Buku Analisis Pengembangan Model Forecasting - Split CPO Dan Split Crumb Rubber, Barang Dari Plastik, Dan Barang Dari Karet 2018

i
Kata Pengantar
Puji syukur kehadirat Allah SWT karena berkat rahmatnya, Penyusunan Buku
pengembangan model forecasting Nilai tambah industri makanan (split cpo), dan
industri karet, barang dari karet, dan plastik (split crumb rubber, barang dari plastik,
dan barang dari karet) telah selesai. Penyusunan buku ini harapannya dapat
memberikan gambaran secara sederhana mengenai kinerja industri pengolahan, dan
nantinya dapat memberikan masukan kepada pimpinan dalam merumuskan
kebijakan, maupun sebagai informasi untuk stakeholder lainnya.
Besar harapan kami agar kegiatan ini dapat memberikan manfaat bagi
masyarakat luas umumnya maupun lingkungan Pusdatin Khususnya. Masukan, kritik
serta saran sangat diharapkan untuk meningkatkan kualitas penyusunan buku ini di
masa yang akan datang, sehingga Pusat Data dan Informasi dapat memberikan
kontribusi yang lebih baik terkait data dan informasi mengenai Industri.
Kami mengucapkan terima kasih kepada semua pihak yang telah berkontribusi
dalam kegiatan ini, semoga hasil dari kegiatan ini bisa memberikan manfaat bagi para
stakeholder Pusat data dan Informasi
ii
DAFTAR ISI
Kata Pengantar……………………………………………………………………………………..i
Daftar isi……………………………………………………………………………………………..ii
I. PENDAHULUAN ................................................................................................... 1
1.1. Latar Belakang ...................................................................................................... 1
1.2. Tujuan ................................................................................................................... 1
1.3. Ruang Lingkup ...................................................................................................... 2
1.4. Keluaran ................................................................................................................ 2
II. TINJAUAN PUSTAKA ........................................................................................... 3

2.1. Konsep Peramalan (Forecasting) .......................................................................... 3
2.2. PDB Sektor Industri Pengolahan ........................................................................... 5
2.2.1. Komoditas Subsektor Industri Makanan dan CPO ................................................. 7
2.2.2. Komoditas Subsektor Industri Karet, Barang dari Karet, dan
Plastik dan Crumb Rubber..................................................................................... 8
III. METODOLOGI ...................................................................................................... 9

3.1. Data dan Variabel .................................................................................................. 9
3.2. Strategi Pemodelan untuk Splitting dan Forecasting.............................................. 9
3.3. Metode Splitting ....................................................................................................11
3.4. Metode Forecasting: Aplikasi Time Series Forecasting System ...........................12
3.4.1. Ringkasan Proses Peramalan dengan Menggunakan TSFS ................................13
3.4.1.1. Estimasi Parameter Model .................................................................................13
3.4.1.2. Evaluasi Model ..................................................................................................14
3.4.1.3. Peramalan (Forecast) ........................................................................................15
3.4.2. Statistics of Fit Model ...........................................................................................16
3.4.3. Model Forecasting Univariate ...............................................................................17
3.4.3.1. Model ARMA/ARIMA .........................................................................................17
3.4.3.2. Model Stepwise Autoregressive, Exponential Smoothing, dan Winters ..............20
IV. HASIL FORECASTING DAN ANALISIS ...............................................................22

4.1. Forecasting PDB Industri Makanan Split CPO ......................................................22
4.2. Forecasting Sektor Karet, Barang dari Karet, dan Plastik (Split Crumb Rubber dan
Barang dari Plastik) ..............................................................................................40
iii
I. PENDAHULUAN
1.1. Latar Belakang

Perencanaan sektoral merupakan sesuatu yang penting dan menjadi suatu
keharusan dalam pengambilan kebijakan yang bersifat sektoral. Salah satu hal yang
penting untuk diperhatikan adalah perhitungan dan pemantauan terhadap salah
satu kinerja industri, dalam hal ini adalah nilai Produk Domestik Bruto (PDB).
Namun sayangnya, ketersediaan data yang ada di Badan Pusat Statistik (BPS)
hanya terbatas pada jenis industri tertentu, yang tidak menyediakan informasi pada
sektor yang lebih rinci, misalnya saja informasi nilai PDB untuk jenis industri CPO,
industri Crumb Rubber, Barang dari Plastik, dan Barang dari Karet.
Nilai PDB dari industri CPO sendiri masih menjadi satu bagian dengan nilai
PDB industri Makanan. Sedangkan industri Crumb Rubber juga masih tergabung di
dalam industri Karet, Barang dari Karet, dan Plastik. Oleh karenanya, diperlukan
suatu teknik analisis untuk melakukan pemisahan nilai PDB dari satu jenis industri
tertentu dari nilai PDB industri induknya, misalnya saja nilai PDB industri CPO dari
nilai PDB industri Makanan.
Selain soal pemisahan data PDB, pentingnya perencanaan sektoral juga
harus mampu melakukan peramalan nilai PDB itu sendiri. Dengan adanya
peramalan diharapkan kebijakan tidak hanya mempertimbangkan keadaan saat ini,
namun juga mempertimbangkan perkiraan keadaan di masa yang akan datang.
Mengingat pentingnya informasi terkait nilai PDB sektoral khususnya CPO, Crumb
Rubber, Barang dari Karet dan Barang dari Plastik diperlukan pula kajian atau studi
mengenai peramalan terkait nilai PDB untuk industri-industri tersebut. Oleh karena
itu, studi ini ingin melakukan estimasi nilai PDB dari keempat komoditas tersebut
dan untuk selanjutnya dilakukan peramalan yang dapat digunakan untuk
merumuskan kebijakan di masa yang akan datang.
1.2. Tujuan
Adapun tujuan dari kajian ini adalah melakukan peramalan (forecasting) nilai
PDB dari sektor industri dan pemisahan (splitting) terhadap sektor industri strategis
yang tidak muncul secara khusus dalam PDB nasional dengan fokus kajian adalah
1
pada pemisahan dan peramalan nilai PDB pada industri Makanan (Split CPO) dan
industri Karet, Barang dari Karet, dan Plastik (Split Crumb Rubber, Split Barang dari
Plastik dan Split Barang dari Karet)
1.3. Ruang Lingkup

Ruang lingkup dari kajian ini adalah kegiatan pemisahan nilai PDB dan
melakukan peramalan. Peramalan nilai PDB dari sektor industri dan pemisahan
(splitting) dilakukan terhadap sektor industri strategis yang memang tidak muncul
secara spesifik dalam PDB nasional. Kajian ini membatasi pada peramalan nilai
PDB industri Makanan (termasuk di dalamnya adalah Split CPO) dan juga Industri
Karet, Barang dari Karet, dan Plastik (termasuk Split Crumb Rubber, Split Barang
dari Plastik dan Split Barang dari Karet)
1.4. Keluaran
Adapun keluaran dari kajian ini adalah:
a. Metode dan hasil Splitting data PDB Industri Makanan (Split CPO); dan
Industri Karet, Barang dari Karet dan Plastik (Split Crumb Rubber, Split
Barang dari Plastik dan Barang dari Karet)
b. Metode dan hasil Forecasting data PDB Industri Makanan (Split CPO); dan
Industri Karet, Barang dari Karet dan Plastik (Split Crumb Rubber, Split
Barang dari Plastik dan Barang dari Karet)
2
II. TINJAUAN PUSTAKA
2.1. Konsep Peramalan (Forecasting)

Peramalan (forecasting) adalah kegiatan memperkirakan atau
memprediksikan kemungkinan terjadinya suatu kondisi pada masa yang akan
datang, baik yang bersifat jangka pendek maupun jangka panjang. Sedangkan
ramalan adalah suatu situasi atau kondisi yang akan diperkirakan akan terjadi pada
masa yang akan datang. Untuk memprediksi hal tersebut umumnya diperlukan data
yang akurat di masa lalu, sehingga dapat dilihat prospek situasi dan kondisi di masa
yang akan datang berdasarkan perilaku historis data tersebut.
Setidaknya terdapat 3 (tiga) kegunaan peramalan, yakni: (i) sebagai alat bantu
dalam perencanaan yang efektif dan efisien; (ii) untuk menentukan kebutuhan
sumber daya di masa mendatang; dan (iii) untuk membuat keputusan yang tepat.
Kegunaan peramalan terlihat pada suatu pengambilan keputusan. Keputusan
yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan
terjadi pada waktu keputusan dalam berbagai kegiatan. Baik tidaknya hasil suatu
penelitian sangat ditentukan oleh ketetapan ramalan yang dibuat. Walaupun
demikian perlu diketahui bahwa ramalan selalu ada unsur kesalahannya, sehingga
yang perlu diperhatikan adalah usaha untuk memperkecil kesalahan dari ramalan
tersebut.
Dalam literatur, setidaknya terdapat 2 (dua) pendekatan yang dapat
digunakan untuk melakukan peramalan. Pertama, peramalan kualitatif. Peramalan
kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu.
Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya.
Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pendapat
dan pengetahuan serta pengalaman penyusunnya. Kedua, peramalan kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa
lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang digunakan
dalam peramalan tersebut. Baik tidaknya metode yang digunakan ditentukan oleh
perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang
terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang
terjadi maka semakin baik pula metode yang digunakan. Peramalan kuantitatif
3
dapat diterapkan bila terdapat kondisi berikut: (i) tersedia informasi (data) tentang
masa lalu; (ii) informasi (data) tersebut dapat dikuantitatifkan dalam bentuk data
numerik; dan (iii) dapat diasumsikan bahwa beberapa aspek pola masa lalu akan
terus berlanjut pada masa yang akan datang.
Gambar 2.1. Tahapan Umum Permalan dengan Pemodelan Kuantitatif
Sebagaimana diuraikan pada bagian terdahulu, fokus utama kajian ini adalah
melakukan peramalan (forecasting) terhadap data nilai tambah (PDB) industri
makanan (Split CPO) dan industri karet, barang dari karet, dan plastik (Split Crumb
Rubber dan Split Barang dari Plastik). Karena informasi utama yang digunakan
untuk melakukan forecasting adalah data historis kuantitatif, maka pendekatan
peramalan yang akan digunakan adalah pendekatan kuantitatif. Dalam konteks
peramalan kuantitatif, umumnya terdapat dua pendekatan yang dapat digunakan:
model ekonometrika univariate dan model ekonometrika multivariatel. Pendekatan
univariate model digunakan untuk menduga prilaku historis sebuah variabel dengan
hanya memanfatkan sepenuhnya informasi atau data masa lalu dari variabel
tersebut. Beberapa model ekonometrika yang umumnya digunakan antara lain:
Autoregressive (AR), Moving Average (MA), ARMA/ARIMA, Seasonal ARIMA, dan
4
lain-lain. Sementara pendekatan multivariate model digunakan selain untuk
proyeksi, juga digunakan untuk melakukan simulasi untuk mengetahui dampak dari
perubahan variabel-variabel eksogenus eksternal terhadap variabel yang
diobservasi. Di sini multivariate model menggunakan beberapa indikator
eksogenus eskternal, seperti variabel makro yang dianggap relevan mempengaruhi
prilaku historis suatu variabel target yang diobservasi. Secara umum tahapan
pemodelan dengan menggunakan pendekatan kuantitatif disajikan pada Gambar
2.1.
2.2. PDB Sektor Industri Pengolahan

Produk Domestik Bruto (PDB) merupakan salah satu indikator penting untuk
mengetahui perkembangan perekonomian di suatu negara dalam suatu periode
tertentu, baik atas dasar harga berlaku maupun atas dasar harga konstan. PDB
pada dasarnya merupakan jumlah nilai tambah yang dihasilkan oleh seluruh unit
usaha di suatu negara tertentu dalam periode tertentu. Jumlah nilai barang dan jasa
akhir yang disediakan dari produksi harus sama dengan nilai barang yang
digunakan. PDB atas dasar harga berlaku menggambarkan nilai tambah barang
dan jasa yang dihitung menggunakan harga yang berlaku pada setiap tahun,
sedang PDB atas dasar harga konstan menunjukkan nilai tambah barang dan jasa
tersebut yang dihitung menggunakan harga yang berlaku pada satu tahun tertentu
sebagai tahun dasar. PDB menurut harga berlaku digunakan untuk mengetahui
pergeseran, dan struktur ekonomi suatu negara. Sementara itu, PDB konstan
digunakan untuk mengetahui kemampuan sumber daya dalam mendorong
pertumbuhan ekonomi secara riil dari tahun ke tahun atau pertumbuhan ekonomi
yang tidak dipengaruhi oleh faktor harga. PDB juga dapat digunakan untuk
mengetahui perubahan harga dengan menghitung deflator PDB (perubahan indeks
implisit). Indeks harga implisit merupakan rasio antara PDB menurut harga berlaku
dan PDB menurut harga konstan.
Setidaknya terdapat 3 (jenis) pendekatan yang dapat digunakan dalam
perhitungan PDB secara konseptual, yaitu: pendekatan produksi (nilai tambah),
pendekatan pengeluaran, dan pendekatan pendapatan.
1. Pendekatan Produksi. Dalam pendekatan produksi, PDB adalah jumlah
nilai tambah atas barang dan jasa yang dihasilkan oleh berbagai unit
produksi di wilayah suatu negara dalam jangka waktu tertentu (umumnya
5
triwulan dan tahunan). Dalam pendekatan produksi, BPS menghitung
aktivitas produksi dari 17 lapangan usaha, yaitu: (1) pertanian, kehutanan
dan perikanan, (2) pertambangan dan penggalian, (3) industri pengolahan,
(4) pengadaan listrik, (5) pengadaan air, pengelolaan sampah, limbah dan
daur ulang, (6) konstruksi, (7) perdagangan besar dan eceran, reparasi
mobil & sepeda motor, (8) transportasi dan pergudangan, (9) penyediaan
akomodasi dan makan minum, (10) informasi dan komunikasi, (11) jasa
keuangan dan asuransi, (12) real estate, (13) Jasa Perusahaan, (14)
administrasi pemerintahan, pertahanan dan jaminan sosial wajib, (15) jasa
pendidikan, (16) jasa kesehatan dan kegiatan lainnya dan (17) jasa lainnya
2. Pendekatan Pengeluaran. Dalam pendekatan pengeluaran, PDBI dihitung
dengan menjumlahkan komponen-komponen pengeluaran berikut: (1).
Pengeluaran Konsumsi Rumah tangga (2). Pengeluaran Konsumsi LNPRT
(3). Pengeluaran Konsumsi Pemerintah (4) Pembentukan modal tetap
domestik bruto (5). Perubahan inventori, (6) Ekspor Barang dan Jasa (7)
(Dikurang) impor barang dan jasa.
3. Pendekatan Pendapatan. Dalam pendekatan pendapatan, PDB
merupakan jumlah balas jasa yang diterima oleh faktorfaktor produksi yang
ikut serta dalam proses produksi di suatu negara dalam jangka waktu
tertentu (biasanya satu tahun). Balas jasa yang dimaksud adalah upah dan
gaji, sewa tanah, bunga modal dan keuntungan; semuanya sebelum
dipotong pajak penghasilan dan pajak langsung lainnya. Dalam definisi ini,
PDB mencakup juga penyusutan dan pajak tidak langsung neto (pajak tak
langsung dikurangi subsidi)
Kajian ini berfokus pada peramalan sub sektor industri makanan dan industri
karet, barang dari karet, dan plastik. Keduanya merupakan bagian atau sub sektor
dari lapangan usaha industri pengolahan. Dengan demikian, kajian ini akan
berfokus pada perhitungan PDB dari sisi produksi (nilai tambah) menurut lapangan
usaha. PDB lapangan usaha industri pengolahan meliputi kegiatan ekonomi di
bidang perubahan secara kimia atau fisik dari bahan, unsur atau komponen menjadi
produk baru. Bahan baku industri pengolahan berasal dari produk pertanian,
kehutanan, perikanan, pertambangan atau penggalian seperti produk dari kegiatan
industri pengolahan lainnya. Perubahan, pembaharuan atau rekonstruksi yang
pokok dari barang secara umum diperlakukan sebagai industri pengolahan.Unit
6
industri pengolahan digambarkan sebagai pabrik, mesin atau peralatan yang
khusus digerakkan dengan mesin dan tangan.
Menurut BPS, termasuk Lapangan Usaha Industri Pengolahan adalah
perubahan bahan menjadi produk baru dengan menggunakan tangan, kegiatan
maklon atau kegiatan penjualan produk yang dibuat di tempat yang sama dimana
produk tersebut dijual dan unit yang melakukan pengolahan bahan-bahan dari pihak
lain atas dasar kontrak. Untuk Industri bukan Migas yaitu:Industri Makanan dan
Minuman sampai dengan Industri Pengolahan Lainnya, Jasa Reparasi, dan
Pemasangan Mesin dan Peralatan terdiri dari: Produksi/Indikator Produksi yang
dibagi menjadi dua kelompok besar yaitu Indeks Produksi Industri Besar Sedang
(IBS) dan Indeks Produksi Industri Mikro dan Kecil (IMK) diperoleh dari Direktorat
Statistik Industri-BPS. Data Harga/Indikator Harga diperoleh dari Direktorat Statistik
Harga-BPS. Data Struktur Biaya diperkirakan dari Hasil Survei Tahunan IBS dan
Hasil Survei Tahunan IMK-BPS ditambah dengan berbagai Survei Khusus yang
dilakukan Direktorat Neraca Produksi.
Data Produksi Industri Makanan dan Minuman sampai dengan Industri
Pengolahan Lainnya, Jasa Reparasi, dan Pemasangan Mesin dan Peralatan terdiri
dari: Produksi/Indikator Produksi yang dibagi menjadi dua kelompok besar yaitu
Indeks produksi Industri Besar Sedang (IBS) dan indeks produksi Industri Mikro dan
Kecil (IMK) diperoleh dari Direktorat Statistik Industri-BPS. Data Harga/Indikator
Harga diperoleh dariDirektorat Statistik HargaBPS. Data Struktur Biaya diperkirakan
dari Hasil Survei Tahunan IBS dan Hasil Survei Tahunan IMK-BPS ditambah
dengan berbagai Survei Khusus yang dilakukan Direktorat Neraca Produksi-BPS.
2.2.1. Komoditas Subsektor Industri Makanan dan CPO

Subsektor Makanan merupakan gabungan dari dua subkategori, yaitu Industri
Makanan dan Industri Minuman. Industri makanan mencakup pengolahan produk
pertanian, perkebunan dan perikanan menjadi makanan dan juga mencakup produk
setengah jadi yang tidak secara langsung menjadi produk makanan. Industri
Minuman mencakup pembuatan minuman beralkohol maupun tidak beralkohol, air
minum mineral, bir dan anggur, dan pembuatan minuman beralkohol yang disuling.
Kegiatan ini tidak mencakup pembuatan jus buah-buahan dan sayur-sayuran,
minuman dengan bahan baku susu, dan pembuatan produk teh, kopi dan produk
teh dengan kadar kafein yang tinggi. Dalam Klasifikasi Baku Lapangan Usaha
7
(KBLI) 2009, keduanya memiliki kode 10 dan 11. Sementara itu, dalam KBLI 2009,
industri CPO memiliki kode 10431, yakni industri minyak makan kelapa sawit.
2.2.2. Komoditas Subsektor Industri Karet, Barang dari Karet, dan Plastik
dan Crumb Rubber.
Ruang Lingkup Subkategori ini mencakup pembuatan barang plastik dan karet
dengan penggunaan bahan baku karet dan plastik dalam proses pembuatannya.
Misalnya; pembuatan karet alam, pembuatan ban karet untuk semua jenis
kendaraan dan peralatan, pengolahan dasar plastik atau daur ulang. Namun
demikian tidak berarti bahwa semua barang dari bahan bakukaret dan plastik
termasuk di golongan ini, misalnya industri alas kaki dari karet, industri em, industri
matras, industri permainan dari karet, termasuk kolam renang mainan anak anak.
Dalam KBLI 2009, industri ini memiliki kode 22. Dalam KBLI 2009 industri yang
termasuk dalam kategori industri Crumb Rubber adalah:
 Industri pengasapan karet (22121)
 Industri remilling karet (22122)
 Industri karet remah (22123)
Industri yang termasuk dalam kategori industri Barang dari Plastik adalah:
 Industri Barang Dari Plastik Untuk Bangunan (22210)
 Industri Barang Dari Plastik Untuk Pengemasan (22220)
 Industri Pipa Plastik Dan Perlengkapannya (22230)
 Industri Barang Plastik Lembaran (22291)
 Industri Perlengkapan Dan Peralatan Rumah Tangga (Tidak Termasuk
Furnitur) (22292)
 Industri Barang Dan Peralatan Teknik/Industri Dari Plastik (22293)
 Industri Barang Plastik Lainnya Ytdl (22299)
8
III. METODOLOGI
3.1. Data dan Variabel

Kajian ini menggunakan dua struktur data yang berbeda. Pertama, data PDB
nasional menurut sub sektor lapangan usaha yang dikumpulkan sepanjang
Triwulan I 2010 sampai Triwulan II 2018. Secara khusus lapangan usaha yang
diobservasi adalah industri pengolahan makanan dan industr pengolahan karet,
barang dari karet, dan plastik. Kedua, data nilai tambah industri yang bersumber
dari Statistik Industri Besar Sedang (SBIS) BPS, yang dikumpulkan sepanjang
periode 2010-2015. Penggunaan data SBIS dikarenakan tidak tersedianya data
PDB menurut lapangan usaha untuk industri CPO, Crumb Rubber, dan Barang dari
Plastik. Dalam hal ini, data PDB CPO, Crumb Rubber, dan Barang dari Plastik akan
dihitung berdasarkan data nilai tambah yang tersedia di SBIS.
Berdasarkan data SBIS, industri CPO adalah industri yang memiliki kode KBLI
10431, yakni industri minyak makan kelapa sawit. Sementara industri Crumb
Rubber adalah industri yang memiliki kode KBLI 22121 (Industri pengasapan karet),
22122 (industri remilling karet), dan 22123 (industri karet remah). Dan industri
Barang dari Plastik dalah industri yang memiliki kode KBLI 22210 (Industri Barang
Dari Plastik Untuk Bangunan), 22220 (Industri Barang Dari Plastik Untuk
Pengemasan), 22230 (Industri Pipa Plastik Dan Perlengkapannya), 22291 (Industri
Barang Plastik Lembaran), 22292 (Industri Perlengkapan Dan Peralatan Rumah
Tangga (Tidak Termasuk Furnitur)), 22293 (Industri Barang Dan Peralatan
Teknik/Industri Dari Plastik), dan 22299 (Industri Barang Plastik Lainnya Ytdl).
3.2. Strategi Pemodelan untuk Splitting dan Forecasting

Kajian ini berfokus pada dua hal: pertama, melakukan splitting data nilai
tambah (PDB) industri makanan menjadi: nilai tambah industri makanan tidak
termasuk CPO dan nilai tambah CPO, serta splitting data nilai tambah industri karet,
barang dari karet, dan plastik menjadi: nilai tambah nilai tambah crumb rubber, nilai
tambah Barang dari Plastik, dan sisanya. Kedua, melakukan forecasting data-data
nilai tambah tersebut sampai akhir triwulan tahun 2024.
9
Secara ringkas, prosedur splitting dan forecasting yang akan dilakukan pada
kajian ini disajikan pada Gambar 3.1 dan Gambar 3.2. Gambar 3.1 menyajikan
prosedur splitting dan forecasting untuk data nilai tambah (PDB) industri makanan
dan Gambar 3.2 menyajikan prosedur splitting dan forecasting untuk data nilai
tambah (PDB) industri karet, barang dari karet, dan plastik.
Data PDB Industri

Makanan
Splitting Data PDB Menurut Sektor Interpolasi Data
Data (Tw I 2010- Tw II 2018) (Tahunan 
Triwulanan)
Data PDB Industri
Makanan Exc CPO
Penyusunan
Data Statistik Industri Pemodelan
Struktur Data Time
Tahunan (2010-2015) Ekonometrika
Series (Triwulanan)
Data PDB CPO Forecasting

Seasonal
Adjustment Evaluasi Model
Gambar 3.1. Prosedur Splitting dan Forecasting Data Nilai Tambah Industri
Makanan
Data PDB Industri

Karet, Barang dari
Karet, dan Plastik
Splitting Data PDB Menurut Sektor Interpolasi Data
Data (Tw I 2010- Tw II 2018) (Tahunan 
Triwulanan)
Data PDB Industri
Karet, Barang dari
Karet, dan Plastik Exc.
Crumb Rubber dan
Barang dari Plastik Penyusunan
Pemodelan
Struktur Data Time
Ekonometrika
Data Statistik Industri Series (Triwulanan)
Tahunan (2010-2015)
Forecasting
Data PDB Crumb Seasonal
Rubber Adjustment Evaluasi Model
Data PDB Barang

dari Plastik
Gambar 3.2. Prosedur Splitting dan Forecasting Data Nilai Tambah Industri Karet,
Barang dari Karet, dan Plastik
10
3.3. Metode Splitting
Tahapan splitting data nilai tambah (PDB) Industri makanan menjadi data nilai
tambah industri makanan tidak termasuk CPO dan data nilai tambah CPO disajikan
sebagai berikut:
1. Menyiapkan struktur data time series triwulanan PDB Industri Makanan
sepanjang Triwulanan I 2010 – Triwulan II 2018. Data PDB tersebut
dikumpulkan dalam bentuk harga konstan dan harga berlaku.
2. Menghitung Deflator PDB industri makanan dengan menggunakan formulasi
sebagai berikut:
PDBtmakanan harga berlaku
DeflatorPDBtmakanan 
PDBtmakanan harga konstan
3. Menyiapkan struktur data time series tahunan nilai tambah CPO (dari SIBS)
sepanjang Tahun 2010 – 2015.
4. Melakukan interpolasi data series nilai tambah Industri CPO, dari tahunan ke
triwulan dengan menggunakan metode cubic spline. Metode spline adalah
salah satu metode numerik yang dapat digunakan untuk pencarian
interpolasi, yakni mengestimasi nilai-nilai di antara dua nilai yang tersedia
secara aktual. Interpolasi spline merupakan polinom sepotong-sepotong.
Suatu fungsi f(x) yang sudah diketahui nilainya pada selang a  x  b
dihampiri dengan sebuah fungsi lain g(x) dengan cara menyekat selang
a  x  b menjadi beberapa anak selang a  x1  x2   xn  b . Fungsi
g(x) yang disebut sebagai spline, dan jika g(x) mengambil bentuk fungsi
cubic, maka pendekatan interpolasi ini disebut sebagai cubic spline. Hasil
dari cubic spline akan memberikan nilai estimasi Triwulanan CPO sepanjang
Triwulan I 2011- Triwulan IV 2015.
5. Menghitung pangsa (share) nilai tambah Industri CPO terhadap Total PDB
(current price) Industri Makanan TwI 2011 – TwIV 2015.
6. Melakukan forecast pangsa (share) nilai tambah Industri CPO sampai
Triwulan IV 2024.
7. Melalukan forecast PDB (constant dan current price) Industri Makanan
sampai Triwulan IV 2024.
8. Berdasarkan hasil Langkah 6 dan 7, selanjutnya dapat dihitung estimasi nilai
tambah (PDB) Industri CPO selama TwI 2016– TwIV 2024.
Dengan cara yang sama, tahapan splitting data nilai tambah (PDB) Industri
karet, barang dari karet dan plastik menjadi data nilai tambah karet, barang dari
11
karet dan plastik tidak termasuk crumb rubber dan barang dari plastik dan data nilai
tambah crumb rubber dan barang dari plastik disajikan sebagai berikut:
1. Menyiapkan struktur data time series triwulanan PDB Industri karet, barang
dari karet dan plastik sepanjang Triwulanan I 2010 – Triwulan II 2018. Data
PDB tersebut dikumpulkan dalam bentuk harga konstan dan harga berlaku.
2. Menghitung Deflator PDB industri karet, barang dari karet dan plastik (KBKP)
dengan menggunakan formulasi sebagai berikut:
PDBtKBKP harga berlaku
DeflatorPDB t
KBKP

PDBtKBKP harga konstan
3. Menyiapkan struktur data time series tahunan nilai tambah crumb rubber dan
barang dari plastik (dari SIBS) sepanjang Tahun 2010 – 2015.
4. Melakukan interpolasi data series nilai tambah Industri crumb rubber dan
barang dari plastik, dari tahunan ke triwulan dengan menggunakan metode
cubic spline.
5. Menghitung masing-masing pangsa (share) nilai tambah Industri crumb
rubber dan barang dari plastik terhadap Total PDB (current price) Industri
karet, barang dari karet dan plastik TwI 2011 – TwIV 2015.
6. Melakukan forecast pangsa (share) nilai tambah Industri crumb rubber dan
barang dari plastik sampai Triwulan IV 2024.
7. Melalukan forecast PDB (constant dan current price) Industri karet, barang
dari karet dan plastik sampai Triwulan IV 2024.
8. Berdasarkan hasil Langkah 6 dan 7, selanjutnya dapat dihitung estimasi nilai
tambah (PDB) Industri crumb rubber dan barang dari plastik selama TwI
2016– TwIV 2024.
3.4. Metode Forecasting: Aplikasi Time Series Forecasting System

Time Series Forecasting System (TSFS) merupakan modul yang terintegrasi
dalam perangkat lunak SAS yang dirancang untuk peramalan suatu data time
series. TSFS memprediksi nilai-nilai suatu variabel time series di masa mendatang
melalui ekstrapolasi berdasarkan pola dan tren deret variabel tersebut di masa lalu
atau melalui ekstrapolasi pengaruh variabel lainnya pada suatu deret. TSFS dapat
bekerja dengan mode pemilihan otomatis sepenuhnya, atau melalui fitur diagnostik
model dan perangkat-perangkat pemodelan time series secara interaktif yang dapat
disesuaikan untuk mendapatkan model peramalan time series terbaik.
12
Beberapa fitur dalam TSFS yang tercakup di dalam SAS antara lain:
1. Menggunakan berbagai metode peramalan dengan pilihan yang cukup
komprehensip, di antaranya model Exponential Smoothing, Winter, dan
ARIMA (Box-Jenkins) beserta beberapa model variannya. Kita juga dapat
menghasilkan peramalan berdasarkan kombinasi atau perpaduan dari
beberapa model yang ada.
2. Menggunakan variabel prediktor dalam model peramalan. Model peramalan
di antaranya mencakup time trend curves, regressors, pengaruh intervensi
(variabel dummy), penyesuaian (adjustment), dan model regresi dinamis
(fungsi transfer).
3. Membuat plot data, nilai prediksi vs. aktual, prediksi error, prediksi selang
kepercayaan, koefisien autokorelasi dan autokorelasi parsial, serta hasil uji
stasioneritas dan white noise. Tampilan dari setiap plot dapat diperbesar dan
dapat menampilkan data asal dan hasil transformasi data asal.
4. Membandingkan kebaikan dari model-model yang ada melalui ukuran
goodness of fit statistics.
5. Menampilkan serta membandingkan hasil prediksi dan residual dari setiap
model yang digunakan beserta uji-uji asumsinya seperti uji autokorelasi dan
white noise, dan lain-lain.
3.4.1. Ringkasan Proses Peramalan dengan Menggunakan TSFS

Proses peramalan suatu indikator atau variabel time series dengan
menggunakan TSFS setidaknya memiliki tiga tahapan, yakni (i) estimasi parameter
model; (ii) evaluasi model; dan (iii) peramalan. Berikut ini akan diuraikan secara
ringkas prosedur dari masing-masing tahapan tersebut.
3.4.1.1. Estimasi Parameter Model

Proses estimasi parameter model pada dasarnya merupakan tahapan untuk
mencari nilai estimasi parameter dari model-model yang tersedia dalam TSFS yang
mana model tersebut adalah model yang paling sesuai (fit) dengan prilaku data time
series yang dikaji. Pemilihan spesifikasi model dapat dilakukan secara manual
dengan mengidentifikasi awal prilaku historis suatu data time series atau dapat juga
dengan menggunakan fasilitas pemilihan model otomatis (Fit Model Automatically)
13
yang tersedia dalam TSFS. Proses estimasi parameter model yang digunakan
untuk peramalan, dapat dijelaskan melalui bagan berikut:
Gambar 3.3. Bagan Alir Estimasi Parameter Model (Sumber: SAS User Guide V.9)
3.4.1.2. Evaluasi Model

Evaluasi model secara ringkas dimaknai sebagai proses verifikasi atau
evaluasi dari model sementara yang diperoleh, terutama dari model yang diperoleh
dari pemilihan model otomatis. Evaluasi dapat didasarkan pada criteria statistics of
fit ataupun uji asumsi model, seperti uji autokorelasi dan white noise. Proses
evaluasi model dapat dijelaskan melalui bagan berikut:
14
Gambar 3.4. Bagan Alir Evaluasi Model (Sumber: SAS User Guide V.9)
3.4.1.3. Peramalan (Forecast)

Pada dasarnya proses peramalan dilakukan ketika kita sudah mendapatkan
model fitting yang sudah dievaluasi kelayakannya, baik berdasarkan kriteria statistic
of fit yang digunakan maupun berbagai uji asumsi yang digunakan. Proses
peramalan (forecast) dapat dijelaskan melalui bagan berikut:
15
Gambar 3.5. Bagan Peramalan Suatu Data Time Series
(Sumber: SAS User Guide V.9)
3.4.2. Statistics of Fit Model

Statistics of fit digunakan untuk melihat kebaikan dari model yang digunakan
dalam mem-fit prilaku historis suatu data time series. Dengan kata lain statistics of
fit dapat digunakan untuk melakukan evaluasi terhadap model yang digunakan
dengan tujuan untuk mendapatkan model yang lebih baik. Beberapa kriteria
statstics of fit yang tersedia dan dapat digunakan dalam TSFS antara lain:
1. Sum of Squares Error (SSE)
16
SSE  t 1  yt  yˆt 
n 2
2. Mean Square Error (MSE)

1 n
MSE    yt  yˆt 
2
t 1
n
3. Root Mean Square Error (RMSE)
1 n
RMSE    yt  yˆt 
2
t 1
n
4. Mean Absolute Error (MAE)
1 n
MAE   yt  yˆt
n t 1
5. Mean Absolute Percent Error (MAPE)
100 n  yt  yˆt 
MAPE 
n
 t 1 y
t
6. R-Square
 y  yˆt 
n 2
 1 t 1
2 t
R

n
t 1
yt 2
7. Adjusted R-Square
 n 1 
R2  1    1  R 
2
nk 
8. Amemiya’s Adjusted R-Square
nk 
Amemiya R 2  1    1  R 
2
nk 
9. Akaike’s Information Criterion (AIC)
AIC  n ln(MSE )  2k
10. Schwarz Bayesian Information Criterion (SBIC)
SBIC  n ln  MSE   k ln  n 
3.4.3. Model Forecasting Univariate

3.4.3.1. Model ARMA/ARIMA
Salah satu metode peramalan yang cukup baik dan seringkali digunakan untuk
menjelaskan prilaku data univariate time series adalah metode Box-Jenkins, yang
dikenal juga sebagai model Autoregressive Integrated Moving Average (ARIMA).
17
Model ini merupakan model linier yang mampu menggambarkan prilaku data time
series, baik yang bersifat stasioner maupun non-stasioner. Dengan demikian model
ARIMA tidak mensyaratkan adanya asumsi tertentu terhadap pola historis suatu
data time series untuk melakukan suatu peramalan. Karena model ARIMA dibangun
berdasarkan data univariate time series, maka model ini hanya mengandalkan satu
variabel saja (tidak melibatkan penggunaan variabel lainnya) dalam mem-fit prilaku
historis sebuah data time series. Dengan kata lain, model ini menggambarkan
bagaimana suatu variabel dipengaruhi oleh prilaku variabel itu sendiri, namun pada
time lag yang berbeda.
Model Box-Jenkins sangat baik digunakan untuk peramalan jangka pendek,
akan tetapi untuk peralaman dalam jangka panjang ketepatannya kurang baik
karena nilai proyeksinya cenderung konstan. Metodologi Box-Jenkins umumnya
mengacu pada sekumpulan prosedur yang bertujuan untuk mengidentifikasi pola
time series (identifying), mencari model yang mampu menggambarkan prilaku
pergerakan data time series (fitting), mengecek akurasi dan asumsi model
(checking), dan meramal dari model yang diperoleh (forecasting) (Hanke, 2001 &
Enders, 2004). Selanjutnya, karena model Box-Jenkins atau ARIMA merupakan
model yang melibatkan fungsi autoregressive dan moving average, maka untuk
memahami konsep model tersebut, berikut akan dibahas mengenai model
autoregressive dan model moving average.
1) Model Autoregressive (AR)

Model Autoregressive adalah model yang menggambarkan bahwa variabel tak
bebas (dependent) dipengaruhi oleh lag variabel tak bebas itu sendiri pada periode-
periode waktu sebelumnya (time lag). Model autoregressive orde-p dinotasikan
dengan AR(p) mempunyai bentuk:
Yt  0  1Yt 1  2Yt 2     pYt  p   t ..................................................... (3.1)
dengan
 Yt = variabel tak bebas (dependent) pada waktu t
 Yt 1 , Yt 2 ,Yt  p = lag variabel Yt pada masing-masing selang waktu
 0 , 1 , 2 , p = parameter yang akan diestimasi
 t = error term
18
2) Model Moving Average (MA)
Model moving average orde-q dapat dinyatakan sebagai berikut:
Yt     t  1 t 1  2  t 2    q  t q .................................................... (3.2)
dengan
 Yt = variabel tak bebas (dependent) pada waktu t
  = konstanta mean
 1 , 2 ,, q = parameter yang akan diestimasi
  t = error term
  t 1 ,  t 2 ,,  t q = lag dari error term
Perbedaan model moving-average dengan autoregressive terletak pada

jenis variabel independen. Bila variabel independen pada autoregressive adalah
nilai sebelumnya (lag) dari variabel Yt itu sendiri, maka pada model moving-
average, variabel independennya adalah nilai residual (error) pada periode
sebelumnya. Walaupun koefisien  mempunyai tanda negatif, nilai koefisien ter-
sebut bisa saja bernilai positif ataupun negatif.
3) Model Autoregressive Integrated Moving Average (ARIMA)

Model ARIMA merupakan kombinasi antara model AR dan model MA. Secara
umum model Box-Jenkins (ARIMA) dinotasikan sebagai berikut:
ARIMA (p,d,q)
dengan
 p Menunjukkan orde autoregressive (AR)
 d Menunjukkan orde differencing
 q Menunjukkan orde moving average (MA)
Bila orde diffrencing (pembedaan) sama dengan nol, maka model ARIMA disebut
juga sebagai model ARMA. Model ARMA (p,q) sendiri dapat dituliskan sebagai
berikut:
Yt   0  1Yt 1   2Yt 2     pYt  p   t  1 t 1  2  t 2   q  t q ........... (3.3)
Sedangkan model ARIMA (p,d,q) untuk d=1dituliskan sebagai berikut:

Yt  0  1Yt 1  2 Yt 2    p Yt  p   t  1 t 1  2 t 2  q t q .... (3.4)
19
3.4.3.2. Model Stepwise Autoregressive, Exponential Smoothing, dan
Winters
Model stepwise autoregressive merupakan kombinasi antara model time
trend dan model autoregressive. Model time trend cukup baik dalam menangkap
prilaku jangka panjang, sedangkan model autoregressive cukup baik dalam
menangkap fluktuasi jangka pendek dari suatu data time series. Dengan demikian
model stepwise autoregressive mampu menangkap prilaku histroris jangka pendek
sekaligus jangka panjang dari suatu data time series.
Ada beberapa versi dari model time trend, namun yang paling umum
digunakan adalah model time trend linier linier dan model time trend kuadratik.
Model time trend linier memiliki dua parameter yang akan diestimasi. Model ini
diekspresikan sebagai:
xt   0  1t   t ...................................................................................... (3.5)
Sedangkan model time trend kuadratik mempunyai tiga parameter yang akan
diestimasi. Model ini diekspresikan sebagai:
xt  0  1t   2 t 2   t ............................................................................. (3.6)
Sementara itu, model autoregressive sebagaimana diulas pada bagian

terdahulu adalah model dimana suatu variabel dependen bergantung pada variabel
dependen itu sendiri namun pada time lag yang berbeda. Model autoregressive
diekspresikan sebagai:
xt  0  1 xt 1    p xt  p   t ............................................................... (3.7)
Dengan demikian model stepwise autoregressive yang merupakan

kombinasi dari kedua model di atas diekspresikan sebagai:
xt  0  1t   2 t 2  ut
ut  0  1ut 1    p ut  p   t ............................................................... (3.8)
Model exponential smoothing pada dasarnya mirip dengan model time trend,
namun model exponential smoothing mem-fit menggunakan skema smoothing
dengan pembobotan yang menurun secara geometris seiring perjalanan waktu ke
belakang (go backward in time). Peramalan dengan menggunakan metode
exponential smoothing pada dasarnya menggunakan metode time trend, namun
trend ini lebih didasari pada observasi terbaru dan bukannya melihat obeservasi
secara keseluruhan. Seberapa baik metode exponential smoothing digunakan
untuk proyeksi, bergantung pada pembobotan yang dipilih. Single exponential
20
smoothing menghasilkan peramalan dengan trend konstan (tidak ada trend).
Double exponential smoothing menghasilkan peramalan dengan trend linier,
sedangkan triple exponential smoothing menghasilkan peramalan dengan trend
kuadratik.
Sementara itu, metode winters serupa dengan metode exponential
smoothing, namun metode winters menyertakan faktor musiman (seasonal factors).
Ada dua versi dari metode winters, yakni additive dan multiplicative.
xt  b0  b1t  s  t    t (Additive) .............................................................. (3.9)
xt   b0  b1t  s  t    t (Multiplicative) ..................................................... (3.10)
Serupa dengan metode exponential smoothing, seberapa baik model ini

menghasilkan peramalan bergantung pembobotan yang dipilih.
21
IV. HASIL FORECASTING DAN ANALISIS
4.1. Forecasting PDB Industri Makanan Split CPO

Gambar 4.1 menyajikan data aktual dan forecasting nilai dan pertumbuhan
PDB industri makanan riil. Dalam kajian ini, terdapat dua jenis data historis aktual
yang digunakan untuk forecasting. Pertama, menggunakan data PDB industri
makanan riil yang dikumpulkan sepanjang Triwulan-1 2010 sampai Triwulan-2 2018
(v1). Kedua, menggunakan data growth PDB industri makanan riil yang
dikumpulkan pada periode yang sama (v2). Selanjutnya forecasting dilakukan
sepanjang Triwulan-3 2018 hingga Triwulan-4 2024 untuk kedua jenis data tersebut.
Gambar 4.1 memperlihatkan pergerakan nilai aktual PDB industri makanan riil
yang cenderung meningkat sepanjang periode Triwulan-1 2010 dampai Triwulan-2
2018. Pada Triwulan-1 2010 PDB industri makanan riil tercatat sebesar Rp. 79.543
Milyar, meningkat menjadi Rp. 166.720 Milyar pada Triwulan-2 2018. Meski memiliki
tren yang meningkat, namun pertumbuhan PDB industri makanan pada periode
tersebut cenderung berfluktuasi, dengan rata-rata pertumbuhan mencapai 9,1% per
Triwulan. Fluktuasi data aktual PDB industri makanan riil setiap tahunnya
menunjukkan adanya komponen seasonal. Di sisi lain, fakta bahwa pergerakan
PDB industri makanan riil konsisten meningkat, mengindikasikan bahwa
pergerakannya di masa mendatang juga akan meningkat.
250000 16%
Forecast 14%
200000
12%
150000 10%
8%
100000 6%
4%
50000
2%
0 0%
TW1
TW2
TW3
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB Industri Makanan (Riil, Rp. Milyar)
Gambar 4.1. Nilai Aktual dan Forecasting Pertumbuhan PDB Industri Makanan V1
22
Forecast
350000 16%
300000 14%
12%
250000
10%
200000
8%
150000
6%
100000
4%
50000 2%
0 0%
TW1
TW2
TW2
TW3
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB Industri Makanan (Riil, Rp. Milyar)
Gambar 4.2. Nilai Aktual dan Forecasting Pertumbuhan PDB Industri Makanan V2
Gambar 4.1 dan 4.2 berturut-turut menyajikan nilai aktual PDB industri makanan
riil dan pertumbuhannya, beserta nilai ramalannya hingga Triwulan-IV 2024.
Forecasting tersebut dilakukan dengan menggunakan basis data PDB industri
makanan riil aktual (V1) dan pertumbuhannya (V2). Pada kasus pertama (V1), nilai
proyeksi PDB industri makanan periode Triwulan-2 2018 sampai Triwulan-4 2024
diperoleh berdasarkan model univariat Factored ARIMA p(2) d(1) + Seasonal
Dummies. Sedangkan pada kasus kedua (V2), nilai proyeksi PDB industri makanan
periode Triwulan-2 2018 sampai Triwulan-4 2024 diperoleh berdasarkan model
univariat ARIMA (1,0,1) + Seasonal Dummies. Kedua model tersebut diperoleh
berdasarkan tahapan pemilihan model ARIMA terbaik sebagaimana dijelaskan
pada bagian metodologi. Hasil estimasi parameter untuk kedua model tersebut
disajikan pada Tabel 4.1 dan 4.2 di bawah ini.
Tabel 4.1. Hasil Estimasi Model Factored ARIMA p(2)d(1) + Seasonal Dummies
Sumber: Hasil Estimasi
23
Tabel 4.2. Hasil Estimasi Model Factored ARIMA p(2)d(1) + Seasonal Dummies

Selanjutnya berdasarkan hasil estimasi kedua model di atas, akan dilakukan
pengujian asumsi, yakni apakah error yang dihasilkan sudah berifat random atau
white noise atau tidak. Hasil pengujian untuk kedua model tersebut disajikan pada
Gambar 4.3. Dapat dilihat pada Gambar 4.3 bahwa tidak ada satupun lag dari error
yang memotong batas significance probabilities pada kedua model. Hal ini
menandakan bahwa error yang dihasilkan oleh kedua model sudah bersifat acak.
Dengan demikian kedua model layak digunakan untuk forecasting.
(a) (b)
Gambar 4.3. Hasil Uji White Noise Model ARIMA p(2) d(1) + Seasonal Dummies
(a) dan Model ARIMA (1,0,1) + Seasonal Dummies (b)
Berdasarkan model ARIMA p(2) d(1) + Seasonal Dummies (v1), diperkirakan

nilai PDB riil industri makanan pada Triwulan-3 2018 akan sebesar Rp. 169.972
Milyar, dan nilai ini diperkirakan akan cenderung meningkat hingga Triwulan-4 2024,
konsisten dengan pergerakan tren jangka panjangnya. Hingga Triwulan-4 2024
24
diperkirakan nilai PDB riil industri makanan akan meningkat sebesar Rp. 229.661
Milyar, dengan rata-rata pertumbuhan sebesar 5,29 persen (y-o-y) per Triwulannya.
Sementara itu, berdasarkan model ARIMA (1,0,1) + Seasonal Dummies (v2),
diperkirakan nilai PDB riil industri makanan pada Triwulan-3 2018 akan sebesar Rp.
172.385 Milyar, dan nilai ini juga diperkirakan akan cenderung meningkat hingga
Triwulan-4 2024. Sampai Triwulan-4 2024 diperkirakan nilai PDB riil industri
makanan akan meningkat sebesar Rp. 297.937 Milyar, dengan rata-rata
pertumbuhan sebesar 8,97 persen (y-o-y) per Triwulannya. Berdasarkan hasil
proyeksi ini dapat dilihat bahwa model v2 menghasilkan angka ramalan yang relatif
tinggi daripada model v1, baik dari nilai riilnya maupun angka pertumbuhannya.
Namun demikian, pola nilai ramalan yang dihasilkan relatif sama. Dalam kasus ini,
hasil ramalan kedua model dapat digunakan. Dalam hal ini, model v1 menghasilkan
angka ramalan yang leboh moderat, sementara model v2 menghaislkan angka
ramalan yang leboh optimis. Nilai proyeksi dan pertumbuhan PDB riil industri
makanan disajikan pada Tabel 4.3.
Tabel 4.3. Forecasting Nilai dan Pertumbuhan PDB Riil Industri Makanan
Periode Model v1 Model v2
2018 TW1 159749 13.02% 159749 13.02%
TW2 166720 8.49% 166720 8.49%
TW3 169972 6.30% 172385 7.81%
TW4 170001 5.33% 175997 9.05%
2019 TW1 168738 5.63% 174318 9.12%
TW2 177128 6.24% 181791 9.04%
TW3 180258 6.05% 187417 8.72%
TW4 179829 5.78% 192136 9.17%
2020 TW1 178606 5.85% 190233 9.13%
TW2 187143 5.65% 198225 9.04%
TW3 190261 5.55% 203760 8.72%
TW4 189784 5.54% 209755 9.17%
2021 TW1 188565 5.58% 207602 9.13%
TW2 197118 5.33% 216145 9.04%
TW3 200234 5.24% 221528 8.72%
TW4 199752 5.25% 228989 9.17%
2022 TW1 198533 5.29% 226556 9.13%
TW2 207088 5.06% 235685 9.04%
TW3 210204 4.98% 240845 8.72%
TW4 209722 4.99% 249987 9.17%
2023 TW1 208503 5.02% 247240 9.13%
TW2 217058 4.81% 256990 9.04%
TW3 220173 4.74% 261846 8.72%
25
TW4 219691 4.75% 272911 9.17%
2024 TW1 218472 4.78% 269813 9.13%
TW2 227027 4.59% 280222 9.04%
TW3 230143 4.53% 284679 8.72%
TW4 229661 4.54% 297937 9.17%
Salah satu tujuan utama kajian ini adalah melakukan proyeksi terhadap nilai
PDB CPO riil dan PDB industri makanan riil tanpa CPO. Sebagaimana telah
diuraikan pada bagian terdahulu, data statistik PDB CPO tidak tersedia dalam
format publikasi PDB menurut lapangan usaha atau sektor. Untuk itu, nilai PDB
CPO akan diekstraksi dari PDB industri makanan dengan menggunakan prosedur
splitting yang telah dijelaskan sebelumnya. Dengan prosedur ini, selanjutnya juga
dapat diproyeksi nilai PDB CPO riil dan PDB industri makanan riil tanpa CPO hingga
Triwulan-4 Tahun 2024.
Data PDB CPO dihitung dari data nilai tambah CPO yang diperoleh dari
publikasi Statistik Industri Besar Sedang (SIBS). Namun, publikasi tersebut hanya
menyediakan data nilai tambah CPO tahunan, bukan triwulanan seperti halnya data
PDB menurut lapangan usaha. Dan data terbaru publikasi SIBS sejauh ini hanya
tersedia hingga tahun 2015. Dengan demikian, data SIBS yang digunakan pada
kajian ini terbatas pada periode 2010-2015. Atas alasan ini dan untuk keperluan
forecasting, maka data nilai tambah CPO tahunan periode 2010-2015 akan
diinterpolasi dengan menggunakan metode cubic spline untuk mendapatkan
perikiraan triwulanan nilai tambah CPO. Hasil interpolasi ini juga akan disesuaikan
dengan mengakomodasi kemungkinan adanya pergerakan seasonal pada data nilai
tambah CPO.
Selanjutnya, berdasarkan data aktual nilai tambah CPO periode 2010-2015,
diperoleh rata-rata pangsa PDB CPO terhadap PDB industri makanan sepanjang
periode tersebut adalah sebesar 22,94%. Dengan kata lain, sepanjang periode
tersebut PDB CPO secara rata-rata menyumbang sekitar 22,94 persen
pembentukan PDB industri makanan, dan sisanya sekitar 87,06 persen disumbang
oleh PDB industri makanan non CPO.
Berbeda dengan data PDB industri makanan yang memiliki data aktual
hingga periode Triwulan-2 2018, data PDB CPO hanya tersedia hingga akhir tahun
2015. Dengan demikian, periode proyeksi bagi PDB CPO riil dan PDB industri
makananriil tanpa CPO akan dimulai pada Triwulan-1 2016 hingga Triwulan-4
26
2024. Prosedur proyeksi yang dilakukan secara umum sama dengan kasus
sebelumnya. Pada kasus ini juga akan digunakan dua model yang berbeda, yang
masing-masing menggunakan dua struktur data yang berbeda: pertama,
menggunakan hasil interpolasi data aktual share PDB CPO terhadap total PDB
industri makanan (v1). Kedua, menggunakan hasil interpolasi data aktual PDB CPO
riil (v2). Berdasarkan tahapan pemodelan ARIMA, diperoleh model yang sesuai
adalah Model ARIMA (1,0,0)+ Linear Trend+Seasonal Dummies (v1) untuk basis
data pertama, dan Model ARIMA (1,1,0)+Seasonal Dummies (v2) untuk basis data
kedua. Hasil estimasi kedua model tersebut disajikan pada Tabel 4.4 dan 4.5.
Tabel 4.4. Hasil Estimasi Model ARIMA (1,0,0) + Linear Trend+ Seasonal Dummies (v1)
Tabel 4.5. Hasil Estimasi Model ARIMA (1,1,0)+Seasonal Dummies (v2)

Gambar 4.4. Dapat dilihat pada Gambar tersebut bahwa tidak ada satupun lag dari
error yang memotong batas significance probabilities pada kedua model. Hal ini
Dengan demikian kedua model tersebut layak digunakan untuk forecasting.
27
Gambar 4.3. Hasil Uji White Noise Model ARIMA (1,0,0) + Linear Trend+ Seasonal
Dummies (v1) (a) dan Model ARIMA (1,1,0)+Seasonal Dummies (v2) (b)
Berdasarkan model ARIMA (1,0,0) + Linear Trend + Seasonal Dummies (v1),

diperoleh perkiraan rata-rata pangsa PDB CPO sebesar 23,59 persen dan rata-rata
pangsa PDB industri makanan tanpa CPO sebesar 76,41 persen sepanjang periode
Triwulan 1 2016 sampai Triwulan 4 2024 (lihat Gambar 4.4). Kemudian, dari model
ARIMA (1,1,0) + Seasonal Dummies (v2), diperoleh perkiraan rata-rata pangsa PDB
CPO sebesar 22,85 persen dan rata-rata pangsa PDB industri makanan tanpa CPO
sebesar 77,15 persen sepanjang periode yang sama (lihat Gambar 4.5). Perkiraan
rata-rata pangsa yang dihasilkan kedua model tersebut relatif tidak jauh berbeda
dengan pangsa aktualnya pada periode 2010-2015.
100% Forecast
80%
60%
40%
20%
0%
TW4
TW2
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW1
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Share PDB Ind. Makanan Exc. CPO (%)

(Sb. Kanan, %)
(%) Kanan, %)
Share PDB CPO thd PDB Industri Makanan (Sb.
Gambar 4.4. Share PDB CPO dan PDB Makanan Tanpa CPO Triwulanan v1
28
Forecast
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW1
TW3
TW1
TW3
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Share PDB Ind. Makanan Exc. CPO (%)

(Sb. Kanan, %)
(%) Kanan, %)
Gambar 4.5. Share PDB CPO dan PDB Makanan Tanpa CPO Triwulanan v2
Sementara itu, Gambar 4.6 dan Gambar 4.7 berturut-turut menyajikan profil
yang sama untuk proyeksi tahunan sepanjang 2016-2020. Proyeksi tahunan ini
diperoleh dengan mengaggregasi hasil proyeksi bulanan dari kedua model yang
diperoleh pada bagian sebelumnya. Berdasarkan model v1, diperoleh perkiraan
rata-rata pangsa PDB CPO tahunan sepanjang 2016-2024 adalah sebesar 23,60
persen. Dan berdasarkan model v2, rata-rata pangsa PDB CPO tahunan
diperkirakan sebesar 22,85 persen pada periode yang sama. Hasil keduanya relatif
sama baik dari sisi besaran maupun polanya. Dengan demikian, hasil estimasi
kedua model dapat dipilih salah satunya.
100%
90% Forecast
80%
70%
60%
50%
40%
30%
20%
10%
0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Share PDB Ind. Makanan (%)

Exc. CPO (Sb. Kanan, %)
(%) Kanan, %)
Gambar 4.6. Share PDB CPO dan PDB Industri Makanan Tanpa CPO Tahunan v1
29
Forecast
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
(%) Kanan, %)
Share PDB Ind. Makanan Exc. CPO (Sb.
(%) Kanan, %)
Gambar 4.7. Share PDB CPO dan PDB Industri Makanan Tanpa CPO Tahunan v2
Berbeda dengan prosedur forecast sebelumnya, forecast PDB CPO riil

diperoleh dengan memanfaat hasil forecast pangsa nilai tambah CPO terhadap total
PDB industri makanan nominal (v1) dan hasil forecast PDB CPO riil (v2) yang
diperoleh pada bagian sebelumnya. Selanjutnya dengan memanfaatkan hasil
forecast PDB industri makanan dan PDB deflator industri makanan sepanjang
Triwulan-1 2016 sampai Triwulan-4 2024, dapat ditentukan nilai proyeksi PDB CPO
riil sepanjang periode tersebut untuk kedua kasus tersebut.
Forecast
60000 25%
50000 20%
15%
40000
10%
30000
5%
20000
0%
10000 -5%
0 -10%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB CPO (Riil, Rp. Milyar)
Gambar 4.8. Proyeksi Nilai dan Pertumbuhan PDB Industri CPO Riil Triwulanan v1
30
60000 Forecast 25%
50000 20%
15%
40000
10%
30000
5%
20000
0%
10000 -5%
0 -10%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB CPO (Riil, Rp. Milyar)
Gambar 4.9. Proyeksi Nilai dan Pertumbuhan PDB Industri CPO Riil Triwulanan v2
Berdasarkan kedua pendekatan tersebut, nilai PDB CPO riil diperkirakan

akan meningkat hingga Triwulan-4 2024. Pada Model v1, nilai PDB CPO riil
Triwulan-1 2016 diperkirakan sebesar Rp 30.513 Milyar, meningkat menjadi Rp
55.164 Milyar pada Triwulan-4 2024 (lihat Gambar 4.8). Pada periode tersebut rata-
rata pertumbuhan per triwulannya diperkirakan mencapai 6,8 persen (yoy).
Sementara pada Model v2, nilai PDB CPO riil Triwulan-1 2016 diperkirakan sebesar
Rp 30.575 Milyar, meningkat menjadi Rp 53.151 Milyar pada Triwulan-4 2024 (lihat
Gambar 4.9). Pada periode tersebut rata-rata pertumbuhan per triwulannya
diperkirakan mencapai 6,3 persen (yoy). Hasil estimasi dari kedua model tersebut
relatif sama, sehingga dapat dipilih salah satunya.
Selanjutnya, jika dianalisis menurut periode tahunan, nilai PDB CPO riil
diperkirakan akan mengalami peningkatan hingga tahun 2024. Hasil ini ditemui baik
pada perkiraan yang diperoleh dari Model v1 maupun Model v2. Berdasarkan model
v1, pada tahun 2016 diperkirakan nilai PDB riil CPO sebesar Rp 120.539 Milyar,
meningkat menjadi Rp 216.424 Milyar pada tahun 2024 (lihat Gambar 4.10). Pada
periode tersebut, rata-rata pertumbuhan PDB CPO riil per tahunnya diperkirakan
mencapai 7,39 persen. Sementara itu, menurut model v2, pada tahun 2016
diperkirakan nilai PDB riil CPO sebesar Rp 120.535 Milyar, meningkat menjadi Rp
208.846 Milyar pada tahun 2024 (lihat Gambar 4.11). Pada periode tersebut, rata-
rata pertumbuhan PDB CPO riil per tahunnya diperkirakan mencapai 7,01 persen.
31
Seperti halnya pada kasus triwulanan, hasil estimasi dari kedua model tersebut
relatif sama, sehingga dapat dipilih salah satunya.
250000 Forecast 16%

14%
200000 12%
10%
150000
8%
6%
100000
4%
50000 2%
0%
0 -2%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
PDB CPO (Riil, Rp. Milyar) Growth (Sb. Kanan, yoy, %)
Gambar 4.10. Proyeksi Nilai dan Pertumbuhan PDB Industri CPO Riil Tahunan v1
250000 16%
Forecast 14%
200000 12%
10%
150000
8%
6%
100000
4%
50000 2%
0%
0 -2%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
PDB CPO (Riil, Rp. Milyar) Growth (Sb. Kanan, yoy, %)
Gambar 4.11. Proyeksi Nilai dan Pertumbuhan PDB Industri CPO Riil Tahunan v2
Gambar 4.12 dan Gambar 4.13 menyajikan proyeksi triwulanan PDB industri
makanan riil tanpa CPO sepanjang Triwulan-1 2016 sampai Triwulan-4 2024.
Seperti halnya kasus CPO, PDB industri makanan riil tanpa CPO diproyeksi dengan
memanfaatkan hasil forecast share nilai tambah PDB industri makanan tanpa CPO
terhadap total PDB industri makanan nominal (v1) dan forecast PDB industri
makanan riil tanpa CPO (v2). Kemudian dengan memanfaatkan hasil forecast PDB
industri makanan dan PDB deflator industri makanan sepanjang Triwulan-1 2016
32
sampai Triwulan-4 2024, dapat ditentukan nilai proyeksi PDB industri makanan riil
tanpa CPO sepanjang periode tersebut.
200000 20%
180000 Forecast 18%
160000 16%
140000 14%
120000 12%
100000 10%
80000 8%
60000 6%
40000 4%
20000 2%
0 0%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
PDB Ind. Makanan Exc. CPO (Riil, Rp. Milyar) Growth (Sb. Kanan, yoy, %)
Gambar 4.12. Proyeksi Nilai dan Pertumbuhan PDB Industri Makanan Riil Exc. CPO
Triwulanan v1
200000 20%
180000 18%
Forecast
160000 16%
140000 14%
120000 12%
100000 10%
80000 8%
60000 6%
40000 4%
20000 2%
0 0%
TW1
TW1
TW1
TW3
TW1
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Triwulanan v2
Berdasarkan Model v1, nilai PDB industri makanan riil tanpa CPO
diperkirakan akan meningkat hingga Triwulan-4 2024 seiring meningkatnya
perkiraan PDB industri makanan riil pada periode yang sama. Pada Triwulan-1 2016
diperkirakan nilai PDB industri makanan riil tanpa CPO sebesar Rp 100.054 Milyar,
meningkat menjadi Rp 174.496 Milyar pada Triwulan-4 2024. Pada periode tersebut
rata-rata pertumbuhan per triwulannya diperkirakan mencapai 6,4 persen (yoy).
33
Sementara itu, Model v1, memperkirakan bahwa pada Triwulan-1 2016, nilai PDB
industri makanan riil tanpa CPO sebesar Rp 99.993 Milyar, meningkat menjadi Rp
176.510 Milyar pada Triwulan-4 2024. Selama periode tersebut rata-rata
pertumbuhan per triwulannya diperkirakan mencapai 6,5 persen (yoy). Dapat dilihat
bahwa hasil estimasi dari kedua model tersebut relatif sama, sehingga dapat dipilih
salah satunya.
800000 14%
700000
Forecast
12%
600000
10%
500000
8%
400000
6%
300000
4%
200000
100000 2%
0 0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Tahunan v1
800000 14%
Forecast
700000 12%
600000
10%
500000
8%
400000
6%
300000
4%
200000
100000 2%
0 0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Tahunan v2
Selanjutnya, jika dianalisis menurut periode tahunan, nilai PDB industri

makanan riil tanpa CPO diperkirakan akan mengalami peningkatan hingga tahun
2024. Berdasarkan Model v1, pada tahun 2016 diperkirakan nilai PDB industri
34
makanan riil tanpa CPO sebesar Rp 395.391 Milyar, meningkat menjadi Rp 688.879
Milyar pada tahun 2024 (lihat Gambar 4.14). Pada periode tersebut, rata-rata
pertumbuhan PDB industri makanan riil tanpa CPO per tahunnya diperkirakan
mencapai 6,36 persen. Sementara itu, menurut Model v2, pada tahun 2016
diperkirakan nilai PDB industri makanan tanpa CPO riil sebesar Rp 395.935 Milyar,
meningkat menjadi Rp 696.497 Milyar pada tahun 2024 (lihat Gambar 4.15). Pada
periode tersebut, rata-rata pertumbuhan PDB industri makanan tanpa CPO riil per
tahunnya diperkirakan mencapai 6,48 persen. Dapat dilihat bahwa hasil estimasi
dari kedua model tersebut relatif sama, sehingga dapat dipilih salah satunya.
35
Tabel 4.6. Proyeksi Triwulanan PDB Industri Makanan Split CPO (v1)
Growth
Share PDB PDB Ind.
PDB PDB Ind. Growth PDB Ind.
PDB CPO Share PDB Ind. PDB Makanan
Periode Makanan Makanan Exc. Deflator PDB Makanan
Nominal CPO Makanan CPO Riil Exc.
Nominal CPO CPO Exc.
Exc. CPO CPO Riil
CPO
2016 TW1 158020 37704 123607 23.37% 76.63% 1.24 30514 11.0% 100054 7.1%
TW2 161304 37697 136030 23.54% 76.46% 1.24 33785 10.5% 109737 7.7%
TW3 177910 41880 139864 23.63% 76.37% 1.25 34565 10.4% 111713 10.4%
TW4 183140 43276 136450 23.50% 76.50% 1.27 33119 6.3% 107815 8.4%
2017 TW1 178366 41916 139059 23.13% 76.87% 1.28 32692 7.1% 108648 8.6%
TW2 180901 41842 150781 23.38% 76.62% 1.28 35928 6.3% 117743 7.3%
TW3 196791 46010 157724 23.54% 76.46% 1.29 37640 8.9% 122257 9.4%
TW4 206283 48559 161658 23.45% 76.55% 1.31 37846 14.3% 123545 14.6%
2018 TW1 211180 49522 163295 23.12% 76.88% 1.33 36934 13.0% 122815 13.0%
TW2 212402 49107 169468 23.40% 76.60% 1.33 39012 8.6% 127708 8.5%
TW3 221237 51770 173663 23.57% 76.43% 1.34 40062 6.4% 129910 6.3%
TW4 227219 53555 175621 23.50% 76.50% 1.35 39950 5.6% 130051 5.3%
2019 TW1 229569 53949 176963 23.18% 76.82% 1.37 39113 5.9% 129625 5.5%
TW2 230361 53398 185709 23.46% 76.54% 1.37 41554 6.5% 135574 6.2%
TW3 242630 56921 189884 23.65% 76.35% 1.38 42631 6.4% 137627 5.9%
TW4 248702 58818 191200 23.58% 76.42% 1.39 42404 6.1% 137425 5.7%
2020 TW1 250196 58996 192339 23.26% 76.74% 1.40 41544 6.2% 137062 5.7%
TW2 250638 58298 201914 23.54% 76.46% 1.41 44053 6.0% 143090 5.5%
TW3 264077 62164 206219 23.73% 76.27% 1.42 45149 5.9% 145112 5.4%
TW4 270380 64161 207426 23.66% 76.34% 1.43 44903 5.9% 144881 5.4%
2021 TW1 271714 64287 208533 23.34% 76.66% 1.44 44011 5.9% 144554 5.5%
TW2 272024 63490 218537 23.63% 76.37% 1.45 46579 5.7% 150539 5.2%
TW3 286156 67619 222965 23.82% 76.18% 1.46 47696 5.6% 152538 5.1%
TW4 292682 69717 224202 23.75% 76.25% 1.47 47441 5.7% 152311 5.1%
2022 TW1 294035 69833 225350 23.43% 76.57% 1.48 46516 5.7% 152017 5.2%
TW2 294305 68956 235686 23.72% 76.28% 1.49 49121 5.5% 157967 4.9%
TW3 308975 73289 240236 23.91% 76.09% 1.50 50260 5.4% 159944 4.9%
TW4 315726 75490 241535 23.84% 76.16% 1.51 49998 5.4% 159724 4.9%
36
2023 TW1 317142 75607 242751 23.52% 76.48% 1.52 49040 5.4% 159463 4.9%
TW2 317404 74653 253390 23.81% 76.19% 1.53 51682 5.2% 165376 4.7%
TW3 332576 79186 258059 24.00% 76.00% 1.54 52842 5.1% 167331 4.6%
TW4 339551 81492 259419 23.93% 76.07% 1.55 52572 5.1% 167119 4.6%
2024 TW1 341026 81608 260750 23.61% 76.39% 1.56 51581 5.2% 166891 4.7%
TW2 341341 80591 271642 23.90% 76.10% 1.57 54259 5.0% 172768 4.5%
TW3 356955 85312 276484 24.08% 75.92% 1.58 55418 4.9% 174725 4.4%
TW4 364178 87694 277868 24.02% 75.98% 1.59 55165 4.9% 174496 4.4%
Tabel 4.7. Proyeksi Triwulanan PDB Industri Makanan Split CPO (v2)
Growth
Share PDB PDB Ind.
PDB PDB Ind. Growth PDB Ind.
PDB CPO Share PDB Ind. PDB Makanan
Periode Makanan Makanan Exc. Deflator PDB Makanan
Nominal CPO Makanan CPO Riil Exc.
Nominal CPO CPO Exc.
Exc. CPO CPO Riil
CPO
2016 TW1 161304 37772 123531 23.417% 76.58% 1.24 30575 11.3% 99993 7.0%
TW2 177910 40601 137309 22.821% 77.18% 1.24 32753 7.1% 110769 8.7%
TW3 183140 41967 141173 22.915% 77.08% 1.25 33520 7.1% 112758 11.5%
TW4 178366 42405 135961 23.774% 76.23% 1.27 33506 7.5% 107428 8.0%
2017 TW1 180901 42200 138701 23.327% 76.67% 1.28 32971 7.8% 108369 8.4%
TW2 196791 45052 151740 22.893% 77.11% 1.28 35180 7.4% 118491 7.0%
TW3 206283 46395 159889 22.491% 77.51% 1.29 35962 7.3% 123935 9.9%
TW4 211180 47047 164133 22.278% 77.72% 1.31 35955 7.3% 125436 16.8%
2018 TW1 212402 47100 165303 22.175% 77.83% 1.33 35424 7.4% 124325 14.7%
TW2 221237 49942 171296 22.574% 77.43% 1.33 37635 7.0% 129085 8.9%
TW3 227219 51356 175863 22.602% 77.40% 1.34 38417 6.8% 131555 6.1%
TW4 229569 51870 177699 22.595% 77.41% 1.35 38411 6.8% 131590 4.9%
2019 TW1 230361 51715 178646 22.450% 77.55% 1.37 37881 6.9% 130857 5.3%
TW2 242630 54917 187713 22.634% 77.37% 1.37 40091 6.5% 137037 6.2%
TW3 248702 56394 192308 22.675% 77.32% 1.38 40874 6.4% 139384 6.0%
TW4 250196 56860 193336 22.726% 77.27% 1.39 40868 6.4% 138961 5.6%
37
2020 TW1 250638 56605 194033 22.584% 77.42% 1.40 40337 6.5% 138269 5.7%
TW2 264077 60039 204038 22.736% 77.26% 1.41 42548 6.1% 144595 5.5%
TW3 270380 61578 208802 22.775% 77.23% 1.42 43331 6.0% 146930 5.4%
TW4 271714 62027 209687 22.828% 77.17% 1.43 43324 6.0% 146460 5.4%
2021 TW1 272024 61735 210289 22.695% 77.31% 1.44 42794 6.1% 145771 5.4%
TW2 286156 65332 220824 22.831% 77.17% 1.45 45004 5.8% 152114 5.2%
TW3 292682 66927 225755 22.867% 77.13% 1.46 45787 5.7% 154447 5.1%
TW4 294035 67390 226645 22.919% 77.08% 1.47 45781 5.7% 153971 5.1%
2022 TW1 294305 67080 227225 22.793% 77.21% 1.48 45251 5.7% 153282 5.2%
TW2 308975 70812 238163 22.918% 77.08% 1.49 47461 5.5% 159627 4.9%
TW3 315726 72462 243264 22.951% 77.05% 1.50 48244 5.4% 161960 4.9%
TW4 317142 72946 244196 23.001% 77.00% 1.51 48238 5.4% 161484 4.9%
2023 TW1 317404 72624 244780 22.881% 77.12% 1.52 47707 5.4% 160796 4.9%
TW2 332576 76484 256092 22.998% 77.00% 1.53 49918 5.2% 167140 4.7%
TW3 339551 78190 261361 23.027% 76.97% 1.54 50700 5.1% 169473 4.6%
TW4 341026 78692 262334 23.075% 76.92% 1.55 50694 5.1% 168997 4.7%
2024 TW1 341341 78376 262964 22.961% 77.04% 1.56 50164 5.2% 168308 4.7%
TW2 356955 82348 274607 23.070% 76.93% 1.57 52374 4.9% 174653 4.5%
TW3 364178 84116 280063 23.097% 76.90% 1.58 53157 4.8% 176986 4.4%
TW4 365712 84638 281075 23.143% 76.86% 1.59 53151 4.8% 176510 4.4%
Tabel 4.8. Proyeksi Tahunan PDB Industri Makanan Split CPO (v1)
PDB Ind.
PDB PDB Share Share PDB PDB Growth PDB Ind. Growth PDB
Makanan
Periode Makanan CPO PDB Ind. Makanan CPO PDB Makanan Exc. Ind. Makanan
Exc. CPO
Nominal Nominal CPO Exc. CPO Riil CPO CPO Riil Exc. CPO
Nominal
2011 386476 93549 292926 24.21% 75.79% 91170 285667
2012 424904 97634 327270 22.98% 77.02% 96151 5.46% 322086 12.75%
2013 456713 100358 356355 21.97% 78.03% 95779 -0.39% 340072 5.58%
2014 524510 116551 356355 22.22% 77.78% 106356 11.04% 372349 9.49%
38
2015 608198 141994 466205 23.35% 76.65% 120539 13.33% 395931 6.33%
2016 700720 164769 535951 23.51% 76.49% 131984 9.49% 429318 8.43%
2017 795155 185933 609222 23.38% 76.62% 144106 9.18% 472193 9.99%
2018 890428 208381 682046 23.40% 76.60% 155959 8.23% 510483 8.11%
2019 971889 228133 743756 23.47% 76.53% 165702 6.25% 540251 5.83%
2020 1056809 248911 807898 23.55% 76.45% 175649 6.00% 570145 5.53%
Tabel 4.9. Proyeksi Tahunan PDB Industri Makanan Split CPO (v2)
PDB Ind.
PDB PDB Share Share PDB PDB Growth PDB Ind. Growth PDB
Makanan
Periode Makanan CPO PDB Ind. Makanan CPO PDB Makanan Exc. Ind. Makanan
Exc. CPO
Nominal Nominal CPO Exc. CPO Riil CPO CPO Riil Exc. CPO
Nominal
2011 386476 93544 292932 24.20% 75.80% 91165 285672
2012 424904 97625 327279 22.98% 77.02% 96143 5.46% 322094 12.75%
2013 456713 100362 356350 21.97% 78.03% 95784 -0.37% 340067 5.58%
2014 524510 116555 356350 22.22% 77.78% 106360 11.04% 372345 9.49%
2015 608198 141989 466209 23.35% 76.65% 120535 13.33% 395935 6.34%
2016 700720 162745 537974 23.23% 76.77% 130354 8.15% 430948 8.84%
2017 795155 180693 614463 22.72% 77.28% 140068 7.45% 476231 10.51%
2018 890428 200267 690160 22.49% 77.51% 149887 7.01% 516555 8.47%
2019 971889 219885 752004 22.62% 77.38% 159714 6.56% 546239 5.75%
2020 1056809 240249 816560 22.73% 77.27% 169540 6.15% 576254 5.49%
39
4.2. Forecasting Sektor Karet, Barang dari Karet, dan Plastik (Split Crumb
Rubber dan Barang dari Plastik)
Gambar 4.16 dan Gambar 4.17 menyajikan data aktual dan forecasting nilai
dan pertumbuhan PDB industri Karet, Barang dari Karet, dan Plastik (KBKP) riil.
Seperti pada kasus sebelumnya, terdapat dua jenis data historis aktual yang
digunakan untuk forecasting. Pertama, menggunakan data PDB industri KBKP riil
yang dikumpulkan sepanjang Triwulan-1 2010 sampai Triwulan-2 2018. Kedua,
menggunakan data growth PDB industri KBKP riil yang dikumpulkan pada periode
yang sama. Sementara forecasting dilakukan sepanjang Triwulan-3 2018 hingga
Triwulan-4 2024 untuk kedua jenis data tersebut.
Dapat dilihat sepanjang periode tersebut pergerakan nilai aktual PDB industri
KBKP riil cenderung meningkat. Pada Triwulan-1 2010 tercatat PDB industri KBKP
riil sebesar Rp. 17.276 Milyar, meningkat menjadi Rp. 19.295 Milyar pada Triwulan-
2 2018. Pergerakan PDB industri KBKP riil cenderung berfluktuasi, yang
menandakan bahwa data aktual PDB industri KBKP memiliki komponen seasonal.
Pergerakan terebut pada gilirannya membuat pertumbuhan PDB industri tersebut
mengalami pertumbuhan positif dan kontraksi, dengan rata-rata pertumbuhan
mencapai 1,3 persen per Triwulan. Pertumbuhan tersebut jauh lebih rendah
dibandingkan kasus PDB industri makanan yang mencapai 9,1 persen. Selanjutnya,
fakta pergerakan PDB industri KBKP cenderung meningkat, mengindikasikan
bahwa pergerakannya di masa mendatang juga akan meningkat.
25000 Forecast 20%

15%
20000
10%
15000 5%
10000 0%
-5%
5000
-10%
0 -15%
TW3
TW4
TW1
TW2
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW3
TW4
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %)

PDB Industri Karet, Barang dari Karet, dan Plastik (Riil, Rp. Milyar)
Gambar 4.16. Forecasting Nilai dan Pertumbuhan PDB KBKP Riil v1
40
Forecast
30000 20%
25000 15%
10%
20000
5%
15000
0%
10000
-5%
5000 -10%
0 -15%
TW3
TW4
TW1
TW2
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW3
TW4
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %)

PDB Industri Karet, Barang dari Karet, dan Plastik (Riil, Rp. Milyar)
Gambar 4.17. Forecasting Nilai dan Pertumbuhan PDB KBKP Riil v2
Gambar 4.16 dan 4.17 berturut-turut menyajikan nilai aktual PDB industri KBKP
beserta nilai peramalannya hingga Triwulan-IV 2024 dengan menggunakan basis
data PDB industri KBKP riil aktual (v1) dan pertumbuhannya (v2). Pada kasus
pertama (v1), nilai proyeksi PDB industri KBKP periode Triwulan-2 2018 sampai
Triwulan-4 2024 diperoleh berdasarkan model univariat ARIMA (1,0,1)+Linear
Trend + Seasonal Dummies. Sedangkan pada kasus kedua (v2), nilai proyeksi
PDB industri KBKP periode Triwulan-2 2018 sampai Triwulan-4 2024 diperoleh
berdasarkan model univariat Factored ARIMA p(1,4) d(1)+ Seasonal Dummies.
Kedua model tersebut diperoleh berdasarkan tahapan pemilihan model ARIMA
terbaik sebagaimana dijelaskan pada bagian metodologi. Hasil estimasi parameter
untuk kedua model tersebut disajikan pada Tabel 4.10 dan 4.11 di bawah ini.
Tabel 4.10. Hasil Estimasi Model Factored ARIMA (1,0,1)+Linear Trend + Seasonal
Dummies
41
Tabel 4.11. Hasil Estimasi Model Factored ARIMA p(1,4) d(1) + Seasonal Dummies

Gambar 18. Dapat dilihat pada Gambar tersebut bahwa tidak ada satupun lag dari
error yang emeotong batas significance probabilities pada kedua model. Hal ini
Dengan kata lain, kedus model tersebut layak digunakan untuk forecasting.
(a) (b)
Gambar 4.18. Hasil Uji White Noise Model ARIMA (1,0,1)+Linear Trend + Seasonal
Dummies (a) dan Model Factored ARIMA p(1,4) d(1) + Seasonal Dummies
Berdasarkan Model ARIMA (1,0,1)+Linear Trend + Seasonal Dummies (v1),

diperkirakan nilai PDB riil industri KBKP pada Triwulan-3 2018 akan sebesar Rp.
18.778 Milyar. Nilai ini diperkirakan bergerak fluktuatif dengan sedikit tren
meningkat hingga Triwulan-4 2024. Hingga Triwulan-4 2024 diperkirakan nilai PDB
42
riil industri KBKP akan meningkat sebesar Rp. 19.295 Milyar, dengan rata-rata
pertumbuhan sebesar 1,36 persen (y-o-y) per Triwulannya.
Selanjutnya, berdasarkan model Factored ARIMA p(1,4) d(1) (v2),
diperkirakan nilai PDB riil industri KBKP pada Triwulan-3 2018 akan sebesar Rp.
18.507 Milyar. Meski berfluktuasi seperti yang dihasilkan model v1, namun pada
model v2 ini, nilai PDB riil industri KBKP memiliki tren peningkatan yang relatif lebih
tinggi hingga Triwulan-4 2024. Sampai Triwulan-4 2024 diperkirakan nilai PDB riil
industri KBKP akan meningkat sebesar Rp. 24.658 Milyar, dengan rata-rata
pertumbuhan sebesar 5,3 persen (y-o-y) per Triwulannya. Berdasarkan hasil
proyeksi ini dapat dilihat bahwa model v2 menghasilkan angka ramalan yang lebih
tinggi daripada model v1, baik dari nilai riilnya maupun angka pertumbuhannya. Hal
ini mengindikasikan bahwa model v1 menghasilkan ramalan yang lebih moderat
atau dapat dikatakan pesimis, sementara model v2 menghasilkan nilai ramalan
yang lebih optimis dengan angka perkiraan pertumbuhan yang lebih tinggi. Nilai
proyeksi dan pertumbuhan PDB riil industri KBKP disajikan pada Tabel 4.12.
Tabel 4.12. Forecasting Nilai dan Pertumbuhan PDB Riil Industri KBKP
Periode Model v1 Model v2
2018 TW1 18368 3.10% 18368 3.10%
TW2 19295 3.18% 19295 3.18%
TW3 18778 8.62% 18507 7.06%
TW4 18349 6.00% 18312 5.78%
2019 TW1 18945 3.14% 19279 4.96%
TW2 19267 -0.15% 20387 5.66%
TW3 18734 -0.23% 18953 2.41%
TW4 18443 0.51% 18985 3.68%
2020 TW1 19089 0.76% 20133 4.43%
TW2 19429 0.84% 21333 4.64%
TW3 18901 0.89% 20047 5.77%
TW4 18613 0.92% 19969 5.18%
2021 TW1 19259 0.89% 21162 5.11%
TW2 19599 0.87% 22543 5.67%
TW3 19072 0.90% 20871 4.11%
TW4 18783 0.91% 20935 4.84%
2022 TW1 19429 0.88% 22258 5.18%
TW2 19770 0.87% 23782 5.50%
TW3 19243 0.90% 22038 5.59%
TW4 18954 0.91% 22066 5.40%
2023 TW1 19600 0.88% 23493 5.55%
TW2 19940 0.86% 25217 6.03%
TW3 19413 0.88% 23164 5.11%
43
TW4 19125 0.90% 23291 5.55%
2024 TW1 19770 0.87% 24849 5.77%
TW2 20111 0.86% 26767 6.15%
TW3 19584 0.88% 24519 5.85%
TW4 19295 0.89% 24658 5.87%
Seperti pada kasus PDB CPO, data statistik PDB Crumb Rubber dan Barang
dar Plastik tidak tersedia dalam format publikasi PDB menurut lapangan usaha atau
sektor. Untuk itu, nilai PDB Crumb Rubber dan PDB Barang dari Plastik juga akan
diekstraksi dari PDB industri KBKP dengan menggunakan prosedur splitting yang
telah dijelaskan sebelumnya. Dengan prosedur ini, selanjutnya juga dapat
diproyeksi nilai PDB Crumb Rubber, PDB Barang dari Plastik, dan sisanya (Barang
dar Karet) hingga Triwulan-4 Tahun 2024.
Data PDB Crumb Rubber dan PDB Barang dari Plastik diperoleh dari data
nilai tambah Crumb Rubber dan nilai tambah Barang dari Plastik yang diperoleh dari
publikasi Statistik Industri Besar Sedang (SIBS). Namun, publikasi tersebut hanya
menyediakan data nilai tambah Crumb Rubber dan nilai tambah Barang dari Plastik
tahunan, bukan triwulanan seperti halnya data PDB menurut lapangan usaha. Dan
data terbaru publikasi SIBS sejauh ini hanya tersedia hingga tahun 2015. Dan data
SIBS yang digunakan pada kajian ini terbatas pada periode 2010-2015. Seperti
pada kasus CPO, atas alasan ini dan untuk keperluan forecasting, maka data nilai
tambah Crumb Rubber dan nilai tambah Barang dari Plastik tahunan periode 2010-
2015, diinterpolasi dengan menggunakan metode cubic spline untuk mendapatkan
perikiraan triwulanan nilai tambah Crumb Rubber dan nilai tambah Barang dari
Plastik. Hasil interpolasi ini juga akan disesuaikan dengan mengakomodasi
kemungkinan adanya pergerakan seasonal pada data CPO.
Berdasarkan data aktual nilai tambah Crumb Rubber dan Barang dari Plastik
periode 2010-2015, diperoleh rata-rata pangsa Crumb Rubber dan Barang dari
Plastik terhadap industri KBKP sepanjang periode tersebut berturut-turut sebesar
42,19% dan 37,69%. Dengan kata lain, sepanjang periode tersebut Crumb Rubber
dan Barang dari Plastik secara rata-rata menyumbang sekitar 42,19 persen dan
37,69 persen pembentukan PDB industri KBKP, dan sisanya sekitar 20,12 persen
disumbang oleh industri Barang dari Karet.
Berbeda dengan data PDB industri KBKP yang memiliki data aktual hingga
periode Triwulan-2 2018, data PDB Crumb Rubber dan Barang dari Plastik hanya
44
tersedia hingga akhir tahun 2015. Dengan demikian, periode proyeksi bagi
keduanya akan dimulai pada Triwulan-1 2016 hingga Triwulan-4 2024. Prosedur
proyeksi yang dilakukan secara umum sama dengan kasus sebelumnya. Pada
kasus ini juga akan digunakan dua model yang berbeda, yang masing-masing
menggunakan dua struktur data yang berbeda: pertama, menggunakan hasil
interpolasi data aktual share dari masing-masing PDB Crumb Rubber dan PDB
Barang dari Plastik terhadap total PDB industri makanan (v1). Kedua,
menggunakan hasil interpolasi data aktual PDB Crumb Rubber riil dan PDB Barang
dari Plastik riil (v2). Berdasarkan tahapan pemodelan ARIMA terbaik, diperoleh
model yang sesuai untuk proyeksi PDB Crumb Rubber adalah Model ARIMA
(1,0,1)+Seasonal Dummies (v1) untuk basis data pertama, dan Model Factored
ARIMA p(1,4)+Seasonal Dummies (v2) untuk basis data kedua. Hasil estimasi
kedua model tersebut disajikan pada Tabel 4.13 dan 4.14 sebagai berikut:
Tabel 4.13. Model ARIMA (1,0,1)+Seasonal Dummies (v1)
Tabel 4.14. Model Factored ARIMA p(1,4) +Seasonal Dummies (v2)
Seperti pada kasus sebelumnya, berdasarkan hasil estimasi kedua model di

atas, akan dilakukan pengujian asumsi, yakni apakah error yang dihasilkan sudah
berifat random atau white noise atau tidak. Hasil pengujian untuk kedua model
tersebut disajikan pada Gambar 4.19. Dapat dilihat pada Gambar tersebut bahwa
tidak ada satupun lag dari error yang memotong batas significance probabilities
45
pada kedua model. Hal ini menandakan bahwa error yang dihasilkan oleh kedua
model sudah bersifat acak. Dengan demikian, kedua model layak digunakan untuk
forecasting.
(a) (b)
Gambar 4.19. Hasil Uji White Noise Model ARIMA (1,0,1)+Seasonal Dummies (v1) (a)
dan Model Factored ARIMA p(1,4) +Seasonal Dummies (v2) (b)
Berdasarkan Model ARIMA (1,0,1)+Seasonal Dummies (v1), diperoleh

perkiraan rata-rata pangsa PDB Crumb Rubber sebesar 40,56%, rata-rata pangsa
PDB Barang dari Plastik sebesar 44,30 persen, dan rata-rata pangsa PDB Barang
dari Karet sebesar 5,14 persen sepanjang periode Triwulan 1 2016 sampai Triwulan
4 2024 (lihat Gambar 4.20). Kemudian, dari Model Factored ARIMA p(1,4)
+Seasonal Dummies (v2), diperoleh perkiraan rata-rata pangsa PDB Crumb Rubber
sebesar 40,99%, rata-rata pangsa PDB Barang dari Plastik sebesar 39,02%, dan
rata-rata pangsa PDB Barang dari Karet sebesar 19,99% sepanjang periode yang
sama (lihat Gambar 4.21). Perkiraan rata-rata pangsa yang dihasilkan kedua model
tersebut relatif tidak jauh berbeda dengan pangsa aktualnya pada periode 2010-
2015. Dengan demikian, kedua hasil estimasi tersebut dapat dipilih salah satunya.
46
100% Forecast
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
(%) Kanan, %)
Share PDB CrumbRubber thd PDB KBKP (Sb. Share PDB Plastik thd PDB KBKP (%)
(Sb. Kanan, %)
(%) Kanan, %)
Share PDB BarangKaret (Sb.
Gambar 4.20. Share PDB Crumb Rubber, Barang dari Plastik, dan Barang dari
Karet Triwulanan (v1)
Forecast
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW1
TW3
TW1
TW3
TW1
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Share PDB CrumbRubber(%)
thd PDB KBKP (Sb. Kanan, %) Share PDB Plastik thd PDB KBKP (%)
(Sb. Kanan, %)
Share PDB BarangKaret (Sb. Kanan, %) (%)
Karet Triwulanan (v2)
Sementara itu, Gambar 4.22 dan Gambar 4.23 berturut-turut menyajikan

profil yang sama untuk proyeksi tahunan sepanjang 2016-2024. Proyeksi tahunan
ini diperoleh dengan mengaggregasi hasil proyeksi bulanan dari kedua model yang
diperoleh pada bagian sebelumnya. Berdasarkan model v1, diperoleh perkiraan
rata-rata pangsa PDB Crumb Rubber sebesar 40,56% dan rata-rata pangsa PDB
47
Barang dari Plastik sebesar 44,30 persen sepanjang 2016-2024. Dan berdasarkan
model v2, perkiraan rata-rata pangsa PDB Crumb Rubber ditemui sebesar 40,99%
dan rata-rata pangsa PDB Barang dari Plastik sebesar 39,02% pada periode yang
sama. Hasil kedua model tersebut untuk data tahunan juga relatif sama, sehingga
dapat dipilih salah satunya.
Forecast
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
(Sb. Kanan, %)
Karet Tahunan (v1)
Forecast
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
(Sb. Kanan, %)
Karet Tahunan (v2)
48
Gambar 4.24 dan 4.25 menyajikan proyeksi nilai dan pertumbuhan PDB Industri
Crumb Rubber riil. Proyeksi tersebut diperoleh dengan memanfaat hasil forecast pangsa
nilai tambah Crumb Rubber terhadap total PDB industri KBKP nominal (v1) dan hasil
forecast PDB KBKP riil (v2) yang diperoleh pada bagian sebelumnya. Selanjutnya dengan
memanfaatkan hasil forecast PDB industri KBKP dan PDB deflator industri KBKP
sepanjang Triwulan-1 2016 sampai Triwulan-4 2024, dapat ditentukan nilai proyeksi PDB
Crumb Rubber riil sepanjang periode tersebut untuk kedua kasus tersebut.
10000 Forecast 30%

9000 25%
8000 20%
7000 15%
10%
6000
5%
5000
0%
4000
-5%
3000 -10%
2000 -15%
1000 -20%
0 -25%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB CrumbRubber (Riil, Rp. Milyar)
Gambar 4.24. Proyeksi Nilai dan Pertumbuhan PDB Industri Crumb Rubber
Riil Triwulanan v1
Forecast
10000 30%
9000 25%
8000 20%
7000 15%
10%
6000
5%
5000
0%
4000
-5%
3000 -10%
2000 -15%
1000 -20%
0 -25%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Riil Triwulanan v2
49
Berdasarkan kedua pendekatan tersebut, nilai PDB Crumb Rubber riil
diperkirakan akan memiliki 2 (dua) pergerakan yang berbeda hingga Triwulan-4
2024. Pada Model v1, pergerakan nilai PDB Crumb Rubber riil diperkirakan sedikit
berfluktuasi dan sedikt meningkat hingga Triwulan-4 2024. Pada Triwulan-1 2016
nilai PDB Crumb Rubber riil diperkirakan sebesar Rp 6.407 Milyar, meningkat
menjadi Rp 8.135 Milyar pada Triwulan-4 2024 (lihat Gambar 4.26). Pada periode
tersebut rata-rata pertumbuhan per triwulannya diperkirakan mencapai 1,8 persen
(yoy). Sementara pada Model v2, nilai PDB Crumb Rubber riil diperkirakan
bergerak fluktuatif hingga Triwulan-4 2024. Pada Triwulan-1 2016, PDB Crumb
Rubber diperkirakan sebesar Rp 6.838 Milyar, sedikit meningkat menjadi Rp 7.499
Milyar pada Triwulan-4 2024 (lihat Gambar 4.27). Pada periode tersebut rata-rata
pertumbuhan per triwulannya diperkirakan mencapai 1,5 persen (yoy). Jika dilihat
pola pergerakan nilai ramalannya hingga Triwulan-4 2024, model kedua (v2)
cenderung mendekati pola historis aktualnya, baik dilihat dari sisi nilai riil aktualnya
maupun pertumbuhan aktualnya. Oleh karena itu dalam kasus ini, model v2
cenderung lebih baik dan dapat digunakan untuk forecasting PDB Crumb Rubber.
Forecast
35000 25%
20%
30000
15%
25000
10%
20000 5%
15000 0%
-5%
10000
-10%
5000
-15%
0 -20%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Riil Tahunan v1
Proyeksi nilai PDB Crumb Rubber riil tahunan diperkirakan memiliki pola
yang cenderung sama dengan proyeksi triwulannya. Berdasarkan model v1, nilai
PDB riil Crumb Rubber diperkirakan akan sebesar Rp 27.962 Milyar pada tahun
2016, meningkat menjadi Rp 32.454 Milyar pada tahun 2024 (lihat Gambar 4.26).
Pada periode tersebut, rata-rata pertumbuhan PDB Crumb Rubber riil per tahunnya
50
diperkirakan mencapai 0.16 persen. Sementara itu, menurut model v2, pada tahun
2016 diperkirakan nilai PDB riil Crumb Rubber sebesar Rp 27.964 Milyar, meningkat
menjadi Rp 30.929 Milyar pada tahun 2024 (lihat Gambar 4.27). Pada periode
tersebut, rata-rata pertumbuhan PDB Crumb Rubber riil diperkirakan menurun 0.22
persen per tahunnya. Jika dilihat pola pergerakan nilai ramalannya hingga tahun
2024, model kedua (v2) cenderung mendekati pola historis aktualnya, baik dilihat
dari sisi nilai riil aktualnya maupun pertumbuhan aktualnya. Oleh karena itu dalam
kasus ini, model v2 cenderung lebih baik dan dapat digunakan untuk forecasting
PDB crumb rubber.
Forecast
40000 25%
35000 20%
30000 15%
10%
25000
5%
20000
0%
15000
-5%
10000 -10%
5000 -15%
0 -20%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Riil Tahunan v2
Selanjutnya, Gambar 4.28 dan 4.29 menyajikan proyeksi triwulanan PDB
industri Barang dari Plastik riil sepanjang Triwulan-1 2016 sampai Triwulan-4 2024.
Seperti halnya kasus PDB Crumb Rubber riil, PDB industri Barang dari Plastik riil
diproyeksikan dengan memanfaat hasil forecast pangsa nilai tambah Barang dari
Plastik riil terhadap total PDB KBKP nominal (v1) dan hasil forecast PDB Barang
dari Plastik riil (v2). Berdasarkan kedua pendekatan tersebut, nilai PDB Barang dari
Plastik riil diperkirakan akan bergerak fluktuatif dengan kecenderungan meningkat
hingga Triwulan-4 2024. Pada Model v1, nilai PDB Barang dari Plastik riil Triwulan-
1 2016 diperkirakan sebesar Rp 8.646 Milyar, meningkat menjadi Rp 8.793 Milyar
pada Triwulan-4 2024 (lihat Gambar 4.28). Pada periode tersebut rata-rata
pertumbuhan per triwulannya diperkirakan mencapai 1,2 persen (yoy). Sementara
pada Model v2, nilai PDB Barang dari Plastik riil Triwulan-1 2016 diperkirakan
51
sebesar Rp 8.712 Milyar, sedikit menurun menjadi Rp 8.415 Milyar pada Triwulan-
4 2024 (lihat Gambar 4.29). Pada periode tersebut rata-rata pertumbuhan per
triwulannya diperkirakan mencapai 2,1 persen (yoy). Jika dilihat pola pergerakan
nilai ramalannya hingga Triwulan-4 2024, model kedua (v2) cenderung mendekati
pola historis aktualnya, baik dilihat dari sisi nilai riil aktualnya maupun pertumbuhan
aktualnya. Oleh karena itu dalam kasus ini, model v2 cenderung lebih baik dan
dapat digunakan untuk forecasting PDB Barang dari Plastik.
10000 Forecast 50%

9000
40%
8000
7000 30%
6000 20%
5000
4000 10%
3000 0%
2000
-10%
1000
0 -20%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB Plastik (Riil, Rp. Milyar)
Gambar 4.28. Proyeksi Nilai dan Pertumbuhan PDB Industri Barang dari Plastik
Triwulanan v1
Forecast
10000 80%
9000
60%
8000
7000 40%
6000 20%
5000
4000 0%
3000 -20%
2000
-40%
1000
0 -60%
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
TW1
TW2
TW3
TW4
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Triwulanan v2
52
Forecast
40000 30%
35000 25%
30000 20%
25000 15%
20000 10%
15000 5%
10000 0%
5000 -5%
0 -10%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Tahunan v1
Selanjutnya, jika dianalisis menurut periode tahunan, nilai PDB Barang dari
Plastik riil juga diperkirakan akan mengalami peningkatan hingga tahun 2024. Hasil
ini ditemui baik pada perkiraan yang diperoleh dari Model v1 maupun Model v2.
Berdasarkan model v1, pada tahun 2016 diperkirakan nilai PDB riil Barang dari
Plastik sebesar Rp 32.240 Milyar, meningkat menjadi Rp 35.447 Milyar pada tahun
2024 (lihat Gambar 4.30). Pada periode tersebut, rata-rata pertumbuhan PDB
Barang dari Plastik riil per tahunnya diperkirakan mencapai 3,66 persen. Sementara
itu, menurut model v2, pada tahun 2016 diperkirakan nilai PDB riil Barang dari
Plastik sebesar Rp 32.238 Milyar, sedikit meningkat menjadi Rp 32.644 Milyar pada
tahun 2024 (lihat Gambar 4.31). Pada periode tersebut, rata-rata pertumbuhan PDB
Barang dari Plastik riil per tahunnya diperkirakan mencapai 4,00 persen. Jika dilihat
pola pergerakan nilai ramalannya hingga tahun 2024, model kedua (v2) cenderung
mendekati pola historis aktualnya, baik dilihat dari sisi nilai riil aktualnya maupun
pertumbuhan aktualnya. Oleh karena itu dalam kasus ini, model v2 cenderung lebih
baik dan dapat digunakan untuk forecasting PDB Barang dari Plastik.
53
35000 Forecast 50%
30000 40%
30%
25000
20%
20000
10%
15000
0%
10000
-10%
5000 -20%
0 -30%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Tahunan v2
Gambar 4.31 dan 4.33 menyajikan proyeksi triwulanan PDB industri Barang
dari Karet riil sepanjang Triwulan-1 2016 sampai Triwulan-4 2024. Seperti pada
kasus sebelumnya PDB industri Barang dari Karet riil diproyeksikan dengan
memanfaat hasil forecast pangsa nilai tambah Barang dari Karet riil terhadap total
PDB KBKP nominal (v1) dan hasil forecast PDB Barang dari Karet riil (v2).
Berdasarkan kedua pendekatan tersebut, nilai PDB Barang dari Karet riil
diperkirakan akan bergerak fluktuatif hingga Triwulan-4 2024. Pada Model v1, nilai
PDB Barang dari Karet riil Triwulan-1 2016 diperkirakan sebesar Rp 3.915 Milyar,
menurun menjadi Rp 2.367 Milyar pada Triwulan-4 2024 (lihat Gambar 4.32). Pada
periode tersebut rata-rata pertumbuhan per triwulannya diperkirakan menurun 4,1
persen (yoy). Sementara pada Model v2, nilai PDB Barang dari Karet riil Triwulan-
1 2016 diperkirakan sebesar Rp 3.418 Milyar, sedikit menurun menjadi Rp 3.318
Milyar pada Triwulan-4 2024 (lihat Gambar 4.33). Pada periode tersebut rata-rata
pertumbuhan per triwulannya diperkirakan menurun 0.2 persen (yoy). Jika dilihat
pola pergerakan nilai ramalannya hingga Triwulan-4 2024, model kedua (v2)
cenderung lebih mendekati pola historis aktualnya, baik dilihat dari sisi nilai riil
aktualnya maupun pertumbuhan aktualnya. Oleh karena itu dalam kasus ini, model
v2 cenderung lebih baik dan dapat digunakan untuk forecasting PDB Barang dari
Karet.
54
Forecast
6000 140%
120%
5000 100%
4000 80%
60%
3000 40%
20%
2000 0%
1000 -20%
-40%
0 -60%
TW1
TW1
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW1
TW3
TW1
TW3
TW1
TW3
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Growth (Sb. Kanan, yoy, %) PDB BarangKaret(Riil, Rp. Milyar)
Gambar 4.32. Proyeksi Nilai dan Pertumbuhan PDB Industri Barang Dari Karet
Triwulanan v1
6000
Forecast 140%
120%
5000 100%
4000 80%
60%
3000 40%
20%
2000 0%
1000 -20%
-40%
0 -60%
TW1
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW1
TW3
TW3
TW1
TW3
TW1
TW3
TW1
TW3
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Gambar 4.33. Proyeksi Nilai dan Pertumbuhan PDB Industri Barang Dari Karet
Triwulanan v2
Selanjutnya, jika dianalisis menurut periode tahunan, nilai PDB Barang dari
Karet riil juga diperkirakan akan sedikit mengalami penurunan hingga tahun 2024.
Hasil ini ditemui baik pada perkiraan yang diperoleh dari Model v1 maupun Model
v2. Berdasarkan model v1, pada tahun 2016 diperkirakan nilai PDB riil Barang dari
Karet sebesar Rp 17.023 Milyar, menurun menjadi Rp 10.859 Milyar pada tahun
Barang dari Karet riil diperkirakan menurun 2,53 persen per tahunnya. Sementara
itu, menurut model v2, pada tahun 2016 diperkirakan nilai PDB riil Barang dari Karet
sebesar Rp 17.023 Milyar, sedikit menurun menjadi Rp 15.187 Milyar pada tahun
55
Barang dari Karet riil per tahunnya diperkirakan mencapai 0,88 persen. Jika dilihat
pola pergerakan nilai ramalannya hingga tahun 2024, model kedua (v2) cenderung
lebih mendekati pola historis aktualnya, baik dilihat dari sisi nilai riil aktualnya
maupun pertumbuhan aktualnya. Oleh karena itu dalam kasus ini, model v2
cenderung lebih baik dan dapat digunakan untuk forecasting PDB Barang dari
Karet.
18000 Forecast 20%

16000 15%
14000 10%
12000 5%
10000 0%
8000 -5%
6000 -10%
4000 -15%
2000 -20%
0 -25%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Gambar 4.34. Proyeksi Nilai dan Pertumbuhan PDB Industri Barang dari Karet
Riil Tahunan v1
18000 Forecast 25%

16000 20%
14000 15%
10%
12000
5%
10000
0%
8000
-5%
6000
-10%
4000 -15%
2000 -20%
0 -25%
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024
Gambar 4.35. Proyeksi Nilai dan Pertumbuhan PDB Industri Barang dari Karet
Riil Tahunan v2
56
V. PENUTUP
Kajian ini bertujuan melakukan peramalan (forecasting) nilai PDB dari sektor
industri dan pemisahan (splitting) terhadap sektor industri strategis yang tidak
muncul secara khusus dalam PDB nasional dengan fokus kajian adalah pada
pemisahan dan peramalan nilai PDB pada industri Makanan (Split CPO) dan
industri Karet, Barang dari Karet, dan Plastik (Split Crumb Rubber, Split Barang dari
Plastik dan Split Barang dari Karet). Untuk itu kajian ini setidaknya menghasilkan
dua keluaran utama: pertama, Metode dan hasil Splitting data PDB Industri
Makanan (Split CPO); dan Industri Karet, Barang dari Karet dan Plastik (Split Crumb
Rubber, Split Barang dari Plastik dan Barang dari Karet). Kedua, Metode dan hasil
Forecasting data PDB Industri Makanan (Split CPO); dan Industri Karet, Barang dari
Karet dan Plastik (Split Crumb Rubber, Split Barang dari Plastik dan Barang dari
Karet). Secara umum metode forecasting yang digunakan adalah model
ekonometrika univarate, yakni ARMA/ARIMA model berserta variannya.
Kajian ini menggunakan dua struktur data yang berbeda. Pertama, data PDB
nasional menurut sub sektor lapangan usaha yang dikumpulkan sepanjang
Triwulan I 2010 sampai Triwulan II 2018. Secara khusus lapangan usaha yang
diobservasi adalah industri pengolahan makanan dan industr pengolahan karet,
barang dari karet, dan plastik. Kedua, data nilai tambah industri yang bersumber
dari Statistik Industri Besar Sedang (SBIS) BPS, yang dikumpulkan sepanjang
periode 2010-2015. Penggunaan data SBIS dikarenakan tidak tersedianya data
PDB menurut lapangan usaha untuk industri CPO, Crumb Rubber, dan Barang dari
Plastik. Dalam hal ini, data PDB CPO, Crumb Rubber, dan Barang dari Plastik akan
dihitung berdasarkan data nilai tambah yang tersedia di SBIS.
Kajian ini menghasilkan nilai-nilai peramalan variabel-variabel berikut hingga
akhir tahun 2024:
1) PDB industri makanan riil dan pertumbuhannya (Triwulanan).
2) Share PDB CPO dan PDB makanan tanpa CPO (Triwulanan dan Tahunan).
3) PDB CPO riil dan pertumbuhannya (Triwulanan dan Tahunan).
57
4) PDB makanan tanpa CPO riil dan pertumbuhannya (Triwulanan dan
Tahunan).
5) PDB industri karet, barang dari karet, dan plastik (KBKP) riil dan
pertumbuhannya (Triwulanan).
6) Share PDB Karet, PDB Barang dari Plastik, dan PDB Barang dari Karet
7) PDB Karet riil dan pertumbuhannya (Triwulanan dan Tahunan).
8) PDB Barang dari Plastik dan pertumbuhannya (Triwulanan dan Tahunan).
9) PDB Barang dari Karet dan pertumbuhannya (Triwulanan dan Tahunan).
58

Buku Analisis Pengembangan Model Forecasting - Split CPO Dan Split Crumb Rubber, Barang Dari Plastik, Dan Barang Dari Karet 2018

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buku Analisis Pengembangan Model Forecasting - Split CPO Dan Split Crumb Rubber, Barang Dari Plastik, Dan Barang Dari Karet 2018

Diunggah oleh

Hak Cipta:

Format Tersedia

i

II. TINJAUAN PUSTAKA ........................................................................................... 3

III. METODOLOGI ...................................................................................................... 9

IV. HASIL FORECASTING DAN ANALISIS ...............................................................22

1.1. Latar Belakang

1.3. Ruang Lingkup

2.1. Konsep Peramalan (Forecasting)

Gambar 2.1. Tahapan Umum Permalan dengan Pemodelan Kuantitatif

2.2. PDB Sektor Industri Pengolahan

2.2.1. Komoditas Subsektor Industri Makanan dan CPO

3.1. Data dan Variabel

3.2. Strategi Pemodelan untuk Splitting dan Forecasting

Data PDB Industri

Data PDB CPO Forecasting

Data PDB Industri

Data PDB Barang

3.4. Metode Forecasting: Aplikasi Time Series Forecasting System

3.4.1. Ringkasan Proses Peramalan dengan Menggunakan TSFS

3.4.1.1. Estimasi Parameter Model

3.4.1.2. Evaluasi Model

3.4.1.3. Peramalan (Forecast)

3.4.2. Statistics of Fit Model

2. Mean Square Error (MSE)

3.4.3. Model Forecasting Univariate

1) Model Autoregressive (AR)

 Yt 1 , Yt 2 ,Yt  p = lag variabel Yt pada masing-masing selang waktu

 0 , 1 , 2 , p = parameter yang akan diestimasi

 1 , 2 ,, q = parameter yang akan diestimasi

  t 1 ,  t 2 ,,  t q = lag dari error term

Perbedaan model moving-average dengan autoregressive terletak pada

3) Model Autoregressive Integrated Moving Average (ARIMA)

Sedangkan model ARIMA (p,d,q) untuk d=1dituliskan sebagai berikut:

Sementara itu, model autoregressive sebagaimana diulas pada bagian

Dengan demikian model stepwise autoregressive yang merupakan

ut  0  1ut 1    p ut  p   t ............................................................... (3.8)

xt   b0  b1t  s  t    t (Multiplicative) ..................................................... (3.10)

Serupa dengan metode exponential smoothing, seberapa baik model ini

4.1. Forecasting PDB Industri Makanan Split CPO

Sumber: Hasil Estimasi

Sumber: Hasil Estimasi

Berdasarkan model ARIMA p(2) d(1) + Seasonal Dummies (v1), diperkirakan

Tabel 4.5. Hasil Estimasi Model ARIMA (1,1,0)+Seasonal Dummies (v2)

Selanjutnya berdasarkan hasil estimasi kedua model di atas, akan dilakukan

Berdasarkan model ARIMA (1,0,0) + Linear Trend + Seasonal Dummies (v1),

Share PDB Ind. Makanan Exc. CPO (%)

Share PDB Ind. Makanan Exc. CPO (%)

Share PDB Ind. Makanan (%)

Berbeda dengan prosedur forecast sebelumnya, forecast PDB CPO riil

Growth (Sb. Kanan, yoy, %) PDB CPO (Riil, Rp. Milyar)

Growth (Sb. Kanan, yoy, %) PDB CPO (Riil, Rp. Milyar)

Berdasarkan kedua pendekatan tersebut, nilai PDB CPO riil diperkirakan

250000 Forecast 16%

PDB CPO (Riil, Rp. Milyar) Growth (Sb. Kanan, yoy, %)

PDB CPO (Riil, Rp. Milyar) Growth (Sb. Kanan, yoy, %)

Selanjutnya, jika dianalisis menurut periode tahunan, nilai PDB industri

25000 Forecast 20%

Growth (Sb. Kanan, yoy, %)

Gambar 4.16. Forecasting Nilai dan Pertumbuhan PDB KBKP Riil v1

Growth (Sb. Kanan, yoy, %)

Gambar 4.17. Forecasting Nilai dan Pertumbuhan PDB KBKP Riil v2

Sumber: Hasil Estimasi

Sumber: Hasil Estimasi

Selanjutnya berdasarkan hasil estimasi kedua model di atas, akan dilakukan

Berdasarkan Model ARIMA (1,0,1)+Linear Trend + Seasonal Dummies (v1),