Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk data deret waktu (time series) dengan periode tahunan, yaitu dari 2004 sampai 2013 dan data cross section yaitu 15 negara tujuan terbesar Indonesia. Data tersebut digunakan dalam analisis daya saing yaitu RCA dan EPD dan analisis determinan ekspor udang beku. Data dan sumber data yang digunakan sebagai peubah dalam penelitian dapat dilihat pada Tabel 3.
Tabel 3 Data dan sumber data
Variabel Satuan Simbol Sumber
Nilai Ekspor * USD X UN COMTRADE
Volume Ekspor (variabel
dependen)
TON Vijt UN COMTRADE
GDP riil per kapita Indonesia USD GDPit World Bank
GDP riil per kapita Negara Tujuan Ekspor
USD GDPjt World Bank
Jarak Geografi Km Jt CEPII
Variabel Satuan Simbol Sumber
Harga Udang Dunia USD Pw World Bank
Nilai Tukar Riil Indonesia terhadap negara tujuan
Mata uang negara tujuan
ERijt UNCTAD
*) Data digunakan untuk analisis daya saing RCA dan EPD
Metode Analisis Data
Metode yang digunakan dalam penelitian ini adalah metode kuantitatif. Alat analisis yang digunakan adalah Revealed Comparative Advantage (RCA), Export
Product Dynamic (EPD) untuk melihat daya saing udang beku dan Gravity model
untuk melihat faktor–faktor yang memengaruhi volume ekspor udang beku Indonesia. Pengolahan data dibantu dengan software Eviews 6 dan Microsoft
Excel 2007.
Analisis Revealed Comparative Advantage (RCA)
Analisis RCA digunakan untuk melihat keunggulan komparatif suatu produk. Analisis RCA menjelaskan jika ekspor dari suatu negara atas suatu jenis barang yang merupakan persentase dari jumlah ekspor produk negara tersebut lebih tinggi daripada pangsa ekspor barang yang sama maka negara tersebut memiliki keunggulan komparatif pada barang tersebut (Kalaba 2012). Terdapat beberapa peubah yang digunakan untuk menghitung daya saing suatu komoditi melalui perhitungan RCA. Adapun metode perhitungan RCA adalah sebagai berikut:
RCA = (Xi / Xt) /(Wi / Wt) Keterangan :
Xi : Nilai ekspor komoditi udang beku Indonesia ke negara importir udang beku Indonesia
Xt : Nilai total ekspor Indonesia ke negara importir udang beku Indonesia Wi : Nilai ekspor komoditi udang beku dunia ke negara importir udang beku
Indonesia
Wt : Nilai total ekspor dunia ke negara importir udang beku Indonesia
Nilai RCA yang lebih dari satu menyatakan bahwa komoditi tersebut memiliki keunggulan komparatif atau berdaya saing kuat. Nilai RCA yang kurang dari satu, menyatakan bahwa produk-produk tersebut tidak memiliki keunggulan komparatif atau berdaya saing lemah.
Analisis Export Product Dynamic (EPD)
Pendekatan Export Product Dynamics (EPD) digunakan untuk
mengidentifikasi keunggulan kompetitif suatu komoditi. Analisis EPD juga digunakan untuk mengetahui suatu komoditi dengan performa yang dinamis atau tidak pada pasar suatu negara. Indikator ini mengukur posisi pasar dari produk suatu negara pada negara lain. Sebuah matriks EPD terdiri dari daya tarik pasar dan informasi kekuatan bisnis. Daya tarik pasar dihitung berdasarkan pertumbuhan dari permintaan sebuah produk pada pasar tujuan tertentu. Informasi
kekuatan bisnis diukur berdasarkan pertumbuhan dari perolehan pasar (market
share) sebuah negara pada pasar tujuan tertentu. Kombinasi dari daya tarik pasar
dan kekuatan bisnis ini menghasilkan karakter posisi pasar suatu produk ke dalam empat kategori. Keempat kategori itu adalah rising star, falling star, lost
opportunity, dan retreat (Esterhuizen 2006).
Berdasarkan analisis ini, posisi pasar yang ideal adalah rising star. Posisi tersebut mengindikasi suatu negara meraih pangsa pasar pada produk yang tumbuh dengan cepat. Posisi lost opportunity merupakan posisi pasar yang paling tidak diinginkan karena posisi pasar ini mengindikasi suatu negara kehilangan pangsa pasar pada produk yang dinamis. Posisi falling star juga tidak diinginkan, meskipun lebih baik jika dibandingkan dengan lost opportunity karena pangsa pasar suatu negara meningkat pada produk yang tidak dinamis. Posisi retreat mungkin tidak diinginkan, tetapi mungkin juga diinginkan pergerakan produk beralih pada produk yang dinamis. Posisi pasar tersebut dapat dilihat pada Tabel 3 dibawah ini (Estherhuizen 2006).
Tabel 4 Posisi pasar
Sumber: Nabi dan Luthria (2002)dalam Esterhuizen (2006)
Hasil penentuan posisi pasar suatu produk dapat dilihat pada matriks dibawah ini melalui Gambar 12 yang menggambarkan posisi pasar pada masing-masing kuadran dengan sumbu x sebagai pangsa pasar ekspor dan sumbu y sebagai pangsa pasar produk.
Gambar 11 Matriks EPD Keterangan :
- Sumbu x menggambarkan peningkatan pangsa pasar ekspor negara tertentu di perdagangan dunia.
- Sumbu y menggambarkan peningkatan pangsa pasar produk tertentu di perdagangan dunia.
Adapun rumus yang digunakan dalam perhitungan EPD ini, diantaranya: Sumbu x:
Pertumbuhan kekuatan bisnis atau disebut pangsa pasar ekspor i: Share of Country’s Export in
World Trade
Share of Product in World Trade
Rising (Dynamic) Falling (Stagnant)
Rising (Competitive) Rising star Falling star
Falling (Non-Competitive) Lost opportunity Retreat
Rising star
Falling star Retreat
Sumbu y:
Pertumbuhan daya tarik pasar atau disebut pangsa pasar produk:
Keterangan :
Xij : Nilai ekspor produk i Indonesia ke negara importir udang beku Indonesia Wij : Nilai ekspor produk i dunia negara importir udang beku Indonesia
Xt : Nilai total ekspor Indonesia ke negara importir udang beku Indonesia Wt : Nilai total ekspor dunia ke negara importir udang beku Indonesia T : Jumlah tahun analisis
Gravity Model
Model gravitasi telah menjadi salah satu model empiris yang sukses dalam pemodelan ekonomi. Model gravitasi oleh ahli ekonomi dalam bidang perdagangan dianalogikan dengan hukum gravitasi yang ditemukan oleh Isaac Newton (Anderson 2010). Model gravitasi ekonomi digunakan untuk menguji peran biaya transportasi terhadap perdagangan suatu komoditi (Vido dan Prentice 2013). Model digunakan untuk menjelaskan aliran perdagangan bilateral yang dapat dijelaskan secara metode statistika dengan membagi ukuran ekonomi antara dua negara yang direpresentasikan dengan GDP dengan jarak antara pusat perdagangan antara kedua negara. (Bergstrand dan Egger 2010). Para peneliti menduga persamaannya sebagai berikut:
PX= (GDPit)(GDPjt) / DISTijt Keterangan : i : Indonesia
j : Negara tujuan
Peubah PX merupakan nilai aliran perdagangan. GDPit merupakan GDP negara asal, GDPjt merupakan GDP negara tujuan dan DISTijt merupakan jarak antara kedua negara. Kemudian dengan menggunakan persamaan logaritma, persamaan tersebut diubah kedalam bentuk linear untuk analisis ekonometrik yang selanjutnya menjadi bentuk umum dari gravity model. Dalam hal ini, konstanta G diubah menjadi bagian dari β0 dan digunakan GDP sebagai ukuran ekonomi untuk kedua negara.
Log PX (Aliran perdagangan bilateral) = β0 + β1log (GDPit) + β2log (GDPjt) + β3log (Jarakijt) + εijt
Penerapan konsep gravitasi pada model ini menggunakan volume ekspor udang beku sebagai variabel yang mewakili aliran perdagangan bilateral. Variabel yang mewakili total permintaan domestik diwakili oleh GDP per kapita Indonesia, permintaan negara tujuan direpresentasikan dengan GDP per kapita negara tujuan. Sementara itu, variabel pendukung atau penghambat aliran perdagangan antara negara pengimpor dan negara pengekspor yang digunakan dalam penelitian ini adalah variabel jarak, harga ekspor komoditi dan nilai tukar riil antar dua negara.
T Wij Xij Wij Xij t t t t t t % 100 % 100 1 1 1
T Wt Xt W Xt t t t t t t t % 100 % 100 1 1 1
Pemilihan Model Panel Data
Metode data panel merupakan metode ekonometrika yang menggabungkan data time series dan data cross section. Dalam analisis data panel, terdapat tiga pendekatan yang terdiri dari pendekatan kuadrat terkecil (pooled least
square), model efek tetap (fixed effects model), dan model efek acak (random effects model). Pendekatan FEM dan REM dibedakan berdasarkan ada atau
tidaknya korelasi antara komponen error dengan peubah bebas regresor. 1. Pooled Least Square (PLS)
Pendekatan ini menggunakan gabungan dari seluruh data (pooled), sehingga terdapat N x T observasi, di mana N menunjukkan jumlah unit cross section dan T menunjukkan jumlah time series yang digunakan (Firdaus 2011). Model yang digunakan yaitu :
Yit = αi + Xitβ + uit
Dengan menggabungkan semua data cross section dan time series, dapat meningkatkan derajat bebas sehingga dapat memberikan hasil estimasi yang lebih efisien. Akan tetapi, pendekatan ini memiliki kelemahan yaitu dugaan parameter β akan bias. Parameter yang bias ini disebabkan karena PLS tidak dapat membedakan observasi yang berbeda pada periode yang sama, atau tidak dapat membedakan observasi yang sama pada periode yang berbeda.
2. Fixed Effects Model (FEM)
FEM muncul ketika ada korelasi antara efek individu dan peubah penjelas dengan Xit atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari intersep (Firdaus 2011), yaitu:
Untuk one way komponen error : Yit = αi + λi + Xitβ + uit Untuk two way komponen error : Yit = αi + λi + µt + Xitβ + uit 3. Random Effects Model (REM)
REM muncul ketika tidak ada korelasi antara efek individu dan regresor. Asumsi ini membuat komponen error dari efek individu dan waktu dimasukkan ke dalam error (Firdaus 2011),yaitu
Untuk one way error component : Yit = αi + Xitβ + uit+ λi Untuk two way error component : Yit = αi + Xitβ + uit+ λi + μt
Terdapat beberapa asumsi yang harus dipenuhi untuk membuat random effect
model (Firdaus 2011), yaitu 1. 𝐸(𝜇𝑖𝑡) = 𝐸(𝜆𝑖 ) = 0 2. 𝐸(𝜆𝑖2) = 𝜎𝜆2 3. 𝐸(𝜇𝑖2) = 𝜎𝜇2 4. 𝐸(𝜇𝑖𝑡𝜆𝑖) = 0 ; 𝑓𝑜𝑟 𝑎𝑙𝑙 𝑖, 𝑡 5. 𝐸(𝜀𝑖𝑡2) = 𝜎𝜇2+𝜎𝜆2 ; t = s 6. 𝐸(𝜀𝑖𝑡𝜀𝑖𝑠) = 𝜎𝜆2 ; t ≠ s 7. 𝐸(𝑥𝑘𝑖𝑡𝜆𝑖) = 0 ; 𝑓𝑜𝑟 𝑎𝑙𝑙 𝑘, 𝑖, 𝑡 Agar memperoleh dugaan model yang efisien dan paling baik diantara berbagai pilihan model maka kita perlu menganalis dugaan model yang kita gunakan berdasarkan pertimbangan statistik. Terdapat tiga pengujian statistik yang digunakan dalam data panel untuk menentukan model mana yang paling baik untuk kita pilih.
1. Uji Hausman
Uji Hausman merupakan uji untuk menentukan apakah kita akan menggunakan fixed effect model (FEM) atau random effect model (REM). Hipotesis dari uji ini yaitu:
H0: Random effect model H1: Fixed effect model
Sebagai dasar penolakan hipotesis nol tersebut digunakan dengan menggunakan pertimbangan statistik chi-square dan juga dengan melihat probabilitasnya. Hasil dari Hausman test signifikan jika probabilitas dari
Hausman< α, maka H0 ditolak, artinya FEM digunakan. Jika hasilnya adalah tolak H0, maka dilanjutkan dengan uji Chow untuk memilih menggunakan Pooled Least
Square (PLS) atau FEM.
2. Uji Chow
Uji Chow merupakan pengujian statistik yang bertujuan memilih FEM atau PLS. Hipotesis dari uji ini yaitu:
H0 : Pooled least square H1 : Fixed effect model
Chow test dapat dilakukan dengan Eviews. Jika hasil dari Chow test
signifikan (probability dari Chow< α) maka H0 ditolak, artinya FEM digunakan. 3. Uji Lagrange Multiplier (LM)
Uji LM merupakan pengujian statistik yang bertujuan memilih REM atau PLS. Hipotesis dari uji ini yaitu:
H0 : Pooled least square H1 : Random effect model
Jika LM statistik yang didapatkan lebih besar dari nilai kritis Chi-Square maka H0 ditolak, artinya REM digunakan. Perhitungan LM statistik ada pada lampiran 11.
Perumusan Model Panel Data
Penelitian ini menggunakan satu model umum. Model ini digunakan untuk melihat hubungan volume ekspor udang beku dengan variabel independennya. Dugaan model tersebut adalah:
VXijt = α + β1 GDPPCIit + β2 GDPPCJit + β3 NTijt + β4 HUIijt + β5 HUPijt + β6JEijt + eijt
Keterangan:
VX : Volume ekspor Udang Beku Indonesia (kg) GDPPCI : GDP per kapita riil negara Indonesia (US$) GDPPCJ : GDP per kapita riil negara tujuan (US$)
NT : Nilai tukar riil Indonesia terhadap negara tujuan (RP/negara tujuan) HUI : Harga ekspor udang beku Indonesia di negara tujuan (US$/kg) HUP : Harga ekspor udang beku pesaing di negara tujuan (US$/kg)
JE : Jarak ekonomi (km)
e : Random error
α : Konstanta
βn : Parameter yang diduga (n= 1, 2, ..., 7)
i : Indonesia
j : Negara
t : Periode waktu
Masalah heteroskedastisitas dapat dikurangi dengan melakukan transformasi menjadi logaritma natural (ln). Transformasi yang dilakukan dapat memapatkan skala untuk pengukuran variabel dan mengurangi perbedaan nilai dari sepuluh kali
lipat menjadi dua kali lipat (Gujarati 2004). Dugaan persamaan volume ekspor udang beku Indonesia yang telah ditransformasi dapat dirumuskan sebagai berikut:
ln_VXijt = α + β1 ln_GDPPCIit + β2 ln_GDPPCJjt + β3 ln_NTijt + β4 ln_HUIijt + β5 ln_HUPijt + β6lnJEijt + εijt
Keterangan :
1. GDP riil per kapita merupakan ukuran daya beli masyarakat suatu negara. GDP riil per kapita yang digunakan merupakan Purchasing Power Parity (PPP) tahun 2011 dalam satuan US$.
2. Nilai tukar riil yang digunakan dalam model ini nilai tukar nominal Indonesia terhadap negara tujuan yang dikali dengan hasil pembagian IHK Indonesia dengan IHK negara tujuan.
3. Harga ekspor udang beku Indonesia di negara tujuan yang digunakan dalam penelitian ini merupakan hasil pembagian nilai ekspor udang beku ke negara tujuan dengan volume ekspor udang beku ke negara tujuan. Harga ekspor udang beku Indonesia dinyatakan dalam satuan US$/Kg.
4. Harga ekspor udang beku pesaing di negara tujuan yang digunakan dalam penelitian ini merupakan hasil pembagian nilai ekspor udang beku pengekspor terbesar tahun 2013 ke negara tujuan dengan volume ekspor udang beku ke negara tujuan. Harga ekspor udang beku pesaing dinyatakan dalam satuan US$/Kg.
5. Jarak ekonomi yang digunakan dalam penelitian merupakan jarak geografis terdekat antara Indonesia dengan negara tujuan yang dikalikan dengan hasil pembagian GDP nominal dengan total GDP nominal tahun yang diamati. Jarak ekonomi dinyatakan dalam satuan kilometer (km).
Uji Kesesuaian Model 1. Kriteria Ekonomi
Uji kesesuaian kriteria ekonomi melihat tanda dan besaran dari tiap koefisien dugaan yang telah diperoleh. Kriteria ekonomi mensyaratkan tanda dan besaran yang terdapat pada tiap koefisien dugaan sesuai dengan teori ekonomi. 2. Kriteria Ekonometrika
a. Autokorelasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu dan ruang (Gujarati 2004). Masalah autokorelasi biasanya tejadi pada data time series. Dampak dari adanya autokorelasi adalah hasil pendugaan atau peramalan menjadi tidak efisien meskipun estimatornya tidak bias dan masih konsisten. Selain itu, dampak lainnya adalah standar error menjadi bias dan tidak konsisten sehingga uji pada hipotesis menjad tidak valid. Ada tidaknya autokorelasi dapat dilihat dari angka Durbin Watson (DW).
b. Heteroskedastisitas
Heteroskedastisitas terjadi karena ragam dari error tidak konsisten sehingga tidak memenuhi asumsi Gauss Markov. Dampak yang timbul dari permasalahan ini antara lain (Nachrowi 2006) dalam Karlinda (2012) :
1. Ragam yang tidak konstan menyebabkan nilai varians menjadi lebih besar dari taksiran.
2. Ragam yang besar menyebabkan uji hipotesis (uji F dan uji t) menjadi kurang tepat.
3. Interval kepercayaan menjadi lebih besar akibat standar error yang besar. 4. Kesimpulan yang dihasilkan dari regresi yang dilakukan tidak tepat (dapat menyesatkan).
Heteroskedastisitas dapat diatasi dengan cross-section weighted regression, atau dengan menggunakan metode Generalized Least Square (GLS).
c. Multikolinieritas
Multikolinieritas adalah hubungan linier yang kuat antar variabel independen dalam persamaan regresi berganda. Menurut Gujarati (2004), tanda-tanda adanya multikolinieritas adalah sebagai berikut:
1. Tanda koefisien tidak sesuai dengan yang diharapkan.
2. Nilai R2 tinggi, tetapi dalam uji individu banyak yang tidak nyata atau bahkan tidak nyata semua.
3. Matriks korelasi antar variabel tinggi (rij > 0,8). 4. R2< rij menunjukkan bahwa terjadi multikoliniearitas.
Dampak dari adanya multikolinieritas pada suatu persamaan adalah koefisien kuadrat terkecil tidak dapat ditentukan selain itu varians dan kovarians dari koefisien menjadi tidak terhingga. Hubungan multikolinieritas yang hampir sempurna akan menghasilkan persamaan yang dibentuk secara statistik mempunyai standar error yang besar dan menyebabkan interval kepercayaan menjadi lebih besar. Hal ini berakibat pada nilai estimasi koefisiennya menjadi tidak tepat.
d. Normalitas
Pengujian normalitas dilakukan untuk mengetahui apakah error term mendekati distribusi normal atau tidak. Uji normalitas error term dilakukan dengan menggunakan uji Jarque Bera dengan hipotesisnya sebagai berikut:
H0 : α = 0, error term terdistribusi normal H1 : α ≠ 0, error term tidak terdistribusi normal Wilayah penerimaan (Jarque Bera < X2
df-2 atau probabilitas (p-value) > α
sedangkan wilayah penolakannya yaitu (Jarque Bera > X2df-2 atau probabiity (p-value) < α. Penerimaan H0 mengindikasikan bahwa data tersebar normal.
3. Kriteria Statistika
Ada beberapa uji yang dapat digunakan untuk menentukan kesesuaian model regresi yang didapat secara statistik.
a. Uji F
Uji F adalah statistik uji yang digunakan untuk mengetahui pengaruh peubah bebas terhadap peubah tidak bebas secara keseluruhan. Hipotesis Uji F sebagai berikut :
H0 : β1 = β2 =...= βt = 0 H1 : minimal ada satu βt ≠0
Pengambilan keputusannya adalah jika probability F-stasistic lebih dari taraf nyata (α), maka tolak H0 dan dapat disimpulkan bahwa minimal ada satu variabel independen yang memengaruhi variabel dependennya.
b. Uji T
Uji T adalah statistik uji yang digunakan untuk mengukur signifikansi parameter secara individual. Hipotesis Uji T adalah
H0 : βt = 0 dengan t = 1,2,3,….,n H1 : βt ≠ 0
Jika hasil t statistik pada taraf nyata sebesar α lebih besar daripada ttabel (t statistik > ttabel), maka tolak H0. Kesimpulannya koefisien dugaan β ≠ 0 artinya variabel yang diuji berpengaruh nyata terhadap variabel tak bebas.