Waktu dan Tempat Penelitian
Penelitian ini berupa studi deskriptif dan kuantitif. Penelitian menggunakan data yang berupa data sekunder dari tahun 1992 hingga 2012 yang meliputi data GDP, nilai tukar, jarak, dan harga barang tersebut. Penelitian ini dilakukan pada bulan Maret hingga Mei 2014 yang dilakukan di Institut Pertanian Bogor.
Amerika Konsumen Udang Terbesar di Dunia
Analisis Daya Saing Impor Udang dari Amerika terhadap 10 Negara Eksportir
Kebijakan Perdagangan Amerika:
- Antidumping Tariff - Free Trade Agreements
Metode Analisis Revealed Comparative Advantage (RCA) Gravity Model: - GDP Riil Negara Amerika - GDP per Kapita Negara Eksportir - Nilai Tukar Terhadap
Amerika - Jarak Ekonomi - Indeks Harga Konsumen - Krisis Ekonomi Amerika Implikasi Kebijakan
Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini merupakan data sekunder. Data sekunder diperoleh dari beberapa instansi terkait seperti World Bank, UNCTAD (United Nations Conference on Trade and Development), Distant Cepii, UnComtrade (United Nations Comodity Trade) serta studi kepustakaan melalui pengumpulan data yang bersumber dari buku-buku dan literature.
Data yang digunakan dalam penelitian ini adalah data panel yang merupakan penggabungan antara data time series dan cross section. Time series yang digunakan merupakan data sekunder tahunan periode 1992-2012. Cross section yang digunakan adalah negara tujuan ekspor sebanyak 10 negara yaitu Thailand, Indonesia, Peru, India, Vietnam, Mexico, Malaysia, China, Peru, dan Honduras. Jenis data meliputi data volume impor udang dari Amerika, GDP per kapita riil negara eksportir (US$), data nilai tukar riil setiap negara dengan Amerika, data jarak ekonomi setiap negara dengan Amerika (km), serta indeks harga konsumen negara eksportir negara eksportir (US$/kg).
Tabel 5. Data dan Sumber Data yang Digunakan dalam Penelitian
Data yang Digunakan Sumber Data
Nilai dan volume impor udang dari
Amerika tahun 1992-2012 UN Comtrade GDP riil Amerika periode 1992 - 2012 World Bank GDP perkapita negara eksportir pada
periode 1992-2012 World Bank Nilai tukar riil setiap negara dengan
Amerika UNCTAD
Jarak geografis antara negara-negara
eksportir dengan Amerika Distant Cepii
Indeks Harga Konsumen IMF, World Economic Outlook
Metode Analisis dan Pengolahan Data
Metode Analisis yang digunakan dalam penelitian ini adalah metode kuantitatif. Metode kuantitatif dengan menggunakan analisis Revealed Comparative Advantage (RCA) yang bertujuan untuk menganalisis daya saing negara-negara eksportir udang dari Amerika. Selain itu, digunakan juga analisis regresi panel data dengan menggunakan Gravity Model untuk menganalisis faktor-faktor yang mempengaruhi permintaan impor udang dari Amerika. Data sekunder diolah dengan menggunakan program computer Microsoft Excel dan Eviews 7 yang kemudian outputnya diinterpretasikan.
Revealed Comparative Advantage (RCA)
Salah satu cara yang dapat digunakan untuk memenuhi keunggulan komparatif adalah dengan menggunakan Revealed Comparative Advantage (RCA), yang menghitung pangsa nilai ekspor sektor tertentu suatu negara terhadap total ekspor dari negara-negara pengekspor yang selanjutnya dibandingkan dengan pangsa nilai ekspor dunia terhadap total ekspor ke negara- negara pengekspor tersebut. Pada penelitian ini RCA digunakan untuk
mengetahui daya saing komoditi udang Indonesia dan negara lainnya di dunia pada negara Amerika. Pendekatan RCA dapat dirumuskan sebagai berikut:
dimana:
RCA = tingkat daya saing komoditi i (udang) dari 10 negara
Xij = nilai ekspor komoditi i (udang) Amerika dari negara j tahun ke t (US$)
Xt = nilai ekspor (total komoditi ekspor termasuk udang) Amerika dari negara
j tahun ke t (US$)
Wij = nilai ekspor komoditi i (udang) negara j dari dunia tahun ke t (US$)
Wt = nilai total ekspor (total komoditi ekspor termasuk udang) negara j dari
dunia tahun ke t (US$)
Jika nilai RCA lebih dari satu (RCA>1), maka negara tersebut mempunyai keunggulan komparatif dalam komoditi yang diekspor. Sedangkan jika nilai RCA kurang dari 1 (RCA<1) maka negara tersebut mempunyai kerugian komparatif dalam komoditi yang diekspor.
Analisis Gravity Model dengan Data Panel
Model data panel atau pooled data merupakan data ekonometrika yang mengkombinasikan data time series dan cross section. Karena data panel merupakan gabungan dari data cross section dan time series, maka jumlah pengamatan atau observasi menjadi lebih banyak (Nachrowi, 2006). Pada dasarnya penggunaan metode data panel memiliki beberapa keunggulan yaitu:
1. Panel data mampu memperhitungkan heterogenitas individu secara eksplisit.
2. Kemampuan mengontrol heterogenitas individu menjadikan data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks.
3. Data panel merupakan observasi cross section yang berulang-ulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment.
4. Banyaknya jumlah observasi memiliki implikasi pada data yang lebih informative, lebih variatif, kolinearitas antar variabel yang semakin berkurang, dan peningkatan derajat bebas sehingga dapat diperoleh hasil estimasi yang lebih efisien.
5. Data panel dapat digunakan untuk mempelajari model-model perilaku yang kompleks.
6. Data panel dapat meminimalkan bias yang mungkin ditimbulkan oleh agregasi data individu.
Dalam analisis model data panel dikenal tiga macam pendekatan yang terdiri dari pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect), pendekatan efek acak (random effect). Ketiga pendekatan tersebut adalah sebagai berikut:
1. Pendekatan Pooled Least Square
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa yang diterapkan dalam data
yang berbentuk pool. Data pool ini merupakan gabungan data time series dan cross section. Pendugaan regresi yang dihasilkan dalam penggabungan data ini lebih akurat jika dibandingkan dengan regresi biasa karena mempunyai jumlah observasi data yang lebih banyak. Kelemahan dalam pendekatan pooled least square adalah asumsi intersep untuk setiap individu yang diobservasi dianggap sama.
2. Pendekatan Fixed Effect
Kelemahan pada pendekatan pooled least square dapat diatasi dengan memasukkan dummy variable agar terjadi perbedaan nilai parameter yang berbeda-beda baik cross section maupun time series. Pendekatan dengan memasukkan variabel dummy disebut dengan metode fixed effect atau Least Square Dummy Variable atau bisa juga disebut Covariance Model. Sebanyak (N- 1) variabel dummy ditambahkan ke dalam model dan menghilangkan satu sisanya untuk menghindari kolinearitas sempurna antar variabel penjelas. Dengan menggunakan pendekatan ini akan terjadi degree of freedom sebesar NT-N-K. Keputuasan memasukkan variabel dummy ini harus didasarkan pertimbangan statistic. Akan tetapi, dengan melakukan penambahan variabel dummy akan mengurangi degree of freedom yang mengurangi keefisienan dari parameter yang diestimasi.
3. Pendekatan Random Effect
Jika dalam metode fixed effect perbedaan karakteristik individu dan waktu dicerminkan lewat intercept, maka pada metode random effect perbedaan karakteristik individu dan waktu dicerminkan lewat error dari model. Dikarenakan ada dua komponen yang berkontribusi pada pembentukan eror, yaitu individu dan waktu maka error pada metode random effect juga perlu diurai menjadi error untuk komponen individu, error komponen waktu, dan error gabungan.
Dalam pendekatan random effect, diasumsikan bahwa error secara individual tidak saling berhubungan begitu juga dengan error kombinasinya. Dengan menggunakan model random effect, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model fixed effect. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien. Keputusan penggunaan model fixed effect ataupun model random effect ditentukan dengan menggunakan spesifikasi yang dikembangkan oleh Hausman. Spesifikasi ini memberikan penilaian dengan menggunakan Chi Square Statistic sehingga keputusan pemilihan model akan dapat ditentukan secara statistik.
Pengujian Pemilihan Model dalam Pengolahan Data Panel 1. Chow Test
Chow test disebut sebagai pengujian F statistik adalah pengujian untuk memilih apakah model yang digunakan menggunakan model Pooled Least Square atau Fixed Effect. Dalam pengujian ini dilakukan hipotesa sebagai berikut:
H0 : Model Pooled Least Square
H1 : Model Fixed Effect
Dasar penolakan terhadap hipotesa nol (H0) adalah dengan menggunakan F-
dimana:
ESS1 : Residual Sum Square hasil pendugaan model Pooled Least Square
ESS2 : Resdiual Sum Square hasil pendugaan model Fixed Effect
N : Jumlah data cross section T : Jumlah data time series K : Jumlah variabel penjelas
Statistik Chow test mengikuti distribusi F-statistik dengan derajat bebas (N- 1, NT-N-K) jika nilai Chow Statistik (F-stat) hasil pengujian lebih besar dari F- tabel maka cukup bukti untuk melakukan hipotesa nol sehingga model yang digunakan adalah model fixed effect, daan sebaliknya.
2. Haussman Test
Haussman Test adalah pengujian statistic sebagai dasar pertimbangan dalam memilih untuk menggunakan model fixed effect atau model random effect. Seperti yang telah diketahui 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. Haussman test dilakukan dengan hipotesa berikut:
H0 : Model Random Effect
H1 : Model Fixed Effect
Sebagai dasar penolakan H0 maka digunakan statistic Haussman dan
membandingkannya dengan Chi-Square. Statistik Haussman dirumuskan dengan: ~2
(K)
dimana adalah vector untuk statistic variabel fixed effect, b adalah vector statistic variabel random effect, M0 adalah matriks kovarians untuk dugaan fixed
effect model dan M1 adalah matriks kovarians untuk dugaan random effect model.
Jika nilai m hasil pengujian lebih besar dari 2-Tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang digunakan adalah model fixed effect, dan begitu juga sebaliknya.
3. LM Test
LM test (The Breusch – Pagan LM Test) digunakan sebagai pertimbangan statistic dalam memilih model Random Effect dengan Pooled Least Square.
H0 : Model Pooled Least Square
H1 : Model Random Effect
Dasar penolakan H0 yaitu dengan cara membandingkan antara nilai statistic
LM dengan Chi-Square. Apabila nilai LM perhitungan lebih besar dari 2-tabel maka cukup bukti untuk melakukan oenolakan terhadap H0 sehingga model yang
akan digunakan adalah random effect, dan sebaliknya. Model Penelitian
Variabel-variabel yang diduga secara signifikan berpengaruh nyata terhadap aliran impor udang dari Amerika dapat dirumudkan ke dalam model persamaan regresi untuk data panel sebagai berikut:
dimana:
IMPijt = Volume impor udang negara Amerika dari negara j tahun ke t (kg)
GDPit = GDP riil Amerika Serikat (US$)
GDPjt = GDP per kapita riil negara j pada tahun ke t (US$)
JEijt = Jarak ekonomi dari negara Amerika ke negara j pada tahun ke t (km)
ER = Nilai tukar riil dollar terhadap mata uang negara j pada tahun ke t (US$/mata uang negara tujuan)
IHKijt = Indeks Harga Konsumen udang negara negara j tahun ke t (US$/kg)
D1 = Krisis ekonomi Amerika
D2 = Kebijakan antidumping
D3 = Kebijakan free trade agreements = Intersep
Hipotesis:
1, 2, D3 > 0
3, 4, 5, D1, D2 < 0
Pengujian Asumsi Model
Untuk menghasilkan model yang efisien dan konsisten, maka diperlukan pengujian terhadap pelanggaran asumsi-asumsi klasik seperti uji multikolinearitas, heteroskedasditas, autokorelasi, dan normalitas.
A. Uji Multikolinearitas
Menurut Gujarati (1978), suatu model regresi dikatakan memiliki gejala multikolinearitas jika terdapat beberapa indikasi berikut ini:
1. Nilai R2 tinggi tetapi variabel bebas banyak yang tidak signifikan. 2. Tanda tidak sesuai dengan yang diharapkan.
3. Korelasi sederhana antar variabel individu yang tinggi (Rij tinggi).
4. R2 < rij menunjukkan adanya multikolinearitas.
B. Uji Heteroskedastisitas
Heteroskedastisitas adalah salah satu penyimpangan pada asumsi klasik statistika. Heteroskedastisitas terjadi jika ragam sisaan tidak konstan. Hal ini dilambangkan dengan Var (i) = E (i2) = i2. Masalah ini sering terjadi jika ada
penggunaan data cross section dalam estimasi model, namun masalah ini juga dapat terjadi dalam data time series.
C. Uji Autokorelasi
Juanda (2009) menjelaskan akibat adanya autokorelasi dalam model yang diestimasi yaitu pendugaan parameter masih tetap tidak bias dan konsisten namun penduga ini memiliki standar error yang bias ke bawah, atau lebih kecil dari nilai yang sebenarnya sehingga nilai statistic uji-t tinggi (overestimate).
Pengujian Hipotesis 1. Uji F
Uji ini dilakukan untuk mengetahui apakah variabel independen di dalam model secara bersama-sama berpengaruh terhadap variabel dependen yang digunakan. Perumusan hipotesis yang digunakan adalah:
H0 : 1 = 2 = 3 = k = 0
H1 : Minimal ada satu nilai yang tidak sama dengan nol
Kriteria ujinya adalah jika F hitung > F tabel,,(k-1)(n-k) maka tolak H0,
dimana k adalah jumlah variabel (dengan intercept) dan jumlah observasi yang dilambangkan dengan huruf n. Selain itu, jika probabilitas (p-value) < taraf nyata maka sudah cukup bukti untuk menolak H0. Jika tolak H0 berarti secara bersama-
sama variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata persen, dan sebaliknya.
2. Uji T
Uji t digunakan untuk mengukur signifikan parameter secara individual dan disebut juga sebagai uji signifikansi secara parsial karena melihat signifikansi masing-masing variabel yang terdapat di dalam model. Pengujian ini dilakukan untuk mengetahui apakah variabel independen secara individu (masing-masing) berpengaruh signifikan atau tidak terhadap variabel independen. Hipotesis yang digunakan yaitu:
H0 : k = 0
H1 : k 0
Kriteria uji yang digunakan adalah |thitung| > t/2,(n-k) maka tolak H0, dimana
jumlah observasi dilambangkan dengan huruf n, dan huruf k melambangkan jumlah variabel (termasuk intercept). Selain itu, jika probabilitas (p-value) lebih kecil dari taraf nyata maka dapat digunakan juga untuk menolak H0. Jika tolak H0
berarti variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata persen, dan sebaliknya.