Metode Analisis dan Pengolahan Data

II. KERANGKA PEMIKIRAN

3.2 Metode Analisis dan Pengolahan Data

Metode analisis data yang digunakan adalah metode deskriptif dan metode kuantitatif. Metode deskriptif digunakan untuk menganalisis perkembangan data- data yang digunakan dalam penelitian ini. Metode kuantitatif dengan pendekatan

Revalead Comparatif Advantage (RCA) digunakan untuk menganalisis tingkat daya saing Tekstil dan Produk Tekstil (TPT) Indonesia yang diekspor ke Amerika Serikat. Kemudian pendekatan Constant Market Share (CMS) digunakan untuk mengestimasi determinan yang mempengaruhi pertumbuhan ekspor TPT Indonesia ke Amerika Serikat. Sedangkan metode kuantitatif yang digunakan untuk menganalisis faktor-faktor yang mempengaruhi ekspor TPT Indonesia ke Amerika Serikat adalah dengan pendekatan Vector Error Correction Model

(VECM).

Pengolahan data dilakukan secara bertahap. Tahap pertama adalah pengelompokan data. Tahap kedua adalah pengolahan data dalam model analisis. Pada penelitian ini pengolahan data dilakukan dengan bantuan software Microsoft Excel 2007 dan E-Views 4.1.

3.2.1 Revalead Comparatif Advantage (RCA)

Posisi ekspor tekstil dan produk tekstil Indonesia dalam perdagangan di Amerika Serikat dapat diketahui dengan metode RCA. Metode ini didasarkan pada suatu konsep bahwa perdagangan antar wilayah sebenarnya menunjukkan keunggulan komparatif yang dimiliki suatu negara. Variabel yang diukur adalah kinerja ekspor TPT Indonesia ke Amerika Serikat dengan menghitung pangsa nilai ekspor TPT terhadap total ekspor ke Amerika Serikat yang kemudian

dibandingkan dengan pangsa nilai ekspor TPT dunia ke Amerika Serikat. Rumusnya adalah sebagai berikut :

Xij / Xit

RCA = ………. (3.1) Wj / Wt

Dimana : Xij = Nilai ekspor TPT Indonesia ke Amerika Serikat

Xit = Nilai total ekspor Indonesia ke Amerika Serikat

Wj = Nilai ekspor dunia TPT ke Amerika Serikat

Wt = Nilai total ekspor dunia ke Amerika Serikat

Indeks RCA merupakan perbandingan antara nilai RCA sekarang dengan nilai RCA tahun lalu. Rumus indeks RCA adalah sebagai berikut :

RCAt

Indeks RCA = ………. (3.2)

RCAt-1

RCAt = Nilai RCA tahun ke-(t)

RCAt-1 = Nilai RCA tahun ke(t-1)

Indeks RCA berkisar antara nol sampai tak hingga. Nilai indeks RCA sama dengan satu berarti tidak terjadi kenaikan RCA atau kinerja ekspor TPT Indonesia di pasar Amerika Serikat tahun sekarang sama dengan tahun lalu.

3.2.2 Constant Market Share (CMS)

Penelitian ini juga menggunakan metode pangsa pasar konstan (Constant Market Share) untuk mengetahui determinan yang mempengaruhi pertumbuhan ekspor tektil Indonesia di pasar Amerika Serikat. Variabel yang diukur yaitu efek ekspansi (sisi permintaan) yang terbagi menjadi dua yaitu efek pangsa makro (pertumbuhan impor) dan pangsa mikro (efek komposisi komoditi) kemudian efek

persaingan atau efek daya saing (sisi penawaran). Rumusnya adalah sebagai berikut :

Xij2 – Xij1 = mXij1 + {(mi - m)Xij1} + {Xij2 – Xij1 – mi Xij1} …….. (3.3)

(1) (2) (3)

Dimana: Xij1 = Ekspor TPT Indonesia ke AS tahun ke-(t-1)

Xij2 = Ekspor TPT Indonesia ke AS tahun ke-(t)

m = Persentase peningkatan impor umum di AS mi = Persentase peningkatan impor TPT di AS

(1) = Efek pertumbuhan impor; (2) = Efek komposisi; (3) = Efek daya saing

3.2.3 Uji Unit Root

Uji unit root merupakan hal penting yang berkaitan dengan penelitian yang menggunakan data time series. Data deret waktu dikatakan stasioner jika data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data.

Penggunaan data yang tidak stasioner dapat menghasilkan regresi yang semu (spurios regresion), yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal dalam kenyataannya tidak sebesar regresi yang dihasilkan tersebut, sehingga dapat menghasilkan misleading (Irawan dalam Margarettha 2005). Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan stasioneritas, salah satunya adalah Augmented Dickey Fuller test (ADF). Jika nilai ADF statistiknya lebih kecil dari Mc Kinnon Critical Value maka dapat disimpulkan bahwa data tersebut stasioner. Namun jika ternyata nilai ADF statistiknya lebih besar dari Mc Kinnon

Critical Value maka data tersebut tidak stasioner. Kemudian langkah yang dapat dilakukan jika data bedasarkan uji ADF ternyata time series non stasioner adalah melakukan difference non stasionary processes.

Uji ADF pada dasarnya melakukan estimasi terhadap persamaan regresi sebagai berikut :

m

Δ

yt

= β1+β2t + Yt-1 +

α

1 Σ Δ

yt-1 ε

t ……….. (3.4) t-1

Dimana

ε

t = white noise dan Δ

Yt

= Yt-1 – Yt-2. Pada ADF yang akan diuji

adalah apakah = 0 dengan hipotesis alternatif < 0, jika nilai absolut dari nilai t hitung untuk lebih besar dari absolut ADF, maka hipotesis nol yang menunjukkan bahwa data tidak stasioner ditolak terhadap hipotesis alternatifnya.

3.2.4 Kriteria Informasi

Penentuan lag yang optimum dapat dilakukan dengan mengaplikasikan kriteria informasi. Penentuan lag optimum bertujuan untuk memperoleh model yang sederhana (parsimonius) dan fit dengan menggunakan adjusted R2,

Likelyhood Ratio, Final prediction Error, Aikake Information Criteria (AIC),

Schwarz Information Criterion (SC) dan Hannan Quin Criterion (HQ). Dalam penelitian ini untuk menetapkan lag yang optimum akan digunakan kriteria AIC, yang dirumuskan sebagai berikut :

Dimana ∑

ε

i2 adalah jumlah residual kuadrat, sedangkan N dan K masing- masing adalah jumlah sampel dan jumlah variabel yang beroperasi dalam suatu persamaan.

Untuk memperoleh lag yang paling optimal, model yang digunakan harus diestimasi dengan berbeda-beda tingkat lag-nya, kemudian dibandingkan nilai AIC-nya. Nilai AIC terkecil merupakan tingkat lag yang paling optimal.

3.2.5 Uji Kointegrasi

Kointegrasi merupakan suatu hubungan jangka panjang (long term relationship equilibrium) antara variabel-variabel yang stasioner pada derajat integrasi yang sama. Suatu deret waktu dikatakan terintegrasi pada tingkat ke-d atau I(d) jika data tersebut bersifat stasioner setelah pendiferensiasian sebanyak d kali (Kumala, 2000).

Bila data tidak stationer, maka perlu dilakukan uji kointegrasi, dimana jika data yang tidak stationer terkointegrasi maka kombinasi linear antar variabel- variabel dalam sistem akan bersifat stationer sehingga dapat diperoleh sistem persamaan jangka panjang yang stabil (Enders, 2004). Ada beberapa cara untuk melakukan uji kointegrasi, antara lain Eangle-Granger Cointegration Test,

Johansen Cointegration Test dan Cointegrating Regresion Durbin-Watson Test. Pada penelitian ini, uji kointegrasi dilihat dari Johansen Cointegration Test. Untuk dapat melihat berapa jumlah persamaan yang terkointegrasi di dalam sistem, dilakukan perbandingan estimasi Johansen Tarce Statistic terhadap nilai

kritisnya (critical value). Jika nilai critical value lebih kecil dari Tarce Statistic

maka persamaan tersebut terkointegrasi.

Estimasi model penelitian dengan menggunakan kointegrasi dapat dilakukan dengan mengaplikasikan metodologi Johanson yang terdiri dari beberapa tahap, yaitu:

1. Menguji ordo integasi semua variabel. Data perlu diplotkan untuk mengamati ada atau tidaknya trend linier. Disarankan tidak mencampur variabel dengan ordo yang berbeda.

2. Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat dilakukan dalam tiga bentuk :

a. Semua elemen konstanta sama dengan nol (A0 = 0).

b. Nilai A0 ditetapkan.

c. Nilai A0 merupakan konstanta pada vekor kointegrasi.

3. Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan koefisian.

4. Menghitung faktor koreksi galat untuk membantu mengidentifikasi model struktural.

3.2.6 Vector Error Correction Model (VECM)

Vector Error Correction Model (VECM) adalah suatu turunan VAR yang berguna untuk melihat hubungan keseimbangan jangka panjang dari persamaan- persamaan yang terkointegrasi. Caranya adalah dengan merestriksi beberapa variabel dari suatu persamaan. Metode ini adalah cara untuk melihat pengaruh suatu variabel terhadap variabel lainnya dalam jangka panjang.

Model VECM disusun apabila rank kointegrasi (r) lebih besar dari nol. Model VECM ordo p dan rank kointegrasi (r) dapat dirumuskan sebagai berikut:

P-1

ΔZt = A0 +

π

Zt-1 +

Σ

ØiΔZt-1+

ε

t ………. (3.6)

i=1

Dimana :

π

= αβ

α = Vektor kointegrasi berukuran r x 1

β = Vektor adjusment berukuran berukuran r x 1 P

Øi = - Σ Aj j=i+1

Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. Sedangkan interpretasi hasil estimasi VEC dapat dilakukan dengan melihat koefisien kointegrasinya dan pembacaan tanda adalah terbalik dari tanda koefisiennya.

3.2.7 Uji Kausalitas Multiariat

Penelitian ini menggunakan Pairwise Granger Causality Test untuk melihat hubungan kausalitas antara variabel-variabel dalam model. Menurut Granger dalam Octrianto (1969), hubungan kausalitas adalah hubungan jangka pendek antara kelompok tertentu dengan menggunakan pendekatan ekonometrik yang mencakup juga hubungan timbal balik dan fungsi-fungsi yang muncul dari analisis spektrum, khususnya hubungan antar spektrum dan hubungan parsial antar spektrum. Dari pandangan ekonometrik, ide utama kausalitas adalah sebagai berikut : pertama

k k

Yt =

Σ

α

jYt-j +

Σ

β

j Xt-j +

u

t ………. (3.7) j=1 j=1

k k

Xt =

Σ

jXt-j +

Σ

j Yt-j +

u

t ………. (3.8) j=1 j=1

jika X mempengaruhi Y, berarti informasi masa lalu X dapat membantu dalam memprediksikan Y. Dengan menambah data masa lalu X ke regresi Y dengan data Y masa lalu maka dapat meningkatkan explanatory power dari regresi. Kedua: data masa lalu Y tidak dapat membantu dalam memprediksikan X, karena jika X dapat membantu dalam mempresiksikan Y dan Y dapat membantu memprediksikan X, maka kemungkinan besar terdapat variabel lain, misalkan Z yang mempengaruhi X dan Y.

Pada tahun 1969, Granger memperkenalkan hubungan sebab akibat antara dua variabel yang saling berkaitan. Hubungan kausalitas dapat dibagi atas tiga kategori, yaitu hubungan kausalitas satu arah, hubungan kausalitas dua arah dan hubungan timbal balik.

3.2.8 Variance Decomposition (VD) dan Impulse Response Funciton (IRF) Variance Decomposition (VD) dapat mencirikan struktur dalam model dan digunakan untuk mengukur kekuatan dari masing-masing variabel dalam mempengaruhi variabel lainnya selama kurun waktu yang panjang serta untuk melihat perubahan dalam suatu variabel yang diakibatkan oleh pengaruh dari variabel lainnya. Perubahan tersebut dapat ditunjukkan melalui perubahan varians error.

Menurut Laksani dalam Paramita (2005), Variance Decomposition (VD) merinci varians dari forecast error menjadi komponen-komponen yang dapat

dihubungkan dengan setiap variabel endogen dalam model. Hal ini dapat dilakukan dengan menghitung persentasi squared prediction error k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, sehingga dapat dilihat seberapa error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel lainnya.

Menurut Sims (1972), cara yang paling baik untuk dapat mencirikan struktur dinamis dalam model adalah dengan menganalisis respon dari model terhadap kejutan (shock). Impulse Respon Function (IRF) dapat melakukan hal tersebut dengan menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap shock (goncangan) dalam variabel itu sendiri dan variabel endogen lainnya. IRF digunakan untuk menelusuri dampak goncangan sebesar satu standar kesalahan (standard error) sebagai inovasi pada suatu variabel endogen terhadap variabel endogen yang lain.