22
BAB III METODE PENELITIAN
3.1
Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari berbagai sumber yang terkait dengan objek penelitian seperti Badan Pusat Statistik (BPS), Kementerian Kelautan dan Perikanan Republik Indonesia (KKP RI), serta studi kepustakaan melalui pengumpulan data yang bersumber dari buku-buku dan literatur. Jenis data yang digunakan adalah data deret waktu (time series) dan antar individu (cross section). Data deret waktu atau (time series) meliputi data tahunan dari periode 1999 sampai dengan tahun 2011 sesuai ketersediaan data. Sedangkan untuk data cross section, penelitian ini menggunakan negara-negara tujuan ekspor Indonesia, yaitu Australia, Hongkong, dan Jepang sebagai negara importir mutiara Indonesia. Tabel 3.1 Data dan Sumber Data yang Digunakan dalam Penelitian No. 1 2 3 4 5 3.2
Data yang Digunakan Nilai Ekspor Mutiara Indonesia ke negara tujuan ekspor 2004-2009 Nilai Tukar GDP per kapita negara importir Populasi negara importir mutiara Jarak geografis antara Indonesia dengan negara importir
Sumber Kementrian Kelautan Perikanan, WITS UNCTAD www.worldbank.org www.worldbank.org www.timeanddate.com
dan
Metode Analisis Data Metode analisis data yang digunakan adalah metode kuantitatif. Metode
analisis kuantitatif yang digunakan adalah metode Revealed Comparative Advantage (RCA), Export Product Dynamic (EPD), dan gravity model. Data yang diperoleh diolah dengan menggunakan program komputer Microsoft Excel dan Eviews 6. 3.2.1 Analisis Daya Saing Daya saing suatu negara pada suatu produk atau komoditi dapat diestimasi melalui keunggulan komparatif maupun keunggulan kompetitif. Analisis Revealed Comparative Advantage (RCA) merupakan suatu metode untuk menganalisis
23
keunggulan komparatif tersebut. Sedangkan untuk mengidentifikasi produk atau komoditi yang memiliki keunggulan kompetitif dan dinamis (pertumbuhannya cepat) dalam suatu negara digunakan analisis Export Product Dynamics (EPD). 1.
Analisis Revealed Comparative Advantage (RCA) Metode RCA merupakan metode analisis untuk menentukan keunggulan
komparatif atau daya saing. Kinerja ekspor mutiara Indonesia ke negara importir mutiara Indonesia merupakan variabel yang diukur dengan menghitung pangsa nilai ekspor mutiara Indonesia terhadap total ekspor ke negara importir mutiara Indonesia yang selanjutnya dibandingkan dengan pangsa nilai ekspor dunia ke negara importir mutiara Indonesia. Sehingga dapat diketahui secara kuantitatif kemampuan ataupun ketidakmampuan mutiara Indonesia bersaing di negara importir mutiara Indonesia. Adapun metode perhitungan RCA adalah sebagai berikut: RCA =
(Xij / Xj) (Xiw / Xw)
Di mana : Xij
: Nilai ekspor komoditi mutiara Indonesia ke negara importir mutiara Indonesia
Xj
: Nilai total ekspor Indonesia ke negara importir mutiara Indonesia
Xiw
: Nilai ekspor komoditi mutiara dunia ke negara importir mutiara Indonesia
Xw
: Nilai total ekspor dunia ke negara importir mutiara Indonesia Jika nilai RCA>1, menyatakan bahwa produk-produk tersebut memiliki keunggulan komparatif atau berdaya saing kuat.
Jika nilai RCA<1, menyatakan bahwa produk-produk tersebut tidak memiliki keunggulan komparatif atau berdaya saing lemah.
2.
Analisis Export Product Dynamics (EPD) Pendekatan
Export
Product
Dynamics
(EPD)
digunakan
untuk
mengidentifikasi keunggulan kompetitif atau daya saing suatu komoditi dan juga untuk mengetahui suatu komoditi dengan performa yang dinamis atau tidak. Indikator ini mengukur posisi pasar dari produk suatu negara untuk tujuan pasar tertentu. Ukuran ini mempunyai kemampuan untuk membandingkan kinerja
24
ekspor diantara negara-negara di seluruh dunia. Sebuah matriks EPD terdiri dari daya tarik pasar dan informasi kekuatan bisnis. Daya tarik pasar dihitung berdasarkan pertumbuhan dari permintaan sebuah produk untuk tujuan pasar tertentu, di mana informasi kekuatan bisnis diukur berdasarkan pertumbuhan dari perolehan pasar (market share) sebuah negara pada tujuan pasar tertentu. Kombinasi dari daya tarik pasar dan kekuatan bisnis ini menghasilkan karakter posisi dari produk yang ingin dianalisis ke dalam empat kategori. Keempat kategori itu adalah “Rising Star”, “Falling Star”, “Lost Opportunity”, dan “Retreat” (Bappenas, 2009). Posisi pasar yang ideal adalah yang mempunyai pangsa pasar tertinggi pada ekspornya sebagai “Rising Star” atau “bintang terang”, yang menunjukkan bahwa negara tersebut memperoleh tambahan pangsa pasar pada produk mereka yang bertumbuh cepat (fast-growing products). “Lost Opportunity” atau “kesempatan yang hilang”, terkait dengan penurunan pangsa pasar pada produkproduk yang dinamis, adalah posisi yang paling tidak diinginkan. “Falling Star” atau “bintang jatuh” juga tidak disukai, meskipun masih lebih baik jika dibandingkan dengan “Lost Opportunity” atau “kesempatan yang hilang”, karena pangsa pasarnya tetap meningkat. Sementara itu, “Retreat” atau “kemunduran” biasanya tidak diinginkan, tetapi pada kasus tertentu 'mungkin' diinginkan jika pergerakannya menjauhi produk-produk yang stagnan dan menuju produk-produk yang dinamik (Bappenas, 2009). Tabel 3.2 Matriks Posisi Daya Saing Share of Product in World Trade (y) Falling Rising (Dynamic) (Stagnant) Rising (Competitive) Rising Star Falling Star Falling (Non-Competitive) Lost Opportunity Retreat Sumber : Esterhuizen, 2006 dalam Bappenas, 2009 Share of Country’s Export in World Trade (x)
Untuk lebih memahami matriks posisi daya saing dapat dilihat melalui tampilan Gambar 3.1 yang menggambarkan posisi pasar pada masing-masing kuadran dengan sumbu x sebagai pangsa pasar ekspor dan sumbu y sebagai pangsa pasar produk.
25
y Lost Opportunity
Retreat
+ 0 -
Rising Star
+
x
Falling Star
Gambar 3.1 Kekuatan Bisnis dan Daya Tarik Pasar dalam Metode EPD Keterangan : -
Sumbu x menggambarkan peningkatan pangsa pasar ekspor negara tertentu di perdagangan dunia.
-
Sumbu y menggambarkan peningkatan pangsa pasar produk tertentu di perdagangan dunia. Adapun rumus yang digunakan dalam perhitungan EPD ini, diantaranya:
Sumbu x:
Pertumbuhan kekuatan bisnis atau disebut pangsa pasar ekspor i: t X ij X ij 100% 100 % Wij t 1 t 1 Wij t 1 t T t
Sumbu y: Pertumbuhan daya tarik pasar atau disebut pangsa pasar produk: t Xt Xt 100 % 100% t 1 Wt t t 1 Wt t 1 T t
Keterangan : Xij
: Nilai ekspor produk i Indonesia ke negara importir mutiara Indonesia
Wij
: Nilai ekspor produk i Dunia negara importir mutiara Indonesia
Xt
: Nilai total ekspor Indonesia ke negara importir mutiara Indonesia
Wt
: Nilai total ekspor Dunia ke negara importir mutiara Indonesia
T
: Jumlah tahun analisis
Setelah dilakukan analisis daya saing, dapat diidentifikasi ke negara tujuan ekspor mana saja komoditi mutiara yang memiliki daya saing.
26
3.2.2 Pemilihan Model Agar memperoleh dugaan model yang efisien dan paling baik di antara berbagai pilihan model maka kita perlu menganalis dugaan model yang kita gunakan berdasarkan pertimbangan statistik. Terdapat tiga pengujian statistik yang digunakan dalam data panel untuk menentukan model mana yang paling baik untuk kita pilih. 1.
Chow test Chow test atau biasa disebut dengan uji F statistics merupakan pengujian
statistik yang bertujuan memilih model fixed effect atau pooled least square. Hipotesis dari uji ini yaitu: H0 : Model pooled least square H1 : Model fixed effect Chow test dapat dilakukan dengan bahasa pemograman Eviews sebagai berikut: Jika hasil dari Chow test signifikan (probability dari Chow < α) maka H0 ditolak, artinya Fixed Effect digunakan. 2.
Hausman Test Hausman test merupakan uji untuk menentukan apakah kita akan
menggunakan model fixed effect atau model random effect. Hipotesis dari uji ini yaitu: H0: Model random effect H1: Model fixed effect Sebagai dasar penolakan hipotesa nol tersebut digunakan dengan menggunakan pertimbangan statistik chi-square. Hausman test dapat dilakukan dengan bahasa pemograman Eviews sebagai berikut: Jika hasil dari Hauman test signifikan (probability dari Hausman < α) maka H0 ditolak, artinya Fixed Effect digunakan.
Perumusan Model Dalam penelitian ini hanya menggunakan satu persamaan umum. Model
ini digunakan untuk melihat hubungan permintaan ekspor dengan variabelvariabel penyusunnya. Model tersebut adalah: NXit = α + β1 GDPit + β2 NTit + β3 NX1Eit + β4 POPit + β5 JEit + eit
27
di mana: NX
= Nilai ekspor mutiara Indonesia (US$)
GDP
= GDP per kapita riil negara importir (US$)
NT
= Nilai tukar riil negara importir (mata uang negara tujuan/US$)
NX1
= Nilai ekspor mutiara Indonesia tahun sebelumnya (US$)
POP
= Jumlah populasi penduduk di negara importir (jiwa)
JE
= Jarak Ekonomi (km)
ei
= Random error
α
= Konstanta
βn
= Parameter yang diduga (n= 1, 2, ..., 6)
i
= negara
t
= periode waktu Kemudian model tersebut ditransformasi ke dalam bentuk ln agar dapat
mengurangi masalah heteroskedastisitas, hal ini disebabkan karena transformasi yang memapatkan skala untuk pengukuran variabel, mengurangi perbedaan nilai dari sepuluh kali lipat menjadi dua kali lipat (Gujarati, 2004). Dugaan persamaan permintaan ekspor mutiara Indonesia yang terlah ditransformasi dapat dirumuskan sebagai berikut: lnNXit = α + β1 lnGDPit + β2 NTit + β3 lnNX1Eit + β4 lnPOPit + β5 JEit + eit di mana: lnNX
= Nilai ekspor mutiara Indonesia (persen)
lnGDP
= GDP per kapita riil negara importir (persen)
NT
= Nilai tukar riil negara importir (mata uang negara tujuan/US$)
lnNX1
= Nilai ekspor mutiara Indonesia tahun sebelumnya (persen)
lnPOP
= Jumlah populasi penduduk di negara importir (persen)
lnJE
= Jarak Ekonomi (persen)
ei
= Random error
α
= Konstanta
βn
= Parameter yang diduga (n= 1, 2, ..., 6)
i
= negara
t
= periode waktu
28
Keterangan: 1.
GDP adalah ukuran daya beli masyarakat suatu negara terhadap suatu produk. GDP riil negara pengimpor adalah GDP nominal negara pengimpor dibagi dengan IHK Indonesia dan dinyatakan dalam satuan US$.
2.
Nilai tukar adalah laju nilai tukar valuta asing yang biasa digunakan dalam pembayaran transaksi internasional. Nilai tukar yang dimaksud dalam model ini adalah nilai tukar negara pengimpor terhadap US$.
3.
Nilai ekspor merupakan total nilai ekspor mutiara yang diekspor ke pasar internasional setiap tahunnya dan dinyatakan dalam satuan US$.
4.
Nilai ekspor tahun sebelumnya merupakan total nilai ekspor mutiara yang diekspor ke pasar internasional pada tahun sebelumnya dan dinyatakan dalam satuan US$.
5.
Jumlah populasi merupakan total angka penduduk yang bertempat tinggal dan sudah menjadi warga negara di dalam suatu negara. Jumlah populasi dinyatakan dalam satuan jiwa.
6.
Jarak ekonomi merupakan indikasi dari biaya transportasi yang dihadapi oleh suatu negara dalam melakukan ekspor. Semakin jauh jarak, semakin besar biaya transportasi dan semakin rendah nilai ekspornya. Karena menurunkan biaya per unit transportasi, komoditas kecil berharga dapat diangkut menguntungkan lebih jauh dari komoditas besar dengan nilai yang sama. Jarak ekonomi dinyatakan dalam satuan km.
3.3
Uji Kesesuaian Model
1.
Kriteria Ekonomi Dalam kriteria ekonomi akan diuji tanda dan besaran dari tiap koefisien
dugaan yang telah diperoleh. Kriteria ekonomi mensyaratkan tanda dan besaran yang terdapat pada tiap koefisien dugaan sesuai dengan kriteria ekonomi. 2.
Kriteria Ekonometrika
a.
Autokorelasi Autokorelasi adalah korelasi antara anggota serangkaian observasi yang
diurutkan menurut waktu dan ruang (Gujarati, 2004). Autokorelasi terdeteksi ketika terjadi hubungan serius antara galat estimasi satu observasi dengan galat
29
estimasi observasi lainnya. Masalah autokorelasi umumnya tejadi pada data time series. Dampak dari adanya autokorelasi adalah tidak efisiennya pendugaan atau peramalan meskipun estimatornya tidak bias dan masih konsisten. Dampak lainnya adalah standar error menjadi bias dan tidak konsisten sehingga uji pada hipotesis menjadi tidak valid. Panduan mengenai angka DW (Durbin-Watson) untuk mendeteksi bisa dilihat pada Tabel DW. Tabel 3.3 Kerangka Identifikasi Autokorelasi Nilai DW 4-dl < DW < 4 4-dl < DW < 4-dl 2 < DW < 4-du du < DW < 2 dl < DW < du 0 < DW < dl Sumber: Gujarati, 2004 b.
Hasil Tolak H0, autokorelasi negative Hasil tidak dapat ditentukan Terima H0, tidak ada autokorelasi Terima H0, tidak ada autokorelasi Hasil tidak dapat ditentukan Autokorelasi positif
Heteroskedastisitas Terjadi karena ragam dari error tidak konsisten sehingga tidak memenuhi
teorema Gauss Markov, umumnya terjadi pada data cross-section. Dampak yang timbul dari permasalahan ini antara lain (Nachrowi, 2006) 1.
Ragam yang tidak konstan menyebabkan nilai varians menjadi lebih besar dari taksiran.
2.
Ragam yang besar menyebabkan uji hipotesis (uji F dan uji t) menjadi kurang tepat.
3.
Interval kepercayaan menjadi lebih besar akibat standar error yang besar.
4.
Kesimpulan yang dihasilkan dari regresi yang dilakukan tidak tepat (dapat menyesatkan).
Untuk menghilangkan permasalahan ini dapat dilakukan dengan crosssection weighted regression, metode yang digunakan Generalized Least Square (GLS). c.
Multikolinieritas Multikolinieritas adalah hubungan linier yang kuat antar variabel
independen dalam persamaan regresi berganda. Menurut Gujarati (2004), tandatanda adanya multikolinieritas adalah sebagai berikut:
30
1.
Tanda koefisien tidak sesuai dengan yang diharapkan.
2.
Nilai R2 tinggi, tetapi dalam uji individu banyak yang tidak nyata atau bahkan tidak nyata semua.
3.
Matrix korelasi antar variabel tinggi (rij > 0,8).
4.
R2 < rij menunjukkan bahwa terjadi multikoliniearitas.
Dampak dari adanya multikolinieritas pada suatu persamaan adalah koefisien kuadrat terkecil tidak dapat ditentukan serta varians dan kovarians dari koefisien menjadi tidak terhingga. Hubungan multikolinieritas yang hampir sempurna juga menyebabkan persamaan yang dibentuk secara statistik mempunyai standar error yang besar dan menyebabkan interval kepercayaan menjadi lebih besar. Hal ini berakibat pada nilai estimasi koefisiennya menjadi tidak tepat. d.
Normalitas Pengujian normalitas dilakukan untuk mengetahui apakah error term
mendekati distribusi normal atau tidak. Uji normalitas error term dilakukan dengan menggunakan uji Jarque Bera dengan hipotesisnya sebagai berikut: H0 : α = 0, error term terdistribusi normal H1 : α ≠ 0, error term tidak terdistribusi normal Wilayah penerimaan (Jarque Bera < X2df-2 atau probabilitas (p-value) > α sedangkan wilayah penolakannya yaitu (Jarque Bera > X2df-2 atau probabiity (pvalue) < α. Kenormalan data diperlukan dalam analisis regresi berganda, hal ini disebabkan metode ini merupakan salah satu metode analisis parametrik. Kenormalan diketahui melalui sebaran regresi yang merata disetiap nilai Penerimaan H0 mengindikasikan bahwa data yang dianalisis tersebar normal. 3.
Kriteria Statistika Ada beberapa uji yang dapat digunakan untuk menentukan kesesuaian
model regresi yang didapat secara statistik. a.
Uji – F Uji–F adalah statistik uji yang diigunakan untuk mengetahui bagaimana
pengaruh peubah bebas terhadap peubah tidak bebas secara keseluruhan langkah pertama untuk melakukan uji-t adalah dengan menuliskan hipotesis pengujian.
31
H0 : β1 = β2 =... = βt= 0 (tidak ada variabel independen yang berpengaruh terhadap variabel dependennya) H1 : minimal ada satu βt ≠0 (paling tidak ada satu variabel independen yang berpengaruh signifikan terhadap variabel dependennya). 1.
Probability F-stasistic < taraf nyata (α), maka tolak H0 dan dapat disimpulkan bahwa minimal ada satu variabel independen yang memengaruhi variabel dependennya.
2.
Probability F-stasistic > taraf nyata (α), maka terima H0 dan disimpulkan
bahwa
tidak
ada
variabel
independen
yang
memengaruhi variabel dependennya b.
Uji – t Uji–t adalah statistik uji yang diigunakan untuk mengukur signifikan
parameter secara individual dan disebut juga sebagai uji signifikansi secara parsial karena melihat signifikansi masing-masing variabel yang terdapat di dalam model. Uji-t dalam penelitian ini digunakan untuk mengetahui pengaruh masing-masing faktor bebas (explanatory factor) terhadap penawaran ekspor televisi Indonesia. Besaran yang digunakan dalam uji ini adalah statistik t. Langkah pertama untuk melakukan uji-t adalah dengan menuliskan hipotesis pengujian. H0 : βt = 0 dengan t = 1,2,3,….,n H1 : βt ≠ 0 Jika statistik t yang didapat pada taraf nyata sebesar α lebih besar daripada ttabel ( t satistik > t tabel), maka tolak H0. Kesimpulannya koefisien dugaan β ≠ 0 artinya variabel yang diuji berpengaruh nyata terhadap variabel tak bebas. Sebaliknya jika t statistik lebih kecil daripada t tabel (t statistik < t tabel) pada taraf nyata sebesar α, maka terima H0. Kesimpulannya koefisien dengan β = 0 artinya variabel yang diuji tidak berpengaruh nyata terhadap variabel tak bebas. Semakin kecil α berarti semakin mengurangi resiko salah. Model yang diduga akan semakin baik apabila semakin banyak variabel bebas yang signifikan atau berpengaruh nyata terhadap variabel tak bebasnya. c.
Uji R2 ataupun adj-R2 Uji R2 ataupun adj-R2 digunakan untuk melihat sejauh mana variabel-
variabel yang terdapat di dalam model dapat menjelaskan variasi yang terjadi pada
32
variabel tak bebasnya. Nilai R2 ataupun adj-R2 yang besar menunjukkan bahwa model yang didapat semakin baik. Dalam praktek ekonometrika, penggunaan nilai adj-R2 lebih disarankan daripada penggunaan R2 karena R2 cenderung untuk memberikan gambaran yang terlalu baik terhadap hasil regresi. Hal ini terutama terjadi saat jumlah variabel bebas model cukup besar atau mendekati jumlah pengamatan (Gujarati, 2004).
