Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor
DAFTAR LAMPIRAN
II. TINJAUAN PUSTAKA
2. Metode Peramalan Kuantitatif
2.2.3 Data time series
Data Time series (runtun waktu) merupakan data yang dihimpun meutut urutan berdasarkan interval waktu yang sama secara berkala. Di dunia bisnis, data deret waktu diperlukan sebagai bahan acuan pembuatan keputusan sekarang, untuk proyeksi maupun perencanaan di masa depan. Untuk dapat menggunakan data deret waktu dalam keperluan pembuatan proyeksi, perlu di ketahui beberapa asumsi yang penting antara lain :
a.) Adanya ketergantunagn kejadian masa yang akan datang dengan sebelumnya.
b.) Aktivitas di masa yang akan datang mengikuti pola yang terjadi di masa lalu.
c.) Hubungan atau keterkaitan masa lalau dapat ditentukan dengan observasi atau penelitian. Dalam hal ini, akurasi dan proyeksi yang dihasilakan tentu saja akan sangat tergantung pada seberapa jauh asumsi-asumsi ini dapat dipenuhui.
Data yang direkam didalam interval waktu yang sama dan jangka waktu yang tersebut relatif panjang maka disebut data runtun waktu. Interval waktu perekaman dapat sangat singkat (beberapa bagian dari satu detik saja) dan dapat cukup panjang (harian, mingguan, bulanan, tahunan dan bahkan puluhan tahun), tergantung dari macamnya data yang direkam. Analisis runtun waktu umumnya memerlukan cacah data yang banyak, oleh karena itu diperlukan rekaman data yang panjang.
Ada beberapa tahapan dalam melakukan analisa time series, yaitu : 1. Identifikasi Model
Tahap ini memilih model tepat yang bias mewakili deret pengamatan. Identifikasi model dilakukan dengan membuat plot time series. Dengan plot time series, kita dapat mengetahui pola data dan tren deret pengamatan
2. Taksiran Model
Tahap memilih taksiran model baik. Menaksirkan model di lakukan dengan metode kuadrat kecil atau maksimum likelihood
3. Diagnosa Model
Model yang di buat belum tentu sesuai dengan data yang dimiliki atau dengan model yang di buat. Mendiagnosais model yang telah dibuat dengan menyesuaikannya dengan hasil peramalan.
Eviews merupakan program statistika yang memberikan kelebihan dalam mengolah Analisys of Variance (ANOVA), desain eksperimen, pengendalian kualitas statistic, analisis multivariate, peramalan. Minitab memberikan fasikitas membuat grafik statistic secara mudah dan menampilkannya dalam bentuk lebih menarik, informasi, dan sekaligus memceritakan probabilitas.
2.3. Kointegrasi
Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner.
Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi.
Didalam konsep kointegrsi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu (Enders, 2004):
1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.
2. Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3. Bila vektor mempunyai n komponen, maka akan ada n-1 vektor kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r.
Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel- variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004).
2.4. Vector Autoregressive (VAR)
Vector Autoregressive atau yang dikenal VAR metode yang didasari bahwa sebuah variable bukan saja dapat berlaku sebagai variable endogen tetapi juga dapat berlaku sebagai variable eksogen. Hal ini dapat terjadi karena dengan menggunakan pendakatan structural atas persamaan simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan hubungan antara variable yang ingin diuji. Metode ini dikembangkan oleh Christoper Sims pada tahun 1980.
Pemanfaatan VAR untuk menganalisa antara lain (Arsana,2005) :
Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel.
Impulse Response Functions (IRF), melacak respon saat ini dan masa depan dari setiap variabel akibat perubahan atau shock suatu variabel tertentu.
Forecast Error Decomposition of Variance (FEDVs), prediksi konstribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.
Granger Causality Test, mengetahui hubungan seba akibat antar variable. Model VAR memiliki beberapa keunggulan, antara lain : (Nachrowi, 2006)
1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variable yang endogen dan mana yang eksogen. Semua variable endogen. 2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS
pada setiap persamaan secara terpisah.
3. Peramalan menggunakan VAR pada beberapa hal lebih baik disbanding menggunakan model dengan persamaan simultan yang lebih kompleks.
Namun demikian, model VAR mempunyai sisi kekurangan. Diantaranya adalah sebagai berikut :
1. Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karenanya, model tersebut sering disebut sebagai model yang tidak structural.
2. Mengingat tujuan utama model utama VAR untuk meramalkan maka model VAR kurang cocok untuk analisis kebijakan.
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan.
4. Semua variable dalam VAR harus stationer, jika tidak stationer, maka harus ditransformasi terlebih dahulu.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.5. Vector Error Correction Model (VECM)
Vector Error Correction Model (VECM) adalah restricted Vector Autogression (VAR) yang berkointegrasi. VECM di desain untuk data time series non stationer yang berkontegrasi. VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi perilaku jangka panjang dari variabel –variabel endogen untuk menuju (converge) ke hubungan jangka panjang, serta memungkinkan dilakukan penyusuain jangka pendek secara dinamik.