45
V. HASIL DAN PEMBAHASAN
Bab hasil dan pembahasan berisi mengenai hasil perhitungan yang telah dilakukan. Pembahasan meliputi penyajian hasil identifikasi model, hasil estimasi
model, dan hasil simulasi model. Hasil simulasi model tersebut divalidasi kemudian dilakukan simulasi historis terhadap beberapa variabel endogen dan
eksogen untuk mengetahui dampak yang terjadi. Sesuai dengan tujuan penelitian, maka hasil dari perhitungan ini dapat dijadikan dasar dalam menentukan alternatif
kebijakan untuk meningkatkan produksi beras di Indonesia.
5.1. Hasil Identifikasi Model
Model yang dirumuskan dalam penelitian ini adalah model linier persamaan simultan. Proses perumusan dilakukan dalam beberapa langkah.
Langkah pertama yang dilakukan yaitu spesifikasi model bertujuan membuat model terbaik sesuai dengan permasalahan yang diangkat. Langkah selanjutnya,
identifikasi pada beberapa persamaan untuk melihat apakah over identified, exactly identified
ataukah unidentified. Metode estimasi untuk pengujian model ada beberapa macam, diantaranya metode kuadrat terkecil OLS, metode kuadrat
terkecil tidak langsung ILS = Indirect Least Squares, metode kuadrat terkecil dua tahap 2 SLS, dan metode kuadrat terkecil tiga tahap 3 SLS = Three Stage
Least Squares .
Umumnya metode OLS tidak sesuai untuk menaksir persamaan tunggal dalam hubungan model persamaan simultan, walaupun OLS dapat diterapkan
untuk menaksir parameter dari dua persamaan secara individual. Metode OLS hanya digunakan sebagai standar atau norma perbandingan. Selain itu, metode
OLS hanya cocok untuk persamaan yang exactly identified Gujarati, 1978.
46
Tabel 7. Hasil Identifikasi Model dari Masing-Masing Persamaan
Persamaan K
M G
K-M G-1
Keterangan
AREA 30
6 10
24 9
Over identified PRDV
30 6
10 24
9 Over identified
HGTPR 30
4 10
26 9
Over identified IMPR
30 6
10 24
9 Over identified
QDBR 30
6 10
24 9
Over identified HBINR
30 4
10 26
9 Over identified
HIMPR 30
4 10
26 9
Over identified
Sumber: Data diolah, 2010 Penelitian ini terdiri dari variabel endogen dan variabel eksogen. Dimana
variabel endogen mencakup 10 variabel, yaitu AREA, PRDV, HGTPR, IMPR, QDBR, HBINR, HIMPR, PRDP, PRDB, dan QSBR. Sedangkan, variabel
eksogen mencakup 10 current variable dan 3 lagged variable. Current variable, yaitu RHGHP, HJTPR, KUTA, CRAH, HPUKR, TREN, HDPPR, JPDK,
INCKR, HBRDR dan lagged variable, yaitu LSTOK, LHJTPR, LTRIF. Disamping itu, terdapat 7 lagged variable endogenous, yaitu LAREA, LPRDV,
LHGTPR, LIMPR, LQDBR, LHBINR, dan LHIMPR. Setelah dilakukan identifikasi yang dapat dilihat pada Tabel 7, model
dinyatakan over identified sehingga metode ILS tidak dapat digunakan karena metode tersebut memiliki dua kelemahan. Pertama, tidak memberikan standard
error bagi parameter struktural yang dihitung berdasarkan parameter dari bentuk
sederhana parameters of reduced form. Kedua, tidak dapat digunakan untuk menghitung perkiraan parameter struktural yang unik dan konsisten bagi suatu
persamaan yang over identified dalam suatu model atau sistem persamaan simultan Supranto, 2004.
Metode estimasi untuk pengujian model selanjutnya adalah metode 3 SLS. Metode 3 SLS lebih cocok digunakan dalam estimasi model karena metode ini
umumnya memberikan hasil estimasi yang konsisten dan secara asimtotik lebih
47 efisien. Namun, metode 3 SLS menuntut spesifikasi model yang akurat karena
model tersebut sangat peka terhadap kesalahan spesifikasi dan memerlukan data yang besar Koutsoyiannis, 1977.
Metode 2 SLS sangat ekonomis untuk memecahkan suatu model dengan banyak persamaan dan dapat diterapkan bagi setiap persamaan dalam suatu model
tanpa memberikan pengaruh yang jelek pada persamaan lain dalam model. Selain itu, metode 2 SLS mudah sekali penerapannya, yaitu membuat regresi bagi setiap
variabel endogen terhadap seluruh variabel eksogen atau predetermined variable dalam model, kemudian mengganti variabel endogen asli dengan variabel
endogen perkiraan, hasil regresi. Walaupun metode 2 SLS khusus dirancang untuk persamaan yang over identified, tetapi juga dapat diterapkan untuk persamaan
yang exactly identified Supranto, 2004. Berdasarkan penjelasan di atas, metode 2 SLS dipilih untuk pengujian
model karena cukup toleran terhadap kesalahan spesifikasi model dan kesalahan spesifikasi satu persamaan tidak ditransfer ke persamaan lain. Selain itu, metode
2 SLS lebih efisien dibandingkan OLS, cocok digunakan pada contoh yang jumlahnya sedikit, konsisten serta dapat menghindari estimasi yang bias
Supranto, 2004.
5.2. Hasil Estimasi Model