Model Fungsi Transfer

dalam Peramalan Ekspor CPO Indonesia

Sapto Rakhmawan
BPS – Subdirektorat Statistik Ekspor

Abstract. Indonesia is a country known as the biggest exporter of Crude Palm Oil (CPO) in
the world. It is well known that CPO is very important for our daily life including cooking oil,
vegetable fat for milk and ice cream, raw materials of soap or cosmetics industry, or alternative
fuels. The export value of CPO is has contributed significantly to the trade balance of
Indonesia, and hence it is essential for boosting the economic development of the nation.
Forecasting the export values of CPO, therefore, becomes a necessity to help the government
in making right policy related to the economic development. In this article, we discussed
Transfer Function Model and applied these model to forecast the CPO export values. We used
monthly CPO export value starting from January 2003 until December 2015 as a response
variable and monthly oil palm production data starting from January 2003 until December
2015 as an explanatory variable. The results showed that the Transfer Function Model was
suitable for time series data. The forecasting results showed that the CPO export value will be
unstable and demonstrate fluctuation for the next 24 period.

1. Pendahuluan

Indonesia merupakan negara yang cukup dikenal sebagai negara pengekspor Crude Palm Oil (CPO)
terbesar didunia. Pada tahun 2016, ekspor CPO Indonesia ke seluruh dunia mencapai $ 14,37 milyar.
Nilai ekspor CPO ini lebih tinggi dibandingkan nilai ekspor CPO Malaysia yang mencapai $ 9,06
milyar dan nilai ekspor CPO Belanda yang mencapai $ 1,07 milyar.
CPO adalah barang yang sangat penting bagi kehidupan sehari-hari. CPO dapat digunakan sebagai
minyak goreng, lemak nabati untuk susu dan es krim, bahan dasar sabun atau industri kosmetik, bahkan
untuk bahan bakar alternatif. Hal ini membuat permintaan CPO Indonesia dari negara-negara lain
semakin meningkat. Berdasarkan data dari Badan Pusat Statistik (BPS), pada tahun 2016, ekspor CPO
Indonesia terbesar adalah ke India, yang mencapai $ 3,44 milyar. Selain ke India, Indonesia juga
mengekspor CPOnya ke Tiongkok sebesar $ 1,64 milyar; Pakistan sebesar $ 1,29 milyar; dan negara
lainnya.
Nilai ekspor CPO Indonesia mempunyai kontribusi yang signifikan terhadap neraca perdagangan
Indonesia dan hal ini adalah penting untuk meningkatkan pembangunan ekonomi bangsa. Pada tahun
2016, kontribusi ekspor CPO Indonesia terhadap total ekspor Indonesia mencapai 9,90 persen.
Peramalan nilai ekspor CPO menjadi perlu dalam mendukung pemerintah terutama dalam membuat
kebijakan yang tepat terkait pembangunan ekonomi.
Dalam makalah ini, data ekspor CPO Indonesia akan dianalisis menggunakan analisis dan teknik
peramalan time series. Dalam hal ini akan digunakan model time series yaitu model Fungsi Transfer
untuk meramalkan nilai ekspor CPO Indonesia. Data yang digunakan adalah data nilai ekspor CPO
Indonesia sebagai variabel respon, dimulai dari Januari 2003 sampai dengan Desember 2015. Selain itu
juga digunakan data produksi kelapa sawit sebagai variabel penjelas, dimulai dari Januari 2003 sampai
dengan Desember 2015.

1
 Tujuan dari penelitian ini dibagi menjadi dua bagian. Tujuan pertama adalah untuk membangun
model nilai ekspor CPO Indonesia dengan model Fungsi Transfer. Tujuan kedua yaitu melakukan
peramalan nilai ekspor CPO Indonesia.

2. Tinjauan Pustaka

2.1. Ekspor
Kegiatan ekspor dalam sistem perdagangan umum adalah arus barang ke luar wilayah atau negara
setelah melalui penyelesaian pabean, baik bersifat komersial atau nonkomersial (barang hibah,
sumbangan, hadiah), termasuk barang bergerak seperti: kapal laut, pesawat udara, satelit, serta barang
yang akan diolah di luar negeri yang hasilnya dimasukkan kembali ke negara asal (UN 2011). Barang-
barang yang tidak termasuk dalam pencatatan statistik ekspor adalah: pakaian, barang pribadi dan
perhiasan milik penumpang yang bepergian keluar negeri; barang-barang yang dikirim untuk
perwakilan suatu negara di luar negeri; barang untuk eksebisi/pameran; peti kemas untuk diisi kembali;
uang dan surat-surat berharga; dan barang-barang untuk contoh (sample).

2.2. Crude Palm Oil (CPO)

Crude Palm Oil (CPO) atau minyak kelapa sawit kasar merupakan minyak yang berasal dari
pengolahan buah kelapa sawit. CPO merupakan minyak kelapa sawit yang dikeluarkan melalui proses
perebusan dan pemerasan dari daging buah kelapa sawit atau mesocarp (Hariyadi 2008).

2.3. Model ARIMA

Model ARIMA yang merupakan singkatan dari Autoregressive Integrated Moving Average
diperkenalkan oleh Box dan Jenkins pada tahun 1976. Model ARIMA dikenal juga sebagai Model Box-
Jenkin. Model ini merupakan salah satu teknik peramalan model deret waktu yang hanya berdasarkan
perilaku data peubah yang diamati. Model ini terdiri dari beberapa model, yaitu: Autoregressive (AR),
Moving Average (MA), Autoregressive Moving Average (ARMA), dan Autoregressive Integrated
Moving Average (ARIMA) (Widarjono 2005).
Untuk data deret waktu yang tidak stasioner, perlu dilakukan proses differencing (pembedaan)
untuk membuat data menjadi stasioner. Pembedaan merupakan proses menyelisihkan data dengan data
sebelumnya. Peubah respons 𝑌𝑡 mengikuti model ARIMA bila hasil pembedaan ke-d, 𝑊𝑡 = ∇𝑑 𝑌𝑡
merupakan proses ARMA yang stasioner. Dengan kata lain, jika 𝑊𝑡 adalah ARMA(p,q), maka 𝑌𝑡 adalah
ARIMA(p,d,q). Bentuk umum ARIMA (p,d,q) adalah
𝜙(𝐵)(1 − 𝐵)𝑑 𝑌𝑡 = 𝜃(𝐵)𝑒𝑡 (1)
𝑑 𝑑
dengan 𝐵 disebut sebagai operator backshift, 𝐵𝑌𝑡 = 𝑌𝑡−1 dan (1 − 𝐵) = ∇ ;
𝜙 adalah parameter autoregressive;
𝜃 adalah parameter moving average;
𝑒𝑡 adalah nilai galat pada saat-t (Cryer 2008).
Model ARIMA(p,d,q) juga dapat dituliskan
𝜃(𝐵)
(1 − 𝐵)𝑑 𝑌𝑡 = 𝜇 + 𝑒 (2)
𝜙(𝐵) 𝑡
dengan 𝜇 adalah nilai rataan,
𝜃(𝐵) = 1 − 𝜃1 𝐵 − ⋯ − 𝜃𝑞 𝐵𝑞 , 𝜙(𝐵) = 1 − 𝜙1 𝐵 − ⋯ − 𝜙𝑝 𝐵𝑝 .

2
Bentuk umum Model ARMA(p,q) sendiri, yang merupakan gabungan dari Model AR(p) dan Model
MA(q) adalah:
𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + ⋯ + 𝜙𝑝 𝑌𝑡−𝑝 + 𝑒𝑡 − 𝜃1 𝑒𝑡−1 − 𝜃2 𝑒𝑡−2 … − 𝜃𝑞 𝑒𝑡−𝑞 (3)
Sedangkan bentuk umum model ARIMA(p,d,q)(P,D,Q)S musiman adalah
Φ(𝐵 𝑆 )𝜙(𝐵)(1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑌𝑡 = 𝜃(𝐵)Θ(𝐵 𝑆 )𝑒𝑡 (4)
dengan S adalah periode musiman;
Φ adalah parameter autoregressive musiman;
Θ adalah parameter moving average musiman.
Model ARIMA(p,d,q)(P,D,Q)S musiman juga dapat dituliskan
𝜃(𝐵)Θ(𝐵 𝑆 )
(1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑌𝑡 = 𝜇 + 𝑒 (5)
𝜙(𝐵)Φ(𝐵 𝑆 ) 𝑡

2.4. Model Fungsi Transfer

Model Fungsi Transfer merupakan model ARIMA dengan mengikutsertakan peubah X sebagai peubah
penjelas (explanatory variable) yang diperkirakan akan mempengaruhi peubah respons Y. Model
Fungsi Transfer sering juga disebut sebagai model ARIMA peubah ganda (MARIMA) atau model
ARIMAX. Menurut Makridakis (1999), apabila terdapat deret waktu output disebut 𝑌𝑡 , yang
diperkirakan akan dipengaruhi oleh deret waktu input 𝑋𝑡 dan satu kelompok input-input lain yang
disebut gangguan (noise) 𝑁𝑡 , deret input 𝑋𝑡 memberikan pengaruhnya terhadap deret output 𝑌𝑡 melalui
suatu proses yang disebut fungsi transfer. Fungsi transfer mendistribusikan dampak 𝑋𝑡 melalui beberapa
periode yang akan datang. Bentuk umum model Fungsi Transfer adalah:
𝑌𝑡 = 𝑣0 𝑋𝑡 + 𝑣1 𝑋𝑡−1 + 𝑣2 𝑋𝑡−2 + ⋯ + 𝑣𝑘 𝑋𝑡−𝑘 + 𝑁𝑡 = 𝑣(𝐵)𝑋𝑡 + 𝑁𝑡 (6)
dengan 𝑌𝑡 adalah deret output,
𝑋𝑡 adalah deret input,
𝑁𝑡 adalah gangguan (noise),
𝑣(𝐵) = (𝑣0 + 𝑣1 𝐵 + 𝑣2 𝐵2 + ⋯ + 𝑣𝑘 𝐵𝑘 ), 𝑘 adalah orde model Fungsi Transfer,
𝑣 adalah bobot respon impuls atau bobot model Fungsi Transfer.
Model Fungsi Transfer juga dituliskan sebagai berikut:
𝜔(𝐵) 𝜃(𝐵)
𝑦𝑡 = 𝑥𝑡−𝑏 + 𝑎 (7)
𝛿(𝐵) 𝜙(𝐵) 𝑡
dengan 𝜔(𝐵) = 𝜔0 − 𝜔1 𝐵 − 𝜔2 𝐵2 − ⋯ − 𝜔𝑠 𝐵 𝑠
𝛿(𝐵) = 1 − 𝛿1 𝐵 − 𝛿2 𝐵2 − ⋯ − 𝛿𝑟 𝐵𝑟
𝜃(𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵2 − ⋯ − 𝜃𝑞 𝐵𝑞
𝜙(𝐵) = 1 − 𝜙1 𝐵 − 𝜙2 𝐵2 − ⋯ − 𝜙𝑝 𝐵𝑝
𝑦𝑡 adalah nilai 𝑌𝑡 yang sudah stasioner,
𝑥𝑡 adalah nilai 𝑋𝑡 yang sudah stasioner,
𝑎𝑡 adalah nilai gangguan,
r, s, p, q, dan b adalah suatu konstanta,
𝜃(𝐵)
𝑛𝑡 = 𝜙(𝐵) 𝑎𝑡 ,
𝜔(𝐵)
𝑣(𝐵) = ⁄𝛿(𝐵).

3
3. Metodologi Penelitian
3.1. Data
Penelitian ini menggunakan data yang diperoleh dari Badan Pusat Statistik (BPS). Data yang digunakan
sebagai data training adalah data nilai ekspor CPO Indonesia sebagai peubah respon dan data produksi
kelapa sawit Indonesia sebagai peubah penjelas dimulai dari Januari 2003-Desember 2015. Untuk data
testing digunakan data nilai ekspor CPO Indonesia Januari-Desember 2016. Satuan nilai ekspor CPO
Indonesia adalah dalam juta US$, sedangkan data produksi kelapa sawit dalam juta ton.
3.2. Metode Analisis
Tahapan analisis pada penelitian ini adalah sebagai berikut:
3.2.1. Eksplorasi data produksi kelapa sawit Indonesia dan nilai ekspor CPO Indonesia untuk menilai
adanya kecenderungan dan perilaku pada rataan dan ragam data dari waktu ke waktu.
3.2.2. Pemodelan Fungsi Transfer
Mengacu pada Makridakis (1999), ada empat tahapan utama dalam pembentukan model Fungsi
Transfer, yaitu:
a. Identifikasi bentuk model, meliputi:
i. Mempersiapkan deret input dan output yang stasioner, 𝑥𝑡 dan 𝑦𝑡 .
𝜙𝑥 (𝐵) 𝜙𝑥 (𝐵)
ii. Pemutihan deret input, 𝛼𝑡 = 𝑥
𝜃𝑥 (𝐵) 𝑡
dan pemutihan deret output, 𝛽𝑡 = 𝑦
𝜃𝑥 (𝐵) 𝑡
.
iii. Penghitungan korelasi silang antara deret input dan output yang sudah diputihkan.
iv. Penetapan (r,s,b) sebagai parameter kunci untuk model fungsi transfer awal yang
menghubungkan deret input dan output.
Nilai r menunjukkan ordo fungsi 𝛿(𝐵), s menunjukkan ordo fungsi 𝜔(𝐵) dan b menunjukkan
keterlambatan yang dicatat pada 𝑥𝑡−𝑏 . Korelasi silang nyata pertama kali secara nyata pada
kelambanan ke-b; nilai s diperoleh dengan melihat lama nilai mempengaruhi setelah nyata
yang pertama; sedangkan untuk nilai r dapat dilihat berdasarkan otokorelasi deret output yang
telah stasioner yang menunjukkan kelambanan yang nyata setelah nyata yang pertama.
v. Pendugaan deret gangguan 𝑛𝑡 dengan model ARIMA(𝑝𝑛 , 0, 𝑞𝑛 ).
b. Pendugaan parameter-parameter model fungsi transfer, meliputi:
i. Pendugaan awal nilai parameter-parameter.
ii. Pendugaan akhir parameter-parameter dengan Algoritma Marquardt. dengan
mengkombinasikan dugaan awal model fungsi transfer dan model ARIMA pada deret gangguan.
c. Uji diagnosis model fungsi transfer, meliputi:
i. Penghitungan otokorelasi untuk nilai sisa model (r, s, b) yang menghubungkan deret input dan
output.
ii. Penghitungan korelasi silang antara nilai sisa yang disebutkan di atas dengan deret gangguan
yang telah diputihkan.
d. Peramalan nilai ekspor CPO Indonesia untuk 24 bulan kedepan.

4
4. Hasil dan Pembahasan
Model Fungsi Transfer akan digunakan dalam peramalan nilai ekspor CPO Indonesia. Model ini
merupakan model yang dapat mengakomodir peubah penjelas yang diperkirakan dapat mempengaruhi
peubah responnya. Dalam model ini, peubah produksi kelapa sawit Indonesia diperkirakan dapat
mempengaruhi nilai ekspor CPO Indonesia. Semakin tinggi produksi kelapa sawit Indonesia akan
semakin besar juga nilai ekspor CPO Indonesia.
Pada Gambar 1 dapat dilihat perkembangan produksi kelapa sawit Indonesia, periode Januari 2003
sampai dengan Desember 2015. Berdasarkan Gambar 1 bisa dilihat bahwa secara umum produksi
kelapa sawit Indonesia semakin meningkat, tetapi berfluktuasi. Dapat dilihat juga bahwa ada indikasi
pola musiman pada data tersebut.

3500
3000
Production

2500
2000
1500
1000
500
0
Jul-05
Jul-03

Jul-04

Jul-06

Jul-07

Jul-08

Jul-09

Jul-10

Jul-11

Jul-12

Jul-13

Jul-14

Jul-15
Jan-15
Jan-03

Jan-04

Jan-05

Jan-06

Jan-07

Jan-08

Jan-09

Jan-10

Jan-11

Jan-12

Jan-13

Jan-14
Periods

Gambar 1. Produksi kelapa sawit Indonesia (juta ton), 2003-2015

Sementara itu, perkembangan nilai ekspor CPO Indonesia dari Januari 2003 sampai dengan
Desember 2015, secara umum semakin meningkat, tetapi berfluktuasi, seperti pada Gambar 2. Nilai
ekspor CPO tertinggi terjadi pada bulan Agustus 2011, yaitu mencapai $ 2.063,66 juta, sedangkan yang
terendah terjadi pada bulan Februari 2003 yaitu sebesar $ 146,20 juta. Selama kurun waktu Januari 2003
sampai dengan Desember 2015, rata-rata ekspor CPO Indonesia mencapai $ 910,92 juta. Berdasarkan
Gambar 2, dapat dilihat juga bahwa tidak ada indikasi musiman pada data tersebut.

2500
2000
Export Value

1500
1000
500
0
Jul-05
Jul-03

Jul-04

Jul-06

Jul-07

Jul-08

Jul-09

Jul-10

Jul-11

Jul-12

Jul-13

Jul-14

Jul-15
Jan-15
Jan-03

Jan-04

Jan-05

Jan-06

Jan-07

Jan-08

Jan-09

Jan-10

Jan-11

Jan-12

Jan-13

Jan-14

Periods

Gambar 2. Nilai ekspor CPO Indonesia (juta US$), 2003-2015

Berdasarkan Gambar 1 dan Gambar 2, terlihat bahwa ada hubungan yang positif antara produksi
kelapa sawit dengan nilai ekspor CPO Indonesia. Ketika produksi kelapa sawit meningkat, nilai ekspor
CPO juga akan meningkat.

5
 Hal pertama yang harus dilakukan dalam membentuk model fungsi transfer adalah menyiapkan
data deret input yaitu data produksi kelapa sawit Indonesia yang stasioner. Data deret input menjadi
stasioner setelah melalui proses transformasi data (ln x) dan pembedaan satu kali. Model terbaik yang
didapatkan adalah ARIMA (1,1,1)(1,0,0)12.
Tahap selanjutnya adalah menggunakan unsur white noise dari model ARIMA (1,1,1)(1,0,0)12
diatas untuk pemutihan deret input (𝛼𝑡 ). Hal yang sama juga dilakukan untuk pemutihan deret output
(𝛽𝑡 ).
Setelah dilakukan pemutihan pada deret input dan output, langkah selanjutnya adalah menghitung
korelasi silang antara 𝛼𝑡 dan 𝛽𝑡 . Nilai korelasi silangnya adalah seperti Gambar 3 berikut:

Gambar 3. Nilai korelasi silang antara 𝛼𝑡 dan 𝛽𝑡

Langkah berikutnya adalah menentukan nilai (r,s,b) sebagai parameter kunci untuk model fungsi
transfer awal yang menghubungkan deret input dan output. Plot korelasi silang nyata pertama kali pada
kelambanan ke-10 sebagai nilai untuk b. Selanjutnya untuk memperoleh nilai s dilihat dari banyaknya
kelambanan korelasi silang yang berbeda nyata dengan nol setelah kelambanan ke-b. Sedangkan untuk
nilai r dapat dilihat berdasarkan plot ACF deret output yang telah stasioner yang menunjukkan
kelambanan yang nyata setelah nyata yang pertama. Sehingga didapatkan nilai b=10, s=2 dan r=1.
Untuk mendapatkan model terbaik, maka dilakukan beberapa kali pembentukan model, sehingga
diperoleh model awal fungsi transfer.
Pendugaan model ARIMA untuk deret gangguan 𝑛𝑡 (𝑝𝑛 , 𝑞𝑛 ) dilakukan dengan memeriksa plot
ACF dan plot PACF dari sisaan model awal fungsi transfer.
Pendugaan akhir model fungsi transfer dilakukan dengan mengkombinasikan model awal fungsi
transfer dengan model ARIMA deret gangguan. Kemudian, didapatkan model peramalan nilai ekspor
CPO Indonesia yaitu:
Ln Yt = Ln Yt−1 + 0,45264Ln X t−10 − 0,45264Ln Xt−11 + αt .
Yang artinya bahwa nilai ekspor CPO Indonesia bulan ini dipengaruhi oleh nilai ekspor CPO Indonesia
bulan sebelumnya serta produksi kelapa sawit 10 dan 11 bulan yang lalu.

6
 Uji diagnosis model fungsi transfer ada dua, yaitu otokorelasi nilai sisaan 𝑎𝑡 dan korelasi silang
antara nilai sisaan 𝑎𝑡 dengan deret gangguan yang diputihkan 𝛼𝑡 seharusnya tidak berbeda dengan nol.
Berdasarkan otokorelasi nilai sisaan dan korelasi silang antara nilai sisaan dan deret gangguan yang
diputihkan seperti pada Tabel 1, hasilnya adalah tidak berbeda nyata dengan nol. Dengan pertimbangan
tersebut, dapat dikatakan bahwa model fungsi transfer layak untuk digunakan.
Tabel 1. Otokorelasi nilai sisaan dan korelasi silang antara nilai sisaan dan deret gangguan
yang diputihkan
Autocorrelation Check of Residuals

To Chi- Pr >
Lag Square DF ChiSq --------------------Autocorrelations--------------------

6 5.41 5 0.3683 -0.087 0.023 0.099 -0.076 0.099 -0.047

12 13.28 11 0.2754 0.017 0.060 -0.142 0.074 0.047 0.134
18 18.79 17 0.3407 -0.017 0.064 0.053 -0.149 0.063 -0.005
24 25.34 23 0.3329 -0.035 0.042 -0.108 -0.071 0.036 0.130

Crosscorrelation Check of Residuals with Input lnx

To Chi- Pr >
Lag Square DF ChiSq --------------------Crosscorrelations-------------------

5 11.19 5 0.0477 -0.003 -0.014 -0.144 -0.066 0.114 -0.211

11 21.85 11 0.0256 0.032 -0.029 0.078 0.266 0.012 0.015
17 23.62 17 0.1302 0.080 -0.005 0.042 0.001 -0.046 -0.052
23 29.67 23 0.1591 -0.029 -0.004 0.044 0.202 0.033 0.009

Hasil peramalan nilai ekspor CPO Indonesia sebagai akibat dari pengaruh produksi kelapa sawit
Indonesia dapat dilihat pada Gambar 4. Berdasarkan Gambar 4, dapat dilihat bahwa nilai ekspor CPO
Indonesia akan semakin meningkat dan berfluktuasi.
2500
2000
Export value

1500
1000
500
0
Jul-08

Jul-13
Jun-06

Jun-11
May-04

Nov-06
Apr-07

May-09

Nov-11
Apr-12

May-14
Dec-03

Mar-05

Jan-06
Aug-05

Sep-07
Feb-08

Dec-08

Mar-10

Jan-11
Aug-10

Sep-12
Feb-13

Dec-13

Mar-15
Aug-15
Oct-04

Oct-09

Oct-14

data forecast

Gambar 4. Hasil peramalan nilai ekspor CPO Indonesia (juta US$)

Untuk tingkat keakuratan peramalan, dapat dilihat dari nilai MSE, MAE, dan MAPE. Hasil
penghitungannya adalah seperti pada Tabel 2 berikut:
Tabel 2. Tingkat keakuratan peramalan model Fungsi Transfer
Model Fungsi Transfer MSE MAE MAPE (%)
Data training 100.425,33 217,46 23,43
Data testing 106.955,56 308,56 26,81

7
 Hasil peramalan nilai ekspor CPO Indonesia dapat dilihat pada Gambar 5.

2 000,00
Nilai ekspor CPO

1 600,00
1 200,00
800,00
400,00
-
Jan-16 May-16 Sep-16 Jan-17 May-17 Sep-17

data_asli fungsi_transfer

Gambar 5. Hasil peramalan nilai ekspor CPO Indonesia (juta US$), 2016-2017

Hasil peramalan menunjukan bahwa nilai ekspor CPO Indonesia cenderung akan sedikit berfluktuasi
selama 24 bulan kedepan.

5. Kesimpulan

Pada penelitian ini, peramalan nilai ekspor CPO Indonesia menggunakan model Fungsi Transfer
dengan satu peubah penjelas yaitu produksi kelapa sawit Indonesia dapat menghasilkan model yang
layak. Tingkat akurasi peramalan model Fungsi Transfer masih dalam taraf wajar. Hasil peramalan
menunjukkan bahwa selama 24 periode kedepan, nilai ekspor CPO Indonesia cenderung akan sedikit
berfluktuasi.

8
Daftar Pustaka

[1] Box G E P and Jenkins G M 1976 Time Series Analysis, Forecasting and Control (California:
Holden-Day Inc)
[2] Cryer J D and Chan K S 2008 Time Series Analysis with Application in R (New York:
Springer)
[3] Department of Economic and Social Affairs Statistics Division 2011 International Merchandise
Trade Statistics: Concepts and Definitions 2010 (New York: United Nations)
[4] Enders W 2004 Applied Econometric Time Series (2nd ed.) (New York: John Wiley & Sons, Inc)
[5] Hariyadi P 2008 Mengenal Minyak Sawit dengan Beberapa Karakter Unggulnya (Jakarta:
GAPKI)
[6] Juanda B and Junaidi 2012 Ekonometrika Deret Waktu, Teori dan Aplikasi (Bogor: IPB Press)
[7] Makridakis S, Wheelwright S C and McGee V E 1999 Metode dan Aplikasi Peramalan, Edisi
Kedua, Jilid 1 Andriyanto U S and Basith A, translators (Jakarta: Erlangga) The Indonesian
translation of: Forecasting, 2nd Edition
[8] Wei W W S 2006 Time Series Analysis, Univariate and Multivariate Methods, Second Edition
(New York: Pearson Education, Inc)
[9] Widarjono A 2005 Ekonometrika: Teori dan Aplikasi, Untuk Ekonomi dan Bisnis (Yogyakarta:
Penerbit Ekonisia)