3. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien AR atau MA dimana masing-masingnya
harus kurang dari satu. 4. Proses iterasi harus konvergen. Bila terpenuhi maka pada session terdapat
pernyataan relative change in each estimate less than 0,0010. 5. Residual atau error peramalan bersifat random, ditunjukkan oleh indikator
Box-Ljung Statistic yang lebih besar dari 0.05 taraf nyata. 6. Model harus memiliki MSE Mean Squared Error yang kecil.
4. Peramalan Setelah didapat model yang sudah memenuhi kriteria model terbaik dan
memiliki MSE relatif lebih kecil dibandingkan dengan model alternatifnya, maka peramalan terhadap beberapa periode dapat dilakukan.
4.2.3 Model VAR Vector Autoregression
Pengaruh fluktuasi harga komoditas pangan terhadap inflasi di Jawa Barat dianalisis menggunakan model Vector Autoregression VAR. Analisis ini
dilakukan dengan menggunakan bantuan perangkat lunak Eviews 6. Model VAR dibangun ketika seringkali teori ekonomi belum mampu menentukan spesifikasi
yang tepat. Misalnya teori terlalu kompleks sehingga simplifikasi harus dibuat atau sebaliknya fenomena yang ada terlalu kompleks jika dijelaskan dengan teori
yang ada. Dengan demikian VAR adalah model non struktural atau merupakan model tidak teoritis Widarjono 2009. Ketika kita mempunyai beberapa variabel
di dalam data series maka kita perlu menganalisis saling ketergantungan antarvariabel tersebut. Vector Autoregression VAR merupakan salah satu model
yang mampu menganalisis hubungan saling ketergantungan variabel time series tersebut.
Keunggulan dari metode VAR antara lain Firdaus 2011: 1. Mengembangkan model secara bersamaan di dalam suatu sistem yang
kompleks multivariat sehingga dapat menangkap hubungan keseluruhan variabel di dalam persamaan itu.
2. Uji VAR yang multivariat bisa menghindarkan parameter yang bias akibat tidak dimasukkannya variabel yang relevan.
3. Uji VAR dapat mendeteksi hubungan antarvariabel di dalam sistem persamaan, dengan menjadikan seluruh variabel sebagai endogen.
4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu spurious
variable endogenity dan exogenity di dalam model ekonometrik konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang
salah. Selain keunggulan yang dimiliki, Gujarati 2003 mengemukakan
beberapa kelemahan VAR sebagai berikut: 1. Lebih bersifat ateoretik mengingat pendekatan VAR tidak memanfaatkan
informasi terlebih dahulu sehingga model menjadi tidak struktural. 2. Kurang sesuai untuk analisis kebijakan karena lebih menitikberatkan pada
peramalan forecasting. 3. Penentuan banyaknya lag yang dianggap optimal dapat menimbulkan
permasalahan mengingat data yang diamati harus relatif banyak. 4. Semua variabel dalam VAR yang belum stasioner harus ditransformasikan
terlebih dahulu agar stasioner. 5. Koefisien dalam estimasi VAR sulit untuk diinterprestasikan.
Menurut Widarjono 2009, jika data dalam model VAR adalah stasioner pada tingkat level maka kita mempunyai model VAR biasa unrestricted VAR.
Sebaliknya jika data tidak stasioner pada level tetapi stasioner pada proses diferensi data, maka kita harus menguji apakah data mempunyai hubungan dalam
jangka panjang atau tidak dengan melakukan uji kointegrasi. Apabila terdapat kointegrasi maka model yang kita punya adalah model Vector Error Correction
Model VECM. Model VECM ini merupakan model terestriksi restricted VAR karena adanya kointegrasi yang menunjukkan adanya hubungan jangka panjang
antar variabel di dalam sistem VAR. Apabila data stasioner pada proses diferensi namun variabel tidak terkointegrasi disebut model VAR dengan data diferensi
VAR in difference. Secara umum model persamaan VAR ordo p dengan n peubah tak bebas
pada waktu t dapat ditulis sebagai berikut Enders 2004: Y
t
= A +A
1
Y
t-1
+ A
2
Y
t-2
+ .... + A
p
Y
t-p
+
t
..........................................................5
dimana: p
= jumlah lag dalam persamaan Yt = vektor peubah tak bebas Y
1
.t, Y
2
.t, Y
n
.t berukuran n x 1 A
= vektor intersep berukuran n x 1 Ai = matriks parameter berukuran n x n untuk setiap i = 1,2,...p
t = vektor sisaan
1t
,
2t
,……
nt
berukuran n x 1 Dalam penelitian ini akan dianalisis hubungan antara harga komoditas
pangan yang diteliti, yaitu beras, kedelai, dan gula pasir dengan Indeks Harga Konsumen IHK Jawa Barat Barat menggunakan model VAR Vector
Autoregression. Semua data yang digunakan adalah dalam bentuk logaritma natural. Hal ini dilakukan untuk memudahkan dalam menganalisis Impulse
Respon Function IRF maupun Forecast Error Variance Decomposition FEVD. Model penelitian dapat ditulis sebagai berikut:
��
�
��
�
��
�
�� �
�
= �
10
�
20
�
30
�
40
+ �
� �
� �
� �
� �
� �
� �
� �
� ��
�−�
��
�−�
��
�−�
�� �
�−�
+ �
1 �
�
2 �
�
3 �
�
4 �
....6
dimana: lnIHK
t
= Indeks Harga Konsumen IHK pada waktu t lnBERAS
t
= harga beras pada waktu t lnKEDELAI
t
= harga kedelai pada waktu t lnGULA
t
= harga gula pada waktu t t
= error term sisaan i
= kelambanan lag Adapun tahapan-tahapan dalam melakukan analisis model VAR adalah:
1. Uji Stasioneritas Data Langkah pertama mengestimasi model VAR adalah dengan melakukan
uji stasioneritas data. Pengujian stasioneritas data ini dilakukan dengan menguji akar unit unit root dalam model. Pengujian stasioneritas data sangat
penting jika data yang digunakan dalam bentuk time series. Hal ini karena data time series pada umumnya mengandung akar unit dan nilai rata-rata serta
variansnya berubah sepanjang waktu. Data yang tidak stasioner atau memiliki akar unit, jika dimasukkan dalam pengolahan statistik maka akan menghasilkan
