IV. METODE PENELITIAN

IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilaksanakan pada bulan Januari hingga Maret 2012. Penelitian dilakukan di Asosiasi Kakao Indonesia (Askindo). Penentuan tempat dilakukan secara sengaja (purposive) karena tempat tersebut merupakan pusat informasi mengenai pergerakan harga kakao nasional dan mengetahui segala informasi perdagangan kakao Indonesia dan internasional. 4.2. Data dan Instrumentasi Penelitian ini dibatasi dengan menganalisis data sekunder kuantitatif untuk mengetahui hubungan transmisi harga pada bursa komoditi yang telah ditentukan. Data yang digunakan dalam penelitian ini antara lain data harga biji kakao di Indonesia yang bersumber dari Badan Pengawas Perdagangan Berjangka Komoditi (Bappebti) Departemen Perdagangan Republik Indonesia dan harga biji kakao di The New York Board of Trade (NYBOT) bersumber dari The International Cocoa Organization (ICCO) dan The London International Financial Futures Exchange (LIFFE) yang bersumber dari situs Reuters dengan rentang data per hari dari tanggal 25 Agustus 2011 hingga 10 April 2012. Penelitian ini menggunakan data yang diperoleh melalui studi pustaka di Badan Pusat Statistik (BPS), Direktorat Jenderal Perkebunan (DitJenBun), Pusat Data dan Sistem Informasi Pertanian Departemen Pertanian (Pusdatin Deptan), Perpustakaan Nasional (Perpusnas), Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian (PSEKP), Kementrian Perdagangan Republik Indonesia (Kemendagri), Badan Pengawas Perdagangan Berjangka Komoditi (Bappebti), Asosiasi Kakao Indonesia (Askindo), dan International Cocoa Organization (ICCO). Selain itu, diperoleh juga beberapa informasi tambahan melalui wawancara dengan pihak Askindo serta instansi-instansi lain yang dapat mendukung ketersediaan data penelitian tersebut. Penelusuran melalui situs web internet, makalah, dan jurnal penelitian juga dilakukan untuk mendapatkan teori yang mendukung penelitian. 37

4.3. Pengolahan dan Analisis Data Metode yang digunakan dalam menganalisis data adalah metode kuantitatif dengan pendekatan model VAR yang diperkenalkan oleh Sims pada tahun 1980, berdasarkan pemaparan Enders (1995) dan Widarjono (2010). Tahapan pengolahan data dengan menggunakan model VAR adalah: a) uji stasioneritas data dan derajat intergrasi, b) penentuan panjang lag, c) uji kointegrasi, d) estimasi model VAR, e) fungsi respon impuls, f) dekomposisi ragam. Software yang digunakan dalam penelitian ini antara lain Microsoft Exel untuk membuat tabulasi data dan Eviews 7 untuk mengolah data model VAR. Secara garis besar, langkah-langkah untuk menggunakan metode VAR dalam sebuah penelitian adalah sebagai berikut: 1. Uji Stasioneritas Data dan Derajat Integrasi Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Kestasioneran diperlukan untuk menghindari adanya spurious regression (regresi palsu). Suatu persamaan dikatakan stasioner apabila memiliki mean, variance, dan covariance yang konstan pada setiap lag dan tidak mengandung unit root. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented Dickey-Fuller (ADF) pada derajat yang sama (level atau different) hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya (Enders, 1995). Widarjono (2010) menjelaskan bahwa fungsi uji ADF adalah untuk melihat ada tidaknya trend di dalam pergerakan data yang akan diuji. Uji ADF terdiri dari perhitungan regresi yang dirumuskan sebagai berikut. ΔY t = γy t-1 + β i t-i+1 + ε t (1) ΔY t = α 0 + γy t-1 + β i t-i+1 + ε t (2) ΔY t = α 0 + α 1 t + γy t-1 + β i t-i+1 + ε t (3) 38

dimana ΔY t = Selisih variabel (Y t Y t-1 ) γ = (ρ-1) α 0, α 1, γ, β i = Koefisien t = Trend waktu Y = Variabel yang diuji stasioneritasnya P = Panjang lag yang digunakan dalam model ε = Error persamaan Perbedaan persamaan 1 (satu) dengan dua regresi lainnya adalah memasukkan konstanta dan variabel trend waktu. Persamaan 1 (satu) digunakan pada data observasi yang diasumsikan hanya memiliki intersep, tidak memiliki konstanta dan trend. Persamaan 2 digunakan dengan asumsi data observasi terdapat konstanta dan intersep. Persamaan 3 digunakan apabila data observasi diasumsikan memiliki komponen konstanta, intersep, dan trend. Hipotesis dalam uji ini adalah H 0 jika γ=0 berarti data time series mengandung unit root yang bersifat tidak stasioner dan H 1 jika γ<1 berarti data bersifat stasioner. Penggunaan aplikasi program Eviews 7 mengkategorikan data tersebut stasioner atau tidak dengan membandingkan nilai Mackinnon critical dengan nilai mutlak ADF statistiknya. Jika dalam uji stasioneritas ini menunjukkan nilai ADF statistik yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak mengandung unit root. Sebaliknya, jika nilai ADF statistik lebih kecil daripada Mackinnon critical value, maka dapat disimpulkan bahwa data tersebut tidak stasioner pada derajat level. Dengan demikian, differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different I(1) harus dilakukan, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya (Ajija et al. 2011). 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 Vector Error Correction Model (VECM). 39

2. Penentuan Panjang Lag Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Harris (1995) menjelaskan bahwa jika lag yang digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya, γ dan standar kesalahan tidak diestimasi secara baik. Namun demikian, jika memasukkan terlalu banyak lag, maka dapat mengurangi kemampuan untuk menolak H 0 karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebas. Panjangnya kelambanan variabel yang optimal diperlukan untuk menangkap pengaruh dari setiap variabel terhadap variabel lain di dalam sistem VAR. Selanjutnya, untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas, menurut Enders (1995) berikut adalah kriteria yang digunakan: Akaike Information Criterion (AIC) : T log Σ + 2 N Schwarz Bayesian Criterion (SBC) : T log Σ + N log (T) dimana T = Jumlah observasi Σ = Determinan dari matriks varians/kovarians dari sisaan N = Jumlah parameter yang diestimasi Dalam penentuan lag optimal dengan menggunakan kriteria informasi tersebut, kriteria yang dipilih adalah kriteria yang mempunyai jumlah dari AIC dan SBC yang paling kecil di antara berbagai lag yang dianjurkan. Bila semakin kecil nilai kriteria tersebut, maka nilai harapan yang dihasilkan oleh sebuah model akan semakin mendekati kenyataan (Ajija et al. 2011). Sedangkan jika beberapa kriteria tersebut digunakan maka ada kriteria tambahan yaitu adjusted R 2 sistem VAR. Panjang kelambanan optimal terjadi jika nilai adjusted R 2 adalah paling tinggi (Widarjono, 2010). 3. Uji Kointegrasi Keberadaan variabel nonstasioner menyebabkan kemungkinan besar adanya hubungan jangka panjang antara variabel di dalam sistem VAR. Oleh 40

karena itu, dilakukan uji kointegrasi untuk mengetahui keberadaan hubungan antar variabel. Kointegrasi adalah terdapatnya kombinasi linier antara variabel yang non stasioner yang memiliki hubungan jangka panjang pada ordo yang sama. Uji yang dilakukan adalah trace test yaitu mengukur jumlah vektor kointegrasi dalam data dengan menggunakan pengujian pangkat matriks kointegrasi yang dinyatakan sebagai berikut (Enders 1995) λ trace (r) = T (1- ) λ max (r, r+1) = T ln (1-λ r+1 ) dimana: = Nilai dugaan akar karakteristik (eigenvalues) yang didapatkan dari estimasi matriks π T = Jumlah observasi r = Pangkat yang mengindikasikan jumlah vektor kointegrasi Rank kointegrasi (r) dari vektor adalah banyaknya vektor kointegrasi yang saling bebas. Jumlah hubungan kointegrasi (r) dapat dihitung dengan menggunakan 2 uji statistik. Pada uji λ trace, H 0 adalah jumlah vektor kointegrasi yang hilang r sebagai alternatif umum. Jika λ trace < λ tabel maka terima H 0 yang artinya kointegrasi terjadi pada rank r. Sementara pada uji λ max, Ho yaitu jumlah vektor kointegrasi = r adalah alternatif dari vektor kointegrasi r+1 (Enders, 1995). Jika tidak terdapat kointegrasi antar variabel maka digunakan model VARD (VAR in difference) dengan lag (kelambanan) p, sedangkan jika dalam data yang diduga di model VAR terdapat kointegrasi maka model VAR yang digunakan adalah model VECM (Vector Error Correction Model) lag (kelambanan) p rank r (Widarjono, 2010). 4. Estimasi Model VAR Estimasi model VAR dapat ditulis ke dalam bentuk persamaan sebagai berikut: y t = µ + A 1 y t-1 +... + A p y t-p + ε t 41

dimana y t adalah vektor nx1 dari variabel yang terintegrasi pada orde satu, umumnya dinotasikan I(1) dan ε t adalah nx1 vektor inovasi (Hjalmarsson dan Par 2007). Pada penelitian ini n yang diteliti berjumlah 3 variabel. Selanjutnya, dari hasil estimasi VAR, untuk melihat apakah variabel Y memengaruhi X dan demikian pula sebaliknya, hal ini dapat diketahui dengan cara membandingkan nilai t-statistik hasil estimasi dengan nilai t-tabel. Jika nilai t-statistik lebih besar daripada t-tabelnya, maka dapat dikatakan bahwa variabel Y memengaruhi X. Model VAR dapat disusun setelah variabel-variabel dilihat kestasionerannya, kointegrasi, kelambanan, dan kecocokan variabel untuk dimasukkan ke dalam model. Berdasarkan penjelasan dari model VAR yang dilakukan oleh Widarjono (2010) dan Enders (1995), dapat diasumsikan model VAR kelambanan satu yang akan digunakan dalam peramalan harga biji kakao adalah sebagai berikut : = + + dengan: IND NYBOT LIFFE = Harga kakao bursa komoditi Indonesia = Harga kakao bursa komoditi New York = Harga kakao bursa komoditi London Jika terdapat kointegrasi pada data yang dicek kestasionerannya maka model yang digunakan adalah model VECM (Vector Error Correction Model) lag p rank r. Model VECM dapat dituliskan sebagai berikut (Hjalmarsson dan Par 2007). Δy t = µ + Π y t-1 + Δy t-i + ε t Dimana Π = I dan Γ i = Jika koefisien matriks Π mengurangi rank r < n, maka terdapat matriks nxr dimasing-masing α dan β dengan rank r sehingga Π = αβ 'dan β'y t yang stasioner. r adalah jumlah hubungan kointegrasi, maka elemen α dikenal sebagai 42

parameter penyesuaian dalam Vector Error Correction Model (VECM) dan setiap kolom β adalah vektor kointegrasi. 5. Fungsi Respon Impuls (Impulse Response Function) Penggunaan impulse response merupakan analisis yang penting di dalam model VAR karena di dalam model VAR secara individual koefisien sulit diinterpretasikan. IRF dapat mengidentifikasi suatu guncangan pada variabel itu sendiri dan variabel endogen lainnya sehingga dapat menentukan bagaimana suatu perubahan dalam variabel mempengaruhi variabel lainnya. Analisis ini dapat melacak respon dari variabel endogen di dalam sistem VAR karena adanya shock atau perubahan di dalam variabel error (Widarjono 2010). Sims (1980) menjelaskan bahwa fungsi Impulse Response Function (IRF) menggambarkan ekspektasi k-periode ke depan dari kesalahan prediksi suatu variabel inovasi dari variabel yang lain. Dengan demikian, lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat atau diketahui. Analisis IRF dilakukan dengan menyederhanakan bentuk SVAR ke dalam bentuk Vector Moving Average (VMA) sebagai berikut: x t = μ + (i) e 1-i Metode IRF digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel tidak hanya berpengaruh terhadap variabel itu sendiri tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur selang dalam VAR. Dengan kata lain IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan dimasa yang akan datang. 6. Dekomposisi Ragam (Variance Decomposition) Variance Decomposition atau disebut juga forecast error variance decomposition merupakan perangkat pada model VAR yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, dekomposisi ragam akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada 43

sebuah variabel terhadap shock variabel lainnya pada periode saat ini dan periode yang akan datang. Selain digunakan untuk mencirikan struktur dinamis antar variabel di dalam model VAR, pola dekomposisi ragam juga dapat mengindikasikan sifat dari kausalitas antara variabel dalam model VAR sehingga dekomposisi ragam menjadi sangat sensitif terhadap pengurutan variabel. Variabel yang tidak memiliki nilai korelasi terhadap variabel lainnya diletakkan pada posisi paling belakang, sedangkan variabel yang memiliki korelasi terhadap variabel lain diletakkan berdampingan satu sama lain. Hal ini serupa dengan pendapat Enders (1995) menyatakan bahwa tujuan analisis ini untuk menggambarkan tingkat kepentingan setiap variabel dalam model VAR dalam menjelaskan ragam (varians) suatu variabel yang akan datang. Variance Decomposition (VD) digunakan untuk memberikan informasi agar dapat mengetahui besarnya kontribusi dari masing-masing variabel inovasi terhadap variabel endogen yang diamati ketika terjadi shock. Jadi, dari hasil analisis ini dapat diketahui seberapa besar perubahan suatu variabel berasal dari dirinya sendiri dan seberapa besar berasal dari pengaruh variabel lain sehingga diketahui sumber variasi suatu variabel. 44