II. TINJAUAN PUSTAKA
2.1. Gas
Menurut Bachrawi (2002) Gas bumi adalah sebuah sejenis hidrokarbon yang berupa gas yang komponen terpentingnya yakni methane, ethane , propane dan heksana. Komponen utama dalam gas alam adalah metana (CH4), yang merupakan molekul hidrokarbon rantai terpendek dan teringan. Gas alam juga mengandung molekul-molekul hidrokarbon yang lebih berat seperti etana (C2H6), propana (C3H8) dan butana (C4H10), selain juga gas-gas yang mengandung sulfur (belerang). Gas alam juga merupakan sumber utama untuk sumber gas helium.
Metana adalah gas rumah kaca yang dapat menciptakan pemanasan global ketika terlepas ke atmosfer, dan umumnya dianggap sebagai polutan ketimbang sumber energi yang berguna. Meskipun begitu, metana di atmosfer bereaksi dengan ozon, memproduksi karbon dioksida dan air, sehingga efek rumah kaca dari metana yang terlepas ke udara relatif hanya berlangsung sesaat. Sumber metana yang berasal dari makhluk hidup kebanyakan berasal dari rayap, ternak (mamalia) dan pertanian (diperkirakan kadar emisinya sekitar 15, 75 dan 100 juta ton per tahun secara berturut-turut).
Tabel 2. Komponen gas
Komponen %
Metana (CH4) 80-95 Etana (C2H6) 5-15 Propana (C3H8) and Butane (C4H10) < 5
Nitrogen, helium, karbon dioksida (CO2), hidrogen sulfida (H2S), dan air dapat juga terkandung di dalam gas alam. Merkuri dapat juga terkandung dalam jumlah kecil. Komposisi gas alam bervariasi sesuai dengan sumber ladang gasnya.
berasal dari tudung gas. Dan jenis Non Associated gas yakni gas bumi yang didalam reservoir tidak mengandung miyak dalam jumlah berarti
Bahan bakar berkelanjutan bersumber pada materi yang masih bisa digunakan lagi dan tidak akan habis keberadaannya di alam. Misalnya tenaga matahari. Gas alam sering juga disebut sebagai gas bumi atau gas rawa, adalah bahan bakar fosil berbentuk gas yang terutama terdiri dari metana CH4. Ia dapat ditemukan di ladang minyak, ladang gas bumi dan juga tambang batu bara. Ketika gas yang kaya dengan metana diproduksi melalui pembusukan oleh bakteri anaerobik dari bahan-bahan organik selain dari fosil, maka ia disebut biogas. Sumber biogas dapat ditemukan di rawa-rawa, tempat pembuangan akhir sampah, serta penampungan kotoran manusia dan hewan.
Gas Alam adalah pilihan pertama energi dapat dilihat dari dua sisi, efisiensi pembakaran dan emisi gas. Efisiensi pembakaran gas alam lebih tinggi dari bahan bakar minyak, dan gas emisi dari pembakaran gas alam jauh lebih rendah dari pada bahan bakar minyak, karena yang dihasilkan NOx, SOx, dan COx jauh di bawah standar emisi.
Secara garis besar pemanfaatan gas alam dibagi atas 3 kelompok yaitu : Gas alam sebagai bahan bakar, antara lain sebagai bahan bakar Pembangkit Listrik Tenaga Gas/Uap, bahan bakar industri ringan, menengah dan berat, bahan bakar kendaraan bermotor (BBG/NGV), sebagai gas kota untuk kebutuhan rumah tangga hotel, restoran dan sebagainya. Gas alam sebagai bahan baku, antara lain bahan baku pabrik pupuk, petrokimia, metanol, bahan baku plastik (LDPE = low density polyethylene, LLDPE = linear low density polyethylene, HDPE = high density polyethylen, PE= poly ethylene, PVC=poly vinyl chloride, C3 dan C4-nya untuk LPG, CO2-nya untuk soft drink, dry ice pengawet makanan, hujan buatan, industri besi tuang, pengelasan dan bahan pemadam api ringan. Gas alam sebagai komoditas energi untuk ekspor, yakni Liquefied Natural Gas (LNG).
2.2. Teori Peramalan
Menurut Subagyo (1986) peramalan adalah apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang. Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perusahaan.
Definisi dan tujuan peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984). Dalam kehidupan sosial segala sesuatu itu serba tidak pasti, sukar untuk diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast. Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean squared error, mean absolute error (Subagyo, 1986).
Proses peramalan menurut Handoko 1994, proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut:
a. Penentuan Tujuan
Analisis membicarakan dengan para pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan:
1) Variabel-variabel apa yang akan diestimasi, 2) Siapa yang akan menggunakan hasil peramalan,
3) Untuk tujuan-tujuan apa hasil peramalan akan digunakan, 4) Estimasi jangka panjang atau jangka pendek yang diinginkan, 5) Derajat ketepatan estimasi yang diinginkan,
6) Kapan estimasi dibutuhkan,
7) Bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.
b. Pengembangan Model
masukan menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang diramal). Analisis hendaknya memilih suatu model yang menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan. Sebagai contoh, bila perusahaan ingin meramalkan volume penjualan yang polanya berbentuk linier, model yang dipilih mungkin Y = A + BX, dimana Y menunjukkan besarnya volume penjualan; X menunjukkan unit waktu, serta A dan B adalah parameter-parameter yang menggambarkan posisi dan kemiringan garis pada grafik.
2.2.1 Tujuan Peramalan
Dalam dunia usaha sangat penting diperkirakan hal-hal yang terjadi di masa depan sebagai dasar untuk pengambilan keputusan, terutama dunia usaha itu merupakan bagian dari kehidupan sosial, dimana segala sesuatu yang terjadi serba tidak pasti, sukar diprediksi dengan tepat. Oleh karena itu perlu dilakukan sebuah peramalan yang dibuat selalu diupayakan agar dapat:
a. Meminimumkan pengaruh ketidakpastian terhadap perusahaan,
b. Forecasting bertujuan mendapatkan forecast yang bias meminimumkan
kesalahanm peramal (forecast error) yang biasanya diukur dengan mean squared error(MSE), mean absolute error (MAE), dan sebagainya (Subagyo, 1986).
2.2.2 Metode Peramalan
Untuk memecahkan masalah dalam membuat peramalan harus mengunakan metode tertentu, semua metode peramalan memiliki ide yang sama, yaitu mengunakan data masa lalu untuk memperkirakan atau memperoyeksikan data di masa yang akan datang. Terdapat dua metode dalam peramalan, yaitu metode Peramalan kualitatif dan Peramalan Kuantitatif ( Baroto 1997) .
1. Metode Peramalan Kualitatif
Dalam Metode peramalan kulitatif digunakan bila tidak ada atau sedikit data masa lalu yang tersedia. Pendapat pakar dan prediksi mereka di jadikan dasar untuk menetapkan permintaan yang akan datang. Metode ini lebih mengandalkan judgment dan intuisi manusia ketimbang penggunaan data historis yang di miliki.
2. Metode Peramalan Kuantitatif
Untuk meramalan permintaan masa datang dengan metode peramalan kuantutatif menggunakan data masa lalu memadai tanpa penilaian atau prediksi pakar yang melakukan peramalan dengan data yang tersedia secara memadai dan tanpa intuisi maupun penilaian subjektif dari orang yang melakukan peramalan. Teknik kuantitatif biasanya dikelompokkan menjadi dua yaitu teknik statistik dan teknik deterministik.
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) :
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.
2.6. Penelitian Terdahulu
Rusniar (2008), melakukan penelitian pergerakan nilai tukar rupiah dan empat mata uang Negara ASEAN dengan menggunakan model koreksi kesalahan Vector Error Correction Model (VECM). Hasil empiris penelitian menunjukkan bahwa dasar analisis FEDV (Forcasting Error Decompotisions Of Variance). Pergerakan nilai tukar rupiah terhadap sebelum krisis lebih dominan di pengaruhui oleh kurs rupiah itu sendiri, ringgit dan Bath. Sedangkakan dollar singapura dan peso hanya sedikit pengaruh terhadap pergerakan rupiah itu sendiri. Sedangkan pada periode setelah krisis nilai tukar rupiah masih dominan di pengruhui oleh rupiah itu sendiri dan dollar singapura, namun pengaruh bath justru sangat kecil. Untuk nilai tukar mata uang ASEAN lainnya sebelum krisis pergerakannnya lebih dipengaruhui oleh nilai tukar mata uang lain, sedangkan pada periode setelah krisis pergerakannya lebih dominan dipengaruhui oleh nilai tukar mata uang itu sendiri. Berdasarkan hasil analisis IRF, pada periode sebelum krisis rupiah tidak responsive dalam merespon mata uang ASEAN lain, sementara itu setelah krisis rupiah cukup responsive dalam merespon nilai tukar ASEAN
Nursechafia (2010), Melakukan penelitian pengaruh guncangan variabel makroekonomi terhadap dana pihak ketiga dan kredit perbangkan pada system perbankan ganda di Indonesia dengan bertujuan mengalisis dampak guncangan variabel makroekonomi tersebut terhadap DPK konversional, DPK syariah, dan pembiayaan syariah. Data skunder yang digunakan berupa data bulanan juni 2003 hingga 2008. Analisis data yang digunakan menggunakan metode Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) . Fokus pembahasan dalam penilitian ini adalah hasil Impuls Response Function (IRF) dan Variance Decompotion (VD) berdasarkan hasil IRF, guncangan variabel RER, SBI, dan CPI sebesar satu standard deviasi direspons negative oleh seluruh model. Guncangan variabel IPI direspon positif oleh DPK konvensional, kredit konvensional, dan DPK syariah sedangkan guncangan variabel IPI direspon negative oleh pembiayaan syariah. Hasil IRF menjelaskan seberapa cepat periode kestabilan masing-msing model dalam mengahadapi guncangan variabel
Adapun variabel CPI memberi pengaruh lebih besar terhadap DPK dan pembiyan syariah dibandingkan terhadap DPK dan kredit konvensional.
Murtiningsih (2009), melakukan penelitian guncangan variabel makro terhadap investasi bisnis properti di Indonesia. Penelitian ini bertujuan untuk mengetahui dampak guncangan variabel makro terhadap bisnis propertii serta dampak guncangan bisnis properti terhadap perekonomian di Indonesia. Data yang di gunakan adalah data time series bulanan periode Januari 2001 sampai Desember 2008. Sementara variabel-variabel yang digunakan adalah nilai kapitalisasi proyek properti (NKPP), Indeks Harga Saham Gabungan (IHSG), suku bunga SBI (SBI), pertumbuhan ekonomi (PE), nilai tukar nominal (KURS), Laju inflasi (INF), Non Perform Loan (NPL), investasi properti, serta total kredit properti (TKP). Metode yang digunakan adalah Vector Auto Regression (VAR) yang dikombinasikan dengan Vector Error Correction Model (VECM). Hasil penelitian menunjukan bahwa dari 8 variabel yang digunakan dalam penelitian ini, 3 diantaranya berpengaruh secara signifikan terhadap investasi bisnis properti. Variabel-variabel tersebut adalah nilai kapitalisasi proyek properti, laju inflasi dan Non Perform Loan (NPL). Sementara variabel indeks harga saham gabungan, suku bunga SBI, pertumbuhan ekonomi, nilai tukar nominal dan total kredit properti tidak berpengaruh secara signifikan terhadap investasi bisnis properti. Dampak guncangan yang terjadi pada variabel makro hamper semua direspon negatife oleh bisnis properti kecuali guncangan yang terjadi terhadap pertumbuhan ekonomi, laju inflasi, total kredit properti serta nilai kapitalisasi proyek properti itu sendiri yang di respons negarif. Sementara itu perekonomian nasional merespons fluktuatif guncangan yang terjadi pada bisnis properti. Penelitian ini hanya menganalisis dampak respons bisnis properti ketika terjadi guncangan ekonomi, tidak menganalisis sebelum terjadi guncangan.
