ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA … · Penulis mengawali di TK Ar-Rahman pada...
132
ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA (KASUS PASAR INDUK KRAMAT JATI JAKARTA) OLEH BAYU SASONO AJI H14052004 DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR 2009
Transcript of ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA … · Penulis mengawali di TK Ar-Rahman pada...
ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA
(KASUS PASAR INDUK KRAMAT JATI JAKARTA)
OLEH BAYU SASONO AJI
H14052004
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR 2009
RINGKASAN BAYU SASONO AJI. Analisis Volatilitas Harga Buah-buahan Indonesia (Kasus Pasar Induk Kramat Jati Jakarta) (dibimbing oleh MUHAMMAD FIRDAUS). Perubahan pola konsumsi (dietary pattern) yang terjadi akibat adanya perbaikan tingkat kesejahteraan berpengaruh terhadap pola konsumsi hortikultura, khususnya buah-buahan. Hortikultura merupakan salah satu sektor yang berkembang pesat dalam pertanian Indonesia. Jenis tanaman yang dibudidayakan dalam hortikultura meliputi buah-buahan, sayur-sayuran, bunga dan tanaman hias. Sedangkan dalam hortikultura buah-buahan merupakan salah satu sumber vitamin dan mineral. Dengan kandungan vitamin dan mineral yang dimiliki, buah sangat diperlukan untuk memenuhi kebutuhan gizi yang seimbang. Buah juga merupakan salah satu sumber vitamin dan mineral yang mudah diperoleh masyarakat di berbagai wilayah, baik pedesaan maupun perkotaan. Selain itu buah memiliki tingkat harga, jenis dan kualitas yang bervariasi sehingga masyarakat dari berbagai kelas pendapatan mampu mengkonsumsi buah sesuai dengan daya belinya. Buah juga relatif tersedia sepanjang tahun meskipun beberapa buah ada yang bersifat musiman, namun tidak sedikit juga buah yang tidak tergantung musim. Terlebih lagi dengan semakin banyaknya buah impor yang masuk ke Indonesia. Hal ini menyebabkan ketersediaan buah relatif stabil sepanjang tahun. Buah-buahan merupakan komoditas pertanian yang bersifat inelastis untuk jangka pendek, sehingga peningkatan produksi yang melebihi permintaan pada waktu tertentu akan menjatuhkan harga yang cukup besar. Begitu juga sebaliknya, pasokan yang tidak dapat memenuhi permintaan akan meningkatkan harga buah. Sehingga dapat dikatakan bahwa perubahan harga buah sangat dipengaruhi oleh jumlah produksi buah itu sendiri. Permasalahannya adalah untuk memenuhi kebutuhan konsumsi buah-buahan yang diperkirakan akan terus meningkat diperlukan ketersediaan buah yang cukup dan harga yang relatif terjangkau agar konsumsi dapat terpenuhi. Untuk masalah ketersediaan buah mungkin dapat teratasi karena buah-buahan yang umumnya dikonsumsi seperti alpukat, pepaya, nanas, pisang, jeruk, semangka, melon dan salak relatif tersedia sepanjang tahun. Agar tiap lapisan masyarakat dapat mengkonsumsi buah-buahan dengan baik, dibutuhkan harga yang terjangkau. Dengan harga yang terjangkau masyarakat dari berbagai kelas pendapatan mampu mengkonsumsi buah sesuai dengan daya belinya. Hal tersebut mendorong diperlukannya suatu analisis tingkat risiko harga komoditas buah-buahan agar fluktuasi harga dapat segera diatasi. Pengukuran volatilitas perlu dilakukan untuk memetakan ketidakpastian tersebut. Volatilitas yang ada pada harga buah-buahan di Pasar Induk Kramat Jati dapat memberikan gambaran buah mana yang mempunyai fluktuasi harga paling tinggi. Berdasarkan permasalahan tersebut penelitian ini bertujuan membandingkan volatilitas harga antar buah-buahan yang ada di Pasar Induk Kramat Jati. Selain itu akan dianalisis pula hubungan antara harga buah dengan jumlah pasokan buah. Data yang digunakan dalam proses analisis ini adalah data time series harga harian buah-buahan dari awal Januari 2006 hingga akhir
Desember 2008. Untuk menjawab tujuan penelitian digunakan model ARCH-GARCH dengan bantuan program komputer Eviews 6 dan Microsoft Excel. Berdasarkan hasil pengujian yang dilakukan menghasilkan model ARCH-GARCH terbaik dari setiap buah, kecuali pada pisang ambon dan salak bali. Model ARCH-GARCH terbaik berturut-turut untuk setiap buah adalah GARCH(1,1) untuk alpukat, pepaya, nanas, semangka dan melon. Sedangkan untuk jeruk siam model ARCH-GARCH terbaik adalah ARCH(1). Tidak adanya model ARCH-GARCH pada pisang ambon dan salak bali dikarenakan pada proses pengujian residual model ARIMA tidak terdapat efek ARCH. Sehingga proses penelitian tidak dapat dilanjutkan untuk memperoleh model ARCH-GARCH terbaik. Hasil analisis menunjukkan bahwa jeruk siam merupakan buah komoditas unggulan Indonesia yang memiliki volatilitas paling tinggi. Sedangkan buah nanas merupakan buah komoditas unggulan Indonesia yang memiliki volatilitas paling kecil di antara buah-buahan komoditas unggulan Indonesia yang dianalisis. Nilai volatilitas jeruk siam yang besar disebabkan oleh waktu panen dari jeruk siam yang hanya ada pada periode April hingga Juli atau tidak tersedia sepanjang tahun. Pada periode panen yang hanya empat bulan tersebut, harga akan turun karena jumlah buah yang cukup banyak. Pada periode selain masa panen harga akan naik karena jumlah buah yang tersedia akan berkurang. Untuk buah nanas yang memiliki nilai volatilitas rendah disebabkan oleh waktu panen dari buah nanas yang tersedia sepanjang tahun. Hal ini menyebabkan fluktuasi harga dari buah nanas tidak terlalu besar karena jumlah ketersediaan buah yang selalu ada sepanjang tahun. Dari hasil pengujian kointegrasi dengan menggunakan two steps Engle-Granger antara jumlah pasokan dengan harga dapat disimpulkan bahwa jumlah pasokan akan mempengaruhi harga buah-buahan yang dianalisis. Namun pengujian kointegrasi antara jumlah pasokan dan harga salak bali menunjukkan bahwa jumlah pasokan salak bali tidak akan mempengaruhi harga salak bali.
ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA
(KASUS PASAR INDUK KRAMAT JATI JAKARTA)
Oleh
BAYU SASONO AJI H14052004
Skripsi Sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi
pada Departemen Ilmu Ekonomi
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR 2009
Judul : Analisis Volatilitas Harga Buah-buahan Indonesia
(Kasus Pasar Induk Kramat Jati Jakarta)
Nama : Bayu Sasono Aji
NIM : H14052004
Menyetujui Dosen Pembimbing, Muhammad Firdaus, Ph.D. NIP. 19730105 199702 1 001 Mengetahui Ketua Departemen Ilmu Ekonomi, Rina Oktaviani, Ph.D. NIP. 19641023 198903 2 002 Tanggal Lulus:
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI ADALAH
BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH
DIGUNAKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA
PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Bogor, September 2009
Bayu Sasono Aji H14052004
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 5 April 1987 sebagai anak
pertama dari dua bersaudara keluarga Bapak Purbadi dan Ibu Ika Mustikawati.
Penulis mengawali di TK Ar-Rahman pada tahun 1992. Pada tahun 1993
penulis melanjutkan pendidikan ke SD Negeri Setia Jaya Bekasi. Kemudian pada
tahun 1999 penulis melanjutkan pendidikan ke SLTP Negeri 19 Bekasi. Pada
tahun 2005 penulis lulus dari SMA Negeri 4 Bekasi yang kemudian pada tahun
yang sama melanjutkan ke jenjang pendidikan yang lebih tinggi di Institut
Pertanian Bogor melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB).
Selama mengenyam pendidikan di bangku kuliah, penulis juga aktif dalam
kegiatan kemahasiswaan. Penulis aktif menjadi pengurus di Himpunan Profesi
dan Peminat Ilmu Ekonomi Studi Pembangunan (HIPOTESA) periode
2008/2009. Selain itu penulis juga aktif mengikuti berbagai kegiatan kepanitiaan
dengan spesifikasi bidang keahlian tersendiri.
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena
berkat rahmat dan hidayah-Nya penulis dapat menyelesaikan skripsi ini sesuai
dengan waktu yang diinginkan. Shalawat serta salam penulis curahkan kepada
Nabi Muhammad SAW beserta kerluarga dan para sahabat.
Perubahan pola konsumsi (dietary pattern) yang terjadi akibat adanya
perbaikan tingkat kesejahteraan berpengaruh terhadap pola konsumsi hortikultura,
khususnya buah-buahan. Buah-buahan merupakan komoditas pertanian yang
bersifat inelastis untuk jangka pendek, sehingga peningkatan produksi yang
melebihi permintaan pada waktu tertentu akan menjatuhkan harga yang cukup
besar, begitu juga sebaliknya. Untuk memenuhi kebutuhan konsumsi buah-buahan
yang diperkirakan akan terus meningkat diperlukan ketersedian buah yang cukup
dan harga yang relatif terjangkau agar konsumsi dapat terpenuhi.
Dengan harga yang terjangkau masyarakat dari berbagai kelas pendapatan
mampu mengkonsumsi buah sesuai dengan daya belinya. Hal tersebut mendorong
diperlukannya suatu penelitian tentang hal tersebut. Oleh karena itu, penulis akan
mencoba membahasnya dengan judul “Analisis Volatilitas Harga Buah-buahan
Indonesia (Kasus Pasar Induk Kramat Jati Jakarta)”. Penelitian ini
mengambil lokasi di Pasar Induk Kramat Jati, Jakarta.
Pada kesempatan ini penulis juga ingin menyampaikan rasa terima kasih
kepada :
1. Mamah, Bapa dan Yaya tercinta atas segala doa, kasih sayang, perhatian,
ketulusan, kesabaran, dorongan, pengorbanan, semangat dan berbagai bentuk
dukungan yang telah diberikan kepada penulis.
2. Muhammad Firdaus, Ph.D sebagai dosen pembimbing skripsi yang telah
meluangkan banyak waktu untuk terus memberikan bimbingan, arahan dan
masukan dengan penuh keikhlasan dan kesabaran mulai dari awal penyusunan
hingga akhir penulisan skripsi.
3. Alla Asmara, M.Si sebagai dosen penguji utama yang telah banyak
memberikan arahan dan masukan yang sangat berguna bagi penulis pada saat
ujian.
4. Fifi Diana Thamrin, M,Si sebagai dosen penguji komisi pendidikan yang telah
banyak memberikan kritik dan saran yang sangat membangun bagi penulis
pada saat ujian.
5. Widyastutik, SE, M.Si sebagai dosen pembimbing akademik yang telah
membimbing penulis selama penulis menjalani kuliah.
6. Seluruh jajaran staf Pusat Kajian Buah Tropika atas kerjasamanya yang telah
memberikan kesempatan kepada penulis untuk melakukan penelitian.
7. Teman-teman Departemen Ilmu Ekonomi 42 atas segala persahabatan dan
kerjasamanya. Tak lupa Fahdi, Awi dan Masrukhin serta Gerry, Vagha dan
Surya.
8. Ade Novita atas doa, perhatian, ketulusan, pengorbanan, dorongan, semangat,
kebersamaan dan segalanya yang menginspirasi penulis dalam proses
penyusunan skripsi ini.
9. Agung, Irvan Sanjaya, Shifa dan Anggi atas kesediaannya memberikan waktu
dan tempat bagi penulis dalam menyelesaikan skripsi.
10. Semua pihak yang telah membantu dalam proses penyusunan skripsi.
Akhir kata penulis ucapkan terima kasih. Semoga skripsi ini sesuai dengan
tujuan awalnya dan dapat digunakan dengan sebaik-baiknya, serta dapat
bermanfaat bagi penulis sendiri pada khususnya dan bagi pihak lain yang
membutuhkan pada umumnya.
Bogor, September 2009
Bayu Sasono Aji H14052004
DAFTAR ISI
Halaman
DAFTAR ISI ………………………………………………………….......... iv
DAFTAR TABEL ………………………………………………………….. vi
DAFTAR GAMBAR ………………………………………………………. vii
DAFTAR LAMPIRAN …………………………………………………...... viii
I. PENDAHULUAN ………………………………………………… 1
1.1. Latar Belakang ………………………………………………... 1
1.2. Perumusan Masalah …………………………………………... 5
1.2. Tujuan Penelitian ……………………………………………... 8
1.4. Manfaat Penelitian ………………………………..................... 8
II. TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN ........... 9
2.1. Konsep Risiko ........................................................................... 9
2.2. Pemodelan Volatilitas Univariate Time Series .......................... 10
2.3. ARCH Error ………………………………………………….. 12
2.4. Mean Process ………………………………………………… 13
2.5. Variance Process ……………………………………………... 13
2.6. Metode Peramalan Box-Jenkins ……………………………… 14
2.7. Model ARCH-GARCH ………………………………………. 16
2.8. Tinjauan Studi Terdahulu …………………………………….. 19
2.9. Kerangka Pemikiran ………………………………………….. 25
III. METODE PENELITIAN …………………………………………. 29
3.1. Lokasi dan Waktu Penelitian …………………………………. 29
3.2. Jenis dan Sumber Data ……………………………………….. 29
3.3. Metode Pengolahan dan Analisis Data ……………………….. 29
3.3.1. Model ARCH-GARCH ................................................... 30
3.3.1.1. Tahap Identifikasi .............................................. 33
3.3.1.2. Tahap Pendugaan Parameter ............................. 34
3.3.1.3. Tahap Evaluasi .................................................. 35
3.3.1.4. Tahap Pemilihan Model ARCH-GARCH Terbaik .............................................................. 36
3.3.1.5. Tahap Pemeriksaan Model ARCH-GARCH ..... 37
3.3.2. Peramalan Ragam ............................................................. 38
3.3.3. Uji Kointegrasi ................................................................. 39
IV. GAMBARAN UMUM PRODUKSI BUAH-BUAHAN INDONESIA .................................................................................... 41
4.1. Gambaran Umum Produksi Buah Alpukat ................................ 41
4.2. Gambaran Umum Produksi Buah Pepaya ................................. 41
4.3. Gambaran Umum Produksi Buah Nanas ................................... 42
4.4. Gambaran Umum Produksi Buah Pisang .................................. 43
4.5. Gambaran Umum Produksi Jeruk Siam .................................... 44
4.6. Gambaran Umum Produksi Buah Semangka (Tanpa Biji) ....... 45
4.7. Gambaran Umum Produksi Buah Melon .................................. 46
4.8. Gambaran Umum Produksi Salak Bali ...................................... 47
V. ANALISIS VOLATILITAS HARGA BUAH-BUAHAN INDONESIA .................................................................................... 49
5.1. Deskripsi Data ........................................................................... 49
5.2. Identifikasi Model ARCH-GARCH .......................................... 50
5.2.1. Uji Autokorelasi .............................................................. 50
5.2.2. Pemilihan Model ARCH-GARCH .................................. 51
5.3. Penghitungan Volatilitas ........................................................... 56
VI. IDENTIFIKASI HUBUNGAN ANTARA JUMLAH PASOKAN DENGAN HARGA BUAH .............................................................. 59
6.1. Eksplorasi Pola Data Buah Alpukat .......................................... 59
6.2. Eksplorasi Pola Data Buah Pepaya ............................................ 60
6.3. Eksplorasi Pola Data Buah Nanas ............................................. 61
6.4. Eksplorasi Pola Data Pisang Ambon ......................................... 62
6.5. Eksplorasi Pola Data Jeruk Siam ............................................... 63
6.6. Eksplorasi Pola Data Semangka Tanpa Biji .............................. 64
6.7. Eksplorasi Pola Data Buah Melon ............................................. 65
6.8. Eksplorasi Pola Data Salak Bali ................................................ 66
6.9. Identifikasi Hubungan antara Jumlah Pasokan dengan Harga Buah ........................................................................................... 67
VII. KESIMPULAN DAN SARAN ........................................................ 71
7.1. Kesimpulan ................................................................................ 71
7.2. Saran .......................................................................................... 72
DAFTAR PUSTAKA .................................................................................... 73
DAFTAR TABEL
Nomor Halaman
1.1. Volume Ekspor Komoditas Buah-buahan di Indonesia Periode 2003- 2008 ........................................................................................................ 3
1.2. Daftar Buah-buahan yang Dipasok di Pasar Induk Kramat Jati ............ 4
1.3. Perkembangan Konsumsi Buah pada Tingkat Rumah Tangga di Indonesia (dalam kg/kapita/tahun) Tahun 1990-2005 ........................... 5
2.1. Studi Terdahulu yang Berkaitan dengan Penelitian .............................. 24
5.1. Ringkasan Statistik Data Harian Harga Buah-buahan Indonesia ........... 49
5.2. Pengujian Autokorelasi Kuadrat Harga Harian Buah-buahan Indonesia 50
5.3. Hasil Uji Stasioneritas Data Harga Buah-buahan .................................. 52
5.4. Model ARIMA Buah-buahan Indonesia ................................................ 52
5.5. Hasil Pengujian Efek ARCH pada Residual Model ARIMA ………… 53
5.6. Model ARCH-GARCH Terbaik Buah-buahan Indonesia ..................... 53
5.7. Hasil Uji Jarque-Bera ............................................................................. 54
5.8. Hasil Pengujian Efek ARCH pada Residual Model ARCH-GARCH ... 55
5.9. Hasil Pendugaan Persamaan Ragam ………………………………….. 55
5.10. Hasil Penghitungan Volatilitas ……………………………………….. 56
6.1. Hasil Uji Stasioneritas Data Harga Buah-buahan .................................. 68
6.2. Hasil Pengujian Koefisien Regresi ........................................................ 68
6.3. Hasil Uji Kointegrasi antara Jumlah Pasokan dengan Harga Buah ....... 69
DAFTAR GAMBAR
Nomor Halaman
1.1. Pencapaian Status Kesehatan di Indonesia ........................................... 1
1.2. Perkembangan Harga Rata-rata Bulanan Buah-buahan Komoditas Unggulan Indonesia Tahun 2006-2008 ................................................ 7
2.1. Hubungan Risk dengan Return ............................................................. 10
2.2. Skema Pendekatan Box-Jenkins ........................................................... 16
2.3. Kerangka Pemikiran Operasional ......................................................... 28
6.1. Plot Deret Waktu Harga dan Jumlah Pasokan Buah Alpukat .............. 59
6.2. Plot Deret Waktu Harga dan Jumlah Pasokan Buah Pepaya ................ 60
6.3. Plot Deret Waktu Harga dan Jumlah Pasokan Buah Nanas ................. 61
6.4. Plot Deret Waktu Harga dan Jumlah Pasokan Pisang Ambon ............. 62
6.5. Plot Deret Waktu Harga dan Jumlah Pasokan Jeruk Siam ................... 63
6.6. Plot Deret Waktu Harga dan Jumlah Pasokan Semangka Tanpa Biji .. 64
6.7. Plot Deret Waktu Harga dan Jumlah Pasokan Buah Melon ................. 65
6.8. Plot Deret Waktu Harga dan Jumlah Pasokan Salak Bali .................... 66
DAFTAR LAMPIRAN
Nomor Halaman
1. Pengujian Autokorelasi Kuadrat Harga Harian Buah Alpukat ............. 76
2. Pengujian Autokorelasi Kuadrat Harga Harian Buah Pepaya .............. 77
3. Pengujian Autokorelasi Kuadrat Harga Harian Buah Nanas ............... 78
4. Pengujian Autokorelasi Kuadrat Harga Harian Pisang Ambon ........... 79
5. Pengujian Autokorelasi Kuadrat Harga Harian Jeruk Siam ................. 80
6. Pengujian Autokorelasi Kuadrat Harga Harian Semangka Tanpa Biji 81
7. Pengujian Autokorelasi Kuadrat Harga Harian Buah Melon ............... 82
8. Pengujian Autokorelasi Kuadrat Harga Harian Salak Bali .................. 83
9. Uji Stasioneritas Data Harga Buah Alpukat ......................................... 84
10. Uji Stasioneritas Data Harga Buah Pepaya .......................................... 85
11. Uji Stasioneritas Data Harga Buah Nanas ............................................ 86
12. Uji Stasioneritas Data Harga Pisang Ambon ........................................ 87
13. Uji Stasioneritas Data Harga Jeruk Siam ............................................. 88
14. Uji Stasioneritas Data Harga Semangka Tanpa Biji ............................. 89
15. Uji Stasioneritas Data Harga Buah Melon ........................................... 90
16. Uji Stasioneritas Data Harga Salak Bali ............................................... 91
17. Model ARIMA Buah Alpukat .............................................................. 92
18. Model ARIMA Buah Pepaya ............................................................... 92
19. Model ARIMA Buah Nanas ................................................................. 93
20. Model ARIMA Pisang Ambon ............................................................. 93
21. Model ARIMA Jeruk Siam .................................................................. 94
22. Model ARIMA Semangka Tanpa Biji .................................................. 94
23. Model ARIMA Buah Melon ................................................................ 95
24. Model ARIMA Salak Bali .................................................................... 95
25. Hasil Pengujian Efek ARCH Buah Alpukat …………………………. 96
26. Hasil Pengujian Efek ARCH Buah Pepaya ………………………….. 96
27. Hasil Pengujian Efek ARCH Buah Nanas …………………………… 97
28. Hasil Pengujian Efek ARCH Pisang Ambon ………………………... 97
29. Hasil Pengujian Efek ARCH Jeruk Siam ……………………………. 98
30. Hasil Pengujian Efek ARCH Semangka Tanpa Biji ………………… 98
31. Hasil Pengujian Efek ARCH Buah Melon …………………………... 99
32. Hasil Pengujian Efek ARCH Salak Bali …………………………….. 99
33. Model ARCH-GARCH Terbaik Buah Alpukat ................................... 100
34. Model ARCH-GARCH Terbaik Buah Pepaya ..................................... 101
35. Model ARCH-GARCH Terbaik Buah Nanas ...................................... 102
36. Model ARCH-GARCH Terbaik Jeruk Siam ........................................ 103
37. Model ARCH-GARCH Terbaik Semangka Tanpa Biji ....................... 104
38. Model ARCH-GARCH Terbaik Buah Melon ...................................... 105
39. Hasil Uji Jarque-Bera Buah Alpukat .................................................... 105
40. Hasil Uji Jarque-Bera Buah Pepaya …………………………………. 106
41. Hasil Uji Jarque-Bera Buah Nanas ....................................................... 106
42. Hasil Uji Jarque-Bera Jeruk Siam ........................................................ 106
43. Hasil Uji Jarque-Bera Semangka Tanpa Biji ........................................ 107
44. Hasil Uji Jarque-Bera Buah Melon ...................................................... 107
45. Hasil Uji Ljung-Box Buah Alpukat ...................................................... 108
46. Hasil Uji Ljung-Box Buah Pepaya ....................................................... 109
47. Hasil Uji Ljung-Box Buah Nanas ......................................................... 110
48. Hasil Uji Ljung-Box Jeruk Siam .......................................................... 111
49. Hasil Uji Ljung-Box Semangka Tanpa Biji ......................................... 112
50. Hasil Uji Ljung-Box Buah Melon ........................................................ 113
51. Hasil Pengujian Efek ARCH Buah Alpukat …………………………. 113
52. Hasil Pengujian Efek ARCH Buah Pepaya ………………………….. 113
53. Hasil Pengujian Efek ARCH Buah Nanas …………………………… 113
54. Hasil Pengujian Efek ARCH Jeruk Siam ……………………………. 114
55. Hasil Pengujian Efek ARCH Semangka Tanpa Biji ………………… 114
56. Hasil Pengujian Efek ARCH Buah Melon …………………………... 114
57. Hasil Uji Kointegrasi Buah Alpukat ..................................................... 114
58. Hasil Uji Kointegrasi Buah Pepaya ...................................................... 114
59. Hasil Uji Kointegrasi Buah Nanas ....................................................... 114
60. Hasil Uji Kointegrasi Pisang Ambon ................................................... 114
61. Hasil Uji Kointegrasi Jeruk Siam ......................................................... 115
62. Hasil Uji Kointegrasi Semangka Tanpa Biji ........................................ 115
63. Hasil Uji Kointegrasi Buah Melon ....................................................... 115
64. Hasil Uji Kointegrasi Salak Bali .......................................................... 115
65. Perkembangan Produksi Buah-buahan di Indonesia Tahun 1999-2005 115
25.8 24.7 23.6 22.5 21.4 20
307
262 253 244 235 226
35 32 30.8 29.2 27.6 26
66.2 67.8 69.4 69.8 70.2 70.6
0
50
100
150
200
250
300
350
2004 2005 2006 2007 2008 2009
Angka Kematian Bayi (per 1000lahir)
Angka Kematian Ibu (per 100000lahir)
Gizi Kurang Balita (%)
Usia Harapan Hidup (tahun)
I. PENDAHULUAN
1.1. Latar Belakang
Salah satu indikator yang bisa digunakan untuk menggambarkan
perkembangan kesejahteraan masyarakat adalah indikator dari aspek sosial.
Beberapa indikator yang dijadikan tolak ukur antara lain Angka Kematian Ibu,
Angka Kematian Bayi, Usia Harapan Hidup dan jumlah balita kurang gizi yang
ada di Indonesia. Perkembangan beberapa indikator dari aspek sosial dapat dilihat
pada Gambar 1.1.
Sumber : Departemen Kesehatan dalam Wardani, (2007). Gambar 1.1. Pencapaian Status Kesehatan di Indonesia.
Berdasarkan data dari Departemen Kesehatan, indikator yang mengalami
penurunan antara lain Angka Kematian Ibu, Angka Kematian Bayi dan jumlah
balita kurang gizi di Indonesia. Selain itu, Usia Harapan Hidup penduduk
Indonesia terus mengalami peningkatan. Berdasarkan Gambar 1.1 dapat dilihat
bahwa Usia Harapan Hidup penduduk Indonesia pada tahun 2004 adalah 66,2
tahun yang kemudian mengalami peningkatan menjadi 69,4 pada tahun 2006 dan
diprediksikan akan terus mengalami peningkatan di tahun-tahun ke depan. Di
samping itu, jumlah balita kurang gizi di Indonesia pada tahun 2004 ialah sebesar
35 persen yang kemudian menurun menjadi 32 persen pada tahun 2005 dan terus
menurun hingga 30,8 persen pada tahun 2006.
Menurut Suhardjo dalam Sawit (1997), perbaikan kondisi ekonomi
masyarakat akan mengubah pola konsumsi masyarakat, baik dari segi jumlah
maupun jenis. Hal ini ditandai dengan berkurangnya pangan yang mengandung
banyak energi dan meningkatnya pangan yang kaya protein, vitamin dan mineral.
Perubahan pola konsumsi (dietary pattern) yang terjadi berpengaruh
terhadap pola konsumsi hortikultura, khususnya buah-buahan. Hortikultura
merupakan salah satu sektor yang berkembang pesat dalam pertanian Indonesia.
Jenis tanaman yang dibudidayakan dalam hortikultura meliputi buah-buahan,
sayur-sayuran, bunga dan tanaman hias. Sedangkan dalam hortikultura buah-
buahan merupakan salah satu sumber vitamin dan mineral. Dengan kandungan
vitamin dan mineral yang dimiliki, buah sangat diperlukan untuk memenuhi
kebutuhan gizi yang seimbang.
Buah juga merupakan salah satu sumber vitamin dan mineral yang mudah
diperoleh masyarakat di berbagai wilayah, baik pedesaan maupun perkotaan.
Selain itu buah memiliki tingkat harga, jenis dan kualitas yang bervariasi sehingga
masyarakat dari berbagai kelas pendapatan mampu mengkonsumsi buah sesuai
dengan daya belinya. Permintaan buah-buahan semakin besar sejalan dengan
meningkatnya kesadaran akan kebutuhan gizi yang baik, gaya hidup dan
kemampuan daya beli masyarakat (Balai Penelitian Tanaman Buah dalam
Wardani, 2007). Buah juga relatif tersedia sepanjang tahun meskipun beberapa
buah ada yang bersifat musiman, namun tidak sedikit juga buah yang tidak
tergantung musim. Terlebih lagi dengan semakin banyaknya buah impor yang
masuk ke Indonesia. Hal ini menyebabkan ketersediaan buah relatif stabil
sepanjang tahun.
Buah-buahan merupakan produk hasil pertanian yang ditetapkan sebagai
komoditi strategis dan memiliki peluang pasar yang besar baik dari dalam maupun
luar negeri. Tabel 1.1 menunjukkan volume ekspor buah-buahan Indonesia dari
tahun 2003 hingga tahun 2008.
Tabel 1.1. Volume Ekspor Komoditas Buah-buahan di Indonesia Periode 2003-2008
Volume Ekspor (ton) No Komoditas 2003 2004 2005 2006 2007 2008 1. 2. 3. 4. 5. 6. 7. 8. 9.
10. 11. 12. 13. 14.
Pisang Nanas Alpukat Jambu Biji Mangga Manggis Jeruk Pepaya Rambutan Duku Durian Semangka Melon Buah-buahan Lainnya
244 148.053
169 76
584 9.304 1.403
187 603 21 13 16
263 28.311
1.197 134.953
5 106
1.879 3.045 2.046
524 134
1 - - -
27.927
3.647 198.618
5 15
964 8.472 1.248
60 - - 2 -
321 58.939
4.443 219.653
4 139
1.181 5.697 1.140
140 - - 2 4
140 29.809
2.378 110.112
42 37
1.198 9.093 1.100
36 396
- 2.161
369 51
32.801
1.969 269.663
118 54
1.908 9.465 1.443 0,479
724 44 32
1.144 39
37.279
Total Buah-buahan 189.254 171.822 272.296 262.358 157.620 323.888 Sumber : Badan Pusat Statistik, 2008.
Beberapa buah-buahan yang menjadi komoditas unggulan Indonesia
seperti alpukat, pepaya, nanas, pisang, jeruk, semangka dan melon juga dipasok di
Pasar Induk Kramat Jati. Setiap harinya Pasar Induk Kramat Jati memperoleh
pasokan buah sekitar 1.200-1.500 ton yang berasal dari berbagai daerah di
Indonesia. Pemberlakuan Peraturan Gubernur KDKI Jakarta No.182 tahun 2005
tentang pola distribusi dan angkutan sayur-mayur dan Buah-buahan dari di dan ke
Pasar Induk Kramat Jati menyatakan bahwa semua jenis komoditi yang masuk
kota Jakarta baik melalui darat, udara dan laut harus melalui Pasar Induk Kramat
Jati. Tabel 1.2 menunjukkan daftar buah-buahan yang dipasok di Pasar Induk
Kramat Jati beserta daerah asalnya :
Tabel 1.2. Daftar Buah-buahan yang Dipasok di Pasar Induk Kramat Jati
Buah-buahan Daerah Asal Apel Malang dan impor Alpukat Garut, Malang, Kediri, Sumatera Barat dan Aceh Pepaya Sukabumi, Bogor, Probolinggo, Lampung dan Malang Nanas Palembang dan Subang Pisang Ambon Sukabumi, Lampung, Bogor dan Serang Jeruk Medan, Padang, Pontianak, Jember dan impor Semangka Banyuwangi, Lampung, Cirebon dan Kediri Anggur Bali, Malang dan impor Markisah Medan dan Padang Melon Malang, Banyuwangi, Kediri, Ngawi, Kulon Progo dan
Ponorogo Salak Bali, Yogyakarta, Tasikmalaya dan Wonosobo Manggis Sumatera Barat dan Purwakarta Mangga Indramayu, Madura, Probolinggo, Tuban dan Sumbawa Dukuh Palembang, Jambi dan Lampung Durian Lampung, Palembang, Jepara dan impor Kedondong Padang, Madura dan Lampung Sumber : Pasar Induk Kramat Jati, 2009.
Salah satu faktor yang mempengaruhi konsumsi buah-buahan adalah gaya
hidup konsumen. Menurut Huang dan Bouis (1996) dalam Sawit (2007)
masyarakat perkotaan (urban) memiliki pola konsumsi yang berbeda dengan
masyarakat pedesaan (rural). Gaya hidup orang kota (urban life style) bersedia
membayar lebih mahal untuk pangan yang tidak memerlukan banyak waktu untuk
dimasak, karena tingginya opportunity cost waktu. Lalu masyarakat kota
cenderung lebih banyak melakukan pekerjaan yang mengutamakan kerja otak
daripada masyarakat pedesaan. Orang-orang yang bergelut dengan pekerjaan
seperti itu membutuhkan energi (kalori) yang relatif lebih sedikit dalam
mempertahankan berat badan. Selain itu masyarakat kota juga tidak menanam
sendiri pangannya, sehingga pilihan konsumsi tidak dibatasi oleh biaya produksi.
Pasalnya, pola pangan masyarakat perkotaan lebih banyak dipengaruhi oleh pola
pangan asing dan pilihan komoditi pangan termasuk buah-buahan yang ada di
perkotaan relatif lebih banyak daripada di pedesaan.
Berdasarkan uraian yang telah dijelaskan dapat diketahui bahwa peran
buah-buahan menjadi semakin penting dalam memenuhi kebutuhan gizi
masyarakat. Menurut FAO (Food and Agriculture Organization) untuk negara-
negara berkembang seperti Indonesia, konsumsi buah-buahan yang dianjurkan
adalah 60 kg/kapita/tahun. Menurut data SUSENAS pada tahun 2005 konsumsi
buah-buahan di Indonesia masih kurang dari 32 kg/kapita/tahun. Berdasarkan
fakta tersebut, kemungkinan di tahun-tahun mendatang permintaan buah di
Indonesia diharapkan masih akan terus meningkat.
Tabel 1.3. Perkembangan Konsumsi Buah pada Tingkat Rumah Tangga di Indonesia (dalam kg/kapita/tahun) Tahun 1990-2005
Keterangan Konsumsi per kapita (kg/tahun) Tahun 1990 1993 1996 1999 2002 2005
Tingkat Konsumsi 29,94 26 24,67 18,7 29,38 31,57
Sumber : Ditjen Tanaman Hortikultura, Departemen Pertanian (2005).
1.2. Perumusan Masalah
Permasalahannya adalah untuk memenuhi kebutuhan konsumsi buah-
buahan yang diperkirakan akan terus meningkat diperlukan ketersediaan buah
yang cukup dan harga yang relatif terjangkau agar konsumsi dapat terpenuhi.
Untuk masalah ketersediaan buah mungkin dapat teratasi karena buah-buahan
yang umumnya dikonsumsi seperti alpukat, pepaya, nanas, pisang, jeruk,
semangka, melon dan salak relatif tersedia sepanjang tahun. Selain itu dengan
semakin banyaknya buah impor yang masuk ke Indonesia menyebabkan
ketersediaan buah relatif stabil sepanjang tahun. Namun agar tiap lapisan
masyarakat dapat mengkonsumsi buah-buahan dengan baik, dibutuhkan harga
yang terjangkau. Dengan harga yang terjangkau masyarakat dari berbagai kelas
pendapatan mampu mengkonsumsi buah sesuai dengan daya belinya.
Buah-buahan merupakan salah satu komoditas yang memiliki fluktuasi
harga yang cukup besar. Harga buah-buahan yang berfluktuasi dapat
menghasilkan pengaruh positif maupun pengaruh negatif. Pengaruh positif yang
ditimbulkan oleh fluktuasi harga buah-buahan dapat dilihat ketika harga buah
sedang tinggi. Ketika harga buah tinggi maka penjual buah akan mendapatkan
keuntungan yang cukup besar. Sedangkan pengaruh negatif yang ditimbulkan bagi
penjual buah akibat fluktuasi harga buah-buahan yaitu ketika harga buah-buahan
sedang rendah. Pada kondisi tersebut penjual buah akan mendapatkan keuntungan
yang sedikit.
Fluktuasi harga buah dapat disebabkan oleh besarnya jumlah penawaran
dan besarnya jumlah permintaan. Semakin tinggi jumlah penawaran maka harga
akan rendah, sebaliknya jika jumlah penawaran semakin sedikit maka harga akan
semakin meningkat (ceteris paribus). Tinggi rendahnya jumlah penawaran dapat
disebabkan oleh terjadinya panen. Tingginya tingkat gagal panen bisa disebabkan
oleh serangan hama dan faktor cuaca.
Dilihat dari permintaan, tingginya harga terjadi karena permintaan akan
suatu komoditi meningkat. Sedangkan turunnya permintaan akan menyebabkan
turunnya harga (ceteris paribus). Tinggi rendahnya jumlah permintaan dapat
disebabkan oleh musim panen buah itu sendiri.
-
5,000
10,000
15,000
20,000
25,000
30,000
35,000
40,000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Month
Pric
e
Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Melon
Harga buah-buahan yang fluktuatif ini menjadikan komoditas ini sulit
untuk diprediksi. Sebagai contoh kasus, penelitian ini akan mengambil lokasi di
Pasar Induk Kramat Jati (PIKJ). Setiap harinya Pasar Induk Kramat Jati mendapat
pasokan buah dari berbagai daerah penghasil buah di Indonesia. Selain itu
perubahan harga buah-buahan di Pasar Induk Kramat Jati juga dicatat setiap
harinya. Sehingga dengan adanya pencatatan harga setiap hari fluktuasi harga
dapat terpantau dengan jelas. Berdasarkan data yang diperoleh dari Pasar Induk
Kramat Jati terlihat bahwa harga buah-buahan yang menjadi komoditas unggulan
Indonesia berfluktuasi.
Sumber : Pasar Induk Kramat Jati, 2009. Gambar 1.2. Perkembangan Harga Rata-rata Bulanan Buah-buahan Indonesia,
Tahun 2006-2008.
Fluktuasi harga buah-buahan yang terjadi menyebabkan pelaku pasar buah
baik produsen atau konsumen mengalami kesulitan dalam melakukan kegiatan
ekonomi. Oleh karena itu dibutuhkan suatu analisis risiko harga komoditas buah-
buahan agar fluktuasi harga dapat segera diatasi. Pengukuran volatilitas perlu
dilakukan untuk memetakan ketidakpastian tersebut. Volatilitas yang ada pada
harga buah-buahan di Pasar Induk Kramat Jati dapat memberikan gambaran buah
mana yang mempunyai fluktuasi harga paling tinggi.
Berdasarkan uraian di atas, maka dalam penelitian ini dapat dirumuskan
permasalahan sebagai berikut :
1. Bagaimana volatilitas harga antar buah-buahan yang ada di Pasar Induk
Kramat Jati?
2. Apakah terdapat hubungan antara harga buah dengan jumlah pasokan buah?
1.3. Tujuan Penelitian
Berdasarkan uraian di atas, maka dalam penelitian ini dapat dirumuskan
permasalahan sebagai berikut :
1. Membandingkan volatilitas harga antar buah-buahan yang ada di Pasar
Induk Kramat Jati.
2. Mengidentifikasi hubungan antara harga buah dengan jumlah pasokan buah.
1.4. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah :
1. Bagi penulis, penelitian ini dapat dijadikan sebagai sarana penerapan ilmu
yang telah diperoleh semasa kuliah.
2. Bagi kalangan umum, diharapkan dapat menambah khazanah ilmu
pengetahuan bagi pihak-pihak yang membutuhkan.
II. TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN
2.1. Konsep Risiko
Risiko merupakan bagian yang harus dihadapi dalam hidup manusia.
Begitu juga dengan perusahaan yang akan selalu menghadapi risiko dalam proses
kegiatannya. Ketidakmampuan perusahaan dalam menangani berbagai risiko yang
dihadapi akan merugikan perusahaan. Risiko berhubungan dengan ketidakpastian
yang terjadi akibat kurangnya atau tidak tersedianya informasi yang menyangkut
apa yang akan terjadi (Kountur dalam Siregar, 2009).
Selanjutnya Kountur menjelaskan ketidakpastian yang dihadapi
perusahaan dapat berdampak merugikan atau menguntungkan. Apabila
ketidakpastian yang dihadapi berdampak menguntungkan maka hal ini disebut
dengan istilah kesempatan (opportunity), sedangkan ketidakpastian yang
berdampak merugikan disebut risiko. Oleh sebab itu risiko adalah suatu keadaan
tidak pasti yang dihadapi seseorang atau perusahaan yang dapat memberikan
dampak yang merugikan.
Risiko adalah konsekuensi dari apa yang telah kita lakukan. Seluruh
kegiatan yang dilakukan baik perorangan atau perusahaan juga mengandung
risiko. Kegiatan bisnis berhubungan erat dengan risiko. Risiko dalam kegiatan
bisnis juga dikaitkan dengan besarnya return yang akan diterima oleh pengambil
risiko. Semakin besar risiko yang dihadapi biasanya return yang diterima juga
akan lebih besar. Pola pengambilan risiko menunjukkan sikap yang berbeda
terhadap pengambilan risiko. Hubungan antara risiko dengan return dapat dilihat
pada Gambar 2.1.
Return
Expected Return
Risk
Sumber : Lam dalam Siregar, 2009.
Gambar 2.1. Hubungan Risk dengan Return
Berdasarkan Gambar 2.1 dapat dilihat bahwa semakin besar risiko yang
dihadapi maka semakin besar pula return yang diperoleh (high risk high return).
Begitu juga sebaliknya semakin kecil risiko yang diterima maka semakin kecil
pula return yang akan diperoleh.
2.2. Pemodelan Volatilitas Univariate Time Series
Data deret waktu dalam bidang ekonomi dan keuangan umumnya bersifat
acak, disamping itu penelitian tentang adanya korelasi long range dalam nilai
kuadrat perubahan harga menegaskan bahwa kemungkinan terdapat beberapa
proses stokastik mendasar lainnya sebagai tambahan bagi perubahan harga itu
sendiri (Ramadhona, 2004). Istilah seperti ini biasa dikenal dengan volatilitas.
Pada umumnya volatilitas ini diestimasi dengan menghitung standar deviasi
perubahan harga dalam jangka waktu tertentu. Hal ini akan menentukan seberapa
cepat data berubah dengan pola acak yang dimilikinya.
Secara umum volatilitas mengukur rata-rata fluktuasi dari data deret
waktu. Namun hal ini dikembangkan lebih jauh dengan menekankan pada nilai
variansi (variabel statistika yang menggambarkan seberapa jauh perubahan dan
persebaran nilai fluktuasi terhadap nilai rata-rata) dari data keuangan. Dari sini
dapat dikatakan bahwa nilai volatilitas sebagai variansi dari data fluktuasi
(Iskandar, 2006).
Dua pendapat besar berkembang terhadap variansi, pertama yang
menganggap bahwa variansi untuk data deret waktu adalah konstan
(homoscedastic) dan pendapat kedua yang menganggap bahwa variansi dari data
deret waktu adalah tidak konstan, artinya berubah berdasarkan waktu
(heteroscedastic). Pada konsep heteroscedastic, koreksi nilai dari suatu error dari
heteroscedastic dapat menghasilkan estimasi parameter yang lebih efisien. Dalam
beberapa aplikasi, terdapat suatu alasan untuk mempercayai bahwa varian dari
suatu error bukanlah suatu fungsi dari variabel independen, tetapi bervariasi
seiring dengan waktu tergantung dari seberapa besar error yang terjadi pada masa
lalu (Sianturi dalam Iskandar, 2006).
Analisis konvensional memodelkan pendapat pertama (variansi konstan)
dalam model yang disebut autoregressive (AR), moving average (MA), dan
kombinasi keduanya yaitu ARMA (Autoregressive Moving Average). Pendapat
lain yang mewakili pendapat kedua mengemukakan metode ARCH
(Autoregressive Conditional Heteroscedasticity) yang lebih lanjut mengalami
perkembangan menjadi GARCH (Generalized Autoregressive Conditional
Heteroscedasticity). Untuk data harga harian yang memiliki tingkat fluktuasi yang
tinggi, model autokorelasi dengan variansi berubah adalah model yang lebih
mendekati kenyataan dibanding model autokorelasi dengan variansi konstan.
Sehingga dapat disimpulkan bahwa penggunaan model ARCH merupakan pilihan
yang cukup tepat untuk memodelkan nilai volatilitas data keuangan seperti harga
harian dibanding model AR, MA dan ARMA.
2.3. ARCH Error
Terdapat perbedaan yang mendasar dalam pembentukan dan analisis
model time series univariate dan persamaan cross sectional multivariate. Pada
time series univariate, tidak terdapat faktor heteroskedastisitas sehingga tidak
dapat dilakukan uji heteroskedastisitas secara umum, seperti uji Goldfield-Quandt,
uji White maupun uji Park. Itu pula sebabnya fenomena heteroskedastisitas umum
ditemukan pada persamaan cross section (Newbold, 2003).
Pada persamaan time series univariate, perhatian lebih ditujukan pada
adanya ARCH error, yakni kuadrat residual yang berperilaku autoregresif. Ada
tidaknya fenomena ARCH error ini terlihat dari fenomena adanya signifikansi
autokorelasi dari kuadrat residual (Enders, 2004). Uji ARCH-LM merupakan
metode yang dapat digunakan untuk menguji ada tidaknya ARCH error dengan
lebih terkuantifikasi. Uji ARCH-LM menggunakan asumsi tidak terdapatnya
ARCH error sebagai hipotesis nol. Berdasarkan teori, apabila hasil perhitungan
menunjukkan penerimaan hipotesis, maka data tidak mengandung ARCH error
dan tidak perlu dimodelkan berdasarkan ARCH.
2.4. Mean Process
Pembentukan model estimasi volatilitas pada model time series univariate
memerlukan mean process. Mean process diperlukan guna menghasilkan residual
yang diestimasi perubahannya. Mean process memegang peranan penting dalam
pemodelan volatilitas. Apabila pembentukan variance process menghasilkan
insignifikansi pada parameter mean process, maka dengan sendirinya variance
process tersebut gugur sebagai suatu model yang valid, karena volatilitas yang
dihasilkan amat tergantung dari jenis mean process yang dibentuk (Iskandar,
2006).
Mean process umumnya dibentuk berdasarkan persamaan ARMA. Akan
tetapi tidak jarang pula mean process dihasilkan dari suatu persamaan dalam
bentuk konstanta. Hal ini umumnya terjadi pada data yang diambil dalam interval
yang panjang. Akibat panjangnya interval, maka fluktuasi di sekitar titik
kesetimbangan akan berlangsung secara random. Penggunaan interval yang lebih
rendah akan menyebabkan pergerakan terstruktur pada salah satu titik
kesetimbangan. Dampaknya akan terlihat pada signifikansinya autokorelasi
residual yang terjadi (Newbold, 2003).
2.5. Variance Process
Variance process dibentuk apabila error yang dihasilkan dari persamaan
mean process mengandung ARCH error. Terdapat beberapa varian ARCH yang
memiliki hubungan timbal balik antara mean process dan variance process. Salah
satu contoh varian ARCH ini adalah ARCH-M (ARCH in Mean). Pada model ini,
mean process terdiri atas mean process umum dan salah satu komponen variance
process. Hal ini mengakibatkan adanya hubungan timbal balik antara mean dan
variance, yang merupakan fenomena umum yang lazim ditemukan dalam
pergerakan nilai aset-aset finansial (Enders, 2004).
2.6. Metode Peramalan Box-Jenkins
Metode Box-Jenkins mengacu pada himpunan prosedur untuk
mengidentifikasikan, mencocokkan dan memeriksa model ARIMA
(Autoregressive Integrated Moving Average) dengan data deret waktu. Metode ini
berbeda dengan metode peramalan lain yang karena model ini tidak menyertakan
asumsi pola tertentu pada data historis dari deret data yang diramalkan. Model ini
menggunakan pendekatan iterarif pada identifikasi suatu model yang mungkin
dari model umum.
Model ARIMA telah dikembangkan oleh dua orang, yaitu Box dan
Jenkins. Model ARIMA diterapkan untuk analisis deret waktu, peramalan dan
pengendalian. Model Autoregressive (AR) pertama kali dikembangkan oleh Yule
(1926) dan kemudian dikembangkan oleh Walker (1931), sedangkan model
Moving Average (MA) dikembangkan oleh Slutzky (1937). Dan pada tahun 1938
Wold menggabungkan kedua proses tersebut. Wold membentuk model
Autoregressive Moving Average (ARMA) yang dikembangkan pada tiga hal.
Pertama, identifikasi efisiensi dan prosedur penaksiran untuk proses AR, MA dan
ARMA campuran. Kedua, perluasan dari hasil tersebut untuk cakup deret berkala
musiman. Ketiga, pengembangan hal-hal sederhana yang mencakup proses-proses
non stasioner (Makridakis, et al., 1999).
Bentuk umum model AR :
Yt = Φ0 + Φ1Yt-1 + Φ2Yt-2 + ... + ΦpYt-p + εt
Bentuk umum model MA :
Yt = μ + εt - ω1εt-1 - ω2εt-2 - ... - ωqεt-q
Bentuk umum model ARMA :
Yt = Φ0 + Φ1Yt-1 + Φ2Yt-2 + ... + ΦpYt-p + εt - ω1εt-1 - ω2εt-2 - ... - ωqεt-q
Dimana :
Yt = Variabel respon (terikat) pada waktu t
Yt-1, Yt-2, ... , Yt-p = Variabel respon pada masing-masing selang waktu
Φ0, Φ1, Φ2, ... , Φp = Koefisien yang diestimasi
μ = Mean konstanta proses
ω1, ω2, ... , ωq = Koefisien yang diestimasi
εt = Bentuk galat yang mewakili efek variabel yang tidak dijelaskan oleh model
εt-1, εt-2, ... , εt-q = Galat pada periode waktu sebelumnya yang pada saat t nilainya menyatu dengan nilai respon Yt
Kemudian Box dan Jenkins (1976) berhasil mencapai kesepakatan
mengenai informasi relevan yang diperlukan untuk memahami dan menggunakan
model-model ARIMA untuk data univariate time series. Dasar pendekatan yang
dikembangkan secara umum dapat dibedakan menjadi tiga tahap, yaitu tahap
identifikasi, tahap estimasi dan tahap evaluasi, serta tahap aplikasi seperti yang
terlihat pada Gambar 2.2.
Tahap I
Identifikasi
Tahap II
Penaksiran
Dan
Pengujian
Ya
Tahap III Tidak
Aplikasi
Sumber : Makridakis, et al., 1999. Gambar 2.2. Skema Pendekatan Box-Jenkins.
2.7. Model ARCH-GARCH
ARCH (Autoregressive Conditional Heteroscedasticity) pertama kali
dipopulerkan oleh Engle dalam Iskandar (2006), sebuah konsep tentang fungsi
autoregresi yang mengasumsikan bahwa variansi berubah terhadap waktu dan
nilai variansi ini dipengaruhi oleh sejumlah data sebelumnya. Ide dibalik model
ini seperti dalam model autoregressive (AR) dan moving average (MA), yaitu
untuk melihat hubungan variabel acak dengan variabel acak sebelumnya. Secara
sederhana dapat kita katakan bahwa volatilitas berdasarkan model ARCH(m)
mengasumsikan bahwa variansi data fluktuasi dipengaruhi oleh sejumlah m data
fluktuasi data sebelumnya. Sebagai contoh, volatilitas dengan ARCH (7) berarti
Rumuskan kelompok model-model yang umum
Penetapan model sementara
Pemeriksaan diagnostik
Penaksiran parameter pada model sementara
Aplikasi peramalan
variansi data fluktuasi data dipengaruhi oleh tujuh data fluktuasi sebelumnya
(Iskandar, 2006).
Model ini dikembangkan terutama untuk menjawab persoalan adanya
volatilitas pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. Ini
menyebabkan model-model peramalam sebelumnya kurang mampu mendekati
kondisi aktual. Volatilitas ini tercermin dalam varians reidual yang tidak
memenuhi asumsi homoskedastisitas (Firdaus, 2006).
Varians terdiri dari dua komponen. Komponen pertama adalah varians
yang konstan. Komponen kedua adalah varians yang tidak konstan dimana adanya
ketergantungan dari varians saat ini terhadap besarnya volatilitas di periode
sebelumnya. Jika volatilitas pada periode sebelumnya besar (baik positif maupun
negatif), maka varians pada saat ini akan besar pula. Dari sini model ARCH dapat
dirumuskan :
Bentuk umum model ARCH (m) :
ht = ξ + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m
dimana :
ht = Variabel respon (terikat) pada waktu t / varians pada waktu ke t
ξ = Varians yang konstan
ε2t-m = Suku ARCH / volatilitas pada periode sebelumnya
α1, α2, … , αm = Koefisien orde m yang diestimasikan
Dalam metode Ordinary Least Square (OLS), error diasumsikan
homoskedastis, yaitu varians dari error konstan dan terdistribusi normal dengan
rata-rata nol. Menurut Engle, varians saat ini tergantung dari varians di masa lalu
sehingga heteroskedastisitas dapat dimodelkan dan varians diperbolehkan untuk
berubah antar waktu. Dengan demikian volatilitas yang besar di masa lalu dapat
ditangkap dalam model ARCH.
Kondisi yang sering terjadi adalah varians saat ini tergantung dari
volatilitas beberapa periode di masa lalu. Hal ini akan menimbulkan banyaknya
parameter dalam conditional variance yang harus diestimasi. Pengestimasian
parameter-parameter tersebut sulit dilakukan dengan presisi yang tepat. Oleh
karena itu, Bollerslev dalam Iskandar (2006) memperkenalkan metode GARCH
(Generalized Autoregressive Conditional Heteroscedasticity) guna menghasilkan
model yang parsimony (menggunakan parameter yang lebih sedikit).
Model GARCH dikembangkan dengan mengintegrasikan autoregresi dari
kuadrat residual lag kedua hingga 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
bahwa varians data fluktuasi dipengaruhi sejumlah m data fluktuasi sebelumnya
dan sejumlah r data volatilitas sebelumnya, ide dibalik model ini seperti dalam
model autoregressive (AR) dan moving average (MA), yaitu untuk melihat
hubungan variabel acak dengan variabel acak sebelumnya.
Varians terdiri dari tiga komponen. Komponen pertama adalah varians
yang konstan. Komponen yang kedua adalah volatilitas pada periode sebelumnya,
ε2t-m (suku ARCH) dan komponen terakhir adalah varians pada periode
sebelumnya, ht-r. Sehingga model GARCH dapat dirumuskan :
Bentuk umum model GARCH(r,m) :
ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m
dimana :
ht = Variabel respon (terikat) pada waktu t / varians pada waktu ke t
к = Varians yang konstan
ε2t-m = Suku ARCH / volatilitas pada periode sebelumnya
α1, α2, … , αm = Koefisien orde m yang diestimasikan
δ1, δ2, ... , δr = Koefisien orde r yang diestimasikan
ht-r = Suku GARCH / varians pada periode sebelumnya
Proses GARCH dapat ditafsirkan sebagai proses ARMA dalam Xt2.
Prosedur umum dalam peramalan model GARCH sama dengan prosedur yang
diterapkan dalam model ARIMA yaitu tahap identifikasi dengan memuat grafik
harga harian buah-buahan dan melokalisasi pergerakan harga buah yang
fluktuatif, tahap estimasi dan evaluasi, dan tahap aplikasi.
2.8. Tinjauan Studi Terdahulu
Buah-buahan merupakan primadona komoditas ekspor Indonesia. Banyak
hal-hal menarik yang dapat diteliti dari komoditas ini. Namun untuk masalah
fluktuasi harga dan tingkat risiko pada harga buah-buahan belum banyak yang
menelitinya. Beberapa penelitian sejenis tentang fluktuasi harga yang sudah
pernah dilakukan dengan menggunakan metode yang sama lebih banyak
membahas tentang komoditas pertanian. Berikut adalah rangkuman dari hasil
penelitian-penelitian terdahulu yang berkaitan dengan penelitian kali ini.
Penelitian yang dilakukan Ramadhona (2004) mengenai analisis investasi
dengan pendekatan model ARCH-GARCH dan pendugaan harga saham dengan
pendekatan model time series pada perusahaan agribisnis terpilih di PT. Bursa
Efek Jakarta. Model ARCH-GARCH digunakan untuk mendapatkan model
peramalan dan Value at Risk (VaR) untuk mengukur tingkat risiko. Risiko yang
dikaji pada penelitian ini adalah risiko investasi pada perusahaan rokok PT. Astra
Agrolestari Tbk (AALI), PT. Gudang Garam Tbk (GGRM) dan PT. Indofood
Sukses Makmur Tbk (INDF).
Berdasarkan penelitian yang dilakukan didapat bahwa risiko yang
ditanggung investor pada saham AALI sebesar 2,46 persen; GGRM sebesar 2,57
persen; INDF sebesar 8,75 persen dari total investasi yang ditanamkan. Ramalan
harga penutupan harga saham AALI dan INDF cenderung mengalami
peningkatan. Hal ini memberikan kesempatan pada investor untuk mendapatkan
capital gain. Sedangkan harga penutupan saham GGRM mengalami penurunan.
Hal ini menunjukkan bahwa pelaku bursa saham sebaiknya melepas sahamnya
agar tidak mengalami capital loss karena dapat menimbulkan kerugian.
Pada penelitian yang dilakukan oleh Iskandar (2006) mengenai risiko
investasi saham agribisnis rokok dianalisis dengan pendekatan ARCH-GARCH.
Hasilnya adalah model terbaik untuk meramalkan tingkat risiko saham GGRM
adalah ARCH(1) dimana tingkat risiko hanya dipengaruhi oleh besarnya nilai
sisaan pengembalian sehari sebelumnya. Sedangkan model terbaik untuk
meramalkan tingkat risiko saham HMSP dan RMBA adalah GARCH(1,1) dimana
tingkat risikonya dipengaruhi oleh besarnya nilai sisaan pengembalian sehari
sebelumnya dan besarnya simpangan baku pengembalian dari rataannya untuk
satu hari sebelumnya.
Berdasarkan hasil penelitian, tingkat risiko yang dimiliki oleh saham
RMBA merupakan yang tertinggi dibanding dengan perusahaan rokok lainnya.
Hal ini disebabkan oleh kurang diminatinya saham tersebut oleh investor. Trend
harga saham yang cenderung menurun berarti saham RMBA lebih banyak
menghasilkan tingkat pengembalian yang negatif. Saham HMSP memiliki tingkat
risiko yang terendah dibandingkan dengan kedua saham rokok lainnya. Hal ini
disebabkan oleh rendahnya nilai fluktuasi karena harga saham HMSP sudah tidak
liquid lagi di pasar. Tingkat risiko saham GGRM menempati urutan tertinggi
kedua setelah saham RMBA. Harga saham GGRM yang dianggap terlalu mahal
oleh investor menyebabkan investor cenderung irasional dalam mengambil
keputusannya dalam berinvestasi pada saham GGRM, sehingga fluktuasi saham
sulit untuk diduga. Akibatnya saham GGRM menunjukkan perkembangan harga
yang menurun.
Penelitian Pradana (2008) yang menganalisis pengaruh ketidakpastian
ekonomi terhadap tingkat kesejahteraan petani buah di Pulau Jawa bertujuan
untuk membandingkan perkembangan nilai tukar petani (NTP) buah-buahan dan
ketidakpastian ekonomi sebelum dan sesudah krisis moneter, serta menganalisis
pengaruh ketidakpastian ekonomi terhadap tingkat kesejahteraan petani buah di
Pulau Jawa periode 1992-2006. Hasil analisis terhadap perilaku NTP buah-buahan
yaitu (1) Secara keseluruhan hasil dugaan dari pengaruh variabel ketidakpastian
ekonomi terhadap NTP buah-buahan memenuhi kriteria secara statistik selama
periode 1992-2006 yang terbagi ke dalam dua kondisi, (2) Secara keseluruhan
pengaruh volatilias ketidakpastian ekonomi terhadap NTP buah-buahan untuk
kondisi sebelum dan setelah krisis moneter memenuhi kriteria secara statistik, dan
(3) NTP buah-buahan di Pulau Jawa pada kondisi setelah krisis lebih baik
dibandingkan dengan kondisi sebelum krisis moneter.
Penelitian yang dilakukan oleh Fariyanti (2008) mengenai risiko produksi
dan harga kentang dan kubis dianalisis dengan menggunakan analisis risiko model
GARCH(1,1) dan menghitung nilai varian. Berdasarkan analisis risiko yang
dilakukan terlihat bahwa risiko produksi kentang yang diindikasikan oleh
fluktuasi produksi kentang yang disebabkan oleh risiko produksi pada musim
sebelumnya dan penggunaan input, pupuk dan tenaga kerja menjadi faktor yang
menimbulkan risiko produksi. Sedangkan lahan, benih dan obat-obatan menjadi
faktor yang mengurangi risiko produksi. Pada komoditas kubis, lahan dan obat-
obatan menjadi faktor yang menimbulkan risiko. Sedangkan benih, pupuk dan
tenaga kerja menjadi faktor yang mengurangi risiko produksi.
Risiko produksi pada komoditas kentang lebih tinggi dibandingkan dengan
kubis. Sedangkan risiko harga komoditas kubis lebih tinggi dibandingkan dengan
kentang. Perilaku rumah tangga petani dengan adanya risiko produksi dan harga
produk termasuk risk aversion dengan melakukan pengurangan penggunaan luas
lahan garapan, benih, pupuk, obat-obatan dan tenaga kerja. Pengurangan tertinggi
yang terjadi pada input, produksi, pendapatan dan pengeluaran rumah tangga
akibat peningkatan risiko produksi dan harga produk serta upah pada kegiatan
usaha tani terdapat pada rumah tangga petani lahan sempit. Demikian pula dengan
peningkatan penggunaan tenaga kerja off-farm dan non-farm yang paling rendah.
Menurut Siregar (2009) yang melakukan penelitian tentang analisis risiko
harga Day Old Chick (DOC) Broiler dan Layer pada PT. Sierad Produce Tbk
Parung, Bogor menjelaskan bahwa pola pergerakan harga DOC dipengaruhi oleh
kondisi penawaran dan permintaan DOC di pasar seperti pada saat menjelang
lebaran dan memasuki tahun ajaran baru. Berdasarkan hasil analisis GARCH(1,1)
diperoleh bahwa risiko harga DOC broiler dipengaruhi oleh volatilitas dan varian
harga DOC broiler periode sebelumnya dengan tanda yang positif yang berarti
bahwa jika terjadi peningkatan risiko harga DOC sebelumnya maka akan
meningkatkan risiko harga DOC periode berikutnya. Sedangkan harga jual DOC
layer dengan ARCH(1) diperoleh bahwa risiko harga DOC layer hanya
dipengaruhi oleh volatilitas harga DOC layer periode sebelumnya dengan tanda
positif yang berarti bahwa jika terjadi peningkatan risiko harga DOC layer periode
sebelumnya maka akan meningkatkan risiko harga DOC layer periode berikutnya.
Tingkat risiko yang diterima PT. Sierad Produce Tbk dari DOC broiler
adalah sebesar Rp 1.585.111.113 dari total penerimaan selama tahun 2007 sampai
2008 yaitu sebesar Rp 10.911.997.611 dan risiko harga DOC layer sebesar Rp
163.583.535 dari total penerimaan sebesar Rp 2.125.300.780. Hal tersebut berarti
bahwa kerugian yang ditanggung oleh PT. Sierad Produce Tbk adalah sebesar
risiko yang ditanggung dari penerimaan yang diterima yaitu Rp 1.585.111.113
untuk DOC broiler dan Rp 2.125.300.780 untuk DOC layer. Sedangkan besarnya
risiko DOC broiler dalam persen adalah 14,53 persen dan DOC layer sebesar 7,70
selama satu hari penjualan.
Persamaan penelitian kali ini dengan penelitian sebelumnya terletak pada
alat analisis yang digunakan. Alat analisis menggunakan metode kuantitatif time
series ARCH-GARCH. Perbedaan penelitian yang akan dilakukan dengan
penelitian yang terdahulu adalah objek yang menjadi bahan penelitian kali ini
adalah buah-buahan yaitu data harga dan pasokan buah yang dijadikan sebagai
data sekunder yang didapat dari Pasar Induk Kramat Jati yag diasumsikan dapat
mewakili harga buah-buahan di Indonesia.
Tabel 2.1. Studi Terdahulu yang Berkaitan dengan Penelitian Peneliti Tahun Judul Penelitian Metode Analisis Hasil Penelitian
Bakasenjaya Ramadhona 2004
Analisis Investasi Dengan Pendekatan Model ARCH-GARCH dan Pendugaan Harga Saham dengan Pendekatan Model Time
Series pada Perusahaan Agribisnis Terpilih di PT. Bursa Efek Jakarta
Model ARCH-GARCH untuk menghitung Value at Risk
Risiko saham AALI (2,46 persen), GGRM(2,57 persen) dan INDF (8,75 persen)
Edy Iskandar 2006 Analisis Risiko Investasi Saham Agribisnis Rokok dengan Pendekatan ARCH-GARCH
Model ARCH-GARCH untuk menghitung Value at Risk
Risiko saham GGRM adalah ARCH(1), sedangkan untuk HMSP dan RMBA adalah GARCH(1,1)
Dani Pradana 2008 Analisis Faktor-faktor yang Mempengaruhi Nilai Tukar Petani Buah di Jawa Barat Model ARCH-GARCH
Ketidakpastian ekonomi mempengaruhi NTP dan NTP setelah krisis lebih baik dibandingkan kondisi sebelum krisis.
Anna Fariyanti 2008
Perilaku Ekonomi Rumah Tangga Petani Sayuran Dalam Menghadapi Risiko Produksi dan Harga Produk di Kecamatan Pandeglang
Kabupaten Bandung
Analisis risiko model ARCH-GARCH dan menghitung Nilai
Varian
Model GARCH(1,1) dengan risiko produksi pada musim sebelumnya dan penggunaan input, pupuk dan tenaga kerja menjadi faktor yang menimbulkan risiko produksi
Yusni Rahmadani
Siregar 2009
Analisis Risiko Harga Day Old Chick (DOC) Broiler dan Layer pada PT. Sierad Produce
Tbk. Parung, Bogor
Model ARCH-GARCH untuk menghitung Value at Risk
DOC layer dengan ARCH(1) dan DOC broiler dengan GARCH(1,1)
2.9. Kerangka Pemikiran
Perubahan pola konsumsi (dietary pattern) yang terjadi akibat adanya
perbaikan tingkat kesejahteraan berpengaruh terhadap pola konsumsi hortikultura,
khususnya buah-buahan. Hortikultura merupakan salah satu sektor yang
berkembang pesat dalam pertanian Indonesia. Jenis tanaman yang dibudidayakan
dalam hortikultura meliputi buah-buahan, sayur-sayuran, bunga dan tanaman hias.
Sedangkan dalam hortikultura buah-buahan merupakan salah satu sumber vitamin
dan mineral. Dengan kandungan vitamin dan mineral yang dimiliki, buah sangat
diperlukan untuk memenuhi kebutuhan gizi yang seimbang.
Buah-buahan merupakan produk hasil pertanian yang ditetapkan sebagai
komoditi strategis dan memiliki peluang pasar yang besar baik dari dalam maupun
luar negeri. Permintaan buah-buahan semakin besar sejalan dengan meningkatnya
kesadaran akan kebutuhan gizi yang baik, gaya hidup dan kemampuan daya beli
masyarakat.
Buah juga merupakan salah satu sumber vitamin dan mineral yang mudah
diperoleh masyarakat di berbagai wilayah, baik pedesaan maupun perkotaan.
Selain itu buah memiliki tingkat harga, jenis dan kualitas yang bervariasi sehingga
masyarakat dari berbagai kelas pendapatan mampu mengkonsumsi buah sesuai
dengan daya belinya. Buah juga relatif tersedia sepanjang tahun meskipun
beberapa buah ada yang bersifat musiman, namun tidak sedikit juga buah yang
tidak tergantung musim. Terlebih lagi dengan semakin banyaknya buah impor
yang masuk ke Indonesia. Hal ini menyebabkan ketersediaan buah relatif stabil
sepanjang tahun.
Buah-buahan merupakan komoditas pertanian yang bersifat inelastis untuk
jangka pendek, sehingga peningkatan produksi yang melebihi permintaan pada
waktu tertentu akan menjatuhkan harga yang cukup besar. Begitu juga sebaliknya,
pasokan yang tidak dapat memenuhi permintaan akan meningkatkan harga buah.
Sehingga dapat dikatakan bahwa perubahan harga buah sangat dipengaruhi oleh
jumlah produksi buah itu sendiri.
Permasalahannya adalah untuk memenuhi kebutuhan konsumsi buah-
buahan yang diperkirakan akan terus meningkat diperlukan ketersediaan buah
yang cukup dan harga yang relatif terjangkau agar konsumsi dapat terpenuhi.
Untuk masalah ketersediaan buah mungkin dapat teratasi karena buah-buahan
yang umumnya dikonsumsi seperti alpukat, pepaya, nanas, pisang, jeruk,
semangka, melon dan salak relatif tersedia sepanjang tahun. Selain itu dengan
semakin banyaknya buah impor yang masuk ke Indonesia menyebabkan
ketersediaan buah relatif stabil sepanjang tahun. Namun agar tiap lapisan
masyarakat dapat mengkonsumsi buah-buahan dengan baik, dibutuhkan harga
yang terjangkau. Dengan harga yang terjangkau masyarakat dari berbagai kelas
pendapatan mampu mengkonsumsi buah sesuai dengan daya belinya.
Fluktuasi harga buah dapat disebabkan oleh besarnya jumlah penawaran
dan besarnya jumlah permintaan. Semakin tinggi jumlah penawaran maka harga
akan rendah, sebaliknya jika jumlah penawaran semakin sedikit maka harga akan
semakin meningkat (ceteris paribus). Tinggi rendahnya jumlah penawaran dapat
disebabkan oleh terjadinya panen. Tingginya tingkat gagal panen bisa disebabkan
oleh serangan hama dan faktor cuaca.
Dilihat dari permintaan, tingginya harga terjadi karena permintaan akan
suatu komoditi meningkat. Sedangkan turunnya permintaan akan menyebabkan
turunnya harga (ceteris paribus). Tinggi rendahnya jumlah permintaan dapat
disebabkan oleh musim panen buah itu sendiri.
Fluktuasi harga buah-buahan yang terjadi menyebabkan pelaku pasar buah
baik produsen atau konsumen mengalami kesulitan dalam melakukan kegiatan
ekonomi. Oleh karena itu dibutuhkan suatu analisis risiko harga komoditas buah-
buahan agar fluktuasi harga dapat segera diatasi. Pengukuran volatilitas perlu
dilakukan untuk memetakan ketidakpastian tersebut. Volatilitas yang ada pada
harga buah-buahan di Pasar Induk Kramat Jati dapat memberikan gambaran buah
mana yang mempunyai fluktuasi harga paling tinggi.
Keterangan : Hubungan langsung Hubungan tidak langsung
Gambar 2.3. Kerangka Pemikiran Operasional
Buah-buahan merupakan makanan
yang kaya akan vitamin dan mineral
Implikasi adanya perbaikan ekonomi ialah
pergeseran pola konsumsi pangan dari padat energi ke yang
kaya vitamin dan mineral
Buah-buahan adalah komoditas pertanian yang memiliki harga
yang fluktuatif
Metode analisis deskriptif kualitatif
Model ARCH-GARCH
Metodologi Box-Jenkins Perkembangan harga
harian buah
Tingkat Risiko Harga
Analisis Tingkat Risiko dan Fluktuasi Harga Buah Komoditas Unggulan Indonesia
Uji kointegrasi
Untuk memenuhi kebutuhan konsumsi
buah-buahan diperlukan ketersediaan buah yang cukup dan harga yang
terjangkau
III. METODE PENELITIAN
3.1. Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di Pasar Induk Kramat Jati, Jl. Raya Bogor KM
l7 Jakarta Timur. Pemilihan lokasi penelitian ini dilakukan secara sengaja
(purposive) dengan alasan bahwa Pasar Induk Kramat Jati menjadi acuan bagi
pemerintah yaitu Badan Ketahanan Pangan dalam menentukan kebijakan harga
buah-buahan. Penelitian ini dilaksanakan pada pertengahan bulan Juli 2009
hingga pertengahan bulan Agustus 2009 dengan rincian kegiatan meliputi
pengumpulan data, pengolahan data, hingga penulisan hasil penelitian dalam
skripsi.
3.2. Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data time series yang
terdiri dari data sekunder. Data sekunder berasal dari data pasokan dan harga
buah-buahan harian yang terdapat di Pasar Induk Kramat Jati. Data yang
dianalisis adalah data dari awal Januari 2006 hingga akhir Desember 2008. Selain
itu data-data juga diperoleh melalui instansi-instansi pemerintahan, buku-buku,
penelitian-penelitian terdahulu dan literatur yang terkait.
4.3. Metode Pengolahan dan Analisis Data
Dalam penelitian ini akan digunakan model ARCH-GARCH. Tingkat
risiko harga dapat diramalkan dengan pendekatan ARCH-GARCH. Data yang ada
diolah dengan menggunakan program Microsoft Excel dan Eviews 6. Analisis
grafik pergerakan harga dilakukan dengan plot grafik time series untuk melihat
kecenderungan data.
3.3.1. Model ARCH-GARCH
GARCH mengasumsikan data yang akan dimodelkan memiliki standar
deviasi yang selalu berubah terhadap waktu. GARCH cukup baik untuk
memodelkan data yang berubah standar deviasinya, tetapi tidak untuk data yang
benar-benar acak. Langkah awal untuk mengidentifikasikan model ARCH-
GARCH adalah dengan melihat ada tidaknya ARCH error dari data pergerakan
harga komoditas buah-buahan terpilih.
Firdaus (2006) menyatakan bahwa misalkan Y1, Y2, ... , Yt merupakan
deret waktu pengamatan return dan (Yt) adalah sebuah proses yang mengikuti
persamaan ARMA (p,q). Dalam bentuk persamaan ditulis sebagai :
Yt – Φ1Yt-1 – Φ2Yt-2 - ... - ΦpYt-p = εt – θ1εt-1 – θ2εt-2 - ... - θqεt-q
dimana εt adalah white noise. Persamaan tersebut dapat ditulis :
(ΦpB) Yt = (θqB) εt
dimana B adalah operator backshift. Jika q = 0 ARMA (p,q) sama dengan proses
autoregressive dengan orde-p, AR(p), yang dapat ditulis dalam bentuk persamaan
sebagai berikut :
Yt = φ + Φ1Yt-1 + Φ2Yt-2 + ... + ΦpYt-p + εt
dengan E(εt) = 0
σ2, untuk t = (1) …………………………………………………………………………… ג
E(εt, εג) =
0, untuk selainnya
Proses memiliki persamaan peragam stasioner jika 1-Φ1Z1– Φ2Z2 - ... – ΦpZp = 0.
Peramalan linier yang optimal dari Yt untuk proses AR(p) adalah :
Ê (Yt| Yt-1, Yt-2, ... ) = φ + Φ1Yt-1 + Φ2Yt-2 + ... + ΦpYt-p
dimana Ê (Yt| Yt-1, Yt-2, ... ) menunjukkan proyeksi linier dari Yt terhadap
konstanta dari (Yt-1, Yt-2, ... ). Jika rataan bersyarat dari Yt berubah-ubah pada tiap
titik waktu mengikuti persamaan di atasdan proses tersebut memiliki peragam
yang stasioner, maka rataan tak bersyarat dari Yt adalah konstan sebagai berikut :
E (Yt) = φ / (1 - Φ1 - Φ2 - ... - Φp)
Hal yang menarik dalam persamaan ini tidak hanya peramalan dari Yt saja,
melainkan juga peramalan varians. Varians yang berubah-ubah pada setiap titik
waktu juga mempunyai implikasi terhadap validitas dan efisiensi dalam estimasi
parameter (φ, Φ1, Φ2, ..., Φp). Walaupun persamaan (1) berimplikasi bahwa varians
bersyarat dari εt adalah konstan yang sebesar σ2, namun pada kenyataannya
varians bersyarat dari εt dapat berubah-ubah terhadap titik waktu. Satu pendekatan
yang digunakan untuk mendeskripsikan kuadrat dari εt yang mengikuti proses AR
(m) :
εt = ξ + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m + ωt .................................................. (2)
peubah ωt adalah proses white noise yang baru, dengan
E(ωt) = 0
ג = untuk t ,2ג
E(ωt, ωג) =
0, untuk selainnya
Karena εt juga merupakan error dari peramalan Yt, persamaan (2)
berimplikasi bahwa proyeksi linier kuadrat error dari ramalan Yt terhadap m-
kuadrat error peramalan sebelumnya adalah sebagai berikut :
E (ε2t| ε2
t-1, ε2t-2, ... ) = ξ + α1ε2
t-1 + α2ε2t-2 + ... + αmε2
t-m + .................................. (3)
Proses white noise yang memenuhi persamaan (3) dikenal sebagai model
Autoregressive Conditional Heteroscedasticity dengan orde m atau ARCH (m).
Proses ini dinotasikan :
εt ~ ARCH (m)
Persamaan ini sering juga ditulis sebagai berikut :
ht = ξ + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m
dimana ht = E (ε2t| ε2
t-1, ε2t-2, ... ) yang sering disebut sebagai ragam. Proses εt ~
ARCH (m) dicirikan oleh ε2t = ht, Vt. Dalam hal ini Vt ~ N (0,1).
Lebih umum lagi dapat diperlihatkan sebuah proses dimana ragam
bersyaratnya tergantung pada jumlah lag terhingga dari ε2t-j :
ht = ξ + π(L) ε2t .................................................................................................... (4)
dengan
π(L) = ∑∞
=1
2
jj Lπ
kemudian π(L) diparameterisasi sebagai rasio dari 2 orde polinomial terhingga :
π(L) = rr
mm
LLLLLLLL
LL
)(...)()()(1)(...)()()(
)(1)(
33
22
11
33
22
11
δδδδαααα
δα
−−−−−++++
=−
dimana diasumsikan bahwa akar dari )(1 Lδ− = 0. Jika persamaan (4) dikalikan
dengan )(1 Lδ− , maka diperoleh persamaan sebagai berikut :
[ )(1 Lδ− ] ht = [ )(1 Lδ− ] ξ + α (L) ε2t atau dapat ditulis sebagai berikut :
ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m ....................... (5)
untuk к = [1 - δ1 – δ2 - ... – δr] ξ.
Persamaan (5) dikenal sebagai model General Autoregressive Conditional
Heteroscedasticity dengan orde r dan orde m yang biasa dinotasikan sebagai εt ~
GARCH.
3.3.1.1.Tahap Identifikasi
Pada tahap ini dilakukan identifikasi terhadap tiga hal. Pertama,
identifikasi terhadap kestasioneran data. Kedua, identifikasi terhadap unsur
musiman yang mungkin terdapat pada data. Ketiga, identifikasi terhadap pola
Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)
untuk menentukan model tentatif.
Uji stasioneritas data dapat dilakukan dengan melakukan uji Augmented
Dickey-Fuller. Data dikatakan sudah stasioner (tidak mengandung unit root)
apabila ADF test statistic lebih besar dari Test critical values.
Pada umumnya data runtut waktu (time series) memiliki unsur
kecenderungan (trend) yang menjadikan kondisi data time series menjadi tidak
stasioner. Sedangkan penerapan model ARIMA hanya dapat dilakukan pada data
yang sudah stasioner. Oleh karena itu diperlukan pembedaan yang dapat
membedakan data yang belum stasioner dengan data baru yang sudah stasioner.
Biasanya hal ini disebut dengan differencing.
Ketelitian dan tingkat akurasi model ARIMA dapat ditingkatkan dengan
memasukkan unsur musiman yang terkandung dalam data. Pendeteksian
komponen trend dan musiman yang terkandung dalam data digunakan dengan
menggunakan bantuan (i) plot data, (ii) plot ACF, (iii) plot PACF.
Dalam data runtut waktu yang mengandung unsur musiman dan tidak
stasioner maka langkah untuk uji stasioneritas dilakukan dalam dua tahap, yaitu
(i) mendeteksi pola-pola (stasioner, AR dan MA) pada unsur musiman dan (ii)
mendeteksi pola-pola (stasioner, AR dan MA) pada unsur non musiman. Untuk
menentukannya dibantu oleh alat dalam plot gambar ACF dan PACF.
3.3.1.2.Tahap Pendugaan Parameter
Setelah berhasil menetapkan atau mengidentifikasi model sementara, tahap
berikutnya adalah pendugaan parameter model sementara tersebut. Terdapat dua
cara yang mendasar yang dapat digunakan untuk menduga parameter-parameter
tersebut, yaitu :
1. Dengan cara mencoba-coba (trial and error) yaitu dengan menguji beberapa
nilai yang berbeda dan memilih di antaranya dengan syarat yang
meminimumkan jumlah kuadrat nilai galat (sum square of residual).
2. Perbaikan secara iteratif yaitu dengan memilih nilai taksiran awal dan
kemudian membiarkan program komputer untuk memperhalus penaksiran
tersebut secara iteratif.
Penentuan dugaan parameter ARCH-GARCH dilakukan dengan
menggunakan metode kemungkinan maksimum secara iteratif dengan Algoritma
Marquardt. Dengan menggunakan bantuan program Eviews 6 kita dapat
mengestimasi nilai-nilai parameter yang dibutuhkan. Dengan menggunakan
program komputer untuk melakukan proses uji statistik maka nilai parameter
dapat langsung dihasilkan oleh program komputer tersebut.
3.3.1.3.Tahap Evaluasi
Setelah diperoleh persamaan untuk model tentatif, dilakukan uji diagnostik
untuk menguji kedekatan model dengan data. Terdapat 6 kriteria dalam evaluasi
model Box-Jenkins (Gaynor, 1994), yaitu :
1. Proses iterasi harus convergence. Bila ini dapat dipenuhi maka pada session
terdapat pernyataan relative change in each estimate less than 0,0010.
2. Residual (forecast error) random. Untuk memastikan apakah model sudah
memenuhi syarat ini dapat digunakan indikator modified Box-Pierce Statistic.
Dari session diketahui bahwa nilai p-value yang lebih besar dari 0,05
menunjukkan bahwa residual sudah random atau kita sudah mempunyai
adequate model.
3. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi, ditunjukkan oleh
koefisien AR atau MA yang kurang dari 1.
4. Parameter yang diestimasi berbeda nyata dengan nol, ditunjukkan oleh nilai p-
value yang harus kurang dari 0,05.
5. Model harus parsimonius
6. Model harus memiliki mean square error (MSE) yang kecil. Selain itu untuk
aplikasinya dapat pula dilihat dari nilai AIC dan SIC yang terkecil.
Apabila dalam metode ARIMA masih terdapat unsur heteroskedastisitas,
maka nilai kuadrat galat dari metode ini digunakan lebih lanjut ke dalam metode
ARCH-GARCH.
3.3.1.4.Tahap Pemilihan Model ARCH-GARCH Terbaik
Kriteria model yang terbaik adalah memiliki ukuran kebaikan model yang
besar dan koefisien yang nyata. Terdapat dua bentuk pendekatan yang dapat
digunakan sebagai ukuran kebaikan model yaitu :
1. Akaike Information Criterion (AIC)
AIC = ln (MSE) + 2*K/N
2. Schwartz Criterion (SC)
SC = ln (MSE) + [K*log(N)/N]
dimana :
MSE = Mean Square Error
K = banyaknya parameter, yaitu (p+q+1)
N = banyaknya data pengamatan
SC dan AIC adalah dua standar informasi yang menyediakan ukuran
informasi yang dapat menemukan keseimbangan antara ukuran kebaikan model
dan spesifikasi model yang terlalu hemat. Nilai ini dapat membantu untuk
mendapatkan seleksi model terbaik. Model yang baik dipilih berdasarkan nilai
AIC dan SC yang terkecil dengan melihat juga signifikansi koefisien model.
Menurut Brooks (2002), model juga dapat diseleksi berdasarkan asumsi non-
negativity constrains yang mensyaratkan tidak boleh ada koefisien yang negatif.
Hal ini dilakukan agar tidak terjadi nilai varians yang negatif karena nilai yang
negatif akan tidak berarti (meaningless).
3.3.1.5.Tahap Pemeriksaan Model ARCH-GARCH
Pemeriksaan kecukupan model dilakukan untuk menguji asumsi, sehingga
model yang diperoleh cukup memadai. Jika model tidak memadai, maka kembali
ke tahap identifikasi untuk mendapatkan model yang lebih baik. Diagnosis model
dilakukan dengan menganalisis residual yang telah distandardisasi. Diagnosis
meliputi :
1. Sebaran residual
2. Kebebasan residual yang dilihat dari fungsi autokorelasi dan kuadrat residual
3. Pengujian efek ARCH-GARCH dari residual.
Langkah awal yang dilakukan adalah memeriksa kenormalan residual
baku model dengan uji Jarque-Bera (JB). Uji JB mengukur perbedaan antara
Skewness (kemenjuluran) dan Kurtosis (keruncingan) data dari sebaran normal,
serta memasukkan ukuran keragaman. Hipotesis yang diuji adalah sebagai
berikut:
H0 : Residual baku menyebar normal
H1 : Residual baku tidak menyebar normal
Statistik uji JB dihitung dengan persamaan berikut :
JB = ( )24
12 )3(6
−+− kSKN
dimana :
S : kemenjuluran
K : keruncingan
k : banyaknya koefisien penduga
N : banyaknya data pengamatan
Di bawah ini dijelaskan kondisi hipotesis nol, JB memiliki derajat bebas 2.
tolak H0 jika JB > χ22 (α) atau jika P (χ2
2 > JB) kurang dari α = 0,05. Artinya data
residual terbakukan dan tidak menyebar normal.
Model ARCH-GARCH menunjukkan kinerja yang baik jika dapat
menghilangkan autokorelasi yang ada pada data, yaitu bila residual baku
merupakan proses ingar putih. Langkah selanjutnya adalah memeriksa koefisien
autokorelasi residual baku, dengan uji statistik Ljung-Box.
Uji Ljung-Box (Q*) pada dasarnya adalah pengujian kebebasan residual
baku. Untuk data deret waktu dengan N pengamatan, statistik uji Ljung-Box
diformulasikan sebagai :
Q* = kn
rnn
k
It
−+
∑=1
21 )(
)2(ε
dimana r1 (εt) 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.
3.3.2. Peramalan Ragam
Setelah memperoleh model yang memadai, model tersebut digunakan
untuk memperkirakan nilai volatilitas masa datang. Peramalan ragam untuk
periode mendatang diformulasikan sebagai berikut :
ht = σ2 + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m
untuk ARCH (m)
atau
ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2
t-2 + ... + αmε2t-m
untuk GARCH (r, m)
dengan
к > 0, δr ≥ 0 dan αm ≥ 0
dimana :
ht : Nilai ragam ke-t
ε : Nilai sisaan
к : Konstanta
δr dan αm : Paramater-parameter
3.3.3. Uji Kointegrasi
Sering dijumpai dua variabel random yang masing-masing merupakan
variabel yang tidak stasioner. Tetapi kombinasi linier antara kedua variabel
tersebut merupakan time series yang stasioner. Dalam teori keuangan dan
ekonomi hal ini mengindikasikan adanya kointegrasi antara dua variabel tersebut.
Dalam ekonometrika variabel yang saling terkointegrasi dikatakan dalam kondisi
keseimbangan jangka panjang (long run equilibrium). Jika dapat dibuktikan
bahwa kedua variabel tersebut terkointegrasi, maka dapat disimpulkan bahwa
regresi tersebut terkointegrasi.
Dalam uji kointegrasi dua variabel yang tidak stasioner sebelum dilakukan
differencing namun stasioner setelah dilakukan differencing, besar kemungkinan
akan terjadi kointegrasi, yang berarti terdapat hubungan jangka panjang di antara
keduanya. Pada penelitian ini akan dilakukan pengujian apakah terjadi kointegrasi
antara harga buah dengan jumlah pasokan yang ada. Tujuannya adalah untuk
mengidentifikasi apakah harga buah dipengaruhi oleh jumlah pasokan yang ada.
Untuk menguji kointegrasi antara harga dengan jumlah pasokan dilakukan uji two
steps Engle-Granger. Model yang diajukan oleh Engle-Granger (EG) memerlukan
dua tahap, sehingga disebut dengan two steps EG. Tahap pertama adalah
menghitung nilai residual persamaan regresi awal. Adapun model regresi yang
digunakan sebagai berikut (Gujarati, 1978):
Yt = α + βXt + εt
Dimana:
Yt = Variabel dependen (harga) terikat pada waktu ke t
α = Konstanta
β = Koefisien regresi
Xt = Variabel independen (pasokan) terikat pada waktu ke t
εt = Galat yang mewakili efek variabel yang tidak dijelaskan oleh model
Adapun hipotesis yang diuji adalah sebagai berikut:
H0 : β = 0
H1 : β < 0
Apabila koefisien regresi menunjukkan hasil kurang dari nol (negatif) maka
terjadi penolakan pada hipotesis nol. Artinya bahwa memang jumlah pasokan
akan mempengaruhi harga buah.
Tahap kedua dari uji kointegrasi antara two steps Engle-Granger adalah
melakukan analisis dengan memasukkan residual dari langkah pertama. Apabila
hasil pengujian menghasilkan nilai probabilitas residual yang kurang dari 0,05
maka hal ini menunjukkan bahwa model yang digunakan sudah valid, yang berarti
bahwa memang terjadi kointegrasi antara jumlah pasokan dengan harga buah.
IV. GAMBARAN UMUM
PRODUKSI BUAH-BUAHAN INDONESIA
4.1. Gambaran Umum Produksi Buah Alpukat
Alpukat (Persea americana Mill atau Persea gratissima Gaerth) adalah
salah satu jenis buah tropis yang berasal dari Amerika Latin dan dapat tumbuh
subur di berbagai wilayah Indonesia karena sangat cocok dengan iklim Indonesia.
Negara-negara penghasil alpukat dalam skala besar adalah Amerika
(Florida, California dan Hawaii), Australia, Cuba, Argentina dan Afrika Selatan.
Di Indonesia, tanaman alpukat masih merupakan tanaman pekarangan, belum
dibudidayakan dalam skala usahatani. Daerah penghasil alpukat adalah Jawa
Barat, Jawa Timur, sebagian Sumatera, Sulawesi Selatan dan Nusa Tenggara.
Alpukat termasuk salah satu buah tropis yang bersifat musiman. Biasanya
alpukat mengalami musim berbunga pada awal musim hujan, dan musim berbuah
lebatnya biasanya pada bulan Desember, Januari dan Februari. Di Indonesia yang
keadaan alamnya cocok untuk penanaman alpukat, musim panen dapat terjadi
setiap bulan. Produksi buah alpukat pada pohon-pohon yang tumbuh dan berbuah
baik dapat mencapai 70-80 kg/pohon/tahun. Produksi rata-rata yang dapat
diharapkan dari setiap pohon berkisar 50 kg.
4.2. Gambaran Umum Produksi Buah Pepaya
Pepaya (Cacarica papaya) merupakan tanaman buah berupa herba dari
famili Caricaceae yang berasal dari Amerika Tengah dan Hindia Barat bahkan
kawasan sekitar Meksiko dan Costa Rica. Tanaman pepaya banyak ditanam
orang, baik di daeah tropis maupun sub tropis, di daerah-daerah basah dan kering
atau di daerah-daerah dataran dan pegunungan (sampai 1000 m di atas permukaan
laut). Di Indonesia tanaman pepaya tersebar di mana-mana bahkan telah menjadi
tanaman pekarangan. Senrta penanaman buah pepaya di Indonesia adalah daerah
Jawa barat (kabupaten Sukabumi), Jawa Timur (kabupaten Malang), Yogyakarta
(Sleman), Lampung Tengah, Sulawesi Selatan (Toraja) dan Sulawesi Utara
(Manado).
Pepaya merupakan buah tropis yang buahnya selalu tersedia sepanjang
tahun. Tanaman pepaya dapat dipanen setelah berumur 9-12 bulan. Panen
dilakukan setiap 10 hari sekali. Dengan kata lain buah ini tersedia sepanjang
tahun. Tiap pohon kira-kira dapat menghasilkan 30 buah, bahkan sampai 150
buah. Setelah panen pertama, pohon pepaya akan terus menerus berbuah. Tetapi
sebaiknya sesudah 4 tahun kebun itu harus dibongkar.
4.3. Gambaran Umum Produksi Buah Nanas
Nanas merupakan tanaman buah berupa semak yang memiliki nama ilmiah
Ananas comosus. Nanas berasal dari Brazil (Amerika Selatan) yang telah
didomestikasi disana sebelum masa Colombus. Pada abad ke-16 orang Spanyol
membawa nanas ini ke Filipina dan Semenanjung Malaysia, masuk ke Indonesia
pada abad ke-15 (1599). Di Indonesia pada mulanya hanya sebagai tanaman
pekarangan, dan meluas dikebunkan di lahan kering (tegalan) di seluruh wilayah
nusantara. Tanaman ini kini dipelihara di daerah tropik dan sub tropik. Budidaya
secara komersial menggunakan metode pengaturan pembungaan sehingga nanas
dapat tersedia sepanjang tahun.
Penanaman nanas di dunia berpusat di negara-negara Brazil, Hawaii,
Afrika Selatan, Kenya, Pantai Gading, Mexico dan Puerto Rico. Di Asia tanaman
nanas ditanam di negara-negara Thailand, Filipina, Malaysia dan Indonesia
terdapat di daerah Sumatera utara, Jawa Timur, Riau, Sumatera Selatan dan Jawa
Barat. Pada masa mendatang amat memungkinkan propinsi lain memprioritaskan
pengembangan nanas dalam skala yang lebih luas dari tahun-tahun sebelumnya.
Luas panen nanas di Indonesia kurang lebih mencapai 165.690 hektar atau 25,24
persen dari sasaran panen buah-buahan nasional (657.000 hektar). Beberapa tahun
terakhir luas areal tanaman nanas menempati urutan pertama dari 13 jenis buah-
buahan komersial yang dibudidayakan di Indonesia.
Tanaman nanas dipanen setelah berumur 12-24 bulan. Pemanenan buah
nanas dilakukan bertahap sampai tiga kali. Panen pertama sekitar 25 persen, kedua
50 persen, dan ketiga 25 persen dari jumlah yang ada. Tanaman yang sudah
berumur 4-5 tahun perlu diremajakan karena pertumbuhannya lambat dan
buahnya kecil. Cara peremajaan adalah membongkar seluruh tanaman nanas
untuk diganti dengan bibit yang baru. Penyiapan lahan sampai penanaman
dilakukan seperti cara bercocok tanam pada lahan yang baru.
4.4. Gambaran Umum Produksi Buah Pisang
Pisang (Musa spp) adalah tanaman buah berupa herba yang berasal dari
kawasan di Asia Tenggara. Indonesia sebagai salah satu negara tropis di Asia
Tenggara, kaya akan berbagai varietas pisang yang berpotensi sebagai varietas
unggulan di pasar internasional.
Di Indonesia pisang tersebar di beberapa daerah seperti Jawa Barat
(Cianjur, Sukabumi, Cirebon, Garut, Bogor dan Purwakarta), Jawa Tengah
(Demak, Pati, Banyumas, Sidorejo, Kesugihan, Kutosari, Pringsurat dan
Pemalang), Jawa Timur (Lumajang : cv. Mas Kirana, Banyuwangi dan Malang
Selatan), Lampung (Lampung Selatan : cv. Raja Bulu dan Lampung Tengah),
Sumatra Utara di Deli Serdang (cv. Barangan), Sumatra Selatan (Tebing Tinggi,
Baturaja, Ogan Komering Ilir dan Ogan Komering Ulu) dan Kalimantan.
Pada perkebunan pisang yang cukup luas, panen dapat dilakukan 3-10 hari
sekali tergantung pengaturan jumlah tanaman produktif. Oleh karena itu buah ini
selalu tersedia sepanjang tahun. Belum ada standard produksi pisang di Indonesia,
di sentra pisang dunia produksi 28 ton/ha/tahun hanya ekonomis untuk
perkebunan skala rumah tangga. Untuk perkebunan kecil (10-30 ha) dan
perkebunan besar (> 30 ha), produksi yang ekonomis harus mencapai sedikitnya
46 ton/ha/tahun.
4.5. Gambaran Umum Produksi Jeruk Siam
Jeruk (Citrus sp.) yang berasal dari Thailand ini kulit buahnya berwarna
hijau kekuningan, mengilat, dan permukaannya halus. Ketebalan kulitnya sekitar
2 mm. Berat tiap buah sekitar 75,6 g. Bagian ujung buah berlekuk dangkal.
Daging buahnya bertekstur lunak dan mengandung banyak air dengan rasa manis
segar. Setiap buah mengandung sekitar 20 biji. Produksi buahnya antara 1.000-
2.000 buah per pohon per tahun. Jeruk ini biasanya dikenal sesuai dengan nama
daerah penanamannya.
Di Indonesia ada beberapa jenis, tetapi hanya dua jenis yang dianjurkan
untuk ditanam, yaitu jeruk siam palembang asal Palembang dan jeruk siam
pontianak atau jeruk tebas asal Pontianak. Jeruk siam juga merupakan salah satu
buah tropis yang memiliki sifat musiman. Periode panen dari buah ini adalah pada
bulan April hingga Juni. Produksi jeruk di Indonesia sekitar 5,1 ton/ha masih di
bawah produksi di negara subtropis yang dapat mencapai 40 ton/ha.
4.6. Gambaran Umum Produksi Buah Semangka (Tanpa Biji)
Semangka (Citrullus vulgaris) merupakan tanaman buah berupa herba
yang tumbuh merambat yang berasal dari daerah kering tropis dan subtropis
Afrika tepatnya di gurun pasir Kalahari, kemudian berkembang dengan pesat ke
berbagai negara seperti Afrika Selatan, Cina, Jepang dan Indonesia.
Semangka tanpa biji atau biasa disebut semangka seedless adalah
merupakan semangka hibrida F-1 juga. Teknik pembenihan semangka tanpa biji
ditemukan oleh Prof. Dr. Hitoshi Kihara. Dari persilangan semangka tetraploid
dengan diploid akan diperoleh semangka triploid (semangka seedless) yang
mempunyai daya vitalitas rendah. Jika suhu udara rendah (kurang dari 29oC)
maka daya kecambahnya pun akan lambat. Oleh karena itu perkecambahan benih
semangka triploid memerlukan suhu udara yang cukup tinggi agar
perkecambahannya dapat terjamin.
Semangka banyak dibudidayakan di negara-negara seperti Cina, Jepang,
India dan negera-negara sekitarnya. Sentra penanaman di Indonesia terdapat di
Jawa Tengah (D.I. Yogyakarta, Kabupaten Magelang dan Kabupaten
Kulonprogo), di Jawa Barat (Indramayu dan Karawang), di Jawa Timur
(Banyuwangi dan Malang) dan di Lampung, dengan rata-rata produksi 30
ton/ha/tahun.
Semangka merupakan salah satu buah tropis yang buahnya selalu tersedia
sepanjang tahun. Panen dilakukan dalam beberapa periode. Apabila buah secara
serempak dapat dipanen secara sekaligus, tetapi apabila tidak bisa bersamaan
dapat dilakukan 2 kali. Pertama dipetik buah yang sudah tua, kedua semuanya
sisanya dipetik semuanya sekaligus. Ketiga setelah daun-daun sudah mulai kering
karena buah sudah tidak dapat berkembang lagi maka buah tersebut harus segera
dipetik.
4.7. Gambaran Umum Produksi Buah Melon
Melon (Cucumis melo L.) merupakan tanaman buah termasuk famili
Cucurbitaceae, banyak yang menyebutkan buah melon berasal dari Lembah Panas
Persia atau daerah Mediterania yang merupakan perbatasan antara Asia Barat
dengan Eropa dan Afrika.
Sebelum tahun 1980, buah melon hadir di Indonesia sebagai buah impor.
Kemudian banyak perusahaan agribisnis yang mencoba menanam melon untuk
dibudidayakan daerah Cisarua (Bogor) dan Kalianda (Lampung) dengan varietas
melon dari Amerika, Taiwan, Jepang, Cina, Perancis, Denmark, Belanda dan
Jerman. Kemudian melon berkembang di daerah Ngawi, Madiun, Ponorogo
sampai wilayah eks-keresidenan Surakarta (Sragen, Sukoharjo, Boyolali,
Karanganyar dan Klaten). Daerah-daerah tersebut merupakan pemasok buah
melon terbesar dibandingkan dengan daerah asal melon pertama.
Melon merupakan salah satu buah yang buahnya tersedia sepanjang tahun.
Panen dilakukan secara bertahap dan dilakukan kurang lebih 3 bulan setelah
tanam dengan mengutamakan buah yang benar-benar telah siap panen. Waktu
pemanenan yang baik adalah pagi hari. Seandainya dalam jangka waktu 3-5 bulan
mendatang harga melon diramalkan jatuh. Maka alternatif untuk rotasi tanaman
yang dapat menggunakan lahan bekas menanam melon adalah cabai. Karena lahan
yang tersedia tidak perlu diubah. Hanya mulsa PHP dibuka dan dosis pemupukan
ditambahkan 50 persen.
Bila dalam jangka waktu 4 bulan berikutnya dinyatakan harga melon
meningkat, maka lahan bekas sawah ditanami padi terlebih dahulu untuk satu
musim tanam. Alasannya adalah dari segi kormesial tanaman padi kurang
menguntungkan, tapi dari segi pemutusan siklus hidup hama dan penyakit sangat
menguntungkan. Hal ini disebabkan karena hama dan penyakit yang mengisap
oksigen (aerob) akan mati dengan kondisi tanah yang terendam air (anaerob).
Setelah menanam padi selesai, tanaman melon yang ditanam akan berproduksi
tinggi dengan risiko serangan hama dan penyakit yang lebih rendah.
4.8. Gambaran Umum Produksi Salak Bali
Selain terkenal sebagai daerah wisata, Pulau Bali juga terkenal sebagai
salah satu sentra produksi salak di Indonesia. Salak adalah sejenis palma dengan
buah yang biasa dimakan. Dalam bahasa Inggris disebut snake fruit, sementara
nama ilmiahnya adalah Salacca zalacca. Buah ini disebut snake fruit karena
kulitnya mirip dengan sisik ular. Salak ditemukan tumbuh liar di alam di Jawa
bagian barat daya dan Sumatra bagian selatan.
Sebagian ahli menganggap salak yang tumbuh di Sumatra bagian utara
berasal dari jenis yang berbeda, yakni S. sumatrana Becc.. S. zalacca sendiri
dibedakan lagi atas dua varietas botani, yakni var. zalacca dari Jawa dan var.
amboinensis (Becc.) Mogea dari Bali dan Ambon.
Berdasarkan kultivarnya, di Indonesia orang mengenal antara 20 sampai
30 jenis di bawah spesies. Beberapa yang terkenal di antaranya adalah salak
Sidimpuan dari Sumatera Utara, salak condet dari Jakarta, salak pondoh dari
Yogyakarta dan salak Bali. Salak condet merupakan flora propinsi DKI Jakarta.
Buah salak dapat dipanen setelah matang benar di pohon, biasanya
berumur enam bulan setelah bunga mekar (anthesis). Hal ini ditandai oleh sisik
yang telah jarang, warna kulit buah merah kehitaman atau kuning tua, dan bulu-
bulunya telah hilang. Ujung kulit buah (bagian buah yang meruncing) terasa lunak
bila ditekan. Pemanenan buah dengan cara memotong tangkai tandannya. Hasil
tanaman salak di Bali dapat mencapai 15 ton/hektar. Buah salak merupakan buah
yang buahnya relatif tersedia sepanjang tahun. Panen besar terjadi antara bulan
Oktober-Januari.
V. ANALISIS VOLATILITAS
HARGA BUAH-BUAHAN INDONESIA
5.1. Deskripsi Data
Berdasarkan plot data harian harga buah yang dianalisis dari awal Januari
2006 hingga akhir Desember 2008 terlihat bahwa harga-harga tersebut
berfluktuasi setiap harinya dengan kenaikan dan penurunan yang tajam yang
terdapat pada beberapa periode. Data seperti ini mengindikasikan conditional
heteroscedasticity (Enders, 2004), dimana pada jangka panjang varians dari data
akan konstan, tetapi terdapat beberapa periode dimana varians relatif tinggi.
Beberapa ringkasan statistik dari data harian harga buah komoditas ekspor
Indonesia disajikan pada tabel berikut :
Tabel 5.1. Ringkasan Statistik Data Harian Harga Buah-buahan Indonesia
Komoditas Mean Skewness Kurtosis Alpukat 4645.597 1.034868 4.325337 Pepaya 1611.895 1.329887 4.086211 Nanas 2107.709 0.692432 3.391478 Pisang Ambon 7189.410 0.797706 5.314449 Jeruk Siam 6583.783 0.710309 5.115642 Semangka TB 2074.486 -0.141944 2.693227 Melon 3916.789 1.362129 4.941500 Salak Bali 254303.3 -0.776885 5.270178
Tabel 5.1 memberikan informasi tentang rata-rata (mean) harga harian
buah-buahan, kemenjuluruan (skewness) serta keruncingan (kurtosis). Koefisien
kemenjuluran (skewness) yang merupakan ukuran kemiringan adalah lebih besar
dari nol menunjukkan harga harian buah-buahan memiliki distribusi yang miring
ke kanan artinya data cenderung menumpuk pada nilai yang rendah. Sedangkan
koefisien yang lebih kecil dari nol menunjukkan harga harian buah-buahan
memiliki distribusi yang miring ke kiri artinya data cenderung menumpuk pada
nilai yang tinggi. Nilai kurtosis yang lebih dari 3 bermakna bahwa distribusi harga
harian buah-buahan memiliki ekor yang lebih padat dibandingkan dengan sebaran
normal. Nilai keruncingan (kurtosis) yang lebih besar dari 3 ini merupakan gejala
awal adanya heteroskedastisitas (Leblang dalam Kurniawan, 2003).
5.2. Identifikasi Model ARCH-GARCH
Hal yang perlu dilakukan dalam tahap spesifikasi model adalah dengan
melakukan pendeteksian efek ARCH dengan uji autokorelasi dan uji ARCH.
5.2.1. Uji Autokorelasi
Pengujian efek ARCH dapat dilakukan dengan cara menguji nilai
autokorelasi pada kuadrat data harga harian buah-buahan. Fungsi autokorelasi
kuadrat data harga digunakan untuk mendeteksi keberadaan efek ARCH. Jika
pada kuadrat data harga terdapat autokorelasi, maka hal ini mengindikasikan
bahwa terdapat unsur ARCH error pada data harga (Enders, 2004).
Tabel 5.2. Pengujian Autokorelasi Kuadrat Harga Harian Buah-buahan Indonesia
Komoditi Hasil Uji Akar Unit Pada α=5% Uji Autokorelasi Alpukat ADF > nilai kritis absolut (Level) Ada Autokorelasi Pepaya ADF > nilai kritis absolut (Level) Ada Autokorelasi Nanas ADF > nilai kritis absolut (1st Difference) Ada Autokorelasi Pisang Ambon ADF > nilai kritis absolut (Level) Ada Autokorelasi Jeruk Siam ADF > nilai kritis absolut (Level) Ada Autokorelasi Semangka TB ADF > nilai kritis absolut (Level) Ada Autokorelasi Melon ADF > nilai kritis absolut (1st Difference) Ada Autokorelasi Salak Bali ADF > nilai kritis absolut (1st Difference) Ada Autokorelasi Sumber : Lampiran 1-8.
Pada Tabel 5.2 terdapat informasi bahwa pada data kuadrat harga buah-
buahan tersebut terdapat autokorelasi. Hal ini ditunjukkan dengan nilai
Augmented Dickey-Fuller test statistic yang lebih besar dari Test critical values
pada taraf α=5% baik yang diuji pada tingkat level atau setelah dilakukan satu kali
differencing. Hal ini mengindikasikan adanya efek ARCH atau ARCH error pada
data kuadrat harga harian buah-buahan komoditas ekspor Indonesia.
5.2.2. Pemilihan Model ARCH-GARCH
Tahapan berikutnya dari spesifikasi model untuk masing-masing buah
adalah dengan melakukan serangkaian metodologi Box-Jenkins mulai dari
pengujian kestasioneran data harga, penentuan model tentatif ARIMA hingga
pendugaan parameter dan pemilihan model terbaik.
Uji Augmented Dickey-Fuller (ADF) digunakan untuk melihat
kestasioneran data harga buah. Hal ini dapat dilihat dari nilai ADF test statistic
yang lebih besar dari critical value (nilai kritis) yang menunjukkan bahwa data
harga telah stasioner. Pada umumnya data runtut waktu (time series) memiliki
unsur kecenderungan (trend) yang menjadikan kondisi data time series menjadi
tidak stasioner. Sedangkan penerapan model ARIMA hanya dapat dilakukan pada
data yang sudah stasioner. Oleh karena itu diperlukan pembedaan yang dapat
membedakan data yang belum stasioner dengan data baru yang sudah stasioner.
Biasanya hal ini disebut dengan differencing.
Berdasarkan Tabel 5.3 dapat dilihat bahwa nilai ADF test statistic dari
setiap komoditas buah, lebih besar dari critical value pada taraf nyata 5 persen.
Hal ini menunjukkan bahwa data harga telah stasioner setelah dilakukan
differencing satu kali.
Tabel 5.3. Hasil Uji Stasioneritas Data Harga Buah-buahan
Komoditas ADF t-Statistic Critical Values Prob.* Alpukat -22,93214 -2,863984 0,0000 Pepaya -39,08125 -2,863979 0,0000 Nanas -20,02493 -2,863989 0,0000 Pisang Ambon -20,91059 -2,863986 0,0000 Jeruk Siam -29,79694 -2,863981 0,0000 Semangka Tanpa Biji -38,29993 -2,863979 0,0000 Melon -33,72157 -2,863979 0,0000 Salak Bali -34,34869 -2,863979 0,0000 Sumber : Lampiran 9-16. Keterangan : *) Stasioner pada taraf nyata 0,05
Setelah data harga dari tiap komoditas stasioner maka dapat dilakukan
pendugaan model ARIMA terbaik. Dari hasil pendugaan model tentatif ARIMA
pada masing-masing komoditas diperoleh kesimpulan sebagai berikut :
Tabel 5.4. Model ARIMA Buah-buahan Indonesia
Komoditas Model Tentatif ARIMA Terbaik Alpukat ARIMA(3,1,1) Pepaya ARIMA(2,1,2) Nanas ARIMA(1,1,1) Pisang Ambon ARIMA(1,1,1) Jeruk Siam ARIMA(1,1,2) Semangka Tanpa Biji ARIMA(3,1,3) Melon ARIMA(3,1,3) Salak Bali ARIMA(2,1,2) Sumber : Lampiran 17-24.
Model di atas dipilih berdasarkan nilai probabilitas AR dan MA dari
masing-masing pengujian pada tiap buah yang sudah sangat kecil (hampir
mendekati nol), sehingga sudah signifikan. Nilai t-statistik juga sudah lebih besar
dari nilai kritis 1,96. Informasi tesebut dapat dilihat pada Lampiran. Dengan
demikian model ini dapat digunakan.
Dari model-model tersebut, dilakukan pemeriksaan pada residual model.
Hasil pemeriksaan pada residual model menunjukkan bahwa nilai Lagrange
Multiplier dari tiap buah lebih besar dari nilai kritis χ22 dengan nilai Probability
sebesar 0.0000 yang lebih kecil dari 0.05. Ini berarti LM test mengindikasikan
bahwa memang terdapat efek ARCH pada model ARIMA yang diestimasi,
sehingga dapat dilanjutkan untuk mencari model ARCH-GARCH. Kecuali pisang
ambon yang memiliki probabilitas sebesar 0.9150 dan salak bali sebesar 0.8819
yang mengindikasikan tidak adanya efek ARCH pada model ARIMA yang
diestimasi. Sehingga proses tidak dapat dilanjutkan untuk mencari model ARCH-
GARCH pada dua komoditas ekspor ini.
Tabel 5.5. Hasil Pengujian Efek ARCH pada Residual Model ARIMA
Komoditas Nilai F-statistic Probabilitas Alpukat 43,04745 0,0000 Pepaya 11,00941 0,0000 Nanas 37,74525 0,0000 Pisang Ambon 0,011404 0,9150 Jeruk Siam 193,9183 0,0000 Semangka Tanpa Biji 5,995118 0,0145 Melon 7,1683981 0,0075 Salak Bali 0,022064 0,8819 Sumber : Lampiran 25-32.
Tabel 5.6 menunjukkan hasil pendugaan model ARCH-GARCH pada tiap
komoditas :
Tabel 5.6. Model ARCH-GARCH Terbaik Buah-buahan Indonesia
Komoditas Model ARCH-GARCH Alpukat GARCH(1,1) Pepaya GARCH(1,1) Nanas GARCH(1,1) Pisang Ambon - Jeruk Siam ARCH(1) Semangka Tanpa Biji GARCH(1,1) Melon GARCH(1,1) Salak Bali - Sumber : Lampiran 33-38.
Untuk mengetahui kecukupan model-model tersebut dilakukan
pemeriksaan terhadap galat terbakukan (standardized residuals) dengan
mengamati nilai statistik uji Jarque-Bera (JB) untuk memeriksa asumsi
kenormalan. Seperti yang telah dijelaskan sebelumnya bahwa ketidaknormalan
galat diatasi melalui pendugaan parameter dengan Quasi Maximum Likelihood
(QML). Pada pendugaan parameter model buah jeruk siam telah diaplikasikan
metode QML. Selain itu dalam pengolahan data telah dimasukkan metode
Heteroscedasticity Consistent Covariance Bollerslev-Wooldridge agar asumsi
galat menyebar normal tetap terjaga. Sehingga galat baku dugaan parameter tetap
konsisten.
Tabel 5.7. Hasil Uji Jarque-Bera
Komoditas Nilai Jarque-Bera Probabilitas Alpukat 447,7202 0,000000 Pepaya 218,3976 0,000000 Nanas 144,9047 0,000000 Pisang Ambon - - Jeruk Siam 93352,78 0,000000 Semangka Tanpa Biji 319,4438 0,000000 Melon 7204,979 0,000000 Salak Bali - - Sumber : Lampiran 39-44.
Berdasarkan hasil pemeriksaan terhadap galat terbakukan, dapat dilihat
bahwa nilai JB dari tiap buah memiliki nilai probabilitas 0.000000 yang berarti
penolakan terhadap hipotesis nol, artinya galat terbakukan tidak menyebar normal.
Walaupun tidak menyebar normal, estimasi parameter akan tetap konsisten
apabila persamaan rataan dan persamaan varian dispesifikasi dengan benar
(Brooks, 2002).
Tahap berikutnya adalah memeriksa koefisien Autocorrelation Function
(ACF) galat terbakukan. Harapannya adalah bahwa galat terbakukan tersebut
saling bebas dan sudah tidak terdapat lagi heteroskedastisitas. Berdasarkan hasil
uji Ljung-Box terlihat bahwa ACF residual kuadrat pada 15 lag pertama sudah
tidak signifikan artinya sudah tidak terdapat efek ARCH. Nilai probabilitas dari
lag ke-1 hingga lag ke-20 yang lebih besar dari 0.05 menunjukan bahwa residual
kuadrat sudah bersifat random dan stasioner (Lampiran 7). Dengan demikian
kinerja model dapat dikatakan baik.
Hasil uji ARCH (Tabel 7.8) untuk menguji keberadaan efek ARCH
menunjukkan bahwa nilai Langrange Multiplier (LM) lebih kecil dari nilai kritis
χ22. Terlihat nilai Probability dari tiap buah yang lebih besar dari 0.05. Ini berarti
LM test mengindikasikan bahwa memang sudah tidak terdapat efek ARCH.
Tabel 5.8. Hasil Pengujian Efek ARCH pada Residual Model ARCH- GARCH
Komoditas Nilai F-statistic Probabilitas Alpukat 0,540168 0,4625 Pepaya 6,683134 0,0099 Nanas 1,532029 0,2161 Pisang Ambon - - Jeruk Siam 0,358534 0,5494 Semangka Tanpa Biji 0,249662 0,6174 Melon 0,041879 0,8379 Salak Bali - - Sumber : Lampiran 51-56.
Berdasarkan serangkaian hasil pengujian maka dapat dilakukan peramalan
ragam untuk mengetahui tingkat risiko harga untuk tiap komoditas. Untuk
melakukan peramalan ragam dapat dilakukan dengan menggunakan model
persamaan yang telah diperoleh sebagai berikut :
Tabel 5.9. Hasil Pendugaan Persamaan Ragam
Variabel Komoditas Koefisien Volatilitas periode
sebelumnya (εt-12)
Varian periode sebelumnya (ht-1)
Alpukat 3.050,57 0,07 0,89 Pepaya 204,35 0,11 0,88 Nanas 155,07 0,08 0,90 Jeruk Siam 162.520,30 0,14 - Semangka Tanpa Biji 4.000,34 0,11 0,57 Melon 1.336,42 0,05 0,90 Model tersebut memberikan informasi bahwa tingkat risiko harga buah
dipengaruhi oleh besarnya nilai sisaan sehari sebelumnya dan besarnya simpangan
baku dari rataannya untuk satu hari sebelumnya. Kecuali untuk jeruk siam, tingkat
risiko harga jeruk siam hanya dipengaruhi oleh besarnya nilai sisaan sehari
sebelumnya.
5.3. Penghitungan Volatilitas
Penghitungan volatilitas dilakukan untuk mengetahui seberapa besar
tingkat volatilitas pada harga buah-buahan komoditas unggulan Indonesia. Nilai
volatilitas yang akan datang (σt+1) dapat diperoleh dari model persamaan ARCH-
GARCH yang telah diperoleh, dimana σt = √ ht.
Nilai volatilitas yang besar atau kecil menggambarkan seberapa besar
tingkat risiko yang akan dihadapi pada masa yang akan datang. Informasi tentang
volatilitas ini berfungsi bagi para pelaku pasar yaitu para pebisnis buah. Semakin
tinggi nilai volatilitas maka risiko yang dihadapi juga akan semakin besar.
Berdasarkan konsep risiko yang telah dijelaskan sebelumnya apabila risiko yang
dihadapi besar maka keuntungan yang akan diperoleh juga akan semakin besar
(high risk high return).
Tabel 5.10. Hasil Penghitungan Volatilitas
Komoditas Nilai Volatilitas Alpukat 129.02 Pepaya 42.68 Nanas 39.57 Pisang Ambon - Jeruk Siam 428.32 Semangka Tanpa Biji 90.28 Melon 68.06 Salak Bali - Berdasarkan hasil penghitungan volatilitas pada buah yang dianalisis
terlihat bahwa jeruk siam memiliki nilai volatilitas paling tinggi sebesar 428.32
dan buah nanas memiliki nilai volatilitas paling kecil sebesar 39.57. Hal ini
mengindikasikan bahwa jeruk siam merupakan buah komoditas ekspor yang
memiliki fluktuasi harga paling besar, sedangkan buah nanas merupakan buah
komoditas ekspor Indonesia yang memiliki fluktuasi harga paling kecil.
Nilai volatilitas jeruk siam yang besar disebabkan oleh waktu panen dari
jeruk siam yang hanya ada pada periode April hingga Juli atau tidak tersedia
sepanjang tahun. Pada periode panen yang hanya empat bulan tersebut, harga akan
turun karena jumlah buah yang cukup banyak. Pada periode selain masa panen
harga akan naik karena jumlah buah yang tersedia akan berkurang.
Untuk buah nanas yang memiliki nilai volatilitas rendah disebabkan oleh
waktu panen dari buah nanas yang tersedia sepanjang tahun. Hal ini menyebabkan
fluktuasi harga dari buah nanas tidak terlalu besar karena jumlah ketersediaan
buah yang selalu ada sepanjang tahun. Berdasarkan plot deret waktu harga harian
buah nanas (Gambar 6.3) dapat dilihat bahwa fluktuasi harga yang terjadi juga
tidak terlalu besar.
Nilai volatilitas pada pisang ambon dan salak bali tidak bisa diperoleh.
Seperti yang telah dijelaskan sebelumnya, karena kedua buah komoditas ekspor
Indonesia tersebut tidak memiliki persamaan ARCH-GARCH, maka nilai
volatilitas tidak bisa ditentukan.
Berdasarkan uraian di atas dapat disimpulkan bahwa jeruk siam
merupakan buah dengan nilai volatilitas paling tinggi yang berarti bahwa buah
tersebut memiliki risiko perubahan harga yang besar dan fluktuatif. Sedangkan
buah nanas merupakan buah yang memiliki nilai volatilitas terkecil yang berarti
bahwa buah tersebut memiliki risiko perubahan harga yang tidak terlalu
berpengaruh dan fluktuasinya relatif stabil.
VI. IDENTIFIKASI HUBUNGAN
ANTARA JUMLAH PASOKAN DENGAN HARGA BUAH
6.1. Eksplorasi Pola Data Buah Alpukat
Eksplorasi pola data dilakukan terhadap data harga dan pasokan harian
buah-buahan yang ada di Pasar Induk Kramat Jati. Gambar 6.1 menunjukkan plot
deret waktu dari pergerakan harga harian buah alpukat periode awal Januari 2006
hingga akhir Desember 2008.
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.1. Plot Deret Waktu Harga dan Jumlah Pasokan Buah Alpukat.
Berdasarkan plot deret waktu harga harian buah alpukat terlihat bahwa
harga berada di kisaran 1.500 hingga 10.000. Fluktuasi yang gradual yang
terdapat pada data dan adanya pola berayun mengindikasikan adanya pola
musiman yang kuat. Fluktuasi pola data menunjukkan adanya 6 periode
pergerakan, yaitu harga yang cenderung naik hingga 6.000 terjadi pada periode
pertama dan cenderung naik hingga 8.000 pada periode ketiga. Kecenderungan
menaik juga terjadi pada periode kelima dimana pada periode tersebut harga
mencapai titik 10.000.
Pada periode kedua, keempat dan keenam terjadi kecenderungan harga
yang menurun. Kecenderungan yang menurun yang terjadi pada periode kedua
mencapai titik harga 1.500. Sedangkan pada periode keempat cenderung menurun
hingga 2.500 dan cenderung menurun juga hingga 3.500 terjadi pada periode
keenam.
6.2. Eksplorasi Pola Data Buah Pepaya
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.2 menunjukkan plot deret waktu
dari pergerakan harga harian buah pepaya dari awal Januari 2006 hingga akhir
Desember 2008.
0
500
1000
1500
2000
2500
3000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.2. Plot Deret Waktu Harga dan Pasokan Buah Pepaya.
Berdasarkan plot deret waktu harga harian buah pepaya terlihat bahwa
harga berkisar di antara 1.000 hingga 3.000. Pada data juga terjadi pola fluktuasi
gradual namun tidak menunjukkan pola berayun yang kuat pada periode pertama.
Berdasarkan plot data harga harian juga telihat bahwa terjadi 8 periode
pergerakan. Pada periode pertama harga cenderung naik hingga 1.600.
Kecenderungan menaik juga terjadi pada periode ketiga dimana harga mencapai
2.600, diikuti periode kelima dengan kecenderungan naik hingga 3.000 dan pada
periode ketujuh dengan harga 2.700.
Periode penurunan terjadi pada periode kedua dimana data menunjukkan
penurunan hingga 1.000. Pada periode keempat terjadi penurunan hingga harga
1.400, disusul periode keenam dengan penurunan hingga titik 1.500 dan 1.200
pada periode kedelapan.
6.3. Eksplorasi Pola Data Buah Nanas
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.3 menunjukkan plot deret waktu
dari pergerakan harga harian buah nanas dari awal Januari 2006 hingga akhir
Desember 2008.
0
500
1000
1500
2000
2500
3000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.3. Plot Deret Waktu Harga dan Pasokan Buah Nanas.
Berdasarkan plot deret waktu harga harian buah nanas terlihat bahwa
harga berada di kisaran 1.300 hingga 4.000. Harga terlihat berfluktuasi gradual.
Namun secara keseluruhan tidak terlalu terlihat pola berayun pada data harga.
Dari gambar terlihat bahwa data harga mengandung unsur trend menaik. Fluktuasi
pola data memperlihatkan adanya 4 periode pergerakan, yaitu harga yang
cenderung turun hingga 1.300 terjadi pada periode pertama dan cenderung turun
hingga 2.000 terjadi pada periode ketiga. Periode kedua dan periode keempat
harga cenderung naik. Pada periode kedua kenaikan terjadi hingga 2.500 dan pada
periode keempat kenaikan terjadi hingga 4.000.
Berdasarkan Gambar 6.3 jika dibandingkan antara pergerakan jumlah
pasokan dengan pergerakan dari harga buah nanas, terlihat bahwa ketika jumlah
pasokan meningkat maka harga akan turun.
6.4. Eksplorasi Pola Data Pisang Ambon
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.4 menunjukkan plot deret waktu
dari pergerakan harga harian pisang ambon periode awal Januari 2006 hingga
akhir Desember 2008.
0
2000
4000
6000
8000
10000
12000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (per 10 ton) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.4. Plot Deret Waktu Harga dan Pasokan Pisang Ambon.
Dari plot deret waktu harga harian pisang ambon terlihat bahwa harga
berkisar antara 4.000 hingga 13.000. Harga terlihat berfluktuasi secara gradual
dan terdapat pola berayun yang mengindikasikan adanya pola musiman. Fluktuasi
pola data memperlihatkan adanya 4 periode pergerakan. Periode penurunan terjadi
pada periode pertama dimana harga berada pada posisi 4.000 dan cenderung turun
hingga 6.000 pada periode ketiga. Periode kedua dan keempat merupakan periode
dimana terjadi kenaikan. Pada periode kedua kenaikan terjadi hingga 11.000 dan
pada periode keempat kenaikan terjadi hingga 13.000.
6.5. Eksplorasi Pola Data Jeruk Siam
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.5 menunjukkan plot deret waktu
dari pergerakan harga harian jeruk siam dari awal Januari 2006 hingga akhir
Desember 2008.
0
2000
4000
6000
8000
10000
12000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.5. Plot Deret Waktu Harga dan Pasokan Jeruk Siam.
Berdasarkan plot deret waktu harga harian buah jeruk siam terlihat bahwa
harga berada di kisaran 1.800 hingga 14.000. Fluktuasi yang gradual yang
terdapat pada data dan adanya pola berayun mengindikasikan adanya pola
musiman yang kuat. Fluktuasi pola data menunjukkan adanya 4 periode
pergerakan, yaitu harga yang cenderung naik hingga 9.000 terjadi pada periode
pertama dan cenderung naik hingga 14.000 pada periode ketiga.
Pada periode kedua dan keempat terjadi kecenderungan harga yang
menurun. Kecenderungan yang menurun yang terjadi pada periode kedua
mencapai titik harga 1.800. Sedangkan pada periode keempat cenderung menurun
hingga 6.000.
6.6. Eksplorasi Pola Data Buah Semangka Tanpa Biji
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.6 menunjukkan plot deret waktu
dari pergerakan harga harian semangka tanpa biji dari awal Januari 2006 hingga
akhir Desember 2008.
0
500
1000
1500
2000
2500
3000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal) Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.6. Plot Deret Waktu Harga dan Pasokan Semangka Tanpa Biji.
Dari plot deret waktu harga harian semangka tanpa biji terlihat bahwa
harga berkisar antara 1.200 hingga 3.300. Harga terlihat berfluktuasi secara
gradual dan terdapat pola berayun yang mengindikasikan adanya pola musiman
yang kuat. Fluktuasi pola data memperlihatkan adanya 4 periode pergerakan.
Periode penurunan terjadi pada periode pertama dimana harga berada pada
posisi 1.500 dan cenderung turun hingga 1.200 pada periode ketiga. Periode kedua
0
1000
2000
3000
4000
5000
6000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (Kuintal)
dan keempat merupakan periode dimana terjadi kenaikan. Pada periode kedua
kenaikan terjadi hingga 3.000 dan pada periode keempat kenaikan terjadi hingga
3.300.
Berdasarkan Gambar 6.6 jika dibandingkan antara pergerakan jumlah
pasokan dengan pergerakan dari harga semangka tanpa biji, terlihat bahwa ketika
jumlah pasokan meningkat maka harga akan turun. Hal ini dapat dilihat pada plot
harga dan pasokan pada hari yang sama.
6.7. Eksplorasi Pola Data Buah Melon
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar 6.7 menunjukkan plot deret waktu
dari pergerakan harga harian buah melon periode awal Januari 2006 hingga akhir
Desember 2008.
Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.7. Plot Deret Waktu Harga dan Pasokan Buah Melon.
Berdasarkan plot deret waktu harga harian buah melon terlihat bahwa
harga berada di kisaran 2.500 hingga 7.500. Fluktuasi yang gradual yang terdapat
pada data dan adanya pola berayun mengindikasikan adanya pola musiman.
Fluktuasi pola data menunjukkan adanya 5 periode pergerakan yang kuat, yaitu
0
50000
100000
150000
200000
250000
300000
350000
400000
Janu
ari 0
6
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
7
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Janu
ari 0
8
Feb
Mar
Apr
Mei
Jun
Jul
Ags
Sep Okt
Nov
Des
Bulan
Harga (Rp) Pasokan (per 100 ton)
harga yang cenderung naik hingga 5.800 terjadi pada periode pertama dan
cenderung naik hingga 6.000 pada periode ketiga dan naik hingga 7.500 pada
periode kelima.
Pada periode kedua dan keempat terjadi kecenderungan harga yang
menurun. Kecenderungan yang menurun yang terjadi pada periode kedua
mencapai titik harga 2.500. Sedangkan pada periode keempat cenderung menurun
hingga 3.400.
6.8. Eksplorasi Pola Data Salak Bali
Eksplorasi pola data dilakukan terhadap data harga harian buah-buahan
yang ada di Pasar Induk Kramat Jati. Gambar berikut menunjukkan plot deret
waktu dari pergerakan harga harian salak bali dari awal Januari 2006 hingga akhir
Desember 2008.
Sumber : Pasar Induk Kramat Jati, 2009.
Gambar 6.8. Plot Deret Waktu Harga dan Pasokan Salak Bali.
Dari plot deret waktu harga harian salak bali terlihat bahwa harga berkisar
antara 70.000 hingga 375.000. Harga terlihat berfluktuasi secara gradual dan
terdapat pola berayun yang mengindikasikan adanya pola musiman yang kuat.
Fluktuasi pola data memperlihatkan adanya 5 periode pergerakan. Harga terlihat
naik dari awal data yang dianalisis pada posisi 70.000 hingga berada pada posisi
260.000. Periode kenaikan berikutnya terjadi pada periode ketiga dimana harga
berada pada posisi 365.000 dan juga pada periode kelima yang mencapai harga
375.000.
Periode kedua dan keempat merupakan periode penurunan harga. Pada
periode kedua harga menurun hingga 200.000 dan pada periode keempat yang
mencapai 250.000.
6.9. Identifikasi Hubungan antara Jumlah Pasokan dengan Harga Buah
Fluktuasi harga juga bisa disebabkan oleh kurangnya jumlah penawaran
(produksi). Berdasarkan hukum permintaan dan penawaran, apabila jumlah
pasokan buah bertambah maka harga buah akan turun. Begitu juga sebaliknya,
apabila jumlah pasokan buah berkurang maka harga buah akan naik. Hal ini
menunjukkan adanya hubungan negatif antara jumlah pasokan dengan harga buah.
Umumnya sering dijumpai dua variabel random yang masing-masing
merupakan variabel yang tidak stasioner. Tetapi kombinasi linier antara kedua
variabel tersebut merupakan time series yang stasioner. Dalam kasus penelitian ini
akan diuji apakah harga buah dipengaruhi oleh jumlah pasokan.
Uji Augmented Dickey-Fuller (ADF) digunakan untuk melihat
kestasioneran data harga buah. Hal ini dapat dilihat dari nilai ADF test statistic
yang lebih besar dari critical value (nilai kritis) yang menunjukkan bahwa data
harga telah stasioner. Pada umumnya data runtut waktu (time series) memiliki
unsur kecenderungan (trend) yang menjadikan kondisi data time series menjadi
tidak stasioner. Sedangkan penerapan model ARIMA hanya dapat dilakukan pada
data yang sudah stasioner. Oleh karena itu diperlukan pembedaan yang dapat
membedakan data yang belum stasioner dengan data baru yang sudah stasioner.
Biasanya hal ini disebut dengan differencing.
Berdasarkan Tabel 6.1 dapat dilihat bahwa nilai ADF test statistic dari
setiap komoditas buah, lebih besar dari critical value pada taraf nyata 5 persen.
Hal ini menunjukkan bahwa data harga telah stasioner setelah dilakukan
differencing satu kali.
Tabel 6.1. Hasil Uji Stasioneritas Data Harga Buah-buahan
Komoditas ADF t-Statistic Critical Values Prob.* Alpukat -22,93214 -2,863984 0,0000 Pepaya -39,08125 -2,863979 0,0000 Nanas -20,02493 -2,863989 0,0000 Pisang Ambon -20,91059 -2,863986 0,0000 Jeruk Siam -29,79694 -2,863981 0,0000 Semangka Tanpa Biji -38,29993 -2,863979 0,0000 Melon -33,72157 -2,863979 0,0000 Salak Bali -34,34869 -2,863979 0,0000 Sumber : Lampiran 9-16. Keterangan : *) Stasioner pada taraf nyata 0,05
Uji kointegrasi dengan menggunakan uji two steps Engle-Granger
dilakukan untuk mengidentifikasi apakah terjadi kointegrasi antara harga buah dan
jumlah pasokan, yang berarti terdapat hubungan di antaranya.
Tabel 6.2. Hasil Pengujian Koefisien Regresi
Komoditas Nilai Koefisien* Alpukat -33,52 Pepaya -3,82 Nanas -1,34 Pisang Ambon -20,07 Jeruk Siam -3,99 Semangka Tanpa Biji -0,63 Melon -6,55 Salak Bali -846,76 Keterangan : *) Signifikan pada taraf nyata 0,05
Berdasarkan tabel 6.2 dapat dilihat bahwa nilai koefisien regresi antara
harga buah dengan jumlah pasokan bernilai negatif. Hal ini menunjukkan bahwa
jumlah pasokan memang memiliki hubungan yang negatif terhadap harga buah
yang berarti sesuai dengan teori yang ada.
Uji kointegrasi untuk melihat hubungan jangka panjang antara jumlah
pasokan dengan harga buah dilakukan dengan menggunakan uji two steps Engle-
Granger yang terdiri dari dua tahap. Langkah pertama dalam proses uji kointegrasi
adalah menghitung nilai residual persamaan regresi awal. Tahap kedua adalah
melakukan analisis dengan memasukkan residual dari langkah pertama. Hasil uji
kointegrasi antara harga dan pasokan disajikan sebagai berikut :
Tabel 6.3. Hasil Uji Kointegrasi antara Jumlah Pasokan dengan Harga Buah
Komoditas t-Statistic Probability Alpukat 2,539248 0,0112 Pepaya 2,903137 0,0038 Nanas 3,737074 0,0002 Pisang Ambon 4,152334 0,0000 Jeruk Siam 1,999468 0,0458 Semangka Tanpa Biji 3,476255 0,0005 Melon 3,655641 0,0003 Salak Bali -0,908212 0,3640 Sumber : Lampiran 57-64.
Hasil pengujian memperlihatkan bahwa nilai t-Statistic dari residual dari
tiap komoditas cukup tinggi (di atas 2) dan nilai probabilitas yang lebih kecil dari
0.05. Hal ini menunjukkan bahwa model yang digunakan sudah valid. Sehingga
dapat disimpulkan bahwa jumlah pasokan akan mempengaruhi harga buah.
Artinya terjadi kointegrasi dalam jangka panjang antara jumlah pasokan dengan
harga buah.
Pengujian kointegrasi yang dilakukan pada jeruk siam menghasilkan nilai
t-Statistic yang kurang dari dua. Hal ini menunjukkan bahwa model yang
digunakan belum valid. Selain itu pengujian kointegrasi antara harga dan pasokan
yang dilakukan pada salak bali juga menghasilkan nilai t-Statistic yang kurang
dari dua dan nilai probabilitas yang lebih besar dari 0.05. Sehingga dapat
disimpulkan bahwa jumlah pasokan salak bali tidak akan mempengaruhi harga
salak bali.
Hasil pengujian koefisien regresi yang dilakukan pada salak bali
menunjukkan bahwa hubungan antara jumlah pasokan dengan harga salak bali
bertanda negatif. Artinya bahwa jika terjadi kenaikan jumlah pasokan maka harga
salak bali akan turun. Hal ini sesuai dengan teori yang telah dijelaskan
sebelumnya. Namun pada pengujian kointegrasi antara jumlah pasokan dengan
harga salak bali menunjukkan bahwa tidak terjadi kointegrasi antara jumlah
pasokan dengan harga salak bali dalam jangka panjang. Hal ini disebabkan karena
tingkat harga dari salak bali yang cukup besar sedangkan jumlah pasokan tidak
mengalami perubahan yang signifikan, sehingga perubahan jumlah pasokan tidak
akan terlalu berpengaruh nyata terhadap harga salak bali meskipun terdapat
hubungan yang negatif antara jumlah pasokan dengan harga.
VII. KESIMPULAN DAN SARAN
7.1. Kesimpulan
Berdasarkan hasil analisis dan pembahasan yang telah dilakukan dapat
disimpulkan sebagai berikut :
1. Berdasarkan analisis yang dilakukan maka jeruk siam merupakan buah yang
memiliki volatilitas paling tinggi. Hal ini disebabkan oleh unsur musiman
yang dimiliki oleh jeruk siam. Unsur musiman yang dimiliki oleh jeruk siam
mempengaruhi ketersediaan jeruk siam. Dengan periode panen jeruk siam
yang pendek (April-Juni) menyebabkan jumlah ketersediaan jeruk siam
terbatas, sehingga fluktuasi harga terus terjadi. Sedangkan buah nanas
merupakan buah yang memiliki volatilitas paling kecil di antara buah-buahan
Indonesia yang dianalisis. Hal ini dikarenakan buah nanas merupakan buah
yang memiliki ketersediaan buah sepanjang tahun, sehingga fluktuasi harga
relatif stabil.
2. Dari hasil pengujian kointegrasi antara jumlah pasokan dengan harga dapat
disimpulkan bahwa jumlah pasokan akan mempengaruhi harga buah-buahan
yang dianalisis. Namun pengujian kointegrasi antara jumlah pasokan dan
harga salak bali menunjukkan bahwa jumlah pasokan salak bali tidak akan
mempengaruhi harga salak bali. Hal ini disebabkan karena tingkat harga dari
salak bali yang cukup besar sedangkan jumlah pasokan tidak mengalami
perubahan yang signifikan, sehingga perubahan jumlah pasokan tidak akan
terlalu berpengaruh nyata terhadap harga salak bali meskipun terdapat
hubungan yang negatif antara jumlah pasokan dengan harga.
7.2. Saran
1. Untuk mengatasi fluktuasi harga yang besar dari buah-buahan yang memiliki
volatilitas yang tinggi karena pengaruh unsur musiman, diperlukan kebijakan
yang dapat menjaga tingkat harga pada level stabil seperti kebijakan impor
untuk menjaga ketersediaan buah, atau perlu adanya intervensi dari
pemerintah agar harga buah-buahan tidak terlalu fluktuatif.
2. Untuk penelitian selanjutnya sebaiknya dilakukan penelitian tentang faktor-
faktor yang mempengaruhi fluktuasi harga buah-buahan komoditas ekspor
Indonesia, selain menggunakan metode kuantitatif dan model ekonometrika.
Hal ini diperlukan agar hasil analisis yang diperoleh lebih mendalam dan
terperinci.
DAFTAR PUSTAKA
Badan Pusat Statistik. 2008. Statistik Tanaman Buah-buahan Tahun 2008. Jakarta. Brooks, C. 2002. Introductory Econometrics For Finance. Cambridge University
Press. Cambridge, Mass. Direktorat Jenderal Tanaman Hortikultura. 2008. Statistik Tanaman Buah-buahan
Tahun 2008. Jakarta. Enders, W. 2004. Applied Econometrics Time Series. Second Edition. John Wiley
& Sons. Engle, R. 2001. “GARCH 101: The Use of ARCH/GARCH Models in Applied
Econometrics”. Journal of Economic Perspectives. Volume 15 Number 4. Pages 157-168.
Fariyanti, A, et al,. 2007. Perilaku Ekonomi Rumah Tangga Petani Sayuran Pada
Kondisi Risiko Produksi dan Harga Di Kecamatan Pengalengan Kabupaten Bandung. Jurnal Agro Ekonomi. Volume 25 No.2. Oktober 2007: 178-206.
Firdaus, M. 2006. Analisis Deret Waktu Satu Ragam. IPB Press, Bogor Gaynor, P.E. and R.C. Kirkpatrick. 1994. Introduction to Time Series Modeling
and Forecasting in Business and Economics. McGraw-Hill. Gujarati, D. 1978. Ekonometrika Dasar. Zain dan Sumarno [penerjemah].
Erlangga, Jakarta. Iskandar, E. 2006. Analisis Risiko Investasi Saham Agribisnis Rokok dengan
Pendekatan ARCH-GARCH [Skripsi]. Program Studi Manajemen Agribisnis. Fakultas Pertanian. Institut Pertanian Bogor.
Kurniawan, R. 1993. Analisis Konsumsi Pangan Rumah Tangga di Pulau Jawa
Suatu Kajian Almost Ideal Demand System (AIDS) dengan Data SUSENAS 1990 [Skripsi]. Jurusan Ilmu-ilmu Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor.
Makridakis, S. and S.C. Wheelwright. 1989. Forecasting Methods for
Management. Fifth Edition. John Wiley & Sons. Newbold, F. and T. Bos. 1990. Introductory Business & Economic Forecasting.
South-Western Publishing.
Pasar Induk Kramat Jati. 2009. Daftar Harga dan Tonase Buah-buahan dan Sayur-mayur 2009. Jakarta.
Pradana, D. 2008. Analisis Faktor-faktor yang Mempengaruhi Nilai Tukar Petani
Buah di Jawa Barat [Skripsi]. Departemen Ilmu Ekonomi. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor.
Ramadhona, B. 2004. Analisis Investasi Dengan Pendekatan Model ARCH-
GARCH dan Pendugaan Harga Saham dengan Pendekatan Model Time Series pada Perusahaan Agribisnis Terpilih di PT. Bursa Efek Jakarta [Skripsi]. Program Studi Sosial Ekonomi Pertanian. Fakultas Pertanian. Institut Pertanian Bogor.
Sawit, et al,. 1997. Perubahan Pola Konsumsi Komoditas Hortikultura di
Indonesia. Pusat Studi Ilmu Ekonomi Pertanian Sekolah Pascasarjana Institut Pertanian Bogor. Bogor.
Siregar, Y. R. 2009. Analisis Risiko Harga Day Old Chick (DOC) Broiler dan
Layer pada PT. Sierad Produce Tbk. Parung, Bogor [Skripsi]. Program Studi Ekstensi Agribisnis. Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor.
Wardani, T. P. K. 2007. Analisis Pola Konsumsi dan Permintaan Buah pada
Tingkat Rumah Tangga di Pulau Jawa Penerapan Model Almost Ideal Demand System (AIDS) [Skripsi]. Program Studi Ekonomi Pertanian dan Sumberdaya. Fakultas Pertanian. Institut Pertanian Bogor.
LAMPIRAN
Lampiran 1. Pengujian Autokorelasi Kuadrat Harga Harian Buah Alpukat Null Hypothesis: D(ALP2) has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -22.55119 0.0000 Test critical values: 1% level -3.436138
5% level -2.863984 10% level -2.568122
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(ALP2,2) Method: Least Squares Date: 08/18/09 Time: 06:41 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(ALP2(-1)) -1.289492 0.057181 -22.55119 0.0000 D(ALP2(-1),2) 0.157570 0.045466 3.465651 0.0005 D(ALP2(-2),2) 0.110879 0.030169 3.675242 0.0002
C 3870.753 111772.8 0.034631 0.9724
R-squared 0.567944 Mean dependent var -1505.969 Adjusted R-squared 0.566749 S.D. dependent var 5603763. S.E. of regression 3688498. Akaike info criterion 33.08300 Sum squared resid 1.48E+16 Schwarz criterion 33.10134 Log likelihood -18009.70 Hannan-Quinn criter. 33.08994 F-statistic 475.4155 Durbin-Watson stat 2.007853 Prob(F-statistic) 0.000000
Lampiran 2. Pengujian Autokorelasi Kuadrat Harga Harian Buah Pepaya Null Hypothesis: D(PPY2) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -38.28345 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PPY2,2) Method: Least Squares Date: 08/18/09 Time: 06:42 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(PPY2(-1)) -1.149077 0.030015 -38.28345 0.0000 C 2558.267 11306.95 0.226256 0.8210
R-squared 0.573714 Mean dependent var 925.7562 Adjusted R-squared 0.573322 S.D. dependent var 571748.3 S.E. of regression 373469.2 Akaike info criterion 28.50089 Sum squared resid 1.52E+14 Schwarz criterion 28.51005 Log likelihood -15545.24 Hannan-Quinn criter. 28.50436 F-statistic 1465.622 Durbin-Watson stat 1.984901 Prob(F-statistic) 0.000000
Lampiran 3. Pengujian Autokorelasi Kuadrat Harga Harian Buah Nanas Null Hypothesis: D(NNS2) has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -19.73201 0.0000 Test critical values: 1% level -3.436149
5% level -2.863989 10% level -2.568125
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(NNS2,2) Method: Least Squares Date: 08/18/09 Time: 06:43 Sample (adjusted): 7 1093 Included observations: 1087 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(NNS2(-1)) -1.659666 0.084110 -19.73201 0.0000 D(NNS2(-1),2) 0.481218 0.072205 6.664640 0.0000 D(NNS2(-2),2) 0.336449 0.060399 5.570464 0.0000 D(NNS2(-3),2) 0.272528 0.046187 5.900521 0.0000 D(NNS2(-4),2) 0.095009 0.030294 3.136271 0.0018
C 14541.83 14977.70 0.970898 0.3318
R-squared 0.590544 Mean dependent var 634.7746 Adjusted R-squared 0.588650 S.D. dependent var 769035.2 S.E. of regression 493232.6 Akaike info criterion 29.06085 Sum squared resid 2.63E+14 Schwarz criterion 29.08840 Log likelihood -15788.57 Hannan-Quinn criter. 29.07128 F-statistic 311.8179 Durbin-Watson stat 2.006627 Prob(F-statistic) 0.000000
Lampiran 4. Pengujian Autokorelasi Kuadrat Harga Harian Pisang Ambon Null Hypothesis: D(PSG2) has a unit root Exogenous: Constant Lag Length: 3 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -21.33015 0.0000 Test critical values: 1% level -3.436143
5% level -2.863986 10% level -2.568124
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PSG2,2) Method: Least Squares Date: 08/18/09 Time: 06:44 Sample (adjusted): 6 1093 Included observations: 1088 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(PSG2(-1)) -1.443115 0.067656 -21.33015 0.0000 D(PSG2(-1),2) 0.350013 0.056627 6.181055 0.0000 D(PSG2(-2),2) 0.233721 0.044354 5.269461 0.0000 D(PSG2(-3),2) 0.145037 0.030142 4.811759 0.0000
C 54684.99 185346.7 0.295042 0.7680
R-squared 0.550360 Mean dependent var -8042.279 Adjusted R-squared 0.548699 S.D. dependent var 9099677. S.E. of regression 6113068. Akaike info criterion 34.09434 Sum squared resid 4.05E+16 Schwarz criterion 34.11728 Log likelihood -18542.32 Hannan-Quinn criter. 34.10302 F-statistic 331.3978 Durbin-Watson stat 2.010634 Prob(F-statistic) 0.000000
Lampiran 5. Pengujian Autokorelasi Kuadrat Harga Harian Jeruk Siam Null Hypothesis: D(JRK2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -29.74425 0.0000 Test critical values: 1% level -3.436132
5% level -2.863981 10% level -2.568121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(JRK2,2) Method: Least Squares Date: 08/18/09 Time: 06:45 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(JRK2(-1)) -1.419407 0.047720 -29.74425 0.0000 D(JRK2(-1),2) 0.127775 0.030075 4.248498 0.0000
C 31809.80 200475.9 0.158671 0.8740
R-squared 0.635350 Mean dependent var -1.37E-11 Adjusted R-squared 0.634679 S.D. dependent var 10950426 S.E. of regression 6618631. Akaike info criterion 34.25142 Sum squared resid 4.76E+16 Schwarz criterion 34.26517 Log likelihood -18664.03 Hannan-Quinn criter. 34.25663 F-statistic 946.9713 Durbin-Watson stat 1.992890 Prob(F-statistic) 0.000000
Lampiran 6. Pengujian Autokorelasi Kuadrat Harga Harian Semangka Tanpa Biji Null Hypothesis: D(SEM2) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -37.60978 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SEM2,2) Method: Least Squares Date: 08/18/09 Time: 06:46 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(SEM2(-1)) -1.129114 0.030022 -37.60978 0.0000 C 1109.539 14542.28 0.076297 0.9392
R-squared 0.565008 Mean dependent var -1219.065 Adjusted R-squared 0.564609 S.D. dependent var 727949.4 S.E. of regression 480331.4 Akaike info criterion 29.00417 Sum squared resid 2.51E+14 Schwarz criterion 29.01333 Log likelihood -15819.78 Hannan-Quinn criter. 29.00764 F-statistic 1414.496 Durbin-Watson stat 2.003613 Prob(F-statistic) 0.000000
Lampiran 7. Pengujian Autokorelasi Kuadrat Harga Harian Buah Melon Null Hypothesis: D(MEL2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -20.91578 0.0000 Test critical values: 1% level -3.436132
5% level -2.863981 10% level -2.568121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(MEL2,2) Method: Least Squares Date: 08/18/09 Time: 06:46 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(MEL2(-1)) -0.889428 0.042524 -20.91578 0.0000 D(MEL2(-1),2) -0.087503 0.030455 -2.873181 0.0041
C 19953.68 45242.68 0.441037 0.6593
R-squared 0.487250 Mean dependent var 5733.945 Adjusted R-squared 0.486307 S.D. dependent var 2083808. S.E. of regression 1493515. Akaike info criterion 31.27391 Sum squared resid 2.42E+15 Schwarz criterion 31.28766 Log likelihood -17041.28 Hannan-Quinn criter. 31.27911 F-statistic 516.4711 Durbin-Watson stat 1.975110 Prob(F-statistic) 0.000000
Lampiran 8. Pengujian Autokorelasi Kuadrat Harga Harian Salak Bali Null Hypothesis: D(SAL2) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -28.71230 0.0000 Test critical values: 1% level -3.436132
5% level -2.863981 10% level -2.568121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SAL2,2) Method: Least Squares Date: 08/18/09 Time: 06:47 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(SAL2(-1)) -1.391583 0.048466 -28.71230 0.0000 D(SAL2(-1),2) 0.082605 0.030231 2.732433 0.0064
C 55944195 1.27E+08 0.440847 0.6594
R-squared 0.645091 Mean dependent var 2041284. Adjusted R-squared 0.644438 S.D. dependent var 7.03E+09 S.E. of regression 4.19E+09 Akaike info criterion 47.15217 Sum squared resid 1.91E+22 Schwarz criterion 47.16591 Log likelihood -25694.93 Hannan-Quinn criter. 47.15737 F-statistic 987.8774 Durbin-Watson stat 2.000066 Prob(F-statistic) 0.000000
Lampiran 9. Uji Stasioneritas Data Harga Buah Alpukat Null Hypothesis: D(ALP) has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -22.93214 0.0000 Test critical values: 1% level -3.436138
5% level -2.863984 10% level -2.568122
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(ALP,2) Method: Least Squares Date: 08/18/09 Time: 06:50 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(ALP(-1)) -1.346153 0.058702 -22.93214 0.0000 D(ALP(-1),2) 0.175072 0.046299 3.781369 0.0002 D(ALP(-2),2) 0.107440 0.030173 3.560823 0.0004
C 0.536953 9.833964 0.054602 0.9565
R-squared 0.584758 Mean dependent var -0.183655 Adjusted R-squared 0.583610 S.D. dependent var 502.9116 S.E. of regression 324.5201 Akaike info criterion 14.40624 Sum squared resid 1.14E+08 Schwarz criterion 14.42458 Log likelihood -7840.197 Hannan-Quinn criter. 14.41318 F-statistic 509.3122 Durbin-Watson stat 2.006866 Prob(F-statistic) 0.000000
Lampiran 10. Uji Stasioneritas Data Harga Buah Pepaya Null Hypothesis: D(PPY) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -39.08125 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PPY,2) Method: Least Squares Date: 08/18/09 Time: 06:51 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(PPY(-1)) -1.168811 0.029907 -39.08125 0.0000 C 0.810638 3.090733 0.262280 0.7932
R-squared 0.583770 Mean dependent var 0.274977 Adjusted R-squared 0.583388 S.D. dependent var 158.1626 S.E. of regression 102.0868 Akaike info criterion 12.09136 Sum squared resid 11349249 Schwarz criterion 12.10051 Log likelihood -6593.834 Hannan-Quinn criter. 12.09482 F-statistic 1527.344 Durbin-Watson stat 2.001903 Prob(F-statistic) 0.000000
Lampiran 11. Uji Stasioneritas Data Harga Buah Nanas Null Hypothesis: D(NNS) has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -20.02493 0.0000 Test critical values: 1% level -3.436149
5% level -2.863989 10% level -2.568125
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(NNS,2) Method: Least Squares Date: 08/18/09 Time: 06:51 Sample (adjusted): 7 1093 Included observations: 1087 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(NNS(-1)) -1.701889 0.084989 -20.02493 0.0000 D(NNS(-1),2) 0.515274 0.072514 7.105813 0.0000 D(NNS(-2),2) 0.366105 0.060534 6.047902 0.0000 D(NNS(-3),2) 0.291388 0.046250 6.300322 0.0000 D(NNS(-4),2) 0.084122 0.030276 2.778470 0.0056
C 2.911741 3.358093 0.867082 0.3861
R-squared 0.596673 Mean dependent var 0.091996 Adjusted R-squared 0.594808 S.D. dependent var 173.7744 S.E. of regression 110.6156 Akaike info criterion 12.25550 Sum squared resid 13226909 Schwarz criterion 12.28305 Log likelihood -6654.866 Hannan-Quinn criter. 12.26593 F-statistic 319.8417 Durbin-Watson stat 2.004959 Prob(F-statistic) 0.000000
Lampiran 12. Uji Stasioneritas Data Harga Pisang Ambon Null Hypothesis: D(PSG) has a unit root Exogenous: Constant Lag Length: 3 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -20.91059 0.0000 Test critical values: 1% level -3.436143
5% level -2.863986 10% level -2.568124
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PSG,2) Method: Least Squares Date: 08/18/09 Time: 06:52 Sample (adjusted): 6 1093 Included observations: 1088 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(PSG(-1)) -1.456188 0.069639 -20.91059 0.0000 D(PSG(-1),2) 0.340866 0.058100 5.866888 0.0000 D(PSG(-2),2) 0.203380 0.045075 4.512041 0.0000 D(PSG(-3),2) 0.111527 0.030262 3.685321 0.0002
C 3.974757 11.65631 0.340996 0.7332
R-squared 0.557845 Mean dependent var -0.459559 Adjusted R-squared 0.556212 S.D. dependent var 577.0755 S.E. of regression 384.4329 Akaike info criterion 14.74600 Sum squared resid 1.60E+08 Schwarz criterion 14.76894 Log likelihood -8016.824 Hannan-Quinn criter. 14.75468 F-statistic 341.5914 Durbin-Watson stat 2.013793 Prob(F-statistic) 0.000000
Lampiran 13. Uji Stasioneritas Data Harga Jeruk Siam Null Hypothesis: D(JRK) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -29.79694 0.0000 Test critical values: 1% level -3.436132
5% level -2.863981 10% level -2.568121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(JRK,2) Method: Least Squares Date: 08/18/09 Time: 06:53 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(JRK(-1)) -1.442513 0.048411 -29.79694 0.0000 D(JRK(-1),2) 0.116343 0.030108 3.864133 0.0001
C 2.700180 13.80622 0.195577 0.8450
R-squared 0.650884 Mean dependent var 0.000000 Adjusted R-squared 0.650242 S.D. dependent var 770.7126 S.E. of regression 455.8024 Akaike info criterion 15.08474 Sum squared resid 2.26E+08 Schwarz criterion 15.09849 Log likelihood -8218.186 Hannan-Quinn criter. 15.08995 F-statistic 1013.288 Durbin-Watson stat 2.009290 Prob(F-statistic) 0.000000
Lampiran 14. Uji Stasioneritas Data Harga Semangka Tanpa Biji Null Hypothesis: D(SEM) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -38.29993 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SEM,2) Method: Least Squares Date: 08/18/09 Time: 06:54 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(SEM(-1)) -1.146757 0.029942 -38.29993 0.0000 C 0.250576 3.351357 0.074769 0.9404
R-squared 0.573924 Mean dependent var -0.274977 Adjusted R-squared 0.573533 S.D. dependent var 169.5067 S.E. of regression 110.6954 Akaike info criterion 12.25327 Sum squared resid 13344019 Schwarz criterion 12.26243 Log likelihood -6682.160 Hannan-Quinn criter. 12.25674 F-statistic 1466.885 Durbin-Watson stat 2.001699 Prob(F-statistic) 0.000000
Lampiran 15. Uji Stasioneritas Data Harga Buah Melon Null Hypothesis: D(MEL) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -33.72157 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(MEL,2) Method: Least Squares Date: 08/18/09 Time: 06:55 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(MEL(-1)) -1.025442 0.030409 -33.72157 0.0000 C 2.058474 5.138100 0.400630 0.6888
R-squared 0.510813 Mean dependent var 0.366636 Adjusted R-squared 0.510364 S.D. dependent var 242.5256 S.E. of regression 169.7048 Akaike info criterion 13.10783 Sum squared resid 31362904 Schwarz criterion 13.11699 Log likelihood -7148.321 Hannan-Quinn criter. 13.11130 F-statistic 1137.144 Durbin-Watson stat 1.989280 Prob(F-statistic) 0.000000
Lampiran 16. Uji Stasioneritas Data Harga Salak Bali Null Hypothesis: D(SAL) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -34.34869 0.0000 Test critical values: 1% level -3.436127
5% level -2.863979 10% level -2.568120
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SAL,2) Method: Least Squares Date: 08/18/09 Time: 06:56 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(SAL(-1)) -1.038884 0.030245 -34.34869 0.0000 C 138.2517 163.9467 0.843272 0.3993
R-squared 0.520017 Mean dependent var -4.582951 Adjusted R-squared 0.519577 S.D. dependent var 7810.219 S.E. of regression 5413.464 Akaike info criterion 20.03300 Sum squared resid 3.19E+10 Schwarz criterion 20.04215 Log likelihood -10926.00 Hannan-Quinn criter. 20.03646 F-statistic 1179.832 Durbin-Watson stat 1.996975 Prob(F-statistic) 0.000000
Lampiran 17. Model ARIMA Buah Alpukat Dependent Variable: D(ALP) Method: Least Squares Date: 07/27/09 Time: 14:50 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 6 iterations MA Backcast: 4
Variable Coefficient Std. Error t-Statistic Prob.
C 0.421410 7.314373 0.057614 0.9541 AR(3) -0.100971 0.030179 -3.345753 0.0008 MA(1) -0.181226 0.029843 -6.072547 0.0000
R-squared 0.037853 Mean dependent var 0.459137 Adjusted R-squared 0.036081 S.D. dependent var 330.5114 S.E. of regression 324.4940 Akaike info criterion 14.40516 Sum squared resid 1.14E+08 Schwarz criterion 14.41892 Log likelihood -7840.611 Hannan-Quinn criter. 14.41037 F-statistic 21.36296 Durbin-Watson stat 1.986762 Prob(F-statistic) 0.000000
Inverted AR Roots .23-.40i .23+.40i -.47 Inverted MA Roots .18
Lampiran 18. Model ARIMA Buah Pepaya Dependent Variable: D(PPY) Method: Least Squares Date: 07/27/09 Time: 16:40 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments Convergence achieved after 13 iterations MA Backcast: 2 3
Variable Coefficient Std. Error t-Statistic Prob.
C 0.727765 3.148456 0.231150 0.8172 AR(2) -0.984261 0.009042 -108.8539 0.0000 MA(2) 0.991420 0.005989 165.5378 0.0000
R-squared 0.001770 Mean dependent var 0.733945 Adjusted R-squared -0.000067 S.D. dependent var 103.5694 S.E. of regression 103.5729 Akaike info criterion 12.12118 Sum squared resid 11660619 Schwarz criterion 12.13492 Log likelihood -6603.041 Hannan-Quinn criter. 12.12638 F-statistic 0.963434 Durbin-Watson stat 2.331603 Prob(F-statistic) 0.381906
Lampiran 19. Model ARIMA Buah Nanas Dependent Variable: D(NNS) Method: Least Squares Date: 07/27/09 Time: 16:48 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments Convergence achieved after 10 iterations MA Backcast: 2
Variable Coefficient Std. Error t-Statistic Prob.
C 1.614021 0.912518 1.768754 0.0772 AR(1) 0.715392 0.035832 19.96544 0.0000 MA(1) -0.923190 0.020307 -45.46172 0.0000
R-squared 0.081346 Mean dependent var 1.558203 Adjusted R-squared 0.079657 S.D. dependent var 114.8462 S.E. of regression 110.1772 Akaike info criterion 12.24480 Sum squared resid 13207242 Schwarz criterion 12.25854 Log likelihood -6676.540 Hannan-Quinn criter. 12.25000 F-statistic 48.17054 Durbin-Watson stat 2.014931 Prob(F-statistic) 0.000000
Inverted AR Roots .72 Inverted MA Roots .92
Lampiran 20. Model ARIMA Pisang Ambon Dependent Variable: D(PSG) Method: Least Squares Date: 07/27/09 Time: 20:56 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments Convergence achieved after 10 iterations MA Backcast: 2
Variable Coefficient Std. Error t-Statistic Prob.
C 2.501236 6.406306 0.390433 0.6963 AR(1) 0.657404 0.068775 9.558722 0.0000 MA(1) -0.811700 0.053293 -15.23087 0.0000
R-squared 0.040289 Mean dependent var 2.749771 Adjusted R-squared 0.038525 S.D. dependent var 390.9416 S.E. of regression 383.3371 Akaike info criterion 14.73845 Sum squared resid 1.60E+08 Schwarz criterion 14.75219 Log likelihood -8036.826 Hannan-Quinn criter. 14.74365 F-statistic 22.83744 Durbin-Watson stat 1.941015 Prob(F-statistic) 0.000000
Inverted AR Roots .66 Inverted MA Roots .81
Lampiran 21. Model ARIMA Jeruk Siam Dependent Variable: D(JRK) Method: Least Squares Date: 07/27/09 Time: 21:12 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments Convergence achieved after 5 iterations MA Backcast: 1 2
Variable Coefficient Std. Error t-Statistic Prob.
C 1.905644 9.043400 0.210722 0.8331 AR(1) -0.394853 0.029937 -13.18925 0.0000 MA(2) -0.159876 0.032186 -4.967244 0.0000
R-squared 0.135197 Mean dependent var 1.833181 Adjusted R-squared 0.133607 S.D. dependent var 532.6109 S.E. of regression 495.7555 Akaike info criterion 15.25279 Sum squared resid 2.67E+08 Schwarz criterion 15.26652 Log likelihood -8317.396 Hannan-Quinn criter. 15.25799 F-statistic 85.04469 Durbin-Watson stat 2.001247 Prob(F-statistic) 0.000000
Inverted AR Roots -.39 Inverted MA Roots .40 -.40
Lampiran 22. Model ARIMA Semangka Tanpa Biji Dependent Variable: D(SEM) Method: Least Squares Date: 07/27/09 Time: 21:25 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 10 iterations MA Backcast: 2 4
Variable Coefficient Std. Error t-Statistic Prob.
C -0.095143 3.199828 -0.029734 0.9763 AR(3) 0.817044 0.096614 8.456762 0.0000 MA(3) -0.829296 0.094880 -8.740476 0.0000
R-squared 0.007208 Mean dependent var 0.367309 Adjusted R-squared 0.005379 S.D. dependent var 111.7964 S.E. of regression 111.4953 Akaike info criterion 12.26859 Sum squared resid 13500280 Schwarz criterion 12.28235 Log likelihood -6677.249 Hannan-Quinn criter. 12.27380 F-statistic 3.942156 Durbin-Watson stat 2.286321 Prob(F-statistic) 0.019685
Inverted AR Roots .93 -.47-.81i -.47+.81i Inverted MA Roots .94 -.47-.81i -.47+.81i
Lampiran 23. Model ARIMA Buah Melon Dependent Variable: D(MEL) Method: Least Squares Date: 07/27/09 Time: 21:34 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 18 iterations MA Backcast: 2 4
Variable Coefficient Std. Error t-Statistic Prob.
C 0.925393 4.417066 0.209504 0.8341 AR(3) 0.788772 0.166192 4.746151 0.0000 MA(3) -0.821970 0.155001 -5.303001 0.0000
R-squared 0.004497 Mean dependent var 2.020202 Adjusted R-squared 0.002664 S.D. dependent var 169.8373 S.E. of regression 169.6110 Akaike info criterion 13.10764 Sum squared resid 31241914 Schwarz criterion 13.12140 Log likelihood -7134.111 Hannan-Quinn criter. 13.11285 F-statistic 2.453116 Durbin-Watson stat 2.047372 Prob(F-statistic) 0.086502
Inverted AR Roots .92 -.46-.80i -.46+.80i Inverted MA Roots .94 -.47-.81i -.47+.81i
Lampiran 24. Model ARIMA Salak Bali Dependent Variable: D(SAL) Method: Least Squares Date: 08/18/09 Time: 07:07 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments Convergence achieved after 8 iterations MA Backcast: 2 3
Variable Coefficient Std. Error t-Statistic Prob.
C 121.8158 214.4939 0.567922 0.5702 AR(2) 0.846265 0.101877 8.306711 0.0000 MA(2) -0.800532 0.114052 -7.018990 0.0000
R-squared 0.006700 Mean dependent var 133.0275 Adjusted R-squared 0.004873 S.D. dependent var 5417.569 S.E. of regression 5404.355 Akaike info criterion 20.03055 Sum squared resid 3.17E+10 Schwarz criterion 20.04429 Log likelihood -10913.65 Hannan-Quinn criter. 20.03575 F-statistic 3.666072 Durbin-Watson stat 2.096725 Prob(F-statistic) 0.025894
Inverted AR Roots .92 -.92 Inverted MA Roots .89 -.89
Lampiran 25. Hasil Pengujian Efek ARCH Buah Alpukat Heteroskedasticity Test: ARCH
F-statistic 43.04745 Prob. F(1,1086) 0.0000 Obs*R-squared 41.48243 Prob. Chi-Square(1) 0.0000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 15:11 Sample (adjusted): 6 1093 Included observations: 1088 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 84584.60 9246.488 9.147754 0.0000 RESID^2(-1) 0.195258 0.029760 6.561056 0.0000
R-squared 0.038127 Mean dependent var 105102.8 Adjusted R-squared 0.037242 S.D. dependent var 292519.3 S.E. of regression 287020.7 Akaike info criterion 27.97433 Sum squared resid 8.95E+13 Schwarz criterion 27.98351 Log likelihood -15216.04 Hannan-Quinn criter. 27.97781 F-statistic 43.04745 Durbin-Watson stat 2.004791 Prob(F-statistic) 0.000000
Lampiran 26. Hasil Pengujian Efek ARCH Buah Pepaya Heteroskedasticity Test: ARCH
F-statistic 11.00941 Prob. F(1,1087) 0.0009 Obs*R-squared 10.91907 Prob. Chi-Square(1) 0.0010
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 16:42 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 9638.645 996.2342 9.675079 0.0000 RESID^2(-1) 0.100165 0.030188 3.318043 0.0009
R-squared 0.010027 Mean dependent var 10707.62 Adjusted R-squared 0.009116 S.D. dependent var 31251.98 S.E. of regression 31109.21 Akaike info criterion 23.53023 Sum squared resid 1.05E+12 Schwarz criterion 23.53940 Log likelihood -12810.21 Hannan-Quinn criter. 23.53370 F-statistic 11.00941 Durbin-Watson stat 2.016202 Prob(F-statistic) 0.000937
Lampiran 27. Hasil Pengujian Efek ARCH Buah Nanas Heteroskedasticity Test: ARCH
F-statistic 37.74525 Prob. F(1,1088) 0.0000 Obs*R-squared 36.54674 Prob. Chi-Square(1) 0.0000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 16:53 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 9876.186 1019.797 9.684458 0.0000 RESID^2(-1) 0.183093 0.029802 6.143716 0.0000
R-squared 0.033529 Mean dependent var 12092.33 Adjusted R-squared 0.032641 S.D. dependent var 32019.09 S.E. of regression 31492.19 Akaike info criterion 23.55470 Sum squared resid 1.08E+12 Schwarz criterion 23.56386 Log likelihood -12835.31 Hannan-Quinn criter. 23.55817 F-statistic 37.74525 Durbin-Watson stat 2.020832 Prob(F-statistic) 0.000000
Lampiran 28. Hasil Pengujian Efek ARCH Pisang Ambon Heteroskedasticity Test: ARCH
F-statistic 0.011404 Prob. F(1,1088) 0.9150 Obs*R-squared 0.011425 Prob. Chi-Square(1) 0.9149
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 21:04 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 147149.5 17806.50 8.263812 0.0000 RESID^2(-1) -0.003237 0.030316 -0.106791 0.9150
R-squared 0.000010 Mean dependent var 146675.1 Adjusted R-squared -0.000909 S.D. dependent var 569034.6 S.E. of regression 569293.1 Akaike info criterion 29.34401 Sum squared resid 3.53E+14 Schwarz criterion 29.35317 Log likelihood -15990.49 Hannan-Quinn criter. 29.34748 F-statistic 0.011404 Durbin-Watson stat 1.999660 Prob(F-statistic) 0.914975
Lampiran 29. Hasil Pengujian Efek ARCH Jeruk Siam Heteroskedasticity Test: ARCH
F-statistic 163.7821 Prob. F(1,1088) 0.0000 Obs*R-squared 142.6147 Prob. Chi-Square(1) 0.0000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 21:13 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 156554.6 43635.41 3.587788 0.0003 RESID^2(-1) 0.361718 0.028264 12.79774 0.0000
R-squared 0.130839 Mean dependent var 245289.5 Adjusted R-squared 0.130040 S.D. dependent var 1524929. S.E. of regression 1422326. Akaike info criterion 31.17532 Sum squared resid 2.20E+15 Schwarz criterion 31.18448 Log likelihood -16988.55 Hannan-Quinn criter. 31.17879 F-statistic 163.7821 Durbin-Watson stat 1.931615 Prob(F-statistic) 0.000000
Lampiran 30. Hasil Pengujian Efek ARCH Semangka Tanpa Biji Heteroskedasticity Test: ARCH
F-statistic 5.995118 Prob. F(1,1086) 0.0145 Obs*R-squared 5.973185 Prob. Chi-Square(1) 0.0145
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 21:25 Sample (adjusted): 6 1093 Included observations: 1088 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 11466.12 1001.323 11.45097 0.0000 RESID^2(-1) 0.074089 0.030259 2.448493 0.0145
R-squared 0.005490 Mean dependent var 12384.79 Adjusted R-squared 0.004574 S.D. dependent var 30692.49 S.E. of regression 30622.21 Akaike info criterion 23.49868 Sum squared resid 1.02E+12 Schwarz criterion 23.50785 Log likelihood -12781.28 Hannan-Quinn criter. 23.50215 F-statistic 5.995118 Durbin-Watson stat 2.008949 Prob(F-statistic) 0.014503
Lampiran 31. Hasil Pengujian Efek ARCH Buah Melon Heteroskedasticity Test: ARCH
F-statistic 7.168398 Prob. F(1,1086) 0.0075 Obs*R-squared 7.134506 Prob. Chi-Square(1) 0.0076
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 21:35 Sample (adjusted): 6 1093 Included observations: 1088 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 26393.88 3160.813 8.350347 0.0000 RESID^2(-1) 0.081129 0.030302 2.677386 0.0075
R-squared 0.006557 Mean dependent var 28706.22 Adjusted R-squared 0.005643 S.D. dependent var 100575.7 S.E. of regression 100291.5 Akaike info criterion 25.87139 Sum squared resid 1.09E+13 Schwarz criterion 25.88056 Log likelihood -14072.03 Hannan-Quinn criter. 25.87486 F-statistic 7.168398 Durbin-Watson stat 2.021311 Prob(F-statistic) 0.007532
Lampiran 32. Hasil Pengujian Efek ARCH Salak Bali Heteroskedasticity Test: ARCH
F-statistic 74.62493 Prob. F(1,1088) 0.0000 Obs*R-squared 69.96338 Prob. Chi-Square(1) 0.0000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 07/27/09 Time: 21:42 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 87669839 60000377 1.461155 0.1443 RESID^2(-1) 0.253351 0.029328 8.638572 0.0000
R-squared 0.064187 Mean dependent var 1.17E+08 Adjusted R-squared 0.063326 S.D. dependent var 2.04E+09 S.E. of regression 1.98E+09 Akaike info criterion 45.65007 Sum squared resid 4.26E+21 Schwarz criterion 45.65923 Log likelihood -24877.29 Hannan-Quinn criter. 45.65353 F-statistic 74.62493 Durbin-Watson stat 1.999667 Prob(F-statistic) 0.000000
Lampiran 33. Model ARCH-GARCH Terbaik Buah Alpukat Dependent Variable: D(ALP) Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/27/09 Time: 16:35 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 24 iterations MA Backcast: OFF Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 5.078747 5.755674 0.882390 0.3776 AR(3) -0.090044 0.033312 -2.703068 0.0069 MA(1) -0.240791 0.031049 -7.755202 0.0000
Variance Equation
C 3050.566 683.3610 4.464063 0.0000 RESID(-1)^2 0.073153 0.010552 6.932492 0.0000 GARCH(-1) 0.899829 0.013459 66.85513 0.0000
R-squared 0.033973 Mean dependent var 0.459137 Adjusted R-squared 0.029513 S.D. dependent var 330.5114 S.E. of regression 325.5977 Akaike info criterion 14.29100 Sum squared resid 1.15E+08 Schwarz criterion 14.31851 Log likelihood -7775.448 Hannan-Quinn criter. 14.30141 F-statistic 7.617245 Durbin-Watson stat 1.869217 Prob(F-statistic) 0.000000
Inverted AR Roots .22+.39i .22-.39i -.45 Inverted MA Roots .24
Lampiran 34. Model ARCH-GARCH Terbaik Buah Pepaya Dependent Variable: D(PPY) Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/27/09 Time: 16:46 Sample (adjusted): 4 1093 Included observations: 1090 after adjustments Convergence achieved after 43 iterations MA Backcast: 2 3 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C -0.758970 2.308276 -0.328804 0.7423 AR(2) -0.988063 0.005523 -178.9071 0.0000 MA(2) 0.992560 0.002707 366.7288 0.0000
Variance Equation
C 204.3466 36.02159 5.672893 0.0000 RESID(-1)^2 0.108735 0.009823 11.06901 0.0000 GARCH(-1) 0.879177 0.008700 101.0569 0.0000
R-squared 0.001336 Mean dependent var 0.733945 Adjusted R-squared -0.003270 S.D. dependent var 103.5694 S.E. of regression 103.7386 Akaike info criterion 11.89051 Sum squared resid 11665683 Schwarz criterion 11.91800 Log likelihood -6474.328 Hannan-Quinn criter. 11.90091 F-statistic 0.290032 Durbin-Watson stat 2.331923 Prob(F-statistic) 0.918632
Lampiran 35. Model ARCH-GARCH Terbaik Buah Nanas Dependent Variable: D(NNS) Method: ML - ARCH (Marquardt) - Normal distribution Date: 08/04/09 Time: 09:32 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments Convergence achieved after 27 iterations Bollerslev-Wooldridge robust standard errors & covariance MA Backcast: 2 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 1.122318 0.606419 1.850731 0.0642 AR(1) 0.687184 0.037340 18.40357 0.0000 MA(1) -0.934666 0.016083 -58.11695 0.0000
Variance Equation
C 155.0758 92.03140 1.685032 0.0920 RESID(-1)^2 0.082043 0.025520 3.214783 0.0013 GARCH(-1) 0.909538 0.027246 33.38302 0.0000
R-squared 0.076858 Mean dependent var 1.558203 Adjusted R-squared 0.072603 S.D. dependent var 114.8462 S.E. of regression 110.5986 Akaike info criterion 12.04240 Sum squared resid 13271767 Schwarz criterion 12.06987 Log likelihood -6563.129 Hannan-Quinn criter. 12.05279 F-statistic 18.06665 Durbin-Watson stat 1.926978 Prob(F-statistic) 0.000000
Inverted AR Roots .69 Inverted MA Roots .93
Lampiran 36. Model ARCH-GARCH Terbaik Jeruk Siam Dependent Variable: D(JRK) Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/27/09 Time: 21:15 Sample (adjusted): 3 1093 Included observations: 1091 after adjustments Convergence achieved after 131 iterations MA Backcast: 1 2 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2
Variable Coefficient Std. Error z-Statistic Prob.
C -11.79566 10.59283 -1.113552 0.2655 AR(1) -0.216716 0.044728 -4.845214 0.0000 MA(2) -0.068199 0.035489 -1.921706 0.0546
Variance Equation
C 176142.2 2094.817 84.08478 0.0000 RESID(-1)^2 0.238221 0.020474 11.63535 0.0000
R-squared 0.106039 Mean dependent var 1.833181 Adjusted R-squared 0.102746 S.D. dependent var 532.6109 S.E. of regression 504.5075 Akaike info criterion 15.07477 Sum squared resid 2.76E+08 Schwarz criterion 15.09766 Log likelihood -8218.288 Hannan-Quinn criter. 15.08344 F-statistic 32.20458 Durbin-Watson stat 2.335080 Prob(F-statistic) 0.000000
Inverted AR Roots -.22 Inverted MA Roots .26 -.26
Lampiran 37. Model ARCH-GARCH Terbaik Semangka Tanpa Biji Dependent Variable: D(SEM) Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/27/09 Time: 21:30 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 36 iterations MA Backcast: 2 4 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.068441 2.969954 0.023044 0.9816 AR(3) 0.800595 0.098718 8.109905 0.0000 MA(3) -0.816744 0.096415 -8.471128 0.0000
Variance Equation
C 4000.337 940.6259 4.252846 0.0000 RESID(-1)^2 0.110346 0.015660 7.046257 0.0000 GARCH(-1) 0.566806 0.086514 6.551635 0.0000
R-squared 0.007146 Mean dependent var 0.367309 Adjusted R-squared 0.002562 S.D. dependent var 111.7964 S.E. of regression 111.6531 Akaike info criterion 12.24202 Sum squared resid 13501122 Schwarz criterion 12.26953 Log likelihood -6659.778 Hannan-Quinn criter. 12.25243 F-statistic 1.558887 Durbin-Watson stat 2.287030 Prob(F-statistic) 0.168946
Inverted AR Roots .93 -.46-.80i -.46+.80i Inverted MA Roots .93 -.47-.81i -.47+.81i
Lampiran 38. Model ARCH-GARCH Terbaik Buah Melon Dependent Variable: D(MEL) Method: ML - ARCH (Marquardt) - Normal distribution Date: 07/27/09 Time: 21:38 Sample (adjusted): 5 1093 Included observations: 1089 after adjustments Convergence achieved after 80 iterations MA Backcast: 2 4 Presample variance: backcast (parameter = 0.7) GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C -1.195895 4.201668 -0.284624 0.7759 AR(3) 0.750655 0.170619 4.399598 0.0000 MA(3) -0.789480 0.157945 -4.998439 0.0000
Variance Equation
C 1336.417 229.6006 5.820617 0.0000 RESID(-1)^2 0.054438 0.006237 8.728778 0.0000 GARCH(-1) 0.902629 0.011330 79.66478 0.0000
R-squared 0.004135 Mean dependent var 2.020202 Adjusted R-squared -0.000463 S.D. dependent var 169.8373 S.E. of regression 169.8767 Akaike info criterion 13.03039 Sum squared resid 31253301 Schwarz criterion 13.05790 Log likelihood -7089.048 Hannan-Quinn criter. 13.04080 F-statistic 0.899259 Durbin-Watson stat 2.046974 Prob(F-statistic) 0.480794
Inverted AR Roots .91 -.45-.79i -.45+.79i Inverted MA Roots .92 -.46-.80i -.46+.80i
0
50
100
150
200
250
300
350
-4 -2 0 2 4 6
Series: Standardized ResidualsSample 5 1093Observations 1089
Mean -0.004090Median -0.021919Maximum 6.476251Minimum -4.875556Std. Dev. 1.001018Skewness 0.222877Kurtosis 6.109407
Jarque-Bera 447.7202Probability 0.000000
Lampiran 39. Hasil Uji Jarque-Bera Buah Alpukat
0
50
100
150
200
250
300
-3.75 -2.50 -1.25 0.00 1.25 2.50 3.75
Series: Standardized ResidualsSample 4 1093Observations 1090
Mean 0.019504Median 0.008974Maximum 4.189085Minimum -4.419304Std. Dev. 0.999743Skewness -0.214886Kurtosis 5.150361
Jarque-Bera 218.3976Probability 0.000000
Lampiran 40. Hasil Uji Jarque-Bera Buah Pepaya
0
40
80
120
160
200
-3.75 -2.50 -1.25 0.00 1.25 2.50 3.75 5.00
Series: Standardized ResidualsSample 3 1093Observations 1091
Mean 0.004326Median 0.014988Maximum 4.928286Minimum -3.803218Std. Dev. 0.998727Skewness 0.171305Kurtosis 4.752215
Jarque-Bera 144.9047Probability 0.000000
Lampiran 41. Hasil Uji Jarque-Bera Buah Nanas
0
100
200
300
400
500
-14 -12 -10 -8 -6 -4 -2 0 2 4 6 8
Series: Standardized ResidualsSample 3 1093Observations 1091
Mean 0.004690Median 0.003167Maximum 7.345042Minimum -14.11502Std. Dev. 1.000448Skewness -2.611269Kurtosis 48.01461
Jarque-Bera 93352.78Probability 0.000000
Lampiran 42. Hasil Uji Jarque-Bera Jeruk Siam
0
40
80
120
160
200
240
280
-4 -2 0 2 4
Series: Standardized ResidualsSample 5 1093Observations 1089
Mean 0.003459Median 0.000305Maximum 5.022331Minimum -4.829446Std. Dev. 1.001122Skewness 0.130380Kurtosis 5.640471
Jarque-Bera 319.4438Probability 0.000000
Lampiran 43. Hasil Uji Jarque-Bera Semangka Tanpa Biji
0
40
80
120
160
200
240
280
320
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Series: Standardized ResidualsSample 5 1093Observations 1089
Mean 0.018283Median 0.005614Maximum 9.514648Minimum -6.307788Std. Dev. 1.000198Skewness 0.569994Kurtosis 15.54942
Jarque-Bera 7204.979Probability 0.000000
Lampiran 44. Hasil Uji Jarque-Bera Buah Melon
Lampiran 45. Hasil Uji Ljung-Box Buah Alpukat Date: 08/01/09 Time: 22:40 Sample: 5 1093 Included observations: 1089
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
| | | | 1 0.022 0.022 0.5427 | | | | 2 -0.020 -0.020 0.9600 | | | | 3 -0.027 -0.026 1.7788 0.182 | | | | 4 -0.001 -0.000 1.7799 0.411 | | | | 5 0.004 0.003 1.8020 0.614 | | | | 6 -0.025 -0.026 2.4781 0.649 | | | | 7 0.034 0.035 3.7105 0.592 | | | | 8 0.015 0.013 3.9512 0.683 | | | | 9 -0.040 -0.041 5.7522 0.569 | | | | 10 -0.000 0.004 5.7523 0.675 | | | | 11 -0.001 -0.002 5.7534 0.764 | | | | 12 0.004 0.001 5.7723 0.834 | | | | 13 -0.008 -0.007 5.8461 0.883 | | | | 14 -0.008 -0.008 5.9145 0.920 | | | | 15 -0.013 -0.016 6.1051 0.942 | | | | 16 0.004 0.006 6.1196 0.963 | | | | 17 -0.003 -0.003 6.1297 0.977 | | | | 18 -0.019 -0.021 6.5136 0.982 | | | | 19 0.005 0.006 6.5421 0.989 | | | | 20 -0.026 -0.027 7.2651 0.988
Lampiran 46. Hasil Uji Ljung-Box Buah Pepaya Date: 08/01/09 Time: 22:58 Sample: 4 1093 Included observations: 1090
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
|* | |* | 1 0.078 0.078 6.6345 | | | | 2 -0.008 -0.015 6.7126 | | | | 3 0.003 0.004 6.7198 0.010 | | | | 4 -0.042 -0.043 8.6689 0.013 | | | | 5 0.013 0.020 8.8637 0.031 | | | | 6 -0.003 -0.007 8.8747 0.064 | | | | 7 0.029 0.031 9.8132 0.081 | | | | 8 0.061 0.055 13.915 0.031 | | | | 9 -0.047 -0.054 16.318 0.022 | | | | 10 -0.062 -0.054 20.510 0.009 | | | | 11 -0.043 -0.034 22.581 0.007 | | | | 12 -0.053 -0.044 25.635 0.004 | | | | 13 -0.005 -0.004 25.664 0.007 | | | | 14 -0.037 -0.041 27.206 0.007 | | | | 15 -0.040 -0.040 29.013 0.007 | | | | 16 -0.012 -0.011 29.166 0.010 | | | | 17 -0.007 0.003 29.225 0.015 | | | | 18 0.044 0.049 31.388 0.012 | | | | 19 -0.039 -0.047 33.042 0.011 | | | | 20 0.024 0.032 33.698 0.014
Lampiran 47. Hasil Uji Ljung-Box Buah Nanas Date: 08/02/09 Time: 04:43 Sample: 3 1093 Included observations: 1091
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
| | | | 1 0.037 0.037 1.5367 | | | | 2 0.009 0.007 1.6211 | | | | 3 0.008 0.008 1.6999 0.192 | | | | 4 0.004 0.003 1.7175 0.424 | | | | 5 0.007 0.006 1.7641 0.623 | | | | 6 -0.031 -0.032 2.8487 0.583 | | | | 7 0.068 0.070 7.8646 0.164 | | | | 8 0.005 0.000 7.8960 0.246 | | | | 9 -0.039 -0.040 9.5651 0.215 | | | | 10 -0.027 -0.026 10.398 0.238 | | | | 11 0.016 0.019 10.690 0.298 | | | | 12 -0.017 -0.020 11.025 0.356 | | | | 13 -0.061 -0.056 15.181 0.174 | | | | 14 -0.013 -0.013 15.375 0.222 | | | | 15 -0.006 -0.007 15.420 0.282 *| | *| | 16 -0.071 -0.067 20.984 0.102 | | | | 17 -0.001 0.010 20.985 0.137 | | | | 18 0.034 0.032 22.263 0.135 | | | | 19 -0.002 -0.007 22.266 0.175 | | | | 20 0.011 0.019 22.404 0.215
Lampiran 48. Hasil Uji Ljung-Box Jeruk Siam Date: 08/02/09 Time: 05:36 Sample: 3 1093 Included observations: 1091
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
| | | | 1 0.018 0.018 0.3604 | | | | 2 -0.007 -0.007 0.4069 | | | | 3 0.012 0.012 0.5603 0.454 | | | | 4 -0.003 -0.003 0.5694 0.752 | | | | 5 -0.003 -0.002 0.5766 0.902 | | | | 6 0.006 0.006 0.6125 0.962 | | | | 7 -0.001 -0.002 0.6146 0.987 | | | | 8 0.006 0.006 0.6585 0.995 | | | | 9 0.001 0.001 0.6598 0.999 | | | | 10 -0.007 -0.006 0.7079 1.000 | | | | 11 0.001 0.001 0.7088 1.000 | | | | 12 -0.002 -0.002 0.7139 1.000 | | | | 13 -0.006 -0.006 0.7562 1.000 | | | | 14 0.001 0.001 0.7571 1.000 | | | | 15 -0.008 -0.008 0.8312 1.000 | | | | 16 0.002 0.002 0.8339 1.000 | | | | 17 0.002 0.002 0.8398 1.000 | | | | 18 -0.006 -0.006 0.8797 1.000 | | | | 19 -0.006 -0.006 0.9175 1.000 | | | | 20 -0.008 -0.008 0.9871 1.000
Lampiran 49. Hasil Uji Ljung-Box Semangka Tanpa Biji Date: 08/02/09 Time: 05:49 Sample: 5 1093 Included observations: 1089
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
| | | | 1 -0.015 -0.015 0.2510 | | | | 2 0.028 0.028 1.1342 | | | | 3 -0.035 -0.034 2.4639 0.116 | | | | 4 -0.013 -0.014 2.6369 0.268 | | | | 5 0.003 0.004 2.6459 0.450 | | | | 6 -0.012 -0.013 2.8085 0.590 | | | | 7 0.060 0.059 6.7748 0.238 | | | | 8 -0.028 -0.026 7.6499 0.265 | | | | 9 -0.018 -0.023 7.9986 0.333 | | | | 10 -0.018 -0.014 8.3705 0.398 | | | | 11 0.006 0.006 8.4099 0.493 | | | | 12 -0.026 -0.027 9.1464 0.518 | | | | 13 0.007 0.006 9.1974 0.604 | | | | 14 0.038 0.036 10.821 0.544 | | | | 15 0.045 0.047 13.088 0.441 | | | | 16 0.028 0.029 13.959 0.453 | | | | 17 0.024 0.026 14.593 0.481 | | | | 18 -0.008 -0.007 14.657 0.550 | | | | 19 0.017 0.021 14.975 0.597 | | | | 20 0.020 0.022 15.419 0.633
Lampiran 50. Hasil Uji Ljung-Box Buah Melon Date: 08/02/09 Time: 06:00 Sample: 5 1093 Included observations: 1089
Q-statistic probabilities adjusted for 2 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
| | | | 1 0.006 0.006 0.0421 | | | | 2 0.045 0.045 2.2221 | | | | 3 -0.011 -0.012 2.3608 0.124 | | | | 4 -0.019 -0.021 2.7762 0.250 | | | | 5 -0.028 -0.027 3.6601 0.301 | | | | 6 -0.001 0.001 3.6622 0.454 | | | | 7 0.021 0.023 4.1293 0.531 | | | | 8 -0.022 -0.023 4.6607 0.588 | | | | 9 -0.007 -0.010 4.7106 0.695 | | | | 10 0.011 0.013 4.8459 0.774 | | | | 11 -0.007 -0.006 4.9017 0.843 | | | | 12 -0.007 -0.008 4.9494 0.895 | | | | 13 -0.018 -0.019 5.2970 0.916 | | | | 14 0.034 0.035 6.5835 0.884 | | | | 15 -0.017 -0.014 6.8919 0.908 | | | | 16 0.005 0.001 6.9178 0.938 | | | | 17 -0.027 -0.027 7.7259 0.934 | | | | 18 -0.012 -0.011 7.8928 0.952 | | | | 19 0.010 0.015 8.0112 0.966 | | | | 20 0.009 0.008 8.0954 0.977
Lampiran 51. Hasil Pengujian Efek ARCH Buah Alpukat Heteroskedasticity Test: ARCH
F-statistic 0.540168 Prob. F(1,1086) 0.4625 Obs*R-squared 0.540893 Prob. Chi-Square(1) 0.4621
Lampiran 52. Hasil Pengujian Efek ARCH Buah Pepaya Heteroskedasticity Test: ARCH
F-statistic 6.683134 Prob. F(1,1087) 0.0099 Obs*R-squared 6.654517 Prob. Chi-Square(1) 0.0099
Lampiran 53. Hasil Pengujian Efek ARCH Buah Nanas Heteroskedasticity Test: ARCH
F-statistic 1.532029 Prob. F(1,1088) 0.2161 Obs*R-squared 1.532687 Prob. Chi-Square(1) 0.2157
Lampiran 54. Hasil Pengujian Efek ARCH Jeruk Siam Heteroskedasticity Test: ARCH
F-statistic 0.358534 Prob. F(1,1088) 0.5494 Obs*R-squared 0.359075 Prob. Chi-Square(1) 0.5490
Lampiran 55. Hasil Pengujian Efek ARCH Semangka Tanpa Biji Heteroskedasticity Test: ARCH
F-statistic 0.249662 Prob. F(1,1086) 0.6174 Obs*R-squared 0.250064 Prob. Chi-Square(1) 0.6170
Lampiran 56. Hasil Pengujian Efek ARCH Buah Melon Heteroskedasticity Test: ARCH
F-statistic 0.041879 Prob. F(1,1086) 0.8379 Obs*R-squared 0.041954 Prob. Chi-Square(1) 0.8377
Lampiran 57. Hasil Uji Kointegrasi Buah Alpukat
Variable Coefficient Std. Error t-Statistic Prob.
C 0.166333 9.983452 0.016661 0.9867 D(TON) 0.358147 0.518217 0.691114 0.4896
RESID01(1) 0.018925 0.007453 2.539248 0.0112
Lampiran 58. Hasil Uji Kointegrasi Buah Pepaya
Variable Coefficient Std. Error t-Statistic Prob.
C 0.446402 3.118701 0.143137 0.8862 D(TON) 0.256579 0.202302 1.268293 0.2050
RESID01(1) 0.023881 0.008226 2.903137 0.0038
Lampiran 59. Hasil Uji Kointegrasi Buah Nanas
Variable Coefficient Std. Error t-Statistic Prob.
C 1.527893 3.450054 0.442861 0.6580 D(TON) -0.322737 0.141547 -2.280074 0.0228
RESID01(1) 0.030492 0.008159 3.737074 0.0002
Lampiran 60. Hasil Uji Kointegrasi Pisang Ambon
Variable Coefficient Std. Error t-Statistic Prob.
C 3.124410 11.74467 0.266028 0.7903 D(TON) 0.095492 0.573749 0.166436 0.8678
RESID01(1) 0.039007 0.009394 4.152334 0.0000
Lampiran 61. Hasil Uji Kointegrasi Jeruk Siam
Variable Coefficient Std. Error t-Statistic Prob.
C 2.224222 14.50185 0.153375 0.8781 D(TON) -0.002714 0.105751 -0.025664 0.9795
RESID01(1) 0.020554 0.010280 1.999468 0.0458
Lampiran 62. Hasil Uji Kointegrasi Semangka Tanpa Biji
Variable Coefficient Std. Error t-Statistic Prob.
C 0.458305 3.374561 0.135812 0.8920 D(TON) 0.014898 0.065443 0.227651 0.8200
RESID01(1) 0.031605 0.009092 3.476255 0.0005
Lampiran 63. Hasil Uji Kointegrasi Buah Melon
Variable Coefficient Std. Error t-Statistic Prob.
C 1.648835 5.090697 0.323892 0.7461 D(TON) -0.072443 0.141029 -0.513676 0.6076
RESID01(1) 0.024957 0.006827 3.655641 0.0003
Lampiran 64. Hasil Uji Kointegrasi Salak Bali
Variable Coefficient Std. Error t-Statistic Prob.
C 137.8858 163.9486 0.841031 0.4005 D(TON) -14.27905 7.474594 -1.910344 0.0564
RESID01(1) -0.002892 0.003184 -0.908212 0.3640
Lampiran 65. Perkembangan Produksi Buah-buahan di Indonesia Tahun 1999-2005
Tahun Produksi (ton) 1999 7.540.902 2000 8.412.956 2001 9.959.032 2002 11.663.517 2003 13.551.435 2004 14.348.456 2005 14.786.599
Sumber : Statistik Hortikultura 2004 dan 2005
