FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR
II TINJAUAN PUSTAKA
2.5. Analisis Transmisi Harga
Beberapa penelitian mengenai analisis transmisi harga komoditas telah dilakukan oleh beberapa peneliti, Priyadi et al. (2004) menganalisis mengenai distribusi ayam broiler di propinsi Daerah Istimewa Yogyakarta (DIY). Suharyatno et al. (2008), menganalisis mengenai pemasaran dan tataniaga anggur di Bali. Rifin (2009), menganalisis mengenai transmisi harga CPO terhadap harga minyak goreng di Indonesia. Dharmasena et al. (2004) menganalisis transmisi harga teh pada pasar lelang dunia, dalam penelitiannya ia menggunakan harga rataan dari beberapa tempat lelang teh dunia.
5
20 Priyadi et al. (2004) dan Suharyatno et al. (2008), menganalisis transmisi harga dengan menggunakan model elastisitas transmisi harga. Priyadi et al.
(2004), menyimpulkan bahwa besarnya nilai elastisitas transmisi harga pedagang pengumpul dan pedagang pengecer terhadap peternak ayam masing-masing adalah 0,836536 dan 0,926226. Suharyatno et al. (2008), menyimpulkan bahwa besarnya nilai elastisitas petani anggur terhadap perubahan harga di tingkat konsumen adalah 0,0457.
Dharmasena et al. (2004) dan Rifin (2009) mencoba mengembangkan permodelan transmisi harga dengan menggunakan VAR. Berdasarkan hasil analisisnya Dharmasena et al. (2004) dalam salah satu kesimpulannya, menyimpulkan bahwa harga teh di Indonesia dipengaruhi oleh harga teh di Sri Lanka dan Indonesia itu sendiri, artinya perubahan harga lelang yang terjadi di Sri Lanka akan ditransmisikan terhadap harga lelang yang terjadi di Indonesia. Rifiin (2009) dalam penelitiannya menyimpulkan bahwa harga CPO internasional mempengaruhi harga CPO domestik dan harga minyak goreng, sedangkan harga CPO domestik dan minyak goreng memiliki hubungan timbal balik. Besarnya pengaruh perubahan harga CPO internasional akan menaikkan harga CPO domestik sebsar 0.04 persen. Perubahan harga CPO internasional akan mempengaruhi harga minyak goreng, harga akan menurun namun dalam jumlah yang kecil.
Pada penelitian Priyadi et al. (2004) dan Suharyatno et al. (2008), model elastisitas transmisi harga hanya melihat hubungan yang terjadi antara konsumen dan petani, tidak melihat bagaimana dampaknya dua arah dari suatu perubahan harga pada satu rantai terhadap rantai lainnya. Model VAR yang digunakan oleh Dharmasena et al. (2004) dan Rifin (2009) mampu menjelaskan hubungan dinamis antar variabel yang diduga saling berhubungan, sehingga dapat melihat suatu hubungan sebab akibat yang terjadi dalam model, selain itu besarnya transmisi harga dapat dilihat melalui fungsi respon impuls.
Dalam penelitian ini VAR digunakan untuk melihat transmisi harga dari harga antara harga Jakarta Tea Auction (JTA) dengan harga auction luar negeri lainnya seperti Colombo Tea Auction (CTA) dan Guwahati Tea Auction (GTA) dengan menggunakan salah satu grade dari teh hitam, yakni grade Dust. Sehingga
21 dalam penelitian ini akan dibahas mengenai hubungan antara harga auction teh di
Jakarta Tea Auction dengan auction luar negeri menggunakan pendekatan metode VAR; dengan menggunakan salah satu harga grade teh yang dilelang di pelelangan, yakni Dust. Selain membahas mengenai transmisi harga, penelitian ini juga membahas mengenai pendugaan harga teh grade Dust yang akan datang dengan pendekatan model VAR.
III Kerangka Pemikiran
3.1Kerangka Pemikiran Teoritis 3.1.1 Manajemen Pemasaran
Manajamen pemasaran adalah proses analisa, perencanaan, pelaksanaan, dan pengawasan program-program yang bertujuan menimbulkan pertukaran dengan pasar yang dituju untuk mencapai tujuan perusahaan (Kotler 1991). Dalam pemasaran, analisa mengenai pasar menjadi salah satu faktor penting karena akan menentukan perencanaan strategi yang akan dilakukan oleh perusahaan.
Kotler (1991) menjelaskan dalam proses analisa pasar, informasi pasar merupakan sebuah elemen penting untuk menyususun sistem pemasaran yang efektif, karena informasi dapat menjelaskan tren pemasaran nasional dan internasional, transisi dari permintaan pembeli dan kebutuhan pembeli, dan transisi dari kompetisi harga hingga non-harga. Informasi pasar yang baik mencakup empat subsistem; 1) Internal Records System 2) Market Intelligence 3)
Market Research 4) Market Decision Support System.
Dengan mengetahui informasi maka perusahaan dapat merespon perubahan dinamis yang berada di luar sana, yang dapat digunakan untuk keuntungan perusahaan. Sistem agribisnis yang berdaya saing tinggi adalah sistem agribisnis yang fleksibel atau mampu merespons setiap perubahan pasar secara efektif dan efisien. Efektif dalam pengertian bahwa respons yang diberikan oleh sistem agribisnis sesuai dengan dinamika kebutuhan pasar (volume, tempat dan waktu) dan preferensi konsumen, sedangkan efisien memiliki makna bahwa sistem agribisnis tersebut mampu memproduksi dan memasarkan produk dengan harga relatif murah untuk kualitas produk yang sama di tangan konsumen (Irawan, 2007).
3.1.2 Volatilitas
Volatilitas berasal dari kata volatil (volatile), yang mana istilah ini mengacu kepada kondisi tidak stabil, bervariasi, dan sulit diperkirakan. Volatilitas dapat dipengaruhi oleh dua komponen, yakni komponen yang perilakunya dapat
23 diduga (predictable) dan komponen yang tidak dapat diduga (unpredictable) (Sumaryanto 2009).
Sumaryanto (2009) menjelaskan ada tiga hal yang melandasi pentingnya permodelan dan peramalan volatilitas harga. Pertama, hasil dari permodelan akan bermanfaat bagi pengambilan keputusan yang berkaitan dengan risiko yang disebabkan oleh perubahan harga yang terjadi. Kedua, ketepatan hasil peramalan bersifat time-varying sehingga ketepatan permodelan akan didapat dengan memodelkan ragam galatnya. Ketiga, untuk memperoleh teknik peramalan dan pendugaan harga kedepannya yang lebih tepat.
Kebanyakan pelaku usaha dan pemerintah dalam penanganan masalah yang berkenaan dengan risiko pada umumnya cenderung mengarah pada keragaman yang dapat diduga (predictable), sehingga terkadang langkah antisipasi terhadap perubahan menjadi kurang tepat, terlebih lagi jika pola fluktuasinya berubah dari pola fluktuasi yang ada sekarang (Wolf 2003, diacu dalam Sumaryanto 2009). Analisis volatilitas sering dilakukan pada pasar uang dan pasar saham, namun belakangan ini sering dilakukan pada pasar komoditi. Analisis ini menjadi penting apabila pelaku bisnis dihadapkan pada kondisi harga yang tidak stabil dan pola pergerakannya tidak dapat diperkirakan.
3.1.3 Transmisi Harga
Transmisi harga merupakan sebuah studi analisis mengenai bagaimana sebuah harga saling mempengaruhi pada pasar, baik secara spasial (perbedaan geografis) maupun vertikal (dilihat dari rantai pemasarannya) (Abbott et al. 2011, Conforti 2004). Transmisi harga yang simetris akan terjadi dengan baik pada pasar yang menganut Law of One Price, artinya jika harga pada suatu pasar mengalami peningkatan maka pasar yang menjual produk yang sama akan merespon perubahan harga tersebut mengikuti harga yang terjadi di pasar. Hal ini menandakan bahwa pasar sudah terintegrasi dengan baik dan sudah efisien karena persebaran informasinya merata yang dapat dilihat melalui respon yang ditimbulkan terhadap perubahan harga tersebut, sehingga tidak menimbulkan adanya kemungkinan timbulnya abnormality return. Transmisi harga tidak dapat berjalan dengan baik akibat dari kebijakan stabilisisasi yang dijalankan
24 pemerintah, melalui berbagai instrumen kebijakan perdagangan, pasar yang tidak terintegrasi secara sempurna, atau tingginya biaya transaksi yang membuat pasar menjadi tersegmen.
Model transmisi harga digunakan untuk menangkap pengaruh kebijakan terhadap pasar, mengukur sejauh mana pasar terintegrasi atau menguji apakah
Law of One Price berlaku. Law of One Price diharapkan dapat mengukur hubungan harga spasial, yang mana harga pada setiap rantai produksi akan berbeda, bergantung pada biaya produksi (Conforti 2004). Ada enam faktor yang mempengaruhi transmisi harga;
1) Biaya Transportasi dan Transaksi
Hal ini dapat diklasifikasi kembali menjadi tiga grup yang terdiri atas biaya informasi, biaya negosiasi dan biaya monitoring serta biaya penegakan pelaksanaan. Hal ini dapat membuat harga antar pasar menjadi berbeda, yang dapat diatasi dengan menetapkan harga yang berbeda di dua tempat yang berbeda agar terjadi keadilan dan integrasi di antara dua buah tempat tersebut.
2) Kekuatan Pasar
Pada sebuah rantai produksi yang panjang, beberapa agen akan berlaku sebagai price maker (pembuat harga), bergantung pada sisi mana industri tersebut terkonsentrasi.
3) Increasing returns to scale pada produksi
Hal ini terjadi biasanya pada permulaan pasar. Increasing returns to scale
dapat mempengaruhi transmisi harga secara vertikal.
4) Produk yang homogen dan differensiasi
Tingkat substitusi pada konsumsi barang serupa yang diproduksi pada dua buah negara berbeda akan mempengaruhi integrasi pasar dan transmisi harga.
5) Nilai Tukar
Pengaruh perubahan nilai tukar suatu mata uang terhadap mata uang lain akan memiliki pengaruh pada kemampuan sebuah perusahaan untuk membedakan harga yang bergantung pada tujuan (price-to-market behaviour), struktur pasar, produk non-homogen, dan biaya pada perusahaan.
25 Hal ini secara langsung mempengaruhi transmisi harga spasial, antara lain kebijakan perdagangan, sedangkan kebijakan domestik yang berkenaan dengan harga akan mempengaruhi transmisi harga secara vertikal dan spasial.
3.1.4 Model VAR (Vector Autoregression)
VAR atau Vector Autoregression, merupakan model yang dikembangkan oleh Sims pada tahun 1980, sebagai alternatif pendekatan permodelan ekonomi dinamis, yang nyatanya diketahui banyak hubungan antara variabel-variabel yang saling berkaitan digunakan dalam model persamaan simultan (Enders 1995). Sims mengembangkan model VAR dengan asumsi, jika terdapat hubungan simultan antara variabel-variabel yang diobservasi maka variabel tersebut perlu mendapat perlakuan yang sama, sehingga atas dasar itu muncul model VAR.
VAR merupakan sebuah model non struktural, karena model ini dibangun dengan pertimbangan pendekatan teori yang minimal agar mampu menangkap sebuah fenomena ekonomi dengan baik. Dalam model VAR interaksi dinamis antar variabel yang menjadi bahan perhatian utama. VAR dibagi menjadi tiga jenis, (1) VAR in level, jika data yang digunakan sudah stasioner, (2) VAR in difference, jika data yang digunakan belum stasioner dan tidak ada kointegrasi antara variabel-variabel yang digunakan dalam model, dan (3) VECM (Vector Eror Correction Model), jika data yang digunakan belum stasioner dan ada kointegrasi antara variabel yang digunakan dalam model (Widarjono 2010).
3.1.5 Model VECM (Vector Error Correction Model)
Model VECM disusun apabila ternyata setelah melakukan Uji Johansen, variabel-variabel time series menunjukkan adanya kointegrasi, hubungan jangka panjang. VECM bertujuan untuk merestriksi hubungan perilaku jangka panjang antar variabel yang ada agar konvergen ke dalam hubungan kointegrasi namun masih memberikan perubahan-perubahan dinamis dalam jangka pendek. Model ini deviasi jangka panjang akan dikoreksi secara bertahap melalui penyesuaian parsial jangka pendek (Error Correction) (Widarjono 2010).
26
3.2 Kerangka Pemikiran Operasional
Terdapat beberapa masalah yang menjadi isu dalam industri teh nasional, mulai dari hilir, on farm, hingga hulu, seperti biaya produksi yang cenderung naik, dibutuhkannya klon unggul untuk meningkatkan produktivitas petani teh, perlunya alat pengolahan yang modern, hingga perlunya sistem pemasaran yang baik. Mengatasi hal ini, Dewan Teh Indonesia menyusun Gerakan Penyelamatan Agribisnis Teh Nasional yang mencakup perbaikan perkebunan teh rakyat, perbaikan gabungan kelompok tani, penguatan lembaga riset teh, penyempurnaan Standar Nasional Indonesia (SNI) hasil teh yang mengakomodasi standar-standar dunia, penambahan pabrik pengolahan dan peremajaan pabrik yang sudah ada, dan yang terakhir penguatan lembaga pemasaran teh, khususnya Jakarta Tea Auction, yang dipegang oleh PT. Kharisma Pemasaran Bersama Nusantara (PT. KPB Nusantara).
Salah satu permasalahan yang menjadi isu penting dalam lembaga pemasaran adalah harga pasar lelang teh nasional (Jakarta Tea Auction), karena mayoritas produksi teh nasional dijual melalui mekanisme lelang di Jakarta Tea Auction. Harga yang terjadi di Jakarta Tea Auction menjadi acuan bagi produsen teh dalam merencanakan komposisi produksi teh mereka pada auction yang akan datang. Tidak hanya berpengaruh pada pihak pekebunan negara, harga yang terjadi pada Jakarta Tea Auction juga akan mempengaruhi harga jual yang teh yang terjadi di dalam negeri. Sehingga harga pelelangan yang terjadi pada Jakarta Tea Auction menjadi faktor penting bagi produsen teh nasional dalam merencanakan produksinya.
Hingga saat ini harga teh yang dilelang di Jakarta Tea Auction masih diduga dengan menggunakan model Naive Forecasting, yang terkadang menyebabkan beberapa produsen teh masih kesulitan dalam menduga grade yang sedang diminati pada pasar lelang yang akan datang. Selain itu, harga lelang yang cenderung fluktuatif juga membuat beberapa produsen penghasil teh masih kesulitan dalam menduga pergerakan harga teh yang akan datang, dikarenakan belum tentu jumlah yang terjual pada auction yang akan datang, sama dengan jumlah yang terjual saat ini. Ketidakseimbangan informasi ini menjadi sebuah
27 masalah bagi produsen yang menjual pasarnya di pasar lelang untuk membuat rencana produksinya, mengingat teh memiliki banyak grade.
Ini mengindikasikan pentingnya sebuah riset pasar (market research) guna mendapatkan gambaran mengenai industri teh dalam tingkat grade, informasi yang didapat akan mempermudah perencanaan produksi dan pemasaran dari produsen teh. Apabila produsen dapat melihat bagaimana fluktuasi harga pasar, pengaruh dari kompetitor terhadap produk yang dijual, dan pendugaan harga yang akan datang, hal ini akan mempermudah produsen teh dalam menyusun strategi pemasaran dan produksinya yang akan datang.
Beberapa tahun terakhir ini, harga teh Indonesia khususnya grade BOP (Broken Orange Pekoe), BOPF (Broken Orange Pekoe Fanning), PF (Pekoe Fanning), BP (Broken Pekoe), dan Dust menunjukkan perkembangan harga yang baik. Hal ini dapat menjadi peluang bagi produsen teh dalam mengembangkan perencanaan produksinya, karena jika produsen dapat mengetahui informasi mengenai grade apa yang sedang diminati saat auction (pelelangan) selanjutnya, maka pihak perkebunan dapat dengan mudah mengubah komposisi produksinya agar dapat memperoleh keuntungan.
Harga teh Indonesia yang fluktuatif selain disebabkan oleh mekanisme
supply dan demand, diduga dipengaruhi oleh harga teh lelang luar negeri seperti
Colombo Tea Auction, dan Mombasa Tea Auction, dikarenakan saat ini terjadi liberalisasi perdagangan. Sehingga timbul dugaan bahwa harga Jakarta Tea Auction tidak dapat berdiri sendiri, jadi akan lebih baik jika permodelan pendugaan harga dibahas dengan menggunakan permodelan multivariate.
Data harga teh yang dibahas dalam penelitian ini adalah data harga teh
grade Dust orthodoks, karena grade ini dilelang di tiga tempat yakni Jakarta Tea Auction, Colombo Tea Auction dan Guwahati Tea Auction. Selain itu, grade Dust juga merupakan salah satu grade yang diminati di pasar lelang, karena digunakan sebagai bahan baku untuk tea bag. Dalam penelitian ini dilihat mengenai volatilitas harga teh pada ketiga auction tersebut, guna mendapatkan gabaran mengenai keadaan pasar teh grade Dust. Selain melihat volatilitas, dalam penelitian ini melihat apakah terdapat hubungan antara Jakarta Tea Auction
28
Jakarta Tea Auction, jika harga di salah satu tempat lelang mengalami shock, sehingga dapat diperoleh sebuah kesimpulan apakah Jakarta Tea Auction sudah dapat merespon informasi yang ada di pasar teh luar negeri dengan baik atau tidak.
Model VAR (Vector Autoregression) merupakan sebuah model yang dapat menggambarkan hubungan antara beberapa variabel time series. Sehingga dengan menggunakan VAR diharapkan dapat ditemukan model dinamis yang dapat menduga dan menggambarkan hubungan antara harga Jakarta Tea Auction
dengan harga di kedua tempat lelang teh lainnya dan bagaimana dampaknya jika salah satu variabel mengalami goncangan (shock) melalui fungsi respon impuls. Dalam model VAR seluruh variabel dianggap saling berhubungan satu sama lain, sehingga lebih mudah untuk membuat pendugaan yang tidak terkait dengan teori. Membuat metode VAR menjadi sebuah metode yang diminati untuk menggambarkan suatu fenomena bisnis tertentu.
Selain itu metode VAR juga dapat digunakan untuk menduga pergerakan harga teh grade Dust di masa mendatang. Sehingga diharapkan dapat berguna bagi pembuat kebijakan, bagi Dewan Teh Indonesia dan PT. KPB Nusantara untuk membuat strategi pengembangan komoditi teh khususnya grade Dust ke depannya dan bagi produsen teh untuk merencanakan bagaimana produksinya selanjutnya. Dari pemaparan di atas maka dapat digambarkan kerangka operasional dari penelitian ini (lihat Gambar 3).
29 Keterangan : - - - - : diluar cakupan penelitian ini
: yang dibahas dalam penelitian ini
Gambar 3. Kerangka Pemikiran Operasional.
Rencana Dewan Teh Indonesia
Harga Teh Grade Dust Jakarta Tea Auction Diduga dipengaruhi; 1. Colombo Tea Auction 2. Guwahati Tea Auction Gerakan Penyelamatan Agribisnis Teh Nasional Membahas mengenai
Komoditas Teh Nasional
Perumusan strategi dalam menghadapi volatilitas harga
di Jakarta Tea Auction
Umpan Balik
VAR (Vector Autoregression)
Pemasaran
IV METODE PENELITIAN
1.1. Lokasi dan Waktu Penelitian
Penelitian dilaksanakan pada bulan Februari hingga April 2011. Penelitian dilakukan dengan mengunjungi PT. Kharisma Pemasaran Bersama Nusantara (PT. KPB Nusantara). Penentuan tempat dilakukan secara sengaja (purposive) karena tempat yang dikunjungi memiliki informasi mengenai pergerakan harga teh internasional.
1.2. Data dan Instrumentasi
Penelitian ini menggunakan yang diperoleh melalui studi pustaka di Biro Pusat Statistik, Direktorat Jenderal Perkebunan (DitJenBun), Perpustakaan Pusat Penelitian Teh dan Kina (PPTK) Gambung, dan Perpustakaan Teknologi Pangan, Bogor. Data yang digunakan dalam penelitian ini antara lain; data harga rata-rata teh grade Dust per lelang yang dilaksanakan setiap seminggu sekali yang ada di
Jakarta Tea Auction (bersumber dari Auction Report Jakarta Tea Auction yang dilaksanakan oleh PT. KPB Nusantara), harga rataan Dust di Colombo Tea Auction (bersumber dari Market Report John Keels Ltd.), dan harga rata-rata Dust di Mombasa Tea Auction (bersumber darisitus Assam Exchange), dengan rentang data dari auction minggu ketiga Februari 2009 hingga minggu kedua April 2011. Selain itu diperoleh juga beberapa informasi tambahan melalui situs web internet, makalah dan jurnal penelitian.
1.3. Pengolahan dan Analisis Data
Pengolahan data pada penelitian ini menggunakan model VAR yang diperkenalkan oleh Sims pada tahun 1980, berdasarkan pemaparan Enders (1995), Widarjono (2010), dan Gujarati (2003). Software yang digunakan dalam penelitian ini antara lain; Microsoft Excel untuk membuat tabulasi data, Minitab 14, dan Eviews 7 untuk mengolah data model VAR. Secara garis besar, langkah- langkah untuk menggunakan metode VAR dalam sebuah penelitian adalah sebagai berikut;
31
Gambar 4. Skema Penyusunan Model VAR Sumber : Widarjono (2010)
1. Identifikasi Data
Identifikasi data time series yang sudah disediakan. Identifikasi ini bertujuan untuk melihat apakah data memiliki komponen musiman atau tidak, dan identifikasi terhadap kestasioneran model. Jika data masih belum stasioner maka dilakukan pembedaan (differencing). Pembedaan diperoleh dengan mengurangi nilai dua pengamatan yang berurutan pada data dengan formulasi; ΔYt = Yt-Yt-1.
Jika dalam differencing pertama data masih belum stasioner maka dilakukan differencing kedua, dan seterusnya hingga seluruh data stasioner. Pengujian kestasioneran data dilakukan menggunakan uji Augmented Dickey Fuller:
∑
∑
∑
Dimana :
Y = variabel yang diamati
Data Time Series
Tidak Ada Kointegrasi
Ada Kointegrasi Belum Stasioner
Stasioner
VAR in difference (VARD)
VECM (Vector Error Correction) Uji Kointegrasi Johansen Differencing (Pembedaan) Data VAR in level
Uji Stasioneritas Data (Uji Augmented Dickey Fuller)
32 T = Tren terhadap waktu
Persamaan 1 digunakan apabila data observasi diasumsikan tidak memiliki konstanta dan tren, data observasi hanya memiliki intersep. Persamaan 2, digunakan dengan asumsi dalam data observasi terdapat konstanta dan intersep, dan terakhir persamaan 3 digunakan apabila dalam data yang akan diobservasi selain terdapat komponen konstanta dan intersep, juga dipengaruhi oleh komponen tren. Hipotesis yang akan diuji dalam uji Augmented Dickey Fuller
adalah:
H0: =0 (data bersifat tidak stasioner) H1: <0 (data bersifat stasioner)
Nilai diduga melalui metode kuadrat terkecil dan pengujian dilakukan dengan menggunakan uji t. Statistik uji dapat dituliskan sebagai berikut:
thit ̂ ̂
dengan ̂ merupakan dugaan dari , dan ̂ merupakan simpangan baku dari ̂. Jika nilai thit < nilai kritis dalam tabel Dickey Fuller, maka keputusan yang diambil adalah tolak H0 atau data bersifat stasioner. Jika data sudah stasioner sejak awal maka model VAR in level dapat langsung dilakukan. Jika data belum stasioner, maka harus melalui proses differencing, kemungkinan model yang digunakan adalah model VAR in difference (VARD) dan VECM (Vector Error Correction Model).
2. Uji Kointegrasi
Setelah data yang mengalami differencing (pembedaan) stasioner, dilakukan uji kointegrasi Johansen untuk melihat apakah terdapat hubungan jangka panjang antara variabel-variabel yang digunakan dalam metode VAR ini dengan pendugaan:
H0 : rank = r H1 : rank > r
Statistik uji yang digunakan:
∑ ̂
33 dengan ̂ adalah akar ciri ke-i yang diperoleh dari matriks:
[ ∑ ] dan ̂ > ̂ >...> ̂
(berurut dari nilai terbesar hingga terkecil, dan T adalah jumlah observasi yang diamati. Jika < maka terima H0 yang artinya kointegrasi terjadi pada rank r.
Jika dalam data yang diduga di model VAR terdapat kointegrasi maka model VAR yang digunakan adalah model VECM (Vector Eror Correction Model) lag (kelambanan) p rank r, sedangkan jika tidak terdapat kointegrasi pada variabel-variabel yang ada maka digunakan model VARD (VAR in difference) lag (kelambanan) p.
3. Penentuan Panjang Lag
Panjang lag (kelambanan) dalam VAR menunjukkan derajat bebas model. Jika panjang kelambanan dilambangkan dengan p, maka setiap n persamaan berisi n.p koefisien ditambah dengan intersep. Semakin panjang lag yang didapat maka semakin banyak pula data yang harus disediakan agar sebuah model dapat menangkap sebuah fenomena dengan baik. Dalam praktiknya, diperlukan pembatasan jumlah kelambanan dengan menentukan kelambanan ideal yang memberikan gambaran dinamika model, sehingga dapat mengaplikasikan model VAR.
Enders (1995) juga menjelaskan dalam praktiknya pendugaan lag (kelambanan) biasanya ditentukan dengan menggunakan AIC (Akiake Information Criterion) maupun SBC (Schwarz Bayesian Criterion):
AIC = T log || + 2N SBC = T log || + N log (T) dengan:
T = jumlah observasi yang digunakan
|| = determinan dari matriks varians/kovarians dari sisaan N = jumlah parameter yang diestimasi dari semua persamaan.
34 Nilai Akiake Information Criterion (AIC) terendah akan dipilih sebagai panjang kelambanan optimal dari model VAR. Hal ini dikarenakan, semakin kecilnya nilai AIC, maka nilai harapan yang dihasilkan oleh sebuah model akan semakin mendekati kenyataan.
4. Pendugaan Model VAR/VECM
Secara umum model VAR dapat digambarkan sebagai berikut; untuk memahami model VAR, Enders memisalkan ada dua buah model bivariate;
Model diatas membentuk VAR dengan kelambanan satu. Jika dilihat dari stukturnya terjadi hubungan simultan karena yt dan zt saling mempengaruhi satu