Kerangka Pemikiran Penelitian Analisis Faktor Penentu Integrasi Pasar Beras di Indonesia

26 Gambar 6. Kerangka Pemikiran Pasar Beras Spasial Ketidakseimbangan Ketersediaan dan Kebutuhan Beras ProvinsiNegara Surplus Beras ProvinsiNegara Defisit Beras Perbedaan Kondisi Antar Tempat Aliran Perdagangan Pasar Tidak Terintegrasi Pasar Terintegrasi IRF, FEDV Analisis Integrasi Pasar Beras Spasial Analisis Faktor Penentu Integrasi Pasar Trace Statistics Analisis Regresi Uji Kointegrasi Eigenvalue Max III METODOLOGI PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder time series berupa data mingguan harga retail beras jenis kualitas medium pada 26 provinsi di Indonesia, harga grosir beras jenis IR-64 kualitas II dan III pada Pasar Induk Beras Cipinang PIBC, serta harga beras Thailand broken 15 persen dan Vietnam broken 15 persen sebagai harga beras internasional, selama periode tahun 2010-2012. Data dikumpulkan dari beberapa instansi yang terkait yaitu Global Agriculture Information Network – Foreign Agriculture Service GAIN FAS Report – United States Departement of Agriculture USDA, Badan Pusat Statistik BPS, Pasar Induk Beras Cipinang PIBC, dan BULOG.

3.2 Metode Analisis

3.2.1 Pengujian Kestasioneran Data

Data runtun waktu time series umumnya tidak stasioner, sedangkan berbagai metode ekonometrika yang digunakan untuk data time series berdasarkan pada asumsi stasioner. Jika suatu data time series tidak stasioner, maka aplikasi pengujian analisis statistik terhadap data tersebut akan tidak tepat. Persamaan regresi yang menggunakan data time series ekonomi yang sebagian besar memiliki tren terhadap waktu akan menghasilkan hasil yang signifikan dengan nilai R 2 yang tinggi, namun dapat tidak berarti atau memberikan hasil yang spurious Granger dan Newbold 1974. Suatu data time series dikatakan stasioner jika nilai tengah mean dan ragamnya konstan dari waktu ke waktu, serta covariance antara dua data runtun waktu hanya tergantung dari lag antara dua periode waktu tersebut. Untuk mengatasi data yang tidak stasioner pada nilai tengahnya, dapat dilakukan proses pembedaan atau diferensiasi differencing terhadap deret data asli. Diferensiasi merupakan proses mencari perbedaan antara data satu periode dengan periode sebelumnya secara berurutan. Adapun untuk mengatasi data yang tidak stasioner pada ragamnya, umumnya dilakukan transformasi data asli ke bentuk Ln 28 logaritma natural atau akar kuadrat. Menghilangkan pengaruh musiman seasonal pada data yang tidak stasioner akibat pengaruh musiman juga dapat merubah data menjadi stasioner Juanda dan Junaidi 2012. Salah satu metode yang dapat digunakan untuk menguji kestasioneran data adalah metode Dickey-Fuller DF. Misalkan suatu model persamaan sebagai berikut : Y t = β + β 1 Y t −1 + u t ............................................................................ 3.1 Bila masing-masing ruas kanan dan kiri dari persamaan 3.1 dikurang Y t-1 maka dapat dituliskan : Y t − Y t −1 = β + β 1 Y t −1 −Y t −1 + u t ....................................................... 3.2 ∆Y t = β + β 1 − 1Y t −1 + u t ................................................................ 3.3 ∆Y t = β + γ Y t −1 + u t ......................................................................... 3.4 Dimana γ = β 1 − 1, dan ΔY t merupakan fist difference dari Y t . Uji DF dilakukan dengan menghitung nilai τ-statistik dengan rumus : τ γ = γ se γ .................................................................................................. 3.5 Hipotesis yang digunakan adalah : H : � = 0 ,terdapat akar unit atau Y t tidak stasioner H 1 : � 0 ,tidak terdapat akar unit atau Y t stasioner Nilai τ-statistik yang diperoleh kemudian dibandingkan dengan τ-McKinnon Critical Values. Jika τ-statistik τ-tabel, maka tidak cukup bukti untuk menolak hipotesis H bahwa persamaan mengandung akar unit, yang berarti data tidak stasioner.

3.2.2 Penentuan Lag Ordo Optimal

Penentuan panjang lag yang optimal sangat penting dalam pembentukan model VAR karena variabel endogen dalam sistem persamaan akan digunakan sebagai variabel eksogen dan diperlukan untuk menangkap pengaruh dari setiap variabel terhadap variabel lainnya di dalam sistem VAR serta menghindari kemungkinan terjadinya autokorelasi residual. Penentuan lag optimal bisa menggunakan beberapa kriteria informasi sebagai berikut: 1 Akaike Information Criterion AIC, 2 Schwarz Information Criterion SC, 3 Hannan-Quinn