Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder dari tahun 2006-2013. Jenis data tersebut meliputi volume ekspor TPT Indonesia ke negara tujuan, nilai tukar terhadap negara tujuan, Consumer Price Index (CPI) Gross Domestic Product (GDP), harga ekspor, Port Efficiency (PE) adapun indikator yang digunakan yaitu kualitas infrastruktur pelabuhan dan kualitas infrastruktur transportasi udara, Regulatory Environment (RE) adapun indikator yang digunakan yang digunakan kepercayaan publik akan politik; transparansi kebijakan yang diambil pemerintah; dan diskriminasi dalam pengambilan keputusan pejabat pemerintah, jarak ekonomi, dummy krisis 2008, dan dummy PMK 253 tahun 2011. Sumber data yang digunakan diperoleh dari International Trade Centre, World Bank, World Economic Forum, World Development Indicator, Centre d’Etudes Prospectives et
d’Informations, Kementrian Perindustrian, Kementrian Perdagangan, Direktorat Jendral Bea dan Cukai, jurnal internasional dan bahan bacaan yang bersumber dari media massa maupun internet.
Tabel 3 Jenis dan sumber data
Jenis Data Sumber Data
Volume Ekspor (Ton) International Trade Centre
Harga Ekspor (ribu US$/Ton) International Trade Centre
Nilai Tukar (US$) World Bank
CPI (%) World Bank
GDP Riil (triliun US$) World Bank
GDP per Kapita Riil (ribu US$) World Bank
Port Efficiency World Economic Forum
Regulatory Environment World Economic Forum
Jarak (Km) CEPII
Metode Analisis Data
Pada penelitian ini, untuk menganalisis keunggulan komparatif daya saing komoditi tekstil dan produk tekstil Indonesia menggunakan pengolahan data
Revealed Comparative Advantage (RCA) yang digunakan untuk melihat tingkat daya saing atau keunggulan komparatif. Alat analisis lainnya yang digunakan dalam penelitian ini, bertujuan untuk melihat faktor-faktor apa saja yang akan memengaruhi laju perkembangan ekspor TPT Indonesia dianalisis dengan menggunakan metode data panel dengan pendekatan gravity model. Adapun model yang akan diuji dalam penelitian ini menggunakan analisis panel data dengan Fixed Effect Model (FEM). Model persamaan dalam penelitian ini akan dianalisis menggunakan software Eviews.
Revealed Comparative Advantage (RCA)
Salah satu metode yang sering digunakan untuk menentukan tingkat daya saing suatu negara dengan menggunakan Revealed Comparative Advantage (RCA). Metode ini merupakan sebuah ukuran dari spesialisasi perdagangan internasional dari suatu negara. Konsep ini membandingkan kinerja suatu produk ekspor nasional terhadap total ekspor dunia. Nilai RCA yang lebih besar dari satu menyatakan adanya keunggulan komparatif pada produk tertentu dari suatu negara. Dengan kata lain, negara tersebut mempunyai spesialisasi dalam perdagangan produk tersebut (BAPPENAS 2009). Dalam penelitian ini metode RCA digunakan untuk melihat daya saing produk TPT Indonesia dari tahun 2006 hingga 2013. Secara sistematis penghitungan RCA dapat dirumuskan sebagai berikut :
⁄
⁄ (3.1)
di mana :
Xi : nilai ekspor TPT Indonesia ke negara tujuan (ribu US$)
Xt : nilai total ekspor Indonesia ke negara tujuan (ribu US$)
Wi : nilai ekspor TPT dunia ke negara tujuan (ribu US$)
RCA dapat dikembangkan menjadi suatu metode pengukuran yang bersifat dinamis dengan memasukkan unsur waktu. Sehingga dapat menunjukkan perkembangan pangsa relatifnya dari waktu ke waktu. Dengan membandingkan nilai RCA antara dua waktu, maka akan diperoleh indeks RCA. Indeks yang lebih kecil dari satu menunjukkan terjadinya penurunan RCA yang artinya kinerja ekspor komoditi i dari negara j mengalami kemunduran relatif dibandingkan dengan kinerja ekspor rata-rata dunia. Sebaliknya, jika indeks yang lebih besar dari satu menunjukkan bahwa ekspor komoditi i dari negara j mengalami peningkatan relatif dibandingkan dengan rata-rata dunia, sehingga pangsa pasarnya di dunia meningkat (Basri dan Munandar 2010). Secara sistematis penghitungan indeks RCA dapat dirumuskan sebagai berikut :
(3.2)
di mana :
RCAt : nilai RCA pada tahun ke t
RCAt-1 : nilai RCA pada tahun sebelumya
Panel Data
Salah satu bentuk struktur data yang sering digunakan dalam studi ekonometrika adalah data panel. Data dengan karakteristik panel adalah data yang berstruktur time series dan cross section. Panel data memiliki keunggulan yaitu (1) data yang informatif, mengurangi kolinearitas antar peubah serta meningkatkan derajat kebebasan yang artinya meningkatkan efisiensi serta (2) mengurangi masalah identifikasi dan mampu mengontrol heterogenitas individu (Hsiao dalam Firdaus, 2011).
Model Pooled Least Square
Pendekatan pertama dengan pendekatan kuadrat terkecil, pada metode ini penggunaan datapanel dengan mengumpulkan semua data cross section dan time series lalu melakukan pendugaan (pooling). Disetiap observasi (setiap periode) terdapat regresi sehingga datanya berdimensi tunggal. Dari data panel akan diketahui N adalah jumlah unit cross section dan T adalah jumlah periode waktu. Dengan menggunakan pooling seluruh observasi sebanyak N,T, maka dapat ditulis fungsi dari
pooled yaitu :
Yit= α + βj+ it (3.3) Pada metode ini, model mengasumsikan bahwa nilai intersep masing-masing variabel adalah sama, kemudian model ini juga mengasumsikan bahwa slope
koefisien dari dua variabel adalah identik untuk semua unit cross section. Ini merupakan asumsi yang paling ketat, sehingga walaupun metode PLS (Pooled Least Square) menawarkan kemudahan, namun model mendistorsi gambaran yang sebenarnya dari hubungan antara Y dan X antar unit cross section.
Model Fixed Effect
Model efek tetap adalah model yang didapatkan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat mengakibatkan perubahan dalam intersep-intersep cross section dan time series. Peubah dummy (D) dapat ditambahkan kedalam model untuk memungkinkan perubahan-perubahan intersep ini lalu model diduga dengan Ordinary Least Square (OLS), yaitu :
Yit = αi + βj + ∑ αi Di + it (3.4) di mana:
Yit : variabel dependent di waktu t untuk unit cross section i α : intersep yang berbeda antar unit cross section
β : parameter variabel ke j
: variabel independent j di waktu t untuk unit cross section i it : error term di waktu t untuk unit cross section i
Model Random Effect
Penambahan variabel dummy dalam fixed effect akan dapat menimbulkan konsekuensi yaitu akan mengurangi banyaknya degree of freedom yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Maka untuk mengatasinya, dapat menggunakan model random effect. Dalam model ini, parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error. Bentuk model efek acak dapat dijelaskan dengan persamaan berikut :
Yit = α + βj+ it (3.5)
it = uit + vit + wit (3.6)
di mana:
uit~ N (0, u2) = Komponen cross section error
vit~ N (0, v2) = Komponen time series error
wit~ N (0, w2) = Komponen combination error
Penggunaan model efek acak dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi lebih efisien.
Estimasi Model
Penelitian akan dampak dari fasilitasi perdagangan terhadap perkembangan ekspor TPT Indonesia ke negara mitra dagang utama di kawasan APEC akan menggunakan analisis data panel dengan pendekatan gravity model. Estimasi model ditransformasikan ke dalam Logaritma Natural (LN) agar model dapat memenuhi uji asumsi klasik dan menghindari model dari bias. Sehingga estimasi model yang dapat dibangun dalam penelitian ini sebagai berikut :
Model 1 (komoditi kapas)
LN = α0+ α1LNPCit + α2LNGDPijt + α3LN + α4LNPEjt
+ α5LNREjt + α6LNRERit + it (3.7) Model 2 (komoditi serat stafel buatan)
LN = α0+ α1LNPCit+ α3LNGDPit+ α4LNGDPjt + α5LN
+ α6LNPEjt+ α7LNREjt + Dkrisis + DPεK + it (3.8) Model 3 (komoditi barang-barang rajutan)
LN = α0+ α1LNPCit+ α3LNGDPKit+ α4LNGDPKjt + α5LN
+ α6LNPEjt+ α7LNREjt + Dkrisis + it (3.9) Model 4 (komoditi pakaian jadi bukan rajutan)
LN = α0+ α1LNPCit+ α3LNGDPKit+ α4LNGDPKjt + α7LN
+ α5LNPEjt+ α6LNREjt + α7LNRERit + DPεK + it (3.10) di mana:
: volume ekspor TPT Indonesia ke negara tujuan pada tahun t
α0 : intersep
α1,α2,α3,….,α7 : parameter
PCit : harga ekspor yang diterima negara tujuan pada tahun t
RERit : nilai tukar riil terhadap negara tujuan pada tahun t
GDPit : GDP negara Indonesia pada tahun t
GDPjt : GDP negara tujuan pada tahun t
GDPijt : interaksi GDP negara Indonesia dan tujuan pada tahun t
GDPKit : GDP per kapita negara Indonesia pada tahun t
GDPKjt : GDP per kapita negara tujuan pada tahun ke t
: jarak ekonomi antara negara Indonesia dengan negara tujuan
PEjt : port efficiency negara tujuan pada tahun t
REjt : regulatory environment negara tujuan pada tahun t
Dkrisis : dummy krisis
DPMK : dummy PMK 253 εit : error term
Uji Kesesuaian Model
Pada analisis data panel terdapat tiga pilihan alternatif model yang sering digunakan yaitu Pooled Least Square (PLS), Fixed Effect Model (FEM), dan Random Effect Model (REM). Penggunaan model dalam data panel harus menunjukkan bahwa model tersebut yang terbaik dan sesuai dengan tujuan digunakannya. Model terbaik dapat diperoleh melalui uji statistika yang tersedia dalam pengolahan data panel yaitu Uji Chow
Uji Chow atau biasa disebut F statistik merupakan pengujian yang dilakukan untuk mengetahui apakah model yang digunakan adalah pooled least square atau
H0 : Pooled Least Square
H1 : Fixed Effect Model
Kriteria penolakan dalam uji ini jika nilai probabilitas dari uji chow kurang dari taraf nyata sebesar 5% maka keputusan yang akan diambil yaitu tolak H0 (sudah
cukup bukti untuk menolak H0) atau dapat dilihat dari nilai F statistik, jika F statistik
lebih besar dari F Tabel maka tolak H0. Sehingga pemilihan model terbaik
berdasarkan uji ini yaitu fixed effect model. Uji Hausmann
Uji Hausmann merupakan pengujian yang dilakukan untuk mengetahui apakah model yang digunakan adalah fixed effect model atau random effect model. Hipotesis dalam pengujian hausmann sebagai berikut :
H0 : Random Effect Model
H1 : Fixed Effect Model
Kriteria penolakan dalam uji ini jika nilai probabilitas dari uji hausmann kurang dari taraf nyata sebesar 5% maka keputusan yang akan diambil yaitu tolak H0 (sudah
cukup bukti untuk menolak H0) atau dapat dilihat dari nilai chi-square, jika chi-
square lebih besar dari chi-square Tabel maka tolak H0. Sehingga pemilihan model
terbaik berdasarkan uji ini yaitu fixed effect model. Uji LM
Uji LM atau The Breusch Pagan merupakan pengujian yang dilakukan untuk mengetahui apakah model yang digunakan adalah pooled least square atau random effect model. Hipotesis dalam pengujian LM sebagai berikut :
H0 : Pooled Least Square
H1 : Random Effect Model
Kriteria penolakan dalam uji ini jika nilai hitung dari chi-square lebih besar dari chi-square Tabel maka keputusan yang diambil yaitu tolak H0 (sudah cukup
bukti untuk menolak H0). Sehingga pemilihan model terbaik berdasarkan uji ini yaitu
random effect model.
Evaluasi Model
Dalam menghasilkan sebuah model yang baik, konsisten dan efisien harus memenuhi asumsi dasar yaitu Best Linear Unbiased Estimator (BLUE). Asumsi BLUE mengandung beberapa hal seperti nilai harapan dari rata-rata kesalahan adalah nol, homoskedastisitas, tidak ada hubungan antara variabel bebas dengan error term, tidak ada korelasi serial antara error dan terbebas dari masalah kolinearitas. Dalam penelitian ini uji asumsi klasik yang akan dilakukan meliputi heteroskedastisitas, autokorelasi dan multikolinearitas (Juanda 2009).
Heteroskedastisitas
Heteroskedastisitas suatu kondisi ketika ragam sisaan tidak sama antara peubah X atau Var(εi)=E(εi2)=σi2 untuk pengamatan ke i dari peubah-peubah bebas dalam
model regresi. Masalah heteroskedastisitas sering terjadi pada cross section tetapi tidak menutup kemungkinan akan terjadi pada time series. Akibat dari heteroskedastisitas yaitu dugaan parameter koefisien regresi dengan metode Ordinary Least Square (OLS) tetap tidak bias, konsisten, standar error bias ke bawah dan penduga OLS tidak efisien lagi. Cara mendeteksi adanya permasalahan heteoskedastisitas dengan menggunakan uji White, uji Golfeld Quandt dan uji
Breusch Pagan. Dalam penelitian ini mengatasi permasalahan heteroskedastisitas dengan cara Weighted Least Square (WLS) melalui Generalized Least Square (GLS) pada pemodelan atau transformasi ke dalam bentuk logaritma natural.
Autokorelasi
Autokorelasi suatu kondisi ketika adanya korelasi serial antar sisaan atau E(εi,εj)≠0 untuk i≠j. Masalah autokorelasi sering ditemukan pada time series dan
tidak menutup kemungkinan juga akan terjadi pada data cross section. Akibat dari autokorelasi yaitu tetap tidak bias, konsisten, standar error bias ke bawah dan penduga OLS tidak efisien lagi. Cara mendeteksi adanya permasalahan autokorelasi dengan menggunakan Durbin Watson (DW). Dalam penelitian ini mengatasi permasalahan autokorelasi dengan cara pemberian bobot Generalized Least Square
(GLS).
Tabel 4 Selang nilai durbin watson (DW) serta keputusannya
Nilai Durbin Watson (DW) Keputusan
4-dl < DW < 4 Tolak H0, ada autokorelasi negatif
4-du < DW < 4-dl Tidak tentu, coba uji yang lain du < DW < 4-du Terima H0
dl < DW < du Tidak tentu, coba uji yang lain 0 < DW < dl Tolak H0, ada autokorelasi postif
Sumber: Juanda 2009 Multikolinearitas
Multikolinearitas suatu kondisi ketika adanya hubungan linear sempurna antar peubah bebas dalam model tersebut. Ketika terjadi hubungan linear sempurna antar peubah bebas akan menyebabkan tidak akan mungkin diperoleh dugaan parameter koefisiennya. Cara mendeteksi adanya permasalahan multikolinearitas dengan menggunakan Variance Inflation Factor (VIF). Adapun cara-cara untuk mengatasi multikolinearitas yaitu memanfaatkan informasi sebelumnya, mengeluarkan peubah dengan kolinearitas yang tinggi, melakukan transformasi terhadap peubah, menggunakan regresi komponen utama, menggabungkan data cross section dengan data time series, cek kembali asumsi yang digunakan saat membuat model, dan penambahan data baru.
Pengujian Statistik Model
Salah satu tujuan utama dalam melakukan sebuah analisis regresi yaitu untuk mengetahui seberapa besar atau nyata dan tidaknya pengaruh variabel-variabel yang digunakan dalam penelitian serta mengetahui seberapa baik model yang digunakan. Dalam melakukan pengujian hipotesis suatu model terdapat beberapa kriteria yang dapat digunakan yaitu uji t, uji F, dan nilai R-Square (Koefisien Determinasi).
Uji t
Pengujian ini digunakan untuk melihat seberapa besar atau seberapa nyata pengaruh individual dari variabel-variabel independent dalam model terhadap variabel dependent nya. Pengujian hipotesis yang dapat digunakan sebagai berikut : H0: αi = 0
H1: αi≠ 0
Nilai α menunjukkan slope dari variabel dependent yang digunakan. Apabila nilai α sama dengan nol maka variabel independent tidak memiliki hubungan signifikan dengan variabel dependent nya begitu juga sebaliknya. Kriteria penolakan sebuah hipotesis diatas dapat dilihat dari dua aspek yaitu berdasarkan t statistik dan t Tabel (t statistik > t Tabel maka H0 ditolak; dan t statistik < t Tabel maka H0
diterima) serta berdasarkan probabilitas (p-value > 0,05, maka H0 diterima; dan p-
value < 0,05, maka H0 ditolak).
Uji F
Pengujian ini digunakan untuk melihat apakah koefisien regresi signifikan. Koefisien regresi yang signifikan adalah koefisien regresi yang secara statistik tidak sama dengan nol. Pengujian hipotesis yang dapat digunakan sebagai berikut :
H0: α1,α2,α3,….,α7 = 0
H1 : paling tidak ada satu nilai α yang ≠ 0
Kriteria penolakan sebuah hipotesis diatas dapat dilihat melalui dua aspek yaitu berdasarkan F statistik dan F Tabel (F statistik > Fα;(k,n-k-1),maka H0 ditolak; dan F
statistik < Fα;(k,n-k-1), maka H0 diterima) serta berdasarkan probabilitas (p-value > 0,05,
maka H0 diterima; dan p-value < 0,05, maka H0 ditolak).
R-Square (Koefisien Determinasi)
Koefisien ini menjelaskan seberapa besar variasi dari variabel dependent yang dapat dijelaskan oleh variabel independent secara bersama-sama. Nilai ini menjelaskan seberapa dekat garis regresi yang akan kita estimasi. Rentang nilai R- Square berkisar nol hingga satu, semakin baik sebuah model jika nilainya mendekati satu dan sebaliknya jika mendekati nol, maka model tersebut dapat dikatakan tidak baik dikarenakan variabel independent yang digunakan dalam sebuah penelitian tidak mampu menjelaskan keragaman yang ada di dalam variabel dependent nya.