20

BAB III

METODE PENELITIAN

A. Lokasi Penelitian

Penelitian ini dilakukan di Negara Indonesia dari tahun 1985 sampai tahun

2014. Penentuan judul penelitian didasarkan pada pertumbuhan produksi beras

Negara Indonesia yang tinggi dan konsumsi masyarakat Indonesia terhadap beras

yang cenderung menurun.

B. Jenis Penelitian

Jenis penelitian yang digunakan dalam penelitian ini merupakan penelitian

deskriptif kuantitatif, yaitu pencarian fakta dengan menggambarkan data yang telah

ada.

C. Penentuan Populasi dan Sampel

Pengambilan sampel dilakukan pada negara-negara yang digunakan sebagai

pembanding yaitu dengan menggunakan teknik purposive sampling. Menurut

Sugiyono (2003:74-78) Purposive Sampling adalah cara pengambilan sampel

dengan menetapkan ciri yang sesuai dengan tujuan. Menurut Outlook Padi

(2015:46) negara penghasil beras dilihat dari luas panennya, dan terdapat sepuluh

negara dengan kontribusi sebesar 83,58% atau rata-rata total luas panen padi

mencapai 135,38 juta hektar. Dari kesepuluh negara tersebut yang sesuai dengan

kebutuhan dalam penelitian ini yaitu, menggunakan data time series selama tiga

21

puluh tahun hanyalah lima negara. Kelima negara tersebut yaitu China, India,

Thailand, Brazil, dan Jepang.

D. Definisi Operasional Variabel

Dalam penelitian ini terdapat enam variabel yang digunakan, adapun definisi

operasional dari ke-enam variabel agar dapat dipahami sesuai dengan tujuan

penelitian yaitu:

1. Variabel Dependen (Variabel Terikat)

Variabel dependen adalah variabel yang dipengaruhi oleh variabel

independen. Variabel dependen yang digunakan dalam penelitian ini adalah

Volume Ekspor Beras Indonesia. Dimana data volume ekspor beras disajikan

dalam bentuk time series atau tahunan dari tahun 1985 sampai tahun 2014,

dinyatakan dalam satuan ton yang diperoleh dari Badan Pusat Statistik

Indonesia.

2. Variabel Independen (Variabel Bebas)

Variabel independen adalah variabel yang mempengaruhi variabel

dependen. Variabel independen yang digunakan dalam penelitian ini

diantaranya Produksi Beras Domestik (X1), Konsumsi Beras Domestik (X2),

dan Harga Beras Dunia (X3)

Produksi Beras Domestik (X1), adalah jumlah total produksi komoditi

beras dalam negeri di Indonesia setiap tahunnya dalam satuan ton. Konsumsi

Beras Domestik (X2), adalah jumlah konsumsi komoditi beras dalam negeri

di Indonesia setiap tahunnya dalam satuan ton. Dan Harga Beras Dunia (X3)

adalah rata-rata harga komoditi beras di dunia tiap tahunnya dalam satuan US

22

dollar per ton. Semua variabel independen tersebut diperoleh dari Badan

pusat Statistk Indonesia, disajikan dari tahun 1985 sampai tahun 2014.

E. Jenis dan Sumber Data

Jenis data dalam penelitian ini adalah data sekunder yang bersifat kuantitatif,

yaitu data yang diperoleh dari pihak lain baik yang sudah diolah maupun yang

masih perlu diolah kembali. Data ini diperoleh dari buku-buku literature, jurnal-

jurnal ekonomi, Statistik Indonesia terbitan Badan Pusat Statistik (BPS), Outlook

Padi terbitan Kementrian Pertanian RI dan situs internasional seperti World Bank

maupun Factfish. Data yang digunakan dalam penelitian ini yaitu data time series

atau runtut waktu dari tahun 1985 sampai tahun 2014.

F. Teknik Pengumpulan data

Metode pengumpulan data dalam penelitian ini dilakukan melalui studi

pustaka (library research) dan dokumentasi. Studi pustaka dilakukan dengan

mempelajari literatur-literatur yang berhubungan dengan permasalahan yang

sedang diteliti dan buku yang berkaitan dengan topik penelitian. Teknik

dokumentasi dilakukan dengan menelusuri dan mendokumentasikan data-data dan

informasi yang berkaitan dengan objek studi.

G. Teknik Analisa Data

Teknik analisa data yang digunakan oleh penulis untuk mencapai tujuan-

tujuan dari penelitian ini yaitu menggunakan Indeks Spesialisasi Pasar (ISP),

Revealed Comparative Advantage (RCA), dan Analisis Regresi Berganda.

1. Indeks Spesialisasi Pasar

23

Indeks Spesialisasi Pasar (ISP) digunakan untuk mencapai tujuan

penulis yang pertama yaitu untuk mengetahui dan menganalisis potensi pasar

Indonesia apakah sebagai pengekspor atau pengimpor komoditi beras bagi

dunia. ISP dapat dihitung dengan rumus sebagai berikut:

𝐼𝑆𝑃 = (𝑋𝑖𝑎−𝑀𝑖𝑎)

(𝑋𝑖𝑎+𝑀𝑖𝑎) (Ragimun, 2013)

Dimana:

X = nilai ekspor

M = nilai impor

i = barang jenis i

a = barang Negara

Indeks spesialisasi pasar digunakan untuk menganalisis posisi atau

tahapan perkembangan suatu produk. ISP dapat menggambarkan apakah

untuk suatu jenis produk, Indonesia cenderung menjadi Negara eksportir atau

importir atas suatu jenis produk (Ragimun, 2013).

Nilai indeks ini bernilai antara -1 sampai dengan +1. Jika nilainya

positif diatas 0 sampai dengan 1, maka komoditi bersangkutan dikatakan

mempunyai daya saing dengan komoditi dari Negara lain atau Negara yang

bersangkutan berpotensi sebagai pengekspor komoditi tersebut. Sebaliknya,

suatu Negara memiliki daya saing yang rendah atau dikatakan sebagai

pengimpor suatu komoditi jika nilai indeks berkisar dibawah 0 sampai -1.

2. Revelead Comparative Advantage

Revelead Comparative Advantage juga digunakan untuk mencapai

tujuan penelitian yang pertama yaitu utnuk menghitung keunggulan

24

komparatif dalam menentukan daya saing suatu komoditi. RCA pertama kali

diperkenalkan oleh Bela Balassa, awalnya ia mengajukan postulasi tentang

perdagangan internasional yang didasarkan pada raso ekspor impor. Namun

metode ini memiliki dua kelemahan. Pertama, campur tangan pemerintah dan

distorsi pasar cenderung membuat rasio ekspor impor menjadi bias untuk

mengukur keunggulan komparatif suatu komoditas. Kedua, pengukuran

keunggulan komparatif dengan rasio ekspor impor memang dapat

menggambarkan pola perdagangan tapi tidak mampu mencerminkan apakah

pola tersebut merupakan pola yang optimal, seperti yang dikemukakan oleh

Donges dan Riedel (1997) (Basri, Faisal. 2010:41).

Nilai RCA dapat dihitung dengan rumus sebagai berikut:

𝐶 = 𝑋𝑖𝑗/ 𝑋𝑗

𝑋𝑖𝑤/𝑋𝑤 (1)

Dimana:

C = Angka RCA

𝑋𝑖𝑗 = Nilai ekspor komoditas i negara j

𝑋𝑗 = Nilai ekspor total negara j

𝑋𝑖𝑤 = Nilai ekspor komoditas i dunia

𝑋𝑤 = Nilai ekspor total dunia

Persamaan (1) dapat diubah untuk menunjukkan indeks RCA mengacu

pada pangsa dunia relative. Pangsa Negara j untuk komoditas i

dinormalisasikan oleh pangsa Negara j dalam ekspor total dunia sehingga

menjadi sebagai berikut:

25

𝐶 = 𝑋𝑖𝑗/ 𝑋𝑖𝑤

𝑋𝑗/𝑋𝑤 (2)

Nilai indeks yang lebih besar dari satu (C > 1) menunjukkan bahwa

pangsa komodiats i dalam ekspor total negar j lebih besar dari pangsa rata-

rata dari komoditas i dalam ekspor semua Negara di dunia. Yang artinya,

Negara j relative lebih berspesialisasi dan daya saingnya kuat di komoditas

tersebut. dan begitu pula sebaliknya. Sekalipun memiliki kelemahan tersebut,

akan tetapi berbagai penelitian telah menggunakan metode ini dengan hasil

yang cukup memuaskan. (Basri, Faisal. 2010:43).

3. Analisis Regresi Berganda

Sedangkan untuk mencapai tujuan penelitian yang kedua, digunakan

model regresi dengan membuat hubungan antara satu variabel terikat dengan

beberapa variabel bebas yang disebut model regresi berganda, adapun model

analisisnya sebagai berikut:

Y= 𝛽0+ 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝑢𝑖

Dimana:

Y : Volume ekspor beras (ton)

𝛽0 : intersep

𝛽𝑗 : Parameter/ Koefisien regresi dari variabel independen ke j (j=1,2,..,p)

𝑋1 : Produksi Beras domestic (ton)

𝑋2 : Konsumsi Beras domestic (ton)

26

𝑋3 : Harga Beras Dunia (US$/ ton)

𝑢𝑖 : Nilai gangguan/ error dari observasi ke-i

4. Uji Asumsi Klasik

a. Uji Normalitas

Salah satu asumsi model regresi linier klasik (CLRM) adalah error/

residual harus berdistribusi normal. Normalitas error dapat diuji

menggunakan uji Jarque Bera dengan statistik uji yaitu :

𝐽𝐵 = 𝑛[𝑆2

6+

(𝐾 − 3)2

24]

Dimana:

n = jumlah pengamatan

S = koefisien skewness

K = koefisien kurtosis

Hipotesis yang diuji

H0 : error berdistribusi normal

H1 : error tidak berdistribusi normal

Keputusan H0 ditolak jika p-value statistik uji Jarque Bera tidak

signifikan (p-value < α 0,05) atau H0 diterima jika p-value statistik uji Jarque

Bera signifikan (p-value > α 0,05).

b. Uji Multikolinieritas

27

Multikolinieritas adalah kondisi dimana terjadi hubungan linier

(korelasi) antar variabel-variabel independen. Ada dua jenis multikolinieritas,

yaitu multikoinieritas sempurna dan tidak sempurna. Multikolinierita

sempurna terjadi apabila suatu variabel independen dapat dinyatakan sebagai

fungsi atau kombinasi linier dari variabel independen lainya.

Multikolinieritas tidak sempurna terjadi apabila tidak terjadi hubungan linier

tak sempurna antar variabel independen. Untuk mendeteksi multikoinieritas,

dapat dilakukan Uji Korelasi Pearson atau Uji Variance Inflations Factors

(VIF).

Uji korelasi pearson yaitu menghitung koefisien korelasi pearson antar

variabel independen, misalnya korelasi antar variabel X1 dan X2 yang

dihitung dengan rumus

2

1 2

12

12

2 2

1 2

1 1

n

i i

i

n n

i i

i i

x x

r

x x

Dapat menunjukkan adanya multikolinieritas serius jika r12 ≥ 0.9.

Sedangkan uji VIF dan tolerance dihitung berdasarkan nilai koefisien

determinasi regresi auxiliary ( 2

jR ) yaitu

2

1 j=1,2,...,p

1 j

VIFR

28

Dan yang bisa digunakan sebagai acuan adalah jika VIF > 10, maka

terdeteksi adanya multikolinieritas.

c. Uji Heteroskedastisitas

Heteroskedastisitas adalah kondisi dimana varians gangguan atau error

dari model regresi bersifat tidak konstan. Heteroskedastisitas adalah

penyebaran yang tidak sama sehingga uji signifikansi tidak valid (Gujarati,

2006). Tujuannya untuk menguji apakah dalam model regresi terjadi

ketidaksamaan varian dari residual suatu pengamatan ke pengamatan lain.

Masalah heteroskedastisitas dapat dideteksi dengan beberapa uji seperti Uji

Breush Pagan, Uji White, Uji Goldfeldm Uji Harvey, dan Uji Glejser.

Penelitian ini menggunakan Uji Glejser untuk mendeteksi adanya

heteroskedastisitas. Formulasi hipotesa yang digunakan yaitu:

𝐻0 = 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑝 , tidak ada hubungan antar variabel independen

dan residual.

𝐻1 = 𝑝𝑎𝑙𝑖𝑛𝑔 𝑠𝑒𝑑𝑖𝑘𝑖𝑡 𝑠𝑎𝑡𝑢 𝑎𝑗 ≠ 0 , terdapat hubungan paling sedikit satu

antara variabel independen dengan residual.

Dengan ketentuan 𝐻0 ditolak jika Probability Chi Square < α sebesar 0,05

atau 5%.

d. Uji Autokorelasi

Autokorelasi didefinisikan sebagai adanya korelasi antar satu

pengamatan dengan pengamatan lainya tapi masih dalam satu variabel yang

29

sama. Dalam kaitanya dengan OLS, autokorelasi merupakan korelasi antar

error dari satu pengamatan dengan error dari pengamatan lain. Autokorelasi

sering terjadi pada data time series dan juga dapat terjadi akibat bias

spesifikasi (tidak memasukkan variabel independen tertentu dan/atau akibat

kesalahan model fungsional).

Untuk mendeteksi adanya utokorelasi dapat menggunakan Uji Durbin

Watson atau Uji LM Breusch Godfrey. Uji Durbin Watson merupakan uji

yang paling sering digunakan. Dua titik kritis dalam Uji Durbin Watson yaitu

Upper Critical Value (du) dan Lower Critical Value (dl), dengan kriteria

deteksi uji menggunakan uji durbin Watson yaitu:

d < dl atau d > 4-dl : 𝐻0 ditolak, korelasi positif

du < d < 4-du : Gagal tolak 𝐻0, tidak ada autokorelasi

dL < d< dU atau 4-dU< d< 4-dL : tidak menghasilkan hasil yang akurat

(inconclusive).

5. Uji Hipotesis

a. Uji Signifikansi Individual (Uji Statistic t)

Uji statistic t pada dasarnya menunjukkan seberapa jauh pengaruh satu

variable penjelas secara individual dalam menerangkan variasi variable

terikat. Dengan hipotesis:

H0 = 𝑏𝑗= 0,

H1 = 𝑏𝑗≠ 0,

30

Dengan ketentuan :

H0 ditolak, jika t hitung > dari t tabel atau Probability t-statistic < α.

Maka terdapat pengaruh yang signifikan dan positif antar variabel independen

secara parsial terhadap variabel dependen.

H0 diterima, jika t hitung < dari t tabel atau probability t-statistic > α.

Maka tidak terdapat pengaruh yang signifikan antar variabel independen

secara parsial terhadap variabel dependen.

b. Uji Signifikansi Simultan (Uji Statistik F)

Uji statistic F pada dasarnya menguji apakah semua variabel bebas

(independen) yang dimasukkan dalam model mempunyai pengaruh secara

bersama-sama terhadap variable terikat (dependen). Dengan hipotesis:

H0 : 𝑏1= 𝑏2=𝑏3= 0

H1: ada minimal satu 𝑏𝑗 ≠ 0 (j=1,2,3)

Dengan ketentuan:

H0 ditolak jika, F hitung < F tabel maka artinya besar variabel

independen secara bersama-sama tidak mempengaruhi variabel dependen.

H1 diterima jika, F hitung > F tabel maka artinya minimal ada satu

diantara variabel independen yang mempengaruhi variabel dependen.

c. Koefisien Determinasi (𝑅2)

31

Koefisien determinasi 𝑅2 pada intinya mengukur seberapa jauh

kemampuan model dalam menerangkan variasi variabel terikat. Namun tidak

dapat dipungkiri ada kalanya dalam penggunaan koefisien determinasi terjadi

bias terhadap satu variabel independen yang dimasukkan dalam model.

Formula menghitung koefisien determinasi adalah:

𝑅2 =𝑇𝑆𝑆 − 𝑆𝑆𝐸

𝑇𝑆𝑆=

𝑆𝑆𝑅

𝑇𝑆𝑆

Persamaan tersebut menunjukkan proporsi total jumlah kuadrat (TSS)

yang diterangkan oleh variabel independen dalam model. Sisanya dijelaskan

oleh variabel lain yang tidak dimasukkan dalam model, model yang keliru

dan kesalahan eksperimental (Kuncoro, Mudrajat. 2003).

Dengan ketentuan apabila nilai 𝑅2 mendekati nol, berarti terdapat

hubungan yang terbatas atau kecil antara variabel dependen dan variabel

independen. Bila nilai 𝑅2 mendekati 1, berarti ada hubungan yang kuat dan

erat antara variabel dependen dan variabel independen.