3. METODE PENELITIAN 3.1. Kerangka Pemikiran Pengembangan
bahan
bakar
alternatif
untuk
menjawab
isu
berkurangnya bahan bakar fosil akan meningkatkan permintaan terhadap bahan bakar alternatif, dimana salah satunya adalah biodiesel. Peningkatan permintaan akan biodiesel menyebabkan peningkatan pula pada permintaan minyak kelapa sawit sebagai bahan baku pembuatan biodiesel tersebut. Walaupun Indonesia sebagai penghasil minyak kelapa sawit terbesar dunia tetapi peningkatan permintaan biodiesel ini sedikit banyak tetap akan mempengaruhi harga minyak sawit di Indonesia. Apalagi jika dikaitkan dengan isu pangan atau energi, apakah mementingkan minyak sawit sebagai bahan pangan ataukah sebagai bahan energi. Tujuan dari penelitian ini salah satunya adalah untuk mengetahui pengaruh produksi biodiesel terhadap harga minyak sawit. Penelitian ini dimulai dengan mengumpulkan data yang terkait dan relevan mengenai produksi biodiesel dan harga minyak sawit di Indonesia. Data yang diperoleh akan diolah dan dianalisis dengan analisis deret waktu. Pertama data akan diperiksa kestasionerannya, kemudian ditentukan panjang lag atau jeda optimumnya. Langkah berikutnya adalah melakukan uji kointegrasi. Jika data tidak terkointegrasi maka analisis akan menggunakan model VAR difference sedangkan jika data terkointegrasi maka bisa analisis akan menggunakan model VEC (Vector Error Correction Model). Bagan alir dan uji statistik pada penelitian ini dapat dilihat pada Gambar 3.1.
38
Data
Uji Stasioneritas Data
Augmented Dickey Fuller Test
Penentuan Panjang Lag
Johansens’ Cointegration
Uji Kointegrasi
Terkointegrasi
Tidak
Estimasi Model VAR Difference
Ya
Estimasi Model VEC (Restricted VAR)
Uji dan Analisis Kausalitas Granger
Analisis IRF (Impulse Response Function)
Analisis VD (Variance Decomposition)
Kesimpulan
Gambar 3.1 Bagan alir teknik dan uji statistik
3.2. Waktu dan Tempat Penelitian Penelitian ini dilakukan dengan mengambil data sekunder di instansiinstansi dan departemen-departemen terkait di Jakarta. Data diambil untuk
39
level nasional (Indonesia). Pelaksanaan penelitian dilakukan selama empat bulan dari bulan Maret 2012 sampai dengan bulan Juni 2012. 3.3. Metode Umumnya data ekonomi deret waktu tidak stasioner, agar data deret waktu menjadi stasioner maka dapat dilakukan diferensiasi/pembedaan. Jika data telah stasioner pada level series, maka data tersebut dikatakan integrated of order zero atau I(0). Apabila data stasioner pada firstdifference level maka data tersebut adalah integrated of order one atau I(1). Teknik analisis regresi linier biasa hanya dapat dipakai jika semua datanya stasioner, baik variable dependent maupun independent-nya. 3.3.1. Uji Stasioneritas Data Umumnya data deret waktu bersifat stokastik atau memiliki tren yang tidak stasioner yang artinya data tersebut mengandung akar unit. Supaya dapat mengestimasi model menggunakan data tersebut, maka yang harus dilakukan pada langkah pertama yaitu uji stasioneritas data atau dikenal dengan unit root test. Bila data yang digunakan
mengandung
akar
unit
maka
akan
sulit
untuk
mengestimasi suatu model dengan menggunakan data tersebut sebab tren datanya cenderung berfluktuasi tidak disekitar nilai rata-ratanya. Jadi, dapat disimpulkan bahwa data yang stasioner akan cenderung untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati 2003). Uji akar unit dalam penelitian ini akan dilakukan dengan menggunakan uji Augmented Dickey Fuller (ADF). Pengujian ADF ini memodelkan pengaruh otokorelasi pada disturbance (memasukkan lag X yang menyebabkan otokorelasi ke dalam model pengujian ADF) sehingga uji hipotesa pada parameter yang diestimasi akan lebih akurat. Bentuk umum persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut (Enders 2004):
∑
...... (13)
40
Dimana: Xt
= bentuk dari pembedaan pertama
Α
= intersep
X
= variabel yang diuji stasioneritasnya
P
= panjang lag yang digunakan dalam model
Ut
= residual atau error Hipotesisnya adalah H0 mengandung hipotesis bahwa terdapat
akar-akar unit, H1 mengandung hipotesis bahwa tidak terdapat akarakar unit. Pengujian hipotesis statistik tersebut dilakukan dengan membandingkan ADF tes statistik hasil regresi dengan t-statistik MacKinnon Critical Value 1 persen, 5 persen atau 10 persen. Bila ADF tes statistik hitung lebih kecil dari MacKinnon Critical Value, maka H0 diterima dan H1 ditolak, tidak cukup bukti untuk menolak hipotesis bahwa di dalam persamaan mengandung akar-akar unit, artinya data tersebut tidak stasioner. Tetapi sebaliknya, jika ADF tes statistik hitung lebih besar dari MacKinnon Critical Value, maka H0 ditolak dan H1 diterima, karena cukup bukti untuk menolak hipotesis nol bahwa di dalam persamaan mengandung akar-akar unit yang artinya bersifat stasioner. Jika hasil dari uji stasioner menunjukkan bahwa data belum stasioner pada level atau integrasi derajat nol I(0), maka untuk memperoleh data yang stasioner dilakukan dengan cara pembedaan data yaitu dengan mengurangi data tersebut pada data periode sebelumnya. Data melalui pembedaan pertama atau first difference akan diperoleh selisih, prosedur ADF dilakukan untuk menguji data sudah stasioner pada pembedaan pertama. Apabila pada pembedaan pertama menghasilkan data yang stasioner, maka data deret waktu tersebut terintegrasi pada derajat pertama I(1) untuk seluruh variabel. Tetapi bila pada pembedaan pertama data belum stasioner maka dilakukan pembedaan kedua untuk menghasilkan data yang
41
stasioner. Hal ini terus dilakukan sehingga diperoleh data yang stasioner. 3.3.2. Model Vector Autoregression (VAR) Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabel-variabel atau peubah deret waktu atau time series maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. VAR adalah suatu sistem persamaan dinamis dimana pendugaan suatu variabel pada periode tertentu tergantung pada pergerakan variabel tersebut dan variabel-variabel lain yang terlibat dalam sistem pada periode-periode sebelumnya (Enders 2004). Untuk suatu sistem sederhana dengan dua variabel, model simultan yang dibentuk (Enders 2004) adalah sebagai berikut: ........ (14) ........ (15) engan asumsi: (a) yt dan zt stasioner, (b) εyt dan εzt adalah galat dengan sim angan baku y dan z dan (c) εyt dan εzt tidak berkorelasi. Persamaan 14 dan 15 memiliki struktur timbal balik atau feedback karena yt dan zt saling memberikan pengaruh satu sama lain. Persamaan ini merupakan persamaan VAR struktural. Dengan menggunakan aljabar matriks, persamaan 14 dan 15 dapat dituliskan sebagai berikut :
[
atau
][ ]
[
]
[
][
]
[
]
.................................................... (16)
42
Jika persamaan 16 dikalikan dengan B-1 akan diperoleh model VAR bentuk standar: ...................................................... (17) dimana: A0
= B-1Г0
A1
= B-1Г1
t
= B-1εt Secara umum model VAR berordo p mempunyai bentuk
persamaan (Enders 2004) sebagai berikut : Xt = A0 + A1xt-1 + A2xt-2 + …+ Apxt-p + et ...................................... (18) Dimana xt = vektor peubah endogen berukuran nx1 diasumsikan stasioner yang berisi n peubah yang masuk ke dalam model VAR, A0 = vektor intersep berukuran nx1, Ai = matriks parameter berukuran nxn untuk i = 1, 2, .., p, et = vektor sisaan berukuran nx1, p = panjang lag, t = periode amatan. Vektor Autoregresi (VAR) adalah sistem persamaan yang menunjukkan setiap variabel dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari variabel itu sendiri serta nilai lag dari variabel lain yang ada di dalam sistem (Agung 2009). Jadi, variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem.
