BAB III METODE PENELITIAN

Transkripsi

1 BAB III METODE PENELITIAN A. Lokasi Penelitian Penelitian ini dilakukan di Negara Indonesia dari tahun 1985 sampai tahun Penentuan judul penelitian didasarkan pada pertumbuhan produksi beras Negara Indonesia yang tinggi dan konsumsi masyarakat Indonesia terhadap beras yang cenderung menurun. B. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini merupakan penelitian deskriptif kuantitatif, yaitu pencarian fakta dengan menggambarkan data yang telah ada. C. Penentuan Populasi dan Sampel Pengambilan sampel dilakukan pada negara-negara yang digunakan sebagai pembanding yaitu dengan menggunakan teknik purposive sampling. Menurut Sugiyono (2003:74-78) Purposive Sampling adalah cara pengambilan sampel dengan menetapkan ciri yang sesuai dengan tujuan. Menurut Outlook Padi (2015:46) negara penghasil beras dilihat dari luas panennya, dan terdapat sepuluh negara dengan kontribusi sebesar 83,58% atau rata-rata total luas panen padi mencapai 135,38 juta hektar. Dari kesepuluh negara tersebut yang sesuai dengan kebutuhan dalam penelitian ini yaitu, menggunakan data time series selama tiga 20

2 21 puluh tahun hanyalah lima negara. Kelima negara tersebut yaitu China, India, Thailand, Brazil, dan Jepang. D. Definisi Operasional Variabel Dalam penelitian ini terdapat enam variabel yang digunakan, adapun definisi operasional dari ke-enam variabel agar dapat dipahami sesuai dengan tujuan penelitian yaitu: 1. Variabel Dependen (Variabel Terikat) Variabel dependen adalah variabel yang dipengaruhi oleh variabel independen. Variabel dependen yang digunakan dalam penelitian ini adalah Volume Ekspor Beras Indonesia. Dimana data volume ekspor beras disajikan dalam bentuk time series atau tahunan dari tahun 1985 sampai tahun 2014, dinyatakan dalam satuan ton yang diperoleh dari Badan Pusat Statistik Indonesia. 2. Variabel Independen (Variabel Bebas) Variabel independen adalah variabel yang mempengaruhi variabel dependen. Variabel independen yang digunakan dalam penelitian ini diantaranya Produksi Beras Domestik (X1), Konsumsi Beras Domestik (X2), dan Harga Beras Dunia (X3) Produksi Beras Domestik (X1), adalah jumlah total produksi komoditi beras dalam negeri di Indonesia setiap tahunnya dalam satuan ton. Konsumsi Beras Domestik (X2), adalah jumlah konsumsi komoditi beras dalam negeri di Indonesia setiap tahunnya dalam satuan ton. Dan Harga Beras Dunia (X3) adalah rata-rata harga komoditi beras di dunia tiap tahunnya dalam satuan US

3 22 dollar per ton. Semua variabel independen tersebut diperoleh dari Badan pusat Statistk Indonesia, disajikan dari tahun 1985 sampai tahun E. Jenis dan Sumber Data Jenis data dalam penelitian ini adalah data sekunder yang bersifat kuantitatif, yaitu data yang diperoleh dari pihak lain baik yang sudah diolah maupun yang masih perlu diolah kembali. Data ini diperoleh dari buku-buku literature, jurnaljurnal ekonomi, Statistik Indonesia terbitan Badan Pusat Statistik (BPS), Outlook Padi terbitan Kementrian Pertanian RI dan situs internasional seperti World Bank maupun Factfish. Data yang digunakan dalam penelitian ini yaitu data time series atau runtut waktu dari tahun 1985 sampai tahun F. Teknik Pengumpulan data Metode pengumpulan data dalam penelitian ini dilakukan melalui studi pustaka (library research) dan dokumentasi. Studi pustaka dilakukan dengan mempelajari literatur-literatur yang berhubungan dengan permasalahan yang sedang diteliti dan buku yang berkaitan dengan topik penelitian. Teknik dokumentasi dilakukan dengan menelusuri dan mendokumentasikan data-data dan informasi yang berkaitan dengan objek studi. G. Teknik Analisa Data Teknik analisa data yang digunakan oleh penulis untuk mencapai tujuantujuan dari penelitian ini yaitu menggunakan Indeks Spesialisasi Pasar (ISP), Revealed Comparative Advantage (RCA), dan Analisis Regresi Berganda. 1. Indeks Spesialisasi Pasar

4 23 Indeks Spesialisasi Pasar (ISP) digunakan untuk mencapai tujuan penulis yang pertama yaitu untuk mengetahui dan menganalisis potensi pasar Indonesia apakah sebagai pengekspor atau pengimpor komoditi beras bagi dunia. ISP dapat dihitung dengan rumus sebagai berikut: ISP = (X ia M ia ) (X ia +M ia ) (Ragimun, 2013) Dimana: X M i a = nilai ekspor = nilai impor = barang jenis i = barang Negara Indeks spesialisasi pasar digunakan untuk menganalisis posisi atau tahapan perkembangan suatu produk. ISP dapat menggambarkan apakah untuk suatu jenis produk, Indonesia cenderung menjadi Negara eksportir atau importir atas suatu jenis produk (Ragimun, 2013). Nilai indeks ini bernilai antara -1 sampai dengan +1. Jika nilainya positif diatas 0 sampai dengan 1, maka komoditi bersangkutan dikatakan mempunyai daya saing dengan komoditi dari Negara lain atau Negara yang bersangkutan berpotensi sebagai pengekspor komoditi tersebut. Sebaliknya, suatu Negara memiliki daya saing yang rendah atau dikatakan sebagai pengimpor suatu komoditi jika nilai indeks berkisar dibawah 0 sampai Revelead Comparative Advantage Revelead Comparative Advantage juga digunakan untuk mencapai tujuan penelitian yang pertama yaitu utnuk menghitung keunggulan

5 24 komparatif dalam menentukan daya saing suatu komoditi. RCA pertama kali diperkenalkan oleh Bela Balassa, awalnya ia mengajukan postulasi tentang perdagangan internasional yang didasarkan pada raso ekspor impor. Namun metode ini memiliki dua kelemahan. Pertama, campur tangan pemerintah dan distorsi pasar cenderung membuat rasio ekspor impor menjadi bias untuk mengukur keunggulan komparatif suatu komoditas. Kedua, pengukuran keunggulan komparatif dengan rasio ekspor impor memang dapat menggambarkan pola perdagangan tapi tidak mampu mencerminkan apakah pola tersebut merupakan pola yang optimal, seperti yang dikemukakan oleh Donges dan Riedel (1997) (Basri, Faisal. 2010:41). Nilai RCA dapat dihitung dengan rumus sebagai berikut: Dimana: C = X ij/ X j X iw /X w (1) C X ij X j X iw X w = Angka RCA = Nilai ekspor komoditas i negara j = Nilai ekspor total negara j = Nilai ekspor komoditas i dunia = Nilai ekspor total dunia Persamaan (1) dapat diubah untuk menunjukkan indeks RCA mengacu pada pangsa dunia relative. Pangsa Negara j untuk komoditas i dinormalisasikan oleh pangsa Negara j dalam ekspor total dunia sehingga menjadi sebagai berikut:

6 25 C = X ij/ X iw X j /X w (2) Nilai indeks yang lebih besar dari satu (C > 1) menunjukkan bahwa pangsa komodiats i dalam ekspor total negar j lebih besar dari pangsa ratarata dari komoditas i dalam ekspor semua Negara di dunia. Yang artinya, Negara j relative lebih berspesialisasi dan daya saingnya kuat di komoditas tersebut. dan begitu pula sebaliknya. Sekalipun memiliki kelemahan tersebut, akan tetapi berbagai penelitian telah menggunakan metode ini dengan hasil yang cukup memuaskan. (Basri, Faisal. 2010:43). 3. Analisis Regresi Berganda Sedangkan untuk mencapai tujuan penelitian yang kedua, digunakan model regresi dengan membuat hubungan antara satu variabel terikat dengan beberapa variabel bebas yang disebut model regresi berganda, adapun model analisisnya sebagai berikut: Y= β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + u i Dimana: Y β 0 β j X 1 X 2 : Volume ekspor beras (ton) : intersep : Parameter/ Koefisien regresi dari variabel independen ke j (j=1,2,..,p) : Produksi Beras domestic (ton) : Konsumsi Beras domestic (ton)

7 26 X 3 u i : Harga Beras Dunia (US$/ ton) : Nilai gangguan/ error dari observasi ke-i 4. Uji Asumsi Klasik a. Uji Normalitas Salah satu asumsi model regresi linier klasik (CLRM) adalah error/ residual harus berdistribusi normal. Normalitas error dapat diuji menggunakan uji Jarque Bera dengan statistik uji yaitu : JB = n[ S2 6 (K 3)2 + ] 24 Dimana: n = jumlah pengamatan S = koefisien skewness K = koefisien kurtosis Hipotesis yang diuji H0 : error berdistribusi normal H1 : error tidak berdistribusi normal Keputusan H0 ditolak jika p-value statistik uji Jarque Bera tidak signifikan (p-value < α 0,05) atau H0 diterima jika p-value statistik uji Jarque Bera signifikan (p-value > α 0,05). b. Uji Multikolinieritas

8 27 Multikolinieritas adalah kondisi dimana terjadi hubungan linier (korelasi) antar variabel-variabel independen. Ada dua jenis multikolinieritas, yaitu multikoinieritas sempurna dan tidak sempurna. Multikolinierita sempurna terjadi apabila suatu variabel independen dapat dinyatakan sebagai fungsi atau kombinasi linier dari variabel independen lainya. Multikolinieritas tidak sempurna terjadi apabila tidak terjadi hubungan linier tak sempurna antar variabel independen. Untuk mendeteksi multikoinieritas, dapat dilakukan Uji Korelasi Pearson atau Uji Variance Inflations Factors (VIF). Uji korelasi pearson yaitu menghitung koefisien korelasi pearson antar variabel independen, misalnya korelasi antar variabel X1 dan X2 yang dihitung dengan rumus n xx 1i 2i 2 i1 12 n n 2 2 x1i x2i i1 i1 r 2 Dapat menunjukkan adanya multikolinieritas serius jika r Sedangkan uji VIF dan tolerance dihitung berdasarkan nilai koefisien determinasi regresi auxiliary ( 2 R j ) yaitu 1 VIF R 2 1 j j=1,2,...,p

9 28 Dan yang bisa digunakan sebagai acuan adalah jika VIF > 10, maka terdeteksi adanya multikolinieritas. c. Uji Heteroskedastisitas Heteroskedastisitas adalah kondisi dimana varians gangguan atau error dari model regresi bersifat tidak konstan. Heteroskedastisitas adalah penyebaran yang tidak sama sehingga uji signifikansi tidak valid (Gujarati, 2006). Tujuannya untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan lain. Masalah heteroskedastisitas dapat dideteksi dengan beberapa uji seperti Uji Breush Pagan, Uji White, Uji Goldfeldm Uji Harvey, dan Uji Glejser. Penelitian ini menggunakan Uji Glejser untuk mendeteksi adanya heteroskedastisitas. Formulasi hipotesa yang digunakan yaitu: H 0 = a 1 = a 2 = = a p, tidak ada hubungan antar variabel independen dan residual. H 1 = paling sedikit satu a j 0, terdapat hubungan paling sedikit satu antara variabel independen dengan residual. Dengan ketentuan H 0 ditolak jika Probability Chi Square < α sebesar 0,05 atau 5%. d. Uji Autokorelasi Autokorelasi didefinisikan sebagai adanya korelasi antar satu pengamatan dengan pengamatan lainya tapi masih dalam satu variabel yang

10 29 sama. Dalam kaitanya dengan OLS, autokorelasi merupakan korelasi antar error dari satu pengamatan dengan error dari pengamatan lain. Autokorelasi sering terjadi pada data time series dan juga dapat terjadi akibat bias spesifikasi (tidak memasukkan variabel independen tertentu dan/atau akibat kesalahan model fungsional). Untuk mendeteksi adanya utokorelasi dapat menggunakan Uji Durbin Watson atau Uji LM Breusch Godfrey. Uji Durbin Watson merupakan uji yang paling sering digunakan. Dua titik kritis dalam Uji Durbin Watson yaitu Upper Critical Value (du) dan Lower Critical Value (dl), dengan kriteria deteksi uji menggunakan uji durbin Watson yaitu: d < dl atau d > 4-dl du < d < 4-du : H 0 ditolak, korelasi positif : Gagal tolak H 0, tidak ada autokorelasi dl < d< du atau 4-dU< d< 4-dL : tidak menghasilkan hasil yang akurat (inconclusive). 5. Uji Hipotesis a. Uji Signifikansi Individual (Uji Statistic t) Uji statistic t pada dasarnya menunjukkan seberapa jauh pengaruh satu variable penjelas secara individual dalam menerangkan variasi variable terikat. Dengan hipotesis: H0 = b j = 0, H1 = b j 0,

11 30 Dengan ketentuan : H0 ditolak, jika t hitung > dari t tabel atau Probability t-statistic < α. Maka terdapat pengaruh yang signifikan dan positif antar variabel independen secara parsial terhadap variabel dependen. H0 diterima, jika t hitung < dari t tabel atau probability t-statistic > α. Maka tidak terdapat pengaruh yang signifikan antar variabel independen secara parsial terhadap variabel dependen. b. Uji Signifikansi Simultan (Uji Statistik F) Uji statistic F pada dasarnya menguji apakah semua variabel bebas (independen) yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variable terikat (dependen). Dengan hipotesis: H0 : b 1 = b 2 =b 3 = 0 H1: ada minimal satu b j 0 (j=1,2,3) Dengan ketentuan: H0 ditolak jika, F hitung < F tabel maka artinya besar variabel independen secara bersama-sama tidak mempengaruhi variabel dependen. H1 diterima jika, F hitung > F tabel maka artinya minimal ada satu diantara variabel independen yang mempengaruhi variabel dependen. c. Koefisien Determinasi (R 2 )

12 31 Koefisien determinasi R 2 pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. Namun tidak dapat dipungkiri ada kalanya dalam penggunaan koefisien determinasi terjadi bias terhadap satu variabel independen yang dimasukkan dalam model. Formula menghitung koefisien determinasi adalah: R 2 = TSS SSE TSS = SSR TSS Persamaan tersebut menunjukkan proporsi total jumlah kuadrat (TSS) yang diterangkan oleh variabel independen dalam model. Sisanya dijelaskan oleh variabel lain yang tidak dimasukkan dalam model, model yang keliru dan kesalahan eksperimental (Kuncoro, Mudrajat. 2003). Dengan ketentuan apabila nilai R 2 mendekati nol, berarti terdapat hubungan yang terbatas atau kecil antara variabel dependen dan variabel independen. Bila nilai R 2 mendekati 1, berarti ada hubungan yang kuat dan erat antara variabel dependen dan variabel independen.