dilanjutkan. Model ARMA(2,) ˆ φ =,3075 > 2 SE ( φ ) = 2(0, 3086) = 0, 672. Jadi, koefisien φ berbeda secara signifikan dengan nol, koefisien berarti. ˆ φ2 = 0, 3233< 2 SE ( φ2) = 2(0, 234) = 0, Jadi, koefisien φ 2 tidak berbeda secara signifikan dengan nol, koefisien tidak berarti. ˆ θ = 0,9205 > 2 SE ( θ ) = 2(0, 2503) = 0,5006. Jadi, koefisien θ berbeda secara signifikan dengan nol, koefisien berarti. Karena koefisien φ 2 tidak berarti secara signifikan terhadap model, maka model ARMA (2,) ini kurang bagus. Sehingga pengujian untuk model ini tidak perlu dilanjutkan. b. Variansi Sesatan Model AR() 2 SS MS, ,0456 σ a = = = 0,0444 DF 44

21 58 Model AR(2) 2 SS MS, ,04030 σ a = = = 0,03936 DF 43 Model MA() 2 SS MS, ,0326 σ a = = = 0, DF 44 c. Uji Kecocokan (lack of fit) Model AR() Tabel 3.5 Nilai Q Box-Pierce Model AR() untuk Harga Inti Sawit LAG P-VALUE KESIMPULAN 2 0,9 model sesuai 24 0,30 model sesuai 36 0,07 Model sesuai Model AR(2) Tabel 3.6 Nilai Q Box-Pierce Model AR(2) untuk Harga Inti Sawit LAG P-VALUE KESIMPULAN 2 0,06 Model tdk sesuai 24 0,048 model tdk sesuai 36 0,09 Model tdk sesuai Karena semua model AR(2) tidak sesuai pada setiap lag, maka model AR(2) tidak perlu dipergunakan lagi.

22 59 Model MA() Tabel 3.7 Nilai Q Box-Pierce Model MA() untuk Harga Inti Sawit LAG P-VALUE KESIMPULAN 2 0,689 model sesuai 24 0,856 model sesuai 36 0,792 model sesuai Berdasarkan verifikasi model, ternyata hanya model AR() dan MA()yang paling sesuai dengan data yang ada, berikutnya akan dipilih model yang memiliki 2 2 variansi sesatan yang terkecil. Dalam hal ini σ = 0, 0444 > σ = 0, 03055, a AR() a MA() maka model yang akan digunakan untuk meramalkan harga inti sawit adalah model MA(), yaitu: Z = a + 0,9464a t t t dengan a~ t N (0;0,03055). 5. Peramalan Setelah didapat model yang sesuai dengan data volume penjualan inti sawit, maka langkah selanjutnya adalah meramalkan volume penjualan inti sawit untuk 5 bulan ke depan. Data selengkapnya disajikan pada lampiran. Tabel berikut merupakan data aktual beserta data ramalan harga inti sawit untuk lima bulan yang akan datang.

23 60 Tabel 3.8 Data Aktual dan Data Ramalan Harga Inti Sawit dengan Metode ARIMA Data Ke Data Aktual Harga Inti Sawit (Ribu Rupiah) Data Ramalan Harga Inti Sawit (Ribu Rupiah) 2008: 3,660 3, :2 3,877 3, :3 4,350 3, :4 4,60 3, :5 4,300 3, Metode VAR bersamaan. Pada metode ini, variabel volume penjualan dan harga akan diuji secara Dimana Z,t = Volume penjualan inti sawit Z 2,t = Harga inti sawit Asumsi awal yaitu mengenai kestasioneran data. Data volume penjualan inti sawit berdasarkan pengujian di atas sudah stasioner atau I(0), sedangkan untuk data harga inti sawit stasioner pada differensi pertama atau I(). Terdapat perbedaan tingkat kestasioneran data, tetapi menurut Manurung (2005), VAR bisa menggabungkan data yang stasioner dan data yang tidak stasioner atau stasioner pada tingkat differensi. Berdasarkan hal tersebut, maka dapat langsung dilakukan identifikasi model VAR.

24 Identifikasi Model VAR untuk Volume Penjualan Inti Sawit dan Harga Inti Sawit Untuk menentukan panjangnya kelambanan model VAR, penulis menggunakan Akaike Information Criterion (AIC) seperti yang telah dijelaskan pada bab II. Dengan mencoba beberapa lag yang mungkin, kemudian dipilih lag yang memiliki nilai AIC terendah. Pada studi kasus ini, penulis mencoba lag 2, lag 4, dan lag 6. Tabel 3.9 Nilai Akaike Information Criterion (AIC) Lag 2 Lag 4 Lag 6 AIC 2, , ,956 Berdasarkan tabel di atas, maka model VAR yang akan digunakan untuk data deret waktu volume penjualan inti sawit dan harga inti sawit adalah model VAR tingkat Estimasi Parameter Model VAR(p) Dari langkah identifikasi, diperoleh model VAR(2) dengan bentuk umum sebagai berikut: Z, t φ, φ,2 Z, t φ2, φ2,2 Z, t 2 a, t Z = φ φ + + Z φ φ Z a 2, t,2,22 2, t 2,2 2,22 2, t 2 2, t (3.9) Dengan menggunakan software Eviews 3 diperoleh hasil sebagai berikut:

25 62 Sample(adjusted): 2004: :2 Included observations: 45 after adjusting endpoints Standard errors & t-statistics in parentheses VOL_INTISAWIT( -) VOL_INTISA WIT D(HRG_INTI SAWIT) ( ) (0.0004) ( ) (-.2695) VOL_INTISAWIT( -2) D(HRG_INTISAW IT(-)) D(HRG_INTISAW IT(-2)) (0.6482) (0.0005) (-.0070) (.94936) (63.56) (0.0543) ( ) (.05402) (65.089) ( ) (-0.466) ( ) C (00.98) ( ) (3.9055) ( ) Dari hasil di atas, diperoleh nilai untuk masing-masing parameter, yaitu: φ, = 0, ; φ,2 = 7, ; φ,2 = 0, 0063 ; φ,22 = 0,5962 ; φ 2, =,65995 ; φ 2,2 = 76, ; φ 2,2 = 0, ; φ 2,22 = Jika dilihat nilai masing-masing koefisien di atas umumnya lebih besar dari 2SE, kecuali untuk φ,2 dan φ 2,2, akan tetapi pada kasus ini akan digunakan model penuh sehingga nilai koefisien tersebut dianggap signifikan. Sehingga model VAR(2) dalam bentuk matriks adalah:

26 63 Z, t 0, ,00207 Z, t, ,95008 Z, t 2 Z = 0,0063 0, Z 0, ,08925 Z 2, t 2, t 2, t 2 393, , Dan model VAR(2) dalam bentuk persamaan adalah: Z,t = , t Z Z, t Z 2, t Z 2, t Z 2,t = , t Z Z, t Z 2, t Z 2, t Verifikasi Model VAR(p) Untuk memastikan apakah model VAR(2) yang telah ditentukan cukup memadai untuk data yang ada, akan dilakukan verifikasi terhadap model melalui korelasi sesatan untuk lag ke- sampai lag ke-20 dengan hasilnya sebagai berikut:

27 64 Date: 06/26/09 Time: 5:54 Sample: 2004:0 2007:2 Included observations: 45 Correlations are asymptotically consistent approximations RESID05,RESID06(-i) RESID05,RESID06(+i) i lag lead * * **** *.. ** **.. * * **.. ** ** * *.. * ** *.. ** **..** * *.. * ** *.. * *.. ** *. *** Dari hasil di atas dapat di lihat nilai sesatanya tidak berpola, oleh karena itu model VAR(2) cukup memadai untuk digunakan dalam peramalan volume inti sawit dan harga inti sawit Peramalan Volume Penjualan Inti Sawit dan Harga Inti Sawit dengan Model VAR Langkah terakhir pada studi kasus ini adalah melakukan peramalan dengan model yang sudah dijelaskan sebelumnya, dan hasil peramalan untuk beberapa periode yang akan datang adalah sebagai berikut:

28 65 Tabel 3.0 Data Hasil Peramalan Volume Penjualan dan Harga Inti Sawit dengan Metode VAR PERIODE VOLUME PENJUALAN INTISAWIT HARGA INTISAWIT 2008: 624,593 3, :2 68,94 3, :3 570,2542 3, :4 520,5325 4, :5 520,6023 4, Analisis Peramalan Pada analisis peramalan ini, akan dilakukan perbandingan antara model ARIMA dan model VAR yang diperoleh pada pemodelan di atas, dan akan dipilih model yang memiliki sesatan terkecil Volume Inti Sawit Tabel 3. Perbandingan Nilai Ramalan Model ARIMA dan Model VAR untuk Volume Penjualan Inti Sawit Data Ke Data Aktual (Ratus Ribu Kg) Model ARIMA (Ratus Ribu Kg) Model VAR (Ratus Ribu Kg) 2008: , , : ,565 68, : , , : , , : , ,6023 Dari tabel di atas, maka diperoleh sesatan dari masing-masing model, yaitu:

29 66 Tabel 3.2 Sesatan Model ARIMA dan Model VAR untuk Volume Penjualan Inti Sawit Data Ke Sesatan Model ARIMA Sesatan Model VAR 2008: 6,4 25, :2 28,435 50, :3 7, , :4 03,435 04, :5 03,435 04,3977 Dari hasil tabel perbandingan sesatan di atas, maka dapat disimpulkan bahwa model yang baik untuk peramalan volume penjualan inti sawit yaitu model ARIMA, yaitu: Zt = at 0, 4096at + 52,57 Dalam kasus ini, harga inti sawit tidak begitu berpengaruh pada volume penjualan inti sawit. Hal ini dapat dilihat dari signifikansi koefisien, bahwa koefisien harga inti sawit tidak signifikan terhadap volume inti sawit Harga Inti Sawit Tabel 3.3 Perbandingan Nilai Ramalan Model ARIMA dan Model VAR untuk Harga Inti Sawit Data Ke Data Aktual (Ribu Rupiah) Model ARIMA (Ribu Rupiah) Model VAR (Ribu Rupiah) 2008: 3,660 3, , :2 3,877 3, , :3 4,350 3, , :4 4,60 3,7066 4, :5 4,300 3, ,2889 Dari tabel di atas, maka diperoleh sesatan dari masing-masing model, yaitu:

30 67 Tabel 3.4 Sesatan Model ARIMA dan Model VAR untuk Harga Inti Sawit Data Ke Sesatan Model ARIMA Sesatan Model VAR 2008: 0,76 0, :2 0,328 0, :3 0,7222 0, :4 0,4583 0, :5 0,5233 0,0 Dari hasil tabel perbandingan sesatan di atas, maka dapat disimpulkan bahwa model yang baik untuk peramalan harga inti sawit yaitu model VAR, yaitu: Z 2,t = , t Z Z, t Z 2, t Z 2, t