2 TINJAUAN PUSTAKA
3. METODE PENELITIAN Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder. Data yang digunakan untuk menganalisis mengenai integrasi pasar di daerah produsen dan konsumen berupa data sekunder dalam bentuk data deret waktu (time series) bulanan dengan periode waktu 60 series yaitu dari Bulan Januari tahun 2009 hingga Bulan Desember tahun 2013. Jenis data bulanan yang dikumpulkan berupa nilai nominal harga daging sapi domestik, harga daging sapi dunia, harga daging sapi ditingkat konsumen untuk setiap provinsi, dan data nominal nilai tukar rupiah terhadap dollar amerika. Selain itu, guna menganalisis respon penawaran daging sapi terhadap perubahan harga daging sapi di Indonesia digunakan data time series triwulan dari tahun 2001 sampai tahun 2013. Jenis data triwulan yang dikumpulkan berupa data jumlah produksi daging sapi, harga daging sapi domestik, harga daging sapi impor, harga susu sapi perah, harga daging ayam dan harga pakan sapi potong (harga jagung). Adapun jenis data yang digunakan beserta besaran dan sumbernya disajikan pada Tabel 2:
Tabel 2 Jenis Sumber Data yang Digunakan dalam Penelitian
No Data Satuan Periode data Sumber
1 Harga daging sapi tingkat konsumen setiap provinsi
Rp/kg Januari 2009- Desember 2013 dan Triwulan I 2001- Triwulan IV 2013 Badan Pusat Statistik
2. Harga daging sapi tingkat produsen setiap provinsi
Rp/ekor Januari 2009- Desember 2013
Badan Pusat Statistik
3. Harga daging sapi domestik Rp/kg Januari 2009- Desember 2013 dan Triwulan I 2001- Triwulan IV 2013 Badan Pusat Statistik
4. Harga daging sapi dunia US$/kg Januari 2009- Desember 2013 dan Triwulan I 2001- Triwulan IV 2013 Kementerian Perdagangan RI
5. Nilai tukar rupiah terhadap dollar amerika Rp/US$ Januari 2009- Desember 2013 Triwulan I 2001- Triwulan IV 2013 Bank Indonesia
6. Produksi daging sapi 000 ton TriwulanI 2001- Triwulan IV 2013
Badan Pusat Statistik
7. Harga susu sapi perah Rp/kg TriwulanI 2001- Triwulan IV 2013
Badan Pusat Statistik
8. Jumlah sapi yang dipotong Ekor TriwulanI 2001- Triwulan IV 2013
Ditjen PKH, BPSp (diolah)
9. Harga pakan ternak (jagung)
Rp/kg TriwulanI 2001- Triwulan IV 2013
Badan Pusat Statistik
10. Harga daging ayam Rp/kg TriwulanI 2001- Triwulan IV 2013
Badan Pusat Statistik
Metode Analisa Data
Pengolahan data untuk menjawab tujuan penelitian digunakan perangkat lunak excel 2007 dan Eviews 7.0. Hasil pengolahan data disajikan dalam bentuk tabulasi dan grafik.
1) Analisis Integrasi Pasar Daerah Sentra Produsen dengan daerah Sentra Konsumen Daging Sapi
Model VAR (Vector Autoregressive)/VECM (Vector Error Correction Model) digunakan untuk menganalisis ada tidaknya integrasi pasar daging sapi antara pasar daerah sentra konsumen daging sapi (Jawa Barat dan Jakarta) dengan daerah sentra produsen daging sapi (Jawa Timur dan Nusa Tenggara Barat). Berdasarkan pertimbangan ketersediaan data harga daging yang memenuhi kriteria analisa maka pada penelitian ini dilakukan dengan kasus 2 provinsi produsen terbesar dan konsumen terbesar di Indonesia.
Model VAR/VECM adalah suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi linier dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel lain yang ada di dalam sistem. Sehingga, variabel penjelas dalam Model VAR/VECM meliputi nilai lag dari seluruh variabel tak bebas dalam sistem. Adapun model VAR dari integrasi pasar daging sapi daerah produsen dengan daerah konsumen adalah sebagai berikut:
Pkont = α1 + 1t + ϕ11 Pkont-1 + ... + ϕ1p Pkont-p +β11Pprot-1+...+ β1qPprot-q + t
dan
Pprot = α2 + 2t + ϕ21 Pprot-1 + ... + ϕ2p Pprot-p +β21Pkont-1+...+ β1qPkont-q + t
dimana Pkont adalah vektor nx1 dari harga daging sapi di tingkat konsumen pada
orde satu, umumnya dinotasikan I(1); Pprot merupakan harga daging sapi di
daerah produsen dan t adalah nx1 vektor inovasi (Rosadi, 2012). Pada penelitian ini n yang diteliti berjumlah 4 variabel harga (masing-masing 2 harga di daerah konsumen dan 2 harga di daerah produsen). Apabila variabel-variabel tersebut ditransformasi dalam bentuk vektor terlihat pada formulasi di bawah ini:
� = 1 2 3 4 + 11 21 31 41 12 22 32 42 13 23 33 43 14 24 34 44 −1 � −1 −1 −1 + �1 �2 �3 �4 dimana:
Pjatim = harga daging sapi (tingkat produsen) di Jawa Timur (Rp/kg)
PNTB = harga daging sapi (tingkat produsen) di Nusa Tenggara Barat (Rp/kg) Pjabar = harga daging sapi (tingkat konsumen) di Jawa Barat (Rp/kg)
Pjkt = harga daging sapi (tingkat konsumen) di Jakarta (Rp/kg) αi = parameter yang akan diestimasi
Adapun spesifikasi model VECM integrasi pasar daging sapi antara daerah konsumen dan daerah produsen adalah sebagai berikut :
ΔPkont= φ1+ 1t + λ1 et-1+ 11ΔPkont-1 + ... + 1pΔPkont-p +ω11ΔPprot-1+...+ ω1qΔPprot-q + 1t
dan
ΔPprot= φ2+ 2t + λ2 et-1+ 21ΔPprot-1 + ... + 2pΔPprot-p +ω21ΔPkont-1+...+ ω2qΔPkont-q + 2t
Dimana:
Pprot = vektor yang berisi variabel yang dianalisis dalam penelitian
(harga daging sapi di sentra produksi (Rp/kg) Pkont = harga daging sapi di sentra konsumsi (Rp/kg) φx = vektor intercept
2p;ω2q = vektor koefisien regresi
t = time trend
2p = αx ’ dimana b’ mengandung persamaan kointegrasi jangka
panjang
Pkont-1; Pprot-1 = variabel in-level
λx = matriks koefisien regresi yang menunjukkan adanya integrasi
jangka pendek
� = error term
2) Analisis Integrasi Pasar Daging Sapi Domestik dengan Pasar Daging Sapi Internasional
Pengujian hipotesis kedua mengenai analisis integrasi pasar spasial antara pasar daging sapi domestik dengan pasar daging sapi dunia digunakan model VAR (Vector Autoregression)/VECM (Vector Error Correction Model). Model VAR (Vector Autoregressive) / VECM (Vector Error Correction Model) digunakan untuk menganalisis ada tidaknya kesaling-tergantungan harga daging sapi secara spasial antar pasar. Analisis integrasi pasar spasial ini memasukkan harga daging sapi internasional, dengan pertimbangan bahwa Indonesia merupakan negara importir daging sapi dalam jumlah besar di dunia, sehingga menurut harga daging sapi Indonesia akan dipengaruhi oleh harga daging sapi di pasar internasional.
Model VAR/VECMadalah suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi linier dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel lain yang ada di dalam sistem. Sehingga, variabel penjelas dalam Model VAR/VECM meliputi nilai lag dari seluruh variabel tak bebas dalam sistem. Di dalam model VAR/VECM diasumsikan semua variabel tak bebas bersifat stasioner dan semua galat bersifat
whitenoise, yakni memiliki rataan nol, ragam konstan dan saling bebas. Variabel tak bebas yang tidak stasioner akan menghasilkan regresi semu (spurious regression). Variabel tak bebas yang tidak stasioner seringkali menunjukkan hubungan ketidakseimbangan dalam jangka pendek, namun ada kecenderungan terdapat hubungan keseimbangan dalam jangka panjang. Model yang digunakan untuk mengatasi ketidakstasioner data adalah model VEC (Vector Error Correction), dimana model ini akan mengkoreksi secara bertahap adanya ketidakseimbangan tersebut deviasi melalui penyesuaian parsial jangka pendek (Enders, 1995; dan Gujarati, 2004). Adapun model VAR dari integrasi pasar daging sapi domestik dengan pasar daging sapi dunia adalah sebagai berikut:
dan
PWt = α2 + 2t + ϕ21 PWt-1 + ... + ϕ2p PWt-p +β21PDt-1+...+ β1qPDt-q + t
dimana Pdomt adalah vektor nx1 dari harga daging sapi di pasar domestik pada
orde satu, umumnya dinotasikan I(1); Pdunt merupakan harga daging sapi dunia
dan t adalah nx1 vektor inovasi (Rosadi, 2012). Pada penelitian ini n yang diteliti
berjumlah 2 variabel harga (harga daging sapi domestik dan harga daging sapi dunia). Apabila variabel-variabel tersebut ditransformasikan ke dalam bentuk vektor terlihat pada formulasi di bawah ini:
� � = 12 + 11 21 12 22 �−1 �−1 + �1 �2 dimana:
PD = harga daging sapi domestik (Rp/kg) PW = harga daging sapi dunia (Rp/kg) αi = parameter yang akan diestimasi
Adapun spesifikasi model VECM integrasi pasar daging sapi domestik dengan pasar internasional adalah sebagai berikut :
ΔPDt= φ1+ 1t + λ1 et-1+ 11ΔPDt-1 + ... + 1pΔPDt-p +ω11ΔPWt-1+...+ ω1qΔPWt-q + 1t dan ΔPWt= φ2+ 2t + λ2 et-1+ 21ΔPWt-1 + ... + 2pΔPWt-p +ω21ΔPDt-1+...+ ω2qΔPDt-q + 2t Dimana:
PDt = harga daging sapi domestik (Rp/kg)
PWt = harga daging sapi dunia (Rp/kg) φx = vektor intercept
2p;ω2q = vektor koefisien regresi
t = time trend
2p = αx ’ dimana b’ mengandung persamaan kointegrasi jangka panjang
Yt-1; Xt-1= variabel in-level
λx = matriks koefisien regresi yang menunjukkan adanya integrasi jangka
pendek
� = error term
Tahapan Analisis VAR/VECM
Tahapan pengolahan data dengan menggunakan model VAR/VECM adalah: a) uji stasioneritas data dan derajat intergrasi, b) penentuan panjang lag, c) uji kointegrasi, d) estimasi model VAR/VECM, e) fungsi respon impuls, f) dekomposisi ragam. Software yang digunakan dalam penelitian ini yaitu Microsoft Exel untuk membuat tabulasi data dan Eviews 6 untuk mengolah data model
VAR/VECM. Secara garis besar, langkah-langkah untuk menggunakan metode VAR/VECM dalam sebuah penelitian adalah sebagai berikut:
a) Uji Stationeritas atau Unit Root Test
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Kestasioneran diperlukan untuk menghindari adanya spurious regression (regresi palsu). Suatu persamaan dikatakan stasioner apabila memiliki mean, variance, dan covariance yang konstan pada setiap lag dan tidak mengandung unit root. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented Dickey-Fuller (ADF) pada derajat yang sama (level atau different) hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya (Enders, 1995).
Widarjono (2010) menjelaskan bahwa fungsi uji ADF adalah untuk melihat ada tidaknya trend di dalam pergerakan data yang akan diuji. Uji ADF terdiri dari perhitungan regresi yang dirumuskan sebagai berikut.
∆� = �−1+ ∆�− + � � =1 ∆� = 0+ �−1+ ∆�− + � � =1 ∆� = 0+ 1 + �−1+ ∆�� − + � =1 dimana :
ΔYt = Selisih variabel (Yt– Yt-1) = (ρ-1)
α0, α1, , i = Koefisien
t = Trend waktu
Y = Variabel yang diuji stasioneritasnya (variabel harga daging sapi di provinsi sentra produksi (Rp/kg), harga daging sapi di provinsi sentra konsumsi (Rp/kg), harga daging sapi domestik(Rp/kg), harga daging sapi dunia(Rp/kg))
P = Panjang lag yang digunakan dalam model = Error persamaan
Perbedaan persamaan 1 (satu) dengan dua regresi lainnya adalah memasukkan konstanta dan variabel trend waktu. Persamaan 1 (satu) digunakan pada data observasi yang diasumsikan hanya memiliki intersep, tidak memiliki konstanta dan trend. Persamaan 2 digunakan dengan asumsi data observasi terdapat konstanta dan intersep. Persamaan 3 digunakan apabila data observasi diasumsikan memiliki komponen konstanta, intersep, dan trend. Hipotesis dalam uji ini adalah H0 jika =0 berarti data time series mengandung unit root yang
bersifat tidak stasioner dan H1jika <1 berarti data bersifat stasioner.
Penggunaan aplikasi program Eviews 6 mengkategorikan data tersebut stasioner atau tidak dengan membandingkan nilai Mackinnon critical dengan nilai mutlak ADFstatistiknya. Jika dalam uji stasioneritas ini menunjukkan nilai ADFstatistik yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak mengandung unit root.
Sebaliknya, jika nilai ADFstatistik lebih kecil daripada Mackinnon critical value, maka dapat disimpulkan bahwa data tersebut tidak stasioner pada derajat level. Dengan demikian, differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different I (1) harus dilakukan, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya (Ajija et al. 2011). Jika data sudah stasioner sejak awal maka model VAR in level dapat langsung dilakukan. Jika data belum stasioner, maka harus melalui proses differencing, kemungkinan model yang digunakan adalah model VAR in difference (VARD) dan Vector Error Correction Model (VECM).
b)Uji Stabilitas VAR
Langkah berikutnya adalah menguji stabilitas VAR. Uji stabilitas VAR dilakukan denganmenghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai absolutnya <1 maka model VAR tersebut dianggap stabil sehingga Impulse Response Function (IRF) dan
Forecast Error Variance Docomposition (FEVD) yang dihasilkan dianggap valid.
c) Penentuan Lag Optimum
Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Jika lag yang digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise
sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya,
dan standar kesalahan tidak diestimasi secara baik. Namun demikian, jika memasukkan terlalu banyak lag, maka dapat mengurangi kemampuan untuk menolak H0 karena tambahan parameter yang terlalu banyak akan mengurangi
derajat bebas. Panjangnya kelambanan variabel yang optimal diperlukan untuk menangkap pengaruh dari setiap variabel terhadap variabel lain di dalam sistem VAR.
Selanjutnya, untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas, menurut Enders (1995) berikut adalah kriteria yang digunakan:
Akaike Information Criterion (AIC) : T log |Σ| + β N Schwarz Bayesian Criterion (SBC) : T log |Σ| + N log (T)
Dimana :
T = Jumlah observasi
|Σ| = Determinan dari matriks varians/kovarians dari sisaan N = Jumlah parameter yang diestimasi
Dalam penentuan lag optimal dengan menggunakan kriteria informasi tersebut, kriteria yang dipilih adalah kriteria yang mempunyai jumlah dari AIC dan SBC yang paling kecil di antara berbagai lag yang dianjurkan. Bila semakin kecil nilai kriteria tersebut, maka nilai harapan yang dihasilkan oleh sebuah model akan semakin mendekati kenyataan. Sedangkan jika beberapa kriteria tersebut digunakan maka ada kriteria tambahan yaitu adjusted R2 sistem VAR. Panjang kelambanan optimal terjadi jika nilai adjusted R2 adalah paling tinggi (Widarjono, 2010).
d)Uji Kointegrasi (Johansen Cointegration Test)
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stationer terkointegrasi atau tidak. Konsep kointegrasi yang dikemukakan oleh Engle Granger sebagai kombinasi linear dari dua atau lebih variabel yang tidak stationer dan menghasilkan variabel yang stationer. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang di antara variabel (Firdaus, 2011). Uji yang dilakukan adalah trace test yaitu mengukur jumlah vektor kointegrasi dalam data dengan menggunakan pengujian pangkat matriks kointegrasi yang dinyatakan sebagai berikut (Enders 1995) :
� ( ) = – = +1
(1− )
( , +1) = – (1− + 1) dimana:
λt = Nilai dugaan akar karakteristik (eigenvalues) yang didapatkan dari
estimasi matriks π T = Jumlah observasi
r = Pangkat yang mengindikasikan jumlah vektor kointegrasi
Pada uji λtrace , H0 adalah jumlah vektor kointegrasi yang hilang ≤ r
sebagai alternatif umum. Jika λtrace < λtabel maka terima H0 yang artinya
kointegrasi terjadi pada rank r. Sementara pada uji λmax, H0 yaitu jumlah vektor
kointegrasi = r adalah alternatif dari vektor kointegrasi r+1 (Enders, 1995). Dalam penggunaan Eviews 7, pengambilan keputusan dilakukan dengan melihat nilai
trace statistic dan critical value. Jika trace statistic > critical value, persamaan tersebut terkointegrasi. Dengan demikian H0 = non-kointegrasi dengan hipotesis
alternatifnya H1 = kointegrasi. Jika trace statistic > critical value, maka tolak H0
atau terima H1 yang artinya terjadi kointegrasi. Jika tidak terdapat kointegrasi
antar variabel maka digunakan model VARD (VAR in difference), sedangkan jika dalam data yang diduga di model VAR terdapat kointegrasi maka model VAR yang digunakan adalah model VECM (Vector Error Correction Model) (Firdaus, 2011)
e) Estimasi Model VAR
Estimasi model VAR dapat ditulis ke dalam bentuk persamaan sebagai berikut:
yt= μ + A1 yt-1 + ... + Ap yt-p + t
dimana yt adalah vektor nx1 dari variabel yang terintegrasi pada orde satu,
umumnya dinotasikan I(1) dan t adalah nx1 vektor inovasi (Firdaus, 2011). Pada
penelitian ini n yang diteliti berjumlah 6 variabel. Selanjutnya, dari hasil estimasi VAR, untuk melihat apakah variabel Y memengaruhi X dan demikian pula sebaliknya, hal ini dapat diketahui dengan cara membandingkan nilai t-statistik hasil estimasi dengan nilai t-tabel. Jika nilai t-statistik lebih besar daripada t- tabelnya, maka dapat dikatakan bahwa variabel Y memengaruhi X.
Model VAR dapat disusun setelah variabel-variabel dilihat kestasionerannya, kointegrasi, kelambanan, dan kecocokan variabel untuk dimasukkan ke dalam model. Berdasarkan penjelasan dari model VAR yang dilakukan oleh Widarjono (2010) dan Enders (1995), dapat diasumsikan model VAR kelambanan satu.
Jika terdapat kointegrasi pada data yang dicek kestasionerannya maka model yang digunakan adalah model VECM (Vector Error Correction Model) lag p rank r. VECM merupakan bentuk VAR yang teretriksi. Retriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stationer pada level, tetapi terkointegrasi. VECM kemudian memanfaatkan informasi retriksi koinetgrasi tersebut ke dalam spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series nonstationer yang memiliki hubungan koinetgrasi. Adapun spesifikasi model VECM secara umum adalah sebagai berikut (Firdaus, 2011) : ∆ = 0 + 1 +∏ −1+ Γ −1 =1 ∆ −1+� Dimana:
yt = vektor yang berisi variabel yang dianalisis dalam penelitian (harga
daging sapi di sentra produksi (Rp/kg), harga daging sapi di sentra konsumsi (Rp/kg), harga daging sapi dunia (Rp/kg) dan harga daging sapi domestik (Rp/kg)).
µ0x = vektor intercept
µ1x = vektor koefisien regresi
t = time trend
∏x = αx ’ dimana b’ mengandung persamaan kointegrasi jangka panjang
yt-1 = variabel in-level
Γ = matriks koefisien regresi yang menunjukkan adanya integrasi jangka pendek
k-1 = ordo VECM dari VAR
� = error term
Γ menjelaskan dinamika jangka pendek dari system, dan ∏x adalah
matriks koefisien jangka panjang yang dapat dinyatakan sebagai ∏x = αx yang
menentukan jumlah vector kointegrasi dalam system. Informasi tentang dinamika jangka panjang system ditentukan dalam matriks dan efek ketidakseimbangan jangka pendek diukur dengan matriks α.
f) Analisis Hasil Estimasi Model VAR/VECM
Koefisien hasil estimasi model VAR/VECM sulit diinterpretasi secara individual. Untuk itu digunakan dua analisis lanjutan yakni penentuan impulse response dan penentuan variance decomposition (Enders, 1995). Analisis impulse response digunakan untuk malacak respon dari variabel endogen di dalam sistem VAR karena adanya perubahan (goncangan atau shock) di dalam variabel
gangguan ( ). Dengan analisis ini dapat diprediksi bagaimana respon variabel di
dalam sistem VAR pada saat ini dan di masa mendatang apabila terjadi perubahan (shock) pada variabel yang lain.
Analisis variance decomposition berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem model VAR. Hasil analisis dapat menunjukan berapa persen perubahan variabel harga daging sapi di pasar domestik disebabkan oleh dirinya sendiri dan berapa persen berasal dari pengaruh perubahan variabel harga daging sapi internasional.
3) Analisis Respon Penawaran Daging Sapi terhadap Perubahan Harga Daging Sapi
Guna mencapai tujuan ketiga dari penelitian ini yaitu mengenai respon penawaran daging sapi digunakan model penyesuaian parsial nerlove dengan menggunakan metode ECM (Error Correction Model). Teori ekonomi mikro menunjukkan bahwa determinan utama dari fungsi penawaran suatu produk adalah harga sendiri, yaitu untuk penelitian ini, harga domestik daging sapi. Teori ekonomi lebih lanjut menunjukkan bahwa besar shifter untuk produksi daging sapi dan harga produk lain dan harga input. Untuk analisis ini digunakan harga produk lainnya adalah harga daging ayam. Sebuah model ekonometrik yang cocok untuk analisis pertanian mengenai respon penawaran berdasarkan data time series telah dikembangkan oleh Nerlove (1956). Menurut McKay et al. (1999),
Nerlove Supply Response Model (NSR) memungkinkan menjelaskan perilaku optimasi dinamis petani, keputusan dan reaksi mereka terhadap perubahan harga. Penelitian menggunakan model penyesuaian yaitu dalam persamaan berikut, produsen menyesuaikan output Yt ke tingkat yang diinginkan atau optimum (Yt*).
Yt merupakan jumlah ternak yang diinginkan (penawaran ternak sapi). Hal ini dapat terlihatpada persamaan berikut:
Yt- Yt-1= (Yt*- Yt-1)
Dimana, adalah elastisitas jangka panjang output terhadap harga. Dengan
kata lain, perubahan output antara periode saat ini dan sebelumnya hanya proporsi perbedaan antara tingkat optimal dan output tahun lalu. Parameter adalah koefisien penyesuaian dan nilainya terletak antara nol dan satu. Pembatasan ditempatkan pada parameter dalam persamaan di atas adalah baik intuitif, dan teoritis suara. Jika = 1, ini menunjukkan bahwa produsen dapat sepenuhnya menyesuaikan diri dengan penawaran dan guncangan permintaan dalam satu periode dan Yt* = Y t. Jika = 0, ini menunjukkan bahwa tidak ada
penyesuaian Yt = Yt-1. Perkiraan mendekati satu menunjukkan penyesuaian yang
cepat; dan yang rendah menunjukkan penyesuaian yang sangat lambat terhadap perubahan variabel eksogen terutama perubahan harga daging sapi.
Pada Model Nerlove Supply Response terdapat komponen penyesuaian tambahan yang juga termasuk asumsi lain, yang disebut "komponen harga harapan" sebagai berikut:
Pt* - Pt-1* = (Pt-1 –Pt-1*) and [0 < < 1]
Komponen harga harapan terdiri dari ide bahwa setiap tahun, peternak sapi merevisi harga yang mereka berharap untuk terus meningkatkan harga di tahun mendatang secara proporsional dengan mengoreksi harga yang diharapkan
pada tahun berjalan. Dengan demikian, harga diharapkan dalam tahun berjalan dinotasikan dengan Pt*, harga diharapkan tahun sebelumnya oleh Pt-1*, yang
harga sebenarnya tahun sebelumnya oleh Pt-1, dan proporsi kesalahan dimana
petani merevisi harapan mereka dilambangkan oleh konstan, yang nilainya terletak antara nol dan satu. Singkatnya, model penyesuaian nerlove dalam penelitian ini yang diperoleh dari beberapa studi literatur dapat dituliskan sebagai berikut:
St = f (PDt, PWt, PSusut, PAyamt, Qt, PPakant, )
Dimana St merupakan penawaran daging sapi pada periode t (000 ton), PD
merupakan harga daging sapi domestik yang merupakan koefisien integrasi (Rp/kg), PW merupakan harga saging sapi impor(dunia) (Rp/kg), PSusu merupakan harga susu sapi perah (Rp/liter), Harga daging ayam (Rp/kg), Q merupakan populasi sapi pedaging (ekor) dan PPakan adalah harga pakan ternak (Rp/kg).
Variabel-variabel independen yang digunakan untuk menduga mengenai respon penawaran daging sapi di Indonesia, penulis mengacu pada penelitian Gosalamang, et al (2012) dimana dalam penelitiannya mengenai respon penawaran daging sapi memasukkan faktor-faktor seperti harga daging sapi, harga impor daging sapi, harga komoditas substitusi, inventori daging sapi, adanya curah hujan dan harga input produksi. Namun dalam penelitian ini, peneliti memasukkan unsur integrasi pasar sebagai variabel independen yang mempengaruhi respon penawaran daging dimana unsur integrasi pasar dalam penelitian ini diproxy dengan adanya koefisien integrasi pasar sebagai proksi harga daging sapi domestik. Selain itu, variabel independen lainnya peneliti memasukkan variabel harga susu sapi perah sebagai harga komoditas lain, variabel populasi sapi pedaging sebagai variabel ketersediaan daging sapi serta harga pakan yang merupakan proxy dari input produksi daging sapi
Adapun estimasi persamaan di atas adalah sebagai berikut:
St= α + 1PD t-1 + 2PW t-1 + 3PSusu t-1+ 4APayamt-1 + 5Q t-1 +
6PPakant-1 + + (1- ) S t-1+ Ut
St - S t-1= (St*- St-1) ; ∈ [0, 1]
atau
St = (1- ) St-1 + St*
dimana St merupakan jumlah sapi yang ditawarkan untuk dipotong pada tahun ke-
t, dan St-1 merupakan output sapi pada tahun t-1; St* merupakan output sapi yang
diharapkan, merupakan koefisien penyesuaian.
Metode yang digunakan dalam analisis respon penawawaran ini adalah metode ECM (Error Correction Model). Adapun prosedur analisisnya adalah sebagai berikut:
a) Uji Stationeritas atau Unit Root Test
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Kestasioneran diperlukan untuk menghindari adanya spurious regression (regresi palsu). Suatu persamaan dikatakan stasioner apabila memiliki mean, variance, dan covariance yang konstan pada setiap lag dan tidak mengandung unit root. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented Dickey-Fuller (ADF) pada derajat yang sama (level atau different) hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya (Enders, 1995).
Widarjono (2010) menjelaskan bahwa fungsi uji ADF adalah untuk melihat ada tidaknya trend di dalam pergerakan data yang akan diuji. Uji ADF