54
6.2.2. Penentuan Lag Kelambanan Optimal
Penentuan lag kelambanan optimal dilakukan untuk mengetahui kelambanan mana yang paling optimal untuk menggambarkan keadaan aktual.
Penetuan kelambanan optimal ditentukan dengan melihat nilai Akiake Information Criterion
AIC yang paling kecil, dari hasil pengujian kelambanan optimal. Berdasarkan hasil keluaran software yang digunakan, dipilih VAR kelambanan
satu, hasil pengujian kelambanan optimal dapat dilihat melalui Tabel 16.
Tabel 18. Penentuan Lag Kelambanan Optimal Model VAR
Lag AIC
-5.055463 1
-9.945248 2
-9.855524 3
-9.842707 4
-9.751222
Model VAR kelambanan satu dipilih karena nilai AIC pada lag kelambanan satu merupakan nilai terkecil jika dibandingkan dengan nilai AIC pada
kelambanan yang lain, yakni -9.945248. Nilai AIC yang semakin kecil menandakan bahwa kemungkinan dari nilai harapan yang dihasilkan dari sebuah
model akan semakin mendekati kenyataan.
6.2.3. Estimasi Model VAR
Sudah stasionernya variabel yang akan digunakan dalam model VAR, sehingga model VAR yang digunakan termasuk ke dalam VAR in level. Karena
data sudah stasioner maka tidak perlu dilakukan uji kointegrasi Johansen. Uji kointegrasi Johansen bertujuan untuk melihat apakah kombinasi linear antar
variabel stasioner pada jangka panjang, yang diakibatkan oleh adanya pengaruh dari tren, sehingga model VAR dapat langsung diestimasi.
Jika melihat hasil uji kelambanan optimal didapat kelambanan satu, sebagai tingkat lag kelambanan optimal, sehingga model VAR yang digunakan
untuk mengestimasi hubungan antara Jakarta Tea Auction, Colombo Tea Auction
55
dan Guwahati Tea Auction adalah model VAR dengan tingkat lag kelambanan satu. Berdasarkan hasil output Eviews Tabel 17, dapat dilihat hasil estimasi
model VAR kelambanan satu adalah sebagai berikut:
Tabel 19.
Estimasi Model VAR kelambanan satu
Variabel Variabel Dependen
LogJTA LogCTA
LogGTA Konstanta
0.071045 0.098933
0.263449 LogJTA
t-1
0.858010 0.010607
-0.168176 LogCTA
t-1
0.036675 0.912136
-0.002532 LogGTA
t-1
-0.004711 -0.001781
0.845169 R
2
0.816222 0.925293
0.793896
Keterangan : = berpengaruh nyata pada taraf nyata 0.1
Berdasarkan model VAR yang dihasilkan, harga teh grade Dust di Jakarta Tea Auction
dipengaruhi secara nyata pada taraf nyata sepuluh persen, oleh harga teh grade Dust Jakarta Tea Auction sebelumnya. Sedangkan untuk
harga teh grade Dust Colombo Tea Auction dan Guwahati Tea Auction tidak berpengaruh signifikan pada penentuan harga teh grade Dust Jakarta Tea Auction.
Berdasarkan hasil keluaran model VAR dengan kelambanan satu Jakarta Tea Auction,
mampu menjelaskan pendugaan harga yang akan datang melalui variabel-variabel yang digunakan dalam model sebesar 81,62 persen, sisanya
dijelaskan oleh komponen error kesalahan. Tidak signifikannya pengaruh Colombo Tea Auction dan Guwahati Tea
Auction pada penentuan harga teh grade Dust Jakarta Tea Auction, dikarenakan
Guwahati Tea Auction dalam pemasaran tehnya tidak hanya digunakan untuk
ekspor tetapi juga untuk konsumsi dalam negeri. Hal yang sama juga terjadi di Colombo karena selain diekspor ke Pakistan teh grade Dust lebih difokuskan
untuk konsumsi dalam negeri di Sri Lanka. Berdasarkan hasil estimasi model juga dapat disimpulkan bahwa perubahan harga yang terjadi di Guwahati dan Colombo
tidak ditransmisikan kepada harga teh grade Dust di Jakarta. Widarjono 2010, menjelaskan bahwa dalam model VAR Vector
Autoregression interpretasi
koefisien secara
individual sulit
untuk
56
diinterpretasikan karena VAR merupakan permodelan simultan yang berbentuk reduced form matrix
, yang bertujuan untuk menangkap dinamika data time series. Sehingga untuk menggambarkan bagaimana hubungan dinamis antar data
digunakan; Fungsi Respon Impuls, Dekomposisi Ragam, dan Peramalan.