Lokasi dan Waktu Penelitian
Penelitian mengenai “Peranan Total Factor Productivity (TFP) dan Hubungan Ekspor- Pertumbuhan Domestik Bruto (PDB), dan Perubahan Struktur Ekonomi di Sektor Pertanian Indonesia” mencakup seluruh sektor pertanian di Indonesia. Penelitian dilakukan dengan cara mengumpulkan data dan informasi dari Badan Pusat Statistik (BPS), Bank Indonesia (BI), Badan Koordinasi Penanaman Modal (BKPM), perpustakaan Insitut Pertanian Bogor (IPB), dan berbagai literatur dari media cetak maupun internet. Penelitian ini dilaksanakan mulai bulan Mei 2011 sampai dengan bulan Desember 2012.
Jenis dan Sumber Data
Jenis data yangdigunakan dalam penelitian ini adalah data sekunder berupa data time series periode 1980 sampai dengan 2011. Data yang digunakan terdiri dari data PDB nasional, PDB pertanian, tenaga kerja di sektor pertanian, investasi penanaman modal asing dan penanaman modal dalam negeri di sektor pertanian, volume ekspor total, volume ekspor pertanian, nilai ekspor pertanian, harga domestik pertanian, harga ekspor pertanian dan nilai tukar. Deskripsi data yang digunakan dalam penelitian dapat dilihat pada Tabel 3. Sumber data berasal dari Badan Pusat Statistik (BPS), Bank Indonesia (BI), Badan Koordinasi Penanaman Modal (BKPM), perpustakaan Insitut Pertanian Bogor (IPB), dan berbagai literatur dari media cetak maupun internet.
Tabel 3 Jenis dan sumber data yang digunakan dalam penelitian
No. Variabel Deskripsi Satuan Sumber data
1. PDB Produk Domestik
Bruto (PDB) di sektor pertanian
Miliar Rp PDB Pertanian adalah PDB tanaman pangan, PDB tanaman perkebunan, PDB peternakan, PDB kehutanan, dan PDB perikanan. Sumber : CEIC data
Company Limited
2. TK Tenaga kerja di
sektor pertanian.
Ribu Orang CEIC data Company Limited 3. IA Investasi yang berasal dari Penanaman Modal Asing (PMA). Juta US$ BPS 4. ID Investasi yang berasal dari Penanaman Modal Dalam Negeri (PMDN). Miliar Rp BPS 5. X Ekspor di sektor pertanian. Juta US$ BPS 6. PD Harga Output Pertanian
Indeks Data harga output didekati dengan Indeks Harga Perdagangan Besar
untuk Pertanian (1983=100) Sumber : CEIC data
Company Limited
7. PX Harga Ekspor
Pertanian
Indeks Data harga output didekati dengan Indeks Harga Perdagangan Besar
untuk Ekspor Non Migas (1983=100)
8. ER Nilai Tukar Rp/US $ BPS
Metode Analisis Data
Software yang digunakan untuk melakukan pengolahan data adalah Eviews 6 dan Microsoft Excel 2007.Metode analisis yang digunakan untuk menjawab berbagai tujuan dalam penelitian, sebagai berikut :
Analisis Peranan Total Factor Productivity Sektor Pertanian
Penelitian ini bertujuan untuk melihat peranan penggunaan teknologi dalam proses produksi. Kemajuan teknologi (TFP) dapat dianalisis melalui fungsi produksi Cobb-Douglas sebagai berikut :
Q = ALαKβ………..…………(3.1) Tahap-tahap yang dilakukan dalam melakukan perhitungan TFP, yaitu : 1. Melakukan transformasi fungsi produksi Cobb-Douglas ke dalam bentuk
logaritma linier.
2. Melakukan analisis regresi fungsi produksi Cobb-Douglas yang telah ditransformasi dalam bentuk logaritma untuk memperoleh nilai elastisitas α
dan β.
3. Melakukan perhitungan Total FactorProductivity (TFP)
4. Melakukan perhitungan kontribusi pertumbuhan kemajuan teknologi (TFP) terhadap pertumbuhan output (PDB) sektor pertanian di Indonesia.
Berdasarkan persamaan Cobb-Douglas (3.1), maka penelitian menggunakan persamaan sebagai berikut :
PDB = a0 TKa1IAa2IDa3………...(3.2) Linearisasi persamaan (3.2) menghasilkan bentuk sebagai berikut ;
LogPDB = Log a0 + a1 LogTK + a2 LogIA + a3 LogID + ei……...…...(3.3) dimana :
PDB = Produk Domestik Bruto pertanian (miliar Rp) TK = tenaga kerja di sektor pertanian (ribu orang) IA = investasi asing di sektor pertanian (juta US$)
ID = investasi dalam negeri di sektor pertanian (miliar Rp) a0,..,a3 = parameter yang diduga
ei = error term
Investasi digunakan sebagai pendekatan kapital, karena investasi dilakukan untuk membentuk faktor produksi kapital, dimana sebagian dari investasi digunakan untuk pengadaan berbagai barang modal yang akan digunakan dalam kegiatan proses produksi. Melalui investasi, kapasitas produksi dapat ditingkatkan sehingga mampu meningkatkan output dan akan meningkatkan pendapatan.
Perhitungan TFP sebagai pendekatan untuk melihat pertumbuhan kemajuan teknologi yang terjadi di sektor pertanian Indonesia dapat dihitung dengan persamaan sebagai berikut :
∆TFP TFP = ∆PDB PDB – a1 ∆TK TK – a2 ∆IA IA – a3 ∆ID ID………..……(3.4) dimana :
a1 = rata-rata kontribusi tenaga kerja. a2 = rata-rata kontribusi investasi asing.
a3 = rata-rata kontribusi investasi dalam negeri.
∆TFP
TFP = Total Factor Productivity (TFP)
∆PDB
PDB = pertumbuhan ekonomi (PDB)
∆TK
TK = pertumbuhan tenaga kerja.
∆IA
IA = pertumbuhan investasi asing sebagai kapital.
∆ID
Analisis Hubungan Ekspor Pertanian-PDB Pertanian Indonesia
Model Error Correction Model (ECM) digunakan dalam penelitian untuk melihat hubungan jangka pendek dan jangka panjang antara ekspor pertanian dengan PDB pertanian serta variabel-variabel lain yang mempengaruhi ekspor pertanian.Estimasi jangka panjang dilakukan dengan menggunakan uji kointegrasi
Engel-Granger.Sedangkan estimasi jangka pendek dengan menggunakan ECM atau model koreksi kesalahan.Syarat yang harus dipenuhi dalam menggunakan ECM adalah terdapat minimal satu variabel yang tidak stasioner.Jika seluruh data yang digunakan ternyata stasioner, maka persamaan tersebut tidak dapat dianalisa dengan menggunakan ECM.
Pengujian Pra Estimasi
• Uji Stasioneritas Data
Pengujian stasioneritas data dilakukan dengan menguji akar-akar unit atau
unit root test. Data yang tidak stasioner akan mempunyai akar-akar unit, sebaliknya data yang stasioner tidak mempunyai akar-akar unit. Data yang tidak stasioner akan menghasilkan spurious regression yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang terlihat signifikan secara statistik tetapi pada kenyataanya tidak atau tidak sebesar regresi yang dihasilkan tesebut.
Kestasioneran data dapat diketahui melalui pengujian akar-akar unit dengan metode Dickey-Fuller (DF).Diketahui model persamaan time series sebagai berikut: yt = ρyt−1+ εt. Dengan mengurangkan kedua sisi persamaan tersebut dengan yt-1 maka akan didapat persamaan:
∆yt =
δ
yt-1 + εt……….………..(3.5) dimana ∆ merupakan perbedaan pertama (first difference), danδ
= (ρ
-1), sehingga hipotesis yang diuji adalah: H0:δ
= 0 dan hipotesis alternatif H0:δ
< 0.Model pengujian unit root yang digunakan dalam banyak penelitian adalah model Aughmented Dickey Fuller (ADF) test. Model umum dari uji ADF adalah sebagai berikut:
∆yt = k + αyt-1 + c1∆yt-1 + c2∆yt-2 + ... + cp∆yt-p + Trend + εt ………..(3.6) Hipotesis yang diuji pada uji ADF adalah apakah H0::
δ
= 0 dengan hipotesis alternatif H0:δ
< 0. Jika nilai uji ADF statistiknya lebih besar dari Mac Kinnon Critical Value maka hipotesis nol yang menyatakan bahwa data tidak stasioner ditolak terhadap hipotesis alternatifnya dengan kata lain dengan menolak H0 berarti data stasioner. Solusi yang dapat dilakukan apabila data tidak stasioner pada uji ADF adalah dengan melakukan difference non stasionary processes.Adanya variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of the test
• Uji Kointegrasi (Cointegration)
Uji kointegrasi dilakukan untuk melihat hubungan jangka panjang antar variabel. Thomas (1990) menyatakan bahwa kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasisioner, tetapi kombinasi linier antara variabel-variabel tersebut dapat menjadi bersifat stasioner. Hal yang serupa juga dinyatakan oleh Engle and Granger (1983) bahwa sebuah kombinasi linier dari dua atau lebih variabel mungkin bisa stasioner I(0), meskipun variabel-variabelnya secara individual tidak stasioner I(1). Jika kombinasi linier ini stasioner maka hubungan linear tersebut bisa disebut sebagai kointegrasi dan jika bentuknya adalah persamaan maka hal ini adalah persamaan kointegrasi dan parameternya merupakan parameter-parameter kointegrasi yang mencerminkan hubungan jangka panjang.
Metode yang dapat digunakan untuk melakukan uji kointegrasi, diantaranya
Engle-Granger Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Metode Engle-Granger Cointegration Testdilakukan dengan menggunakan metode Augmented Dickey-Fuller (ADF) dalam dua tahap. Tahap pertama, variabel-variabel (dalam level) diuji secara sendiri-sendiri dengan metode ADF, dan umumnya akan diperoleh variabel-variabel yang tidak stasioner. Tahap dua, variabel dependen diregresi dengan variabel-variabel penjelas dan kemudian lakukan pengujian terhadap residual regresi tersebut. Oleh karena itu, metode ini juga disebut juga sebagai Augmented Engle-Granger (AEG) dengan cara:
………..(3.7) di mana: uiadalah residual, ρ adalah lag optimal dari variabel dependen, dan
et adalah error term. Kemudian hasil t-ADF dibandingkan dengan nilai-nilai kritis MacKinnon untuk menguji hipotesis Ho: tidak terkointegrasi dan H1: terkointegrasi.
Jika Ho ditolak maka variabel ui adalah stasioner atau dalam hal ini kombinasi linear antar variabel adalah stasioner.Artinya meskipun variabel yang digunakan tidak stasioner, namun dalam jangka panjang variabel-variabel tersebut cenderung menuju pada keseimbangan.Oleh karena itu, kombinasi linear dari variabel-variabel tersebut disebut regresi kointegrasi. Parameter-parameter yang dihasilkan dari kombinasi tersebut dapat disebut sebagai koefisien-koefisien jangka panjang atau co-integrated parameters.
Secara umum, persamaan jangka panjang didefinisikan sebagai berikut : Y = C + a1X1t+ a2X2t + a3X3t+ ... + a5Xnt...(3.8) Sedangkan persamaan jangka panjang yang diestimasi dalam penelitian sebagai berikut (dalam logaritma):
LogXt = a0+ a1LogPDBt+ a2LogTFPt + a3LogPDt+ a4LogPXt + a5LogERt + et………...(3.9) dengan a1> 0, a2>0, a3<0, a4>0, dan a5>0.
dimana :
a0 = intersep
an = parameter yang diduga, dimana n=1,2,..5 dan menggambarkan hubungan jangka panjang antar variabel independent dengan variabel dependent. t j t j t t u c u e u = + ∆ + ∆
∑
= − − ρ ρ α 1 1 1LogXt = Nilai ekspor pertanian pada periode t (juta US$) LogPDBt = PDB sektor pertanian pada periode t (Miliar Rp) LogTFPt = Total Factor Productivity (TFP) sektor pertanian pada
periode t.
LogPXt = Harga ekspor sektor pertanian pada periode t (Indeks) LogPDt = Harga domestik sektor pertanian pada periode t (Indeks) LogERt = Nilai Tukar pada periode t (Rp/US$)
et = Error distribunce pada periode t
• Estimasi Error Correction Model (ECM)
Penggunaan ECM bertujuan untuk mengatasi masalah adanya perbedaan kekonsistenan hasil antara analisis dalam jangka pendek dan jangka panjang dengan cara proporsi disequilibrium pada satu periode, dikoreksi pada periode berikutnya sehingga tidak ada informasi yang dihilangkan hingga penggunaan untuk analisis jangka panjang (Thomas, 1997). Karena kelebihannya dalam menggabungkan efek jangka pendek dan jangka panjang, ECM menjadi model yang dapat menjelaskan variabel dengan baik. Model ECM terbentuk dari fungsi awal sebagai berikut :
Y = f(X1, X2, X3)...(3.10) dengan model linier dapat ditulis sebagai berikut :
Y = b0+ b1X1+ b2X2 + b3X3 + u...(3.11) kemudian model (3.11) dibentuk menjadi model dinamis yang menyertakan kelambanan atau lag yang biasa dikenal dengan Error Correction Model yang didefinisikan sebagai berikut :
DY= b0+ b1DX1+ b2DX2 + b3DX3+ b4BX1 + b5BX2 + b6BX3 + b7ECT...(3.12) dimana :
D = First Difference
B = Kelambanan kebelakang (backward lag operator) Model persamaan (3.12) dapat dinyatakan sebagai berikut :
DYt = b0+ b1DX1t+ b2DX2t + b3DX3t+ b4X1t-1 + b5X2t-1 + b6X3t-1 + b7ECT...(3.13) Bentuk umum dari persamaan ECM jangka pendek sebagai berikut :
DYt = b0+ b1DX1t+ b2DX2t + ... + bnDXnt+ bn+1X1t-1 + bn+2X2t-1 + ... + bn+kXkt-1 + b7ECT...(3.13) Persamaan ECM dalam penelitian sebagai berikut (dalam logaritma) :
DLogXt = b0+ b1DLogPDBt + b2DLogTFPt + b3DLogPDt + b4DLogPXt + b5DLogERt + b6 DLogXt-1 + b7DLogPDBt-1+ b8DLogTFPt-1 + b9DLogPDt-1+ b10DLogPXt-1 + b11DLogERt-1 + b12ECT...………...(3.14) denganb1> 0, b2>0, b3<0, b4>0,b5>0,b6> 0, b7>0, b8>0, b9<0,b10>0, b11>0 dan -1 < b12< 0.
dimana :
b0 = intersep
bn = parameter yang diduga, dimana n=1,2,..11 dan menggambarkan hubungan jangka pendek antar variabel independent dengan variabel dependent.
D = Perbedaan pertama (First difference)
LogPDBt = PDB sektor pertanian pada periode t (Miliar Rp) LogTFPt = Total Factor Productivity (TFP) sektor pertanian pada
periode t.
LogPXt = Harga ekspor sektor pertanian pada periode t (Indeks) LogPDt = Harga domestik sektor pertanian pada periode t (Indeks) LogERt = Nilai Tukar pada periode t (Rp/US$)
b12 = parameter Error Correction Term
ECTt = et = LogXt -a0- a1LogPDBt - a2LogTFPt- a3LogPDt – a4LogPXt - a5LogERt
Untuk mengetahui kebaikan dari model ECM, maka dilakukan uji kebaikan model ECM untuk mengetahui ada tidaknya pelanggaran asumsi regresi yang muncul pada estimasi model jangka pendek eskpor pertanian dengan PDB pertanian dan variabel lain yang mempengaruhi ekspor pertanian. Uji kebaikan model ECM yang digunakan dalam penelitian berupa pengujian pelanggaran asumsi klasik yang terdiri dari uji heteroskedastisitas, uji autokorelasi, uji normalitas dan uji multikolinearitas.
• Uji Heteroskedastisitas
Heteroskedastisitas merupakan kondisi dimana nilai penyebaran (varians) dari variabel independen tidak memiliki nilai yang sama (Gujarati, 1978). Uji heteroskedastisitas dapat dilakukan denganmenggunakan Autoregressif Conditional Heteroskedasticity (ARCH) Test dan White Heteroskedasticity Test.
Hipotesis yang digunakan sebagai berikut :
H0: tidak terdapat heteroskedastisitas (homoskedastisitas), H1: terdapat heteroskedastisitas.
Kriteria ujisebagai berikut:
Probability Obs*R-Squared < α (taraf nyata yang digunakan), maka tolak H0 Probability Obs*R-Squared > α (taraf nyata yang digunakan), maka terima H0
Artinya, jika hasil uji heteroskedastisitas menunjuukan tolak H0maka terdapat masalah heteroskedastisitas dalam model, sedangkan jika hasil uji menerima H0maka tidak terdapat masalah heteroskedastisitas dalam model.
• Uji Autokorelasi
Autokorelasi menunjukkan kondisi dimana nilai error tidak bersifat bebas antara yang satu dengan yang lainnya, dengan kata lain terjadikorelasi antar error
sehingga model yang baik menghasilkan error yang acak dan tidak berpola. Kondisi ini menyebabkan varians yang diperoleh underestimate.
Untuk mendeteksi autokorelasi digunakan uji Breusch-Godfrey Serial Correlation LM Test. Hipotesis yang digunakan sebagai berikut :
H0: tidak terdapat autokorelasi, H1: terdapat autokorelasi.
Dengan kriteria uji sebagai berikut:
Probability Obs*R-Squared < α (taraf nyata yang digunakan), maka tolak H0
Probability Obs*R-Squared > α (taraf nyata yang digunakan), maka terima H0
Artinya, jika hasil uji autokorelasi menolak H0maka menunjukkan terdapat masalah autokorelasi dalam model. Namun sebaliknya, jikahasil uji autokorelasi menerima H0maka menunjukkan tidak terdapat masalah autokorelasi dalam model.
• Uji Normalitas
Normalitas merupakan salah satu asumsi statistik dimana error term
terdistribusi normal. Untuk mengetahui normalitas error term digunakan ujiJarque-Bera, dengan hipotesis sebagai berikut :
H0: error termterdistribusi normal H1:error termtidak terdistribusi normal. Dengan kriteria uji sebagai berikut :
Apabila nilai probabilitas lebih besar dari taraf nyata (α) yang digunakan maka persamaan tidak mempunyai masalah normalitas atau error term
terdistribusi normal.
• Uji Multikolinearitas
Multikolinearitas merupakan suatu keadaan dimana antar variabel bebas terdapat hubungan yang sangat erat. Apabila terdapat korelasi antar variabel bebas, maka akan ada ketidaksesuaian pada model yang telah dibuat. Multikolinearitas dapat dilihat dari uji korelasi antar variabel bebas yang digunakan, jika terdapat korelasi yang tinggi antar variabel bebas tersebut maka terdapat multikolinearitas.
Analisis Perubahan Struktur (Structural Change) di Sektor Pertanian
Untuk mengetahui ada atau tidak perubahan struktur (structural change) pada model ECM yang telah diketahui, maka dilakukan uji stabilitas pada parameternya dengan menggunakan uji break point Chow. Dalam penelitian ini, diduga terdapat potensi ketidakstabilan parameter selama terjadi krisis ekonomi pada tahun 1997, dimana efek dari variabel-variabel yang ada dapat berubah dan menyebabkan berubahnya signifikansi pengaruh dari variabel-variabel yang terdapat dalam penelitian. Dengan demikian, akan dilakukan uji break point Chow untuk menganalisis konsistensi parameter sebelum dan sesudah terjadinya krisis ekonomi tahun 1997. Apabila hasil uji Chow menunjukkan terdapat structural break pada tahun 1997, maka break date tersebut dimasukkan ke dalam model ECM sebagai variabel dummy. Persamaan ECM penelitian menjadi sebagai berikut (dalam logaritma) :
DLogXt = b0+ b1DLogPDBt + b2DLogTFP t + b3DLogPDt + b4DLogPXt + b5DLogERt + b6DLogXt-1 + b7DLogPDBt-1+ b8DLogTFPt-1
+ b9DLogPDt-1+ b10DLogPXt-1 + b11DLogERt-1 + b12DummyKR + b13ECT...………...…...(3.15) dengan b1> 0, b2>0, b3<0, b4>0,b5>0,b6> 0, b7>0, b8>0, b9<0,b10>0, b11>0, b12>0, dan -1 < b13< 0.
dimana :
b0 = intersep
bn = parameter yang diduga, dimana n=1,2,..12 dan menggambarkan hubungan jangka pendek antar variabel independent dengan variabel dependent.
D = Perbedaan pertama (First difference)
LogXt = Nilai ekspor pertanian pada periode t (juta US$) LogPDBt = PDB sektor pertanian pada periode t (Miliar Rp) LogTFPt = Total Factor Productivity (TFP) sektor pertanian pada
LogPXt = Harga ekspor sektor pertanian pada periode t (Indeks) LogPDt = Harga domestik sektor pertanian pada periode t (Indeks) LogERt = Nilai Tukar pada periode t (Rp/US$)
DummyKR = Dummy Krisis Ekonomi
0= untuk sebelum dan sesudah krisis ekonomi 1= untuk selama krisis ekonomi
b6 = parameter Error Correction Term
ECTt = et = LogXt -a0- a1LogPDBt - a2LogTFPt- a3LogPDt – a4LogPXt - a5LogERt