BAWANG MERAH
Pusat Penelitian dan Pengembangan Hortikultura, Jl. Tentara Pelajar No. 3C,
Kampus Penelitian Pertanian Cimanggu, Bogor, Jawa Barat 16111
Telp. (0251)-8372096 Fax. (0251) 8387651
E-mail : puspitasari_ak@yahoo.com
ABSTRAK
Analisis volatilitas harga sangat diperlukan terutama untuk menentukan kebijakan harga di masa yang akan datang.
Salah satu model yang biasa digunakan untuk menganalisis sifat volatilitas harga adalah ARCH/GARCH. Penelitian ini
bertujuan untuk menganalisis sifat volatilitas harga bawang merah nasional menggunakan ARCH/GARCH. Data yang
digunakan dalam penelitian adalah data sekunder, yaitu harga rata-rata harian bawang merah nasional dalam kurun waktu
2011-2015. Analisis volatilitas harga bawang merah dalam penelitian dilakukan dengan bantuan software Eviews 6.
Hasil penelitian menunjukkan karakteristik volatilitas harga bawang merah dalam kurun waktu 2011-2015 berdasarkan
model ARCH/GARCH dikategorikan rendah sehingga pergerakan harga dapat diprediksi dan diantisipasi sebagai early
warning system akan terjadinya lonjakan atau penurunan harga. Selain itu dapat diestimasi volatilitas harga bawang
di masa mendatang akan semakin kecil dengan perubahan harga harian terjadi rata-rata setiap enam hari. Oleh karena
itu disarankan bagi pengambil kebijakan untuk mengatur distribusi ketika harga mulai bergejolak untuk menghindari
kenaikan harga yang lebih tinggi atau jatuh.
ABSTRACT
Analysis of price volatility is needed especially to determine pricing policies in the future. One of the model commonly
used to analyze the nature of price volatility is ARCH/GARCH. This study aims to analyze the nature of national shallot
price volatility using ARCH/GARCH. The data used in this study are secondary data, which is the daily average shallot
prices in the national level for 2010-2015 period. Analysis of shallot price volatility in this study was carried out using
Eviews 6 software. The results showed that the volatility characteristics of shallot’s price in 2012-2015 based on the
ARCH/GARCH model were categorized as low, so that price movements could be predicted and anticipated as an early
warning system when the prices will increases or falls. In addition, it can be estimated that the volatility of shallot prices
in the future will be smaller, with daily price changes of shallots occurring every six days on average. Therefore, it is
recommended for policy makers to regulate distribution when prices begin to fluctuate to avoid higher or falling price
increases.
21
Informatika Pertanian, Vol. 28 No.1, Juni 2019 : 21- 30
22
Aplikasi Model ARCH/GARCH dalam Menganalisis Volatilitas Harga Bawang Merah
Model ARCH/GARCH pada komoditas pertanian telah maka data tidak stasioner dan perlu dilakukan
digunakan untuk menganalisis volatilitas harga bahan diferensiasi.
pangan pokok seperti beras, gula pasir, terigu, cabai b. Penentuan model ARIMA dan pemilihan model
merah, dan bawang merah (Sumaryanto, 2009), ayam ARIMA terbaik, dilakukan terhadap data yang
broiler, daging sapi (Burhani et al., 2013) dan beberapa sudah stasioner berdasarkan collerogram (pola
komoditas yang dianggap kurang strategis secara nasional ACF dan PACF) untuk menentukan orde AR
seperti tomat apel di Sulawesi Utara (Nainggolan et (p) dan orde MA (q) dari suatu model ARIMA
al., 2018). Penelitian-penelitian tersebut menggali sifat (p.d.q). Untuk orde d ditentukan berdasarkan
volatilitas harga beberapa komoditas agar dapat diambil stasioneritas data. Kriteria pemilihan model
kebijakan stabilitas harga ke depannya. Tujuan penelitian ARIMA terbaik adalah berdasarkan nilai Akaike
ini adalah untuk menguji model ARCH/GARCH dalam Information Criteria (AIC) dan Schwatrz
menganasis sifat volatilitas harga bawang merah. Criterion (SC) yang terkecil.
3. Identifikasi dan penentuan model ARCH/GARCH.
Pada tahapan ini dilakukan pengujian efek ARCH
BAHAN DAN METODE dan penentuan model ARCH/GARCH.
a. Pengujian efek ARCH menggunakan uji
Penelitian dilaksanakan pada bulan Februari sampai Lagrange Multiplier (ARCH-LM test) untuk
Desember 2016. Data yang digunakan adalah data memastikan pada model GARCH tidak terdapat
sekunder. Data sekunder yaitu data deret waktu (time lagi unsur heteroskedastisitas. Pengujian efek
series) harga rata-rata harian bawang merah nasional, ARCH dilihat dari nilai probabilitas F-statistik.
periode Januari 2010 sampai Desember 2015. Data harga Apabila prob. F-statistik > 0.05 maka model
harian tersebut bersumber dari Kementerian Perdagangan. sudah terbebas dari efek ARCH sehingga tidak
Sedangkan data pendukung lainnya didapatkan dari perlu lagi dimodelkan dengan ARCH/GARCH
Badan Pusat Statistik, Direktorat Jenderal Hortikultura, b. Simulasi beberapa model ragam menggunakan
Kementerian Pertanian, serta berbagai sumber lain yang model ARIMA terbaik yang didapatkan.
Kemudian dilanjutkan dengan pendugaan
relevan.
parameter model untuk mencari koefisien model
Analisis volatilitas harga bawang merah dalam
yang paling sesuai dengan data.
penelitian ini dibangun menggunakan aplikasi model
4. Perhitungan nilai volatilitas yang akan ditunjukan oleh
ARCH-GARCH dengan bantuan software Eviews 6.
nilai standard deviasi dari akar kuadrat ragam model
Tahapan analisis volatilitas menggunakan model ARCH-
ARCH/GARCH yang diestimasi. Model ARCH
GARCH adalah:
terdiri atas dua komponen varians, yaitu varians
1. Identifikasi efek ARCH. Identifikasi keberadaan
yang konstan dan varians yang bergantung pada
efek ARCH dilakukan dengan mengamati nilai
besar volatilitas periode sebelumnya. Jika volatilitas
kurtosis dari data harga bawang merah. Kurtosis > 3
pada periode sebelumnya besar, maka varian pada
artinya terdapat indikasi efek ARCH.
saat ini juga akan besar. Varians bergantung atas
2. Estimasi model. Pada tahapan ini dilakukan
varians pada masa lalu sehingga heteroskedastisitas
identifikasi dan penentuan model rata-rata (mean
dapat dimodelkan dan varians diperbolehkan untuk
equation) dan tahap identifikasi serta penentuan
berubah antarwaktu. Pada model GARCH, varians
model ARCH/GARCH. Tahap ini dilakukan jika
terdiri atas tiga komponen. Komponen pertama
model rata-rata yang diperoleh mengandung efek adalah varians yang konstan, komponen kedua
ARCH. adalah volatilitas pada periode sebelumnya (suku
a. Uji stasioneritas data, diperlukan untuk ARCH), dan komponen ketiga adalah varians pada
menghindari regresi palsu (spurious regression). periode sebelumnya (suku GARCH). Semakin besar
Uji ini dilakukan menggunakan uji Augmented nilai volatilitas semakin besar kemungkinan harga
Dickey-Fuller (ADF-Test) untuk mendeteksi akan naik atau turun secara drastis dan sebaliknya.
apakah data yang dianalisis mengandung akar Bentuk umum model ARCH(m) adalah:
unit, dimana data dikatakan stasioner jika tidak ht = ξ + α0ε2t + α1ε2t-1 + α2ε t-2 +.......+ αmε2t-m
mengandung akar unit. Plot data harga bawang dimana
merah menunjukkan unsur musiman (seasonal)
ht = varians pada waktu ke-t
pada setiap tahun, sehingga dilakukan
ξ = variabel yang konstan
stasioneritas untuk pembedaan musiman
(seasonal differencing) dan pembedaan reguler ε t-m
2
= volatilitas pada periode sebelumnya
(reguler differencing). Apabila nilai t-statistic (suku ARCH)
dalam uji ADF lebih kecil dari nilai titik kritis α0, α1,..., αm = koefisien orde m yang diestimasikan
23
Informatika Pertanian, Vol. 28 No.1, Juni 2019 : 21- 30
Model GARCH dikembangkan dengan Tren harga yang berbeda terjadi pada tahun 2013
mengintegrasikan autoregresi dari kuadrat residual lag dimana terjadi lonjakan signifikan pada bulan April dan
kedua ke dalam bentuk varian pada lag pertama. Model Agustus dibandingkan tahun sebelum atau sesudahnya.
ini dikembangkan sebagai generalisasi dari model Kenaikan harga bawang merah ini disebabkan oleh
volatilitas. Volatilitas berdasarkan model GARCH(r,m) produksi yang menurun di sentra produksi Jawa Tengah
mengasumsikan varians data fluktuasi dipengaruhi dan Jawa Timur, ditambah lagi dengan penurunan volume
sejumlah m data fluktuasi sebelumnya dan sejumlah impor akibat implementasi peraturan Rekomendasi
r data volatilitas sebelumnya. Bentuk umum model Impor Produk Hortikultura (RIPH) yang belum berjalan
GARCH(r, m) adalah: efektif (Sayaka dan Erwidodo, 2013). Kondisi tersebut
ht = k + δ1ht-1 + δ2ht-2 + ...+ δrht-r + α1ε2t-1 + α2ε2 t-2 tergambar di Pasar Induk Kramat Jati (PIKJ), dimana
+.......+ αmε2t-m pada kondisi normal pasokan bawang merah ke PIKJ
di mana: bisa mencapai 120 ribu ton setiap minggu, namun
ht = varians pada waktu ke-t dalam bulan Maret-April 2013 pasokan terus turun
k = varian yang konstan hingga 11 ribu ton per minggu. Pada bulan Juli-Agustus
2013 terjadi peningkatan permintaan karena bertepatan
ε t-m
2
= volatilitas pada periode
dengan bulan Ramadhan dan Hari Raya Idul Fitri. Pada
sebelumnya (suku ARCH)
saat itu, konsumsi rumah tangga dan industri makanan
ht-r = varian pada periode sebelumnya
meningkat, sementara itu pasokan bawang merah relatif
(suku GARCH)
tidak mencukupi (Putri dan Watemin, 2014).
α1, α2,..., = koefisien orde m yang Setiap tahun pada bulan Februari hingga Maret, pasokan
αm diestimasikan bawang merah dari sentra produksi, terutama di Jawa
δ1, δ2,... δr = koefisien order r yang Tengah dan Jawa Timur menurun. Hal ini disebabkan
diestimasikan produksi pada bulan tersebut mengalami penurunan
akibat musim hujan (off season) yang menyebabkan
petani beralih menanam padi atau komoditas lainnya.
HASIL DAN PEMBAHASAN Pada tahun-tahun sebelumnya, peralihan pola tanam
saat off season tidak sampai menimbulkan lonjakan
Perkembangan Harga Bawang Merah Nasional harga karena kekurangan pasokan tersebut langsung
Periode 2011-2015 dipenuhi oleh impor, namun karena adanya peraturan
RIPH yang membatasi impor belum berjalan dengan
Pada Gambar 1 terlihat tren pergerakan harga bawang baik, sehingga menyebabkan pasokan ke pasar menjadi
merah harian dari tahun 2011 sampai 2015. Tren menurun. Lonjakan harga juga terjadi manakala terjadi
harga harian pada tahun 2011, 2012, 2014 dan 2015 penurunan pasokan akibat gagal panen dan/atau policy
menunjulkan pola yang hampir seragam, umumnya failure. Dalam kasus ini, lonjakan harga terjadi karena
mengalami kenaikan pada bulan November-Maret dan policy failure, dimana harga tidak terkendali karena
menurun pada bulan Juli-September. pemerintah secara ad-hoc ingin mencapai “kemandirian”
dengan memperketat impor, sementara perangkat di volatilitas harga bawang merah lebih tepat digunakan
lapangan belum siap (Sayaka dan Erwidodo, 2013). model ARCH/GARCH.
Apa yang terjadi tersebut dapat dikatakan sebagai 1. Estimasi model
kesalahan pengganggu dari data harga bawang merah a. Uji stasioneritas
yang ada tidak konstan. Kesalahan pengganggu yang Plot data asli harga bawang menunjukkan adanya
terjadi pada tahun 2013 menyebabkan data berbeda unsur musiman pada setiap tahun, yaitu adanya
polanya dengan tahun-tahun lainnya sehingga dapat pola kenaikan harga pada pertengahan tahun (bulan
dikatakan varian kesalahan pengganggu harga bawang Ramadhan dan hariraya Idul Fitri) dan pada akhir tahun
merah tidak konstan. Hal ini sesuai dengan pernyataan sampai awal tahun (Natal dan Tahun Baru), sehingga
Widarjono (2002) bahwa perilaku data time series yang dilakukan stasioneritas untuk pembedaan musiman
disebabkan oleh sensitivitas terhadap perubahan akibat (seasonal differencing) dan pembedaan reguler (reguler
adanya kebijakan berbeda dengan asumsi data time series differencing). Uji stasioneritas bertujuan untuk melihat
cenderung memiliki varian kesalahan pengganggu (error pengaruh tren terhadap data. Suatu data dapat dikatakan
term) yang konstan. stasioner apabila prosesnya tidak mengalami perubahan
seiring demgam waktu yang berubah (Rizal dan Akbar,
Hasil Analisis Volatilitas Harga Bawang Merah 2015). Dalam hal ini data yang dimaksud adalah harga
dengan ARCH/GARCH bawang merah merah nasional.
Hasil uji menunjukkan data yang ada belum stasioner
Identifikasi Efek ARCH dengan nilai ADF yang kurang kritis pada tingkat 1%.
Mengidentifikasi efek ARCH dilakukan dengan Setelah data diubah dalam bentuk first difference, dapat
mengamati nilai kurtosis dari data harga bawang dilihat data sudah stasioner yang ditandai oleh nilai ADF
merah. Nilai kurtosis adalah nilai yang menggambarkan yang lebih besar dari nilai kritis pada berbagai tingkat
kecenderungan data berada di luar distribusi. Data yang kepercayaan, sehingga dapat dilanjutkan pada tahap
terdistribusi normal akan memiliki nilai kurtosis kurang selanjutnya, yaitu identifikasi model ARIMA.
dari 3. Sebaliknya, apabila nilai kurtosis lebih dari 3
akan menggambarkan data yang berada di luar distribusi b. Identifikasi model ARIMA
normal (Zuhara et al., 2012). Kurtosis > 3 artinya terdapat Pemilihan model ARIMA didasarkan atas beberapa
indikasi efek ARCH. Dari hasil perhitungan yang dapat kriteria yaitu galat (error) bersifat acak (random),
dilihat pada Gambar 2, diperoleh informasi terdapat efek koefisien estimasinya signifikan, nilai AIC dan SIC
ARCH pada data harga bawang merah nasional 2011- terkecil dibandingkan dengan model lainnya, Standard
2015 karena nilai kurtosis yang diperoleh sebesar 8,038. Error of Regression relatif kecil, Sum Square Residual
Oleh karena itu hasil penelitian ini masih sejalan dengan relatif kecil, dan Adjusted Rsquared relatif besar.
penelitian sebelumnya yang dilakukan oleh Sumaryanto Pemilihan model ini juga dilakukan dengan cara coba-
(2009) yang mengatakan bahwa dalam menganalisis coba hingga menemukan model terbaik (Santoso, 2011).
25
Informatika Pertanian, Vol. 28 No.1, Juni 2019 : 21- 30
Dari beberapa model Arima tersebut diperoleh model Dari Gambar 3 dapat dilihat nilai F-statistic adalah 40,51
terbaik yaitu SARIMA (2,1,2) dan (1,1,1)6. Karakteristik dengan nilai probabilitas 0,00000 yang menunjukkan
model ARIMA terbaik pada harga harian bawang merah masih ada efek ARCH. Berdasarkan hal ini maka tahapan
nasional dapat dilihat pada Tabel 1. selanjutnya adalah dengan pemodelan ARCH/GARCH.
Tabel 1. Karakteristik model ARIMA terbaik pada harga harian bawang merah nasional
Parameter Penjelasan
SC yang paling kecil, nilai koefisien yang signifikan, besarnya volatilitas pada satu hari sebelumnya, tetapi
koefisien varian tidak lebih dari satu, dan koefisien tidak dipengaruhi oleh varian harga. Jika pada harga
residual tidak bernilai negatif, dan sudah terbebas dari bawang sehari sebelumnya memiliki nilai residual
efek ARCH. harga yang relatif besar, maka tingkat harga esok hari
cenderung besar atau sebaliknya.
3. Perhitungan nilai volatilitas Nilai koefisien ARCH pada model dapat menunjukkan
Model terbaik yang digunakan dalam peramalan tinggi rendahnya volatilitas. Pada model tersebut
volatilitas harga bawang adalah model ARCH (1). Model nilai koefisien ARCH adalah 0,440927625967.
ini seperti yang terjadi pada ayam broiler yang juga Angka ini kurang dari satu dan mendekati nol,
memiliki model terbaik yang sama (Burhani et al., 2013). sehingga mengindikasikan volatilitasnya rendah.
Berdasarkan pengolahan data diperoleh persamaan Dengan demikian, berdasakan model ARCH (1) dapat
model ARCH (1) sebagai berikut: diestimasi bahwa volatilitas harga bawang merah di
ht = 680227.846785 + 0.440927625967εt-12 masa mendatang akan semakin kecil. Hal ini berbeda
Model tersebut memberikan informasi tentang pola dengan yang diungkapkan oleh Sumaryanto (2009) yang
volatilitas harga bawang pada periode 1 Januari 2011 menemukan bahwa volatilitas harga eceran bawang
hingga 31 Desember 2015. Model ini menunjukkan merah tidak banyak berubah, baik sebelum atau sesudah
pergerakan harga bawang hanya dipengaruhi oleh
27
Informatika Pertanian, Vol. 28 No.1, Juni 2019 : 21- 30
reformasi. Hal ini menunjukan hal yang positif dimana kenaikan harga bahan bakar minyak, impor bawang
volatilitas harga bawang merah akan semakin rendah ke merah, naik turunnya stok, dan permintaan konsumen
depan. cukup mempengaruhi volatilitas harga bawang merah di
Berdasarkan Gambar 5, kondisi volatilitas harga yang pasar.
paling tidak stabil adalah pada tahun 2011 dan 2013.
Berdasarkan grafik conditional standar deviation tersebut
terlihat pola volatilitasnya sampai akhir tahun 2015 KESIMPULAN
semakin rendah. Dengan demikian dapat diperkirakan
harga bawang merah di masa yang akan datang Data harga harian bawang merah periode 2011-2015
juga akan semakin stabil. Volatilitas yang rendah ini yang bersumber dari Kementerian Perdagangan memiliki
mencerminkan karakteristik penawaran dan permintaan efek ARCH, sehingga model ARCH/GARCH layak
yang sudah dapat diprediksi, dan kecenderungan digunakan untuk menganalisis volatilitas harga bawang
perubahan harga bawang merah tidak terjadi secara tiba- merah, sesuai dengan penelitian yang telah dilakukan
tiba dan menimbulkan shock, melainkan secara bertahap. sebelumnya. Aplikasi model ARCH/GARCH dalam
Sebagaimana hasil model ARIMA terbaik yaitu SARIMA menganalisis volatilitas harga bawang merah dalam
(2,1,2) dan (1,1,1)6 dimana angka pangkat enam dapat kurun waktu 2011-2015 yang telah dibangun dapat
mengindikasikan perubahan harga harian bawang merah memberikan gambaran bahwa sifat volatilitas harga
terjadi rata-rata setiap enam hari.. Berdasarkan hasil bawang merah yang selama ini terjadi tergolong rendah
analisis tersebut dapat dikatakan karakteristik volatilitas sehingga pergerakan kenaikan harga dapat diprediksi dan
harga harian bawang merah rendah, sehingga pergerakan diantisipasi sebagai early warning system akan terjadinya
kenaikan harga dapat diprediksi dan diantisipasi sebagai lonjakan harga.
early warning system akan terjadinya lonjakan harga. Berdasakan model ARCH/GARCH yang telah
Hasil penelitian Pertiwi et al. (2013) menunjukkan dibangun dapat memberikan gambaran bahwa volatilitas
volatilitas harga bawang merah di tingkat konsumen harga bawang merah di masa yang datang akan semakin
lebih tinggi daripada di tingkat produsen. Hal ini kecil dengan perubahan harga harian bawang merah
disebabkan oleh kondisi seperti shock pasar energi atau terjadi rata-rata setiap enam hari. Disarankan melakukan
28
Aplikasi Model ARCH/GARCH dalam Menganalisis Volatilitas Harga Bawang Merah
penelitian lanjutan mengenai volatilitas harga yang terjadi Maziyya, P. A., I. K. G Sukarsa, dan N. M. Asih. 2015.
di tingkat produsen dan konsumen serta menganalisis Mengatasi Heteroskedastisitas Pada Regresi Dengan
integrasi yang terjadi di antaranya Menggunakan Weighted Least Square. E-Jurnal
Matematika 4 (1) : 20. https://doi.org/10.24843/
MTK.2015.v04.i01.p083.
Mokosolang, C. A., J. D. Prang, and M. L. Mananohas.
UCAPAN TERIMA KASIH
2015. Analisis Heteroskedastisitas Pada Data Cross
Section dengan White Heteroscedasticity Test
Ucapan terima kasih disampaikan kepada
dan Weighted Least Squares Heteroscedasticity
Dr. Muhammad Prama Yufdy selaku Kepala Pusat
Analyze on the Cross Section Data with White
Penelitian dan Pengembangan Hortikultura sekaligus
Heteroscedasticity Test and Weighted Least Squares.
penanggung jawab kegiatan Analisis Kebijakan
JdC 4 (2) : 172–179.
Hortikultura tahun 2016. Hal serupa juga disamapikan
Nainggolan, W., N. Nainggolan, dan H. A. Komalig.
kepada Ir. Rachmat Hendayana, MS yang telah
melakukan pembimbingan dalam penulisan makalah ini. 2018. Analisis Volatilitas Harga Eceran Komoditas
Beberapa Pangan Utama di Kota Manado
Menggunakan Model ARCH. Jurnal MIPA Unsrat 7
DAFTAR PUSTAKA (2) : 6–11.
Nastiti, K. L. A., dan A. Suharsono. 2012. Analisis
Burhani, F. J., A. Fariyanti, dan S. Jahroh. 2013. Analisis Volatilitas Saham Perusahaan Go Public dengan
Volatilitas Harga Daging Sapi Potong Dan Daging Metode ARCH-GARCH. Jurnal Sains dan Seni ITS
Ayam Broiler Di Indonesia. Forum Agribisnis 3(2) : 1 (1) : 259–264.
19–40. Nurliza. 2017. The nature of food commodity price
Christanty, H. dan S. T. Wahyudi. 2013. Pengaruh volatility in driving inflation and policy. Signifikan:
volatilitas harga terhadap inflasi di Kota Malang: Jurnal Ilmu Ekonomi 6 (1) : 103–124.
pendekatan model ARCH/GARCH. Jurnal Ilmiah Onour, I. A. and B.S Sergi.2011. Modeling and
Fakultas Ekonomi Dan Bisnis Universitas Brawijaya Forecasting Volatility in the Global Food Commodity
4 (2) : 1-15 Prices. Agricultural Economics 57 (3) : 132–139.
Desvina, A. P. dan N. Rahmah. 2016. Penerapan Metode Pertiwi, V. A., R. Anindita dan R. Dwiastuti. 2013.
ARCH/GARCH Dalam Peramalan Indeks Harga Analisis volatilitas, transmisi harga dan volatilitas
Saham Sektoral. Jurnal Sains Matematika dan spillovre bawang merah (Allium ascolanicum) di
Statistika 2 (I) : 1–10. Jawa Timur. Habitat 24 (3) : 204–213.
Diebold, F. X. 2004. The nobel memorial prize for Robert Putri, R. H. dan Watemin. 2014. Analisis trend dan
F. Engle. Scandinavian Journal of Economics 106 (2) estimasi harga bawang merah di Kabupaten
: 165–185. Banyumas. Jurnal Dinamika Ekonomi dan Bisnis 11
Eliyawati, W. Y., R. R. Hidayat dan D. F. Azizah. (1) : 65–69.
2014. Penerapan Model GARCH ( Generalized
Rizal, J. dan S. Akbar. 2015. Perbandingan Uji Stasioner
Autoregressive Conditional Heteroscedasticity) untuk
Data Timeseries Antara Metode : Control Chart,
Menguji Pasar ModalEfisien di Indonesia (Studi pada
Correlogram, Akar Unit Dickey Fuller, dan Derajat
Harga Penutupan (Closing Price) Indeks Saham LQ
Integrasi. Jurnal Gradien 11 (1) : 1040–1046.
45 Periode 2009-2011). Jurnal Administrasi Bisnis
Santoso, T. 2011. Aplikasi model GARCH pada data
(JAB) 7 (2) : 1–10.
inflasi bahan makanan Indonesia. Aset 13 (1) : 65–76.
Engle, R. 2004. Risk and volatility: Econometric models
Sayaka, B. dan Erwidodo. 2013. Kebijakan impor dan
and financial practice. The American Economic
swasembada bawang merah : antara harapan dan
Review 94 (3) :405–420.
kenyataan. Laporan kegiatan kajian isu-isu aktual
FAO, IFAD, IMF, OECD, UNCTAD, WFP, … UN. 2011.
kebijakan pembangunan pertanian 2013. Pusat Sosial
Price Volatility in Food and Agricultural Markets:
Ekonomi dan Kebijakan Pertanian, Badan Penelitian
Policy Responses. G20 Documents, OECD
dan Pengembangan Pertanian, Kementerian
Kuwornu, J., A. Mensah-Bonsu, and H. Ibrahim. 2011.
Analysis of foodstuff price volatility in Ghana: Pertanian.
implications for food security. European Journal of Sidik, A. F. and J. Badriyah. 2017. Metode
Business and Management 3 (4) : 100–119. integrated generalized autoregressive conditional
Lubis, I. 2018. Analisis Model Volatilitas Index dan heteroscedasticity (IGARCH) untuk memodelkan
Mata Uang di Asia Tenggara. Jurnal Madani 1 (1) : harga gabah dunia. Jurnal Matematika dan Pendidikan
123–142. Matematika 2 (2) : 110–118.
29
Informatika Pertanian, Vol. 28 No.1, Juni 2019 : 21- 30
Sumaryanto. 2009. Analisis Volatilitas Harga Eceran Wijaya, A., R. A.Mulisa, dan S. Budi. 2014. Analisis
Beberapa Komoditas Pangan Utama Dengan Model volatilitas harga, volatilitas spillover dan trend
ARCH/GARCH. Jurnal Agro Ekonomi 27 (2) : 135– harga pada komoditas bawang putih di Jawa Timur.
163. AGRISE 14 (2) : 128–143.
Sunarti., S.Mariani, dan Sugiman. 2012. UNNES Journal Zuhara, U., M. S. Akbar, dan Haryono. 2012. Penggunaan
of Mathematics. UNNES Journal of Mathematics Metode VaR (Value at Risk) dalam Analisis Risiko
5(1) : 81–89. Investasi Saham dengan Pendekatan Generalized
Widarjono, A. 2002. Aplikasi model ARCH kasus tingkat Pareto Distribution (GPD). Jurnal Sains dan Seni ITS
inflasi di Indonesia. Jurnal Ekonomi Pembangunan 7 1 (1) : 56–61.
(1) : 71–82.
30