IV. METODOLOGI PENELITIAN
4.3 Metode Pengolahan dan Analisis Data
4.3.2 Analisis Data Kuantitatif
4.3.2.2 Evaluasi Model Dugaan Persamaan Regresi
Evaluasi model dugaan bertujuan untuk mengetahui apakah model yang diperoleh telah terpenuhi secara teori dan statistik. Untuk itu digunakan kriteria ekonomi, statistik, dan ekonometrika (Koutsoyiannis, 1978).
4.3.2.2.1 Kriteria ekonomi
Kriteria ekonomi yang ada diuji berdasarkan teori ekonomi. Hipotesis yang dikembangkan terkait dengan hambatan perdagangan adalah sebagai berikut:
α1 < 0 : Dikeluarkannya kebijakan perdagangan yang bersifat non tarif oleh Uni Eropa, maka semakin besar kemungkinan menurunnya volume ekspor udang Indonesia ke Uni Eropa, cateris paribus.
α2 < 0 : Semakin tinggi tarif yang diberlakukan Uni Eropa, maka semakin besar kemungkinan menurunnya volume ekspor udang Indonesia ke Uni Eropa, cateris paribus.
α3 > 0 : Semakin besar lag ekspor, maka semakin besar kemungkinan meningkatnya volume ekspor udang Indonesia ke Uni Eropa, cateris paribus.
4.3.2.2.2 Kriteria statistik
Model terbaik menurut Santoso (2000) yang dipilih dalam membahas permasalahan ini terdiri dari koefisien determinasi yang telah disesuaikan (R2 adjusted), pengujian parameter secara serentak (Fhitung), pengujian parameter secara tunggal (thitung), kesesuaian tanda dan besar parameter regresi. Pengujian parameter regresi dilakukan secara serentak dan tunggal dengan menggunakan α = 5% pada selang kepercayaan 95%.
1) Pengujian secara tunggal
Pengujian secara tunggal dilakukan untuk mengetahui apakah secara terpisah Dt, Xt, dan Yt-n berpengaruh nyata terhadap volume ekspor udang Indonesia. Pengujian secara tunggal dilakukan dengan uji-t yaitu dengan membandingkan thitung dengan ttabel.
1 1
Sˆ
t= b ... (5)
Pengambilan keputusan :
H0 : koefisien regresi tidak signifikan H1 : koefisien regresi signifikan
Jika : thitung < ttabel maka H0 diterima, Dt, Xt, dan Yt-n tidak berpengaruh nyata terhadap Yt.
thitung > ttabel maka tolak H0, H1 diterima; Dt, Xt, dan Yt-n berpengaruh nyata terhadap Yt.
Taraf kepercayaan didapatkan juga dari nilai t signifikannya (α) yaitu (100-α) dikalikan 100%.
2) Pengujian secara serentak
Pengujian secara serentak dilakukan untuk mengetahui apakah seluruh variabel bebas secara bersama-sama mempengaruhi variabel terikat (Y).
Pengujian dilakukan dengan uji-F yaitu dengan membandingkan antara Fhitung
dengan Ftabel.
Jika : Fhitung < Ftabel maka H0 diterima, semua variabel bebas secara bersama-sama tidak berpengaruh nyata terhadap Yt.
Fhitung > Ftabel maka tolak H0, H1 diterima; semua variabel bebas secara bersama-sama berpengaruh nyata terhadap Yt.
4.3.2.2.3 Kriteria ekonometrika
Uji asumsi yang perlu diterapkan untuk mengetahui model tersebut baik atau tidak digunakan harus sesuai dengan kriteria ekonometrika, yaitu sebagai berikut:
1) Asumsi Normalitas
Model asumsi kenormalan menyatakan bahwa variabel yang
didistribusikan tidak hanya tak berkorelasi tetapi juga didistribusikan secara normal (Gujarati, 1978).
Cara mendeteksi normalitas menurut Santoso (2000) adalah dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik. Dasar pengambilan keputusannya adalah sebagai berikut :
a) Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi normalitas.
b) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
2) Asumsi Homoskedastisitas
Satu asumsi penting dari model regresi adalah homoskedastik (Gujarati, 1978). Namun, mungkin terdapat heteroskedastik dalam model regresi. Salah satu cara untuk mendeteksi adanya heteroskedastisitas yaitu dengan menguji dari kuadrat residual yang ditaksir ei apakah menunjukkan pola yang sistematis.
Scatterplot menurut Santoso (2000) digunakan untuk mendeteksi ada atau tidaknya pola tertentu dimana sumbu X adalah Y yang telah diprediksi, dan sumbu Y adalah residual (Yprediksi – Y residual) yang telah di-studentized, dengan dasar pengambilan keputusan sebagai berikut :
a) Jika ada pola tertentu, seperti titik-titik (poin-poin) yang ada membentuk suatu pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka telah terjadi heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Jika model telah bebas heteroskedastisitas atau homoskedastisitas, maka model layak digunakan untuk memprediksi volume ekspor udang Indonesia ke Uni Eropa.
3) Asumsi Multikolinearitas
Dalam model regresi linear yang mencakup lebih dari dua peubah bebas dan menggunakan data berkala sering dijumpai adanya kolinearitas ganda
(multicolinearity). Kolinearitas seringkali diduga terjadi ketika R2 tinggi dan r2 satu pun atau sangat sedikit koefisien regresi parsial yang secara individual penting secara statistik atas dasar pengujian t yang konvensional (Gujarati, 1978).
Cara mendeteksi multikolinearitas menurut Santoso (2000) adalah sebagai berikut :
a) Besaran VIF (Variance inflation factor) dan Tolerance. Pedoman suatu regresi yang bebas multikolinearitas adalah mempunyai nilai VIF di sekitar angka 1 dan angka toleransi mendekati 1. Cara mendapatkan besaran VIF adalah 1/Tolerance.
b) Besaran korelasi antar variabel independent. Pedoman suatu model regresi yang bebas multikolinearitas adalah koefisien korelasi antar variabel independent harus lemah (dibawah 0,5). Jika korelasi kuat maka terjadi multikolinearitas.
4) Asumsi Autokorelasi
Dalam data time series, sering juga dijumpai adanya persoalan autokorelasi yang mempunyai konsekuensi yang cukup serius (Gujarati, 1978).
Ada beberapa cara untuk mendeteksi ada tidaknya autokorelasi, antara lain dengan uji d Durbin-Watson, pengujian ini menggunakan rumus:
∑
Mekanisme test Durbin-Watson adalah sebagai berikut, dengan mengasumsikan bahwa asumsi yang mendasari tes dipenuhi:
1. Lakukan regresi OLS dan dapatkan residual ei.
2. Hitung d dari persamaan (4).
3. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu, dapatkan nilai kritis dL dan du.
4. Jika hipotesis nol H0 adalah bahwa tidak ada korelasi positif, maka jika d < dL: tolak H0
d > du: terima H0
dL ≤ d ≤ du: pengujian tidak meyakinkan.
5. Jika hipotesis nol H0 adalah bahwa tidak ada korelasi negatif, maka jika d > 4 – dL: tolak H0
d < 4 – du: terima H0
4 – du ≤ d ≤ 4 -dL: pengujian tidak meyakinkan
Autokorelasi menurut Santoso (2002), yaitu dengan menggunakan uji Durbin-Watson yang diambil patokannya secara umum sebagai berikut : 1. Angka D-W dibawah -2 berarti ada autokorelasi positif
2. Angka D-W diantara -2 sampai +2 berarti tidak ada autokorelasi 3. Angka D-W +2 berarti ada autokorelasi negatif
4.3.2.2 Peramalan (Forecasting).
Metode peramalan yang akan digunakan adalah metode yang
menggunakan analisa deret waktu (time series), yang terdiri dari beberapa tahap yaitu identifikasi pola data, memilih metode peramalan, dan pemilihan metode peramalan terakurat. Metode peramalan terakurat yang didapatkan digunakan untuk memprediksi volume ekspor udang Indonesia ke Uni Eropa beberapa tahun mendatang.
4.3.2.2.1 Identifikasi Pola Data
Tahap pertama peramalan dalam mengolah data adalah menyajikan serial data dari nilai ekspor udang dalam plot nilai terhadap waktu. Hasil yang akan didapatkan dari identifikasi pola data adalah bentuk pola data yang akan disesuaikan dengan metode peramalan yang akan dilakukan. Pola yang dapat terbentuk meliputi pola : (1) Pola stasioner; (2) Pola musiman; (3) Pola siklik; (4) Pola trend.
Pola data volume ekspor udang yang didapatkan berasal dari plot data volume ekspor udang dan plot autokorelasinya. Pola yang didapatkan kemudian diidentifikasikan dengan analisa visual terhadap grafik ekspor udang dari periode ke periode.
4.3.2.2.2 Metode Trend
Metode Trend yang akan digunakan adalah teknik linier, kuadratik, dan pertumbuhan eksponensial. Persamaan-persamaannya adalah sebagai berikut:
1. Trend Linier : Ft= a + bt ... (8) nilai a dan b dapat diperoleh dalam persamaan:
n Dimana : Ft = volume ramalan udang pada periode t
a = intersep
b = slope kenaikan atau penurunan
4.3.2.2.3 Metode Rata-Rata Bergerak Ganda (Moving Average/MA) Hasil peramalan dengan rata-rata bergerak ganda diperoleh dengan melakukan pengrata-rataan bergerak sebanyak dua kali dengan ketentuan:
a. n pada MA yang pertama sama dengan n pada MA yang kedua,
b. lambang MA diganti dengan St untuk MA pertama dan St” untuk MA kedua, c. hasil yang diramalkan pada St’ditambah dengan at dan bt untuk menghasilkan
St”.
Persamaannya-persamaannya adalah sebagai berikut:
St’ = (Yt + Yt-1 + Yt-2 + .... + Yt-n+1)/n ; hasil penghalusan pertama St” = (St’ + St-1’ + St-2’ + ... + St-n+1)/n ; hasil penghalusan kedua at = (2St’) – St”
bt = 2(St’ – St”)/ (n-1)
Ft+m = at + bt (m); volume ramalan udang pada periode t+m ... (11) n = banyaknya periode yang digerakkan
m = 1 untuk periode 1 sampai dengan 15, 2 untuk periode 16, dan seterusnya.
4.3.2.2.4 Metode Pemulusan Eksponensial Linier Holt
Pada metode ini komponen trend dihaluskan secara terpisah dengan menggunakan parameter yang berbeda. Persamaan-persamaan yang digunakan adalah sebagai berikut:
Ft+m = St + bt (m) ... (12) M = 1 untuk t = 1 s.d t = 15
St = αYt + (1-α)(St-1 + bt-1); S1 = Y1
bt = γ(St – St-1) + (1- γ)bt-1, b1 = Y2-Y1
α = 0,1 dan γ = 0,2
Teknik ini cukup fleksibel dikarenakan trendnya dapat dihaluskan dengan menggunakan bobot yang berbeda. Namun demikian, kedua parameternya perlu dioptimalkan sehingga pencarian kombinasi terbaik parameter tersebut lebih rumit daripada hanya menggunakan satu parameter.
4.3.2.2.5 Pemilihan Metode Peramalan Terakurat
Tahap terakhir peramalan ekspor udang ini adalah membandingkan beberapa metode yang telah diterapkan agar dapat menentukan salah satu metode yang baik. Menurut Makridakis et al (1999), faktor yang harus diperhatikan dalam membandingkan metode peramalan ini adalah forecasting power dari metode tersebut yaitu dengan menguji nilai kesalahannya. Rumus nilai kesalahan peramalan pada periode ke-t adalah:
et = At –Ft ... (13) Dimana : et = nilai kesalahan peramalan (error) pada periode ke-t
At = nilai aktual pada periode ke-t Ft = nilai ramalan pada periode ke-t
Ukuran akurasi yang sering digunakan adalah nilai Mean Square Error (MSE). Pendekatan ini membebankan kesalahan peramalan yang besar, karena errornya dikuadratkan (Hanke dan Reitsch, 2001). Metode peramalan yang memiliki nilai MSE paling kecil, mengandung pengertian bahwa semakin kecil nilai MSE suatu peramalan, maka hasil ramalan tersebut akan semakin mendekati nilai aktualnya (Makridakis et al, 1999).
Nilai MSE dirumuskan: MSE = et n Akurasi peramalan yang lain adalah root mean standar error (RMSE).
Nilai RMSE diperoleh dengan mengakarkan nilai MSE. Pendekatan ini memberikan nilai error yang relatif lebih kecil karena merupakan hasil pengakaran dari MSE, RMSE dirumuskan (Hanke dan Reitsch, 2001):
RMSE = MSE ... (15)