25

BAB III

METODE PENELITIAN

A. Ruang Lingkup Penelitian

Ruang lingkup penelitian ini mengarah pada kinerja ekspor CPO di

Indonesia dengan menggunakan tiga pendekatan. Pendekatan pertama

menggunakan analisis RCA (Revealed Comparative Advantage), kedua analisis

CMS (Constant Market Share) dan yang ketiga menggunakan analisis ECM

(Error Correction Model).

B. Jenis Penelitian

Jenis penelitian tentang CPO ini merupakan penelitian berjenis

kuantitatif. Obyek penelitian ini menganalisis kinerja ekspor CPO dan

menganalisis jumlah ekspor CPO di Indonesia tahun 1985-2015.

C. Definisi Operasional Variabel

Tabel 3.1 Definisi Operasional

No Variabel Definisi Satuan

1.

Ekspor CPO

Indonesia

Ekspor CPO indonesia adalah nilai

ekspor CPO indonesia selama

periode 1985-2015

US/$

2.

Ekspor Seluruh

Komoditas di

Indonesia

Ekspor seluruh komoditas di

Indonesia adalah nilai ekspor seluruh

komoditas Indonesia selama periode

1985-2015

US/$

26

3. Ekspor CPO di

Dunia

Ekspor CPO di Dunia adalah nilai

ekspor komoditas CPO di Dunia

selama periode 1985-2015

US/$

4. Ekspor Seluruh

Komoditas di Dunia

Ekspor seluruh komoditas di dunia

adalah nilai ekspor seluruh

komoditas dunia selama periode

1985-2015

US/$

5. Ekspor CPO

Malaysia

Ekspor CPO Malaysia adalah nilai

ekspor CPO selama periode 1985-

2015

US/$

6.

Ekspor Seluruh

Komoditas di

Malaysia

Ekspor seluruh komoditas di

Malaysia adalah nilai ekspor seluruh

komoditas di dunia selama periode

1985-2015

US/$

7. Jumlah Ekspor CPO

Jumlah ekspor CPO adalah

banyaknya jumlah CPO di Indonesia

yang di ekspor ke pasar global

selama periode 1985-2015

Kg

8. Nilai Tukar

Nilai tukar terhadap dollar Amerika

merupakan perbandingan dari

perubahan mata uang Amerika

terhadap mata uang Indoesia

USD/Rp

9. Harga Internasional

Harga Internasional adalah harga

CPO di pasar internasional selama

periode 1985-2015

USD/Mt

10.

Konsumsi CPO di

China

Konsumsi CPO di China adalah

banyaknya CPO yang di konsumsi

daerah China selama periode 1985-

2015

1000 Mt

27

D. Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder dalam bentuk deret waktu

(time series) tahunan dari tahun 1985 sampai tahun 2015. Data dalam penelitian

ini diperoleh dari BPS (Badan Pusat Statistik), UN Comtrade, Oil World,

Departemen Pertanian, Index Mundi, dan literatur lain yang berhubungan

dengan penelitian ini.

E. Teknik Pengumpulan Data

Teknik pengumpulan data dalam penelitian ini adalah Dokumentasi.

Dimana teknik dokumentasi ini merupakan pengumpulan data dengan cara

mencatat, di dokumentasikan dan dianalisa sesuai dengan tujuan peneliti yang

diperoleh dari lembaga atau instansi yang terkait.

F. Metode dan Analisis Data

Data dan informasi yang diperoleh dalam penelitian ini dianalisis melalui

metode deskriptif kuantitatif. Model kuantitatif ini menggunakan beberapa

pendekatan model yaitu RCA (Revealed Comparative Advantage), CMS

(Constant Market Share) dan ECM (Error Correction Model).

Proses pengolahan data yang dilakukan dengan menggunakan bantuan

program Microsoft Excel 2013 untuk model RCA (Revealid Comparative

Advantage), CMS (Constant Market Share), dan E-Views 9 untuk model ECM

(Error Correction Model).

G. Tahapan Analisis

1. Analisis RCA (Revealed Comparative Advantage)

2. Analisis CMS (Constant Market Share)

28

3. Analisis Deret Waktu (time series)

a. Uji Stasioneritas atau Uji Unit Root

b. Uji Kointegrasi

4. Error Correction Model

5. Uji Diagnostik

a. Autokorelasi

b. Heteroskedastisitas

c. Multikolinieritas

d. Uji Linieritas

H. Teknik Analisis Data

1. Analisis RCA

Analisis RCA (Revealed Comparative Advantage) ini untuk melihat

kinerja dan daya saing dari suatu komoditas yang mempunyai keunggulan

komparatif seperti komoditas perkebunan ini yaitu Minyak kelapa sawit.

RCA adalah indeks yang menyatakan keunggulan komparatif yang

merupakan perbandingan antara pangsa ekspor suatu komoditi dalam ekspor

total Negara tersebut dibandingkan dengan pasar ekspor komoditi yang sama

dalam total ekspor dunia (Tambunan, 2003).

Adapun rumus RCA ini adalah

𝑹𝑪𝑨 = 𝑿𝒊𝒌/𝑿𝒊

𝑿𝒘𝒌/𝑿𝒘

Dimana :

Xik = Nilai Ekspor produk CPO negara i

Xwk = Nilai Ekspor produk CPO dunia

29

Xi = Nilai Ekspor semua produk negara i

Xw = Nilai Ekspor semua produk dunia

Sementara untuk indeks RCA adalah perbandingan antara nilai RCA saat

ini dengan nilai RCA tahun sebelumya, sehingga rumusnya adalah sebagai

berikut:

Indeks RCA = RCAt / RCAt-1

Nilai dari indeks RCA menunjukkan pertumbuhan keunggulan

komparatif suatu komoditas pada setiap periode. Nilai indeks RCA berkisar

antara nol sampai tak hingga. Jika nilai indeks RCA > 1, berarti suatu Negara

memiliki keunggulan komparatif diatas rata-rata dunia sehingga komoditi

tersebut memiliki daya saing kuat. Apabila nilai indeks RCA < 1, berarti suatu

Negara memiliki keunggulan komparatif dibawah rata-rata dunia sehingga

suatu komoditi memiliki daya saing yang lemah.

2. Analisis CMS

CMS adalah metode yang digunakan untuk mendeposisikan

pertumbuhan eskpor suatu negara ke dalam determinan pertumbuhan ekspor

negara tersebut. Untuk menghitung pertumbuhan CPO dengan pertumbuhan

ekspor seluruh komoditas di Indonesia maupun di dunia menggunakan

pertumbuhan standar. Model ini dilatarbelakangi adanya kemungkinan bahwa

ekspor suatu negara dalam periode tertentu mengalami perubahan terhadap

dunia sebagai pertumbuhan standar.

30

Pertumbuhan Standar g = 𝐸(𝑡) − 𝐸(𝑡−1)

𝐸(𝑡−1)

Dimana :

E = Nilai Ekspor suatu produk ataupun seluruh komoditas ekspor di Indonesia

dan dunia setiap tahunnya.

Parameter pertumbuhan standar menunjukkan standar umum

pertumbuhan ekspor produk negara-negara di dunia. Jika pertumbuhan standar

ekspornya lebih tinggi mengindikasikan kinerja ekspor Indonesia lebih baik

begitu juga sebaliknya.

3. Analisis Deret Waktu (time series)

a. Uji Stasioneritas / Uji Unit Root

Pengujian stasionaritas data adalah hal yang penting dalam analisis data

urut waktu. Pengujian yang tidak memadai dapat menyebabkan pemodelan

yang tidak tepat sehingga hasil atau kesimpulan yang diberikan dapat bersifat

spurious (palsu) (Ariefianto, 2012:132).

Untuk mengukur stasioneritas data, ada beberapa cara yang dapat

dilakukan. Salah satu cara yang sering dipakai yaitu dengan menggunakan

Augmented Dickey Fuller (ADF) test atau uji akar-akar rumit. Pengujian unit

root Dickey-Fuller (1979) dilakukan dengan menghitung nilai statistic hitung

(statistic t) dari koefisien γ dan membandingkannya dengan nilai kritis. Nilai

kritis disini diperoleh bukan dari tabel distribusi t yang biasa digunakan dengan

derajat kebebasan: jumlah observasi (T) dan Level of significance (α) tertentu

melainkan tabel dari Dickey Fuller yang relevan. (Ariefianto, 2012:135).

31

Uji ADF terdiri atas estimasi pesamaan berikut ini :

∆𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 + ∑ 𝛼𝑖∆𝑌𝑡−1 + 휀𝑡𝑚𝑖=1 (3.1)

Dimana :

m = Selang yang terpilih

β1, β2, δ = Nilai yang diestimasi

εt = Error term

Hipotesis yang digunakan dalam pengujian ini adalah :

H0 : δ = 0, artinya data tidak stasioner (mengandung unit root).

H1 : δ< 0, artinya data stasioner (tidak mengandung unit root).

Kriteria pengujian untuk hipotesis di atas adalah:

1) H0 tidak ditolak jika t > nilai statistic DF (Dickey Fuller) atau

Probabilitas ADF value > critical value.

2) H0 ditulak jika t < nilai statistic DF (Dickey Fuller) atau probabilitas

ADF value < critical value.

b. Uji Kointegrasi

Kointegrasi adalah suatu hubungan jangka panjang (equilibrium) antara

variable-variabel yang tidak stasioner dan residual dan kombinasi linier tersebut

harus stasioner. Uji kointegrasi ini digunakan untuk memperoleh hubungan

jangka panjang antar variabel sehingga dapat digunakan dalam sebuah

persamaan.

Uji kointegrasi dalam penelitian ini menggunakan metode Engle-

Granger (EG) atau Augmented Engle-Granger (AEG). Fenomena kointegrasi

bukan suatu kejadian yang umum. Suatu kombinasi linier dari variable non-

32

stasionary adalah biasanya juga non-stasionary. Sedangkan kombinasi linier

variabel yang stasionary dan non-stasionary juga akan bersifat non-stasionary

dengan derajat integrasi terbesar yang ada pada kelompok variabel tersebut

(Brooks, 2002:387).

Persamaan yang digunakan adalah :

𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝛽𝑛𝑥𝑛 … … … + 𝑢 (3.2)

Atau

𝑢 = 𝑦 − 𝛽0 − 𝛽1𝑥1 − 𝛽2𝑥2 − 𝛽3𝑥3~ (3.3)

Kerangka pengujian dengan menggunakan nilai kritis yang baru ini

disebut uji Engle-Granger (EG). Struktur hipotesis pengujian dilakukan pada

model sebagai berikut :

∆�̂�𝑡 = 𝛾�̂�𝑡−1 + 휀𝑡 (3.4)

Dimana struktur hipotesisnya adalah :

𝐻0: 𝛾 = 0; �̂�𝑡~ 𝐼(1) (3.5)

𝐻1: 𝛾 < 0; �̂�𝑡~ 𝐼(0)

c. Pemilihan Model dan Model Koreksi Kesalahan (Error Correction

Model)

Pendekatan atau model kesalahan (Error Correction Model – ECM) telah

diterapkan secara luas dalam analisis ekonometrika untuk runtun waktu (time

series) sejak tahun 1960an. Hal ini disebabkan karena kemampuan yang

dimiliki oleh ECM dalam meliput lebih banyak variabel untuk menganalisis

fenomena ekonomi jangka pendek dan jangka panjang serta mengkaji konsisten

tidaknya model empirik dengan teori ekonometrika, dan juga dalam usaha

33

mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak

stasioner dan regresi lancing atau korelasi lancing dalam analisis ekonometrika

(Insukindro,1999).

Mekanisme Koreksi Error Correction Model (ECM) pertama kali

digunakan oleh Sargan dan kemudian dipopulerkan oleh Engle dan Granger,

yang mengoreksinya untuk keadaan ketidakseimbangan (disequilibrium). Teori

yang penting, yang diketahui sebagai teori Representasi Granger, menjelaskan

bahwa apabila dua variabel X dan Y adalah kointegrasi, hubungan antar

keduanya bisa dinyatakan sebagai ECM (Gujarati, 2012). Persamaan ECMnya

adalah :

∆𝑦 = 𝛽0 + 𝛽1∆𝑥𝑡 + 𝛽2∆𝑥𝑡 + 𝛽𝑛∆𝑥𝑡 … … … 𝑢𝑡−1 + 휀𝑡 (3.6)

𝑢𝑡 = 𝑦𝑡 − 𝑏𝑜 − 𝑏1𝑥𝑡 − 𝑏2𝑥𝑡 − ⋯ … … … 𝑏3𝑥𝑡 (3.7)

Dengan mendistribusikan persamaan 3.6 dengan 3.7 yaitu mengeluarkan

koefisien dalam u maka persamaan 3.6 dapat diubah menjadi :

∆𝑦𝑡 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + 𝛽3𝑦𝑡−1+𝛽4𝑥𝑡−1 + 𝛽5𝑥𝑡−1+. . … … 𝛽𝑛𝑥𝑡−1 + 휀𝑡

Dimana:

𝛽0 = 𝑏0 (𝑦); 𝛽1 = 𝑏1; 𝛽2 = 𝑏2; 𝛽3 = 𝑦; 𝛽4 = −𝑏1(𝑦); 𝛽5 = −𝑏2(𝑦) … … 𝑛

Parameter 𝑏 menjelaskan pengaruh jangka pendek sedangkan parameter

𝛽 menjelaskan pengaruh jangka panjang. Untuk mengetahui apakah spesifikasi

model dengan ECM merupakan model yang valid maka dilakukan uji terhadap

koefisien Error Correction Term (ECT). Jika hasil pengujian terhadap koefisien

ECT signifikan, maka spesifikasi model yang diamati valid. Error Correction

34

Term (ECT) signifikan bila nilai mutlak koefisien ECT berkisar antara nol

hingga satu dan p-value ECT kurang dari α = 1%, 5%, 10% (Insukindro, 1999).

d. Uji Diagnostik

1) Autokorelasi

Autokorelasi menunjukkan sifat residual regresi yang tidak bebas dari

satu observasi ke observasi lainnya, atau secara formal, autokorelasi terjadi

pada serangkaian data deret waktu, dimana error term pada satu periode waktu

secara sistematik tergantung error term pada periode-periode waktu yang lain.

(Ariefianto, 2012).

𝐸 (𝑢𝑖 , 𝑢𝑗) ≠ 0, 𝑖 ≠ 𝑗 (3.8)

Dimana

ui = Disturbance pengamatan i

uj = Disturbance pengamatan j

Uji yang digunakan dalam mendeteksi apakah pada data yang diamati

terjadi autokorelasi atau tidak adalah uji Breusch-Godfrey Serial Correlation

LM..

Hipotesis untuk uji Breusch-Godfrey yakni :

H0 : Tidak ada autokorelasi.

H1 : Ada autokorelasi.

Kriteria pengujian untuk hipotesis di atas adalah sebagai berikut:

a) H0 tidak ditolak jika p-value Obs*R-Squared ≥ critical value.

b) H0 ditolak jika p-value Obs*R-Squared <critical value.

35

2) Heterokedastisitas

Heterokedastisitas adalah pelanggaran asumsi klasik karena adanya

hubungan antara variabel dengan error term dalam model. Adanya

heterokedastisitas dalam model menyebabkan estimator OLS tidak

menghasilkan estimator yang Best Linear Unbiased Estimator (BLUE). Untuk

mengetahui keberadaan heterokedastisitas dalam model maka dilakukan Uji

Arch :

𝑦𝑡 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2+. . . . +𝛽𝑝𝑋𝑝𝑡 + 𝑢𝑡 (3.9)

Adapun struktur hipotesis yang digunakan adalah

H0 : a1 = a2 = ....= ap

H1 : paling tidak satu aj ≠ 0 (3.10)

3) Multikolinieritas

Gujarati (2003), menyatakan bahwa Multikolinieritas adalah fonomena

sampling, kondisi dimana terjadi hubungan linier (korelasi) antar variabel-

variabel independen. Dalam penelitian ini penulis untuk melihat apakah suatu

model terjadi multikolinieritas atau tidak dengan menguji koefisien korelasi (r)

berpasangan yang tinggi diantara variabel-variabel penjelas.

Jika koefisien korelasi cukup tinggi katakanlah diatas 0.8 ada

kemungkinan bahwa terjadi kolinieritas cukup tinggi dalam model, sebaliknya

jika koefisien korelasi lebih rendah maka diduga model tidak mengandung

multikolinieritas.

36

4) Uji Linieritas

Uji linieritas dalam penelitian ini menggunakan uji Ramsey (Ramsey

Reset Test). Dimana uji ini dikembangkan oleh Ramsey pada tahun 1969. Uji

ini disebut dengan general test of spesification error atau lebih dikenal dengan

RESET, karena uji ini berkaitan dengan suatu masalah spesifikasi kesalahan

(Pamungkas, 2013).

Adapun hipotesis dalam uji linieritas ini adalah dengan membandingkan

F-statistic dengan F tabel (atau dengan membandingkan probabilitasnya).

a) Jika probabilitas F statistic > 0,05 maka hipotesis yang menyatakan

bahwa model linier adalah diterima.

b) Jika probabilitas F statistic < 0,05 maka hipotesis yang menyatakan

bahwa model linier adalah ditolak.