Jenis dan Sumber Data Model Penelitian

III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini merupaka data sekunder yang diperoleh dari berbagai instansi terkait dengan harga minyak nabati dunia. Adapun data utama yang digunakan untuk penelitian ini adalah harga rata-rata bulanan minyak kelapa sawit PCPO, harga miyak kanola PCAN, harga minyak kedelai PSOY, dan harga minyak bunga matahari PSUN di dunia. Data-data tersebut diperoleh dari USDA, dan Canola Council of Canada. Bentuk data yang digunakan adalah data time series dari bulan Januari 2005 hingga Desember 2010.

3.2 Metode Analisis dan Pengolahan Data

Metode analisis yang digunakan dalam menganalasis kointegrasi harga beberapa komoditas minyak nabati utama dunia adalah dengan metode analisis Vector Autoregression VAR dan Vector Error Correction Model VECM. Diharapkan dengan menggunakan mtode ini dapat diketahui apakah terdapat kointegrasi harga diantara beberapa minyak nabati utama dunia. Analisis data dengan menggunakan pendekatan model VAR dan VECM mencakup tiga alat analisis utama yaitu Granger causality test, impuls response function IRF, dan forecast error decomposition of variance FEDV. Pengolahan data dilakukan secara bertahap, sebelum sampai pada analisis VAR dan VECM perlu dilakukan beberapa pengujian praestimasi. Pengujian praestimasi yang dilakukan yaitu uji akar unit unit root test, penentuan panjang lag optimum, dan uji kointegrasi Johansen cointegration test. Adapun perangkat lunak yang digunakan untuk proses pengolahan adalah Eviews 6.

3.2.1 Pengujian Praestimasi

3.2.1.1 Uji Stasioneritas Data

Langkah awal yang harus dilakukan dalam mengestimasi sebuah model adalah dengan melakukan uji stasioneritas data. Pengujian stasioneritas data ini dilakukan dengan menguji akar unit unit root dalam model. Data yang tidak stasioner akan mempunyai akar unit, sedangkan data yang stasioner tidak mengandung akar unit. Pengujian stasioneritas data sangat penting jika data yang digunakan dalam bentuk time series. Hal ini karena data time series pada umumnya mengandung akar unit unit root dan nilai rata-rata serta variansnya berubah sepanjang waktu. Data yang tidak stasioner atau memiliki unit root jika dimasukkan dalam pengolahan statistik maka akan memberikan hasil estimasi yang spurious, maksudnya hasil estimasi terlihat bagus dengan koefesien determinasi R 2 yang tinggi dan t statistik yang terlihat signifikan, namun hasil estimasi variabel tersebut tidak memiliki arti ekonomi. Cara yang digunakan untuk melihat apakah di dalam data terdapat akar unit adalah dengan melakukan uji stasioneritas Augmented Dickey-Fuller ADF. Misal suatu bentuk persamaan time series adalah sebagai berikut y t = ρ y t-1 + ε t. dimana ε t. adalah error term. Jika kedua sisi persamaan tersebut dikurangi dengan y t-1 maka didapat persamaan : y t – y t-1 = ρ y t-1 – y t-1 + ε t ....................................................................................3.1 y t – y t-1 = ρ – 1 y t-1 + ε t ....................................................................................3.2 Persamaan tersebut dapat disederhanakan menjadi : Δy t = δ y t-1 + ε t ...................................................................................................3.3 Dimana δ = ρ – 1 dan Δ merupakan pembeda utama first difference. Berdasarkan persamaan 3 hipotesis yang diuji adalah H0 : δ = 0 dan hipotesis alternatifnya H1 : δ 0. Jika δ = 0, maka ρ = 1, berarti hipotesis yang diterima adalah H0 artinya data tersebut terdapat unit root dan data time series tersebut tidak stasioner. Pada persamaan 3 diasumsikan bahwa error term ε t tidak memiliki korelasi. Jika error term memiliki korelasi maka persamaan yang diuji stasioneritas dengan menggunakan uji ADF dapat ditulis sebagai berikut: Δy δ Δy ε … … … … … … … … … … … … . dimana ε = pure white noise error term dan Δy = y t-1 – y t-2 , Δy = y t-2 – y t- 3 dan seterusnya. Dalam persamaan seperti ini pengujian hipotesis yang dilakukan masih sama dengan yang sebelumnya yaitu H = δ = 0 tidak stasioner dan hipotesis alternatifnya H 1 = δ 0 stasioner. Maksudnya jika Ho ditolak maka data yang digunakan stasioner sedangkan jika Ho diterima berarti data tidak stasioner. Keputusan untuk menolak atau menerima Ho diihat dari nilai t- statistiknya. Jika nilai t-statistik lebih kecil dari nilai ADF dalam nilai kritis 1, 5, atau 10 maka keputusan yang diambil adalah tolak Ho atau berarti data tersebut stasioner.

3.2.1.2 Pengujian Lag Optimal

Penentuan jumlah lag optimal yang digunakan dalam model merupakan langkah penting dalam analisis model VECM. Pengujian panjang lag optimal dapat memanfaatkan beberapa kriteria yaitu dengan menggunakan Akaike Information Criterion AIC, Schwarz Criterion SC, Final Prediction Error FPE, dan Hannan-Quinn Information Criterion HQ. Namun, kriteria yang biasa digunakan dalam penelitian adalah kriteria AIC dan SC. Langkah pertama yang dilakukan untuk dapat menentukan lag ini adalah menentukan nilai determinan dari kovarian residual | Ω| yang dapat dihitung sebagai berikut Eviews 6 User’s Guide: | Ω| = det ∑ ̂ ̂ ………………………………………………..……...3.5 dimana p adalah angka parameter dari tiap persamaan VAR. Selanjtnya, log likelihoodvalue dengan mengasumsikan distribusi normal Gaussian dapat dihitung : l = - T { k 1 + log 2 π + log |Ω }……………………………………………...3.6 dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Setelah itu dilanjutkan dengan menggunakan nilai kriteria yang terkecil.

3.2.1.3 Uji Kausalitas Granger

Pengujian kausalitas Granger dilakukan untuk mengetahui hubungan kausalitas yang ada diantara variabel-variabel yang digunakan dalam model penelitian. Hubungan kausalitas dalam model dapat berupa hubungan kausalitas satu arah atau hubungan kausalitas dua arah atau timbal balik. Terdapat empat macam kasus yang dapat terjadi pada uji Granger causality : 1. Undirectional causality dari variabel A terhadap variabel B, diindikasikan jika koefesien yang diestimasi pada lag variabel A secara statistik tidak sama dengan nol, dan koefesien estimasi pada lag variabel B secara statistik sama dengan nol. Hal ini berarti variabel A mempengaruhi variabel B namun variabel B tidak mempengaruhi variabel A. 2. Undirectional causality dari variabel B terhadap variabel A, diindikasikan jika koefesien yang diestimasi pada lag variabel A secara statistik sama dengan nol, dan koefesien estimasi pada lag variabel B secara statistik tidak sama dengan nol. Hal ini berarti variabel B mempengaruhi variabel A tapi variabel A tidak mempengaruhi variabel B. 3. Feedback atau bilateral causality. Kondisi ini terjadi ketika baik variabel A maupun variabel B secara statistik tidak sama dengan nol pada persamaan regresi variabel tersebut. 4. Independence. Kondisi ini terjadi ketika koefesien variabel-variabel yang diuji secara statistik tidak signifikan pada semua persamaan regresinya.

3.2.1.4 Uji Kointegrasi

Salah satu asumsi yang harus dipenuhi dalam pemodelan VAR adalah semua peubah tak bebas bersifat stasioner. Apabila data tidak stasioner maka perlu dilakukan uji kointegrasi. Uji kointegrasi ini dilakukan untuk melihat apakah di dalam model penelitian terdapat kombinasi linier dari dua atau lebih peubah non-stasioner yang menghasilkan variabel yang stasioner. Kombinasi linier dua atau lebih tersebut mengandung arti bahwa dalam model tersebut terdapat keseimbangan jangka panjang. Keseimbangan jangka panjang tersebut dapat tercapai dengan syarat galat keseimbangan harus berfluktuasi serkitar nol atau dengan kata lain error term harus menjadi sebuah data time series yang stasioner. Terdapat beberapa metode yang dapat digunakan dalam melakukan uji kointegrasi, yaitu metode Engle-Granger cointegration test, Johansen cointegrastion test, dan cointegration regression Durbin-Watson test. Suatu data dikatakan terintegrasi pada tingkat ke-d jika data tersebut stasioner setelah di- difference sebanyak d kali. Uji kointegrasi Johansen dapat ditunjukkan oleh persamaan berikut : Δy Г Δy ε … … . … … … … … … … … … … … … … . Komponen dari vector y t dapat dikatakan terkointegrasi bila terdapat vektor = 1 , 2 , … , n sehingga kombinasi linier y t stasioner. Vektor disebut vektor kointegrasi. Rank kointegrasi pada vector y t adalah banyaknya vektor kointegrasi yang saling bebas, rank kointegrasi ini dapat diketahui melualui uji Johansen Aji, 2010. Pengujian kointegrasi dilakukan dengan menggunakan lag optimal yang telah ditentukan pada pengujian optimum lag. Sementara penentuan asumsi deterministik didasarkan pada nilai kriteria informasi Schwarz Criterion SC. Berdasarkan asumsi deterministik tersebut didapat informasi mengenai banyaknya hubungan kointegrasi antar variabel yang terdapat dalam model sesuai dengan metode Trace dan Max.

3.2.2 Vector Error Correction Model VECM

VECM merupakan bentuk VAR yang terestriksi karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. Ketika dua atau lebih variabel yang terlibat dalam suatu persamaan pada data level tidak stasioner, maka ada kemungkinan terdapat kointegrasi dalam persamaan tersebut. Jika setelah dilakukan uji kointegrasi terdapat kointegrasi pada model persamaan maka dianjurkan untuk memasukkan persamaan kointegrasi kedalam model yang digunakan. Pada uji sebelumnya didapat bahwa data yang digunakan pada penelitian ini stasioner pada first difference atau I1 dan terdapat satu persamaan yang terkointegrasi. Oleh karena itu, untuk menangkap informasi jangka panjang yang terdapat pada model digunakan model VECM. Oleh karena itu VECM disebut juga desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi. VECM merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan jangka pendeknya. Istilah kointegrasi yang dimaksudkan adalah eror, karena deviasi terhadap ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek. Adapun persamaan VECM ditunjukkan dengan persamaan berikut : Δy Г Δy – y ε … … … … … . … … … … … … … … … … … … . Dimana : Г = koefesien hubungan jangka pendek = koefesien hubungan jangka panjang = kecepatan menuju keseimbangan speed adjustment

3.3 Model Penelitian

Penelitian ini menggunakan empat variabel yang terdiri dari harga minyak kelapa sawit, harga minyak kedelai, harga minyak kanola, dan harga minyak bunga matahari. Model persamaan VAR dalam bentuk vektor yang digunakan dalam penelitian ini yaitu : PCPO PSOY PCAN PSUN PCPO PSOY PCAN PSUN e e e e ……………..3.9 Dimana : PCPO = Harga Minyak Kelapa Sawit USton PSOY = Harga Minyak Kedelai USton PCAN = Harga Minyak Kanola USton PSUN = Harga Minyak Bunga Matahari USton C 1 = Intersep e it = Error a ij = Koefesien lag peubah ke-j untuk persamaan ke-i

IV. GAMBARAN UMUM

4.1 Perdagangan Minyak Nabati Dunia

Perdagangan bebas yang terjadi di dunia membuat semakin mudahnya proses transfer suatu barang dari satu negara ke negara lain. Proses perdagangan antar negara akan semakin mudah terjadi sehingga secara otomatis perdagangan juga akan meningkat. Begitu pula dengan komoditi minyak nabati dunia, perdagangan bebas menyebabkan perdagangan minyak nabati berubah menjadi meningkat. Semakin tingginya permintaan terhadap minyak nabati membuat perdagangan minyak nabati semakin menguntungkan. Hal ini membuat negara- negara yang semula melakukan proteksi terhadap minyak nabati mengurangi proteksinya agar mendapatkan keuntungan yang lebih besar dalam perdagangan minyak nabati dunia. Minyak nabati merupakan salah satu komoditas penting dalam perdagangan dunia. Pasar yang kompetitif dan melibatkan lebih dari sembilan jenis minyak serta hampir diproduksi dan dikonsumsi di semua negara, baik negara maju maupun negara berkembang merupakan bukti dari pentingnya minyak nabati dalam perdagangan internasional. Minyak nabati yang banyak diperdagangkan di pasar internasional antara lain minyak kelapa sawit, minyak kedelai, minyak kanola, minyak bunga matahari, minyak kelapa, minyak biji kapas, minyak kacang tanah, minyak jagung, minyak olive, dan minyak lobak. Besarnya perdagangan minyak nabati dunia dapat dilihat dari jumlah ekspor impor komoditi minyak nabati. Sejak tahun 2005 hingga tahun 2009 impor minyak nabati cenderung meningkat hampir di tiap tahunnya, terutama minyak