BAB III METODE PENELITIANeprints.umm.ac.id/35312/4/jiptummpp-gdl-yeninuraen-48008-4-babiii.pdf ·...
Transcript of BAB III METODE PENELITIANeprints.umm.ac.id/35312/4/jiptummpp-gdl-yeninuraen-48008-4-babiii.pdf ·...
25
BAB III
METODE PENELITIAN
A. Ruang Lingkup Penelitian
Ruang lingkup penelitian ini mengarah pada kinerja ekspor CPO di
Indonesia dengan menggunakan tiga pendekatan. Pendekatan pertama
menggunakan analisis RCA (Revealed Comparative Advantage), kedua analisis
CMS (Constant Market Share) dan yang ketiga menggunakan analisis ECM
(Error Correction Model).
B. Jenis Penelitian
Jenis penelitian tentang CPO ini merupakan penelitian berjenis
kuantitatif. Obyek penelitian ini menganalisis kinerja ekspor CPO dan
menganalisis jumlah ekspor CPO di Indonesia tahun 1985-2015.
C. Definisi Operasional Variabel
Tabel 3.1 Definisi Operasional
No Variabel Definisi Satuan
1.
Ekspor CPO
Indonesia
Ekspor CPO indonesia adalah nilai
ekspor CPO indonesia selama
periode 1985-2015
US/$
2.
Ekspor Seluruh
Komoditas di
Indonesia
Ekspor seluruh komoditas di
Indonesia adalah nilai ekspor seluruh
komoditas Indonesia selama periode
1985-2015
US/$
26
3. Ekspor CPO di
Dunia
Ekspor CPO di Dunia adalah nilai
ekspor komoditas CPO di Dunia
selama periode 1985-2015
US/$
4. Ekspor Seluruh
Komoditas di Dunia
Ekspor seluruh komoditas di dunia
adalah nilai ekspor seluruh
komoditas dunia selama periode
1985-2015
US/$
5. Ekspor CPO
Malaysia
Ekspor CPO Malaysia adalah nilai
ekspor CPO selama periode 1985-
2015
US/$
6.
Ekspor Seluruh
Komoditas di
Malaysia
Ekspor seluruh komoditas di
Malaysia adalah nilai ekspor seluruh
komoditas di dunia selama periode
1985-2015
US/$
7. Jumlah Ekspor CPO
Jumlah ekspor CPO adalah
banyaknya jumlah CPO di Indonesia
yang di ekspor ke pasar global
selama periode 1985-2015
Kg
8. Nilai Tukar
Nilai tukar terhadap dollar Amerika
merupakan perbandingan dari
perubahan mata uang Amerika
terhadap mata uang Indoesia
USD/Rp
9. Harga Internasional
Harga Internasional adalah harga
CPO di pasar internasional selama
periode 1985-2015
USD/Mt
10.
Konsumsi CPO di
China
Konsumsi CPO di China adalah
banyaknya CPO yang di konsumsi
daerah China selama periode 1985-
2015
1000 Mt
27
D. Jenis dan Sumber Data
Penelitian ini menggunakan data sekunder dalam bentuk deret waktu
(time series) tahunan dari tahun 1985 sampai tahun 2015. Data dalam penelitian
ini diperoleh dari BPS (Badan Pusat Statistik), UN Comtrade, Oil World,
Departemen Pertanian, Index Mundi, dan literatur lain yang berhubungan
dengan penelitian ini.
E. Teknik Pengumpulan Data
Teknik pengumpulan data dalam penelitian ini adalah Dokumentasi.
Dimana teknik dokumentasi ini merupakan pengumpulan data dengan cara
mencatat, di dokumentasikan dan dianalisa sesuai dengan tujuan peneliti yang
diperoleh dari lembaga atau instansi yang terkait.
F. Metode dan Analisis Data
Data dan informasi yang diperoleh dalam penelitian ini dianalisis melalui
metode deskriptif kuantitatif. Model kuantitatif ini menggunakan beberapa
pendekatan model yaitu RCA (Revealed Comparative Advantage), CMS
(Constant Market Share) dan ECM (Error Correction Model).
Proses pengolahan data yang dilakukan dengan menggunakan bantuan
program Microsoft Excel 2013 untuk model RCA (Revealid Comparative
Advantage), CMS (Constant Market Share), dan E-Views 9 untuk model ECM
(Error Correction Model).
G. Tahapan Analisis
1. Analisis RCA (Revealed Comparative Advantage)
2. Analisis CMS (Constant Market Share)
28
3. Analisis Deret Waktu (time series)
a. Uji Stasioneritas atau Uji Unit Root
b. Uji Kointegrasi
4. Error Correction Model
5. Uji Diagnostik
a. Autokorelasi
b. Heteroskedastisitas
c. Multikolinieritas
d. Uji Linieritas
H. Teknik Analisis Data
1. Analisis RCA
Analisis RCA (Revealed Comparative Advantage) ini untuk melihat
kinerja dan daya saing dari suatu komoditas yang mempunyai keunggulan
komparatif seperti komoditas perkebunan ini yaitu Minyak kelapa sawit.
RCA adalah indeks yang menyatakan keunggulan komparatif yang
merupakan perbandingan antara pangsa ekspor suatu komoditi dalam ekspor
total Negara tersebut dibandingkan dengan pasar ekspor komoditi yang sama
dalam total ekspor dunia (Tambunan, 2003).
Adapun rumus RCA ini adalah
𝑹𝑪𝑨 = 𝑿𝒊𝒌/𝑿𝒊
𝑿𝒘𝒌/𝑿𝒘
Dimana :
Xik = Nilai Ekspor produk CPO negara i
Xwk = Nilai Ekspor produk CPO dunia
29
Xi = Nilai Ekspor semua produk negara i
Xw = Nilai Ekspor semua produk dunia
Sementara untuk indeks RCA adalah perbandingan antara nilai RCA saat
ini dengan nilai RCA tahun sebelumya, sehingga rumusnya adalah sebagai
berikut:
Indeks RCA = RCAt / RCAt-1
Nilai dari indeks RCA menunjukkan pertumbuhan keunggulan
komparatif suatu komoditas pada setiap periode. Nilai indeks RCA berkisar
antara nol sampai tak hingga. Jika nilai indeks RCA > 1, berarti suatu Negara
memiliki keunggulan komparatif diatas rata-rata dunia sehingga komoditi
tersebut memiliki daya saing kuat. Apabila nilai indeks RCA < 1, berarti suatu
Negara memiliki keunggulan komparatif dibawah rata-rata dunia sehingga
suatu komoditi memiliki daya saing yang lemah.
2. Analisis CMS
CMS adalah metode yang digunakan untuk mendeposisikan
pertumbuhan eskpor suatu negara ke dalam determinan pertumbuhan ekspor
negara tersebut. Untuk menghitung pertumbuhan CPO dengan pertumbuhan
ekspor seluruh komoditas di Indonesia maupun di dunia menggunakan
pertumbuhan standar. Model ini dilatarbelakangi adanya kemungkinan bahwa
ekspor suatu negara dalam periode tertentu mengalami perubahan terhadap
dunia sebagai pertumbuhan standar.
30
Pertumbuhan Standar g = 𝐸(𝑡) − 𝐸(𝑡−1)
𝐸(𝑡−1)
Dimana :
E = Nilai Ekspor suatu produk ataupun seluruh komoditas ekspor di Indonesia
dan dunia setiap tahunnya.
Parameter pertumbuhan standar menunjukkan standar umum
pertumbuhan ekspor produk negara-negara di dunia. Jika pertumbuhan standar
ekspornya lebih tinggi mengindikasikan kinerja ekspor Indonesia lebih baik
begitu juga sebaliknya.
3. Analisis Deret Waktu (time series)
a. Uji Stasioneritas / Uji Unit Root
Pengujian stasionaritas data adalah hal yang penting dalam analisis data
urut waktu. Pengujian yang tidak memadai dapat menyebabkan pemodelan
yang tidak tepat sehingga hasil atau kesimpulan yang diberikan dapat bersifat
spurious (palsu) (Ariefianto, 2012:132).
Untuk mengukur stasioneritas data, ada beberapa cara yang dapat
dilakukan. Salah satu cara yang sering dipakai yaitu dengan menggunakan
Augmented Dickey Fuller (ADF) test atau uji akar-akar rumit. Pengujian unit
root Dickey-Fuller (1979) dilakukan dengan menghitung nilai statistic hitung
(statistic t) dari koefisien γ dan membandingkannya dengan nilai kritis. Nilai
kritis disini diperoleh bukan dari tabel distribusi t yang biasa digunakan dengan
derajat kebebasan: jumlah observasi (T) dan Level of significance (α) tertentu
melainkan tabel dari Dickey Fuller yang relevan. (Ariefianto, 2012:135).
31
Uji ADF terdiri atas estimasi pesamaan berikut ini :
∆𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 + ∑ 𝛼𝑖∆𝑌𝑡−1 + 휀𝑡𝑚𝑖=1 (3.1)
Dimana :
m = Selang yang terpilih
β1, β2, δ = Nilai yang diestimasi
εt = Error term
Hipotesis yang digunakan dalam pengujian ini adalah :
H0 : δ = 0, artinya data tidak stasioner (mengandung unit root).
H1 : δ< 0, artinya data stasioner (tidak mengandung unit root).
Kriteria pengujian untuk hipotesis di atas adalah:
1) H0 tidak ditolak jika t > nilai statistic DF (Dickey Fuller) atau
Probabilitas ADF value > critical value.
2) H0 ditulak jika t < nilai statistic DF (Dickey Fuller) atau probabilitas
ADF value < critical value.
b. Uji Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang (equilibrium) antara
variable-variabel yang tidak stasioner dan residual dan kombinasi linier tersebut
harus stasioner. Uji kointegrasi ini digunakan untuk memperoleh hubungan
jangka panjang antar variabel sehingga dapat digunakan dalam sebuah
persamaan.
Uji kointegrasi dalam penelitian ini menggunakan metode Engle-
Granger (EG) atau Augmented Engle-Granger (AEG). Fenomena kointegrasi
bukan suatu kejadian yang umum. Suatu kombinasi linier dari variable non-
32
stasionary adalah biasanya juga non-stasionary. Sedangkan kombinasi linier
variabel yang stasionary dan non-stasionary juga akan bersifat non-stasionary
dengan derajat integrasi terbesar yang ada pada kelompok variabel tersebut
(Brooks, 2002:387).
Persamaan yang digunakan adalah :
𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝛽𝑛𝑥𝑛 … … … + 𝑢 (3.2)
Atau
𝑢 = 𝑦 − 𝛽0 − 𝛽1𝑥1 − 𝛽2𝑥2 − 𝛽3𝑥3~ (3.3)
Kerangka pengujian dengan menggunakan nilai kritis yang baru ini
disebut uji Engle-Granger (EG). Struktur hipotesis pengujian dilakukan pada
model sebagai berikut :
∆�̂�𝑡 = 𝛾�̂�𝑡−1 + 휀𝑡 (3.4)
Dimana struktur hipotesisnya adalah :
𝐻0: 𝛾 = 0; �̂�𝑡~ 𝐼(1) (3.5)
𝐻1: 𝛾 < 0; �̂�𝑡~ 𝐼(0)
c. Pemilihan Model dan Model Koreksi Kesalahan (Error Correction
Model)
Pendekatan atau model kesalahan (Error Correction Model – ECM) telah
diterapkan secara luas dalam analisis ekonometrika untuk runtun waktu (time
series) sejak tahun 1960an. Hal ini disebabkan karena kemampuan yang
dimiliki oleh ECM dalam meliput lebih banyak variabel untuk menganalisis
fenomena ekonomi jangka pendek dan jangka panjang serta mengkaji konsisten
tidaknya model empirik dengan teori ekonometrika, dan juga dalam usaha
33
mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak
stasioner dan regresi lancing atau korelasi lancing dalam analisis ekonometrika
(Insukindro,1999).
Mekanisme Koreksi Error Correction Model (ECM) pertama kali
digunakan oleh Sargan dan kemudian dipopulerkan oleh Engle dan Granger,
yang mengoreksinya untuk keadaan ketidakseimbangan (disequilibrium). Teori
yang penting, yang diketahui sebagai teori Representasi Granger, menjelaskan
bahwa apabila dua variabel X dan Y adalah kointegrasi, hubungan antar
keduanya bisa dinyatakan sebagai ECM (Gujarati, 2012). Persamaan ECMnya
adalah :
∆𝑦 = 𝛽0 + 𝛽1∆𝑥𝑡 + 𝛽2∆𝑥𝑡 + 𝛽𝑛∆𝑥𝑡 … … … 𝑢𝑡−1 + 휀𝑡 (3.6)
𝑢𝑡 = 𝑦𝑡 − 𝑏𝑜 − 𝑏1𝑥𝑡 − 𝑏2𝑥𝑡 − ⋯ … … … 𝑏3𝑥𝑡 (3.7)
Dengan mendistribusikan persamaan 3.6 dengan 3.7 yaitu mengeluarkan
koefisien dalam u maka persamaan 3.6 dapat diubah menjadi :
∆𝑦𝑡 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝛽3𝑦𝑡−1+𝛽4𝑥𝑡−1 + 𝛽5𝑥𝑡−1+. . … … 𝛽𝑛𝑥𝑡−1 + 휀𝑡
Dimana:
𝛽0 = 𝑏0 (𝑦); 𝛽1 = 𝑏1; 𝛽2 = 𝑏2; 𝛽3 = 𝑦; 𝛽4 = −𝑏1(𝑦); 𝛽5 = −𝑏2(𝑦) … … 𝑛
Parameter 𝑏 menjelaskan pengaruh jangka pendek sedangkan parameter
𝛽 menjelaskan pengaruh jangka panjang. Untuk mengetahui apakah spesifikasi
model dengan ECM merupakan model yang valid maka dilakukan uji terhadap
koefisien Error Correction Term (ECT). Jika hasil pengujian terhadap koefisien
ECT signifikan, maka spesifikasi model yang diamati valid. Error Correction
34
Term (ECT) signifikan bila nilai mutlak koefisien ECT berkisar antara nol
hingga satu dan p-value ECT kurang dari α = 1%, 5%, 10% (Insukindro, 1999).
d. Uji Diagnostik
1) Autokorelasi
Autokorelasi menunjukkan sifat residual regresi yang tidak bebas dari
satu observasi ke observasi lainnya, atau secara formal, autokorelasi terjadi
pada serangkaian data deret waktu, dimana error term pada satu periode waktu
secara sistematik tergantung error term pada periode-periode waktu yang lain.
(Ariefianto, 2012).
𝐸 (𝑢𝑖 , 𝑢𝑗) ≠ 0, 𝑖 ≠ 𝑗 (3.8)
Dimana
ui = Disturbance pengamatan i
uj = Disturbance pengamatan j
Uji yang digunakan dalam mendeteksi apakah pada data yang diamati
terjadi autokorelasi atau tidak adalah uji Breusch-Godfrey Serial Correlation
LM..
Hipotesis untuk uji Breusch-Godfrey yakni :
H0 : Tidak ada autokorelasi.
H1 : Ada autokorelasi.
Kriteria pengujian untuk hipotesis di atas adalah sebagai berikut:
a) H0 tidak ditolak jika p-value Obs*R-Squared ≥ critical value.
b) H0 ditolak jika p-value Obs*R-Squared <critical value.
35
2) Heterokedastisitas
Heterokedastisitas adalah pelanggaran asumsi klasik karena adanya
hubungan antara variabel dengan error term dalam model. Adanya
heterokedastisitas dalam model menyebabkan estimator OLS tidak
menghasilkan estimator yang Best Linear Unbiased Estimator (BLUE). Untuk
mengetahui keberadaan heterokedastisitas dalam model maka dilakukan Uji
Arch :
𝑦𝑡 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2+. . . . +𝛽𝑝𝑋𝑝𝑡 + 𝑢𝑡 (3.9)
Adapun struktur hipotesis yang digunakan adalah
H0 : a1 = a2 = ....= ap
H1 : paling tidak satu aj ≠ 0 (3.10)
3) Multikolinieritas
Gujarati (2003), menyatakan bahwa Multikolinieritas adalah fonomena
sampling, kondisi dimana terjadi hubungan linier (korelasi) antar variabel-
variabel independen. Dalam penelitian ini penulis untuk melihat apakah suatu
model terjadi multikolinieritas atau tidak dengan menguji koefisien korelasi (r)
berpasangan yang tinggi diantara variabel-variabel penjelas.
Jika koefisien korelasi cukup tinggi katakanlah diatas 0.8 ada
kemungkinan bahwa terjadi kolinieritas cukup tinggi dalam model, sebaliknya
jika koefisien korelasi lebih rendah maka diduga model tidak mengandung
multikolinieritas.
36
4) Uji Linieritas
Uji linieritas dalam penelitian ini menggunakan uji Ramsey (Ramsey
Reset Test). Dimana uji ini dikembangkan oleh Ramsey pada tahun 1969. Uji
ini disebut dengan general test of spesification error atau lebih dikenal dengan
RESET, karena uji ini berkaitan dengan suatu masalah spesifikasi kesalahan
(Pamungkas, 2013).
Adapun hipotesis dalam uji linieritas ini adalah dengan membandingkan
F-statistic dengan F tabel (atau dengan membandingkan probabilitasnya).
a) Jika probabilitas F statistic > 0,05 maka hipotesis yang menyatakan
bahwa model linier adalah diterima.
b) Jika probabilitas F statistic < 0,05 maka hipotesis yang menyatakan
bahwa model linier adalah ditolak.