57
dan Rabu jam 8 pada waktu setempat Dharmasena 2003, dan Guwahati melaksanakan auction-nya pada hari Selasa dan Rabu jam 8 waktu setempat
12
. Perbedaan waktu auction membuat Jakarta lebih lambat dalam merespon
informasi yang terjadi di auction lainnya, karena Jakarta belum bisa memproyeksikan harga dari auction yang sedang berlangsung di Colombo dan
Guwahati pada auction. Sehingga dampak dari shock baru akan dirasakan pada periode selanjutnya.
Selain itu, besarnya shock yang direfleksikan oleh Jakarta Tea Auction sangat kecil hanya sekitar 0.001 persen harga yang akan berubah akibat adanya
shock pada dua acution lainnya. Ini menandakan bahwa hubungan antara harga
teh grade Dust Jakarta Tea Auction dengan auction Colombo dan Guwahati kecil sekali.
Jika melihat penelitian Suprihatini et al. 2004, ini dikarenakan masih terbuka luasnya peluang pasar untuk teh grade Dust, sehingga shock yang terjadi
pada salah satu auction akan memiliki dampak yang kecil pada auction lainnya. Dalam kasus Jakarta Tea Auction, tidak seluruh teh grade Dust yang dilelang
dijual ke tempat yang sama seperti Guwahati dan Colombo, Indonesia masih memiliki pasar lain untuk menjual teh grade Dust-nya seperti Malaysia, Jerman,
Amerika Serikat, Belanda, dan Polandia. Sehingga shock yang terjadi di kedua auction
tersebut hanya akan mempengaruhi sebagian kecil harga dari total teh grade
Dust yang diekspor.
6.2.5. Variance Decomposition
Pengujian Variance Decomposition Dekomposisi Ragam, bertujuan untuk menggambarkan tingkat kepentingan setiap variabel model VAR Vector
Autoregression dalam menjelaskan ragam suatu variabel yang akan datang. Hasil
Uji Dekomposisi Ragam Jakarta Tea Auction dapat dilihat pada Tabel 19; Berdasarkan hasil Uji Dekomposisi Ragam, dalam jangka pendek sumber
terpenting dalam menggambarkan ragam variance pada Jakarta Tea Auction, adalah harga dari Jakarta Tea Auction itu sendiri, yakni sekitar 100 - 95 persen.
12
[GTAC] Guwahati Tea A uction Centre. The Tea Auction Process of GTAC . 2008.
http:assamteaxchange.comauctionsprocess.asp [20 September 2011]
58
Colombo memberikan kontribusi pada ragam variance Jakarta Tea Auction yang akan datang dengan proporsi antara 0.01
– 2 persen. Sedangkan Guwahati Tea Auction
memiliki kontribusi yang lebih kecil jika dibandingkan dengan Colombo Tea Auction
yakni 0 – 0,1 persen. Pengaruh Jakarta Tea Auction, hingga
periode ke 10 masih lebih dominan jika dibandingkan dengan pengaruh dari Guwahati Tea Auction
dan Colombo Tea Auction.
Tabel 20.
Dekomposisi Ragam Jakarta Tea Auction
Periode Log JTA
Log CTA Log GTA
1 100.0000
0.000000 0.000000
2 99.91768
0.077304 0.005018
3 99.74310
0.241909 0.014990
4 99.49391
0.477738 0.028349
5 99.18775
0.768487 0.043764
6 98.84129
1.098551 0.060157
7 98.46961
1.453704 0.076691
8 98.08571
1.821535 0.092753
9 97.70043
2.191647 0.107922
10 97.32238
2.555687 0.121933
Hasil uji Dekomposisi Ragam, menandakan kalau harga Jakarta Tea Auction
yang akan datang lebih dipengaruhi oleh harga Jakarta Tea Auction sebelumnya. Dikarenakan tidak seluruh ekspor dari Jakarta Tea Auction di jual ke
pasar yang sama dengan Guwahati dan Colombo, sehingga terjadinya harga di Jakarta Tea Auction
lebih didominasi oleh harga di Jakarta Tea Auction itu sendiri.
6.2.6. Peramalan
Dalam analisis peramalan akan dibandingkan estimasi model peramalan VAR Vector Autoregression dan model Naive Forecasting yang dipakai oleh
PT. KPB Nusantara dalam menduga pergerakan harga Jakarta Tea Auction yang akan datang. Indikator yang digunakan adalah nilai MSE Mean Squared Error,
59
semakin kecil nilai MSE Mean Squared Error maka semakin dekat model dalam menggambarkan data aktual.
Berdasarkan hasil perhitungan pada Lampiran 3, didapatkan hasil bahwa nilai MSE Mean Squared Error pada model Naive Forecasting lebih kecil jika
dibandingkan dengan nilai MSE Mean Squared Error pada model VAR Vector Autoregression
. Hasil MSE menunjukkan bahwa model Naive Forecasting lebih baik dalam menggambarkan pergerakan harga teh grade Dust pada lelang Jakarta
Tea Auction yang akan datang, jika dibandingkan dengan model VAR Vector
Autoregression .
6.3. Pembahasan Model VAR Jakarta Tea Auction