III.
3.1
METODE PENELITIAN
Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang
merupakan panel data dengan periode waktu 9 tahun dari tahun 2001 hingga tahun 2009. Data tersebut diperoleh dari beberapa instansi terkait seperti Kementrian Perdagangan, Kementrian ESDM, Badan Pusat Statistika, serta penelusuran internet (Uncomtrade, World Bank) Tabel 3.1 Jenis dan Sumber Data Penelitian No Jenis Data 1 Volume permintaan ekspor batubara Indonesia di Jepang, India, Korea Selatan, dan Cina (Kg) 2 Harga ekspor batubara dunia (US$/Kg) 3 Nilai tukar nominal negara Jepang, India, Korea Selatan, dan Cina 4 GDP perkapita riil negara Jepang, India, Korea Selatan, dan Cina (US$) 5 Jumlah populasi Jepang, India, Korea Selatan, dan Cina (Juta orang)
3.2
Sumber Data comtrade.un.org scribd.com Fx.sauder.ubc.ca worldbank.org worldbank.org
Metode Analisis Data Untuk menganalisis faktor-faktor yang memengaruhi permintaan ekspor
batubara Indonesia dianalisis dengan menggunakan model panel data. Panel data menggunakan kombinasi runut waktu (time series) dan kerat lintang (cross section). Proses pengolahan data dilakukan menggunakan program Eviews 6 dan Microsoft Excel 2007.
25
3.2.1 Analisis Panel Data Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series atau cross section. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu individu. Karena mengkombinasikan data cross section dan time series maka panel data memiliki beberapa keunggulan, antara lain (Gujarati, 2004) : 1.
Mampu mengidentifikasi dan mengukur efek secara yang secara sederhana tidak dapat diatasi dalam data cross section murni atau data time series murni.
2.
Mampu mengontrol heterogenitas individu atau unit cross section.
3.
Memberikan data yang informatif, mengurangi kolinearitas antar peubah serta meningkatkan derajat kebebasan sehingga data menjadi lebih efisien.
4.
Data panel lebih baik digunakan untuk studi dynamics of adjusment karena terkait dengan observasi pada cross section yang sama secara berulang.
5.
Mampu menguji dan mengembangkan model perilaku yang lebih kompleks. Estimasi model menggunakan data panel dapat dilakukan dengan tiga
metode, yaitu metode kuadrat terkecil (pooled least square), metode efek tetap (fixed effect), dan metode efek random (random effect).
26
1.
Metode Kuadrat Terkecil (Pooled Least Square) Merupakan metode yang paling sederhana dalam pengolahan data panel.
Misalkan dalam persamaan berikut ini : Dimana N adalah jumlah unit cross section (individu) dan T adalah jumlah periode waktunya. Dengan mengansumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap unit cross section. Untuk periode t=1, akan diperoleh persamaan regresi cross section sebagai berikut : Y it = α + β X it + є it Dimana :
Y it = variabel endogen X it = variabel eksogen α = intersep β = slope i = individu ke-i t = periode waktu ke-t є = error
Dari persamaan di atas akan diperoleh parameter α dan β yang konstan dan efisien yang melibatkan sebanyak N x T observasi, dimana N menunjukkan jumlah data cross section dan T menunjukkan jumlah data time series. Pada metode ini asumsi yang digunakan menjadi terbatas karena model tersebut mengasumsikan bahwa intersep dan koefisien dari setiap variabel sama untuk setiap individu yang diobservasi.
27
2.
Metode Efek Tetap (Fixed Effect) Kesulitan terbesar dalam pendekatan metode kuadrat terkecil adalah
adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu yang kurang sesuai dengan tujuan penggunaan data panel. Untuk mengatasi hal ini kita dapat menggunakan pendekatan model efek tetap (fixed effect). Model fixed effect atau Least Square Dummy Variable atau disebut juga Covarians Model adalah model yang dapat digunakan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat mengakibatkan perubahan dalam intersep-intersep cross section dan time series. Untuk memungkinkan perubahanperubahan intersep ini, dapat ditambahkan variabel dummy ke dalam model yang selanjutnya akan diduga dengan model OLS (Ordinary Least Square) yaitu : Y it = ∑ αiDi + β X it + є it Dimana :
Y it = variabel endogen X it = variabel eksogen α i = intersep β = slope D = variabel boneka (dummy) i = individu ke-i t = periode waktu ke-t є = error / simpangan
Pada metode fixed effect estimasi dapat dilakukan dengan tanpa pembobot (no weighted) atau Least Square Dummy (LSDV) dan dengan pembobot (cross section weight) atau General Least Square (GLS). Tujuan dilakukan pembobotan
28
ini adalah untuk mengurangi heterogenitas antar unit cross section (Gujarati, 1995). 3.
Metode Efek Acak (Random Effect) Keputusan untuk memasukkan variabel dummy ke dalam model akan
mengakibatkan berkurangnya jumlah derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Pendekatan yang digunakan untuk mengatasi hal ini adalah model random effect. Model random effect disebut juga sebagai error component model karena dalam model ini, parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error. Persamaan umum dalam model random effect yaitu : Y it = α 0 + β X it + є it є it = u it + V it + Wit Dimana :
u it ~ N (0,δ u 2)
= komponen cross section error
v it ~ N (0,δ v 2) = komponen time series error w it ~ N (0,δ w 2)
= komponen combinations error
Asumsi yang digunakan dalam model ini adalah error secara individual tidak saling berkorelasi, begitu pula dengan error kombinasinya. Penggunaan model random effect dapat menghemat derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model fixed effect. Hal ini berimplikasi kepada parameter hasil estimasi akan menjadi efisien. Semakin efisien maka model yang akan didapat semakin baik.
29
3.2.2 Pemilihan Model Dugaan model yang digunakan berdasarkan pertimbangan statistik perlu dianalisis agar memperoleh dugaan model yang efisien dan paling baik di antara berbagai pilihan model. Terdapat tiga pengujian statistik yang digunakan dalam data panel untuk menentukan model mana yang paling baik untuk dipilih. 1)
Chow Test Chow test atau biasa disebut dengan uji F statistics merupakan pengujian
statistik yang bertujuan untuk memilih apakah lebih baik menggunakan model Pooled Least Square atau Fixed Effect. Dalam pengujian ini dilakukan dengan hipotesa berikut : H 0 : model pooled square H 1 : model fixed effect Dasar penolakan terhadap hipotesis nol adalah dengan menggunakan F statistik (Uji Chow) yang dirumuskan dalam persamaan berikut ini :
Dimana:
ESS 1
= residual sum square hasil pendugaan model fixed effect
ESS 2
= residual sum square hasil pendugaan model pooled least square
N
= jumlah data cross section
T
= jumlah data time series
K
= jumlah variabel penjelas
Jika nilai chow statistics (F-stat) hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang digunakan adalah fixed effect dan sebaliknya. 30
2)
Hausmann Test Hausmann Test adalah pengujian statistik sebagai dasar pertimbangan kita
dalam memilih apakah menggunakan model fixed effect atau menggunakan model random effect. Pengujian ini dilakukan dengan hipotesa sebagai berikut : H 0 : model random effect H 1 : model fixed effect Sebagai dasar penolakan hipotesa nol tersebut digunakan statistik Hausmann dan membandingkannya dengan Chi-Square. Statistik Hausmann dirumuskan dengan: m = ( β – b ) ( M 0 – M 1 )-1 Dimana :
–
χ2 ( K )
β
= vektor statistik variabel fixed effect
B
= vektor statistik variabel random effect
(M 0 )
= matriks kovarian untuk dugaan model fixed effect
(M 1 )
= matriks kovarian untuk dugaan model random effect
K
= degrees of freedom
Jika nilai χ2 – statistik hasil pengujian lebih besar dari χ2 – tabel maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga pendekatan yang digunakan adalah fixed effect model dan sebaliknya. 3)
LM Test LM test (The Breush – Pagan LM Test) digunakan sebagai dasar
pertimbangan stastisik dalam memilih model random effect dan pooled least square. Hipotesis dari uji ini yaitu : H 0 : model pooled effect H 1 : model random effect
31
Dasar penolakan H 0 yaitu dengan cara membandingkan antara nilai statistik LM dengan nilai Chi-square. Apabila nilai LM hasil perhitungan lebih besar dari χ2 – tabel maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang akan digunakan adalah random effect dan sebaliknya.
3.2.3 Pengujian Model Model yang dianalisis merupakan pengujian terhadap hipotesis yang dilakukan. Setelah mendapatkan paramater estimasi yang dianggap sesuai maka langkah selanjutnya adalah melakukan berbagai macam uji terhadap parameter estimasi tersebut. Terdapat tiga kriteria yang umum digunakan dalam menentukan baik tidaknya sebuah model yaitu : 3.2.3.1 Kriteria Statistik Kriteria statistika digunakan untuk menganalisis kesesuaian model regresi yang telah diperoleh. Adapun beberapa ujinya antara lain : A.
Uji-F Tujuan dari uji-F yaitu untuk mengetahui bagaimana pengaruh peubah
bebas terhadap peubah tidak bebas secara keseluruhan. Hipotesisnya yaitu : H 0 : β 1 = β 2 = ... = β t = 0 (tidak ada variabel independen yang berpengaruh terhadap variabel dependennya). H 1 : minimal ada satu β t ≠ 0 (paling tidak ada satu variabel independen yang berpengaruh signifikan terhadap variabel dependennya). -
Probability F-stastistic < taraf nyata (α), maka tolak H 0 dan dapat disimpulkan bahwa minimal ada satu variabel independen yang mempengaruhi variabel dependennya.
32
-
Probability F-statistic > taraf nyata (α), maka terima H 0 dan disimpulkan bahwa tidak ada variabel independen yang mempengaruhi variabel dependennya.
B.
Uji-t Tujuan dilakukannya uji-t untuk melihat signifikansi masing-masing
variabel yang terdapat di dalam model. Besaran yang digunakan dalam uji ini yaitu statistik t. Hipotesisnya adalah : H0 : β1 = 0
t = 1,2,...,n
H1 : β1 ≠ 0 Rumus perhitungan statistiknya yaitu :
Dimana :
-
β
= parameter dugaan
βt
= parameter hipotesis
Seβ
= standard error parameter β
Jika t-stat > t-tabel, maka tolak H 0 dan dapat disimpulkan bahwa variabel yang diuji berpengaruh nyata terhadap variabel tak bebas.
-
Jika t-stat < t-tabel, maka terima H 0 dan dapat disimpulkan bahwa variabel yang diuji tidak berpengaruh nyata terhadap variabel tak bebasnya. 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 Tujuan dari uji ini adalah untuk melihat sejauh mana besar keseragaman
yang dapat dijelaskan oleh variabel bebas terhadap variabel tak bebas. Nilai R2 33
atau R2 adjusted berkisar antara 0 sampai dengan 1, semakin mendekati satu semakin baik. Rumus perhitungannya yaitu : R2 = [ (Y t – Y) (Y t – Y) / (Y t – Y)2 (Y t – Y)2] Dimana :
Y t = Y aktual Y t = Y dugaan Y = Y rata-rata
3.2.3.2 Kriteria Ekonometrika Kriteria ini mengisyaratkan pengujian terhadap asumsi-asumsi dasar ekonometrika agar variabel yang diestimasi bersifat BLUE (Best Linier unbiased Estimate). Pengujian ini terdiri dari : A.
Heteroskedastisitas Salah satu asumsi yang penting dalam regresi linier berganda yang harus
dipenuhi agar model bersifat BLUE adalah Var (u i ) = σ2 (konstan), atau semua residual atau error mempunyai varian yang sama (homoskedastisitas). Adapun yang disebut dengan heteroskedastisitas adalah sebaliknya, yaitu semua residual atau error mempunyai varian yang tidak konstan atau berubah-ubah. Pada umumnya heteroskedastisitas terjadi pada data kerat lintang (cross section). Menurut Gujarati (2004), jika pada model terjadi masalah heteroskedastisitas maka model akan menjadi tidak efisien meskipun tidak bias dan konsisten. Dan jika regresi tetap dilakukan, hasil regresi yang diperoleh menjadi “misleading”. Untuk mendeteksi ada atau tidaknya masalah heteroskedastisitas dalam data panel digunakan metode General Least Square (Cross Section Weights). Jika sum square resid pada Weighted Statistics lebih kecil dari sum square resid
34
unweighted statistics dapat dikatakan bahwa dalam model panel tersebut terjadi masalah heteroskedastisitas. Cara yang dilakukan untuk menghilangkan masalah heteroskedastisitas ini adalah dengan mengestimasi GLS dengan white heteroskedasticity. B.
Autokorelasi Suatu model dikatakan memiliki autokorelasi jika error dari periode
waktu (time series) yang berbeda saling berkorelasi. Masalah autokorelasi ini akan menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh akan underestimated, sehingga R2 akan besar serta uji t dan uji F akan menjadi tidak valid. Autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai dari Durbin Watson (DW) statistiknya yang dibandingkan dengan nilai dari tabel DW. Berikut merupakan kerangka identifikasi dalam menentukan ada tidaknya autokorelasi. Tabel 3.2 Kerangka Identifikasi Autokorelasi Nilai DW Hasil 4-dl
35
persamaan terbebas dari masalah autokorelasi sehingga asumsi adanya autokorelasi dapat diabaikan. C.
Multikolinearitas Multikolinearitas terjadi apabila terdapat hubungan linier antar variabel
independen. Indikasi terjadinya multikolinearitas adalah dengan melihat hasil t dan F statistik hasil regresi. Apabila koefisien parameter dari t statistik banyak yang tidak signifikan sementara F hitungnya signifikan maka patut diduga terjadi masalah multikolinearitas. Masalah ini dapat diatasi dengan cara menghilangkan variabel yang tidak signifikan, mentransformasikan data, dan menambah variabel. 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 : H 0 : α = 0, error term terdistribusi normal H 1 : α ≠ 0, error term tidak terdistribusi normal Wilayah penerimaan (Jarque Bera < X2 df -2 atau probabilitas (p-value) > α) sedangkan wilayah penolakannya yaitu (Jarque Bera > X2 df -2 atau probabilitas (p-value) < α).
3.2.3.3 Kriteria Ekonomi Kriteria ekonomi mensyaratkan penggunaan tanda dan besaran yang diperoleh dalam model sesuai dengan teori ekonomi. Apabila tanda dan besaran model yang diperoleh relevan dengan teori ekonomi maka model tersebut dapat dikatakan baik secara ekonomi.
36
3.3
Model Penelitian Dalam penelitian ini hanya menggunakan satu persamaan umum.
Sebelumnya telah dilakukan uji coba menggunakan variabel nilai tukar tetapi variabel ini tidak mendukung dengan hasil yang baik sehingga didapat model yang terbaik. Model ini digunakan untuk melihat hubungan volume permintaan ekspor dengan variabel-variabel penyusunnya. Model tersebut adalah : VEB = α + β 0 HB + β 1 GDP + β 2 POP + β 3 KURS + Ut Dimana : VEB
= Volume ekspor batubara Indonesia ke negara tujuan tahun ke-t (Juta ton)
HB
= Harga ekspor batubara negara tujuan ekspor tahun ke-t (US$/kg)
GDP
= Pendapatan per kapita negara tujuan ekspor tahun ke-t (US$)
POP
= Jumlah penduduk negara tujuan ekspor tahun ke-t (Juta orang)
KURS = Nilai Tukar Riil negara tujuan ekspor tahun ke-t (Rp/mata uang) Ut
= error term perode ke-t
α
= intersep
β
= slope Nilai dalam variabel-variabel ini memiliki skala yang berbeda.
Transformasi dalam bentuk ln 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).
Untuk
mengurangi
perbedaan
tersebut,
maka
model
menggunakan ln sehingga didapat model penelitian sebagai berikut : LnVEB = α + β 0 LnHB + β 1 LnGDP + β 2 LnPOP + β 3 LnKURS + Ut
37
VEB
= Volume ekspor batubara Indonesia ke negara tujuan tahun ke-t (persen)
HB
= Harga ekspor batubara negara tujuan ekspor tahun ke-t (persen)
GDP
= Pendapatan per kapita negara tujuan ekspor tahun ke-t (persen)
POP
= Jumlah penduduk negara tujuan ekspor tahun ke-t (persen)
KURS = Nilai Tukar Riil negara tujuan ekspor tahun ke-t (persen) Ut
= error term perode ke-t
α
= intersep
β
= slope
3.4
Definisi Operasional
1.
Volume permintaan ekspor batubara Indonesia di Jepang, India, Korea Selatan, dan Cina yang menjadi variabel tak bebas dalam model merupakan total permintaan batubara Indonesia ke Jepang, India, Korea Selatan, dan Cina yang dinyatakan dalam satuan juta ton.
2.
Harga ekspor batubara negara tujuan ekspor merupakan harga masingmasing
negara
yang
digunakan
dalam
transaksi
perdagangan
internasional. Harga ekspor dinyatakan dalam satuan dollar Amerika. 3.
GDP adalah ukuran daya beli masyarakat suatu negara terhadap suatu produk. GDP perkapita yang digunakan dalam penelitian ini merupakan hasil pembagian antara GDP nominal dengan populasi penduduk negara Jepang, India, Korea Selatan, dan Cina.
4.
Populasi penduduk merupakan jumlah total penduduk yang mendiami suatu wilayah atau negara. Jumlah penduduk dinyatakan dalam satuan jiwa.
38
5.
Nilai Tukar Riil adalah perbandingan dari perubahan nilai tukar mata uang negara tujuan ekspor batubara Indonesia terhadap mata uang Indonesia yang dinyatakan dengan rumus sebagai berikut : Kurs Riil = Kurs Nominal x IHK negara tujuan ekspor IHK Indonesia Nilai tukar riil dinyatakan dalam satuan rupiah per mata uang negara tujuan ekspor.
39