LAPORAN AKHIR KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA

LAPORAN AKHIR

KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA 2015-2019

PUSAT KEBIJAKAN PERDAGANGAN LUAR NEGERI BADAN PENGKAJIAN DAN PENGEMBANGAN KEBIJAKAN PERDAGANGAN KEMENTERIAN PERDAGANGAN 2014

KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa yang telah memberikan limpahan rahmat dan karunia-Nya, sehingga seluruh kegiatan kajian “Penyusunan Target Ekspor Impor Indonesia 2015-2019” dapat dilaksanakan dengan baik hingga dituangkan dalam bentuk laporan akhir. Kajian ini merupakan bagian dari tugas dan fungsi Pusat Kebijakan Perdagangan

Luar Negeri

sebagai

unit

pelaksanaan

kajian

dan

pengembangan kebijakan perdagangan luar negeri di lingkungan Kementerian Perdagangan Republik Indonesia. Kajian dimaksud tidak terlepas dari bagian upaya untuk mendukung penyusunan target ekspor impor Indonesia untuk Rencana Pembangunan Jangka Menengah Nasional

(RPJMN)

maupaun

Rencana

Strategis

Kementerian

Perdagangan periode 2015-2019. Akhirnya, kami berharap semoga hasil akhir kajian ini bermanfaat bagi berbagai pihak yang membutuhkan, meskipun kami menyadari masih banyak langkah-langkah penyempurnaan yang perlu dilakukan. Oleh karena itu, kami sangat terbuka terhadap saran dan kritik dalam rangka penyempurnaan laporan ini. Selanjutnya kami sampaikan apresiasi dan terima kasih yang tulus kepada berbagai pihak yang telah membantu dalam kegiatan kajian ini.

Jakarta, Desember 2014 Pusat Kebijakan Perdagangan Luar Negeri

Puska Daglu, BP2KP, Kementerian Perdagangan

ii

ABSTRAK KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA 20152019 Kajian ini bertujuan untuk (1) Menganalisis determinan yang mempengaruhi ekspor dan impor Indonesia; (2) Menyusun proyeksi ekspor dan impor nasional periode 2015-2019; (3) Menyusun proyeksi ekspor berdasarkan sektor (migas dan nonmigas) dan kelompok komoditi (primer dan manufaktur) periode 2015-2019; dan (4) Menyusun proyeksi impor berdasarkan sektor dan kelompok barang (bahan baku, barang modal dan barang konsumsi) periode 2015-2019. Metode yang digunakan dalam kajian antara lain OLS untuk mencari determinan ekspor dan impor, VAR untuk memproyeksi ekspor dan impor barang secara total dan menurut sektor migas dan non-migas, serta exponential smoothing Holt Winters seasonal beserta ARIMA untuk memproyeksi ekspor berdasarkan kategori komoditi dan impor beradasarkan kategori barang. Hasil OLS menunjukkan bahwa variabel GDP per kapita negara mitra utama, impor total, nilai tukar, harga minyak dunia dan suku bunga kredit merupakan determinan ekspor barang total Indonesia. Sementara itu, variabel GDP per kapita Indonesia, ekspor total, nilai tukar, dan harga minyak dunia merupakan determinan impor barang total Indonesia. Hasil VAR menunjukkan rata-rata pertumbuhan ekspor nasional pada 2015-2019 sebesar 5 persen dengan pertumbuhan ekspor migas rata-rata 1,3 persen dan ekspor non migas sebesar 5,7 persen. Selain itu, rata-rata pertumbuhan impor nasional pada 2015-2019 sebesar 4,7 persen dengan impor migas sebesar 5,4 persen dan impor non migas sebesar 4,5 persen. Lebih lanjut hasil uji statistik akurasi proyeksi menunjukkan metode exponential smoothing Holt Winters Additive (HWA) dan Multiplicative (HWM) lebih baik daripada ARIMA/SARIMA. Hasil anailisis HWA dan HWM menunjukkan bahwa rata-rata ekspor pertanian tumbuh sebesar 3,56; ekspor industri tumbuh rata-rata 4,17 persen dan ekspor pertambangan tumbuh rata-rata 5,59 persen pada periode 2015-2019. Di sisi lain, impor barang konsumsi diproyeksi tumbuh rata-rata sebesar 5,2 persen, impor bahan baku tumbuh rata-rata 5,15 persen dan impor barang modal tumbuh rata-rata 5,82 persen dalam kurun waktu 2015-2019. Kata kunci: proyeksi, ekspor, impor, OLS, VAR, exponential smoothing, ARIMA

ABSTRACT STUDY OF FORMULATING TARGET FOR INDONESIAN EXPORT IMPORT 2015-2019 This study aims to (1) analyze the determinants that affect the exports and imports of Indonesia; (2) develop a national export and import projections period 2015-2019; (3) construct projections of exports by sector (oil and nonoil) and commodity groups (primary and manufacturing) period 2015-2019; and (4) provide projections of imports by sector and category of goods (raw


iii

materials, capital goods and consumer goods) period 2015-2019. The methods used in the study include OLS to find the determinant of export and import, VAR to project exports and imports of goods in total and by sector (oil and non-oil) as well as exponential smoothing holt winters and their seasonal ARIMA to project exports and imports by categories of goods. The OLS results indicate that the variables of main partner country's GDP per capita, total imports, exchange rate, oil prices, and lending rates are the main determinants of Indonesia's total merchandise exports. Meanwhile, the variables of Indonesia’s GDP per capita, total exports, exchange rate, and world oil prices statistically influence to Indonesia's total imports. The VAR results showed that national export growth in 2015-2019 is 5 percent consisting of oil and gas export growth of 1.3 percent and non-oil exports of 5.7 percent in average. In addition, the national import in 2015-2019 is projected to grow by 4.7 percent; oil imports grow by 5.4 percent; and non-oil imports grow by 4.5 percent. Further statistical result shows the accuracy of the projected exponential smoothing method of Holt Winters additive (HWA) and multiplicative (HWM) is better than ARIMA/SARIMA. The projection using HWA and HWM shows that the agricultural exports grow by 3.56 percent on average; industrial exports grow by 4.17 percent on average; and mining exports grow 5.59 percent on average during 2015-2019. On the other hand, imports of consumer goods is projected to grow on average by 5.2 percent; imports of raw materials grow on average by 5.15 per cent; and imports of capital goods grow by 5.82 percent on average during 2015-2019. Keywords: projection, export, import, OLS, VAR, exponential smoothing, ARIMA


iv

DAFTAR ISI KATA PENGANTAR ...................................................................................... ii ABSTRAK ..................................................................................................... iii DAFTAR ISI .................................................................................................... v DAFTAR TABEL ......................................................................................... viii DAFTAR GAMBAR ........................................................................................ x BAB I. PENDAHULUAN ................................................................................ 1 1.1

Latar Belakang ................................................................................... 1

1.2

Pertanyaan Penelitian ........................................................................ 7

1.3

Tujuan Penelitian ............................................................................... 7

1.4

Output dan Manfaat Penelitian ........................................................... 8

1.4.1 Output Penelitian ................................................................................ 8 1.4.2 Manfaat Penelitian.............................................................................. 8 1.5

Ruang Lingkup Penelitian .................................................................. 8

BAB II. TINJAUAN PUSTAKA ..................................................................... 10 2.1

Teori Perdagangan Internasional ..................................................... 10

2.2

Ekspor dan Impor ............................................................................. 13

2.2.1 Teori Penawaran Ekspor .................................................................. 14 2.2.2 Teori Permintaan Ekspor.................................................................. 15 2.2.3 Teori Permintaan Impor.................................................................... 15 2.3

Instrumen Kebijakan Perdagangan Internasional: Pengembangan Ekspor dan Pengendalian Impor ............................ 18

2.3.1 Promosi Ekspor ................................................................................ 19 2.3.2 Diversifikasi Ekspor .......................................................................... 20 2.3.3 Tarif .................................................................................................. 22 2.3.4 Hambatan Non Tarif (Non-Tariff Barrier) .......................................... 22 2.4

Proyeksi Ekspor dan Impor .............................................................. 25

2.5

Penelitian Terdahulu ........................................................................ 26

BAB III. METODE PENELITIAN................................................................... 31 3.1

Kerangka Kerja Konseptual.............................................................. 31

3.2

Pendekatan Penelitian ..................................................................... 32

3.3

Data dan Teknik Pengumpulan Data ............................................... 32


v

3.4

Teknik Analisis ................................................................................. 33

3.4.1 Regresi Linear Berganda (Ordinary Least Square) .......................... 34 3.4.2 Vector AutoRegressive (VAR) .......................................................... 35 3.4.3 Metode Peramalan Exponential Smoothing ..................................... 40 3.4.4 Box Jenkins (ARIMA) ....................................................................... 42 BAB IV. KINERJA EKSPOR DAN IMPOR INDONESIA.............................. 45 4.1

Kinerja Ekspor Indonesia ................................................................. 45

4.1.1 Kinerja Ekspor Sektor Migas ............................................................ 46 4.1.2 Kinerja Ekspor Non Migas ................................................................ 48 4.2

Kinerja Impor Indonesia ................................................................... 51

4.2.1 Perkembangan Impor dan Jenis Produk Impor Indoensia................ 51 4.2.2 Kinerja Impor Menurut Golongan Penggunaan Barang.................... 54 BAB V. HASIL DAN PEMBAHASAN ........................................................... 59 5.1

Analisis Determinan Ekspor dan Impor Indonesia ............................ 59

5.1.1 Analisis Determinan Ekspor Barang Menggunakan Metode OLS .................................................................................................. 60 5.1.2 Analisis Determinan Impor Menggunakan Metode OLS................... 64 5.2

Proyeksi Ekspor dan Impor Indonesia: Analisis Vector Autoregressive (VAR)....................................................................... 67

5.2.1 Proyeksi Ekspor Indonesia ............................................................... 68 5.2.2 Proyeksi Impor Indonesia ................................................................. 69 5.3

Proyeksi Ekspor dan Impor Menurut Sektor dan Kategori Barang.............................................................................................. 70

5.3.1 Proyeksi Ekspor dan Impor menggunakan Metode Exponential Smoothing ................................................................... 72 5.3.2 Proyeksi Ekspor dan Impor menggunakan Metode BoxJenkins ............................................................................................. 73 5.3.3 Proyeksi Ekspor dan Impor dengan Model Terbaik .......................... 76 5.4

Proyeksi Nilai dan Pertumbuhan Ekspor dan Impor Indonesia 2015-2019....................................................................... 78

5.5

Penyusunan Target Ekspor Impor Negara Lain (Studi Kasus Filipina)............................................................................................. 80

BAB VI. PENUTUP ....................................................................................... 86 6.1

Kesimpulan ...................................................................................... 86


vi

6.2

Saran................................................................................................ 88

DAFTAR PUSTAKA ...................................................................................... xi LAMPIRAN ................................................................................................... xv


vii

DAFTAR TABEL Tabel 1.1

Perkembangan Neraca Perdagangan Indonesia (USD Miliar) ........................................................................................... 4

Tabel 1.2

Neraca Perdagangan Indonesia Dengan Mitra Dagang Utama (USD Miliar) ...................................................................... 5

Tabel 4.1

Perkembangan

Pangsa

dan

Petumbuhan

Ekspor

Indonesia ................................................................................... 46 Tabel 4.2

Perkembangan Ekspor Migas Indonesia (Juta Dollar) ............... 47

Tabel 4.3

Struktur Ekspor Migas Indonesia (Persen) ................................ 48

Tabel 4.4

Perkembangan Ekspor Non Migas Indonesia (Juta USD) ......... 50

Tabel 4.5

Struktur Ekspor Non Migas Indonesia (Persen) ......................... 50

Tabel 4.6. Pertumbuhan Impor Indonesia Berdasarkan Sektor .................. 51 Tabel 4.7

Pengelompokan Jenis Barang Berdasarkan Kelompok BEC Tahun 2011-2013 (Juta USD)............................................ 53

Tabel 5.1

Rangkuman Hasil Estimasi OLS Model Persamaan Umum Ekspor ............................................................................ 62

Tabel 5.2

Rangkuman Hasil Estimasi OLS Model Persamaan Umum Impor .............................................................................. 66

Tabel 5.3

Proyeksi Ekspor Migas dan Non Migas 2015-2019 ................... 69

Tabel 5.4

Proyeksi Impor Migas dan Non Migas Indonesia 20152019 ........................................................................................... 70

Tabel 5.5

Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode Exponential Smoothing .............................................................. 72

Tabel 5.6 Tingkat Akurasi Proyeksi Impor Menggunakan Metode Exponential Smoothing .............................................................. 73 Tabel 5.7

Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode Box-Jenkins (ARIMA/SARIMA) .................................................. 75

Tabel 5.8

Tingkat Akurasi Proyeksi Impor Menggunakan Metode Box-Jenkins (ARIMA/SARIMA) .................................................. 76

Tabel 5.9

Uji Tingkat Akurasi Model Proyeksi Ekspor ............................... 77

Tabel 5.10 Uji Tingkat Akurasi Model Proyeksi Impor ................................. 78


viii

Tabel 5.11 Proyeksi

Nilai

dan

Pertumbuhan

Ekspor

Barang

Indonesia 2015-2019 ................................................................. 79 Tabel 5.12 Proyeksi

Nilai

dan

Pertumbuhan

Impor

Barang

Indonesia 2015-2019 ................................................................. 80


ix

DAFTAR GAMBAR Gambar 2.1. Keseimbangan dalam Perdagangan Internasional .................. 12 Gambar 3.1. Kerangka Kerja Konseptual Penelitian ..................................... 32 Gambar 4.1. Impor Indonesia pada Jenis Barang Bahan Baku Penolong.................................................................................. 55 Gambar 4.2. Impor Indonesia pada Jenis Barang Modal .............................. 56 Gambar 4.3. Impor Indonesia pada Jenis Barang Konsumsi ........................ 57 Gambar

4.4.

Persentase

Nilai

Impor

Indonesia

Menurut

Penggolongan Barang ............................................................. 58 Gambar 5.1. Alur Penyusunan Target Ekspor dan Pembangunan Ekonomi Filipina ...................................................................... 82


x

BAB I PENDAHULUAN

1.1

Latar Belakang Sasaran pembangunan perdagangan luar negeri yang ingin dicapai

dalam Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2010-2014 adalah tumbuhnya ekspor non minyak dan gas (migas) sebesar 7,0-8,0 persen pada 2010, dan kemudian secara bertahap meningkat menjadi sebesar 14,5-16,5 persen pada 2014. Harapan meningkatnya pertumbuhan ekspor non migas bisa dilakukan mengingat semakin besarnya jumlah permintaan dunia terhadap produk non migas ditambah dengan berbagai upaya untuk memperbaiki iklim investasi di dalam negeri, serta perbaikan infrastruktur yang diharapkan dapat meningkatkan kinerja ekspor non migas. Selain itu, perluasan komoditas non migas secara masif dilakukan oleh pemerintah dan swasta yang diharapkan

mampu

meningkatkan

kuantitas

dan

kualitas

serta

keberagaman produk ekspor non migas. Target ekspor Indonesia semula diproyeksi tumbuh 13 persen pada 2012 sehingga mencapai USD 230 Miliar. Penetapan target ekspor tersebut didasari oleh kondisi kinerja ekspor Indonesia selama beberapa tahun terakhir dan asumsi pertumbuhan ekonomi dunia pada 2012. Namun, target yang telah disusun tersebut seakan kurang bermakna akibat melambatnya pertumbuhan ekonomi dunia yang dipicu dari krisis Eropa dan belum pulihnya ekonomi Amerika Serikat, berdampak pada pertumbuhan ekonomi negara-negara lain termasuk negara berkembang seperti China, India, Brazil dan emerging market lainnya. Kondisi tersebut menyebabkan turunnya harga komoditas dunia yang berimplikasi pada melambatnya kinerja ekspor Indonesia. Krisis yang terjadi di Amerika Serikat dan Uni Eropa memberikan dampak yang signifikan terhadap kinerja perdagangan Indonesia. Ekspor Puska Daglu, BP2KP, Kementerian Perdagangan

1

Indonesia pada 2012 mencapai USD 190,0 miliar atau turun 6,6 persen (yoy), terdiri dari ekspor migas USD 37,0 miliar (turun 10,9 persen) dan non migas USD 153,1 miliar (turun 5,5 persen). Pada tahun selanjutnya di 2013, kondisi perekonomian dunia belum memperlihatkan dukungan perbaikan kinerja ekspor Indonesia. Realisasi ekspor Indonesia periode Januari-Desember 2013 mencapai USD 182,5 miliar atau menurun sebesar 3,9 persen (yoy) dari tahun lalu. Penurunan ini terjadi karena ekspor migas yang mengalami penurunan signifikan sebesar 11,75 persen atau hanya menjadi USD 32,63 miliar, sementara ekspor non migas juga mulai mengalami penurunan sebesar 2,03 persen, menjadi USD 149,9 miliar. Pencapaian kinerja ekspor tersebut tentu saja sulit untuk mendukung tercapainya target RPJMN 2010-2014. Hal ini harus menjadi bahan pertimbangan dan pelajaran dalam rangka menyusun rencana pembangunan jangka menengah selanjutnya yaitu RPJMN periode 20152019. Sehingga target yang ditentukan tidak hanya dapat dicapai namun juga mampu merefleksikan kondisi perkembangan perekonomian dunia yang sebenarnya. Di sisi lain, sampai pada 2013 kinerja impor Indonesia masih didominasi oleh impor non migas dengan pangsa rata-rata 76,75 persen dari total impor. Namun, pada tahun 2013 peningkatan impor justru lebih banyak pada impor migas dengan pertumbuhan 6,35 persen dibandingkan dengan pertumbuhan impor non migas yang justru turun sebesar 5,2 persen. Kondisi ini dimungkinkan tetap berlanjut pada 2014, dimana pertumbuhan impor migas lebih besar daripada pertumbuhan impor non migas. Selain itu, tingginya pertumbuhan total impor tahun-tahun sebelumnya dapat memberikan gambaran bahwa pada 2013 dimana telah terjadi krisis global, maka impor Indonesia sangat terkena dampak dengan penurunan sebesar 2,64 persen. Hal ini tidak pernah terjadi pada tahuntahun sebelumnya. Realisasi impor tahun 2013 yang turun 2,64 persen menjadi sebesar USD 186,63 miliar merupakan salah satu akibat dari melemahnya permintaan dunia yang disebabkan krisis di Uni Eropa dan belum stabilnya


2

perekonomian di Amerika Serikat. Kebutuhan impor khususnya barang modal menjadi turun yang berakibat pada melemahnya kinerja ekspor. Di sisi lain, perkembangan investasi terus mengalami peningkatan, serta jumlah

penduduk

yang

berkembang

pesat

akan

mempengaruhi

permintaan impor Indonesia, terutama pada sektor migas. Meski selama periode Januari-Juli 2013 total impor Indonesia turun 0,9 persen (yoy) menjadi USD 111,8 miliar dan impor non migas sebesar juga turun 3,4 persen (yoy) menjadi USD 85,6 miliar, tetapi impor migas terus naik mencapai 8,5 persen (yoy) atau sebesar USD 26,2 miliar. Kenaikan impor migas tersebut diakibatkan oleh meningkatnya permintaan minyak mentah yang mencapai 30,7 persen. Turunnya kemampuan ekspor yang disertai dengan pertumbuhan impor yang pesat akan menempatkan neraca perdagangan Indonesia pada posisi yang mengkhawatirkan. Hal tersebut merupakan kombinasi keadaan yang tidak menguntungkan bagi fondasi perekonomian nasional. Menurunnya kinerja ekspor Indonesia akan berdampak pada produksi dan output industri dalam negeri yang selanjutnya akan berdampak pada penyerapan tenaga kerja. Satu pesan yang dapat dilihat berdasarkan realita adalah urgensi untuk mengakselerasi industri manufaktur Indonesia mengingat sektor ini berkontribusi dominan terhadap total pembentukan nilai ekspor Indonesia dalam aspek nilai nominal. Defisit neraca perdagangan yang terjadi pada 2012-2013 semakin menambah kekhawatiran akan hilangnya tradisi surplus perdagangan Indonesia. Berdasarkan Tabel 1.1, defisit neraca perdagangan di tahun 2013 mencapai empat kali lipat dari total defisit pada 2012 yaitu sebesar USD 4,07 miliar Apabila dilihat pada neraca perdagangan bulanan di tahun 2013, neraca perdagangan Indonesia hampir selalu mengalami defisit, kecuali pada bulan Maret, Agustus, Oktober hingga Desember. Lebih lanjut, defisit terbesar pada 2013 terjadi pada bulan Juli yang mencapai –U$S2,3 miliar. Sementara surplus hanya terjadi pada Maret dan Agustus serta Oktober hingga Desember dengan nilai yang relatif kecil yakni hanya mencapai kurang dari sebesar USD 2 miliar.


3

Dorongan impor migas yang relatif besar membuat surplus yang terjadi pada sektor non migas menjadi tidak berarti. Namun capaian buruk pada kinerja sektor migas tampaknya akan terjadi pula pada sektor non migas. Hal ini terlihat dari semakin kecilnya surplus neraca perdagangan pada sektor non migas. Pada tahun 2012, neraca perdagangan non migas langsung menipis menjadi hanya surplus USD 3,9 miliar. Meskipun terdapat sedikit perbaikan pada 2013, dimana neraca perdagangan non migas mencapai USD 8,5 miliar, namun hal ini tidak mampu membuat neraca perdagangan total juga ikut surplus, karena besarnya defisit pada neraca perdagangan migas. Harapan yang lebih baik kembali muncul pada paruh pertama tahun 2014. Meskipun neraca perdagangan masih mengalami defisit, namun relatif lebih rendah dari 2013. Hingga Juli 2014, defisit yang terjadi sebesar USD 1 miliar. Defisit tersebut lagi-lagi disebabkan oleh tingginya impor migas yang menyebabkan neraca perdagangan migas Indonesia defisit sebesar USD 7,71 miliar. Kebijakan pengendalian konsumsi pada sektor migas (khususnya Bahan Bakar Minyak/BBM) di Indonesia sangat diperlukan untuk membantu menyelamatkan kinerja neraca perdagangan Indonesia agar segera keluar dari jeratan defisit. Tabel 1.1 Perkembangan Neraca Perdagangan Indonesia (USD Miliar) Jan-Jul* Uraian

2000

2005

2010

2011

2012

2013 2013

2014

Perub. (%) 2014/2013

Ekspor

62,12

85,66

157,78

203,49

190,02

182,55

106,15

103,01

-2,97

Migas

14,36

19,23

28,04

41,47

36,97

32,63

18,61

18,23

-2,04

Nonmigas

47,76

66,43

129,73

162,01

153,04

149,91

87,54

84,77

-3,17

Impor

33,51

57,70

135,66

177,43

191,68

186,62

111,82

104,00

-6,99

Migas

6,02

17,46

27,41

40,70

42,56

45,26

26,24

25,95

-1,12

Nonmigas

27,49

40,24

108,25

136,73

149,12

141,36

85,58

78,05

-8,79

Neraca

28,61

27,96

22,11

26,06

-1,66

-4,07

-5,67

-1,00

82,27

8,35

1,77

626,9

775,5

-5,58

-12,63

-7,63

-7,71

-1,13

20,26

26,19

21,48

25,28

3,91

8,55

1,96

6,71

242,09

Migas Nonmigas

Sumber: BPS (2014), diolah


4

Hilangnya tradisi surplus neraca perdagangan Indonesia ini terjadi bukan tanpa sebab. Tanda-tanda ke arah defisit sudah mulai terlihat utamanya setelah Indonesia turut serta dalam perjanjian-perjanjian perdagangan internasional dan gencar melakukan kesepakatan kerjasama ekonomi internasional maupun Free Trade Area (FTA) baik secara regional, bilateral dan multilateral. Pada saat kran perdagangan semakin terbuka bebas akibat kesepakatan berbagai FTA tersebut yang terjadi adalah tren ekspor Indonesia tumbuh relatif lebih rendah dibandingkan dengan pertumbuhan impor. Satu persatu neraca perdagangan Indonesia dengan negara mitra dagang utama mengalami defisit. Sejak tahun 2012, defisit neraca perdagangan nyaris terjadi dengan sejumlah negara mitra dagang utama. Surplus yang diperoleh salah satunya hanya dengan Inggris, AS dan India saja (Tabel 1.2). Harapan akan terjadinya perbaikan pada neraca perdagangan mulai terlihat hingga pertengahan 2014. Sampai dengan Juli 2014, meskipun neraca perdagangan non migas Indonesia dengan 13 negara mitra dagang utama mengalami defisit, namun untuk neraca perdagangan Indonesia dengan negara lainnya tercatat menuai hasil positif. Seperti yang ditunjukkan pada Tabel 1.2, terlihat bahwa neraca perdagangan dengan negara lainnya mencapai surplus USD 11,46 miliar. Hal ini mengakibatkan neraca perdagangan non migas Indonesia secara total masih mengalami surplus sebesar USD 6,64 miliar. Tabel 1.2 Neraca Perdagangan Indonesia Dengan Mitra Dagang Utama (USD Miliar) Mitra Dagang 1 2 3 4 5 6 7

Ekspor Singapura 10,55 Malaysia 8,47 Thailand 5,49 Jerman 3,07 Perancis 1,13 Inggris 1,69 China 20,86

2012 Jan-Jul 2014 Impor Ket. Ekspor Impor Ket. 10,64 Defisit 6 ,07 6,03 Surplus 11,29 Defisit 3,6 3,4 Surplus 6,32 Defisit 2,9 5,6 Defisit 4,18 Defisit 1,6 2,3 Defisit 1,89 Defisit 0,6 0,78 Defisit 1,36 Surplus 0,9 0,53 Surplus 28,96 Defisit 10,1 17,3 Defisit


5

Mitra Dagang 8 9

Jepang Amerika Serikat 10 India 11 Australia 12 Korea Selatan 13 Taiwan Total 13 Negara Tujuan Negara Lainnya Total Ekspor & Impor Nonmigas

2012 Jan-Jul 2014 Ekspor Impor Ket. Ekspor Impor Ket. 17,23 22,72 Defisit 8,2 9,9 Defisit 14,59 11,46 Surplus 9,2 4,9 Surplus 12,44 3,36 6,68

4,02 Surplus 5,08 Defisit 8,3 Defisit Defisit Defisit

6,7 2,3 3,2

2,2 Surplus 3,05 Defisit 4,5 Defisit

2,3 58,1

2,1 Surplus 62,9 Defisit

4,09 109,7

4,2 120,5

43,36

28,67

26,6

15,14

153,1

149,1 Surplus

84,7

78,06 Surplus


Defisit neraca perdangangan yang berkelanjutan dengan beberapa negara mitra dagang utama Indonesia harus segera diakhiri. Ke depan Indonesia harus mampu mencapai surplus dengan negara mitra terutama yang relatif tidak memiliki keunggulan komparatif dibanding Indonesia. Indonesia sebagai negara yang kaya sumber daya alam, memiliki keunggulan mutlak pada berbagai komoditas strategis, diantaranya kelapa sawit, karet, rotan, kakao dan rumput laut. Namun pada kenyatannya justru mengalami defisit neraca perdagangan dengan negara mitra dagang yang relatif tidak memiliki keunggulan komparatif. Ironisnya lagi, salah satu yang berkontribusi terhadap defisit neraca perdagangan adalah besarnya impor komoditas pangan. Komoditas yang harusnya berpeluang dijadikan produk bernilai tambah tinggi sehingga dapat mendorong ekspor justru tidak optimal dalam menghasilkan devisa. Selain belum kuatnya daya saing produk agroindustri dan manufaktur Indonesia, kondisi eksternal seperti ketidakpastian ekonomi global juga tidak menguntungkan bagi kondisi perekonomian Indonesia melalui sektor perdagangan Puska Daglu, BP2KP, Kementerian Perdagangan

6

internasional. Kondisi di atas, tentu berlawanan dengan apa yang telah dicanangkan dalam RPJMN 2010-2014. Oleh sebab itu, kajian yang bertujuan melakukan penyusunan target ekspor dan impor menjadi kegiatan yang penting dan strategis di tahun 2014. Perkembangan faktor-faktor eksternal dan internal ke depan yang semakin dinamis harus menjadi bahan pertimbangan dan pelajaran dalam rangka menyusun rencana pembangunan jangka menengah selanjutnya, yaitu

RPJMN

periode

2015-2019.

Dalam

hal

ini,

Kementerian

Perdagangan dituntut berperan aktif dalam proses teknokratik penyusunan RPJMN maupun dokumen turunannya (Renstra K/L, RKP), terutama terkait dengan penentuan target ekspor dan impor. Penentuan target perdagangan luar negeri akan mempunyai kontribusi terhadap pencapaian target pertumbuhan ekonomi Indonesia periode 2015-2019. 1.2

Pertanyaan Penelitian Kajian ini berusaha menjawab beberapa pertanyaan penelitian

sebagai berikut: 1. Faktor-faktor

apakah

yang

menjadi

determinan

dalam

mempengaruhi ekspor dan impor Indonesia? 2. Berapakah proyeksi pertumbuhan ekspor dan impor total Indonesia untuk periode 2015-2019? 3. Berapakah proyeksi pertumbuhan ekspor berdasarkan sektor (migas dan non migas) dan kelompok komoditi (primer dan manufaktur) untuk periode 2015-2019? 4. Berapakah proyeksi pertumbuhan impor berdasarkan sektor (migas dan non migas) dan kelompok barang (bahan baku/penolong, barang modal dan barang konsumsi) untuk periode 2015-2019? 1.3

Tujuan Penelitian Tujuan kajian ini adalah sebagai berikut: 1. Menganalisis determinan yang mempengaruhi ekspor dan impor Indonesia;


7

2. Menyusun proyeksi ekspor dan impor nasional periode 20152019; 3. Menyusun proyeksi ekspor berdasarkan sektor (migas dan non migas) dan kelompok komoditi (pertanian, industri, dan pertambangan) periode 2015-2019; 4. Menyusun proyeksi impor berdasarkan sektor dan kelompok barang (bahan baku/penolong, barang modal dan barang konsumsi) periode 2015-2019. 1.4

Output dan Manfaat Penelitian

1.4.1 Output Penelitian Adapun output dari kajian ini berupa laporan tentang bahan rekomendasi dalam rangka penyusunan target ekspor impor Indonesia untuk RPJMN maupun Rencana Strategis Kementerian Perdagangan periode 2015-2019. 1.4.2 Manfaat Penelitian Kajian ini diharapkan dapat digunakan sebagai bahan pertimbangan bagi para pemangku kepentingan, terutama pemerintah, dalam menetapkan target ekspor dan impor Indonesia untuk RPJMN maupaun Rencana Strategis Kementerian Perdagangan periode 2015-2019. Selain itu, hasil kajian ini diharapkan dapat bermanfaat bagi stakeholder untuk meneropong trend perkembangan ekspor dan impor lima tahun ke depan, 1.5

Ruang Lingkup Penelitian Adapun ruang lingkup kegiatan yang akan dilakukan adalah sebagai berikut: 1) Aspek Ekonomi Penelitian ini difokuskan pada analisis faktor-faktor ekonomi yang mempengaruhi kinerja ekspor dan impor Indonesia.


8

2) Aspek Produk i. Dari aspek produk pada penelitian ini akan dikaji berdasarkan sektor (migas dan non migas) dan kelompok komoditi (pertanian, industri, dan pertambangan). ii. Produk impor yang dikaji adalah berdasarkan sektor (migas dan

nonmigas)

serta

kelompok

barang

(bahan

baku/penolong, barang modal dan barang konsumsi).


9

BAB II TINJAUAN PUSTAKA

2.1

Teori Perdagangan Internasional Perdagangan antarnegara atau perdagangan internasional sudah

ada sejak dahulu namun dalam jumlah dan ruang lingkup yang terbatas, dimana pemenuhan kebutuhan yang tidak dapat diproduksi di dalam negeri oleh masing-masing negara yang terlibat dalam perdagangan tersebut dipenuhi dengan cara barter. Pada awalnya perdagangan internasional merupakan pertukaran atau perdagangan tenaga kerja dengan barang dan jasa lainnya, yang selanjutnya diikuti dengan perdagangan barang dan jasa sekarang dengan kompensasi barang dan jasa di kemudian hari. Akhirnya berkembang hingga pertukaran antar negara dengan aset-aset yang mengandung risiko, seperti saham, valuta asing yang saling menguntungkan kedua belah pihak bahkan semua negara yang terkait di dalamnya. Hal tersebut memungkinkan setiap negara

melakukan

diversifikasi

atau

penganekaragaman

kegiatan

perdagangan yang dapat meningkatkan pendapatan mereka melalui perluasan komoditi ekspor dan memperbesar penerimaan devisa. Seiring dengan pertambahan jumlah penduduk dan meningkatnya taraf kehidupan yang bersamaan dengan kemajuan teknologi informasi menyebabkan peningkatan kebutuhan masyarakat. Hal tersebut pada akhirnya berdampak pada pentingnya peran perdagangan internasional. Pada saat ini, tidak ada satu negara pun yang berada dalam kondisi autarki, yaitu negara yang terisolasi, tanpa mempunyai hubungan ekonomi dengan negara lain. Terdapat beberapa hal yang mendorong terjadinya perdagangan internasional

diantaranya

dikarenakan

perbedaan

permintaan

dan

penawaran antar Negara. Perbedaan ini terjadi karena: (a) tidak semua negara

memiliki

dan

mampu

menghasilkan


komoditi

yang

10

diperdagangkan,

karena

faktor-faktor

alam

negara

tersebut

tidak

mendukung, seperti letak geografis dan kandungan buminya dan (b) perbedaan pada kemampuan suatu negara dalam menyerap komoditi tertentu pada tingkat yang lebih efisien (Salvatore, 1997). Menurut teori Heckscher–Ohlin terdapat perbedaan opportunity cost suatu produk antar satu negara dengan negara lain yang disebabkan karena adanya perbedaan jumlah atau proporsi yang dimiliki masingmasing Negara. Negara-negara yang memiliki faktor produksi relatif banyak dan murah dalam produksinya akan melakukan spesialisasi produksi dan mengekspor barangnya. Keadaan sebaliknya, masingmasing negara akan mengimpor barang tertentu apabila negara tersebut memiliki faktor produksi yang relatif langka dan mahal dalam produksinya (Hady dalam Octrianto, 2006). Perdagangan internasional antar dua negara yang terjadi akibat dari perbedaan permintaan dan penawaran dapat dilihat pada Gambar 2.1 yang mengambarkan perdagangan antara Negara P dan Negara Q, DP dan SP adalah kurva permintaan dan penawaran untuk Negara P. Sedangkan DQ dan SQ adalah kurva permintaan dan penawaran untuk Negara Q. Pada kondisi dimana kedua negara tidak dalam perdagangan, produksi dan konsumsi Negara P untuk suatu komoditi (misalnya tekstil) berada pada keseimbangan di titik A berdasarkan harga relatif sebesar P1. Pada

Negara

Q

produksi

dan

konsumsinya

terjadi

pada

titik

keseimbangan A’ dengan tingkat harga P3. Kondisi ini dengan asumsi bahwa harga domestik di Negara P lebih rendah dibandingkan dengan harga di Negara Q ( P1

11

Gambar 2.1 Keseimbangan dalam Perdagangan Internasional Sumber: Salvatore (1997)

Apabila kondisi harga di atas P1, maka Negara P akan memasok atau memproduksi komoditi tekstil lebih banyak daripada tingkat permintaan (konsumsi) domestik sehingga akan menyebabkan kelebihan penawaran (excess supply) di negara P. Kelebihan produksi itu selanjutnya akan diekspor ke Negara Q. Di lain pihak jika harga yang berlaku lebih kecil dari P3, maka Negara Q akan mengalami peningkatan permintaan (karena konsumen akan meminta lebih banyak pada tingkat harga yang relatif murah), sehingga tingkat permintaannya lebih tinggi daripada produksi domestiknya. Hal ini akan mendorong Negara Q untuk mengimpor kekurangan kebutuhannya atas komoditi tekstil tersebut dari negara yang mengalami kelebihan produksi komoditi tekstil yaitu Negara P. Berdasarkan harga relatif P1, kuantitas komoditi tekstil yang ditawarkan akan sama dengan kuantitas yang diminta. Pada saat berlangsungnya perdagangan internasional antara Negara P dan Q tingkat harga berada di titik P2 dan mengambil asumsi bahwa tidak ada biaya transportasi dalam proses perdagangan tersebut, maka Negara P akan mengekspor hasil kelebihan produksinya yang ditunjukkan oleh garis BE. Sementara itu, karena tingkat harga yang berlaku di pasar internasional lebih rendah dibandingkan dengan tingkat harga domestik Negara Q, maka Negara Q akan mengimpor kekurangan produksinya sebesar garis


12

B’E’. Hubungan penawaran dan permintaan kedua negara tersebut pada tingkat

harga

P2

akan

menyebabkan

terjadinya

keseimbangan

internasional di titik E* (Panel B). Kurva S dan D pada panel B menunjukkan tingkat penawaran dan permintaan yang terjadi dalam perdagangan internasional. Pada tingkat keseimbangan, kuantitas ekspor yang ditawarkan oleh Negara P sama dengan kuantitas yang diminta oleh Negara Q (BE = B’E’). Dari teori-teori perdagangan tersebut, dapat diambil kesimpulan bahwa perdagangan internasional menawarkan suatu keuntungan bagi negara-negara yang terlibat. Keuntungan-keuntungan dari perdagangan internasional adalah: tercipta persaingan di pasar internasional yang mendorong efisiensi dunia, spesialisasi dalam menghasilkan barang dan jasa secara murah, baik dari segi bahan maupun cara berproduksi, kenaikan

pendapatan,

cadangan

devisa,

transfer

modal,

dan

bertambahnya kesempatan kerja. Terdapat beberapa faktor yang menjadi pendorong semua negara di dunia untuk melakukan perdagangan luar negeri dan yang terpenting diantaranya adalah (Sukirno, 2004): (1) Memperoleh barang yang tidak dapat dihasilkan di dalam negeri; (2) Mengimpor teknologi yang lebih modern dari negara lain; (3) Memperluas pasar produk-produk dalam negeri; dan (4) Memperoleh keuntungan dari spesialisasi. Keuntungan-keuntungan perdagangan tersebut mendorong seluruh negara di dunia untuk mengaplikasikan perdagangan internasional yang menekan biaya ekonomi serendah mungkin. Hal inilah yang kemudian menjadi latar belakang tumbuhnya semangat liberalisasi bagi negara-negara seluruh dunia yang tergabung dalam World Trade Organization (WTO). 2.2

Ekspor dan Impor Ekspor merupakan penjualan barang yang dihasilkan oleh suatu

negara ke negara lain. Suatu negara dapat mengekspor suatu barang atau jasa yang dihasilkannya ke negara-negara lain yang tidak dapat menghasilkan sendiri barang-barang yang dihasilkan oleh negara


13

pengekspor tersebut. Dalam perdagangan internasional khususnya ekspor mempunyai

peranan

penting,

yakni

sebagai

motor

penggerak

perekonomian nasional. Sebab ekspor dapat menghasilkan devisa, yang selanjutnya dapat digunakan untuk membiayai impor dan menstimulus pembangunan sektor-sektor di dalam negeri. Impor merupakan pembelian barang yang dilakukan oleh suatu negara kepada negara lain yang menghasilkan barang tersebut, Impor dapat terjadi karena suatu negara tidak bisa menghasilkan barang-barang modal dan berbagai jenis barang untuk keperluan pengembangan berbagai jenis industri negaranya. Jika impor lebih besar daripada ekspor, maka cadangan devisa akan berkurang atau neraca perdagangan akan defisit. 2.2.1 Teori Penawaran Ekspor Penawaran suatu komoditi merupakan jumlah komoditi yang ditawarkan oleh produsen kepada konsumen dalam suatu pasar pada tingkat harga dan waktu tertentu. Beberapa faktor yang mempengaruhi penawaran suatu komoditi adalah harga komoditi yang bersangkutan, harga faktor produksi, tingkat teknologi, pajak dan subsidi (Lipsey et all, 1995). Penawaran suatu komoditi selain untuk memenuhi permintaan dalam negeri juga dimaksudkan untuk memenuhi permintaan masyarakat luar negeri. Penawaran ekspor suatu komoditi dari suatu negara merupakan selisih antara penawaran domestik dengan permintaan domestik. Di lain pihak, negara lain membutuhkan komoditi tersebut sebagai akibat dari kelebihan permintaan di negara tersebut, Berdasarkan uraian tersebut maka teori penawaran ekspor bertujuan untuk menentukan faktor-faktor yang mempengaruhi penawaran ekspor suatu negara. Secara sistematis dapat dirumuskan sebagai berikut: SXt = Qt – Ct + St-1 Dimana:

(2.1)

SXt = Jumlah ekspor komoditi periode waktu t Qt = Jumlah produksi domestik periode waktu t


14

Ct = Jumlah konsumsi domestik periode waktu t St-1 = Stok periode waktu sebelumnya (t-1) Dari Persamaan 2.1 dapat terlihat bahwa faktor-faktor yang mempengaruhi penawaran ekspor pada dasarnya terdiri dari faktor-faktor yang mempengaruhi produksi, konsumsi, dan stok. 2.2.2 Teori Permintaan Ekspor Permintaan ekspor suatu komoditi merupakan hubungan yang menyeluruh antara kuantitas komoditi yang akan dibeli konsumen selama periode tertentu pada suatu tingkat harga. Permintaan pasar suatu komoditi merupakan penjumlahan secara horizontal dari permintaanpermintaan individu suatu komoditi (Lipsey et all, 1995). Dilihat dari segi permintaan, kegiatan ekspor diasumsikan sebagai fungsi permintaan pasar internasional terhadap suatu komoditi yang dihasilkan oleh suatu Negara. Permintan ekspor adalah permintaan pasar internasional/negara tertentu terhadap suatu komoditi. Teori permintaan ekspor bertujuan untuk menentukan faktor-faktor yang mempengaruhi permintaan ekspor suatu negara. Sebagai

sebuah

permintaan,

ekspor

suatu

negara

(PXt)

dipengaruhi oleh beberapa faktor, diantaranya harga domestik negara tujuan ekspor (HDIt), harga impor negara tujuan (HIt), pendapatan perkapita penduduk negara tujuan ekspor (YPIt) dan selera masyarakat negara tujuan (CPIt). Secara keseluruhan fungsi permintaan ekspor suatu komoditi dapat dirumuskan sebagai berikut: PXt = f (HDIt; HIt; YPIt; CPIt)

(2,2)

2.2.3 Teori Permintaan Impor Kegiatan mendatangkan barang maupun jasa dari luar negeri dapat dipandang sebagai suatu fungsi permintaan. Oleh karena itu, Indonesia yang melakukan impor baik terhadap barang-barang maupun jasa-jasa yang dihasilkan oleh negara lain, pada dasarnya juga telah melakukan suatu permintaan terhadap barang dan jasa tersebut. Seperti diketahui, di


15

dalam

suatu

teori

permintaan

terdapat

variabel-variabel

yang

mempengaruhi impor sebagai fungsi permintaan akan dijelaskan secara singkat berikut ini: 1. Harga Teori ekonomi mengatakan bahwa sesuai hukum permintaan, kurva permintaan mempunyai kemiringan negatif yang dijelaskan sebagai berikut: “When the price of a commodity is raised (and other things are held constant), buyer tend to buy less of the commodity, Similarly, when the price is lowered, other things equal, quantity demanded increased” (Samuelson,1983). Hal ini menunjukkan bahwa jumlah permintaan sangat tergantung pada harga barang tersebut. Dengan kata lain harga barang akan menentukan jumlah permintaan terhadap suatu barang. 2. Tingkat Pendapatan Penekanan kurva permintaan biasanya selalu diletakkan pada keterkaitan antara jumlah dan harga dengan syarat ceteris paribus. Namun demikian, sesungguhnya masih banyak faktor lain di luar harga yang turut mempengaruhi permintaan akan suatu barang tersebut, Beberapa ahli-ahli ekonomi seperti Paul A. Samuelson dan William D. Nordhaus, mengatakan bahwa permintaan akan suatu barang juga dipengaruhi oleh “…,,average level of income, the size of the population, the prices and availability of related goods, individual tasted…,,” (Samuelson, 1983). Selanjutnya juga dinyatakan bahwa “the average income of consumers is a key determinated of demand, As people’s income rise, they tend to buy more of almost everything…” (Samuelson, 1983). Dalam analisis selanjutnya, faktor-faktor seperti besarnya pasar yang tercermin dari banyaknya penduduk, tersedianya barang substitusi dan cita rasa yang sifatnya sangat subyektif bagi setiap individu akan ditiadakan dan diperlakukan sebagai variabel pengganggu. Ahli ekonomi lainnya, Lindert dan Kindleberger (dalam Samuelson, 1983), juga menyatakan adanya hubungan antara permintaan dengan tingkat pendapatan nasional suatu bangsa, khususnya permintaan akan barang dan jasa dari luar negeri atau impor.


16

3. Nilai Tukar Mata Uang Asing Seperti telah diketahui bahwa dalam kegiatan perdagangan yang dilakukan antar negara di seluruh dunia (perdagangan internasional), meliputi ekspor dan impor, alat pembayaran merupakan instrumen yang penting. Dalam lingkup perdagangan domestik yang tidak melakukan hubungan dagang dengan luar negeri, digunakan mata uang negara itu sendiri sebagai alat pembayarannya. Sedangkan dalam perdagangan internasional yang melibatkan dua negara yang berbeda mengharuskan suatu alat pembayaran berupa mata uang yang dapat diterima oleh kedua negara baik negara yang mengekspor maupun negara yang mengimpor barang dan jasa tersebut. Mata uang setiap negara mempunyai harga yang dinyatakan dalam mata uang negara lainnya, Ini disebut sebagai kurs atau nilai tukar atau exchange rate (Lindert dan Kindleberger, 1982). Hingga saat ini salah satu mata uang yang bersifat internasional dalam arti bahwa mata uang tersebut diakui oleh seluruh negara di dunia sebagai alat pembayaran adalah mata uang dolar Amerika Serikat (USD). USD sebagai mata uang internasional, atau sering disebut sebagai hard currency, mempunyai suatu nilai yang diukur dengan mata uang masing-masing negara yang bersangkutan, yaitu negara-negara pengekspor dan pengimpor. Nilai inilah yang disebut sebagai nilai tukar mata uang dolar terhadap mata uang masing-masing negara. Indonesia sebagai negara yang melakukan ekspor maupun impor atas barang dan jasa dari negara lain juga melakukan pembayaran ataupun penerimaan pembayaran dengan menggunakan mata uang internasional tersebut. Khusus dalam bidang impor, Lindert dan Kindleberger dalam buku International Economics menyatakan bahwa “Importing goods and services correspondingly tends to cause the home currency to be sold in order to buy foreign currency” (Lindert dan Kindleberger, 1982). Penjualan mata uang negara yang mengimpor, dalam hal ini Indonesia dilakukan karena alat pembayaran yang diterima negara lain, yaitu negara pengekspor adalah USD sehingga Rupiah


17

sebagai mata uang Indonesia harus ditukar atau dibelikan valuta asing berupa dollar. Perubahan kurs mata uang USD terhadap Rupiah mengakibatkan tingkat harga relatif impor suatu barang per unit mengalami perubahan. 4. Selera (Taste) Selera atau pola preferensi konsumen pada umumnya berubah dari waktu ke waktu. Naiknya intensitas keinginan seseorang terhadap suatu barang tertentu pada umumnya berakibat naiknya jumlah permintaan terhadap barang tersebut. Begitu pula sebaliknya, turunnya selera konsumen terhadap suatu barang akan berakibat turunnya jumlah permintaan. 5. Harga barang-barang lain yang sejenis (subtusi) dan barang pelengkap (komplementer) Barang-barang konsumen pada umumnya mempunyai kaitan penggunaan antara satu dengan yang lain. Kaitan penggunaan antar kedua barang konsumsi pada dasarnya dapat dibedakan menjadi dua macam yaitu saling mengganti (substitute relation) dan saling melengkapi (complementarity relation). Dua barang dikatakan mempunyai hubungan yang saling mengganti adalah apabila naiknya harga salah satu barang mengakibatkan naiknya jumlah permintaan terhadap barang yang lain. Sedangkan untuk hubungan yang saling melengkapi adalah apabila naiknya harga salah satu barang mengakibatkan turunnya jumlah permintaan terhadap barang yang lain. 2.3

Instrumen Kebijakan Perdagangan Internasional: Pengembangan Ekspor dan Pengendalian Impor Perbedaan komparatif dan kompetitif antar negara yang mendasari

perdagangan

internasional

mengharuskan

sebuah

negara

untuk

mengamankan kepentingan nasionalnya. Hampir semua negara di dunia membuat hambatan perdagangan terutama impor agar arus barang yang masuk dapat terkontrol. Di samping itu, perbedaan keunggulan komparatif dan kompetitif juga menjadi dasar sebuah negara untuk meningkatkan


18

ekspor dengan menetapkan kebijakan-kebijakan yang mendukung pelaku domestik.

Beberapa

instrumen

kebijakan

dalam

perdagangan

internasional baik impor maupun ekspor, seperti hambatan tarif dan nontarif serta promosi dan diversifikasi ekspor akan dijelaskan dalam beberapa subbab berikut. 2.3.1 Promosi Ekspor Strategi ekspor merupakan salah satu faktor yang berkontribusi terhadap pertumbuhan ekonomi suatu negara dan terdapat korelasi yang kuat antara strategi ekspor dan pertumbuhan ekonomi suatu negara (Krueger, 1983). Cara sebuah negara menyusun strategi ekspornya bergantung kepada aspek budaya, hukum, dan lingkungan politik serta pembangunan ekonomi negara yang bersangkutan (Seringhaus dan Rosson,1990). Selain itu, juga harus diindikasikan beberapa nuansa antara promosi ekspor tradisional (traditional export) dan produk-produk ekspor baru (new export products). Ekspor tradisional hanya akan berpengaruh terhadap pertumbuhan ekspor (export growth), sementara produk-produk ekspor baru yang salah satunya adalah diversifikasi ekspor (baik diversifikasi geografis maupun diversikasi produk) yang sangat penting bagi pengembangan ekspor (export development). Secara umum, promosi ekspor adalah bagian yang paling penting dalam kebijakan perdagangan di banyak negara. Promosi ekspor memiliki makna melakukan kebijakan perdagangan aktif. Dalam beberapa dekade terakhir, strategi promosi ekspor dilakukan di negara-negara berkembang dan di negara-negara yang mengalami masa transisi. Kebijakan promosi ekspor dalam konteks sebagai sebuah rule adalah suatu fase dari kebijakan perdagangan dalam kondisi sosial, ekonomi, dan politik tertentu. Dewasa ini program-program promosi ekspor menyediakan pelayanan yang komprehensif dan canggih terhadap komunitas bisnis. Isu mengenai peran dari program-program dalam strategi promosi ekspor mendapat perhatian yang luar biasa dari dua perspektif cabang pemikiran ekonomi yang saling bertentangan. Satu pihak memandang


19

bahwa program promosi ekspor sebagai subsidi akan mendistorsi perdagangan bebas. Distorsi tersebut diasumsikan akan mendorong misalokasi sumberdaya dan akan mengakibatkan turunnya kesejahteraan global (Bhagwati, 1990 serta Bhagwati, Ramaswami dan Srinivasan, 1969). 2.3.2 Diversifikasi Ekspor Diversifikasi ekspor pada intinya adalah usaha penganekaragaman produk

atau perluasan pasar ekspor. Salah satu definisi diversifikasi

ekspor menurut Ali, Alwang, dan Siegel (1991) adalah ketika terjadi perubahan dalam bauran komposisi produk ekspor yang tersedia di suatu negara atau tujuan ekspor atau ketika terjadi penyebaran produksi di banyak sektor (Berthelemy dan Chauvin, 2000). Bagi banyak negara berkembang, dan sebagai bagian dari pertumbuhan ekonomi yang didorong oleh ekspor, diversifikasi ekspor dipandang sebagai kemajuan dari ekspor yang bersifat tradisional kepada ekspor yang bersifat nontradisional. Dengan membangun basis ekspor yang lebih luas, diversifikasi ekspor dapat mengurangi instabilitas penerimaan ekspor, meningkatkan penerimaan ekspor, meningkatkan nilai tambah, dan meningkatkan pertumbuhan ekonomi melalui berbagai saluran. Kesemua hal tersebut termasuk meningkatnya kapabilitas teknologi melalui pelatihan teknis dan keilmuan serta proses learning by doing, serta fasilitasi keterkaitan ke depan dan ke belakang (forward and backward linkages) di dalam output. Dari beberapa aktivitas tersebut, kemudian menjadi input dari aktivitasaktivitas yang lain, peningkatan kecanggihan pasar, skala-skala ekonomi dan eksternalitas, dan substitusi komoditas yang mengalami trend harga positif untuk komoditas-komoditas yang mengalami trend penurunan harga. Di dalam literatur perdagangan, diversifikasi ekspor dapat memiliki beberapa dimensi dan dapat dianalisis pada level-level yang berbeda. Ada dua bentuk diversifikasi ekspor yang dikenal yakni diversifikasi ekspor horisontal dan diversifikasi ekspor vertikal. Diverfisikasi horisontal terjadi di


20

dalam sektor yang sama (primer, sekunder atau tersier) dan melibatkan penyesuaian di dalam bauran ekspor suatu negara dengan menambahkan produk-produk baru pada keranjang ekspor yang ada di dalam sektor yang sama,

dengan

harapan

untuk

memitigasi

risiko

ekonomi

(untuk

menghindari instabilitas atau penurunan harga internasional) dan risikorisiko politik. Sementara itu, diversifikasi vertikal pada pemrosesan barangbarang manufaktur domestik, dapat diartikan sebagai suatu pergeseran dari sektor primer ke sektor sekunder atau sektor tersier. Diversifikasi vertikal ini ditujukan untuk meningkatkan nilai guna produk-produk yang sudah ada dengan melakukan aktivitas untuk meningkatkan nilai tambah seperti pemrosesan, pemasaran atau jasa-jasa lainnya. Diversifikasi vertikal dapat memperluas peluang-peluang pasar dan membantu peningkatan pertumbuhan dan stabilitas ekonomi karena barang-barang yang diolah memiliki harga yang lebih bagus dibandingkan dengan bahanbahan mentah. Selain kedua diversifikasi tersebut, diversifikasi diagonal juga sering dirujuk dalam berbagai literatur. Diversifikasi ini melibatkan pergeseran dari input-input yang diimpor ke dalam sektor sekunder dan sektor tersier. Persyaratan-persyaratan untuk berhasilnya diversifikasi horisontal, vertikal atau diagonal sangat bervariasi dan bergantung kepada kemampuan (skills) dan investasi modal, teknologi, dan kompetensikompetensi

manajerial

serta dalam

kemampuan jangka

dalam

panjang

hal

yang

pemasaran,

Pertumbuhan

ekspor

berkelanjutan

memerlukan

diversifikasi horisontal (misalnya dengan penambahan

produk-produk baru dari produk-produk yang sudah ada) dan diversifikasi vertikal (misalnya bergerak dari komoditas berbasis bahan mentah kepada produk-produk manufaktur yang memiliki nilai tambah yang lebih tinggi). Hal ini dapat dicapai baik dengan penyesuaian pangsa komoditaskomoditas dalam bauran ekspor yang sudah ada atau dengan penambahan produk-produk baru ke dalam bauran ekspor.


21

2.3.3 Tarif Tarif merupakan pengenaan pajak atau custom duties terhadap barang-barang yang melewati batas suatu negara. Dilihat dari aspek asal komoditi (barang/produk), ada dua macam tarif yaitu (Salvatore,1997): 1. Tarif impor, adalah pajak yang dikenakan untuk setiap komoditi yang diimpor dari negara lain. 2. Tarif ekspor, adalah pajak untuk suatu komoditi yang diekspor. Sementara bila ditinjau dari mekanisme perhitungannya, ada tiga jenis tarif, yaitu: 1. Tarif ad valorem adalah pajak yang dikenakan berdasarkan angka persentase tertentu dari nilai barang-barang yang diimpor. 2. Tarif spesifik dikenakan sebagai beban tetap per unit barang yang diimpor. 3. Tarif campuran adalah gabungan antara tarif ad valorem dengan tarif spesifik. Tarif merupakan bentuk kebijakan perdagangan yang paling tua dan secara tradisional telah digunakan sebagai sumber penerimaan pemerintah sejak lama. Maksud utama pengenaan tarif biasanya tidak semata-mata untuk memperoleh pendapatan pemerintah, melainkan juga sebagi alat untuk melindungi sektor-sektor tertentu di dalam negeri dan tekanan persaingan produk impor. Namun, peranan tarif kini telah menurun dalam era modern sekarang ini. Hal ini disebabkan pemerintah dari berbagai negara lebih suka dan terbiasa melindungi industri-industri domestik mereka dengan memberlakukan berbagai macam dan bentuk hambatan non-tarif seperti kuota impor ataupun kuota ekspor (Krugman dan Obstfeld, 2003). 2.3.4 Hambatan Non Tarif (Non-Tariff Barrier) Salah satu bentuk hambatan impor bukan tarif adalah kuota. Kuota adalah pembatasan secara langsung jumlah fisik terhadap barang yang masuk (kuota impor) dan keluar (kuota ekspor). Pemberlakuan kuota impor memberikan dampak-dampak terhadap konsumsi dan produksi seperti yang ditimbulkan oleh penerapan tarif impor yang setara. Puska Daglu, BP2KP, Kementerian Perdagangan

22

Penyesuaian terhadap setiap pergeseran dalam kurva permintaan atau kurva penawaran sehubungan dengan adanya kuota impor akan terjadi pada kuantitas domestik. Sedangkan jika yang diberlakukan adalah tarif impor, maka penyesuaian tersebut akan terjadi pada harga komoditas impor. Secara umum, kuota impor itu lebih menghambat daripada tarif impor yang setara. Kuota impor biasanya dikenakan terhadap bahan mentah sebagai barang perdagangan penting serta di bawah suatu pengawasan badan internasional. Lebih lanjut Krugman dan Obstfeld (2004) menyatakan bahwa perbedaan dampak yang ditimbulkan oleh kuota dibandingkan dengan tarif terletak pada pendapatan negara. Dengan menerapkan kuota, pemerintah tidak memperoleh pendapatan secara langsung. Jika pemerintah memilih untuk memberlakukan kuota, bukannya tarif, untuk membatasi impor maka besarnya pendapatan yang akan diperoleh dengan mengenakan tarif masih dapat diperoleh dengan cara memungutnya dari siapa saja yang menerima lisensi impor. Pemegang lisensi dapat mengimpor suatu produk yang dikenai kuota dan menjualnya di dalam negeri dengan harga yang lebih tinggi. Dalam menghitung biaya dan manfaat dari pembatasan impor, masalah

utamanya

adalah

menentukan

siapa

yang

memperoleh

keuntungan (rents). Jika hak menjual di pasaran dalam negeri diberikan kepada pemerintah negara pengekspor, maka alih keuntungan ke luar negeri menyebabkan biaya pengenaan kuota menjadi jauh lebih besar daripada biaya atau kerugian yang ditimbulkan oleh instrumen tarif. Berbagai

macam

restriksi

atau

hambatan

non-tarif

telah

menggantikan peranan tarif di masa sebelumnya, ini merupakan ancaman bagi kelangsungan dan perkembangan perdagangan internasional yang bebas. Penggunaan hambatan perdagangan ini pada intinya bertentangan dengan semangat pasar bebas (liberalisasi) yang diusung WTO. Penggunaan kebijakan non-tarif (NTMs) oleh negara-negara di dunia meningkat tajam seiring dengan banyaknya kerja sama ekonomi di bidang liberalisasi tarif. NTMs didefinisikan sebagai langkah-langkah kebijakan yang memiliki efek membatasi perdagangan tanpa melanggar


23

hukum perdagangan internasional sedangkan hambatan non-tarif (NTBs) didefinisikan sebagai instrumen kebijakan

yang melanggar hukum

perdagangan internasional (www.oecd.org). NTMs dapat mencakup persyaratan dokumentasi dan biaya kepabeanan serta pengaturan kebijakan seperti penerapan standar. Sedangkan klasifikasi kebijakan non-tarif menurut OECD adalah mencakup: para-tariff measures, price control measures, finance measures, automatic licensing measures, quantity control measures, monopolistic measures, technical measures, dan miscellaneous measures. Penerapan

kebijakan

non-tarif

diizinkan

menurut

hukum

perdagangan internasioanal dengan catatan ditujukan untuk melindungi kesehatan, keamanan, keselamatan, sanitasi, nutrisi, keagamaan, atau untuk melindungi sumber daya alam yang tidak dapat diperbaharui dan tidak menciptakan unnecessary barriers. Apabila NTMs yang diterapkan tidak berdasarkan scientific basis serta melanggar hukum perdagangan internasional, sebagai contoh hanya untuk memberikan manfaat pada produsen domestik, tidak berdasar pada prinsip-prinsip standar dan diimplementasikan secara diskriminatif maka NTMs tersebut dikategorikan menjadi NTBs. Dengan kata lain hambatan non-tarif adalah kebijakan nontarif yang menyebabkan unfair impediments pada perdagangan, Jenisjenis hambatan non-tarif antara lain mencakup kuota impor, label, sanitary &

phutosanitary

(SPS),

hambatan

teknis,

larangan

impor,

dan

perlindungan hak kekayaan intelektual. Kebijakan non-tarif digunakan oleh negara-negara dengan tujuan untuk mencapai effectiveness, consistency, predictability dan trade defense. Namun pada kenyataannya seringkali NTMs disalahgunakan oleh suatu negara yang bertujuan untuk melindungi ekonomi suatu negara khususnya perusahaan-perusahaan tertentu yang tidak efisien dan kompetitif. NTMs dapat diterapkan oleh suatu negara sepanjang sifat kebijakan tersebut tidak diskriminatif serta informasi mengenai kebijakan dimaksud dapat diakses dengan mudah dan sesuai dengan standar global.


24

2.4

Proyeksi Ekspor dan Impor Penyusunan target ekspor dan impor dalam kajian ini tidak lepas

dari metode proyeksi (forecasting). Metode proyeksi mencakup analisis data deret waktu dengan satu ragam variabel (univariate) maupun dengan bebeberapa variabel yang bersifat kausal (multivariate). Dalam penelitian empiris pendekatan univariate lazim dipakai karena kesederhanaan metode dan mampu menghasilkan akurasi yang tinggi. Pada umumnya, langkah awal sebelum memilih suatu model analisis yang dianggap sesuai adalah melakukan eksplorasi data. Eksplorasi data melalui analisis statistik deskriptif serta grafik yang berguna untuk mengidentifikasi perilaku data. Karakteristik teramati antara lain mencakup empat komponen pertanyaan yaitu: (i) ada atau tidaknya trend, (ii) apakah terdapat pola musiman, (iii) apakah terdapat siklus tertentu, (iv) bagaimana perilaku irregular term data tersebut. Selain itu, terdapat beberapa syarat yang diperlukan dalam metode proyeksi, diantaranya: (i) ketersediaan informasi yang lalu, (ii) kuantifikasi informasi masa lalu, (iii) asumsi pola dalam data historis berlaku untuk periode yang akan datang. Beberapa metode analisis univariate yang sering digunakan dalam penelitian empiris diantaranya metode pemulusan (smoothing), Box-Jenkins

(Autoregressive

Integrated

Moving

Average/ARIMA),

Autoregressive Conditional Heteroskedasticity (ARCH), dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Mengingat bahwa tujuan dari peramalan adalah untuk memperoleh hasil ramalan yang akurat maka kriteria yang dipergunakan untuk memilih model

yang

dianggap

terbaik

adalah

akurasi.

Meski

demikian,

pertimbangan lain yang umumnya digunakan dalam penerapan metode peramalan yakni kesederhanaan. Maknanya adalah jika dari beberapa pendekatan diperoleh tingkat akurasi peramalan yang kurang lebih sama maka seyogyanya pilihan diarahkan pada pendekatan yang lebih sederhana, yakni metode yang relatif lebih mudah teknik komputasinya, estimasi parameter yang lebih sedikit, dan ketersediaan data yang lebih mudah.


25

Selain

metode

univariate,

kajian

ini

juga

mencoba

untuk

menggunakan metode multivariate untuk menghasilkan proyeksi ekspor dan impor Indonesia dalam jangka waktu 2015-2019. Pada model multivariate, substansi permasalahan terletak pada hubungan kausal antar variabel. Untuk itu, diperlukan ketersediaan data beberapa variabel yang mempunyai hubungan kausal atau saling mempengaruhi. Variabel yang akan

dibuat

proyeksi

diperlakukan

sebagai

dependent

variable,

sedangkan variabel-variabel yang dihipotesakan mempengaruhi perilaku dependent variable tersebut adalah independent variable. Metode proyeksi multivariate yang banyak digunakan adalah dengan menggunakan metode ekonometrik sistem persamaan tunggal seperti Ordinary Least Square (OLS) maupun Vector Autoregressive (VAR). Proyeksi dilakukan berdasarkan hasil pendugaan koefisien parameter yang tercakup dalam model tersebut. Jika dibandingkan dengan

model

univariate,

kelebihan

model

multivariate

adalah

ketersediaan informasi mengenai faktor-faktor yang mempengaruhi perilaku variabel yang akan diproyeksi. Sedangkan dari sisi kelemahan, terutama terkait dengan kebutuhan data yang lebih banyak dan melibatkan langkah-langkah penyesuaian dalam pembentukan model, serta tingkat akurasi peramalan yang umumnya lebih rendah daripada peramalan dengan menggunakan pendekatan univariate (Surachman dkk, 2009). 2.5

Penelitian Terdahulu Pada kajian ini, baik variabel maupun metode yang digunakan

merupakan sintesa dari beberapa penelitian yang telah dilakukan sebelumnya sebagai berikut: 1. Penelitian Siddique (1997) yang berujudul Estimation of an Import Demand Function for Indonesia: 1971-93. Penelitian ini bertujuan untuk mengestimasi fungsi permintaan agregrat impor Indonesia serta implikasi dari impor. Penelitian ini mengestimasi GDP riil dan harga relatif impor dalam bentuk log linear dengan menggunakan Puska Daglu, BP2KP, Kementerian Perdagangan

26

metode OLS sebagai pendekatan yang paling tepat untuk menjelaskan fungsi permintaan impor. Hasil penelitian tersebut menunjukkan bahwa pendapatan dan harga merupakan determinan penting dalam permintaan impor. Elastisitas pendapatan dan harga menunjukkan nilai yang signifikan. Permintaan impor Indonesia, dalam penelitian tersebut elastis terhadap pendapatan dan inelastis terhadap harga impor. 2. Penelitian Aydin, Çiplak, dan Yücel (2004) dengan judul Export Supply and Import Demand Models for the Turkish Economy. Tujuan penelitian ini adalah untuk mengestimasi variabel ekspor, impor, GDP riil, nilai tukar riil, harga ekspor, unit labor costs dengan menggunakan dua metode penelitian yakni Single Equation Models dan Vector Auto Regressions (VAR) Analysis. Hasil penelitian dengan menggunakan Single Equation Model menunjukkan bahwa impor dapat dijelaskan oleh nilai tukar riil dan pendapatan nasional sedangkan ekspor ditentukan oleh unit labor costs, harga ekspor, dan pendapatan nasional. Nilai elastisitas pendapatan nasional terhadap impor lebih tinggi daripada nilai elastisitas pendapatan ansional terhadap ekspor. Selain itu, hasil penelitian dengan menggunakan model VAR juga menunjukkan hasil yang sama dengan yang dihasilkan oleh single equation model. Hasil analisa VAR

menunjukkan

nilai

tukar

hanya

signifikan

dalam

mempengaruhi impor. Dengan demikian, nilai tukar, sebagai determinan neraca perdagangan, berdampak terhadap defisit neraca perdagangan melalui impor, bukan ekspor. Depresiasi nilai tukar tidak menyebabkan naiknya ekspor namun memperkecil impor sehingga memperkecil defisit neraca perdagangan. 3. Penelitian Khan (2011) yang berjudul Identifying an Appropriate Forecasting Model for Forecasting Total Import of Bangladesh. Penelitian ini bertujuan untuk membandingkan dan mencari model proyeksi yang paling tepat dengan error paling minimum dalam memproyeksi impor di Bangladesh. Model proyeksi yang digunakan


27

adalah metode seasonal Holts’ Winter, seasonal ARIMA, dan VAR. Variabel yang digunakan dalam penelitian tersebut adalah total impor total, total ekspor, selisih aset luar negeri (net foreign asset), kredit dalam negeri, nilai tukar, tingkat inflasi. Dari hasil membandingkan di antara 3 model, maka model VAR memberikan nilai error peramalan yang kecil dari semua aspek penilaian error yang terdiri dari Mean Error (ME), Mean Squared Error (MSE), Mean Percentage Error (MPE), dan Mean Absolute Percentage Error (MAPE)) sehingga model VAR merupakan model yang paling tepat untuk peramalan impor Bangladesh. 4. Penelitian Chani, Pervais, dan Chaudary (2011) dengan judul Determination of Import Demand in Pakistan: The Role of Expenditure Componen. Penelitian ini bertujuan untuk melihat pengaruh komponen pengeluaran terhadap impor di Pakistan. Teknik yang digunakan untuk mengestimasi jangka panjang adalah Johansen

Cointegration

sedangkan

dalam

jangka

pendek

digunakan Vector Error Correction Model (VECM). Dalam penelitian ini, variabel yang digunakan sebagai variabel penjelas dalam fungsi permintaan impor adalah komponen dari GDP seperti pengeluaran konsumsi, investasi, dan ekspor. Selain itu juga digunakan variabel rasio harga impor terhadap harga domestik. Hasil penelitian tersebut menunjukkan bahwa dalam jangka panjang dan jangka pendek, semua komponen pengeluaran (pengeluaran konsumsi, investasi, dan ekspor) secara signifikan dan positif berpengaruh terhadap permintaan impor di Pakistan. Hal ini mengindikasikan bahwa pertumbuhan ekonomi akan mendorong peningkatan permintaan impor di Pakistan sesuai teori Keynes. Namun, pengaruh harga relatif impor negatif dan tidak signifikan, baik dalam jangka

panjang

maupun

dalam

jangka

pendek.

Hal

ini

mencerminkan bahwa kebijakan substitusi impor yang diadopsi oleh Pakistan sejak tahun 1950 tidak berhasil mencapai target dalam memproduksi substitusi impor.


28

5. Penelitian Kementerian Perdagangan Republik Indonesia (2011) tentang Penetapan Target Pertumbuhan Ekspor Non Migas sebagai

salah

satu

indikator

kinerja

utama

Kementerian

Perdagangan. Pada kajian tersebut, dalam menetapkan target pertumbuhan ekspor non migas digunakan model ekonomterika dengan menggunakan data time series 1980-2010. Hasil penelitian menunjukkan bahwa ekspor non migas dipengaruhi secara signifikan oleh pertumbuhan ekonomi dunia dan pola ekspor di tahun-tahun

sebelumnya.

Sementara

itu,

nilai

tukar

tidak

berpengaruh signifikan terhadap kinerja ekspor. Selain menetapkan target ekspor, kajian ini juga bertujuan untuk menetapkan target jumlah tenaga kerja yang tercipta di sektor industri pengolahan akibat

ekspor

non

migas

dan

target

kebutuhan

investasi

(Pembentukan Modal Tetap Bruto/PMTB) tahunan untuk periode tahun 2011-2014. Dengan menggunakan model Input-Output, diperoleh hasil penelitian bahwa penyerapan tenaga kerja secara keseluruhan

akibat

adanya

pencapaian

ekspor

non

migas

Indonesia selama periode tahun 2011-2014 adalah selalu di atas nilai 3 persen per tahun, atau sekitar 4 juta tenaga kerja yang dapat diserap per tahunnya. 6. Penelitian Rahmaddi dan Ichisashi (2012) dengan judul How Do Foreign and Domestic Demand Affect Exports Performance? An Econometric Investigation of Indonesia’s Exports. Penelitian ini bertujuan

untuk

menganalisis

permintaan

domestik

dan

internasional terhadap ekspor Indonesia dalam model permintaan dan penawaran. Metode Two Stage Least Square (2SLS) digunakan untuk meneliti variabel kuantitas ekspor (Nilai ekspor riil), indeks harga ekspor (rasio nilai ekspor riil (konstan) terhadap nilai ekspor nominal (current), tren GDP riil dunia, siklus GDP riil dunia, harga domestik (whole sale price index), tren output riil (trend linier pada log output riil), deviasi tren pendapatan, dan variabel boneka (dummy variable) yakni gejolak ekspor tahun 1999


29

(exports shock), gejolak harga minyak (oil price shocks), liberalisasi perdagangan,

dan

krisis

ekonomi

Asia.

Hasil

penelitian

menunjukkan bahwa harga relatif dan pendapatan dunia memiliki pengaruh yang signifikan terhadap permintaan ekspor Indonesia. Dalam jangka panjang, nilai elastitisatas harga relatif ekspor sebesar 1,88 menunjukkan bahwa permintaan ekspor Indonesia cukup sensitif terhadap harga. Hal ini juga menunjukkan bahwa ekspor Indonesia telah bergeser dari komoditi primer ke produkproduk manufaktur. Sementara itu elastisitas trend pendapatan juga memiliki nilai yang sangat tinggi yakni sebesar 2,62. Hal ini menunjukkan bahwa permintaan ekspor Indonesia sangat responsif terhadap perubahan pendapatan.


30

BAB III METODE PENELITIAN

3.1

Kerangka Kerja Konseptual Dari tinjauan pustaka pada Bab II dapat dirangkum bahwa kinerja

ekspor dan impor Indonesia dipengaruhi oleh berbagai faktor. Kinerja ekspor agregat dapat dipengaruhi oleh pendapatan (GDP) dunia, nilai tukar riil, harga internasional, dan populasi dunia. Sementara itu, kinerja impor agregat dapat dipengaruhi oleh pendapatan domestik, nilai tukar riil; jumlah penduduk nasional, harga produk impor, inflasi, Foreign Direct Investment (FDI), dan cadangan devisa. Berbagai variabel penjelas ini yang nantinya digunakan untuk memproyeksikan pertumbuhan nilai ekspor dan impor agregat menggunakan model VAR. Setelah itu, diproyeksikan pertumbuhan nilai ekspor berdasarkan sektor migas dan non migas, maupun kelompok komoditi ekspor primer dan manufaktur menggunakan model ARIMA. Demikian pula nilai impor sektoral berdasarkan bahan baku/penolong, barang modal, dan konsumsi diproyeksikan menggunakan metode exponential smoothing dan model ARIMA. Hasil pemodelan ekspor dan impor sektoral akan diselaraskan dengan hasil pemodelan ekspor dan impor agregat untuk memperoleh nilai proyeksi yang masuk akal. Hasil proyeksi ekspor dan impor kemudian akan dimintakan pendapat dari para ahli (expert judgement) melalui FGD. Hasil akhir yang ingin diperoleh tentu saja rekomendasi target ekspor dan impor, Adapun kerangka kerja konseptual penelitian dapat dilihat pada Gambar 3.1.


31

AGREGAT

SEKTOR/KOMODITI

EKSPOR Pendapatan dunia; Nilai tukar riil; Harga internasional; Populasi dunia

Migas Non-migas

Proyeksi EKSPOR

Produk Primer Produk Manufaktur

IMPOR Pendapatan domestik; Nilai tukar riil; Jumlah penduduk domestik; Harga impor; Inflasi; Investasi; Cadangan Devisa; • data kuartalan • Model VAR, Model OLS

Bahan Baku/Penolong Proyeksi IMPOR

Barang Modal Barang Konsumsi

FGD

• •

data bulanan, kuartalan Model ARIMA, Model VAR

Gambar 3.1 Kerangka Kerja Konseptual Penelitian

3.2

Pendekatan Penelitian Penelitian ini mengutamakan pendekatan kualitatif untuk menyusun

proyeksi ekspor dan impor melalui pemodelan ekonometrik. Selain itu, digunakan pula pendekatan kualitatif (expert judgement) yang melibatkan dan menggunakan informasi dari berbagai stakeholder melalui FGD dan diskusi terbatas. Hal ini dilakukan untuk melengkapi hasil dari analisis data sekunder yang diperoleh dari instansi terkait seperi BPS. Kementerian Perdagangan, Kementerian Perindustrian, dan Bank Indonesia. Kombinasi kedua pendekatan ini dimaksudkan agar target ekspor impor jangka menengah

menjadi

lebih

komprehensif

dan

diharapkan

dapat

menghasilkan besaran target ekspor impor yang masuk akan dan jikapun meleset, diharapkan tidak akan jauh dari target yang ditetapkan. 3.3

Data dan Teknik Pengumpulan Data Data yang digunakan dalam penelitian ini terdiri dari data primer

dan data sekunder. Data primer dikumpulkan melalui teknik wawancara


32

dengan stakeholder terkait maupun dengan melakukan Focus Group Discussion (FGD). Hal ini dimaksudkan agar respon yang didapat dari para stakeholder dan ahli menjadi lebih beragam. Selain itu, data sekunder diperoleh dari Badan Pusat Statistik, Kementerian Perdagangan, Bank Indonesia, IMF, serta sumber-sumber lain yang berasal dari beberapa penerbitan dana studi-studi yang relevan dengan penelitian ini. 3.4

Teknik Analisis Penyusunan target ekspor dan impor untuk mendukung RPJM

2015-2019 tidak terlepas dari metode peramalan (proyeksi), baik secara kuantitatif maupun kualitatif. Metode peramalan kuantitatif dilakukan menggunakan data yang dikumpulkan dari waktu ke waktu. Asumsi yang digunakan adalah bahwa perubahan nilai variabel mengikuti pola yang terjadi pada periode yang lalu (historical pattern) dan memiliki hubungan antar variabel yang diamati. Kelemahan dari teknik peramalan ini adalah bahwa jika perubahan nilai variabel yang akan diramal tidak mengikuti pola masa lalu (asumsi yang digunakan tidak terpenuhi), maka akan menghasilkan ramalan yang bias. Untuk membuat ramalan nilai variabel yang perubahannya tidak mengikuti pola historis dapat dilakukan dengan teknik peramalan kualitatif (qualitative forecasting/judgement methods). Peramalan nilai variabel dengan teknik ini sangat dipengaruhi oleh tingkat intuisi, pengalaman, pengetahuan, dan lain-lain faktor yang dimilki oleh pembuat ramalan (forecasting). Namun demikian, peramalan dapat pula menggunakan kombinasi keduanya. Peramalan kuantitatif didasarkan pada pengamatan terhadap pola masa lalu. Untuk membuat ramalan di masa mendatang diperlukan pula judgement berdasarkan intuisi dan perasaan yang membuat ramalan. Oleh karena itu, kedua metode berfungsi saling melengkapi (Wardhani dan Algifari, 2007). Berkaitan dengan kajian penyusunan target ekspor dan impor 2015-2019 ini, akan digunakan metode peramalan baik secara kuantitatif maupun

kualitatif.

Peramalan

dengan


metode

kuantitatif

dengan

33

menggunakan

teknik

analis

Vector

Autoregressive

(VAR)

atau

Autoregresive Integrated Moving Average (ARIMA). Justifikasi nilai target ekspor dan impor yang akan direkomendasikan mempertimbangkan hasil analisis VAR, ARIMA, maupun analisis trend. Kombinasi beragam metode ini diharapkan dapat memberikan hasil berupa target ekspor dan impor yang lebih masuk akal dan komprehensif untuk mendukung RPJM 20152019. 3.4.1 Regresi Linear Berganda (Ordinary Least Square) Metode ekonometrika yang digunakan dalam kajian ini salah satunya adalah regresi linear berganda (Ordinary Least Square/OLS). Inti metode OLS adalah mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut. Tujuan utama metode OLS adalah mengestimasi fungsi regresi populasi berdasarkan fungsi regresi sampel (Kuncoro, 2011). Selanjutnya, OLS digunakan untuk menganalisis determinan yang mempengaruhi ekspor dan impor Indonesia. Persamaan dalam model OLS ini terbagi menjadi persamaan ekspor dan persamaan impor. Bentuk umum persamaan ekspor dapat dituliskan sebagai berikut: Fungsi Agregat Ekspor Xt = α0 + β1GDPt + β2INFt + β3REERt + β4IMP_BBPt + β5P_BBMt + β6POPt + εt

(3.1)

dimana: X

= Nilai Ekspor

GDP

= Produk Domestik Bruto Dunia

INF

= Inflasi Dunia

REER

= Nilai Tukar Rupiah terhadap USD

IMP_BBP

= Impor Bahan Baku

P_BBM

= Harga Minyak Dunia

POP

= Populasi Dunia

ε

= galat

t

= periode pada waktu t


34

Sementara, bentuk umum dari persamaan impor dapat dituliskan sebagai berikut: Fungsi Agregat Impor Mt = α0 + β1GDP_KPTt + β2Ct + β3It + β4Pt + β5EXt + εt

(3.2)

dimana: Mt

= Nilai Impor

GDP_KPT

= Produk Domestik Bruto per Kapita

C

= Total Pengeluaran Konsumsi Akhir

I

= Pengeluaran Investasi (PMTB)

P

= Harga Barang Impor

Ex

= Nilai tukar Rupiah terhadap USD

εt

= galat

t

= periode pada waktu t

3.4.2 Vector AutoRegressive (VAR) Penggunaan pendekatan struktural atas pemodelan persamaan simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan hubungan antar variabel yang ingin diuji. Akan tetapi sering ditemukan bahwa teori ekonomi saja ternyata tidak cukup kaya dalam menyediakan spesifikasi yang ketat dan tepat atas hubungan dinamis antar variabel. Terkadang proses estimasi dan inferensi bahkan menjadi lebih rumit karena keberadaan variabel endogen di kedua sisi persamaan (endogenitas di sisi dependen dan independen). Model VAR ciptaan Sims (1980) kemudian muncul sebagai jalan keluar atas permasalahan ini melalui pendekatan non strukturalnya. VAR merupakan suatu sistem persamaan yang memperlihatkan setiap peubah sebagi fungsi linier dari konstanta dan nilai lag dari peubah itu sendiri sebagi nilai lag dari peubah lain yang ada dalam sistem yang mengasumsikan bahwa semua variabel yang terdapat dalam model bersifat endogen (ditentukan di dalam model). Oleh karena itu, metode VAR disebut sebagai model yang a-teoritis (tidak berlandaskan teori). Metode ini digunakan karena sering kita jumpai keadaan dimana teori Puska Daglu, BP2KP, Kementerian Perdagangan

35

ekonomi saja ternyata tidak mampu menangkap (tidak cukup kaya menyediakan spesifikasi) secara tepat dan lengkap hubungan dinamis antar variabel. Atau dengan kata lain, model VAR tidak banyak bergantung pada teori, melainkan perlu menentukan variabel yang saling berinteraksi, serta banyaknya variabel jeda yang perlu diikutsertakan dalam model tersebut (Nachrowi dan Usman, 2006: 289). Kelebihan metode VAR dibanding metode ekonometrik lainnya menurut Gujarati (2004) dan Enders (2004) adalah: 1.

Metode VAR bebas dari berbagai batasan teori ekonomi yang sering ada, seperti variabel endogen dan eksogen palsu;

2.

VAR mengembangkan model secara bersamaan dalam sistem multivarian yang kompleks, sehingga dapat menangkap semua hubungan antar variabel dalam persamaan;

3.

Tes VAR multivarian dapat menghindari parameter yang bias karena menyampingkan variabel yang relevan;

4.

Tes VAR dapat mendeteksi semua hubungan antar variabel dalam sistem persamaan dengan memperlakukan semua variabel. endogen;

5.

Metode VAR adalah metode sederhana, dimana tidak perlu menentukan mana variabel yang endogen dan mana yang eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen

6.

Estimasi VAR sederhana, karena metode umum OLS dapat digunakan pada masing‐masing persamaan secara terpisah; dan

7.

Prediksi estimasi yang diperoleh, lebih baik dalam berbagai kasus dibandingkan dengan model simulataneous‐equation yang lebih

rumit.

Sekalipun banyak kelebihan, model VAR tetap memiliki sisi lemah yang diringkas oleh Nachrowi dan Usman (2006: 291) diantaranya, 1.

Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan informasi atau teori terdahulu, sehingga tidak struktural;


36

2.

Mengingat tujuan utama model VAR untuk peramalan, maka model VAR kurang cocok untuk analisis kebijakan yang bersifat jangka panjang;

3.

Pemilihan banyaknya lag yang digunakan sering menimbulkan permasalahan;

4.

Semua variabel dalam VAR harus stasioner, jika tidak maka harus ditransformasi;

5.

Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. Secara garis besar terdapat empat hal yang ingin diperoleh dari

pembentukan sebuah sistem persamaan, antara lain: deskripsi data, peramalan, inferensi structural dan analisis kebijakan. VAR menyediakan alat

analisa

bagi

keempat

hal

tersebut

melalui

empat

macam

penggunaannya, yaitu: Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel; Impulse Response Function (IRF), melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu; Forecast Error Decomposition of Variance (FEDVs), prediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu; Granger Causality Test, mengetahui hubungan sebab-akibat antar variabel. Dalam kajian ini, model VAR akan digunakan untuk menyusun sistem peramalan dari data deret waktu yang saling terkait dan untuk menganalisis efek (impact) dinamis dari keberadaan faktor acak yang menggangu

sistem

tersebut.

Suatu

sistem

persamaan

yang

memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai beda kala (lag) peubah tersebut serta lag peubah lain dalam sistem, atau dengan kata lain VAR meliputi nilai lag semua peubah respon dalam model. Penggunaan VAR seringkali digunakan untuk memodelkan pergerakan peubah-peubah ekonomi. Bentuk Umum model VAR adalah sebagai berikut:

Yt = A0 + AYt −1 + vt


(3.3)

37

Persamaan tersebut disebut Vector Autoregresive berordo 1 yang lazim ditulis VAR(1). Jika peubah sebanyak M, dengan observasi sebanyak T dan ordo p, maka model VAR (p) dapat ditulis sebagai berikut:

Yt = A0 + A1Yt −1 + A2Yt −2 + ... + ApYt − p + vt

(3.4)

A0 adalah vektor berukuran M x 1 dan matriks A1 (i = 1, 2, , , p) masingmasing berukuran M x M, Banyaknya parameter model yang harus diestimasi dari suatu model VAR (p) adalah M + M2p = M (1 + Mp). Data dalam model VAR haruslah data yang stasioner. Bentuk-bentuk Model VAR: 1.

Unrestricted VAR terdapat dua bentuk: •

VAR in level. Jika data tidak stasioner pada level, harus distasionerkan dulu sebelum menggunakan model VAR.

•

VAR in difference. Jika data tidak stasioner dalam level dan tidak memiliki hubungan kointegrasi, estimasi VAR dilakukan pada data difference.

2.

Restricted VAR atau disebut Vector Error Correction Model (VECM) merupakan bentuk VAR yang terestriksi. Restriksi diberikan karena data tidak stasioner namun terkointegrasi.

3.

Struktural VAR (S-VAR). Bentuk VAR direstriksi berdasarkan hubungan teoritis yang kuat dan skema ordering hubungan terhadap peubah-peubah yang digunakan. S-VAR dikenal sebagai VAR yg teoritis (theoritical VAR).

Dalam

pemodelan

VAR

terdapat

dua

hal

utama

yang

perlu

dispesifikasikan (Pyndick dan Rubinfield, 1998) yaitu: 1. Variabel endogen (dan eksogen) yang diyakini berinteraksi dalam suatu sistem dimasukkan dalam pemodelan; 2. Jumlah lag optimum yang diperlukan untuk menangkap pengaruhpengaruh yang dimiliki masing-masing variabel terhadap variabel lainnya. Sebagai ilustrasi, model VAR ekspor dengan ordo 1 dinotasikan dalam bentuk matrik berikut:


38

𝛼1 𝛽11 𝐸𝑋𝑃𝑡 ⎡𝐺𝐷𝑃𝑊 ⎤ ⎡𝛼 ⎤ ⎡𝛽 𝑡 ⎢ ⎥ ⎢𝛼2 ⎥ ⎢ 21 ⎢ 𝑅𝐸𝐸𝑅𝑡 ⎥ = ⎢ 3 ⎥ + ⎢𝛽31 ⎢ 𝑃𝑊𝑡 ⎥ ⎢𝛼4 ⎥ ⎢𝛽41 ⎣𝑃𝑂𝑃𝑊𝑡 ⎦ ⎣𝛼5 ⎦ ⎣𝛽51

𝛽12 𝛽22 𝛽32 𝛽42 𝛽52

dimana:

EXP

𝛽13 𝛽23 𝛽33 𝛽43 𝛽53

𝛽14 𝛽24 𝛽34 𝛽44 𝛽54

𝛽15 ⎤ 𝛽25 ⎥ 𝛽35 ⎥ 𝛽45 ⎥ 𝛽55 ⎦

𝜀1 𝐸𝑋𝑃𝑡−1 ⎡𝐺𝐷𝑃𝑊 ⎤ ⎡𝜀 ⎤ 𝑡−1 ⎢ ⎥ ⎢𝜀2 ⎥ ⎢ 𝑅𝐸𝐸𝑅𝑡−1 ⎥ + ⎢ 3 ⎥ ⎢ 𝑃𝑊𝑡−1 ⎥ ⎢𝜀4 ⎥ ⎣𝑃𝑂𝑃𝑊𝑡−1 ⎦ ⎣𝜀5 ⎦

(3.5)

= Nilai ekspor

GDPW = Produk Domestik Bruto dunia REER = Nilai tukar Rupiah terhadap USD PW

= Harga komoditas internasional

POPW = Populasi dunia t

= periode ke-t

εt

= galat

Sementara itu, ilustrasi model VAR impor dengan ordo 1 dinotasikan dalam bentuk matrik berikut: 𝛽11 𝛼1 𝐼𝑀𝑃𝑡 ⎡ 𝐺𝐷𝑃𝐼 ⎤ ⎡𝛼 ⎤ ⎡𝛽 2 21 𝑡 ⎢ ⎥ ⎢𝛼 ⎥ ⎢ 𝛽 𝑅𝐸𝐸𝑅𝑡 3 ⎢ ⎥ ⎢ ⎥ ⎢ 31 𝑃𝑂𝑃𝐼 𝑡 ⎥ = ⎢𝛼4 ⎥ + ⎢𝛽41 ⎢ ⎢ 𝐼𝑁𝐹𝑡 ⎥ ⎢𝛼5 ⎥ ⎢𝛽51 ⎢ 𝐼𝑁𝑉𝑡 ⎥ ⎢𝛼6 ⎥ ⎢𝛽61 ⎣ 𝑅𝐸𝑆𝑡 ⎦ ⎣𝛼7 ⎦ ⎣𝛽71

𝛽12 𝛽22 𝛽32 𝛽42 𝛽11 𝛽62 𝛽72

𝛽13 𝛽23 𝛽33 𝛽43 𝛽31 𝛽63 𝛽73

𝛽14 𝛽24 𝛽34 𝛽44 𝛽54 𝛽64 𝛽74

𝛽15 𝛽25 𝛽35 𝛽45 𝛽55 𝛽65 𝛽75

𝛽16 𝛽26 𝛽36 𝛽46 𝛽56 𝛽66 𝛽76

𝛽17 ⎤ 𝛽27 ⎥ 𝛽37 ⎥ 𝛽47 ⎥ 𝛽57 ⎥ 𝛽67 ⎥ 𝛽77 ⎦

𝜀1 𝐼𝑀𝑃𝑡−1 ⎡ 𝐺𝐷𝑃𝐼 ⎤ ⎡𝜀 ⎤ 2 𝑡−1 ⎢ ⎥ ⎢𝜀 ⎥ 𝑅𝐸𝐸𝑅𝑡−1 ⎢ ⎥ ⎢ 3⎥ 𝑃𝑂𝑃𝐼 𝑡−1 ⎥ + ⎢𝜀4 ⎥ ⎢ ⎢ 𝐼𝑁𝐹𝑡−1 ⎥ ⎢𝜀5 ⎥ ⎢ 𝐼𝑁𝑉𝑡−1 ⎥ ⎢𝜀6 ⎥ ⎣ 𝑅𝐸𝑆𝑡−1 ⎦ ⎣𝜀7 ⎦

(3.6)

dimana: IMP

= Nilai impor

GDPI

= Produk Domestik Bruto Indonesia

REER = Nilai tukar Rupiah terhadap USD POPI

= Populasi domestik

INF

= Inflasi

INV

= Investasi

RES

= Cadangan devisa

t

= periode ke-t

εt

= galat


39

3.4.3 Metode Peramalan Exponential Smoothing Metode exponential smoothing merupakan suatu prosedur yang secara terus menerus memperbaiki peramalan dengan merata-rata (menghaluskan) nilai masa lalu dari suatu data runtut waktu dengan cara beruntun (exponential). Metode ini seringkali digunakan untuk keperluan analisis peramalan data runtut waktu. Dengan teknik ini, data dihaluskan (smoothed) dengan cara dihapus komponen irregular-nya. Dalam teknik prediksi model exponential smoothing, prediksi satu satuan ke depan t+1 diketahui sampai data masa lalu Xt dan dilakukan dengan menggunakan rata-rata terbobot dari data di masa lampau (Rosadi, 2012). Terdapat empat model dari metode exponential smoothing yang mengakomodasi asumsi mengenai trend dan musiman: 1) Simple

(tunggal);

model

ini

mengasumsikan

bahwa

seri

pengamatan tidak memiliki trend dan variasi musiman 2) Holt; model ini mengasumsikan bahwa seri pengamatan memiliki trend linier namun tidak memiliki variasi musiman 3) Winters; model ini mengasumsikan bahwa seri pengamatan memiliki trend linier dan variasi musiman 4) Custom; model ini memungkinan untuk melakukan penetapan komponen trend dan variasi musiman. Selain itu, dalam analisis expoenential smoothing ini terdapat tiga parameter yang perlu ditetapkan, tergantung dari komponen trend dan variasi musiman: 1) Alpha(α) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan. Jika alpha bernilai 1 maka hanya pengamatan terbaru yang digunakan secara eksklusif. Sebaliknya bila alpha bernilai 0 maka pengamatan yang lalu dihitung dengan bobot sepadan dengan yang terbaru. Parameter alpha digunakan pada semua model. 2) Beta (β) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan trend seri. Nilai beta berkisar dari 0 sampai 1. Nilai


40

semakin besar menujukkan pemberian bobot yang semakin besar pada pengamatan terbaru. Parameter beta digunakan pada model yang memiliki komponen trend linier atau eksponensial dengan tidak memiliki variasi musiman. 3) Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan variasi musiman. Nilai gamma berkisar dari 0 sampai 1. Nilai semakin besar menunjukkan pemberian bobot yang semakin besar pada pengamatan terbaru. Parameter gamma digunakan pada model yang memiliki variasi musiman Ketika terdapat komponen trend dalam data, maka dapat digunakan metode exponential smoothing Holt dengan dua parameter. Paramater alpha (α) sebagai parameter dalam penghalusan “level” atau rata-rata dari data. Sedangkan parameter kedua, beta (β) merupakan parameter untuk penghalusan trend. Lebih lanjut, metode Holt sendiri memberikan fleksibilitas dalam menseleksi komponen trend. Metode Holt secara matematis ditulis pada tiga persamaan berikut: •

Pemulusan total:

S t = αX t + (1 − α )( S t −1 + Tt −1 )

(3.7)

•

Pemulusan trend:

Tt = β ( S t − S t −1 ) + (1 − β )Tt −1

(3.8)

•

Peramalan metode Holt:

Ft + m = S t + Tt m

(3.9)

dimana: St

= nilai pemulusan tunggal

Xt

= data sebenarnya pada waktu ke-t

Tt

= pemulusan trend

Ft+m = nilai peramalan α,β

= konstanta pemulusan untuk estimasi trend (0 < β 1)

m

= periode masa datang

Pada penelitian ini metode exponential smoothing Holt digunakan dengan asumsi bahwa pada data ekspor dan impor terdapat komponen trend. Di samping itu juga diasumsikan tidak terdapat komponen musiman


41

di dalam data. Teknik analisis exponential smoothing Holt ditujukan untuk memproyeksikan nilai ekspor sektoral, baik migas maupun non migas serta proyeksi nilai impor menurut kategori ekonomi (BEC) 3.4.4 Box Jenkins (ARIMA) Teknik analisis peramalan yang lain adalah metode Box-Jenkins atau biasa disebut dengan Autoregresive Integrated Moving Average (ARIMA). ARIMA dapat diartikan sebagai gabungan dua model, yaitu model Autoregresi (AR) dan Moving Average (MA). Model ini tidak mempunyai suatu variabel yang berbeda sebagai variabel bebas, tetapi menggunakan informasi dalam series yang sama dalam membentuk model, sehingga pada akhirnya sangat bermanfaat untuk peramalan (Nachrowi dan Usman, 2006). Model ARIMA umumnya dituliskan dengan notasi ARIMA (p,d,q), dimana p adalah derajat proses AR, d adalah orde pembeda (diferensi), dan q adalah derajat proses MA. Nilai pembeda (diferensi) pada model ARIMA disebabkan aspek-aspek AR dan MA hanya dapat diterapkan pada data time series yang stasioner. Pada dasarnya, metode ini menggunakan

pendekatan

iteratif

dengan

empat

tahapan

dalam

menentukan model yang cocok. Tahapan-tahapan tersebut dimulai dari identifikasi, estimasi, tes diagnostik, dan terakhir peramalan. Secara umum, ramalan yang diperoleh dengan menggunakan model ARIMA lebih reliabel bila dibandingkan dengan ramalan yang menggunakan model ekonometri biasa (Nachrowi dan Usman, 2006). Ramalan dari model ARIMA inilah yang akan digunakan untuk mengestimasi target ekspor dan impor Indonesia pada jangka waktu 2015-2019.

Klasifikasi ARIMA Pada umumnya, Model Box–Jenkins (ARIMA) dibagi ke dalam 3 kelompok, yaitu: a. Autoregressive dengan ordo p [AR (p)] atau model ARIMA (p,0,0) dinyatakan sebagai berikut : Xt = μ + θ1Xt-1 + θ2Xt-2 + ,,, + θpXt-p + et [0] Puska Daglu, BP2KP, Kementerian Perdagangan

(3.10) 42

Di mana: μ = suatu konstanta θp = parameter autoregresif ke – p et = nilai kesalahan pada saat t b. Moving Average Model (MA) Bentuk umum model moving average ordo q [MA (q)] atau ARIMA (0,0,q) dinyatakan sebagai berikut : Xt = μ + et – θ1et-1 – θ2et-2 - ,,, – θqet-k

(3.11)

Di mana : μ = suatu konstanta θ1 sampai θq = parameter-parameter moving average et-k = nilai kesalahan pada saat t – k

c. Model campuran 1) Model umum untuk campuran proses AR (1) murni dan MA(1) murni, misal ARIMA (1,0,1) dinyatakan sebagai berikut : Xt = μ + θ1Xt-1 + et – θ1et-1

(3.12)

atau (1 - θ1B)Xt = μ + (1 - θ1B)et AR (1)

(3.13)

MA(1)

2) Apabila nonstasioneritas ditambahkan pada campuran proses ARIMA,

maka

model

umum

ARIMA

(p,d,q)

terpenuhi.

Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah sebagai berikut : (1 – B) (1 – θ1B) Xt = μ + (1 – θ1B) et AR(1)

(3.14)

MA(1)

Proses ARIMA Model ARIMA terdiri dari tiga langkah dasar yaitu: a) Tahap identifikasi


43

Proses identifikasi dari model musiman tergantung pada alat-alat statistik

berupa

autokorelasi

dan

parsial

autokorelasi,

serta

pengetahuan terhadap sistem (atau proses) yang dipelajari. b) Tahap penaksiran dan pengujian 1) Penaksiran parameter i) Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual). ii) Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan

program komputer memperhalus

penaksiran

tersebut secara iteratif. 2) Pengujian parameter model i) Pengujian masing-masing parameter model secara parsial (ttest) ii) Pengujian model secara keseluruhan (Overall F test) Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak mempunyai pola tertentu lagi. Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan menggunakan salah satu dari dua statistik berikut: a) Uji Q Box dan Pierce b) Uji Ljung-Box c. Penerapan Selanjutnya model ARIMA dapat digunakan untuk melakukan penyususan target jika model yang diperoleh telah memadai.


44

BAB IV KINERJA EKSPOR DAN IMPOR INDONESIA

4.1

Kinerja Ekspor Indonesia Indonesia sebagai negara berkembang telah menjadikan instrumen

ekspor sebagai komponen pendorong pendapatan nasional. Tidak hanya itu, komponen ekspor bagi Indonesia juga telah memperluas kesempatan kerja, peningkatan penerimaan devisa dan pengembangan teknologi. Sejak dua dekade terakhir, ekspor Indonesia cenderung tumbuh positif dengan rata-rata 9,65 persen (1991-2013). Namun, gejolak ekonomi domestik dan eksternal pada tahun 1998-1999 dan 2012-2013 turut menggoncang

kinerja

ekspor

Indonesia

sehingga

mengalami

pertumbuhan yang negatif. Jika melihat perkembangannya ekspor selama dua dekade, terlihat bahwa telah terjadi perubahan struktur secara sektoral, dimana peranan ekspor migas semakin mengecil sementara peranan ekspor non migas semakin besar. Pada tahun 1990, peranan ekspor migas masih di atas 40 persen, namun pada tahun 2013, peranan ekspor sektor migas hanya sebesar 18 persen (Tabel 4.1). Semakin besarnya kontribusi ekspor sektor non

migas

sejalan

dengan

pembangunan

sektor

industri

yang

berkembang selama dua dekade terakhir. Lebih dari 70 persen ekspor non migas didominasi oleh ekspor hasil industri. Namun ekspor hasil industri yang masih berkembang belum merupakan hasil industri yang berbasis teknologi tinggi, sehingga nilai tambah yang diperoleh pun belum optimal. Pertumbuhan ekspor Indonesia baik migas maupun non migas secara umum juga mengalami peningkatan yang impresif. Rata-rata total ekspor Indonesia selama 1991-2013 mencapai 9,65 persen. Rata-rata pertumbuhan ekspor non migas lebih baik di banding dengan rata-rata ekspor migas. Selama 1991-2013, rata-rata ekspor sektor migas hanya mencapai 7,11 persen. Sementara ekspor sektor non migas mencapai


45

11,33 persen. Meskipun sempat mengalami penurunan yang signifikan pada 1999, namun pertumbuhan ekspor kembali mencatatkan hasil tertinggi tepatnya pada 2010 yaitu sebesar 35,42 persen.

Tabel 4.1 Perkembangan Pangsa dan Petumbuhan Ekspor Indonesia Pangsa Tahun

Migas

Pertumbuhan

Non Migas

Migas

Non Migas

Total

1991

0,37

0,63

-1,59

24,95

13,50

1995

0,23

0,77

7,95

15,13

13,39

2000

0,23

0,77

46,71

22,85

27,66

2006

0,21

0,79

10,28

19,81

17,67

2007

0,19

0,81

4,14

15,61

13,20

2008

0,21

0,79

31,86

17,26

20,09

2009

0,16

0,84

-34,70

-9,64

-14,97

2010

0,18

0,82

47,43

33,08

35,42

2011

0,20

0,80

47,92

24,88

28,98

2012

0,19

0,81

-10,85

-5,54

-6,62

2013

0,18

0,82

-11,75

-2,04

-3,93


4.1.1 Kinerja Ekspor Sektor Migas Apabila dilihat secara lebih rinci, ekspor sektor migas Indoensia dibedakan atas beberapa komoditi, yaitu minyak mentah, hasil minyak dan gas. Selama 2007-2013 total ekspor migas tumbuh dengan rata-rata sebesar 11,65 persen. Berdasarkan Tabel 4.2, pertumbuhan terbesar terjadi pada tahun 2010 yaitu sebesar 47,43 persen dengan nilai ekspor mencapai USD 28,04 miliar. Sementara penurunan ekspor migas terbesar terjadi di 2009, di mana ekspor migas Indonesia turun sebesar 34,70 persen (USD 19,02 miliar). Jika dilihat berdasarkan komoditas, maka gas memiliki peran yang signifikan terhadap peningkatan ekspor migas. Tercatat bahwa selama tujuh tahun terakhir (2007-2013) gas mencatat rata-rata pertumbuhan


46

ekspor sebesar 16,35 persen, dimana pertumbuhan terbesar terjadi pada 2011 yakni mencapai 67,32 persen. Nilai ekspor gas terbesar juga terjadi pada 2011 yakni sebesar 22,87 miliar dollar. Namun pada 2012 hingga 2013 ekspor gas terus mengalami penurunan yang semakin besar. Di sisi lain, ekspor minyak mentah Indonesia tumbuh dengan besaran yang tidak signifikan. Rata-rata selama tujuh tahun terakhir hanya mencapai 5,91 persen. Pertumbuhan terbesar terjadi pada 2010 yaitu mencapai 33,02 persen, namun nilai ekspor tersbesar terjadi pada 2011 yang mencapai USD 13,82 miliar. Pada 2012 dan 2013 nilai ekspor minyak mentah juga terus mengalami penurunan yang semakin besar (Tabel 4.2). Ekspor komoditas hasil minyak mengalami pertumbuhan yang relatif lebih besar dari pada minyak mentah. Rata-rata pertumbuhan ekspor hasil minyak selama 2007-2013 tercatat mencapai 12,20 persen, dimana pertumbuhan terbesar terjadi pada 2010 yang mencapai 75,36 persen. Namun, jika ditinjau dari sisi nilai, ekspor hasil minyak masih jauh lebih rendah dari nilai ekspor minyak mentah dan gas. Hal ini menunjukkan bahwa proses hilirisasi komoditas minyak mentah belum terjadi secara optimal, sehingga menyebabkan rendahnya nilai tambah pada produk ini. Infrastruktur dan sarana pengolahan minyak mentah mutlak diperlukan untuk menciptakan produk yang bernilai tambah tinggi. Tabel 4.2 Perkembangan Ekspor Migas Indonesia (Juta Dollar) Komoditas Minyak Mentah

2007 9,226,04

Perubahan (%) Hasil Minyak

2,878,75

Perubahan (%) Gas

9,983,78

Perubahan (%) Total MIGAS Perubahan (%)

22,088,57

2008

2009

2010

2011

2012

2013

12,418,74

7,820,26

10,402,87

13,828,68

12,293,41

10,204,71

34,61

-37,03

33,02

32,93

-11,10

-16,99

3,547,00

2,262,33

3,967,28

4,776,85

4,163,37

4,299,13

23,21

-36,22

75,36

20,41

-12,84

3,26

13,160,53

8,935,71

13,669,45

22,871,50

20,520,48

18,129,19

31,82

-32,10

52,98

67,32

-10,28

-11,65

29,126,27

19,018,30

28,039,60

41,477,04

36,977,26

32,633,03

31,86

-34,70

47,43

47,92

-10,85

-11,75



47

Dilihat dari struktur ekspor pada sektor migas, menunjukkan bahwa gas merupakan komoditas yang dijadikan andalan ekspor pada sektor ini. Berdasarkan Tabel 4.3, selama 2007-2013 gas memberikan sumbangan terhadap total ekspor migas dengan rata-rata sebesar 50,33 persen. Kontribusi yang besar tersebut terus mengalami trend yang meningkat selama 2007-2013. Puncaknya pada tahun 2013, gas memberikan sumbangan terhadap total ekspor migas sebesar 55,55 persen. Lebih lanjut, komoditas minyak mentah memberikan kontribusi ratarata sebesar 37,21 persen terhadap total ekspor migas. Namun kontribusi ekspor yang diberikan oleh komoditas minyak mentah tersebut terlihat mengalami kecenderungan yang menurun sepanjang 2007-2013 (Tabel 4,3). Jika pada 2007 minyak mentah memberikan kontribusi ekspor sebesar 41,77 persen, maka pada 2013 komoditas ini hanya memberikan sumbangan sebesar 31,27 persen terhadap total ekspor migas. Di sisi lain, komoditas yang memiliki nilai tambah (hasil minyak) hanya memberikan kontribusi yang relatif kecil dibandingkan dengan komoditas migas lainnya. Rata-rata kontribusi yang diberikan oleh komoditas hasil minyak selama 2007-2013 hanya sebesar 12,46 persen. Kontribusi ekspor hasil minyak tersebut tidak menunjukkan dinamika perkembangan yang signifikan dikarenakan kecenderungan yang konstan selama tujuh tahun terakhir. Tabel 4.3 Struktur Ekspor Migas Indonesia (Persen) Komoditas

2007

2008

2009

2010

2011

2012

2013

Ratarata

Minyak Mentah

41,77

42,64

41,12

37,10

33,34

33,25

31,27

37,21

Hasil Minyak

13,03

12,18

11,90

14,15

11,52

11,26

13,17

12,46

Gas

45,20

45,18

46,98

48,75

55,14

55,49

55,55

50,33


4.1.2 Kinerja Ekspor Non Migas Ekspor non migas Indonesia pada 2013 tercatat sebesar USD 149,92 miliar, meningkat 62,9 persen dari tahun 2007 yang kala itu masih


48

sebesar USD 92,01 miliar (Tabel 4.4). Rata-rata perumbuhan ekspor non migas selama tujuh tahun terakhir (2007-2013) tercatat mencapai 9,67 persen. Di antara berbagai sub sektor pada non migas tersebut, ekspor tambang mengalami pertumbuhan paling besar yaitu dengan rata-rata selama tujuh tahun terakhir sebesar 18,80 persen, kemudian diikuti oleh sub sektor non migas lainnya sebesar 12,56 persen. Sementara rata-rata pertumbuhan ekspor sub sektor pertanian dan industri hanya mencapai masing-masing sebesar 8,14 persen dan 8,20 persen. Berdasarkan

nilai

ekspor,

sub

sektor

industri

merupakan

penyumbang terbesar ekspor non migas. Pada tahun 2013 ekspor industri tercatat mencapai USD 113,03 miliar. Namun dalam dua tahun terakhir (2012-2013), ekspor industri selalu mengalami penurunan. Demikian pula halnya pada sub sektor tambang yang juga mengalami penurunan ekspor selama dua tahun berturut-turut. Namun lain halnya dengan sub sektor pertanian yang justru selalu mengalami peningkatan khususnya dalam dua terakhir. Ini menunjukkan bahwa Indonesia memiliki keunggulan komparatif yang hanya berdasarkan sumber daya alam. Namun hal ini sangat rentan karena daya dukung sumber daya alam akan sulit dipertahankan. Selain itu, nilai tambah yang relatif rendah pada komoditas sumber daya alam juga akan sulit diandalkan jika hanya untuk menggenjot ekspor. Melemahnya ekspor pada sub sektor industri, tambang dan non migas lainnya turut menyebabkan semakin menipisnya surplus neraca perdagangan non migas. Jika hal ini terjadi secara berkelanjutan, maka dikhawatirkan neraca perdagangan non migas akan semakin menipis bahkan mencapai defisit. Maka perlu disusun suatu target pertumbuhan ekspor dan impor yang disertai upaya-upaya dalam hal strategi mengembangkan ekspor dan upaya-upaya untuk mengendalikan impor.


49

Tabel 4.4 Perkembangan Ekspor Non Migas Indonesia (Juta USD) Sub Sektor Pertanian

2007 3,657,78

2008

2009

2010

2011

2012

2013

4,584,58

4,352,75

5,001,90

5,165,79

5,569,22

5,712,98

25,34

-5,06

14,91

3,28

7,81

2,58

88,393,50

73,435,84

98,015,08

122,188,7

116,125,1

113,029,9

15,61

-16,92

33,47

24,66

-4,96

-2,67

14,906,17

19,692,34

26,712,58

34,652,03

31,329,94

31,159,53

25,42

32,11

35,65

29,72

-9,59

-0,54

9,91

10,80

9,95

13,04

18,71

16,31

12,56

8,91

-7,85

31,05

43,49

-12,79

153,043,00

149,918,76

-5,54

-2,04

Perubahan (%) Industri

76,460,83

Perubahan (%) Tambang

11,884,90

Perubahan (%) Non Migas

8,81

Lainnya Perubahan (%) Total Non Migas

92,012,32

107,894,15

Perubahan (%)

97,491,73

17,26

129,739,50

-9,64

33,08

162,019,58 24,88


Berdasarkan struktur ekspor sektor non migas terlihat bahwa sub sektor industri merupakan kontributor terbesar dalam total ekspor non migas. Berdasarkan Tabel 4.5 terlihat bahwa rata-rata kontribusi ekspor yang diberikan oleh industri mencapai 77,51 persen. Namun juka dilihat dinamika

perkembangannya,

sebenarnya

telah

terjadi

penurunan

kontrisusi yang berlangsung secara terus-menerus setidaknya selama tujuh tahun terakhir. Pada 2007 pangsa ekspor industri masih mencapai 83,10 persen, namun menurun menjadi 75,39 persen pada 2013. Hal ini tentunya menimbulkan kekhawatiran tersendiri karena menunjukkan pelemahan pada daya saing sub sektor industri. Tabel 4.5 Struktur Ekspor Non Migas Indonesia (Persen) Sub Sektor Pertanian Industri Tambang Non Migas Lainnya

2007 3,98 83,10 12,92

2008 4,25 81,93 13,82

2009 4,46 75,33 20,20

2010 3,86 75,55 20,59

2011 3,19 75,42 21,39

2012 3,64 75,88 20,47

2013 3,81 75,39 20,78

Rata-rata 3,88 77,51 18,59

0,01

0,01

0,01

0,01

0,01

0,01

0,01

0,01



50

4.2

Kinerja Impor Indonesia

4.2.1 Perkembangan Impor dan Jenis Produk Impor Indoensia Sebagai salah satu negara berpenduduk terbanyak di dunia (nomor empat terbesar). Indonesia melakukan impor untuk memenuhi kebutuhan ekonominya. Perkembangan impor Indonesia cukup berfluktuatif pada setiap tahunnya. Hal ini tergantung dari kebutuhan nasional untuk menggerakkan roda perekonomiannya, seperti untuk konsumsi ataupun produksi. Dilihat berdasarkan klasifikasi sektor yang di impor, dapat dibedakan menjadi migas dan non migas. Pada Tabel 4.6 terlihat bahwa mulai awal 1990 hingga

saat

ini, telah

terjadi fluktuasi dalam

perkembangan impor baik di sektor migas maupun non migas. Indonesia pernah mengalami penurunan impor (migas dan non migas) yang sangat signifikan yaitu pada 1998, dimana impor migas pada saat itu turun 32,37 persen dan non migas turun 34,62 persen. Penurunan yang signifikan tersebut terjadi akibat krisis ekonomi yang melanda Indonesia sehingga menyebabkan penurunan daya beli masyarakat secara luas. Selain itu, penurunan yang cukup besar juga terjadi pada 2009. Pada saat itu penurunan impor lebih dikarenakan faktor gejolak ekonomi eksternal yang berujung pada penurunan permintaan produk-produk asal Indonesia. Produk-produk Indonesia tersebut pada umumnya berbahan baku impor, apabila permintaan produk tersebut menurun, maka akan menurunkan tingkat produksi di domestik yang berimbas pada menurunnya permintaan bahan baku impor. Tabel 4.6 Pertumbuhan Impor Indonesia Berdasarkan Sektor Tahun 1991 1992 1993 1994 1995 1996 1997

Migas 19,99 -9,02 2,25 12,89 22,95 23,52 9,14

Non Migas Tahun 18,32 2003 6,84 2004 3,97 2005 12,91 2006 27,36 2007 4,28 2008 -4,01 2009


Migas 16,63 54,15 48,80 8,62 15,66 39,30 -37,88

Non Migas 0,71 39,51 15,67 4,62 24,79 87,75 -21,08

51

1998 1999 2000 2001 2002

-32,37 38,72 63,52 -9,10 19,26

-34,62 -17,67 35,30 -7,29 -2,85

2010 2011 2012 2013 2014*

44,42 48,48 4,58 6,35 -1,12

39,05 26,31 9,06 -5,21 -8,79

Sumber: BPS (2014), diolah Keterangan: *) Hingga Juli 2014

Apabila dilihat berdasarkan jenis produk yang diimpor oleh Indonesia, maka dapat dilihat dari kontribusi jenis-jenis barang yang diimpor terhadap impor nasional. Berdasarkan kelompok Board Economic Category (BEC), maka kelompok barang dapat dibedakan atas tiga kategori yaitu barang konsumsi, bahan baku/penolong dan barang modal. Dari ketiga kelompok barang tersebut, maka barang konsumsi dapat dikategorikan kembali menjadi 9 kelompok barang berdasarkan kode BEC 3 digit. Kesembilan kelompok barang tersebut yaitu Makanan dan Minuman (Belum Diolah) Untuk Rumah Tangga, Makanan dan Minuman (Olahan) Untuk Rumah Tangga, Bahan Bakar dan Pelumas (Olahan), Mobil Penumpang, Alat Angkutan Bukan Untuk Industri, Barang Konsumsi Tahan Lama, Barang Konsumsi Setengah Tahan Lama, Barang Konsumsi Tidak Tahan Lama, dan Barang Yang Tidak Diklasifikasikan. Seperti ditunjukkan pada Tabel 4.7, maka dari kesembilan kelompok barang konsumsi tersebut, kontribusi terbesar impor selama tiga tahun terakhir ada pada Makanan dan Minuman (Olahan) Untuk Rumah Tangga. Hal ini ditunjukkan dari nilai impor rata-rata Makanan dan Minuman (Olahan) Untuk Rumah Tangga yang mencapai USD 2,89 miliar. Kontribusi terbesar kedua ada pada Barang Konsumsi Setengah Tahan Lama dan yang ketiga pada Barang Konsumsi Tidak Tahan Lama. Hal ini menunjukkan bahwa impor barang-barang konsumsi didominasi oleh barang-barang yang langsung dan cepat (tidak tahan lama) dikonsumsi oleh masyarakat. Sedangkan

untuk

kelompok

bahan

baku/penolong,

sembilan

kelompok barang dapat diklasifikasikan menjadi: Makanan dan Minuman (Belum diolah) Untuk Industri, Makanan dan Minuman (Olahan) Untuk Industri, Bahan Baku (Belum Diolah) Untuk Industri, Bahan Baku (Olahan)


52

Untuk Industri, Bahan Bakar dan Pelumas (Belum Diolah), Bahan Bakar Motor, Bahan Bakar dan Pelumas (Olahan), Suku Cadang dan Perlengkapan Barang Modal, dan Suku Cadang dan Perlengkapan Alat Angkutan. Kontribusi terbesar pada kelompok barang ini diberikan oleh Bahan Baku (Olahan) Untuk Industri dengan rata-rata nilai impornya selama periode 2011-2013 mencapai USD 55,55 miliar (lihat Tabel 4.7). Sedangkan posisi kedua dan ketiga lebih didominasi produk Suku Cadang dan Perlengkapan Barang Modal dan Bahan Bakar dan Pelumas (Olahan). Dari kontribusi terbesar ini menunjukkan bahwa impor barang lebih banyak merupakan barang-barang antara yang sudah jadi (bukan bahan mentah) dan siap untuk diproses/dirakit kembali di Indonesia.

Tabel 4.7 Pengelompokan Jenis Barang Berdasarkan Kelompok BEC Tahun 2011-2013 (Juta USD) Kode BEC 1 112

1

122

2

329

3

519 522

4 5

610

6

620

7

630

8

700

9

Uraian Kelompok

2 111

1

121

2

Barang Konsumsi Makanan dan Minuman (Belum Diolah) Untuk Rumah Tangga Makanan dan Minuman (Olahan) Untuk Rumah Tangga Bahan Bakar dan Pelumas (Olahan) Mobil Penumpang Alat Angkutan Bukan Untuk Industri Barang Konsumsi Tahan Lama Barang Konsumsi Setengah Tahan Lama Barang Konsumsi Tidak Tahan Lama Barang Yang Tidak Diklasifikasikan Bahan Baku/Penolong Makanan dan Minuman (Belum diolah) Untuk Industri Makanan dan Minuman (Olahan) Untuk Industri


2011 13,393 1,848

2012 13,409 1,541

2013 11,960 1,262

Ratarata 12,920 1,550

3,626

2,837

2,197

2,887

1,626

1,435

1,200

1,420

1,029 287

1,515 350

1,147 364

1,230 334

1,288

1,585

1,488

1,454

1,774

1,954

1,994

1,907

1,699

1,926

1,999

1,875

216

264

310

264

130,934 140,126 130,111 133,724 4,187 4,101 3,964 4,084 3,330

3,349

3,400

53

3,360

Kode BEC 210 220 310 321 322 420 530 3 410 510 521

Uraian Kelompok 3 Bahan Baku (Belum Diolah) Untuk Industri 4 Bahan Baku (Olahan) Untuk Industri 5 Bahan Bakar dan Pelumas (Belum Diolah) 6 Bahan Bakar Motor 7 Bahan Bakar dan Pelumas (Olahan) 8 Suku Cadang dan Perlengkapan Barang Modal 9 Suku Cadang dan Perlengkapan Alat Angkutan Barang Modal 1 Barang Modal Kecuali Alat Angkutan 2 Mobil Penumpang 3 Alat Angkutan Untuk Industri

2011 6,813

2012 5,640

2013 5,809

Ratarata 6,087

53,410

59,437

53,804

55,550

11,173

10,853

12,569

11,532

11,962 15,771

14,062 15,836

13,588 13,282

13,204 14,963

16,938

18,126

15,514

16,859

7,350

8,722

8,181

8,084

33,108 23,660

38,155 26,659

29,102 23,990

33,455 24,770

1,029 8,419

1,515 9,980

1,147 3,965

1,230 7,455


Pada katagori barang modal, pengklaisifikasian berdasarkan 3 digit BEC membagi produk-produknya dalam Barang Modal Kecuali Alat Angkutan, Mobil Penumpang, dan Alat Angkutan Untuk Industri. Seperti ditunjukkan pada Tabel 4.7, kontribusi impor terbesar adalah untuk membeli Barang Modal Kecuali Alat Angkutan, diikuti Alat Angkutan Untuk Industri dan terakhir oleh Mobil Penumpang. Hal ini menunjukkan bahwa impor terbesar untuk kategori barang modal bukan untuk membeli alat angkutan (transportasi). Untuk lebih rincinya, apa saja yang termasuk dalam Barang Modal Kecuali Alat Angkutan, maka data ditelusuri kembali berdasarkan pengklasifikasian yang lebih spesifik. 4.2.2 Kinerja Impor Menurut Golongan Penggunaan Barang Berdasarkan klasifikasi struktur BEC produk impor, maka impor Indonesia dibedakan atas bahan baku/penolong, barang modal dan barang konsumsi. Pada jenis barang bahan baku/penolong, dominasi impor lebih banyak dilakukan untuk memenuhi kebutuhan makanan dan minuman (bahan mentah) untuk keperluan industri. Besarnya dari tahun


54

2004 hingga 2012 terus meningkat, namun mengalami sedikit penurunan pada tahun 2013. Rata-rata impor bahan kebutuhan makanan dan minuman (belum diolah) untuk keperluan industri selama periode 20042013 mencapai USD 2,96 miliar per tahun. Selanjutnya impor terbesar kedua dan ketiga untuk jenis bahan baku/penolong adalah suku cadang dan perlengkapan barang modal dan bahan bakar dan pelumas (olahan) yang mencapai rata-rata USD 894,7 juta dan USD 828,6 juta per tahun.

6.000,0

5.000,0

4.000,0

3.000,0

2.000,0

1.000,0

2004

2005

2006

2007

2008

2009

Makanan dan Minuman (Belum diolah) Untuk Industri Bahan Baku (Belum Diolah) Untuk Industri Bahan Bakar dan Pelumas (Belum Diolah) Bahan Bakar dan Pelumas (Olahan) Suku Cadang dan Perlengkapan Alat Angkutan

2010

2011

2012

2013


Gambar 4.1 Impor Indonesia pada Jenis Barang Bahan Baku Penolong Sedangkan untuk jenis impor barang modal, sebagian besar impor Indonesia digunakan untuk mengimpor barang modal kecuali alat angkutan. Selama periode 2004-2013 impor barang jenis ini pun cenderung terus meningkat nilainya. Rata-rata nilai impor barang modal tersebut adalah USD 1,26 miliar per tahun. Jenis impor barang modal lainnya adalah digunakan untuk membeli alat angkutan untuk industri dan


Rata-rata

Makanan dan Minuman (Olahan) Untuk Industri Bahan Baku (Olahan) Untuk Industri Bahan Bakar Motor Suku Cadang dan Perlengkapan Barang Modal

55

mobil penumpang. Nilai rata-rata kedua jenis barang tersebut adalah USD 411,5 juta dan USD 58,0 juta per tahun. 2.500,0 2.000,0 1.500,0 1.000,0 500,0 -

Barang Modal Kecuali Alat Angkutan

Mobil Penumpang

Alat Angkutan Untuk Industri


Gambar 4.2 Impor Indonesia pada Jenis Barang Modal

Pada jenis barang konsumsi, produk-produk makanan dan minuman (olahan) untuk rumah tangga lebih mendominasi impor barang konsumsi.

Meski

kecenderungannya

dari

tahun

2012

mengalami

penurunan, namun rata-rata nilai impornya masih cukup tinggi, mencapai USD 164,8 juta per tahun selama periode 2004-2013. Barang konsumsi untuk konsumsi tidak tahan lama merupakan jenis barang impor terbesar kedua yang mencapai rata-rata USD 101,7 juta per tahun. Pemenuhan konsumsi untuk bahan bakar dan pelumas (olahan) lebih menempati impor urutan ketiga untuk barang-barang konsumsi.


56

Makanan dan Minuman (Belum Diolah) Untuk Rumah Tangga Makanan dan Minuman (Olahan) Untuk Rumah Tangga Bahan Bakar dan Pelumas (Olahan)

350,0 300,0 250,0 200,0

Mobil Penumpang

150,0

Alat Angkutan Bukan Untuk Industri

100,0

Barang Konsumsi Tahan Lama

50,0

Barang Konsumsi Setengah Tahan Lama

-

Barang Konsumsi Tidak Tahan Lama


Gambar 4.3 Impor Indonesia pada Jenis Barang Konsumsi

Hingga Mei 2014, total impor Indonesia mencapai sebesar USD 14,76 miliar. Impor bahan baku/penolong memberikan peranan terbesar, yaitu 76,85 persen dengan nilai USD 11,34 miliar, diikuti oleh impor barang modal sebesar 16,07 persen (USD 2,37 miliar), dan impor barang konsumsi sebesar 7,08 persen (USD 1,04 miliar). Jika dibandingkan periode yang sama tahun sebelumnya, maka selama Januari–Mei 2014 nilai impor barang konsumsi, bahan baku/penolong, dan barang modal mengalami penurunan masing-masing USD 59,4 juta (1,14 persen), USD 3,52 miliar (5,84 persen), dan sebesar USD 951,2 juta (7,20 persen). Dibanding April 2014, volume impor Indonesia Mei 2014 turun 6,41 persen (834,2 ribu ton). Hal ini disebabkan oleh adanya penurunan volume non migas sebesar 9,55 persen (862,3 ribu ton) meskipun volume impor migas sedikit meningkat, yaitu 0,71 persen (28,1 ribu ton). Peningkatan volume impor migas terutama disebabkan oleh naiknya volume impor minyak mentah sebesar 19,06 persen (244,9 ribu ton).


57

Sebaliknya volume impor hasil minyak dan gas turun masing-masing sebesar 7,29 persen (173,2 ribu ton) dan 13,76 persen (43,6 ribu ton). Sementara itu volume impor Januari–Mei 2014 meningkat tipis sebesar 0,31 persen dibanding periode yang sama tahun sebelumnya. Peningkatan ini dipicu oleh naiknya volume impor non migas sebesar 1,19 persen (461,9 ribu ton), meskipun volume impor migas turun 1,42 persen (282,8 ribu ton). Rata-rata harga agregat barang impor Indonesia secara total Mei 2014 mengalami penurunan 3,01 persen terhadap April 2014. Penurunan tersebut disebabkan oleh turunnya harga impor migas dan non migas masing-masing sebesar 0,32 persen dan 2,76 persen. Demikian halnya jika dibandingkan dengan Mei 2013, maka rata-rata harga agregat barang impor Indonesia turun 8,24 persen.


Gambar 4.4 Persentase Nilai Impor Indonesia Menurut Penggolongan Barang


58

BAB V HASIL DAN PEMBAHASAN

5.1

Analisis Determinan Ekspor dan Impor Indonesia Tujuan akhir pada kajian ini adalah menetapkan besaran target

pertumbuhan ekspor dan impor baik dalam sisi sektoral maupun kelompok barang. Dalam menganalisis target ekspor dan impor, kajian ini menggunakan beberapa alat analisis. Namun, sebelum membahas besaran target ekspor dan impor dari berbagai macam alat analisis, pembahasan pada bagian ini ingin menganalisis faktor-faktor atau determinan yang memengaruhi ekspor barang. Mengetahui determinan ekspor merupakan hal penting sebelum membuat proyeksi khususnya proyeksi dalam kerangka model multivariate. Metode yang digunakan dalam mencari determinan ekspor dan impor barang tersebut adalah Ordinary Least Square (OLS) atau regresi linier berganda. Seperti yang telah diketahui bahwa dalam analisis OLS terdapat uji asumsi klasik yang harus dilakukan untuk menguji apakah model yang digunakan sesuai dengan kaidah Best Linear Unbiased Estimator (BLUE). Oleh karena itu, untuk mempersingkat isi laporan sesuai dengan tujuannya, model yang akan ditampilkan pada laporan ini adalah model yang telah melewati uji asumsi klasik khususnya untuk masalah heteroskedastisitas dan autokorelasi. Masalah heteroskedastisitas dideteksi menggunakan uji White. Jika terdapat terdapat heteroskedastisitas maka diatasi menggunakan metode White atau juga dikenal dengan varian heteroskedastisitas terkoreksi. Heteroskedastisitas seringkali muncul pada model yang mengandung data cross-section. Oleh sebab itu, model pada kajian ini kemungkinan besar memiliki masalah autokorelasi karena data yang terkandung adalah time series. Autokorelasi dapat dideteksi menggunakan uji Durbin Watson (DW) dan apabila terdapat masalah maka dapat diatasi dengan metode diferensiasi tingkat pertama (AR1) (Winarno,2011). Selanjutnya, dengan


59

menggunakan metode pengkoreksian masalah asumsi klasik yang telah disebutkan, maka model dianggap telah sesuai dengan kaidah BLUE. 5.1.1 Analisis Determinan Ekspor Barang Menggunakan Metode OLS Model persamaan linier berganda ekspor barang yang akan diuji pada dasarnya mengikuti model-model determinan ekspor yang sering digunakan dalam literatur. Untuk menguji apakah model tersebut sesuai dengan kondisi Indonesia maka dilakukan konfirmasi kepada para pakar melalui Focus Group Discussion (FGD). Hasilnya terdapat beberapa usulan untuk menggunakan berbagai macam variabel. Namun, secara umum model persamaan

linier berganda

yang digunakan untuk

mengestimasi determinan total ekspor barang dengan mempertimbangkan kemudahan mendapatkan data dan ketertabatasn waktu adalah sebagai berikut: logXTt = α0 + β1logGDPW_CPTt + β2logMTt + β3logEXt + β4logOILPt + β5LEN_Rt + β6AR(1)+ εt

(5.1)

Dimana: XT

= Total Ekspor Barang (juta USD)

GDPW_CPT = Gross Domestic Bruto per kapita dari 10 negara tujuan ekspor tertinggi (juta USD) MT

= Total Impor Barang (juta USD)

EX

= Nilai Tukar (Rp/USD)

OILP

= Harga Rata-rata Minyak Dunia (USD/barrel)

LEN_R

= Suku Bunga Kredit (persentase)

AR

= Autoregressive

Log

= logaritma

t

= periode

α, β

= konstanta

ε

= error term


60

Hasil estimasi persamaan linier berganda untuk model persamaan umum ekspor di atas menggunakan software EViews 6.0 adalah sebagai berikut: LOG(XT) = -1.53429703755 + 0.75019813077*LOG(GDPW_CPT) + 0.414012585761*LOG(MT) 0.162382901175*LOG(OILP)

+

0.287713434688*LOG(EX)

+

0.0295972697817*LEND_R

+

[AR(1)=0.489694092776]

Secara ringkas untuk memudahkan interpretasi dan menganalisis hasil model di atas dapat dilihat pada tabel 5.1. Lebih lanjut, sebelum memasuki pembahasan, model regresi linear berganda yang digunakan dalam kajian ini perlu dilihat kelayakan model (goodness of fit). Dalam analisis OLS hal yang perlu menjadi perhatian adalah kelayakan model yang dilihat dari beberapa uji sebagai berikut: A. Uji Koefisien Determinasi Koefisien determinasi digunakan untuk menguji goodness-fit dari model regresi yang dapat dilihat dari nilai R-square. Berdasarkan hasil estimasi model, didapatkan bahwa nilai R-square sebesar 0.989049 atau sebesar 99 persen. Hal itu menunjukkan bahwa determinan ekspor barang di Indonesia dapat dijelaskan oleh kelima variabel yang telah dijelaskan sebelumnya. B. Uji Signifikansi Parameter Individual (Uji Statistik t) Uji statistik t dimaksudkan untuk melihat pengaruh masing-masing variabel independen terhadap variabel dependen. Hasil dari uji statistik dapat dengan mudah dilihat dari nilai probability (p-value) dengan nilai kritis yang diterima baik 0,001 (1 persen); 0,05 (5 persen); maupun 0,10 (10 persen). Estimasi model Persamaan 5.1 memperlihatkan bahwa semua variabel independen secara parsial berpengaruh terhadap variabel dependennya. C. Uji Signifikansi Parameter Simultan (Uji statistik F)


61

Uji statistik F dimaksudkan untuk melihat pengaruh secara bersama-sama

(simultan)

variabel

independen

terhadap

variabel

dependen. Hasil uji statistik F yang dilihat dari nilai probabilitas (p-value) sebesar 0,00 pada estimasi model persamaan umum ekspor menunjukkan bahwa semua variabel independen secara simultan berpengaruh terhadap variabel dependen.

Tabel 5.1 Rangkuman Hasil Estimasi OLS Model Persamaan Umum Ekspor Variabel C

Koefisien

t-Statistic

Prob.

-1.534297

-0.595181

0.5545

LOG(GDPW_CPT)

0.750198

3.292199

0.0019*

LOG(MT)

0.414013

5.923621

0.0000*

LOG(EX)

-0.287713

-2.036773

0.0472**

LOG(OILP)

0.162383

2.424681

0.0191**

LEND_R

0.029597

2.402865

0.0202**

AR(1)

0.489694

3.700362

0.0006*

R-squared Adj R-Squared

0.989049 0.987680

F-statistic Prob F-stat

722.5301 0.000000*

Sumber: data dimodifikasi dari hasil EViews 6.0 Keterangan: * signifikan pada α 1%; ** signifikan pada α 5%; *** signifikan pada α 10

Berdasarkan rangkuman estimasi pada Tabel 5.1 di atas dapat dilihat bahwa seluruh variabel independen mempengaruhi variabel dependen. Variabel yang paling berpengaruh terhadap ekspor jika dilihat dari koefisien maupun probabilitas adalah GDP per kapita. Koefisien elastisitas GDP per kapita sebesar 0,75 (tertinggi diantara variabel lain) memiliki arti bahwa setiap kenaikan 1 persen GDP per kapita di negara tujuan utama, eskpor barang Indonesia dapat tumbuh 0,75 persen. Hasil


62

itu menggambarkan betapa ekspor barang Indonesia sangat ditentukan oleh kondisi ekonomi dan daya beli masyarakat di sepuluh negara tujuan ekspor. Sepuluh negara tujuan tersebut adalah China, Jepang, Amerika Serikat, India, Singapura, Malaysia, Korea Selatan, Thailand, Belanda, dan Taiwan. Variabel lain yang berpengaruh cukup kuat adalah impor barang total. Hasil estimasi menunjukkan bahwa setiap kenaikan 1 persen impor barang, maka ekspor akan meningkat sebesar 0,41 persen. Hal itu dapat terjadi dikarenakan impor barang paling tinggi di Indonesia adalah bahan baku/penolong untuk industri. Asumsi yang digunakan adalah jika impor bahan baku tersebut selanjutnya akan digunakan untuk produksi yang berorientasi ekspor, maka ekspor barang Indonesia akan semakin meningkat. Selanjutnya, variabel yang mempengaruhi ekspor adalah nilai tukar (Rp/USD). Berdasarkan hasil regresi linear berganda, dapat dilihat bahwa apabila terjadi peningkatan nilai tukar Rupiah terhadap Dollar atau dengan kata lain rupiah mengalami apresiasi sebesar 1 persen, maka hal tersebut justru akan menurunkan nilai ekspor Indonesia sebesar 0,28 persen. Apabila rupiah menguat, maka harga barang Indonesia di luar negeri menjadi relatif lebih mahal (meningkat), sehingga menurunkan daya saing produk Indonesia di pasar internasional. Sebaliknya, apabila rupiah mengalami depresiasi (melemah terhadap dollar), maka harga produk Indonesia di luar negeri menjadi relatif lebih murah dan harga barang impor menjadi relatif lebih mahal. Selain itu, variabel harga minyak dunia dan suku bunga kredit juga berpengaruh terhadap ekspor barang Indonesia. Jika harga minyak dunia naik 1 persen, ekspor barang akan ikut terkerek sebesar 0,16 persen. Di sisi lain, suku bunga kredit menunjukkan koefisien yang sangat kecil terhadap

ekspor

barang

Indonesia.

Suku

bunga

kredit

yang

mencerminkan daya saing (Hasil FGD, 2014) hanya memiliki koefisien sebesar 0,03 yang berarti setiap kenaikan 1 persen suku bunga kredit maka ekspor hanya tumbuh sebesar 0,03 persen. Jika ditinjau lebih jauh,


63

suku bunga kredit yang diasumsikan sebagai bagian dari pembiayaan ekspor seharusnya memiliki efek negatif. Artinya, ketika bunga pinjaman semakin tinggi, maka biaya produksi akan semakin meningkat yang pada akhirnya mengurangi nilai ekspor. Argumentasi tersebut memang secara umum telah diterima, namun terdapat kemungkinan argumentasi yang lain di mana ketika suku bunga pinjaman meningkat maka nilai ekspor juga tetap meningkat. Asumsi yang digunakan adalah, kinerja ekspor sangat dipengaruhi oleh permintaan dari negara tujuan ekspor (yang dikonfirmasi oleh signifikansi variabel PDB negara tujuan ekspor terhadap nilai ekspor) sehingga kenaikan suku bunga pinjaman tidak akan terlalu berdampak pada pengurangan ekspor (terkonfirmasi bahwa elastisitas suku bunga kredit terhadap ekspor sangat kecil sebesar 0.03). Terakhir, variabel AR(1) menunjukkan bahwa masalah autokorelasi pada model telah teratasi dan menandakan bahwa ekspor barang dipengaruhi lag satu waktu periode (satu kuartal) sebelumnya. 5.1.2 Analisis Determinan Impor Menggunakan Metode OLS Selain

menganalisis

determinan

yang

memengaruhi

ekspor

Indonesia, kajian ini juga menganalisis determinan impor. Model determinan impor barang yang digunakan juga diperoleh dari literaturliteratur umum tentang kajian determinan impor yang selanjutnya dikonfimasi melalui FGD dengan para pakar. Secara umum model persamaan

linier

berganda

yang

digunakan

untuk

mengestimasi

determinan total impor barang dengan mempertimbangkan ketersediaan data dan keterbatasan waktu adalah sebagai berikut: logMTt = α0 + β1logGDPIND_CPT + β2logXTt + β3logEXt + β4logOILPt + β5AR(1)+ εt

(5.2)

Dimana: MT

= Total Impor Barang (juta USD)

GDPIND_CPT

= GDP per kapita Indonesia (miliar Rp)

XT

= Total Ekspor Barang (juta USD)

EX

= Nilai Tukar (Rp/USD)


64

OILP

= Harga Rata-rata Minyak Dunia (USD/barrel)

AR

= Autoregressive

Log

= logaritma

t

= periode

α, β

= konstanta

ε

= error term

Berdasarkan data-data yang digunakan tersebut maka diperoleh hasil estimasi persamaan linier berganda untuk model persamaan umum impor di atas menggunakan software EViews 6.0 adalah sebagai berikut: LOG(MT) = -5.42682050244 + 0.313581386078*LOG(GDPIND_CPT) + 0.771925229021*LOG(XT)

+

0.436579195808*LOG(EX)

+

0.269290458722*LOG(OILP) + [AR(1)=0.671618455809]

Secara ringkas untuk memudahkan interpretasi dan menganalisis hasil model impor barang di atas dapat dilihat pada Tabel 5.2. Lebih lanjut, sebelum memasuki pembahasan, model regresi linier berganda yang digunakan dalam kajian ini perlu dilihat kelayakan model (goodness of fit). Dalam analisis OLS hal yang perlu menjadi perhatian adalah kelayakan model yang dilihat dari beberapa uji sebagai berikut: A. Uji Koefisien Determinasi Koefisien determinasi digunakan untuk menguji goodness-fit dari model regresi yang dapat dilihat dari nilai R-square. Berdasarkan hasil estimasi model, didapatkan bahwa nilai R-square sebesar 0.987675. Artinya, sebesar 98 persen model sudah dapat terjelaskan oleh variabel yang digunakan sedangkan 2 persen sisanya dijelaskan oleh varibael lain. B. Uji Signifikansi Parameter Individual (Uji Statistik t) Uji statistik t dimaksudkan untuk melihat pengaruh masing-masing variabel independen terhadap variabel dependen. Hasil dari uji statistik dapat dengan mudah dilihat dari nilai probabilitas (p-value) dengan nilai kritis yang diterima baik 0,001 (1 persen); 0,05 (5 persen); maupun 0,10 (10 persen). Estimasi model determinan impor diatas menunjukkan bahwa


65

semua variabel independen berpengaruh secara parsial terhadap variabel dependen dengan masing-masing p-value yang digunakan. C. Uji Signifikansi Parameter Simultan (Uji statistik F) Uji statistik F dimaksudkan untuk melihat pengaruh secara bersama-sama

(simultan)

variabel

independen

terhadap

variabel

dependen. Hasil uji statistik F dapat dilihat dari nilai probabilitas (p-value) sebesar 0,00. Pada estimasi model persamaan umum impor menunjukkan bahwa semua variabel independen secara simultan berpengaruh terhadap variabel dependen.

Tabel 5.2 Rangkuman Hasil Estimasi OLS Model Persamaan Umum Impor Variabel

Koefisien

t-Statistic

Prob.

C

-5.426821

-2.143417

0.0371

LOG(GDPIND_CPT)

0.313581

2.343743

0.0232**

LOG(XT)

0.771925

4.033466

0.0002*

LOG(EX)

0.436579

1.756657

0.0852***

LOG(OILP)

0.269290

2.442543

0.0182**

AR(1)

0.671618

5.614916

0.0000*

R-squared Adj R-Squared

0.987675 0.986417

F-statistic Prob F-stat

785.3245 0.00000*

Sumber: data dimodifikasi dari hasil EViews 6.0 Keterangan: * signifikan pada α 1%; ** signifikan pada α 5%; *** signifikan pada α 10

Berdasarkan rangkuman estimasi pada Tabel 5.2 dapat dilihat bahwa seluruh variabel independen mempengaruhi variabel dependen. Koefisien elastisitas variabel GDP per kapita sebesar 0,31 menjelaskan bahwa ketika GDP per kapita penduduk Indonesia naik 1 persen, impor barang total akan naik sebesar 0,31 persen. Hal itu menggambarkan


66

kondisi ekonomi dan tingkat kesejahteraan masyarakat berpengaruh pada tingginya impor di dalam negeri. Variabel lain yang berpengaruh paling kuat adalah ekspor barang total. Hasil regresi menunjukkan bahwa setiap kenaikan 1 persen ekspor barang, maka impor akan meningkat sebesar 0,77 persen. Hal itu menunjukkan bahwa semakin besar nilai ekspor, maka kebutuhan impor khususnya terhadap bahan baku dan penolong semakin besar. Hasil tersebut juga memperlihatkan kesesuian dengan hasil OLS model ekspor sebelumnya dimana antara variabel ekspor dan impor memang terdapat hubungan yang kuat. Selanjutnya, variabel nilai tukar juga merupakan salah satu variabel paling berpengaruh terhadap nilai impor barang total. Koefisien nilai tukar sebesar 0,43 menunjukkan bahwa ketika nilai tukar meningkat 1 persen, nilai impor barang akan melonjak sebesar 0,43 persen. Nilai tukar Rupiah terhadap Dollar yang mengalami peningkatan (apresiasi), mendorong produsen maupun konsumen domestik untuk mengimpor barang. Hal ini terjadi karena harga barang impor menjadi relatif lebih murah. Variabel selanjutnya, harga minyak dunia juga menunjukkan pengaruh terhadap impor barang Indonesia. Ketika harga minyak dunia naik 1 persen, nilai impor barang akan ikut meningkat sebesar 0,26 persen. Kondisi itu diakibatkan masih tingginya impor minyak, terutama untuk kebutuhan bahan bakar domestik (BBM), yang sering menjadi penyebab

defisit

neraca

perdagangan.

Terakhir,

variabel

AR(1)

menunjukkan bahwa masalah autokorelasi pada model telah teratasi dan menandakan bahwa impor barang dipengaruhi lag satu waktu periode (satu kuartal) sebelumnya. 5.2

Proyeksi Ekspor dan Impor Autoregressive (VAR)

Indonesia:

Analisis

Vector

VAR dalam kajian ini digunakan untuk membuat proyeksi ekspor dan impor Indonesia tahun 2015 -2019. VAR lazim digunakan untuk memproyeksikan

sistem

variabel-variabel runtut

waktu

dan untuk

menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam


67

sistem variabel tersebut. Dalam analisis ini VAR mempertimbangkan beberapa variabel endogen secara bersama-sama dalam suatu model. Dalam analisis VAR masing-masing variabel selain diterangkan oleh nilainya di masa lampau, juga dipengaruhi oleh nilai masa lalu dari semua variabel endogen lainnya dalam model yang diamati. 5.2.1 Proyeksi Ekspor Indonesia Hasil estimasi proyeksi ekspor Indonesia dengan menggunakan metode VAR ditunjukkan pada Tabel 5.3. Hasil analisis OLS pada pembahasan sebelumnya sangat penting sebagai bahan acuan dalam memproyeksi ekspor dan impor dengan menggunakan VAR. Seperti yang telah diketahui, VAR merupakan model yang terdiri dari banyak variabel atau juga bisa disebut multivariate. Suatu variabel dalam perkembangan di masa yang akan datang sangat dipengaruhi oleh berbagai variabel lainnya. Berdasarkan hasil analisis determinan ekspor pada model regresi linear berganda, PBD negara tujuan utama ekspor Indonesia merupakan variabel yang paling memengaruhi tingkat ekspor. Oleh sebab itu, dalam analisis proyeksi ekspor hingga 2019, variabel PDB negara-negara mitra dijadikan variabel eksogen di dalam model. Selain PDB negera-negara mitra juga terdapat beberapa variabel yang turut dimasukkan ke dalam model dan ditempatkan sebagai variabel endogen. Variabel PDB tersebut diproyeksi untuk mendapatkan besaran perubahan ekspor pada masa yang akan datang. Berdasarkan hasil proyeksi, terlihat bahwa pada hingga akhir 2014 ini, ekspor non migas diperkirakan akan menurun (yoy) sebesar 0,69 persen. Demikian pula pada ekspor migas yang juga akan menurun sebesar 0,83 persen. Sehingga ekspor total pada tahun 2014 ini diperkirakan akan menurun 0,72 persen. Selanjutnya, pada tahun 2015 hingga 2019, pertumbuhan ekspor migas dan non migas diperkirakan akan kembali kondusif, terlihat dari hasil proyeksi yang menunjukkan peningkatan pada setiap tahunnya.


68

Rata-rata pertumbuhan ekspor non migas selama 2015 hingga 2019 diperkirakan

akan

mencapai

5,76

persen.

Sementara

rata-rata

pertumbuhan ekspor migas diperkirakan akan mencapai 1,34 persen. Sehingga rata-rata pertumbuhan total ekspor selama 2015 hingga 2019 diperkirakan akan mencapai 5,03 persen. Puncak pertumbuhan tertinggi pada ekspor non migas diperkirakan akan terjadi pada 2019, dimana pertumbuhan yang terjadi diperkirakan sebesar 6,75 persen. Sementara, puncak pertumbuhan ekspor tertinggi pada sektor migas terjadi pada tahun 2018, dimana pertumbuhan ekspor yang terjadi diperkirakan sebesar 1,94 persen.

Tabel 5.3 Proyeksi Ekspor Migas dan Non Migas 2015-2019 Migas Tahun

Nilai (miliar USD)

Non Migas Pert (%)

Nilai (miliar USD)

Pert (%)

149,92

Total* Nilai (miliar USD)

Pert (%)

2013

32,63

2014

32,36

-0,83

148,88

-0,69

181,25

-0,72

2015

32,45

0,26

157,67

5,90

190,12

4,90

2016

32,84

1,21

166,84

5,81

199,68

5,03

2017

33,29

1,38

175,42

5,15

208,72

4,53

2018

33,94

1,94

184,53

5,19

218,47

4,67

2019 34,59 Rata-rata (2015-2019)

1,93

196,99

6,75

231,59

6,00

1,35

182,55

5,76

5,03

Sumber: Estimasi proyeksi pada EViews 6.0

5.2.2 Proyeksi Impor Indonesia Metodel analisis VAR juga digunakan untuk menganalisis proyeksi pertumbuhan impor. Berdasarkan hasil proyeksi, diperkirakan bahwa hingga akhir 2014 ini. Impor non migas mengalami penurunan sebesar 3,31 persen, sementara impor migas akan meningkat sebesar 0,15 persen. Sehingga hingga akhir 2014, impor total Indonesia diperkirakan akan menurun sebesar 2,47 persen.


69

Lebih lanjut, rata-rata pertumbuhan impor sektor non migas selama 2015-2019 diperkirakan akan mencapai 4,54 persen. Sementara impor migas diperkirakan akan tumbuh lebih tingga, dimana rata-rata mencapai 5,43 persen. Sehingga rata-rata total impor Indonesia untuk periode 20152019 diperkirakan akan mencapai 4,7 persen, dimana impor migas akan selalu mengalami pertumbuhan yang lebih tinggi daripada impor non migas. Puncak pertumbuhan tertinggi pada impor non migas diperkirakan akan terjadi pada 2016, dimana pertumbuhan yang terjadi diperkirakan sebesar 5,030 persen. Sementara, puncak pertumbuhan impor tertinggi pada sektor migas juga terjadi pada tahun 2018, dimana pertumbuhan impor yang terjadi diperkirakan sebesar 5,73 persen.

Tabel 5.4 Proyeksi Impor Migas dan Non Migas Indonesia 2015-2019 Tahun

Migas Nilai (miliar USD)

Pert (%)

Non Migas Nilai (miliar USD

2013 2014

45,27 45,34

0,15

141,36 136,68

2015 2016 2017 2018

47,56 50,17 52,90 55,93

4,91 5,49 5,44 5,73

2019

59,06 Rata-rata (2015-2019)

5,59 5,43

Total

Pert (%)

Nilai (miliar USD)

Pert (%)

-3,31

186,63 182,02

2,47

141,22 148,33 155,76 162,89

3,32 5,03 5,01 4,58

188,79 198,50 208,66 218,83

3,72 5,14 5,12 4,87

170,62

4,74 4,54

229,68

4,96 4,76

Sumber: Estimasi proyeksi pada EViews 6.0

5.3

Proyeksi Ekspor dan Impor Menurut Sektor dan Kategori Barang Ekspor

dan

impor

merupakan

instrumen

dalam

necara

perdagangan yang memegang peranan penting sebagai indikator pertumbuhan ekonomi suatu negara. Di era globalisasi dan pemberlakuan perdagangan

bebas

saat

ini,

kinerja


ekpor

untuk

meningkatkan

70

pendapatan negara (GDP) menjadi sangat penting untuk terus didorong. Di lain sisi, arus impor perlu diwaspadai karena dapat menambah beban neraca perdagangan jika tidak dikendalikan dengan baik terutama oleh pemerintah. Mendorong kinerja ekspor, khususnya ekspor non migas adalah suatu keniscayaan bagi Indonesia mengingat sumber daya dan pasar tujuan ekspor masih sangat potensial. Selain itu, perlu adanya pengendalian impor baik barang migas maupun non migas yang pada dasarnya hanya bersifat konsumtif dan kurang bernilai tambah. Oleh karena itu, diperlukan adanya sebuah penetapan target ekspor dan impor barang Indonesia dalam kurun waktu lima tahun ke depan. Penetapan

target

yang

dimaksud

dalam

penelitian

ini

menggunakan metode proyeksi yang didasarkan pada analisis deret waktu (time series). Seperti yang telah dijelaskan dalam bagian metode penelitian maka metode yang akan digunakan untuk memproyeksi adalah analisis univariate dan analisis kausal. Metode univariate yang digunakan beberapa diantaranya adalah exponential smoothing dan Box-Jenkins. Sedangkan untuk proyeksi menggunakan metode kausal digunakan metode Vector Autoregressive (VAR). Sampel dan ruang lingkup metode yang telah disebutkan di atas tidak sama satu lain. Metode univariate untuk exponential smoothing dan Box-Jenkins menggunakan data bulanan denga maksud mendapat trend dan varians data yang lebih beragam. Ruang lingkup analisis metode univariate adalah proyeksi ekspor berdasarkan sektor (migas dan non-migas) dan kelompok komoditi (pertanian, industri, dan pertambangan) serta impor berdasarkan sektor (migas dan non migas) dan kelompok barang (konsumsi, bahan baku/penolong, dan modal). Di sisi lain, metode kausal yaitu VAR digunakan data kuartalan dan khusus untuk memproyeksi ekspor dan impor berdasarkan sektor (migas dan non-migas) dikarenakan mayoritas data variabel eksogen adalah kuartalan. Analisis proyeksi berkaitan erat dengan keakuratan dari metode yang digunakan. Keakuratan metode dan data proyeksi yang dihasilkan digunakan uji statistik diantaranya adalah Root Mean Square Error


71

(RMSE) dan Mean Absolute Percentage Error (MAPE). Lebih lanjut, sesuai dengan tujuan penelitian makan hasil akhir dari proyeksi adalah data nilai dalam kurun waktu dan laju pertumbuhan. Pada kajian ini sepenuhnya digunakan alat bantu software Microsoft Excel 2010 dan EViews 6.0. 5.3.1 Proyeksi Ekspor dan Impor menggunakan Metode Exponential Smoothing Pada umumnya metode proyeksi exponential smoothing memiliki lima macam metode yang seringkali digunakan dalam penelitian. Lima macam metode tersebut adalah Single Smoothing (SS), Double Smoothing (DS), Holt-Winter Non Seasonal (HW), Holt-Winters Additive Seasonal (HWA), dan Holt-Winters Multilicative Seasonal (HWM). Kelima jenis metode exponential smoothing tersebut selanjutnya akan diuji tingkat akurasi menggunakan uji Root Mean Square Error (RMSE) berdasarkan data in sample. Metode yang terbaik memberikan nilai RMSE yang cenderung lebih kecil. Pada pengujian RMSE untuk proyeksi ekspor didapatkan bahwa masing-masing sektor dan kelompok komoditi memiliki karakteristik masing-masing. Secara umum data ekspor menurut sektor dan kelompok komoditi tidak terlalu dapat menunjukkan adanya faktor musiman. Meski demikian, hasil exponential smoothing menujukkan bahwa metode yang berkaitan dengan pengaruh musiman yaitu HWA dan HWM merupakan metode yang cenderung lebih akurat dibanding metode non-musiman seperti SS, DS dam bahkan HW. Tabel 5.5 menunjukkan bahwa metode Holt Winters Multiplicative (HWM) cocok untuk diaplikasikan pada proyeksi ekspor migas dan ekspor komoditi pertanian. Di lain sisi, metode Holt Winters Additive (HWA) cocok untuk diaplikasikan pada proyeksi ekspor non migas, komoditi industri dan pertambangan.

Tabel 5.5 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode Exponential Smoothing No

Ekspor


RMSE

72

SS

DS

HW

HWA

HWM

1

Migas

246,61

263,47

246,03

221,02

213,97

2

Non Migas

665,66

678,13

651,23

585,43

594,69

3

Pertanian

48,75

49,37

48,50

39,67

39,54

4

Industri

553,28

562,78

544,39

505,55

517,47

5

Pertambangan

229,69

235,25

226,18

201,96

208,67

Sumber: Hasil Olahan EViews 6.0

Sama halnya dengan ekspor, data impor menurut sektor dan kelompok barang secara agregat tidak terlalu menampakkan adanya faktor musiman. Namun demikian, uji statistik RMSE menunjukkan bahwa metode proyeksi dengan mengikutsertakan komponen musiman lebih baik dibanding non-musiman. Tabel 5.6 memperlihatkan metode Holt Winters Additive (HWA) cocok untuk diterapkan pada proyeksi impor kecuali impor bahan baku yang lebih cocok menggunakan metode Holt Winters Multiplicative (HWM).

Tabel 5.6 Tingkat Akurasi Proyeksi Impor Menggunakan Metode Exponential Smoothing No

Impor

RMSE SS

DS

HW

HWA

HWM

1 Migas

300,12

325,57

297,04

285,77

296,79

2 Non Migas

763,46

788,95

755,71

717,60

726,84

3 Konsumsi

84,93

87,79

83,80

80,50

84,01

4 Bahan Baku

725,17

765,32

716,82

678,00

674,07

5 Modal

233,22

235,18

231,70

215,05

217,90


5.3.2 Proyeksi Ekspor dan Impor menggunakan Metode Box-Jenkins Metode Box-Jenkins (ARIMA) merupakan metode yang seringkali digunakan dalam kajian peramalan selain metode exponential smoothing. Seperti yang telah dijelaskan pada bagian metode penelitian bahwa dalam


73

menentukan model proyeksi ARIMA diperlukan beberapa tahapan yaitu identifikasi model, estimasi model dan uji diagnostik residual. Tahap identifikasi dilakukan dengan mengecek stasioneritas data dan kemudian menguji plot ACF dan PACF untuk menentukan model yang sesuai apakah Autoregressive (AR), Moving Average (MA), maupun kombinasi ARMA. Pada tahap estimasi, dicari model terbaik berdasarkan uji signifikansi t. Pada tahap uji diagnostik residual, model yang lolos untuk proyeksi adalah model dengan residual white noise (acak). Secara ringkas, model yang digunakan dalam penelitian ini telah melalui prosedur-prosedur di atas dan lolos uji residual. Sebagaimana diketahui bahwa fokus penelitian ini lebih ke proyeksi, maka pengujian di tiap prosedur tidak ditampilkan secara khusus melainkan fokus pada tingkat akurasi proyeksi. Secara umum metode Box-Jenkins terbagi menjadi dua kategori model yaitu model ARIMA yang tidak memperhitungkan faktor musiman dan model ARIMA yang memperhitungkan faktor musiman atau dikenal Seasonal ARIMA (SARIMA). Untuk mendapatkan hasil yang lebih komprehensif maka kedua model tersebut digunakan dalam penelitian ini. Selanjutnya untuk mengukut tingkat akurasi proyeksi digunakan uji statistik Root Mean Square Error (RMSE), Mean Absolut Error (MAE), dan Mean Absolut Percentage Error (MAPE) yang langsung ditampilkan oleh software EViews 6.0. Di samping itu, disertakan pula banyaknya parameter yang digunakan dalam estimasi model sebagai indikator kesederhanaan model. Hasil uji tingkat akurasi menunjukkan bahwa model SARIMA lebih tepat digunakan untuk memproyeksi ekspor dibanding model ARIMA nonmusiman. Statistik RMSE maupun MAPE menunjukkan bahwa error model SARIMA lebih kecil dibandingkan dengan error ARIMA nonmusiman. Pengaruh musiman di sini dilihat dari karakteristik data yang digunakan yaitu data bulanan sehingga dapat dilihat bahwa semua model SARIMA dipengaruhi oleh Seasonal Moving Average (SMA) 12. Artinya, ekspor setiap bulan dalam setiap tahun membentuk pola yang berbeda


74

dari bulan-bulan sebelumnya. Hal itu dikarenakan kinerja ekspor sangat dipengaruhi oleh kondisi perekonmian global, terutama negara tujuan ekspor dan sulit untuk diprediksi pola musimannya. Tabel 5.7 dengan ringkas menampilkan parameter dan uji akurasi model ARIMA non musiman dan SARIMA.

Tabel 5.7 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode Box-Jenkins (ARIMA/SARIMA) No

Ekspor

Model

RMSE

MAE

MAPE

3

772,166

647,876

37,623

SMA(12)

2

487,511

361,321

20,621

ARIMA (12,1,2)

4

2.180,994

1.765,978

23,824

SMA(12)

2

1470,097

1109,024

14,196

ARIMA (12,1,1)

2

157,933

119,861

30,872

SMA(12)

3

51,409

44,058

16,025

ARIMA (12,1,0)

2

3.925,143

3.061,305

39,877

SMA(12)

3

2.190,879

1.656,829

21,827

ARIMA (11,1,0)

3

1.317,851

964,578

61,236

4

445,526

307,225

23,162

ARIMA/SARIMA ARIMA (11,1,11)

1

2

3

4

5

Migas

Non Migas

Pertanian

Industri

Parameter

ARIMA (0,1,8)

ARIMA (0,1,1)

ARIMA (1,1,2)

ARIMA (2,1,1)

Pertambangan ARIMA (6,1,6) SMA(12) Sumber: Hasil Olahan EViews 6.0

Hasil yang tidak jauh berbeda ditunjukkan oleh uji tingkat akurasi pada metode Box-Jenkins untuk proyeksi impor (Tabel 5.8). Statistik RMSE dan MAPE menunjukkan bahwa model Seasonal ARIMA lebih baik dibandingkan

model

ARIMA

non-musiman.

Karakteristik

pengaruh

musiman impor dapat diakibatkan data yang digunakan dalam estimasi


75

adalah data bulanan. Pengaruh musiman impor mengandung arti bahwa pola impor bulanan selalu berbeda setiap tahunnya. Hal itu disebabkan kinerja

impor

barang

bergantung

pada

kondisi

domestik

dan

perekonomian global.

Tabel 5.8 Tingkat Akurasi Proyeksi Impor Menggunakan Metode BoxJenkins (ARIMA/SARIMA) Model No

Impor

ARIMA/SARIMA

Parameter

ARIMA (1,1,1) 1

2

3

4

5

Migas

Non Migas

Konsumsi

Bahan Baku

Modal

2

RMSE

MAE

MAPE

1.806,933 1.383,157

61,788

ARIMA (12,1,1) SMA(12)

3

ARIMA (12,1,0)

751,166

581,522

28,14

2

5.017,276 3.611,449

46,848

SMA(12)

3

1.582,819 1.430,816

38,328

ARIMA (1,1,0)

1

557,049

417,293

61,241

SMA (12)

2

235,321

169,767

26,722

ARIMA (1,1,0)

1

5.439,474 4.116,393

55,198

SMA(12)

3

1.824,524 1.337,946

20,459

ARIMA (2,1,1)

2

1.479,442

1089,762

63,216

2

1.120,486

794,359

45,057

ARIMA (0,1,2)

ARIMA (1,1,0)

ARIMA (0,1,2)

ARIMA (0,1,1) SMA(12)


5.3.3 Proyeksi Ekspor dan Impor dengan Model Terbaik Berdasarkan

metode

yang

telah

dipaparkan

pada

bagian

sebelumnya maka perlu dilihat metode manakah yang paling baik untuk dapat memproyeksikan ekspor dan impor Indonesia berdasarkan sektor migas dan non migas serta kelompok komoditi dan kelompok barang. Metode terbaik adalah metode yang menghasilkan error terkecil dilihat dari


76

nilai statistik Root Mean Square Erros (RMSE) serta Mean Absolute Percentage Error (MAPE) dari data in sample. Tabel 5.9 berikut memberikan hasil rekapitulasi uji RMSE dan MAPE proyeksi ekspor untuk metode exponential smoothing Holt dan metode Box-Jenkins. Hasil menunjukkan bahwa metode yang paling baik dalam memproyeksi ekspor Indonesia adalah metode exponential smoothing.

Tabel 5.9 Uji Tingkat Akurasi Model Proyeksi Ekspor Unit Migas Non Migas Pertanian Industri Pertambangan

Exponential Smoothing ARIMA Model RMSE MAPE Model RMSE HWM 213,975 0,077 ARIMA (0,1,8) 487,511 SMA (12) HWA 585,434 0,059 ARIMA (0,1,1) 1.470,097 SMA(12) HWM 39,545 0,094 ARIMA (1,1,2) 51,409 SMA(12) HWA 505,551 0,062 ARIMA (2,1,1) 2.190,879 SMA(12) HWA 201,966 0,199 ARIMA (6,1,6) 445,526 SMA(12)

Model MAPE Terbaik 20,621 HWM 14,196

HWA

16,025

HWM

21,827

HWA

23,162

HWA


Tidak jauh berbeda dengan ekspor, pada proyeksi impor metode exponential smoothing dianggap paling baik untuk digunakan karena menghasilkan error yang kecil tercermin dari stastistik RMSE dan MPE. Tabel 5.10 menampilkan rangkuman uji akurasi proyeksi untuk impor. Secara keseluruhan dapat disimpulkan bahwa proyeksi ekspor dan impor barang Indonesia dipengaruhi oleh trend dan faktor musiman yang tidak menentu. Hal itu dikarenakan kondisi perdagangan internasional yang sangat berkaitan dengan perekonomian global serta isu geopolitik. Oleh sebab itu, proyeksi ekspor dan impor Indonesia lebih baik menggunakan trend dan karakteristik data musiman itu sendiri karena telah dibuktikan dengan uji statistik MAPE exponential smoothing yang di bawah 50 persen.


77

Tabel 5.10 Uji Tingkat Akurasi Model Proyeksi Impor Exponential Smoothing Model RMSE MAPE

Unit

Model

ARIMA RMSE

Migas

HWA

285,77

0,144

ARIMA (12,1,1) SMA(12)

Non Migas

HWA

717,605

0,095

Konsumsi

HWA

80,509

Bahan Baku

HWM

Modal

HWA

MAPE

751,17

28,14

ARIMA (0,1,2) SMA(12)

1.582,82

38,328

0,127

ARIMA (1,1,0) SMA (12)

235,32

26,722

674,075

0,080

ARIMA (0,1,2) SMA(12)

1.824,52

20,459

215,053

0,145

ARIMA (0,1,1) SMA(12)

1.120,49

45,057


5.4

Proyeksi Nilai dan Pertumbuhan Ekspor dan Impor Indonesia 2015-2019 Berdasarkan uji tingkat akurasi yang telah dilakukan diperoleh

bahwa metode exponential smoothing dengan masing-masing model musiman (HWA dan HWM) merupakan model terbaik untuk digunakan sebagai proyeksi nilai ekspor dan impor barang Indonesia dalam kurun waktu 2015-2019. Di samping nilai, perlu juga dilihat pertumbuhan setiap tahun dan rata-rata pertumbuhan ekspor maupun impor dalam rentang waktu tersebut. Tabel 5.11 menunjukkan bahwa secara umum nilai ekspor berdasarkan sektor dan kelompok komoditi dalam kurun waktu 2015-2019 diproyeksikan meningkat. Meski begitu, jika dilihat pertumbuhan ekspor maka cenderung menurun. Pertumbuhan rata-rata ekspor migas dalam kurun waktu tersebut adalah 3,4 persen dan ekspor non migas rata-rata 4,44 persen. Selanjutnya, ekspor pertanian diproyeksi tumbuh rata-rata sebesar 3,56 persen, ekspor industri tumbuh rata-rata sebesar 4,17 persen, dan ekspor pertambangan tumbuh rata-rata 5,59 persen.


78

Model Terbaik HWA

HWA HWA HWM

HWA

Tabel 5.11 Proyeksi Nilai dan Pertumbuhan Ekspor Barang Indonesia 2015-2019 Proyeksi Ekspor

Migas

NonMigas

Pertanian

Industri

Pertambangan

Keterangan Nilai (miliar USD) Pertumbuhan (%) Nilai (miliar USD) Pertumbuhan (%) Nilai (miliar USD) Pertumbuhan (%) Nilai (miliar USD) Pertumbuhan (%) Nilai (miliar USD) Pertumbuhan (%)

2015

2016

2017

2018

2019

40,00

41,41

42,81

44,22

45,62

3,64

3,51

3,39

3,28

3,18

169,75

177,61

185,47

193,33

201,19

4,85

4,63

4,42

4,24

4,06

6,27

6,51

6,74

6,97

7,19

3,82

3,68

3,55

3,43

3,32

126,11

131,57

137,03

142,49

147,96

4,53

4,33

4,15

3,99

3,83

36,78

38,95

41,11

43,27

45,44

6,25

5,88

5,55

5,26

5,00

Pertumbuhan rata-rata 2015-2019 3,40

4,44

3,56

4,17

5,59


Di sisi lain, Tabel 5.12 menunjukkan bahwa secara umum proyeksi nilai impor berdasarkan sektor dan kelompok barang dalam kurun waktu 2015-2019 juga memperlihatkan adanya peningkatan serta pertumbuhan yang semakin melambat. Meski begitu, laju pertumbuhan impor lebih tinggi dibandingkan pertumbuhan ekspor. Hal itu tentu menjadi sinyal darurat apabila skema proyeksi univariat yang berasumsikan bussines as ussual ini tidak segera ditindak lanjuti oleh pemerintah. Statisik menunjukkan bahwa pertumbuhan rata-rata ekspor migas dalam kurun waktu 2015-2019 adalah 5,2 persen dan ekspor non migas rata-rata 5,53 persen. Selanjutnya impor barang konsumsi diproyeksi tumbuh rata-rata sebesar 5,39 persen, impor bahan baku tumbuh rata-rata sebesar 5,15 persen, dan impor barang modal tumbuh rata-rata 5,82 persen.


79

Tabel 5.12 Proyeksi Nilai dan Pertumbuhan Impor Barang Indonesia 2015-2019 Proyeksi Ekspor

Migas

NonMigas

Barang Konsumsi

Bahan Baku

Barang Modal

Keterangan Nilai (miliarUSD) Pertumbuhan (%) Nilai (miliarUSD) Pertumbuhan (%) Nilai (miliarUSD) Pertumbuhan (%) Nilai (miliarUSD) Pertumbuhan (%) Nilai (miliarUSD) Pertumbuhan (%)

2015

2016

2017

2018

2019

55,37

58,39

61,41

64,42

67,44

5,77

5,45

5,17

4,92

4,69

150,52

159,28

168,04

176,80

185,56

6,18

5,82

5,50

5,21

4,95

15,12

15,98

16,83

17,69

18,55

6,00

5,66

5,36

5,08

4,84

159,74

168,36

176,99

185,62

194,25

5,71

5,40

5,12

4,87

4,65

33,41

35,46

37,51

39,56

41,61

6,54

6,14

5,78

5,47

5,18

Pertumbuhan rata-rata 2015-2019 5,20

5,53

5,39

5,15

5,82


5.5

Penyusunan Target Ekspor Impor Negara Lain (Studi Kasus Filipina) Dalam rangka mencapai hasil penelitian yang lebih baik terkait

penyusunan target ekspor dan impor, tim peneliti melakukan survei ke negara tetangga yaitu Filipina. Pada kesempatan tersebut dilakukan diskusi dengan beberapa lembaga pemerintah serta lembaga penelitian untuk memotret bagaimana gambaran studi penyusunan target ekspor dan impor di negara tersebut. Berdasarkan pemaparan National Economic and Development Authority (NEDA), penyusunan target ekspor di Filipina dilakukan oleh otoritas khusus yang bernama Export Development Council (EDC) dengan beranggotakan pemerintah dan pihak swasta. EDC kemudian menyusun Rencana Pengembangan Ekspor Filipina (Philipine Export Development Plan-PEDP) dengan periode 2014-2016. Hasilnya, ekspor barang Filipinan ditargetkan tumbuh sebesar 10 persen atau


80

senilai (US$90 miliar) di tahun 2016. Dalam PEDP dirinci secara detil target dan strategi berdasarkan produk dan pasar ekspor utama (prioritas). PEDP nantinya menjadi bagian dari (input) rencana pembangunan Filipina yang disebut sebagai Philippine Development Plan (PDP) 2011-2016. PDP disusun oleh Development & Budget Coordination Committee (DBCC) yang beranggotakan institusi pemerintah. PDP merupakan dokumen perencanaan jangka menengah (6 tahun) dan di-update pada pertengahan periode (3 tahun). Pada tahun 2014 ini tengah dilakukan update PDP dengan menekankan pada aspek pembangunan spasial. Dalam hal ini, dirumuskan pula target di tingkat regional. Target pertumbuhan ekonomi regional disusun berdasarkan hasil proyeksi menggunakan factor production function dengan variabel seperti jumlah tenaga kerja, jumlah lapangan pekerjaan, GDP regional, dan kapital. Penyusunan target ekspor dilakukan oleh EDC, sedangkan penetapannya dilakukan oleh DBCC. Angka proyeksi ekspor dari EDC menjadi masukan bagi BSP untuk memproyeksikan neraca pembayaran (BOP). Dalam hal ini BSP juga memproyeksikan nilai ekspor barang sebagai bagian dari komponen BOP serta mengestimasi nilai tukar, harga minyak, dan inflasi. Hasil estimasi BSP kemudian dijadikan referensi bagi NEDA untuk memproyeksikan GDP. Selanjutnya, berdasarkan proyeksi NEDA, DBM akan melakukan proyeksi penerimaan negara sedangkan DOF akan melakukan proyeksi pengeluaran negara. Secara sederhana, alur penyusunan target pembangunan ekonomi dapat diilustrasikan sebagai berikut:


81

Development & Budget Coordination Committee (DBCC) Export Development Council (EDC) • DTI (ketua) • NEDA • PilExport

proyeksi ekspor

•

BSP : proyeksi BOP

•

NEDA: proyeksi GDP

•

DBM: proyeksi penerimaan

•

DOF: proyeksi pengeluaran

Keterangan: DTI : Department of Trade and Industry BSP : Bangko Sentral ng Pilipinas NEDA : National Economic and Development Authority DOF : Department of Finance PilExport: Philippine Exporters Confederation, Inc. BOP : Balance of Payment DBM : Department of Budget and Management GDP : Gross Domestic Product

Gambar 5.1 Alur Penyusunan Target Ekspor dan Pembangunan Ekonomi Filipina Sumber: Hasil Survei Tim (2014)

Selanjutnya, Philipine Institute for Development Studies (PDIS) menyatakan bahwa proses penyusunan target ekspor didasarkan pada mekanisme konsultasi antara pemerintah dan swasta (bisnis). Dalam hal ini Departement of Trade and Industry (DTI) memiliki target yang dikonsultasikan ke dunia usaha. Dalam menetapkan target ekspor perlu memperhatikan pasar atau negara tujuan utama ekspor serta faktor eksternal yang diperkirakan berpengaruh. Di samping itu, sektor internal juga perlu diperhatikan seperti kondisi industri, kebijakan perdagangan, infrastruktur, serta tingkat suku bunga. Cara sederhana untuk menyusun target ekspor dalam nilai atau tingkat pertumbuhan adalah dengan memperhatikan kinerja historis selama 3-5 tahun terakhir, termasuk kinerja ekspor masing-masing sektor/industri. Informasi dan penelitian empiris pada level perusahaan/industri (yang melakukan ekspor) juga dapat bermanfaat dalam penyusunan target ekspor. Informasi tersebut antara


82

lain mengenai daya saing perusahaan, tingkat produktivitas, sumber daya manusia, dan biaya logistik. Berkaitan dengan hal tersebut, pada dasarnya model statistik dapat digunakan sebagai panduan dalam penyusunan target, namun angka proyeksi yang dihasilkan dari model tersebut harus disesuaikan dengan beragam skenario seperti business as usual maupun kebijakan pro-aktif atau ekspansif dengan dukungan kebijakan dan rencana program kerja pemerintah. Secara umum, untuk menentukan target suatu indikator perlu diperhatikan aspek-aspek berikut: 1. Aspek teknis (model statistik) dan asumsi yang digunakan; 2. Supervisi dari staf/peneliti senior (sense of logic); 3. Justifikasi ahli mengenai variabel-variabel yang diperkirakan berpengaruh signifikan namun tidak dapat dimasukkan dalam model (wisdom). Meski para teknokrat dan tenaga ahli menyusun target indikator ekonomi dengan kaidah-kaidah keilmuan, namun pada akhirnya penetapan target berada di tangan Menteri dan bersifat politis (political decision) Terakhir, Asian Development Bank (ADB) mengemukakan bahwa mereka tidak memiliki model khusus mengenai ekspor dan impor. ADB memiliki Global Projection Model (GPM) yang berbasis pada model keseimbangan

stokastik

dinamis

(Dynamic

Stochastic

General

Equilibrium-DSGE) untuk memproyeksikan pertumbuhan ekonomi dunia, inflasi, maupun variabel makroekonomi lainnya. Meski demikian, proyeksi yang

dilakukan

maksimal

sampai

dua

tahun

ke

depan.

Selain

menggunakan model GPM, ADB juga memperhatikan masukan dari country economist (perwakilan ADB di suatu negara) dalam rangka menentukan angka proyeksi pada suatu negara. Country economist tersebut pada umumnya juga melihat angka proyeksi yang telah disusun pemerintah dan bukan semata-mata menggunakan model sendiri. Menurut ADB, penetapan target ekspor seharusnya diarahkan pada kondisi tertentu yang ingin dicapai, misalnya perubahan struktur ekspor atau bauran produk ekspor (diversifikasi) dan bukan pada penetapan


83

angka pertumbuhan atau nilai ekspor. Hal tersebut dikarenakan banyaknya faktor-faktor yang sulit untuk diprediksi (unpredictable) di masa mendatang. Selain itu, sebaiknya peramalan atau proyeksi ekspor tidak dilakukan untuk rentang waktu yang panjang, cukup memproyeksikan 1-2 tahun ke depan saja. Penetapan angka target kurang bermakna dan tidak fokus pada tujuan yang ingin dicapai. Selain itu, dalam membangun model ekspor maupun impor harus konsisten dengan model makroekonomi. Perkiraan

pertumbuhan

ekspor

harus

sejalan

dengan

perkiraan

pertumbuhan ekonomi domestik maupun global. Hal yang penting lagi adalah perlunya memperhatikan kondisi buyer atau mitra dagang tujuan ekspor. Untuk Indonesia, apa yang sedang dan diperkirakan terjadi di mitra dagang utama seperti AS dan Eropa menjadi sangat relevan untuk dicermati. Beberapa

kesimpulan

yang

dapat

dijadikan

pertimbangan

penyusunan target ekspor impor Indonesia berdasarkan pengalaman Filipina seperti yang telah diulas adalah sebagai berikut: 1) Penyusunan target ekspor maupun impor dikoordinasikan oleh otoritas khusus yang terdiri dari pihak pemerintah maupun swasta. 2) Dalam menetapkan target ekspor perlu memperhatikan pasar atau negara

tujuan

utama

ekspor

serta

faktor

eksternal

yang

diperkirakan berpengaruh. 3) Pada dasarnya model statistik dapat digunakan sebagai panduan dalam penyusunan target, namun angka proyeksi yang dihasilkan dari model tersebut harus disesuaikan dengan beragam skenario seperti business as usual maupun kebijakan pro-aktif atau ekspansif dengan dukungan kebijakan dan rencana program kerja pemerintah. 4) Secara umum, untuk menentukan target suatu indikator perlu diperhatikan aspek-aspek berikut: aspek teknis (model statistik) dan asumsi yang digunakan; supervisi dari staf/peneliti senior (sense of logic); serta justifikasi ahli mengenai variabel-variabel yang


84

diperkirakan berpengaruh signifikan namun tidak dapat dimasukkan dalam model (wisdom). 5) Penetapan target ekspor seharusnya diarahkan pada kondisi tertentu yang ingin dicapai, misalnya perubahan struktur ekspor atau bauran produk ekspor (diversifikasi) dan bukan pada penetapan angka pertumbuhan atau nilai ekspor. Selain itu, peramalan atau proyeksi ekspor sebaiknya tidak dilakukan untuk rentang waktu yang panjang, cukup memproyeksikan satu atau dua tahun ke depan saja.


85

BAB VI PENUTUP

6.1

Kesimpulan Berdasarkan hasil OLS, diketahui bahwa determinan ekspor dan

impor barang Indonesia dipengaruhi oleh beberapa variabel eksternal (exogenous variable). Ekspor total Indonesia terutama sangat dipengaruhi oleh GDP per kapita negara-negara mitra dagang utama Indonesia (traditional market). PDB negara mitra tersebut menunjukkan seberapa kuat permintaan dunia dalam memengaruhi ekspor Indonesia. Ekspor barang Indonesia juga dipengaruhi oleh impor barang dengan asumsi jika impor bahan baku tersebut selanjutnya akan digunakan untuk produksi yang berorientasi ekspor, maka ekspor barang Indonesia akan semakin meningkat. Selanjutnya, nilai tukar Rupiah terhadap Dollar AS juga berpengaruh terhadap ekspor. Apabila rupiah menguat, maka harga barang Indonesia di luar negeri menjadi relatif lebih mahal (meningkat), sehingga menurunkan daya saing produk Indonesia di pasar internasional. Lebih lanjut, variabel harga minyak dunia dan suku bunga kredit juga menunjukkan adanya pengaruh terhadap ekspor barang Indonesia. Di sisi lain, berdasarkan analisis determinan impor menunjukkan bahwa variabel GDP per kapita Indonesia berpengaruh terhadap impor. Hal itu menggambarkan kondisi ekonomi dan tingkat kesejahteraan masyarakat berpengaruh pada tingginya impor di dalam negeri. Ekspor barang secara total juga menujukkan pengaruh positif signifikan terhadap impor. Semakin besar nilai ekspor, maka kebutuhan impor khususnya terhadap bahan baku dan penolong semakin besar. Sama halnya dengan model ekspor, variabel nilai tukar juga memiliki pengaruh terhadap impor. Nilai tukar Rupiah terhadap US Dollar yang mengalami peningkatan (apresiasi), mendorong produsen maupun konsumen domestik untuk mengimpor

barang

lebih

banyak.

Terakhir,


harga

minyak

dunia

86

berpengaruh terhadap impor Indonesia karena tingginya impor minyak dalam rangka pemenuhan kebutuhan bahan bakar domestik. Sejalan dengan hasil analisis determinan ekspor, proyeksi ekspor Indonesia yang dilakukan dengan pedekatan VAR menunjukkan bahwa pertumbuhan ekspor Indonesia ke depan juga masih dipengaruhi oleh PDB

negara-negara

mitra

utama.

Rata-rata

pertumbuhan

ekspor

Indonesia pada 2015-2019 sebesar 5,03 persen per tahun akan tecapai apabila diasumsikan pertumbuhan ekonomi negara-negara mitra dagang utama tersebut tumbuh dengan kisaran 1,5 persen - 2,0 persen. Selebihnya pertumbuhan ekspor migas dan non migas pada 2015-2019 diperkirakan akan kondusif dan mengalami peningkatan. Rata-rata pertumbuhan ekspor non migas selama 2015 hingga 2019 diperkirakan akan mencapai 5,76 persen per tahun. Sementara rata-rata pertumbuhan ekspor migas diperkirakan akan mencapai 1,34 persen per tahun. Sementara itu, dalam proyeksi impor menggunakan pendekatan VAR juga digunakan variabel yang paling berpengaruh dalam analisis determinan impor sebelumnya yaitu investasi. Rata-rata pertumbuhan impor Indonesia untuk periode 2015-2019 diperkirakan mencapai 4,7 persen per tahun apabila diasumsikan investasi yang masuk ke Indonesia mencapai 5 persen. Impor migas diperkirakan akan tumbuh lebih tinggi mencapai rata-rata 5,43 persen per tahun sedangkan impor non migas diperkirakan akan tumbuh rata-rata mencapai 4,54 persen per tahun dalam kurun 2015-2019. Hal itu menunjukkan bahwa ketergantungan impor migas masih akan berlanjut dalam lima tahun ke depan. Lebih lanjut, analisis univariate yang tepat dalam memproyeksi ekspor berdasarkan kelompok komoditi dan impor berdasarkan kelompok barang adalah menggunakan pendekatan exponential smoothing holtwinters baik additive (HWA) maupun multiplicative (HWM). Hasil uji keakuratan proyeksi root mean square error (RMSE) dan mean absolute percentage error (MAPE) menunjukkan bahwa pendekatan HWA dan HWM memberikan tingkat akurasi yang lebih baik ketimbang pendekatan ARIMA/SARIMA. Analisis HWA dan HWM menunjukkan bahwa baik


87

pertumbuhan ekspor maupun impor diproyeksikan tumbuh melambat dalam kurun waktu 2015-2019. Hal itu disebabkan dalam analisis univariate cenderung mengikuti trend data ke bawah sehingga wajar apabila pertumbuhan ekspor berdasarkan komoditi dan impor berdasarkan kategori barang cenderung semakin rendah. Hasil analisis HWA dan HWM menunjukkan bahwa rata-rata ekspor pertanian dalam kurun waktu 2015-2019 hanya tumbuh sebesar 3,56 persen per tahun. Selain itu, ekspor industri tumbuh rata-rata 4,17 persen per tahun dan ekspor tambang diproyeksikan meningkat cukup tinggi sebesar 5,59 persen per tahun. Di sisi lain, impor barang konsumsi diproyeksi tumbuh rata-rata sebesar 5,2 persen per tahun dalam kurun waktu 2015-2019. Selanjutnya impor bahan baku tumbuh rata-rata 5,15 persen per tahun dan impor barang modal tumbuh rata-rata 5,82 persen per tahun. Hasil tersebut menunjukkan bahwa laju pertumbuhan impor lebih tinggi dibandingkan pertumbuhan ekspor. Hal itu tentu menjadi sinyal darurat apabila skema proyeksi univariate yang berasumsikan bussines as ussual ini tidak segera ditindak lanjuti oleh pemerintah. 6.2

Saran Ekspor dan impor Indonesia sangat dipengaruhi oleh berbagai

faktor. Terkait dengan ekspor, variabel yang memiliki pengaruh kuat terhadap tingkat ekspor Indonesia selama ini ditentukan oleh faktor eksogen yang menandakan bahwa ekspor Indonesia masih bergantung pada kondisi permintaan dunia, terutama pada mitra dagarng utama. Oleh karena itu, intensifikasi perdagangan ke negara tujuan ekspor utama perlu terus ditingkatkan baik melalui kegiatan promosi maupun secara proaktif menanggulangi isu-isu perdagangan yang berpotensi negatif terhadap kinerja ekspor Indonesia. Selain itu, ekspor Indonesia ke depan juga harus didorong oleh perbaikan sisi penawaran, misalnya dengan memperkuat daya saing produk dan diversifikasi produk serta memperluas pasar ekspor.


88

Dari

sisi

metode,

penyusunan

target

ekspor

dan

impor

menggunakan model statistik dapat digunakan sebagai panduan dalam penyusunan target, namun angka proyeksi yang dihasilkan dari model tersebut harus disesuaikan dengan beragam skenario seperti business as usual maupun kebijakan pro-aktif atau ekspansif dengan dukungan kebijakan dan rencana program kerja pemerintah. Secara umum, untuk menentukan target suatu indikator perlu diperhatikan aspek-aspek seperti aspek teknis (model statistik) dan asumsi yang digunakan, supervisi dari staf/peneliti senior (sense of logic), serta justifikasi ahli mengenai variabel-variabel yang diperkirakan berpengaruh signifikan namun tidak dapat dimasukkan dalam model (wisdom). Selain itu, ada baiknya apabila penyusunan target ekspor maupun impor dikoordinasikan oleh otoritas khusus yang terdiri dari pihak pemerintah maupun swasta.


89

DAFTAR PUSTAKA Ali, Ridwan; Alwang, Jeffrey; dan Siegel, Paul B. (1991). Is Export Diversification The Best Way to Achieve Export Growth and Stability? A Look at Three African Countries. World Bank Working Papers No. 729, 1991. Aydin, M. Faruk; Çiplak, Uğur; dan Yücel, M. Eray. (June 2004). Export Supply and Import Demand Models for the Turkish Economy. Research Departement Working Paper No:04/09. The Central Bank of The Republic of Turkey. Berthelemy, J.C. dan Chauvin, S. (2000). Structural Changes In Asia And Growth Prospects After The Crisis. CEPII Working Papers No. 0009, 2000. Bhagwati, Jagdish, V.K Ramaswami, dan T.N Srinivasan. (1969). Domestic Distortions, Tariffs, and the Theory of Optimum Subsidy: Some Further Results. Journal of Political Economy Vol 77, No 6 (November-December), pages 1005-1010. Bhagwati, Jagdish. (1990). Export-Promotion Trade Strategy: Issues and Evidence," in Export Promotion Strategies: Theory and Evidence from Developing Countries. England: Harvester Wheat Sheaf. Chani, Muhammad Irfan; Pervaiz, Zahid; dan Chaudhary, Amatul R.. (2011). Determination of Import Demand in Pakistan: The Role of Expenditure Components. Theoritical and Applied Economics Volume XVIII, No. 8(561), pp 93-110. Enders, W. (2004). Applied Econometric Time Series (Second edition). Wiley.


xi

Gujarati, Damodar N. (2004). Basic Econometric (Fourth edition). The McGraw-Hill Companies. Kementerian Perdagangan Republik Indonesia. (2011). Penetapan Target Pertumbuhan Ekspor Non Migas Sebagai Salah Satu Indikator Kinerja Utama. Jakarta: Kementerian Perdagangan Republik Indonesia. Khan,Tanvir. (June 2011). Identifying an Appropriate Forecasting Model for Forecasting Total Import of Bangladesh. International Journal of Trade, Economics, and Finance, Vol.2, No.3. Krueger, Anne O. (1983). Trade and Employment in Developing Countries. Chicago: University of Chicago Press. Krugman,

Paul

R.

dan

Obstfeld,

Maurice.

(2003).

“International

Economics: Theory and Policy”. Pearson Education Internasional. Kuncoro, Mudrajad. (2011). Metode Kuantitatif: Teori dan Aplikasi Untuk Bisnis dan Ekonomi. STIE-YKPN. Yogyakarta. Lindert, Peter H. dan Kindleberger, Charles P. (1982). International Economics (International ed). Homewood. Lipsey, dkk. (1995). Pengantar Mikroekonomi. Jilid 2. Jaka Wasana dan Kirbrandoko [Penerjemah] Binarupa Aksara, Jakarta. Nachrowi, Djalal Nachrowi dan Usman, Hardius. (2006). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta. Octrianto, Dimas. (2006). Dampak Liberalisasi Perdagangan Cina-ASEAN dan Faktor-faktor yang Mempengaruhi Ekspor Sayuran Penting Indonesia ke Malaysia [Skripsi]. Fakultas Pertanian, Institut Pertanian Bogor, Bogor.


xii

Pindyck, Robert S. dan Rubinfeld, Dabiel L. (1998). Econometric Models and Economic Forecasts (Fourth edition). Irwin/McGraw-Hill. Rahmaddi, Rudi dan Ichihashi, Masaru. (January 2012). How Do Foreign and

Domestic

Econometric

Demand

Affect

Investigation

of

Exports

Indonesia’s

Performance? Exports.

An

Modern

Economy,2012, 3, 32-42. Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtut Waktu Terapan dengan Eviews. Penerbit Andi. Yogyakarta. Salvatore,

D.

(1997).

Ekonomi

Internasional.

Haris

Munandar

[Penerjemah]. Jakarta (ID): Erlangga. Samuelson, Paul A. (1983). Economics. Singapore: MC.Graw - Hill Publishing Company. Seringhaus, F. H. Rolf, and Rosson, Philip J. (1990). Government export promotion: A global perspective. Routledge (London and New York). Siddique, M.A.B. (1997). Estimation of an Import Demand Function for Indonesia: 1971-93. International Congress on Modelling and Simulation 97, Perth, 3, pp. 1361-1366. Sukirno, S. (2000), Pengantar Teori Makroekonomi, PT. Raja Grafindo Persada, Jakarta. Surachman, Hamdani dkk. (2009). Kajian Pengembangan Model Proyeksi Jangka Pendek Pasar Komoditas Pangan Pokok. Pusat Penelitian dan Pengembangan Perdagangan Dalam Negeri, Badan Penelitian dan Pengembangan Perdagangan Kementerian Perdagangan. Wardhani, Shita Lusi dan Algifari. (2007).Teknik Proyeksi Untuk Bisnis dan Ekonomi. BPFE. Yogyakarta.


xiii

Winarno, Wing Wahyu. (2011). Analisis Ekonometrika dan Statistika dengan Eviews. UPP STIM YKPN. Yogyakarta.


xiv

LAMPIRAN 1. Uji Heteroskedastisitas menggunakan Uji White untuk Ekspor Heteroskedasticity Test: White

F-statistic

1.178285

Prob. F(27,27)

0.3365

Obs*R-squared

29.75078

Prob. Chi-Square(27)

0.3255

Scaled explained SS 28.17606

Prob. Chi-Square(27)

0.4019

2. Uji Autokorelasi menggunakan Uji Durbin Watson untuk Ekspor Dependent Variable: LOG(XT) Method: Least Squares Date: 27/10/14 Time: 08:53 Sample: 2000Q1 2013Q4 Included observations: 56 Variable

Coefficient Std. Error

t-Statistic

Prob.

C

-0.201306

2.210501

-0.091068

0.9278

LOG(GDPW_CPT)

0.645158

0.188037

3.431016

0.0012

LOG(MT)

0.469939

0.051633

9.101504

0.0000

LOG(EX)

-0.339228

0.099536

-3.408078

0.0013

LOG(OILP)

0.133927

0.055180

2.427102

0.0189

LEND_R

0.028390

0.007998

3.549630

0.0009

R-squared

0.985919

Mean dependent var

10.15371

Adjusted R-squared

0.984511

S.D. dependent var

0.463455

S.E. of regression

0.057679

Akaike info criterion

-2.766884

Sum squared resid

0.166344

Schwarz criterion

-2.549882

Log likelihood

83.47275

Hannan-Quinn criter.

-2.682753

F-statistic

700.1827

Durbin-Watson stat

1.040851

Prob(F-statistic)

0.000000

3. Hasil Estimasi OLS Ekspor Total Dependent Variable: LOG(XT) Method: Least Squares Date: 27/10/14 Time: 08:54 Sample (adjusted): 2000Q2 2013Q4 Included observations: 55 after adjustments


xv

Convergence achieved after 9 iterations Variable

Coefficient Std. Error

t-Statistic

Prob.

C

-1.534297

2.577867

-0.595181

0.5545

LOG(GDPW_CPT)

0.750198

0.227871

3.292199

0.0019

LOG(MT)

0.414013

0.069892

5.923621

0.0000

LOG(EX)

-0.287713

0.141259

-2.036773

0.0472

LOG(OILP)

0.162383

0.066971

2.424681

0.0191

LEND_R

0.029597

0.012317

2.402865

0.0202

AR(1)

0.489694

0.132337

3.700362

0.0006

R-squared

0.989049

Mean dependent var

10.16456

Adjusted R-squared

0.987680

S.D. dependent var

0.460487

S.E. of regression

0.051112


-2.991197

Sum squared resid

0.125395

Schwarz criterion

-2.735718

Log likelihood

89.25791


-2.892401

F-statistic

722.5301

Durbin-Watson stat

1.749385

Prob(F-statistic)

0.000000

Inverted AR Roots

.49

4. Uji Heteroskedastisitas menggunakan Uji White untuk Impor Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.597139 14.29720 10.74049

Prob. F(20,34) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8875 0.8151 0.9527

5. Uji Autokorelasi menggunakan Uji Durbin Watson untuk Impor Dependent Variable: LOG(MT) Method: Least Squares Date: 27/10/14 Time: 08:58 Sample: 2000Q1 2013Q4 Included observations: 56

Variable

Coefficient

Std. Error


t-Statistic

Prob.

xvi

C LOG(GDPIND_CPT) LOG(EX) LOG(XT) LOG(OILP)

-8.739375 0.232641 0.619072 1.052541 0.118653

1.874194 0.112952 0.169076 0.184202 0.094947

-4.663004 2.059648 3.661510 5.714065 1.249677

0.0000 0.0446 0.0006 0.0000 0.2171

R-squared Adjusted R-squared

0.979975 0.978405

Mean dependent var S.D. dependent var

9.815450 0.692621

S.E. of regression

0.101783


-1.646898

Sum squared resid

0.528351

Schwarz criterion

-1.466063

Log likelihood

51.11315


-1.576789

F-statistic

623.9595

Durbin-Watson stat

0.771786

Prob(F-statistic)

0.000000

6. Hasil Estimasi OLS Model Ekspor Total Dependent Variable: LOG(MT) Method: Least Squares Date: 27/10/14 Time: 12:10 Sample (adjusted): 2000Q2 2013Q4 Included observations: 55 after adjustments Convergence achieved after 26 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

C LOG(GDPIND_CPT) LOG(XT) LOG(EX) LOG(OILP) AR(1)

-5.426821 0.313581 0.771925 0.436579 0.269290 0.671618

2.531855 0.133795 0.191380 0.248528 0.110250 0.119613

-2.143417 2.343743 4.033466 1.756657 2.442543 5.614916

0.0371 0.0232 0.0002 0.0852 0.0182 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.987675 0.986417 0.079789 0.311948 64.19535 785.3245 0.000000

Inverted AR Roots

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

9.834131 0.684618 -2.116195 -1.897213 -2.031513 1.759504

.67

7. Hasil Estimasi VAR Ekspor Migas Vector Error Correction Estimates Date: 10/17/14 Time: 02:37 Sample (adjusted): 2000Q4 2014Q2 Included observations: 55 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1


xvii

EXP_MIG(-1)

1.000000

GDP_W(-1)

3.441680 (2.46875) [ 1.39410]

EX_RATE(-1)

3.507486 (1.85383) [ 1.89202]

INVEST(-1)

0.151511 (0.04647) [ 3.26045]

IMP_NONMIG(-1)

-2.852467 (0.62915) [-4.53382]

OIL_P(-1)

-270.6684 (144.476) [-1.87345]

POP(-1)

-244.4656 (99.4230) [-2.45884]

C

642558.6

Error Correction:

D(EXP_MIG)

D(GDP_W)

D(EX_RATE)

D(INVEST)

D(IMP_NONMI G)

D(OIL_P)

D(POP)

CointEq1

0.071067 (0.02175) [ 3.26787]

0.006971 (0.00312) [ 2.23680]

-0.036753 (0.01198) [-3.06726]

-1.286228 (0.44116) [-2.91557]

0.038850 (0.04905) [ 0.79206]

0.000846 (0.00019) [ 4.51338]

4.57E-05 (1.6E-05) [ 2.82452]

D(EXP_MIG(-1))

-0.519254 (0.19199) [-2.70454]

0.107662 (0.02751) [ 3.91318]

0.006508 (0.10579) [ 0.06152]

0.561175 (3.89471) [ 0.14409]

0.196968 (0.43303) [ 0.45486]

-0.000732 (0.00166) [-0.44202]

0.000131 (0.00014) [ 0.91929]

D(EXP_MIG(-2))

-0.218664 (0.21167) [-1.03305]

0.045695 (0.03033) [ 1.50650]

-0.096667 (0.11663) [-0.82886]

-1.528170 (4.29384) [-0.35590]

0.380828 (0.47741) [ 0.79770]

0.003035 (0.00183) [ 1.66271]

3.34E-05 (0.00016) [ 0.21227]

D(GDP_W(-1))

1.072790 (1.09887) [ 0.97626]

0.412412 (0.15747) [ 2.61902]

0.116162 (0.60546) [ 0.19186]

34.71325 (22.2913) [ 1.55725]

1.069171 (2.47844) [ 0.43139]

0.000917 (0.00948) [ 0.09673]

-0.000842 (0.00082) [-1.03095]

D(GDP_W(-2))

0.071080 (0.95344) [ 0.07455]

0.337707 (0.13663) [ 2.47174]

-0.452264 (0.52533) [-0.86091]

-32.60255 (19.3411) [-1.68566]

1.545125 (2.15043) [ 0.71852]

0.005900 (0.00822) [ 0.71756]

0.000397 (0.00071) [ 0.56063]

D(EX_RATE(-1))

0.329913 (0.26693) [ 1.23595]

-0.063020 (0.03825) [-1.64753]

-0.178707 (0.14707) [-1.21507]

-6.014993 (5.41486) [-1.11083]

-0.233582 (0.60205) [-0.38798]

0.005863 (0.00230) [ 2.54679]

0.000469 (0.00020) [ 2.36270]

D(EX_RATE(-2))

0.162215 (0.30662) [ 0.52904]

-0.021743 (0.04394) [-0.49485]

-0.116843 (0.16894) [-0.69161]

-1.615246 (6.21999) [-0.25969]

0.277062 (0.69156) [ 0.40063]

0.003853 (0.00264) [ 1.45721]

0.000584 (0.00023) [ 2.56262]


xviii

D(INVEST(-1))

-0.009960 (0.00921) [-1.08198]

0.001781 (0.00132) [ 1.35039]

0.010803 (0.00507) [ 2.12981]

-0.087936 (0.18674) [-0.47091]

-0.016970 (0.02076) [-0.81733]

-0.000187 (7.9E-05) [-2.35489]

3.64E-06 (6.8E-06) [ 0.53205]

D(INVEST(-2))

0.000613 (0.00935) [ 0.06561]

0.002695 (0.00134) [ 2.01172]

-0.001489 (0.00515) [-0.28906]

-0.703172 (0.18965) [-3.70769]

0.021494 (0.02109) [ 1.01933]

-6.13E-06 (8.1E-05) [-0.07604]

7.87E-06 (7.0E-06) [ 1.13280]

D(IMP_NONMIG(-1))

0.278890 (0.12392) [ 2.25061]

-0.003785 (0.01776) [-0.21318]

-0.159735 (0.06828) [-2.33951]

-2.596019 (2.51376) [-1.03273]

-0.140243 (0.27949) [-0.50178]

0.005602 (0.00107) [ 5.24170]

6.50E-05 (9.2E-05) [ 0.70511]

D(IMP_NONMIG(-2))

0.158598 (0.10717) [ 1.47989]

-0.017216 (0.01536) [-1.12101]

-0.026777 (0.05905) [-0.45347]

3.907959 (2.17399) [ 1.79759]

-0.069255 (0.24171) [-0.28652]

0.001248 (0.00092) [ 1.34996]

-2.44E-05 (8.0E-05) [-0.30592]

D(OIL_P(-1))

60.89906 (16.1356) [ 3.77420]

3.402239 (2.31223) [ 1.47141]

-9.562242 (8.89051) [-1.07556]

-108.8786 (327.322) [-0.33263]

127.8861 (36.3930) [ 3.51403]

0.181757 (0.13915) [ 1.30618]

0.003204 (0.01200) [ 0.26707]

D(OIL_P(-2))

-9.157912 (19.8833) [-0.46058]

-5.823993 (2.84927) [-2.04403]

24.03253 (10.9554) [ 2.19366]

-876.2356 (403.346) [-2.17242]

-40.48452 (44.8456) [-0.90275]

-0.784781 (0.17147) [-4.57676]

0.040464 (0.01478) [ 2.73740]

D(POP(-1))

-384.7393 (256.681) [-1.49890]

61.37395 (36.7823) [ 1.66857]

247.1013 (141.428) [ 1.74719]

-1032.245 (5206.95) [-0.19824]

-295.7590 (578.929) [-0.51087]

-6.503002 (2.21358) [-2.93777]

0.044888 (0.19082) [ 0.23523]

D(POP(-2))

-447.1125 (346.025) [-1.29214]

-109.6250 (49.5853) [-2.21084]

319.9668 (190.655) [ 1.67825]

3832.691 (7019.34) [ 0.54602]

-90.04129 (780.438) [-0.11537]

-6.430774 (2.98407) [-2.15503]

-0.129220 (0.25724) [-0.50232]

C

5337.016 (2953.74) [ 1.80687]

383.3042 (423.270) [ 0.90558]

-3802.233 (1627.47) [-2.33629]

2480.137 (59918.6) [ 0.04139]

2233.682 (6661.98) [ 0.33529]

88.15808 (25.4727) [ 3.46089]

7.418006 (2.19589) [ 3.37813]

0.523854 0.340721 26396885 822.7048 2.860508 -437.7808 16.50112 17.08507 67.86927 1013.233

0.847912 0.789416 542054.6 117.8933 14.49534 -330.9258 12.61548 13.19944 345.3420 256.9075

0.482394 0.283315 8013710. 453.2987 2.423126 -404.9982 15.30903 15.89298 54.07855 535.4517

0.517569 0.332019 1.09E+10 16689.11 2.789372 -603.3260 22.52095 23.10490 11614.14 20419.77

0.552297 0.380103 1.34E+08 1855.561 3.207421 -482.5147 18.12781 18.71176 539.1418 2356.761

0.687614 0.567465 1963.163 7.094894 5.723027 -176.3535 6.994674 7.578626 1.381273 10.78786

0.586518 0.427486 14.58914 0.611621 3.688056 -41.54758 2.092639 2.676591 6.997336 0.808331

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

5.96E+30 5.37E+29 -2428.849 92.64904 96.99218

8. Hasil Estimasi VAR Ekspor Non Migas Vector Autoregression Estimates Date: 10/17/14 Time: 01:59 Sample (adjusted): 2000Q3 2014Q2


xix

Included observations: 56 after adjustments Standard errors in ( ) & t-statistics in [ ] EXP_NONMIG

EX_RATE

INVEST

IMP_NONMIG

OIL_P

POP

EXP_NONMIG(-1)

0.479125 (0.18560) [ 2.58146]

-0.053353 (0.05385) [-0.99074]

-4.601574 (2.23674) [-2.05727]

-0.069370 (0.20478) [-0.33875]

-0.001258 (0.00085) [-1.47333]

0.000102 (7.6E-05) [ 1.33553]

EXP_NONMIG(-2)

0.440326 (0.19913) [ 2.21129]

-0.058577 (0.05778) [-1.01387]

2.995311 (2.39972) [ 1.24819]

0.185583 (0.21970) [ 0.84471]

0.001832 (0.00092) [ 1.99971]

-0.000172 (8.2E-05) [-2.10242]

EX_RATE(-1)

0.029433 (0.53973) [ 0.05453]

0.549755 (0.15660) [ 3.51053]

-10.85376 (6.50444) [-1.66867]

-0.411571 (0.59550) [-0.69114]

0.007646 (0.00248) [ 3.07857]

0.000494 (0.00022) [ 2.22196]

EX_RATE(-2)

-0.081566 (0.56675) [-0.14392]

0.043522 (0.16444) [ 0.26467]

10.72641 (6.82999) [ 1.57049]

0.351640 (0.62530) [ 0.56235]

-0.001456 (0.00261) [-0.55816]

-0.000452 (0.00023) [-1.93941]

INVEST(-1)

0.025315 (0.01695) [ 1.49373]

0.007711 (0.00492) [ 1.56816]

0.797684 (0.20424) [ 3.90560]

0.000694 (0.01870) [ 0.03712]

-3.99E-05 (7.8E-05) [-0.51161]

1.13E-05 (7.0E-06) [ 1.62648]

INVEST(-2)

-0.024707 (0.01583) [-1.56103]

-0.004147 (0.00459) [-0.90310]

-0.122332 (0.19074) [-0.64137]

0.008728 (0.01746) [ 0.49985]

-5.98E-05 (7.3E-05) [-0.82115]

3.46E-06 (6.5E-06) [ 0.53145]

IMP_NONMIG(-1)

-0.104164 (0.15494) [-0.67227]

-0.037662 (0.04496) [-0.83774]

2.174298 (1.86727) [ 1.16442]

0.433018 (0.17095) [ 2.53296]

0.001775 (0.00071) [ 2.48882]

-0.000138 (6.4E-05) [-2.15774]

IMP_NONMIG(-2)

-0.083937 (0.16443) [-0.51046]

0.049503 (0.04771) [ 1.03760]

1.687185 (1.98161) [ 0.85142]

0.035257 (0.18142) [ 0.19434]

-0.002621 (0.00076) [-3.46373]

-6.46E-05 (6.8E-05) [-0.95474]

OIL_P(-1)

87.75186 (30.8786) [ 2.84183]

1.817670 (8.95932) [ 0.20288]

133.5418 (372.125) [ 0.35886]

120.4055 (34.0689) [ 3.53418]

0.726580 (0.14210) [ 5.11320]

0.009981 (0.01271) [ 0.78521]

OIL_P(-2)

-137.8500 (32.4947) [-4.24223]

27.68841 (9.42824) [ 2.93675]

-408.4643 (391.602) [-1.04306]

-107.9506 (35.8520) [-3.01101]

-0.527946 (0.14954) [-3.53055]

0.024373 (0.01338) [ 1.82197]

POP(-1)

-116.9777 (412.551) [-0.28355]

210.7645 (119.700) [ 1.76077]

234.2665 (4971.75) [ 0.04712]

-76.43984 (455.175) [-0.16794]

-3.821968 (1.89850) [-2.01315]

1.080749 (0.16983) [ 6.36354]

POP(-2)

109.4069 (399.609) [ 0.27379]

-215.0860 (115.945) [-1.85507]

-276.8157 (4815.78) [-0.05748]

30.31641 (440.895) [ 0.06876]

3.531363 (1.83894) [ 1.92032]

-0.104900 (0.16451) [-0.63766]

C

12361.70 (73453.1) [ 0.16829]

14869.74 (21312.2) [ 0.69771]

-30374.90 (885200.) [-0.03431]

114530.9 (81042.1) [ 1.41323]

618.6278 (338.021) [ 1.83015]

73.79673 (30.2383) [ 2.44050]

GDP_W

0.772678 (0.84706)

0.005037 (0.24577)

9.861436 (10.2081)

1.190807 (0.93457)

0.012231 (0.00390)

0.000171 (0.00035)


xx


[ 0.91219]

[ 0.02050]

[ 0.96604]

[ 1.27417]

[ 3.13777]

[ 0.49095]

0.984794 0.980087 95813751 1510.391 209.2308 -481.3324 17.69044 18.19678 23709.37 10703.35

0.801933 0.740626 8066092. 438.2349 13.08070 -412.0397 15.21571 15.72204 9520.086 860.4861

0.995421 0.994004 1.39E+10 18202.07 702.3443 -620.7257 22.66878 23.17511 334022.8 235062.2

0.985097 0.980484 1.17E+08 1666.440 213.5503 -486.8384 17.88709 18.39342 18694.63 11928.64

0.963388 0.952056 2029.057 6.950603 85.01342 -179.9798 6.927852 7.434190 65.95911 31.74358

0.999976 0.999969 16.23768 0.621781 136731.2 -44.79607 2.099860 2.606198 3080.672 111.7806


2.40E+27 4.27E+26 -2193.679 81.34568 84.38371

9. Hasil Estimasi VAR Impor Migas Vector Error Correction Estimates Date: 04/22/14 Time: 11:24 Sample (adjusted): 2004Q4 2013Q4 Included observations: 37 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

IMPMIG(-1)

1.000000

GDP(-1)

1236.745 (499.872) [ 2.47412]

I(-1)

-3946.557 (1645.59) [-2.39827]

OILP(-1)

-735784.3 (271335.) [-2.71172]

C

-1.15E+08

Error Correction:

D(IMPMIG)

D(GDP)

D(I)

D(OILP)

CointEq1

0.014872 (0.01285) [ 1.15704]

-0.000189 (7.8E-05) [-2.42911]

1.83E-05 (3.4E-05) [ 0.53379]

2.18E-07 (1.3E-07) [ 1.70635]

D(IMPMIG(-1))

-0.737590 (0.32119) [-2.29641]

0.002074 (0.00194) [ 1.06676]

-0.000458 (0.00086) [-0.53552]

-1.15E-06 (3.2E-06) [-0.35944]

D(IMPMIG(-2))

-0.422313 (0.34669) [-1.21813]

0.000931 (0.00210) [ 0.44374]

0.000537 (0.00092) [ 0.58168]

9.92E-08 (3.5E-06) [ 0.02875]


xxi

D(GDP(-1))

-34.68397 (25.8397) [-1.34227]

-0.489218 (0.15643) [-3.12731]

0.297692 (0.06885) [ 4.32364]

-0.000753 (0.00026) [-2.92537]

D(GDP(-2))

-58.99590 (34.2425) [-1.72289]

-0.127772 (0.20730) [-0.61635]

0.079623 (0.09124) [ 0.87266]

-0.000759 (0.00034) [-2.22689]

D(I(-1))

146.6353 (78.6718) [ 1.86389]

-0.969251 (0.47628) [-2.03504]

-0.496595 (0.20963) [-2.36894]

0.002066 (0.00078) [ 2.63709]

D(I(-2))

33.13838 (48.8009) [ 0.67905]

-1.891041 (0.29544) [-6.40072]

-0.304168 (0.13003) [-2.33914]

0.000223 (0.00049) [ 0.45872]

D(OILP(-1))

100531.9 (30524.3) [ 3.29351]

26.71881 (184.795) [ 0.14459]

85.67742 (81.3346) [ 1.05339]

0.516563 (0.30396) [ 1.69947]

D(OILP(-2))

9693.004 (35343.9) [ 0.27425]

-203.5779 (213.972) [-0.95142]

-17.05335 (94.1768) [-0.18108]

-0.328975 (0.35195) [-0.93473]

C

584729.8 (339212.) [ 1.72379]

18890.77 (2053.60) [ 9.19888]

1152.326 (903.859) [ 1.27490]

7.940313 (3.37781) [ 2.35073]

0.474214 0.298952 3.38E+13 1119578. 2.705746 -562.0248 30.92026 31.35565 227815.7 1337152.

0.761017 0.681356 1.24E+09 6777.950 9.553180 -373.0646 20.70620 21.14158 7460.838 12007.30

0.732173 0.642897 2.40E+08 2983.213 8.201263 -342.6997 19.06485 19.50023 2369.324 4992.151

0.450489 0.267319 3355.845 11.14857 2.459403 -135.8902 7.885959 8.321342 1.729459 13.02452



8.88E+27 2.52E+27 -1377.228 76.82314 78.73882

10. Hasil Estimasi VAR Impor Non Migas Vector Autoregression Estimates Date: 6/22/14 Time: 17:04 Sample (adjusted): 2004Q3 2013Q4 Included observations: 38 after adjustments Standard errors in ( ) & t-statistics in [ ]

IMPNONMIG(-1)

IMPNONMIG

GDP

I

1.015750 (0.18862) [ 5.38524]

0.002289 (0.00074) [ 3.10469]

0.000337 (0.00020) [ 1.72293]


xxii

IMPNONMIG(-2)

-0.244025 (0.21242) [-1.14877]

-0.001519 (0.00083) [-1.82919]

0.000139 (0.00022) [ 0.62851]

GDP(-1)

66.94228 (38.2740) [ 1.74903]

0.739664 (0.14958) [ 4.94508]

0.362744 (0.03975) [ 9.12593]

GDP(-2)

-0.966930 (68.9865) [-0.01402]

0.673699 (0.26960) [ 2.49888]

-0.097149 (0.07164) [-1.35599]

I(-1)

-354.9445 (181.842) [-1.95194]

-2.289257 (0.71064) [-3.22139]

-0.078417 (0.18885) [-0.41524]

I(-2)

224.9135 (131.770) [ 1.70686]

0.716508 (0.51496) [ 1.39138]

0.025181 (0.13685) [ 0.18401]

C

-13011881 (8386092) [-1.55160]

-26625.87 (32773.1) [-0.81243]

-18190.43 (8709.21) [-2.08864]

0.952689 0.943532 2.00E+14 2537651. 104.0403 -610.4278 32.49620 32.79786 22782095 10679028

0.989248 0.987167 3.05E+09 9917.204 475.3654 -399.7283 21.40675 21.70841 548262.6 87543.76

0.991943 0.990384 2.15E+08 2635.427 636.1144 -349.3697 18.75630 19.05796 129779.7 26875.09



2.25E+27 1.22E+27 -1346.787 71.98878 72.89376

11. Hasil Exponential Smoothing Seasonal Ekspor Migas

Holt

Winters

Multiplicative

Date: 27/10/14 Time: 14:02 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: EKS_MIGAS Forecast Series: EKS_MISM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error


0.9400 0.0000 0.0000 7691983. 213.9757

xxiii

12. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Non-Migas Date: 27/10/14 Time: 14:05 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_NONMIGAS Forecast Series: EKS_NOSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.5600 0.0000 0.0000 57579093 585.4338

13. Hasil Exponential Smoothing Holt Winters Multiplicative Seasonal Ekspor Pertanian Date: 27/10/14 Time: 13:29 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: EKS_AGRI Forecast Series: EKS_AGSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.2200 0.0000 0.0000 262721.4 39.54513

14. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Industri Date: 27/10/14 Time: 14:06 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_INDUSTRI Forecast Series: EKS_INSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error


0.5000 0.0000 0.0000 42937754 505.5511

xxiv

15. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Pertambangan Date: 27/10/14 Time: 14:07 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_MINING Forecast Series: EKS_MISM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.5200 0.0000 0.0000 6852739. 201.9656

16. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Migas Date: 27/10/14 Time: 14:08 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_MIGAS Forecast Series: IMP_MISM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.8000 0.0000 0.0000 13719635 285.7700

17. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Non-Migas Date: 27/10/14 Time: 14:08 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_NONMIGAS Forecast Series: IMP_NOSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error


0.5800 0.0000 0.0000 86512848 717.6053

xxv

18. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Barang Konsumsi Date: 27/10/14 Time: 14:09 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_KONSUMSI Forecast Series: IMP_KOSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.5000 0.0000 0.0000 1088915. 80.50862

19. Hasil Exponential Smoothing Holt Winters Multiplicative Seasonal Impor Barang Bahan Baku Date: 27/10/14 Time: 14:10 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: IMP_BHNBAKU Forecast Series: IMP_BHSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error

0.7300 0.0000 0.0000 76335357 674.0750

20. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Barang Modal Date: 27/10/14 Time: 14:10 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_MODAL Forecast Series: IMP_MOSM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error


0.4200 0.0000 0.0000 7769621. 215.0529

xxvi

21. Hasil Model SARIMA Ekspor Migas Dependent Variable: D(DLOG(EKS_MIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 12:13 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 8 iterations MA Backcast: 1999M06 2001M01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

MA(8) SMA(12)

-0.244243 -0.908175

0.079261 0.023199

-3.081486 -39.14670

0.0024 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots

0.553637 0.550720 0.104696 1.677083 130.8581 2.101709 .99 .59+.59i .00+.99i -.50+.86i -.84

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

.86+.50i .59-.59i -.00-.99i -.50-.86i -.86+.50i

.86-.50i .50+.86i -.00+.84i -.59-.59i -.86-.50i

0.000504 0.156197 -1.662685 -1.623415 -1.646735

.84 .50-.86i -.00-.84i -.59-.59i -.99

22. Hasil Model SARIMA Ekspor Non Migas Dependent Variable: D(DLOG(EKS_NONMIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 12:45 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 2000M01 2001M01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

MA(1) SMA(12)

-0.378280 -0.891143

0.074663 0.022362

-5.066482 -39.85029

0.0000 0.0000


0.470961 0.467503 0.071844 0.789717 189.2262 2.123063 .99 .50+.86i -.50-.86i -.99


.86+.50i .38 -.50+.86i


.86-.50i .00-.99i -.86+.50i

-0.000230 0.098454 -2.415822 -2.376552 -2.399871

.50-.86i -.00+.99i -.86-.50i

xxvii

23. Hasil Model SARIMA Ekspor Pertanian Dependent Variable: D(DLOG(EKS_AGRI,0,12)) Method: Least Squares Date: 07/10/14 Time: 13:21 Sample (adjusted): 2001M03 2013M12 Included observations: 154 after adjustments Convergence achieved after 10 iterations MA Backcast: 2000M01 2001M02 Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(1) MA(2) SMA(12)

-0.768051 -0.486011 -0.913816

0.064974 0.088621 0.019075

-11.82098 -5.484177 -47.90617

0.0000 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots

0.616274 0.611192 0.123317 2.296283 105.3193 1.917217 -.77 .99 .50-.86i -.50+.86i -.86-.50i


.86-.50i .50+.86i -.50-.86i -.99

.86+.50i .00+.99i -.70

-0.000323 0.197768 -1.328823 -1.269661 -1.304791

.70 -.00-.99i -.86+.50i

24. Hasil Model SARIMA Ekspor Industri Dependent Variable: D(DLOG(EKS_INDUSTRI,0,12)) Method: Least Squares Date: 07/10/14 Time: 14:28 Sample (adjusted): 2001M04 2013M12 Included observations: 153 after adjustments Convergence achieved after 8 iterations MA Backcast: 2000M03 2001M03 Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(2) MA(1) SMA(12)

0.252692 -0.527676 -0.893885

0.088868 0.078180 0.022553

2.843455 -6.749501 -39.63557

0.0051 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots

0.521676 0.515299 0.078016 0.912985 174.6952 1.981901 .50


0.000716 0.112060 -2.244381 -2.184961 -2.220244

-.50


xxviii

Inverted MA Roots

.99 .50-.86i -.50+.86i -.99

.86-.50i .50+.86i -.50-.86i

.86+.50i .00+.99i -.86+.50i

.53 -.00-.99i -.86-.50i

25. Hasil Model SARIMA Ekspor Pertambangan Dependent Variable: D(DLOG(EKS_MINING,0,12)) Method: Least Squares Date: 07/10/14 Time: 16:48 Sample (adjusted): 2001M08 2013M12 Included observations: 149 after adjustments Convergence achieved after 14 iterations MA Backcast: 2000M02 2001M07 Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(6) MA(1) MA(6) SMA(12)

0.460831 -0.635830 -0.357108 -0.940561

0.044579 0.047957 0.046513 0.019036

10.33729 -13.25835 -7.677541 -49.41057

0.0000 0.0000 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots

0.578566 0.569847 0.201587 5.892438 29.23376 1.830751 .88 -.44+.76i 1.00 .53-.69i .00+.99i -.50+.86i -.86-.50i


.44-.76i -.88 .99 .53+.69i -.00-.99i -.50-.86i -.99

-0.000866 0.307363 -0.338708 -0.258065 -0.305944

.44+.76i

-.44-.76i

.86-.50i .50+.86i -.33-.71i -.76

.86+.50i .50-.86i -.33+.71i -.86+.50i

26. Hasil Model SARIMA Impor Migas Dependent Variable: D(DLOG(IMP_MIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 17:06 Sample (adjusted): 2002M02 2013M12 Included observations: 143 after adjustments Convergence achieved after 8 iterations MA Backcast: 2001M01 2002M01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(12) MA(1) SMA(12)

-0.156677 -0.244220 -0.937054

0.077229 0.082470 0.017042

-2.028731 -2.961320 -54.98361

0.0444 0.0036 0.0000


xxix

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots

Inverted MA Roots

0.600991 0.595291 0.158573 3.520343 61.94825 1.995278 .83+.22i .22+.83i -.61+.61i .99 .50-.86i -.50+.86i -.99


.83-.22i .22-.83i -.61-.61i .86+.50i .24 -.50-.86i

.61+.61i -.22-.83i -.83+.22i .86-.50i .00+.99i -.86-.50i

-0.002963 0.249262 -0.824451 -0.762293 -0.799193

.61-.61i -.22+.83i -.83-.22i .50+.86i -.00-.99i -.86+.50i

27. Hasil Model SARIMA Impor Non Migas Dependent Variable: D(DLOG(IMP_NONMIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 17:39 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 1999M12 2001M01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

MA(1) MA(2) SMA(12)

-0.419176 0.185513 -0.900902

0.080007 0.080244 0.022443

-5.239229 2.311877 -40.14252

0.0000 0.0221 0.0000


0.453109 0.445913 0.111696 1.896365 121.3347 1.994920 .99 .50-.86i -.00+.99i -.86-.50i


.86+.50i .21+.38i -.50-.86i -.99

.86-.50i .21-.38i -.50+.86i

-0.003201 0.150055 -1.526900 -1.467995 -1.502974

.50+.86i -.00-.99i -.86+.50i

28. Hasil Model SARIMA Impor Konsumsi Dependent Variable: D(DLOG(IMP_KONSUMSI,0,12)) Method: Least Squares Date: 07/10/14 Time: 18:07 Sample (adjusted): 2001M03 2013M12 Included observations: 154 after adjustments Convergence achieved after 8 iterations MA Backcast: 2000M03 2001M02 Variable

Coefficient

Std. Error


t-Statistic

Prob.

xxx

AR(1) MA(12) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots

-0.356099 -0.907929 0.505049 0.501792 0.136072 2.814384 89.65358 2.024267 -.36 .99 .50-.86i -.50-.86i

0.073022 0.017419

-4.876615 -52.12424


.86+.50i .00+.99i -.86-.50i

.86-.50i -.00-.99i -.86+.50i

0.0000 0.0000 -0.000664 0.192781 -1.138358 -1.098917 -1.122337

.50+.86i -.50+.86i -.99

29. Hasil Model SARIMA Impor Bahan Baku Dependent Variable: D(DLOG(IMP_BHNBAKU,0,12)) Method: Least Squares Date: 07/10/14 Time: 20:13 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 10 iterations MA Backcast: 1999M12 2001M01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

MA(1) MA(2) SMA(12)

-0.295496 0.170663 -0.920887

0.079290 0.078944 0.018176

-3.726784 2.161832 -50.66596

0.0003 0.0322 0.0000


0.501296 0.494734 0.108342 1.784181 126.0606 1.965992 .99 .50+.86i -.00-.99i -.86-.50i


.86-.50i .15+.39i -.50+.86i -.99

.86+.50i .15-.39i -.50-.86i

-0.001007 0.152419 -1.587879 -1.528974 -1.563953

.50-.86i .00+.99i -.86+.50i

30. Hasil Model SARIMA Impor Modal Dependent Variable: D(DLOG(IMP_MODAL,0,12)) Method: Least Squares Date: 07/10/14 Time: 20:30 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 10 iterations MA Backcast: 2000M01 2001M01 Variable

Coefficient

Std. Error


t-Statistic

Prob.

xxxi

MA(1) SMA(12) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots

-0.558773 -0.914365 0.581646 0.578911 0.162042 4.017395 63.15586 1.941969 .99 .50+.86i -.50+.86i -.99

0.067462 0.021757

-8.282815 -42.02657


.86+.50i .50-.86i -.50-.86i


.86-.50i .00+.99i -.86+.50i

0.0000 0.0000 -0.002246 0.249712 -0.789108 -0.749838 -0.773157

.56 -.00-.99i -.86-.50i

xxxii

LAPORAN AKHIR KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA

Recommend Documents