III. METODE PENELITIAN
3.1 Jenis dan Sumber Data Penelitian ini menggunakan data sekunder. Data yang diamati merupakan data gabungan time series dan cross section atau panel data. Tahun pengamatan sebanyak sepuluh tahun, mulai dari tahun 2001 hingga 2010. Adapun pemilihan komoditas yang diteliti yaitu bawang merah dan kentang karena kedua komoditas ini memiliki neraca impor tertinggi pada tahun 2010. Jumlah negara yang menjadi asal impor yang diamati pada penelitian ini disesuaikan dengan keberlanjutan impor yang terjadi selama periode pengamatan. Adapun negara-negara yang menjadi asal impor berdasarkan masing-masing komoditas yang menjadi objek penelitian ini, tertera pada tabel dibawah ini: Tabel 3.1 Negara – negara Asal Impor Komoditas Bawang Merah dan Kentang Indonesia Tahun 2001-2010 No Komoditas Negara Asal Impor Jumlah 1 Bawang Merah Thailand, India, Vietnam, Malaysia, China, (HS 070310) Philipines, Netherlands, USA, dan Australia 9 2 Kentang Australia, China, USA , dan Singapore 4 (HS 070190) Sumber: UNComtrade, 2012.
Data yang dibutuhkan dalam penelitian ini meliputi: volume impor komoditas yang diteliti berdasarkan negara asal, GDP riil dengan tahun dasar 2000 masing-masing negara, harga komoditas di masing-masing negara asal impor, nilai tukar riil rupiah terhadap dolar Amerika Serikat, jarak antara negara Indonesia dengan negara asal impor, indeks harga konsumen Indonesia, dan indeks harga konsumen Amerika Serikat. Data tersebut diperoleh dari: Badan Pusat Statistik, Kementerian Pertanian, Kementerian Perdagangan, United Nation Commodity Trade (UN Comtrade), United Nation Conference on Trade and Development (UNCTAD), Bank Dunia (World Development Indikator), dan penelusuran situs-situs yang terkait dengan penelitian.
31
Tabel 3.2 Data dan Sumber Data yang Digunakan dalam Penelitian No 1
2
3
4 5
Data yang Digunakan Sumber Nilai dan volume impor komoditas UN Comtrade bawang merah dan kentang Indonesia (comtrade.un.org) tahun 2001-2010 Populasi Indonesia dan negara asal impor World Development Indicator komoditas bawang merah dan kentang (www.worldbank.org) tahun 2001-2010 GDP riil Indonesia dan negara asal impor World Develoment Indicator komoditas bawang merah dan kentang (www.worldbank.org) tahun 2001-2010 Nilai tukar riil rupiah terhadap dollar www.unctadstat.unctad.org Amerika tahun 2001-2010 Jarak geografis antara Indonesia dan www.timeanddate.com negara asal impor komoditas bawang merah dan kentang
3.2 Metode Analisis Data Penelitian ini menggunakan metode analisis deskriptif dan kuantitatif. Analisis deskriptif digunakan untuk menjelaskan informasi-informasi yang terkandung dalam data hasil analisis dan kecenderungan volume impor komoditas bawang merah dan kentang Indonesia. Analisis kuantitatif digunakan untuk melakukan analisis terhadap faktor-faktor yang memengaruhi aliran perdagangan impor komoditas bawang merah dan kentang. Analisis kuantitatif menggunakan analisis regresi data panel model gravitasi (gravity model). Data sekunder diolah dengan menggunakan program komputer Microsoft Excel dan Eviews 6 yang kemudian hasil outputnya diinterpretasikan. 3.3 Perumusan Model Faktor-faktor yang digunakan untuk menganalisis aliran perdagangan komoditas bawang merah dan kentang Indonesia antara lain: Produk Domestik Bruto Riil Indonesia, Produk Domestik Bruto Riil negara asal impor, populasi Indonesia, harga komoditas sayuran di negara asal impor dan nilai tukar riil rupiah terhadap dolar Amerika. Bentuk umum persamaan regresi model gravitasi (gravity model) yang digunakan untuk masing-masing komoditas adalah:
32
ln Yjt =
0
+
+
1
ln GDPjt +
6 lnJEijt +
2
ln GDPit +
7 lnERijt
+
3
ln Popit +
4
ln Popjt +
5
lnPM
it
Tanda dugaan parameter pada variabel bebas bebas yang diharapkan adalah: 1>0;
2>0;
3>0;
4>0;
5<0;
6<0;
dan
7>0
keterangan: j
= unit cross section (negara)
t
= time series (waktu)
Yjt
= Volume impor komoditas dari negara asal j pada tahun t (kilogram)
GDPjt = GDPriil negara asal impor pada tahun t (US$) GDPit = GDP riil negara Indonesia pada tahun t (US$) Popit
= Populasi penduduk Indonesia pada tahun t (orang)
Popjt
= Populasi penduduk negara J pada tahun t (orang)
Pj
= Harga komoditas di negara asal impor (US$/kg)
JEijt
= Jarak ekonomi antara Indonesia dengan negara asal impor (kilometer)
ERijt
= Nilai tukar rupiah terhadap dolar Amerika Serikat (Rp/US$)
it
= Random error
3.4 Defenisi Operasional Untuk memahami secara jelas variabel-variabel yang dituliskan dalam persamaan di atas, maka defenisi operasional variabel-variabel tersebut adalah: 1. Negara j adalah negara pengekspor atau negara asal impor komoditas bawang merah dan kentang Indonesia. 2. Volume impor komoditas bawang merah dan kentang Indonesia adalah total impor dari negara asal selama jangka waktu satu tahun terhitung sejak tahun 2001 hingga tahun 2010, dinyatakan dalam satuan kilogram. 3. Nilai GDP riil Indonesia adalah Produk Domestik Bruto riil yang dihasilkan oleh Indonesia dalam satu tahun terhitung sejak tahun terhitung 2001 hingga 2010, dinyatakan dalam dolar Amerika Serikat 4. Nilai GDP riil negara j atau nilai GDP negara asal impor adalah Produk Domestik Bruto riil yang dihasilkan perekonomian negara tersebut dalam satu tahun terhitung sejak tahun 2001-2010, dinyatakan dalam dolar Amerika Serikat.
33
5. Populasi penduduk negara Indonesia adalah total jumlah penduduk di Indonesia dalam satu tahun terhitung sejak tahun 2001 hingga 2010, dinyatakan dalam satuan orang. 6. Populasi penduduk negara pengekspor adalah total jumlah penduduk di Indonesia
dalam satu tahun terhitung sejak tahun2001 hingga 2010,
dinyatakan dalam satuan orang. 7. Harga impor merupakan harga yang digunakan dalam transaksi perdagangan internasional. Harga impor dinyatakan dalam satuan dolar Amerika perkilogram. Pjt = 8. Jarak antara negara Indonesia dengan negara asal impor dihitung berdasarkan jarak antar ibukota Indonesia dengan negara asal impor dan dinyatakan dalam kilometer. Jarak ekonomi kemudian diperoleh berdasarkan rumus: JEindjt = 9.Nilai tukar mata uang negara Indonesia terhadap dolar Amerika Serikat, dinyatakan Rp/US$. Hal ini dikarenakan nilai impor yang diperoleh dari UN Comtrade dalam satuan US$. Rumus yang digunakan untuk mendapatan nilai tukar Rupiah terhadap US$ Amerika adalah: (
Riil)t =
X(Indeks harga konsumen USA)t
3.5 Pengujian Kesesuaian Model Pada analisis model dengan menggunakan data panel, dikenal tiga macam pendekatan yang terdiri dari Pendekatan Kuadrat Terkecil (Pooled Least Squared), Pendekatan Efek Tetap (Fixed Effect Model), dan Pendekatan Efek Acak (Random Effect). Pemilihan model terbaik yang digunakan untuk pengolahan data panel menggunakan beberapa pengujian. Pengujian yang dilakukan antara lain: 3.5.1 Uji Chow (Chow Test) Uji Chow digunakan untuk memilih kedua model diantara Pooled Least Squared dan Fixed Effect Model. Asumsi bahwa setiap unit cross section memiliki
34
perilaku yang sama cenderung tidak realistis mengingat dimungkinkannya setiap unit cross section memiliki perilaku yang berbeda menjadi dasar uji chow ini. Adapun hipotesis yang digunakan dalam pengujian ini sebagai berikut: H0
: Model Pooled Least Squared
H1
: Model Fixed Effect Dasar penolakan terhadap hipotesis nol tersebut adalah dengan
menggunakan Fstatistik seperti berikut: CHOW : keterangan: RRSS : Restricted Residual Sum square (Sum Squared Residual PLS) URSS : Unrestricted Residual Sum Square (Sum Squared Residual Fixed) N
: Jumlah Data Cross Section
T
: Jumlah data Times Series
K
: Jumlah variabel penjelas Statistik Chow Test mengikuti sebaran Fstatistik yaitu FN-1,NT-N-K. Jika nilai
CHOW Statistic (Fstat) hasil pengujian lebih besar dari Ftabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesis nol sehingga model yang digunakan adalah model efek tetap (Fixed Effect Model), begitu juga sebaliknya jika nilai CHOW Statistic (Fstat) lebih kecil dari Ftabel maka model yang digunakan adalah model Pooled Least Squared. 3.5.2 Uji Hausmann (Hausman Test) Uji Hausmann adalah pengujian statistik sebagai dasar pertimbangan dalam memilih untuk menggunakan model Fixed Effect atau model Random Effect. Alasan dilakukannya uji Hausmann didasarkan pada model Fixed Effect yang mengandung suatu unsur trade off yaitu hilangnya unsur derajat bebas dengan memasukkan variabel dummy dan model Random Effect yang harus memperlihatkan ketiadaan pelanggaran asumsi dari setiap komponen galat. Dalam pengujian ini dilakukan Hipotesis sebagai berikut: H0
: Model Random Effect
H1
: Model Fixed Effect
35
Statistik Hausman dirumuskan sebagai berikut: )’(M0-M1 )-1(
m=(
)~
2
(K)
keterangan: = vektor untuk statistik variabel fixed effect B
= vektor untuk statistik variabel random effect
M0
= matriks kovarians untuk dugaan fixed effect model
M1
= matriks kovarians untuk dugaan random effect model Statistik Hausman menyebar Chi-Squared, jika nilai hasil pengujian lebih
besar dari
2
tabel,
maka cukup bukti untuk melakukan penolakan terhadap
hipotesis nol, sehingga pendekatan yang digunakan adalah fixed effect, demikian pula sebaliknya. 3.6 Pengujian Statistik Pengujian statistik berfungsi untuk mengetahui apakah model yang digunakan dalam penelitian sudah cukup baik ataupun belum dalam menjelaskan keragaman yang terdapat pada suatu permasalahan. Terdapat beberapa kriteria yang digunakan yaitu uji F, uji t, dan koefisien determinasi yang disesuaikan (Rsquared adjusted) (Juanda, 2009). 3.6.1 Uji F Dalam menganalisis model, sebaiknya yang pertama kali dilakukan pengujian model secara keseluruhan dengan menggunakan statistik uji F. Uji F dilakukan untuk mengetahui apakah variabel independen di dalam model secara bersama-sama berpengaruh terhadap variabel dependen yang digunakan. Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut: 1. Perumusan Hipotesis H0 :
1=
2=
3=
4=
H1 : paling sedikit ada
k= i
0
0
2. Penentuan nilai kritis atau taraf nyata ( ), misalnya dengan taraf nyata
= 5%.
Pada uji ini digunakan uji F. 3. Nilai Fhitung dari hasil perhitungan komputer dalam ANOVA atau dengan menggunakan rumus : Fhitung =
36
keterangan: e2
: Jumlah kuadrat regresi 2
(1-e ) : Jumlah kuadrat sisa n
: Jumlah sampel
k
: Jumlah parameter
4. Penentuan kriteria uji: - Terima H0, jika Fhitung < Ftabel, artinya secara statistik belum dapat dibuktikan bahwa model tersebut bisa menjelaskan atau memprediksi keragaman volume impor bawang merah dan kentang Indonesia. Hal ini juga berarti secara bersama-sama variabel bebas dalam model tidak berpengaruh terhadap variabel tak bebas. - Terima H1 (tolak H0), Jika Fhitung > Ftabel, artinya secara statistik telah dibuktikan bahwa model tersebut dapat menjelaskan atau memprediksi keragaman volume impor bawang merah dan kentang Indonesia. Hal ini juga berarti secara bersama-sama variabel bebas dalam model berpengaruh terhadap variabel tak bebas. Kriteria keputusan dapat dilakukan dengan menggunakan angka probabilitas (Pvalue atau sign) yang diperoleh dengan perhitungan komputer kemudian diperbandingkan dengan taraf nyata pengujian yang digunakan. Jika probabilitas lebih kecil dari taraf nyata, maka keputusannya adalah menolak H0 atau menerima hipotesis alternatif (H1). 3.6.2 Uji t Uji t pada dasarnya merupakan suatu pengujian yang bertujuan untuk mengetahui apakah koefisien regresi signifikan atau tidak pada taraf tertentu (taraf yang digunakan peneliti). Uji t digunakan untuk melihat apakah koefisien regresi masing-masing variabel independen secara individu memiliki pengaruh nyata (signifikan) atau tidak berpengaruh nyata (tidak signifikan) terhadap variabel tak bebas yang terdapat pada suatu model. Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut: 1. Perumusan Hipotesis: H0 :
i
H1 :
i
= 0, artinya faktor ke – i tidak berpengaruh nyata 0, artinya faktor ke – i berpengaruh nyata
37
2. Penentuan nilai kritis atau taraf nyata
( ) yang digunakan sebesar
=
1%,5%,10%. 3. Menentukan nilai thitung masing-masing
i
koefisien regresi yang dapar
dirumuskan sebagai: thitung = ttabel = t (n-k) keterangan: Sd ( i)
= Standard deviasi paremeter untuk bi = Koefisien ke-i yang diduga
n
= Jumlah pengamatan
k
= Jumlah parameter
4. Penentuan kriteria uji: - Terima H0, jika |thitung| < ttabel, artinya secara statistik belum dapat dibuktikan bahwa faktor ke – i tidak berpengaruh nyata. - Terima H1 (tolak H0), jika |thitung| > ttabel, artinya secara statistik telah dibuktikan bahwa faktor ke – i tersebut berpengaruh nyata. Kriteria keputusan dapat dilakukan dengan menggunakan angka probabilitas (Pvalue atau sign) yang diperoleh dari perhitungan komputer kemudian diperbandingkan dengan taraf nyata pengujian yang digunakan. Jika probabilitas (sign) lebih kecil dari taraf nyata maka keputusannya adalah menolak H0. 5. Mengambil kesimpulan. 3.6.3 Koefisien Determinasi (R-squared) Koefisien determinasi adalah suatu ukuran yang menunjukkan keragaman pada variabel tak bebas (dependen) yang dapat diterangkan pada variasi model regresi atau menunjukkan besarnya sumbangan dari variabel penjelas terhadap variabel respon. R-squared memiliki range antara 0
38
pula sebaliknya jika nilai koefisien determinasi rendah atau mendekati nol, maka model tersebut kurang dapat menjelaskan keragaman dari variabel tak bebasnya. Adapun rumus untuk koefisien determinasi (R-squared) yaitu: R2 = keterangan: RSS
: Jumlah Kuadrat Regresi (Residual Sum Square)
TSS
: Jumlah kuadrat total (Total Sum Square) Selain itu ada pengukuran R-squared yang lain yaitu R-squared adjusted
yang merupakan nilai R-squared yang telah disesuaikan terhadap banyaknya variabel bebas dan banyaknya observasi. Rumus R-squared adjusted adalah: R-squared adjusted = 1-
(
)
keterangan: R-squared adjusted = koefisien determinasi yang telah disesuaikan k
= Jumlah variabel bebas
n
= Jumlah observasi
3.6.4 Asumsi Kenormalan Pengujian kenormalan 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 : H1 :
= 0, error term terdistribusi normal 0, error term tidak terdistribusi normal
Uji normalitas diaplikasikan dengan melakukan tes Jarque Bera, jika nilai probabilitas yang diperoleh lebih besar dari taraf nyata yang digunakan, maka terima H0 yang berarti error term dalam model sudah menyebar normal. 3.7 Pengujian Asumsi Klasik Untuk menghasilkan model yang efisien dan konsisten, maka diperlukan pengujian terhadap pelanggaran asumsi-asumsi klasik seperti uji multikolinearitas, heteroskedastisitas, dan autokolerasi. Bila terjadi pelanggaran asumsi-asumsi di atas maka model ini menjadi tidak valid.
39
3.7.1 Uji Multikolinearitas Salah satu asumsi model regresi linear klasik adalah bahwa tidak terdapat multikolinearitas di antara variabel yang menjelaskan yang termasuk dalam model (Gujarati, 1978).
Istilah multikolinearitas (kolinearitas ganda) pertama kali
ditemukan oleh Ragnar Frisch, yang berarti adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel penjelas (bebas) dari model regresi ganda. Selanjutnya, istilah multikolinearitas digunakan dalam arti yang lebih luas, yaitu untuk terjadinya koreasi linear yang tinggi diantara variabelvariabel penjelas (X1,X2,.....Xp) (Setiawan dan Kusrini, 2010). Cara mendeteksi adanya multikolinearitas yaitu jika R-squared tinggi, tetapi variabel yang signifikan hanya sedikit. Adapun konsekuensi dari adanya multikolinearitas ini yaitu: 1. Apabila terjadi multikolinearitas yang sempurna, maka koefisien regresi yang unik tidak dapat diperoleh dengan menggunakan metode kuadrat terkecil. 2. Jika terjadi masalah multikolinearitas yang mendekati sempurna, maka hasil perkiraan dengen metode kuadrat terkecil masih tetap tak bias, tetapi tidak efisien (variansinya tidak minimum). 3. Terjadinya kontradiksi antara hasil pengujian hipotesis parameter regresi secara serentak melalui uji F dangan hasil pengujian parameter regresi secara individu melalui uji t. Untuk mengatasi masalah multikolinearitas dalam model maka dapat digunakan beberapa cara berikut ini: adanya informasi apriori; penggabungan data cross section dengan time series; mengeluarkan suatu variabel atau lebih dan kesalahan spesifikasi; transformasi variabel-variabel, dan penambahan data baru. 3.7.2 Uji Heteroskedastisitas Homoskedastisitas berarti bahwa variasi dari error bersifat konstan (tetap) atau disebut juga identik. Kebalikannya adalah kasus heteroskedastisitas, yaitu jika kondisi variansi error-nya tidak identik. Pada model regresi, apabila semua asumsi klasik dipenuhi, kecuali satu, yaitu terjadi heteroskedastisitas, maka pengingat kuadrat terkecil masih tetap tak bias dan konsisten, tetapi tidak efisien (variansi membesar). Untuk mendeteksi adanya heteroskedastisitas, dalam hasil olahan data penel dengan eviews dengan menggunakan metode General Least
40
Squared (Cross Section Weight), caranya adalah dengan membandingkan nilai sum squared resid pada weighted statistic dengan sum squared resid pada unweighted statistic. Jika sum squared resid pada weighted statistic lebih kecil daripada sum squared resid pada unweighted statistic maka terdapat heteroskedastisitas. Langkah yang dapat dilakukan untuk mengatasi masalah heterosedastisitas adalah dengan mengestimasi General Least Squared (GLS) dengan white heterocedasticity. Selain itu dapat juga dilakukan dengan pembobotan Cross Section SUR. 3.7.3 Uji Autokorelasi Autokorelasi adalah adanya suatu korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (data deret waktu) atau ruang (data cross section). Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai dari Durbin – Watson (DW) statistiknya yang dibandingkan dengan nilai dari tabel DW. Tabel 3.2 merupakan kerangka identifikasi dalam menentukan ada tidaknya autokorelasi. Tabel 3.3 Selang Nilai Statistik Durbin Watson serta Keputusannya Nilai Durbin – Watson
Keterangan
DW < 1,10
Ada autokorelasi
1,10 < DW < 1,54
Tanpa Kesimpulan
1,55 < DW < 2,46
Tidak ada autokorelasi
2,46 < DW < 2,90
Tanpa Kesimpulan
DW > 2,91
Ada autokorelasi
Sumber: Firdaus, 2004.
