iv. metode penelitian

IV.
METODE PENELITIAN
4.1. Lokasi dan Waktu Penelitian
Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang
merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran
Holtikultura terbesar di Jakarta. Penelitian dilakukan pada bulan Mei-Juli 2012.
Pemilihan lokasi penelitian ini dilakukan secara sengaja (purposive), hal tersebut
dikarenakan pasar kembang Rawabelong merupakan salah satu sentra pemasaran
bunga grosir di pulau Jawa yang membuat pasar bunga ini dijadikan sebagai
acuan dalam menentukan harga bunga dan tanaman hias.
4.2. Data dan Instrumentasi
Data yang digunakan adalah data primer dan sekunder. Data sekunder
diperoleh dari Kantor Pasar Bunga Rawa Belong Jakarta Barat berupa data time
series harga harian (Rp/ikat), pasokan harian (ikat), serta permintaan harian (ikat)
bunga krisan. Data harga harian merupakan data harga jual bunga krisan setiap
harinya yang ditentukan oleh pedagang bunga krisan. Data pasokan harian
merupakan data jumlah pasokan atau persediaan bunga krisan yang dimiliki oleh
pedagang bunga krisan setiap harinya. Sedangkan data permintaan bunga krisan
merupakan data jumlah permintaan atau jumlah pembelian bunga krisan yang
dilakukan oleh konsumen setiap harinya. Jumlah data historis yang digunakan
dalam penelitian ini menggunakan data dalam kurun waktu dua tahun, yaitu sejak
Januari 2010 hingga Desember 2011 atau sebanyak 720 data. Data tersebut
dijadikan input untuk meramalkan model dan mengukur besarnya tingkat risiko
harga bunga krisan.
Data primer merupakan data yang didapat dari sumber pertama, misalnya
dari individu atau perseorangan. Data primer penelitian ini diperoleh melalui hasil
wawancara dengan dengan 30 pedagang bunga krisan di Pasar Bunga Rawabelong
yang dipilih secara acak sebagai responden, serta pihak-pihak dari Unit Pelaksana
Teknis (UPT) Rawabelong, Jakarta Barat. Data primer digunakan sebagai analisis
tambahan menginterpretasikan output risiko bunga krisan serta menganalisis
bagaimana mencari solusi dalam mengurangi risiko. Selain data primer dan data
30
sekunder informasi lain juga diperoleh dari berbagai sumber, seperti referensi
buku, Dirjen Holtikultura, Badan Pusat Statistik, Unit Promosi dan Pemasaran
Holtikultura Rawa Belong, Asosiasi Bunga Indonesia (Asbindo), penelitian
kepustakaan, dan internet.
4.3. Metode Pengolahan dan Analisis Data
Data yang diperoleh dalam penelitian ini akan diolah dengan
menggunakan metode analisis kuantitatif dan kualitatif. Metode analisis
kuantitatif yang dilakukan dalam penelitian ini adalah analisis risiko dengan
menggunakan model ARCH-GARCH. Model ARCH-GARCH digunakan untuk
meramalkan volatilitas periode selanjutnya dan perhitungan VaR yang digunakan
untuk menganalisis besarnya tingkat risiko. Analisis data diolah dengan
menggunakan bantuan program Microsoft Excel dan Eviews 6.
Analisis kualitatif dianalisis secara deskriptif
yang bertujuan untuk
menganalisis alternatif strategi yang dihadapi oleh pedagang dalam mengatasi
risiko harga pada bunga krisan
di UPT Rawabelong. Analisis kualitatif ini
menggunakan data kualitatif yang diperoleh dari hasil wawancara dengan
pedagang bunga krisan di Pasar Bunga Rawabelong, serta pihak-pihak dari Unit
Pelaksana Teknis (UPT) Rawabelong, Jakarta Barat.
4.4. Model ARCH-GARCH
Model ARCH-GARCH biasanya digunakan untuk melihat volatilitas atau
fluktuasi dari data-data ekonomi. Pada penelitian ini, model ARCH-GARCH
digunakan untuk mengukur tingkat risiko harga pada bunga krisan cipanas dan
krisan pt. Pengaplikasian model ARCH-GARCH terdapat lima tahapan yang
harus terpenuhi asumsi-asumsinya. Tahapan-tahapan tersebut, yaitu :
1. Identifikasi efek ARCH.
Dalam permodelan ARCH-GARCH didahului dengan identifikasi apakah
suatu data atau model persaman rataan yang diamati mengandung
heteroskedastisitas atau tidak. Ini dilakukan antara lain dengan mengamati
beberapa ringkasan statistik dari persamaan rataan tersebut. Sebagai contoh bila
data atau model persamaan rataan memiliki nilai kurtosis lebih dari tiga
31
menunjukkan
gejala
awal
adanya
heteroskedastisitas
(Davidson
dan
MacKinnon, 2004 dalam Firdaus, 2008). Selain itu, pengujian adanya efek
ARCH pada suatu model persamaan dapat dilakukan dengan mengamati nilai
autokorelasi kuadrat residual dari model persamaan tersebut. Fungsi
autokorelasi kuadrat residual digunakan untuk mendeteksi keberadaan efek
ARCH. Jika nilai autokorelasi kuadrat residual dari suatu persaman signifikan,
maka nilai tersebut mengindikasikan bahwa pada model persamaan tersebut
terdapat efek ARCH. Keberadaan efek ARCH ditunjukkan dengan nilai
autokorelasi kuadrat residual yang signifikan pada 15 beda kala pertama yang
diperiksa dari perilaku ACF dan PACFnya. Selain itu, cara yang lebih
terkuantifikasi dalam menguji ada tidaknya ARCH error adalah dengan
menggunakan uji White Heteroscedasticity.
2. Estimasi model
Pada tahapan ini dilakukan simulasi beberapa model ragam dengan
menggunakan model rataan yang telah didapatkan. Kemudian dilanjutkan
dengan pendugaan parameter model. Pendugaan parameter dimaksudkan untuk
mencari koefisien model yang paling sesuai dengan data. Penentuan dugaan
parameter
ARCH-GARCH
dilakukan
dengan
menggunakan
metode
kemungkinan maksimum secara iteratif. Dengan menggunakan Software
Eviews 6, estimasi nilai-nilai parameter dapat dilakukan. Selanjutnya dilakukan
pemilihan model terbaik. Kriteria model terbaik adalah memiliki ukuran
kebaikan model yang besar dan koefisien yang nyata. Terdapat dua bentuk
pendekatan yang dapat digunakan sebagai ukuran kebaikan model yaitu:
a. Akaike Information Criterion (AIC)
AIC = Ln (MSE) + 2*K/N
b. Schwarz Criterion (SC)
SC = Ln (MSE) + [K*log (N)]/N
dimana,
MSE = Mean Square Error
K = Banyaknya parameter yaitu (p+q+1)
N = Banyaknya data pengamatan
32
SC dan AIC merupakan dua standar informasi yang menyediakan ukuran
informasi yang dapat menemukan keseimbangan antara ukuran kebaikan model
dan spesifikasi model yang terlalu hemat. Nilai ini dapat membantu untuk
mendapatkan seleksi model yang terbaik. Model yang baik dipilih berdasarkan
nilai AIC dan SC yang terkecil dengan melihat juga signifikansi koefisien
model.
3. Evaluasi model
Pemeriksaan kecukupan model dilakukan untuk menguji asumsi, sehingga
model yang diperoleh cukup memadai. Jika model tidak memadai, maka harus
kembali ke tahap identifikasi untuk mendapatkan model yang lebih baik.
Evaluasi model dilakukan dengan memperhatikan beberapa indikator, yaitu
apakah residual sudah terdistribusi normal; keacakan residual yang dilihat dari
fungsi autokorelasi kuadrat residual dan pengujian efek ARCH-GARCH dari
residual.
Langkah awal yang dilakukan adalah memeriksa kenormalan galat baku
model dengan uji Jarque-Bera. Uji Jarque-Bera digunakan untuk mengukur
perbedaan antara Skewness (kemenjuluran) dan Kurtosis (keruncingan) dari
data sebaran normal, serta memasukkan ukuran keragaman. Hipotesis yang
diuji adalah sebagai berikut :
H0 : Sisaan baku menyebar normal
H1 : Sisaan baku tidak menyebar normal
Statistik uji Jarque-Bera (JB) dihitung dengan persamaan sebagai berikut :
dimana,
S : kemenjuluran
K : keruncingan
k : banyaknya koefisien penduga
N : banyaknya data pengamatan
Pada kondisi hipotesis nol, JB memiliki derajat bebas 2. Tolak H0 jika JB
> χ22 (α) atau jika P (χ22> JB) kurang dari α = 0,05 yang berarti bahwa data
sisaan terbakukan tidak menyebar normal.
33
Model ARCH/GARCH menunjukkan kinerja yang baik jika dapat
menghilangkan autokorelasi dari data. Langkah selanjutnya adalah memeriksa
koefisien autokorelasi sisaan baku, dengan uji Ljung Box. Uji Ljung Box (Q*)
pada dasarnya adalah pengujian kebebasan sisaan baku. Untuk data deret waktu
dengan N pengamatan, statistik Ljung Box diformulasikan sebagai :
Dimana r1 (εt) adalah autokorelasi contoh pada lag 1 dan k adalah
maksimum lag yang diinginkan. Jika nilai Q* lebih besar dari nilai χ22 (α)
dengan derajat bebas k-p-q atau jika P(χ2(k-p-q) >Q*) lebih kecil dari taraf
nyata 0,05 maka model tidak layak.
4. Peramalan
Setelah memperoleh model yang memadai, model tersebut digunakan
untuk memperkirakan nilai volatilitas masa yang akan datang. Peramalan
dilakukan dengan memasukkan parameter ke dalam persamaan yang diperoleh.
Hasil peramalan digunakan untuk pembahasan lebih lanjut seperti perhitungan
VaR. Tingkat risiko memiliki hubungan yang erat dengan metode ARCHGARH yang sering digunakan jika terjadi ketidakhomogenan ragam atau
varians dari data return dan menduga nilai volatility yang akan datang. Hal
tersebut merupakan kelebihan metode ARCH-GARCH dibandingkan dengan
penduga ragam atau varians biasa yang tidak mampu melakukan pendugaan
ragam (varians) jika terjadi ketidakhomogenan data tidak terpenuhi.
Model
ARCH
(Autoregressive
Conditional
Heteroscedasticity)
dikembangkan terutama untuk menjawab persoalan adanya volatilitas atau
fluktuasi pada data ekonomi dan bisnis, khususnya dalam bidang keuangan.
Volatilitas ini tercermin dalam varians residual yang tidak memenuhi asumsi
homoskedastisitas (varians residual konstan sepanjang waktu).
Langkah awal untuk mengidentifikasi model ARCH-GARCH adalah
dengan melihat ada tidaknya ARCH error dari data persamaan bunga krisan.
Model ARCH-GARCH pada bunga krisan ini dibangun oleh variabel dependen
dan variabel independen. Variabel dependen pada model ini adalah variabel
tetap, yaitu harga bunga krisan (Pt). Sedangkan, variabel independen adalah
34
variabel yang mempengaruhi variabel dependen atau yang mempengaruhi
harga bunga krisan, yaitu harga bunga krisan pada satu hari sebelumnya (P t-1),
permintaan bunga krisan (Dt), dan pasokan bunga krisan (Qt). Sehingga model
persamaan harga bunga krisan yang diperoleh adalah sebagai berikut :
Peramalan ragam untuk periode yang akan datang diramalkan dengan
menggunakan rumus GARCH (1,1) sebagai berikut:
dimana:
Pt : Harga bunga krisan periode ke t (Rupiah/ikat)
Pt-1 : Harga bunga krisan pada periode satu hari sebelumnya (ikat)
Qt : Jumlah pasokan bunga krisan (ikat)
Dt : Jumlah permintaan bunga krisan (ikat)
B0, b1, b2, b3, α, β : Besaran parameter dugaan
ht : Ragam pada periode ke t
: Volatilitas periode sebelumnya
ht-1 : Varian periode sebelumnya
C : Konstanta
: Error
4.5. Value at Risk (VaR)
Setelah diperoleh model ARCH-GARCH yang sesuai, maka dilakukan
perhitungan VaR. Perhitungan VaR dilakukan dengan tujuan untuk menghitung
risiko pasar (market risk) dan menghitung besarnya tingkat kerugian yang
mungkin terjadi dalam waktu tertentu yang telah ditentukan, dengan tingkat
kepercayaan tertentu. Perhitungan VaR yang dilakukan dalam penelitian ini,
menggunakan periode penjualan 1 hari, 3 hari, dan 7 hari. Pemilihan periode
tersebut dikarenakan daya tahan bunga krisan maksimal hingga tujuh hari,
sehingga periode penjualan maksimal selama tujuh hari. Namun, pada beberapa
pedagang ada yang menjual bunga krisannya dengan periode waktu maksimum
penjualan selama tiga hari. Sehingga, rumus yang digunakan dalam perhitungan
35
VaR pada bunga krisan cipanas dan krisan pt ini adalah sebagai berikut (Jorion
2002):
Dimana :
VaR
= besarnya risiko yang diterima pedagang bunga krisan cipanas/ pt
b
= periode penjualan bunga krisan cipanas/ pt
Zα
= titik kritik dalam tabel Z dengan alfa 5%
W
= besarnya investasi pedagang bunga krisan cipanas/ pt
σt+1
= volatilitas yang akan datang dimana σt = √ht
4.6. Definisi Operasional
Beberapa istilah yang digunakan dalam analisis risiko harga bunga krisan
dan anggrek, yaitu :
1.
Risiko adalah suatu keadaan yang tidak pasti yang dihadapi seseorang atau
perusahaan yang dapat memberikan dampak yang merugikan.
2.
Manajemen risiko adalah cara-cara yang digunakan manajemen untuk
menangani berbagai permasalahan yang disebabkan oleh adanya risiko.
3.
Heteroskedastisitas adalah varian dari setiap unsur disturbance yang
tergantung pada nilai yang dipilih dari variabel yang menjelaskan
kevariansan (volatilitas) yang tidak konstan disetiap titik waktu.
4.
Homoskedastisitas adalah varian dari tiap unsur disturbance, tergantung
(conditional) pada nilai yang dipilih dari variabel yang menjelaskan suatu
angka konstan yang sama dengan σ2 atau dengan kata lain variannya sama.
5.
Kurtosis adalah ukuran keruncingan distribusi data, derajat atau ukuran
tinggi rendahnya puncak suatu distribusi data terhadap distribusi normal
data.
6.
Volatilitas adalah suatu ukuran yang menunjukkan seberapa besar harga
berfluktuasi dalam suatu periode waktu.
7.
Varian merupakan jumlah kuadrat semua deviasi nilai-nilai individual
terhadap rata-rata kelompok. Variasi harga yang terjadi pada kurun waktu
tertentu.
36
8.
Error adalah perubahan-perubahan pergerakan harga pada kurun waktu
tertentu. Error menunjukkan adanya risiko.
9.
Value at Risk (VAR) merupakan ukuran besarnya risiko.
10. ACF : Autocorrelation Function yaitu kumpulan koefisien korelasi untuk
berbagai tingkatan beda kala antar variabel.
11. PACF : Parcial Autocorrelation Function yaitu kumpulan koefisien
korelasi untuk berbagai tingkatan beda kala antar dua variabel.
12. ARCH-GARCH : Autoregressive Conditional Heteroscedasticity –
General Autoregressive Conditional Heteroscedasticity yaitu untuk
menjawab persoalan adanya volatilitas pada data dimana volatilitas
tercermin
dalam
varian residual
yang
tidak
memenuhi
asumsi
homoskedastisitas.
37