PRAKTIKUM PEMASARAH HASIL PERTANIAN

TUGAS TM 6:
Analisis Volatilitas Harga Jagung di Tingkat Konsumen
Tahun 2016-2020

Kelompok 2

Halimatus Sa'diyah 205040101111059

Pegik Dimas Riswandana 205040101111070
Nabila Andien Chandra Permata 205040101111082
Achmad Nauval Chaidar Riza 205040100111097
Nadhira Shafa Azzahra 205040107111017
Shafira Nurizqi 205040107111128

Agribisnis H

Asisten : Suntari Nur Cahyani

PROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIAN
UNIVERSITAS BRAWIJAYA
2021
 Praktek Analisis Volatilitas Harga

1. Input data pada Eviews

a. Download aplikasi Eviews
b. Buka aplikasi Eviews, kemudian akan tampil seperti berikut:

c. Lalu pilih “Create a New Eviews Workfile”

d. Klik pilihan “Quick” lalu “Empty Group” kemudian akan muncul tampilan
seperti berikut dan input harga data sesuai pada tabel Harga Konsumen:

2. Uji Stasioneritas
Uji stasioneritas merupakan langkah dan salah satu dari prasyarat yang
harus dilakukan dalam model ekonometrika untuk data runtut waktu (time
series). Data yang didapatkan pada uji stasioneritas merupakan data yang
menunjukkan hasil mean, varians dan autovarians (pada variasi lag) tetap
sama pada waktu kapan saja data itu dibentuk atau dipakai, artinya dengan
data yang stasioner model time series dapat dikatakan lebih stabil. Untuk
mendapatkan hasil data uji stasioneritas dapat diterapkan konsep formal
melalui uji akar unit (unit root test), yakni pengujian data yang dikembangkan
oleh David Dickey dan Wayne Fuller dan dikenal dengan sebutan Augmented
Dickey-Fuller Test atau ADF Test.
Jika suatu data pada time series tidak stasioner pada ordo nol, I(0), maka
stasioneritas data dapat dicari melalui ordo selanjutnya. Dengan ini, diperoleh
tingkat stasioneritas pada ordo ke-n (first difference atau I(1), atau second
difference atau I(2), dst.).
a. Klik “View”, pilih “Unit Root Test” lalu pilih “Standart Unit root Test”

b. Pilih “Level” dan “Trend and intercept”, lalu klik OK

c. Hasil

Berdasarkan gambar pada tabel di atas, didapatkan hasil data uji

stasioner dari harga jagung di tingkat konsumen tahun 2016-2020. Setelah
melakukan pengujian didapatkan nilai probabilitas ADF < tingkat
signifikannya yaitu 5% (0,0320 < 0,05) maka data yang dianalisis sudah
stasioner pada tahap level.
3. Pendugaan Model Autoregressive Moving Average (ARMA)
a. Klik “View” pada hasil uji stasioner, lalu pilih “Correologram”

b. Pilih “Level”, lalu klik OK

c. Menentukan ordo ARMA dengan melihat diagram batang yang

melebihi garis putus-putus:
 Penjelasan :
AR = Partial Correlation
MA = Autocorrelation
d. Membuktikan ordo yang terbaik di Eviews dengan cara klik “Quick”
pilih “Estimate equation”. Masukkan sesuai rumus berikut:
(hargakonsumen_1) c ar(ordo) ma(ordo). Hal ini terus diulang sampai
seluruh ordo selesai dibuktikan

Autoregressive Moving Average (ARMA) merupakan gabungan dari

model AR (p) dengan MA (q), dengan data periode saat ini dipengaruhi
oleh data sebelumnya dan adanya sisa dari data periode
sebelumnya(Valipour et al., 2012). Setelah pengujian data Stasioneritas
tahapan selanjutnya yaitu, Pendugaan Model Autoregressive Moving
Average (ARMA). Model ARMA yang terbaik yaitu model yang
menunjukkan nilai Aike Info Criterion (AIC) dan Schwarz Criterion (SC)
paling kecil. Langkah pertama yang harus dilakukan yaitu menentukan
ordo ARMA. Untuk ordo AR diperoleh dari Partial Correlation, sedangkan
ordo MA diperoleh dari Autocorrelation. Dari data diatas maka didapatkan
ordo 1-1, 1-2, 1-3, 1-4, 1-5.

Equation ARMA Setiap Ordo:

 Setelah menentukan ordo ARMA, langkah selanjutnya yaitu
menentukan model ARMA terbaik dengan cara mencari model ARMA
yang memiliki nilai Aike Info Criterion (AIC) dan Schwarz Criterion (SC)
paling kecil. Dari pengujian yang telah dilakukan didapatkan hasil bahwa
model ARMA terbaik yaitu dari ordo 1-1 dengan nilai Aike Info Criterion
(AIC) sebesar 14,77982 dan nilai Schwarz Criterion (SC) sebesar
14,91945. Sehingga untuk tahap pengujian selanjutnya menggunakan
ordo 1-1.

4. Uji Heteroskedastisitas dan ARCH Effect

Uji heteroskedastisitas melalui uji ARCH effect dilakukan sebelum uji
dengan model ARCH/GARCH. Uji heteroskedastisitas dilakukan untuk
mengetahui apakah data yang digunakan bersifat heteroskedastisitas atau
tidak. Adapun kriteria dalam pengujian heteroskedastisitas ini adalah
sebagai berikut:
a. Jika H0 : Nilai probabilitas Fstatistik > tingkat signifikansi 5%, maka data
bersifat homokedastisitas.
b. Jika H1 : Nilai probabilitas Fstatistik < tingkat signifikansi 5%, maka data
bersifat heteroskedastisitas.

a. Dari hasil pendugaan ARMA tadi, lalu klik “view” pilih “residual
diagnostic”, pilih “heteroskedasticity test” kemudian pilih “white”
b. Hasil uji heteroskedastisitas WHITE

Dapat dilihat pada gambar di atas bahwa hasil dari uji

heteroskedastisitas WHITE menghasilkan probabilitasnya 0,0000
menandakan bahwa nilai probabilitas Fstatistik < tingkat signifikansi 5%.
Dari hasil tersebut yang menunjukkan bahwa probabilitas nya yang lebih
kecil tingkat siginifikan dari 5% tersebut, maka data itu bersifat
heteroskedastisitas.
c. Dari hasil uji heteroskedastisitas tadi, lalu klik “view” pilih “residual
diagnostic” pilih “heteroskedasticity test” dan pilih “ARCH”

Langkah selanjutnya adalah uji ARCH effect. Uji ini dilakukan untuk
memastikan kesesuaian model untuk analisis data. Adapun kriteria dalam
pengujian ARCH effect ini adalah sebagai berikut:
a. Jika H0 : Nilai probabilitas LM test > tingkat signifikansi 5%, maka
tidak terdapat ARCH effect.
b. Jika H1 : Nilai probabilitas LM test < tingkat signifikansi 5%, maka
terdapat ARCH effect.
Apabila pada pengujian heteroskedastisitas dan ARCH effect
menunjukkan penolakan terhadap H0 yang berarti data bersifat
heteroskedastisitas dan terdapat ARCH Effect, maka dapat dilanjutkan ke
 tahap pengujian yaitu uji model ARCH/GARCH. Jika masih terdapat
kendala bahwa data masih bersifat homokedastisitas dan tidak terdapat
ARCH effect, maka dapat diatasi salah satunya adalah meningkatkan
tingkat signifikansi hingga 10%.
d. Hasil uji heteroskedastisitas ARCH

Dapat dilihat hasil uji ARCH effect menghasilkan probabilitasnya

0,0160 yang berarti lebih kecil dari 0,5000 menunjukan Nilai probabilitas
LM test < tingkat signifikansi 5%, maka terdapat ARCH effect.
5. Pengujian Metode ARCH atau GARCH
a. Klik “Quick”, pilih “Estimate equation”
b. Pada bagian Method diganti menjadi “ARCH”, lalu masukkan rumus:
hargakonsumen_1 c

c. Hasil akhir

Perhatikan nilai
probabilitas RESID(-1)^2
dan GARCH(-1).

Akumulasikan nilai
RESID dan GARCH.
Hasil akumulasi = Nilai
Volatilitas

Pengujian volatilitas harga menggunakan metode analisis berupa

metode ARCH/GARCH. Berdasarkan pengujian yang telah dilakukan,
didapatkan bahwa nilai volalitasnya sebesar 0.1002 yang didapatkan dari
penjumlahan RESID dan GARCH sebesar 0.0796 dan 0.0206.
Dikarenakan nilai volalitasnya kurang dari 1, maka nilai volatitas harga
jagung termasuk pada tingkat rendah. Sehingga dapat diartikan sebagai
resiko serta variasi harga yang dialami pun rendah. Kurva penawaran dan
kurva permintaan juga dapat diprediksi secara langsung, serta perubahan
harga jagung juga tidak terjadi secara tiba-tiba.