Jenis dan Sumber Data Model Penelitian Definisi Operasional Variabel

III. METODE PENELITIAN

3.1. Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari statistik Direktorat Jenderal Perkebunan Kementrian Pertanian, Kementrian Perdagangan, Bank Indonesia, Badan Pusat Statistik, IFS International Financial Statistics, OECD Organization for Economic Co-operation and Economic Development, dan UNCTAD statistics United Nations Conference on Trade and Development. Bentuk data adalah time series triwulan dari periode triwulan I 2000 sampai dengan triwulan IV 2010. Data yang digunakan pada penelitian ini antara lain : 1. Volume ekspor CPO ton 2. Harga internasional CPO USton 3. Harga internasional minyak bumi USbarel 4. Nilai tukar rupiah terhadap dollar AS RpUS 5. Suku bunga riil persen 6. Produksi CPO domestik ton

3.2. Metode Analisis dan Pengolahan Data

Metode analisa data yang digunakan pada penelitian ini adalah metode analisis ekonometrika yaitu metode Granger Causality Kausalitas Granger, Vector Auto Regression VAR dan Vector Error Correction Model VECM. Dengan menggunakan metode analisis tersebut diharapkan dapat diketahui bagaimana hubungan antara ekspor CPO dengan nilai tukar dan minyak bumi dunia serta faktor apa saja yang memengaruhi ekspor CPO. Data yang digunakan diubah menjadi bentuk logaritma natural kecuali data suku bunga yang berbentuk persen. Proses pengolahan data dilakukan dengan menggunakan software Microsoft Excel 2007 dan Eviews 6. Secara keseluruhan tahapan analisis data yang digunakan dalam penelitian ini yaitu : 1. Pengujian Pra-Estimasi. Tahapan ini harus dilakukan sebelum melakukan estimasi VAR. Pengujian pra estimasi terdiri dari uji stasioneritas data, uji lag optimal, uji stabilitas dan uji kointegrasi. 2. Uji Kausalitas Granger 3. Analisis VAR-VECM 4. Analisis perilaku guncangan stabilitas suatu variabel dan peranan masing-masing guncangan terhadap variabel tertentu dengan menggunakan Impulse Response Function IRF dan Variance Decomposition VD.

3.2.1. Uji Stasioneritas

Hal penting yang harus dilakukan dalam penelitian yang menggunakan data time series, adalah pengujian stasioneritas data. Menurut Gujarati 2004, pada data yang nonstasioner perilakunya dapat dipelajari hanya dalam periode waktu pembahasan sehingga tidak mungkin menyamaratakan data untuk periode yang lain. Oleh sebab itu penelitian yang bertujuan untuk peramalan lebih baik menggunakan data yang stasioner. Data yang stasioner akan memiliki kecenderungan untuk mendekati nilai rata-rata dan berfluktuasi di sekitar nilai rata-ratanya. Data time series umumnya berbentuk nonstasioner atau mengandung akar unit dan varians-nya berubah sepanjang waktu. Data nonstasioner apabila diregresikan akan menghasilkan regresi palsu atau Spurious Regression. Spurious Regression adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang nampak memiliki hubungan yang signifikan secara statistik padahal kenyataannya tidak. Salah satu cara menguji stasioneritas data yaitu dengan Augmented Dickey Fuller ADF Test . Jika nilai mutlak statistik tes ADF lebih besar dari nilai mutlak MacKinnon Critical Value maka data tersebut stasioner. Contoh persamaan yang dapat diuji stasioneritas dengan Augmented Dickey-Fuller ADF dapat ditulis sebagai berikut Gujarati, 2004 : ∑ dimana : t = pure white noise error term , ΔY t-1 = Y t-1 – Y t-2 , ΔY t-2 = Y t-2 – Y t-3 . Pengujian hipotesis pada ADF yaitu, H = = 0 tidak stasioner dengan hipotesis alternatif H 1 = 0 stasioner. Artinya apabila H ditolak dan menerima H 1 maka data stasioner dan begitu sebaliknya. Pada model VAR hasil uji stasioneritas akan menentukan jenis VAR yang akan digunakan. Apabila seluruh data bersifat stasioner pada level, dapat langsung dilakukan estimasi VAR terhadap data tersebut pada tingkat level. Namun apabila pengujian pada level menunjukkan data tersebut tidak stasioner maka yang dapat digunakan adalah VAR FD atau VECM. Oleh sebab itu uji stasioneritas sangat penting dilakukan pada sebelum estimasi VAR.

3.2.2. Uji Lag Optimal

Penentuan panjang lag optimal sangat penting untuk memperoleh model VAR yang baik, karena dalam model VAR suatu variabel juga dipengaruhi dirinya sendiri selain variabel lain. Menurut Pratika 2007, lag yang terlalu panjang akan membuang dengan percuma derajat bebas, sedangkan lag yang terlalu pendek akan mengakibatkan spesifikasi model yang salah. Panjang lag yang optimal dapat dicari dengan menggunakan kriteria informasi yang tersedia. Kriteria informasi tersebut antara lain, Likehood Ratio LR, Akaike Information Criterion AIC, Schwarz Information Criterion SC, Final Prediction Error FPE dan Hannan-Quinn Criterion HQ.

3.2.3. Uji Stabilitas

Arsana 2006 menjelaskan bahwa stabilitas model VAR dilihat dari nilai inverse roots karakteristik AR polinominalnya. Hal tersebut dapat dilihat dari nilai modulus di tabel AR roots-nya, jika seluruh nilai AR roots dibawah satu maka model VAR tersebut stabil. Uji stabilitas penting dilakukan sebelum analisis Impulse Response Function IRF dan Variance Decomposition VD. Jika model VAR tidak stabil maka hasil analisis IRF dan VD tidak valid.

3.2.4. Uji Kointegrasi

Menurut Nachrowi 2006, hubungan kointegrasi terjadi akibat variabel- variabel yang digunakan tidak stasioner secara individual tetapi, kombinasi linear antara dua atau lebih variabel tersebut merupakan time series yang stasioner. Kombinasi linier dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang. Pada penelitian ini uji kointegrasi yang digunakan adalah uji kointegrasi Johansen. Uji tesebut akan menguji apakah kombinasi variabel yang tidak stasioner terkointegrasi. Hipotesis-nya adalah, H = non kointegrasi dan hipotesis alternatifnya H 1 = terkointegrasi. Jika trace statistics lebih besar dari critical value maka tolak H o yang artinya variabel-variabel tersebut terkointegrasi.

3.2.5. Metode Analisis VAR

VAR adalah metode analisis yang banyak digunakan untuk multivariate time series . Metode analisis ini hampir sama dengan Granger Causality namun Granger Causality merupakan bivariate time series. Secara umum persamaan VAR dengan orde p dan n buah peubah tak bebas pada waktu ke-t dapat dimodelkan seperti berikut Enders, 2004 : X t = A o + A 1 X t-1 + A 2 X t-2 +……+ A p X t-p + e t 3.6 Dimana : X t = vektor peubah tak bebas berukuran n x 1 A = vektor intersep berukuran n x 1 A i = matrik koefisien berukuran n x n untuk setiap i=1,2,…p e t = vektor sisaan berukuran n x 1 Asumsi yang harus dipenuhi pada analisis VAR yaitu semua peubah tak bebas harus bersifat stasioner dan semua sisaan harus bersifat white noise yaitu memiliki rataan nol, diantara peubah tak bebas tidak ada korelasi dan ragam konstan.

3.2.6. Metode Kausalitas Granger

Gujarati 2004 menjelaskan, walaupun analisis regresi berhubungan dengan keterkaitan antara variabel satu dengan variabel lain, tapi hal tersebut belum tentu menyiratkan adanya hubungan sebab akibat. Dengan kata lain, adanya hubungan antara variabel belum tentu membuktikan adanya kausalitas. Uji kausalitas Granger dapat mengindikasikan apakah suatu variabel mempunyai hubungan dua arah atau hanya satu arah saja dengan memasukan unsur waktu. Adanya hubungan dua arah atau satu arah tersebut dapat dilihat dengan membandingkan probabilitas dengan nilai kritis yang digunakan. Jika hasil uji kausalitas Granger menunjukkan probabilitas lebih kecil dari nilai kritis maka terdapat hubungan kausalitas saling menyebabkan.

3.2.7. Metode Analisis VECM

Arsana 2006 menjelaskan, model Vector Error Correction Model atau VECM merupakan bentuk VAR yang terestriksi. Restriksi tersebut diberikan kepada variabel yang tidak stasioner pada level tapi terkointegrasi. VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen ke dalam hubungan kointegrasi namun tetap membiarkan keberadaan dinamisasi jangka pendeknya. Oleh sebab itu pada VECM telah terkandung parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk mengetahui respon pada jangka pendek dan jangka panjang. Secara umum model VECM adalah sebagai sebagai berikut : - - – 3.7 - - – 3.8 Dimana, µ merupakan intersep, a 1 dan b 1 merupakan koefisien jangka pendek, γ merupakan parameter koreksi error dan persamaan dalam tanda kurung menunjukkan kointegrasi diantara variabel x dan y.

3.2.8. Impulse Response Function IRF

Analisis IRF merupakan metode yang digunakan untuk meneliti hubungan antar variabel dengan menunjukkan bagaimana variabel endogen bereaksi terhadap guncangan shock atau inovasi variabel tertentu dan mengetahui berapa lama pengaruh tersebut terjadi. Menurut Gujarati 2004, IRF menggambarkan respon dari variabel dependen dalam sistem VAR terhadap guncangan pada error term . Guncangan akibat perubahan dalam error term senilai satu standar deviasi akan direspon oleh variabel dependen pada saat ini maupun masa depan. Analisis IRF dalam penelitian ini dilakukan untuk menilai respon dinamik variabel volume ekspor CPO terhadap guncangan dari variabel produksi CPO, harga internasional CPO, harga internasional minyak bumi, suku bunga dan nilai tukar.

3.2.9. Forecast Error Variance Decomposition FEVD

Metode FEVD dapat melihat bagaimana perubahan dalam suatu variabel yang ditunjukan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya dalam model VAR-VECM. Metode ini mencirikan suatu struktur dinamis dalam model VAR-VECM. Dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam memengaruhi variabel lainnya dalam kurun waktu yang panjang Nachrowi. 2006 Dengan analisis FEVD dapat diketahui secara pasti faktor-faktor yang memengaruhi fluktuasi dari variabel tertentu. Pada penelitian ini akan dilihat apakah fluktuasi variabel nilai tukar, harga minyak bumi, produksi CPO, harga internasional CPO dan suku bunga memengaruhi ekspor CPO.

3.3. Model Penelitian

Dalam Penelitian ini digunakan enam variabel yang terdiri dari volume ekspor CPO, harga internasional CPO, nilai tukar rupiah terhadap dollar, harga internasional minyak bumi, suku bunga, produksi CPO. Model persamaan VAR dalam bentuk vektor yang digunakan dalam penelitian ini yaitu : [ ] [ ] [ ] [ ] t-n + [ ] 3.9 Dimana : VXCPO = volume ekspor CPO Indonesia ton PCPOR = harga internasional CPO USton ERR = nilai tukar riil Rupiah terhadap Dollar Rp PCO = harga internasional minyak bumi USbarel QCPO = produksi CPO domestik ton IRR = suku bunga riil c 1 = intersep e it = error α ij = koefisien lag peubah ke-j untuk persamaan ke-i t = periode t = 1,2,3…

3.4. Definisi Operasional Variabel

Berikut akan dijelaskan pengertian dari data variabel yang digunakan dalam penelitian. Hal ini bertujuan agar dapat menyamakan konsep dalam melakukan penelitian. Variabel-variabel yang digunakan, antara lain : a. Volume Ekspor CPO VXCPO, adalah jumlah keseluruhan ekspor CPO Indonesia yang diekspor selama periode penelitian. Satuan yang digunakan adalah ton. b. Produksi CPO Indonesia QCPO, adalah jumlah keseluruhan komoditi CPO Indonesia yang diproduksi selama periode penelitian. Satuannya adalah ton. c. Harga Internasional CPO PCPOR, adalah harga CPO C.I.F. NWE North West European Ports. Data C.I.F North Western adalah harga CPO yang sebagian besar berasal dari Malaysia dan Indonesia dengan 5 free fatty acid . Satuannya adalah US per ton. d. Nilai Tukar Riil ERR, adalah nilai tukar nominal rupiah per dollar Amerika Serikat RpUS yang dideflasikan dengan IHK Indonesia dan Amerika Serikat. e. Harga Internasional Minyak Bumi adalah harga minyak bumi dunia yang merupakan rata-rata harga minyak West Texas Intermediate, U.K. Brent dan Dubai. Satuannya adalah US per barrel. f. Suku bunga riil adalah suku bunga nominal yang telah dikurangi oleh inflasi. Satuannya dinyatakan dalam persen.

IV. HASIL DAN PEMBAHASAN

4.1. Uji Stasioneritas

Data time series biasanya memiliki permasalahan stasioneritas. Data yang tidak stasioner mengandung akar unit sehingga dapat menghasilkan regresi palsu spurious regression yaitu, regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak stasioner atau tidak sebesar regresi yang dihasilkan tersebut. Salah satu cara untuk menguji stasioneritas adalah dengan menggunakan Augmented Dickey Fuller ADF Test . Apabila nilai statistik ADF dari masing-masing variabel lebih kecil dari nilai kritis MacKinnon maka data tersebut stasioner. Tabel 4.1. Hasil Uji Akar Unit Variabel Nilai ADF Nilai Kritis MacKinnon Keterangan Stasioneritas Level 1 st difference Level 1 st difference LN_VXCPO -6.893999 -8.334987 -3.518090 -3.526609 Level LN_QCPO -6.012439 -11.83474 -3.518090 -3.520787 Level LN_PCPOR -3.499602 -4.947741 -3.520787 -3.523623 First difference LN_PCO -3.320888 -5.711146 -3.520787 -3.523623 First difference IRR -6.763100 -7.752800 -2.931404 -2.935001 Level LN_ERR -2.776768 -4.526027 -3.520787 -3.523623 First difference Sumber: lampiran 1 dan 2. Keterangan: dalam taraf nyata 5.