Estimasi Model VAR Penyusunan Model VAR

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.