Risiko Harga Sayuran di Indonesia

IV METODE PENELITIAN
4.1 Lokasi dan Waktu Penelitian
Lokasi penelitian tentang risiko harga sayuran di Indonesia mencakup
komoditas kentang, kubis, dan tomat dilakukan di Pasar Induk Kramat Jati, yang
beralamat di Jalan Raya Bogor km. 17, Jakarta Timur. Pasar Induk Kramat Jati
merupakan salah satu pusat perdagangan sayuran terbesar di Indonesia yang
biasanya digunakan sebagai barometer harga dalam pembentukan harga di pasarpasar lainnya serta sebagai sumber informasi bagi Kementrian Pertanian terkait
dengan harga sayuran dan buah. Kegiatan penelitian ini dilakukan pada bulan Mei
hingga Juni 2011.
4.2 Jenis dan Sumber Data
Penelitian ini menggunakan data yang terdiri dari data primer dan sekunder
baik yang bersifat kuantitatif maupun kualitatif. Data primer diperoleh melalui
wawancara dengan petani kentang di Pangalengan, Bandung, petani tomat dan
kubis di Cisarua, Bogor, pedagang kentang, kubis, dan tomat, karyawan di Kantor
Unit Pasar Besar (UPB) Pasar Induk Kramat Jati, DKI Jakarta serta Kementrian
Pertanian. Data sekunder diperoleh dari Kantor Pasar Induk Kramat Jati Jakarta
berupa data time series harga harian (rupiah per kilogram), pasokan harian (satuan
dalam ton) kentang, kubis, dan tomat serta permintaan harian (satuan dalam ton)
khusus untuk komoditas kentang dari bulan Januari 2006 sampai Februari 2011.
Jumlah data historis yang digunakan dalam kurun waktu lima tahun untuk
penelitian ini adalah sebanyak 1872 data. Data tersebut dijadikan input untuk
meramalkan model dan mengukur besarnya tingkat risiko harga kentang, kubis
dan tomat. Untuk informasi pendukung lainnya diperoleh dari catatan yang
terdapat di berbagai instansi yang terkait dengan masalah penelitian seperti
Kementrian Pertanian, Direktorat Jendral Hortikultura, Perpustakaan LSI,
Perpustakaan Fakultas Ekonomi dan Manajemen, Perpustakaan Pusat Analisis
Sosial Ekonomi dan Kebijakan Pertanian (PSEKP), dan berbagai literatur seperti
buku, skripsi, artikel-artikel dari internet, majalah pertanian, jurnal, dan
sebagainya.
45
4.3 Metode Pengolahan dan Analisis Data
Penelitian ini menggunakan data primer dan data sekunder yang diolah dan
dianalisis melalui beberapa metode analisis yang digunakan. Metode analisis yang
digunakan dalam penelitian ini meliputi analisis kuantitatif dan kualitatif.
Analisis kuantitatif yang dilakukan dalam penelitian ini adalah analisis risiko
dengan menggunakan model ARCH-GARCH yang digunakan untuk meramalkan
volatilitas periode selanjutnya dan perhitungan VaR yang digunakan untuk
menjawab tujuan penelitian yang pertama, yaitu menganalisis besarnya tingkat
risiko harga kentang, kubis dan tomat. Data yang digunakan adalah data harga
harian (rupiah per kilogram), pasokan harian (satuan dalam ton) kentang, kubis
dan tomat serta permintaan (satuan dalam ton) khusus untuk komoditas kentang.
Analisis data diolah dengan bantuan program Microsoft Excel dan Eviews 6.
Analisis kualitatif dilakukan dengan pendekatan deskriptif yang digunakan
untuk menjawab tujuan penelitian yang kedua, yaitu menganalisis alternatif solusi
yang dilakukan petani selaku produsen untuk mengurangi risiko harga dari
komoditas kentang, kubis dan tomat. Analisis ini menggunakan data kualitatif
yang diperoleh melalui hasil wawancara dan diskusi langsung dengan pihak-pihak
yang berkepentingan seperti petani kentang, kubis dan tomat, pedagang grosir
kentang, kubis dan tomat dan karyawan Kantor di Pasar Induk Kramat Jati,
Jakarta serta Kementrian Pertanian.
4.4 Analisis Data Harga Sayuran
Pengukuran risiko harga kentang, kubis, dan tomat dalam penelitian ini
dilakukan dengan menggunakan model ARCH-GARCH. Model ARCH
(Autoregressive Conditional Heteroscedasticity) dikembangkan 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). Bollerslev pada tahun 1986 kemudian mengembangkan model
ini menjadi GARCH, yaitu singkatan dari Generalized Autoregressive
Conditional Heteroscedasticity. GARCH mengasumsikan data yang dimodelkan
memiliki standar deviasi yang selalu berubah terhadap waktu. GARCH yang
46
cukup baik untuk memodelkan data yang berubah standar deviasinya, tetapi tidak
untuk data yang benar-benar acak.
Kondisi volatilitas data mengindikasikan bahwa perilaku data time series
memiliki varian residual yang tidak konstan dari waktu ke waktu atau
mengandung gejala heteroskedastisitas karena terdapat varians error yang
besarnya tergantung dengan pada volatilitas error masa lalu. Akan tetapi ada
kalanya varian error tidak tergantung pada variablel bebasnya saja melainkan
varian tersebut berubah-ubah seiring dengan perubahan waktu. Karena itu, perlu
dibuat suatu model pendekatan untuk memasukkan masalah volatilitas data dalam
model penelitian.
Dalam mengaplikasikan model ARCH-GARCH, dilakukan tahap-tahap
sebagai berikut :
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
menunjukkan
gejala awal adanya
heteroskedastisitas.
(Davidson dan
MacKinnon, 2004 dalam Firdaus, 2006). Skewness merupakan ukuran
kemiringan, pengukuran tingkat ketidaksimetrisan (kecondongan) sebaran data
di sekitar rata-ratanya. Distribusi normal merupakan distribusi yang simetris
dan nilai skewness adalah nol. Skewness yang bernilai positif menunjukkan
ujung dari kecondongan menjulur ke arah nilai positif (ekor kurva sebelah
kanan lebih panjang). Untuk skewness yang bernilai negatif menunjukkan
ujung dari kecondongan menjulur ke arah nilai negatif (ekor kurva sebelah kiri
lebih panjang). Jika data skewness tersebut tidak sama dengan nol maka
mengandung heteroskedastisitas (Widarjono, 2005).
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
47
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) = Ln (MSE) + 2*K/N
b.
Schwarz Criterion (SC)
= Ln (MSE) + [K*log (N)]/N
dimana,
MSE = Mean Square Error
K
= Banyaknya parameter
N
= Banyaknya data pengamatan
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
pengujian efek ARCH-GARCH dari residual dan memeriksa kenormalan galat
baku model dengan uji Jarque-Bera.
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 pada analisis risiko. Tingkat risiko memiliki hubungan yang erat dengan
metode GARCH yang sering digunakan jika terjadi ketidakhomogenan ragam
48
atau varians dari data return dan menduga nilai volatilitas yang akan datang.
Hal tersebut merupakan kelebihan metode GARCH dibandingkan dengan
penduga ragam atau varians biasa yang tidak mampu melakukan pendugaan
ragam (varians) jika terjadi ketidakhomogenan data tidak terpenuhi.
Terkait dengan adanya risiko harga pada sayuran dapat diketahui dengan
adanya fluktuasi harga. Kondisi ini disebabkan oleh beberapa faktor yang
mempengaruhi harga sayuran komoditas kentang, kubis, dan tomat diantaranya
harga sebelumnya (Pt-1) dan penawaran (Qt). Penawaran yang digunakan
adalah jumlah pasokan yang masuk ke pasar dari beberapa daerah sentra yang
menghasilkan komoditas kentang, kubis, dan tomat. Khusus untuk komoditas
kentang dengan menambah permintaan (Dt) dimana pada umumnya sisa dalam
waktu satu hari sebesar 20 persen dan selebihnya adalah permintaan akan
komoditas kentang pada hari itu yang dapat dituliskan sebagai berikut:
Pt = f (Pt-1, Qt, Dt)
Sehingga diperoleh persamaan model harga sayuran komoditas kentang,
kubis, dan tomat sebagai berikut:
Ln (Pt) = b0 + b1 Ln (Pt-1) + b2 Ln (Qt) + b3 Ln (Dt) + εt
Peramalan ragam untuk periode yang akan datang diramalkan dengan
menggunakan rumus GARCH (1,1) sebagai berikut:
ht = C + α ε2t-1 + β ht-1
dimana:
Pt
Pt-1
Qt
Dt
b0, b1, b2, b3, α, β
ht
ε2t-1
ht-1
C
εt
: Harga sayuran periode ke t (Rupiah/kilogram)
: Harga sayuran periode sebelumnya (Rupiah/kilogram)
: Jumlah penawaran sayuran (ton)
: Jumlah permintaan sayuran (ton)
: Besaran parameter dugaan
: Ragam pada periode ke t
: Volatilitas periode sebelumnya
: Varian periode sebelumnya
: Konstanta
: Error
Setelah diperoleh model yang sesuai maka dilakukan perhitungan Var
adalah sebagai berikut (Jorion, 2001):
49
VaR = (σt+1 x √b ) x Zα x W
dimana:
VaR
b
Zα
W
σt+1
=
=
=
=
=
Besarnya risiko yang diterima pedagang
Periode penjualan sayuran
Titik kritik dalam tabel Z dengan alfa 5%
Besarnya modal yang dikeluarkan pedagang
Volatilitas yang akan datang dimana σt = √ht
Untuk melakukan perhitungan VaR, besarnya penerimaan diperoleh dari
modal investasi yang digunakan pedagang kentang, kubis, dan tomat.
Berdasarkan modal yang dikeluarkan pedagang kentang, kubis dan tomat
dalam satu hari adalah untuk kentang sebesar Rp. 9.000.000,00, kubis sebesar
Rp. 2.400.000,00 dan tomat sebesar Rp. 2.500.000,00. Periode penjualan untuk
mengetahui besarnya risiko yang ditanggung pedagang adalah satu, tujuh, dan
14 hari. Perhitungan VaR komoditas kentang, kubis, dan tomat disajikan pada
Tabel 8, 9, 10.
Tabel 8. Perhitungan VaR Komoditas Kentang
Komoditas Kentang Periode ke
Indikator
1
7
W
σt+1
Z
VaR
Tabel 9. Perhitungan VaR Komoditas Kubis
Komoditas Kubis Periode ke
Indikator
1
7
W
σt+1
Z
VaR
Tabel 10. Perhitungan VaR Komoditas Tomat
Komoditas Tomat Periode ke
Indikator
1
7
W
σt+1
Z
VaR
14
14
14
50