37 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data deret waktu mulai dari tahun 2001-2010. Penelitian dilakukan dengan pengambilan data pada instansi pemerintah yang memiliki dokumentasi data mengenai kegiatan ekspor rumput laut Indonesia seperti Badan Pusat Statistik (BPS), Departemen Perikanan dan Kelautan (DKP) RI, FAO (Food and Agriculture Organization), UN Comtrade (United Nations Commodity of Trade), FED (Federal Reserved), Bank Dunia (World Bank), dan sumber lain yang terkait dengan objek penelitian. 3.2. Metode Pengolahan Data Pengolahan data dilakukan secara bertahap melalui pengumpulan data, pengarakteristikan data, dan kemudian penabelan. Pengolahan data dilakukan dengan menggunakan program komputer yang bernama Eviews. Analisis kuantitatif dilakukan untuk mengintepretasikan hasil pengolahan data menggunakan program computer guna menjelaskan faktor faktor yang berpengaruh terhadap permintaan ekspor rumput laut. Analisis deskriptif dilakukan untuk merumuskan suatu kebijakan yang tepat setelah melihat faktorfaktor yang berpengaruh terhadap permintaan ekspor rumput laut. Berdasarkan studi literatur sebelumnya, faktor-faktor yang diduga secara signifikan berpengaruh nyata terhadap daya saing ekspor rumput laut
38 Indonesia kemudian dirumuskan kedalam model persamaan regresi untuk data panel sebagai berikut LnXRLit = β0 + β1lnxrlit-1 + β2lnpxit + β3lnntit + β4lngdpit + β5lnpopit + μit..... (3.1) dimana : XRL it β1 = permintaan ekspor rumput laut ke negara i pada tahun ke-t = intersep Βi = parameter yang menunjukkan respon volume terhadap perubahan variabel independen (i = 1, 2, 3,..., n), atau slope XRLit- 1 = volume ekspor rumput laut Indonesia ke negara I pada tahun ket- 1 (kg) Px it = harga ekspor rumput laut Indonesia ke negara i pada tahun ke-t (kg/us$) NT it = nilai tukar mata uang domestik terhadap US$ negara i pada tahun ke-t (mata uang negara pengimpor/us$) GDP it = pendapatan per kapita negara tujuan ekspor i dan tahun ke (US$) POP it μ it = populasi penduduk negara i pada tahun ke-t (orang) = koefisien galat (error term) 3.3 Panel Data Panel data adalah bentuk data yang merupakan gabungan dari data time series dan cross section. Dalam sebuah penelitian terkadang ditemukan suatu persoalna mengenai ketersediaan data (data availability) untuk mewakili variabel yang kita gunakan dalam penelitian. Misalnya terkadang ditemukan adanya
39 bentuk data dalam series yang tidak dapat dilakukan berkaitan dengan persyaratan jumlah data yang terbatas. Namun jika ditemukan bentuk data yang dengan jumlah unit cross section yang terbatas pula, sehingga akan sulit untuk melakukan proses pengolahan data cross section untuk mendapatkan informasi perilaku dari model yang akan diteliti. Dalam teori ekonometrika, kedua kondisi tersebut salah satunya dapat diatasi dengan menggunakan data panel (pooled data) agar dapat diperoleh hasil estimasi yang lebih baik (efisien) dengan terjadinya peningkatan jumlah observasi yang berimplikasi terhadap peningkatan derajat kebebasan (degree of freedom). Berdasarkan Juanda (2009) terdapat beberapa keuntungan menggunakan data panel dalam model regresi dibandingkan dengan hanya data time series atau hanya cross section, yaitu: 1. Data panel akan memberikan informasi yang lebih lengkap, lebih beragan, kurang berkorelasi antar variabel, derajat bebas lebih besar dan lebih efisien. 2. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibandingkan dengan studi berulang dari cross section. 3. Membantu studi untuk menganalisis perilaku yang lebih kompleks, misalnya fenomena skala ekonomi dan perubahan teknologi. 4. Dapat meminimumkan bias yang dihasilkan oleh agregasi individu atau perusaaan karena unit data lebih banyak. Dalam analisa model data panel dikenal dengan tiga macam pendekatan yang terdiri dari pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect), dan pendekatan efek acak (random effect).
40 3.3.1. Pooled Least Square Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa ditetapkan dalam data yang berbentuk pool. Misalkan terdapat persamaan berikut ini: Y it = α + X j it β j + ε i.... (3.2) untuk i = 1, 2,..., N dan t = 1, 2,.., T Dimana N adalah jumlah unit cross section (individu) dan T adalah jumlah periode waktunya. Dengan asumsi komponen error dalam pengolahan metode 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 + X j it β j + ε i (3.3) untuk i = 1, 2,..., N Pada akhirnya akan berimplikasi diperolehnya persamaan sebanyak T persamaan yang sama. Begitu juga sebaliknya, kita juga akan memperoleh persamaan deret waktu (time series) sebanyak N persamaan untuk setiap T observasi. Namun, untuk mendapatkan parameter α dan β yang konstan dan efisien, akan dapat diperoleh dalam bentuk regresi yang lebih besar dengan melibatkan sebanyak NT observasi. 3.3.2. Fixed Effect Model Kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut adalah asumsi intersep dan slop dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Generalisasi secara umum sering dilakukan dengan memasukkan variabel dummy
41 untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda baik lintas unit cross section maupun antar waktu. Pendekatan dengan memasukkan variabel dummy dikenal dengan sebutan model efek tetap (fixed effect) atau Least Square Dummy Variabel (LSDV) atau disebut juga Covariance Model. Pendekatan tersebut dapat ditulis dalam persamaan berikut: Y it = α i x j it β j ε it Σ a i D i e it... (3.4) Dimana: Y it α i x j it β j β j ε it = variabel terikat di waktu t untuk unit cross section i = intercept yang berubah-ubah antar cross section unit = variabel bebas j di waktu t untuk unit cross section i = parameter untk variabel ke j = komponen error di waktu t untuk unit cross section i Kita telah menambahkan sebanyak (N-1) variabel dummy (Di) ke dalam model dan menghilangkan satu sisanya untuk menghindari kolinieritas sempurna antar variabel penjelas. Dengan menggunakan pendekatan ini akan terjadi degree of freedom sebesar NT N K. Keputusan memasukkan variabel boneka ini harus didasarkan pada pertimbangan statistik. Tidak dapat dipungkiri dengan melakukan penambahan variabel dummy ini akan sangat mengurangi banyaknya degree of freedom yang pada akhirnya akan memengaruhi koefisien dari parameter yang diestimasi. Pertimbangan pemilihan pendekatan yang digunakan dapat dilakukan dengan menggunakan F statistic yang berusaha membandingkan antara nilai jumlah kuadrat terkecil dari error dari proses pendugaan dengan menggunakan
42 metode kuadrat terkecil dan efek tetap yang telah memasukkan variabel dummy. Perhitungannya adalah sebagai berikut: / F statistik =.. (3.5) / dimana: RSSS = Restricted Residual Sum Square (Sum Square Residual Pooled OLS) URSS = Unrestricted Residual Sum Square (Sum Square Residual Fixed Effect) N T K = Jumlah data cross section = Jumlah data time series = Jumlah variabel penjelas 3.3.3. Random Effect Model Keputusan untuk memasukkan variabel dummy dalam model efek tetap tidak dapat dipungkiri akan menimbukan konsekuensi (trade off). Penambahan variabel dummy akan mengurangi banyaknya derajat kebebasan, yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Berkaitan dengan hal ini, dalam model data panel dikenal dengan pendekatan efek acak (random effect). Dalam model efek acak, parameter-parameter yang berbeda antar daerah maupun antar waktu dimasukkan ke dalam error karena hal ini model efek acak sering juga disebut model komponen error (error component model). Bentuk model efek acak ini dijelaskan pada persamaan berikut ini: Y it = α + X j it β j ε it... (3.6) ε it = U i + V t + W it.. (3.7) dimana: U i ~ N(0,δ 2 u ) = komponen cross section error
43 V t ~ N(0,δ 2 u ) = komponen time series error W it ~ N(0,δ 2 u ) = komponen error kombinasi Kita juga mengasumsikan bahwa error secara individu juga tidak saling berkorelasi, begitu juga dengan error kombinasinya. Dengan menggunakan model efek acak ini, maka kita dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya. Seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien. Keputusan penggunaan model efek tetap ataupun efek acak ditentukan dengan menggunakan spesifikasi yang dikembangkan oleh Haussman Test. Spesifikasi ini akan memberikan penilaian dengan menggunakan nilai Chi Square Statistik sehingga keputusan pemilihan model akan dapat ditentukan secara statistik. Namun, disamping dengan menggunakan test statistika terdapat beberapa pertimbangan untuk memilih apakah akan menggunakan fixed effect atau random effect. Apabila diasumsikan bahwa εit dan variabel bebas x berkorelasi maka fixed effect lebih cocok untuk dipilih, sebaliknya apabila εit dan variabel bebas x tidak berkorelasi maka random effect yang lebih baik untuk dipilih. Beberapa pertimbangan yang dapat dijadikan panduan untuk memilih antara fixed effect atau random effect adalah: 1. Bila T (banyaknya unit time series ) besar sedangkan N (jumlah unit cross section) kecil maka hasil fixed effect dan random effect tidak jauh berbeda sehingga dapat dipilih pendekatan yang lebih mudah untuk dihitung yaitu fixed effect model. 2. Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan akan berbada jauh. Jadi, apabila kita meyakini bahwa unit cross section yang
44 kita pilih dalam penelitian diambil secara acak (random) maka random effect harus digunakan sebaliknya, apabila kita meyakini bahwa unit cross section yang kita pilih dalam penelitian tidak diambil secara acak (random), maka kita harus menggunakan fixed effect. 3. Apabila komponen eror individual (εit) berkorelasi dengan variabel bebas x maka parameter yang diperoleh dengan random effect akan bias sementara parameter yang diperoleh dengan fixed effect tidak bias. 4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari random effect dapat terpenuhi, maka random effect lebih efisien dibandingkan fixed effect. 2.4 Pengujian terhadap Model Penduga Pengolahan data panel dalam persamaan permintaan ekspor rumput laut yang dibangun menggunakan tiga pendekatan, yakni common effect atau pooled least square (PLS), fixed effect, dan random effect. Pemilihan model yang digunakan dalam penelitian ini perlu menggunakan beberapa pertimbangan statistik, hal ini ditujukan untuk memperoleh dugaan yang terbaik dan efisien. Secara umum, model terbaik dapat dilihat dari nilai R- square yang lebih tinggi dari ketiga model yang dihasilkan. Akan tetapi, disamping penilaian tersebut, juga dilakukan uji Chow untuk dapat menentukan model mana yang terbaik antara model Fixed Effect atau model Pooled OLS. Kemudian, dilakukan uji Hausman untuk menentukan model terbaik antara model Fixed Effect atau model Random Effect. 3.4.1 Chow Test Chow Test, pada beberapa buku dikenal dengan pengujian F,
45 dimana pengujian ini dilakukan untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect. Sebagaimana telah diketahui, bahwa terkadang asumsi bahwa setiap cross section memiliki perilaku yang samaa cenderung tidak realistis mengingat dimungkinkan setiap unit cross section seharusnya memiliki perilaku yang berbeda. Dalam pengujiann ini dilakukan dengann hipotesa sebagai berikut : H 0 H 1 : model Pooled Least Square : model Fixed Effect Dasar penolakan terhadap Hipotesa Nol (H 0 ) adalah dengan menggunakan F statistik seperti yang dirumuskan oleh Chow, dimana :. (3.8) Dimana : ES S 1 = Residual Sum Square hasil pendugaan model Pooled Least Square ES N T K S 2 = Residual Sum Square hasil pendugaan model Fixed Effect = Jumlah data cross-section = Jumlah data time-series = Jumlah variabel penjelas Statistik Chow Test mengikuti distribusi F-statistik dengan derajat bebas (N-1, NT-N-K). dari F-tabel, maka disimpulkan bahwaa tolak H 0 yang artinya Jika nilai CHOW statisticss (F-stat) hasil pengujian lebih besar bahwa model yang terbaik adalah model Fixed effect, dan begitu sebaliknya. Pengujiann ini disebut sebagai Chow Test karena kemiripannyaa dengan Chow test yang digunakan untuk menguji stabilitas parameter (stability test).
46 3.4.2 Hausman Test Hausman Test adalah pengujian statistik sebagai dasar pertimbangan untuk memilih model terbaik antara model Fixed Effect dengan model Random Effect. Seperti telah diketahui sebelumnya bahwa penggunaan model Fixed Effect mengandung suatu unsur trade-off, yaitu hilangnya derajat bebas dengan memasukkan variabel dummy. Namun, penggunaan metode Random Effect juga harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat. Oleh karena itu, kemudian dilakukan uji Hausman untuk dapat menentukan model terbaik dari kedua model tersebut. Hausman Test dilakukan dengan hipotesa sebagai berikut H 0 H 1 : model Random Effect : model Fixed Effect Sebagai dasar penolakan H 0, maka digunakan statistik Hausman dan membandingkannya dengan Chi-square. Statistik Hausman dirumuskan sebagai berikut : m = (β-b)(m 0 -M 1 ) -1 (β-b) ~x 2 (K).. (3.9) Dimana: β b M 0 : vektor untuk statistik variabel fixed effect : vektor untuk statistik variabel random effect : matriks kovarian untuk dugaan model fixed effect M 1 : matriks kovarian untuk dugaan model random effect
47 Jika nilai m hasil pengujian lebih besar dari x 2 -tabel, maka dapat disimpulkan tolah H 0, yang artinya model tarbaik yang digunakan adalah model Fixed Effect, dan begitu pula sebaliknya. Eviews sebagai salah satu software untuk aplikasi ekonomi cukup memiliki fungsi-fungsi yang dapat secara langsung melakukan uji Hausman, baik berupa panel tools ataupun diinput dari program akan memberikan hasil yang sama 3.5 Pengujian Model Pengujian model bertujuan untuk melihat nyata atau tidak pengaruh variabel yang dipilih terhadap variabel yang diteliti. Pengujian model dalam persamaan regresi data panel dapat menggunakan berbagai criteria, diantaranya: 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. Autokorelasi terdeteksi ketika terjadi hubungan serius antara galat estimasi satu observasi dengan galat 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
48 hipotesis menjadi tidak valid. Panduan mengenai angka DW (Durbin-Watson) untuk mendeteksi bisa dilihat pada Tabel DW. Tabel 3.1 Kerangka Identifikasi Autokorelasi Nilai DW 4-dl < DW < 4 4-dl < DW < 4-dl Hasil Tolak H 0, autokorelasi negative Hasil tidak dapat ditentukan 2 < DW < 4-du Terima H 0, tidak ada autokorelasi du < DW < 2 dl < DW < du Terima H 0, tidak ada autokorelasi Hasil tidak dapat ditentukan 0 < DW < dl Autokorelasi positif Sumber: Gujarati, 2004 b. 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 (Juanda, 2009): 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 cross-section weighted regression, metode yang digunakan Generalized Least Square (GLS).
49 a. Multikolinieritas Multikolinieritas adalah hubungan linier yang kuat antar variabel independen dalam persamaan regresi berganda. Menurut Juanda (2009), tandatanda adanya multikolinieritas adalah sebagai berikut : 1. Tanda koefisien tidak sesuai dengan yang diharapkan 2. Nilai R 2 tinggi, tetapi dalam uji individu banyak yang tidak nyata atau bahkan tidak nyata semua. 3. Matrix korelasi antar variabel tinggi (rij > 0,8) 4. R 2 < 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: H 0 : α = 0, error term terdistribusi normal H 1 : α 0, error term tidak terdistribusi normal Wilayah penerimaan (Jarque Bera < X 2 df -2 atau probabilitas (p-value) > α sedangkan wilayah penolakannya yaitu (Jarque Bera > X 2 df -2 atau probabiity (p-
50 value) < 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 H 0 mengindikasikan bahwa data yang dianalisis tersebar normal. 2. Kriteria Statistika Terdapat beberapa uji yang dapat digunakan untuk menentukan kesesuaian model regresi yang didapat secara statistik a. Uji T Nilai t-hitung digunakan untuk menguji apakah koefisien regresi dari masing-masing peubah bebas (Xi) berpengaruh nyata terhadap peubah tak bebas (Y). Langkah-langkah pengujian signifikansi dengan statistik uji-t adalah sebagai berikut : Hipotesis : H 0 : βi = 0 H 1 : βi 0 Statistik Uji t hitung ; (n-k-1, tα/2)... (3.10) dimana : βi S α n k = nilai koefisien regresi dugaan = standar deviasi untuk bi = taraf nyata = jumlah pengamatan = jumlah variabel dependent dalam model konstanta i = 1, 2, 3,, k
51 Kriteria Uji : Jika t-hit tα/2, maka terima H 0, artinya variabel independent yang diuji pada persaman tersebut tidak berpengaruh nyata terhadap variabel dependent. Tetapi, jika t-hit tα/2, makaa tolak H 0, artinya variabel yang diuji pada persaman tersebut berpengaruh nyata terhadap variabel dependent. b. Uji F Pengujiann variabel variabel dalam persamaan regresi sederhana menggunakan uji F bertujuan untuk menguji signifikansi model secara menyeluruh. Dengan demikian, apakah peubah bebas yang digunakan dalam persamaan data panel secara keseluruhan berpengaruh nyata atau tidak terhadap peubah tak bebas (Y). uji F adalah sebagai Langkah-langkah pengujian berikut: Hipotesis : H 0 : β 1 = β 2 = β k = 0 H 1 : minimal ada satu nilai βi yang tidak sama dengan nol Statistik Uji F : dimana :.. (3.11) R 2 α n k = koefisien determinasi = taraf nyata = jumlah pengamatan = jumlah variabel dependent dalam model tanpa konstanta i = 1, 2, 3,, k Kriteria Uji : F hitung > Fα (k k,n-k-1) maka a tolak H 0
52 F hitung < Fα (k,n-k-1) maka terima H 0 Jika keputusan yang diperoleh adalah tolak H 0, berarti secara keseluruhan peubah bebas yang berada dalam persamaan yang dibangun berpengaruh nyata terhadap pangsa pasar rumput laut Indonesia. Sebaliknya, jika keputusan yang diperoleh adalah terima H 0, berarti secaraa keseluruhan peubah bebas yang ada dalam model tidak berpengaruh nyata terhadap permintaan ekspor rumput laut Indonesia. c. Koefisien Determinasi Koefisien determinasi atau R 2 digunakan untuk mengukur keragaman variabel dependent yang dapat diterangkan oleh variabel independent. Semakin besar nilaii koefisien determinasi menunjukkan model yang semakin baik. Rumus R 2 adalah sebagai berikut : R 2 = =.. (3.12) Dalam praktekk ekonometrika, penggunaan nilai adj-r 2 lebih disarankan daripada penggunaann R 2 karenaa R 2 cenderung untuk memberikan gambaran yang terlalu baik terhadap hasil regresi. Hal inii terutama terjadi saat jumlah variabel bebas model cukup besar atau mendekati jumlah pengamatan (Gujarati,2004). 3.6 Elastisitas Untuk dapat melihat kepekaan suatu fungsi terhadap perubahan yang terjadi pada peubah yang memengaruhinya, dapat dilihat dari nilai elastisitasnya (Gujarati, 2003) ). Elastisitas merupakan ukuran persentase perubahan suatu variabel yang disebabkan oleh satu persen perubahan variabel lainnya. Nilai elastisitas dari persamaan pangsa pasar seperti : Y t = a 0 + b 1 X 1t + b 2 X 2t +... + b i X it + μ t...... (3.13)
53 Maka, nilai elastisitas jangka pendek diperoleh dari perhitungan sebagai berikut : E sr (Y t X i ) = b i *(X i /Ŷ t ). (3.14) dimana : E sr (Y t X i ) = elastisitas jangka pendek peubah terikat Yt terhadap peubah penjelas X 1, X 2,..., X i b i = koefisien dugaan peubah penjelas X i X i = rata-rata peubah penjelas X i Ŷ t = rata-rata peubah terikat Y t Kriteria Uji: 1. Apabila nilai elastisitas lebih besar dari satu (η > 1) dikatakan elastis (responsif), karena perubahan satu persen variabel independen mengakibatkan perubahan variabel dependen lebih dari satu persen. 2. Apabila nilai elastisitas antara nol dan satu (0< η <1 ) dikatakan inelastis (tidak responsif), karena perubahan satu persen variabel independen akan mengakibatkan perubahan variabel dependen kurang dari satu persen. 3. Apabila nilai elastisitasnya sama dengan nol (η = 0) dikatakan inelastis sempurna, karena perubahan satu persen variabel independen tidak membawa perubahan terhadap variabel dependen. 4. Apabila nilai elastisitas tak terhingga (η = ~) dikaatakan elastisitas sempurna, karena perubahan satu persen variabel independen menyebabkan perubahan yang tidak terbatas. 5. Apabila nilai elastisitas sama dengan satu (η=1) dikatakan unitary elastis.
54 3.7 Definisi Operasional Variabel dalam Model 1. Volume Ekspor Rumput Laut Indonesia Pada Tahun Sebelumnya Volume ekspor rumput laut pada tahun ke t-1 adalah volume ekspor rumput laut Indonesia ke negara tujuan pada tahun sebelumnya, baik yang berasal dari perikanan tangkap maupun budidaya perikanan dari kurun waktu 2001-2010 yang dinyatakan dalam ton. 2. Harga Ekspor Rumput Laut Indonesia di Negara Tujuan Harga ekspor rumput laut adalah harga yang diperoleh dari hasil pembagian antara nilai ekspor rumput laut Indonesia ke negara tujuan secara keseluruhan pada periode ke-t dengan volume ekspor rumput laut Indonesia ke negara tujuan pada periode yang sama. Dinyatakan dalam satuan US$/Kg. 3. Nilai Tukar Riil Nilai tukar mata uang negara tujuan ekspor terhadap US$ Amerika, dinyatakan dalam /US$. Hal ini karena dalam perdagangan internasional menggunakan mata uang US$. Rumus yang digunakan untuk mendapatkan nilai tukar riil mata uang domestik negara tujuan ekspor terhadap US$ Amerika adalah : Mata uang domestik/us$ Riil)t = $ X (Indeks Umum USA)t.. (3.15) 4. GDP Perkapita GDP Perkapita dalam penelitian ini adalah GDP perkapita negara tujuan ekspor rumput laut Indonesia pada tahun ke-t yang dinyatakan dalam US$.
55 5. Populasi Populasi pada tahun ke-t adalah jumlah penduduk negara tujuan ekspor pada tahun tertentu. Satuan yang digunakan adalah orang.