(3)
dimana r12( t) 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 tersebut
dinyatakan tidak layak.
5) Tahap Perhitungan Nilai Volatilitas Variabel Ekonomi
Setelah memperoleh model yang memadai, model tersebut digunakan untuk memperkirakan nilai volatilitas masa datang (ζt+1) dari suatu variabel ekonomi, dimana ζt = √ht. Peramalan ragam untuk periode mendatang diformulasikan sebagai berikut :
ht = ζ2
+ α1 2t-1 + α2 2t-2 + ... + αm 2t-m (4) untuk ARCH (m), atau
ht = к + 1ht-1 + 2ht-2 + ... + rht-r + α1 2t-1 + α2 2t-2 + ... + αm 2t-m (5) untuk GARCH (r, m), dengan к > 0, r ≥ 0 dan αm ≥ 0
dimana :
ht = Nilai ragam ke-t = Nilai sisaan к = Konstanta
r dan αm = Paramater-parameter
Analisis Faktor yang Mempengaruhi Perubahan Harga Pangan Utama Indonesia serta Pengaruh Guncangan Faktor : Metode VAR/ VECM
Untuk melihat dampak guncangan dari faktor yang memengaruhi perubahan harga pangan utama Indonesia digunakan metode Vector Autoregressive (VAR) apabila seluruh data yang digunakan stasioner pada level. Sedangkan metode Vector Error Correction Model (VECM) digunakan jika variabel-variabel yang digunakan stasioner pada first difference-nya. Langkah pengujiannya yaitu pertama-tama melakukan uji akar unit dari seluruh data yang sudah terkumpul. Pengujian akar unit ini biasannya dilakukan dengan uji Augmented Dickey-Fuller (ADF). Adapun tujuan dari pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel tersebut. Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak stasioner pada level maka akan dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Untuk melihat tahapan proses pengolahan data dengan menggunakan metode VAR/ VECM dapat dilihat dari Gambar 5 di bawah ini:
20
Gambar 5 Proses analisis VAR dan VECM
Vector Autoregressive (VAR)
Penggunaan pendekatan struktural atas pemodelan persamaan simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan hubungan antar variabel yang ingin diuji. Akan tetapi sering ditemukan bahwa teori ekonomi saja ternyata tidak cukup baik di dalam menyediakan spesifikasi yang tepat atas hubungan dinamis antar variabel. Terkadang proses estimasi dan inferensi bahkan menjadi lebih rumit karena keberadaan variabel endogen di kedua sisi persamaan yaitu endogenitas variabel di sisi dependen dan independennya. Metode VAR yang merupakan ciptaan Sims pada tahun 1980 kemudian muncul sebagai jalan keluar atas permasalahan ini melalui pendekatan nonstrukturalnya.
Secara garis besar terdapat empat hal yang ingin diperoleh dari pembentukan sebuah sistem persamaan, yaitu deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan. VAR menyediakan alat analisa bagi keempat hal tersebut melalui empat macam penggunaannya, seperti Forecasting untuk ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel, Impulse Response Functions (IRF) untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu, Forecast Error Decomposition of Variance (FEDVs) untuk memprediksi kontribusi persentase varian setiap variabel terhadap perubahan suatu variabel tertentu, dan Granger Causality Test yang digunakan untuk mengetahui hubungan sebab akibat antar variabel.
Model VAR yang dikembangkan oleh Chistoper A. Sims (1980), model dasarnya hampir sama dengan model untuk menguji Granger’s (1969) Bivariate
Pengujian Akar Unit
Data Time Series pada Level
Stasioner Tidak Stasioner
VAR Uji Akar Unit
pada First Difference Uji Kointegrasi Pada Level Uji Korelasi antar eror Korelasi Tinggi Korelasi Rendah SVAR VAR Terkointe-grasi Tidak Terkointe-grasi VECM
Impulse Response dan Forecast Error Decomposition of Variance
VAR FD
Tidak Stasioner Stasioner
21 Causality. VAR adalah model apriori terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi di mana terjadi saling ketergantungan antar variabel dalam ekonomi. Model ini juga menjadi dasar munculnya metode co-integrasi Johansen (1988, 1989) yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Model VAR secara matematis dapat diwakili oleh.
∑ (6)
dimana Zt adalah vektor dari variabel-variabel endogen sebanyak m, Xt
adalah vektor dari variabel-variabel eksogen sebanyak d termasuk di dalamnya konstanta (intercept). A1,...,Ap, dan B adalah matriks-matriks koefisien yang akan diestimasi, dan t adalah vektor dari residual-residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai-nilai lag mereka sendiri dan juga tidak berkorelasi dengan seluruh variabel yang ada dalam sisi kanan persamaan di atas.
Model VAR tidak banyak tergantung pada teori dalam penyusunan model. Hal-hal yang perlu ditentukan dalam model VAR yaitu variabel yang saling berinteraksi atau saling mempengaruhi yang perlu dimasukkan dalam model. Kedua, banyaknya variabel jeda (lag) yang perlu diikutsertakan dalam model yang diharapkan dapat menangkap keterkaitan antar variabel dalam sistem. Oleh karena itu, sebelum memilih variabel yang dianalisis dalam model perlu diuji terlebih dahulu sifat kausalitas dari variabel-variabel tersebut dengan menggunakan uji causalitas granger.
Model VAR memiliki kelebihan daripada analisis dengan model lainnya. Kelebihan dari model ini yaitu :
1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel endogen dan eksogen. Semua variabel pada model VAR dapat dianggap variabel endogen.
2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada tiap-tiap persamaan secara terpisah.
3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dari peramalan yang menggunakan model dengan persamaan simultan yang lebih kompleks.
4. Semua variabel pada model VAR harus sudah stasioner. Jika data variabel belum stasioner maka harus ditransformasi terlebih dahulu agar stasioner. 5. Interpretasi parameter yang telah diestimasi pada model VAR tidak mudah.
Oleh karenanya, para praktisi kadang-kadang malah mengestimasi IRF (Impulse Response Function). IRF melacak respons dari variabel terikat pada model VAR bila terjadi perubahan shock melalui u1 dan u2 (untuk model dengan 2 variabel).
Vector Error Correction Model (VECM)
Konsep dasar metode Vector Error Correction Model (VECM) adalah jika minimal salah satu variabel tidak stationer pada level. Variabel-variabel yang tidak stasioner tersebut kemudian dapat diestimasi dengan mekanisme koreksi kesalahan. Hal ini dikarenakan meskipun tidak stasioner, namun pada kenyataannya variabel-variabel tersebut terkointegrasi. Hal ini mengimplikasikan bahwa ada proses penyesuaian dari jangka pendek ke jangka panjangnya untuk
22
mencegah kesalahan jangka panjang menjadi lebih besar lagi. Johansen telah membuktikan bahwa variabel yang terkointegrasi seperti ini mempunyai koreksi kesalahan.
Hubungan kointegrasi tidak boleh diabaikan begitu saja. Oleh karena itu, diperlukan suatu model yang mampu merestriksi kesalahan – kesalahan tersebut. Model VAR yang sebelumnya, kemudian direstriksi untuk memperoleh model yang lebih baik untuk mengestimasi hasil amatan yang dinamakan VECM. Spesifikasi VECM merestriksi hubungan jangka panjang variabel – variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek.
Pengujian Sebelum Estimasi
Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus dilakukan:
1. Uji Stasioneritas Data
Uji stasioneritas dapat dilakukan dengan metode ADF sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, yaitu VAR dalam bentuk first difference atau VECM.
Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test.
2. Penentuan Lag Optimal
Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle (Lutkepohl, 1991).
Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SC). Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Pengujian dengan menggunakan AIC akan mengikuti persamaan sebagai berikut :
⌊ ⌋ (7)
dimana adalah jumlah reidual kuadrat, sedangkan N dan k masing-masing merupakan jumlah contoh dan jumlah variabel yang beroperasi pada persamaan tersebut. Besarnya lag optimal ditentukan oleh lag yang memiliki nilai kriteria AIC yang terkecil
23 Selain melalui kriteria AIC, pemillihan lag optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion (SC). Kriteria SIC dapat ditulis dalam persamaan berikut :
⁄ (8)
dimana:
q = jumlah variabel T = jumlah observasi
SIC = Schwarz Information Criterion
Pada tahap terakhir, nilai Adjusted R2 variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R2 terbesar pada variabel-variabel penting dalam sistem.
3. Pengujian Hubungan Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner (Thomas, 1997). Salah satu syarat agar tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegratiopn Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut I(d) jika data tersebut bersifat stasioner setelah melakukan diferensiasi sebanyak d kali. 4. Uji Stabilitas Model VAR
Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut dikatakan stabil.
Model VAR yang akan digunakan dalam penelitian ini dalam bentuk matriks adalah sebagai berikut :
∑ (9)
Dimana merupakan vektor dari variabel endogen dengan dimensi (n x 1), merupakan vektor dari variabel endogen, termasuk konstanta (intersep) dan trend, adalah koefisien matriks dengan dimensi (n x n), dan adalah vektor dari residual. Dalam sistem bivariat sederhana, dipengaruhi oleh nilai periode sebelumnya dan periode ini, sementara dipengaruhi nilai periode sebelumnya dan periode saat ini.
Model VECM yang akan digunakan dalam penelitian ini dalam bentuk matriks sebagai berikut :
∑ (10)
dimana dan merupakan fungsi dari pada persamaan (10). Matriks dapat dipecah menjadi dua matriks, yaitu dan dengan dimensi (n x n).
, dimana merupakan matriks penyesuaian, merupakan vektor
24
pendek ke jangka panjang. Dimana Xt untuk model VAR atau VECM adalah harga komoditas pangan utama Indonesia, harga komoditas pangan utama di tingkat dunia, GDP per kapita, tingkat suku bunga, nilai tukar, dan iklim.
4 HASIL DAN PEMBAHASAN
Perkembangan Produksi Domestik dan Impor Komoditas Pangan Utama Indonesia
Ketergantungan impor Indonesia pada komoditas pangan utama seperti pada komoditas beras, jagung, kedelai, dan gula pasir masih sangat tinggi. Padahal, keempat komoditas pangan ini diharapkan akan swasembada pada tahun 2014. Dengan demikian, apabila fluktuasi harga pangan utama Indonesia masih terus terjadi karena ketersediaan domestik yang belum mampu dipenuhi pemerintah, maka mengontrol harga pangan akan menjadi sangat sulit.
Tabel 3 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Beras di Indonesia Tahun 2001-2011 (Ton)
Tahun Produksi Ekspor Impor Ketersediaan
2001 50 460 800 3 790 639 537 51 096 547 2002 51 489 696 3 891 1 790 323 53 276 128 2003 52 137 600 668 1 613 421 53 750 353 2004 54 088 468 888 388 429 54 476 009 2005 54 151 097 42 285 188 944 54 297 756 2006 54 454 937 940 455 850 54 909 847 2007 57 157 436 1 186 1 403 331 58 559 581 2008 60 251 072 1 840 288 359 60 537 591 2009 64 398 890 2 395 248 454 64 644 949 2010 66 469 394 345 685 768 67 154 817 2011 65 740 946 803 2 745 281 68 485 424 Laju (%) 2.71 - 77.49 3.00 a
Sumber : FAO, 2013 (diolah)
Tabel 3 menunjukkan bahwa laju pertumbuhan produksi beras domestik selama tahun 2001-2011 hanya 2.71 persen, sedangkan laju impor dan ketersediaan meningkat 77.49 persen dan 3.00 persen. Hal ini menunjukkan bahwa Indonesia masih sangat bergantung pemenuhan domestiknya dari impor beras. Walaupun pada tahun 2005 Indonesia melakukan ekspor beras yang cukup besar, namun hal ini semata-mata dilakukan untuk menjaga penurunan harga beras akibat kelebihan penawaran domestik. Pada tahun berikutnya, tetap saja impor beras masih terus dilakukan dan sangat tinggi nilainya untuk pemenuhan permintaan domestiknya.
25 Tabel 4 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Jagung di
Indonesia Tahun 2001-2011 (Ton)
Tahun Produksi Ekspor Impor Ketersediaan
2001 9 347 200 90 474 1 035 797 10 292 523 2002 9 585 277 16 306 1 154 063 10 723 034 2003 10 886 442 33 691 1 345 452 12 198 203 2004 11 225 243 32 679 1 088 928 12 281 492 2005 12 523 894 54 009 185 597 12 655 482 2006 11 609 463 28 074 1 775 321 13 356 710 2007 13 287 527 101 740 701 953 13 887 740 2008 16 323 922 107 001 286 541 16 503 462 2009 17 629 740 62 575 338 798 17 905 963 2010 18 327 636 41 954 1 527 516 19 813 198 2011 17 629 033 12 717 3 207 657 20 823 973 Laju (%) 6.90 - 114.20 7.43 a
Sumber : FAO, 2013 (diolah)
Tabel 4 menunjukkan laju pertumbuhan produksi jagung domestik berkisar 6.90 persen. Dimana, pesatnya perkembangan usaha peternakan ayam ras di Indonesia menjadi faktor utama yang mendorong peningkatan permintaan jagung domestik, sehingga volume impor terus mengalami peningkatan. Selama tahun 2001-2011 pertumbuhan produksi jagung domestik sekitar 6.90 persen. Kemudian, untuk pertumbuhan impor sebesar 114.20 persen. Pertumbuhan ketersediaan selama kurun waktu tersebut sebesar 7.43 persen sedikit di atas laju pertumbuhan produksi domestiknya. Hal ini menunjukkan bahwa pertumbuhan produksi masih cukup rendah bila dibandingkan dengan ketersediaan jagung domestik. Dalam upaya peningkatan ketersediaan jagung domestik, pemerintah telah melakukan berbagai macam cara, karena produksi yang menunjukkan pertumbuhan yang berjalan lamban, sehingga terjadi kenaikan impor jagung yang cukup signifikan, terutama pada tahun 2011, meningkat dua kali dari tahun sebelumnya.
Permintaan impor kedelai selama tahun 2001-2011 meningkat dengan laju 11.74 persen per tahun dan pertumbuhan produksinya meningkat sebesar 1.50 persen per tahun (Tabel 5). Perkembangan impor kedelai cukup stabil selama kurun waktu tersebut, walaupun pada tahun 2007 impor meningkat dua kali lipat bila dibandingkan dengan tahun sebelumnya. Laju pertumbuhan produksi kedelai domestik hingga tahun 2011 cukup rendah yang tidak mampu untuk memenuhi kebutuhan domestiknya, sehingga hal yang perlu untuk dilakukan pemerintah adalah dengan melakukan impor. Kemudahan impor kedelai dikarenakan pemerintah memudahkan tataniaga impor, berupa dihapusnya monopoli Bulog sebagai importir tunggal serta dibebaskannya bea masuk dan pajak pertambahan nilai (PPN) untuk komoditas kedelai. Selain itu, negara Amerika Serikat yang bertindak sebagai eksportir terbesar dunia telah menyediakan subsidi ekspor, sehingga merangsang importir kedelai di negara lain, terutama di Indonesia untuk memanfaatkan fasilitas tersebut dengan mengimpor kedelai.
26
Tabel 5 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Kedelai di Indonesia Tahun 2001-2011 (Ton)
Tahun Produksi Ekspor Impor Ketersediaan
2001 826 932 1 188 1 136 419 1 962 163 2002 673 056 235 1 365 253 2 038 074 2003 671 600 433 1 192 717 1 863 884 2004 723 483 1 300 1 117 790 1 839 973 2005 808 353 876 1 086 178 1 893 655 2006 747 611 4 633 1 132 144 1 875 122 2007 592 634 1 872 2 240 795 2 831 557 2008 776 491 1 025 1 173 097 1 948 563 2009 974 512 446 1 314 620 2 288 686 2010 907 031 385 1 740 505 2 647 151 2011 843 838 547 2 088 616 2 931 907 Laju (%) 1.50 - 11.74 5.97 a
Sumber : FAO, 2013 (diolah)
Konsumsi gula masyarakat Indonesia diperkirakan akan terus mengalami peningkatan pada tahun mendatang akibat dari peningkatan jumlah penduduk, peningkatan pendapatan masyarakat, serta pertumbuhan industri makanan dan minuman. Selama periode 2001-2011 ketersediaan gula Indonesia meningkat dengan laju 9.71 persen, namun tingkat produksi domestik meningkat hanya sebesar 0.47 persen. Produksi domestik yang sangat rendah, namun ketersedian domestik meningkat lebih tinggi menunjukkan bahwa impor gula pasir Indonesia terus mengalami peningkatan dengan laju pertumbuhan impor sebesar 130.71 persen.
Tabel 6 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Gula Pasir di Indonesia Tahun 2001-2011 (Ton)
Tahun Produksi Ekspor Impor Ketersediaan
2001 1 824 600 78 240 122 2 064 644 2002 2 077 600 33 304 927 2 382 494 2003 1 974 400 55 911 677 2 886 022 2004 1 750 000 1 276 584 364 2 333 088 2005 2 050 000 4 718 292 2 768 288 2006 2 100 000 204 588 576 2 688 372 2007 1 900 000 1 710 025 2 610 024 2008 2 053 000 286 595 060 2 647 774 2009 1 910 000 27 113 413 2 023 386 2010 1 770 000 398 1 380 025 3 149 627 2011 1 830 000 305 2 371 250 4 200 945 Laju (%) 0.47 - 130.71 9.71 a
27
Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Pangan Indonesia
Menjaga stabilitas harga komoditas pangan utama Indonesia merupakan kewajiban penting bagi pemerintah karena ketersediaan domestik yang masih sangat bergantung dari impornya yang dilihat dari laju pertumbuhan impornya. Selain itu, menjaga stabilitas pangan menjadi penting karena keempat komoditas pangan utama ini merupakan komoditas dengan tingkat share impor yang cukup tinggi dengan rata-rata share-nya lebih dari 50 persen dari tahun 2002-2011 (Tabel 7). Sedangkan untuk masing-masing komoditas pangan utama, komoditas kedelai dan gula pasir merupakan dua komoditas yang memiliki share impor yang lebih tinggi dibanding dua komoditas lainnya.
Tabel 7 Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Tanaman Pangan Indonesia Tahun 2002-2011
Tahun Share Impor Total Share
Beras Jagung Kedelai Gula Pasir
2002 20.18 8.13 17.63 11.55 57.49 2003 16.12 9.33 18.28 18.27 61.99 2004 3.30 9.50 22.29 14.19 49.29 2005 2.69 1.61 16.12 30.83 51.25 2006 5.91 12.36 13.34 25.70 57.31 2007 13.40 4.35 13.74 29.81 61.30 2008 3.54 2.68 19.92 10.47 36.62 2009 3.56 2.56 20.45 18.90 45.48 2010 7.99 8.18 18.61 24.62 59.39 2011 18.45 12.54 15.19 21.20 67.38 a
Catatan : Impor komoditas tanaman pangan merupakan nilai impor komoditas pangan (ribu US $)
Coefficient of Variance Harga Komoditas Pangan Utama Indonesia
Gambar 6 menunjukkan perkembangan coefficient of variance (CV) dari harga komoditas pangan utama Indonesia dari tahun 2002-2011. CV untuk semua komoditas pangan utama Indonesia menunjukkan nilai yang cukup bervariasi dari waktu ke waktu. Nilai CV komoditas pangan paling tinggi adalah komoditas gula pasir sebesar 11.45 persen pada tahun 2009. Relatif stabilnya harga komoditi pangan menjelang Natal 2009 dan Tahun Baru 2010 tidak berlaku untuk gula pasir. Kenaikan mencolok terjadi pada gula pasir lokal sebesar Rp 705,00. Hal ini disebabkan selain karena adanya peningkatan permintaan gula menjelang perayaan hari Natal dan Tahun Baru, tetapi naiknya harga gula di pasaran internasional juga memberi pengaruh yang signifikan5.
Untuk komoditas jagung dan kedelai, memiliki nilai CV paling tinggi pada tahun 2008 sebesar 7.56 persen dan 9.16 persen. CV terbesar untuk komoditas
5
Dikutip dari : http://www.setneg.go.id/index.php?option=com_content&task=view&id=4209 :
28
jagung pada tahun 2008 disebabkan oleh terjadinya penurunan cadangan jagung, naiknya harga minyak dunia sehingga menyebabkan peningkatan permintaan jagung untuk etanol. Tingginya nilai CV untuk komoditas kedelai pada tahun 2008 lebih disebabkan oleh terganggunya pasokan kedelai yang memang sebagian besar pemenuhan kebutuhannya masih sangat tergantung dari Impor Amerika Serikat. Sehingga, ketika terjadi gangguan tersebut, maka harga kedelai domestik mencapai eceran tertingginya dan sangat meresahkan masyarakat baik konsumen maupun produsen.
Gambar 6 Coefficient of Variance Komoditas Pangan Utama Indonesia Tahun 2002-2011
Nilai CV paling besar untuk komoditas beras terjadi pada tahun 2010 dengan nilai 6.92 persen. Penyebab tingginya CV beras pada tahun 2010 lebih dikarenakan menurunnya pertumbuhan produksi padi antara lain akibat imbas dari perubahan cuaca. Perubahan cuaca tersebut juga telah membuat negara pengekspor beras utama dunia yaitu Vietnam dan Thailand melakukan pengetatan ekspor beras. Meskipun kedua negara ini mengalami surplus beras, mereka telah mengumumkan bahwa akan membatasi ekspor beras terkait anomali cuaca yang terjadi6.
Analisis Volatilitas Empat Komoditas Pangan Utama Indonesia
Aplikasi model ARCH-GARCH yang digunakan untuk mengukur volatilitas harga dan data finansial telah banyak dilakukan oleh peneliti sebelumnya. Pembentukan model ini dilakukan dalam dua tahapan yaitu tahap
6
Dikutip dari : http://www.setneg.go.id/index.php?option=com_content&task=view&id=5171 :
“Inflasi dan Kenaikan Harga Beras”
6.92 7.56 9.16 11.45 2.00 4.00 6.00 8.00 10.00 12.00 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 CV (%) Tahun
29 identifikasi dan penentuan model ARCH-GARCH terbaik untuk mencari besaran nilai volatilitas yang diinginkan. Tahap identifikasi penentuan model ARCH-GARCH dilakukan jika model mean equation yang diperoleh mengandung efek ARCH dan analisis volatilitas dari model yang terbaik. Jika model mean equation mengandung efek ARCH, maka model tersebut perlu melibatkan suatu persamaan conditional variance untuk mengakomodasi keberadaan efek ARCH, sehingga dapat menghindari pelanggaran asumsi heteroskedastisitas akibat adanya efek ARCH dan menghasilkan estimasi koefisien model yang lebih baik. Pengujian terhadap efek ARCH tersebut dilakukan setelah memperoleh model mean equation terbaik. Di bawah ini akan dijabarkan mengenai bagian dari ketiga tahapan yang telah disebutkan di atas.
Tahap Identifikasi dan Penentuan Model Rataan Terbaik
Identifikasi dan pembentukan model terbaik harus mengikuti langkah-langkah yang meliputi pengujian stasioneritas data, penenetuan model ARIMA tentatif, pendugaan parameter dari model ARIMA tersebut, dan yang terakhir adalah pemilihan model terbaik. Setelah semua tahapan dilakukan dan diperoleh model ARIMA yang sesuai dengan kriteria bahwa AIC dan SC memiliki nilai terkecil adj-R2 terbesar dan beberapa kriteria lainnya.
Uji stasioneritas
Pengujian stasioneritas data dilakukan dengan menggunakan uji The Augmented Dickey Fuller (ADF). Uji tersebut dilakukan untuk mendeteksi apakah data yang akan dianalisis mengandung akar unit. Apabila data mengandung akar unit maka data tersebut belum stasioner pada levelnya. Dengan menggunakan uji ADF ini, dapat diketahui juga pada derajat berapa diferensiasi yang diperlukan agar data menjadi stasioner. Data variabel ekonomi umumnya memiliki sifat yang tidak stasioner pada level dan stasioner pada first difference-nya. Sehingga, dalam pembuatan mean equation, uji stasioneritas sangat diperlukan untuk menentukan derajat integrasinya. Untuk lebih jelasnya mengenai pengujian stasioneritas pada data harga komoditas pangan yang digunakan dalam penelitian ini dapat dilihat pada tabel di bawah ini.
Tabel 8 Hasil Uji Augmented Dickey Fuller
Variabel (Rp/kg) ADF Statistic
1
Critical Value (95%) Levels12 First Difference3
Harga Beras Indonesia 1.71 -8.73 -2.88
Harga Jagung Indonesia 1.66 -12.76 -2.88
Harga Kedelai Indonesia -0.71 -5.93 -2.88
Harga Gula Indonesia -0.37 -7.22 -2.88
a
Keterangan:
1) Nilai mutlak ADF harus lebih besar dari critical value untuk menolak hipotesis nol 2) Seris data awal (sebelum didiferensiasi)
3) Series data setelah didiferensi satu kali
Berdasarkan Tabel 8 telah diketahui bahwa semua data harga yang dianalisis stasioner pada first difference dan tidak ada data yang stasioner pada level. Sehingga derajat integrasi yang akan digunakan dalam pembentukan mean