BAB III METODE PENELITIAN
3.6. Model Analisis
Metode analisis yang digunakan dalam penelitian ini adalah Two-Stage Least Square. Cara penaksiran ini digunakan untuk model regresi persamaan simultan yang mengandung persamaan-persamaan yang Over Identified. Penaksiran terdiri dari dua tahap penghitungan, yaitu:
1) Pada tahap pertama, kita mengaplikasikan metode Ordinary Least Square (OLS) terhadap persamaan-persamaan reduced form. Berdasarkan nilai-nilai koefisien regresi variabel-variabel bebas dalam persamaan-persamaan reduced form ini, maka kita peroleh taksiran mengenai nilai variabel-variabel bebas dalam persamaan-persamaan reduced form, maka kita peroleh taksiran mengenai nilai variabel-variabel Endogeous dalam persamaan ini
2) Pada tahap kedua, kita subtitusikan taksiran nilai variabel-variabel Endogenous yang diperoleh dari perhitungan tahap pertama ke dalam sistem persamaan simultan sehingga setiap persamaan dalam sistem persamaan simultan ini mengalami transformasi. Dengan kata lain, parameter-parameter dalam model regresi persamaan simultan dilakukan dengan mengaplikasikan metode Ordinary Least Square terhadap persamaan-persamaan yang telah mengalami transformasi.
3.6.1. Kaidah Identifikasi
Sistem persamaan simultan dianggap mengandung persoalan identifikasi apabila penaksiran nilai-nilai parameter tidak dapat sepenuhnya dilakukan dari persamaan reduced form sistem persamaan simultan ini. Adapun kaidah-kaidah yang perlu diperhatikan adalah sebagai berikut:
1) Unidentified/Underidentified, yaitu di mana koefisien atau penaksir yang dihasilkan dari persamaan reduced form “tidak cukup” untuk menaksir
koefisien persamaan struktural (jumlah koefisien persamaan reduced form < jumlah koefisien persamaan struktural).
2) Exactly Identified, yaitu di mana koefisien atau penaksir yang dihasilkan dari persamaan reduced form “tepat/sama” untuk menaksir koefisien persamaan
struktural (jumlah koefisien persamaan reduced form = jumlah koefisien persamaan struktural).
3) Overidentified, yaitu di mana koefisien atau penaksir yang dihasilkan dari persamaan reduced form “melebihi” untuk menaksir koefisien persamaan struktural (jumlah koefisien persamaan reduced form > jumlah koefisien persamaan struktural).
Ada dua kondisi yang harus dipenuhi suatu persamaan untuk dapat dianggap diidentifikasikan yaitu: (1) Kondisi Order (Order Condition) dan (2) Kondisi Rank (Rank Condition). Untuk Kondisi Order di mana kondisi ini didasarkan atas kaidah perhitungan variabel-variabel yang dimasukkan ke dalam dan dikeluarkan dari suatu
persamaan tertentu. Kondisi ini dapat dijelaskan sebagai berikut: suatu persamaan dapat diidentifikasi apabila jumlah variabel (Endogenous dan Exogenous) yang dikeluarkan dari persamaan tertentu dan jika dimasukkan ke dalam persamaan lain minimal sama dengan jumlah persamaan dalam sistem persamaan simultan yang sedang diteliti dikurangi satu. Kondisi Order ini dapat dinyatakan sebagai berikut:
(K – k) ≥ (m - 1)
Jika; (K – k) = (m - 1), disebut exactly identified (K – k) > (m - 1), disebut over identified (K – k) < (m - 1), disebut under identified di mana;
K = Jumlah variabel eksogenous dalam model k = Jumlah variabel eksogenous di setiap persamaan m = Jumlah variabel endogenous di setiap persamaan
Persamaan K-k m-1 Hasil Identifikasi
QUD 5 – 1 3 – 1 4 > 2 over identified CUD 5 – 2 2 – 1 3 > 1 over identified XUD 5 – 4 2 – 1 1 = 1 exactly identified PUD 5 – 3 2 – 1 2 > 1 over identified
Berdasarkan hasil identifikasi model, pendugaan model dilakukan dengan metode Two Stage Least Squares dan pengolahan data dilakukan dengan program komputer Eviews 4.1. Untuk menguji apakah peubah-peubah endogen pada masing- masing penjelas secara bersama-sama nyata atau tidak nyata terhadap peubah
endogen masing-masing persamaan dapat dilihat dari nilai R2.
3.7. Uji Estimasi 3.7.1. Uji Stasioneritas
Model penelitian ini merupakan model yang menganalisis data deret waktu (time series). Data deret waktu umumnya bersifat non-stasioner dan diperoleh melalui proses random walk. Persamaan regresi yang menggunakan peubah-peubah yang non-stasioner akan mengarah kepada hasil yang palsu (spurious). Dalam mengembangkan model deret waktu perlu dibuktikan, apakah proses stokastik yang menghasilkan data tersebut dapat diasumsikan tidak bervariasi karena waktu. Jika proses stokastik tetap dari waktu ke waktu, yang berarti prosesnya stationary, maka dapat disusun suatu model dengan persamaan yang menghasilkan koefisien tetap yang dapat diduga dari data waktu yang lalu. Untuk membuktikan hal tersebut, diperlukan uji unit root terhadap Yt yang tumbuh dari waktu ke waktu, dengan menggunakan uji Augmented Dickey-Fuller (ADF). Uji stasioneritas dilakukan dengan menggunakan uji Dickey-Fuller, dimulai dari proses autoregresi orde pertama, yaitu:
t t
t Y
Y 1 1 1………(4.1) Di mana: åt adalah white noise error term.
Kondisi di atas dinamakan random walk di mana variabel Yt ditentukan oleh variabel sebelumnya (Yt-1). Oleh karena itu jika nilai ñ=1 maka persamaan (4.1) mengandung akar unit atau tidak stasioner. Kemudian persamaan (4.1) dapat
dimodifikasi dengan mengurangi pada kedua sisi persamaan, sehingga persamaan (4.1) dapat diubah menjadi persamaan (4.2):
) 2 . 4 ...( ... ... ... ... ... ... ... ... ... ... ) 1 ( 1 1 1 1 1 1 t t t t t t t t t t t t Y Y Y Y Y Y Y Y Y Di mana: ä = (ñ-1)
Ä = first difference (perbedaan pertama)
Oleh karena itu hipotesis pada persamaan (4.2), Ho: ä = 0, ini menunjukkan bahwa persamaan tersebut tidak stasioner, sedangkan hipotesis alternatifnya H1: ä<0
menunjukkan persamaan tersebut mengikuti proses stasioner. Jadi apabila Ho ditolak maka artinya data deret waktu tersebut stasioner dan sebaliknya. Pada persamaan (4.2) diasumsikan bahwa error term (åt) tidak berkorelasi, jika terdapat error term yang berkorelasi maka persamaan yang diuji menggunakan uji Augmented Dickey Fuller (ADF) sebagai berikut:
) 3 . 4 ...( ... ... ... ... ... ... ... 1 1 0 t t t T Y Y Di mana:
T : variabel trend atau waktu åt : pure white noise error term
Hipotesis nol adalah ä = 0 yaitu time series adalah unit root dan nonstasioner. Hipotesis alternatif adalah ä < 0 artinya time series adalah stasioner. Jika hipotesis
nol ditolak maka Yt adalah stasioner sekitar trend deterministik. Uji yang dilakukan untuk mengetahui apakah sebuah data time series bersifat stasioner atau tidak adalah dengan melakukan uji Ordinary Least Squares (OLS). Jika nilai ADF statistiknya lebih besar dari MacKinnon Critical Value (dalam nilai kritis 1 persen, 5 persen atau 10 persen) maka data tersebut tidak stasioner namun jika nilai ADF statistiknya lebih kecil dari MacKinnon Critical Value maka data tersebut stasioner (Manurung, 2005).
3.7.2. Uji Kointegrasi
Suatu kombinasi peubah yang bersifat non-stasioner dan diperoleh melalui proses random walk dapat membentuk kombinasi linear, di mana bentuk hubungan dari peubah-peubah itu selalu beriringan secara tetap (tidak saling menjauh atau mendekat). Untuk kasus dua peubah xt dan yt yang non-stasioner, maka persamaan:
Zt = xt –ëyt ………. (4.4) adalah stationary, di mana ë merupakan parameter ko-integrasi. Dalam kasus ini, xt dan yt terintegrasi pada ordo pertama (first-order cointegrated), sehingga deret-deret Äxt dan Äyt yang dideferensiasi pertama adalah stasionary.
Untuk menguji adanya kointegrasi antara xt dan yt, maka dari persamaan:
xt = á + âyt + å……… (4.5)
perlu diuji apakah residual dugaan (et) adalah stationary. Pengujian dilakukan dengan menggunakan statistik Durbin-Watson (D-W), yaitu:
Ó (et – et-1)2
D-W = ……….. (4.6)
Ó (et)2
D-W = 0. Nilai kritis untuk uji D-W = 0 pada tingkat signifikansi satu persen (1%) adalah 0.511 (Pindyck dan Rubinfeld, 1991; Malian; dkk, 2003).
3.8. Definisi Operasional
1. Volume ekspor udang adalah banyaknya ekspor udang Indonesia yang dihitung dalam ton.
2. Produksi adalah jumlah udang yang dihasilkan di Indonesia yang dihitung dalam ton.
3. Konsumsi domestik merupakan total permintaan udang di Indonesia yang dihitung dalam ton.
4. KURS merupakan nilai tukar rupiah terhadap dolar AS yang berarti nilai tengah harga mata uang dolar AS terhadap rupiah Rp/$.
5. Harga adalah nilai nominal dari barang/jasa dalam satuan uang. Data harga yang digunakan adalah harga udang dunia, harga udang domestik, harga udang Thailand dengan satuan Milyar US $/ ton.
6. Produk Domestik Bruto adalah nilai barang dan jasa yang diproduksi oleh warga negara di Indonesia dalam satu tahun (PDB menurut harga konstan tahun 2000 diukur dengan satuan miliar rupiah).
7. Tingkat bunga adalah biaya atas memegang uang (tingkat bunga BI rate), diukur dengan satuan persen (%).
