Hasil Identifikasi Model HASIL DAN PEMBAHASAN

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