dalam mengolah data. Karena mengkombinasikan data cross section dan time series maka panel data memiliki beberapa keunggulan, antara lain Gujarati, 2004 :
1 Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section murni atau data time series murni.
2 Mampu mengontrol heterogenitas individu. 3 Memberikan data yang informatif, mengurangi kolinearitas antar peubah serta
meningkatkan derajat kebebasan sehingga data menjadi lebih efisien. 4 Data panel lebih baik digunakan untuk studi dynamics of adjustment karena
terkait dengan observasi pada cross section yang sama secara berulang. 5 Mampu menguji dan mengembangkan model perilaku yang lebih kompleks.
4.4 Perumusan Model
Perumusan model merupakan langkah pertama dan yang paling penting harus dilakukan dalam mempelajari hubungan antara variabel-variabel. Model digunakan
untuk memilih hubungan variabel-variabel dalam bentuk matematika dimana suatu perumusan ekonomi dipenuhi secara empirik. Aliran perdagangan komoditi pada
penelitian ini dijelaskan dengan menggunakan gravity model. Faktor-faktor yang digunakan untuk menganalisis ekspor kepiting Indonesia adalah GDP per capita
Indonesia, GDP per capita negara tujuan ekspor, harga kepiting Indonesia di negara tujuan ekspor, jarak antara negara Indonesia dengan negara tujuan ekspor, dan nilai
tukar mata uang negara tujuan terhadap rupiah. Analisis yang digunakan adalah regresi panel data dengan model logaritma
natural. Transformasi model dalam bentuk log dapat mengurangi masalah heteroskedastisitas, hal ini disebabkan karena transformasi yang memampatkan skala
untuk pengukuran variabel, mengurangi perbedaan nilai dari sepuluh kali lipat menjadi perbedaan dua kali lipat Gujarati 1997. Dugaan persamaan aliran
perdagangan ekspor kepiting Indonesia dapat dirumuskan sebagai berikut : L
n
X
ijt
= β + β
1
lnY
it
+β
2
lnY
jt
+ β
3
lnP
ijt
+ β
4
lnD
ijt
+ β
5
lnER
ijt
+ ε
ijt
Dimana :
X
ijt
= Volume ekspor komoditas ke negara tujuan ton Y
it
= GDP per capita Indonesia milyar US Y
jt
= GDP per capita negara tujuan ekspor milyar US P
ijt
= Harga komoditas di negara tujuan ekspor USkg D
ijt
= Jarak antara negara Indonesia dengan negara tujuan ekspor Km ER
ijt
= Nilai tukar mata uang negara tujuan terhadap rupiah domestikRp ε
ijt
= random error β
= konstanta intercept β
n
= parameter yang diduga n = 1,2, ... ,6
4.5. Pengujian Kesesuaian Model
Pada analisis model dengan menggunakan data panel, dikenal tiga macam pendekatan yang terdiri dari Pendekatan Kuadrat Terkecil Pooled Least Square,
Pendekatan Efek Tetap Fixed Effect, dan Pendekatan Efek Acak Random Effect. Agar memperoleh dugaan model yang efisien dan paling baik di antara berbagai
pilihan model maka kita perlu menganalisis dugaan model yang kita gunakan berdasarkan pertimbangan statistik. Terdapat tiga pengujian statistik yang digunakan
dalam data panel untuk menentukan model mana yang paling baik untuk kita pilih, diantaranya :
4.5.1. Chow test
Chow test atau biasa disebut dengan uji F
statistik
merupakan pengujian statistik yang bertujuan memilih model fixed effect atau pooled least square. Hipotesis dari uji
ini yaitu : H
: Model Pooled OLS H
1
: Model Fixed Effect Dasar penolakan terhadap hipotesis nol tersebut adalah dengan menggunakan
Fstatistik seperti yang dirumuskan : CHOW
Dimana : RRSS : Restricted Residual Sum Square Sum Square Residual PLS
URRS : Unrestricted Residual Sum Square Sum Square Residual Fixed N
: Jumlah data Cross Section T
: Jumlah data Time Series K
: Jumlah variabel penjelas Dimana pengujian ini menggunakan distribusi F
statistik
yaitu F
N-1, NT-N-K
. Jika nilai CHOW Statistic F
statistik
hasil pengujian lebih besar dari F
tabel
, maka cukup bukti untuk melakukan penolakan terhadap hipotesis nol sehingga model yang
digunakan adalah model Fixed Effect, begitu juga sebaliknya jika nilai CHOW Statistic
F
statistik
lebih kecil dari F
tabel
maka model yang digunakan adalah model Pooled Least Square
. 4.5.2.
Hausman Test
Hausman test merupakan uji untuk menentukan apakah kita akan
menggunakan model fixed effect atau model random effect. Hipotesis dari uji ini yaitu :
H : Model random effect
H
1
: Model fixed effect Nilai statistik hausman akan dibandingkan dengan nilai Chi square sebagai
dasar dalam menolak H . Jika nilai χ
2
–statistik hasil pengujian lebih besar dari χ
2
- tabel maka cukup bukti untuk melakukan penolakan terhadap H
sehingga pendekatan yang digunakan adalah fixed effect model dan sebaliknya.
4.5.3. LM Test
LM test The Breusch
– Pagan LM Test digunakan sebagai dasar pertimbangan statistik dalam memilih model Random Effect dan Pooled Least
Square . Hipotesis dari uji ini yaitu :
H : Model Pooled effect
H
1
: Model Random effects Dasar penolakan H
yaitu dengan cara membandingkan antara nilai statistik LM dengan nilai Chi-square
. Apabila nilai LM hasil perhitungan lebih besar dari χ
2
- tabel maka cukup bukti untuk melakukan penolakan terhadap H
sehingga model yang akan digunakan adalah random effect dan sebaliknya.
Dalam melakukan pengujian estimasi model ada beberapa hal yang perlu diingat agar dalam pemilihan model dapat dilakukan secara cepat, yaitu dengan
menguji : a. Random Effect vs Fixed Effect Hausmann Test
b. Pooled Least Square vs Fixed Effect Chow Test Strategi yang dilakukan dalam mengambil keputusan dalam memilih sebuah
model yang akan digunakan adalah sebagai berikut : 1. Jika b tidak signifikan maka menggunakan Pooled Least Square.
2. Jika b signifikan namun a tidak signifikan maka menggunakan Random Effect Model.
3. Jika keduanya signifikan maka menggunakan Fixed Effect Model.
4.6 Pengujian Statistik
Pengujian statistik berfungsi untuk mengetahui model dalam penelitian yang digunakan apakah sudah cukup baik atau belum dalam menjelaskan keragaman yang
terdapat pada suatu permasalahan, terdapat beberapa kriteria pengujian statistik yaitu uji t, uji F, dan koefisien determinasi yang disesuaikan R-Sq adj.
4.6.1 Uji t
Uji t merupakan suatu pengujian yang bertujuan untuk mengetahui apakah koefisien regresi signifikan atau tidak pada suatu taraf tertentu taraf yang digunakan
peneliti. Uji t dilakukan untuk melihat apakah variabel penjelas atau variabel bebas secara individu mempunyai pengaruh yang nyata signifikan atau tidak berpengaruh
nyata tidak signifikan terhadap variabel tak bebas yang terdapat pada suatu model. Hipotesis
H : β
i
= 0 H
1
: β
i
≠ 0 Uji Statistik
t
hitung
= t
tabel
= tαn-k dimana :
Sdβ
i
= Standar deviasi parameter untuk β
i
β
i
= koefisien ke-i yang diduga n
= jumlah pengamatan k
= jumlah parameter Kriteria Uji
Apabila : t
hitung
t
tabel
, maka tolak H t
hitung
t
tabel
, maka terima H Kesimpulan
Jika tolak hipotesis H berarti variabel bebas yang diuji pada model tersebut
berpengaruh nyata terhadap variabel tak bebasnya. Sebaliknya apabila terima H berarti variabel bebas yang diuji pada model tidak memiliki pengaruh yang signifikan
terhadap variabel tak bebasnya.
4.6.2 Uji F
Pengujian ini dilakukan untuk mengetahui apakah variabel penjelas secara bersama-sama simultan berpengaruh nyata atau tidak berpengaruh nyata terhadap
variabel tak bebas Nachrowi dan Usman, 2006. Hipotesis
H : β
1
= β
2
= β
3
= β
4
= β
5
= 0 H
1
: minimal ada satu slope yang tidak sama dengan nol Uji Statistik
Fhitung = dimana :
e2 = jumlah kuadrat regresi
1-e2 = jumlah kuadrat sisa n
= jumlah sampel k
= jumlah parameter Kriteria Uji
Apabila : F
hitung
F
tabel
, maka tolak H F
hitung
F
tabel
, maka terima H Kesimpulan
Jika tolak hipotesis H berarti terdapat minimal satu slope yang nilainya tidak
sama dengan 0. Hal ini menunjukkan bahwa variabel-variabel bebas yang diuji pada
model tersebut secara simultan berpengaruh nyata terhadap variabel tak bebasnya. Sebaliknya apabila terima H
berarti seluruh slope bernilai 0 sehingga variabel bebas yang diuji pada model secara bersama-sama tidak memiliki pengaruh yang nyata
terhadap variabel tak bebasnya.
4.6.3 Koefisien Determinasi R
2
Koefisien determinasi R
2
adalah suatu ukuran yang menunjukkan keragaman pada variabel tak bebas dependen yang dapat diterangkan pada variasi
model regresi atau menunjukkan besarnya sumbangan dari variabel penjelas terhadap variabel respon, nilai koefisien determinasi berkisar antara nol hingga satu 0R
2
1 dimana semakin besar nilai koefisiennya atau mendekati satu maka model yang
dibentuk dapat menjelaskan keragaman dari variabel dependen model semakin baik, begitu pula sebaliknya jika nilai koefisien determinasi rendah atau mendekati nol
maka model tersebut kurang dapat menjelaskan keragaman dari variabel tak bebasnya. Adapun rumus untuk koefisien determinasi R
2
dapat dilihat di bawah ini : R
2
= Dimana :
RSS : Jumlah kuadrat regresi Residual Sum Square TSS : Jumlah Kuadrat Total Total Sum Square
Selain itu ada pengukuran R
2
yang lain yaitu R
2
adjusted yang merupakan nilai R
2
yang telah disesuaikan terhadap banyaknya variabel bebas dan banyaknya observasi. Rumus R
2
-adjusted adalah : R
2
-adj =1- Dimana :
R
2
-adj : koefisien determinasi yang telah disesuaikan
k : jumlah variabel bebas
n : jumlah observasi
4.7 Pengujian Asumsi
Pengujian asumsi dilakukan agar model yang dihasilkan merupakan model yang efisien, konsisten, serta tidak dilakukan pelanggaran terhadap asumsi-asumsi
mendasar seperti normalitas, multikolinieritas, heteroskedastisitas, dan autokorelasi. Jika terjadi pelanggaran terhadap asumsi-asumsi tersebut maka model menjadi tidak
valid.
4.7.1 Uji Normalitas
Salah satu pengujian yang dilakukan dalam persamaan regresi untuk menguji apakah nilai-nilai dari Y berdistribusi normal pada tiap nilai dari X adalah uji
normalitas. Pengujian normalitas dapat dilakukan dengan metode yang digunakan untuk menguji kenormalan data adalah metode Kolmogorov Smirnov.
Hipotesis : H
: Sebaran Normal H
1
: Sebaran Tidak Normal Uji Statistik
D
n
= max F
e
– F Dimana :
D
n
= Nilai Kolmogorov Smirnov hitung F
e
= Frekuensi harapan F
= Frekuensi observasi Kriteria uji
KS
hitung
KS
tabel
atau P
value
5, maka tolak H KS
hitung
KS
tabel
atau P
value
5, maka tolak H
1
4.7.2 Uji Multikolinieritas
Multikolinieritas adalah hubungan linier antara variabel-variabel bebas independen penyusun model dalam persamaan regresi berganda. Beberapa indikasi
suatu model persamaan regresi mengandung multikolinieritas dapat dilihat pada hasil estimasi output pada eviews dimana dari nilai R
2
yang didapat tinggi antara 0,7 dan 1 tetapi dalam output tersebut tidak terdapat atau sedikit sekali koefisien dugaan
yang nyata pada taraf uji tertentu dan tanda koefisien dari regresi dugaan banyak yang tidak sesuai teori. Adapun beberapa cara untuk menghilangkan masalah kolinieritas
dalam suatu model, diantaranya : 1. Menggunakan extraneous atau informasi sebelumnya
2. Mengkombinasikan data cross section dengan data time series 3. Meninggalkan variabel yang sangat berkorelasi
4. Mentransformasikan data 5. Mendapat tambahan atau data baru
4.7.3 Uji Autokorelasi
Autokorelasi mencerminkan adanya hubungan yang terjadi antara error masa lalu dengan error saat ini yang dapat menyebabkan parameter menjadi bias sehingga
pendugaan parameter menjadi tidak efisien. Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai dari Durbin Watson DW statistiknya yang
dibandingkan dengan nilai dari tabel DW. Berikut merupakan kerangka identifikasi dalam menentukan ada tidaknya autokorelasi.
Tabel 8.
Kerangka Identifikasi Autokorelasi
Nilai Durbin Watson Keterangan
4 – dl DW 4
Tolak H , korelasi serial negatif
4 – du DW 4 – dl
Hasil tidak dapat ditentukan 2 DW 4
– du Terima H
, tidak ada korelasi serial du DW 2
Terima H tidak ada korelasi serial
dl DW du Hasil tidak dapat ditentukan
0 DW dl Tolak H
, korelasi serial positif Sumber : Gujarati 2004
Korelasi serial terjadi apabila error dari periode waktu yang berbeda saling berkorelasi. Untuk mendeteksi hal ini yaitu dengan melihat pola random error dari
hasil regresi. Dalam pendekatan fixed effect tidak mensyaratkan persamaan terbebas dari masalah autokorelasi sehinga asumsi adanya autokorelasi dapat diabaikan.
4.7.4 Uji Heteroskedastisitas
Salah satu asumsi dari model persamaan regresi adalah bahwa ragam sisaan ε
t
sama atau homogen, asumsi ini disebut homoskedastisitas. Sedangkan jika ragam sisaan tidak konstan atau berubah-ubah maka hal tersebut dinamakan
heteroskedastisitas. Adanya heteroskedastisitas dalam hasil olahan data panel dapat dilakukan dengan melihat grafik plot residual. Apabila titik-titik pada grafik tersebut
tersebar di atas dan di bawah 0 serta tidak menunjukkan adanya pola tertentu maka dapat disimpulkan bahwa model tersebut terbebas dari adanya heteroskedastisitas.
Heteroskedastisitas juga dapat dideteksi dengan melihat nilai sum square residual nya apabila model menggunakan metode Generalize Least Square dan pembobotan.
Apabila nilai sum square residual pada weighted statistic lebih kecil daripada nilai sum square residual
pada unweighted statistic nya maka dapat disimpulkan bahwa terdapat heteroskedastisitas pada model tersebut.
4.8 Nilai Potensial Perdagangan
Nilai potensial perdagangan PP pada penelitian kali ini merupakan rasio antara nilai aktual perdagangan dengan nilai prediksi dari perdagangan komoditas
kepiting antara Indonesia dengan ketujuh mitra dagangnya. Penghitungan nilai potensial perdagangan dapat dijelaskan sebagai berikut:
PP
Dimana : PP : Nilai Potensial Perdagangan
A : Nilai Aktual Perdagangan P : Nilai Prediksi Perdagangan
Adapun nilai A dan P pada persamaan di atas diperoleh dari hasil pengolahan gravity model. Pada software eviews 7, nilai A dan P diperoleh dengan melihat
actual, fitted, residual table Lampiran 11. Nilai A merupakan nilai actual per
negara pada akhir periode time series tahun 2010 pada tabel tersebut, sedangkan Nilai P adalah nilai fitted tahun 2010 per negaracross section pada tabel tersebut.
Setelah dimasukkan ke dalam persamaan di atas, maka dapat dilakukan interpretasi sesuai dengan keterangan berikut :
PP 1 telah terjadi kelebihan perdagangan atau over trade dengan negara
tersebut PP 1
masih terdapat kekurangan perdagangan atau under trade dengan negara tersebut
Apabila nilai potensial perdagangan yang diperoleh lebih besar daripada 1, maka dapat disimpulkan bahwa perdagangan antara negara pengimpor dan
pengekspor tersebut telah melebihi potensi pasarnya over trade. Terjadinya Over trade
menandakan bahwa pasar di negara tersebut telah jenuh dan akan mengakibatkan kecenderungan negara pengimpor untuk mengurangi volume
perdagangan dengan negara pengekspor tersebut. Sebaliknya apabila nilai potensial
perdagangannya kurang dari 1, maka dapat disimpulkan bahwa perdagangan antar
negara pengimpor dan pengekspor tersebut masih kurang dari potensi pasarnya under trade dan negara pengimpor akan cenderung untuk menambah volume
perdagangannya dengan negara mitra dagangnya tersebut. 4.9 Definisi Operasional
1. Volume permintaan ekspor kepiting Indonesia di negara tujuan ekspor yang menjadi variabel tak bebas dalam model merupakan total permintaan ekspor
kepiting Indonesia di negara tujuan ekspor yang dinyatakan dalam satuan kilogram Kg.
2. Gross Domestic Product GDP Negara asal ekspor yang digunakan dalam penelitian ini merupakan GDP per kapita dari Negara Indonesia yang dinyatakan
dalam satuan Dollar Amerika US. 3. Gross Domestic Product GDP Negara tujuan yang digunakan dalam penelitian
ini merupakan GDP per kapita masing-masing negara tujuan ekspor kepiting Indonesia yang dinyatakan dalam satuan Dollar Amerika US.
4. Harga ekspor merupakan harga yang digunakan dalam transaksi perdagangan internasional. Harga ekspor dinyatakan dalam satuan Dollar Amerika per kilogram
USkg. 5. Jarak antara negara Indonesia dengan negara tujuan ekspor kepiting Indonesia
didefinisikan sebagai jarak antara pelabuhan terbesar di negara Indonesia dengan pelabuhan terbesar di negara tujuan ekspor dan dinyatakan dalam satuan kilometer
Km. Jarak merupakan proksi bagi biaya transportasi. 6. Nilai tukar yang digunakan adalah nilai tukar negara tujuan tujuan ekspor terhadap
negara asal ekspor yang dinyatakan dalam satuan Importer’s CurrencyRupiah.
V GAMBARAN UMUM KOMODITAS KEPITING 5.1 Karakteristik Kepiting
Berdasarkan taksonomi, kepiting tergolong ke dalam kelas crustacea karena tubuhnya yang dilindungi oleh kerangka luar yang sangat keras, tersusun dari kitin,
dan dipersenjatai dengan sepasang capit. Hewan berkaki sepuluh dari infraordo Brachyura ini memiliki perut abdomen yang sama sekali tersembunyi di bawah
dada thorax. Brachyura sendiri berasal dari bahasa Yunani yang artinya mempunyai “ekor” yang sangat “pendek” brachy = pendek, ura = ekor. Brachyura mencakup
kepiting, ketam, dan rajungan. Beragam jenis kepiting tersebar di semua samudera dunia. Ada pula beberapa jenis kepiting air tawar dan darat, khususnya di wilayah-
wilayah tropis. Kepiting beraneka ragam ukurannya dari ketam kacang, yang lebarnya hanya beberapa millimeter hingga kepiting laba-laba Jepang, dengan
rentangan kaki hingga 4 m.
5.2 Kandungan dan Manfaat Kepiting