Peramalan kualitatif qualitative forcast menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi dan sistem nilai pengambil keputusan untuk
meramalkan. Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan
dapat dibedakan dua macam, yaitu peramalan jangka panjang dan peramalan jangka pendek. terdapat banyak teknik atau metode ilmiah untuk peramalan yang
dibedakan dalam dua kelompok, yaitu kualitatif dan kuantitatif. Peramalan jangka panjang adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. Peramalan seperti ini misalnya diperlukan dalam penyusunan
rencana prmbangunan suatu Negara atau daerah, corporate planning, rencana investasi atau rencana ekspansi dari suatu perusahaan.
Peramalan jangka pendek yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu setengah
tahun atau tiga semester. Peramalan seperti ini diperlukan dalam penyusunan rencana tahunan, rencana kerja operasional dan anggaran, contohnya penyusunan
rencana produksi, rencana penjualan, rencana pengadaan, rencana persediaan, anggaran pemasaran dan anggaran perusahaan.
Menurut Aritonang 2002, metode kualitatif lebih didasarkan pada intuisi dan penilaian orang yang melakukan peramalan forecaster daripada
pemanipulasian pengolahan dan penganalisaan data historis yang tersedia. Misalnya peramalan penjualan produk baru.
2.4. Kointegrasi
Regresi dari dua variabel yang non-stasioner akan menyebabkan timbulnya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan
Engle dan Granger, 1987. Dalam penelitian ini juga digunakan kointegrasi antar variabel yang terdapat dalam model VAR. Dengan demikian, metode VAR
dengan menggunakan bantuan software e-views dapat menguji kointegrasi ini melalui metode Johansen Cointegration Test. Uji kointegrasi dilakukan untuk
melihat apakah terdapat hubungan antara variabel dalam jangka panjang atau adanya keseimbangan di antara variabel-variabel yang tidak stasioner. Ada hal-hal
yang harus diperhatikan mengenai definisi kointegrasi Enders,2004:
1. Kointegrasi adalah kombinasi linear variabel-variabel yang tidak stasioner. Tetapi secara teori, mungkin juga bahwa hubungan non liner jangka
panjang terdapat di antara gugus variabel yang terintegrasi. 2. Berdasarkan definisi Engle dan Granger dalam Enders 2004,
kointegrasi adalah variabel-variabel yang terintegrasi dalam order yang sama. Tetapi bisa juga terjadi hubungan kombinasi linear yang terkointegrasi dari order
yang berbeda. Analisis formalnya dimulai dengan mendasarkan pada himpunan peubah variabel ekonomi yang berada pada keseimbangan jangka panjang.
β
1
x
1
+ β
2
x
2
+ ..... + β
n
x
n
= 0 atau β
i
x
1
= ..........................................................1
Penyimpangan dari keseimbangan jangka panjang disebut galat error ekuilibrium e
t
, sehingga e
t
= βx
1
dimana e
t
pada kondisi stasioner. Menurut Engle-Granger komponen suatu vektor x
t
= x
1t
, x
2t
, ....., x
nt
dikatakan berkointegrasi ordo d,b dan dinyatakan dengan CI d,b, jika :
1. Semua komponen dari x
t
adalah berintegrasi ordo d.
2. Ada vektor β = β
1
, β
2
, ....., β
n
sehingga kombinasi linear β
1
x
1t
+ β
2
x
2
+ ..... + β
n
x
n
adalah berintegrasi ordo d- b, dimana b 0 dan β disebut
vektor kointegrasi.
Ada beberapa hal yang harus diperhatikan dalam melakukan identifikasi model kointegrasi, antara lain:
1. Kointegrasi mengacu pada kombinasi linear dari peubah non stasioner. Secara teoritis, sangat tidak mungkin terdapat hubungan
jangka panjang yang non linear diantara peubah-peubah yang
terintegrasi.
2. Semua peubah harus mempunyai ordo integrasi sama dan tidak berarti peubah dengan integrasi sama adalah kointegrasi. Suatu peubah yang
memiliki ordo integrasi yang tidak sama tidak dapat berkointegrasi. Misalnya ordo integrasi dari peubah x
1t
dan x
2t
masing-masing d
1
dan d
2
, dimana d
1
d
2
, maka kombinasi linear dari x
1t
dan x
2t
adalah I d
2
.
3. Jika komponen x
t
ada sebanyak n, maka ada paling banyak n-1 vektor
kointegrasi.
4. Umumnya literatur-literatur kointegrasi memfokuskan peubah-peubah
yang mempunyai orde integrasi satu. 2.5.
Vector Autoregressive VAR
Penelitian ini menggunakan metode analisis VAR. Metode ini dikembangkan oleh Christopher Sims pada tahun 1980. Penggunaan metode ini
didasari bahwa sebuah variabel bukan saja dapat berlaku sebagai variabel endogen tetapi juga dapat berlaku sebagai variabel eksogen. Hal ini dapat terjadi karena
dengan menggunakan pendekatan structural atas permodelan persamaan simultan. Keunggulan metode VAR antara lain Gujarati,2003 :
1. Metode ini sederhana, tanpa harus membedakan nama variabel endogen dan variabel eksogen;
2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah;
3. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan
semu spurious variable endogenity dan exogenity di dalam model ekonometrik konvensional terutama pada persamaan simultan, sehingga
menghindari penafsiran yang salah; 4. Hasil perkiraan forecast yang diperoleh dengan menggunakan metode ini
dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks
sekalipun. Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik
interrelationship antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur.
Metode VAR juga dapat digunakan untuk menganalisa 4 hal, pertama, forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh
variabel dengan memanfaatkan seluruh informasi masa lalu variabel. Kedua, Impluse Respone Function IRF untuk mengetahui respon saat ini
dan masa depan variabel akibat perubahan atau shock suatu variabel tertentu lainnya. Ketiga, Forecasting Error Variance Decomposition
FEVD untuk memprediksi kontribusi persentase varian setiap variabel terhadap perubahan suatu variabel tertentu lainnya. Keempat, Granger
Causality untuk mengetahui hubungan sebab akibat antar variabel. Dalam penelitian ini, model VAR digunakan untuk mengetahui hubungan
dinamis jangka panjang dan jangka pendek antar variabel. Kelemahan metode VAR,diantaranya :
1. Model VAR merupkan pengukuran yang tidak dilandasi teori tentang hubungan antar-variabel model non-struktural.
2. Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk analisis kebijakan.
3. Pemilihan banyaknya lag yang diinginkan dalam persamaan dapat menimbulkan permasalahan.
4. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
Secara umum model persamaan VAR ordo p dengan n peubah tak bebas pada waktu t dapat ditulis sebagai berikut :
Vector Autoregresesive atau yang dikenal dengan VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari
konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem. Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh
peubah tak bebas dalam sistem. Model VAR dikembangkan oleh Christopher Sims pada tahun 1980. Model ini pada dasarnya hampir sama dengan model untuk
menguji Granger’s Causality. VAR adalah model a-theory terhadap teori
ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi
saling ketergantungan anatar variable dalam ekonomi. Model ini juga menjadi dasar munculnya metode kointegrasi Johansen yang sangat baik dalam
menjelaskan perilaku variabel dalam perekonomian. Model VAR memiliki beberapa keunggulan , antara lain Khairunisa, 2009 :
1. Model ini sederhana, tidak perlu khawatir membedakan anatara variable endogen dan variable eksogen.
2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.
3. Hasil ramalan forecast yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model
persamaan simultan yang kompleks sekalipun. Namun demikian, model VAR juga mempunyai kekurangan, di antaranya adalah
sebagai berikut : 1. Model VAR lebih bersifat a-theory karena tidak memanfaatkan informasi
atau teori terdahulu 2. Mengingat tujuan utama VAR adalah untuk peramalan maka model VAR
kurang cocok untuk analisis kebijakan. 3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. 4. Semua variable VAR harus stasioner.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.6 Impuls Response Function IRF
