Gravity Model Metode Analisis Data

intra-industri dapat mengalami perkiraan yang terlalu tinggi overestimated. Sebaliknya, tingkatan enam digit menunjukkan tingkat agregasi yang terlalu rendah sehingga analisis perdagangan intra-industri dapat mengalami perkiraan yang terlalu rendah underestimated. Dengan demikian, dapat disimpulkan bahwa HS pada tingkatan empat digit dapat dijadikan tolok ukur yang baik bagi sebuah industri. Dalam hal ini komoditas yang dianalisis meliputi: ƒ Parts, accessories, except covers, for office machines [HS1996 kode 8473] ƒ Electric apparatus for line telephony, telegraphy [HS1996 kode 8517] ƒ Radio and TV transmitters, television cameras [HS1996 kode 8525] ƒ Parts for radio, TV transmission, receive equipment [HS1996 kode 8529] ƒ Electronic printed circuits [HS1996 kode 8534] ƒ Electrical switches, connectors, etc, for 1kV [HS1996 kode 8536] ƒ Electronic integrated circuits and micro assemblies [HS1996 kode 8542] ƒ Insulated wire and cable, optical fibre cable [HS1996 kode 8544]

3.2.2. Gravity Model

Langkah kedua adalah merumuskan hubungan variabel dependen IIT index dengan faktor-faktor variabel independen yang diduga mempengaruhinya. Analisis dilakukan dengan menggunakan gravity model. Selanjutnya estimasi gravity model dilakukan dengan menggunakan metode Panel Data. Proses pengestimasian dilakukan dengan menggunakan software Eviews 4.1 yang kemudian dilanjutkan dengan interpretasi output software tersebut. Dalam menganalisis faktor-faktor yang mempengaruhi nilai IIT index di negara-negara ASEAN-5, penulis menggunakan acuan bentuk analisis regresi yang diperoleh dari penelitian-penelitian terdahulu. Dari bentuk umum analisis regresi tersebut penulis membuat beberapa penyesuaian sesuai dengan bentuk gravity model, sehingga diperoleh bentuk persamaan berikut: IIT ijt = α + m ∑ α m lnZ mijt + α d lnDIST ij + ε ijt 3.3 dimana : α = Konstanta intersep, IIT ijt = Nilai intra-industry trade index antara negara i dan j pada tahun t, α m = Konstanta variabel penjelas m, Z mijt = variabel penjelas m antara negara i dan j pada tahun t, α d = Konstanta variabel jarak antara negara i dan j, DIST ij = Jarak antara negara i dan j, ε ijt = Random error. Dalam penelitian ini, penulis memasukkan variabel-variabel penjelas seperti yang digunakan pada penelitian Ito dan Umemoto 2004 dengan melakukan beberapa penyesuaian. Variabel-variabel penjelas yang digunakan mewakili standar hidup rata-rata average standard of living yaitu AVEGDPC, perbedaan pada ukuran pasar antar negara difference in market size yaitu variabel DGDP, perbedaan tingkat perekonomian antar negara economic distance yaitu DGDPC, fluktuasi nilai tukar yaitu EXRF, nilai tukar negara mitra dagang yaitu EXR2, serta jarak geografis antar negara geographic distance yaitu DIST. Penjelasan mengenai penggunaan variabel-variabel tersebut adalah sebagai berikut: 1. Standar hidup rata-rata AVEGDPC Pendapatan perkapita atau tingkat standar hidup rata-rata masyarakat mempengaruhi pola permintaannya terhadap keragaman barang. Semakin tinggi tingkat pendapatan per kapita, maka akan semakin tinggi pula permintaan akan keragaman barang. Kondisi tersebut akan memicu peningkatan produksi dengan melibatkan diferensiasi produk, sehingga perdagangan intra-industri akan meningkat. Karena itulah, pada estimasi awal diperkirakan bahwa variabel AVEGDPC akan berhubungan positif dengan IIT index. Variabel ini dihitung dengan cara merata-ratakan jumlah pendapatan perkapita dari kedua negara yang terlibat perdagangan, dan kemudian mengubah rata-rata tersebut ke dalam bentuk logaritma. 2. Perbedaan market size antar negara DGDP Perbedaan absolut market size pada dua negara yang melakukan perdagangan digunakan untuk merepresentasikan hambatan atas perdagangan intra-industri pada jenis industri yang sama. Karena itulah, pada estimasi awal diperkirakan bahwa variabel DGDP akan berhubungan negatif dengan IIT index. Seperti dalam penelitian yang dilakukan Balassa 1986, Ito dan Umemoto 2004, serta penelitian-penelitian terdahulu yang lain, penulis menghitung perbedaan tersebut sebagai berikut: DGDP ij = 1 + [ ] 2 ln 1 ln 1 ln w w w w − − + 3.4 dimana: w = j i i GDP GDP GDP + 3.5 GDP i = GDP negara i reporter GDP j = GDP negara j partner Berdasarkan penelitian terdahulu diketahui bahwa cara penghitungan ini memberikan hasil yang lebih baik dari penghitungan selisih GDP secara absolut. Hasil penghitungan DGDP ij bernilai antara 0 dan 1, dimana nilai tersebut memiliki tingkat ketergantungan yang rendah terhadap ukuran absolut GDP mitra perdagangan, nilai DGDP tersebut kemudian diubah ke dalam bentuk logaritma. 3. Perbedaan tingkat perekonomian antar negara DGDPC Perbedaan absolut tingkat perekonomian direpresentasikan oleh perbedaan GDP per capita antar negara Fontagné, Freudenberg, dan Péridy dalam Umemoto, 2004. Variabel ini dihitung dengan cara yang sama seperti pada perhitungan variabel DGDP. Pada estimasi awal diperkirakan bahwa semakin serupa tingkat GDP per capita antara negara-negara yang melakukan perdagangan maka akan semakin besar pula peningkatan perdagangan pada produk-produk yang terdiferensiasi Linder Hypothesis. Hal itu disebabkan karena kemiripan pada tingkat pendapatan diperkirakan akan berhubungan dengan kemiripan struktur permintaan yang akan mengakibatkan meningkatnya perdagangan pada produk-produk yang terdiferensiasi. 4. Fluktuasi nilai tukar EXRF Adanya pengaruh fluktuasi nilai tukar yang mengakibatkan fluktuasi volume perdagangan, karena adanya fluktuasi merubah harga relatif dari barang- barang yang diperdagangkan. Kondisi tersebut akan menimbulkan fluktuasi pula pada iklim perdagangan sehingga mempengaruhi keputusan perdagangan. Dalam kasus penelitian ini fluktuasi nilai tukar exchange rate didefinisikan sebagai perbedaan absolut antara perubahan nilai mata uang di negara reporter per dolar Amerika Serikat dengan perubahan nilai mata uang di negara partner per dolar Amerika Serikat. Nilai tersebut kemudian diubah ke dalam bentuk logaritma. Pengaruh variabel fluktuasi nilai tukar diperkirakan dapat bersifat negatif maupun positif terhadap nilai IIT. 5. Nilai tukar negara mitra dagang EXR2 Adanya kenaikan nilai tukar negara partner dagang akan menimbulkan peningkatan harga barang impor dan ekspor secara relatif. Saat nilai tukar negara partner mengalami peningkatan melemah untuk kasus nilai tukar nominal yang digunakan dalam penelitian ini, maka ekspornya ke negara reporter akan meningkat sedangkan impornya menurun. Kondisi ini menimbulkan selisih perbedaan antara ekspor dan impor semakin besar sehingga menurunkan nilai IIT index sesuai dengan rumus IIT index yang dijelaskan pada metodologi penelitian. Sehubungan dengan hal tersebut, pengaruh variabel nilai tukar negara mitra dagang diperkirakan dapat bersifat negatif maupun positif terhadap nilai IIT. Dalam penelitian ini, variabel EXR2 didefinisikan sebagai bentuk logaritma dari nilai tukar negara partner dagang. 6. Jarak geografis antar negara DIST Variabel jarak geografis dinyatakan sebagai jarak antara dua ibukota negara yang melakukan perdagangan dalam bentuk logaritma. Jarak geografis mengindikasikan biaya transportasi dan biaya transaksi yang dihadapi oleh suatu negara dalam melakukan perdagangan internasional. Semakin jauh jarak antara suatu negara dengan negara lain, semakin besar pula biaya transportasi pada perdagangan yang terjadi di antara keduanya. Sehubungan dengan hal itu maka pada estimasi awal diperkirakan bahwa variabel jarak akan berhubungan negatif dengan nilai IIT. Dalam penelitian ini, dipergunakan model linier menggunakan metode OLS. Masalah yang timbul dengan penggunaan pendekatan ini adalah bahwa pendekatan OLS dapat menghasilkan nilai estimasi yang jatuh di luar daerah kisaran IIT index yang ditetapkan nilai IIT index kurang dari 0 atau lebih dari 100. Penyimpangan estimasi tersebut dapat diabaikan karena fokus dari penelitian ini adalah bukan untuk melakukan peramalan melainkan pengujian hipotesis. Terlebih lagi, penggunaan kisaran nilai bagi variabel-variabel yang diestimasi akan diperlukan dalam OLS bila pendekatan ini digunakan untuk diperbandingkan dengan pendekatan-pendekatan yang lain Thorpe, 2005.

3.2.3. Analisis Panel Data