II TINJAUAN PUSTAKA
2.1. Rayap
Menurut Yusuf dan Utomo 2006 rayap merupakan serangga primitif yang sangat dekat kekeluargaannyadengan kecoa. Di alam, rayap sangat berguna
mengubah kayumati dan bahan organik lainnya yang mengandung selulosa untuk dijadikan humus. Dari aspek tersebut, rayap merupakan serangga yang sangat
bergunan namun apabila manusia mulai membangun gedung dengan komponen kayu sebagai bahan bakunya, maka mulailah rayap merusak bangunan tersebut
untuk mencari makannya Menurut Nandika 2003, rayap merusak bangunan tanpa mempedulikan
kepentingan manusia. Rayap mampu merusak bangunan gedung, bahkan juga menyerang dan merusak mebeler di dalam nya. Nandika 2003 mengemukakan
sejak tahun 1982, kasus serangan rayap pada bangunan gedung di Indonesia telah mulai banyak dilaporkan. Pada saat ini perhatian terhadap ancaman rayap pada
bangunan gedung di Indonesia terasa meningkat dengan sangat mengesankan. Hal ini dapat dimengerti mengingat beberapa jenis rayap telah seringkali menunjukan
daya serang yang luar biasa terhadap perumahan, kantor dan bangunan gedung lain sehingga mengakibatkan kerugian ekonomis yang cukup besar.
2.2. Pestisida Hama Rayap
Pestisida untuk mengendalikan rayap disebut termitisida. Termitisida dibagi kedalam dua jenis yaitu termitisida nonrepelen dan termitisida repelen.
Termitisida nonrepelen adalah racun yang menyebabkan kematian pelan-pelan bagi rayap yang melewati daerah tanah yang sudah diberi perlakuan dan rayap
tersebut tidak bisa menghindarinya. Rayap masuk kedaerah perlakuan, kemudian mereka terkontaminasi oleh bahan aktif yang digunakan yang menyebabkan
kematian perlahan-lahan dimungkinkan yang disebabkan oleh kematian mikroba. Untuk selanjutnya, racun tersebut dibawa kedalam sarangnya dengan adanya
proses pergantian kulit dan trofalaksis. Termitisida jenis repelen adalah termitisida yang bersifat racun syaraf yang mematikan dengan cepat, mempunyai bau yang
keras sehingga rayap enggan memasuki daerah tersebut Yusuf dan Utomo, 2006.
2.3. Kointegrasi
Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan
Engle dan Granger, 1987. Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time
series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu
memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner.
Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner mempunyai unit roots dan terintegrasi
pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya white nose, maka time series tersebut dinamakan terkointegrasi.
Didalam konsep kointegrsi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu: Enders, 2004
1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series
yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol λ, maka λβ juga benar
sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan
koefisiennya menjadi satu. 2.
Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3. Bila vektor
�
mempunyai n komponen, maka akan ada n-1 vektor kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah
vektor kointegrasi ini dinamakan peringkat kointegrasi cointegration rank, biasanya dilambagkan dengan r.
Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan
atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel- variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi
akan menjadi stasioner dalam jangka panjang Enders, 2004.
2.4. Vector Autoregression VAR Model