31
sekunder informasi lain juga diperoleh dari berbagai sumber, seperti referensi buku, Dirjen Holtikultura, Badan Pusat Statistik, Unit Promosi dan Pemasaran
Holtikultura Rawa Belong, Asosiasi Bunga Indonesia Asbindo, penelitian kepustakaan, dan internet.
4.3. Metode Pengolahan dan Analisis Data
Data yang diperoleh dalam penelitian ini akan diolah dengan menggunakan metode analisis kuantitatif dan kualitatif. Metode analisis
kuantitatif yang dilakukan dalam penelitian ini adalah analisis risiko dengan menggunakan model ARCH-GARCH. Model ARCH-GARCH digunakan untuk
meramalkan volatilitas periode selanjutnya dan perhitungan VaR yang digunakan untuk menganalisis besarnya tingkat risiko. Analisis data diolah dengan
menggunakan bantuan program Microsoft Excel dan Eviews 6. Analisis kualitatif dianalisis secara deskriptif yang bertujuan untuk
menganalisis alternatif strategi yang dihadapi oleh pedagang dalam mengatasi risiko harga pada bunga krisan di UPT Rawabelong. Analisis kualitatif ini
menggunakan data kualitatif yang diperoleh dari hasil wawancara dengan pedagang bunga krisan di Pasar Bunga Rawabelong, serta pihak-pihak dari Unit
Pelaksana Teknis UPT Rawabelong, Jakarta Barat.
4.4. Model ARCH-GARCH
Model ARCH-GARCH biasanya digunakan untuk melihat volatilitas atau fluktuasi dari data-data ekonomi. Pada penelitian ini, model ARCH-GARCH
digunakan untuk mengukur tingkat risiko harga pada bunga krisan cipanas dan krisan pt. Pengaplikasian model ARCH-GARCH terdapat lima tahapan yang
harus terpenuhi asumsi-asumsinya. Tahapan-tahapan tersebut, yaitu : 1. Identifikasi efek ARCH.
Dalam permodelan ARCH-GARCH didahului dengan identifikasi apakah suatu data atau model persaman rataan yang diamati mengandung
heteroskedastisitas atau tidak. Ini dilakukan antara lain dengan mengamati beberapa ringkasan statistik dari persamaan rataan tersebut. Sebagai contoh bila
data atau model persamaan rataan memiliki nilai kurtosis lebih dari tiga
32
menunjukkan gejala awal adanya heteroskedastisitas Davidson dan MacKinnon, 2004 dalam Firdaus, 2008. Selain itu, pengujian adanya efek
ARCH pada suatu model persamaan dapat dilakukan dengan mengamati nilai autokorelasi kuadrat residual dari model persamaan tersebut. Fungsi
autokorelasi kuadrat residual digunakan untuk mendeteksi keberadaan efek ARCH. Jika nilai autokorelasi kuadrat residual dari suatu persaman signifikan,
maka nilai tersebut mengindikasikan bahwa pada model persamaan tersebut terdapat efek ARCH. Keberadaan efek ARCH ditunjukkan dengan nilai
autokorelasi kuadrat residual yang signifikan pada 15 beda kala pertama yang diperiksa dari perilaku ACF dan PACFnya. Selain itu, cara yang lebih
terkuantifikasi dalam menguji ada tidaknya ARCH error adalah dengan menggunakan uji White Heteroscedasticity.
2. Estimasi model Pada tahapan ini dilakukan simulasi beberapa model ragam dengan
menggunakan model rataan yang telah didapatkan. Kemudian dilanjutkan dengan pendugaan parameter model. Pendugaan parameter dimaksudkan untuk
mencari koefisien model yang paling sesuai dengan data. Penentuan dugaan parameter
ARCH-GARCH dilakukan
dengan menggunakan
metode kemungkinan maksimum secara iteratif. Dengan menggunakan Software
Eviews 6, estimasi nilai-nilai parameter dapat dilakukan. Selanjutnya dilakukan pemilihan model terbaik. Kriteria model terbaik adalah memiliki ukuran
kebaikan model yang besar dan koefisien yang nyata. Terdapat dua bentuk pendekatan yang dapat digunakan sebagai ukuran kebaikan model yaitu:
a. Akaike Information Criterion AIC AIC = Ln MSE + 2KN
b. Schwarz Criterion SC SC = Ln MSE + [Klog N]N
dimana, MSE = Mean Square Error
K = Banyaknya parameter yaitu p+q+1 N = Banyaknya data pengamatan
33
SC dan AIC merupakan dua standar informasi yang menyediakan ukuran informasi yang dapat menemukan keseimbangan antara ukuran kebaikan model
dan spesifikasi model yang terlalu hemat. Nilai ini dapat membantu untuk mendapatkan seleksi model yang terbaik. Model yang baik dipilih berdasarkan
nilai AIC dan SC yang terkecil dengan melihat juga signifikansi koefisien model.
3. Evaluasi model Pemeriksaan kecukupan model dilakukan untuk menguji asumsi, sehingga
model yang diperoleh cukup memadai. Jika model tidak memadai, maka harus kembali ke tahap identifikasi untuk mendapatkan model yang lebih baik.
Evaluasi model dilakukan dengan memperhatikan beberapa indikator, yaitu apakah residual sudah terdistribusi normal; keacakan residual yang dilihat dari
fungsi autokorelasi kuadrat residual dan pengujian efek ARCH-GARCH dari residual.
Langkah awal yang dilakukan adalah memeriksa kenormalan galat baku model dengan uji Jarque-Bera. Uji Jarque-Bera digunakan untuk mengukur
perbedaan antara Skewness kemenjuluran dan Kurtosis keruncingan dari data sebaran normal, serta memasukkan ukuran keragaman. Hipotesis yang
diuji adalah sebagai berikut : H
: Sisaan baku menyebar normal H
1
: Sisaan baku tidak menyebar normal Statistik uji Jarque-Bera JB dihitung dengan persamaan sebagai berikut :
dimana, S : kemenjuluran
K : keruncingan k : banyaknya koefisien penduga
N : banyaknya data pengamatan Pada kondisi hipotesis nol, JB memiliki derajat bebas 2. Tolak H0 jika JB
χ22 α atau jika P χ22 JB kurang dari α = 0,05 yang berarti bahwa data sisaan terbakukan tidak menyebar normal.
34
Model ARCHGARCH menunjukkan kinerja yang baik jika dapat menghilangkan autokorelasi dari data. Langkah selanjutnya adalah memeriksa
koefisien autokorelasi sisaan baku, dengan uji Ljung Box. Uji Ljung Box Q pada dasarnya adalah pengujian kebebasan sisaan baku. Untuk data deret waktu
dengan N pengamatan, statistik Ljung Box diformulasikan sebagai :
Dimana r1 εt adalah autokorelasi contoh pada lag 1 dan k adalah maksimum lag yang diinginkan. Jika nilai Q lebih besar dari nilai χ22 α
dengan derajat bebas k-p- q atau jika Pχ2k-p-q Q lebih kecil dari taraf
nyata 0,05 maka model tidak layak. 4. Peramalan
Setelah memperoleh model yang memadai, model tersebut digunakan untuk memperkirakan nilai volatilitas masa yang akan datang. Peramalan
dilakukan dengan memasukkan parameter ke dalam persamaan yang diperoleh. Hasil peramalan digunakan untuk pembahasan lebih lanjut seperti perhitungan
VaR. Tingkat risiko memiliki hubungan yang erat dengan metode ARCH- GARH yang sering digunakan jika terjadi ketidakhomogenan ragam atau
varians dari data return dan menduga nilai volatility yang akan datang. Hal tersebut merupakan kelebihan metode ARCH-GARCH dibandingkan dengan
penduga ragam atau varians biasa yang tidak mampu melakukan pendugaan ragam varians jika terjadi ketidakhomogenan data tidak terpenuhi.
Model ARCH
Autoregressive Conditional
Heteroscedasticity dikembangkan terutama untuk menjawab persoalan adanya volatilitas atau
fluktuasi pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. Volatilitas ini tercermin dalam varians residual yang tidak memenuhi asumsi
homoskedastisitas varians residual konstan sepanjang waktu. Langkah awal untuk mengidentifikasi model ARCH-GARCH adalah
dengan melihat ada tidaknya ARCH error dari data persamaan bunga krisan. Model ARCH-GARCH pada bunga krisan ini dibangun oleh variabel dependen
dan variabel independen. Variabel dependen pada model ini adalah variabel tetap, yaitu harga bunga krisan P
t
. Sedangkan, variabel independen adalah
35
variabel yang mempengaruhi variabel dependen atau yang mempengaruhi harga bunga krisan, yaitu harga bunga krisan pada satu hari sebelumnya P
t-1
, permintaan bunga krisan D
t
, dan pasokan bunga krisan Q
t
. Sehingga model persamaan harga bunga krisan yang diperoleh adalah sebagai berikut :
Peramalan ragam untuk periode yang akan datang diramalkan dengan menggunakan rumus GARCH 1,1 sebagai berikut:
dimana: Pt : Harga bunga krisan periode ke t Rupiahikat
Pt-1 : Harga bunga krisan pada periode satu hari sebelumnya ikat Qt : Jumlah pasokan bunga krisan ikat
Dt : Jumlah permintaan bunga krisan ikat B
, b
1
, b
2
, b
3
, α, β : Besaran parameter dugaan
ht : Ragam pada periode ke t : Volatilitas periode sebelumnya
ht-1 : Varian periode sebelumnya C : Konstanta
: Error
4.5. Value at Risk VaR