BAB III
METODE PENELITIAN
3.1. Variabel Penelitian dan Definisi Operasional
Penelitian ini menggunakan dua variabel yaitu variabel dependen dan variabel independen. Variabel dependen dipengaruhi oleh variabel independen dan variabel dependen bergantung kepada varaiabel independen, sumber data yang diperoleh untuk penelitian ini dari tahun 1985-2013.
3.1.1 Variabel Independen
Variabel Independen yaitu variabel yang bebas, stimulus, predictor, eksougen atau antecendent yang mempengaruhi atau menjadi penyebab berubahnya serta timbulnya variabel dependen. Variabel independen merupakan variabel penelitian yang mempengaruhi. Pada penelitian ini terdapat lima variabel independen dianataranya yaitu:
3.1.1.1.Produksi beras
Produksi merupakan proses kegiatan mengerjakan suatu benda untuk menambah nilai gunanya atau membuat benda baru yang lebih bermanfaat dari bentuk awal untuk memenuhi kebutuhan. Produksi atau proses memproduksi merupakan kegiatan menambah kegunaan suatu barang dari hasil produksi (Putong,2003). Perusahaan atau orang yang membuat proses produksi adalah
produsen, dan produksi terjadi dengan berbagai manfaat bagi manusia untuk memenuhi kebutuhan sehari-hari dengan mencapai kemakmuran dan sejahtera. Produksi beras yaitu untuk menghasilkan beras yang diproduksi oleh petani dan dipasarkan pemerintah untuk konsumsi masyarakat Indonesia, berpengaruh negative tidak signifikan terhadap impor beras di Indonesia. Sumber data di dapat dari FAO.
3.1.1.2.Produk Domestik Bruto (PDB) atau Gross Domestic Product (GDB)
Produk Domestik Bruto (PDB) atau Gross Domestic Product (GDB) yaitu nilai produk barang dan jasa yang dihasilkan di Indonesia, sebagai ukuran utama di dalam suatu negara untuk menentukan perhitungan aktifitas perekonomian nasionalnya, dan pada umunya PDB untuk mengukur volume produksi di suatu wilayah negara secara geografis dan keseluruhan volumenya. PDB berpengaruh signifikan terhadap Impor beras di indonesia . Sumber didapat dari World Bank.
3.1.1.3. Harga Beras
Harga adalah suatu nilai tukar yang dapat juga serupa dengan alat pembayaran uang, suatu barang atau jasa bagi kelompok atau perorangan pada kurun waktu tertentu dan tempat tertentu, harga berbentuk nominal untuk mengukur nilai harga tersebut yang menunjukkan tinggi rendahnya nilai suatu kualitas barang atau jasa. Berpengaruh negatif terhadap impor beras di Indonesia sumber data diperoleh dari Pusat Data dan Sistem Informasi Kementrian Pertanian 2013 (PUSDATIN), judul buku outlook komoditas pertanian subsector tanaman pangan PADI.
3.1.1.4.Penduduk
Penduduk atau warga adalah orang yang tinggal suatu daerah di sebuah negara dan orang yang memiliki hak untuk tinggal di daerah tersebut yang berhak secara hukum dan memiliki surat resmi untuk tinggal di suatu negara tersebut, dan jumlah penduduk berpengaruh signifikan terhadap impor beras di indonesia. Pengambilan data diperoleh dari World Bank.
3.1.1.5. Nilai Tukar
Nilai tukar atau yang biasa disebut dengan kurs (exchange rate) yaitu harga dari sebuah mata uang di suatu negara yang dinyatakan atau ditentukkan dalam mata uang berpengaruh signifikan terhadap impor beras di Indonesia, sumber data dari WorldBank.
3.1.2. Variabel Dependen
Variable Dependen atau yang biasa disebut dengan variabel terkait adalah variabel yang dipengaruhi karena adanya variabel independen. Besarnya perubahan pada variabel ini tergantung dari besaran variabel bebas. Pada penelitian ini menggunakan data nilai impor beras Indonesia ke luar negeri dari tahun 1985-2013.
3.1.2.1 Impor beras
Perdagangan internasional berkaitan dengan impor yang berpengaruh pada keseimbangan pendapatan nasional tergantung kepada besarnya ekspor dan dikurangi
impor. Tetapi di Indonesia terpengaruh pada impor yang lebih besar maka fungsi impor sangat dipengaruhi pada besarnya pendapatan nasional. Semakin tinggi pendapatan nasional maka semakin tinggi juga impor. Impor beras yaitu seluruh impor value beras di Indonesia dari berbagai negara dalam sbentuk USD pertahun. Data diperoleh dari FAO.
3.2 Kriteria Pemilihan Model
Untuk menentukan kriteria dalam pemilihan model suatu penelitian dapat menjadi hal yang sangat penting dan berpengaruh pada penelitian, model yang ditentukan secara empirik dapat merupakan menjadi pendekatan yang diperoleh pada penelitian ini, sehingga pendekatan empirik dapat menetukan model apa yang baik untuk digunakan, model dapat berbentuk linier ataupun log linier dan lain sebaginya. Penelitian ini menggunakan bentuk fungsi model yang model empiris digunakannya Metode Mac Kinnon, Metode White and MWD pada variabel bebas. Uji MWD jika Z1 signifikan statistik jadi model yang benar adalah linear Z2 signifikan secara statistik jadi model yang benar log linear.
Model linier dan log linier pada penilitian ini yaitu :
IMPORt = 𝛽𝜊+βı PRODUKSIt + β2HARGAt + βзPDBt + βзPENDUDUKt+ βзKURSt ᵉıt(1)
LIMPORt= µο+ µı LPRODUKSIt + µ2LHARGAt + µЗLPDBt + µЗLPENDUDUKt + µЗLKURSt + ᵉ2t(2)
Keterangan :
IMPORt = Impor Beras
PRODUKSIt = Produksi Beras
HARGAt = Harga Beras
PDBt = Produk Domestik Bruto
PENDUDUKt = Jumlah Penduduk
KURSt = Nilai Tukar
ᵉt = Variabel ganguan atau residual
Untuk melakukan uji MWD dapat di asumsikan dengan:
Hο = Y yaitu fungsi linier dari variabel independen X (model linier)
Ha = Y yaitu fungsi log linier dari variabel independen X ( Model log linier)
Tata cara atau prosedur pengguna metode MWD yaitu:
1. Estimasi persamaan (1) dan (2), lalau F1 dan F2 adalah nilai prediksi atau fitted value dari persamaan (1) dan (2).
2. Mendapatkan nilai Zı = In Fı – F2 dan Z2 = antilog F2-F1.
3. Estimasi persamaan (3) dan (4) dengan memasukkan Z1 dan Z2 sebagai variabel penjelas:
IMPORt = 𝛽𝜊+βı PRODUKSIt + β2HARGAt + βзPDBt + β2PENDUDUKt + β2KURSt +β4Zıt+ᵉıt (3)
LIMPORt= µο+ µı LPRODUKSIt + µ2LHARGAt + µᴣLPDBt + µ2LPENDUDUKt + µ2LKURSt+ β4Z2t+ᵉ2t (4)
4. (Widarjono,2009) Jika dari langkah di atas Zı model linier signifikan secara statistik, jadi menolak Ho model yang tepat yaitu log linier dan sebaliknya jika tidak signifikan akan menerima hipotesis nol maka model yang tepat yaitu linier. Z2 siginifikan secara statistik maka melalui uji t menolak Ho, maka model tepat yaitu jika signifikan akan menerima hipotesis alternatif sehingga model yang tepat adalah log linier.
Jenis data pada penilitian ini menggunakan data time series yang diperoleh dari beberapa sumber dengan cara mengambil data statistik. Sumber yang terkait seperti Badan Pusat Statistik (BPS), FAO, World Bank.
3.3. Metode Analisis
3.3.1.Uji MWD
Uji MWD (Mackinnon, H. White and R. Davidson) digunakan untuk menentukan model terbaik, yaitu model linier atau log linier. Persamaan matematis untuk model regresi linier dan regresi log linier adalah sebagai berikut:
Log Linier >>LnY = β0 + β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4
+β5LnX5+ ei
Untuk melakukan uji MWD, kita asumsikan bahwa:
H0: Y adalah fungsi linier dari variabel independen X (model linier)
Ha: Y adalah fungsi log linier dari variabel independen X (model log linier) Prosedur Uji MWD yaitu:
1. Estimasi model linier dan mendapatkan nilai prediksinya (fitted value) dinamai F1. Nilai F1 dapat dicari dengan langkah sebagai berikut:
o Lakukan regresi persamaan model linier dan dapatkan residualnya (RES1)
o Dapatkan nilai F1 = Y – RES1
2. Estimasi model log linier dan dapatkan nilai prediksinya dinamai F2. Untuk mendapatkan nilai F2 dengan menggunakan langkah berikut:
o Lakukan regresi model log linier dan dapatkan residualnya (RES2)
o Dapatkan nilai F2 = lnY – RES2
3. Dapatkan nilai Z1 = lnF1 – F2 dan Z2 = antilog F2 – F1
4. Estimasi persamaan berikut ini:
Jika Z1 signifikan secara statistik melalui uji t maka kita menolak hipotesis nol sehingga model yang tepat adalah log linier dan sebaliknya jika tidak signifikan maka kita menerima hipotesis nol sehingga model yang tepat adalah linier.
5. Estimasi persamaan berikut ini:
LnY = β0 + β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4 + β5LnX5+ ei
Jika Z2 signifikan secara statistik melalui uji t maka kita menolak hipotesis alternatif sehingga model yang tepat adalah linier dan sebaliknya jika tidak signifikan maka kita menerima hipotesis alternatif sehingga model yang tepat adalah log linier (Agus Widarjono,2009).
Table 3.1
Keputusan hasil uji MWD yaitu: Hipotesis Nol
(H0)
Hipotesis Alternatif (Ha)
Tidak Menolak Menolak
Tidak Menolak Model linier dan log linier tepat Model linier tepat
Menolak Model log linier tepat Model linier dan log linier tepat
Sumber: Ekonometrika Pengantar dan Aplikasinya, Agus Widarjono,2009
3.3.2. Metode Regresi Linier Berganda
Metode analisis yang digunakan pada penelitian ini adalah regresi linier berganda dengan metode OLS (Ordinary Least Squares) dengan menggunakan program Eviews 5.1.
Regresi linier berganda menjelaskan hubungan pengaruh antara variabel dependen dengan variabel independen. Regresi linier berganda berfungsi untuk mengukur besar
pengaruh variabel independen terhadap variabel dependen. Adapun persamaan regresi linier berganda yang digunakan dalam penelitian ini adalah sebagai berikut:
Y = β0 - β1X1 + β2X2 - β3X3 + β4X4 +β5X5 +ei
Penjelasan :
Y adalah nilai Impor Beras Indonesia (USD) X1 adalah Produksi Beras Indonesia (Ton) X2 adalah Harga Beras Indonesia (Rp/kg) X3 adalah GDP Perkapita Indonesia (USD) X4 adalah Jumlah Penduduk Indonesia X5 adalah nilai Tukar (IDR/USD)
e adalah error
Sehingga model regresi model linier, akan berbentuk permintaan impor setelah dirubah ke dalam model log linier adalah sebagai berikut :
LnY = β0 - β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4 + β5LnX5 + ei
Model regresi terbaik yang digunakan, awalnya dipilih terlebih dahulu menggunakan uji MWD sehingga akan mendapatkan model yang terbaik, yaitu model linier atau log linier. Regresi linier berganda memiliki beberapa jenis pengujian dan analisis untuk mengetahui hubungan antara variabel dependen dengan variabel independen. Jenis-jenis pengujian dan analisis tersebut antara lain uji t, uji F, R2, dan uji asumsi klasik yang mencakup uji multikolinearitas, uji heterokedastisitas dan uji autokorelasi.
3.3.3 Uji Statistik
Dari data time series kurun waktu 29 tahun (1985-2013) menggunakan metode OLS, jadi langkah selanjutnya melakukan uji statistik, uji ini dilakukan untuk mengetahui variabel atau model yang digunakan secara parsial atau keseluruhan. Uji statistik tersebut yaitu:
3.3.3.1 Koefisien Determinasi (R2)
Dalam mengukur seberapa baik garis regresi cocok dengan datanya untuk mengukur persentase total variasi Y yang dijelaskan oleh garis regresi digunakan konsep koefisien determinasi (R2). Koefisien determinasi (R2) didefinisikan sebagai proporsi atau persentase dari total variasi variabel dependen Y yang dijelaskan oleh garis regresi (variabel independen X) (Widarjono2007) formula R2 adalah sebagai berikut: TSS ESS R2
2 2 ˆ Y Y Y Y i i
Keterangan :ESS = Explained sum of squares TSS = Total sum of squares
3.3.3.2 Uji F
Uji F digunakan untuk menunjukkan apakah keseluruhan variabel independen berpengaruh terhadap variabel dependen. Untuk menganalisis menggunakan uji F harus dilihat nilai F hitung dan nilai F tabel dari penelitian tersebut guna menentukan apakah berada pada daerah terima H0 dan tolak Ha atau sebaliknya. Nilai F hitung dapat diperoleh dengan rumus :
Rumus F hitung
=
𝑅2/ 𝑘−1
1−𝑅2 /(𝑛−𝑘)
Dimana:
R2 = koefisien determinasi k = banyaknya variabel bebas n = banyaknya sampel
Hipotesis nol (H0) dan hipotesis alternatif (Ha) yang dibuat: 𝐻0 : 𝛽1=𝛽2=. . . = 𝛽𝑘 = 0
𝐻𝑎 : 𝛽1≠𝛽2≠. . . ≠ 𝛽𝑘 ≠ 0 3.3.3.3 Uji t
Uji t dilakukan untuk mengetahui variabel independen secara parsial
berpengaruh signifikan terhadap variabel dependen. Pengujian dengan menggunakan uji t dilakukan dengan cara memperbandingkan nilai antara t hitung dan t tabel. Nilai t hitung dapat diperoleh dengan rumus:
t-hitung
=
𝛽𝑖𝑠𝑒 (𝛽𝑖 )
Dimana βi adalah koefisien regresi dan se(βi) adalah standar error koefisien
regresi.
3.3.4 Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk memberikan hasil apakah metode OLS dapat menghasilkan estimater yang BLUE, oleh karna itu tidak dapat gangguan dalam OLS seperti masalah multikolinieritas, masalah heteroskedastisitas, dan masalah autokorelitas maka uji t dan Uji F akan menjadi valid.
Dalam metode OLS terdapat salah satu asumsi yang digunakan yaitu tidak ada hubungan anatara variable-variabel independen. Hubungan anatara variabel independen terdapat pada suatu regresi yaitu multikolineritas (Widarjono,2009). Indikasi awal munculnya multikolinieritas karena model ini memiliki standar error besar dan nilai tatistik t yang rendah, untuk mengetahui atau mendeteksi msalah multikolineritas yaitu dengan korelasi parsial antara variabel independen. Maka jika didapat koefisien korelasi yang cukup tinggi akan diduga sebagai adanya multikolineritas pada model, dan jika koefisien kolerasi yang didapat rendah maka model tersebut tidak mengandung multikolineritas (Widarjono,2009).
3.3.4.1 Uji Multikolinieritas
Uji multikolinieritas adalah suatu uji yang digunakan untuk melihat korelasi antar masing-masing independen variabel. Dalam pengujian asumsi OLS tidak terjadi multikolinieritas sehingga bisa dikatakan bahwa pengujian model tersebut bersifat BLUE (Best Linier Unbiases Estimators), berarti adanya hubungan sempurna, linier dan pasti, diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Untuk mengetahui ada atau tidaknya multikolinieritas dilihat dari korelasi parsial (r) antar variabel independen. Jika r > 0,85 maka ada multikolinieritas dan jika r < 0,85 maka tidak ada multikoliniertas (Widarjono, 2009).
3.3.4.2 Heteroskedastisitas
Beberapa metode untuk mendekati heterokedasitas adalah metode Breunch-Pagan yang mengembangkan metode tidak perlu mengilangkan data c dan pengurutan data. Jika variable z berjumlah akan mengikuti distirbusi X dengan degree of freedom (m-1) sehingga nilai hitung lebih besar dari nilai kritis. Model OLS menghasilkan estimator yang BLUE maka diasumsikan bahwa model memiliki varian yang konstan. Model tersebut dapat dikatakan memiliki masalah heteroskedastisitas jika variabel gangguan memiliki varian yang tidak konstan. Konsekuensi dari adanya masalah heterosdastisitas yaitu estimator yang didapatkan akan memiliki varian yang tidak minimum. Estimator metode OLS meskipun masih linier dan tidak bias tetapi varian yang tidak minimum akan membuat perhitungan standar error metode OLS
tidak bias lagi dipercaya kebenaranya. Interval estimasi inilah yang membuat uji hipotesis yang pada awalnya didasarkan pada distribusi t maupun F tidak lagi bias dipercaya untuk mengevaluasi hasil regresi. Masalah pada heterokedastisitas mengandung konsekuensi serius pada estimator OLS, sehingga tidak lagi BLUE. Beberapa hal tersebut sangat penting untuk mendeteksi adanya masalah heterokedastisitas. Metode yang akan digunakan untuk mendeteksi masalah heterokedastisitas dalam penelitian ini adalah White Heteroskedasticity test. Hipotesis dan ketentuan yang digunakan yaitu:
H0 : tidak ada masalah heterokedastisitas
Ha: ada masalah heterokedastisitas
Jika nilai probabiliti dari chi-square lebih besar dari taraf signifikan (a=5%) yang berarti tidak signifikan, maka menerima H0 atau menolak Ha berarti tidak ada masalah heterokedastisitas. Sebaliknya jika nilai probabilitas chi-square lebih kecil dari taraf signifikan (a=5%) yang berarti signifikan, maka menolak Ho atau menerima Ha yang berarti ada masalah heterokedastisitas (Widarjono, 2009).
Hipotesis:
H0 : a2 = a3 = a4 = a5 = a6 = a7 a8 = a9 = 0, tidak terdapat heteroskedastisitas dalam model
H1 : salah satu a ? 0, terdapat heteroskedastisitas di dalam model Statistik uji:
Persamaan bantu dibentuk dengan meregresikan error terhadap variabel X yang diperkirakan memiliki hubungan yang erat dengan error:
𝜀𝑖2= a1 + a2X2 + a3X3 + ... apXp Hitung LM = nR2,
Dimana: n = jumlah observasi persamaan bantu R2= unadjusted R2 persamaan bantu
Kriteria uji:
Tolak H0 jika LM > p-1(a), maka di dalam model terdapat heteroskedastisitas Terima H0 jika LM < p-1(a), yang menunjukkan bahwa residualnya homoskedastis 3.3.4.3 Uji Autokorelasi
Autokorelasi yaitu adanya korelasi diantara observasi satu dengan observasi lainnya dengan berlainan waktu. Kaitan dalam asumsi untuk metode OLS yaitu autokorelasi merupakan korelasi anatara satu variabel gangguan dengan variabel gangguan yang lain, di dalam data time series akan mununjukkan adanya autokorelasi baik negatif maupun positf. Karena data time series menunjukkan rtrend yang sama yaitu adanya kesamaan pergerakan naik atau turun (Widarjono,2009). Untuk mendeteksi autokorelasi menggunakan metode Breusch-Godfrey yaitu uji Lagrange Mulitper (LM), jika chi-square (x) hitung lebih besar dari nilai kritis chi-square derejat kepercayaan tertentu, maka menolak hipotesis nol yang menunjukkan adanya masalah autokorelasi dalam model, dan jika chi-square nya menjadi lebih kecil maka
nilai kritisnya akan menerima hipotesis nol. Maka model tidak mengandung unsur autokorelasi karena semua nilai probabilitas sama dengan nol.
Persamaan Uji LM :
𝜌𝑡 = 𝜌1𝜌𝑡 −1 + 𝜌2𝜌𝑡−2+….+𝜌𝑝𝜌𝑡 − 𝑝 + 𝜇𝑡 Langkah-langkah Uji Lagrange Multiplier (LM):
Hipotesis :
Ho: tidak terdapat autokorelasi dalam model
H1: terdapat autokorelasi di dalam model
Statistik Uji:
Regresi 𝜇𝑡 terhadap intersep, seluruh Xi dan 𝜇𝑡 -1, hitung: LM= (n-1)R2 Krtiteria Uji:
Tolak Ho jika probablitas < 𝛼, artinya terdapat autokorelasi di dalam model. Gagal menolak Ho jika probablitas > 𝛼, yang menunjukkan bahwa didalam model tidak terdapat autokorelasi.
3.3.4.4 Uji normalitas
Uji signifikansi berpengaruh pada variabel independen terhadap variabel dependen melalui uji t jika valid maka residual yang didapatkan memiliki distribusi
normal (Widarjono,2009). Metode yang digunakan untuk mendeteksi residual memiliki distribusi normal atau tidak dapat dilakukan dengan cara, menggunakan metode histrogram residual, metode grafis yang paling sederhana jika digunakan untuk mengetahui probabiliti distribusi function dari variabel yang random berbentuk normal maupun tidak. Ditentukannya histogram residual jika grafik distribusi normal maka dapat dikatakan residual memiliki distribusi yang normal, lalu dengan menggunakan metode uji jarque-bera, dengan sampel besar yang berasumsi asymptic uji stastistik jarquw-bara akan menggunakan perhitungan skekwness dan kurtosis. Nilai statisik pada JB menggunakan distriusi Chi square yang memiliki derajat kebebasan (df). Nilai probabilitas dari statistik JB besar maka nilai statistik dari JB tidak signifikan akan menerima hipotesis bahwa residual akan memiliki distribusi normal, karena nilai statistik JB mendekati nilai nol. Dan sebakiknya jika nilai statistik dari J-B signifikan akan menolak hipotesis residual memiliki distribusi normal.
Uji statistiknya sebagai berikut:
JB = n 𝑠 2 6 + 𝑘− 3 2 24 S= skewress K= kurtosis
