Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari berbagai sumber, antara lain FAO, WDI, WTO, UN Comtrade, dan CEPII. Komoditi holtikultura yang dianalisis dayasaingnya yaitu potatoes, fresh or chilled nes (HS. 070190); cabbages (HS. 070490); bananas, including plantains, fresh or dried (HS. 080300); pineapples, fresh or dried (HS. 080430); guavas, mangoes and mangosteens, fresh or dried (HS. 080450); dan ginger (HS. 091010). Estimasi analisis regresi model gravity menggunakan data panel tahunan periode 2004-2013 terdiri dari 3 negara maju yaitu Portugal, Amerika Serikat dan Australia serta 3 negara berkembang yaitu China, India, dan Indonesia dengan jumlah negara tujuan ekspor 5 sampai dengan 20 negara. Pemilihan 6 (enam) negara ini didasarkan karena keenam negara ini merupakan produsen dan eksportir utama komoditi hortikultura di pasar dunia dan masing-masing tiga negara mewakilili negara maju dan negara berkembang. Secara rinci dapat dilihat pada Tabel 1.
Tabel 1 Jenis dan sumber data penelitian
No Jenis Data Satuan Sumber
1 Ekspor dan Impor Kg Trade Map,
UN Comtrade
2 Produksi Ton FAO
3 Harga Ekspor Komoditi Hortikultura
US$/Kg Trade Map,
UN Comtrade 4 GDP, GDP riil, GDP per
kapita
US$ Worldbank, WDI
5 Populasi Jiwa WDI
6 Jarak ekonomi antar negara
Km/ US$ CEPII, WDI
7 Tarif Persen WTO
8 Sanitary and
Phytosanitary (SPS)
Unit WTO
8 Nilai Tukar Mata Uang (Exchange Rate)
Mata uang negara pengekspor/US$
WDI
Metode Analisis
Metode analisis yang digunakan dalam penelitian ini adalah metode analisis deskriptif dan kuantitatif. Metode deskriptif digunakan untuk menggambarkan perkembangan nilai ekspor hortikultura di pasar internasional serta menganalisis data- data yang digunakan dalam penelitian ini. Metode kuantitatif yang digunakan menganalisis keunggulan komparatif komoditi hortikultura negara berkembang dan negara maju serta antar sesama negara berkembang adalah menggunakan Revealed Comparative Advantage (RCA), sedangkan metode Export Product Dynamic (EPD) digunakan untuk mengetahui posisi dayasaing berdasarkan performa ekspor hortikultura. Pengolahan data pada penelitian ini dilakukan secara bertahap, tahap pertama yaitu pengelompokan data, tahap kedua yaitu pengolahan data dalam RCA, EPD dan model gravity.
20
Revealed Comparatif Advantage (RCA)
RCA pertama kali diperkenalkan oleh Bela Ballasa pada tahun 1989 dalam penelitian tentang pengaruh liberalisasi perdagangan luar negeri terhadap keunggulan komparatif hasil industri Amerika Serikat, Jepang, dan negara-negara yang tergabung dalam pasar bersama Eropa (MEE) serta pada tahun 1977 untuk negara yang sama ditambah Kanada dan Swedia (Yuliati, 2010). Indeks RCA atau biasa dikenal sebagai indeks Balassa adalah indikator yang dapat menggambarkan keunggulan komparatif atau tingkat dayasaing industri dan perdagangan suatu negara di pasar global. Kinerja ekspor produk dari suatu negara diukur dengan menghitung pangsa nilai ekspor suatu produk terhadap total ekspor suatu negara dibandingkan dengan pangsa nilai produk tersebut dalam perdagangan dunia. Secara matematis, nilai RCA dapat dirumuskan sebagai berikut:
RCA = Xij/ Xj
Xiw / Xw
Dimana,
Xij = nilai ekspor negara j untuk komoditi i ke dunia (US$)
Xj = nilai total ekspor negara j ke dunia (US$)
Xiw = nilai ekspor dunia untuk komoditi i (US$)
Xw = nilai total ekspor dunia (US$)
i = jenis komoditi hortikultura
j = nama negara eksportir komoditi hortikultura w = dunia
Jika nilai RCA lebih dari satu (RCA>1) berarti negara itu mempunyai keunggulan komparatif (di atas rata-rata pasar tersebut) dalam komoditi tersebut sehingga komoditi tersebut memiliki dayasaing yang kuat. Dan jika nilai RCA kurang dari satu (RCA<1) berarti keunggulan komparatif untuk komoditi tersebut rendah (di bawah rata-rata pasar tersebut) sehingga komoditi tersebut berdayasaing lemah (Tambunan, 2001).
Export Product Dynamic (EPD)
Export Product Dynamics (EPD) merupakan salah satu indikator yang dapat memberikan gambaran yang baik tentang tingkat dayasaing. Indikator ini mengukur posisi pasar dari produk suatu negara untuk tujuan pasar tertentu. Ukuran ini mempunyai kemampuan untuk membandingkan kinerja ekspor diantara negara-negara di seluruh dunia. Selain itu dengan menggunakan EPD, dinamis atau tidaknya performa suatu produk dapat diketahui. Sebuah matriks EPD terdiri dari daya tarik pasar dan informasi kekuatan bisnis. Daya tarik pasar dihitung berdasarkan pertumbuhan dari permintaan sebuah produk untuk tujuan pasar tertentu (sumbu y), sementara itu informasi kekuatan bisnis diukur berdasarkan pertumbuhan dari perolehan pasar (market share) sebuah negara pada tujuan pasar tertentu (sumbu x).
Posisi pasar ideal bertujuan untuk memperoleh pangsa ekspor tertinggi sebagai Rising Star, ditandai dengan negara tersebut memperoleh pangsa pasar untuk produk- produk yang berkembang cepat. Lost Opportunity dihubungkan dengan penurunan pangsa pasar pada produk yang dinamis. Kondisi ini paling tidak diinginkan karena hal ini berarti kita kehilangan kesempatan pangsa ekspor untuk komoditi yang dinamis di pasar dunia. Kondisi Falling Star juga tidak diinginkan walaupun tidak seperti kondisi Lost Opportunity, karena pangsa pasarnya meningkat meskipun bukan pada produk
21
yang dinamis di pasar dunia. Sementara itu, Retreat berarti produk tersebut tidak diinginkan lagi di pasar. Namun bisa diinginkan kembali jika pergerakannya jauh dari produk stagnan dan bergerak mendekati peningkatan pada produk dinamis (Gumilar, 2010).
Pada Gambar 9 menunjukkan posisi dayasaing ekspor masing-masing komoditi, di mana komoditi yang diestimasi posisi dayasaingnya akan menempati salah satu dari empat kuadran.
Catatan: Sumbu x menggambarkan peningkatan pangsa pasar ekspor negara tersebut di perdagangan dunia.
Sumbu y menggambarkan peningkatan pangsa pasar produk tersebut di perdagangan dunia.
Gambar 9 Daya tarik pasar dan kekuatan bisnis pada EPD
Mengacu pada penelitian Tarman et al (2011), berikut merupakan rumus untuk menghitung posisi pasar dan produk:
Sumbu x: Pertumbuhan pangsa pasar ekspor suatu negara
Sumbu y: Pertumbuhan pangsa pasar produk n
Dimana,
Xij = nilai ekspor komoditi i dari negara j ke dunia (US$)
Xj = nilai total ekspor negara j ke dunia (US$)
Xiw = nilai ekspor dunia untuk komoditi i (US$)
Xw = nilai total ekspor dunia (US$)
T = Jumlah tahun analisis yang dipergunakan t = tahun ke-t
22
Kombinasi dari daya tarik pasar dan kekuatan bisnis ini menghasilkan karakter posisi dari produk yang ingin dianalisis ke dalam empat kategori. Keempat kategori itu adalah “Rising Star”, “Falling Star”, “Lost Opppotunity”, dan “Retreat”.
Gravity Model
Metode yang digunakan untuk menganalisis tujuan ketiga dalam penelitian ini adalah Gravity Model dimana model ini telah secara luas digunakan untuk mengukur potensi perdagangan dan dampak dari penerapan suatu kebijakan perdagangan. Pada dasarnya, model ini dapat merepresentasikan kekuatan permintaan dan penawaran. Formula standar gravity model secara spesifik menerangkan aliran perdagangan antara Negara h dan d berdasarkan tiga faktor. Pertama, model telah mencakup indikasi potensi penawaran dari negara eksportir (h). Kedua, model dapat mengakomodasi potensi permintaan dari negara importir (d), dan poin ketiga mencakup faktor-faktor yang berkaitan dengan hambatan aliran perdagangan. Berdasarkan penelitian Dahar (2014) secara empiris mengkonfirmasi bahwa pendapatan perkapita negara pengimpor, populasi negara pengimpor, dan jarak ekonomi merupakan faktor yang dapat mempengaruhi perdagangan ekspor hortikultura Indonesia. SPS dan TBT baik dengan menggunakan pendekatan coverage ratio maupun frequency index berpengaruh negatif pada ekspor hortikultura Indonesia ke negara ASEAN +3.
Untuk menjawab masalah dalam penelitian ini, spesifikasi model yang digunakan dalam penelitian mengacu pada gravity model yang digunakan oleh Bhattacharya KS. dan Bhattacharyay BN (2007) yang telah dimodifikasi sebagai berikut:
Ln EKS = β + β ln R_GDPC + β ln P_EKS + β ln POP
+ β ln PROD_T_1 + β TRF + β ln Ecodist + β ln R_EXR
+ β ln SPS + ε
Dimana:
EKS : Volume ekspor komoditi hortikultura dari negara eksportir (h) ke negara importir (d) pada tahun t (Kg)
R_GDPCdt : GDP riil perkapita negara importir pada tahun t (US$)
P_EKS : Harga ekspor komoditi hortikultura di negara eksportir pada tahun
t (US$/Kg)
POPdt : Populasi negara importir pada tahun t (Jiwa)
PROD_T_1 : Produksi komoditi hortikultura pada tahun sebelumnya (Ton)
TRF : Tarif ad valorem komoditi hortikultura di negara importir pada tahun t (%)
Ecodisthdt : Jarak Ekonomi antar negara eksportir dan importir pada tahun t
(dalam satuan km yang telah dibobot dengan share GDP masing- masing negara partner)
R_EXR : Nilai tukar riil mata uang negara eksportir terhadap dolar Amerika
pada tahun t (LCU/US$)
SPS : Jumlah Sanitary and Phytosanitary (SPS) komoditi hortikultura yang diterapkan di negara importir pada tahun t (Unit)
β0 : Konstanta/Intersep
β1,β2,β3,β4, β5, β6, β7, β8
: Parameter yang diestimasi
23
h : Negara asal ekspor (home)
d : Negara tujuan ekspor (destination)
t : Tahun yang akan menjadi model rujukan untuk penelitian
Berdasarkan perilaku masing – masing variabel penjelas dalam persamaan di atas, maka tanda yang diharapkan dari koefisien masing – masing variabel penjelas tersebut disajikan pada tabel berikut:
Tabel 2 Variabel dan ekspektasi tanda persamaan Variabel Independent Ekspektasi
PROD_T_1 + P_EKS + POP + R_GDPC + ECODIST - R_EXR + TRF - SPS - Pemilihan Model
Data panel adalah data yang memiliki dimensi ruang dan waktu, yakni kombinasi antara data cross section yang sama diobservasi menurut waktu atau time series (Gujarati 2004). Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya, jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel.
Keunggulan dari penggunaan data panel dalam analisis ekonometrik antara lain: (i) mampu mengontrol heterogenitas individu; (ii) memberikan informasi yang lebih banyak dan beragam, meminimalkan masalah kolinieritas (collinearity), meningkatkan jumlah derajat bebas dan lebih efisien; (iii) lebih baik dalam studi dynamics of adjustment; (iv) lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat dideteksi oleh data cross section atau time series murni; dan (v) dapat digunakan untuk mengonstruksi dan menguji model perilaku yang lebih kompleks dibandingkan data cross section atau time series murni (Baltagi 2005).
Teknik Common Effect merupakan teknik yang paling sederhana untuk mengestimasi parameter model data panel, yaitu dengan mengkombinasikan data cross section dan time series sebagai satu kesatuan tanpa melihat adanya perbedaan waktu dan entitas (individu). Dimana pendekatan yang sering dipakai adalah metode Ordinary Least Square (OLS). Model Common Effect mengabaikan adanya perbedaan dimensi individu maupun waktu atau dengan kata lain perilaku data antar individu sama dalam berbagai kurun waktu.
Menurut Gujarati (2004), model regresi linear yang baik harus memenuhi asumsi model linear klasik yang artinya model terbebas dari masalah multikolineritas, autokorelasi dan heteroskedastisitas serta didasarkan pada asumsi bahwa faktor kesalahan menyebar secara normal. Pada pengolahan data panel dalam penelitian ini, terindikasi terjadi pelanggaran asumsi heteroskedastis dan autokorelasi. Meskipun terdapat beberapa pendapat yang menyebutkan bahwa dalam model data panel tidak harus dilakukan pengujian asumsi model linear klasik, namun pada pengolahan data ini sengaja dilakukan pembobotan untuk mengantisipasi pelanggaran asumsi yang terjadi. Pembobotan General Least Square (GLS) yang dilakukan adalah cross section weighted
24
dan seemingly unrelated regression. Pembobotan cross section weight dilakukan dengan tujuan untuk mengurangi heterogenitas antar unit cross section. Sementara itu pembobotan seemingly unrelated regression (SUR) adalah salah satu jenis pembobotan yang dapat mengatasi masalah heteroskedastisitas dan autokorelasi antara individu dalam data panel (Timm, 2002).
Analisis panel yang digunakan dalam penelitian ini bersifat statis karena peubah lag dependen tidak dimasukkan dalam komponen peubah independen. Analisis panel statis dibedakan menjadi dua pendekatan berdasarkan pada asumsi atau tidaknya korelasi antara komponen error dengan peubah bebas (regresor), yaitu Fixed Effects Model (FEM) dan Random Effects Model (REM).
Hausman Test
Uji Hausman dapat didefinisikan sebagai pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yangpaling tepat digunakan. Pengujian uji Hausman dilakukan dengan hipotesis berikut:
H0 : E(I xit )=0
atau REM adalah model yang tepat H1 : E(I xit )≠0
atau FEM adalah model yang tepat
Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan
membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan:
H = (β − β ),( M −M ) (β − β )− ( )
di mana:
M adalah matriks kovarians untuk parameter β adalah degrees of freedom
Jika nilai H hasil pengujian lebih besar dari 2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed
effects, begitu juga sebaliknya. (Firdaus, 2011)
Definisi Operasional
Definisi operasional variabel yang digunakan dalam model penelitian ini antara lain:
1. Volume ekspor ( ) merupakan volume ekspor komoditi hortikultura dari negara eksportir (h) ke negara importir (d) dalam satu tahun yang diukur dalam satuan kilogram.
2. GDP perkapita riil (R_GDPCdt) yaitu jumlah pendapatan dari penduduk suatu
negara tujuan ekspor pada suatu periode tertentu t yang dinyatakan dalam US$ (tahun dasar 2005).
3. Populasi (POPdt) merupakan jumlah penduduk negara tujuan ekspor pada tahun ke
t dan dinyatakan dalam jiwa.
4. Harga ekspor ( _ ) merupakan harga ekspor komoditi hortikultura di negara eksportir pada tahun ke-t yang dinyatakan dalam US$/kilogram.
25
5. Produksi tahun sebelumnya ( _ _ ) merupakan volume produksi
