IV.
METODE PENELITIAN
4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura terbesar di Jakarta. Penelitian dilakukan pada bulan Mei-Juli 2012. Pemilihan lokasi penelitian ini dilakukan secara sengaja (purposive), hal tersebut dikarenakan pasar kembang Rawabelong merupakan salah satu sentra pemasaran bunga grosir di pulau Jawa yang membuat pasar bunga ini dijadikan sebagai acuan dalam menentukan harga bunga dan tanaman hias.
4.2. Data dan Instrumentasi Data yang digunakan adalah data primer dan sekunder. Data sekunder diperoleh dari Kantor Pasar Bunga Rawa Belong Jakarta Barat berupa data time series harga harian (Rp/ikat), pasokan harian (ikat), serta permintaan harian (ikat) bunga krisan. Data harga harian merupakan data harga jual bunga krisan setiap harinya yang ditentukan oleh pedagang bunga krisan. Data pasokan harian merupakan data jumlah pasokan atau persediaan bunga krisan yang dimiliki oleh pedagang bunga krisan setiap harinya. Sedangkan data permintaan bunga krisan merupakan data jumlah permintaan atau jumlah pembelian bunga krisan yang dilakukan oleh konsumen setiap harinya. Jumlah data historis yang digunakan dalam penelitian ini menggunakan data dalam kurun waktu dua tahun, yaitu sejak Januari 2010 hingga Desember 2011 atau sebanyak 720 data. Data tersebut dijadikan input untuk meramalkan model dan mengukur besarnya tingkat risiko harga bunga krisan. Data primer merupakan data yang didapat dari sumber pertama, misalnya dari individu atau perseorangan. Data primer penelitian ini diperoleh melalui hasil wawancara dengan dengan 30 pedagang bunga krisan di Pasar Bunga Rawabelong yang dipilih secara acak sebagai responden, serta pihak-pihak dari Unit Pelaksana Teknis (UPT) Rawabelong, Jakarta Barat. Data primer digunakan sebagai analisis tambahan menginterpretasikan output risiko bunga krisan serta menganalisis bagaimana mencari solusi dalam mengurangi risiko. Selain data primer dan data 30
sekunder informasi lain juga diperoleh dari berbagai sumber, seperti referensi buku, Dirjen Holtikultura, Badan Pusat Statistik, Unit Promosi dan Pemasaran Holtikultura Rawa Belong, Asosiasi Bunga Indonesia (Asbindo), penelitian kepustakaan, dan internet.
4.3. Metode Pengolahan dan Analisis Data Data yang diperoleh dalam penelitian ini akan diolah dengan menggunakan metode analisis kuantitatif dan kualitatif. Metode analisis kuantitatif yang dilakukan dalam penelitian ini adalah analisis risiko dengan menggunakan model ARCH-GARCH. Model ARCH-GARCH digunakan untuk meramalkan volatilitas periode selanjutnya dan perhitungan VaR yang digunakan untuk menganalisis besarnya tingkat risiko. Analisis data diolah dengan menggunakan bantuan program Microsoft Excel dan Eviews 6. Analisis kualitatif dianalisis secara deskriptif
yang bertujuan untuk
menganalisis alternatif strategi yang dihadapi oleh pedagang dalam mengatasi risiko harga pada bunga krisan
di UPT Rawabelong. Analisis kualitatif ini
menggunakan data kualitatif yang diperoleh dari hasil wawancara dengan pedagang bunga krisan di Pasar Bunga Rawabelong, serta pihak-pihak dari Unit Pelaksana Teknis (UPT) Rawabelong, Jakarta Barat.
4.4. Model ARCH-GARCH Model ARCH-GARCH biasanya digunakan untuk melihat volatilitas atau fluktuasi dari data-data ekonomi. Pada penelitian ini, model ARCH-GARCH digunakan untuk mengukur tingkat risiko harga pada bunga krisan cipanas dan krisan pt. Pengaplikasian model ARCH-GARCH terdapat lima tahapan yang harus terpenuhi asumsi-asumsinya. Tahapan-tahapan tersebut, yaitu : 1. Identifikasi efek ARCH. Dalam permodelan ARCH-GARCH didahului dengan identifikasi apakah suatu data atau model persaman rataan yang diamati mengandung heteroskedastisitas atau tidak. Ini dilakukan antara lain dengan mengamati beberapa ringkasan statistik dari persamaan rataan tersebut. Sebagai contoh bila data atau model persamaan rataan memiliki nilai kurtosis lebih dari tiga 31
menunjukkan
gejala
awal
adanya
heteroskedastisitas
(Davidson
dan
MacKinnon, 2004 dalam Firdaus, 2008). Selain itu, pengujian adanya efek ARCH pada suatu model persamaan dapat dilakukan dengan mengamati nilai autokorelasi kuadrat residual dari model persamaan tersebut. Fungsi autokorelasi kuadrat residual digunakan untuk mendeteksi keberadaan efek ARCH. Jika nilai autokorelasi kuadrat residual dari suatu persaman signifikan, maka nilai tersebut mengindikasikan bahwa pada model persamaan tersebut terdapat efek ARCH. Keberadaan efek ARCH ditunjukkan dengan nilai autokorelasi kuadrat residual yang signifikan pada 15 beda kala pertama yang diperiksa dari perilaku ACF dan PACFnya. Selain itu, cara yang lebih terkuantifikasi dalam menguji ada tidaknya ARCH error adalah dengan menggunakan uji White Heteroscedasticity. 2. Estimasi model Pada tahapan ini dilakukan simulasi beberapa model ragam dengan menggunakan model rataan yang telah didapatkan. Kemudian dilanjutkan dengan pendugaan parameter model. Pendugaan parameter dimaksudkan untuk mencari koefisien model yang paling sesuai dengan data. Penentuan dugaan parameter
ARCH-GARCH
dilakukan
dengan
menggunakan
metode
kemungkinan maksimum secara iteratif. Dengan menggunakan Software Eviews 6, estimasi nilai-nilai parameter dapat dilakukan. Selanjutnya dilakukan pemilihan model terbaik. Kriteria model terbaik adalah memiliki ukuran kebaikan model yang besar dan koefisien yang nyata. Terdapat dua bentuk pendekatan yang dapat digunakan sebagai ukuran kebaikan model yaitu: a. Akaike Information Criterion (AIC) AIC = Ln (MSE) + 2*K/N b. Schwarz 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
32
SC dan AIC merupakan 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 yang terbaik. Model yang baik dipilih berdasarkan nilai AIC dan SC yang terkecil dengan melihat juga signifikansi koefisien model. 3. Evaluasi model Pemeriksaan kecukupan model dilakukan untuk menguji asumsi, sehingga model yang diperoleh cukup memadai. Jika model tidak memadai, maka harus kembali ke tahap identifikasi untuk mendapatkan model yang lebih baik. Evaluasi model dilakukan dengan memperhatikan beberapa indikator, yaitu apakah residual sudah terdistribusi normal; keacakan residual yang dilihat dari fungsi autokorelasi kuadrat residual dan pengujian efek ARCH-GARCH dari residual. Langkah awal yang dilakukan adalah memeriksa kenormalan galat baku model dengan uji Jarque-Bera. Uji Jarque-Bera digunakan untuk mengukur perbedaan antara Skewness (kemenjuluran) dan Kurtosis (keruncingan) dari data sebaran normal, serta memasukkan ukuran keragaman. Hipotesis yang diuji adalah sebagai berikut : H0 : Sisaan baku menyebar normal H1 : Sisaan baku tidak menyebar normal Statistik uji Jarque-Bera (JB) dihitung dengan persamaan sebagai berikut :
dimana, S : kemenjuluran K : keruncingan k : banyaknya koefisien penduga N : banyaknya data pengamatan Pada kondisi hipotesis nol, JB memiliki derajat bebas 2. Tolak H0 jika JB > χ22 (α) atau jika P (χ22> JB) kurang dari α = 0,05 yang berarti bahwa data sisaan terbakukan tidak menyebar normal.
33
Model ARCH/GARCH menunjukkan kinerja yang baik jika dapat menghilangkan autokorelasi dari data. Langkah selanjutnya adalah memeriksa koefisien autokorelasi sisaan baku, dengan uji Ljung Box. Uji Ljung Box (Q*) pada dasarnya adalah pengujian kebebasan sisaan baku. Untuk data deret waktu dengan N pengamatan, statistik Ljung Box diformulasikan sebagai :
Dimana r1 (εt) adalah autokorelasi contoh pada lag 1 dan k adalah maksimum lag yang diinginkan. Jika nilai Q* lebih besar dari nilai χ22 (α) dengan derajat bebas k-p-q atau jika P(χ2(k-p-q) >Q*) lebih kecil dari taraf nyata 0,05 maka model tidak layak. 4. Peramalan Setelah memperoleh model yang memadai, model tersebut digunakan untuk memperkirakan nilai volatilitas masa yang akan datang. Peramalan dilakukan dengan memasukkan parameter ke dalam persamaan yang diperoleh. Hasil peramalan digunakan untuk pembahasan lebih lanjut seperti perhitungan VaR. Tingkat risiko memiliki hubungan yang erat dengan metode ARCHGARH yang sering digunakan jika terjadi ketidakhomogenan ragam atau varians dari data return dan menduga nilai volatility yang akan datang. Hal tersebut merupakan kelebihan metode ARCH-GARCH dibandingkan dengan penduga ragam atau varians biasa yang tidak mampu melakukan pendugaan ragam (varians) jika terjadi ketidakhomogenan data tidak terpenuhi. Model
ARCH
(Autoregressive
Conditional
Heteroscedasticity)
dikembangkan terutama untuk menjawab persoalan adanya volatilitas atau fluktuasi pada data ekonomi dan bisnis, khususnya dalam bidang keuangan. Volatilitas ini tercermin dalam varians residual yang tidak memenuhi asumsi homoskedastisitas (varians residual konstan sepanjang waktu). Langkah awal untuk mengidentifikasi model ARCH-GARCH adalah dengan melihat ada tidaknya ARCH error dari data persamaan bunga krisan. Model ARCH-GARCH pada bunga krisan ini dibangun oleh variabel dependen dan variabel independen. Variabel dependen pada model ini adalah variabel tetap, yaitu harga bunga krisan (Pt). Sedangkan, variabel independen adalah 34
variabel yang mempengaruhi variabel dependen atau yang mempengaruhi harga bunga krisan, yaitu harga bunga krisan pada satu hari sebelumnya (P t-1), permintaan bunga krisan (Dt), dan pasokan bunga krisan (Qt). Sehingga model persamaan harga bunga krisan yang diperoleh adalah sebagai berikut :
Peramalan ragam untuk periode yang akan datang diramalkan dengan menggunakan rumus GARCH (1,1) sebagai berikut:
dimana: Pt : Harga bunga krisan periode ke t (Rupiah/ikat) Pt-1 : Harga bunga krisan pada periode satu hari sebelumnya (ikat) Qt : Jumlah pasokan bunga krisan (ikat) Dt : Jumlah permintaan bunga krisan (ikat) B0, b1, b2, b3, α, β : Besaran parameter dugaan ht : Ragam pada periode ke t : Volatilitas periode sebelumnya ht-1 : Varian periode sebelumnya C : Konstanta : Error
4.5. Value at Risk (VaR) Setelah diperoleh model ARCH-GARCH yang sesuai, maka dilakukan perhitungan VaR. Perhitungan VaR dilakukan dengan tujuan untuk menghitung risiko pasar (market risk) dan menghitung besarnya tingkat kerugian yang mungkin terjadi dalam waktu tertentu yang telah ditentukan, dengan tingkat kepercayaan tertentu. Perhitungan VaR yang dilakukan dalam penelitian ini, menggunakan periode penjualan 1 hari, 3 hari, dan 7 hari. Pemilihan periode tersebut dikarenakan daya tahan bunga krisan maksimal hingga tujuh hari, sehingga periode penjualan maksimal selama tujuh hari. Namun, pada beberapa pedagang ada yang menjual bunga krisannya dengan periode waktu maksimum penjualan selama tiga hari. Sehingga, rumus yang digunakan dalam perhitungan 35
VaR pada bunga krisan cipanas dan krisan pt ini adalah sebagai berikut (Jorion 2002):
Dimana : VaR
= besarnya risiko yang diterima pedagang bunga krisan cipanas/ pt
b
= periode penjualan bunga krisan cipanas/ pt
Zα
= titik kritik dalam tabel Z dengan alfa 5%
W
= besarnya investasi pedagang bunga krisan cipanas/ pt
σt+1
= volatilitas yang akan datang dimana σt = √ht
4.6. Definisi Operasional Beberapa istilah yang digunakan dalam analisis risiko harga bunga krisan dan anggrek, yaitu : 1.
Risiko adalah suatu keadaan yang tidak pasti yang dihadapi seseorang atau perusahaan yang dapat memberikan dampak yang merugikan.
2.
Manajemen risiko adalah cara-cara yang digunakan manajemen untuk menangani berbagai permasalahan yang disebabkan oleh adanya risiko.
3.
Heteroskedastisitas adalah varian dari setiap unsur disturbance yang tergantung pada nilai yang dipilih dari variabel yang menjelaskan kevariansan (volatilitas) yang tidak konstan disetiap titik waktu.
4.
Homoskedastisitas adalah varian dari tiap unsur disturbance, tergantung (conditional) pada nilai yang dipilih dari variabel yang menjelaskan suatu angka konstan yang sama dengan σ2 atau dengan kata lain variannya sama.
5.
Kurtosis adalah ukuran keruncingan distribusi data, derajat atau ukuran tinggi rendahnya puncak suatu distribusi data terhadap distribusi normal data.
6.
Volatilitas adalah suatu ukuran yang menunjukkan seberapa besar harga berfluktuasi dalam suatu periode waktu.
7.
Varian merupakan jumlah kuadrat semua deviasi nilai-nilai individual terhadap rata-rata kelompok. Variasi harga yang terjadi pada kurun waktu tertentu.
36
8.
Error adalah perubahan-perubahan pergerakan harga pada kurun waktu tertentu. Error menunjukkan adanya risiko.
9.
Value at Risk (VAR) merupakan ukuran besarnya risiko.
10. ACF : Autocorrelation Function yaitu kumpulan koefisien korelasi untuk berbagai tingkatan beda kala antar variabel. 11. PACF : Parcial Autocorrelation Function yaitu kumpulan koefisien korelasi untuk berbagai tingkatan beda kala antar dua variabel. 12. ARCH-GARCH : Autoregressive Conditional Heteroscedasticity – General Autoregressive Conditional Heteroscedasticity yaitu untuk menjawab persoalan adanya volatilitas pada data dimana volatilitas tercermin
dalam
varian residual
yang
tidak
memenuhi
asumsi
homoskedastisitas.
37
