IV. METODE PENELITIAN
4.1. Kerangka Analisis 4.1.1. Pilihan Alat Analisis Penelitian ini menganalisis fenomena akonomi makro jangka panjang (dinamik) dengan variabel endogen non-stasioner. Data deret waktu dengan lag variabel stokastik untuk menyusun model multivariat. Variabel endogen tersebut menjadi variabel instrumen kebijakan fiskal pada shock internal maupun eksternal sehingga terjadi pergerakan keseimbangan intertemporal pada perekonomian Indonesia yang menganut rezim ekonomi terbuka (small open economy) dalam hal ini dianalisis khusus pada ekonomi sektor pertanian dan agroindustri. Pada analisis model multivariat deret waktu, ada empat pendekatan yaitu Cowles Commision (CC), the London School of Economics (LSE),
Vector
Autoregresive (VAR), dan GMM-Calibration Methods (GMM-CM). Sampai tahun 1970an metode yang paling banyak digunakan dalam studi empirik ekonometrik untuk menguji dinamika ekonomi makro adalah CC. Pendekatan CC dicirikan oleh model struktural persamaan simultan, dengan jumlah persamaan yang besar (Siregar, 2001). Dalam pendekatan ini variabel yang dikontrol oleh pemerintah diperlakukan sebagai variabel eksogen. Setelah tahun 1980an dikembangkan LSE. Namun fakta menunjukkan bahwa apa yang dihasilkan pendekatan ini tidak terdukung secara empirik terutama dalam hal peramalan.
Banyak hubungan
ekonomi makro yang dihasilkan oleh model yang menggunakan pendekatan CC dan LSE gagal dalam aplikasinya. Hal ini membuat peneliti ekonomi makro yakin dibutuhkan strategi model yang dapat mengakomodir kegagalan ini. Hal ini
113 menyebabkan dibutuhkan pendekatan lain yang lebih baik untuk model dinamik. Kelemahan pendekatan CC dan LSE ini adalah cenderung mengabaikan uji diagnostik pada reduced form-nya (Amisano and Giannini, 1997). Pendekatan GMM-CM walaupun menerapkan uji statistik (diagnostik) yang komprehensif terhadap reduced form-nya, tidak berbeda dengan pendekatan CC dalam hal simulasi dan evaluasi kebijakan. Koefisien regresi dalam model ini merupakan campuran dari deep parameters dan expectational parameters. Campuran kedua parameter ini menyebabkan ketidakstabilan jika diterapkan pada keadaan yang berbeda. Konsekuensi dari ketidakstabilan ini menyebabkan model ini tidak dapat digunakan untuk simulasi kebijakan (Supriana, 2004). Model yang terakhir banyak dikembangkan adalah vector autoregresive (VAR dan Structural-VAR) (sebagaimana diuraikan pada bagian 3.6.1). Pandekatan ini dapat mengatasi kritik Lucas (Lucas critique) sebagaimana dijelaskan pada bagian 3.6. Kritik Lucas ditujukan untuk analisis kebijakan pada model-model ekonomi makro dinamik dan stokastik dengan menggunakan pendekatan klasik (Thomas, 1997). Pendekatan VAR dengan general to specific (G-S), menghasilkan rekomendasi dalam morespon guncangan ekonomi makro melalui model teoretik. Untuk dapat diuji dan diinterpretasikan secara ekonomi sehingga diperoleh model hubungan jangka panjang yang memberi pemaknaan ekonomi maka dilakukan restriksi berdasarkan teori ekonomi (mengimpose over identifying restriction) (Verbeek, 2000) (dijelaskan pada bagian 3.6.2) dalam bentuk error correction (EC) atau vector error correction model (VECM) sebagaimana diuraikan pada bagian 3.6.3. Restriksi dibuat secara eksplisit dalam bentuk matrik kointegrasi.
114 Dari uraian di atas; maka metode VAR/VECM dipilih dalam penelitian ini (sebagaimana diuraikan pada bagian 1.4, 2.7.5, dan 3.6.1) dengan alasan: pertama, dari sifat dasar (nature) data, penelitian ini menggunakan data deret waktu dengan variabel non-stasioner (nilai rata-rata [mean] dan varian selalu berubah sepanjang waktu). Pada metode VAR telah dilakukan prakondisi awal dengan pengujian pendahuluan yang ketat menyangkut uji akar unit (unit root) dan kointegrasi untuk melihat apakah variabel yang digunakan dalam sistem persamaan stasioner atau non-stasioner. Ini penting, karena pada metode konvensional mengsumsikan bahwa nilai rata-rata (mean) dan varian dari variabel-variabel konstan dan independen terhadap waktu (Thomas, 1997). Jika fenomena data time series pada makroekonomi digunakan asumsi seperti pada metode konvensional di atas, maka akan tidak berhasil menuju (konvergen) nilai yang sebenarnya dengan semakin meningkatnya ukuran sampel. Sehingga menggunakan data yang non-stasioner secara langsung ke dalam model bisa menghasilkan estimasi yang spurious. Kedua, nature permasalahan kebijakan fiskal dan keseimbangan ekonomi pada sektor pertanian dan agroindustri adalah dinamik dan stokastik antar waktu. Model makro ekonomi klasik yang menganggap bahwa model yang diestimasi pada keadaan tertentu dapat digunakan untuk peramalan pada kondisi rezim kebijakan yang berbeda maka parameter yang diestimasi tidak berubah pada kebijakan dimanapun perekonomian berada. Model ekonomi demikian menjadi tidak valid (Verbeek, 2000). Pendekatan VAR/VECM mampu mengatasi kritik Lucas. Ketiga, dari tujuan yang akan dicapai adalah menganalisis hubungan antar variabel dalam jangka panjang (kointegrasi). Dengan model kointegrasi VECM akan dapat diketahui hubungan variabel multivariat (variabel-variabel kebijakan
115 fiskal, sektor pertanian dan agroindustri) pada jangka panjang (long-term) dimana efek permanen pada berbagai variabel yang diobservasi dan efek temporar dapat dijelaskan dengan structural disturbances dari masing-masing variabel tersebut. Dengan demikian model VECM yang digunakan dalam penelitian ini cukup handal untuk melakukan peramalan hubungan antara variabel-variabel kebijakan fiskal dan sektor pertanian serta agroindustri dalam horizon jangka panjang baik melalui analisis kointegrasi (dengan melakukan over-identifiying restriction) maupun inovasi residual (error term) pada analisis IRF dan FEVD. Keterbatasan model VECM ini karena model teoretis dan untuk mencapai model parsimonious, maka tidak bisa menggunakan variabel banyak. Sehingga mensyaratkan seleksi variabel dilakukan dengan kritis bahwa variabel itu penting dilandasi relevansi teoretis yang komprehensif.
4.1.2. Analisis Untuk Mencapai Tujuan Penelitian Tujuan penelitian pertama dicapai dengan menggunakan nilai-nilai rasio konvensional. Untuk mengetahui kinerja sektor pertanian diekspresikan dengan pertumbuhaan output, penyerapan tenaga kerja, kesejahteraan petani, perdagangan (ekspor, dan impor) seperti diuraikan pada bagian 3.4. Sedangkan kinerja agroindustri diekspresikan dengan nilai tambah input dan output, serta daya saing seperti diuraikan pada bagian 3.5. Tujuan penelitian kedua, dicapai dengan metode VAR/VECM dengan pendekatan Sims (Thomas, 1997). Dari uji tersebut akan diketahui keterkaitan kebijakan fiskal terhadap kinerja sektor pertanian dan agroindustri jangka panjang dari sistem persamaan kointegrasi. Dalam metode Sims, variabel-variabel yang dispesifikasi ke dalam model VAR/VECM dipilih sesuai dengan logika teori
116 ekonomi yang relevan. Hubungan antara variabel-variabel dibiarkan secara alamiah; sehingga tidak diperlakukan secara apriori. Dengan itu maka semua variabel dalam sistem diperlakukan sebagai variabel endogen. Dalam model VAR/VECM, karena semua variabel diperlakukan secara setara sebagai variabel endogen, maka variabelvariabel pada ruas sebelah kanan persamaan tidak selalu berarti merupakan variabel penentu bagi variabel di ruas sebelah kiri. Persamaan ini hanya menunjukkan adanya hubungan diantara variabel-variabel dalam persamaan. Untuk mengetahui ada atau tidak pengaruh dari sesuatu variabel terhadap variabel lain, serta sesuatu variabel dipengaruhi atau ditentukan oleh variabel yang mana dalam persamaan, caranya adalah dilakukan melalui tes kausalitas Granger atau Sims. Kausalitas
dalam
ekonometrika
mengacu
pada
kemampuan
untuk
memprediksi yang disebut Granger causality (Thomas 1997). Teorema Granger causality menyatakan, X menyebabkan (Granger cause) Y apabila nilai Y saat ini dapat diprediksi dengan lebih akurat melalui nilai X yang lampau, dibandingkan dengan tanpa menggunakan nilai X yang lampau tersebut. Metode ini memungkinkan setiap variabel diperlakukan secara simetris. Sehingga tidak ada pemilahan bahwa sesuatu variabel apakah eksogen atau endogen. Granger Test dilakukan dengan prosedur sebagai berikut: yt = α0 + α1yt-1 + α2yt-2 + α3yt-3 + β1xt-1 + β2xt-2 + β3xt-3 + εt
(4.1)
Apabila β1= β2 = β3 = 0 maka x tidak Granger-cause y. Sebaliknya, apabila ada koefisien β yang tidak bernilai nol maka x Granger-cause y. Alternatif lain pada teorema Sims causality; masa yang akan datang tidak dapat menyebabkan saat ini (the future cannot cause the present). Dalam tes Sims dilakukan pengujian melalui persamaan:
117 xt = γ0 + γ1xt-1 + γ2xt-2 + γ3xt-3 +δ1yt+3 + δ2yt+2 + δ3yt+1 + δ4yt-1 + δ5yt-2 + δ6yt-3 + εt
(4.2)
Pada (4.1), x lebih merupakan variabel dependen dari y dan menentukan nilai-nilai y yang meliputi yt+1, yt+2, yt+3. Pada (4.2), jika x Granger-cause y maka dapat diperkirakan adanya hubungan antara x yang menentukan y. Sehingga tidak terjadi kondisi δ1 = δ2 = δ3 = 0. Namun jika δ1 , δ2 , dan δ3 tidak sama dengan 0 bukan berarti kausalisasi terjadi dari y terhadap x. Masa depan tidak dapat menentukan masa kini. Nilai δ yang tidak sama dengan nol diinterpretasikan bahwa kausalisasi terjadi dari x ke y. Analisis VAR/VECM adalah untuk menentukan hubungan diantara variabel-variabel, bukan untuk estimasi parameter dan juga bukan untuk peramalan jangka pendek. Sehingga dalam pengujian statistik, yang terpenting adalah persamaan-persamaan dalam model secara kolektif berdasarkan F-test signifikan, meskipun bisa terjadi estimasi koefisien berdasarkan t-test disebabkan oleh multikolinieritas
tidak signifikan.
yang mungkin
F-test digunakan untuk
mengukur signifikansi dari estimasi regresi secara menyeluruh, sedangkan t-test digunakan untuk mengukur signifikansi dari koefisien-koefisien regresi. Tujuan penelitian ketiga dan keempat, dicapai dengan analisis fungsi respon impulse (impulse response functions-IRF) dan analisis dekomposisi ragam kesalahan peramalan atau forecast error variance decomposition (FEVD). Keefektifan kebijakan fiskal terhadap kinerja sektor pertanian dan agroindustri diukur berdasarkan (1) frekuensi hubungan signifikan antar variabel dalam sistem persamaan kointegrasi dan (2) frekuensi magnitude yang paling besar dari inovasi error term pada analisis IRF dan FEVD.
118 4.2. Spesifikasi Model Keterkaitan/hubungan antara variabel yang telah dipilih dari kebijakan fiskal terhadap variabel kinerja sektor pertanian dan kinerja agroindustri dispesifikasi dalam model VAR dengan ordo (k), dimana ordo (k) menunjukkan panjang lag (k). dalam bentuk tereduksi (Thomas, 1997; Hsiao, 1997; Siregar, 2001; Enders, 2004) sebagai berikut: VAR (k), Zt = A1Zt-1 + A2Zt-2 + ... + AkZt-k + εt
(4.3)
dimana: Zt = variabel time series yang disepsifikasi, Ak = matrik parameter berukuran n x 1. Jika k = 3, spesifikasi model VAR dalam penelitian ini disusun sebagai berikut: 3
xit = ∑ α1i ∆ xit-k + εt k =1
(4.4)
dimana: xi = PPh, PPn, DEF, U, EA, SP, RDA, IA, DF, I, KONS, GDPA, TKA, XA, MA, WP, NTI, NTO, DSA, εt = vektor error term (white noice), i = 1, 2, 3, ..., 19, dan t
= waktu.
Besarnya ordo/lag (k) optimal diuji dengan melihat Akaike Information Criterion (AIC), dan Schwartz Bayesian Criterion (SBC). Memasukkan matrik kointegrasi ke dalam model VAR akan dihasilkan model VAR terkointegrasi (cointegrating VAR), disebut model general vector error correction (VECM) (Siregar and Ward, 2002; Supriana, 2004).
119 Spesifikasi model VECM keefektifan kebijakan fiskal terhadap kinerja sektor pertanian dengan penekanan pada agroindustri adalah sebagai berikut: k −1
' Δx t = ∑ Γ i Δx t − i + μ 0 + μ 1 t + αβ x t −1 + e t
(4.5)
i =1
dimana: ∆xt = vektor time series x (xt – xt-1), k-1 = Ordo VECM dari VAR, Гi
= matrik koefisien regresi,
μo
= vektor intersep,
μ1
= vektor koefisien regresi,
α
= matrik loading,
β’ = vektor kointegrasi, xt
= PPh, PPn, DEF, U, EA, SP, RDA, IA, DF, I, KONS, GDPA, TKA, XA, MA, WP, NTI, NTO, DSA,
et
= error term, dan
t
= waktu.
Vektor kointegrasi (β’) pada persamaan (4.5) atau (αβ’) adalah petunjuk adanya hubungan jangka panjang dari variabel yang dianalisis. Matrik dari vektor kointegrasi jika berdasarkan uji kointegrasi dari persamaan jangka panjang diperoleh rank kointegrasi tiga (dengan r=3) bentuknya adalah: 1 0 0 β14 β15 β16 β17 β18 β19 β110 β111 β112 β113 β114 β115 β116 β117 β118 β119
β’=
1 1 0 β24 β25 β26 β27 β28 β29 β210 β211 β212 β213 β214 β215 β216 β217 β218 β219 1 0 1 β34 β35 β36 β37 β38 β39 β310 β311 β312 β313 β314 β315 β316 β317 β318 β319
(4.6)
120 Dengan tiga set restriksi, maka persamaan dalam matrik (4.6) just identified. Untuk pemaknaan hubungan jangka panjang secara ekonomi, harus mengimpose over identifying restriction selanjutnya diestimasi dengan Maximum Likelihood. Matrik restriksi dinyatakan: 1
β’=
0
β13
β21 β22 0
β14 β15 β16 β17 β18 β19 β110 β111 β112 β113 β114 β115 β116 β117 β118 β119 1
β25 β26 β27 β28 β29 β210 β211 β212 β213 β214 β215 β216 β217 β218 β219
β31 β32 β33 β34 1
0
(4.7)
β37 β38 β39 β310 β311 β312 β313 β314 β315 β316 β317 β318 β319
Analisis IRF dan FEVD didasarkan pada inovasi residual dari hasil estimasi VECM pada matrik (4.7).
4.3. Pengujian Model 4.3.1. Uji Stasioner Dalam time series, digunakan realisasi untuk menggambarkan proses stokastik. Suatu proses stokastik dikatakan stasioner apabila nilai rata-rata (mean/μ), varian (σ2y), dan kovariannya (γs) konstan sepanjang waktu, dan nilai kovarian antara dua periode waktu hanya bergantung pada jarak atau lag antara dua periode waktu (Gujarati, 1995). Secara matematis, variabel yt stasioner bila memenuhi kondisi stasioner sebagai berikut (Enders, 2004): Rata-rata
: E(yt) = E(yt-s) = μ
(4.8)
Varian
: E(yt - μ)2 =E{(yt-s – μ)2}= σ2y
(4.9)
Kovarian
: E{(yt – μ)(yt-s – μ)} =E{(yt-s – μ)(yt-j-s – μ)} = γs
(4.10)
Persamaan autoregressive 1 atau AR(1) ditunjukkan oleh: Yt = a0 +a1yt-1 + εt
(4.11)
121 adalah stasioner jika εt white noise dan i.i.d (identically, independently, distributive). Kondisi intertemporal dinyatakan: t −1
t −1
y = a ∑a + a y + ∑a ε 0
t
t
i
1
1
i =0
0
i
1
i =0
(4.12)
t −1
nilai harapannya adalah: t −1
E ( y ) = a0 ∑ a1 + a1 t
i
i =0
t
y
(4.13) 0
nilai harapan untuk periode s adalah: E( y ) = a0 t+s
t + s −1
∑ a +a y i =0
t+s
i
1
1
(4.14)
0
Pada persamaan (4.13) dan (4.14) memiliki mean yang time-dependent. Keduanya tidak stasioner dalam urutan (sequence) karena Eyt tidak sama dengan Eyt+s. Jika t besar dapat dicari nilai limit yt pada persamaan (4.14). Pada nilai |a1|< 1, maka t +∞
(a1)ty0 akan cenderung menuju ke nol karena t besar tak terhingga dan ∑ a1 menuju i =0 i
ke a0/(1-a1). Jika t menuju ke tak hingga (t →∞) dan |a1|< 1 sehingga: t −i
lim y = a 0 /(1 − a1) + ∑ a1 / ε t − i t
i
(4.15)
i =0
dan nilai harapan menjadi: E(yt)= a0/(1-a1)
(4.16)
Nilai mean dari yt menjadi terhingga (finite) dan independent terhadap waktu (timeindependent), sehingga E(yt) = E(yt-s) = μ bagi semua t dengan nilai variance: E(yt- μ)2 = E{( εt + a1 εt-1 + (a1)2 εt-2 +…)2} = σ2{1 + (a1)2 + (a1)4 + ...} = σ2{1 - (a1)2}
(4.17) (4.18)
Pada (4.18) menunjukkan variance terhingga (finite) dan (time-independent). Dengan demikian nilai autocovariance dan time-independent-nya adalah: E{(yt- μ)(yt-s- μ)} = E[{( εt + a1 εt-1 + (a1)2 εt-2 +…)}{ εt-s + a1 εt-s-1+ (a1)2 εt-s-2 +…}] = σ2(a1){1 + (a1)2+ (a1)4 +…}
122 = σ2(a1)s/{1 - (a1)2}
(4.19)
Untuk meniadakan pengaruh ketergantungan sesuatu variabel non-stasioner terhadap waktu (time dependent), caranya adalah dengan melakukan penurunan (difference) pada nilai tingkat (level) dari variabel yang bersangkutan. Apabila setelah dilakukan penurunan satu kali hasilnya menunjukkan stasioner, maka variabel yang bersangkutan dikatakan mempunyai integrasi order satu atau I(1). Namun demikian,
suatu seri mungkin saja tidak pernah menjadi stasioner, walaupun telah dilakukan diferensiasi beberapa kali. Suatu seri semacam ini dikatakan non-integrated. Suatu time series data dikatakan integrated of order k atau ditulis dengan I(k), jika setelah dideferensiasi sebanyak k kali menjadi seri yang stasioner. Pengujian unit root pada variabel-variabel yang dimasukkan ke dalam sistem dilakukan melalui tes Augmented Dickey-Fuller (ADF). Tes unit root ADF pada autoregressive (AR): ∆Xt =a+Φ*Xt-1 + ut adalah menguji Ho: Φ*=0 terhadap HA: Φ*<0. Untuk menolak Ho atas hipotesis non-stasioner, t*1 (ADF statistic) harus lebih negarif dari nilai t-tabel. Kriteria yang digunakan untuk menentukan panjang lag optimal adalah Akaike Information Criterion (AIC) dan Schwartz Bayesian Criterion (SBC). Dengan membandingkan nilai AIC dan SBC dari estimasi VAR dengan tingkat lag yang berbeda-beda, tingkat lag optimal ditentukan berdasarkan nilai AIC dan SBC yang terendah. Sedangkan nilai AIC dan SBC dirumuskan: AIC = T ln (jumlah kuadrat residual) + 2n SBC = T ln (jumlah kuadrat residual) + n ln(T) dimana: n = jumlah parameter yang diestimasi, T = jumlah observasi.
123 4.3.2. Uji Ordo Lag Dalam model VAR umumnya terdapat variabel-variabel lag, sehingga perlu ditentukan seberapa besar lag final yang digunakan dalam model (VAR Lag Order Selection Criteria).
Pada kasus persamaan parsial (univariat) memerlukan
pengujian statistik, tetapi dapat ditentukan sccara langsung sesuai dengan data yang digunakan. Ordo lag optimal untuk data deret waklu tahunan adalah 1, dua untuk data deret waktu semesteran, empat untuk data derel waktu triwulan, dan 12 untuk data deret waktu bulanan. Pada sistem persamaan atau multivariat penentuan ordo lag optimal harus dilalui melalui uji statistik SBC. Ordo lag optimal saat nilai statistik SBC terbesar atau menggunakan Adjusted LR Test. Dalam penelitian ini menggunakan pendekatan Adjusted LR Test. Hipotesis yang digunakan adalah: H0: lag n = lag n-1 ditolak jika nilai p-value < 0.05 Jika Ho ditolak, pengujian dilanjutkan hingga diperoleh nilai p-value > 0.05, sebagai berikut: H0: lag n-1 = lag n-2 diterima jika nilai p-value > 0.05. Jika Ho diterima, maka ordo yang dipilih adalah ordo terkecil. Dalam kasus ini ada dua, yaitu n-1 dan n-2, yang dipilih adalah n-2. Hal ini dimaksudkan untuk menghindari pengurangan jumlah observasi akibat meningkatnya lag yang digunakan.
4.3.3. Uji Kointegrasi Pengujian kointegrasi dilakukan untuk dua macam kasus, yaitu univariate dan multivariate. Univariate digunakan untuk mengetahui kondisi kointegrasi antara dua variabel. Sedangkan multivariate digunakan untuk mengetahui kondisi
124 kointegrasi pada lebih dari dua variabel (Thomas, 1997). Antara dua variabel mungkin saja secara individu mereka non-stasioner, tetapi bisa terjadi kombinasi linear antara keduanya, sehingga dikatakan terjadi kointegrasi antara dua variabel tersebut. Dalam penelitian ini digunakan pengujian multivariate. Kasus multivariate adalah untuk melihat hubungan jangka panjang yang mempunyai lebih dari dua variabel. Jika dihipotesiskan (Thomas, 1997): Zt = β0 + β1xt+ β2yt+ β3wt
(4.20)
dimana xt, yt, wt dan zt adalah variabel I(1). Bila ada hubungan jangka panjang, maka disequilibrium errors yang timbul dari persamaan (4.20) harus I(0), dan: ui = zt - β0 - β1 xt - β2 yt - β3 wt
(4.21)
harus dalam bentuk stasionarity time series, dimana koefisien-koefisiennya disebut vektor kointegrasi (cointegration vector). Dalam kasus multivariate mungkin ada lebih dari satu kombinasi linear stasioner yang berkaitan dengan variabel-variabel yang berkointegrasi. Pada Persamaan (4.21), ut adalah kombinasi linear dari empat variabel x, y, w dan z, dimana ada lebih dari satu kombinasi linear dari empat variabel tersebut adalah stasioner. Adanya hubungan tunggal jangka panjang antara lebih dari dua variabel yang I(1) mengimplikasikan bahwa variabel-variabel tersebut berkointegrasi. Kointegrasi mengisyaratkan bahwa paling sedikit ada satu hubungan jangka panjang di antara dua variabel. Bila terjadi lebih dari satu kombinasi linier atau lebih dari dua varibel I(1) yang berkointegrasi, maka mungkin akan ada lebih dari satu vektor kointegrasi. Pengujian kointegrasi multivariate pada empat variabel x, y, z dan w; langkah pertama adalah mengestimasi suatu kointegrasi: zt = β0 + β1 xt + β2 yt + β3 wt + et
(4.22)
125 Residual et dari regresi tersebut dapat diuji stasionernya dengan menggunakan uji DF dan ADF. Jika hasilnya adalah stasioner maka dapat disimpulkan bahwa variabel-variabel tersebut berkointegrasi, dan akan ada kombinasi linear di antara variabel-variabel tersebut yang I(0). Langkah ini dilakukan dengan metode Granger Causality Two Step. Untuk kasus sistem persamaan, uji kointegrasi berarti menentukan rank kointegrasi (r). Asumsi yang digunakan model mengandung unrestricted intercept dan restricted trend. Pengujian hipotesis berdasarkan statistik Maximal Eigenvalue of the Stochastic Matrix dan Trace of the Stochastic Matrix. Jika hasil statistik Likelihood Ratio lebih besar dari nilai kritis pada selang kepercayaan 95% maka hipotesis nol ditolak. Prosedurnya sebagai berikut: H0 : r = 0 : statistik Likelihood Ratio lebih besar dari nilai kritis pada selang kepercayaan 95% tolak H0 dan uji dilanjutkan, H0 : r<=1 : statistik Likelihood Ratio lebih besar dari nilai kritis pada selang kepercayaan 95% tolak H0 dan uji dilanjutkan, H0: r<= 2 : statistik Likelihood Ratio lebih kecil dari nilai kritis pada selang kepercayaan 95% terima H0; berarti terima Hipotesis alternatif dimana r = 2. Hasil analisis rank kointegrasi ini dapat mengetahui hubungan jangka panjang untuk menjelaskan keseluruhan fenomena yang tercakup dalam model yang dianalisis.
4.3.4. Identifikasi Persamaan Kointegrasi Setelah diketahui rank kointegrasi dilakukan restriksi umum (general restriction) berdasarkan metode Johansen, yaitu membuat matrik identitas dengan memberikan nilai 1 pada matrik parameter variabel yang akan dicari persamaannya (yaitu variabel kinerja sektor pertanian dan agoindustri) dan memberi nilai 0 pada
126 matrik parameter variabel selain itu (kebijakan fiskal dan keseimbangan makro ekonomi).
Restriksi umum akan menghasilkan pendugaan parameter vektor
kointegrasi sesuai rank kointegrasi yang exactly identified dengan nilai likelihood (LL) tertentu. Nilai LL tersebut digunakan sebagai pedoman untuk menghasilkan restriksi yang valid dan optimal.
4.4. Analisis Simulasi Dampak Kebijakan Fiskal Setelah konstruksi model VAR/VECM multivariate terbentuk yang melibatkan variabel-variabel penting dalam kebijakan fiskal, kinerja sektor pertanian, dan kinerja agroindustri, dengan restriksi spesifik yang secara statistik sudah valid dan optimal maka langkah selanjutnya adalah melakukan simulasi keterpengaruhan dari variabel-variabel tersebut. Simulasi dalam penelitian ini adalah untuk mengetahui dampak pengaruh dari shock yang terjadi pada kebijakan fiskal yaitu variabel penerimaan pemerintah (PPh, PPn, utang pemerintah); pengeluaran pemerintah (sektor pertanian, penelitian pengembangan sektor pertanian, infrastruktur pertanian); keseimbangan fiskal (defisit anggaran); desentralisasi fiskal, dan investasi, serta konsumsi terhadap kinerja sektor pertanian yang diekspresikan oleh variabel pertumbuhaan output, penyerapan tenaga kerja, perdagangan (ekspor, dan impor), dan kesejahteraan petani. Disamping itu juga pengaruhnya terhadap kinerja agroindustri yang diekspresikan oleh variabel nilai tambah input, nilai tambah output, dan daya saing. Inferensi simulasi diperoleh dari analisis impulse response functions (IRF) yang akan mengetahui sensitivitas respon dinamik suatu variabel (kinerja sektor pertanian dan kinerja agroindustri) akibat adanya guncangan dari variabel lain (kebijakan fiskal) yang diukur dalam satuan standar devisasi.
Sedang untuk
127 mengetahui berapa kontribusi masing-masing variabel kebijakan fiskal terhadap variabel kinerja sektor pertanian dan agroindustri akibat terjadinya guncangan tersebut digunakan analisis forecast error variance decomposition (FEVD). Prosedur kedua analisis tersebut dijelaskan pada bagian 4.4.1. dan 4.4.2. Pada analisis IRF, guncangan atau shock dapat terjadi pada semua variabel dalam model. Dalam studi ini, guncangan difokuskan pada apa yang dapat dilakukan langsung oleh pemerintah dalam kebijakan fiskal dan variabel makro ekonomi (investasi dan konsumsi). Pada analisis FEVD sumber guncangan berasal dari semua variabel yang digunakan. Dampak guncangan disimulasikan untuk variabel kinerja sektor pertanian, kinerja agroindustri dan keterhubungan antara kinerja sektor pertanian dan agroindustri. Horizon waktu ke depan yang digunakan untuk melihat efek guncangan tidak ada batasan tertentu. Akan tetapi karena dalam jangka panjang hasil suatu kebijakan mencapai keseimbangan, maka lama waktu keseimbangan tersebut tercapai dapat merupakan patokan berapa panjang horizon waktu yang digunakan. Sebelum melakukan inovasi dilakukan terlebih dahulu pendugaan VECM.
4.4.1. Impulse Response Function Analisis impulse response function (IRF) menelusuri dampak guncangan sebesar satu standar kesalahan (standard error), sebagai inovasi pada sesuatu variabel endogen terhadap variabel endogen yang lain. Suatu inovasi pada variabel, secara langsung akan berdampak pada variabel yang bersangkutan, kemudian dilanjutkan ke semua variabel endogen yang lain melalui struktur dinamik dari VAR. Pada VAR(l) bivarian sederhana seperti di bawah ini: yt = a10 + a11yt-1 + a12zt-1 + ε1,t
(4.23)
128 zt = a20 + a21yt-1 + a22zt-1 + ε2,t
(4.24)
Perubahan pada ε1,t secara langsung akan mengubah nilai yt. Juga akan mengubah semua nilai yang akan datang dari y dan z karena lag dari y (yt-1) terdapat di kedua persamaan. Apabila inovasi ε1,t dan ε2,t tidak berkorelasi, interpretasinya adalah ε1,t merupakan inovasi untuk y dan ε2,t adalah inovasi untuk z. Fungsi impulse response ε2,t mengukur dampak dari shock z sebesar 1 SE terhadap nilai sekarang (current) dan mendatang (future) dari y dan z. Menurut Enders (2004), analisis IRF dalam model S-VAR dapat dilakukan melalui mekanisme seperti uraian di bawah ini. Dengan menuliskan ulang ke dalam bentuk matrik dari persamaan (4.23) dan (4.24) diperoleh: ⎡ y ⎤ ⎡a ⎤ ⎡a11 ⎢ t ⎥ = ⎢ 10 ⎥ + ⎢ ⎢⎣ z t ⎥⎦ ⎣⎢a 20 ⎦⎥ ⎢a 21 ⎢⎣
a a
⎤⎡ ⎤ ⎡ ⎤ ⎥ ⎢ y t −1⎥ + ⎢e1t ⎥ ⎥⎢ ⎥ ⎣⎢e2t ⎦⎥ 22 ⎥ ⎣ z t −1 ⎦ ⎦
12
(4.25)
dinyatakan dalam bentuk lain: ⎡−⎤ ⎡ y ⎤ ⎢ y ⎥ ∞ ⎡a11 ⎢ t⎥ = ⎢ ⎥ + ∑ ⎢ ⎢⎣ z t ⎥⎦ ⎢ − ⎥ i = 0 ⎢a 21 ⎢⎣ ⎣z ⎦
a a
⎤ ⎥ ⎥ 22 ⎥ ⎦
12
i
(4.26)
⎡e1t − i ⎤ ⎢ ⎥ ⎢⎣e2t − i ⎥⎦
Persamaan (4.26) mengekspresikan yt dan zt dalam urutan {e1t} dan {e2t}. Vektor error kemudian dirumuskan: ⎡1 −b ⎤ ⎡ ⎤ ⎡e1t ⎤ 12 ⎥ ⎢e yt ⎥ ⎢ ⎥ = 1 /(1 − b12 b21) ⎢⎢ ⎥⎢ ⎥ ⎢⎣e2t ⎥⎦ ⎢⎣−b21 1 ⎥⎦ ⎣e zt ⎦
[
]
(4.27)
Dengan demikian, kombinasi dari (4.26) dan (4.27) dapat digunakan untuk memperoleh hubungan sebagai berikut: ⎡−⎤ ⎡ ⎡ y ⎤ ⎢ y⎥ ∞ a11 ⎢ t ⎥ = ⎢ ⎥ + 1 /(1 − b12 b21) ∑ ⎢ ⎢ ⎢⎣ zt ⎥⎦ ⎢ − ⎥ i =0 ⎢⎣a21 ⎣z ⎦
[
]
a a
⎤ ⎥ ⎥ 22 ⎥ ⎦
12
i
⎤⎡ ⎤ ⎡ ⎢1 − b12 ⎥ ⎢e yt ⎥ ⎢ ⎥⎢ ⎥ ⎣⎢− b21 1 ⎥⎦ ⎣ezt ⎦
(4.28)
129 Selanjutnya, persamaan (4.28) disederhanakan menjadi bentuk matrik 2x2:
Φi = Representasi
⎡1 −b ⎤ 12 ⎢ ⎥ ) 12 b 21 ⎢ ⎥ ⎣⎢−b21 1 ⎦⎥
[A /(1 − b i
1
moving
]
(4.29)
average dari
persamaan
(4.28)
dan
(4.29)
yang
mengandung faktor-faktor {εyt} dan {εzt} berturut-turut adalah: ⎡ y ⎤ ⎡ y ⎤ ∞ ⎡Φ11 (i ) ⎢ t⎥ = ⎢ ⎥ + ∑ ⎢ ⎢⎣ z t ⎥⎦ ⎣ z ⎦ i =0 ⎢Φ21 (i ) ⎢⎣
Φ Φ
(i ) ⎤ ⎥ ⎥ ( i ) 22 ⎥⎦
12
i
⎡e yt −1⎤ ⎢ ⎥ ⎣⎢ezt −1 ⎥⎦
(4.30)
secara ringkas dapat dituliskan menjadi:
x
∞
t
= μ + ∑ Φi ε t −i
(4.31)
i =0
Moving average diperlukan untuk menguji interaksi antara {yt} dan {zt}. Koefisien Φi digunakan untuk menghasilkan pengaruh inovasi dari εyt dan εzt pada seluruh periode terjadinya guncangan dari (yt} dan {zt}. Dalam hal ini keempat faktor
Φjk (0) merupakan multiplier dampak (impact multipliers). Akumulasi
pengaruh satu unit impulse dalam εyt dan εzt dapat diperoleh dengan menjumlahkan koefisien dari IRF. Sebagai ilustrasi, setelah periode n, pengaruh εzt terhadap εt+n adalah Φ12(n). Sehingga setelah periode n akumulasi jumlah pengaruh dari εzt terhadap nilai guncangan pada (yt} adalah: ∞
∑Φ i =0
12
(4.32)
(i )
Jika n dibiarkan tidak terbatas (infinity), akan dihasilkan multiplier jangka panjang. Seandainya {yt,} dan {zt} diasumsikan stasioner, maka untuk semua j dan k akan diperoleh: ∞
∑Φ i =0
2 jk
(i )
yang tertentu ( finite)
(4.33)
130 Keempat set koefisien Φ11(i), Φ12(i), Φ21(i), dan Φ22(i) disebut fungsi respon impulse (impulse response functions - IRF).
4.4.2. Dekomposisi Ragam Kesalahan Peramalan
Analisis dekomposisi ragam kesalahan peramalan atau
forecast error
variance decomposition (FEVD) menjabarkan inovasi pada suatu variabel terhadap komponen goncangan variabel yang lain dalam VAR ( Enders, 2004). Analisis ini digunakan untuk menguji sesuatu variabel apakah eksogen atau endogen. Jika koefisien A0 dan A1 diketahui dan variabilitas xt+1 ingin diramalkan, sedangkan kondisi yang diobservasi adalah xt, maka variabilitas satu periode adalah: xt+1= Ao+ A1xt + et+1, dan kondisi ekspektasi dari x1+j adalah Etxt+1 = Ao+ A1xt. Kesalahan peramalan satu langkah ke depan dihitung sebagai berikut: Xt+1 - Etxt+1 = et+1
(4.34)
Untuk dua periode, Xt+2 = Ao+ A1xt+1 + et+2 kesalahan dua langkah ke depan dari xt+2 adalah: Etxt+2 = (1+A1)A0 + A12 xt
(4.35)
Dengan cara yang sama, peramalan langkah ke n ke depan adalah: Etxt+n = (1+A1 + A12 + … + A1n-1 )A0 + A1n xt
(4.36)
kesalahan peramalan yang menyertainya adalah: et+n + A1et+n-1 +A12et+n-2 + ... + A1 n-1et+1
(4.37)
Adapun ramalan kesalahan satu-langkah ke depan adalah Φ0εt+1. Dalam bentuk umum:
x
∞
t+n
= μ + ∑ Φi ε t + n −i
(4.38)
i =0
sehingga ramalan kesalahan periode-n adalah:
x
t+n
− E t xt + n = ∑ Φ i ε t + n − i
(4.39)
131 Kesalahan peramalan langkah ke n ke depan, untuk waktu {yt} adalah: yt - Et yt+n = ø11(0)εyt+n + ø11(1)εyt+n-1 +...+ ø11(n-1)εyt+1 + ø12(0)εzt+n + ø12(1)εzt+n-1 +...+ ø12(n-1)εzt+1
(4.40)
Pada kondisi ragam kesalahan peramalan lengkah ke n ke depan dari yt+n adalah σy(n)2 maka: σy(n)2 = σy2{ ø11(0)2 + ø11(1)2 +...+ ø11(n-1)2} + σz2{ ø12(0)2 + ø12(1)2 +...+ ø12(n-1)2}
(4.41)
Semua nilai øij(i)2 non-negatif sehingga ragam kesalahan (varians error) meningkat dengan meningkatnya horizon n. Pemisahan (decompose) dari varians error untuk memperoleh proporsi σy(n)2 karena guncangan { εyt} dan { εzt} adalah: σy2{ ø11(0)2 + ø11(1)2 +...+ ø11(n-1)2}
(4.42)
σy(n)2 σz2{ ø12(0)2 + ø12(1)2 +...+ ø12(n-1)2}
(4.43)
σy(n)2 Inferensi dari model FEVD adalah proporsi pergerakan secara berurutan yang diakibatkan oleh guncangan sendiri dan variabel lain. Apabila guncangan εzt menjelaskan tidak ada varian kesalahan ramalan (forecast error variance) dari {yt} pada semua termin, maka dapat disimpulkan bahwa {yt} adalah variabel eksogen.
4.5. Data dan Pengolahan Data
Penelitian ini menggunakan data nasional, time series tiga bulanan selama periode tahun 1970-2005. Data dan sumber data diperoleh sebagai berikut: Pajak Penghasilan (PPh), satuan milyar rupiah. Tahun 1970-80 berasal
dari data Statistik Realisasi Pajak Penghasilan (Indikator Ekonomi Buletin Statistik
132 Bulanan Tabel XI.1.9, BPS). Tahun 1981-2005, data Realisasi penerimaan pemerintah pusat dari Pajak Penghasilan (Departemen Keuangan RI). Pajak Pertambahan Nilai (PPn), satuan milyar rupiah. Tahun 1970-84
data berasal dari Statistik Realisasi Pajak Penjualan dan nilai tambah (pajak penjualan adalah PPn barang dan jasa [Keterangan (4) Tabel 9.1.1], Indikator Ekonomi Buletin Statistik Bulanan, BPS). Tahun 1985-2005 berasal dari Statistik Realisasi Pajak Pertambahan Nilai (Departemen Keuangan RI). Defisit Anggaran (DEF), satuan milyar rupiah. Tahun 1970-80 data berasal
dari selisih penerimaan dan belanja pemerintah pusat (Indikator Ekonomi Buletin Statistik Bulanan, BPS). Tahun 1981-2005 berasal dari Statistik defisit anggaran pemerintah pusat (Statistik Keuangan Pemerintah Pusat, Departemen Keuangan RI). Utang Pemerintah (U), satuan milyar rupiah. Tahun 1970-79 data berasal
dari Realisasi Penerimaan Pemerintah pusat dari Kredit luar negeri (Penerimaan Pemerintah dari Kredit LN) dan Bantuan Proyek (Indikator Ekonomi Buletin Statistik Bulanan, BPS). Tahun 1980-2005 berasal dari Realisasi utang pemerintah pusat (Laporan Tahunan Bank Indonesia). Pengeluaran Sektor Pertanian (EA), satuan milyar rupiah. Tahun 1970-74
data berasal dari Belanja pemerintah pusat menurut Bidang ekonomi (Nota Keuangan: Departemen Keuangan RI). Tahun 1975-79 berasal dari Belanja sektoral, pemerintah pusat (Key indicator, ADB). Tahun 1980-2005 berasal dari Belanja menurut organisasi, sektor dan subsektor. Merupakan penjumlahan pengeluaran rutin dan pembangunan (total pengeluaran pembangunan pertanian) (Nota Keuangan Depertemen Keuangan RI).
133 Subsidi Pertanian (SP), satuan milyar rupiah. Tahun 1970-73 belum ada
subsidi pertanian (lihat Hill, 1996; Ilham, 2006). Tahun 1973-2005 subsidi pertanian merupakan realisasi total subsidi untuk subsidi pupuk dan subsidi pengadaan pangan. Data subsidi pupuk berasal dari Departemen Keuangan, Departemen Pertanian, dan Laporan Tahunan Bank Indonesia. Data subsidi pangan berasal dari Nota Keuangan RI dan Bulog. Pengeluaran Penelitian dan Pengambangan Pertanian (RDA), satuan
milyar rupiah. Merupakan penjumlahan belanja rutin dan pembangunan penelitian dan pengambangan pertanian. Tahun 1970-74 dan 1985-2005 data berasal dari Statistik Penelitian Pertanian, Balitbang Departemen Pertanian. Tahun 1975-84 berasal dari studi Rusastra (1985) yang sumber datanya sama, dari Statistik Penelitian Pertanian, Balitbang Departemen Pertanian. Pengeluaran Infrastruktur Pertanian (IA), satuan milyar rupiah. Tahun
1970-73 adalah realisasi anggaran bidang ekonomi sub sektor irigasi ditambah pembangunan pedesaan tersebar di Departemen Pertanian, Departemen Pekerjaan Umum, dan Departemen Transmigrasi dan Koperasi, dari penjumlahan pengeluaran rutin dan pembangunan (Nota Keuangan RI). Tahun 1974-2000 adalah realisasi belanja untuk irigasi dan sarana prasarana pedesaan berasal dari studi Fuglie and Piggott (2003) dalam ADB, Ministry of Agriculture, Crescent (2005) Appendix Table 51. Tahun 2001-5 berasal dari data Belanja Pedesaan meliputi (a) infrastruktur fisik, (b) infrastruktur produksi, (c) infrastruktur transportasi, (d) infrastruktur pasar, (e) infrastruktur sosial, (f) lainnya (Statistik Keuangan Publik, BPS).
134 Desentralisasi Fiskal (DF), satuan milyar rupiah. Tahun 1970-75 adalah
data realisasi bantuan daerah otonom (Indikator Ekonomi Buletin Statistik Bulanan, BPS) atau bantuan sumbangan pembangunan daerah (Statistik Indonesia, BPS). Tahun 1976-98 data bantuan Desa, Kabupaten, Daerah Tingkat I (Indikator Ekonomi Bulanan, BPS) atau subsidi daerah otonom (Statistik Indonesia, BPS). Tahun 1999 realisasi dana alokasi umum (DAU) yang pertama berupa dana pembangunan daerah (DPD) yang berasal dari PBB dan BPHTB. Tahun 2000-5 data realisasi DAU, dana alokasi khusus (DAK) dan dana perimbangan daerah (Departemen Keuangan RI). Investasi (I), satuan milyar rupiah. Data berasal dari penanaman modal
dalam negeri (PMDM) dan modal luar negeri (PMA) (laporan bulanan), Biro Perencanaan dan Informasi, Badan Koordinasi Penanaman Modal (BKPM). Konsumsi (KONS), satuan milyar rupiah. Data adalah realisasi PDB
menurut penggunaan (Indikator Ekonomi Buletin Statistik Bulanan Tabel 11.1.6, BPS dan Nota Keuangan RI) dengan tahun dasar 1993. PDB Pertanian (GDPA), satuam milyar rupiah. Data adalah PDB menurut
sektor (sektor pertanian [tanaman pangan, perkebunan, peternakan, perikanan, dan hortikultura]) tahun dasar 1993 dari Indikator Ekonomi Buletin Statistik Bulanan, BPS. Dikonfirmasikan juga dengan studi ADB, Ministry of Agriculture (2005). Agriculture and Rural Development Strategy Study, ADBTA No. 3843-INO, Chapter 5: Appendix Table 5.1., Seameo, Crescent, HPRI, Jakarta. Penyerapan Tenaga Kerja (TKA), satuan juta orang. Data penyerapan
tenaga kerja sektor pertanian dari Statistical Year Book Series, Food and Agricultural Organization (FAO), Rome. Dikonfirmasikan dengan studi Muslim,
135 2002 (1970-81); Tabel 2, Tambunan, 2003, (1982-2000) tabel 5.6.; PSE-KPK UGM, LPEM UI, PSP IPB, 2004, (2001-4), dan BPS (untuk tahun 2005). Ekspor Pertanian (XA), harga FOB satuan juta $USA. Data ekspor sektor
pertanian dari Statistical Year Book Series, Food and Agricultural Organization (FAO), Rome dan Statistik Ekonomi Keuangan Indonesia (Bulanan), Bank Indonesia. Dikonfirmasikan dengan studi Irawan (2005). Impor Pertanian (IMA), harga CIF satuan juta $USA. Data impor sektor
pertanian dari Statistical Year Book Series, Food and Agricultural Organization (FAO), Rome dan Statistik Ekonomi Keuangan Indonesia (Bulanan), Bank Indonesia berbasis data dari BPS. Dikonfirmasikan dengan studi Irawan (2005). Kesejahteraan Petani (WP), satuan persen (%). Merupakan nilai net barter
terms of trade komoditi pertanian sebagai hasil dari perhitungan dengan persamaan (PX/PM)x100%). PX= Indeks harga ekspor pertanian yang diterima Indonesia, diperoleh dari Indikator Ekonomi Indonesia Buletin Bulanan, Tabel 1.14. Nomor 1, BPS. PM= Indeks harga impor pertanian yang dibayar Indonesia, diperoleh dari Indikator Ekonomi Indonesia Buletin Bulanan, Tabel 1.13. Nomor 1, BPS. Nilai Tambah Input Agroindustri (NTI), satuan milyar rupiah. Data
diperoleh dari nilai tambah (input keseluruhan) industri besar dan sedang berdasarkan International Standard Industries Clasification of all economic activities (ISIC) revisi 3, yang telah disesuaikan dengan kondisi Indonesia dengan nama Klasifikasi Baku Lapangan Usaha Indonesia (KLBI), Statistik Indonesia, BPS. Tahun 1970-98 dari Tabel 6.1.6 ISIC nomor 31 (industri makanan, minuman, tembakau), 32 (tekstil, pakaian jadi dan kulit, 33 (kayu dan barang dari kayu termasuk perabot rumahtangga), dan 34 (kertas dan barang dari kertas, percetakan
136 dan penerbitan). Tahun 1999-2005 dari Tabel 6.1.2. ISIC nomor 15 (makanan dan minuman), 16 (tembakau), 17 (tekstil), 19 (kulit dan barang dari kulit), 20 (kayu, barang dari kayu, dan barang anyaman), 21 (kertas dan barang dari kertas), dan 25 karet dan barang dari karet) mengacu pada kalibrasi standar international trade yang baru (revisi 3) dan berlaku mulai tahun 1999. Nilai Tambah Output Agroindustri (NTO), satuan milyar rupiah. Data
diperoleh dari nilai tambah (output keseluruhan) industri besar dan sedang berdasarkan International Standard Industrial Clasification of all economic activities (ISIC) revisi 3, yang telah disesuaikan dengan kondisi Indonesia dengan nama Klasifikasi Baku Lapangan Usaha Indonesia (KLBI). Statistik Indonesia, BPS. Tahun 1970-98 dari Tabel 6.1.6 ISIC nomor 31, 32, 33, dan 34. Tahun 19992005 dari Tabel 6.1.2. ISIC nomor 15, 16, 17, 19, 20, 21, dan 25 mengacu pada kalibrasi standar international trade yang baru dan berlaku mulai tahun 1999. Uraian nomor kode klasifikasi industri seperti pada NTI. Daya Saing Agroindustri (DSA), satuan indeks. Merupakan nilai revealed
competitive advantages (RCA) sebagai hasil dari perhitungan dengan persamaan (Xa/TX)/(XWa/TXW). Ekspor produk agroindustri Indonesia (Xa), tahun 1970-74 diperoleh dari nilai ekspor olahan pertanian golongan B triwulan. Tahun 1975-2005 dari nilai ekspor menurut golongan SITC nomor 0 (bahan makanan dan binatang hidup), 1 (minuman dan tembakau), 3 (bahan bakar non minyak dan bahan penyemir), 4 (minyak/lemak nabati dan hewani), 6 (hasil industri menurut bahan) dari statistik perdagangan eksternal, Statistik Indonesia Tabel VII.2.6., BPS harga FOB dalam juta USA$. Total ekspor Indonesia (TX) tahun 1970-89 dari Indikator Ekonomi Buletin Statistik Bulanan Tabel 6.3., BPS. Tahun 1990-99 dari United
137 Nations Statistical Year Book for Asia Pacifi (series), Bangkok. Tahun 2000-5 dari Ekonomi Buletin Statistik Bulanan Tabel 63 dan 67., BPS harga FOB dalam juta USA$. Ekspor produk agroindustri dunia (TWa) tahun 1970-89 dari nilai ekspor menurut golongan SITC nomor 0, 1, 3, 4, 6 (sebagaimana diuraikan sebelumnya) Indikator Ekonomi Buletin Statistik Bulanan Tabel 6.3., BPS. Tahun 1990-99 dari FAO Year Book, Trade, Agriculture marchandist export, Table 1. Tahun 2000-5 dari Ekonomi Buletin Statistik Bulanan Tabel 63 dan 67, BPS harga FOB dalam juta USA$. Total ekspor dunia (TXW) diperoleh dari nilai eskpor dunia harga FOB dalam juta USA$ dari International Financial Statistic (IFS), IMF data triwulan. Dalam rentang data (35 tahun) di Indonesia mengalami masa krisis besar yaitu pada tahun 1973 triwulan 2 dalam krisis harga minyak dunia yang mengakibatkan krisis dunia dan krisis moneter mulai tahun 1997 triwulan 3. Kedua krisis tersebut diperkirakan mempunyai dampak yang signifikan. Pengujian structural break dilakukan dengan chow test. Jika hasilnya signifikan maka ditambahkan variabel dummy yang mengekspresikan dua peristiwa krisis tersebut. Pada periode tahun 1970an sering dijumpai data yang tidak lengkap dalam bentuk triwulanan. Sehingga digunakan interpolasi dari data tahunan. Hal itu juga pernah dilakukan dalam studi Boediono (1979), Insukindro (1984) Malian (2003), dan Ilham (2006). Formulasi penghitungan interpolasi adalah: Q1 = ¼{ Qt – (4.5/12)( Qt - Qt-1)} Q2 = ¼{ Qt – (1.5/12)( Qt - Qt-1)} Q3 = ¼{ Qt + (1.5/12)( Qt - Qt-1)} Q4 = ¼{ Qt + (4.5/12)( Qt - Qt-1)}
138
Permasalahan Penelitian Studi Literatur dan Penelitian Sebelumnya
Tujuan Penelitian
Eksplorasi Data
Tujuan 1: Kinerja Sektor Pertanian dan Agroindustri Spesifikasi Model VAR/VEC
Angka Rasio Konvensio nal
Transformasi Data (logaritma)
Tujuan 4: Keterkaitan Sektor Pertanian dengan Agroindustri
Tujuan 3: Kebijakan Fiskal yang Efektif
Tujuan 2: Hubungan Kebijakan Fiskal dengan Kinerja Sektor Pertanain dan Agroindustri
Uji Stasioner Data (ADF test) Stasioner I(2)
Non Stasioner
Uji Structural Break (chow test) Uji Kointegrasi Variabel
Estimasi VAR (4)
Uji Ordo Lag Maksimum VAR
Uji Causality Uji Rank Kointegrasi
IRF FEVD
Estimasi VECM
Mengimpose Matrik Restriksi
Rekomendasi/Im plikasi Kebijakan
Gambar 9. Diagram Alur Penelitian dan Tahap Analisis dengan VECM
139 Dimana Q1, Q2, Q3, dan Q4 masing-masing adalah data tertentu pada triwulan ke-1, ke-2, ke-3, dan ke-4. Qt adalah data tertentu pada tahun t. Pengolahan dan analisis data dengan kerangka ekonometrika time series menggunakan piranti lunak (software) program komputer Eviews 4.1. Dari uraian metode penelitian, diringkas dalam diagram alur penelitian dan tahap analisis dengan VECM disajikan pada Gambar 9.
4.6. Hasil Uji Diagnostik Data dan Model 1. Uji Stasioner
Pengujian stasioner menggunakan Augmented Dickey-Fuller (ADF) baik tanpa memasukkan tren maupun dengan tren. Dengan menggunakan lag maksimum 13, pada pengujian in level (I(0)) hampir semua variabel mengandung unit root sehingga belum stasioner kecuali variabel DEF. Pengujian dilanjutkan pada first differenced atau I(1) seperti terlihat pada Tabel 12, hasilnya masih terdapat 6 variabel yang belum stasioner/masih mengandung unit root (PPh, PPn, DEF, RDA, NTI, dan NTO). Pengujian dilanjutkan pada second difference atau I(2); telah menghasilkan semua variabel yang tidak lagi mengandung unit root atau stasioner berdasarkan nilai probabilitas penerimaan hipotesis nol (Ho) yang menyatakan bahwa variabel mengandung unit root mendekati nol, dengan parameter nilai kritis Mac Kinnon (1996) one-side p-values. Dengan demikian semua variabel yang digunakan adalah stasioner pada derajat 2 atau I(2). Hubungan jangka panjang (long-run relations) dalam kointegrasi (dengan menyusun restriksi matrik kointegrasi) dimungkinkan jika seluruh variabel menunjukkan unit-root dalam ordo yang sama. Syarat tersebut dapat dipenuhi oleh
140 Tabel 12. Hasil Uji Unit Root Variabel yang Digunakan Variabel Differenced PPh PPn DEF U EA SP RDA IA DF I KONS GDPA TKA XA IMA
PPh(0) PPh(1) PPh(2) PPn(0) PPn(1) PPn(2) DEF(0) DEF(1) DEF(2) U(0) U(1) U(2) EA(0) EA(1) EA(2) SP(0) SP(1) SP(2) RDA(0) RDA(1) RDA(2) IA(0) IA(1) IA(2) DF(0) DF(1) DF(2) I(0) I(1) I(2) KONS(0) KONS(1) KONS(2) GDPA(0) GDPA(1) GDPA(2) TKA(0) TKA(1) TKA(2) XA(0) XA(1) XA(2) IMA(0) IMA(1) IMA(2)
Tanpa Tren ADF Test Prob* Statistic 7.132274 (1.0000) 0.692107 (0.9916) -7.091872 (0.0000) 4.802732 (1.0000) -1.139553 (0.6989) -11.45721 (0.0000) -4.706605 (0.0001) 0.336670 (0.9794) -11.06100 (0.0000) -0.750958 (0.8292) -13.74013 (0.0000) -9.046198 (0.0000) -0.429667 (0.8996) -5.973196 (0.0000) -6.325427 (0.0000) -2.067865 (0.2581) -8.575369 (0.0000) -11.13970 (0.0000) 3.804931 (1.0000) -2.153953 (0.2243) -10.52323 (0.0000) 0.994352 (0.9964) -6.259328 (0.0000) -7.847149 (0.0000) 1.553562 (0.9994) -5.225600 (0.0000) -7.372630 (0.0000) -1.514658 (0.5234) -15.57405 (0.0000) -13.06905 (0.0000) 1.947989 (0.9999) -6.863274 (0.0000) -9.632908 (0.0000) 0.631324 (0.9901) -6.058800 (0.0000) -7.311621 (0.0000) -1.402444 (0.5796) -9.853501 (0.0000) -10.70926 (0.0000) -0.839886 (0.8041) -6.650767 (0.0000) -8.460027 (0.0000) 1.384556 (0.9989) -10.77816 (0.0000) -7.608906 (0.0000)
Dengan Tren ADF Test Prob* Statistic 5.569364 (1.0000) -1.429370 (0.8479) -7.265717 (0.0000) 3.822634 (1.0000) -2.788775 (0.2040) -9.757204 (0.0000) -4.267816 (0.0048) 0.364398 (0.9988) -11.30276 (0.0000) -1.717973 (0.7384) -13.74013 (0.0000) -9.011287 (0.0000) -1.711871 (0.7407) -5.938964 (0.0000) -6.337591 (0.0000) -3.126838 (0.1041) -8.753798 (0.0000) -11.16670 (0.0000) 2.461686 (1.0000) -4.242793 (0.0051) -10.51902 (0.0000) -0.613652 (0.9764) -6.553867 (0.0000) -7.817358 (0.0000) 0.101151 (0.9970) -5.827816 (0.0000) -7.343268 (0.0000) -3.059029 (0.1204) -15.51709 (0.0000) -13.02022 (0.0000) 0.256123 (0.9982) -7.370393 (0.0000) -9.597520 (0.0000) -2.340034 (0.4093) -6.122314 (0.0000) -7.286618 (0.0000) -2.348516 (0.4049) -11.45611 (0.0000) -10.66882 (0.0000) -0.839886 (0.8041) -6.629156 (0.0000) -8.426582 (0.0000) 0.438290 (0.9991) -11.06587 (0.0000) -7.840915 (0.0000)
Kesimpulan Belum Stasioner Belum Stasioner Stasioner Belum Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Belum Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner Belum Stasioner Stasioner Stasioner
141 Tabel 12. Lanjutan Variabel Differenced WP NTI NTO DSA
WP(0) WP(1) WP(2) NTI(0) NTI(1) NTI(2) NTO(0) NTO(1) NTO(2) DSA(0) DSA(1) DSA(2)
Tanpa Tren ADF Test Prob* Statistic -2.190406 (0.2108) -17.08213 (0.0000) -10.38136 (0.0000) 2.468072 (1.0000) -1.818942 (0.3701) -9.974768 (0.0000) 2.503645 (1.0000) -1.423332 (0.5691) -8.179889 (0.0000) -2.540693 (0.1081) -6.945676 (0.0000) -10.47226 (0.0000)
Dengan Tren ADF Test Prob* Statistic -2.454364 (0.3503) -17.03904 (0.0000) -10.34941 (0.0000) 0.794577 (0.9997) -4.123810 (0.0074) -9.940666 (0.0000) 1.344970 (1.0000) -3.824572 (0.0181) -8.148535 (0.0000) -2.536192 (0.3105) -6.961212 (0.0000) -10.43222 (0.0000)
Kesimpulan Belum Stasioner Stasioner Stasioner Belum Stasioner Belum Stasioner Stasioner Belum Stasioner Belum Stasioner Stasioner Belum Stasioner Stasioner Stasioner
Keterangan: * = Probabilitas untuk menolak Ho=mengandung unit root sampai pada tingkat signifikansi (α=1%), dimana nilai ADF Test Statistic lebih negatif dari nilai batas penolakan (α=1%) dengan parameter nilai kritis MacKinnon (1996) one-sided p-values pada I(2). seluruh variabel. Hasil pengujian unit root disajikan pada Tabel 12 selengkapnya pada Lampiran 2.
2. Uji Structural Break
Data series yang digunakan dalam rentang waktu yang panjang (1970-2005 atau 35 tahun) dimungkinkan adanya pengaruh siklus (siclical influences) kebijakan dan atau kondisi makroekonomi yang ekstrim pada rentang waktu tersebut. Seperti dijelaskan pada bagian sebelumnya, pengaruh siklus kebijakan dan atau makro ekonomi yang ekstrim selama waktu tersebut ada dua, yaitu adanya periode oil boom tepatnya terjadi pada triwulan 3 tahun 1973 dan krisis moneter yang terjadi tepatnya pada triwulan 1 tahun 1998. Pengujian structural break menggunakan Chow test menghasilakan periode shock yang berpengaruh nyata adalah pada triwulan 1 tahun 1998 (1998Q1) dengan
142 tingkat signifikansi (α=1%) ditunjukkan oleh nilai probabilitas menolak H0 yang menyatakan bahwa terdapat structural break point dengan nilai F-statistik yang ada. Dengan demikian pada triwulan tersebut di gunakan variabel dummy sebagai representasi pangaruh krisis moneter (D_MNTR). Nilai 0 diberikan pada periode 1970Q1-1997Q4 dan nilai 1 untuk periode 1998Q1-2005Q4. Hasil pengujian disajikan pada Tabel 13 dan Lampiran 3.
Tabel 13. Hasil Uji Structural Break dengan Chow Breakpoint Test Variabel PPh PPn DEF U EA SP RDA IA DF I
Chow Breakpoint Test: 1998:1 F-statistic Probability 14.71075 0.000000 16.17603 0.000000 15.02361 0.000000 22.13242 0.000000 4.507170 0.000000 25.72705 0.000000 2.675687 0.000766 6.211081 0.000000 3.289100 0.000050 6.623899 0.000000
Variabel KONS GDPA TKA XA IMA WP NTI NTO DSA
Chow Breakpoint Test: 1998:1 F-statistic Probability 40.22672 0.000000 2.172605 0.006845 3.667723 0.000009 4.559880 0.000000 10.58517 0.000000 4.651989 0.000000 2.630608 0.000935 2.571643 0.001212 8.085175 0.000000
3. Uji Kointegrasi
Satu set data deret waktu yang tidak stasioner I(1) dikatakan memiliki hubungan kointegrasi jika kombinasi linear data deret waktu tersebut stasioner. Ada dua prosedur yang bisa digunakan untuk menguji kointegrasi antar data deret waktu. Pertama, uji Engle - Granger (The Engle - Granger Two Step Method), dan kedua adalah uji Johansen (Johansen Cointegration Test) untuk sistem persamaan. Prosedur uji kointegrasi Engle-Granger dilakukan dalam dua tahap, pertama dilakukan regresi variabel satu dengan variabel lainnya. Kedua, residual yang diperoleh dari regresi tersebut diuji apakah residualnya stasioner atau tidak dengan
143 menggunakan uji Aughmented Dickey - Fuller dengan hipotesis nol residual tidak stasioner. Jika hipotesis nol diterima, artinya residual tidak stasioner, variabel yang diuji tidak berkointegrasi. Sebaliknya hipotesis nol tidak diterima, artinya residual stasioner, maka variabel yang diamati berkointegrasi (Thomas, 1997). Sampai tahap ini, digunakan uji kointegrasi Engle-Granger, sedangkan uji kointegrasi Johansen akan digunakan dalam uji rank kointegrasi karena akan dianalisis model VAR yang terkendala (restrited VAR) atau disebut dengan Vector Error Correction Model (VECM). Tabel 14. Hasil Uji Kointegrasi dengan Engle - Granger Two Step Method
Variabel
Augmented Dickey-Fuller test statistic (RESIDUAL) ADF Test Prob* Statistic
PPh -5.162431 0.0000 PPn -4.619855 0.0002 DEF -3.642347 0.0061 U -5.308786 0.0000 EA -5.966882 0.0000 SP -7.891892 0.0000 RDA -5.104927 0.0000 IA -5.865128 0.0000 DF -4.534749 0.0003 I -8.722872 0.0000 KONS -4.870060 0.0001 GDPA -4.390276 0.0005 TKA -5.853747 0.0000 XA -3.460142 0.0106 IMA -6.029489 0.0000 WP -7.710729 0.0000 NTI -5.206516 0.0000 NTO -4.817832 0.0001 DSA -4.859178 0.0001 Keterangan: Lihat keterangan Tabel 12
Hasil
Kesimpulan
Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner Stasioner
Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi Berkointegrasi
144 Hasil Uji Engle-Granger Two Step Method disajikan pada Tabel 14 dan Lampiran 4. Pengujian menghasilkan kesimpulan bahwa dengan uji Augmented Dickey-Fuller atas residual regresi variabel, semua stasioner yang ditunjukkan nilai probabilitas penerimaan Ho sampai 1% (α=1%) kecuali variabel XA sampai 5% (α=5%). Dengan demikian semua variabel berkointegrasi.
4. Uji Ordo Optimal VAR
Sebelum menguji adanya kointegrasi antar variabel (dengan rank kointegrasi) maka ditentukan dahulu optimum lag dari reduced (unrestricted) VAR. Sebagaimana diuraikan pada bagian 4.3.3., penelitian ini menggunakan pendekatan Likelihood Ratio Test Statistic. Dengan memilih 6 sebagai maksimum ordo untuk unrestricted VAR, berdasarkan kriteria LR: sequential modified LR test statistic masing-masing dengan level signifikansi (α= 5%) menunjukkan 4 sebagai ordo optimum. Berarti, panjang lag yang tepat dari model adalah 4 (lihat Lampiran 5).
5. Model VAR dan Uji Granger Causality
Model
VAR
standar
(unrestricted)
multivariat
dibangun
dengan
memperhatikan; pertama, evaluasi parameter kritis model terutama melihat nilai kebaikan (goodnes of fit) model dengan nilai R2. Kedua, sistem persamaan mampu mengakomodasi tujuan penelitian yaitu diperoleh paling tidak 8 persamaan kointegrasi (hasil rank kointegrasi diuraikan di bagian 6) yang merepresentasikan hubungan jangka panjang pada variabel kinerja sektor pertanian (5 variabel) dan agroindustri (3 variabel). Sistem persamaan optimal ketika variabel yang terpilih dimasukkan sebagai representasi kebijakan fiskal adalah, PPh, PPn, EA, SP, RDA, IA, DF. Sedangkan variabel DEF dan U dikeluarkan dari model. Untuk keperluan
145 kalkulasi statistik, karena variabel SP mengandung nilai nol, maka di konversi dengan menambahkan nilai 100 untuk semua data untuk dapat dioperasikan transformasi logaritma (kecuali WP dan DSA) sehingga kodenya menjadi SP_. Variabel penyeimbang ekonomi makro yaitu I dan KONS. Variabel komponen kinerja sektor pertanian adalah, GDPA, TKA, XA, IMA, dan WP. Variabel komponen kinerja agroindustri meliputi NTI, NTO, dan DSA. Model VAR standar (unrestricted) multivariat mempunyai tingkat ketepatan model yang baik (sebagian besar nilai R2 di atas 0.60) dengan diagnosis statistik jangka panjang yang baik. Model VAR digunakan untuk memperoleh persamaan kointegrasi dengan VECM, sehingga VAR tidak dibahas. Dalam kerangka model VAR, hubungan antar variabel belum menunjukkan hubungan kausalitas antara variabel-variabel pada ruas kanan terhadap variabel di ruas sebelah kiri. Untuk mengetahui karakteristik hubungan kausalitas atau perubahan variabel mana lebih berpengaruh terhadap perubahan variabel yang lain, dilakukan analisis Granger causality. Hasil analisis disajikan pada Tabel 15, selengkapnya pada Lampiran 6.
Sesuai dengan tujuan penelitian, analisis
difokuskan pada perubahan variabel-variabel komponen fiskal yang berhubungan (causality)
pada perubahan variabel-variabel kinerja sektor pertanian dan
agroindustri. Variabel kinerja sektor pertanian dapat dijelaskan secara nyata (sampai tingkat signifikansi/α = 1%) oleh variabel kebijakan fiskal antara lain pertumbuhan PDB pertanian (GDPA) dan penyerapan tenaga kerja pertanian (TKA). Pertumbuhan PDB pertanian (GDPA) dijelaskan oleh Pajak penghasilan (PPh), sedangkan TKA dijelaskan oleh PPh dan subsidi pertanian (SP) disamping variabel
146 ekonomi makro investasi. Variabel kinerja agroindustri (daya saing/DSA) dapat dijelaskan secara nyata (sampai tingkat signifikansi/α = 10%) oleh variabel kebijakan fiskal (desentralisasi fiskal/DF dan ekspor produk pertanian/XA). Dari hasil di atas dapat dimaknai bahwa instrumen kebijakan fiskal selama rentang analisis mempengaruhi secara langsung pada pertumbuhan PDB pertanian (GDPA), penyerapan tenaga kerja sektor pertanian (TKA), dan daya saing agroindustri (DSA). Jalur transmisi pengaruh/menjelaskan secara tidak langsung dapat dirunut antara lain; pajak pertambahan nilai (PPn) mempengaruhi desentralisasi fiskal/DF kemudian berpengaruh pada anggaran sektor pertanian (EA), melalui PPh berpengaruh pada PDB pertanian (GDPA) dan penyerapan tenaga kerja sektor pertanian (TKA).
Alokasi anggaran sektor pertanian (EA)
berpengaruh pada penerimaan dari pajak penghasilan (PPh) bisa positif atau negatif karena penambahan dan pengurangan alokasi anggaran sektor pertanian (EA) yang selanjutnya mempengaruhi pertumbuhan PDB pertanian (GDPA) dan penyerapan tenaga kerja pertanian (TKA). Subsisi pertanian mempengaruhi GDPA dan TKA secara tidak langsung juga bisa melalui PPh. Desentralisasi fiskal (DF) mempengaruhi GDPA dan TKA melalui anggaran sektor pertanian (EA) dan PPh. Disamping itu DF juga mempengaruhi TKA melalui investasi (I). Kinerja sektor pertanian dan agroindustri
juga bisa memprediksi/
menjelaskan secara nyata pada variabel kebijakan fiskal. Pada variabel kinerja sektor pertanian; diantaranya PDB pertanian dapat menjelaskan pajak pertambahan nilai (PPn), dan desentralisasi fiskal (DF). Variabel tenaga kerja pertanian (TKA) dapat menjelaskan pajak penghasilan (PPh) (menjelaskan timbal balik), pajak
147 Tabel 15. Kemampuan Menjelaskan Perubahan Variabel dengan Pairwise Granger Causality Tests Variabel Penjelas ∆PPh
∆PPh
∆PPn
0.084
∆EA
0.353
∆RDA
17.933 *** 2.281 * 0.182
∆IA ∆DF
∆SP
∆PPn 0.106
∆EA 0.066 0.193
∆SP 2.026 * 0.232
∆RDA 0.449
∆IA 0.085
1.970
0.752
0.088
2.031 * 0.385
2.417 * 1.972
Nilai X2 (Variabel yang dijelaskan) ∆DF ∆I ∆KONS ∆GDPA ∆TKA 0.196 0.102 2.049 3.519 2.879 * * ** 2.506 1.750 0.933 1.928 0.079 ** 3.329 0.344 0.321 0.123 0.773 ** 0.684 0.434 0.428 1.963 10.039 *** 0.283 0.232 0.425 0.533 0.463
0.549
0.120
0.003
0.028
1.565
1.865 1.663
0.608 0.548
1.185 0.441
0.820 1.255
0.055
∆I
0.356
0.663
0.166 1.999 * 0.342
1.922
0.551
1.014
1.989
∆KONS ∆GDPA
0.188 0.490
0.588 0.118
0.153 0.626
0.182 1.949
0.118 1.136
∆TKA
0.753
3.460 ** 0.653
1.629
∆XA
4.071 *** 0.595
0.274 4.315 *** 4.225 *** 1.853
∆IMA
0.231
0.602
0.356
∆WP
4.208 *** 0.503
6.026 *** 7.076 *** 8.956 *** 0.311
4.171 *** 0.545
2.203 * 0.430
7.178 *** 2.493 ** 0.039
1.052 4.200 *** 5.986 *** 1.561
0.840
0.072
0.664
∆NTI ∆NTO ∆DSA
3.324 ** 0.158
1.807
3.094 ** 3.494 *** 0.588
2.422 *
0.012
0.576 4.705 *** 0.830 0.633
1.002 2.695 ** 0.161
0.108
0.622
0.305
0.710
0.014
0.193
0.767
1.448
0.023
0.442
0.872
2.640 **
0.310
0.232
0.315
2.874 * 4.175 *** 0.641
∆WP 0.144
∆NTI 1.008
∆NTO 0.236
∆DSA 0.184
1.329
0.145
0.430
0.038
0.077
0.378
0.416
0.563
0.745
0.244
0.698
0.204
1.153
0.377
0.193
0.125
0.085
0.457
0.158
0.276
0.109
0.026
0.090
0.123
0.642 0.375
0.984 0.538
0.202 0.228
1.111 0.057
0.327 0.350
0.385 0.481
1.102
7.526 *** 0.230 0.172
1.238
1.896
0.410
0.672
0.361
0.447 2.408 * 0.285
0.843 0.785
1.592 0.371
0.171 0.757
0.020 0.787
0.064 1.018
0.217 0.741
0.346
0.696
0.566
0.238
0.083
0.074
0.959
0.189
0.925
1.583
0.869
0.184
0.279
2.699 ** 0.269
1.839
1.237
0.725
0.056
0.641
1.117 0.234
∆IMA 0.496
0.284 1.156
0.813
2.020 * 2.183 * 1.974
∆XA 0.635
0.312
13.266 *** 0.383
1.094
0.033
0.084
0.084
0.733
10.048 *** 0.436
0.423
0.358
0.169
0.198
0.388
0.091
1.740
0.494
0.681
1.125
0.184
1.344
1.428
0.275
1.113
0.005
0.131
0.679
1.597
0.858
0.719
1.673
0.684
Keterangan: ***,**, dan * = menunjukkan signifikansi pada α=1%, 5%, dan 10%.
0.837 1.428
148 pertambahan nilai (PPn), subsidi pertanian (menjelaskan timbal balik), anggaran infrastruktur pertanian (IA), (menjelaskan timbal balik).
desentralisasi fiskal (DF), dan investasi (I) Variabel Ekspor produk pertanian (XA) dapat
menjelaskan anggaran penelitian dan pengembangan pertanian (RDA), anggaran infrastruktur pertanian (IA), dan investasi (I). Variabel impor produk pertanian (IMA) dapat menjelaskan variabel anggaran sektor pertanian (EA). Variabel kesejahteraan petani (WP) dapat menjelaskan pajak penghasilan (PPh), pajak pertambahan nilai (PPn), dan konsumsi (KONS). Variabel kinerja agroindustri antara lain; nilai tambah input (NTI) dapat menjelaskan pajak pertambahan nilai (PPn), anggaran sektor pertanian (EA), dan investasi (I). Nilai tambah output (NTO) dapat menjelaskan pajak penghasilan (PPh), pajak pertambahan nilai (PPn), anggaran sektor pertanian (EA), dan investasi (I). Daya saing agroindustri (DSA) dapat menjelaskan variabel subsidi pertanian (SP).
6. Rank Kointegrasi Karena semua variabel terbukti terintegrasi dalam ordo yang sama (lihat bagian 1 dan 3) maka selanjutnya diuji adanya kointegrasi antar variabel dengan Johansen
Test. Uji ini dilakukan untuk memeriksa rank dari matrik kointegrasi dan untuk melihat jumlah vektor kointegrasi. Pengujian dilakukan dengan asumsi; model mengandung intersep yang tidak direstriksi (unrestricted intercepts) dan trend direstriksi (restricted trends) menjadi linear. Uji ini dilakukan untuk mengetahui jumlah vektor kointegrasi. Dengan menggunakan model VAR 4 (ordo optimal VAR=4, lihat bagian 4) maka ordo cointegrated VAR adalah 3 (ordo cointegrated VAR adalah ordo VAR dikurangi 1) hasil pengujian disajikan pada Lampiran 7.
149 Hipotesis nol (H0) pada pengujian Likelihood-Ratio adalah model mengandung unrestricted intercepts dan restricted trends. Berdasarkan nilai maximum eigenvalue of the stocastic matrix menolak H0 sampai pada tingkat signifikansi (α=5%) adalah pada r≤6, r≤7, r≤8, r≤9, r≤10, r≤11, r≤12, r≤13, dan r≤16, artinya, rank kointegrasi (r)=9. Berdasarkan nilai trace of the stocastic matrix menolak H0 sampai pada tingkat signifikansi (α=1%) adalah r≤6, r≤7, r≤8, r≤9, r≤10, r≤11, r≤12, r≤13, r≤14, r≤15, dan r≤16, artinya, rank kointegrasi (r)=11. Sehingga dapat disimpulkan bahwa terdapat 9 sampai 11 persamaan yang dapat menjelaskan adanya kointegrasi pada variabel-variabel dalam sistem persamaan.
7. Model VECM dan Persamaan Kointegrasi
VAR yang mengandung kointegrasi adalah VAR yang terkendala (restricted VAR), yaitu terkendala dengan adanya kointegrasi di dalam model. Dalam hal ini modelnya disebut dengan Vector Error Correction Model (VECM). Setelah diketahui rank kointegrasi dilakukan restriksi umum (general restriction) berdasarkan metode Johansen, yaitu dengan membuat matrik identitas. Restriksi umum menghasilkan pendugaan parameter vektor kointegrasi. Sesuai dengan tujuan penelitian, untuk menganalisis pengaruh kebijakan fiskal terhadap kinerja pertanian dan agroindustri maka variabel yang ingin diketahui kondisi kointegrasinya adalah GDPA, TKA, XA, IMA, dan WP (kinerja sektor pertanian) dan NTI, NTO, DSA (kinerja agroindustri). Dengan demikian diperoleh 8 persamaan kointegrasi. Parameter matrik dari variabel fiskal dan variabel makro ekonomi direstriksi sama dengan nol. Restriksi umum menghasilkan pendugaan parameter vektor kointegrasi sesuai dengan rank kointegrasi yang exactly identified dengan nilai likelihood (LL) tertentu. Nilai likelihood tersebut
150 digunakan sebagai pedoman untuk menghasilkan restriksi yang valid dan optimal, sehingga diperoleh model parsimonious VECM (Harris, 1995).
Hasil dugaan
vektor kointegrasi disajikan pada Lampiran 8 dan akan diurikan pada bagian 7.1. dan 8.1.
