4. Risiko Finansial
4.4. Metode Pengolahan Data
Pengolahan data dilakukan secara kualitatif dan kuantitatif. Analisis kualitatif dilakukan dengan pendekatan deskriptif untuk mengetahui gambaran umum tentang peternak ayam broiler serta manajemen risiko yang digunakan oleh peternak tersebut. Sedangkan analisis kuantitatif digunakan untuk menganalisis fakto-faktor produksi apa saja yang mempengaruhi risiko produksi pada ayam broiler dan melihat seberapa besar tingkat risiko yang ditimbulkan dari faktor- faktor produksi tersebut, dalam pengolahan data tersebut menggunakan bantuan alat aplikasi Microsoft Excel, Minitabversi 14 serta Eviews 6.
4.4.1. Analisis Risiko Produksi Just dan Pope
Analisis risiko produksi yang dikemukakan oleh Just dan Pope adalah mengembangkan model umum untuk penanganan risiko produksi ekonometri dan digunakan untuk menganalisis faktor produksi namun tidak mengabaikan tingkat risiko yang kemungkinan akan terjadi pada produksi tersebut yang dapat
36 menyebabkan kesalahan dalam perhitungan. Sehingga dalam model Just dan Pope memasukkan unsur error agar unsur risiko dapat diperhitungkan dalam analisis produksi. Sehingga tingkat kesalahan dalam perhitungannya menjadi kecil. Konsep dasar yang diperkenalkan oleh Just dan Pope adalah untuk membangun fungsi produksi sebagai jumlah dari dua komponen, satu berkaitan dengan tingkat output, dan satu yang berkaitan dengan variabilitas output. Sehingaa dalam penggunaan model Just dan Pope adalah fungsi produksi rata-rata (means
production function) dan fungsi variance (variance production function), yang
masing-masing fungsi tersebut dipengaruhi oleh penggunaan variabel-variabel produksi tersebut sehingga fungsi variance dan produksi diketahui.
Persamaan model fungsi risiko produksi Just dan Pope secara matematis dapat dituliskan sebagai berikut :
Y = f(X,β) + h(X,θ)є Dimana :
Y = Jumlah produksi yang dihasilkan
f,h = Mentransformasikan faktor-faktor produksi kedalam hasil produksi X = Faktor-faktor produksi yang digunakan dalam proses produksi β,θ = Besaran/koefisien yang akan diduga
є = Unsur error
Pada fungsi produksi di atas merupakan terdiri dari dua gabungan fungsi, yaitu fungsi produksi output (means production function) yang mentransformasikan variabel-variabel input menjadi fungsi produksi dan satu lagi adalah fungsi produksi yang telah ditambahkan unsur risikonya, yaitu dengan memperhatikan unsur variance dari fungsi produksi tersebut. Untuk menyelesaikan perhitungan fungsi produksi dan variance dari produksi tersebut dalam bentuk fungsi Cobb Douglass.
Fungsi produksi Cobb-Douglas diperkenalkan oleh Cobb, C.W dan Douglass, P.H (1982), yang dituliskan dan dijelaskan Cobb, C.W dan Douglass, P.H dalam artikelnya “A Theory of Production”(2). Fungsi Cobb-Douglas adalah suatu fungsi atau persamaan yang melibatkan dua atau lebih variabel, dimana variabel yang satu disebut dengan variabel dependen (yang dijelaskan/Y), dan yang lain disebut variabel independent (yang menjelaskan/X). (Soekarwati,1993).
2
http://www.google.com//fungsi produksi serta penerapan rumus Cobb Douglas. (April 2011)
37 Dalam fungsi produksi, maka fungsi produksi Cobb-Douglass adalah suatu fungsi produksi yang ingin memperlihatkan pengaruh input yang digunakan dengan output yang diinginkan. Pentingnya pendugaan menggunakan EKONOMETRIKA (Ekonomi, Matematika, Statistika). Dalam dunia ekonomi, pendekatan Cobb-
Douglass merupakan bentuk fungsional dari fungsi produksi secara luas
digunakan untuk mewakili hubungan output untuk input. Sehingga model fungsi produksi Just dan Pope secara matematis dapat dituliskan sebagai berikut :
Fungsi Produksi Y = f (X)...(1) δn Y = δnβ0 + β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4 + β5LnX5 + β6LnX 6 + є Variance Produksi 2 = f (X)...(2) δn 2 Y = LnX0 + θ1LnX1 + θ2LnX2 + θ3LnX3 + θ4LnX4 + θ5LnX5 + θ6LnX 6 + є Dimana :
Y = Produktivitas ayam broiler (kg/m2)
X1 = Jumlah DOC (ekor/m2)
X2 = Pakan (Kg/m2) X3 = Protek Enro (Kg/m2) X4 = Neocamp (Liter/m2) X5 = Doxerin Plus (Kg/m2) X6 = Vaksin (Kg/m2) X7 = Pemanas (Kg/m2)
X8 = Tenaga Kerja (HOK)
β = Mean intercept
θ = Variance intercept
β1, β2, β3,... β8 = Koefisien parameter dugaan X 1, X2, X 3,...X 8 θ1,θ2,θ3,....θ8 = Koefisien parameter dugaan X1, X2, X3,...X8
є = Unsur error
faktor-faktor produksi yang digunakan diatas diperoleh dari penelitan terdahulu yang memasukan DOC, pakan, Protect Enro, Neocamp, Doxerin Plus, tenaga kerja, vaksin dan pemanas menjadi faktor-faktor yang mempengaruhi produksi. Jika koefisien-koefisien dari parameter dugaan dari fungsi produksi dan varian lebih besar dari nol artinya semakin banyak input yang digunakan untuk proses produksi maka rata-rata hasil dan varian produksi broiler akan semakin meningkat. Dan jika terdapat coefisien variance bertanda negatif maka input tersebut adalah faktor produksi yang mengurangi risiko dan jika koefisien variasinya bertanda positif maka input tersebut adalah sebagai faktor produksi yang menimbulkan risiko.
38 Perhitungan Cobb-Douglass merupakan metode yang banyak dipakai oleh peneliti dalam menilai risiko produksi. Alasan mengapa menggunakan Cobb-
Douglass dikarenakan metode tersebut memiliki kelebihan sebagai berikut :
1. Bentuk fungsi produksi Cobb-Douglass bersifat sederhana dan mudah penerapannya.
2. Fungsi produksi Cobb-Douglass mampu menggambarkan keadaan skala hasil
(return to scale), apakah sedang meningkat, tetap atau menurun.
3. Koefisien-koefisien fungsi produksi Cobb-Douglass secara langsung menggambarkan elastisitas produksi dari setiap input yang digunakan dan dipertimbangkan untuk dikaji dalam fungsi produksi Cobb-Douglass itu. 4. Koefisien intersep dari fungsi produksi Cobb-Douglas merupakan indeks
efisiensi produksi yang secara langsung menggambarkan efisiensi penggunaan input dalam menghasilkan output dari sistem produksi yang dikaji.
Dari kelebihan tersebut maka alasan peneliti menggunakan metode tersebut adalah penyelesaian fungsi Cobb-Douglass relatif lebih mudah dibandingkan dengan fungsi produksi, hasil pendugaan garis melalui fungsi Cobb-
Douglass akan menghasilkan koefisien regresi yang sekaligus juga menunjukkan
elstisitas, besaran elastisitas tersebut sekaligus menunjukkan tingkat besaran Return to Scale.
4.4.2. Model ARCH-GARCH
Permodelan data deret waktu umumnya dilakukan dengan menggunakan asumsi ragam sisaan yang konstan (homoskedastisitas), namun kenyataannya banyak deret waktu yang mempunyai ragam sisaan yang tidak konstan
(heteroskedistisitas), khususnya untuk data deret waktu dibidang ekonomi. Oleh
karena itu pemodelan analisis deret waktu biasa dengan asumsi homoskedastisitas tidak dapat digunakan. Model ARCH (Autoregressive Conditional
Heteroscedostisitas) merupakan model yang memperhitungkan adanya
heteroskedistisitas dalam analisis deret waktu. Volatilitas berdasarkan model GARCH (p,q) mengasumsikan bahwa varian data fluktuasi dipengaruhi oleh sejumlah p data fluktuasi dan q data volatiliti sebelumnya.
39 Varian terdiri dari dua komponen yaitu varians yang konstan dan varians yang tergantung dari besarnya volatilitas di periode sebelumnya. Jika volatilitas pada periode sebelumnya besar (baik negatif atau positif), maka varians pada saat ini akan besar pula. Sehingga model ARCH dapat dirumuskan sebagai berikut. ht = + α 2
t + α1 2t-1 + α2 2t-2 + ………… + αm 2t-m dimana :
ht = variabel terikat pada periode t = variabel yang konstans 2
t-m = Arch/volatilitas pada periode sebelumnya α, α1, α2,… αm = koefisien orde m yang diestimasikan
Model GARCH dikembangkan dengan mengintegrasikan autoregresi dari kuadrat residual lag kedua sehingga lag tak hingga ke dalam bentuk varian pada lag pertama. Model ini dikembangkan sebagai generalisasi dari model volatilitas. Secara sederhana volatilitas berdasarkan model GARCH (r,m) mengasumsikan sebelumnya dan sejumlah r data volatilitas sebelumnya. Model ini seperti dalam model autoregresi biasa (AR) dan pergerakan rata-rata (MA), yaitu untuk melihat hubungan variabel acak dengan variabel acak sebelumnya. Varian terdiri dari tiga komponen. Komponen pertama adalah varians yang konstan, volatilitas pada periode sebelumnya dan varian pada periode sebelumnya. Sehingga model GARCH dapat dirumuskan bentuk umum model GARCH (r,m)
ht = k + 1ht-1 + 2ht-2 +…. + rht-r + α1 2t-1 + α2 2t-2 + ………… + αm 2t-m dimana :
ht = Variabel respon pada waktu t K = Varians yang konstan
2
t-m = Arch/volatilitas pada periode sebelumnya α, α1, α2,… αm = Koefisien orde m yang diestimasikan
, 1, 2,….. r = Koefisien orde r yang diestimasikan ht-r = Suku Garch
Model ARCH-GARCH dipilih menjadi alat analisis dalam penelitian ini dengan pertimbangan bahwa model tersebut merupakan model yang dapat menjawab sekaligus permasalah yang diteliti oleh penulis, model tersebut mampu menjawab selain fungsi produksi rata-rata dan fungsi variance produksi. Permasalahan tersebut dapat dijelaskan dengan menggunakan GARCH (1,1). Pemilihan GARCH (1,1) dilakukan dengan pertimbangan bahwa model tersebut
40 adalah model yang sederhana yang banyak digunakan oleh penelitian terdahulu untuk menghitung suatu variance produksi.