37 1. Identifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal,
yaitu terhadap pola data; apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data. Ketiga, identifikasi
terhadap pola ACF dan PACF. 2. Estimasi Model. Pada tahap estimasi, pertama-pertama dihitung nilai
estimasi awal untuk parameter-parameter dari model tentatif; kemudian dengan menggunakan program komputer melalui proses
iterasi diperoleh nilai estimasi akhir. Walaupun ada beberapa formula untuk menghitung nilai estimasi awal, biasanya digunakan nilai 0 atau
1 sebagai koefisien estimasi untuk masing-masing parameter. 3. Evaluasi Model. Setelah diperoleh persamaan untuk model tentatif,
dilakukan uji diagnostik untuk menguji kedekatan model dengan data. Uji ini dilakukan dengan menguji nilai residual dan dengan menguji
signifikansi dan hubungan-hubungan antara parameter. Jika ada hasil uji yang tidak dapat diterima atau tidak memenuhi syarat, maka model
harus diperbaiki dan langkah-langkah sebelumnya harus diulangi kembali.
4. Peramalan. Nilai peramalan disediakan dalam output komputer. Model ARIMA dibangun berdasarkan dua batasan berikut :
a. Peramalan bersifat linear untuk observasi yang diamati. b. Seleksi model didasarkan pada prinsip parsimonius. Artinya
model yang dipilih adalah model dengan parameter paling efisien jumlah parameter sesedikit mungkinsederhana.
2.11. Pemilihan Metode Peramalan
Menurut Sugiarto dan Harijono dalam Kosasih 2007, beberapa kriteria yang dijadikan sebagai pedoman dalam memilih teknik peramalan yang sesuai
antara lain akurasi, jangkauan peramalan, biaya, dan kemudahan dalam penerapan. Ukuran akurasi yang sering digunakan adalah Mean Square Error
MSE. Teknik ini mengevaluasi akurasi peramalan dengan mengkuadratkan nilai error, hasilnya dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini
membebankan kesalahan peramalan yang besar karena errornya dikuadratkan Hanke, 2003. Tapi hal ini tidak menjadi masalah karena berbagai ukuran
38 keakuratan menghasilkan hasil yang konsisten ketika digunakan untuk
mengevaluasi metode peramalan yang berbeda. Metode yang memberikan MSE yang lebih kecil dipertimbangkan sebagai model yang lebih baik karena hal itu
berarti bahwa di masa lalu model dapat menirukan kenyataan secara lebih baik. Ukuran akurasi model yang lain antara lain Root Mean Square Error RMSE,
Mean Absolut Error MAE, dan Mean Absolut Persentage Error MAPE. Pertimbangan yang cermat dalam memilih metode peramalan diperlukan agar
ramalan dapat digunakan sesuai dengan tujuan yang telah ditentukan.
2.12. Metode ARCH-GARCH
Besarnya fluktuasi dan tingginya risiko merupakan karakter yang melekat dalam sistem produksi dan distribusi kebanyakan produk agribisnis bisnis.
Banyak data ekonomi yang bersifat volatile, fenomena ini dapat dibahas dengan pendekatan metode model ARCH-GARCH.
ARCH adalah singkatan dari Autoregressive Conditional Heteroscedasticity. Model ini dikembangkan terutama untuk menjawab
pertanyaan akan persoalan volatilitas pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. ARCH pertama kali diperkenalkan oleh Engle tahun
1982. Volatilitas ini tercermin dari varians residual yang tidak memenuhi asumsi homoskedastisistas varians residual konstan sepanjang waktu. Model ARCH
memodelkan keheterogenan ragam Heteroscedasticity yang tergantung pada informasi sebelumnya conditional secara autoregresif. Model ini diterapkan
pada data deret waktu yang tidak memenuhi asumsi kehomogenan ragam. Pada tahun 1986 Bollerslave mengembangkan model GARCH
Generalized Autoregressive Conditional Heteroscedasity untuk menghindari ordo ARCH yang terlalu besar dan memberikan hasil yang lebih praktis
parsimonious daripada model ARCH. Model GARCH digunakan untuk model yang taklinier dalam ragam. Kedua metode ini masih terus dikembangkan pada
dekade 1990-an.
39
2.13. Value at Risk
