101
IV. METODE PENELITIAN 4.1.
Lokasi dan Waktu Penelitian Penelitian dilaksanakan di Bogor dengan lokasi pengumpulan data dan
informasi di Bogor dan Jakarta. Penelitian dilaksanakan dalam jangka waktu sepuluh bulan mulai dari bulan April 2009 - Januari 2010. 4.2.
Cakupan Komoditas Komoditas pangan utama yang diteliti mencakup komoditas beras, jagung
dan kedele. 4.3.
Data dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder dan
merupakan data deret waktu atau time series bulanan untuk periode September 1994 - Oktober 2009 yang terdiri dari data produksi, konsumsi, impor, harga konsumen, harga perdagangan besar, harga impor, harga referensi internasional atau harga dunia, harga tingkat petani, nilai tukar terhadap mata uang asing dan tarif impor. Selain data tersebut di atas, analisis dipertajam dengan studi literatur dan hasil penelitian terkait yang diperoleh dari berbagai sumber. Data bersumber dari Badan Pusat Statistik (BPS), Bank Indonesia (BI), Badan Bimas dan Ketahanan Pangan (BPKP) dan Direktorat Jenderal Bina Produksi Tanaman Pangan (Ditjen TP), Departemen Perdagangan (DEPDAG), Departemen Keuangan (DEPKEU), World Bank (WB), International Monetary Fund (IMF), Food and Agriculture Organization (FAO), United State Departement of
102
Agriculture (USDA), dan berbagai sumber data lainnya yang relevan.
Variabel
penelitian dan sumber data yang digunakan disajikan pada Tabel 6. Tabel 6. Variabel dan Sumber Data Penelitian Variabel
Sumber Data
Harga Internasional (Dunia) Beras, Jagung, dan Kedele
WB , IMF, FAO, USDA
Indeks Harga Pangan Dunia, Tahun Dasar 2007
WB, IMF, FAO, USDA
Nilai Tukar atau Kurs Rupiah Terhadap US $
BI
Indeks Nilai Tukar Rupiah terhadap $ US, Tahun Dasar 2007 Tarif Impor Beras, Jagung dan Kedele
BI, BPS DEPKEU
Volume Impor Beras, Jagung dan Kedele
BPS, DEPDAG
Harga Perdagangan Besar Impor
BPS
Indeks Harga Perdagangan Besar Impor, Tahun Dasar 2007
BI, BPS
Harga Perdagangan Besar Konsumen
BPS
Indeks Harga Konsumen, Tahun Dasar 2007
BI, BPS
Harga Produsen Padi, Jagung dan Kedele
BPS
Indeks Harga Produsen, Tahun Dasar 2007
BI, BPS
Konsumsi Beras, Jagung dan Kedele
BPS, BBKP
Produksi Beras, Jagung dan Kedele
BPS, Ditjen TP
4.4. Metode Analisis Analisis akan dilakukan dengan menggunakan alat bantu pengolahan data time series program komputer EViews 6. 4.4.1. Analisis Structured Vector Autoregression Metode analisis yang digunakan untuk menjawab tujuan pertama dan kedua penelitian adalah analisis SVAR. Untuk mempermudah dalam pengolahan data dalam penelitian ini maka data dikelompokan untuk dapat dilakukan perhitungan, kemudian untuk mendapatkan hasil analisis yang lebih valid dan konsisten maka semua data diubah kedalam bentuk logaritma natural (ln). Sebelum masuk kedalam tahapan analisis model SVAR, maka sebelumnya dilakukan proses penyiapan data atau Data Generating Process (DGP). Hal ini
103
penting karena menurut Gujarati (2003), dalam model multivariat time-series kebanyakan data yang digunakan mengandung akar unit sehingga akan membuat hasil estimasi menjadi palsu (spurious regression). Adapun tahapan dalam DGP sebelum melakukan analisis dengan pemodelan adalah seperti uraian berikut ini. 4.4.1.1. Uji Stasioneritas Data Augmented Dickey Fuller Test Data ekonomi time series pada umumnya bersifat stokhastik atau memiliki trend yang tidak stasioner artinya data tersebut mengandung akar unit (unit root). Suatu data time series dikatakan stasioner apabila pertama rataan series konstan untuk setiap periode pengamatan. Kedua varian atau ragam series konstan untuk setiap periode pengamatan. Ketiga kovarian dua series konstan untuk setiap pengamatan. Data yang stasioner juga dapat dikatakan bahwa data tersebut tidak mengandung unsur trend. Untuk dapat mengestimasi suatu model maka langkah utama yang harus dilakukan adalah uji stasioneritas data atau dikenal dengan nama uji akar unit atau unit root test. Uji ini penting karena apabila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model menggunakan data tersebut karena trend dari data tersebut cenderung berfluktuasi tidak disekitar nilai rata-ratanya (mean). Data yang bersifat stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-rata dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2003). Misalkan digunakan variabel X yang mana jika variabel tersebut memiliki mean dan varian yang konstan dengan kovarian sama dengan nol, maka nilai variabel tersebut dapat disebut white noise. Kondisi ini dapat ditulis sebagai berikut: Xt = ut, .................................................................................................. (24)
104
dimana ut terdistribusi normal. Namun jika variabel tersebut ternyata tidak independen dan merupakan fungsi dari: Xt = Xt-1 + ut ........................................................................................ (25) dimana : ut
=
white noise error yang terdistribusi normal
maka kondisi di atas disebut dengan random walk, dimana nilai variabel Xt ditentukan oleh nilai variabel itu sebelumnya (Xt-1). Dengan demikian jika nilai
1 maka persamaan (25) tidak stasioner atau mengandung unit root. Dalam penelitian ini dilakukan uji akar unit atau biasa dikenal dengan istilah unit root test untuk mengetahui ada atau tidaknya akar unit (komponen random walk). Untuk mengetahui apakah suatu data time series yang kita gunakan stasioner atau tidak maka dapat diuji dengan menggunakan Augmented Dickey-Fuller (ADF). Metode pengujian Dickey-Fuller (DF) dapat dilakukan dengan memodifikasi persamaan (25) dengan mengurangkan Xt-1 di sisi kedua persamaan tersebut sehingga diperoleh (Gujarati, 2003) : X t X t 1 X t 1 X t 1 ut .................................................................(26)
( 1) X t 1 ut
...................................................................(27)
maka persamaan di atas dapat ditulis :
X t X t 1 ut .................................................................................(28) dimana : δ
= (ρ – 1)
= perbedaan pertama (first difference).
Maka hipotesis untuk persamaan (27) adalah H0 = = 0 (tidak stasioner atau mengandung akar unit) dengan hipotesis alternatifnya adalah H1 = < 0
105
(stasioner). Artinya jika H0 ditolak maka data kita stasioner dan begitu juga sebaliknya. Pada persamaan (27) diasumsikan bahwa error term (ut) tidak berkorelasi. Dalam kasus error term-nya berkorelasi maka contoh persamaan yang dapat diuji stasioneritas melalui Augmented Dickey-Fuller (ADF) dapat ditulis sebagai berikut (Gujarati, 2003) : m
Yt 1 2t Yt 1 i Yt 1 ut ................................................... (29) i 1
dimana : ut
= white noise error term
Yt 1 =
(Yt 1 Yt 2 )
Yt 2 = (Yt 2 Yt 3 ) dan seterusnya. Dalam kasus persamaan seperti ini pengujian hipotesis yang dilakukan masih sama dengan sebelumnya yaitu H0 = = 0 (tidak stasioner) dengan hipotesis alternatifnya adalah H1 = < 0 (stasioner). Artinya jika H0 ditolak maka data kita stasioner dan begitu juga sebaliknya. Uji yang digunakan untuk mengetahui apakah sebuah data time series bersifat stasioner adalah dengan melakukan uji ordinary least squares (OLS) dan melihat nilai t statistik dari estimasi . Adapun persamaan matematis adalah sebagai berikut : thit
dimana
S
...............................................................................................(30)
adalah koefisien estimasi S adalah standard error dari koefisien
estimasi. Jika nilai t statistik ADF lebih kecil daripada t statistik kritis maka keputusannya adalah kita menolak H0 atau dengan kata lain data kita bersifat stasioner dan begitu juga sebaliknya.
106
4.4.1.2. Penentuan Lag Optimal Tahap kedua yang harus dilakukan dalam membentuk model VAR yang baik setelah melakukan uji akar unit adalah menentukan panjang lag (ordo) optimal. Penentuan lag optimal dapat diidentifikasi melalui Akaike Info Criterion (AIC), Schwarz Criterion (SC) dan Hannan-Quinn Criterion (HQ). Untuk dapat menentukan lag ini maka dalam penelitian ini digunakan kriteria SC yang dapat dirumuskan sebagai berikut (EViews 6 User‟s Guide II) :
SC log t / N k log( N ) / N 2
ˆ det 1 eˆ eˆ t t T p t
……………………………..…………(31)
dimana ∑εt2 adalah jumlah residual kuadrat, sedangkan N dan k masing-masing merupakan jumlah sampel dan jumlah variabel yang beroperasi pada persamaan tersebut. Besarnya lag optimal ditentukan oleh lag yang memiliki nilai kriteria SC yang terkecil.
4.4.1.3. Uji Kointegrasi Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak
stasioner
mengalami
kointegrasi
atau
tidak.
Konsep
kointegrasi
dikemukakan oleh Engle dan Granger (1987) sebagai fenomena dimana kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menjadi stasioner. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diintepretasikan sebagai hubungan keseimbangan jangka panjang diantara variabel (EViews 6 User‟s Guide II). Untuk menguji apakah kombinasi variabel yang tidak stasioner mengalami kointegrasi dapat diuji dengan menggunakan uji
107
kointegrasi Engle-Granger, uji kointegrasi Johansen maupun uji kointegrasi regresi durbin-watson (Cointegrating Regression Durbin Watson atau CRDW). Pengujian kointegrasi ini dilakukan dalam rangka memperoleh hubungan jangka panjang antar variabel yang telah memenuhi persyaratan dalam proses integrasi yaitu dimana semua variabel telah stasioner pada derajat yang sama yaitu derajat satu I(1) (Enders, 2004). Salah satu uji kointegrasi yang akan digunakan dalam penelitian ini adalah uji kointegrasi Johansen (1995) yang ditunjukkan oleh persamaan matematis berikut ini : p
yt 0 yt 1 i yt 1 t ……………..…………………...(32) i 1
Jika t-trace statistics > t-mac-kinnon maka persamaan tersebut adalah terkointegrasi. Dengan demikian, H0= non-kointegrasi dengan hipotesis alternatifnya H1= kointegrasi. Jika t- trace statistics > t- mac-kinnon maka kita tolak H0 atau terima H1 yang artinya terjadi kointegrasi.
4.4.2.
Restriksi Sementara Tujuan utama penggunaan model SVAR adalah untuk memperoleh non-
recursive ortogonal dari error term untuk analisis impuls respon. Oleh karena itu model SVAR memasukkan sejumlah restriksi untuk mengidentifikasi komponen struktural atau ortogonal dari error term. Untuk itu harus dimasukkan sebanyak (n2+n)/2 persamaan untuk restriksi jangka pendek (contemporaneous restrictions atau K-model) (McCoy, 1997; Amisano and Giannini, 1997). Dengan demikian jumlah restriksi yang harus dimasukkan kedalam persamaan VAR adalah sebanyak 55 persamaan untuk restriksi model jangka pendek. Pada penelitian ini
108
jenis restriksi yang digunakan adalah restriksi jangka pendek (contemporaneous restrictions).
4.4.3. Model Restriksi Model restriksi yang digunakan dalam penelitian ini adalah memiliki asumsi Indonesia adalah negara yang memiliki kategori small-opened economy dan melihat efek yang diakibatkan oleh imported price terhadap domestic price baik
melalui
efek
langsung
maupun
tidak
langsung
dan
tidak
ada
contemporaneous feedback dalam model ini. Struktur dasar model ini dimulai dengan guncangan yang menyebabkan terjadinya banjir impor diidentifikasi melalui penurunan harga internasional, dengan adanya gejolak maka akan terjadi penurunan harga impor, peningkatan volume impor dan penurunan harga konsumen serta penurunan harga konsumen akan mempengaruhi konsumsi dan produksi dan selanjutnya akan menekan tingkat harga produsen. Berdasarkan persamaan (14) hingga persamaan (23), maka rumusan model restriksi sementaranya adalah sebagai berikut :
1 b21 b31 b41 b51 b61 b71 b81 b91 b101
0 1 b32 b42 b52 b62 b72 b82 b92 b102
0 0 1 b43 b53 b63 b73 b83 b93 b103
0 0 0 1 b54 b64 b74 b84 b94 b104
B
0 0 0 0 1 b65 b75 b85 b95 b105
0 0 0 0 0 1 b76 b86 b96 b106
0 0 0 0 0 0 1 b87 b97 b107
0 0 0 0 0 0 0 1 b98 b108
0 0 0 0 0 0 0 0 1 b109
0 0 0 0 0 0 0 0 0 1
eitPW eitTM1 eitPM eitQM eitTM2 eitPC eitQC eitTM3 eitPF eitQF
e
=
zij
z
εitPW εitTM1 εitPM εitQM εitTM2 εitPC εitQC εitTM3 εitPF εitQF
...(33)
ε
dimana : bij
= elemen matriks B (koefisien yang menyatakan hubungan contemporaneous antar variabel i dan j)
109
eiti
= elemen matriks e (error term dari guncangan orthogonal
zij
(orthogonal shocks) pada variabel i untuk waktu t) = restriksi variabel i terhadap variabel j
i it
= elemen matriks ε (vektor gejolak ortogonal (vector orthogonal shocks) variabel i untuk waktu t)
i dan j = adalah variabel (j alias i)
t
= periode waktu (bulan)
PW
= harga dunia (Rp per Ton)
TM1
= tarif impor (Rp per Ton)
PM
= harga impor (Rp per Ton)
QM
= volume impor (Ton)
TM2
= marjin harga impor dan konsumen (Rp per Ton)
PC
= harga konsumen komoditas (Rp per Ton)
QC
= volume konsumsi (Ton)
TM3
= marjin harga konsumen dan produsen (Rp per Ton)
PF
= harga produsen (Rp per Ton)
QF
= volume produksi (Ton)
4.4.4. Innovation Accounting Analisis ini terdiri dari dua jenis yaitu Impulse Response Function (IRF) dan Decomposition of Forecasting Error Variance (DFEV). Hasil dari analisis ini digunakan untuk menjawab sub permasalahan pertama dari penelitian. 4.4.4.1. Impulse Response Function Analisis IRF adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap gejolak variabel tertentu (Amisano dan Gianinni,
110
1997). IRF juga digunakan untuk melihat pengaruh gejolak satu variabel terhadap variabel yang lain dan berapa lama (periode) pengaruh tersebut berlangsung. 4.4.4.2. Decomposition of Forecasting Error Variance Analisis DFEV atau analisis dekomposisi varian, digunakan untuk menghitung dan menganalisis seberapa besar pengaruh gejolak acak (random shock) dari variabel tertentu terhadap variabel endogen (Amisano dan Gianinni, 1997). DFEV menghasilkan informasi mengenai relatif pentingnya masingmasing inovasi acak (random innovation structural disturbance) atau seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lainnya dalam model SVAR.
4.4.5.
Derajat Pass-Through Analisis
derajat
pass-through
digunakan
untuk
menjawab
sub
permasalahan kedua dari penelitian. Metode penghitungan derajat pass-through pada penelitian ini mengacu pada model Sato et al. (2005), Hyder dan Shah (2004), Windarti (2004) dan McCarthy (2000) dimana Cholesky Decomposition digunakan untuk mengidentifikasi guncangan struktural dan menghitung derajat pass-through melalui analisis impuls respon. Koefisien (derajat) pass-through dihitung berdasarkan kumulatif impuls respon dari guncangan perubahan harga internasional terhadap harga domestik dan volume impor dan guncangan harga internasional terhadap harga internasional itu sendiri.
4.4.5.1. Pass-Through Effect Harga Dunia Pass-through effect harga dunia terhadap harga konsumen dihitung dari kumulatif impuls respon dari guncangan harga dunia terhadap harga konsumen
111
dibagi dengan kumulatif impuls respon dari guncangan harga dunia terhadap harga dunia itu sendiri. Hal yang sama juga untuk harga dunia terhadap masingmasing volume konsumsi, harga produsen dan volume produksi dihitung dari kumulatif impuls respon dari guncangan harga dunia terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dibagi dengan kumulatif impuls respon guncangan harga dunia terhadap harga dunia itu sendiri. Adapun rumus persamaan untuk masing-masing adalah sebagai berikut : n Σ ψntPC-PW i=1
= --------------------- ………………………..(34)
DPTPWPC
n Σ ψntPW-PW i=1 n Σ ψntQC-PW i=1
= --------------------- ………………………..(35)
DPTPWQC
n Σ ψntPW-PW i=1 n Σ ψntPF-PW i=1
= --------------------- ………………………..(36)
DPTPWPF
n Σ ψntPW-PW i=1 n Σ ψntQF-PW i=1
= --------------------- ………………………..(37)
DPTPWQF
n Σ ψntPW-PW i=1
dimana : DPTPWPC
=
derajat pass-through harga dunia terhadap harga konsumen
112
DPTPWQC
=
derajat pass-through harga hunia terhadap volume konsumsi
DPTPWPF
=
derajat pass-through harga dunia terhadap harga produsen
DPTPWQF
=
derajat pass-through harga dunia terhadap volume produksi
n Σ ψntPC-PW i=1
=
nilai kumulatif impuls respon harga konsumen terhadap guncangan harga dunia dari horizon pertama sampai ke-n
n Σ ψntQC-PW i=1
=
nilai kumulatif impuls respon volume konsumsi terhadap guncangan harga dunia dari horizon pertama sampai ke-n
n Σ ψnt PF-PW i=1
=
nilai kumulatif impuls respon harga produsen terhadap guncangan harga dunia dari horizon pertama sampai ke-n
n Σ ψnt QF-PW i=1
=
nilai kumulatif impuls respon volume produksi terhadap guncangan harga dunia (dari horizon pertama sampai ke-n
n Σ ψntPW-PW i=1
=
nilai kumulatif impuls respon harga dunia terhadap guncangan harga dunia itu sendiri dari horizon pertama sampai ke-n
113
4.4.5.2. Pass-Through Effect Harga Impor Pass-through effect harga impor terhadap harga konsumen dihitung dari kumulatif impuls respon dari guncangan harga impor terhadap harga konsumen dibagi dengan kumulatif impuls respon dari guncangan harga impor terhadap harga impor itu sendiri. Hal yang sama juga untuk derajat pass-through harga impor terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dihitung dari kumulatif impuls respon dari guncangan harga impor terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dibagi dengan kumulatif impuls respon guncangan harga impor terhadap harga impor itu sendiri. Adapun rumus persamaan untuk masing-masing adalah sebagai berikut : n Σ ψntPC-PM i=1
DPTPMPC
= --------------------- ………………………..(38) n Σ ψntPM-PM i=1 n Σ ψntQC-PM i=1
DPTPMQC
= --------------------- ……………….………..(39) n Σ ψntPM-PM i=1 n Σ ψntPF-PM i=1
DPTPMPF
= --------------------- ……………..………...(40) n Σ ψntPM-PM i=1
114
n Σ ψntQF-PM i=1
= --------------------- ………………………..(41)
DPTPMQF
n Σ ψntPM-PM i=1
dimana : DPTPMPC
=
derajat pass-through harga impor terhadap harga konsumen
DPTPMQC
=
derajat pass-through harga impor terhadap volume konsumsi
DPTPMPF
=
derajat pass-through harga impor terhadap harga produsen
DPTPMQF
=
derajat pass-through harga impor terhadap volume produksi
n Σ ψntPC-PM i=1
=
nilai kumulatif impuls respon harga konsumen terhadap guncangan harga impor dari horizon pertama sampai ke-n
n Σ ψntQC-PM i=1
=
nilai kumulatif impuls respon volume konsumsi terhadap guncangan harga impor dari horizon pertama sampai ke-n
n Σ ψnt PF-PM i=1
=
nilai kumulatif impuls respon harga produsen terhadap guncangan harga impor dari horizon pertama sampai ke-n
n Σ ψnt QF-PM i=1
=
nilai kumulatif impuls respon volume produksi
115
terhadap guncangan harga impo dari horizon pertama sampai ke-n n Σ ψntPM-PM i=1
=
nilai kumulatif impuls respon harga impor terhadap guncangan harga impor itu sendiri dari horizon pertama sampai ke-n
4.4.5.3. Pass-Through Effect Volume Impor Pass-through
volume impor terhadap harga konsumen dihitung dari
kumulatif impuls respon dari guncangan volume impor terhadap harga konsumen dibagi dengan kumulatif impuls respon dari guncangan volume impor terhadap volume impor itu sendiri. Hal yang sama juga untuk volume impor terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dihitung dari kumulatif impuls respon dari guncangan volume terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dibagi dengan kumulatif impuls respon guncangan volume impor terhadap volume impor itu sendiri. Adapun rumus persamaan untuk masing-masing adalah sebagai berikut: n Σ ψntPC-QM i=1
DPTQMPC
= --------------------- ………………………..(42) n Σ ψntQM-QM i=1 n Σ ψntQC-QM i=1
DPTQMQC
= --------------------- ………………………..(43) n Σ ψntQM-QM i=1
116
n Σ ψntPF-QM i=1
= --------------------- ………………………..(44)
DPTQMPF
n Σ ψntQM-QM i=1 n Σ ψntQF-QM i=1
= --------------------- ………………………..(45)
DPTQMQF
n Σ ψntQM-QM i=1
dimana : DPTQMPC
=
derajat pass-through volume impor terhadap harga konsumen
DPTQMQC
=
derajat pass-through volume impor terhadap volume konsumsi
DPTQMPF
=
derajat pass-through volume impor terhadap harga produsen
DPTQMQF
=
derajat pass-through volume impor terhadap volume produksi
n Σ ψntPC-QM i=1
=
nilai kumulatif impuls respon harga konsumen terhadap guncangan volume impor dari horizon pertama sampai ke-n
n Σ ψntQC-QM i=1
=
nilai kumulatif impuls respon volume konsumsi terhadap guncangan volume impor dari horizon pertama sampai ke-n
n Σ ψnt PF-QM i=1
=
nilai kumulatif impuls respon harga produsen
117
terhadap
guncangan
volume
impor
dari
horizon pertama sampai ke-n n Σ ψnt QF-QM i=1
=
nilai kumulatif impuls respon volume produksi terhadap guncangan volume impor dari horizon pertama sampai ke-n
n Σ ψntQM-QM i=1
=
nilai kumulatif impuls respon volume impor terhadap guncangan volume impor itu sendiri dari horizon pertama sampai ke-n
4.4.5.4. Pass-Through Effect Tarif Impor Pass-through Effect tarif impor terhadap harga konsumen dihitung dari kumulatif impuls respon dari guncangan tarif impor terhadap harga konsumen dibagi dengan kumulatif impuls respon dari guncangan tarif impor terhadap tarif impor itu sendiri. Hal yang sama juga untuk derajat pass-through tarif impor terhadap masing-masing volume konsumsi, harga produsen dan volume produksi dihitung dari kumulatif impuls respon dari guncangan
tarif impor terhadap
masing-masing volume konsumsi, harga produsen dan volume produksi dibagi dengan kumulatif impuls respon guncangan tarif impor terhadap tarif impor itu sendiri. Adapun rumus persamaan untuk masing-masing adalah sebagai berikut : n Σ ψntPC-TM1 i=1
DPTTM1PC
= --------------------- ………………………..(46) n Σ ψntTM1-TM1 i=1
118
n Σ ψntQC-TM1 i=1
= --------------------- ………………………..(47)
DPTTM1QC
n Σ ψntTM1-TM1 i=1 n Σ ψntPF-TM1 i=1
= --------------------- ………………………..(48)
DPTTM1PF
n Σ ψntTM1-TM1 i=1 n Σ ψntQF-TM1 i=1
= --------------------- ………………………..(49)
DPTTM1QF
n Σ ψntTM1-TM1 i=1
dimana : DPTTM1PC
=
derajat pass-through tarif impor terhadap harga konsumen
DPTTM1QC
=
derajat pass-through tarif impor terhadap volume konsumsi
DPTTM1PF
=
derajat pass-through tarif impor terhadap harga produsen
DPTTM1QF
=
derajat pass-through tarif impor terhadap volume produksi
n Σ ψntPC-TM1 i=1
=
nilai kumulatif impuls respon harga konsumen terhadap guncangan harga impor dari horizon pertama sampai ke-n
119
n Σ ψntQC-TM1 i=1
=
nilai kumulatif impuls respon volume konsumsi terhadap guncangan harga impor dari horizon pertama sampai ke-n
n Σ ψnt PF-TM1 i=1
=
nilai kumulatif impuls respon harga produsen terhadap guncangan harga impor dari horizon pertama sampai ke-n
n Σ ψnt QF-TM1 i=1
=
nilai kumulatif impuls respon volume produksi terhadap guncangan harga impo dari horizon pertama sampai ke-n
n Σ ψntTM1-TM1 i=1
=
nilai kumulatif impuls respon tarif impor terhadap guncangan tarif impor itu sendiri dari horizon pertama sampai ke-n
4.4.6. Analisis Banjir Impor dan Faktor-faktor yang Mempengaruhinya Berdasarkan proposal G-33 (G-33 2006a dan 2006b) banjir impor digunakan untuk menggambarkan dua jenis fenomena yang berasal dari external shock atau gejolak eksternal. Pertama, fenomena gejolak volume impor, dimana volume impor meningkat secara tajam di atas trendnya. Kedua, fenomena tekanan harga impor, yang sebagian besar diakibatkan oleh fluktuasi harga dunia, yang dapat menyebabkan kejatuhan harga domestik dan mengancam produksi domestik. Terjadinya banjir impor dapat diketahui berdasarkan pengujian hubungan kasualitas antar variabel. Pengujian dilakukan terhadap hubungan antar masing-
120
masing satu variabel dengan satu variabel lainnya atau antar dua variabel (bivariate) dan satu variabel terhadap seluruh variabel lainnya (multivariate). Uji hubungan kasualitas antar dua variabel dilakukan dengan menggunakan Uji Kasualitas Granger (Granger Causality Test). Uji ini dilakukan untuk mengetahui apakah suatu variable endogen dapat diperlakukan sebagai variable eksogen. Granger Causality Test dilakukan bermula dari ketidaktahuan keterpengaruhan antar variabel. Bivariate Granger Causality Test
hanya menguji hubungan
diantara variabel dan tidak melakukan estimasi terhadap model. Terjadinya banjir impor juga dapat diketahui dari VAR Granger Causality/Block Exogeneity Wald Tests. Uji ini merupakan salah satu bentuk pengembangan sederhana dari likelihood ratio test dimana pengujian ini membandingkan antara model yang direstriksi (restricted model) dengan model yang tidak direstriksinya (unrestricted model). Block exogeneity tes mencoba untuk merestriksi bahwa seluruh lag dari variabel yang ditambahkan adalah sama dengan nol (dalam restriksi ini mengasumsikan bahwa variabel yang bersangkutan tidak memiliki pengaruh terhadap variabel dependent-nya) dan model ini biasanya dinamakan dengan model yang direstriksi. Disisi lain model yang tidak direstriksi mengasumsikan bahwa seluruh lag dari variabel yang ditambahkan memiliki pengaruh yang nyata terhadap variabel dependent-nya. Berbeda dengan Bivariate Granger Causality Test, pada VAR Granger Causality Test menguji hubungan diantara variabel dan melakukan estimasi terhadap model. Hasil yang diperoleh dari Block exogeneity test selanjutnya dapat digunakan untuk menetukan variabel mana saja yang nyata mempengaruhi satu variable dan seluruh variable lainnya secara bersamaan dalam dalam suatu persamaan/model dan membantu peneliti
121
menentukan arah (struktur) dari system VAR yang dibuat, dan tentunya akan sangat membantu peneliti untuk mengidentifikasi terjadinya banjir impor. Banjir impor dapat dibuktikan dengan analisis simulasi Impuls Response Function (IRF) dan analisis pass-through effect. Analisis IRF digunakan untuk melihat pengaruh gejolak satu variabel terhadap variabel yang lain dan berapa lama (periode) pengaruh tersebut, sehingga dapat digunakan untuk membuktikan terjadinya banjir impor. Analisis derajat pass-through digunakan untuk mengidentifikasi guncangan struktural dan menghitung derajat pass-through melalui analisis impuls respon. Koefisien (derajat) pass-through dihitung berdasarkan nilai kumulatif impuls respon dari guncangan perubahan harga internasional terhadap harga domestik dan volume impor dan guncangan harga internasional terhadap harga internasional itu sendiri, sehingga dapat digunakan untuk membuktikan terjadinya banjir impor berdasarkan pengaruh perubahan harga internasional (dunia), harga impor dan volume impor terhadap harga, konsumsi dan produksi domestik. Analisis DFEV atau analisis dekomposisi varian, digunakan untuk menghitung dan menganalisis seberapa besar pengaruh gejolak acak (random shock) dari variabel tertentu terhadap variabel endogen. DFEV menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak (random innovation structural disturbance) atau seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lainnya dalam model S-VAR. Berdasarkan hasil analisis ini, maka dapat diketahui faktor-faktor yang berpengaruh terhadap banjir impor.
122
4.4.7. Analisis Frekuensi Banjir Impor Analisis S-VAR tidak menyediakan fasilitas untuk menghitung frekuensi terjadinya banjir impor.
Sebenarnya metoda MA dapat digunakan untuk
menghitung frekuensi kejadian banjir impor seperti yang dilakukan Sawit et al. (2006), namun demikian metoda ini memiliki kelemahan yaitu adanya kehilangan informasi diawal periode. Oleh karena itu, untuk memenuhi kebutuhan dilakukan analisis
dengan
menggunakan
metode
Hodrick-Prescott
Filter
(HPF).
Berdasarkan EViews 6 User‟s Guide I, metode HPF digunakan untuk memisahkan komponen trend dan siklikal dari data deret waktu (time series) ekonomi makro. Metode ini memiliki dua kelebihan, Pertama, komponen siklikal diekstraksi time series yang terbih dahulu dikeluarkan dari pengaruh yang bersifat musiman (seasonally adjusted). Hodrick-Prescott menggunakan metode yang secara eksplisit dimasukkan sebagai karakteristik spesifik dari proses generasi data yang telah diestimasi (estimated data generating process). Kedua, jika komponen yang irregular dikeluarkan dari estimasi komponen siklikal maka korelasi yang berkaitan dengan karakteristik business cycle tidak dipengaruhi oleh guncangan yang non-sistematik dalam data. HPF bertujuan untuk menghitung deret waktu Ct kedalam komponen trend t dan komponen siklikal ct. Komponen trend yang bersifat stokastik berubah secara kontinu dan secara alamiah sepanjang waktu. Komponen trend dan komponen siklikal merupakan dua komponen yang tidak berkorelasi. Trend yang diperoleh dengan asumsi bahwa jumlah total kuadrat turunan kedua dari t adalah yang terkecil. Jika t adalah komponen trend (trend
123
component) dari data deret waktu (time series) yt, maka ct adalah komponen siklikal (cyclical component) dan yt adalah deret asli (original series). Dimana : yt = t + ct, T = 1,2,..., T..........................................................
(50)
Hodrick-Prescott menyarankan untuk mengisolasikan ct dan yt dengan meminimalkan masalah . Min t
T t 1
T 1 T = ( yt t ) 2 ( 2 t 1 ) 2 .......................... (51) t 2 t 1
dimana : adalah parameter Hodrick-Prescott (HP), biasanya dipilih melalui trial and error. yt - t merupakan komponen siklikal dalam HPF. Apabila mendekati nol maka komponen trend akan ekuivalen dengan original series, sementara itu apabila mendekati , maka t mendekati trend linear. Nilai yang digunakan untuk data triwulanan adalah 1,600. Sementara untuk data bulanan dan tahunan secara berturut-turut maka nilai yang digunakan menurut Maravall dan Del Rio (2001) dalam E.views 6 User‟s Guide adalah 100,000 < M<140,000
dan 6<A<14. Melalui derivasi dari loss function persamaan 45 yang
berkaitan dengan t, t =1, ..., T, maka persamaan tersebut dapat dibuat matriks sebagai berikut : ... 0 1 - 2 1 0 ... - 2 5 - 4 1 0 ... ... 0 1 - 4 6 - 4 1 0 ... ... 0 .. . 0 1 - 4 6 - 4 1 0 ... .. F = ... ... . .. .. .. . . . 0 0 1 -4 6 -4 1 0 . . . ... 0 1 -4 6 -4 1 ... 0 1 - 4 5 - 2 0 ... ... 0 1 - 2 1
.... (52)
124
Lalu komponen trend dan siklikal dapat diidentifikasi sebagai berikut : t = (F + IT)-1yT………………………………………………………..
(53)
cT = yT-T………………………………………………………………..
(54)
Lonjakan volume impor akan diperoleh secara otomatis sepanjang waktu analisis dengan kondisi nilai aktual lebih tinggi dari trendnya. Demikian pula untuk jatuhnya harga-harga juga akan diperoleh secara otomatis dengan kondisi nilai aktual lebih rendah dari trendnya. Kedua kondisi tersebut menunjukkan terjadinya banjir impor.
4.4.8. Perumusan Special Safeguard Mechanism Tujuan dan permasalahan khusus ketiga akan dijawab melalui perumusan SSM berdasarkan hasil análisis SVAR.
Dalam perumusan SSM, maka hasil
analisis akan diaplikasikan ke dalam formula SSM berdasarkan proposal G-33 yang mencakup lima aspek. Pertama, country eligibilty untuk hak menggunakan SSM, apabila memang terbukti berdasarkan hasil analisis terjadi banjir impor pada komoditas beras, jagung dan kedele, maka Indonesia layak menggunakan SSM. Kedua, product eligibility untuk mendapat fasilitas SSM, apabila terbukti komoditas beras, jagung dan kedele mengalami banjir impor, maka komoditas tersebut dan produk turunannya layak mendapatkan perlakuan SSM. Ketiga, trigger yang terdiri atas volume trigger dan price trigger. Hasil analisis HPF yang disandingkan sesuai urutan variabel dan waktu kejadian akan digunakan untuk menghitung trigger. Nilai trigger merupakan nilai rata-rata sepanjang periode analisis. Keempat, remedy atau tindakan yang harus dilakukan sesuai dengan kedua trigger tersebut. Hasil analisis IRF, DFEV dan pass-through effect akan
125
dapat dipergunakan untuk mengetahui apakah kenaikan tarif, tarif quota, atau batasan kuantitatif yang harus diterapkan untuk merespon banjir impor. Simulasi respon akan dicoba untuk dilakukan dalam menemukan jawaban yang tepat. Nilai elastisitas perubahan berdasarkan hasil analisis derajat pass through yang dihasilkan akan digunakan sebagai dasar untuk menentukan besaran tariff remedy. Kelima, durasi atau berapa lama SSM boleh diterapkan. Durasi atau jangka waktu pengaruh shock akan normal kembali atau saat respon variabel terhadap guncangan variabel tertentu mencapai titik stabil yang akan ditentukan berdasarkan hasil analisis IRF, DFEV dan pass-through effect. 4.5. Definisi dan Pengukuran Variabel Dalam penelitian ini, jumlah variabel yang diolah dengan menggunakan metoda S-VAR adalah 10 variabel untuk masing-masing komoditas adalah sebagai berikut : 1.
Harga dunia atau PW
yaitu harga beras, harga jagung, dan harga kedele dunia
dalam satuan Rp per Ton; data yang diolah merupakan data harga riil (2007 = 100). Harga beras merupakan harga broken rice untuk transaksi Friday Closing Date. Harga jagung merupakan harga jagung kuning transaksi USA Port Gulf Export Price dan harga kedele merupakan harga kedele transaksi USA Yellow No 2 untuk Port Rotterdam. 2.
Tarif impor yang diwakili oleh marjin perdagangan atau trade import margin atau TM1 yang merupakan besaran marjin perdagangan dunia dan importir beras, jagung, kedele Indonesia dalam satuan Rp per Ton. Data yang diolah merupakan data harga riil (2007 = 100). Selain tarif impor, komponen TM1 terdiri dari transportation cost atau freight cost, container park cost (biaya parkir kontainer),
126
inspection cost (biaya inspeksi) dan pengeluaran resmi lainnya, biaya bongkar muat, insurance cost (biaya asuransi) dan marjin keuntungan importir. 3.
Harga impor atau PM
terdiri harga impor beras, harga impor jagung, harga
impor kedele dalam satuan Rp per Ton. Data yang diolah merupakan data harga riil (2007 = 100). Harga impor pada pelabuhan impor setelah dikurangi dengan seluruh biaya yang termasuk dalam kategori TM1 dan siap masuk gudang importir dan siap didistribusikan dalam pasar domestik. Harga impor merupakan harga tertimbang dengan persentase distribusi produksi seperti terinci pada Tabel 7.
Tabel 7.
Rata-Rata Persentase Komponen Impor Komoditas Beras, Jagung dan Kedele Indonesia, Tahun 1994 – 2009 (%)
Kode Produk (HS 6 Digit) 100610 100620 100630 100640 110230 110314 230220
100510 100590 110220 110313 110313 110423 110812 151521 151529 230210
120100 120810 150710 150790 210310 230400 Sumber : BPS (diolah)
Deskripsi Produk Rice in the husk (paddy or rough) Husked (brown) rice Semi-milled or wholly milled rice Broken rice Rice flour Groats and meal of rice Brans, sharps and other residues of rice Total Jagung Maize seed Maize (excl. seed) Maize (corn) flour Groats and meal of maize (corn) Groats and meal of maize (corn) Other worked grains of maize (corn), nes Maize (corn) starch Crude maize (corn) oil Maize (corn) oil (excl. crude) and fractions Brans, sharps and other residues of maize Total Kedele Soya beans Soya bean flour and meal Crude soya-bean oil Soya-bean oil (excl. crude) and fractions Soya sauce Oil-cake and other solid residues, of soya-bean Total
Nilai Persentase 0.63 4.49 58.62 35.88 0.17 0.08 0.13 100.00 0.24 94.59 0.16 0.10 0.10 0.01 4.63 0.00 0.12 0.06 100.00 38.75 0.38 0.02 0.53 0.10 60.25 100.00
127
4.
Volume impor atau QM terdiri dari volume impor beras, volume impor jagung, dan volume impor kedele dalam satuan Ton; dengan rincian jenis volume impor dihitung setara beras, setara jagung dan setara kedele dengan komponen terinci pada Tabel 7.
5.
Marjin perdagangan antara importir dan pedagang pengecer atau TM2 terdiri marjin perdagangan importir dan konsumen beras, jagung, kedele dalam satuan Rp per Ton. Data yang diolah merupakan data harga riil (2007 = 100). Besaran marjin perdagangan ini dihitung berdasarkan biaya-biaya yang dikeluarkan oleh importir hingga komoditas berada di tangan distributor atau pengecer yang memasarkan komoditas ke pabrik pakan atau industri pangan olahan dan konsumen. Biaya-biaya tersebut diantaranya terdiri dari biaya gudang, biaya angkutan, biaya kemasan dan biaya-biaya lainnya, serta didalamnya termasuk marjin keuntungan pedagang importir dan pengecer.
6.
Harga konsumen atau PC terdiri harga konsumen beras, harga konsumen jagung dan harga konsumen kedele dalam satuan Rp per Ton.
Data yang diolah
merupakan data harga riil (2007 = 100). Harga konsumen ini adalah harga konsumen atas jenis komoditas beras, jagung dan kedele menurut kualifikasi BULOG dan BPS yaitu harga konsumen beras untuk kualitas medium, harga jagung kuning pipilan kering dan kedele kuning ose kering. 7.
Volume konsumsi atau QC
terdiri dari volume konsumsi beras, volume
konsumsi jagung, dan volume konsumsi kedele dalam satuan Ton. Volume konsumsi adalah setara beras untuk beras, setara jagung pipilan kering untuk jagung dan setara kedele ose kering untuk kedele. Besaran standar konversi untuk konsumsi di luar konsumsi rumah tangga langsung dihitung berdasarkan besaran volume penggunaan bahan baku masing-masing jenis industri yang mengkonsumsi bahan baku beras, jagung dan kedele. Dalam periode 1994 -
128
2009, persentase distribusi konsumsi dalam setara beras, jagung pipilan kering dan kedele ose kering disajikan pada Tabel 8.
Tabel 8.
Rata-rata Persentase Konsumsi Komoditas Beras, Jagung dan Kedele Indonesia Menurut Jenisnya, Tahun 1994 - 2009. (%)
Jenis Konsumsi Konsumsi Industri Pangan Konsumsi Industri Pakan dan Non Pangan Konsumsi Benih Konsumsi Lainnya Konsumsi Pangan Rumah Tangga Konsumsi Total
Rata-rata Persentase Konsumsi Beras Jagung Kedele 7.17 28.05 39.65 4.15 39.79 28.80 1.87 1.15 1.71 1.75 4.23 1.76 85.06 26.79 28.08 100.00 100.00 100.00
Sumber : Neraca Bahan Makanan FAO dan Badan Bimas dan Ketahanan Pangan, Statistik Industri, BPS dan Susenas, BPS (diolah)
8.
Marjin perdagangan antara konsumen dan produsen atau TM3 yang terdiri dari marjin perdagangan konsumen dan produsen beras, jagung dan kedele dalam satuan Rp per Ton. Data yang diolah merupakan data riil (2007 = 100). Besaran marjin perdagangan ini dihitung berdasarkan biaya-biaya yang dikeluarkan oleh pedagang pengecer, pedagang pengolah dan pedagangan perantara dalam ranatai tataniaga mulai dari produsen hingga pedagang pengecer atau konsumen. Marjin tersebut terdiri dari biaya gudang, biaya angkutan, biaya pengolahan, biaya pengeringan, biaya kemasan dan biaya-biaya lainnya, serta didalamnya termasuk marjin keuntungan pedagang pengolah, pedagangan perantara dan pengecer.
9.
Harga produsen atau PF terdiri dari
hyarga produsen atau harga di tingkat
petani yaitu untuk beras merupakan harga Gabah Kering Giling (GKG), untuk jagung merupakan harga jagung pipilan kering, dan untuk kedele merupakan harga biji kedele kuning ose kering dalam satuan Rp per Ton. Data yang diolah merupakan data riil (2007 = 100). Harga merupakan harga produsen berdasarkan kualifikasi harga produsen BULOG dan statistik harga produsen pedesaan BPS.
129
10.
Volume Produksi atau QF terdiri dari volume produksi beras, volume produksi jagung, dan volume produksi kedele dalam satuan Ton. Volume produksi beras dihitung berdasarkan standar konversi GKG ke beras 0.6325, produksi jagung dalam bentuk jagung pipilan kering dan produksi kedele dalam bentuk kedele ose kering.
Bentuk produksi disesuaikan dengan kualifikasi Pusat Data dan
Informasi Pertanian dan Badan Pusat Statistik.
