BAB 3
METODOLOGI PENELITIAN
Setelah memperhatikan karakteristik permintaan kedelai di Indonesia pada bab terdahulu maka sekarang tiba saatnya untuk memodelkan faktor–faktor yang mempengaruhi permintaan kedelai. Model yang digunakan dalam penelitian ini adalah model log linier persamaan simultan. Dilihat dari sistem persamaan secara keseluruhan, maka model yang akan dianalisis mempunyai tiga variabel endogen, yaitu permintaan kedelai (QD), harga kedelai dalam negeri (HD), dan impor (IM). Persamaan ini bersifat simultan karena variabel permintaan (QD) terdapat di ruas kanan persamaan impor (IM), demikian pula variabel harga dalam negeri (HD) terdapat pada ruas kanan persamaan permintaan (QD). Pendugaan terhadap ketiga model persamaan tersebut akan dilakukan dengan metode Two Stage Least Square (TSLS) dengan menggunakan data sekunder periode 1978-2008. Tahapan pertama, dengan melakukan regresi variabel-variabel endogen terhadap semua variabel-variabel eksogen dalam model. Tahapan kedua, persamaan struktural diestimasi dengan menggunakan nilai penduga pada tahapan pertama sebagai instrumen dalam di ruas kanan variabel endogen. Metode ini digunakan ketika model persamaan simultan adalah terlalu teridentifikasi (overidentified). Sedangkan metode Indirect Least Square (ILS) digunakan jika sistem persamaan simultan tersebut bersifat just/exactly identified. Untuk persamaan yang overidentified, penerapan TSLS menghasilkan taksiran tunggal, sedangkan ILS menghasilkan taksiran ganda. Dengan TSLS tidak ada kesulitan untuk menaksir standar error, karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua, sedangkan pada ILS mengalami kesulitan dalam menaksir standar error. Pada bab ini akan dijelaskan mengenai pendekatan penelitian, jenis dan sumber data, variabel dan membuat definisi operasional variabel, metode pengambilan sampel, metode pengumpulan data, dan metode pengolahan data.
3.1 Pendekatan Penelitian
Metode penelitian yang digunakan berupa penelitian deskriptif dan penelitian kuantitatif. Penelitian deskriptif yaitu menyajikan penggambaran atau potret suatu kondisi dan situasi yang sebenarnya dari suatu permasalahan yang terjadi berdasarkan fakta yang diperoleh pada suatu waktu tertentu. Sedangkan penelitian kuantitatif adalah penelitian dengan sasaran penelitian yang luas dengan penekanan analisis pada data-data numerik dan digunakan untuk menguji suatu teori dengan metode statistika. Persamaan yang digunakan untuk menganalisis permintaan kedelai di Indonesia adalah sebagai berikut :
1. Permintaan kedelai di Indonesia ---Pers.1 Ln(QD) = α1 + β1 Ln(HD) + β2 Ln(Y) + β3 Ln(POP) + e
Keterangan :
QD : permintaan kedelai (Ton)
HD : harga kedelai dalam negeri (Rp/Kg) Y : pendapatan per kapita (Rp/Kap) POP : jumlah penduduk (000 jiwa) 2. Harga kedelai di Indonesia
Ln(HD) = α2 + β4 Ln(HI) + e ---Pers.2 Keterangan :
HD : harga kedelai dalam negeri (Rp/Kg) HI : harga kedelai internasional ($US/Kg) 3. Impor kedelai di Indonesia
Ln(IM) = α3 + β5 Ln(QD) + β6 Ln(PD) + β7 Ln(BM) + e---Pers.3 Keterangan :
IM : Impor kedelai (Ton) QD : permintaan kedelai (Ton) PD : produksi kedelai (Ton) BM : bea masuk impor (%)
4. Persamaan Identitas Ln(QS) = Ln(QD)
3.2 Variabel dan Definisi Operasional Variabel
Variabel adalah sesuatu yang menjadi obyek pengamatan penelitian, variabel yang digunakan ditentukan oleh kerangka teori yang mendasari masalah penelitian dan dinyatakan dalam hipotesis penelitian. Setelah variabel diidentifikasi maka perlu melakukan klasifikasi atas variabel-variabel sesuai jenisnya. Klasifikasi dapat dilakukan berdasarkan sifat datanya yaitu variabel nominal, ordinal, interval dan rasio, atau berdasarkan fungsinya variabel endogen dan variabel eksogen.
Pada langkah selanjutnya variabel tersebut didefinisikan secara operasional berupa definisi konseptual akan sulit digunakan dalam pengumpulan data. Untuk memudahkan proses pengambilan data, pendefinisian variabel secara operasional penting dilakukan agar pengukuran terhadap variabel tepat sesuai kebutuhan penelitian. Variabel yang digunakan dan definisi operasional variabel dalam penelitian ini adalah sebagai berikut : 1. Variabel permintaan kedelai di Indonesia
Definisi Variabel : jumlah kebutuhan kedelai yang harus disediakan merupakan penjumlahan impor dan produksi kedelai.
2. Variabel harga kedelai dalam negeri
Definisi Variabel : jumlah yang harus dibayar konsumen untuk memperolehnya
3. Variabel pendapatan perkapita
Definisi Variabel : jumlah pendapatan per kapita di Indonesia 4. Variabel jumlah penduduk
Definisi Variabel : jumlah populasi/penduduk Indonesia 5. Variabel impor kedelai
Definisi Variabel : volume impor kedelai di Indonesia 6. Variabel harga kedelai internasional
Definisi Variabel : harga kedelai di dunia 7. Variabel bea masuk impor
Definisi Variabel : berupa bea masuk impor kedelai 8. Variabel produksi kedelai
Definisi Variabel : produksi kedelai di Indonesia
3.3 Jenis dan Sumber Data
Jenis data yang digunakan adalah data sekunder yang berdasarkan deret waktu (time series) tahun 1978-2008. Sumber data yang digunakan bersumber dari Badan Pusat Statistik, Departemen Pertanian, Departemen Perdagangan, Bulog serta publikasi, dan laporan lain yang berkaitan dengan penelitian ini.
Data yang digunakan dalam penelitian ini, sebagai berikut :
1. Data permintaan kedelai merupakan data yang tersedia untuk konsumsi dalam negeri.
2. Data harga kedelai dalam negeri bersumber dari Departemen Perdagangan. 3. Data pendapatan perkapita bersumber dari Badan Pusat Statistik
4. Data jumlah penduduk Indonesia merupakan data jumlah penduduk Indonesia yang bersumber dari Badan Pusat Statistik.
5. Data impor kedelai bersumber dari Departemen Pertanian.
6. Data harga kedelai internasional bersumber dari Departemen Pertanian. 7. Data kebijakan bea masuk impor kedelai besarnya dalam bentuk
prosentase (%)
8. Data produksi kedelai bersumber dari Departemen Pertanian.
3.4 Metode pengumpulan data
Metode pengumpulan data yang digunakan dalam penelitian ini yaitu dengan melakukan kunjungan ke Badan Pusat Statistik, Departemen Pertanian, Departemen Perdagangan dan Bulog untuk memperoleh data yang diperlukan dalam penelitian ini. Data juga diperoleh dari berbagai literatur, buku referensi, bahan kuliah, internet, media cetak dan sumber-sumber lainnya yang berkaitan dengan topik penelitian.
3.5 Metode pengolahan data
Untuk pengujian terhadap hipotesa yang telah diajukan, dalam tesis ini digunakan model ekonometrika persamaan simultan melalui penyusunan model permintaan kedelai, harga kedelai dalam negeri serta impor. Persamaan tersebut dikatakan simultan dikarenakan terdapat hubungan dua arah antara variabel endogen dan variabel eksogen. Model persamaan simultan merupakan suatu himpunan persamaan dengan peubah tak bebas dalam satu atau lebih persamaan, juga merupakan peubah bebas dalam persamaan yang lain. Pendugaan model dilakukan dengan metode Two Stage Least Square (2SLS). Metode ini digunakan ketika model persamaan simultan adalah terlalu teridentifikasi (overidentified). Program komputer yang digunakan dalam penelitian ini adalah Eviews 4.1.
3.5.1 Spesifikasi Model
Model persamaan simultan membentuk suatu sitem persamaan yang menggambarkan ketergantungan diantara berbagai variabel dalam persamaan-persamaan tersebut.dalam model simultan, metode yang ideal digunakan adalah metode sistem karena dengan metode ini menghasilkan parameter yang memperhitungkan seluruh kaitan atau hubungan antar variabel dalam seluruh persamaan di dalam model. Jika metode penaksiran parameter dengan Ordinary Least Square (OLS) dari setiap persamaan satu persatu diterapkan tanpa memperhatikan kaitannya dengan persamaan-persamaan lain, maka hasil penaksiran yang diperoleh tidak saja bias, tetapi juga tidak konsisten, artinya jika jumlah sampel ditambah sampai tak terhingga, penaksirnya tidak akan mendekati atau tidak akan mencerminkan nilai parameter yang sesungguhnya (disebut bias persamaan simultan). Untuk model sistem persamaan simultan dalam bentuk struktural yang lebih teridentifikasi digunakan metode TSLS. Jika seluruh persamaan dalam model adalah overidentified, maka metode ini paling cocok digunakan.
3.5.2 Identifikasi Model
Identifikasi diperlukan untuk mengetahui bagaimana cara menyelesaikan sistem persamaan simultan yang ada atau apakah suatu sitem persamaan simultan ada penyelesaiannya atau tidak. Ada tiga masalah identifikasi pada persamaan simultan, dimana dari masing-masing permasalahan identifikasi tersebut kita dapa mengetahui metode apa yang tepat untuk menyelesaikan suatu sistem persamaan simultan yang kita temui. Ketiga masalah tersebut adalah :
1. Under identified. Pada kasus ni kita tidak dapat menyelesaikan sistem persamaan simultan yang ada, karena kita kekurangan informasi yang menyangkut tentang variabel predetermine.
2. Exactly identified. Pada kasus ini sistem persamaan simultan yang ada dapat diselesaikan dengan menggunakan metode OLS yang disebut dengan metode recursive.
3. Over identified. Pada kasus ini sistem persamaan simultan yang ada justru kelebihan informasi yang menyangkut variabel predetermine. Jika metode OLS digunakan untuk permasalahan ini, maka nilai parameter yang didapat mungkin tidak akan bersifat tunggal. Oleh sebab itu metode sepert TSLS (Two Stage Least Square) dapat digunakan untuk menyelesaikan masalah ini.
Cara lain yang sering digunakan untuk amsalah identifikasi pada sistem persamaan simultan adalah dengan menggunakan prosedur pengujian order dan rank condition. Mekanisme kedua prosedur pengujian tersebut dapat dijelaskan sebagai berikut :
1. Order Condition, dengan rumus : (K-k) = (m-1) : exactly identified (K-k) > (m-1) : over identified (K-k) < (m-1) : under identified
Dimana :
K = Jumlah predetermined variables meliputi curent exogenous variables dan lagged endogenous variables dalam model k = Jumlah predetermined variables dalam persamaan
struktural tertentu
M = Jumlah curent endogenous variables dalam model
m = Jumlah curent endogenous variables dalam persamaan tertentu
Model yang dirumuskan terdiri dari tiga persamaan yaitu : • Ln(QD) = α1 + β1 Ln(HD) + β2 Ln(Y) + β3 Ln(POP) + e 8 – 4 > 3 – 1 4 > 2 over identified • Ln(HD) = α2 + β4 Ln(HI) + e 8 – 2 > 3 – 1 6 > 2 over identified • Ln(IM) = α3 + β5 Ln(QD) + β6 Ln(PD) + β7 Ln(BM) + e 8 – 3 > 3 – 1 5 > 2 over identified
Model persamaan simultan yang digunakan pada persamaan di atas diestimasi dengan menggunakan metode Two Stage Least Square (TSLS) dikarenakan sebagian besar besar persamaan over identified dan berdasarkan penelitian-penelitian sebelumnya. Metode TSLS juga dapat mengatasi timbulnya bias simultan. Sedangkan jika menggunakan metode Three Stage Least Square (3SLS), kesalahan spesifikasi dari satu persamaan akan merembet ke persamaan lain, sehingga koefisien yang diperoleh dari semua persamaan akan bias.
2. Rank Condition
Berdasarkan syarat rank condition, suatu model identified jika ada paling sedikit satu determinan tidak sama dengan nol dengan order M-1.
Matriks persamaan simultan pada ketiga persamaan tersebut adalah sebagai berikut : Persamaan Koefisien 1 QD HD IM Y POP HI PD BM 1 -α1 1 -β1 0 -β2 -β3 0 0 0 2 -α2 0 1 0 0 0 -β4 0 0 3 -α3 -β5 0 1 0 0 0 -β6 -β7
Pada persamaan 1. tidak memasukkan variabel IM, HI, PD dan
BM yang ditunjukkan dengan angka 0 dalam baris pertama persamaan 1. Untuk mengetahui apakah persamaan-persamaan tersebut teridentifikasi atau tidak maka harus mencari matriks order 2x2 dari koefisien yang tidak ada dalam persamaan 1 tetapi ada di persamaan yang lain dan kemudian dicari determinan matriks tersebut sebagai berikut :
A = 0 -β4
1 0
Determinan matriks A ini tidak sama dengan 0, yang artinya memenuhi rank condition sehingga persamaan ini teridentifikasi. Suatu persamaan yang mempunyai M persamaan dikatakan identified, sekurang-kurangnya mempunyai satu determinan berdimensi (M-1) yang tidak sama dengan nol.
Pada persamaan 2. tidak memasukkan variabel QD, IM, Y, POP,
PD, BM pada baris kedua. Untuk mengetahui apakah persamaan-persamaan tersebut teridentifikasi atau tidak maka harus mencari matriks order 2x2 dari koefisien yang tidak ada dalam persamaan 2 sebagai berikut :
B = 0 -β2 C = 0 -β3
Determinan matriks B dan C ini tidak sama dengan 0, yang artinya memenuhi rank condition sehingga persamaan ini teridentifikasi.
Pada persamaan 3. tidak memasukkan variabel HD, Y, POP, dan
HI pada baris ketiga. Matriks order 2x2 dari koefisien yang tidak ada dalam persamaan 3 tetapi ada di persamaan yang lain adalah sebagai berikut :
D = -β1 -β2 E = -β1 -β3 1 0 1 0
Determinan matriks D dan E ini tidak sama dengan 0, yang artinya memenuhi rank condition sehingga persamaan ini teridentifikasi.
3.5.3 Pengujian Statistik
Dalam pengujian ini diharapkan dapat diketahui variabel eksogen mana yang berpengaruh terhadap variabel endogen, baik secara bersama-sama, maupun secara parsial. Untuk itu diperlukan pengujian yang terdiri dari Uji t, Uji F dan Uji R2
1. Uji t-statistik
Untuk menguji apakah masing-masing variabel eksogen berpengaruh nyata atau tidak terhadap variabel endogen, maka digunakan uji statistik t dengan membandingkan thitung dengan ttabel.
Pengujian dengan statistik t terlebih dahulu diajukan hipotesa sebagai berikut:
H0 diterima dan H1 ditolak bila : ttabel > thitung H0 ditolak dan H1 diterima bila : ttabel < thitung
Hipotesis ini diuji dengan uji t pada daerah kritis dengan taraf nyata sebesar α = 5% secara dua arah. Nilai t-statistik dapat juga dilihat dari probabilitas (p-value). Jika nilai p-value lebih kecil dari α, maka H0 ditolak, dan sebaliknya H0 diterima jika nilai p-value lebih besar dari α.
3.5.4 Pe 1. 2. Uji ke variabe depend beriku H0 : V s H1 : V s Un perlu d probab indepe Tolak Atau T Fk-1, N-k 3. Uji R2 Ko variasi berkisa model mende engujian Ek Uji Multiko Uji m persamaan bebasnya. determinas regresi part eseluruhan el independ dennya. Hi ut : Variabel ind signifikan te Variabel inde signifikan te ntuk menge dibandingka bilitas F-s enden denga H0, jika F-s Tolak H0, ji k = . oefisien det i dalam Y ar dari 0 sa yang dibua ekati 0 berar konometrik olinieritas multikolinie yang did Gejala t si (R2) yan tialnya sign (uji F) d den secara b ipotesis unt dependen se erhadap var ependen sec erhadap var etahui apak an antara n statistik ( an α. statistik > n ka p-value terminasi (R yang dije ampai denga at makin dap rti model tid
ka eritas digu duga terda terjadinya ng didapat nifikan. dilakukan u bersama-sam tuk melaku ecara bersam riabel depen cara bersam riabel depen ah H0 ditol nilai F-stati (p-value) nilai F-kritis < α R2) merupa elaskan oleh an 1. Jika n pat diandalk dak dapat di unakan untu apat hubun multikolin tinggi tetap untuk men ma mempe ukan uji F ma-sama tid nden ma-sama ber nden
lak atau gag stik dan ni masing-m s kan ukuran h model re nilai R2 men kan. Sebalik iandalkan. uk melihat ngan linear iearitas ad pi tidak sa ngetahui ap engaruhi var adalah se dak berpeng rpengaruh gal ditolak lai F-kritis, asing var n persentase egresi. Nila ndekati 1 b knya jika ni t apakah d r antar pe dalah koe atupun koe pakah riabel ebagai garuh maka , atau riabel e total ai R2 berarti ilaiR2 dalam eubah fisien fisien
Konsekuensi dari model regresi yang mengandung multikolinearitas adalah bahwa kesalahan standar estimasinya akan cenderung meningkat dengan bertambahnya variabel eksogen. Dalam pengujian ini digunakan matriks korelasi yang menunjukkan koefisien korelasi antar variabel pembentuk model. Adanya masalah multikolinieritas jika dalam matriks korelasi antar variabel dari output Eviews mempunya nilai lebih dari 0.8.
2. Uji Heteroskedastisitas
Uji yang menyatakan dengan asumsi populasi dari variabel endogen yang mempunyai hubungan dengan berbagai variabel eksogen, mempunyai varian yang sama. Akibat dari pelanggaran uji ini menyebabkan varian estimasi koefisien regresi tidak minimal lagi. Pengujian heteroskedastisitas dapat dilakukan dengan uji White Heteroscedasity. Hipotesis yang diuji adalah :
H0 : γ = 0, tidak terdapat heteroskedastisitas H1 : γ ≠ 0, terdapat heteroskedastisitas
Wilayah kritik penolakan H0 adalah probabilitas obs*R-squared < α, sedangkan wilayah penerimaan H0 adalah probabilitas obs*R-squared > α. Jika H0 ditolak maka varians dari error term untuk setiap pengamatan berbeda untuk setiap variabel bebas, sebaliknya jika H0 diterima maka varians dari error term untuk setiap pengamatan sama untuk seluruh variabel bebas.
3. Uji Autokorelasi
Pengujian terhadap kemungkinan autokorelasi dilakukan untuk melihat apakah terdapat korelasi antar anggota sampel yang diurutkan berdasarkan waktu untuk data time series atau menurut urutan tempat/ruang. Autokorelasi dapat diartikan sebagai korelasi sisaan yang satu (ε1). Biasanya autokorelasi sering terjadi pada data time series. Penyebab utama terjadinya autokorelasi adalah ada variabel penting yang tidak digunakan dalam model. Pendeteksian autokorelasi dapat
dilakukan dengan melihat probabilitas obs*R-squared dengan menggunakan statistik Breusch-Godfrey Serial Correlation LM Test yang tersedia pada program Eviews. Hipotesis dalam uji ini adalah : H0 : ρ = 0, tidak terdapat autokorelasi
H1 : ρ ≠ 0, terdapat autokorelasi
Wilayah kritik penolakan H0 adalah probabilitas obs*R-squared < α, sedangkan wilayah penerimaan H0 adalah probabilitas obs*R-squared > α. Jika H0 ditolak maka terjadi autokorelasi (positif atau negatif) dalam model. Sebaliknya jika H0 diterima maka tidak ada autokorelasi dalam model.