BAB 5 ANALISA MODEL PERSAMAAN REKURSIF FAKTOR …

BAB 5

ANALISA MODEL PERSAMAAN REKURSIF

FAKTOR-FAKTOR DETERMINAN EKSPOR CPO INDONESIA

Pada bagian metodologi penelitian telah dijelaskan bahwa adanya ketidaksamaan

satuan antara variabel ekspor CPO dengan variabel lain menyebabkan estimasi model

dilakukan dalam bentuk logaritma natural (ln). Oleh karena itu, model persamaan rekusif

dapat dispesifikasikan sebagai berikut:

Persamaan Struktural 1: Faktor Determinan Ekspor CPO Indonesia

LnX = β0 + β1 LnPE + β2 LnKURS + β3 LnP_CPO + ei ……… (5.1)

dimana,

Persamaan Struktural 2: Faktor Harga CPO di Pasar Dunia

LnP_CPO = β4 + β5LnP_SOY + β6 LnP_SUN + β7 LnP_PET + ej ……… (5.2)

Akibat spesifikasi model dengan bentuk logaritma natural (ln), nilai masing-masing

koefisien (β) variabel bebas menjelaskan besarnya elastisitas, yaitu besar persentase

perubahan variabel terikat akibat kenaikan satu persen nilai variabel bebas. Kedua

persamaan struktural pada model persamaan rekursif ini diestimasi dengan metode Two

Stages Least Squares (2SLS) yang dilakukan secara terpisah atau persamaan tunggal

(limited information method). Hal ini bertujuan agar apabila terjadi masalah atau

39Faktor-faktor determinan..., Fatimah Hani'atu Tasnim, FE UI, 2008

pelanggaran kriteria pengujian pada salah satu persamaan, masing-masing dapat

memperhitungkan setiap pembatasan yang ditempatkan atau melakukan penganganan

dengan baik, tanpa memperhatikan pembatasan atas persamaan lainnya.

5.1. Hasil Estimasi Persamaan Faktor Determinan Ekspor CPO Indonesia

Estimasi persamaan faktor determinan ekspor CPO Indonesia dengan metode Two

Stages Least Squares (2SLS) secara terpisah menunjukkan hasil sebagai berikut:

Tabel 5.1

Hasil Estimasi Persamaan Faktor Determinan Ekspor CPO Indonesia

Variabel

Coefficient

Std. Error

t-Statistic

Prob.

LNPE 0.136420 0.045267 3.013671 0.0036

LNKURS 1.536737 0.819565 1.875066 0.0651

LNP_CPO 1.892455 0.319070 5.931158 0.0000

C -9.118512 8.535920 -1.068252 0.2892

R-squared

0.606988

Mean dependent var

19.39297

Adjusted R-squared 0.589650 S.D. dependent var 0.478395

S.E. of regression 0.306453 Sum squared resid 6.386132

F-statistic 36.88401 Durbin-Watson stat 1.780106

Prob(F-statistic) 0.000000

Sehingga, diperoleh bentuk persamaan:

LnX = -9.118512 + 0.136420 LnPE + 1.536737 LnKURS + 1.892455 LnP_CPO

5.1.1. Pengujian Kriteria Statistik Faktor Determinan Ekspor CPO Indonesia

Uji t-statistik


Dengan menggunakan tingkat signifikansi (α ) sebesar 10%, hasil estimasi tersebut

menunjukkan bahwa pada tingkat keyakinan 90% setiap variabel bebas secara individu

berpengaruh secara signifikan terhadap variabel terikat. Hal ini ditunjukkan dengan nilai

probabilita t-statistik (p-value) pada setiap variabel bebas yang berada di bawah nilai α ,

yaitu 0.1. Itu berarti, baik variabel pungutan ekspor, nilai tukar, dan harga CPO di pasar

dunia masing-masing memberikan pengaruh secara signifikan terhadap perubahan volume

ekspor CPO Indonesia.

Setiap terjadi 1% kenaikan pada harga CPO di pasar dunia, maka volume ekspor

CPO Indonesia akan bertambah sebesar 1.892455% (peningkatan volume ekspor ini

ditunjukkan dengan nilai koefisien yang positif). Perubahan ini searah dengan teori yang

menjelaskan bahwa peningkatan harga akan berpengaruh pada penambahan jumlah

penawaran yang terefleksikan dari volume ekspor. Di samping itu, pengaruh yang searah

juga ditunjukkan oleh hubungan antara nilai tukar dan volume ekspor ini, di mana

kenaikan 1% nilai tukar rupiah-dolar Amerika Serikat berdampak pada meningkatnya

volume ekspor CPO Indonesia sebesar 1.536737%. Peningkatan nilai tukar rupiah

menunjukkan kondisi rupiah yang terdepresiasi terhadap dolar. Harga-harga barang ekspor

Indonesia di pasar dunia menjadi relatif lebih murah dan akibatnya permintaan akan ekspor

CPO pun meningkat. Hasil penelitian terhadap kedua variabel ini menunjukkan hasil yang

serupa dengan model penelitian Lordkipanidze, Epperson, dan Ames (1996) di mana kedua

variabel, yaitu variabel harga minyak kanola dan nilai tukar dolar Amerika Serikat-Kanada

juga berpengaruh secara signifikan terhadap impor minyak kanola di Amerika Serikat.

Di lain pihak, pengaruh pungutan ekspor terhadap ekspor CPO di Indonesia ternyata

tidak sesuai dengan teori yang telah dikemukakan. Seharusnya, kenaikan pungutan ekspor

akan menyebabkan berkurangnya volume ekspor CPO. Namun, dalam hasil estimasi ini


ditunjukkan bahwa kenaikan 1% penerimaan pungutan ekspor atas komoditas CPO justru

menyebabkan volume ekspor CPO meningkat sebesar 0.136420%.

Kondisi ini diperkirakan terjadi karena adanya respon dari eksportir CPO yang tidak

sesuai dengan teori yang ada. Pada dasarnya kebijakan pungutan ekspor merupakan

disinsentif bagi ekspor CPO. Peningkatan pungutan ekspor akan menambah biaya ekspor

sehingga harga komoditas itu sendiri menjadi tidak kompetitif di pasar dunia. Sesuai

dengan tujuan kebijakan, para eksportir pun kemudian mengalihkan supplynya ke pasar

domestik. Dalam jangka pendek, kondisi tersebut mengakibatkan harga di pasar domestik

menurun karena adanya oversupply (pasar domestik tidak mampu menyerap seluruh supply

yang ada). Di sisi lain, harga CPO di pasar dunia yang cenderung mengalami peningkatan

menyebabkan eksportir terus mengejar keuntungan dengan melakukan ekspor. Meskipun

nilai pungutan ekspor yang harus ditanggung juga bertambah, tetapi pertambahan beban ini

diperkirakan tidak lebih besar dari keuntungan yang mereka dapatkan dengan terus

melakukan ekspor.

Kedua kondisi itulah yang menyebabkan eskportir terus melakukan ekspor CPO

meskipun nilai pungutan ekspor meningkat. Terlebih lagi, secara tidak langsung justru

petani sawitlah yang seolah-olah menanggung beban ini. Peningkatan pungutan ekspor

berdampak pada penurunan daya saing CPO Indonesia di pasar dunia. Untuk

mempertahankan harga di tingkat yang kompetitif, tentunya eksportir harus melakukan

penekanan harga. Hal ini dilakukan dengan cara menekan harga tandan buah segar yang

dibeli dari tingkat petani. Karenanya, eksportir seakan menanggung beban yang lebih kecil

atas peningkatan pungutan ekspor ini. Kondisi ini pula yang dikritisi oleh Larson dalam

penelitiannya, bahwa meskipun efektif untuk mengendalikan harga di pasar domestik,

namun pajak ekspor justru akan berdampak negatif terhadap transfer pendapatan para

petani sawit di Indonesia.


Uji F-statistik

Dengan mengacu pada hipotesa yang telah dijelaskan pada bab sebelumnya, hasil

estimasi tersebut menunjukkan bahwa secara keseluruhan semua variabel bebas

berpengaruh terhadap variabel terikat secara signifikan. Hal ini ditunjukkan dengan nilai

probabilita F-statistik yang lebih kecil dari α (p-value = 0.000000).

Itu berarti, dengan tingkat keyakinan 90% secara bersama-sama faktor-faktor

determinan ekspor CPO seperti nilai tukar, pungutan ekspor, dan harga CPO Indonesia

berpengaruh terhadap volume ekspor CPO Indonesia secara signifikan.

Uji Determinasi (R2)

Nilai R2 sebesar 0.606988 menggambarkan bahwa variabel-variabel bebas dalam

model mampu menjelaskan sampai dengan 60.6988 persen faktor yang mempengaruhi

variabel terikatnya. Sehingga, faktor-faktor determinan ekspor CPO dalam model ini

seperti nilai tukar, pungutan ekspor, dan harga CPO di pasar dunia mampu menjelaskan

pengaruhnya terhadap volume ekspor CPO Indonesia sebesar 60.6988 persen; sedangkan

sisanya (39.9012 persen) menjelaskan bahwa masih terdapat faktor lain yang juga

mempengaruhi besarnya volume ekspor CPO Indonesia namun tidak disertakan dalam

model ini.

5.1.2. Pengujian Kriteria Ekonometri Faktor Determinan Ekspor CPO Indonesia

Multikolinieritas (Multicollinearity)

Pengujian masalah multikolinearitas dengan menggunakan matriks koefisien korelasi

di bawah ini menunjukkan bahwa antar faktor-faktor determinan ekspor CPO Indonesia

tidak terdapat hubungan linear. Hal itu terlihat dari besaran koefisien antar variabel bebas


yang seluruhnya kurang dari 0.8. Pembuktian ini didukung pula dengan nilai R2 yang

cukup besar yaitu 0.606988 dan nilai probabilitas-t masing-masing variabel bebas yang

signifikan (seluruh p-value < α ). Itu berarti tidak ada indikasi masalah multikolinearitas

pada model ini.

Tabel 5.2

Matriks Koefisien Korelasi Faktor-Faktor Determinan Ekspor CPO Indonesia

LnX LnPE LnKURS LnP_CPO

LnX 1.000000 0.558125 -0.256558 0.679726

LnPE 0.558125 1.000000 0.164420 0.288647

LnKURS -0.256558 0.164420 1.000000 -0.671526

LnP_CPO 0.679726 0.288647 -0.671526 1.000000

Autokorelasi (Autocorrelation)

Hasil estimasi menunjukkan bahwa DW-stat bernilai 1.780106 atau mendekati 2. Hal

ini mengindikasikan tidak adanya serial correlation pada model tersebut. Akan tetapi,

perlu dibuktikan lebih lanjut mengenai masalah autokorelasi ini. Untuk itu, dilakukan

pengujian dengan menggunakan Breusch-Godfrey Serial Correlation LM Test. Hasilnya,

diketahui bahwa nilai probabilitas Obs*R-squared (p-value) adalah sebesar 0.441162 atau

lebih besar dari α (10%). Sehingga, hipotesa nol yang menyatakan adanya masalah

autokorelasi pun ditolak.

Kenyataan akan tidak adanya masalah autokorelasi pada model juga diperkuat

dengan pengujian Colleogram-Q-Statistics, yang menunjukkan bahwa tidak ada nilai

autocorrelation ataupun partial correlation yang melebihi garis batas pada grafik batang.

Dan itu berarti, persamaan model faktor determinan ekspor CPO Indonesia tidak

dipengaruhi oleh error term tahun sebelumnya.


Heteroskedastisitas (Heterocedasticity)

Karena jumlah variabel bebas dalam persamaan faktor-faktor determinan ekspor CPO

Indonesia tidak banyak, maka pengujian masalah heteroskedastisitas dilakukan dengan

menggunakan uji White Heteroskedasticity – cross term (ada interaksi antar variabel

bebas). Hasil pengujian menunjukkan bahwa nilai probabilitas Obs*R-squared (p-value)

adalah sebesar 0.164071 atau lebih besar dari α (0.1). Itu berarti model tersebut tidak

memiliki masalah heteroskedastisitas.

5.2. Hasil Estimasi Persamaan Faktor Harga CPO di Pasar Dunia

Seperti yang dilakukan pada estimasi model persamaan sebelumnya, persamaan

ini pun dilakukan dalam bentuk logaritma natural (ln) dengan menggunakan metode

Two Stages Least Squares (2SLS) secara terpisah. Berikut adalah hasil estimasinya:

Tabel 5.3

Hasil Estimasi Persamaan Faktor Harga CPO di Pasar Dunia

Variabel

Coefficient

Std. Error

t-Statistic

Prob.

LNP_SOY 0.757060 0.064540 11.73011 0.0000

LNP_SUN 0.261121 0.095923 2.722187 0.0082

LNP_PET -0.038393 0.023026 -1.667399 0.1000

C -0.246257 0.349546 -0.704506 0.4835

R-squared 0.914193

Mean dependent var

6.005962

Adjusted R-squared 0.910408 S.D. dependent var 0.203639

S.E. of regression 0.060953 Sum squared resid 0.252639

F-statistic 241.4933 Durbin-Watson stat 0.794712

Prob(F-statistic) 0.000000


Sehingga diperoleh bentuk persamaan dengan spesifikasi:

LnP_CPO = − 0.246257 + 0.757060LnP_SOY + 0.261121LnP_SUN

− 0.038393LnP_PET

5.2.1. Pengujian Kriteria Ekonometri Persamaan Faktor Harga CPO di Pasar Dunia

Autokorelasi (Autocorrelation)

Hasil estimasi terhadap model harga CPO di pasar dunia ini menunjukkan nilai DW-

stat yang sangat kecil, yaitu 0.794712. Hal ini tentunya mengindikasikan adanya serial

correlation pada model tersebut. Oleh karena itu, perlu dibuktikan lebih lanjut dengan

melakukan pengujian Breusch-Godfrey Serial Correlation LM Test. Hasilnya, diketahui

bahwa nilai probabilitas Obs*R-squared (p-value) adalah sebesar 0.000001 atau lebih kecil

dari α (10%). Sehingga, hipotesa nol diterima, dan itu berarti memang ada masalah

autokorelasi pada model ini.

Kenyataan akan adanya masalah autokorelasi pada model juga diperkuat dengan

pengujian Colleogram-Q-Statistics yang menunjukkan adanya nilai autocorrelation

ataupun partial correlation yang melebihi garis batas. Ini terjadi pada ordo pertama bagi

keduanya. Dan itu berarti, model faktor harga CPO di pasar dunia ini dipengaruhi oleh

error term satu tahun sebelumnya.

Karena itu, diperlukan penanganan (treatment) agar masalah autokorelasi ini bisa

teratasi. Dari grafik batang Colleogram-Q-Statistics terlihat bahwa pelanggaran garis batas

terjadi pada ordo pertama (satu) Autocorrelation dan Partial Correlation. Itu berarti

penanganan masalah ini dilakukan dengan menambahkan nilai masa lalu variabel harga

CPO tepatnya satu tahun sebelumnya atau AR(1), dan juga menambahkan nilai masa lalu

residualnya, tepatnya satu tahun sebelumnya atau MA(1).


Setelah dilakukan langkah penanganan ini, diperoleh hasil estimasi dengan

spesifikasi sebagai berikut:

LnP_CPO = 0.036464 + 0.527320LnP_SOY + 0.413163LnP_SUN + 0.011600LnP_PET

+ 0.495915 AR(1) + 0.477513 MA(1)

Tabel 5.4

Hasil Treatment Masalah Autokorelasi dengan AR-MA

Variabel Coefficient Std. Error t-Statistic Prob. LNP_SOY 0.527320 0.094019 5.608671 0.0000

LNP_SUN 0.413163 0.137082 3.013978 0.0037 LNP_PET 0.011600 0.043535 0.266455 0.7907

C 0.036464 0.665874 0.054761 0.9565 AR(1) 0.495915 0.144005 3.443730 0.0010

MA(1) 0.477513 0.142620 3.348153 0.0014 R-squared 0.942455 Mean dependent var 6.020281 Adjusted R-squared 0.937959 S.D. dependent var 0.187489 S.E. of regression 0.046700 Sum squared resid 0.139575 F-statistic 209.6338 Durbin-Watson stat 2.031842 Prob(F-statistic) 0.000000

Inverted AR Roots .50 Inverted MA Roots -.48

Hasil penanganan (treatment) masalah serial correlations dengan penambahan

variabel nilai masa lalu variabel harga CPO dan nilai residual masa lalunya, menunjukkan

bahwa masalah tersebut berhasil diatasi. Hal ini terlihat dari nilai DW-Stat yang mendekati

2, dan juga nilai R2 yang semakin besar, yaitu 94.2455%. Artinya, dengan penambahan

kedua variabel tersebut, faktor-faktor yang berpengaruh terhadap variabel harga CPO di

pasar dunia pun makin dapat terjelaskan.

Teratasinya masalah ini juga dapat dibuktikan dengan kembali melakukan pengujian

Breusch-Godfrey Serial Correlation LM Test. Dari hasilnya diketahui bahwa nilai


probabilitas Obs*R-squared (p-value) adalah sebesar 0.322083, lebih kecil dari α (0.1).

Sehingga, hipotesa nol ditolak dan itu berarti tidak ada lagi masalah autokorelasi pada

persamaan model ini. Sehingga dapat disimpulkan bahwa di dalam model persamaan ini,

harga CPO di pasar dunia tidah saja dipengaruhi oleh komoditas substitusinya, tetapi juga

dipengaruhi oleh harga CPO di bulan sebelumnya dan juga nilai residual bulan

sebelumnya.

Multikolinieritas (Multicollinearity)

Dengan menggunakan matriks koefisien korelasi berikut, diketahui adanya hubungan

linear antara variabel bebas yang mempengaruhi harga CPO. Hal itu terlihat dari besar nilai

koefisien korelasi antara variabel harga minyak kedelai dan minyak biji bunga matahari

yang melebihi 0.8 (yaitu 0.859184). Akan tetapi, melihat indikasi lainnya berupa

signifikansi t-statistik yang baik23, nilai R2 yang semakin besar yaitu 94.2455%, dan juga

adanya teori yang memang menjelaskan adanya hubungan substitusi antara variabel bebas

tersebut, maka masalah multikolinearitas ini dapat diabaikan.

Tabel 5.5

Matriks Koefisien Korelasi Faktor Harga CPO di Pasar Dunia

LNP_CPO LNP_SOY LNP_SUN LNP_PET

LNP_CPO 1.000000 0.950432 0.860504 0.506804

LNP_SOY 0.950432 1.000000 0.859184 0.567038

LNP_SUN 0.860504 0.859184 1.000000 0.579472

LNP_PET 0.506804 0.567038 0.579472 1.000000

23 Kedua variabel bebas itu memiliki pengaruh yang signifikan pada perubahan harga CPO, sebab p-value minyak

kedelai dan minyak biji bunga matahari masing-masing adalah sebesar 0.0000 dan 0.0037 atau lebih kecil dari α .


Heteroskedastisitas (Heterocedasticity)

Mengingat jumlah variabel bebas dalam persamaan faktor harga CPO tidak banyak,

maka pengujian masalah heteroskedastisitas dilakukan dengan menggunakan uji White

Heteroskedasticity – cross term (ada interaksi antar variabel bebas). Hasil pengujian

menunjukkan bahwa nilai probabilitas Obs*R-squared (p-value) adalah sebesar 0.029002

atau lebih kecil dari α . Itu berarti dalam model tersebut terdapat masalah

heteroskedastisitas.

Untuk itu perlu dilakukan penanganan dengan menggunakan metode White

heteroskedasticity-consistent coefficient covariance. Dengan menggunakan metode ini,

diasumsikan seluruh masalah heteroskedastisitas dapat teratasi.

5.2.2. Pengujian Kriteria Statistik Persamaan Faktor Harga CPO di Pasar Dunia

Uji t-statistik

Setelah dilakukan penanganan (treatment) pada pengujian kriteria ekonometri,

barulah model ini dapat diuji signifikansinya secara statistik. Dengan menggunakan tingkat

signifikansi (α ) sebesar 10%, hasil estimasi tersebut menunjukkan bahwa pada tingkat

keyakinan 90%, baik variabel harga minyak kedelai ataupun variabel harga minyak biji

bunga matahari secara individu memberikan pengaruh yang signifikan terhadap perubahan

harga CPO di pasar dunia. Hal ini ditunjukkan dengan nilai probabilita t-statistik (p-value)

pada variabel harga minyak kedelai ataupun harga minyak biji bunga matahari yang

masing-masing berada di bawah nilai α , yaitu 0.0000 dan 0.0037.

Setiap terjadi kenaikan harga minyak kedelai sebesar 1%, maka harga CPO di pasar

dunia pun bertambah sebesar 0.527320% (kenaikan harga CPO ini ditunjukkan dengan

nilai koefisien yang positif). Perubahan ini searah dengan teori yang menjelaskan bahwa

peningkatan harga di suatu barang, akan menyebabkan konsumen beralih ke barang


substitusi. Akibatnya, permintaan akan barang substitusi meningkat dan pada akhirnya

akan berdampak pada peningkatan harga barang substitusi tersebut. Dalam hal ini,

kenaikan harga minyak kedelai menyebabkan meningkatnya jumlah permintaan akan CPO

di pasar dunia, yang kemudian berdampak pada terdongkraknya harga CPO. Hal tersebut

juga tergambar pada gambar perbandingan harga CPO, harga minyak kedelai dan minyak

biji bunga matahari berikut ini, di mana pergerakan harga komoditas itu memiliki tren yang

sama.

Gambar 5.1

Perbandingan Harga CPO, Harga Soybean Oil dan Harga Sunflowerseed Oil per Bulan di Pasar Dunia

0

100

200

300

400

500

600

700

800

Jan

01

Apr

01

Jul

01

Okt

Jan

02

Apr

02

Jul

02

Okt

Jan

03

Apr

03

Jul

03

Okt

Jan

04

Apr

04

Jul

04

Okt

Jan

05

Apr

05

Jul

05

Okt

Jan

06

Apr

06

Jul

06

Okt

Bulan

Harga CPO (CIF Rotterdam)

0

100

200

300

400

500

600

700

800

Harga Soybean Oil, Harga Sunflowerseed Oil (CIF

Rotterdam)

Harga CPO Harga Sunflow erseed Oil Harga Soybean Oil

Sumber: Reuters, dikeluarkan oleh Kantor Pemasaran Bersama PTPN

Hal yang sama terjadi pada komoditas minyak biji bunga matahari yang juga

memiliki hubungan substitusi dengan CPO sebagai salah satu jenis minyak nabati.

Kenaikan 1% harga minyak biji bunga matahari berdampak pada pelonjakan harga CPO di

pasar dunia sebesar 0.413163%. Meskipun demikian, pengaruh perubahan harga minyak

biji bunga matahari terhadap harga CPO tidaklah sebesar pengaruh perubahan harga


minyak kedelai. Hal ini dikarenakan minyak kedelai merupakan substitusi utama bagi

CPO, baik sebagai pemenuh kebutuhan minyak nabati, maupun sebagai salah satu sumber

energi alternatif minyak bumi.

Di sisi lain, hasil estimasi menunjukkan bahwa harga minyak bumi tidak memberikan

pengaruh yang signifikan terhadap kenaikan harga CPO di pasar dunia. Hal ini dibuktikan

dengan nilai probabilita t-statistik (p-value) yang berada di atas nilai α , yaitu 0.7907.

Meskipun CPO merupakan sumber energi alternatif bagi minyak bumi, namun penyebab

utama terjadinya ketidaksignifikanan ini adalah karena minyak bumi bukanlah faktor

utama yang mempengaruhi perubahan harga CPO di pasar dunia. Terlebih lagi, ada

ketidaksamaan arah dalam perubahan tren pada kedua data variabel tersebut pada saat

memasuki periode pertengahan tahun 2005 hingga akhir tahun 2006, di mana pada saat

harga minyak bumi meningkat tajam, harga CPO di pasar dunia justru mengalami

penurunan, dan sebaliknya. Tren pergerakan harga ini dapat diamati pada gambar berikut.

Gambar 5.2

Perbandingan Harga CPO dan Harga Minyak Bumi per Bulan di Pasar Dunia

0

100

200

300

400

500

600

Jan 0

1

Apr 01

Jul 0

1

Okt 01

Jan 0

2

Apr 02

Jul 0

2

Okt 02

Jan 0

3

Apr 03

Jul 0

3

Okt 03

Jan 0

4

Apr 04

Jul 0

4

Okt 04

Jan 0

5

Apr 05

Jul 0

5

Okt 05

Jan 0

6

Apr 06

Jul 0

6

Okt 06

Bulan

Harga CPO (US$/ ton)

-

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

Harga Minyak Bumi (US$/Barrel)

Harga CPO Harga Minyak Bumi

Sumber: Reuters, dikeluarkan oleh Kantor Pemasaran Bersama PTPN dan International Monetary Fund,

www.imf.org/external/np/res/commod/index.asp


http://www.imf.org/external/np/res/commod/index.asp

Di samping itu, perlu dianalisa lebih lanjut bahwa ternyata harga CPO di pasar dunia

terpengaruh oleh harga CPO dan nilai residual satu bulan sebelumnya. Dengan nilai

probabilita t-statistik (p-value) yang masing-masing berada di bawah nilai α , yaitu 0.0010

dan 0.0014, maka kedua variabel ini dikatakan memiliki pengaruh yang signifikan

terhadap perubahan harga CPO. Di mana setiap terdapat kenaikan 1% harga CPO dan

residual di bulan sebelumnya, maka harga CPO di pasar dunia saat itu akan meningkat

sebesar masing-masing 0.495915 persen dan 0.477513 persen akibat pengaruh kedua

variabel tersebut secara berturut-turut.

Uji F-statistik

Secara keseluruhan, variabel bebas berpengaruh terhadap variabel terikat secara

signifikan. Hal ini ditunjukkan dengan nilai probabilita F-statistik yang lebih kecil dari α

(p-value = 0.000000). Itu berarti dengan tingkat keyakinan 90%, secara bersama-sama

variabel-variabel bebas seperti harga minyak kedelai, minyak biji bunga matahari, minyak

bumi, harga CPO di bulan sebelumnya, dan juga nilai residual bulan sebelumnya

memberikan pengaruh yang signifikan terhadap harga CPO di pasar dunia.

Uji Determinasi (R2)

Penanganan masalah ekonometri menghasilkan nilai R2 yang lebih baik dari estimasi

awal, yaitu dari nilai R2 sebesar 0.914193 menjadi 0.942455. Kenaikan nilai R2

menandakan bahwa terdapat faktor-faktor lain selain variabel-variabel komoditas substitusi

CPO (minyak kedelai, minyak biji bunga matahari dan minyak bumi) yang ternyata turut

berpengaruh terhadap harga CPO di pasar dunia dan tidak terjelaskan pada estimasi

persamaan awal. Variabel-variabel tersebut adalah harga CPO di bulan sebelumnya dan

juga nilai residual bulan sebelumnya. Sehingga, diperoleh kesimpulan bahwa seluruh


variabel dalam model persamaan tersebut mampu menjelaskan sampai dengan 94.2455

persen faktor yang mempengaruhi harga CPO di pasar dunia; sedangkan sisanya (5.7545

persen) menjelaskan bahwa masih terdapat faktor lain yang juga mempengaruhi besarnya

harga CPO namun tidak disertakan dalam model ini.


BAB 5 ANALISA MODEL PERSAMAAN REKURSIF FAKTOR …

Documents

Transcript of BAB 5 ANALISA MODEL PERSAMAAN REKURSIF FAKTOR …