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 ARCHGARCH dengan bantuan program komputer Eviews 6 dan Microsoft Excel. Berdasarkan hasil pengujian yang dilakukan menghasilkan model ARCHGARCH 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 ARCHGARCH 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 EngleGranger 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.
II.
III.
PENDAHULUAN …………………………………………………
1
1.1. Latar Belakang ………………………………………………...
1
1.2. Perumusan Masalah …………………………………………...
5
1.2. Tujuan Penelitian ……………………………………………...
8
1.4. Manfaat Penelitian ……………………………….....................
8
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
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
IV.
V.
VI.
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
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
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
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
KESIMPULAN DAN SARAN ........................................................
71
7.1. Kesimpulan ................................................................................
71
7.2. Saran ..........................................................................................
72
DAFTAR PUSTAKA ....................................................................................
73
VII.
DAFTAR TABEL
Nomor 1.1.
Halaman Volume Ekspor Komoditas Buah-buahan di Indonesia Periode 20032008 ........................................................................................................
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
I.
1.1.
PENDAHULUAN
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. 350 300
307 262
250
253
244
235
226
200
Angka Kematian Ibu (per 100000 lahir) Gizi Kurang Balita (%)
150
Usia Harapan Hidup (tahun)
100 50
Angka Kematian Bayi (per 1000 lahir)
66.2
67.8
69.4
69.8
70.2
70.6
35 25.8
32 24.7
30.8 23.6
29.2 22.5
27.6 21.4
26 20
0 2004
2005
2006
2007
2008
2009
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 buahbuahan 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 No 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14.
Komoditas
Pisang Nanas Alpukat Jambu Biji Mangga Manggis Jeruk Pepaya Rambutan Duku Durian Semangka Melon Buah-buahan Lainnya Total Buah-buahan
2003 244 148.053 169 76 584 9.304 1.403 187 603 21 13 16 263 28.311
2004 1.197 134.953 5 106 1.879 3.045 2.046 524 134 1 27.927
189.254
171.822
Volume Ekspor (ton) 2005 2006 3.647 4.443 198.618 219.653 5 4 15 139 964 1.181 8.472 5.697 1.248 1.140 60 140 2 2 4 321 140 58.939 29.809 272.296
262.358
2007 2.378 110.112 42 37 1.198 9.093 1.100 36 396 2.161 369 51 32.801
2008 1.969 269.663 118 54 1.908 9.465 1.443 0,479 724 44 32 1.144 39 37.279
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 Apel Alpukat Pepaya Nanas Pisang Ambon Jeruk Semangka Anggur Markisah Melon Salak Manggis Mangga Dukuh Durian Kedondong
Daerah Asal Malang dan impor Garut, Malang, Kediri, Sumatera Barat dan Aceh Sukabumi, Bogor, Probolinggo, Lampung dan Malang Palembang dan Subang Sukabumi, Lampung, Bogor dan Serang Medan, Padang, Pontianak, Jember dan impor Banyuwangi, Lampung, Cirebon dan Kediri Bali, Malang dan impor Medan dan Padang Malang, Banyuwangi, Kediri, Ngawi, Kulon Progo dan Ponorogo Bali, Yogyakarta, Tasikmalaya dan Wonosobo Sumatera Barat dan Purwakarta Indramayu, Madura, Probolinggo, Tuban dan Sumbawa Palembang, Jambi dan Lampung Lampung, Palembang, Jepara dan impor 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 negaranegara 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 Tahun Tingkat Konsumsi
1990
Konsumsi per kapita (kg/tahun) 1993 1996 1999 2002
29,94
26
24,67
18,7
29,38
2005 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.
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. 40,000 35,000 30,000
Price
25,000 20,000 15,000 10,000 5,000
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
-
Month Alpukat
Pepaya
Nanas
Pisang Ambon
Jeruk Siam
Semangka
Melon
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 buahbuahan 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.
2.1.
TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN
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 perusahaan
dapat
Kountur berdampak
menjelaskan merugikan
ketidakpastian atau
yang
menguntungkan.
dihadapi 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
mengidentifikasikan,
mengacu
mencocokkan
pada dan
himpunan
memeriksa
prosedur model
untuk 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
Rumuskan kelompok model-model yang umum
Identifikasi
Penetapan model sementara Tahap II
Penaksiran parameter pada model sementara
Penaksiran Dan
Pemeriksaan diagnostik
Pengujian
Ya Tahap III
Tidak
Aplikasi peramalan
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
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 + α2ε2t-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 + α2ε2t-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 obatobatan 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 Analisis Investasi Dengan Pendekatan Model ARCH-GARCH dan Pendugaan Harga Bakasenjaya 2004 Saham dengan Pendekatan Model Time Ramadhona Series pada Perusahaan Agribisnis Terpilih di PT. Bursa Efek Jakarta Edy Iskandar
2006
Analisis Risiko Investasi Saham Agribisnis Rokok dengan Pendekatan ARCH-GARCH
Dani Pradana
2008
Analisis Faktor-faktor yang Mempengaruhi Nilai Tukar Petani Buah di Jawa Barat
2008
Perilaku Ekonomi Rumah Tangga Petani Sayuran Dalam Menghadapi Risiko Produksi dan Harga Produk di Kecamatan Pandeglang Kabupaten Bandung
2009
Analisis Risiko Harga Day Old Chick (DOC) Broiler dan Layer pada PT. Sierad Produce Tbk. Parung, Bogor
Anna Fariyanti
Yusni Rahmadani Siregar
Metode Analisis Model ARCH-GARCH untuk menghitung Value at Risk
Hasil Penelitian Risiko saham AALI (2,46 persen), GGRM(2,57 persen) dan INDF (8,75 persen)
Risiko saham GGRM adalah ARCH(1), sedangkan untuk HMSP dan RMBA adalah GARCH(1,1) Ketidakpastian ekonomi mempengaruhi NTP dan NTP Model ARCH-GARCH setelah krisis lebih baik dibandingkan kondisi sebelum krisis. Model GARCH(1,1) dengan risiko produksi pada musim Analisis risiko model ARCHsebelumnya dan penggunaan GARCH dan menghitung Nilai input, pupuk dan tenaga kerja Varian menjadi faktor yang menimbulkan risiko produksi DOC layer dengan ARCH(1) Model ARCH-GARCH untuk dan DOC broiler dengan menghitung Value at Risk GARCH(1,1) Model ARCH-GARCH untuk menghitung Value at Risk
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 buahbuahan 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 buahbuahan 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.
Implikasi adanya perbaikan ekonomi ialah pergeseran pola konsumsi pangan dari padat energi ke yang kaya vitamin dan mineral Buah-buahan merupakan makanan yang kaya akan vitamin dan mineral
Buah-buahan adalah komoditas pertanian yang memiliki harga yang fluktuatif
Metode analisis deskriptif kualitatif Perkembangan harga harian buah
Untuk memenuhi kebutuhan konsumsi buah-buahan diperlukan ketersediaan buah yang cukup dan harga yang terjangkau
Model ARCH-GARCH
Metodologi Box-Jenkins Uji kointegrasi Tingkat Risiko Harga
Analisis Tingkat Risiko dan Fluktuasi Harga Buah Komoditas Unggulan Indonesia
Keterangan : Hubungan langsung Hubungan tidak langsung
Gambar 2.3. Kerangka Pemikiran Operasional
III.
3.1.
METODE PENELITIAN
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 ARCHGARCH 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 = ( …………………………………………………………………………… ג1) E(εt, ε= )ג 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 + α2ε2t-2 + ... + αmε2t-m + ωt .................................................. (2) peubah ωt adalah proses white noise yang baru, dengan E(ωt) = 0 ג2, untuk t = ג E(ωt, ω= )ג 0, untuk selainnya
Karena εt juga merupakan error dari peramalan Yt, persamaan (2) berimplikasi bahwa proyeksi linier kuadrat error dari ramalan Yt terhadap mkuadrat error peramalan sebelumnya adalah sebagai berikut : E (ε2t| ε2t-1, ε2t-2, ... ) = ξ + α1ε2t-1 + α2ε2t-2 + ... + αmε2t-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 + α2ε2t-2 + ... + αmε2t-m dimana ht = E (ε2t| ε2t-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) =
∞
∑π j =1
j
L2
kemudian π(L) diparameterisasi sebagai rasio dari 2 orde polinomial terhingga : π(L) =
α ( L)1 + α 2 ( L) 2 + α 3 ( L) 3 + ... + α m ( L) m α ( L) = 1 1 − δ ( L) 1 − δ 1 ( L)1 − δ 2 ( L) 2 − δ 3 ( L) 3 − ... − δ r ( L) r
dimana diasumsikan bahwa akar dari 1 − δ ( L) = 0. Jika persamaan (4) dikalikan
dengan 1 − δ ( L) , maka diperoleh persamaan sebagai berikut : [ 1 − δ ( L) ] ht = [ 1 − δ ( L) ] ξ + α (L) ε2t atau dapat ditulis sebagai berikut : ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2t-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 pvalue 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 nonnegativity 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 =
N −K 2 1 S + 4 (k − 3) 2 6
(
)
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 (χ22 > 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 : k
Q* = n(n + 2)
∑r I =1
1
2
(ε t )
n−k
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 kp-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 + α2ε2t-2 + ... + αmε2t-m untuk ARCH (m) atau
ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2t-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 buahbuahan 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 1.0002.000 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 bulubulunya 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka TB Melon Salak Bali
Mean 4645.597 1611.895 2107.709 7189.410 6583.783 2074.486 3916.789 254303.3
Skewness 1.034868 1.329887 0.692432 0.797706 0.710309 -0.141944 1.362129 -0.776885
Kurtosis 4.325337 4.086211 3.391478 5.314449 5.115642 2.693227 4.941500 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka TB Melon Salak Bali
Hasil Uji Akar Unit Pada α=5% ADF > nilai kritis absolut (Level) ADF > nilai kritis absolut (Level) ADF > nilai kritis absolut (1st Difference) ADF > nilai kritis absolut (Level) ADF > nilai kritis absolut (Level) ADF > nilai kritis absolut (Level) ADF > nilai kritis absolut (1st Difference) ADF > nilai kritis absolut (1st Difference)
Uji Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi Ada Autokorelasi
Sumber : Lampiran 1-8.
Pada Tabel 5.2 terdapat informasi bahwa pada data kuadrat harga buahbuahan 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
ADF t-Statistic -22,93214 -39,08125 -20,02493 -20,91059 -29,79694 -38,29993 -33,72157 -34,34869
Critical Values -2,863984 -2,863979 -2,863989 -2,863986 -2,863981 -2,863979 -2,863979 -2,863979
Prob.* 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Model Tentatif ARIMA Terbaik ARIMA(3,1,1) ARIMA(2,1,2) ARIMA(1,1,1) ARIMA(1,1,1) ARIMA(1,1,2) ARIMA(3,1,3) ARIMA(3,1,3) 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 ARCHGARCH pada dua komoditas ekspor ini. Tabel 5.5. Hasil Pengujian Efek ARCH pada Residual Model ARIMA
Komoditas Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Nilai F-statistic 43,04745 11,00941 37,74525 0,011404 193,9183 5,995118 7,1683981 0,022064
Probabilitas 0,0000 0,0000 0,0000 0,9150 0,0000 0,0145 0,0075 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Model ARCH-GARCH GARCH(1,1) GARCH(1,1) GARCH(1,1) ARCH(1) GARCH(1,1) GARCH(1,1) -
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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Nilai Jarque-Bera 447,7202 218,3976 144,9047 93352,78 319,4438 7204,979 -
Probabilitas 0,000000 0,000000 0,000000 0,000000 0,000000 0,000000 -
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 ARCHGARCH
Komoditas Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Nilai F-statistic 0,540168 6,683134 1,532029 0,358534 0,249662 0,041879 -
Probabilitas 0,4625 0,0099 0,2161 0,5494 0,6174 0,8379 -
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
Volatilitas periode Varian periode Komoditas sebelumnya (εt-12) 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 Koefisien
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 ARCHGARCH 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
Nilai Volatilitas 129.02 42.68 39.57 428.32 90.28 68.06 -
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. 9000 8000 7000 6000 5000 4000 3000 2000 1000 Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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. 3000 2500 2000 1500 1000 500
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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. 3000 2500 2000 1500 1000 500
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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. 12000 10000 8000 6000 4000 2000
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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. 12000 10000 8000 6000 4000 2000
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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. 3000 2500 2000 1500 1000 500
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
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
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. 6000 5000 4000 3000 2000 1000
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
Bulan Harga (Rp)
Pasokan (Kuintal)
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
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. 400000 350000 300000 250000 200000 150000 100000 50000
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 08
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 07
Nov
Des
Okt
Sep
Jul
Ags
Jun
Apr
Mei
Mar
Feb
Januari 06
0
Bulan Harga (Rp)
Pasokan (per 100 ton)
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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
ADF t-Statistic -22,93214 -39,08125 -20,02493 -20,91059 -29,79694 -38,29993 -33,72157 -34,34869
Critical Values -2,863984 -2,863979 -2,863989 -2,863986 -2,863981 -2,863979 -2,863979 -2,863979
Prob.* 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali Keterangan : *) Signifikan pada taraf nyata 0,05
Nilai Koefisien* -33,52 -3,82 -1,34 -20,07 -3,99 -0,63 -6,55 -846,76
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 EngleGranger 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 Alpukat Pepaya Nanas Pisang Ambon Jeruk Siam Semangka Tanpa Biji Melon Salak Bali
t-Statistic 2,539248 2,903137 3,737074 4,152334 1,999468 3,476255 3,655641 -0,908212
Probability 0,0112 0,0038 0,0002 0,0000 0,0458 0,0005 0,0003 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.
7.1.
KESIMPULAN DAN SARAN
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 faktorfaktor 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 Sayurmayur 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 GARCH dan Pendugaan Series pada Perusahaan [Skripsi]. Program Studi Institut Pertanian Bogor.
Investasi Dengan Pendekatan Model ARCHHarga Saham dengan Pendekatan Model Time Agribisnis Terpilih di PT. Bursa Efek Jakarta Sosial Ekonomi Pertanian. Fakultas Pertanian.
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-22.55119 -3.436138 -2.863984 -2.568122
0.0000
*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)) D(ALP2(-1),2) D(ALP2(-2),2) C
-1.289492 0.157570 0.110879 3870.753
0.057181 0.045466 0.030169 111772.8
-22.55119 3.465651 3.675242 0.034631
0.0000 0.0005 0.0002 0.9724
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.567944 0.566749 3688498. 1.48E+16 -18009.70 475.4155 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-1505.969 5603763. 33.08300 33.10134 33.08994 2.007853
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-38.28345 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.149077 2558.267
0.030015 11306.95
-38.28345 0.226256
0.0000 0.8210
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.573714 0.573322 373469.2 1.52E+14 -15545.24 1465.622 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
925.7562 571748.3 28.50089 28.51005 28.50436 1.984901
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-19.73201 -3.436149 -2.863989 -2.568125
0.0000
*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)) D(NNS2(-1),2) D(NNS2(-2),2) D(NNS2(-3),2) D(NNS2(-4),2) C
-1.659666 0.481218 0.336449 0.272528 0.095009 14541.83
0.084110 0.072205 0.060399 0.046187 0.030294 14977.70
-19.73201 6.664640 5.570464 5.900521 3.136271 0.970898
0.0000 0.0000 0.0000 0.0000 0.0018 0.3318
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.590544 0.588650 493232.6 2.63E+14 -15788.57 311.8179 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
634.7746 769035.2 29.06085 29.08840 29.07128 2.006627
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-21.33015 -3.436143 -2.863986 -2.568124
0.0000
*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)) D(PSG2(-1),2) D(PSG2(-2),2) D(PSG2(-3),2) C
-1.443115 0.350013 0.233721 0.145037 54684.99
0.067656 0.056627 0.044354 0.030142 185346.7
-21.33015 6.181055 5.269461 4.811759 0.295042
0.0000 0.0000 0.0000 0.0000 0.7680
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.550360 0.548699 6113068. 4.05E+16 -18542.32 331.3978 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-8042.279 9099677. 34.09434 34.11728 34.10302 2.010634
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-29.74425 -3.436132 -2.863981 -2.568121
0.0000
*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)) D(JRK2(-1),2) C
-1.419407 0.127775 31809.80
0.047720 0.030075 200475.9
-29.74425 4.248498 0.158671
0.0000 0.0000 0.8740
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.635350 0.634679 6618631. 4.76E+16 -18664.03 946.9713 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-1.37E-11 10950426 34.25142 34.26517 34.25663 1.992890
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-37.60978 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.129114 1109.539
0.030022 14542.28
-37.60978 0.076297
0.0000 0.9392
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.565008 0.564609 480331.4 2.51E+14 -15819.78 1414.496 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-1219.065 727949.4 29.00417 29.01333 29.00764 2.003613
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-20.91578 -3.436132 -2.863981 -2.568121
0.0000
*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)) D(MEL2(-1),2) C
-0.889428 -0.087503 19953.68
0.042524 0.030455 45242.68
-20.91578 -2.873181 0.441037
0.0000 0.0041 0.6593
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.487250 0.486307 1493515. 2.42E+15 -17041.28 516.4711 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
5733.945 2083808. 31.27391 31.28766 31.27911 1.975110
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-28.71230 -3.436132 -2.863981 -2.568121
0.0000
*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)) D(SAL2(-1),2) C
-1.391583 0.082605 55944195
0.048466 0.030231 1.27E+08
-28.71230 2.732433 0.440847
0.0000 0.0064 0.6594
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.645091 0.644438 4.19E+09 1.91E+22 -25694.93 987.8774 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
2041284. 7.03E+09 47.15217 47.16591 47.15737 2.000066
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-22.93214 -3.436138 -2.863984 -2.568122
0.0000
*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)) D(ALP(-1),2) D(ALP(-2),2) C
-1.346153 0.175072 0.107440 0.536953
0.058702 0.046299 0.030173 9.833964
-22.93214 3.781369 3.560823 0.054602
0.0000 0.0002 0.0004 0.9565
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.584758 0.583610 324.5201 1.14E+08 -7840.197 509.3122 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-0.183655 502.9116 14.40624 14.42458 14.41318 2.006866
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-39.08125 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.168811 0.810638
0.029907 3.090733
-39.08125 0.262280
0.0000 0.7932
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.583770 0.583388 102.0868 11349249 -6593.834 1527.344 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.274977 158.1626 12.09136 12.10051 12.09482 2.001903
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-20.02493 -3.436149 -2.863989 -2.568125
0.0000
*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)) D(NNS(-1),2) D(NNS(-2),2) D(NNS(-3),2) D(NNS(-4),2) C
-1.701889 0.515274 0.366105 0.291388 0.084122 2.911741
0.084989 0.072514 0.060534 0.046250 0.030276 3.358093
-20.02493 7.105813 6.047902 6.300322 2.778470 0.867082
0.0000 0.0000 0.0000 0.0000 0.0056 0.3861
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.596673 0.594808 110.6156 13226909 -6654.866 319.8417 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.091996 173.7744 12.25550 12.28305 12.26593 2.004959
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-20.91059 -3.436143 -2.863986 -2.568124
0.0000
*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)) D(PSG(-1),2) D(PSG(-2),2) D(PSG(-3),2) C
-1.456188 0.340866 0.203380 0.111527 3.974757
0.069639 0.058100 0.045075 0.030262 11.65631
-20.91059 5.866888 4.512041 3.685321 0.340996
0.0000 0.0000 0.0000 0.0002 0.7332
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.557845 0.556212 384.4329 1.60E+08 -8016.824 341.5914 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-0.459559 577.0755 14.74600 14.76894 14.75468 2.013793
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-29.79694 -3.436132 -2.863981 -2.568121
0.0000
*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)) D(JRK(-1),2) C
-1.442513 0.116343 2.700180
0.048411 0.030108 13.80622
-29.79694 3.864133 0.195577
0.0000 0.0001 0.8450
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.650884 0.650242 455.8024 2.26E+08 -8218.186 1013.288 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.000000 770.7126 15.08474 15.09849 15.08995 2.009290
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-38.29993 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.146757 0.250576
0.029942 3.351357
-38.29993 0.074769
0.0000 0.9404
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.573924 0.573533 110.6954 13344019 -6682.160 1466.885 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-0.274977 169.5067 12.25327 12.26243 12.25674 2.001699
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-33.72157 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.025442 2.058474
0.030409 5.138100
-33.72157 0.400630
0.0000 0.6888
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.510813 0.510364 169.7048 31362904 -7148.321 1137.144 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.366636 242.5256 13.10783 13.11699 13.11130 1.989280
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)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-34.34869 -3.436127 -2.863979 -2.568120
0.0000
*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)) C
-1.038884 138.2517
0.030245 163.9467
-34.34869 0.843272
0.0000 0.3993
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.520017 0.519577 5413.464 3.19E+10 -10926.00 1179.832 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-4.582951 7810.219 20.03300 20.04215 20.03646 1.996975
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 AR(3) MA(1)
0.421410 -0.100971 -0.181226
7.314373 0.030179 0.029843
0.057614 -3.345753 -6.072547
0.9541 0.0008 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots
0.037853 0.036081 324.4940 1.14E+08 -7840.611 21.36296 0.000000 .23-.40i .18
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
.23+.40i
0.459137 330.5114 14.40516 14.41892 14.41037 1.986762
-.47
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 AR(2) MA(2)
0.727765 -0.984261 0.991420
3.148456 0.009042 0.005989
0.231150 -108.8539 165.5378
0.8172 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.001770 -0.000067 103.5729 11660619 -6603.041 0.963434 0.381906
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.733945 103.5694 12.12118 12.13492 12.12638 2.331603
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 AR(1) MA(1)
1.614021 0.715392 -0.923190
0.912518 0.035832 0.020307
1.768754 19.96544 -45.46172
0.0772 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.081346 0.079657 110.1772 13207242 -6676.540 48.17054 0.000000
Inverted AR Roots Inverted MA Roots
.72 .92
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.558203 114.8462 12.24480 12.25854 12.25000 2.014931
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 AR(1) MA(1)
2.501236 0.657404 -0.811700
6.406306 0.068775 0.053293
0.390433 9.558722 -15.23087
0.6963 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.040289 0.038525 383.3371 1.60E+08 -8036.826 22.83744 0.000000
Inverted AR Roots Inverted MA Roots
.66 .81
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
2.749771 390.9416 14.73845 14.75219 14.74365 1.941015
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 AR(1) MA(2)
1.905644 -0.394853 -0.159876
9.043400 0.029937 0.032186
0.210722 -13.18925 -4.967244
0.8331 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.135197 0.133607 495.7555 2.67E+08 -8317.396 85.04469 0.000000
Inverted AR Roots Inverted MA Roots
-.39 .40
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.833181 532.6109 15.25279 15.26652 15.25799 2.001247
-.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 AR(3) MA(3)
-0.095143 0.817044 -0.829296
3.199828 0.096614 0.094880
-0.029734 8.456762 -8.740476
0.9763 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.007208 0.005379 111.4953 13500280 -6677.249 3.942156 0.019685
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Inverted AR Roots Inverted MA Roots
.93 .94
-.47-.81i -.47-.81i
-.47+.81i -.47+.81i
0.367309 111.7964 12.26859 12.28235 12.27380 2.286321
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 AR(3) MA(3)
0.925393 0.788772 -0.821970
4.417066 0.166192 0.155001
0.209504 4.746151 -5.303001
0.8341 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.004497 0.002664 169.6110 31241914 -7134.111 2.453116 0.086502
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Inverted AR Roots Inverted MA Roots
.92 .94
-.46-.80i -.47-.81i
2.020202 169.8373 13.10764 13.12140 13.11285 2.047372
-.46+.80i -.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 AR(2) MA(2)
121.8158 0.846265 -0.800532
214.4939 0.101877 0.114052
0.567922 8.306711 -7.018990
0.5702 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.006700 0.004873 5404.355 3.17E+10 -10913.65 3.666072 0.025894
Inverted AR Roots Inverted MA Roots
.92 .89
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-.92 -.89
133.0275 5417.569 20.03055 20.04429 20.03575 2.096725
Lampiran 25. Hasil Pengujian Efek ARCH Buah Alpukat Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
43.04745 41.48243
Prob. F(1,1086) Prob. Chi-Square(1)
0.0000 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 RESID^2(-1)
84584.60 0.195258
9246.488 0.029760
9.147754 6.561056
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.038127 0.037242 287020.7 8.95E+13 -15216.04 43.04745 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
105102.8 292519.3 27.97433 27.98351 27.97781 2.004791
Lampiran 26. Hasil Pengujian Efek ARCH Buah Pepaya Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
11.00941 10.91907
Prob. F(1,1087) Prob. Chi-Square(1)
0.0009 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 RESID^2(-1)
9638.645 0.100165
996.2342 0.030188
9.675079 3.318043
0.0000 0.0009
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.010027 0.009116 31109.21 1.05E+12 -12810.21 11.00941 0.000937
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
10707.62 31251.98 23.53023 23.53940 23.53370 2.016202
Lampiran 27. Hasil Pengujian Efek ARCH Buah Nanas Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
37.74525 36.54674
Prob. F(1,1088) Prob. Chi-Square(1)
0.0000 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 RESID^2(-1)
9876.186 0.183093
1019.797 0.029802
9.684458 6.143716
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.033529 0.032641 31492.19 1.08E+12 -12835.31 37.74525 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
12092.33 32019.09 23.55470 23.56386 23.55817 2.020832
Lampiran 28. Hasil Pengujian Efek ARCH Pisang Ambon Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
0.011404 0.011425
Prob. F(1,1088) Prob. Chi-Square(1)
0.9150 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 RESID^2(-1)
147149.5 -0.003237
17806.50 0.030316
8.263812 -0.106791
0.0000 0.9150
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.000010 -0.000909 569293.1 3.53E+14 -15990.49 0.011404 0.914975
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
146675.1 569034.6 29.34401 29.35317 29.34748 1.999660
Lampiran 29. Hasil Pengujian Efek ARCH Jeruk Siam Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
163.7821 142.6147
Prob. F(1,1088) Prob. Chi-Square(1)
0.0000 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 RESID^2(-1)
156554.6 0.361718
43635.41 0.028264
3.587788 12.79774
0.0003 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.130839 0.130040 1422326. 2.20E+15 -16988.55 163.7821 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
245289.5 1524929. 31.17532 31.18448 31.17879 1.931615
Lampiran 30. Hasil Pengujian Efek ARCH Semangka Tanpa Biji Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
5.995118 5.973185
Prob. F(1,1086) Prob. Chi-Square(1)
0.0145 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 RESID^2(-1)
11466.12 0.074089
1001.323 0.030259
11.45097 2.448493
0.0000 0.0145
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.005490 0.004574 30622.21 1.02E+12 -12781.28 5.995118 0.014503
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
12384.79 30692.49 23.49868 23.50785 23.50215 2.008949
Lampiran 31. Hasil Pengujian Efek ARCH Buah Melon Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
7.168398 7.134506
Prob. F(1,1086) Prob. Chi-Square(1)
0.0075 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 RESID^2(-1)
26393.88 0.081129
3160.813 0.030302
8.350347 2.677386
0.0000 0.0075
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.006557 0.005643 100291.5 1.09E+13 -14072.03 7.168398 0.007532
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
28706.22 100575.7 25.87139 25.88056 25.87486 2.021311
Lampiran 32. Hasil Pengujian Efek ARCH Salak Bali Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
74.62493 69.96338
Prob. F(1,1088) Prob. Chi-Square(1)
0.0000 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 RESID^2(-1)
87669839 0.253351
60000377 0.029328
1.461155 8.638572
0.1443 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.064187 0.063326 1.98E+09 4.26E+21 -24877.29 74.62493 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.17E+08 2.04E+09 45.65007 45.65923 45.65353 1.999667
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 AR(3) MA(1)
5.078747 -0.090044 -0.240791
5.755674 0.033312 0.031049
0.882390 -2.703068 -7.755202
0.3776 0.0069 0.0000
4.464063 6.932492 66.85513
0.0000 0.0000 0.0000
Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Inverted AR Roots Inverted MA Roots
3050.566 0.073153 0.899829 0.033973 0.029513 325.5977 1.15E+08 -7775.448 7.617245 0.000000 .22+.39i .24
683.3610 0.010552 0.013459
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
.22-.39i
-.45
0.459137 330.5114 14.29100 14.31851 14.30141 1.869217
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 AR(2) MA(2)
-0.758970 -0.988063 0.992560
2.308276 0.005523 0.002707
-0.328804 -178.9071 366.7288
0.7423 0.0000 0.0000
5.672893 11.06901 101.0569
0.0000 0.0000 0.0000
Variance Equation C RESID(-1)^2 GARCH(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
204.3466 0.108735 0.879177 0.001336 -0.003270 103.7386 11665683 -6474.328 0.290032 0.918632
36.02159 0.009823 0.008700
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.733945 103.5694 11.89051 11.91800 11.90091 2.331923
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 AR(1) MA(1)
1.122318 0.687184 -0.934666
0.606419 0.037340 0.016083
1.850731 18.40357 -58.11695
0.0642 0.0000 0.0000
1.685032 3.214783 33.38302
0.0920 0.0013 0.0000
Variance Equation C RESID(-1)^2 GARCH(-1)
155.0758 0.082043 0.909538
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.076858 0.072603 110.5986 13271767 -6563.129 18.06665 0.000000
Inverted AR Roots Inverted MA Roots
.69 .93
92.03140 0.025520 0.027246
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
1.558203 114.8462 12.04240 12.06987 12.05279 1.926978
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 AR(1) MA(2)
-11.79566 -0.216716 -0.068199
10.59283 0.044728 0.035489
-1.113552 -4.845214 -1.921706
0.2655 0.0000 0.0546
84.08478 11.63535
0.0000 0.0000
Variance Equation C RESID(-1)^2
176142.2 0.238221
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.106039 0.102746 504.5075 2.76E+08 -8218.288 32.20458 0.000000
Inverted AR Roots Inverted MA Roots
-.22 .26
2094.817 0.020474
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
-.26
1.833181 532.6109 15.07477 15.09766 15.08344 2.335080
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 AR(3) MA(3)
0.068441 0.800595 -0.816744
2.969954 0.098718 0.096415
0.023044 8.109905 -8.471128
0.9816 0.0000 0.0000
4.252846 7.046257 6.551635
0.0000 0.0000 0.0000
Variance Equation C RESID(-1)^2 GARCH(-1)
4000.337 0.110346 0.566806
940.6259 0.015660 0.086514
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.007146 0.002562 111.6531 13501122 -6659.778 1.558887 0.168946
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Inverted AR Roots Inverted MA Roots
.93 .93
-.46-.80i -.47-.81i
-.46+.80i -.47+.81i
0.367309 111.7964 12.24202 12.26953 12.25243 2.287030
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 AR(3) MA(3)
-1.195895 0.750655 -0.789480
4.201668 0.170619 0.157945
-0.284624 4.399598 -4.998439
0.7759 0.0000 0.0000
5.820617 8.728778 79.66478
0.0000 0.0000 0.0000
Variance Equation C RESID(-1)^2 GARCH(-1)
1336.417 0.054438 0.902629
229.6006 0.006237 0.011330
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.004135 -0.000463 169.8767 31253301 -7089.048 0.899259 0.480794
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
Inverted AR Roots Inverted MA Roots
.91 .92
-.45-.79i -.46-.80i
2.020202 169.8373 13.03039 13.05790 13.04080 2.046974
-.45+.79i -.46+.80i
350
Series: Standardized Residuals Sample 5 1093 Observations 1089
300 250 200 150 100 50
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
-0.004090 -0.021919 6.476251 -4.875556 1.001018 0.222877 6.109407
Jarque-Bera Probability
447.7202 0.000000
0 -4
-2
0
2
4
6
Lampiran 39. Hasil Uji Jarque-Bera Buah Alpukat
300
Series: Standardized Residuals Sample 4 1093 Observations 1090
250
200
150
100
50
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
0.019504 0.008974 4.189085 -4.419304 0.999743 -0.214886 5.150361
Jarque-Bera Probability
218.3976 0.000000
0 -3.75
-2.50
-1.25
0.00
1.25
2.50
3.75
Lampiran 40. Hasil Uji Jarque-Bera Buah Pepaya 200
Series: Standardized Residuals Sample 3 1093 Observations 1091
160
120
80
40
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
0.004326 0.014988 4.928286 -3.803218 0.998727 0.171305 4.752215
Jarque-Bera Probability
144.9047 0.000000
0 -3.75
-2.50
-1.25
0.00
1.25
2.50
3.75
5.00
Lampiran 41. Hasil Uji Jarque-Bera Buah Nanas 500
Series: Standardized Residuals Sample 3 1093 Observations 1091
400
300
200
100
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
0.004690 0.003167 7.345042 -14.11502 1.000448 -2.611269 48.01461
Jarque-Bera Probability
93352.78 0.000000
0 -14
-12
-10
-8
-6
-4
-2
0
2
4
6
8
Lampiran 42. Hasil Uji Jarque-Bera Jeruk Siam
280
Series: Standardized Residuals Sample 5 1093 Observations 1089
240 200 160 120 80 40
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
0.003459 0.000305 5.022331 -4.829446 1.001122 0.130380 5.640471
Jarque-Bera Probability
319.4438 0.000000
0 -4
-2
0
2
4
Lampiran 43. Hasil Uji Jarque-Bera Semangka Tanpa Biji 320
Series: Standardized Residuals Sample 5 1093 Observations 1089
280 240 200 160 120 80 40
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
0.018283 0.005614 9.514648 -6.307788 1.000198 0.569994 15.54942
Jarque-Bera Probability
7204.979 0.000000
0 -5.0
-2.5
0.0
2.5
5.0
7.5
10.0
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 | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
0.022 -0.020 -0.027 -0.001 0.004 -0.025 0.034 0.015 -0.040 -0.000 -0.001 0.004 -0.008 -0.008 -0.013 0.004 -0.003 -0.019 0.005 -0.026
0.022 -0.020 -0.026 -0.000 0.003 -0.026 0.035 0.013 -0.041 0.004 -0.002 0.001 -0.007 -0.008 -0.016 0.006 -0.003 -0.021 0.006 -0.027
Q-Stat 0.5427 0.9600 1.7788 1.7799 1.8020 2.4781 3.7105 3.9512 5.7522 5.7523 5.7534 5.7723 5.8461 5.9145 6.1051 6.1196 6.1297 6.5136 6.5421 7.2651
Prob
0.182 0.411 0.614 0.649 0.592 0.683 0.569 0.675 0.764 0.834 0.883 0.920 0.942 0.963 0.977 0.982 0.989 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 |* | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
0.078 -0.008 0.003 -0.042 0.013 -0.003 0.029 0.061 -0.047 -0.062 -0.043 -0.053 -0.005 -0.037 -0.040 -0.012 -0.007 0.044 -0.039 0.024
0.078 -0.015 0.004 -0.043 0.020 -0.007 0.031 0.055 -0.054 -0.054 -0.034 -0.044 -0.004 -0.041 -0.040 -0.011 0.003 0.049 -0.047 0.032
Q-Stat 6.6345 6.7126 6.7198 8.6689 8.8637 8.8747 9.8132 13.915 16.318 20.510 22.581 25.635 25.664 27.206 29.013 29.166 29.225 31.388 33.042 33.698
Prob
0.010 0.013 0.031 0.064 0.081 0.031 0.022 0.009 0.007 0.004 0.007 0.007 0.007 0.010 0.015 0.012 0.011 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 | | | | | | | | | | | | | | | *| | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
0.037 0.009 0.008 0.004 0.007 -0.031 0.068 0.005 -0.039 -0.027 0.016 -0.017 -0.061 -0.013 -0.006 -0.071 -0.001 0.034 -0.002 0.011
0.037 0.007 0.008 0.003 0.006 -0.032 0.070 0.000 -0.040 -0.026 0.019 -0.020 -0.056 -0.013 -0.007 -0.067 0.010 0.032 -0.007 0.019
Q-Stat 1.5367 1.6211 1.6999 1.7175 1.7641 2.8487 7.8646 7.8960 9.5651 10.398 10.690 11.025 15.181 15.375 15.420 20.984 20.985 22.263 22.266 22.404
Prob
0.192 0.424 0.623 0.583 0.164 0.246 0.215 0.238 0.298 0.356 0.174 0.222 0.282 0.102 0.137 0.135 0.175 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 | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
0.018 -0.007 0.012 -0.003 -0.003 0.006 -0.001 0.006 0.001 -0.007 0.001 -0.002 -0.006 0.001 -0.008 0.002 0.002 -0.006 -0.006 -0.008
0.018 -0.007 0.012 -0.003 -0.002 0.006 -0.002 0.006 0.001 -0.006 0.001 -0.002 -0.006 0.001 -0.008 0.002 0.002 -0.006 -0.006 -0.008
Q-Stat 0.3604 0.4069 0.5603 0.5694 0.5766 0.6125 0.6146 0.6585 0.6598 0.7079 0.7088 0.7139 0.7562 0.7571 0.8312 0.8339 0.8398 0.8797 0.9175 0.9871
Prob
0.454 0.752 0.902 0.962 0.987 0.995 0.999 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 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 | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
-0.015 0.028 -0.035 -0.013 0.003 -0.012 0.060 -0.028 -0.018 -0.018 0.006 -0.026 0.007 0.038 0.045 0.028 0.024 -0.008 0.017 0.020
-0.015 0.028 -0.034 -0.014 0.004 -0.013 0.059 -0.026 -0.023 -0.014 0.006 -0.027 0.006 0.036 0.047 0.029 0.026 -0.007 0.021 0.022
Q-Stat 0.2510 1.1342 2.4639 2.6369 2.6459 2.8085 6.7748 7.6499 7.9986 8.3705 8.4099 9.1464 9.1974 10.821 13.088 13.959 14.593 14.657 14.975 15.419
Prob
0.116 0.268 0.450 0.590 0.238 0.265 0.333 0.398 0.493 0.518 0.604 0.544 0.441 0.453 0.481 0.550 0.597 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 | | | | | | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | | | | | |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
AC
PAC
0.006 0.045 -0.011 -0.019 -0.028 -0.001 0.021 -0.022 -0.007 0.011 -0.007 -0.007 -0.018 0.034 -0.017 0.005 -0.027 -0.012 0.010 0.009
0.006 0.045 -0.012 -0.021 -0.027 0.001 0.023 -0.023 -0.010 0.013 -0.006 -0.008 -0.019 0.035 -0.014 0.001 -0.027 -0.011 0.015 0.008
Q-Stat
Prob
0.0421 2.2221 2.3608 2.7762 3.6601 3.6622 4.1293 4.6607 4.7106 4.8459 4.9017 4.9494 5.2970 6.5835 6.8919 6.9178 7.7259 7.8928 8.0112 8.0954
0.124 0.250 0.301 0.454 0.531 0.588 0.695 0.774 0.843 0.895 0.916 0.884 0.908 0.938 0.934 0.952 0.966 0.977
Lampiran 51. Hasil Pengujian Efek ARCH Buah Alpukat Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
0.540168 0.540893
Prob. F(1,1086) Prob. Chi-Square(1)
0.4625 0.4621
Lampiran 52. Hasil Pengujian Efek ARCH Buah Pepaya Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
6.683134 6.654517
Prob. F(1,1087) Prob. Chi-Square(1)
0.0099 0.0099
Lampiran 53. Hasil Pengujian Efek ARCH Buah Nanas Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
1.532029 1.532687
Prob. F(1,1088) Prob. Chi-Square(1)
0.2161 0.2157
Lampiran 54. Hasil Pengujian Efek ARCH Jeruk Siam Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
0.358534 0.359075
Prob. F(1,1088) Prob. Chi-Square(1)
0.5494 0.5490
Lampiran 55. Hasil Pengujian Efek ARCH Semangka Tanpa Biji Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
0.249662 0.250064
Prob. F(1,1086) Prob. Chi-Square(1)
0.6174 0.6170
Lampiran 56. Hasil Pengujian Efek ARCH Buah Melon Heteroskedasticity Test: ARCH F-statistic Obs*R-squared
0.041879 0.041954
Prob. F(1,1086) Prob. Chi-Square(1)
0.8379 0.8377
Lampiran 57. Hasil Uji Kointegrasi Buah Alpukat Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
0.166333 0.358147 0.018925
9.983452 0.518217 0.007453
0.016661 0.691114 2.539248
0.9867 0.4896 0.0112
Lampiran 58. Hasil Uji Kointegrasi Buah Pepaya Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
0.446402 0.256579 0.023881
3.118701 0.202302 0.008226
0.143137 1.268293 2.903137
0.8862 0.2050 0.0038
Lampiran 59. Hasil Uji Kointegrasi Buah Nanas Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
1.527893 -0.322737 0.030492
3.450054 0.141547 0.008159
0.442861 -2.280074 3.737074
0.6580 0.0228 0.0002
Lampiran 60. Hasil Uji Kointegrasi Pisang Ambon Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
3.124410 0.095492 0.039007
11.74467 0.573749 0.009394
0.266028 0.166436 4.152334
0.7903 0.8678 0.0000
Lampiran 61. Hasil Uji Kointegrasi Jeruk Siam Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
2.224222 -0.002714 0.020554
14.50185 0.105751 0.010280
0.153375 -0.025664 1.999468
0.8781 0.9795 0.0458
Lampiran 62. Hasil Uji Kointegrasi Semangka Tanpa Biji Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
0.458305 0.014898 0.031605
3.374561 0.065443 0.009092
0.135812 0.227651 3.476255
0.8920 0.8200 0.0005
Lampiran 63. Hasil Uji Kointegrasi Buah Melon Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
1.648835 -0.072443 0.024957
5.090697 0.141029 0.006827
0.323892 -0.513676 3.655641
0.7461 0.6076 0.0003
Lampiran 64. Hasil Uji Kointegrasi Salak Bali Variable
Coefficient
Std. Error
t-Statistic
Prob.
C D(TON) RESID01(1)
137.8858 -14.27905 -0.002892
163.9486 7.474594 0.003184
0.841031 -1.910344 -0.908212
0.4005 0.0564 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
