38

BAB III

METODE PENELITIAN

3.1. Variabel Penelitian dan Definisi Operasional

Penelitian ini menggunakan dua variabel yaitu variabel dependen dan variabel

independen. Variabel dependen dipengaruhi oleh variabel independen dan variabel

dependen bergantung kepada varaiabel independen, sumber data yang diperoleh

untuk penelitian ini dari tahun 1985-2013.

3.1.1 Variabel Independen

Variabel Independen yaitu variabel yang bebas, stimulus, predictor, eksougen

atau antecendent yang mempengaruhi atau menjadi penyebab berubahnya serta

timbulnya variabel dependen. Variabel independen merupakan variabel penelitian

yang mempengaruhi. Pada penelitian ini terdapat lima variabel independen

dianataranya yaitu:

3.1.1.1.Produksi beras

Produksi merupakan proses kegiatan mengerjakan suatu benda untuk

menambah nilai gunanya atau membuat benda baru yang lebih bermanfaat dari

bentuk awal untuk memenuhi kebutuhan. Produksi atau proses memproduksi

merupakan kegiatan menambah kegunaan suatu barang dari hasil produksi

(Putong,2003). Perusahaan atau orang yang membuat proses produksi adalah

39

produsen, dan produksi terjadi dengan berbagai manfaat bagi manusia untuk

memenuhi kebutuhan sehari-hari dengan mencapai kemakmuran dan sejahtera.

Produksi beras yaitu untuk menghasilkan beras yang diproduksi oleh petani dan

dipasarkan pemerintah untuk konsumsi masyarakat Indonesia, berpengaruh negative

tidak signifikan terhadap impor beras di Indonesia. Sumber data di dapat dari FAO.

3.1.1.2.Produk Domestik Bruto (PDB) atau Gross Domestic Product (GDB)

Produk Domestik Bruto (PDB) atau Gross Domestic Product (GDB) yaitu

nilai produk barang dan jasa yang dihasilkan di Indonesia, sebagai ukuran utama di

dalam suatu negara untuk menentukan perhitungan aktifitas perekonomian

nasionalnya, dan pada umunya PDB untuk mengukur volume produksi di suatu

wilayah negara secara geografis dan keseluruhan volumenya. PDB berpengaruh

signifikan terhadap Impor beras di indonesia . Sumber didapat dari World Bank.

3.1.1.3. Harga Beras

Harga adalah suatu nilai tukar yang dapat juga serupa dengan alat pembayaran

uang, suatu barang atau jasa bagi kelompok atau perorangan pada kurun waktu

tertentu dan tempat tertentu, harga berbentuk nominal untuk mengukur nilai harga

tersebut yang menunjukkan tinggi rendahnya nilai suatu kualitas barang atau jasa.

Berpengaruh negatif terhadap impor beras di Indonesia sumber data diperoleh dari

Pusat Data dan Sistem Informasi Kementrian Pertanian 2013 (PUSDATIN), judul

buku outlook komoditas pertanian subsector tanaman pangan PADI.

40

3.1.1.4.Penduduk

Penduduk atau warga adalah orang yang tinggal suatu daerah di sebuah negara

dan orang yang memiliki hak untuk tinggal di daerah tersebut yang berhak secara

hukum dan memiliki surat resmi untuk tinggal di suatu negara tersebut, dan jumlah

penduduk berpengaruh signifikan terhadap impor beras di indonesia. Pengambilan

data diperoleh dari World Bank.

3.1.1.5. Nilai Tukar

Nilai tukar atau yang biasa disebut dengan kurs (exchange rate) yaitu harga

dari sebuah mata uang di suatu negara yang dinyatakan atau ditentukkan dalam mata

uang berpengaruh signifikan terhadap impor beras di Indonesia, sumber data dari

WorldBank.

3.1.2. Variabel Dependen

Variable Dependen atau yang biasa disebut dengan variabel terkait adalah

variabel yang dipengaruhi karena adanya variabel independen. Besarnya perubahan

pada variabel ini tergantung dari besaran variabel bebas. Pada penelitian ini

menggunakan data nilai impor beras Indonesia ke luar negeri dari tahun 1985-2013.

3.1.2.1 Impor beras

Perdagangan internasional berkaitan dengan impor yang berpengaruh pada

keseimbangan pendapatan nasional tergantung kepada besarnya ekspor dan dikurangi

41

impor. Tetapi di Indonesia terpengaruh pada impor yang lebih besar maka fungsi

impor sangat dipengaruhi pada besarnya pendapatan nasional. Semakin tinggi

pendapatan nasional maka semakin tinggi juga impor. Impor beras yaitu seluruh

impor value beras di Indonesia dari berbagai negara dalam sbentuk USD pertahun.

Data diperoleh dari FAO.

3.2 Kriteria Pemilihan Model

Untuk menentukan kriteria dalam pemilihan model suatu penelitian dapat

menjadi hal yang sangat penting dan berpengaruh pada penelitian, model yang

ditentukan secara empirik dapat merupakan menjadi pendekatan yang diperoleh pada

penelitian ini, sehingga pendekatan empirik dapat menetukan model apa yang baik

untuk digunakan, model dapat berbentuk linier ataupun log linier dan lain sebaginya.

Penelitian ini menggunakan bentuk fungsi model yang model empiris digunakannya

Metode Mac Kinnon, Metode White and MWD pada variabel bebas. Uji MWD jika

Z1 signifikan statistik jadi model yang benar adalah linear Z2 signifikan secara

statistik jadi model yang benar log linear.

Model linier dan log linier pada penilitian ini yaitu :

IMPORt = 𝛽𝜊+βı PRODUKSIt + β2HARGAt + βзPDBt + βзPENDUDUKt+

βзKURSt ᵉıt(1)

LIMPORt= µο+ µı LPRODUKSIt + µ2LHARGAt + µЗLPDBt + µЗLPENDUDUKt

+ µЗLKURSt + ᵉ2t(2)

42

Keterangan :

IMPORt = Impor Beras

PRODUKSIt = Produksi Beras

HARGAt = Harga Beras

PDBt = Produk Domestik Bruto

PENDUDUKt = Jumlah Penduduk

KURSt = Nilai Tukar

ᵉt = Variabel ganguan atau residual

Untuk melakukan uji MWD dapat di asumsikan dengan:

Hο = Y yaitu fungsi linier dari variabel independen X (model linier)

Ha = Y yaitu fungsi log linier dari variabel independen X ( Model log linier)

Tata cara atau prosedur pengguna metode MWD yaitu:

1. Estimasi persamaan (1) dan (2), lalau F1 dan F2 adalah nilai prediksi atau

fitted value dari persamaan (1) dan (2).

2. Mendapatkan nilai Zı = In Fı – F2 dan Z2 = antilog F2-F1.

3. Estimasi persamaan (3) dan (4) dengan memasukkan Z1 dan Z2 sebagai

variabel penjelas:

43

IMPORt = 𝛽𝜊+βı PRODUKSIt + β2HARGAt + βзPDBt + β2PENDUDUKt +

β2KURSt +β4Zıt+ᵉıt (3)

LIMPORt= µο+ µı LPRODUKSIt + µ2LHARGAt + µᴣLPDBt +

µ2LPENDUDUKt + µ2LKURSt+ β4Z2t+ᵉ2t (4)

4. (Widarjono,2009) Jika dari langkah di atas Zı model linier signifikan secara

statistik, jadi menolak Ho model yang tepat yaitu log linier dan sebaliknya

jika tidak signifikan akan menerima hipotesis nol maka model yang tepat

yaitu linier. Z2 siginifikan secara statistik maka melalui uji t menolak Ho,

maka model tepat yaitu jika signifikan akan menerima hipotesis alternatif

sehingga model yang tepat adalah log linier.

Jenis data pada penilitian ini menggunakan data time series yang diperoleh

dari beberapa sumber dengan cara mengambil data statistik. Sumber yang terkait

seperti Badan Pusat Statistik (BPS), FAO, World Bank.

3.3. Metode Analisis

3.3.1.Uji MWD

Uji MWD (Mackinnon, H. White and R. Davidson) digunakan untuk

menentukan model terbaik, yaitu model linier atau log linier. Persamaan matematis

untuk model regresi linier dan regresi log linier adalah sebagai berikut:

Linier >>Y = β0 + β1X1 + β2X2 + β3X3 + β4X4+ β5X5 ei

44

Log Linier >>LnY = β0 + β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4

+β5LnX5+ ei

Untuk melakukan uji MWD, kita asumsikan bahwa:

H0: Y adalah fungsi linier dari variabel independen X (model linier)

Ha: Y adalah fungsi log linier dari variabel independen X (model log linier)

Prosedur Uji MWD yaitu:

1. Estimasi model linier dan mendapatkan nilai prediksinya (fitted value)

dinamai F1. Nilai F1 dapat dicari dengan langkah sebagai berikut:

o Lakukan regresi persamaan model linier dan dapatkan residualnya

(RES1)

o Dapatkan nilai F1 = Y – RES1

2. Estimasi model log linier dan dapatkan nilai prediksinya dinamai F2. Untuk

mendapatkan nilai F2 dengan menggunakan langkah berikut:

o Lakukan regresi model log linier dan dapatkan residualnya (RES2)

o Dapatkan nilai F2 = lnY – RES2

3. Dapatkan nilai Z1 = lnF1 – F2 dan Z2 = antilog F2 – F1

4. Estimasi persamaan berikut ini:

Y = β0 + β1X1 + β2X2 + β3X3 + β4Z4 + 54Z5+ ei

45

Jika Z1 signifikan secara statistik melalui uji t maka kita menolak hipotesis

nol sehingga model yang tepat adalah log linier dan sebaliknya jika tidak signifikan

maka kita menerima hipotesis nol sehingga model yang tepat adalah linier.

5. Estimasi persamaan berikut ini:

LnY = β0 + β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4 + β5LnX5+ ei

Jika Z2 signifikan secara statistik melalui uji t maka kita menolak hipotesis

alternatif sehingga model yang tepat adalah linier dan sebaliknya jika tidak signifikan

maka kita menerima hipotesis alternatif sehingga model yang tepat adalah log linier

(Agus Widarjono,2009).

Table 3.1

Keputusan hasil uji MWD yaitu:

Hipotesis Nol

(H0)

Hipotesis Alternatif (Ha)

Tidak Menolak Menolak

Tidak Menolak Model linier dan log linier tepat Model linier tepat

Menolak Model log linier tepat Model linier dan log linier tepat

Sumber: Ekonometrika Pengantar dan Aplikasinya, Agus Widarjono,2009

3.3.2. Metode Regresi Linier Berganda

Metode analisis yang digunakan pada penelitian ini adalah regresi linier

berganda dengan metode OLS (Ordinary Least Squares) dengan menggunakan

program Eviews 5.1.

Regresi linier berganda menjelaskan hubungan pengaruh antara variabel dependen

dengan variabel independen. Regresi linier berganda berfungsi untuk mengukur besar

46

pengaruh variabel independen terhadap variabel dependen. Adapun persamaan regresi

linier berganda yang digunakan dalam penelitian ini adalah sebagai berikut:

Y = β0 - β1X1 + β2X2 - β3X3 + β4X4 +β5X5 +ei

Penjelasan :

Y adalah nilai Impor Beras Indonesia (USD)

X1 adalah Produksi Beras Indonesia (Ton)

X2 adalah Harga Beras Indonesia (Rp/kg)

X3 adalah GDP Perkapita Indonesia (USD)

X4 adalah Jumlah Penduduk Indonesia

X5 adalah nilai Tukar (IDR/USD)

e adalah error

Sehingga model regresi model linier, akan berbentuk permintaan impor

setelah dirubah ke dalam model log linier adalah sebagai berikut :

LnY = β0 - β1LnX1 + β2LnX2 + β3LnX3 + β4LnX4 + β5LnX5 + ei

Model regresi terbaik yang digunakan, awalnya dipilih terlebih dahulu

menggunakan uji MWD sehingga akan mendapatkan model yang terbaik, yaitu model

linier atau log linier. Regresi linier berganda memiliki beberapa jenis pengujian dan

analisis untuk mengetahui hubungan antara variabel dependen dengan variabel

independen. Jenis-jenis pengujian dan analisis tersebut antara lain uji t, uji F, R2, dan

uji asumsi klasik yang mencakup uji multikolinearitas, uji heterokedastisitas dan uji

autokorelasi.

47

3.3.3 Uji Statistik

Dari data time series kurun waktu 29 tahun (1985-2013) menggunakan

metode OLS, jadi langkah selanjutnya melakukan uji statistik, uji ini dilakukan untuk

mengetahui variabel atau model yang digunakan secara parsial atau keseluruhan. Uji

statistik tersebut yaitu:

3.3.3.1 Koefisien Determinasi (R2)

Dalam mengukur seberapa baik garis regresi cocok dengan datanya untuk

mengukur persentase total variasi Y yang dijelaskan oleh garis regresi digunakan

konsep koefisien determinasi (R2). Koefisien determinasi (R

2) didefinisikan sebagai

proporsi atau persentase dari total variasi variabel dependen Y yang dijelaskan oleh

garis regresi (variabel independen X) (Widarjono2007) formula R2 adalah sebagai

berikut:

TSS

ESSR 2

2

2ˆ

YY

YY

i

i

Keterangan :

ESS = Explained sum of squares

TSS = Total sum of squares

48

3.3.3.2 Uji F

Uji F digunakan untuk menunjukkan apakah keseluruhan variabel independen

berpengaruh terhadap variabel dependen. Untuk menganalisis menggunakan

uji F harus dilihat nilai F hitung dan nilai F tabel dari penelitian tersebut guna

menentukan apakah berada pada daerah terima H0 dan tolak Ha atau

sebaliknya. Nilai F hitung dapat diperoleh dengan rumus :

Rumus F hitung= 𝑅2/ 𝑘−1

1−𝑅2 /(𝑛−𝑘)

Dimana:

R2 = koefisien determinasi

k = banyaknya variabel bebas

n = banyaknya sampel

Hipotesis nol (H0) dan hipotesis alternatif (Ha) yang dibuat:

𝐻0 : 𝛽1=𝛽2=. . . = 𝛽𝑘 = 0

𝐻𝑎 : 𝛽1≠𝛽2≠. . . ≠ 𝛽𝑘 ≠ 0

3.3.3.3 Uji t

Uji t dilakukan untuk mengetahui variabel independen secara parsial

berpengaruh signifikan terhadap variabel dependen. Pengujian dengan menggunakan

uji t dilakukan dengan cara memperbandingkan nilai antara t hitung dan t tabel. Nilai

t hitung dapat diperoleh dengan rumus:

49

t-hitung = 𝛽𝑖

𝑠𝑒 (𝛽𝑖 )

Dimana βi adalah koefisien regresi dan se(βi) adalah standar error koefisien

regresi.

3.3.4 Uji Asumsi Klasik

Uji asumsi klasik bertujuan untuk memberikan hasil apakah metode OLS

dapat menghasilkan estimater yang BLUE, oleh karna itu tidak dapat gangguan

dalam OLS seperti masalah multikolinieritas, masalah heteroskedastisitas, dan

masalah autokorelitas maka uji t dan Uji F akan menjadi valid.

Dalam metode OLS terdapat salah satu asumsi yang digunakan yaitu tidak ada

hubungan anatara variable-variabel independen. Hubungan anatara variabel

independen terdapat pada suatu regresi yaitu multikolineritas (Widarjono,2009).

Indikasi awal munculnya multikolinieritas karena model ini memiliki standar error

besar dan nilai tatistik t yang rendah, untuk mengetahui atau mendeteksi msalah

multikolineritas yaitu dengan korelasi parsial antara variabel independen. Maka jika

didapat koefisien korelasi yang cukup tinggi akan diduga sebagai adanya

multikolineritas pada model, dan jika koefisien kolerasi yang didapat rendah maka

model tersebut tidak mengandung multikolineritas (Widarjono,2009).

50

3.3.4.1 Uji Multikolinieritas

Uji multikolinieritas adalah suatu uji yang digunakan untuk melihat korelasi

antar masing-masing independen variabel. Dalam pengujian asumsi OLS tidak terjadi

multikolinieritas sehingga bisa dikatakan bahwa pengujian model tersebut bersifat

BLUE (Best Linier Unbiases Estimators), berarti adanya hubungan sempurna, linier

dan pasti, diantara beberapa atau semua variabel yang menjelaskan dari model

regresi. Untuk mengetahui ada atau tidaknya multikolinieritas dilihat dari korelasi

parsial (r) antar variabel independen. Jika r > 0,85 maka ada multikolinieritas dan jika

r < 0,85 maka tidak ada multikoliniertas (Widarjono, 2009).

3.3.4.2 Heteroskedastisitas

Beberapa metode untuk mendekati heterokedasitas adalah metode Breunch-

Pagan yang mengembangkan metode tidak perlu mengilangkan data c dan pengurutan

data. Jika variable z berjumlah akan mengikuti distirbusi X dengan degree of freedom

(m-1) sehingga nilai hitung lebih besar dari nilai kritis. Model OLS menghasilkan

estimator yang BLUE maka diasumsikan bahwa model memiliki varian yang

konstan. Model tersebut dapat dikatakan memiliki masalah heteroskedastisitas jika

variabel gangguan memiliki varian yang tidak konstan. Konsekuensi dari adanya

masalah heterosdastisitas yaitu estimator yang didapatkan akan memiliki varian yang

tidak minimum. Estimator metode OLS meskipun masih linier dan tidak bias tetapi

varian yang tidak minimum akan membuat perhitungan standar error metode OLS

51

tidak bias lagi dipercaya kebenaranya. Interval estimasi inilah yang membuat uji

hipotesis yang pada awalnya didasarkan pada distribusi t maupun F tidak lagi bias

dipercaya untuk mengevaluasi hasil regresi. Masalah pada heterokedastisitas

mengandung konsekuensi serius pada estimator OLS, sehingga tidak lagi BLUE.

Beberapa hal tersebut sangat penting untuk mendeteksi adanya masalah

heterokedastisitas. Metode yang akan digunakan untuk mendeteksi masalah

heterokedastisitas dalam penelitian ini adalah White Heteroskedasticity test. Hipotesis

dan ketentuan yang digunakan yaitu:

H0 : tidak ada masalah heterokedastisitas

Ha: ada masalah heterokedastisitas

Jika nilai probabiliti dari chi-square lebih besar dari taraf signifikan (a=5%)

yang berarti tidak signifikan, maka menerima H0 atau menolak Ha berarti tidak ada

masalah heterokedastisitas. Sebaliknya jika nilai probabilitas chi-square lebih kecil

dari taraf signifikan (a=5%) yang berarti signifikan, maka menolak Ho atau menerima

Ha yang berarti ada masalah heterokedastisitas (Widarjono, 2009).

Hipotesis:

H0 : a2 = a3 = a4 = a5 = a6 = a7 a8 = a9 = 0, tidak terdapat

heteroskedastisitas dalam model

H1 : salah satu a ? 0, terdapat heteroskedastisitas di dalam model

Statistik uji:

52

Persamaan bantu dibentuk dengan meregresikan error terhadap variabel X

yang diperkirakan memiliki hubungan yang erat dengan error:

𝜀𝑖2= a1 + a2X2 + a3X3 + ... apXp

Hitung LM = nR2,

Dimana: n = jumlah observasi persamaan bantu

R2= unadjusted R2 persamaan bantu

Kriteria uji:

Tolak H0 jika LM > p-1(a), maka di dalam model terdapat heteroskedastisitas

Terima H0 jika LM < p-1(a), yang menunjukkan bahwa residualnya homoskedastis

3.3.4.3 Uji Autokorelasi

Autokorelasi yaitu adanya korelasi diantara observasi satu dengan observasi

lainnya dengan berlainan waktu. Kaitan dalam asumsi untuk metode OLS yaitu

autokorelasi merupakan korelasi anatara satu variabel gangguan dengan variabel

gangguan yang lain, di dalam data time series akan mununjukkan adanya autokorelasi

baik negatif maupun positf. Karena data time series menunjukkan rtrend yang sama

yaitu adanya kesamaan pergerakan naik atau turun (Widarjono,2009). Untuk

mendeteksi autokorelasi menggunakan metode Breusch-Godfrey yaitu uji Lagrange

Mulitper (LM), jika chi-square (x) hitung lebih besar dari nilai kritis chi-square

derejat kepercayaan tertentu, maka menolak hipotesis nol yang menunjukkan adanya

masalah autokorelasi dalam model, dan jika chi-square nya menjadi lebih kecil maka

53

nilai kritisnya akan menerima hipotesis nol. Maka model tidak mengandung unsur

autokorelasi karena semua nilai probabilitas sama dengan nol.

Persamaan Uji LM :

𝜌𝑡 = 𝜌1𝜌𝑡−1 + 𝜌2𝜌𝑡−2+….+𝜌𝑝𝜌𝑡 − 𝑝 + 𝜇𝑡

Langkah-langkah Uji Lagrange Multiplier (LM):

Hipotesis :

Ho: tidak terdapat autokorelasi dalam model

H1: terdapat autokorelasi di dalam model

Statistik Uji:

Regresi 𝜇𝑡 terhadap intersep, seluruh Xi dan 𝜇𝑡 -1, hitung: LM= (n-1)R2

Krtiteria Uji:

Tolak Ho jika probablitas < 𝛼, artinya terdapat autokorelasi di dalam model.

Gagal menolak Ho jika probablitas > 𝛼, yang menunjukkan bahwa didalam

model tidak terdapat autokorelasi.

3.3.4.4 Uji normalitas

Uji signifikansi berpengaruh pada variabel independen terhadap variabel

dependen melalui uji t jika valid maka residual yang didapatkan memiliki distribusi

54

normal (Widarjono,2009). Metode yang digunakan untuk mendeteksi residual

memiliki distribusi normal atau tidak dapat dilakukan dengan cara, menggunakan

metode histrogram residual, metode grafis yang paling sederhana jika digunakan

untuk mengetahui probabiliti distribusi function dari variabel yang random berbentuk

normal maupun tidak. Ditentukannya histogram residual jika grafik distribusi normal

maka dapat dikatakan residual memiliki distribusi yang normal, lalu dengan

menggunakan metode uji jarque-bera, dengan sampel besar yang berasumsi asymptic

uji stastistik jarquw-bara akan menggunakan perhitungan skekwness dan kurtosis.

Nilai statisik pada JB menggunakan distriusi Chi square yang memiliki derajat

kebebasan (df). Nilai probabilitas dari statistik JB besar maka nilai statistik dari JB

tidak signifikan akan menerima hipotesis bahwa residual akan memiliki distribusi

normal, karena nilai statistik JB mendekati nilai nol. Dan sebakiknya jika nilai

statistik dari J-B signifikan akan menolak hipotesis residual memiliki distribusi

normal.

Uji statistiknya sebagai berikut:

JB = n 𝑠2

6+

𝑘− 3 2

24

S= skewress

K= kurtosis