IV. METODE PENELITIAN 4.1.Spesifikasi Model 4.1.Spesifikasi Model
4.2. Prosedur Analisis
di awal tahun. Secara matematis, persamaan harga riil rokok kretek di tingkat produsen dapat dirumuskan sebagai berikut:
HRKt = m0 + m1SRKt + m2LDRKt-1 + m3CRKt + m4Tt + m5LHRKt-1 + U13 (47) dimana:
HRKt = harga riil rokok kretek di tingkat produsen pada tahun ke t (Rp/batang)
SRKt = penawaran rokok kretek pada tahun ke t (juta batang) LDRKt-1 = permintaan rokok kretek pada tahun ke t-1 (juta batang) CRKt = tarif cukai rokok kretek pada tahun ke t (Rp/batang) Tt = tren waktu
LHRKt-1 = harga riil rokok kretek di tingkat produsen pada tahun ke t-1 (Rp/batang)
U13 = variabel pengganggu
Adapun tanda dan besaran parameter yang diharapkan adalah m1 dan m3 < 0; m2 dan m4 > 0; 0 < m5 < 1.
4.2. Prosedur Analisis
Prosedur analisis dalam penelitian ini meliputi identifikasi model, metode pendugaan model, uji masalah autocorrelation, validasi model, simulasi model dan perubahan kesejahteraan. Metode pendugaan (estimasi) yang digunakan dalam penelitian ini adalah metode Two-Stages Least Squares. Berikut adalah uraian lengkap mengenai prosedur analisis dalam penelitian ini.
47 Identifikasi model yang dirumuskan dalam studi ini adalah sangat terkait dengan tujuan penelitian ini. Identifikasi model diperlukan untuk menyelesaikan tujuan satu dan dua pada penelitian ini yaitu:
1. menganalisis faktor-faktor yang berpengaruh terhadap permintaan, penawaran dan harga rokok kretek
2. menganalisis faktor-faktor yang berpengaruh terhadap permintaan, penawaran dan harga tembakau.
Identifikasi model ditentukan atas dasar order condition sebagai syarat perlu dan rank condition sebagai syarat cukup. Menurut Koutsoyiannis (1977), rumusan identifikasi model persamaan struktural berdasarkan order condition ditentukan oleh:
( K - M ) ≥ ( G - 1 ) ... (48) dimana:
K = Total variabel dalam model, yaitu endogenous variables dan predetermined variables
M = Jumlah variabel endogen dan eksogen termasuk dalam suatu persamaan tertentu dalam model
G = Total persamaan dalam model, yaitu jumlah variabel endogen dalam model
Jika dalam suatu persamaan dalam model menunjukkan kondisi sebagai berikut: ( K - M ) > ( G - 1 ), maka persamaan tersebut dinyatakan teridentifikasi secara
berlebih (overidentified)
( K - M ) = ( G - 1 ), maka persamaan tersebut dinyatakan teridentifikasi secara tepat (exactly identified), dan
48 ( K - M ) < ( G - 1 ), maka persamaan tersebut dinyatakan tidak teridentifikasi
(unidentified).
Hasil identifikasi untuk setiap persamaan struktural haruslah exactly identified atau overidentified untuk dapat menduga parameter-parameternya.
Meskipun suatu persamaan memenuhi order condition, mungkin saja persamaan itu tidak teridentifikasi. Karena itu, dalam proses identifikasi diperlukan suatu syarat perlu sekaligus cukup. Hal itu dituangkan dalam rank condition untuk identifikasi yang menyatakan, bahwa dalam suatu persamaan teridentifikasi jika dan hanya jika dimungkinkan untuk membentuk minimal satu determinan bukan nol pada order (G-1) dari parameter structural variable yang tidak termasuk
persamaan tersebut. Dengan kata lain, rank condition ditentukan oleh determinan turunan persamaan struktural yang nilainya tidak sama dengan nol. (Koutsoyiannis, 1977) Pada penelitian ini, hasil perhitungan order condition seluruh persamaan dinyatakan overidentified. Model ini menggunakan total 48 variabel endogen, variabel eksogen dan lag-endogenous variables. Model ini mempunyai 17 variabel endogen. Persamaan yang digunakan maksimal memiliki tujuh variabel sehingga dapat dipastikan bahwa seluruh persamaan dalam model adalah overidentified.
4.2.2. Metode Pendugaan Model
Berdasarkan hasil identifikasi model, maka model dinyatakan over identified, dalam hal ini untuk pendugaan model dapat digunakan dengan 2SLS
(Two-Stages Least Squares). Untuk mengetahui dan menguji apakah variabel penjelas secara bersama-sama berpengaruh nyata atau tidak terhadap variabel endogen, maka pada setiap persamaan digunakan uji statistik F, dan untuk
49 menguji apakah masing-masing variabel penjelas berpengaruh nyata atau tidak terhadap variabel endogen, maka pada setiap persamaan digunakan uji statistik t. 4.2.2.1.Uji Statistik-F
Uji Statistik-F adalah uji statistik yang digunakan untuk mengetahui dan menguji apakah variabel penjelas secara bersama-sama mampu menjelaskan keragaman variabel endogennya dengan baik (Koutsoyiannis, 1977).
Hipotesis:
H0 : β1 = β2 …… = βi = 0 H1 : minimal ada satu βi ≠ 0 dimana:
i = banyaknya variabel bebas dalam suatu persamaan
Apabila P-value uji statistik-F < taraf α sebesar 10 persen maka tolak H0. Tolak H0 berarti seluruh variabel penjelas dalam satu persamaan secara bersama-sama mampu menjelaskan variabel endogennya dengan baik.
4.2.2.2.Uji Statistik-t
Uji statistik-t adalah uji statistik yang digunakan untuk mengatahui dan menguji apakah masing-masing variabel penjelas berpengaruh nyata terhadap variabel endogen (Koutsoyiannis, 1977).
Hipotesis: H0 : βi = 0
H1 : uji satu arah → βi > 0; βi < 0 uji dua arah → βi ≠ 0
Kriteria uji :
50 H1 : βi < 0, bila P-value uji statistik-t < α maka tolak H0
H1 : βi ≠ 0, bila P-value uji statistik-t < α/2 maka tolak H0
Penelitian ini menggunakan uji satu arah dengan taraf α sebesar 10 persen, sehingga apabila P-value uji statistik-t < taraf α sebesar 10 persen maka tolak H0. Tolak H0 berarti suatu variabel penjelas berpengaruh nyata terhadap variabel endogen.
4.2.3. Uji Masalah Autocorrelation
Autocorrelation adalah adanya korelasi/hubungan antara kesalahan (error
term) pada tahun sekarang dengan kesalahan pada tahun sebelumnya. Guna
mengetahui ada atau tidaknya masalah autocorrelation pada setiap persamaan maka perlu dilakukan uji autocorrelation dengan menggunakan statistik DW (Durbin-Watson statistic).
Tabel 5. Range Statistik Durbin Watson
Nilai DW Hasil
4 – dl < DW < 4 Tolak H0, terjadi masalah autocorrelation negatif 4 – du < DW < 4 – dl masalah autocorrelation tidak dapat disimpulkan 2 < DW < 4 – du Terima H0, tidak terjadi masalah autocorrelation
du < DW < 2 Terima H0, tidak terjadi masalah autocorrelation
dl < DW < du masalah autocorrelation tidak dapat disimpulkan
0 < DW < dl Tolak H0, terjadi masalah autocorrelation positif
Sumber: Pindyck dan Rubinfeld (1998)
Apabila model mengandung persamaan simultan dan variabel lag, maka untuk mengetahui apakah terdapat autocorrelation atau tidak dalam persamaan digunakan statistik dh (durbin-h statistic). Nilai Durbin-h diperoleh dari perhitungan sebagai berikut (Pindyck dan Rubinfeld, 1998):
ℎℎ����� = �1−12�� �1−�[(�����)] ... (49) dimana:
51 n = jumlah observasi, dan
var (β)= varians koefisien regresi untuk lagged dependent variable.
Jika ditetapkan taraf α = 0.05, diketahui -1.96 ≤ hhitung ≤ 1.96, maka disimpulkan persamaan tidak mengalami serial korelasi. Selanjutnya jika diketahui nilai hhitung < -1.96, maka terdapat autokorelasi negatif, sebaliknya jika diketahui nilai hhitung > 1.96, maka terdapat autokorelasi positif (Pindyck dan Rubinfeld, 1991).
4.2.4. Validasi Model
Untuk mengetahui apakah model cukup valid untuk membuat suatu simulasi alternatif kebijakan atau non kebijakan dan peramalan, maka perlu dilakukan suatu validasi model, dengan tujuan untuk menganalisis sejauh mana model tersebut dapat mewakili dunia nyata. Pada penelitian ini, kriteria statistik untuk validasi nilai pendugaan model ekonometrika yang digunakan adalah: Root Means Square Percent Error (RMSPE) dan Theil’s Inequality Coefficient (U
Theil) (Pindyck dan Rubinfield, 1991). Kriteria-kriteria dirumuskan sebagai berikut: ����� = �1�∑ ����−��� ��� �2 � �=1 ... (50) ��ℎ���= �1 �∑ ����−��� ��� � 2 � �=1 ��1∑� �����2 �=1 +�1�∑� �����2 �=1 ... (51) dimana:
��� = nilai hasil simulasi dasar dari variabel observasi ��� = nilai aktual variabel observasi
52 Statistik RMSPE digunakan untuk mengukur seberapa jauh nilai-nilai variabel endogen hasil pendugaan menyimpang dari alur nilai-nilai aktualnya dalam ukuran relatif (persen), atau seberapa dekat nilai dugaan itu mengikuti perkembangan nilai aktualnya. Nilai statistik U Theil bermanfaat untuk mengetahui kemampuan model untuk analisis simulasi peramalan. Nilai statistik U Theil berkisar antara 1 dan 0. Jika U = 0 maka pendugaan model sempurna, jika U = 1 maka pendugaan model naïf.
