Metode Pengolahan dan Analisis Data

METODOLOGI PENELITIAN

3.2. Metode Pengolahan dan Analisis Data

Metode yang digunakan dalam menganalisis data dalam penelitian ini adalah metode deskriptif dan metode kuantitatif. Metode deksriptif digunakan untuk menganalisis gambaran perkembangan harga kopi Indonesia, harga kopi Internasional, serta harga kopi Jepang. Analisis deskriptif dengan menggunakan analisis pemusatan dan keragaman harga serta pembahasan interpretasi hasil pengolahan data. Sedangkan metode kuantitatif dilakukan dengan menggunakan

model Vector Error Correction Model (VECM) menggunakan software E Views 9. Analisis dengan pendekatan model VAR/VECM mencakup tiga analisis utama, yaitu uji kausalitas Granger, impulse response function (IRF), dan variance decomposition (VD). Sebelum sampai pada analisis VAR/VECM ada beberapa prosedur yang akan digunakan dalam studi ini, yaitu uji stasioneritas, penentuan lag optimal, dan uji kointegrasi.

3.2.1. Koefisien Variasi

Menurut Sugiarto (2006), koefisien variasi merupakan ukuran variasi relatif yang bertujuan membandingkan variasi dari beberapa gugus data yang mempunyai satuan berbeda. Koefisien variasi (KV) bebas dari satuan data aslinya dan tidak tergantung pada unit pengukuran yang digunakan. Karena KV tidak mempunyai satuan, maka parameter – parameter yang sama dari kondisi yang memiliki unit pengukuran berbeda pun dapat dibandingkan. Koefisien diperoleh dengan formula berikut.

KV = x 100%

Keterangan :  : standar deviasi

 : rata - rata

Menganalisis variasi harga kopi dilakukan dengan menggunakan koefisien variasi. Koefisien variasi dari data harga seara runtun waktu menggambarkan fluktuasi (simpangan terhadap rata – rata) yang digunakan untuk mengetahui stabilitas harga suatu komoditas (Nuraeni et al, 2016). Semakin kecil nilai koefisien variasi dapat diintepretasikan bahwa harga relatif stabil. Begitupun

harga mengalami fluktuasi. Harga dapat dikatakan stabil apabila nilai koefisien variasi harganya berada pada kisaran 5-9%. Jika nilai koefisien variasi lebih dari 9% mengindikasikan harga berfluktuasi dan tidak stabil (Kemendag dalam Nuraeni et al, 2016).

3.2.2. Uji Stasioneritas Data

Data harga dengan menggunakan deret waktu (time series) pada umumnya bersifat tidak stasioner. Data yang tidak stasioner akan menghasilkan estimasi parameter yang semu (spurious regression). Bila regresi semu ini diintepretasikan akan menghasilkan analisis yang salah yang berakibat pada salahnya kebijakan yang diambil (Brooks dalam Nuraeni et al, 2016). Kestasioneran data merupakan kondisi yang diperlukan dalam analisis data deret waktu karena dapat memperkecil kekeliruan model.

Uji stasioneritas pada penelitian ini menggunakan uji akar unit Augmented Dickey Fuller (ADF). Misalkan secara matematis dengan model pendiferensian dapat dituliskan sebagai berikut :

∆ = + +

dimana t merupakan first difference dari Yt, dengan asumsi bahwa data timeseries sebelum melakukan first difference adalah nonstasioner, namun pengujian stasioneritas yang dilakukan akan tetap dilakukan pada data awal sebelum diferensiasi. Hipotesis ujinya adalah :

H0: = 0 (data bersifat tidak stasioner) H1: < 0 (data bersifat stasioner)

Jika nilai mutlak tstatistik> nilai mutlak ttabelDickey – Fuller, maka keputusan yang diambil adalah tolak H0 yang berarti data bersifat stasioner. Apabila nilai

mutlak tstatistik < nilai mutlak ttabel maka data bersifat tidak stasioner. (Mahayana, 2016)

3.2.3. Penentuan Lag Optimal

Penentuan lag yang optimal diperlukan untuk melihat pengaruh dari setiap variabel terhadap variabel lain dalam model VAR. Nilai dari lag suatu variabel dapat berpengaruh terhadap variabel lainnya dikarenakan dibutuhkan waktu bagi suatu variabel untuk merespon pergerakan dari variabel lainnya. Penentuan panjangnya lag optimal pada penelitian ini menggunakan Akaike Information Criteria (AIC) dengan persamaan berikut ini.

AIC = − 2 ⁄ + 2 ⁄ Keterangan : l : log likehood

k : jumlah variabel dalam persamaan T: jumlah observasi

3.2.4. Uji Kointegrasi

Uji kointegrasi dilakukan apabila variabel – variabel harga yang diteliti tidak terintegrasi pada level I(0). Uji ini dilakukan untuk mengetahui apakah terjadi integrasi dalam jangka panjang atau tidak. Uji kointegrasi dalam penelitian ini menggunakan uji kointegrasi Johansen, dimana uji ini dapat digunakan untuk melihat jumlah kointegrasi antar variabel (Rosadi dalam Nuraeni et al, 2016). Jika terdapat persamaan kointegrasi yang terdapat pada variabel – variabel tersebut maka analisis dapat dilanjutkan dengan melakukan estimasi restricted VAR atau VECM. Untuk pengujian hipotesis ini dapat digunakan uji statistik trace (trace statistic) atau maximum eigenvalue dengan persamaan berikut.

= Σ ln(1 − ) ( , + 1) = − ln( )

dimana r merupakan jumlah vektor dari vektor kointegrasi pada kointegrasi pada hipotesis nul dan_i adalah estimasi nilai ke i ordo eigenvalue dari matriks. Jika uji statistik lebih besar dari tabel Johansen critical value maka tolak H0 yang berarti terdapat vektor kointegrasi r antar variabel bebas. Hipotesisnya dapat dituliskan sebagai berikut.

H₀: r = 0 versus H₁: r = 1 H0: r <= 1 versus H1: r = 2 H0: r <= 2 versus H1: r = 3

Hipotesis tersebut dapat diuji melalui alur dari awal yaitu jika H₀ : r = 0 diterima, maka dapat disimpulkan bahwa tidak terdapat vektor berkointegrasi dan tahapan berikutnya tidak dilanjutkan, sebaliknya jika H0 : r = 0 ditolak, maka dapat diartikan bahwa terdapat satu vektor berkointegrasi dan uji hipotesis akan diteruskan sampai hipotesis H₀tidak ditolak. Nilai – nilai trace test (_trace(r)) dan maximum eigenvalue test (max), serta critical value diperoleh dari hasil pengolahan dengan menggunakan software.

3.2.5. Uji Kausalitas Granger

Uji kausalitas merupakan pengujian untuk menentukan hubungan sebab akibat antar variabel dalam sistem VAR. Hubungan sebab akibat ini akan diuji dengan Uji Kausalitas Granger (Ansofino et al, 2016). Uji kausalitas Granger dilakukan untuk melihat apakah dua variabel memiliki hubungan timbal balik atau tidak. Dengan kata lain, apakah satu variabel memiliki hubungan sebab akibat dengan variabel lainnya, karena setiap variabel dalam penelitian mempunyai

kesempatan untuk menjadi variabel endogen maupun eksogen (Nuraeni et al, 2016). Bentuk persamaan uji kausalitas dapat dituliskan sebagai berikut.

= + +

= + +

Persamaan di atas menunjukkan hubungan di antara kedua variabel tersebut, jika X mempengaruhi Y, maka variabel X dan lagnya akan memberikan kontribusi tambahan penjelasan terhadap variasi Ytdan berlaku juga sebaliknya.

Uji kausalitas menggunakan pendekatan VEC Granger Causality Test. Uji kausalitas dilakukan dengan membandingkan nilai p-value dengan nilai taraf nyata uji yaitu sebesar 0,05. Jika p-value kurang dari 0,05 maka disimpulkan tolak hipotesis nul dan berarti variabel X bukan merupakan penyebab variabel Y.

3.2.6. Uji Vector Autoregression (VAR)

Dalam konteks ekonometrika modern, VAR termasuk ke dalam multivariate time series analysis (Firdaus, 2011). VAR menyediakan cara yang sistematis untuk menangkap perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan yang kredible dan mudah untuk dipahami bagi pendeskripsian data, forecasting (peramalan), inferensi struktural, serta analisis kebijakan (Stock dan Watson, 2001).

Menurut Arsana (2005), alat analisa yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan dilakukan

Function (IRF), Forecast Error Variance Decomposition (FEVD), dan Granger Causality Test. Forecasting merupakan nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel. Sementara, Impulse Response Function (IRF) melacak respons saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu. Forecast Error Variance Decomposition (FEVD) merupakan prediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu. Sedangkan, Granger Causality Test bertujuan untuk mengetahui hubungan sebab – akibat antarvariabel.

Model VAR dalam bentuk standar jika dituliskan dalam bentuk notasi adalah sebagai berikut :

= + +

Di mana :

= vektor berukuran (n1) yang berisikan n variabel yang terdapat dalam sebuah model VAR

= vektor intersep berukuran (n1)

= matriks koefisien/ parameter berukuran (nn) untuk setiap i = 1,2,…,P

= vektor error berukuran (n1)

Sedangkan formulasi model dasar VAR dalam bentuk matriks untuk analisis integrasi pasar kopi adalah sebagai berikut :

= + +

Di mana :

PIDN = Harga Kopi Indonesia  = konstanta

PINT = Harga Kopi Internasional e = error

PJPN = Harga Kopi Jepang t = waktu

3.2.7. Uji Vector Error Correction Model (VECM)

Vector Error Correction Model (VECM) yaitu bentuk VAR yang terestricksi karena data tidak stasioner namun terkointegrasi (Ansofino et al, 2016). Model VECM merupakan model VAR non struktural yang juga disebut dengan VAR terestriksi karena merestriksi perilaku hubungan jangka panjang antar variabel agar koveregen dalam hubungan kointegrasi tetapi tetap membiarkan perubahan – perubahan dinamis dalam jangka pendek. Istilah error correction digunakan karena adanya koreksi secara bertahap melalui penyesuaian jangka pendek terhadap deviasi dari equilibrium model jangka panjang (Hidayanto dalam Fazaria, 2016). Secara umum persamaan model VECM dapat dituliskan sebagai berikut.

∆Y = Γ Y − γβY + ε

Dimana : G :Koefisien hubungan jangka pendek

 : Kofisien hubungan jangka panjang

 : Kecepatan menuju keseimbangan (speed of adjustment)