Detail buku

No Buku-
UniversitasIPB
PenulisMardiah
Judul BukuPENDUGAAN PROPORSI KOMPONEN NILAI COST, INSURANCE, FREIGHT (CIF) IMPOR INDONESIA DENGAN MODEL LOGIT FRAKSIONAL PEUBAH GANDA
PembimbingAsep Saefuddin Dan Indahwati
AbstrakABSTRAK INDONESIA : International Merchandise Trade Statistics (IMTS) sebagai pedoman baku bagi negara-negara dalam melakukan pencatatan kegiatan perdagangan barang internasional memberikan rekomendasi terkait pencatatan nilai statistik impor. Dua diantara rekomendasi tersebut adalah negara-negara yang mencatat dalam nilai Cost, Insurance, Freight (CIF) didorong untuk mengompilasi data Free on Board (FOB) dan memisahkan data asuransi serta biaya angkut. Rekomendasi tersebut akan mudah dilakukan jika data FOB, asuransi, dan biaya angkut yang merupakan komponen CIF terisi lengkap dalam dokumen impor. Karena tingginya tingkat ketidaklengkapan informasi mengenai rincian CIF dalam dokumen impor, maka dibutuhkan suatu metode tambahan untuk memperoleh dekomposisi nilai CIF. Tujuan penelitian ini adalah memodelkan dan memperoleh nilai dugaan untuk proporsi FOB, asuransi, dan biaya angkut. Penelitian ini menggunakan data sekunder, yaitu data dari dokumen Pemberitahuan Impor Barang (PIB) BC 2.0 softcopy periode Januari-Desember 2016. Data difilter hanya yang berisi rincian nilai CIF lengkap dan hanya berisi satu jenis barang. Data sebanyak 45 403 amatan dibagi menjadi data latih (40 862 amatan) untuk menyusun model dan data uji (4 541 amatan) untuk validasi model. Data uji dipilih secara acak sederhana dari set data lengkap dan sisanya yang tidak terpilih menjadi data latih. Telah banyak studi mengenai pemodelan data proporsi, salah satunya adalah model logit fraksional (MLF). MLF sangat fleksibel karena merupakan metode parametrik kuasi sehingga tidak mensyaratkan asumsi sebaran tertentu. Fokus penelitian ini adalah proporsi FOB, asuransi, dan biaya angkut. Tiga peubah respon tersebut akan dimodelkan dengan MLF peubah ganda dengan peubah penjelas moda transportasi, status transit pengangkutan, kelompok kode HS dua digit, kelompok negara pemasok barang, dan kelompok berat bersih barang. Pemodelan dilakukan dengan dua alternatif, yaitu memodelkan tiga peubah (proporsi FOB, asuransi, dan biaya angkut) dan dua peubah (proporsi FOB dan biaya angkut). Model dengan dua peubah respon mengasumsikan proporsi asuransi adalah tetap sebesar 4.74 persen untuk semua transaksi impor barang. MLF dengan metode kemungkinan kuasi, fungsi kemungkinan yang dibangun menggunakan pendekatan Bernoulli. Untuk data peubah ganda, fungsi kemungkinan kuasi bersamanya merupakan perkalian dari fungsi kemungkinan kuasi dari masing-masing peubah respon. Pendugaan parameter model diperoleh dengan memaksimumkan fungsi log kemungkinan kuasi bersama. Sebanyak dua puluh dua kombinasi peubah penjelas dicobakan pada masing- masing model tiga dan dua peubah respon. Ukuran akurasi Root Mean Square Error Of Prediction (RMSEP) digunakan sebagai indikator dalam memilih model terbaik. RMSEP diperoleh dengan menerapkan model pada data uji. Hasil pemodelan menunjukkan MLF dengan tiga peubah respon lebih akurat dalam menduga proporsi komponen CIF. Berdasarkan nilai RMSEP dari MLF tiga peubah respon, kombinasi peubah penjelas yang memberikan ukuran akurasi prediksi iii terbaik adalah moda transportasi, status transit pengangkutan, kelompok kode HS dua digit, dan kelompok negara pemasok barang. RMSEP dari model tersebut adalah 0.1722 untuk proporsi FOB, 0.0162 untu proporsi asuransi, dan 0.1713 untuk proporsi biaya angkut. Nilai RMSEP tersebut secara rata-rata merupakan yang paling kecil dibandingkan dengan MLF dua peubah respon dan pendekatan BPS. Hasil pendugaan proporsi komponen CIF dari netode ini belum mengakomodir bahwa penjumlahan ketiga proporsi adalah satu. Beberapa peubah penjelas yang digunakan dalam penelitian ini tidak rinci dalam pengkategoriannya. Oleh karena itu, penelitian selanjutnya disarankan untuk menggunakan metode lain yang menjamin penjumlahan ketiga penduga proporsi sama dengan satu dan menggunakan kategori yang lebih rinci untuk jenis barang, negara pemasok, dan kelompok berat bersih barang. ABSTRAK INGGRIS : International Merchandise Trade Statistics (IMTS) as an international guidelines for countries to compile their international trade gives several recommendations about statistical value for imports. Two of those recommendations are countries that compile import value in Cost, Insurance, Freight (CIF) are encouraged to compile Free on Board (FOB) value and separate insurance and freight value. The recommendations would be done easily if value of FOB, insurance, and freight were fulfilled in customs declaration of import. Because of the incomplete information in import declaration, additional method to decompose CIF value is needed. The objective of this research are to model and obtain predicted value of FOB , insurance, and freight proportion. This research used secondary data, that is Import Customs Declaration (PIB) BC 2.0 softcopy period of January-December 2016. The data then filtered for observations which CIF components were fulfilled and contains only one kind of commodity. Data 45 403 observations divided into two sets, training data (40 862 observations) for contructing the model and testing data (4 541 observations) for model validation. Testing data was chosen from complete data set by simple random sampling method and the remaining become traing data. There were many studies about modeling proportion data, one of them was fractional logit model (FLM). FLM are very flexible because that is a quasi parametric method which doesn?t require any distributional assumption. This research focuses on proportion of FOB, insurance, and freight. Those three response variables were modeled using multivariate FLM with five coavariates, mode of transportation, transit status, group of commodities, group of supplier country, and group of netto. Two alternatives modeling were proporsed, multivariate FLM with three response variables (proportion of FOB, insurance, and freight) and two response variables (proportion of FOB and freight). Two response variables model assumed that the insurance proportion are fixed 4.74 percent for all observations. FLM used quasi likelihood method, likelihood function that are built in this research using Bernoulli approaches. For multiple responses, the joint likelihood functions is a multiplication of each likelihood function of response variable. Twenty two combinations of covariates were applied in each metHod of three and two response variables. Root Mean Square Error Of Prediction (RMSEP) as an accuracy measurements used as an indicator to select the best model. RMSEP obtained by applied the model to testing data. The result showed that the best model was FLM with three response variables. Based on RMSEP value, combination of covariates that give the best accuracy of prediction were mode of transportation, transit status, group of commodities, and group of supplier country. RMSEP of the best model were 0.1722 for FOB proportion, 0.0162 for insurance proportion, and 0.1713 for freight proportion. Those RMSEP value were the smallest compared to FLM with two response variables and BPS approaches. The predicted value of three CIF components as obtained from this method does not accommodate a restriction constraint for the sum of three fractions. Some of covariates categorization used in model construction is not detailed. The next research is iii suggested to use a method that accommodate a sum constraint of the three CIF component fractions and use the covariates which has more detail categorization.
JenisThesis