IV METODE PENELITIAN
1.1. Lokasi dan Waktu Penelitian
Penelitian dilaksanakan pada bulan Februari hingga April 2011. Penelitian dilakukan dengan mengunjungi PT. Kharisma Pemasaran Bersama Nusantara PT.
KPB Nusantara. Penentuan tempat dilakukan secara sengaja purposive karena tempat yang dikunjungi memiliki informasi mengenai pergerakan harga teh
internasional.
1.2. Data dan Instrumentasi
Penelitian ini menggunakan yang diperoleh melalui studi pustaka di Biro Pusat Statistik, Direktorat Jenderal Perkebunan DitJenBun, Perpustakaan Pusat
Penelitian Teh dan Kina PPTK Gambung, dan Perpustakaan Teknologi Pangan, Bogor. Data yang digunakan dalam penelitian ini antara lain; data harga rata-rata
teh grade Dust per lelang yang dilaksanakan setiap seminggu sekali yang ada di Jakarta Tea Auction
bersumber dari Auction Report Jakarta Tea Auction yang dilaksanakan oleh PT. KPB Nusantara, harga rataan Dust di Colombo Tea
Auction bersumber dari Market Report John Keels Ltd., dan harga rata-rata Dust
di Mombasa Tea Auction bersumber dari situs Assam Exchange, dengan rentang data dari auction minggu ketiga Februari 2009 hingga minggu kedua April 2011.
Selain itu diperoleh juga beberapa informasi tambahan melalui situs web internet, makalah dan jurnal penelitian.
1.3. Pengolahan dan Analisis Data
Pengolahan data pada penelitian ini menggunakan model VAR yang diperkenalkan oleh Sims pada tahun 1980, berdasarkan pemaparan Enders
1995, Widarjono 2010, dan Gujarati 2003. Software yang digunakan dalam penelitian ini antara lain; Microsoft Excel untuk membuat tabulasi data, Minitab
14, dan Eviews 7 untuk mengolah data model VAR. Secara garis besar, langkah- langkah untuk menggunakan metode VAR dalam sebuah penelitian adalah
sebagai berikut;
31
Gambar 4. Skema Penyusunan Model VAR
Sumber : Widarjono 2010
1. Identifikasi Data
Identifikasi data time series yang sudah disediakan. Identifikasi ini bertujuan untuk melihat apakah data memiliki komponen musiman atau tidak, dan
identifikasi terhadap kestasioneran model. Jika data masih belum stasioner maka dilakukan pembedaan differencing. Pembedaan diperoleh dengan mengurangi
nilai dua pengamatan yang berurutan pada data dengan formulasi; ΔY
t
= Y
t
-Y
t-1
. Jika dalam differencing pertama data masih belum stasioner maka
dilakukan differencing kedua, dan seterusnya hingga seluruh data stasioner. Pengujian kestasioneran data dilakukan menggunakan uji Augmented Dickey
Fuller :
∑
∑
∑
Dimana : Y = variabel yang diamati
Data Time Series
Tidak Ada Kointegrasi Ada Kointegrasi
Belum Stasioner Stasioner
VAR in difference VARD
VECM Vector Error Correction Model
Uji Kointegrasi Johansen Differencing
Pembedaan Data VAR in level
Uji Stasioneritas Data Uji Augmented Dickey Fuller
32
T = Tren terhadap waktu Persamaan 1 digunakan apabila data observasi diasumsikan tidak memiliki
konstanta dan tren, data observasi hanya memiliki intersep. Persamaan 2, digunakan dengan asumsi dalam data observasi terdapat konstanta dan intersep,
dan terakhir persamaan 3 digunakan apabila dalam data yang akan diobservasi selain terdapat komponen konstanta dan intersep, juga dipengaruhi oleh
komponen tren. Hipotesis yang akan diuji dalam uji Augmented Dickey Fuller adalah:
H :
=0 data bersifat tidak stasioner H
1
: 0 data bersifat stasioner
Nilai diduga melalui metode kuadrat terkecil dan pengujian dilakukan
dengan menggunakan uji t. Statistik uji dapat dituliskan sebagai berikut: t
hit
̂
̂
dengan ̂ merupakan dugaan dari , dan
̂
merupakan simpangan baku dari ̂.
Jika nilai t
hit
nilai kritis dalam tabel Dickey Fuller, maka keputusan yang diambil adalah tolak H
atau data bersifat stasioner. Jika data sudah stasioner sejak awal maka model VAR in level dapat langsung dilakukan. Jika data belum
stasioner, maka harus melalui proses differencing, kemungkinan model yang digunakan adalah model VAR in difference VARD dan VECM Vector Error
Correction Model .
2. Uji Kointegrasi
Setelah data yang mengalami differencing pembedaan stasioner, dilakukan uji kointegrasi Johansen untuk melihat apakah terdapat hubungan
jangka panjang antara variabel-variabel yang digunakan dalam metode VAR ini dengan pendugaan:
H : rank = r
H
1
: rank r Statistik uji yang digunakan:
∑ ̂
33
dengan ̂ adalah akar ciri ke-i yang diperoleh dari matriks:
[ ∑ ] dan ̂
̂ ......
̂ berurut dari nilai terbesar hingga terkecil, dan T adalah jumlah observasi yang
diamati. Jika maka terima H
yang artinya kointegrasi terjadi pada rank r.
Jika dalam data yang diduga di model VAR terdapat kointegrasi maka model VAR yang digunakan adalah model VECM Vector Eror Correction
Model lag kelambanan p rank r, sedangkan jika tidak terdapat kointegrasi pada
variabel-variabel yang ada maka digunakan model VARD VAR in difference lag kelambanan p.
3. Penentuan Panjang Lag
Panjang lag kelambanan dalam VAR menunjukkan derajat bebas model. Jika panjang kelambanan dilambangkan dengan p, maka setiap n persamaan berisi
n.p koefisien ditambah dengan intersep. Semakin panjang lag yang didapat maka semakin banyak pula data yang harus disediakan agar sebuah model dapat
menangkap sebuah fenomena dengan baik. Dalam praktiknya, diperlukan pembatasan jumlah kelambanan dengan menentukan kelambanan ideal yang
memberikan gambaran dinamika model, sehingga dapat mengaplikasikan model VAR.
Enders 1995 juga menjelaskan dalam praktiknya pendugaan lag kelambanan biasanya ditentukan dengan menggunakan AIC Akiake Information
Criterion maupun SBC Schwarz Bayesian Criterion:
AIC = T log | | + 2N
SBC = T log | | + N log T
dengan: T
= jumlah observasi yang digunakan |
| = determinan dari matriks varianskovarians dari sisaan
N = jumlah parameter yang diestimasi dari semua persamaan
.
34
Nilai Akiake Information Criterion AIC terendah akan dipilih sebagai panjang kelambanan optimal dari model VAR. Hal ini dikarenakan, semakin
kecilnya nilai AIC, maka nilai harapan yang dihasilkan oleh sebuah model akan semakin mendekati kenyataan.
4. Pendugaan Model VARVECM
Secara umum model VAR dapat digambarkan sebagai berikut; untuk memahami model VAR, Enders memisalkan ada dua buah model bivariate;
Model diatas membentuk VAR dengan kelambanan satu. Jika dilihat dari stukturnya terjadi hubungan simultan karena y
t
dan z
t
saling mempengaruhi satu sama lainnya. Contohnya
–b
12
yang merupakan pengaruh perubahan z
t
pada y
t
dan
12
adalah perubahan yang disebabkan z
t-1
terhadap y
t
. Kedua sistem diatas dapat dirubah dengan menggunakan matrix algebra, sehingga rumus dapat ditulis
menjadi:
di mana: [
] ;
[ ];
[ ];
[ ]; dan
[ ]
Persamaan di atas menggambarkan persamaan VAR primitif. Perkalian kembali dengan matriks B
-1
akan mengubahnya menjadi model persamaan VAR standar:
di mana ;
; ; dan
Untuk keperluan notasi, a
io
bisa ditulis sebagai elemen i dari vector A ; a
ij
sebagai elemen di baris i dan kolom j matriks A
1
, dan e
it
sebagai elemen i vector
35
e
t
. Dengan menggunakan persamaan VAR di atas maka kedua persamaan awal bisa dituliskan sebagai berikut:
Setelah variabel-variabel sudah di lihat kestasionerannya, kointegrasi, kelambanan, dan kecocokan variabel untuk masuk ke dalam model, barulah model
VAR dapat disusun. Berdasarkan penjelasan dari model VAR yang dilakukan oleh Widarjono 2010 dan Enders 1995 secara umum, dapat diasumsikan model
VAR kelambanan satu yang akan digunakan dalam peramalan harga Jakarta Tea Auction
adalah sebagai berikut: [
] [ ] [
] [ ] [
]
dengan: JTA
= Harga rata-rata Dust Jakarta Tea Auction CTA
= Harga rata-rata Dust Colombo Tea Auction GTA
= Harga rata-rata Dust Guwahati Tea Auction Jika dalam data yang di cek kestasionerannya terdapat kointegrasi maka
model yang digunakan adalah model VECM Vector Eror Correction Model lag p rank r, Menurut Enders 1995, Model VECM Vector Eror Correction Model
lag p dengan rank kointegrasi r dapat dituliskan sebagai berikut ;
Δ ∑
Δ dengan
, β adalah matriks kointegrasi dengan ukuran nxr, α adalah matriks adjustment penyesuaian dengan ukuran nxr dan
∑ .
5. Pengujian Model
Widarjono 2010, menjelaskan bahwa dalam model VAR, interpretasi koefisien secara individual sulit untuk diinterpretasikan karena VAR merupakan
permodelan simultan yang terbentuk dari reduced form matrix, yang bertujuan untuk menangkap dinamika data time series. Sehingga dalam permodelan VAR
36
terdapat beberapa analisis untuk menggambarkan bagaimana hubungan dinamis antar data yakni; peramalan, uji kausalitas Granger, fungsi respon impuls, dan
dekomposisi ragam.
5.1. Fungsi Respon Impuls