BAB IV. METODE PENELITIAN
4.1. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data panel 72 cross section negara tujuan ekspor dan negara asal
impor Indonesia dan enam time series dengan rentang waktu 2006-2011 yang meliputi volume perdagangan baik ekspor maupun impor, nilai perdagangan, cif,
fob, indeks kualitas infrastruktur, indek kualitas kelembagaan, GDP per kapita, GDP, dan harga bahan bakar baik solar maupun avtur.
Penelitian ini akan menganalisis sejauh mana kualitas infrastruktur transportasi dan kualitas kelembagaan terhadap perdagangan internasional
Indonesia baik biaya maupun volume perdagangan ekspor dan impor. Data perdagangan baik ekspor maupun impor Indonesia ke negara tujuan ekspor
maupun negara asal impor diperoleh dari Badan Pusat Statistik berdasarkan moda transportasi laut dan udara dari tahun 2006-2011. Data biaya transportasi mengacu
kepada apa yang dilakukan Limao dan Anthony 2001 yaitu menggunakan ciffob baik moda transportasi laut dan udara. Sementara variabel lainnya yaitu
GDP, GDP per kapita diperoleh dari World Bank, kualitas infrastruktur overall infrastructure
, road quality, port quality, air quality, kualitas kelembagaan diperoleh dari Global Competetiness Report, World Econonomic Forum dan
Economic Freedom . Variabel kualitas infrastruktur lainnya yaitu LSCI Linear
Shipping Connectivity International atau tingkat konektivitas pelayaran nasional
dengan pelayaran global dari World Bank.
4.2. Metode Analisis
Data yang telah didapat dianalisis secara deskriptif dan kuantitatif. Analisis deskriptif untuk menggambarkan kinerja moda transportasi laut dan
udara Indonesia serta kinerja perdagangan Indonesia berdasarkan moda transportasi. Sedangkan data kuantitatif digunakan untuk melihat dampak kualitas
infrastruktur dan kelembagaan terhadap kinerja perdagangan berdasarkan moda
transportasi laut dan udara. Metode pengolahan data yang digunakan dalam penelitian ini adalah teknik estimasi model menggunakan data panel pooled
data .
4.2.1 Metode Data Panel
Data panel pooled data atau yang disebut juga data longitudinal merupakan kombinasi antara data time-series dan cross-section. Metode data
panel merupakan suatu metode yang dapat digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time-series
maupun data cross-section. Kriteria data panel yang baik adalah ketika jumlah N cross section
relatif lebih besar bila dibandingkan dengan jumlah T time series. Dalam data panel, data cross section yang sama diobservasi menurut waktu. Jika
setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel, sebaliknya jika jumlah observasi berbeda untuk
setiap unit cross section maka disebut unbalanced panel. Aplikasi metode estimasi dengan menggunakan data panel banyak
digunakan baik secara teoritis maupun aplikatif dalam berbagai literatur mikroekonometrik dan makroekonometrik. Popularitas penggunaan data panel ini
merupakan konsekuensi dari kemampuan dan ketersediaan analisis yang diberikan oleh data jenis ini. Metode data panel merupakan suatu metode yang digunakan
untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series saja atau data cross section saja. Menurut Baltagi
2005, penggunaan data panel memberikan banyak kelebihan, diantaranya : 1. Mampu mengontrol heterogenitas individu atau unit cross section.
2. Dapat memberikan informasi lebih banyak, mengurangi kolinieritas antar variabel, meningkatkan degree of freedom, dan lebih efisien.
3. Panel data lebih baik untuk studi yang bersifat dinamis atau dynamics of adjustment
. Karena berkaitan dengan observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis.
4. Dapat mengidentifikasi dan mengukur efek yang sederhana yang tidak dapat dideteksi dalam model data cross section maupun time series.
5. Mampu menguji dan membangun model prilaku behavioral models yang lebih kompleks.
Namun demikian, analisis data panel data juga memiliki keterbatasan diantaranya adalah:
1. Masalah dalam disain survei panel, pengumpulan dan manajemen data. Masalah yang umum dihadapi diantaranya: cakupan coverage, nonresponse,
kemampuan daya ingat responden recall, frekuensi dan waktu wawancara. 2. Distorsi kesalahan pengamatan measurement errors. Measurement errors
umumnya terjadi karena respon yang tidak sesuai. 3. Masalah selektivitas selectivity yang mencakup hal-hal berikut:
a. Self-selectivity . Permasalahan ini muncul karena data yang dikumpulkan
untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada.
b. Nonresponse. Permasalahan ini muncul dalam panel data ketika ada
ketidaklengkapan jawaban yang diberikan oleh responden. c.
Attrition, yaitu jumlah responden yang cenderung berkurang pada survey lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia
atau biaya menemukan responden yang terlalu tinggi. 4. Cross-section dependence. Sebagai contoh, apabila macro panel dengan unit
analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence
akan mengakibatkan kesimpulan yang tidak tepat misleading inference.
Terdapat tiga metode pada teknik estimasi model data panel, yaitu pooled Ordinary Least Square
OLS, fixed effect dan random effect. Dari ketiga metode tersebut akan dipilih model yang terbaik menggunakan uji-F, uji LM dan uji
Hausman.
a. Metode Pooled OLS
Metode Pooled OLS merupakan suatu metode pengkombinasian sederhanaantara data time-series dan data cross-section dan selanjutnya dilakukan
estimasi model yang mendasar menggunakan kuadrat terkecil sederhana OLS. MetodePooled OLS dapat dispesifikasikan kedalam model berikut:
Ŷit = α + X it
dimana i menunjukkan urutan individu yang diobservasi pada data cross- section
,sedangkan t menunjukkan periode pada data time-series. Namun, pada
metode iniasumsi yang digunakan menjadi terbatas karena model tersebut mengasumsikanbahwa intersep dan koefisien dari setiap variabel sama untuk
setiap individu yangdiobservasi. Hal ini menyebabkan variabel-variabel yang diabaikan akanmembawa perubahan pada intersep time-series dan cross-section.
b. Metode Fixed Effect
Masalah yang timbul pada penggunaan metode pooled OLS yaitu adanyaasumsi bahwa intersep dan koefisien dari setiap variabel sama pada
setiapindividu yang diobservasi. Sementara pada fixed effect, perbedaan individu data diakomodasi dalam intersep masing-masing individu data. Untuk
memperhitungkan individualitas dari setiap unitcross-section, hal ini dilakukan dengan cara menjadikan intersep berbeda padatiap unit individu. Pada metode
fixed effect ditambahkan variabel dummy untuk mengubah intersep, tetapi
koefisien-koefisien lainnya tetap sama untuk setiapindividu yang diobservasi. Model estimasi ini seringkali disebut dengan teknik Least Squares Dummy
Variables LSDV. Metode ini dapat dispesifikasikan kedalam modelberikut:
Y
it
= α + X
it
+ D
i
+ ε
it
Berdasarkan asumsi struktur matriks varians-covarians residual, model fixed effect menggunakan tiga metode, yaitu:
1. Ordinary Least Square OLSLSDV, jika struktur matrik varian- kovarian residualnya diasumsikan bersifat homoskedastisitas dan tidak
cross sectional correlation 2. Generalized Least Square GLSWeighted Least Square WLS: jika
struktur matriks varian-kovarian residualnya diasumsikan bersifat heteroskedastistik dan tidak ada cross sectional correlation
3. Feasible Generalized Least Square FGLSSeemeingly Uncorrelated Regression
SUR, jika struktur matriks varian-kovarian residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional
correlation .
Terdapat beberapa masalah penggunaan metode fixed effect. Pertama,
penggunaan variabel dummy tidakdapat mengidentifikasikan secara langsung
penyebab perubahan garis regresi pada periode dan individu. Kedua, teknik
variabel dummy akan mengurangi jumlah derajat bebas Pyndick, 1998.
c. Metode Random Effect
Pada metode random effect, terdapat perbedaan intersep untuk setiap individu data. Intersep tersebut merupakan variabel random dan stokastik.
Penggunaan variabel dummy pada metode fixed effect masih menghasilkan kekurangan pada informasi mengenai model. Oleh karena itu,kekurangan
informasi tersebut dapat digambarkan melalui komponen galat disturbance atau error term
.Pada metode random effect dimasukkan komponen galat error term ke dalam model untuk menjelaskan variabel prediktor explanatory variable yang
tidak masuk ke dalam model, komponen non linearitas hubungan variabel bebas dan variabel tidak bebas, kesalahan ukur saat observasi dilakukan serta
kejadianyang sifatnya acak. Metode random effect dapat dispesifikasikan kedalam model berikut:
Y
it
= α + X
it
+ D
i
+ V
it
dimana V
it
= ε
it
+ μ
it
Ada beberapa asumsi yang harus dipenuhi model ini diantaranya: 1. Nilai harapan variabel gangguan nol, yaitu Vit = 0
2. Varian variabel gangguan homoskedastisitas, yaitu Var Vit = σμβ +
σεβ
3. Variabel gangguan individu data yang sama dalam periode yang berbeda saling berkorelasi, yaitu Cov Vit, Vis t≠s
4. Variabel gangguan dari individu data yang berbeda tidak berkorelasi Cov Vit, Vjs = 0, dengan j≠s
Formulasi dari metode random effect diperoleh dari model fixed effect dengan mengasumsikan bahwaefek rata-rata dari variabel-variabel time-series dan
cross-section yang acak termasuk dalam intersep dan deviasi acak rata-rata
tersebut sama dengan komponen galat, ui dan vt. Pada metode random effect diasumsikan bahwa komponen galat individu tidak berkorelasi satu sama lain dan
tidak ada autokorelasi antara setiap unit cross-section dan time-series Pyndick, 1998.
Karena adanya korelasi antara variabel gangguan, maka metode OLS tidak bias digunakan untuk mendapatkan estimator yang efisien Greene, 1997.
Metode yang tepat untuk mengestimasi metode random effect adalah Generalizrd Least Squares
GLS.
4.2.2. Uji Kesesuaian Model
Untuk menguji kesesuaian atau kebaikan model dari ketiga metode pada teknik estimasi model dengan data panel digunakan uji-F, uji LM, dan uji
Hausman. Uji-F digunakan untuk menguji kesesuaian model antara model yangdiperoleh dari metode pooled OLS dengan model yang diperoleh dari metode
fixed effect. Selanjutnya dilakukan uji Hausman terhadap model terbaik yang
diperolehdari hasil fixed effect dengan model yang diperoleh dari metode random effect
. Sementara uji LM Test untuk menguji metode random effect dengan pooled least square.
Uji-F Chow Test
Chow Test atau beberapa buku menyebutnya pengujian F Statistics adalah
pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effect
. Terkadang asumsi bahwa setiap unit cross section memiliki perilaku yang sama cenderung tidak realistis mengingat dimungkinkan saja setiap unit
cross section memiliki perilaku yang berbeda. Dalam pengujian ini dilakukan
dengan hipotesa sebagai berikut:
H : Model PLS Restricted
H
1
: Model Fixed Effect Unrestricted.
Dasar penolakan terhadap hipotesa nol adalah dengan menggunakan F-Statistik seperti yang dirumuskan oleh Chow:
1 K
N NT
URSS N
URSS RRSS
CHOW
dimana: RRSS = Restricted Residual Sum Square
URSS = Unrestricted Residual Sum Square N
= Jumlah data cross section T
= Jumlah data time series K
= Jumlah variabel penjelas,