METODELOGI PENELITIAN

BAB III METODELOGI PENELITIAN

A. RUANG LINGKUP PENELITIAN

Penelitian ini merupakan studi mengenai pengaruh subsidi pertanian yang diproksi dari ketersediaan energi, ketersediaan protein, konsumsi energi dan konsumsi protein terhadap ketahanan pangan. Penelitian ini dilakukan di Indonesia dengan mengambil data dari tahun 1975 - 2010.

B. JENIS DAN SUMBER DATA

1. Jenis Data

Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data time series dari tahun 1975 – 2010. Pengolahan data awal dilakukan sebelum melakukan analisis lebih lanjut karena keterbatasan ketersediaan data.

2. Sumber Data

Data penelitian diperoleh dari berbagai sumber seperti: Badan Pusat Statistik (BPS), Laporan Tahunan Bank Indonesia (BI), Statistik Ekonomi dan Keuangan Indonesia (BI), Departemen Keuangan, Departemen Pertanian dan instansi terkait lainnya serta dari penelitian terdahulu.

C. DEFINISI OPERASIONAL VARIABEL

Definisi operasional variabel diberikan agar tidak terjadi kesalahan dalam penafsiran terhadap suatu variabel yang ada. Variabel-variabel tersebut adalah sebagai berikut:

1. Variabel Dependen Ketahanan Pangan (KP)

Ketahanan pangan diproksi dari jumlah ketersediaan energi, ketersediaan protein, konsumsi energi dan konsumsi protein .

- Jumlah ketersediaan energi (KE), satuannya ribu kkal/tahun adalah jumlah ketersediaan energi yang bersumber dari beras, jagung, kedelai, gula, daging ayam ras, telur ayam ras, daging ayam buras dan telur ayam buras, ubi jalar dan ubi kayu (termasuk gaplek dan tapioka).

- Jumlah ketersediaan protein (KPR), satuannya kilogram/tahun adalah jumlah ketersediaan protein yang bersumber dari beras, jagung, kedelai, gula, daging ayam ras, telur ayam ras, daging ayam buras dan telur ayam buras, ubi jalar dan ubi kayu (termasuk gaplek dan tapioka).

- Jumlah konsumsi energi (CEK), satuannya kkal/kap/tahun adalah jumlah konsumsi energi yang bersumber dari beras, jagung, kedelai, gula, daging ayam ras, telur ayam ras, daging ayam buras dan telur ayam buras, ubi jalar dan ubi kayu (termasuk gaplek dan tapioka).

- Jumlah konsumsi protein (CPRK), satuannya kilogram/kap/tahun adalah jumlah ketersediaan energi yang bersumber dari beras, jagung, kedelai, gula, daging ayam ras, telur ayam ras, daging ayam buras dan telur ayam buras, ubi jalar dan ubi kayu (termasuk gaplek dan tapioka).

2. Variabel Independen

Subsidi Pertanian (SP) Variabel ini terdiri dari kebijakan subsidi pupuk untuk pertanian dan kebijakan subsidi untuk pengadaan pangan. Dana yang digunakan bersumber dari dana APBN dengan satuan milyar rupiah.

D. METODE PENGUMPULAN DATA

Metode pengumpulan data dalam penelitian ini menggunakan data sekunder. Data sekunder yang digunakan, yang sebelumnya telah tersedia di dinas/intansi yang terkait maka metode yang digunakan untuk mengumpulkan data dalam penelitian ini adalah dengan studi kepustakaan, yaitu teknik pengumpulan data dengan cara mencari dan membaca literatur yang relevan dan berkaitan dengan penelitian skripsi. Relevansi didasarkan pada data yang telah tersedia di institusi yang bersangkutan dan telah teruji secara empiris, seperti data yang dikeluarkan oleh Badan Pusat Statistik (BPS), Laporan Tahunan Bank Indonesia (BI), Statistik Ekonomi dan Keuangan Indonesia (BI), Departemen Keuangan, Departemen Pertanian dan instansi terkait lainnya.

E. METODE ANALISIS DATA

Model analisis yang digunakan untuk membuktikan hipotesis penelitian yaitu mengetahui bagaimana pengaruh subsidi pertanian terhadap ketahanan pangan di Indonesia tahun 1975-2010. Analisis data tersebut dapat digunakan untuk mengetahui pengaruh subsidi terhadap ketahanan pangan dengan melihat pengaruh variabel independen terhadap variabel dependen pada periode tersebut.

1. Metode Vector Error Correction Model (VECM)

Kebijakan subsidi bukan hanya satu-satunya indikator yang ikut andil dalam menentukan ketahanan pangan, tetapi masih banyak indikator lain yang menentukan ketahanan pangan. Penelitian ini menggunakan model Vector Error Correlation Model (VECM), dengan model ini diharapkan dapat menjelaskan perilaku jangka pendek maupun jangka panjang.

Model dasar yang digunakan dalam penelitian yaitu: KP = f (SP)...........................................................................................(3.1) di mana : KP = ketahanan pangan, SP = subsidi pertanian, sehingga persamaannya adalah:

......................................................................(3.2) Model ini dibentuk untuk mengetahui pengaruh variabel subsidi

pertanian terhadap ketahanan pangan, jika data yang digunakan stasioner pada tingkat first difference, maka model Vector Auto Regression (VAR) akan dikombinasikan dengan Model Koreksi Kesalahan (Error Correction Model /ECM) menjadi Cointegrated VAR atau biasa dikenal dengan istilah Vector Error Correction Model (VECM). Metode penelitian ini akan menguraikan fungsi granger causality test, impulse response dan variance decomposition yang merupakan properti dari model VAR untuk melihat goncangan dari variabel inovasi terhadap variabel-variabel lainnya.

a. Uji Stasioberitas dan Derajat Integrasi

1) Uji Akar Unit (Unit Root Test)

Uji stationaritas bertujuan untuk mengetahui apakah variabel yang digunakan mengandung unit root (tidak stasioner). Hal penting yang berkaitan dengan studi atau penelitian yang menggunakan data time series adalah stasioneritas. Pengujian ini sangatlah penting agar tidak terjadi regresi lancung/semu (spurious regression), oleh karena itu sebelum melakukan pendugaan harus dilakukan pengujian apakah data yang digunakan sudah stasioner (Insukindro, 1999). Uji statistik Dickey Fuller (DF) dan Augmented Dickey Fuller (ADF) dilakukan untuk mengetahui apakah suatu variabel stasioner atau tidak. Hasil uji statistik tersebut menampilkan dua tabel output , yaitu yang mengandung intersep dengan trend dan yang mengandung intersep tanpa trend. Pengujian ini akan berpengaruh terhadap model yang akan dipakai, jika data yang digunakan stasioner pada tingkat first difference, maka model VAR akan dikombinasikan dengan ECM menjadi VECM. Jika data stasioner pada tingkat level maka digunakan VAR.

Uji akar unit (stasioneritas) dalam penelitian ini menggunakan Augmented Dickey Fuller (ADF) Test, jika nilai ADF statistiknya lebih kecil dari MacKinnon Critical Value (nilai kritis MacKinnon) maka data tersebut stasioner.

2) Uji Derajat Integrasi

Uji derajat integrasi merupakan kelanjutan dari uji akar unit, apabila setelah dilakukan pengujian akar unit ternyata data belum stasioner, maka dilakukan pengujian ulang dan menggunakan data nilai perbedaan pertamanya (first difference) belum juga stasioner maka selanjutnya dilakukan pengujian dengan data dari perbedaan kedua (second difference) dan seterusnya hingga diperoleh data yang stasioner.

b. Penentuan Lag Optimal

Ender (2004) dalam Murtiningsih (2009) menjelaskan bahwa terdapat beberapa tahap pengujian yang dilakukan untuk memperoleh panjang lag optimal. Tahap pertama akan dilihat panjang lag maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Sistem VAR dikatakan stabil jika seluruh root-nya memiliki modulus lebih kecil dari satu dan semuanya terletak pada unit circle. Tahap kedua, panjang lag optimal akan dicari dengan menggunakan kriteria Akaike Information Criterion (AIC), Schwarz Information Criteria (SIC) dan Hannan-Quinn Criterion (HQ). Penelitian ini penulis memakai kriteria AIC yang dirumuskan sebagai berikut (Eviews 6.0):

di mana:

= sum of square error = residual sum square

= jumlah parameter termasuk intersep

= jumlah observasi = logaritma natural dari AIC

= penalty factor Prosedur yang perlu dilakukan yaitu menentukan lag optimum

untuk X dengan melakukan autokorelasi berturut-turut pada lag 1,2,3,.....n sehingga harus menentukan lag maksimal, misal lag maksimal (n) adalah 8. Hasil regresi tersebut diperhatikan AIC yang dihasilkan, kemudian pilih AIC yang terkecil sebagai panjang lag yang optimum, setelah panjang diketahui kemudian dimasukkan variabel Y untuk mengetahui apakah Y berpengaruh terhadap X berturut-turut mulai lag 1,2,...n. Hasil regresi-regresi tersebut dipilih model dengan besaran AIC paling kecil.

c. Uji Kointegrasi

Dua variabel akan berkointegrasi bila mereka mempunyai relasi jangka panjang atau keseimbangan jangka panjang di antara variabel tersebut. Kointegrasi merupakan suatu hubungan jangka panjang antara variabel-variabel yang stasioner pada derajat integrasi yang sama. Kombinasi linier dari dua variabel yang merupakan time series yang stasioner maka kedua time series tersebut dikatakan berkointegrasi. Keberadaan hubungan kointegrasi memberikan Dua variabel akan berkointegrasi bila mereka mempunyai relasi jangka panjang atau keseimbangan jangka panjang di antara variabel tersebut. Kointegrasi merupakan suatu hubungan jangka panjang antara variabel-variabel yang stasioner pada derajat integrasi yang sama. Kombinasi linier dari dua variabel yang merupakan time series yang stasioner maka kedua time series tersebut dikatakan berkointegrasi. Keberadaan hubungan kointegrasi memberikan

Uji Kointegrasi Eagle-Granger (EG), Uji Cointegrating Regression Durbin Watson (CRDW), dan Uji Johansen adalah tiga cara untuk menguji kointegrasi yang mana semua variabel telah stasioner pada first difference atau I(1). Penelitian ini akan

menggunakan Uji Johansen, dengan H 0 = non kointegrasi dan H 1 = kointegrasi. Jika t-Trace Statistik > t-MacKinnon maka H 0 ditolak dan

H 1 diterima yang artinya terjadi kointegrasi.

d. Vector Auto Regression (VAR)

Vector Auto Regression (VAR) adalah salah satu bentuk analisis time series yang pertama kali diperkenalkan oleh Sims pada tahun 1980. VAR merupakan salah satu bentuk model ekonometrika yang sering digunakan untuk menganalisis permasalahan yang berkaitan dengan fluktuasi variabel makroekonomi. VAR dapat juga digunakan untuk menganalisis suatu kebijakan. VAR tidak hanya menghasilkan rekomendasi berdasarkan model yang digunakan dalam merespon adanya suatu guncangan dalam perekonomian, tetapi membiarkan hal ini bekerja melalui model teoritik dan dapat melihat respon jangka panjangnya berdasarkan data historisnya. Metode analisis VAR hanya ada variabel endogen yang berarti bahwa pembuat kebijakan dapat membuat keputusan secara rasional berdasarkan pengalaman sebelumnya dan keputusan yang akan diambil akan berbeda untuk setiap sistem yang berbeda (Murtiningsih, 2009).

e. Vector Error Correction Model (VECM)

VECM merupakan bentuk VAR yang terestriksi. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya, karena itulah VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi.

Spesifikasi VECM merestriksi hubungan jangka panjang variabel- variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga sebagai error, karena deviasi terhadap keseimbangan jangka panjang di koreksi secara bertahap melalui series parsial penyesuaian jangka pendek (Murtiningsih, 2009). Penelitian ini menggunakan formula untuk menjawab permasalahan penelitian adalah sebagai berikut:

Proksi masing-masing model ketahanan pangan menjadi :

= operasi lag = koefisien koreksi kesalahan (error correction term)

= koefisien gangguan

= first difference order yang digunakan untuk mengurangi

stasioneritas variabel Formulasi (3.3) menunjukkan formulasi analisis VECM yang digunakan jika data yang digunakan stasioner pada tingkat first difference serta terdapat kointegrasi di antara variabel penelitian. Formulasi (3.4) digunakan jika data yang digunakan stasioner pada tingkat level atau pada tingkat first difference namun tidak terdapat kointegrasi di antara variabel-variabel penelitian.

f. Granger Causality Test (Uji Kausalitas Granger)

Uji kausalitas Granger bertujuan untuk mengetahui hubungan kausalitas (sebab akibat) di antara dua variabel yang diuji. Hipotesis awal yang digunakan yaitu Hipotesis Null yang menyatakan bahwa variabel satu tidak mempengaruhi variabel lainnya (does not Granger cause ). Tahapan ini dapat dilakukan dengan menggunakan Pairwise Uji kausalitas Granger bertujuan untuk mengetahui hubungan kausalitas (sebab akibat) di antara dua variabel yang diuji. Hipotesis awal yang digunakan yaitu Hipotesis Null yang menyatakan bahwa variabel satu tidak mempengaruhi variabel lainnya (does not Granger cause ). Tahapan ini dapat dilakukan dengan menggunakan Pairwise

g. Impulse Respon Function (IRF)

Impulse Response Function (IRF) adalah respon sebuah variabel dependen jika mendapat guncangan atau inovasi variabel independen sebesar satu standar deviasi. Sims menyatakan bahwa cara yang paling baik dalam mencirikan struktur dinamis pada model adalah dengan menganalisa respon dari model terhadap guncangan (shock). IRF dapat melakukan hal ini dengan menunjukkan bagaimana respon dari setiap variabel itu sendiri dan variabel endogen lainnya. IRF melacak respon dari variabel dependen dalam VAR terhadap guncangan dari variabel-variabel lain, jadi untuk setiap variabel dari masing-masing persamaan yang terpisah, suatu guncangan diaplikasikan pada error dan efeknya terhadap sistem VAR untuk beberapa waktu tercatat karenanya, apabila terdapat guncangan variabel dalam sistem, total impuls respons dapat diketahui.

IRF dalam penelitian ini dilakukan untuk menganalisis respon ketahanan pangan terhadap guncangan variabel subsidi pertanian, dengan demikian hasil analisis ini akan menjawab permasalahan dalam penelitian ini. Variabel diurutkan dalam analisis IRF didasarkan pada faktorisasi Cholesky yang hasilnya diperoleh dengan Eviews 6.

h. Forecasting Error Variance Decomposition (FEVD)

Forecasting Error Decomposition of Variance (FEVD) adalah metode yang digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro ditunjukkan oleh perubahan variance error yang dipengaruhi oleh variabel lainnya. Gustiani, Ascarya, dan Effendi (2010:533) dalam Julianti (2011) FEVD juga dilakukan untuk melihat kontribusi relatif suatu variabel dalam menjelaskan variabilitas variabel endogenous-nya. Metode ini dapat mencirikan struktur dinamis dalam model VAR, selain itu juga dapat melihat kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang (how long/ how persistent ). Dekomposisi varians merinci varians dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Persentase square prediction error k - tahap ke depan dari sebuah variabel akibat inovasi dalam variabel lain, dapat dilihat seberapa besar error peramalan variabel itu sendiri dan variabel-variabel lainnya.

Penelitian melalui FEVD ini untuk melihat peran subsidi pertanian dalam menjelaskan variabilitas ketahanan pangan, sehingga bisa dilihat FEVD dalam kurun waktu 36 tahun. Hasil dari analisis FEVD diperoleh dengan menggunakan Eviews 6.

2. Uji Asumsi Klasik

Uji asumsi klasik perlu dilakukan dalam pendekatan ekonometri. Tujuannya agar diperoleh penaksiran yang bersifat Best Linier Unbiased

Estimator (BLUE), maka terhadap estimasi model penelitian tersebut perlu dilakukan uji asumsi klasik yang terdiri dari:

a. Uji Normalitas

Uji normalitas digunakan untuk mengetahui apakah data yang digunakan memiliki distribusi normal atau tidak. Data yang baik memiliki distribusi yang normal atau mendekati normal. Normalitas dapat dideteksi dengan menggunakan Uji Jarque-Berra (J-B) dan metode grafik. Penelitian ini akan menggunakan metode J-B Test, uji ini menggunakan hasil estimasi residual dari chi-square probability

distribution kemudian membandingkan nilai J-B. Hitung (X 2 hitung)

dengan nilai X 2 tabel, dengan aturan :

1) Hipotesis yang menyatakan bahwa residual u t berdistribusi normal ditolak apabila nilai J-B (X 2 ) hitung > nilai X 2 tabel.

2) Hipotesis yang menyatakan bahwa residual ut berdistribusi normal tidak dapat ditolak apabila nilai J-B (X 2 ) hitung < nilai

X 2 tabel.

b. Uji Autokorelasi

Autokorelasi adalah suatu keadaan di mana kesalahan variabel pengganggu pada suatu periode tertentu berkorelasi dengan kesalahan pengganggu periode lain. Asumsi ini untuk menegaskan bahwa nilai variabel dependen hanya diterangkan (secara sistematis) oleh variabel independen dan bukan oleh variabel gangguan (Gujarati, 2006).

Metode Durbin-Watson Test dan B-G Test pada penelitian ini dapat digunakan untuk menilai apakah dalam model tersebut terdapat masalah autokorelasi atau tidak.

1) Durbin Watson Test

Gambar 3.1 Uji Autokorelasi (Durbin-Watson)

Hipotesis untuk menguji ada tidaknya autokorelasi adalah :

H 0 : tidak ada autokorelasi baik positif maupun negatif Tabel Durbin-Watson (DW) digunakan untuk menguji hipotesis nol tidak ada autokorelasi, dengan kriteria hasil perhitungan DW statistik dibandingkan dengan DW tabel, sebagai berikut: jika d < dl

= menolak H 0

jika du < d < 4-du

= tidak menolak H 0 jika dl ≤ d ≤ du / 4-du ≤ d ≤ 4-dl = pengujian tidak meyakinkan

(inconclusive)

2) B-G Test

T. S. Breusch dan L. G. Godfrey (1978) mengembangkan pengujian autokorelasi yang lebih umum untuk menghindari masalah pengujian autokorelasi dengan DW Test. Langkah-

Ragu 2

Auto korelasi

(+)

Auto korelasi (-)

Ragu 2

Tidak ada Autokorelasi

0 dl

du

2 4-du 4-dl 4

a) Estimasi persamaan regresi dengan OLS, dapatkan nilai residualnya (u t ).

b) Regresi u t terhadap variabel bebas u t-1 ........... u t-p .

c) Hitung (n - p) R 2 ~X 2

Model tersebut tidak terdapat masalah autokorelasi jika nilai Obs*R-squared <X 2 , jika nilai Obs*R-squared > X 2 maka pada

model terdapat masalah autokorelasi.

c. Uji Heteroskedastisitas

Heteroskedastisitas akan terjadi apabila asumsi kesalahan penggangu mempunyai variasi yang sama dari model linier klasik tidak terpenuhi, yaitu suatu keadaan di mana variasi dari kesalahan pengganggu tidak sama untuk semua nilai variabel bebas. Uji Park, Uji Glejser, Uji White, Uji LM ARCH dan Uji Breusch-Pagan- Godfrey adalah beberapa metode yang digunakan untuk mendeteksi heteroskedastisitas dalam model empiris. Metode yang dijadikan tolak ukur adalah nilai Obs*R-squared. Masalah heteroskedastisitas

akan terjadi jika nilai Obs*R-squared lebih besar dari nilai X 2 , jika nilai Obs*R-squared lebih kecil dari nilai X 2 maka model tersebut tidak terdapat masalah heteroskedastisitas (Aisyah, 2007).