IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian 4.2 Metode Pengumpulan Data

Transkripsi

1 IV METODE PENELITIAN 4.1 Lokasi dan Waktu Penelitian Penelitian yang dilakukan meliputi perancangan penelitian, perumusan masalah, pengumpulan data pada berbagai instansi terkait, pemrosesan data, analisis data, interpretasi data, dan penarikan kesimpulan. Kegiatan pengumpulan data dilakukan di BPS pusat dan Kementerian Kelautan dan Perikanan yang berlokasi di Jakarta. Kegiatan penelitian ini dilakukan selama empat bulan yaitu dimulai dari November 2011 sampai dengan Februari Data yang digunakan pada penelitian ini adalah data sekunder dengan ruang lingkup nasional dan internasional. Data yang digunakan pada penelitian ini adalah data sekunder yang merupakan data panel, yaitu data gabungan antara data deret waktu (time series) dan data satu waktu (cross section). Data deret waktu meliputi data time series selama sepuluh tahun ( ). Data satu waktu atau data cross section adalah pengamatan yang dilakukan pada satu titik waktu atau periode waktu yang sama. Pengamatan data untuk data cross section dilakukan pada tujuh negara tujuan ekspor kepiting Indonesia, yaitu Amerika Serikat, Singapura, Malaysia, Jepang, RRC, Belanda, dan Korea Selatan. Baik data time series ataupun data cross section yang diambil meliputi variabel-variabel yang digunakan pada penelitian ini yaitu, variabel GDP per capita Indonesia, GDP per capita negara tujuan, jumlah penduduk negara tujuan, jarak Indonesia dengan negara tujuan, harga kepiting Indonesia di negara tujuan dan nilai tukar mata uang negara tujuan terhadap rupiah. 4.2 Metode Pengumpulan Data Data yang dikumpulkan merupakan data ekspor kepiting segar atau unfrozen crabs dengan kode Harmonized System tahun 2007 (HS2007) Data yang digunakan dalam penelitian ini adalah data pooled (panel) lima variabel bebas dari tujuh negara pengimpor kepiting Indonesia sepanjang tahun 2001 hingga tahun Jenis data yang digunakan adalah data sekunder yang diperoleh dari beberapa instansi terkait seperti Kementerian Kelautan dan Perikanan (KKP) dan Biro Pusat Statistik

2 (BPS) Pusat serta melalui penelusuran internet (Uncomtrade, Indexmundi, Oanda, dan Searates). Adapun data-data yang digunakan oleh peneliti untuk menganalisis faktor-faktor yang mempengaruhi ekspor kepiting Indonesia tercantum dalam Tabel 7. Tabel 7. Jenis, Simbol, dan Sumber Data Penelitian Variabel Satuan Simbol Sumber Volume ekspor kepiting Indonesia ke negara tujuan Gross Domestic Product (GDP) per kapita Indonesia Gross Domestic Product (GDP) per kapita negara tujuan Kg Xij BPS, Uncomtrade US$ Yi Indexmundi US$ Yj Indexmundi Harga ekspor kepiting Indonesia US$/kg Pj BPS, Uncomtrade Jarak Indonesia dengan negara tujuan ekspor (Biaya Transportasi) Nilai tukar (exchange rate) US$ Dij Searates Domestic Currency/Rp Erij Oanda 4.3 Pengolahan dan Analisis Data Metode analisis yang digunakan adalah metode deskriptif dan metode kuantitatif. Metode deskriptif digunakan untuk melihat gambaran umum agribisnis kepiting Indonesia serta menginterpretasikan hasil output pada pengolahan kuantitatif, sehingga diketahui maksud dan hasil dari pengolahan data secara kuantitatif. Metode kuantitatif dengan menggunakan analisis regresi data panel dengan menggunakan gravity model dengan persamaan tunggal digunakan untuk menganalisis faktor-faktor yang mempengaruhi ekspor kepiting Indonesia. Selanjutnya nilai potensial perdagangan dapat diperoleh dengan membagi nilai aktual perdagangan dengan nilai potensial yang diperoleh dari hasil pengolahan data panel untuk mengetahui potensi perdagangan yang berlangsung antara Indonesia dengan negara mitra dagangnya. Proses pengolahan data dilakukan dengan menggunakan Microsoft Excel 2007 dan program Eviews 7, kemudian dilanjutkan dengan tahap interpretasi data. Pemilihan alat pengolahan dilakukan atas dasar kemudahan dan kemampuannya

3 dalam mengolah data. Karena mengkombinasikan data cross section dan time series maka panel data memiliki beberapa keunggulan, antara lain (Gujarati, 2004) : 1) Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section murni atau data time series murni. 2) Mampu mengontrol heterogenitas individu. 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 adjustment karena terkait dengan observasi pada cross section yang sama secara berulang. 5) Mampu menguji dan mengembangkan model perilaku yang lebih kompleks. 4.4 Perumusan Model Perumusan model merupakan langkah pertama dan yang paling penting harus dilakukan dalam mempelajari hubungan antara variabel-variabel. Model digunakan untuk memilih hubungan variabel-variabel dalam bentuk matematika dimana suatu perumusan ekonomi dipenuhi secara empirik. Aliran perdagangan komoditi pada penelitian ini dijelaskan dengan menggunakan gravity model. Faktor-faktor yang digunakan untuk menganalisis ekspor kepiting Indonesia adalah GDP per capita Indonesia, GDP per capita negara tujuan ekspor, harga kepiting Indonesia di negara tujuan ekspor, jarak antara negara Indonesia dengan negara tujuan ekspor, dan nilai tukar mata uang negara tujuan terhadap rupiah. Analisis yang digunakan adalah regresi panel data dengan model logaritma natural. Transformasi model dalam bentuk log dapat mengurangi masalah heteroskedastisitas, hal ini disebabkan karena transformasi yang memampatkan skala untuk pengukuran variabel, mengurangi perbedaan nilai dari sepuluh kali lipat menjadi perbedaan dua kali lipat (Gujarati 1997). Dugaan persamaan aliran perdagangan ekspor kepiting Indonesia dapat dirumuskan sebagai berikut : Dimana : L n X ijt = β 0 + β 1 lny it +β 2 lny jt + β 3 lnp ijt + β 4 lnd ijt + β 5 lner ijt + ε ijt

4 X ijt Y it Y jt P ijt D ijt ER ijt ε ijt β 0 = Volume ekspor komoditas ke negara tujuan (ton) = GDP per capita Indonesia (milyar US$) = GDP per capita negara tujuan ekspor (milyar US$) = Harga komoditas di negara tujuan ekspor (US$/kg) = Jarak antara negara Indonesia dengan negara tujuan ekspor (Km) = Nilai tukar mata uang negara tujuan terhadap rupiah (domestik/rp) = random error = konstanta (intercept) β n = parameter yang diduga (n = 1,2,...,6) 4.5. Pengujian Kesesuaian Model Pada analisis model dengan menggunakan data panel, dikenal tiga macam pendekatan yang terdiri dari Pendekatan Kuadrat Terkecil (Pooled Least Square), Pendekatan Efek Tetap (Fixed Effect), dan Pendekatan Efek Acak (Random Effect). Agar memperoleh dugaan model yang efisien dan paling baik di antara berbagai pilihan model maka kita perlu menganalisis 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, diantaranya : Chow test Chow test atau biasa disebut dengan uji F statistik merupakan pengujian statistik yang bertujuan memilih model fixed effect atau pooled least square. Hipotesis dari uji ini yaitu : H 0 : Model Pooled OLS H 1 : Model Fixed Effect Dasar penolakan terhadap hipotesis nol tersebut adalah dengan menggunakan Fstatistik seperti yang dirumuskan : CHOW

5 Dimana : RRSS : Restricted Residual Sum Square (Sum Square Residual PLS) URRS : Unrestricted Residual Sum Square (Sum Square Residual Fixed) N T K : Jumlah data Cross Section : Jumlah data Time Series : Jumlah variabel penjelas Dimana pengujian ini menggunakan distribusi F statistik yaitu F N-1, NT-N-K. Jika nilai CHOW Statistic (F statistik ) hasil pengujian lebih besar dari F tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesis nol sehingga model yang digunakan adalah model Fixed Effect, begitu juga sebaliknya jika nilai CHOW Statistic (F statistik ) lebih kecil dari F tabel maka model yang digunakan adalah model Pooled Least Square Hausman Test Hausman test merupakan uji untuk menentukan apakah kita akan menggunakan model fixed effect atau model random effect. Hipotesis dari uji ini yaitu : H 0 : Model random effect H 1 : Model fixed effect Nilai statistik hausman akan dibandingkan dengan nilai Chi square sebagai dasar dalam menolak H 0. Jika nilai χ 2 statistik hasil pengujian lebih besar dari χ 2 - tabel maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga pendekatan yang digunakan adalah fixed effect model dan sebaliknya LM Test

6 LM test (The Breusch Pagan LM Test) digunakan sebagai dasar pertimbangan statistik dalam memilih model Random Effect dan Pooled Least Square. Hipotesis dari uji ini yaitu : H 0 : Model Pooled effect H 1 : Model Random effects Dasar penolakan H 0 yaitu dengan cara membandingkan antara nilai statistik LM dengan nilai Chi-square. Apabila nilai LM hasil perhitungan lebih besar dari χ 2 - tabel maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang akan digunakan adalah random effect dan sebaliknya. Dalam melakukan pengujian estimasi model ada beberapa hal yang perlu diingat agar dalam pemilihan model dapat dilakukan secara cepat, yaitu dengan menguji : a. Random Effect vs Fixed Effect (Hausmann Test) b. Pooled Least Square vs Fixed Effect (Chow Test) Strategi yang dilakukan dalam mengambil keputusan dalam memilih sebuah model yang akan digunakan adalah sebagai berikut : 1. Jika (b) tidak signifikan maka menggunakan Pooled Least Square. 2. Jika (b signifikan namun (a) tidak signifikan maka menggunakan Random Effect Model. 3. Jika keduanya signifikan maka menggunakan Fixed Effect Model. 4.6 Pengujian Statistik Pengujian statistik berfungsi untuk mengetahui model dalam penelitian yang digunakan apakah sudah cukup baik atau belum dalam menjelaskan keragaman yang

7 terdapat pada suatu permasalahan, terdapat beberapa kriteria pengujian statistik yaitu uji t, uji F, dan koefisien determinasi yang disesuaikan (R-Sq adj) Uji t Uji t merupakan suatu pengujian yang bertujuan untuk mengetahui apakah koefisien regresi signifikan atau tidak pada suatu taraf tertentu (taraf yang digunakan peneliti). Uji t dilakukan untuk melihat apakah variabel penjelas atau variabel bebas secara individu mempunyai pengaruh yang nyata (signifikan) atau tidak berpengaruh nyata (tidak signifikan) terhadap variabel tak bebas yang terdapat pada suatu model. Hipotesis H 0 : β i = 0 H 1 : β i 0 Uji Statistik t hitung = t tabel = tα(n-k) dimana : Sd(β i ) = Standar deviasi parameter untuk β i β i n k = koefisien ke-i yang diduga = jumlah pengamatan = jumlah parameter Kriteria Uji Apabila : t hitung > t tabel, maka tolak H 0 Kesimpulan t hitung < t tabel, maka terima H 0

8 Jika tolak hipotesis H 0 berarti variabel bebas yang diuji pada model tersebut berpengaruh nyata terhadap variabel tak bebasnya. Sebaliknya apabila terima H 0 berarti variabel bebas yang diuji pada model tidak memiliki pengaruh yang signifikan terhadap variabel tak bebasnya Uji F Pengujian ini dilakukan untuk mengetahui apakah variabel penjelas secara bersama-sama (simultan) berpengaruh nyata atau tidak berpengaruh nyata terhadap variabel tak bebas (Nachrowi dan Usman, 2006). Hipotesis H 0 : β 1 = β 2 = β 3 = β 4 = β 5 = 0 H 1 : minimal ada satu slope yang tidak sama dengan nol Uji Statistik Fhitung = dimana : e2 = jumlah kuadrat regresi (1-e2) = jumlah kuadrat sisa n k = jumlah sampel = jumlah parameter Kriteria Uji Apabila : F hitung > F tabel, maka tolak H 0 F hitung < F tabel, maka terima H 0 Kesimpulan Jika tolak hipotesis H 0 berarti terdapat minimal satu slope yang nilainya tidak sama dengan 0. Hal ini menunjukkan bahwa variabel-variabel bebas yang diuji pada

9 model tersebut secara simultan berpengaruh nyata terhadap variabel tak bebasnya. Sebaliknya apabila terima H 0 berarti seluruh slope bernilai 0 sehingga variabel bebas yang diuji pada model secara bersama-sama tidak memiliki pengaruh yang nyata terhadap variabel tak bebasnya Koefisien Determinasi (R 2 ) Koefisien determinasi (R 2 ) 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, nilai koefisien determinasi berkisar antara nol hingga satu (0<R 2 <1) dimana semakin besar nilai koefisiennya atau mendekati satu maka model yang dibentuk dapat menjelaskan keragaman dari variabel dependen (model semakin baik), begitu 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 2 ) dapat dilihat di bawah ini : R 2 = Dimana : RSS : Jumlah kuadrat regresi (Residual Sum Square) TSS : Jumlah Kuadrat Total (Total Sum Square) Selain itu ada pengukuran R 2 yang lain yaitu R 2 adjusted yang merupakan nilai R 2 yang telah disesuaikan terhadap banyaknya variabel bebas dan banyaknya observasi. Rumus R 2 -adjusted adalah : R 2 -adj =1- Dimana : R 2 -adj : koefisien determinasi yang telah disesuaikan

10 k n : jumlah variabel bebas : jumlah observasi 4.7 Pengujian Asumsi Pengujian asumsi dilakukan agar model yang dihasilkan merupakan model yang efisien, konsisten, serta tidak dilakukan pelanggaran terhadap asumsi-asumsi mendasar seperti normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi. Jika terjadi pelanggaran terhadap asumsi-asumsi tersebut maka model menjadi tidak valid Uji Normalitas Salah satu pengujian yang dilakukan dalam persamaan regresi untuk menguji apakah nilai-nilai dari Y berdistribusi normal pada tiap nilai dari X adalah uji normalitas. Pengujian normalitas dapat dilakukan dengan metode yang digunakan untuk menguji kenormalan data adalah metode Kolmogorov Smirnov. Hipotesis : H 0 : Sebaran Normal H 1 : Sebaran Tidak Normal Uji Statistik D n = max (F e F 0 ) Dimana : D n = Nilai Kolmogorov Smirnov hitung F e = Frekuensi harapan F 0 = Frekuensi observasi Kriteria uji

11 KS hitung > KS tabel atau P value < 5%, maka tolak H 0 KS hitung < KS tabel atau P value > 5%, maka tolak H Uji Multikolinieritas Multikolinieritas adalah hubungan linier antara variabel-variabel bebas (independen) penyusun model dalam persamaan regresi berganda. Beberapa indikasi suatu model persamaan regresi mengandung multikolinieritas dapat dilihat pada hasil estimasi output pada eviews dimana dari nilai R 2 yang didapat tinggi (antara 0,7 dan 1) tetapi dalam output tersebut tidak terdapat atau sedikit sekali koefisien dugaan yang nyata pada taraf uji tertentu dan tanda koefisien dari regresi dugaan banyak yang tidak sesuai teori. Adapun beberapa cara untuk menghilangkan masalah kolinieritas dalam suatu model, diantaranya : 1. Menggunakan extraneous atau informasi sebelumnya 2. Mengkombinasikan data cross section dengan data time series 3. Meninggalkan variabel yang sangat berkorelasi 4. Mentransformasikan data 5. Mendapat tambahan atau data baru Uji Autokorelasi Autokorelasi mencerminkan adanya hubungan yang terjadi antara error masa lalu dengan error saat ini yang dapat menyebabkan parameter menjadi bias sehingga pendugaan parameter menjadi tidak efisien. 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 8. Kerangka Identifikasi Autokorelasi Nilai Durbin Watson Keterangan 4 dl < DW < 4 Tolak H 0, korelasi serial negatif

12 4 du < DW < 4 dl Hasil tidak dapat ditentukan 2 < DW < 4 du Terima H 0, tidak ada korelasi serial du < DW < 2 dl < DW < du Terima H 0 tidak ada korelasi serial Hasil tidak dapat ditentukan 0 < DW < dl Tolak H 0, korelasi serial positif Sumber : Gujarati (2004) Korelasi serial terjadi apabila error dari periode waktu yang berbeda saling berkorelasi. Untuk mendeteksi hal ini yaitu dengan melihat pola random error dari hasil regresi. Dalam pendekatan fixed effect tidak mensyaratkan persamaan terbebas dari masalah autokorelasi sehinga asumsi adanya autokorelasi dapat diabaikan Uji Heteroskedastisitas Salah satu asumsi dari model persamaan regresi adalah bahwa ragam sisaan (ε t ) sama atau homogen, asumsi ini disebut homoskedastisitas. Sedangkan jika ragam sisaan tidak konstan atau berubah-ubah maka hal tersebut dinamakan heteroskedastisitas. Adanya heteroskedastisitas dalam hasil olahan data panel dapat dilakukan dengan melihat grafik plot residual. Apabila titik-titik pada grafik tersebut tersebar di atas dan di bawah 0 serta tidak menunjukkan adanya pola tertentu maka dapat disimpulkan bahwa model tersebut terbebas dari adanya heteroskedastisitas. Heteroskedastisitas juga dapat dideteksi dengan melihat nilai sum square residual nya apabila model menggunakan metode Generalize Least Square dan pembobotan. Apabila nilai sum square residual pada weighted statistic lebih kecil daripada nilai sum square residual pada unweighted statistic nya maka dapat disimpulkan bahwa terdapat heteroskedastisitas pada model tersebut. 4.8 Nilai Potensial Perdagangan Nilai potensial perdagangan (PP) pada penelitian kali ini merupakan rasio antara nilai aktual perdagangan dengan nilai prediksi dari perdagangan komoditas kepiting antara Indonesia dengan ketujuh mitra dagangnya. Penghitungan nilai potensial perdagangan dapat dijelaskan sebagai berikut: PP

13 Dimana : PP : Nilai Potensial Perdagangan A : Nilai Aktual Perdagangan P : Nilai Prediksi Perdagangan Adapun nilai A dan P pada persamaan di atas diperoleh dari hasil pengolahan gravity model. Pada software eviews 7, nilai A dan P diperoleh dengan melihat actual, fitted, residual table (Lampiran 11). Nilai A merupakan nilai actual per negara pada akhir periode time series (tahun 2010) pada tabel tersebut, sedangkan Nilai P adalah nilai fitted tahun 2010 per negara/cross section pada tabel tersebut. Setelah dimasukkan ke dalam persamaan di atas, maka dapat dilakukan interpretasi sesuai dengan keterangan berikut : PP > 1 PP < 1 telah terjadi kelebihan perdagangan atau over trade dengan negara tersebut masih terdapat kekurangan perdagangan atau under trade dengan negara tersebut Apabila nilai potensial perdagangan yang diperoleh lebih besar daripada 1, maka dapat disimpulkan bahwa perdagangan antara negara pengimpor dan pengekspor tersebut telah melebihi potensi pasarnya (over trade). Terjadinya Over trade menandakan bahwa pasar di negara tersebut telah jenuh dan akan mengakibatkan kecenderungan negara pengimpor untuk mengurangi volume perdagangan dengan negara pengekspor tersebut. Sebaliknya apabila nilai potensial perdagangannya kurang dari 1, maka dapat disimpulkan bahwa perdagangan antar negara pengimpor dan pengekspor tersebut masih kurang dari potensi pasarnya (under trade) dan negara pengimpor akan cenderung untuk menambah volume perdagangannya dengan negara mitra dagangnya tersebut. 4.9 Definisi Operasional 1. Volume permintaan ekspor kepiting Indonesia di negara tujuan ekspor yang menjadi variabel tak bebas dalam model merupakan total permintaan ekspor

14 kepiting Indonesia di negara tujuan ekspor yang dinyatakan dalam satuan kilogram (Kg). 2. Gross Domestic Product (GDP) Negara asal ekspor yang digunakan dalam penelitian ini merupakan GDP per kapita dari Negara Indonesia yang dinyatakan dalam satuan Dollar Amerika (US$). 3. Gross Domestic Product (GDP) Negara tujuan yang digunakan dalam penelitian ini merupakan GDP per kapita masing-masing negara tujuan ekspor kepiting Indonesia yang dinyatakan dalam satuan Dollar Amerika (US$). 4. Harga ekspor merupakan harga yang digunakan dalam transaksi perdagangan internasional. Harga ekspor dinyatakan dalam satuan Dollar Amerika per kilogram (US$/kg). 5. Jarak antara negara Indonesia dengan negara tujuan ekspor kepiting Indonesia didefinisikan sebagai jarak antara pelabuhan terbesar di negara Indonesia dengan pelabuhan terbesar di negara tujuan ekspor dan dinyatakan dalam satuan kilometer (Km). Jarak merupakan proksi bagi biaya transportasi. 6. Nilai tukar yang digunakan adalah nilai tukar negara tujuan tujuan ekspor terhadap negara asal ekspor yang dinyatakan dalam satuan Importer s Currency/Rupiah.