Gambar 4 Skema kerangka pemikiran operasional Inflasi
Fluktuasi Harga Komoditas Pangan di Jawa Barat
Pengaruhnya terhadap Inflasi Kecenderungan Harga Komoditas
Pangan di Masa Mendatang
Model VAR Vector Autoregression Perkembangan Harga
Komoditas Pangan
Peramalan Time Series ARIMA Analisis Deskriptif
Respon Inflasi terhadap Guncangan Harga Komoditas Pangan dan Kontribusi Harga
Komoditas Pangan dalam Menjelaskan Keragaman Inflasi
Informasi Fluktuasi Harga pada Periode Penelitian dan
Kecenderungannya di Masa Mendatang
IV METODE PENELITIAN
4.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder time series bulanan pada periode Januari 2009 hingga Desember 2012. Data sekunder berupa
perkembangan harga pangan bulanan di tingkat konsumen merupakan rata-rata harga dari 26 KabupatenKota di Provinsi Jawa Barat. Data tersebut diperoleh dari
Badan Ketahanan Pangan Provinsi Jawa Barat bidang Distribusi dan Harga Pangan. Selain itu, data Indeks Harga Konsumen IHK bulanan diperoleh dari
Berita Resmi Statistik yang diterbitkan oleh Badan Pusat Statistik BPS Provinsi Jawa Barat. Berbagai data penunjang juga diperoleh dari instansi-instansi terkait
seperti Badan Pusat Statistik BPS Pusat dan Kementerian Pertanian, studi literatur, internet, dan bahan bacaan yang sesuai dengan topik penelitian untuk
lebih memperdalam bahasan.
4.2 Metode Pengolahan dan Analisis Data
Pengolahan dan analisis data menggunakan perangkat lunak Minitab 14 dan Eviews 6. Pertimbangan penggunaan program tersebut adalah karena sesuai
dengan metode yang digunakan dan lebih mudah dalam pengoperasiannya. Adapun metode yang digunakan untuk menjawab tujuan penelitian ini adalah
analisis deskriptif, metode peramalan time series ARIMA Autoregressive Integrated Moving Average, dan model VAR Vector Autoregression.
4.2.1 Analisis Deskriptif
Metode analisis deskriptif digunakan untuk menjelaskan perkembangan harga komoditas pangan di Jawa Barat. Santoso 2002 menyatakan bahwa
analisis deskriptif digunakan untuk menjelaskan atau menggambarkan berbagai karakteristik data. Analisis deskriptif pada dasarnya meliputi upaya penelusuran
dan pengungkapan informasi relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk lebih ringkas, sederhana dan tentunya lebih informatif
yang pada akhirnya mengarah pada keperluan adanya penjelasan dan penafsiran.
Kelebihan metode ini adalah metode yang paling sederhana, tetapi memiliki daya menerangkan cukup kuat untuk menjelaskan hubungan antar atribut. Pada
penelitian ini, analisis deskriptif dijelaskan dengan bantuan tabel dan grafik. Grafik yang ditampilkan merupakan plot data terhadap waktu pada periode
penelitian. Dari hasil plot data tersebut, maka dapat diketahui pola datanya, apakah data tersebut memiliki pola data horisontal, tren, siklikal, maupun
musiman. Selain itu, dari grafik tersebut dapat dilakukan penguraian atau pemberian keterangan-keterangan mengenai suatu peristiwa atau keadaan yang
terjadi pada data yang dianalisis.
4.2.2 Peramalan Time Series ARIMA
Analisis kecenderungan harga komoditas pangan di Jawa Barat menggunakan metode peramalan time series ARIMA Auto Regressive Integrated
Moving Average. Metode ini dianalisis menggunakan bantuan perangkat lunak Minitab 14. Menurut Widarjono 2009, ARIMA terbagi atas model AR auto
regressive, MA moving average, ARMA auto regressive moving average, dan ARIMA auto regressive integrated moving average. Persamaan model-model
tersebut adalah : a. Model Autoregressive AR
Model AR menunjukkan model nilai prediksi variabel dependen Yt hanya merupakan fungsi linier dari sejumlah Yt aktual sebelumnya. Secara umum
bentuk model umum Autoregresif AR dapat dinyatakan dalam persamaan sebagai berikut:
Y
t
= β + β
1
Y
t-1
+ β
2
Y
t-2
+...+β
p
Y
t-p
+e
t
…………………………………..........1 dimana :
Y
t
= variabel dependen Y
t-1,
Y
t-2
= kelambanan lag dari Y p
= tingkat AR Residual dalam persamaan 1 tersebut, sebagaimana model OLS mempunyai
karakteristik nilai rata-rata nol, varian konstan, dan tidak saling berhubungan.
b. Model Moving Average MA Model ini menyatakan bahwa nilai prediksi variabel dependen Yt hanya
dipengaruhi oleh nilai residual periode sebelumnya. Secara umum, bentuk model dari Moving Average MA dapat dinyatakan dalam bentuk persamaan
sebagai berikut: Y
t
=
α
+
α
1
e
1
+
α
2
e
t-1
+
α
3
e
t-2
+ … +
α
q
e
t-q
……………………………….......2 dimana :
Y
t
= variabel dependen e
t
= residual e
t-1
, e
t-2,
e
t-q
= kelambanan lag dari residual q
= tingkat MA c. Model Autoregressive - Moving Average ARMA
Seringkali perilaku suatu data time series dapat dijelaskan dengan baik melalui penggabungan antara model AR dan model MA. Model gabungan ini disebut
Autoregressive - Moving Average ARMA. Secara umum bentuk model dari ARMA dapat ditulis dalam bentuk persamaan sebagai berikut:
Y
t
= β + β
1
Y
t-1
+ β
2
Y
t-2
+ … + β
p
Y
t-p
+ α e
t
+ α
1
e
t-1
+ α
2
e
t-2
+ … + α
q
e
t-q
…....3 d. Model Autoregressive Integrated Moving Average ARIMA
Jika data time series yang digunakan tidak stasioner dalam level maka perlu dibuat stasioner pada tingkat diferensi difference. Model dengan data
yang stasioner melalui proses differencing ini disebut model ARIMA. Notasi model ARIMA adalah sebagai berikut:
ARIMA p,d,q dimana:
p = orde AR
q = orde MA
d = tingkat pembedaan differencing
Berdasarkan Juanda dan Junaidi 2012, suatu ARIMA p,1,q dengan W
t
= Y
t
- Y
t-1
memiliki persamaan model ARIMA sebagai berikut: W
t
= β + β
1
W
t-1
+ β
2
W
t-2
+ ... + β
p
W
t-p
+ e
t
+ α
1
e
t-1
+ α
2
e
t-2
+ ... + α
q
e
t-q
..........4 dimana:
Y
t
= variabel dependen harga beras, kedelai, dan gula pasir