VOLATILITAS HARGA PANGAN UTAMA INDONESIA DAN FAKTOR YANG MEMPENGARUHINYA SRI RETNO WAHYU NUGRAHENI

VOLATILITAS HARGA PANGAN UTAMA INDONESIA DAN FAKTOR YANG MEMPENGARUHINYA

SRI RETNO WAHYU NUGRAHENI

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Volatilitas Harga Pangan Utama Indonesia dan Faktor yang Mempengaruhinya adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2014

Sri Retno Wahyu Nugraheni NIM. H151110141

RINGKASAN SRI RETNO WAHYU NUGRAHENI. Volatilitas Harga Pangan Utama Indonesia dan Faktor yang Mempengaruhinya. Dibimbing oleh SRI HARTOYO dan SAHARA. Komoditas pangan utama seperti beras, jagung, kedelai, dan gula pasir merupakan kebutuhan pokok yang pemenuhannya harus selalu dijaga oleh pemerintah. Penyediaan pangan yang cukup dengan harga yang murah dan stabil merupakan kewajiban pemerintah dalam rangka meningkatkan kesejahteraan bagi seluruh lapisan masyarakat Indonesia, dimana hal ini tercantum dalam UndangUndang Pangan Nomor 8 Tahun 2012. Namun, terjadinya peningkatan dan berfluktuasinya harga pangan pokok yang terjadi di Indonesia selama tiga tahun terakhir menunjukkan ketersediaan pangan domestik masih sangat jauh dari harapan dan kebutuhan domestiknya. Penelitian ini akan membahas mengenai empat komoditas pangan utama Indonesia, yaitu beras, jagung, kedelai, dan gula pasir, yang akan dilihat volatilitasnya, serta akan dicari faktor yang mempengaruhi perubahan harga komoditas pangan utama tersebut. Perhitungan share impor menunjukkan lebih dari 50 persen impor tanaman pangan di Indonesia adalah untuk keempat komoditas pangan utama Indonesia ini selama periode amatan. Perhitungan coefficient of variance dari keempat komoditas menggambarkan bahwa harga gula pasir merupakan yang paling tinggi nilai CV-nya, yaitu sebesar 11.45 persen. Dengan menggunakan metode ARCHGARCH, hasil analisis menunjukkan bahwa komoditas pangan pokok Indonesia harganya masih volatil selama periode amatan tahun 2002-2011. Hal ini menunjukkan bahwa harga yang murah dan stabil belum tercapai. Metode VECM digunakan untuk mengetahui faktor yang mempengaruhi perubahan harga pangan Indonesia yang dapat dilihat dari sisi permintaan maupun penawarannya. Dari sisi permintaan, harga dunia, pendapatan per kapita, dan nilai tukar menjadi faktor yang signifikan mempengaruhi perubahan harga pada komoditas beras dan kedelai. Sedangkan untuk komoditas jagung, faktor yang mempengaruhi yaitu harga dunia dan nilai tukarnya. Pendapatan per kapita merupakan satu-satunya faktor yang mempengaruhi perubahan harga gula pasir domestik. Dari sisi penawarannya, faktor yang mempengaruhi perubahan harga beras domestik yaitu harga dunia dan iklim, sama seperti pada komoditas gula pasir. Pada komoditas jagung, dan kedelai hanya satu faktor saja yang mempengaruhi dari sisi penawarannya, yaitu iklim yang digambarkan dengan fenomena el nino. Dampak guncangan variabel faktor terhadap perubahan harga berlangsung cukup lama dan baru mulai stabil pada bulan ke 40. Hal ini tentu harus mendapatkan perhatian pemerintah untuk dapat melakukan stabilisasi harga pangan utama Indonesia untuk mencapai swasembada. Mengontrol variabel faktor yang sebagian besar merupakan variabel uncontrol menjadi salah satu tantangan bagi pemerintah dalam melakukan kebijakan stabilisasi harga. Namun, terdapat satu variabel yang mampu dikontrol pemerintah yaitu nilai tukar rupiah. Dimana, pemerintah harus mampu untuk menjaga nilai tukar rupiah tetap stabil untuk dapat menjaga stabilitas harga komoditas pangan utama Indonesia. Kata kunci: Harga Pangan, Volatilitas, ARCH-GARCH, VECM

SUMMARY SRI RETNO WAHYU NUGRAHENI. The Staple Food Prices Volatility in Indonesia and Its Influencing Factors. Supervised by SRI HARTOYO and SAHARA. Major food commodities such as rice, corn, soybeans, and sugar are the basic needs which fulfillment must be maintained by the government. The government must provide sufficient food at steady and affordable prices in order to improve the welfare of the whole societies in Indonesia, as stated under the 2012 Act of Food No. 8. However, the increase and the fluctuation of staple food prices in Indonesia over the last three years have shown that the domestic food supply is still very far below its expected level and domestic’s demand. This research analyzed four Indonesian primary food commodities-rice, corn, soybean, and sugar-in terms of volatility and the factors that influence the changes in the prices of these major food commodities. During the observed periods, the import share calculation showed that more than 50 percent of Indonesian imported food crop came from these four major food commodities. The calculation of the coefficient of variance on these four commodities illustrated that the price of sugar had the highest CV value, amounting to 11.45 percent. The analysis using the ARCH-GARCH method showed that Indonesian staple food commodity prices were still volatile during the period of observation (years 2002-2011). The result indicated that the affordable and stable prices had not yet been reached. VECM method was used to determine the factors that affect food prices changes in Indonesia which can be seen from both sides demand and supply. On the demand side, the world price, per capita income, and the exchange rate were the significant factors influencing the changes in rice and soybean prices. As for corn price, it was influenced by the world price and the exchange rate. Per capita income was the only factor influencing the changes in domestic sugar prices. On the supply side, the factors that influenced the domestic rice and sugar prices changes were the world price and the climate. As for corn and soybeans, the only factor that influenced their prices changed was the climate which was depicted by the El Niño phenomenon. The shock impact of these factor variables to the prices changes lasted for quite a long time and began to stabilize in the 40th month. This shock impact should certainly get the government attention to implement staple food prices stabilization in order to achieve domestic selfsufficiency. Controlling those factor variables which largely comprised of uncontrolled variables is one of the challenges for the government to implement the price stabilization policy. However, there is one variable that can be controlled government which is the exchange rate. By maintaining the exchange rate stabilized, the government should be able to maintain the stability of the staple food prices in Indonesia. Keywords: food price, volatility, ARCH-GARCH, VECM

© Hak Cipta Milik IPB, Tahun 2014 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB

VOLATILITAS HARGA PANGAN UTAMA INDONESIA DAN FAKTOR YANG MEMPENGARUHINYA

SRI RETNO WAHYU NUGRAHENI

Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Ekonomi

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2014

Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Yeti Lis Purnamadewi, M.Sc.Agr

Judul Tesis : Volatilitas Harga Pangan Utama Indonesia dan Faktor yang Mempengaruhinya Nama : Sri Retno Wahyu Nugraheni NIM : H151110141

Disetujui oleh Komisi Pembimbing

Dr. Ir. Sri Hartoyo, MS Ketua

Sahara, SP, M.Si, Ph.D Anggota

Diketahui oleh

Ketua Program Studi Ilmu Ekonomi

Dekan Sekolah Pascasarjana

Dr. Ir. Nunung Nuryartono, M.Si

Dr Ir Dahrul Syah, MSc. Agr

Tanggal Ujian: 23 Juni 2014

Tanggal Lulus:

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia dan nikmat yang telah diberikan sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak tahun 2013 dan akhirnya dapat diselesaikan penulis dengan penuh perjuangan. Tema yang diambil berdasarkan adanya wacana pemerintah dalam rangka swasembada pangan Indonesia tahun 2014 untuk komoditas beras, jagung, kedelai, dan gula pasir, namun harga dari komoditas tersebut yang tidak stabil. Volatilitas Harga Pangan Indonesia dan Faktor yang Mempengaruhinya diambil sebagai judul oleh penulis. Terima kasih penulis ucapkan kepada Dr. Sri Hartoyo dan Sahara, Ph.D selaku pembimbing, serta Dr. Yeti Lis Purnamadewi dan Dr. Wiwiek Rindayati selaku penguji sidang. Di samping itu, penghargaan penulis sampaikan kepada dosen, teman asisten dosen, dan pegawai di Departemen Ilmu Ekonomi, FEM IPB untuk dukungan, semangat, dan doa yang tidak pernah berhenti mengalir ditujukan kepada penulis sampai akhirnya tesis ini terselesaikan. Terima kasih yang sangat besar juga ditujukan untuk Dian V. Panjaitan, M.Si untuk bimbingan dan masukan yang sangat bermanfaat dari awal pembuatan hingga penyelesaian tesis ini. Terimakasih ditujukan untuk Dr. Tanti Novianti, Ibu Hartini, Kak Heni Hasanah, Mba Diyaniati, dan Muhammad Fazri atas dukungan serta semangat yang telah diberikan. Tidak lupa juga ucapan terimakasih penulis ucapkan kepada teman-teman seperjuangan Ilmu Ekonomi Reguler V. Ungkapan terima kasih juga disampaikan kepada seluruh keluarga, Bapak Soderin Setyahadi, Mba Sri Aliyatu Syahifah, Mba Sri Aliyatu Syahidah, Mas Agus Triyono, Amalia Erlinandita P.H., dan keluarga lainnya yang tidak bisa disebutkan satu persatu atas segala doa dan kasih sayangnya. Tesis ini penulis persembahkan sepenuhnya untuk almarhumah ibu dan almarhum bapak tersayang. Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2014

Sri Retno Wahyu Nugraheni

DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR

viii viiix

DAFTAR LAMPIRAN

x

1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian

1 1 3 6 7 7

2 TINJAUAN PUSTAKA 7 Pengertian Volatilitas dan Pentingnya Menjaga Stabilitas Harga 7 Keterkaitan antara Variabel Faktor dengan Volatilitas Harga Komoditas Pangan di Indonesia 8 Penelitian Terdahulu 10 Kerangka Pemikiran 14 3 METODE Jenis dan Sumber Data Metode Analisis

15 15 17

4 HASIL DAN PEMBAHASAN Perkembangan Produksi Domestik dan Impor Komoditas Pangan Utama Indonesia Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Pangan Indonesia Coefficient of Variance Komoditas Pangan Utama Indonesia Analisis Volatilitas Empat Komoditas Pangan Utama Analisis Faktor yang Mempengaruhi Harga Pangan Utama Indonesia dan Pengaruh Guncangan Faktor tersebut pada Periode Mendatang

24 24 27 27 28 35

5 SIMPULAN DAN SARAN Simpulan Saran

51 51 52

DAFTAR PUSTAKA

53

LAMPIRAN

55

RIWAYAT HIDUP

107

DAFTAR TABEL Tabel 1 Tabel 2 Tabel 3 Tabel 4 Tabel 5 Tabel 6 Tabel 7 Tabel 8 Tabel 9 Tabel 10 Tabel 11 Tabel 12 Tabel 13 Tabel 14 Tabel 15 Tabel 16 Tabel 17 Tabel 18 Tabel 19 Tabel 20 Tabel 21 Tabel 22 Tabel 23 Tabel 24 Tabel 25 Tabel 26

Penelitian Terdahulu Penjelasan Variabel dalam Penelitian Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Beras di Indonesia Tahun 2001-2011 (Ton) Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Jagung di Indonesia Tahun 2001-2011 (Ton) Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Kedelai di Indonesia Tahun 2001-2011 (Ton) Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Gula Pasir di Indonesia Tahun 2001-2011 (Ton) Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Tanaman Pangan Indonesia Tahun 2002-2011 Hasil Uji Augmented Dickey Fuller Model ARIMA Terbaik Hasil Uji Efek ARCH terhadap Model Rataan Terbaik Pemilihan Model ARCH/GARCH Terbaik Hasil Uji Normalitas Rangkuman Uji Stasioneritas pada Level Rangkuman Uji Stasioneritas pada First Difference Hasil Kointegrasi untuk Model Komoditas Beras Hasil Kointegrasi untuk Model Komoditas Jagung Hasil Kointegrasi untuk Model Komoditas Kedelai Hasil Kointegrasi untuk Model Komoditas Gula Pasir Faktor yang Mempengaruhi Harga Beras Indonesia dari Sisi Permintaan Faktor yang Mempengaruhi Harga Beras Indonesia dari Sisi Penawaran Faktor yang Mempengaruhi Harga Jagung Indonesia dari Sisi Permintaan Faktor yang Mempengaruhi Harga Jagung Indonesia dari Sisi Penawaran Faktor yang Mempengaruhi Harga Kedelai Indonesia dari Sisi Permintaan Faktor yang Mempengaruhi Harga Kedelai Indonesia dari Sisi Penawaran Faktor yang Mempengaruhi Harga Gula Pasir Indonesia dari Sisi Permintaan Faktor yang Mempengaruhi Harga Gula Pasir Indonesia dari Sisi Penawaran

10 16 24 25 25 26 27 29 30 31 31 32 36 36 37 38 39 39 40 42 44 45 46 48 49 50

DAFTAR GAMBAR Gambar 1 Gambar 2 Gambar 3 Gambar 4 Gambar 5 Gambar 6 Gambar 7 Gambar 8 Gambar 9 Gambar 10 Gambar 11 Gambar 12 Gambar 13 Gambar 14 Gambar 15 Gambar 16 Gambar 17 Gambar 18

Perkembangan Harga Komoditas Pangan di Indonesia Tahun 2001-2011 Perkembangan Harga Pangan Dunia Tahun 1980 - 2011 Perkembangan Inflasi Indonesia Menurut Kelompok Pengeluaran Tahun 2006-2013 Kerangka Pemikiran Proses analisis VAR dan VECM Coefficient of Variance Komoditas Pangan Utama Indonesia Tahun 2002-2011 Volatilitas Harga Beras Indonesia Tahun 2002-2011 Volatilitas Harga Jagung Indonesia Tahun 2002-2011 Volatilitas Harga Kedelai Indonesia Tahun 2002-2011 Volatilitas Harga Gula Pasir Indonesia Tahun 2002-2011 Impulse Response Harga Beras terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan Impulse Response Harga Beras terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran Impulse Response Harga Jagung terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan Impulse Response Harga Jagung terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran Impulse Response Harga Kedelai terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan Impulse Response Harga Kedelai terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran Impulse Response Harga Gula Pasir terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan Impulse Response Harga Gula Pasir terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran

4 5 6 15 20 28 32 33 33 34 41 43 44 45 47 49 50 51

DAFTAR LAMPIRAN Lampiran 1 Uji Stasioner untuk Model ARCH-GARCH Lampiran 2 Uji Correlogram untuk Harga Komoditas Pangan Indonesia Lampiran 3 Model ARIMA Terbaik Lampiran 4 Uji Efek ARCH Lampiran 5 Uji Normalitas Model ARIMA terbaik Lampiran 6 Model ARCH-GARCH Terbaik Lampiran 7 Uji Stasioneritas untuk Model VAR-VECM Lampiran 8 Uji Lag Optimum dan Stabilitas Model VAR Lampiran 9 Hasil Uji Kointegrasi Lampiran 10 Model VECM Komoditas Pangan Indonesia

55 57 61 63 64 65 70 76 84 94

1 PENDAHULUAN Latar Belakang Berdasarkan Undang-Undang Republik Indonesia Nomor 18 Tahun 2012 tentang Pangan menyatakan bahwa pembangunan nasional merupakan pencerminan kehendak seluruh rakyat untuk terus menerus meningkatkan kemakmuran dan kesejahteraan secara adil merata dalam segala aspek kehidupan yang dilakukan secara terpadu, terarah, dan berkelanjutan dalam rangka mewujudkan suatu masyarakat yang adil dan makmur, baik material maupun spiritual berdasarkan Pancasila dan Undang-Undang Dasar Negara Republik Indonesia Tahun 1945. Pangan merupakan kebutuhan dasar manusia yang paling utama dan pemenuhannya merupakan bagian dari hak asasi setiap rakyat Indonesia. Pangan harus senantiasa tersedia secara cukup, aman, bermutu, bergizi, dan beragam dengan harga terjangkau oleh daya beli masyarakat. Selain itu, pemenuhannya tidak bertentangan dengan agama, keyakinan, dan budaya masyarakat. Untuk mencapai semua itu, maka perlu diselenggarakan suatu sistem pangan yang memberikan perlindungan yang tepat bagi seluruh lapisan masyarakat, baik dari sisi konsumen maupun sisi produsen. Peningkatan jumlah penduduk Indonesia yang tidak diimbangi dengan penyediaan pangan yang memadai menyebabkan ketahanan pangan terganggu. Sehingga, dalam beberapa tahun terakhir, terdapat tren peningkatan pemenuhan kebutuhan pangan Indonesia (LIPI 2011). Kejadian ini membuat harga pangan menjadi melonjak sangat tinggi dan volatil. Hal ini tentu saja tidak sesuai dengan tujuan pembuatan UU Pangan Nomor 18 Tahun 2012 tersebut tentang pemenuhan kebutuhan pangan dalam kuantitas dan harga yang terjangkau. Dalam beberapa tahun terakhir saja, harga komoditas pangan terus mengalami peningkatan sehingga masyarakat semakin sulit untuk memenuhi kebutuhan dasarnya, yaitu kebutuhan pangan. Misalnya saja, pada Juli 2012 lalu harga kedelai meningkat relatif tinggi jika dibandingkan saat kondisi krisis pangan tahun 2007-2008 1 . Kejadian ini, tidak hanya merugikan konsumen, tetapi pengusaha produk olahan kedelai pun juga merasakan hal yang sama. Produsen produk olahan kedelai lebih memilih untuk tidak melakukan produksi daripada merugi karena konsumen yang tidak mau membeli produk olahan kedelai dengan harga yang tinggi. Harga komoditas pangan yang terus mengalami peningkatan dari tahun ke tahun dan cenderung volatil dapat dipengaruhi oleh berbagai macam faktor. Faktor pertama yang dianggap mempengaruhi perubahannya yaitu harga pangan dunia. Misalnya pada saat terjadi peningkatan harga kedelai di Indonesia pada tahun 2012 lalu, pemerintah Indonesia melakukan inisiatif untuk melakukan impor karena supply domestik dianggap tidak mampu mencukupi kebutuhan domestiknya yang membuat harga melonjak sangat tinggi. Kebijakan yang telah dilakukan tertuang dalam Peraturan Menteri Keuangan Nomor 133/PMK.011/2013 mengenai penurunan bea masuk impor dari 5 persen menjadi 0 persen ini dimaksudkan pemerintah agar dapat menurunkan harga kedelai domestik. Penurunan bea masuk impor ini tidak dilakukan selamanya, tetapi 1

Dikutip dari : http://www.merdeka.com/uang/harga-kedelai-tertinggi-sepanjangsejarah.html : ”Harga kedelai tertinggi sepanjang sejarah”

2 dilakukan hingga pemenuhan kedelai domestik dirasa sudah mencukupi dan harga kembali normal. Merujuk pada kebijakan ini saja, pemerintah tidak menginginkan harga kedelai terlalu tinggi dengan memastikan supply domestik terjaga. Seperti yang kita ketahui, pemenuhan kebutuhan kedelai domestik masih sangat tergantung dari impor, maka harga dunia akan sangat menentukan besaran harga domestik yang akan dijual pada konsumen. Apabila ternyata harga kedelai dunia mengalami peningkatan, maka harga kedelai domestik juga akan mengalami peningkatan. Kejadian ini, tidak hanya pada komoditas kedelai saja, tetapi hal serupa juga terjadi pada komoditas pangan yang lain seperti beras, jagung, dan gula pasir. Kedua, kondisi perekonomian suatu negara juga dianggap sebagai faktor yang menentukan harga pangan suatu negara. Ketika kondisi ekonomi tidak mendukung peningkatan produksi pangan nasional, misalnya saja terjadi ketidakstabilan harga pangan, persaingan yang tidak adil antar komoditas pangan, dan kebijakan yang berdampak negatif pada upaya peningkatan produksi pangan dalam negeri, maka pemenuhan pangan domestik akan terganggu yang berdampak pada peningkatan harga pangan domestik. Harga domestik yang stabil dan rendah merupakan harapan bagi masyarakat Indonesia, sehingga pemenuhan kebutuhan pangan sebagai kebutuhan mendasar tidak akan menghabiskan sebagian besar pendapatan, yang kemudian kelebihan bagian pendapatan ini dapat digunakan untuk pemenuhan kebutuhan yang lain dalam rangka meningkatkan taraf hidup masyarakat Indonesia. Apabila hal ini terjadi, pada akhirnya kemiskinan akan menurun dan harapan pemerintah Indonesia untuk melakukan perbaikan penyediaan pangan domestik dapat tercapai dengan baik. Suatu negara yang memiliki tingkat pertumbuhan ekonomi tinggi, maka negara tersebut akan mampu untuk meminimalkan volatilitas harga pangan nasionalnya (Huh et al. 2012). Oleh karena itu, perlu untuk diketahui secara pasti, faktor apa sajakah yang mampu untuk menjaga harga pangan tetap stabil. Beberapa faktor yang mempengaruhi perubahan harga pangan domestik berdasarkan penelitian terdahulu yang menjadi landasan penelitian ini diantaranya yaitu pendapatan per kapita, tingkat suku bunga, nilai tukar rupiah, perubahan iklim, dan tentunya harga pangan dunia. Mengakomodasi fluktuasi harga pangan domestik menjadi sangat relevan untuk dilakukan, karena bagi masyarakat miskin dan menengah ke bawah, fluktuasi harga pangan di level domestik lebih relevan daripada pergerakan harga pangan global. Hal ini dikarenakan, harga yang sebenarnya mereka harus bayar adalah harga lokal. Pada kenyataannya, harga domestik sangat berfluktuasi sehingga penelitian ini penting untuk dilakukan untuk mengetahui faktor-faktor apa saja yang mempengaruhi fluktuasi harga dan diharapkan nantinya dapat dijadikan bahan pertimbangan untuk menciptakan stabilitas harga pangan. Terjadinya peningkatan volatilitas harga pangan akan menjadi perhatian bagi produsen dan pelaku lain yang terkait dalam rantai komoditas pangan yang berkaitan dengan pengeluaran yang akan mereka lakukan. Volatilitas harga pangan akan memberikan dampak jangka panjang terhadap pendapatan produsen dan mengganggu kegiatan perdagangan komoditas serta akan membuat perencanaan produksi jangka panjang menjadi sulit karena ketidakpastian yang terjadi akibat harga yang sulit untuk diprediksi. Pentingnya mempelajari volatilitas harga bukan untuk menggambarkan pergerakan dari volatilitas harga itu sendiri

3 atau untuk menggambarkan faktor yang mempengaruhi secara langsung perubahan dari series harga tersebut, tetapi untuk menggambarkan faktor yang secara absolut mempengaruhi perubahan harga suatu komoditas (Balcombe et al. 2008). Pada penelitian ini, dibahas mengenai empat komoditas pangan utama Indonesia2 yaitu komoditas beras, jagung, kedelai, dan gula pasir yang diharapkan pada tahun 2014 akan mencapai swasembada pangan, serta dianalisis apakah harganya masih volatil serta melihat faktor-faktor apa sajakah yang menyebabkan perubahan harga komoditas pangan utama tersebut. Perkembangan harga pangan dunia yang semakin meningkat, sehingga pemerintah Indonesia perlu untuk semakin berhati-hati dalam menghadapi peningkatan harga yang mungkin mengarah pada volatilitas harga yang ditakutkan akan semakin sulit untuk dikontrol pada masa mendatang. Selain itu, akan dilihat juga dampak guncangan faktor terhadap volatilitas harga komoditas pangan tersebut dalam beberapa periode mendatang. Hal ini dapat dijadikan suatu landasan kuat bagi pemerintah Indonesia untuk mengakomodasi faktor-faktor tersebut agar tercipta stabilitas harga pangan domestik. Ketika hal ini terjadi, maka kedaulatan pangan, kemandirian pangan, dan ketahanan pangan dapat tercapai demi kesejahteraan seluruh lapisan masyarakat Indonesia, baik dari sisi konsumen maupun produsen.

Perumusan Masalah Suatu negara terbuka kecil seperti Indonesia, secara langsung terkoneksi dengan pasar internasional dalam kondisi tanpa adanya distorsi perdagangan, sehingga harga komoditas domestik Indonesia akan sangat dipengaruhi oleh pergerakan harga komoditas internasional. Apabila harga relatif domestik lebih tinggi dibandingkan dengan harga internasional, maka akan terjadi impor sampai dengan terjadi keseimbangan diantara harga domestik dan harga impor. Begitu pula dengan fenomena ekspor. Oleh karena itu, perbedaan harga domestik dan internasional direpresentasikan oleh biaya transportasi dengan asumsi market clearing conditions. Namun dalam kenyataannya, transmisi yang terjadi dari harga internasional ke level domestik menunjukkan berbagai perubahan yang bervariasi. Harga komoditas internasional merupakan salah satu faktor yang mempengaruhi harga komoditas di level domestik. Untuk negara-negara yang memiliki tingkat dependensi yang tinggi terhadap impor komoditas, maka volatilitas harga akan dipengaruhi oleh nilai tukar, kebijakan perdagangan, dan langkah-langkah kebijakan lainnya (ADB, 2008). Sementara itu, untuk negara-negara yang tidak bergantung pada impor, maka harga komoditas akan ditentukan oleh supply, demand, serta kebijakan subsidi dan insentif fiskal (World Bank, 2011). Namun, bagi Indonesia yang merupakan negara terbuka kecil, Indonesia masih sangat tergantung pada impor dalam pemenuhan kebutuhan pangan domestiknya, sehingga harga dunia akan mampu mempengaruhi perubahan harga di tingkat domestik. 2

Komoditas pangan utama Indonesia dalam penelitian ini merujuk pada komoditas beras, jagung, kedelai dan gula pasir. Selanjutnya apabila dalam penelitian ini akan digunakan kalimat “komoditas pangan utama Indonesia”, hal tersebut merujuk pada empat komoditas di atas.

4 Selanjutnya, untuk melihat perkembangan harga komoditas pangan utama di Indonesia pada periode waktu tahun 2001–2011 dapat dilihat pada Gambar 1 di bawah ini. Dalam gambar tersebut, dapat dilihat bahwa harga komoditas pangan di Indonesia memiliki tren yang terus meningkat dan bervariasi harganya untuk tiga komoditas, yaitu beras, kedelai, dan gula pasir. Untuk komoditas jagung, harganya tidak terlalu berfluktuasi, walaupun memiliki tren harga yang terus mengalami peningkatan juga. Selain itu, pergerakan keempat komoditas yang diteliti bergerak searah, hal ini tentu saja perlu untuk terus diperhatikan pemerintah karena keempat komoditas ini merupakan komoditas pangan utama yang sangat dibutuhkan oleh masyarakat Indonesia, apalagi produksi domestik sangat kurang sehingga masih sangat tergantung pada impor dalam pemenuhannya. gula_pasir

jagung

kedelai

beras

12000 10000 Rp/kg

8000 6000 4000 2000 Jan-01 Jul-01 Jan-02 Jul-02 Jan-03 Jul-03 Jan-04 Jul-04 Jan-05 Jul-05 Jan-06 Jul-06 Jan-07 Jul-07 Jan-08 Jul-08 Jan-09 Jul-09 Jan-10 Jul-10 Jan-11 Jul-11

0

Tahun a

Sumber : Bulog, 2013

Gambar 1 Perkembangan Harga Komoditas Pangan di Indonesia Tahun 20012011 Setelah melihat perkembangan harga pangan domestik yang terjadi, seharusnya pemerintah lebih memperhatikan perkembangan harga pangan yang berfluktuasi dan cenderung meningkat belakangan ini. Indonesia sebagai negara dengan jumlah penduduk yang terbesar dalam kawasan ASEAN menghadapi tantangan yang sangat kompleks dalam pemenuhan kebutuhan pangan penduduknya. Oleh karena itu, kebijakan pemantapan ketahanan pangan selalu menjadi isu utama dalam pembangunan dan menjadi fokus dalam pembangunan pertanian, terutama untuk komoditas pangan. Hal ini merupakan isu yang telah lama dikemukakan oleh pemerintah Indonesia. Berbagai macam cara untuk mewujudkan ketahanan pangan domestik telah dilakukan, misalnya saja dengan melakukan impor komoditas yang dianggap memiliki supply domestik yang kurang untuk memenuhi kebutuhan masyarakat, melakukan kebijakan tariff maupun non tariff, dan lain sebagainya. Trasmisi perubahan harga pangan dunia dirasa mampu mempengaruhi perubahan harga pangan domestik. Apabila harga pangan internasional

5 berfluktuasi maka akan berdampak pada fluktuasi harga pangan domestik. Gambar 2 menunjukkan perkembangan harga pangan dunia yang berfluktuasi dari tahun 2001-2011. Perkembangan harga pangan dunia juga berfluktuasi walaupun tidak memiliki tren yang meningkat seperti pada harga pangan Indonesia. Namun, pada saat terjadi krisis pangan 2007-2008, harga pangan dunia untuk beras, jagung, kedelai dan gula pasir sama-sama mengalami peningkatan harga. Peningkatan harga pangan dunia yang terjadi dengan transmisi yang ada akan mampu membuat harga pangan domestik juga meningkat.

jagung a

kedelai

tahun

Jul-11

Dec-10

May-10

Oct-09

Mar-09

Jan-08

beras

Aug-08

Jun-07

Nov-06

Apr-06

Sep-05

Feb-05

Jul-04

Dec-03

90 80 70 60 50 40 30 20 10 0

May-03

Oct-02

Mar-02

Aug-01

Jan-01

$/kg

1000 900 800 700 600 500 400 300 200 100 0

sen $/kg

PSugar

PRice, PMaize, PSoy

gula_pasir

Sumber : World Bank, 2012

Gambar 2 Perkembangan Harga Pangan Dunia Tahun 1980 - 2011 Stabilitas harga pangan yang menjadi harapan banyak negara termasuk Indonesia dapat dilihat juga dari stabilitas dan besaran tingkat inflasi sektoralnya. Pada Gambar 3 dijelaskan bahwa tingkat inflasi menurut kelompok pengeluaran untuk komoditas bahan makanan adalah yang paling berfluktuasi nilainya. Bahkan, ketika inflasi untuk kelompok pengeluaran lain memiliki tren yang menurun, dalam tiga tahun terakhir kelompok bahan makanan inflasinya terus mengalami peningkatan. Hal ini tentu saja membuat masyarakat harus mengeluarkan pendapatan yang lebih besar untuk pangan yang seharusnya dapat digunakan untuk pemenuhan kebutuhan yang lain. Kebijakan pemerintah dalam rangka stabilisasi komoditas pangan dianggap sudah cukup komprehensif. Untuk melindungi produsen, kebijakan yang ditempuh adalah dengan penetapan Harga Pembelian Pemerintah (HPP), tarif impor dan kebijakan buka tutup impor. Sedangkan untuk melindungi konsumen, kebijakan yang ditempuh antara lain adalah penetapan harga eceran tertinggi, operasi pasar beras, bantuan beras (subsidi) kepada penduduk miskin (raskin) dan lain sebagainya. Eksekusi program tersebut telah dilakukan oleh pemerintah melalui lembaga non departemen yakni Badan Urusan Logistik (BULOG)3.

3

Dikutip dari http://asidosimarmata.blogspot.com/ : Fenomena Faktor Penentu Harga Eceran Beras di Indonesia.

6

20.00

Persen

15.00 10.00 5.00 0.00 2006

2007

2008

2009

2010

2011

2012

2013

-5.00 Bahan Makanan Makanan Jadi, Minuman, Rokok, dan Tembakau Perumahan, Air, Listrik, Gas, dan Bahan Bakar Sandang Kesehatan Pendidikan, Rekreasi dan Olahraga Transpor, Komunikasi, dan Jasa Keuangan a

Sumber : BPS, 2013

Gambar 3

Perkembangan Inflasi Indonesia Menurut Kelompok Pengeluaran Tahun 2006-2013

Berdasarkan uraian tersebut, maka permasalahan yang akah dibahas dalam penelitian ini dapat dirumuskan sebagai berikut : 1. Komoditas apa sajakah yang harganya volatil di Indonesia? 2. Diantara empat komoditas pangan utama Indonesia, faktor apa sajakah yang mempengaruhi perubahan harga pangan di Indonesia? 3. Bagaimanakah pengaruh adanya guncangan faktor yang mempengaruhi perubahan harga pangan pada periode mendatang?

Tujuan Penelitian Tujuan dari penelitian yang dilakukan secara umum adalah untuk menganalisis mengenai volatilitas harga komoditas pangan di Indonesia. Secara khusus, tujuan penelitian yang dilakukan adalah : 1. Mengkaji mengenai volatilitas harga yang terjadi pada komoditas pangan utama Indonesia. 2. Menganalisis faktor apa yang mempengaruhi perubahan harga pangan utama Indonesia. 3. Menganalisis dampak guncangan faktor-faktor yang mempengaruhi perubahan harga pangan utama Indonesia pada periode mendatang.

7 Manfaat Penelitian Adapun manfaat yang diharapkan dari penelitian ini adalah sebagai berikut : 1. Untuk mengetahui fluktuasi harga pangan domestik dalam rangka peningkatan ketahanan dan swasembada pangan di Indonesia agar tercipta stabilitas harga pangan. 2. Untuk mengetahui faktor-faktor apa sajakah yang mempengaruhi harga komoditas pangan domestik yang masih bergantung dari impor pada pemenuhan domestiknya (beras, jagung, kedelai, dan gula pasir) di Indonesia. 3. Untuk mengetahui seberapa lama pengaruh guncangan faktor – faktor yang mempengaruhi harga pangan, sehingga dapat dirumuskan kebijakan pangan yang tepat oleh pemerintah supaya tercipta stabilitas harga pangan dengan segera.

Ruang Lingkup Penelitian Penelitian ini menganalisis empat komoditas pangan utama Indonesia yang sebagian besar pemenuhan domestik masih sangat bergantung dari impor, yaitu beras, jagung, kedelai, dan gula pasir. Dari keempat komoditas pangan utama tersebut dicari komoditas manakah yang berfluktuasi harganya dengan menggunakan model ARCH/GARCH. Dengan menggunakan beberapa variabel seperti harga pangan dunia, pendapatan per kapita, perubahan iklim, suku bunga, dan nilai tukar, dilakukan analisis mengenai faktor apa sajakah yang mempengaruhi perubahan harga pangan utama di Indonesia. Dan yang terakhir, dilihat apabila terjadi shock dari faktor penyebab perubahan harga pangan Indonesia, maka seberapa lamakah pengaruh dari guncangan tersebut terjadi. Dua tujuan terakhir akan dianalisis dengan menggunakan metode VAR/ VECM.

2 TINJAUAN PUSTAKA Pengertian Volatilitas dan Pentingnya Menjaga Stabilitas Harga Volatilitas menunjukkan seberapa banyak dan seberapa cepat nilai berubah dari waktu ke waktu, misalnya harga komoditas (FAO 2010). Konsep tersebut mungkin tampak jelas, namun definisi yang tepat dari volatilitas sulit dipahami dan pengukuran volatilitas sangat rentan terhadap subjektivitas. Dalam teori ekonomi, volatilitas memiliki dua konsep yaitu variability dan uncertainty. Variability menggambarkan pergerakan secara keseluruhan, sedangkan uncertainty menggambarkan perubahan yang tidak dapat diprediksi (FAO 2010). Fluktuasi harga sebenarnya merupakan suatu hal yang normal dan diperlukan agar fungsi pasar tetap berjalan, yaitu tercipta pasar yang kompetitif. Selama harga pangan bergerak halus, relatif stabil dan mencerminkan kinerja pasar, maka hal tersebut dapat dinyatakan sebagai pola musiman yang selalu

8 terjadi (G20 Report 2011). Perubahan dari harga akan menjadi masalah apabila harga melonjak sangat tinggi dan tidak dapat diprediksi yang nantinya akan menciptakan suatu ketidakpastian yang mampu meningkatkan risiko bagi produsen, pedagang, konsumen, dan tentu juga pemerintah. Perubahan dari harga yang tidak merefleksikan kinerja pasar akan menciptakan permasalahan baru, yaitu dapat menciptakan kesalahan kebijakan yang akan diambil pemerintah. Inti adanya sistem harga yaitu ketika suatu komoditas langka, maka harganya akan naik yang akan menyebabkan penurunan konsumsi, serta investasi akan mengalir lebih banyak pada produksi komoditas tersebut. Apabila efisiensi sistem harga tidak terjadi, yaitu ketika pergerakan harga menjadi semakin tidak menentu dan terus berfluktuasi dengan sangat ekstrim selama periode waktu tertentu, maka pada saat inilah, kinerja pasar tidak terjadi. Berdasarkan sejarah yang ada, volatilitas harga yang ekstrim di pasar komoditas pertanian maupun pangan telah jarang terjadi. Untuk menggambarkan hubungan antara supply komoditas dengan bencana alam maupun iklim buruk yang dikaitkan dengan fluktuasi harga komoditas pertanian atau pangan juga memiliki probabilitas yang rendah untuk terjadi. Namun, ketika hal ini terjadi akan membawa risiko yang besar dan memberikan potensi bagi masyarakat untuk mengeluarkan biaya untuk konsumsi pangan menjadi lebih banyak dari biasanya. Stabilitas harga penting untuk terus menerus dipantau dan dijaga. Harga yang stabil mendorong kondisi perekonomian yang stabil juga. Terutama untuk beberapa komoditas pangan utama, seperti beras yang merupakan komoditas tidak terpisahkan dari kehidupan masyarakat Indonesia. Oleh karena itu, peran pemerintah menjadi sangat krusial dalam penyediaan ketersedian komoditas pangan utama Indonesia untuk menjaga harganya tetap stabil. Pengertian stabil bukan berarti harga bersifat statis, tetapi dapat juga bersifat dinamis, namun variabilitas harga antar waktu tetap berada pada kisaran yang masih memungkinkan bagi stakeholder, baik konsumen maupun produsen untuk melakukan penyesuaian jangka pendek. Bagi konsumen, determinan dari kemampuan untuk melakukan penyesuaian adalah daya beli, sedangkan bagi produsen determinannya adalah tingkat penerimaan yang cukup untuk menutup semua biaya variabel. Selama kondisi ini terpenuhi, maka harga dapat dikatakan stabil. Sedangkan, kriteria instabilitas atau volatilnya harga tidak dapat sepenuhnya mengacu pada ukuran kuantitatif tertentu, karena terdapat faktor lain seperti ekspektasi masyarakat yang mampu untuk meningkatkan risiko terjadinya volatilitas harga dan peran pemerintah menjadi sangatlah penting dalam meminimalisir kejadian tersebut. Keterkaitan antara Variabel Faktor dengan Volatilitas Harga Komoditas Pangan di Indonesia Harga semua komoditas, terutama untuk komoditas pangan utama Indonesia sangatlah penting untuk dijaga tingkat stabilitas harganya, karena pangan merupakan kebutuhan dasar masyarakat. Hal menarik yang terjadi belakangan ini dimana tingkat inflasi sektoral Indonesia komoditas lain memiliki tren menurun, sedangkan unruk sektor pangan memiliki tren yang semakin meningkat.

9 Mengakomodasi dan meminimalisir fluktuasi harga yang terjadi merupakan tugas pemerintah Indonesia. Oleh karena itu, dalam rangka mengakomodasi volatilitas yang terjadi, perlu untuk diketahui faktor yang mempengaruhi perubahan harga komoditas pangan utama Indonesia. Dalam penelitian ini, akan dibagi menjadi dua kelompok faktor yang mempengaruhi fluktuasi harga pangan utama Indonesia, yaitu dilihat dari sisi permintaan dan penawaran. Permintaan dan penawaran komoditas pangan merupakan dua sisi yang sangat berkaitan dengan perubahan harga yang terjadi, dimana terjadi interaksi antara penjual dan pembeli. Interaksi tersebut adalah suatu mekanisme pasar yang terjadi untuk mencapai suatu kondisi keseimbangan dalam memaksimalkan tingkat kepuasan bagi kedua belah pihak stakeholder yang dapat menentukan tingkat harga yang berlaku dan jumlah komoditi yang diperjualbelikan. Teori permintaan merupakan suatu teori yang menjelaskan mengenai hubungan yang terjadi antara jumlah yang diminta, harga, dan bagaimana pembentukan kurva permintaan. Teori permintaan menjelaskan apabila harga komoditi mengalami peningkatan, maka permintaan akan komoditi tersebut akan mengalami penurunan (Lipsey 1995). Komoditi dihasilkan oleh produsen karena ada konsumen yang membutuhkannya. Sedangkan, konsumen mau untuk membeli komoditi tersebut apabila harga dan produk tersebut sesuai dengan keinginannya. Teori penawaran merupakan suatu teori yang menjelaskan mengenai hubungan antara komoditas yang ingin ditawarkan oleh penjual dengan berbagai tingkatan harga. Semakin tinggi tingkat harga, maka jumlah barang yang ditawarkan akan semakin banyak (Lipsey 1995). Sehingga, berdasarkan penelitian terdahulu dapat disimpulkan bahwa faktor yang dapat mempengaruhi perubahan harga pangan utama Indonesia diantaranya : a. Harga Pangan Dunia Harga pangan dunia merupakan salah satu faktor yang mempengaruhi harga pangan domestik seperti yang telah didiskusikan dalam ADB (2008). Hal ini menunjukkan keterkaitan antara pasar domestik dan pasar internasional. Walaupun domestik tidak melakukan impor untuk komoditas pangan, lalu harga pangan dunia mengalami peningkatan, maka kenaikan harga pangan dunia akan mampu mempengaruhi harga pangan domestik. Dengan adanya hukum satu harga yang dikenal dengan Purchasing Power Parity (PPP), dimana hukum ini menyebutkan bahwa barang yang sama akan dijual dengan harga yang sama pada waktu yang sama dengan tempat yang berbeda (Krugman et al 2009). Hukum ini mengasumsikan bahwa tidak ada hambatan dalam perdagangan yang menyebabkan harga domestik dan harga dunia menjadi berbeda. Dari penjelasan di atas, dapat disimpulkan bahwa terdapat hubungan yang positif antara harga pangan dunia dengan harga pangan domestik. b. Pendapatan Per Kapita Pendapatan menggambarkan suatu daya beli masyarakat. Dimana, apabila pendapatan per kapita mengalami peningkatan, maka akan meningkatkan permintaan pangan (Huh et al 2012). Namun, apabila penawaran komoditas pangan tidak berubah, maka dengan adanya peningkatan permintaan pangan, akan menyebabkan harga pangan mengalami peningkatan dan memungkinkan terjadinya fluktuasi harga pangan. Dapat disimpulkan bahwa

10

c.

d.

e.

pendapatan per kapita memiliki hubungan yang positif dengan perubahan harga pangan. Exchange Rate Ketersedian pangan domestik tidak hanya berasal dari produksi dalam negeri saja, tetapi juga berasal dari luar negeri. Ketika nilai tukar Indonesia terapresiasi, maka harga pangan dunia relatif lebih murah bila dibandingkan dengan harga domestiknya (Balcombe 2010), sehingga akan menimbulkan gelombang impor yang akan menyebabkan peningkatan ketersediaan pangan domestik. Apabila ketersediaan domestik berlebih, maka harga pangan domestik juga akan mengalami penurunan. Iklim Dalam beberapa penelitian yang telah dilakukan sebelumnya, fenomena iklim seperti El Nino dan La Nino memiliki dampak yang signifikan terhadap harga komoditas (Brunner, 2000). Dalam penelitian ini akan digunakan suatu indeks yang mengukur terjadinya fenomena El Nino, yaitu suatu fenomena meningkatnya suhu permukaan di Samudra Pasifik bagian tengah dan timur4. Ketika terjadi fenomena El Nino ini, awal musim hujan akan menjadi lebih lambat dan terjadi kekeringan yang mampu menurunkan produksi komoditas pangan yang sangat tergantung dari baiknya sistem pengairan. Hal ini akan mempengaruhi supply domestik komoditas pangan utama Indonesia dan mampu mempengaruhi perubahan harganya. Interest Rate Suku bunga merupakan salah satu faktor dari variabel makroekonomi yang memiliki dampak langsung terhadap harga komoditas, dimana suku bunga merupakan ukuran yang mampu menggambarkan return dari saham. Selain itu, suku bunga juga merupakan indikator penting yang menggambarkan keadaan ekonomi. Fluktuasi suku bunga yang terjadi, mengindikasikan ketidakpastian kondisi ekonomi dan hal ini mampu memengaruhi harga komoditas, termasuk komoditas pangan (Balcombe 2009, Roache 2010). Penelitian Terdahulu

Penelitian-penelitian mengenai volatilitas harga komoditas pangan beserta faktor-faktor yang mempengaruhi perubahan harga suatu komoditas, terutama komoditas pangan telah banyak dilakukan. Berbagai metode digunakan dalam menjawab pertanyaan mengenai faktor-faktor apa sajakah yang mempengaruhi fluktuasi harga pangan serta bagaimana transmisi ketika terjadi guncangan dari faktor tersebut terhadap harga suatu komoditas. Berikut adalah beberapa penelitian terdahulu yang terkait dengan volatilitas harga (Tabel 1): Tabel 1 Penelitian Terdahulu No 1

4

Nama Peneliti Jordaan et al

Tahun 2007

Judul

Metodologi

Measuring the ARIMA Price dan Volatility of ARCH-

Hasil Penelitian Sebagian komoditi memiliki tingkat volatilitas yang konstan yaitu gandum

Dikutip dari http://moklim.bdg.lapan.go.id/content/enso-el-nino-southern-oscillation : ENSO (El Nino Southern Oscillation)

11 No

Nama Peneliti

Tahun

Judul

Metodologi

Hasil Penelitian

Certain Field GARCH Crops in South Africa using the ARCH/GARC H Approach

dan kedelai. Sementara itu, volatilitas harga white maize, yellow maize dan sunflower seed bervariasi antar waktu (time varying). Lebih lanjut hasil studi mengungkapkan bahwa white maize merupakan komoditi dengan tingkat volatiltas tertinggi.

Analisis GARCH, Volatilitas TARCH Pertumbuhan Harga Kedelai Internasional yang Dihadapi oleh Indonesia

Pertumbuhan harga minyak mentah internasional tidak mempengaruhi pertumbuhan harga kedelai, adanya time varying volatility dalam pertumbuhan harga kedelai, adanya leverage effect pada pertumbuhan harga kedelai

K. 2010

What Explains the Rise in Food Price Volatility?

SplineGARCH dan Generalize d Methode of Moments (GMM)

Mengatur volatilitas dengan frekuensi rendah merupakan hal yang sangat sulit dilakukan untuk komoditas pangan. Volatilitas frekuensi rendah ini berpengaruh secara positif antar komoditas yang berbeda. Selain itu, terdapat dua faktor yang memengaruhi volatilitas frekuensi rendah yaitu Inflasi US dan Nilai Tukar US. Kedua faktor ini yang memberikan pengaruh besar terhadap volatilitas harga pangan di US.

2010

The nature and determinants of volatility in agricultural prices : An Empiral study from 1962 – 2008

Pendekatan Dekomposi si dan Pendekatan Panel

- Hampir semua komoditi memiliki tren stokastik yang signifikan. - Sebagian besar komoditas memiliki komponen siklis dengan pengecualian minyak sawit. - volatilitas sebelumnya adalah prediktor signifikan dari volatilitas saat ini - Ada transmisi volatilitas

2

Kindy Retno Pratamasari

3

Shaun Roache

4

Kelvin Balcombe

2008

12 No

Nama Peneliti

Tahun

Judul

Metodologi

Hasil Penelitian di seluruh komoditas pertanian untuk hampir semua komoditas (kecuali pigmeat). - Volatilitas harga minyak merupakan prediktor yang berpengaruh terhadap volatilitas komoditas pertanian. Dengan peningkatan pertumbuhan di sektor biofuel, harga komoditas dan harga minyak mungkin menjadi lebih terhubung, sehingga ada alasan untuk percaya bahwa peran harga minyak di dalam menentukan volatilitas bahkan mungkin lebih kuat di masa depan. - tingkat saham memiliki dampak (menurun) yang signifikan pada volatilitas Sejumlah harga komoditas memiliki tren yang signifikan. Namun, tren ini positif untuk beberapa seri dan negatif bagi seri yang lain.

5

Henna Ahsan; Iftikhar, Zainab; Kemal, Ali

2011

M.

The ECM dan Berdasarkan model yang Determinant ARDL dikembangkan, variabel of Food pendapatan per kapita, Prices : A output pertanian, subsidi Case Study of pertanian, money supply, Pakistan dan harga pangan dunia merupakan faktor penting penentu perubahan harga di Pakistan. Kesimpulan yang dapat diambil dari penelitian ini yaitu faktor yang paling memengaruhi harga pangan di Pakistan adalah money supply. Selain itu, dengan pemberian subsidi yang ada, maka akan mampu untuk menurunkan harga pangan pada jangka

13 No

Nama Peneliti

Tahun

Judul

Metodologi

Hasil Penelitian panjang namun pengaruhnya sangat kecil. Dan faktor paling signifikan pada jangka panjang terhadap perubahan harga pangan di Pakistan adalah harga pangan dunia.

6

Alla Asmara

7

8

2011

Dampak volatilitas variabel ekonomi terhadap kinerja sektor industri pengolahan dan Makro ekonomi Indonesia

Model ARCHGARCH dan CGE Recursive Dynamic

Sejumlah variabel ekonomi yang dianalisis menunjukan volatilitas yang cenderung bervariasi antar waktu (time varying). Dampak volatilitas memberikan pengaruh yang bervariasi antar industry. Volatiltias harga minyak dunia dan suku bunga riil cenderung memberikan pengaruh negatif terhadap kinerja sektor industri dan makroekonomi Indonesia. Sementara itu, volatilitas harga ekspor industri memberikan pengaruh yang relatif berbeda.

Hyeon Seung 2012 Huh, Hyun Hoon Lee, dan Cyn Young Park

International VAR dan Transmission Panel of Food Prices Analysis and Volatilities : A Panel Analysis

Inflasi harga pangan di Asia berhubungan signifikan dengan inflasi harga pangan global. Hal menarik bahwa volatilitas harga yang sangat tinggi yang berasal dari volatilitas pada global berjalan bersamaan dengan volatilitas harga pada domestik. Dalam penelitian ini juga ditemukan bahwa untuk negara yang masuk dalam penelitian tidak terpengaruh akan guncangan harga pangan global pada periode amatan penelitian.

Xiadong Du 2012 dan Lihong Lu McPhail

Inside the GARCH Balck : The dan Price Structural

Terdapat integrasi antara energi dengan pertanian. Sejak harga minyak mahal,

14 No

Nama Peneliti

Tahun

Judul

Metodologi

Lingkage and VAR Transmission (SVAR) between model Energy and Agriculutural Markets

Hasil Penelitian beberapa komoditi pertanian seperti jagung digunakan sebagai biofuel. Dengan menggunakan metode SVAR dapat dilihat bahwa antara harga etanol, bbm dan jagung saling terkait satu sama lain. Terutama, guncangan perubahan harga etanol memiliki pengaruh besar terhadap perubahan harga jagung, begitu juga sebaliknya.

Kerangka Pemikiran Bermula dari adanya UU Republik Indonesia tentang Pangan Nomor 18 Tahun 2012 Pasal 11 poin h menyebutkan bahwa rencana pangan nasional sekurang-kurangnya harus menjamin stabilisasi pasokan dan harga pangan pokok. Stabilisasi harga sangat penting dalam menjalankan rencana pangan selanjutnya yaitu terciptanya kedaulatan pangan, kemandirian pangan, dan ketahanan pangan. Dalam penelitian ini dilihat besaran volatilitas harga komoditas pangan utama Indonesia yang menjadi tujuan swasembada pangan Indonesia tahun 2014, dimana sebagian besar pemenuhan domestik masih berasal dari impor. Setelah mengetahui komoditas apa saja yang harganya berfluktuasi, kemudian dilanjutkan untuk mengetahui faktor apa sajakah yang menyebabkan perubahan harga komoditas pangan baik dari sisi permintaan maupun sisi penawaran. Dalam penelitian ini dilihat juga seberapa lama dampak dari guncangan faktor yang mempengaruhi terhadap perubahan harga pangan utama Indonesia. Pentingnya mengetahui faktor dan dampak guncangan faktor ini lebih kepada prioritas dalam mengakomodasi faktor yang lebih dominan dalam mempengaruhi perubahan harga pangan utama Indonesia. Pemerintah Indonesia yang pada tahun 2014 menginginkan adanya swasembada pangan untuk beberapa komoditas pangan utama seharusnya dapat melakukan kebijakan stabilisasi harga, sehingga diperlukan untuk mengetahui apa sajakah faktor yang mempengaruhi perubahan harga komoditas-komoditas tersebut. Pengambilan keputusan yang tepat dalam mengakomodasi perubahan harga pangan utama Indonesia dan ekspektasi yang terkendali dari masyarakat, diharapkan akan mampu menciptakan stabilisasi harga komoditas pangan utama Indonesia dan swasembada pangan Indonesia juga dapat terwujud. Untuk lebih jelasnya mengenai rancangan penelitian ini dapat dilihat pada Gambar 4.

15 Volatilitas Harga Pangan Utama Indonesia : - Beras - Jagung - Kedelai - Gula Pasir

Faktor dari Sisi Permintaan : - Harga Pangan Dunia - Pendapatan per Kapita - Exchange Rate

Faktor dari Sisi Penawaran : - Harga Pangan Dunia - Iklim - Interest Rate

Faktor yang Mempengaruhi Perubahan Harga Pangan Utama Indonesia Guncangan Faktor yang Mempengaruhi Perubahan Harga Pangan Utama Indonesia

Dampak Faktor yang Mempengaruhi Perubahan Harga Pangan Utama Indonesia

Gambar 4. Kerangka Pemikiran

3 METODE Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder bulanan selama periode waktu 2002-2011. Data yang digunakan yaitu data harga komoditas pangan utama Indonesia yang masih bergantung dari impor, yaitu beras, jagung, kedelai, dan gula pasir. Selain itu, data mengenai Harga Pangan Dunia, Pendapatan per kapita, Interest Rate, Iklim, dan Exchange Rate diperlukan untuk mengetahui faktor apa sajakah yang mempengaruhi fluktuasi harga komoditas pangan yang diteliti. Variabel yang diperoleh, ada yang sudah siap digunakan dan ada yang harus diolah kembali untuk mendapatkan variabel yang diinginkan. Oleh karena terdapat beberapa variabel memerlukan penjelasan, maka diperlukan definisi operasional untuk menjelaskan masing-masing variabel yang digunakan. Berikut adalah definisi operasional untuk variabel yang digunakan :

16 -

PDOM

-

PWORLD

-

GDPCAP

-

ER

-

IR

-

CLIM

: Harga komoditas pangan domestik yang diperoleh dari Bulog diolah untuk me-riil-kan data dengan cara membagi dengan nilai tukar rupiah selama periode pengamatan, sehingga satuan akhirnya berupa US dollar per kg. : Harga komoditas pangan dunia yang diperoleh dari Pink Sheet, World Bank. : Pendapatan per kapita yang diperoleh dengan cara membagi GDP riil Indonesia dengan Populasi selama periode amatan. : Nilai tukar rupiah terhadap dollar US yang nilainya diambil pada akhir tiap periode (bulan). : Suku bunga yang dikeluarkan oleh Bank Indonesia pada tiap bulannya dalam bentuk persen. : Merupakan nilai dari adanya perubahan cuaca el-nino yang terjadi selama periode penelitian.

Tabel 2 Penjelasan Variabel dalam Penelitian Variabel PRICEDOM

Keterangan Harga Beras Domestik

PRICEWORLD

Harga Beras Dunia

PMAIZEDOM

Harga Jagung Domestik

PMAIZEWORLD SOYDOM

Harga Jagung Dunia Harga Kedelai Domestik

SOYWORLD

Harga Kedelai Dunia

SUGARDOM

Harga Gula Pasir Domestik Harga Gula Pasir Dunia GDP per Kapita

SUGARWORLD GDPCAP ER

Nilai Tukar

IR

Suku Bunga

CLIM

Iklim

Satuan

Sumber

Rp/kg

Bulog dan diolah

$/mt

Pink Sheet World Bank

Rp/kg

Bulog dan diolah

$/mt

Pink Sheet World Bank

Rp/kg

Bulog dan diolah

$/mt

Pink Sheet World Bank

Rp/kg

Bulog dan diolah

Cent $/kg Rupiah Rupiah/ Dollar US Persen -

Pink Sheet World Bank IFS dan diolah IFS IFS CPC (Climate Prediction Center)

17 Metode Analisis Analisis Volatilitas: Aplikasi Model ARCH-GARCH Aplikasi model ARCH-GARCH dalam penelitian ini dimaksudkan untuk menghitung besaran volatilitas dari variabel harga pangan utama. Volatilitas tercermin dalam varians residual yang tidak memenuhi asumsi homoskedastisitas (Firdaus, 2006). Sehingga, volatilitas dapat dinyatakan berdasarkan model ARCH(m) yang mengasumsikan bahwa fluktuasi dari varian data dipengaruhi oleh sejumlah m data fluktuasi sebelumnya. Model ARCH kemudian digeneralisasi menjadi model GARCH oleh Bollerslev (1986). Model GARCH(r,m) mengasumsikan bahwa varian data fluktuasi dipengaruhi sejumlah m data fluktuasi sebelumnya dan sejumlah r data volatilitas sebelumnya. Bentuk umum model GARCH(r,m) : ht = K + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2t-2 + ... + αmε2t-m dimana : ht K ε2t-m α1, α2, … , αm δ1, δ2, .... , δr ht-r

(1)

= Variabel harga pangan pada waktu t/ varians pada waktu ke-t (US $) = Varian yang konstan = Suku ARCH/ volatilitas pada periode sebelumnya = Koefisien orde m yang diestimasikan = Koefisien orde r yang diestimasikan = Suku GARCH/ varian pada periode sebelumnya

Untuk melihat kecenderungan data variabel ekonomi yang dianalisis maka diperlukan analisis grafik terlebih dahulu dengan plot time series sebelum melakukan estimasi. Adapun tahapan yang dilakukan untuk menghitung volatilitas dalam model ARCH-GARCH adalah: 1) Tahap Identifikasi Pada tahap ini dilakukan identifikasi apakah data mengandung heteroskedastisitas atau tidak. Pengujian keberadaan heteroskedastisitas dapat dilakukan dengan melihat kurtosis data. Pengujian heteroskedastisitas dapat juga dilakukan dengan menggunakan uji ARCH-LM. Uji ARCH-LM didasarkan pada hipotesis nol tidak terdapat ARCH error. Apabila hasil pengujian menunjukan penerimaan terhadap hipotesis nol, maka data tidak mengandung ARCH error atau data bersifat homoskedastisitas dan tidak perlu dimodelkan berdasarkan ARCH. 2) Tahap Pendugaan Parameter Pada tahap ini dilakukan simulasi beberapa model ragam dengan menggunakan model rataan yang telah didapatkan. Kemudian, dilakukan estimasi terhadap nilai-nilai parameter model untuk menentukan model ARCH-GARCH terbaik. Pendugaan parameter bertujuan untuk mencari koefisien model yang paling sesuai dengan data. Penentuan dugaan parameter ARCH-GARCH dilakukan dengan menggunakan metode kemungkinan maksimum secara iterative dengan Algoritma Marquardt.

18 3)

Tahap Pemilihan Model Terbaik Pemilihan model terbaik dilakukan berdasarkan ukuran kebaikan model yang besar dan koefisien yang nyata. Dua bentuk pendekatan yang digunakan sebagai ukuran kebaikan model yaitu : 1. Akaike Information Criterion (AIC) AIC = ln (MSE) + 2*K/N 2. Schwartz Criterion (SC) SC = ln (MSE) + [K*log(N)/N] dimana : MSE = Mean Square Error K = banyaknya parameter, yaitu (p+q+1) N = banyaknya data pengamatan Akaike Information Criterion (AIC) dan Schwartz Criterion (SC) merupakan dua standar informasi yang menyediakan ukuran informasi yang dapat menyeimbangkan antara ukuran kebaikan model dan spesifikasi model. Model terbaik dipilih berdasarkan nilai AIC dan SC terkecil dengan melihat juga signifikansi koefisien model. 4) Tahap Pemeriksaan Kecukupan Model Pemeriksaan kecukupan model dilakukan untuk menguji asumsi, sehingga model yang diperoleh cukup memenuhi syarat model yang baik. Jika model dianggap masih kurang memenuhi syarat, maka diperlukan kembali ke tahap identifikasi awal untuk mendapatkan model yang lebih baik. Pendugaan model dilakukan dengan menganalisis residual yang telah distandarisasi. Pendugaan model meliputi: sebaran residual, kebebasan residual yang dilihat dari fungsi autokorelasi dan kuadrat residual, dan pengujian efek ARCH-GARCH dari residual. Uji Jarque Bera (JB) dilakukan untuk memeriksa kenormalan residual baku model juga diperlukan untuk memastikan apakah model yang digunakan adalah model yang baik. Model yang baik adalah model yang residualnya menyebar normal. Uji JB mengukur perbedaan antara Skewness (kemenjuluran) dan kurtosis (keruncingan) data dari sebaran normal, serta memasukkan ukuran keragaman. Hipotesis yang diuji adalah: H0 : Residual baku menyebar normal H1 : Residual baku tidak menyebar normal Hasilnya adalah tolak H0, jika JB > χ22 (α) atau jika P (χ22 > JB) kurang dari α = 0,05. Statistik uji JB dihitung dengan persamaan berikut: ⁄

(2)

dimana : S = kemenjuluran K = keruncingan k = banyaknya koefisien penduga N = banyaknya data pengamatan Model ARCH-GARCH menunjukkan kinerja yang baik jika dapat menghilangkan autokorelasi yang ada pada data, yaitu bila residual baku merupakan proses white noise. Apabila dalam model terbaik yang dipilih ternyata mengandung autokorelasi, maka sebaiknya pilih kembali model kedua terbaik

19 yang tidak mengandung autokorelasi. Langkah selanjutnya adalah memeriksa koefisien autokorelasi residual baku, dengan uji statistik Ljung-Box. Uji Ljung-Box (Q*) pada dasarnya adalah pengujian kebebasan residual baku. Untuk data time series dengan n pengamatan, statistik uji Ljung-Box diformulasikan sebagai : ∑

(3)

dimana r12 (εt) adalah autokorelasi contoh pada lag 1 dan k adalah maksimum lag yang diinginkan. Jika nilai Q* lebih besar dari nilai χ22 (α) dengan derajat bebas kp-q atau jika P (χ2(k-p-q) > Q*) lebih kecil dari taraf nyata 0.05 maka model tersebut dinyatakan tidak layak. 5) Tahap Perhitungan Nilai Volatilitas Variabel Ekonomi Setelah memperoleh model yang memadai, model tersebut digunakan untuk memperkirakan nilai volatilitas masa datang (ζt+1) dari suatu variabel ekonomi, dimana ζt = √ht. Peramalan ragam untuk periode mendatang diformulasikan sebagai berikut : ht = ζ2 + α1ε2t-1 + α2ε2t-2 + ... + αmε2t-m

(4)

untuk ARCH (m), atau ht = к + δ1ht-1 + δ2ht-2 + ... + δrht-r + α1ε2t-1 + α2ε2t-2 + ... + αmε2t-m

(5)

untuk GARCH (r, m), dengan к > 0, δr ≥ 0 dan αm ≥ 0 dimana : ht = Nilai ragam ke-t ε = Nilai sisaan к = Konstanta δr dan αm = Paramater-parameter

Analisis Faktor yang Mempengaruhi Perubahan Harga Pangan Utama Indonesia serta Pengaruh Guncangan Faktor : Metode VAR/ VECM Untuk melihat dampak guncangan dari faktor yang memengaruhi perubahan harga pangan utama Indonesia digunakan metode Vector Autoregressive (VAR) apabila seluruh data yang digunakan stasioner pada level. Sedangkan metode Vector Error Correction Model (VECM) digunakan jika variabel-variabel yang digunakan stasioner pada first difference-nya. Langkah pengujiannya yaitu pertama-tama melakukan uji akar unit dari seluruh data yang sudah terkumpul. Pengujian akar unit ini biasannya dilakukan dengan uji Augmented Dickey-Fuller (ADF). Adapun tujuan dari pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel tersebut. Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak stasioner pada level maka akan dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Untuk melihat tahapan proses pengolahan data dengan menggunakan metode VAR/ VECM dapat dilihat dari Gambar 5 di bawah ini:

20

Pengujian Akar Unit

Data Time Series pada Level Tidak Stasioner

Stasioner

VAR

Uji Kointegrasi Pada Level

Uji Korelasi antar eror Korelasi Tinggi

Korelasi Rendah

SVAR

VAR

Terkointegrasi VECM

Tidak Terkointegrasi

Uji Akar Unit pada First Difference

Stasioner

Tidak Stasioner

VAR FD

Impulse Response dan Forecast Error Decomposition of Variance

Gambar 5 Proses analisis VAR dan VECM 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 baik di dalam menyediakan spesifikasi yang tepat atas hubungan dinamis antar variabel. Terkadang proses estimasi dan inferensi bahkan menjadi lebih rumit karena keberadaan variabel endogen di kedua sisi persamaan yaitu endogenitas variabel di sisi dependen dan independennya. Metode VAR yang merupakan ciptaan Sims pada tahun 1980 kemudian muncul sebagai jalan keluar atas permasalahan ini melalui pendekatan nonstrukturalnya. Secara garis besar terdapat empat hal yang ingin diperoleh dari pembentukan sebuah sistem persamaan, yaitu deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan. VAR menyediakan alat analisa bagi keempat hal tersebut melalui empat macam penggunaannya, seperti Forecasting untuk ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel, Impulse Response Functions (IRF) untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu, Forecast Error Decomposition of Variance (FEDVs) untuk memprediksi kontribusi persentase varian setiap variabel terhadap perubahan suatu variabel tertentu, dan Granger Causality Test yang digunakan untuk mengetahui hubungan sebab akibat antar variabel. Model VAR yang dikembangkan oleh Chistoper A. Sims (1980), model dasarnya hampir sama dengan model untuk menguji Granger’s (1969) Bivariate

21 Causality. VAR adalah model apriori terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi di mana terjadi saling ketergantungan antar variabel dalam ekonomi. Model ini juga menjadi dasar munculnya metode co-integrasi Johansen (1988, 1989) yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Model VAR secara matematis dapat diwakili oleh. ∑

(6)

dimana Zt adalah vektor dari variabel-variabel endogen sebanyak m, Xt adalah vektor dari variabel-variabel eksogen sebanyak d termasuk di dalamnya konstanta (intercept). A1,...,Ap, dan B adalah matriks-matriks koefisien yang akan diestimasi, dan t adalah vektor dari residual-residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai-nilai lag mereka sendiri dan juga tidak berkorelasi dengan seluruh variabel yang ada dalam sisi kanan persamaan di atas. Model VAR tidak banyak tergantung pada teori dalam penyusunan model. Hal-hal yang perlu ditentukan dalam model VAR yaitu variabel yang saling berinteraksi atau saling mempengaruhi yang perlu dimasukkan dalam model. Kedua, banyaknya variabel jeda (lag) yang perlu diikutsertakan dalam model yang diharapkan dapat menangkap keterkaitan antar variabel dalam sistem. Oleh karena itu, sebelum memilih variabel yang dianalisis dalam model perlu diuji terlebih dahulu sifat kausalitas dari variabel-variabel tersebut dengan menggunakan uji causalitas granger. Model VAR memiliki kelebihan daripada analisis dengan model lainnya. Kelebihan dari model ini yaitu : 1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel endogen dan eksogen. Semua variabel pada model VAR dapat dianggap variabel endogen. 2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada tiap-tiap persamaan secara terpisah. 3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dari peramalan yang menggunakan model dengan persamaan simultan yang lebih kompleks. 4. Semua variabel pada model VAR harus sudah stasioner. Jika data variabel belum stasioner maka harus ditransformasi terlebih dahulu agar stasioner. 5. Interpretasi parameter yang telah diestimasi pada model VAR tidak mudah. Oleh karenanya, para praktisi kadang-kadang malah mengestimasi IRF (Impulse Response Function). IRF melacak respons dari variabel terikat pada model VAR bila terjadi perubahan shock melalui u1 dan u2 (untuk model dengan 2 variabel). Vector Error Correction Model (VECM) Konsep dasar metode Vector Error Correction Model (VECM) adalah jika minimal salah satu variabel tidak stationer pada level. Variabel-variabel yang tidak stasioner tersebut kemudian dapat diestimasi dengan mekanisme koreksi kesalahan. Hal ini dikarenakan meskipun tidak stasioner, namun pada kenyataannya variabel-variabel tersebut terkointegrasi. Hal ini mengimplikasikan bahwa ada proses penyesuaian dari jangka pendek ke jangka panjangnya untuk

22 mencegah kesalahan jangka panjang menjadi lebih besar lagi. Johansen telah membuktikan bahwa variabel yang terkointegrasi seperti ini mempunyai koreksi kesalahan. Hubungan kointegrasi tidak boleh diabaikan begitu saja. Oleh karena itu, diperlukan suatu model yang mampu merestriksi kesalahan – kesalahan tersebut. Model VAR yang sebelumnya, kemudian direstriksi untuk memperoleh model yang lebih baik untuk mengestimasi hasil amatan yang dinamakan VECM. Spesifikasi VECM merestriksi hubungan jangka panjang variabel – variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Pengujian Sebelum Estimasi Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus dilakukan: 1. Uji Stasioneritas Data Uji stasioneritas dapat dilakukan dengan metode ADF sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, yaitu VAR dalam bentuk first difference atau VECM. Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test. 2. Penentuan Lag Optimal Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle (Lutkepohl, 1991). Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SC). Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Pengujian dengan menggunakan AIC akan mengikuti persamaan sebagai berikut : ⌊

⌋

(7)

dimana adalah jumlah reidual kuadrat, sedangkan N dan k masingmasing merupakan jumlah contoh dan jumlah variabel yang beroperasi pada persamaan tersebut. Besarnya lag optimal ditentukan oleh lag yang memiliki nilai kriteria AIC yang terkecil

23 Selain melalui kriteria AIC, pemillihan lag optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion (SC). Kriteria SIC dapat ditulis dalam persamaan berikut : ⁄

(8)

dimana: q = jumlah variabel T= jumlah observasi SIC = Schwarz Information Criterion Pada tahap terakhir, nilai Adjusted R2 variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R2 terbesar pada variabel-variabel penting dalam sistem. 3. Pengujian Hubungan Kointegrasi Kointegrasi adalah suatu hubungan jangka panjang antara variabelvariabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner (Thomas, 1997). Salah satu syarat agar tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegratiopn Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut I(d) jika data tersebut bersifat stasioner setelah melakukan diferensiasi sebanyak d kali. 4. Uji Stabilitas Model VAR Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut dikatakan stabil. Model VAR yang akan digunakan dalam penelitian ini dalam bentuk matriks adalah sebagai berikut : ∑

(9)

Dimana merupakan vektor dari variabel endogen dengan dimensi (n x 1), merupakan vektor dari variabel endogen, termasuk konstanta (intersep) dan trend, adalah koefisien matriks dengan dimensi (n x n), dan adalah vektor dari residual. Dalam sistem bivariat sederhana, dipengaruhi oleh nilai periode sebelumnya dan periode ini, sementara dipengaruhi nilai periode sebelumnya dan periode saat ini. Model VECM yang akan digunakan dalam penelitian ini dalam bentuk matriks sebagai berikut : ∑

(10)

dimana dan merupakan fungsi dari pada persamaan (10). Matriks dapat dipecah menjadi dua matriks, yaitu dan dengan dimensi (n x n). , dimana merupakan matriks penyesuaian, merupakan vektor kointegrasi, merupakan rank kointegrasi, dan koefisien penyesuaian jangka

24 pendek ke jangka panjang. Dimana Xt untuk model VAR atau VECM adalah harga komoditas pangan utama Indonesia, harga komoditas pangan utama di tingkat dunia, GDP per kapita, tingkat suku bunga, nilai tukar, dan iklim.

4 HASIL DAN PEMBAHASAN Perkembangan Produksi Domestik dan Impor Komoditas Pangan Utama Indonesia Ketergantungan impor Indonesia pada komoditas pangan utama seperti pada komoditas beras, jagung, kedelai, dan gula pasir masih sangat tinggi. Padahal, keempat komoditas pangan ini diharapkan akan swasembada pada tahun 2014. Dengan demikian, apabila fluktuasi harga pangan utama Indonesia masih terus terjadi karena ketersediaan domestik yang belum mampu dipenuhi pemerintah, maka mengontrol harga pangan akan menjadi sangat sulit. Tabel 3 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Beras di Indonesia Tahun 2001-2011 (Ton) Tahun 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Laju (%) a

Produksi 50 460 800 51 489 696 52 137 600 54 088 468 54 151 097 54 454 937 57 157 436 60 251 072 64 398 890 66 469 394 65 740 946 2.71

Ekspor 3 790 3 891 668 888 42 285 940 1 186 1 840 2 395 345 803 -

Impor 639 537 1 790 323 1 613 421 388 429 188 944 455 850 1 403 331 288 359 248 454 685 768 2 745 281 77.49

Ketersediaan 51 096 547 53 276 128 53 750 353 54 476 009 54 297 756 54 909 847 58 559 581 60 537 591 64 644 949 67 154 817 68 485 424 3.00

Sumber : FAO, 2013 (diolah)

Tabel 3 menunjukkan bahwa laju pertumbuhan produksi beras domestik selama tahun 2001-2011 hanya 2.71 persen, sedangkan laju impor dan ketersediaan meningkat 77.49 persen dan 3.00 persen. Hal ini menunjukkan bahwa Indonesia masih sangat bergantung pemenuhan domestiknya dari impor beras. Walaupun pada tahun 2005 Indonesia melakukan ekspor beras yang cukup besar, namun hal ini semata-mata dilakukan untuk menjaga penurunan harga beras akibat kelebihan penawaran domestik. Pada tahun berikutnya, tetap saja impor beras masih terus dilakukan dan sangat tinggi nilainya untuk pemenuhan permintaan domestiknya.

25 Tabel 4 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Jagung di Indonesia Tahun 2001-2011 (Ton) Tahun Produksi Ekspor Impor Ketersediaan 9 347 200 90 474 1 035 797 10 292 523 2001 9 585 277 16 306 1 154 063 10 723 034 2002 10 886 442 33 691 1 345 452 12 198 203 2003 11 225 243 32 679 1 088 928 12 281 492 2004 12 523 894 54 009 185 597 12 655 482 2005 11 609 463 28 074 1 775 321 13 356 710 2006 13 287 527 101 740 701 953 13 887 740 2007 16 323 922 107 001 286 541 16 503 462 2008 17 629 740 62 575 338 798 17 905 963 2009 18 327 636 41 954 1 527 516 19 813 198 2010 17 629 033 12 717 3 207 657 20 823 973 2011 6.90 114.20 7.43 Laju (%) a

Sumber : FAO, 2013 (diolah)

Tabel 4 menunjukkan laju pertumbuhan produksi jagung domestik berkisar 6.90 persen. Dimana, pesatnya perkembangan usaha peternakan ayam ras di Indonesia menjadi faktor utama yang mendorong peningkatan permintaan jagung domestik, sehingga volume impor terus mengalami peningkatan. Selama tahun 2001-2011 pertumbuhan produksi jagung domestik sekitar 6.90 persen. Kemudian, untuk pertumbuhan impor sebesar 114.20 persen. Pertumbuhan ketersediaan selama kurun waktu tersebut sebesar 7.43 persen sedikit di atas laju pertumbuhan produksi domestiknya. Hal ini menunjukkan bahwa pertumbuhan produksi masih cukup rendah bila dibandingkan dengan ketersediaan jagung domestik. Dalam upaya peningkatan ketersediaan jagung domestik, pemerintah telah melakukan berbagai macam cara, karena produksi yang menunjukkan pertumbuhan yang berjalan lamban, sehingga terjadi kenaikan impor jagung yang cukup signifikan, terutama pada tahun 2011, meningkat dua kali dari tahun sebelumnya. Permintaan impor kedelai selama tahun 2001-2011 meningkat dengan laju 11.74 persen per tahun dan pertumbuhan produksinya meningkat sebesar 1.50 persen per tahun (Tabel 5). Perkembangan impor kedelai cukup stabil selama kurun waktu tersebut, walaupun pada tahun 2007 impor meningkat dua kali lipat bila dibandingkan dengan tahun sebelumnya. Laju pertumbuhan produksi kedelai domestik hingga tahun 2011 cukup rendah yang tidak mampu untuk memenuhi kebutuhan domestiknya, sehingga hal yang perlu untuk dilakukan pemerintah adalah dengan melakukan impor. Kemudahan impor kedelai dikarenakan pemerintah memudahkan tataniaga impor, berupa dihapusnya monopoli Bulog sebagai importir tunggal serta dibebaskannya bea masuk dan pajak pertambahan nilai (PPN) untuk komoditas kedelai. Selain itu, negara Amerika Serikat yang bertindak sebagai eksportir terbesar dunia telah menyediakan subsidi ekspor, sehingga merangsang importir kedelai di negara lain, terutama di Indonesia untuk memanfaatkan fasilitas tersebut dengan mengimpor kedelai.

26 Tabel 5 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Kedelai di Indonesia Tahun 2001-2011 (Ton) Tahun 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Laju (%) a

Produksi 826 932 673 056 671 600 723 483 808 353 747 611 592 634 776 491 974 512 907 031 843 838 1.50

Ekspor 1 188 235 433 1 300 876 4 633 1 872 1 025 446 385 547 -

Impor 1 136 419 1 365 253 1 192 717 1 117 790 1 086 178 1 132 144 2 240 795 1 173 097 1 314 620 1 740 505 2 088 616 11.74

Ketersediaan 1 962 163 2 038 074 1 863 884 1 839 973 1 893 655 1 875 122 2 831 557 1 948 563 2 288 686 2 647 151 2 931 907 5.97

Sumber : FAO, 2013 (diolah)

Konsumsi gula masyarakat Indonesia diperkirakan akan terus mengalami peningkatan pada tahun mendatang akibat dari peningkatan jumlah penduduk, peningkatan pendapatan masyarakat, serta pertumbuhan industri makanan dan minuman. Selama periode 2001-2011 ketersediaan gula Indonesia meningkat dengan laju 9.71 persen, namun tingkat produksi domestik meningkat hanya sebesar 0.47 persen. Produksi domestik yang sangat rendah, namun ketersedian domestik meningkat lebih tinggi menunjukkan bahwa impor gula pasir Indonesia terus mengalami peningkatan dengan laju pertumbuhan impor sebesar 130.71 persen. Tabel 6 Perkembangan Produksi, Ekspor, Impor, dan Ketersediaan Gula Pasir di Indonesia Tahun 2001-2011 (Ton) Tahun 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Laju (%) a

Produksi 1 824 600 2 077 600 1 974 400 1 750 000 2 050 000 2 100 000 1 900 000 2 053 000 1 910 000 1 770 000 1 830 000 0.47

Sumber : FAO, 2013 (diolah)

Ekspor 78 33 55 1 276 4 204 1 286 27 398 305 -

Impor 240 122 304 927 911 677 584 364 718 292 588 576 710 025 595 060 113 413 1 380 025 2 371 250 130.71

Ketersediaan 2 064 644 2 382 494 2 886 022 2 333 088 2 768 288 2 688 372 2 610 024 2 647 774 2 023 386 3 149 627 4 200 945 9.71

27 Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Pangan Indonesia Menjaga stabilitas harga komoditas pangan utama Indonesia merupakan kewajiban penting bagi pemerintah karena ketersediaan domestik yang masih sangat bergantung dari impornya yang dilihat dari laju pertumbuhan impornya. Selain itu, menjaga stabilitas pangan menjadi penting karena keempat komoditas pangan utama ini merupakan komoditas dengan tingkat share impor yang cukup tinggi dengan rata-rata share-nya lebih dari 50 persen dari tahun 2002-2011 (Tabel 7). Sedangkan untuk masing-masing komoditas pangan utama, komoditas kedelai dan gula pasir merupakan dua komoditas yang memiliki share impor yang lebih tinggi dibanding dua komoditas lainnya. Tabel 7 Share Impor Komoditas Pangan Utama Indonesia terhadap Total Impor Tanaman Pangan Indonesia Tahun 2002-2011 Share Impor Tahun Total Share Beras Jagung Kedelai Gula Pasir 2002 20.18 8.13 17.63 11.55 57.49 2003 16.12 9.33 18.28 18.27 61.99 2004 3.30 9.50 22.29 14.19 49.29 2005 2.69 1.61 16.12 30.83 51.25 2006 5.91 12.36 13.34 25.70 57.31 2007 13.40 4.35 13.74 29.81 61.30 2008 3.54 2.68 19.92 10.47 36.62 2009 3.56 2.56 20.45 18.90 45.48 2010 7.99 8.18 18.61 24.62 59.39 2011 18.45 12.54 15.19 21.20 67.38 a

Catatan : Impor komoditas tanaman pangan merupakan nilai impor komoditas pangan (ribu US $)

Coefficient of Variance Harga Komoditas Pangan Utama Indonesia Gambar 6 menunjukkan perkembangan coefficient of variance (CV) dari harga komoditas pangan utama Indonesia dari tahun 2002-2011. CV untuk semua komoditas pangan utama Indonesia menunjukkan nilai yang cukup bervariasi dari waktu ke waktu. Nilai CV komoditas pangan paling tinggi adalah komoditas gula pasir sebesar 11.45 persen pada tahun 2009. Relatif stabilnya harga komoditi pangan menjelang Natal 2009 dan Tahun Baru 2010 tidak berlaku untuk gula pasir. Kenaikan mencolok terjadi pada gula pasir lokal sebesar Rp 705,00. Hal ini disebabkan selain karena adanya peningkatan permintaan gula menjelang perayaan hari Natal dan Tahun Baru, tetapi naiknya harga gula di pasaran internasional juga memberi pengaruh yang signifikan5. Untuk komoditas jagung dan kedelai, memiliki nilai CV paling tinggi pada tahun 2008 sebesar 7.56 persen dan 9.16 persen. CV terbesar untuk komoditas 5

Dikutip dari : http://www.setneg.go.id/index.php?option=com_content&task=view&id=4209 : “Harga Gula di Akhir Tahun 2009 dan Potensi Pemberdayaan Tepung Terigu”

28 jagung pada tahun 2008 disebabkan oleh terjadinya penurunan cadangan jagung, naiknya harga minyak dunia sehingga menyebabkan peningkatan permintaan jagung untuk etanol. Tingginya nilai CV untuk komoditas kedelai pada tahun 2008 lebih disebabkan oleh terganggunya pasokan kedelai yang memang sebagian besar pemenuhan kebutuhannya masih sangat tergantung dari Impor Amerika Serikat. Sehingga, ketika terjadi gangguan tersebut, maka harga kedelai domestik mencapai eceran tertingginya dan sangat meresahkan masyarakat baik konsumen maupun produsen. Beras

Jagung

Kedelai

Gula 11.45

12.00 10.00

9.16 7.56

CV (%)

8.00

6.92

6.00 4.00 2.00 2002

2003

2004

2005

2006 2007 Tahun

2008

2009

2010

2011

Gambar 6 Coefficient of Variance Komoditas Pangan Utama Indonesia Tahun 2002-2011 Nilai CV paling besar untuk komoditas beras terjadi pada tahun 2010 dengan nilai 6.92 persen. Penyebab tingginya CV beras pada tahun 2010 lebih dikarenakan menurunnya pertumbuhan produksi padi antara lain akibat imbas dari perubahan cuaca. Perubahan cuaca tersebut juga telah membuat negara pengekspor beras utama dunia yaitu Vietnam dan Thailand melakukan pengetatan ekspor beras. Meskipun kedua negara ini mengalami surplus beras, mereka telah mengumumkan bahwa akan membatasi ekspor beras terkait anomali cuaca yang terjadi6. Analisis Volatilitas Empat Komoditas Pangan Utama Indonesia Aplikasi model ARCH-GARCH yang digunakan untuk mengukur volatilitas harga dan data finansial telah banyak dilakukan oleh peneliti sebelumnya. Pembentukan model ini dilakukan dalam dua tahapan yaitu tahap

6

Dikutip dari : http://www.setneg.go.id/index.php?option=com_content&task=view&id=5171 : “Inflasi dan Kenaikan Harga Beras”

29 identifikasi dan penentuan model ARCH-GARCH terbaik untuk mencari besaran nilai volatilitas yang diinginkan. Tahap identifikasi penentuan model ARCHGARCH dilakukan jika model mean equation yang diperoleh mengandung efek ARCH dan analisis volatilitas dari model yang terbaik. Jika model mean equation mengandung efek ARCH, maka model tersebut perlu melibatkan suatu persamaan conditional variance untuk mengakomodasi keberadaan efek ARCH, sehingga dapat menghindari pelanggaran asumsi heteroskedastisitas akibat adanya efek ARCH dan menghasilkan estimasi koefisien model yang lebih baik. Pengujian terhadap efek ARCH tersebut dilakukan setelah memperoleh model mean equation terbaik. Di bawah ini akan dijabarkan mengenai bagian dari ketiga tahapan yang telah disebutkan di atas. Tahap Identifikasi dan Penentuan Model Rataan Terbaik Identifikasi dan pembentukan model terbaik harus mengikuti langkahlangkah yang meliputi pengujian stasioneritas data, penenetuan model ARIMA tentatif, pendugaan parameter dari model ARIMA tersebut, dan yang terakhir adalah pemilihan model terbaik. Setelah semua tahapan dilakukan dan diperoleh model ARIMA yang sesuai dengan kriteria bahwa AIC dan SC memiliki nilai terkecil adj-R2 terbesar dan beberapa kriteria lainnya. Uji stasioneritas Pengujian stasioneritas data dilakukan dengan menggunakan uji The Augmented Dickey Fuller (ADF). Uji tersebut dilakukan untuk mendeteksi apakah data yang akan dianalisis mengandung akar unit. Apabila data mengandung akar unit maka data tersebut belum stasioner pada levelnya. Dengan menggunakan uji ADF ini, dapat diketahui juga pada derajat berapa diferensiasi yang diperlukan agar data menjadi stasioner. Data variabel ekonomi umumnya memiliki sifat yang tidak stasioner pada level dan stasioner pada first difference-nya. Sehingga, dalam pembuatan mean equation, uji stasioneritas sangat diperlukan untuk menentukan derajat integrasinya. Untuk lebih jelasnya mengenai pengujian stasioneritas pada data harga komoditas pangan yang digunakan dalam penelitian ini dapat dilihat pada tabel di bawah ini. Tabel 8 Hasil Uji Augmented Dickey Fuller Variabel (Rp/kg) Harga Beras Indonesia Harga Jagung Indonesia Harga Kedelai Indonesia Harga Gula Indonesia

ADF Statistic1 Levels12 First Difference3 1.71 -8.73 1.66 -12.76 -0.71 -5.93 -0.37 -7.22

Critical Value (95%) -2.88 -2.88 -2.88 -2.88

a

Keterangan: 1) Nilai mutlak ADF harus lebih besar dari critical value untuk menolak hipotesis nol 2) Seris data awal (sebelum didiferensiasi) 3) Series data setelah didiferensi satu kali

Berdasarkan Tabel 8 telah diketahui bahwa semua data harga yang dianalisis stasioner pada first difference dan tidak ada data yang stasioner pada level. Sehingga derajat integrasi yang akan digunakan dalam pembentukan mean

30 equation adalah satu. Kejadian ini adalah hal yang umum terjadi pada data ekonomi seperti yang telah disebutkan sebelumnya. Identifikasi Model ARIMA Identifikasi model ARIMA dapat dilakukan terhadap data variabel harga yang stasioner baik pada level maupun pada first difference. Untuk menentukan model tentatif ARMA/ARIMA dari suatu data ekonomi maka akan digunakan uji correlogram yang menjadi dasar penentuan orde AR (p) dan orde MA (q) dari suatu model ARIMA (p,d,q) tentatif. Sementara itu untuk orde d ditentukan oleh stasioneritas data. Berdasarkan hasil simulasi yang telah dilakukan terhadap sejumlah model ARIMA tentatif dipilih satu model yang dinilai terbaik berdasarkan kriteria yang ada. Model ARIMA terbaik yang dipilih untuk masingmasing data harga komoditas pangan yang diteliti ditunjukkan pada Tabel 9. Tabel 9 Model ARIMA Terbaik Variabel (Rp/kg) Harga Beras Indonesia Harga Jagung Indonesia Harga Kedelai Indonesia Harga Gula Indonesia

Model ARIMA Terbaik ARIMA (2,1,1) ARIMA (1,1,1) ARIMA (1,1,2) ARIMA (2,1,1)

Pemilihan model ARIMA terbaik didasarkan atas beberapa kriteria yaitu: galat (error) bersifat acak (random), koefisien estimasinya signifikan, nilai AIC dan SIC terkecil dibandingkan model lainnya, Standar Error of Regression relatif kecil, Sum Square Residual relatif kecil, dan Adjusted R-Squared relatif besar. Tahap Identifikasi dan Penentuan Model ARCH-GARCH Pada tahapan ini dilakukan pengujian terhadap ada atau tidaknya efek ARCH yang kemudian dilanjutkan dengan estimasi dan penentuan model ARCHGARCH terbaik. Hasil yang diperoleh dari tahapan yang dilakukan diuraikan pada bagian berikut. Pengujian Efek ARCH Aplikasi model ARCH-GARCH dilakukan terhadap model ARMA/ARIMA terbaik apabila terdapat efek ARCH pada model ARMA/ARIMA tersebut. Pengujian terhadap efek ARCH tersebut dilakukan dengan mengamati Correlogram Squared Residuals. Hasil estimasi model mean equation dikatakan tidak mengandung unsur ARCH/ GARCH apabila nilai Q-statistik tidak signifikan serta nilai ACF dan PACF tidak berbeda nyata dari nol pada seluruh lag. Namun hasil estimasi tersebut dikatakan mengandung efek ARCH/ GARCH apabila minimal ada salah satu nilai Q-statistik yang signifikan serta nilai ACF dan PACF ada yang berbeda nyata dari nol pada lag tertentu. Selain menggunakan Correlogram Squared Residuals penguji efek ARCH/ GARCH juga dilakukan dengan uji ARCH-LM. Hasil pengujian efek ARCH terhadap model ARMA/ARIMA terbaik ditunjukan pada Tabel 10.

31 Tabel 10 Hasil Uji Efek ARCH terhadap Model Rataan Terbaik

a

Variabel (Rp/kg)

Model Rataan Terbaik

Obs*Rsquared

Prob

Harga Beras Indonesia Harga Jagung Indonesia Harga Kedelai Indonesia Harga Gula Indonesia

ARIMA (0,1,1) ARIMA (0,1,1) ARIMA (1,1,0) ARIMA (0,1,1)

20.47 21.86 11.97 16.26

0.0000* 0.0000* 0.0005* 0.0001*

Keterangan: * model rataan mengandung efek ARCH

Adanya efek ARCH pada data harga pangan yang dianalisis menunjukkan bahwa volatilitas dari komoditas tersebut bervariasi antar waktu, yang dapat dilihat dari nilai obs*R-squared dari pengujian dengan LM test. Oleh karena itu, analisis variabel harga pangan tersebut akan dilajutkan dengan mengaplikasikan model ARCH-GARCH. Estimasi dan Pemilihan Model ARCH-GARCH Pada tahap ini, karena telah diketahui bahwa seluruh data harga pangan utama Indonesia yaitu beras jagung kedelai dan gula pasir memiliki efek ARCH akan dilakukan beberapa simulasi untuk menentukan model ARCH-GARCH tentatif untuk memperoleh model terbaiknya. Estimasi model dilakukan dengan metode kemungkinan maksimum atau Quasi Maximum Likehood (QML). Pemilihan model ragam dilakukan dengan mempertimbangkan nilai SC dan nilai AIC terendah, memiliki koefisien yang signifikan, nilai koefisien tidak lebih besar dari satu dan non-negatif. Berdasarkan sejumlah kriteria tersebut maka model ragam (ARCH-GARCH) yang diperoleh adalah seperti ditunjukan pada Tabel 11. Tabel 11 Pemilihan Model ARCH/GARCH Terbaik Variabel (Rp/kg) Model ARCH/GARCH Terbaik Harga Beras Indonesia GARCH (3,0) Harga Jagung Indonesia GARCH (2,0) Harga Kedelai Indonesia GARCH (1,0) Harga Gula Indonesia GARCH (1,1) Untuk mengetahui kecukupan model maka langkah yang dilakukan adalah dengan melakukan uji normalitas yaitu dengan mengamati nilai statistik JarqueBera. Hasil uji normalitas tersebut ditunjukan pada Tabel 12. Berdasarkan tabel tersebut diketahui bahwa semua data harga yang dianalisis memiliki sebaran galat yang tidak normal. Untuk mengatasi ketidaknormalan galat terbakukan tersebut maka dalam metode estimasi diaplikasikan metode Heteroscedaticity Consistant Covariance Boolerslev-Wooldrige agar asumsi galat menyebar normal tetap terjaga sehingga galat baku dan parameter tetap konsisten. Langkah selanjutnya untuk mengukur tingkat kecukupan model adalah dengan melakukan uji Breusch-Godfrey Serial Correlation LM Test dan Uji Heteroskedastisitas. Dengan uji tersebut maka dapat diketahui bahwa galat terbakukan saling bebas dan sudah tidak ada efek ARCH. Dengan demikian dapat diyakini bahwa model ARCH-GARCH yang diperoleh sudah baik.

32 Tabel 12 Hasil Uji Normalitas Variabel (Rp/kg) Harga Beras Indonesia Harga Jagung Indonesia Harga Kedelai Indonesia Harga Gula Indonesia

Jarque Bera 67.18 158.28 920.25 67.42

Probabilitas 0.00 0.00 0.00 0.00

Analisis Volatilitas Berdasarkan model ARCH-GARCH terbaik yang telah ditentukan pada bagian sebelumnya, maka didapat nilai volatilitas dari setiap variabel harga pangan yang diperoleh untuk dianalisis. Ukuran volatilitas ditunjukkan oleh nilai standar deviasi bersyarat yang merupakan akar dari ragam model ARCH-GARCH yang diperoleh. Volatilitas dari masing-masing harga komoditas pangan bervariasi antar waktu yang akan ditunjukkan dalam bentuk grafik. Volatility

Mean

(+) 2Stdev

300 250 200 150 100 50 Jul-11

Jan-11

Jul-10

Jan-10

Jul-09

Jan-09

Jul-08

Jan-08

Jul-07

Jan-07

Jul-06

Jan-06

Jul-05

Jan-05

Jul-04

Jan-04

Jul-03

Jan-03

Jul-02

Jan-02

0

Gambar 7. Volatilitas Harga Beras Indonesia Tahun 2002-2011 Gambar 7 menunjukkan pergerakan nilai volatilitas harga beras Indonesia selama Januari 2002 hingga Desember 2011. Semenjak periode awal, volatilitas harga beras Indonesia sudah tinggi melebihi rataannya. Pada pertengahan 2002, volatilitas harga beras dibawah rataannya. Terjadinya krisis harga minyak tahun 2005 dan krisis pangan tahun 2007-2008 menyebabkan harga beras meningkat dan berfluktuasi, sehingga volatilitas beras lebih volatil mencapai dua standar deviasi. Volatilitas harga beras menjadi lebih berfluktuasi pada tahun 2010 hingga tahun 2011 awal yang nilainya melebihi dua standar deviasi, namun pada akhir tahun 2011, nilai volatilitasnya terus mengalami penurunan bahkan di bawah rataannya. Hal ini dikarenakan adanya peningkatan harga eceran tertinggi untuk pupuk subsidi pada tahun 2010 yang pada mulanya dimaksudkan untuk mencegah penurunan pendapatan petani dan tidak terganggunya produksi beras domestik, namun hal ini malah menyebabkan harga beras di Indonesia lebih volatil.

33 Volatility

Mean

70

35

Aug-11

Oct-10

Mar-11

May-10

Dec-09

Jul-09

Feb-09

Sep-08

Apr-08

Nov-07

Jan-07

Jun-07

Aug-06

Mar-06

Oct-05

May-05

Dec-04

Jul-04

Feb-04

Sep-03

Apr-03

Nov-02

Jun-02

Jan-02

0

Gambar 8. Volatilitas Harga Jagung Indonesia Tahun 2002-2011 Berbeda dengan harga beras Indonesia, volatilitas harga jagung Indonesia sangat bervariasi dengan nilai yang semakin kecil dan memiliki tren naik turun yang nilainya berkisar pada rataan volatilitasnya selama periode amatan. Hal ini dapat dijelaskan bahwa pemenuhan kebutuhan jagung domestik yang berasal dari produksi domestik terus mengalami peningkatan walaupun terjadi penurunan luas lahan yang digunakan untuk menanam jagung. Peningkatan produktivitas merupakan satu-satunya cara yang mampu untuk meningkatkan ketersediaan jagung domestik dan pada akhirnya dapat memperkecil nilai volatilitasnya. Peningkatan produktivitas jagung yang cukup cepat tersebut disebabkan oleh penggunaan benih jagung hibrida dan komposit yang makin luas dengan tingkat produktivitas tinggi (Rusono et al. 2013). Untuk lebih jelasnya, volatilitas harga jagung yang terjadi di Indonesia tahun 2002-2011 dapat dilihat pada Gambar 8. Volatility

Mean

(+) 4Stdev

(+) 8Stdev

800 700 600 500 400 300 200 100 Jan-02 Jun-02 Nov-02 Apr-03 Sep-03 Feb-04 Jul-04 Dec-04 May-05 Oct-05 Mar-06 Aug-06 Jan-07 Jun-07 Nov-07 Apr-08 Sep-08 Feb-09 Jul-09 Dec-09 May-10 Oct-10 Mar-11 Aug-11

0

Gambar 9. Volatilitas Harga Kedelai Indonesia Tahun 2002-2011

34 Pergerakan tingkat volatilitas harga kedelai Indonesia dapat dilihat pada Gambar 9. Semenjak tahun 2002 hingga tahun 2007, volatilitas harga kedelai masih berada pada nilai rataannya. Namun, ketika terjadi krisis pangan tahun 2007-2008 menyebabkan volatilitas harga kedelai mengalami peningkatan yang sangat tinggi hingga lebih dari delapan standar deviasi pada bulan April 2008. Setelah itu, volatilitas kembali mengalami penurunan dan berkisar pada rataannya dengan nilai volatilitas yang lebih besar bila dibandingkan dengan periode yang sebelum krisis pangan terjadi. Hal ini menunjukkan bahwa kedelai yang sebagian besar pemenuhan domestiknya masih bergantung pada impor akan lebih sensitif perubahan volatilitas harganya dan apabila terdapat guncangan dari luar, harga kedelai akan cepat megalami peningkatan. Rusono et al. (2013) menjelaskan bahwa produksi kedelai dunia yang pada tahun 2007 menurun sekitar 14 juta ton dibandingkan tahun 2006 dan kemudian diperparah dengan penurunan produksi kedelai dunia pada tahun 2008 sebesar 6.5 persen akibat penurunan produktivitas areal tanam kedelai membuat harga kedelai dunia mengalami peningkatan. Hal inilah yang mempengaruhi peningkatan harga kedelai domestik yang ditunjukkan dengan perubahan nilai volatilitas harga yang sangat tinggi.

Volatility

1200

Mean

(+) 2Stdev

(+) 4Stdev

1000 800 600 400 200 Jul-11

Jan-11

Jul-10

Jan-10

Jul-09

Jan-09

Jul-08

Jan-08

Jul-07

Jan-07

Jul-06

Jan-06

Jul-05

Jan-05

Jul-04

Jan-04

Jul-03

Jan-03

Jul-02

Jan-02

0

Gambar 10. Volatilitas Harga Gula Pasir Indonesia Tahun 2002-2011 Kebutuhan masyarakat Indonesia akan gula memiliki kecenderungan yang semakin meningkat. Hal ini mendorong pemenuhan domestik yang terus untuk ditingkatkan ketersediaannya, baik berasal dari produksi domestik maupun impor. Dengan produksi domestik yang relatif rendah dari tahun 2002 hingga tahun 2011 dan pemenuhan dari sisi impor yang memiliki tren yang meningkat menjadi alasan mengapa harga gula Indonesia menjadi sangat volatil (Gambar 10). Volatilitas harga gula berkisar pada nilai rataannya pada awal periode, namun pada tahun 2009 hingga tahun 2011 awal, volatilitas harga gula nilainya lebih dari dua standar deviasi, bahkan sempat lebih menyentuh empat standar deviasi. Dengan adanya penurunan produksi gula nasional pada tahun 2008-2011 sebesar 6.36 persen per tahun disebabkan oleh belum adanya inovasi teknologi budidaya tebu, masih

35 banyaknya areal tebu keprasan dengan frekuensi keprasan lebih dari tiga kali, dan makin tuanya umur pabrik gula milik PTPN (Rusono et al. 2013). Hal ini tentu harus menjadi perhatian pemerintah Indonesia dimana kebutuhan gula yang semakin meningkat dari tahun ke tahun akibat berkembangnya industri makanan dan minuman yang menjadikan pemenuhan kebutuhan gula domestik menjadi sangatlah penting.

Analisis Faktor yang Mempengaruhi Harga Pangan Utama Indonesia dan Pengaruh Guncangan Faktor tersebut pada Periode Mendatang Perubahan harga komoditas pangan Indonesia dapat dipengaruhi oleh berbagai macam faktor seperti harga dunia, nilai tukar, suku bunga, iklim, dan pendapatan per kapita. Pada bagian ini, dibahas mengenai model yang dikembangkan untuk menjelaskan faktor apa sajakah yang mempengaruhi perubahan harga masing-masing komoditas pangan utama Indonesia, serta dibedakan juga menurut variabel yang berasal dari sisi permintaan dan sisi penawaran. Faktor yang mempengaruhi perubahan harga komoditas pangan tentu sangat penting untuk diketahui untuk mengakomodasi dampaknya dalam rangka menjaga stabilitas harganya. Sama seperti dalam penggunaan metode ARCHGARCH metode VAR/ VECM juga diperlukan beberapa tahapan pengujian sebelum melakukan estimasi. Berikut adalah beberapa tahapan pra estimasi yang dilakukan dalam analisis faktor yang mempengaruhi harga pangan utama Indonesia. Tahapan Pra Estimasi Uji Stasioneritas Hasil dan pembahasan dalam bagian ini akan didasarkan pada langkahlangkah yang telah dijelaskan sebelumnya. Langkah pertama merupakan langkah yang penting sebelum melakukan pengolahan data pada tahapan lebih lanjut karena data time series yang digunakan dimungkinkan memiliki akar unit yang menyebabkan data menjadi tidak stasioner pada level. Sehingga menyebabkan hasil regresi terlihat bagus, namun ternyata hasil tersebut menjadi tidak valid dan tidak mampu menggambarkan keadaan sesungguhnya yang terjadi. Pada penelitian ini digunakan uji stasioneritas Augmented Dickey Fuller (ADF) sama seperti yang telah dilakukan pada bagian sebelumnya untuk semua variabel faktor yang digunakan. Apabila hasil dari pengujian ini menunjukkan nilai mutlak t-ADF lebih besar dari nilai mutlak McKinnon critical value-nya maka data telah stasioner pada taraf nyatanya. Stasioneritas juga dilihat dari nilai probabilitasnya yaitu apabila nilai probabilitasnya kurang dari taraf nyata yang digunakan, maka data tersebut dapat dikatakan stasioner. Berdasarkan hasil pengujian akar unit yang dilakukan maka terlihat bahwa hampir semua variabel yang digunakan belum stasioner pada level (Tabel 13). Hanya terdapat dua variabel yang telah stasioner pada taraf 5 persen, yaitu variabel interest rate dan iklim, sedangkan variabel lainnya masih belum stasioner. Sehingga perlu untuk dilakukan pengujian pada first different-nya.

36 Tabel 13 Rangkuman Uji Stasioneritas pada Level Uji Stasioneritas Variabel t-statistic t-MacKinnon LNPRICEDOM -0.175 -2.886 LNPRICEWORLD -1.443 -2.886 LNPMAIZEDOM -0.205 -2.886 LNPMAIZEWORLD -1.093 -2.886 LNSOYDOM -1.13 -2.886 LNSOYWORLD -1.976 -2.886 LNSUGARDOM -1.069 -2.886 LNSUGARWORLD -1.435 -2.886 LNGDPCAP -2.825 -2.887 LNER -2.854 -2.886 IR -3.645 -2.886* LNCLIM -8.416 -2.886* a

Catatan : tanda asterik (*) menunjukkan nilai t-MacKinnon taraf nyata 5 persen

Masih banyaknya variabel yang belum stasioner pada level mengharuskan adanya pengujian pada first difference-nya. Uji ADF pada first difference yang dilakukan menunjukkan semua variabel yang digunakan telah stasioner pada taraf nyata 5 persen. Setelah semua data dinyatakan stasioner, maka data dapat diproses untuk dilanjutkan pada langkah selanjutnya. Hasil uji pada level first difference dapat dilihat pada Tabel 14. Tabel 14 Rangkuman Uji Stasioneritas pada First Difference Uji Stasioneritas Variabel t-statistic t-MacKinnon LNPRICEDOM -8.496 -2.886* LNPRICEWORLD -6.494 -2.886* LNPMAIZEDOM -9.245 -2.886* LNPMAIZEWORLD -8.688 -2.886* LNSOYDOM -7.624 -2.886* LNSOYWORLD -7.356 -2.886* LNSUGARDOM -7.842 -2.886* LNSUGARWORLD -7.645 -2.886* LNGDPCAP -4.502 -2.887* LNER -8.666 -2.886* a

Catatan : tanda asterik (*) menunjukkan nilai t-MacKinnon taraf nyata 5 persen

Uji Lag Optimum Langkah selanjutnya dalam melakukan estimasi terhadap model ini yaitu menentukan panjang lag optimum. Kandidat selang yang akan dicari dengan menggunakan kriteria informasi yang tersedia yaitu criteria Likehood Ratio (LR),

37 Final Prediction Error (FPE), Akaike Information Criterion (AIC), Shwarz Information Criterion (SC), dan Hannan-Quin Criterion (HQ). Apabila kriteria informasi merujuk pada sebuah kandidat selang, maka lag tersebut yang akan dipilih untuk melanjutkan estimasi pada tahap berikutnya. Dalam penelitian ini, digunakan kriteria Shwarz Information Criterion (SC), dimana kriteria ini yang paling banyak digunakan untuk menentukan lag optimum. Pengujian lag optimum untuk model beras, jagung, kedelai, dan gula pasir dari sisi permintaan menunjukkan semua modelnya memiliki lag optimum 3. Sedangkan dari sisi penawaran, keempat model yang dibentuk memiliki lag optimum 1. Uji Stabilitas Model Permodelan VAR yang memiliki tujuan untuk estimasi diharuskan memiliki tingkat validitas tinggi untuk mendapatkan hasil estimasi yang bisa dipercaya. Hasil tersebut dapat diperoleh apabila model VAR memenuhi persyaratan bahwa model VAR stabil pada lag optimum yang telah dipilih sebelumnya. Syarat untuk melihat stabilitas model VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil jika seluruh roots-nya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle (Lutkepohl 1991). Nilai modulus dari model komoditas beras dari sisi permintaan dalam penelitian ini berkisar antara 0.11-0.99, sedangkan untuk model dari sisi penawarannya modulusnya berkisar antara 0.77-0.99. Nilai modulus untuk model komoditas jagung dari sisi permintaan berkisar antara 0.10-0.99 dan dari sisi penawarannya berkisar antara 0.76-0.99. Model komoditas kedelai dari sisi permintaan dan penawaran memiliki modulus berkisar antara 0.14-0.97 dan 0.720.97. Untuk model yang terakhir, yaitu model komoditas gula pasir, nilai modulus dari sisi permintaan berkisar antara 0.17-0.98 dan nilai modulus dari sisi penawaran berkisar antara 0.75-0.99. Berdasarkan hasil dan penjelasan di atas nilai modulus yang diperoleh tidak ada yang lebih dari satu, sehingga dapat disimpulkan bahwa model VAR yang digunakan dalam pembuatan model ini telah stabil pada panjang selangnya masing-masing. Uji Kointegrasi Pengujian kointegrasi merupakan salah satu pengujian penting untuk dilakukan dalam melihat hubungan jangka panjang variabel-variabel yang digunakan dalam penelitian ini. Meskipun data yang digunakan apabila dilihat secara individu tidak stasioner, namun secara kombinasi linear ternyata stasioner. Salah satu syarat agar tercapai keseimbangan jangka panjang (terkointegrasi) yaitu nilai galat keseimbangan harus berfluktuasi di sekitar nol. Pada pengujian stasioneritas sebelumnya, diketahui bahwa variabel yang digunakan sebagian besar stasioner pada first difference-ny. Sehingga dalam penelitian ini digunakan model estimasi VECM, oleh karena itu perlu untuk dilakukan pengujian kointegrasi terlebih dahulu. Hubungan kointegrasi dalam penelitian ini dapat dilihat dari nilai trace statistic-nya. Apabila terdapat hubungan kointegrasi, maka nilai trace statistic lebih besar dari nilai critical value 5 persen. Hasil uji kointegrasi untuk masing model tiap komoditi dapat dilihat pada tabel-tabel di bawah ini.

38 Tabel 15 Hasil Kointegrasi untuk Model Komoditas Beras Permintaan Hipotesa Trace Statistic 5 persen critical value None * 74.939 54.079 At most 1 31.153 35.193 At most 2 14.384 20.262 At most 3 5.1621 9.164 Penawaran Hipotesa Trace Statistic 5 persen critical value None * 128.209 54.079 At most 1 32.677 35.193 At most 2 13.831 20.262 At most 3 5.083 9.164 Tabel 15 menunjukkan bahwa untuk model komoditas beras baik dari sisi permintaan maupun penawaran nilai trace statistic-nya lebih besar daripada nilai kritis 5 persen. Sehingga, dapat disimpulkan bahwa untuk kedua model komoditas beras ini terdapat minimal satu rank kointegrasi pada taraf nyata 5 persen. Hal ini berarti bahwa terdapat minimal 1 persamaan kointegrasi yang mampu menerangkan masing-masing model komoditas beras ini. Tabel 16 Hasil Kointegrasi untuk Model Komoditas Jagung Permintaan Hipotesa Trace Statistic 5 persen critical value None * 50.951 47.856 At most 1 * 30.494 29.797 At most 2 13.126 15.495 At most 3 0.027 3.841 Penawaran Hipotesa Trace Statistic 5 persen critical value None * 48.029 40.175 At most 1 * 28.460 24.276 At most 2 10.607 12.321 At most 3 0.029 4.129 Tabel 16 menunjukkan bahwa terdapat dua rank kointegrasi yang nilai trace statistic-nya lebih besar daripada nilai kritis 5 persen, baik untuk model komoditas jangung dari sisi permintaan maupun sisi penawaran. Hal ini menandakan bahwa model jagung memiliki minimal satu persamaan kointegrasi yang mampu menerangkan keseluruhan modelnya. Hasil pengujian kointegrasi untuk model komoditas kedelai dapat dilihat pada Tabel 17. Terdapat satu rank kointegrasi yang nilai trace statistic lebih besar dari nilai kritis 5 persen. Hal ini menunjukkan bahwa terdapat minimal 1 persamaan kointegrasi yang mampu untuk menjelaskan model komoditas kedelai baik dari sisi permintaan maupun sisi penawaran secara keseluruhan.

39 Tabel 17 Hasil Kointegrasi untuk Model Komoditas Kedelai Permintaan Hipotesa Trace Statistic 5 persen critical value None * 51.115 40.175 At most 1 22.449 24.276 At most 2 4.031 12.321 At most 3 0.007 4.129 Penawaran Hipotesa Trace Statistic 5 persen critical value None * 116.551 54.079 At most 1 30.269 35.193 At most 2 13.619 20.262 At most 3 3.918 9.164 Tabel 18 memperlihatkan hasil kointegrasi untuk model komoditas gula pasir dari sisi permintaan dan sisi penawaran. Hasil pengujian menunjukkan terdapat dua rank kointegrasi untuk masing-masing model dari sisi permintaan dan sisi penawarannya. Hal ini berarti terdapat minimal 1 persamaan kointegrasi yang mampu menjelaskan model komoditas kedelai secara keseluruhan. Tabel 18 Hasil Kointegrasi untuk Model Komoditas Gula Pasir Permintaan Hipotesa Trace Statistic 5 persen critical value None * 56.924 55.246 At most 1 32.789 35.011 At most 2 18.393 18.398 At most 3 * 9.056 3.841 Penawaran Hipotesa Trace Statistic 5 persen critical value None * 134.001 54.079 At most 1 * 38.693 35.193 At most 2 15.788 20.262 At most 3 3.203 9.164 Faktor yang Mempengaruhi Harga Komoditas Pangan Utama Indonesia Setelah dilakukan uji pra estimasi dan semua model dirasa telah memenuhi persyaratan untuk dilakukan pengujian dengan metode VECM, maka untuk mengetahui faktor apa saja yang mempengaruhi perubahan harga komoditas dapat melihat hasil estimasi model dari nilai koefisiennya. Selain itu, dapat juga dilihat pengaruh apabila faktor tersebut mengalami guncangan, maka seberapa lama guncangan tersebut akan mempengaruhi perubahan harga komoditas dapat dilihat dengan hasil impulse response yang diperoleh. Hasil estimasi faktor dan dampak guncangan akan dijelaskan pada bagian di bawah ini per komoditas pangan utama yang diteliti.

40 Komoditas Beras Beras merupakan salah satu komoditas pangan utama bagi masyarakat Indonesia, dimana pemenuhan kebutuhan beras di Indonesia harus selalu terjaga dengan harga yang terjangkau dan stabil demi kesejahteraan masyarakat Indonesia. Sehingga, stabilitas harga beras menjadi penting untuk terus dijaga. Dalam rangka menjaga stabilitas harga beras domestik, maka pemerintah perlu untuk mengetahui faktor apa saja yang mampu mempengaruhi perubahan harga beras tersebut. Faktor yang signifikan mempengaruhi perubahan harga beras domestik yaitu harga beras dunia, pendapatan per kapita, dan nilai tukar rupiah terhadap dolar (Tabel 19). Harga beras dunia memiliki pengaruh signifikan positif terhadap perubahan harga beras domestik sebesar 0.86. Ketika harga beras dunia mengalami peningkatan maka harga beras domestik juga akan mengalami peningkatan. GDP per kapita merupakan faktor kedua yang dianggap mempengaruhi perubahan harga beras domestik dengan koefisien sebesar 1.31. Peningkatan GDP per kapita dianggap sebagai peningkatan standar hidup masyarakat mendorong peningkatan permintaan beras domestik yang kemudian mampu untuk memicu peningkatan harga beras domestik apabila persediaan beras domestik tidak mencukupi peningkatan permintaan ini. Faktor ketiga yang mempengaruhi perubahan harga beras domestik adalah nilai tukar rupiah terhadap US dollar dengan nilai – 2.74. Apabila nilai tukar Indonesia mengalami peningkatan atau dapat kita sebut rupiah terapresiasi, maka menyebabkan harga domestik beras Indonesia relatif lebih mahal dibandingkan dengan harga beras dunia. Hal ini kemudian dapat dijadikan alasan bagi pemerintah untuk meningkatkan impor beras Indonesia. Ketika impor berlebih dan supply domestik sangat banyak, maka akan menurunkan harga beras domestik. Tabel 19 Faktor yang Mempengaruhi Harga Beras Indonesia dari Sisi Permintaan Beras Variabel Koefisien t-stat

a

LNPworld

0.86

-9.13*

LNGDPCAP

1.31

-4.59*

LNER

-2.74

4.45*

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

Impor beras yang masih terus dilakukan hingga saat ini, dikarenakan luas lahan padi di Indonesia yang masih relatif lebih besar jika dibandingkan dengan negara pengekspor beras ke Indonesia. Tetapi, hasil panen domestik tidak mampu untuk memenuhi kebutuhan beras untuk lebih dari 240 juta lebih penduduk Indonesia. Hal ini tidak sebanding dengan kondisi negara pengekspor beras yang jumlah penduduknya masih lebih sedikit, sehingga wajar saja apabila harga beras dari negara pengekspor menjadi lebih murah karena pemenuhan domestiknya lebih sedikit jika dibandingkan dengan kebutuhan beras di Indonesia. Selain itu, besarnya perbedaan harga beras domestik dengan harga luar negeri hingga

41 mencapai Rp 1 000 per kg juga dapat dijadikan alasan bagi pengimpor beras ilegal untuk menambah impor karena untung yang besar7. Setelah mengetahui faktor yang mempengaruhi perubahan harga beras Indonesia, selanjutnya akan dilakukan suatu simulasi guncangan faktor terhadap harga beras domestik. Respon guncangan faktor yang mempengaruhi perubahan harga beras Indonesia dapat dilihat pada Gambar 11. Pengaruh peningkatan harga beras dunia pada bulan-bulan awal guncangan menyebabkan peningkatan harga beras domestik. Namun, pada bulan kelima sudah menunjukkan penurunan harga beras domestik yang signifikan. Hal ini mengindikasikan bahwa harga beras domestik sangat sensitif terhadap guncangan harga beras dunia. Dengan demikian, pemerintah akan langsung melakukan kebijakan untuk stabilisasi harga beras domestik yang ditunjukkan dengan penurunan harga beras secara signifikan. Harga beras domestik akan terus menurun dan mulai stabil pada periode 28. Response of LNPRICEDOM to Cholesky One S.D. LNGDPCAP Innovation

Response of LNPRICEDOM to Cholesky One S.D. LNPRICEWORLD Innovation .006

.004

.004

.003

.002

.002

.000

.001

-.002

.000

-.004

-.001

-.006

-.002

-.008

-.003 -.004

-.010 5

10

15

20

25

30

35

40

45

5

50

10

15

20

25

30

35

40

45

50

Response of LNPRICEDOM to Cholesky One S.D. LN_ER Innovation .028 .024 .020 .016 .012 .008 .004 .000 5

10

15

20

25

30

35

40

45

50

Gambar 11. Impulse Response Harga Beras terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan 7

Dikutip dari : http://m.merdeka.com/uang/kegemaran-impor-beras-dituding-akibat-kesalahandata-bps.html. “Kegemaran impor beras dituding akibat kesalahan data BPS”

42

Penurunan GDP per kapita menunjukkan penurunan daya beli masyarakat akan beras menyebabkan permintaan beras mengalami penurunan sehingga harga beras juga akan menurun pada periode awal guncangan. Di Indonesia, penurunan pendapatan per kapita ini sebenarnya tidak terlalu mempengaruhi permintaan masyarakat akan beras karena beras merupakan komoditas pangan yang pasti akan dibeli walaupun terjadi perubahan harga maupun pendapatan per kapita. Namun ternyata hal ini tetap saja mampu mempengaruhi perubahan harga beras yang ditunjukkan pada hasil impulse response-nya. Pengaruh guncangan pendapatan per kapita ini akan mulai stabil dampaknya pada bulan ke 42. Faktor terakhir yang berpengaruh terhadap perubahan harga beras domestik yaitu nilai tukar rupiah terhadap dolar. Peningkatan nilai tukar rupiah terhadap dolar atau apresiasi mata uang rupiah menyebabkan harga barang domestik terkesan lebih mahal bila dibandingkan harga beras dunia. Hal ini menyebabkan peningkatan impor beras domestik yang membuat persedian beras domestik meningkat dan mendorong penurunan harga beras domestik. Pada awal bulan guncangan nilai tukar ini, menyebabkan harga beras domestik mengalami peningkatan. Namun pada bulan ketujuh, harga beras domestik mulai mengalami penurunan dan stabil setelah periode 17. Hal ini dikarenakan apresiasi nilai tukar rupiah membuat harga beras mengalami kenaikan pada awalnya hingga terjadi penyesuaian harga akibat adanya aliran impor. Selanjutnya, pada Tabel 20 akan dilihat faktor dari sisi penawaran yang mempengaruhi harga beras domestik. Harga beras dunia adalah salah satu faktor yang berpengaruh signifikan terhadap perubahan harga beras domestik sebesar 0.81. Peningkatan harga beras dunia mampu untuk mendorong peningkatan harga beras domestik, dimana pemenuhan beras domestik sampai saat ini masih sangat bergantung dari impor. Variabel kedua yang mempengaruhi perubahan harga beras domestik yaitu iklim yang digambarkan dengan fenomena perubahan cuaca el nino dengan pengaruh signifikan negatif sebesar -13.52. El nino merupakan suatu fenomena naiknya suhu di Samudra Pasifik, sehingga mampu menyebabkan kekeringan yang luar biasa di Indonesia dan menunda masa tanam padi (Tjasyono 2006). Peristiwa el nino di Indonesia sangat berpengaruh terhadap perubahan cuaca ekstrim yang terjadi di Indonesia karena posisi Indonesia yang merupakan negara kepulauan. Ketika terjadi el nino, maka akan menyebabkan lahan menjadi kekeringan dan menurunkan produktivitas beras, sehingga pada akhirnya akan menyebabkan harga beras mengalami kenaikan. Tabel 20 Faktor yang Mempengaruhi Harga Beras Indonesia dari Sisi Penawaran Beras Variabel Koefisien t-stat

a

LNPworld

0.81

-2.94*

LNCLIM

-13.52

11.42*

IR

-0.01

0.14

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

43 Impulse response adanya guncangan faktor terhadap harga beras domestik dapat dilihat pada Gambar 12. Harga beras dunia merupakan salah satu faktor yang mempengaruhi harga beras domestik dimana ketika terjadi guncangan kenaikan harga beras dunia, maka akan menyebabkan peningkatan harga beras domestik juga. Pengaruh dari adanya kenaikan harga beras dunia ini menyebabkan harga beras domestik berfluktuasi dan baru mulai stabil pada bulan ke 60. Iklim yang digambarkan dengan adanya peristiwa el nino menyebabkan penurunan produksi padi yang secara signifikan mempengaruhi perubahan harga beras domestik dan menyebabkan kenaikan harga beras domestik pada bulan awal guncangan. Walaupun kenaikan harga beras domestik tidak berlangsung lama karena pada bulan 5 harga beras domestik telah mengalami penurunan dan kemudian dampak guncangan ini mulai stabil pada bulan 82. Response of LNPRICEDOM to Cholesky One S.D. LNPRICEWORLD Innovation

Response of LNPRICEDOM to Cholesky One S.D. LNCLIM Innovation

.006

.004

.005

.002 .000

.004

-.002

.003 -.004

.002 -.006

.001

-.008

.000

-.010

10

20

30

40

50

60

70

10

20

30

40

50

60

70

80

90

100

Gambar 12 Impulse Response Harga Beras terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran Komoditas Jagung Jagung merupakan salah satu tanaman pangan yang menjadi target dari perencanaan pembangunan di bidang pangan dan pertanian karena produk jagung dapat dimanfaatkan selain sebagai makanan manusia juga dapat dimanfaatkan sebagai bahan pakan ternak dan pengembangan usaha biofuel, sehingga stabilitas harga jagung menjadi penting untuk dijaga. Dalam rangka menjaga stabilitas harga jagung ini, maka perlu untuk diketahui faktor-faktor yang mempengaruhinya. Hasil analisis menyebutkan bahwa faktor yang mempengaruhi harga jagung domestik dari sisi permintaan yaitu harga jagung dunia dan nilai tukar rupiah terhadap dollar (Tabel 21). Pengaruh harga jagung dunia terhadap harga jagung domestik signifikan positif sebesar 1.03. Aldaz-Caroll (2011) menyatakan bahwa terdapat keterkaitan antara harga dunia dan harga domestik. Peningkatan secara tajam harga komoditi pertanian di pasar dunia selama periode 2004 – 2008 sepenuhnya ditransmisikan ke harga domestik di beberapa provinsi di Indonesia. Walaupun transmisi harga tidak berlangsung seketika, melainkan perlu adanya penyesuaian, dimana kecepatan penyesuaian berkisar antara tiga bulan sampai dua tahun.

44 Tabel 21 Faktor yang Mempengaruhi Harga Jagung Indonesia dari Sisi Permintaan Jagung Variabel Koefisien t-stat

a

LNPworld

1.03

8.69*

LNGDPCAP

-0.52

-1.62

LNER

-0.90

-5.40*

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

Faktor kedua yang signifikan mempengaruhi perubahan harga jagung domestik yaitu nilai tukar rupiah dengan pengaruh signifikan negatif terhadap perubahan harga domestik sebesar – 0.52. Hanani et al. (2010) menyatakan bahwa pengaruh harga jagung di Indonesia terkait dengan penggunaan input-input pertanian seperti pupuk anorganik, pestisida, dan saprodi lainnya yang digunakan dalam produksi jagung masih berbahan baku dari impor. Depresiasi nilai tukar rupiah menyebabkan harga input bahan baku pupuk menjadi semakin mahal sehingga biaya yang dikeluarkan untuk menghasilkan jagung juga mengalami peningkatan. Dengan biaya yang semakin meningkat, petani terpaksa akan menaikkan harga jagung guna menutupi pengeluaran yang meningkat. Response of LNPMAIZEDOM to Cholesky One S.D. LNER Innovation

Response of LNPMAIZEDOM to Cholesky One S.D. LNPMAIZEWORLD Innovation .000

.020

-.001 .016

-.002 .012

-.003 -.004

.008

-.005 .004

-.006 -.007

.000 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

30

35

40

45

50

Gambar 13 Impulse Response Harga Jagung terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan

Pengaruh guncangan harga jagung dunia terhadap harga jagung domestik menyebabkan kenaikan harga jagung domestik yang dapat dilihat dari impulse response-nya (Gambar 13). Semenjak bulan awal guncangan, harga jagung domestik sudah mengalami peningkatan dan dampak guncangan kenaikan harga jagung dunia baru mulai stabil pada bulan ke 42. Dampak guncangan kenaikan

45 nilai tukar rupiah menyebabkan harga barang luar negeri menjadi relatif lebih murah jika dibandingkan dengan harga domestik membuat aliran impor meningkat. Hal ini kemudian menyebabkan harga jagung domestik mengalami penurunan. Dampak apresiasi nilai tukar ini baru mulai stabil pada bulan ke 36. Tabel 22 Faktor yang Mempengaruhi Harga Jagung Indonesia dari Sisi Penawaran Jagung Variabel Koefisien t-stat

a

LNPworld

0.20

-0.17

LNCLIM

-49.06

11.15*

IR

-0.06

0.34

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

Iklim yang dijelaskan dengan peristiwa el nino dalam penelitian ini merupakan satu-satunya variabel yang memiliki pengaruh signifikan negatif terhadap harga jagung domestik dari sisi penawaran dengan pengaruh sebesar 49.06 (Tabel 22). Jagung merupakan salah satu komoditas pertanian yang membutuhkan air yang cukup banyak, terutama pada saat masa pertumbuhan awal, saat berbunga, dan saat pengisian biji8. Kekurangan air akan menyebabkan hasil menurun dan kurang baik. Peristiwa el nino yang menyebabkan kekeringan akan membuat penurunan hasil jagung dan mendorong peningkatan harganya. Response of LNPMAIZEDOM to Cholesky One S.D. LNCLIM Innovation .008 .007 .006 .005 .004 .003 .002 .001 .000 10

20

30

40

50

60

70

80

90

100

Gambar 14 Impulse Response Harga Jagung terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran

8

Dikutip dari : http://pagemenu.blogspot.com/2012/09/karakterisrik-dan-ciri-ciritanaman_29.html : “Karakteristik Tanaman Jagung”

46 Adanya peristiwa el nino yang menjadi faktor yang mempengaruhi perubahan harga jagung domestik dari sisi penawaran. El nino akan menurunkan kinerja produksi jagung domestik. Dengan penurunan produksi jagung ini, maka akan menyebabkan harga jagung mengalami peningkatan pada bulan awal guncangan dan terus berfluktuasi hingga bulan ke 90 harga jagung domestik baru mencapai stabilitasnya (Gambar 14). Dibandingkan dengan komoditas beras, dampak adanya el nino lebih dirasakan pada komoditas jagung karena dibutuhkan waktu yang lebih lama dalam penyesuaian harga agar kembali stabil. Hal ini terkait dengan kebutuhan jagung domestik yang semakin besar bukan hanya untuk konsumsi manusia, tetapi untuk pemanfaatan lainnya seperti pakan ternak dan pembuatan biofuel. Komoditas Kedelai Kedelai merupakan komoditas pangan yang terkenal sebagai bahan baku tempe dan tahu. Kedua hasil olahan ini merupakan makanan favorit bagi masyarakat Indonesia. Bungkil (sisa olahan) kedelai dapat juga dimanfaatkan untuk bahan pakan ternak. Oleh karena komoditas ini sangat bermanfaat bagi masyarakat Indonesia, maka komoditas ini ditargetkan menjadi salah satu komoditas pencapaian swasembada pangan Indonesia. Sehingga, seperti pada komoditas-komoditas sebelumnya, harga kedelai harus terus dijaga stabilitasnya. Ketiga variabel yang yang digunakan dalam penelitian ini untuk melihat faktor yang mempengaruhi dari sisi permintaan secara signifikan berpengaruh terhadap perubahan harga kedelai domestik (Tabel 23). Harga kedelai dunia berpengaruh signifikan positif terhadap perubahan harga kedelai domestik sebesar 1.01. Sama halnya yang terjadi pada komoditas jagung, peningkatan harga kedelai dunia ditransmisikan kepada harga domestik walaupun diperlukan waktu penyesuaian (Aldaz 2011). Faktor kedua yang mempengaruhi yaitu perubahan GDP per kapita Indonesia dengan pengaruh positif sebesar 0.56. Kedelai dianggap sebagai salah satu sumber protein utama bedasarkan kandungan gizi yang dimiliki menyebabkan tingginya permintaan karena semakin meningkatnya kesadaran masyarakat akan kecukupan gizi, selain itu disebabkan juga oleh peningkatan jumlah penduduk dan peningkatan pendapatan per kapita. Hal tersebut menjelaskan bahwa peningkatan permintaan yang tidak diimbangi dengan produksi dalam negeri akan mampu meningkatkan harga kedelai di Indonesia. Tabel 23 Faktor yang Mempengaruhi Harga Kedelai Indonesia dari Sisi Permintaan Kedelai Variabel Koefisien t-stat

a

LNPworld

1.01

-10.97*

LNGDPCAP

0.56

-2.66*

LNER

-0.46

3.79*

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

47 Nilai tukar rupiah memiliki pengaruh yang signifikan negatif terhadap harga kedelai domestik sebesar -0.46. Kedelai merupakan komoditas yang masih sangat tergantung dari impor dalam pemenuhannya sehingga ketika terjadi depresiasi nilai tukar rupiah seperti kejadian tahun 2013 lalu menyebabkan kerugian bagi importir kedelai domestik. Para importir membeli dengan kurs dolar, namun dijual dengan kurs rupiah sehingga harga kedelai domestik melonjak tinggi. Impulse response dari faktor yang mempengaruhi perubahan harga pada komoditas kedelai dari sisi permintaan dapat dilihat pada Gambar 15. Kenaikan harga kedelai dunia menyebabkan kenaikan harga kedelai domestik pada bulan awal guncangan dan terus meningkat hingga bulan ke 45. Setelah bulan tersebut baru mulai tercapai stabilitasnya. Pendapatan per kapita yang mengalami penurunan sebagai guncangan dari sisi permintaan akan menyebabkan permintaan kedelai mengalami penurunan. Walaupun demikian, pada bulan awal guncangan harga kedelai menurun. Adanya penurunan harga kedelai ini tidak berlangsung lama, karena pada bulan keempat, dampak penurunan pendapatan per kapita menyebabkan kenaikan harga kedelai domestik. Penurunan pendapatan per kapita malah menyebabkan permintaan produk olahan kedelai menjadi favorit dan banyak diminta, karena apabila dibandingkan dengan bahan pangan yang lain, produk olahan kedelai masih relatif lebih murah dan pada akhirnya mampu meningkatkan harga kedelai. Dampak penurunan pendapatan per kapita ini mulai stabil pada bulan ke 40. Response of LNPSOYDOM to Cholesky One S.D. LNGDPCAP Innovation

Response of LNPSOYDOM to Cholesky One S.D. LNPSOYWORLD Innovation .008

.028

.007 .024

.006 .020

.005

.016

.004 .003

.012

.002 .008

.001 .004

.000

.000

-.001 10

20

30

40

50

60

70

80

90

100

10

20

30

40

50

60

70

80

90

100

Response of LNPSOYDOM to Cholesky One S.D. LNER Innovation .024

.020

.016

.012

.008

.004

.000 10

20

30

40

50

60

70

80

90

100

Gambar 15 Impulse Response Harga Kedelai terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan

48 Faktor terakhir yang mempengaruhi perubahan harga kedelai domestik dari sisi permintaan yaitu nilai tukar rupiah terhadap dolar, dimana ketika terjadi apresiasi nilai tukar rupiah menyebabkan harga kedelai domestik relatif lebih mahal jika dibandingkan dengan kedelai dunia. Adanya kejadian ini, membuat harga kedelai mengalami peningkatan selain dikarenakan permintaan kedelai di Indonesia yang memang terus mengalami peningkatan. Banyaknya impor yang dilakukan seharusnya membuat persediaan kedelai domestik meningkat, kemudian harga kedelai domestik akan mengalami penurunan. Namun karena harga kedelai dunia yang tinggi menyebabkan harga kedelai domestik tetap mengalami peningkatan. Seperti yang kita ketahui, bahwa kebijakan impor yang dilakukan pemerintah pada tahun 2011 lalu yang bertujuan untuk menstabilkan harga kedelai tetap tidak mampu secara cepat menurunkan harga kedelai domestik, sehingga harga kedelai domestik masih tetap tinggi. Peningkatan harga kedelai domestik dirasakan semenjak bulan bulan awal guncangan dan mulai stabil setelah bulan ke 30. Tabel 24 Faktor yang Mempengaruhi Harga Kedelai Indonesia dari Sisi Penawaran Kedelai Variabel Koefisien t-stat

a

LNPworld

1.05

-1.17

LNCLIM

28.80

-10.74*

IR

-0.01

0.05

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

Faktor yang mempengaruhi perubahan harga kedelai dari sisi penawaran adalah variabel iklim (Tabel 24). Komoditas kedelai merupakan komoditas yang dapat tumbuh dengan baik pada tanah jenis apa saja, namun memiliki pengairan yang cukup baik (Nuryadi dkk 2010). Tanah yang terlalu basah atau tergenang air akan menyebabkan akar tanaman kedelai busuk. Hal ini menjelaskan pengaruh el nino terhadap produksi kedelai signifikan positif sebesar 28.80. Dengan adanya el nino membuat produksi kedelai domestik menjadi lebih baik dan mampu untuk meningkatkan ketersediaannya, sehingga akan berpengaruh positif terhadap harga kedelai domestik. Guncangan iklim pada komoditas kedelai menyebabkan harga kedelai domestik menjadi berfluktuasi. El nino menyebabkan lahan tidak terlalu banyak tergenang air, membuat proses penanaman kedelai menjadi lebih baik dan meningkatkan produksi kedelai domestik. Peningkatan produksi yang mendorong peningkatan penawaran kedelai di Indonesia, seharusnya mampu untuk membuat harga kedelai domestik lebih stabil. Namun, dengan adanya el nino ini malah menyebabkan harga kedelai berfluktuasi dan baru mulai stabil dampaknya pada bulan ke 80 (Gambar 16).

49 Response of LNPSOYDOM to Cholesky One S.D. LNCLIM Innovation .012

.008

.004

.000

-.004

-.008 25

50

75

100

125

150

175

200

Gambar 16 Impulse Response Harga Kedelai terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran Komoditas Gula Pasir Gula merupakan komoditas yang tidak hanya digunakan untuk konsumsi rumah tangga saja, namun juga digunakan dalam skala besar oleh insustri makanan, minuman, dan farmasi. Perkembangan industri-industri tersebut terus mendorong peningkatan permintaan gula di Indonesia. Pentingnya mengetahui faktor yang mempengaruhi harga gula domestik adalah untuk menjaga stabilitas harga gula dan harga-harga komoditas yang memerlukan gula sebagai bahan bakunya. Tabel 25 Faktor yang Mempengaruhi Harga Gula Pasir Indonesia dari Sisi Permintaan Gula Pasir Variabel Koefisien t-stat

a

LNPworld

-0.29

1.08

LNGDPCAP

1.72

-4.16*

LNER

-0.99

1.12

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

Komoditas gula pasir hanya memiliki satu variabel yang signifikan mempengaruhi perubahan harganya dari sisi permintaan yaitu GDP per kapita dengan nilai sebesar 1.72 (Tabel 25). Peningkatan GDP per kapita menyebabkan perubahan permintaan masyarakat akan konsumsi gula karena terjadi pergeseran preferensi konsumen yang semakin menyukai gula pasir daripada bahan subtitusinya (Dachliani 2006). Hal ini mendorong peningkatan permintaan gula domestik yang dibarengi dengan kemunduran produktivitas industri gula domestik, sehingga Indonesia yang awalnya menjadi salah satu produsen gula menjadi importir gula. Keadaan ini terus menekan terjadinya peningkatan harga gula domestik. Dampak guncangan penurunan pendapatan per kapita dapat dilihat pada hasil impulse response pada Gambar 17. Penurunan pendapatan per kapita ini

50 menunjukkan adanya penurunan permintaan gula pasir, sehingga harga gula pasir domestik mengalami penurunan. Penurunan harga gula pasir ini tidak berlangsung lama karena pada bulan ke 15 malah menyebabkan peningkatan harga gula pasir dan dampak dari guncangan ini mulai stabil pada bulan ke 50. Response of LNPSUGARDOM to Cholesky One S.D. LNGDPCAP Innovation .000

-.004

-.008

-.012

-.016

-.020 10

20

30

40

50

60

70

80

90

100

Gambar 17 Impulse Response Harga Gula Pasir terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Permintaan Tabel 26 menunjukkan pengaruh signifikan positif sebesar 0.65 dari harga gula dunia terhadap harga tebu domestik dari sisi penawaran terkait dengan ketersedian gula domestik yang semakin menurun karena terjadi penurunan produktivitas lahan tebu terutama di Pulau Jawa. Usaha perluasan lahan untuk tanaman tebu pun dilakukan hingga ke luar Pulau Jawa sebagai upaya pemenuhan kebutuhan dalam negeri (Jayanto 2002). Kebutuhan domestik akan gula yang terus mengalami peningkatan, namun produksi gula domestik masih belum mampu mencukupinya, menyebabkan impor gula tidak dapat dihindari lagi. Ketergantungan impor gula yang terus meningkat, menyebabkan ketika terjadi peningkatan harga gula dunia, maka akan meningkatkan harga gula domestik. Karakteristik tanaman tebu yang membutuhkan pengairan yang baik dalam pertumbuhannya, menyebabkan kegiatan irigrasi menjadi penting apabila terjadi defisit air. Peristiwa el nino menyebabkan penurunan produktivitas dari tanaman tebu, sehingga produksi gula akan mengalami penurunan. Hal ini yang mampu menyebabkan peningkatan harga gula dengan pengaruh sebesar -0.78. Tabel 26 Faktor yang Mempengaruhi Harga Gula Pasir Indonesia dari Sisi Penawaran Gula Pasir Variabel Koefisien t-stat

a

LNPworld

0.65

-5.12*

LNCLIM

-7.08

11.35*

IR

-0.03

1.21

Catatan : tanda asterik (*) menunjukkan bahwa variabel signifikan pada taraf nyata 5 persen

51 Impulse response untuk komoditas gula pasir domestik dari sisi penawaran dapat dilihat pada Gambar 18. Respon dari adanya guncangan harga gula pasir dunia akan menyebabkan peningkatan harga gula pasir domestik yang cukup tinggi pada bulan awal guncangan dan dampak guncangan ini mulai stabil setelah bulan ke 40. Faktor kedua yang mempengaruhi perubahan harga gula dari sisi penawaran adalah iklim. Peristiwa el nino yang dianggap sebagai guncangan iklim menyebabkan produksi gula domestik mengalami penurunan. Hal ini langsung direspon dengan peningkatan harga gula pasir di Indonesia. Fluktuasi harga gula pasir domestik terus terjadi hingga bulan ke 90 dan setelah periode tersebut harganya baru mencapai stabilitasnya. Response of LNPSUGARDOM to Cholesky One S.D. LNPSUGARWORLD Innovation

Response of LNPSUGARDOM to Cholesky One S.D. LNCLIM Innovation

.024

.008

.020 .004

.016 .000

.012 -.004

.008 -.008

.004

.000

-.012

10

20

30

40

50

60

70

80

90

100

10

20

30

40

50

60

70

80

90

100

Gambar 18 Impulse Response Harga Gula Pasir terhadap Faktor-Faktor yang Mempengaruhi dari Sisi Penawaran

5 SIMPULAN DAN SARAN Simpulan Berdasarkan hasil analisis dan pembahasan pada bagian sebelumnya maka dapat disimpulkan beberapa hal sebagai berikut : 1. Komoditas pangan utama Indonesia berdasarkan analisis yang dilakukan menunjukkan masih volatil harganya. Harga komoditas pangan yang masih volatil ini akan mempersulit pelaksanaan swasembada pangan dalam pemenuhan kebutuhan domestik komoditas pangan utama tersebut. 2. Faktor dari sisi permintaan yang dapat dilihat dari harga dunia dari komoditas tersebut, pendapatan per kapita, dan nilai tukar rupiah. Sedangkan, faktor yang mempengaruhi dari sisi penawaran dapat dilihat dari harga komoditas dunia, iklim, dan tingkat suku bunga. Faktor yang mempengaruhi perubahan harga keempat komoditas pangan yang diamati berbeda-beda,

52

3.

baik dari sisi permintaan maupun sisi penawaran. Dari sisi permintaan, perubahan harga pada komoditas beras dan kedelai dipengaruhi oleh harga komoditas dunia, pendapatan per kapita, dan nilai tukar rupiah. Untuk komoditas jagung, faktor yang mempengaruhi perubahan harganya hanya harga komoditas dunia dan nilai tukar rupiah saja. Sedangkan untuk komoditas gula pasir, hanya dipengaruhi oleh pendapatan per kapita. Dari sisi penawarannya, faktor yang mempengaruhi perubahan harga beras domestik yaitu harga beras dunia dan iklim, sama seperti pada komoditas gula pasir. Pada komoditas jagung dan kedelai hanya satu faktor yang mempengaruhi dari sisi penawarannya, yaitu iklim yang digambarkan dengan fenomena el nino. Adanya guncangan faktor yang mempengaruhi perubahan harga komoditas pangan domestik rata-rata memiliki dampak yang cukup besar dan relatif lama. Hampir semua komoditas yang disimulasikan mengalami guncangan faktor tersebut, rata-rata baru mencapai tingkat stabilitasnya setelah bulan ke 40-an, baik guncangan dari sisi permintaan maupun sisi penawarannya. Bahkan, untuk jagung dan kedelai, guncangan iklim dari sisi penawaran memiliki pengaruh yang cukup lama hingga bulan ke 90-an baru tercapai stabilitas harganya. Dampak guncangan iklim yang terjadi akan sangat panjang pengaruhnya terhadap perubahan harga yang terjadi pada komoditas pangan utama Indonesia karema sekali terkena gangguan iklim, maka hal ini dapat merusak lahan dan dibutuhkan waktu yang panjang untuk memperbaiki kerusakan yang terjadi akibat kejadian ini. Saran

Saran yang dapat diberikan dalam penelitian ini adalah perlunya perhatian pemerintah dalam mengakomodasi volatilitas harga pangan utama yang masih terjadi di Indonesia. Faktor-faktor yang mempengaruhi sebagian besar merupakan faktor eksternal yang memang diluar kontrol pemerintah. Namun, berdasarkan analisis yang telah dilakukan, nilai tukar rupiah menjadi satu-satunya variabel yang dapat dikontrol untuk memperkecil nilai volatilitas harga komoditas pangan utama di Indonesia. Sehingga, perlu bagi pemerintah untuk mempertahankan dan menjaga nilai tukar rupiah tetap stabil untuk menjaga stabilitas harga pangan domestiknya. Kebijakan stabilisasi nilai tukar rupiah di Indonesia merupakan kewenangan Bank Indonesia. Sehingga Bank Indonesia perlu untuk melakukan intervensi ketika nilai tukar bergejolak dengan melakukan penjualan dan pembelian kurs yang berada dalam devisa negara. Hal ini tentu saja perlu untuk dilakukan dalam rangka meningkatkan kesejahteraan masyarakat Indonesia dan karena dampak guncangan faktor memiliki pengaruh yang cukup lama untuk keempat komoditas tersebut. Keterbatasan penelitian ini masih belum memasukkan variabel kelembagaan, kebijakan, dan luas lahan atau produksi komoditas pangan utama. Sehingga, pada penelitian selanjutnya dapat dimasukkan variabel-variabel tersebut sebagai variabel yang dapat memperkaya penelitian mengenai volatilitas harga pangan utama Indonesia.

53

DAFTAR PUSTAKA Ahsan H, Iftikhar Z, Kemal MA. 2011. The Determinants of Food Prices : A Case Study of Pakistan.Pakistan Institute of Development. [ADB] Asian Development Bank (PH). 2008. Global Food Price Inflation and Developing Asia. Asmara A. 2011. Dampak Volatilitas Variabel Ekonomi Terhadap Kinerja Sektor Industri Pengolahan dan Makro Ekonomi Indonesia [disertasi]. Bogor (ID): Institut Pertanian Bogor. Balcombe K. 2010. The Nature and Determinants of Volatility in Agricultural Prices: An Empirical Study from 1962–2008. Munich Personal RePEc Archive. Balcombe K, Rapsomanikis G. 2008. Bayesian Estimation and Selection of NonLinier Vector Error Correction Models : The Case of The Sugar-Ethanol-Oil Nexus in Brazil. American Journal of Agricultural Economics. Bollerslev. 1986. Generalized Autoregressive Conditional Heteroscedasticity. Journal of Econometrics 31:307-327. [BPS] Badan Pusat Statistik (ID). 2013. Inflasi Indonesia Menurut Kelompok Pengeluaran. [internet]. [diunduh 2013 Mei 26]. Tersedia pada: http://www.bps.go.id/tab_sub/view.php?kat=2&tabel=1&daftar=1&id_subyek= 03¬ab=1 Brunner AD. 2000. El Nino and World Primary Commodity Prices : Warm Water or Hot Air?. IMF Working Paper. [Bulog] Badan Urusan Logistik (ID). Data Harga Pangan Indonesia Tahun 20022011. Carroll EA, Varella G, Lacovone L. 2011. Perkembangan Pemicu dan Dampak Harga Komoditas : Implikasinya terhadap Perekonomian Indonesia. [CPC] Climate Pediction Center. Data Iklim El Nino Tahun 2002-2011. Dachliani DM. 2006. Permintaan Impor Gula Indonesia Tahun 1980-2003 [tesis]. Semarang (ID): Universitas Diponegoro. [Deptan RI] Departemen Pertanian Republik Indonesia. 2012. Undang-Undang Republik Indonesia Nomor 18 Tahun 2012 Tentang Pangan. Jakarta (ID): Deptan RI. Du X, McPhail LL. 2012. Inside the Black Box : The Price Linkage Transmission between Energy and Agricultural Markets. Selected paper for presentation at the International Association of Agricultural Economists (IAAE, Triennial Conference. Enders W. 2000. Applied Economic Time Series. New York (US): John Wiley and Son Inc. [FAO] Food and Agriculture Organization. 2008. Food Outlook Global Market Analysis. [internet]. [diunduh 2013 Oktober 24]. Tersedia pada: http://www.fao.org/docrep/010/ai466e/ai466e00.HTM [FAO] Food and Agriculture Organization. 2013. Data Produksi Firdaus M.2006. Analisis Deret Waktu Satu Ragam: ARIMA SARIMA GARCH. Bogor (ID): IPB Press. Gujarati D. 2003. Basic Econometrics. New York (US): Mc Graw-Hill.

54 Hanani M, Asmara R, Fachrista IA. 2010. Pengaruh Nilai Tukar terhadap Harga Perdagangan Besar Tanaman Pangan Utama di Beberpa Propinsi Indonesia. AGRISE Vol. X No.3 Bulan Agustus 2010. Hyeon SH, Hyun HL, Cyn YP. 2012. International Transmission of Food Prices and Volatilities : A Panel Analysis. ADB Publication. Jayanto G. 2002. Identifikasi Potendi Lahan untuk Pengembangan Industri Gula di Luar Pulau Jawa. Buletin Teknik Pertanian Vo. 7 Nomor 1. Puslitanak. Jordaan H, Grové B, Jooste A, Alemu ZG. 2007. Measuring the Price Volatility of Certain Field Crops in South Africa using the ARCH/GARCH Approach. Agrekon Vol 46 No 3 September 2007. Krugman, Obstfeld. 2009. International Economics. New York (US): Pearson Education Inc. Lipsey RG. 1995. Pengantar Mikroekonomi : Edisi ke Sepuluh. Binarupa Aksara. Jakarta. Pasaribu SH. 2003. Modul Pelatihan (PAKET C) Eviews untuk Analisis Runtut Waktu (Time Series Analysis). Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. [Pink Sheet WB] Pink Sheet World Bank. Data Harga Pangan Dunia Tahun 20022011. Pratamasari KR. 2008. Analisis Volatilitas Pertumbuhan Harga Kedelai yang Dihadapi Indonesia [skripsi]. Semarang (ID): Universitas Diponegoro. Roache SK. 2010. What Explains the Rise in Food Price Volatility?. IMF Working Paper. Rusono N, Suanri A, Candradijaya A, Muharam A, Martino I, Tejaningsih, Hadi PU, Susilowati SH, Maulana M. 2013. Studi Pendahuluan Rencana Pembangunan Jangka Menengah Nasional (RPJMN) Bidang Pangan dan Pertanian 2015-2019. Bappenas. Tjasyono B. 2006. Impact of El Nino on Rice Planting in the Indonesian Monsoonal Areas the International Workshop on the Agrometeorology BMG. Jakarta. Trostle R. 2008. Global Agriculture Supply and Demand Factors Contributing to The recent increase in Food Commodity Prices. A Report from the Economic Reseacrh Service. http://ers.usda.gov/Publications/WRS0801/WRS0801.pdf [UN] United Nations. 2008. High Food Prices in Pakistan: Impact Assesment and the Way Forward. UN inter Agency Assesment Mission. Prepared for Ministry of Food Agriculture and Livestock, Government of Pakistan. Islamabad. [WB] World Bank. 2011. Boom Bust And Up Again? Evolution Drivers And Impact Of Commodity Prices: Implications For Indonesia. Poverty Reduction and Economic Management Department East Asia And Pacific Region.

55

LAMPIRAN Lampiran 1 Uji Stasioner untuk Model ARCH-GARCH Null Hypothesis: BERAS has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

1.581118 -3.481623 -2.883930 -2.578788

0.9994

t-Statistic

Prob.*

-8.913497 -3.481623 -2.883930 -2.578788

0.0000

t-Statistic

Prob.*

0.787875 -3.480818 -2.883579 -2.578601

0.9935

t-Statistic

Prob.*

-14.10984 -3.481217 -2.883753 -2.578694

0.0000

*MacKinnon (1996) one-sided p-values. Null Hypothesis: D(BERAS) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Null Hypothesis: JAGUNG has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(JAGUNG) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

56

Null Hypothesis: KEDELAI has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.572786 -3.481217 -2.883753 -2.578694

0.8716

t-Statistic

Prob.*

-6.230511 -3.481217 -2.883753 -2.578694

0.0000

t-Statistic

Prob.*

-0.235529 -3.481217 -2.883753 -2.578694

0.9297

t-Statistic

Prob.*

-7.493178 -3.481217 -2.883753 -2.578694

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(KEDELAI) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Null Hypothesis: GULA_PASIR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(GULA_PASIR) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

57 Lampiran 2 Uji Correlogram untuk Harga Komoditas Pangan Indonesia  Beras Date: 12/20/13 Time: 10:21 Sample: 2001:01 2011:12 Included observations: 131 Autocorrelation .|*** *|. **|. *|. .|* .|* .|. **|. *|. .|* .|** .|** .|* *|. *|. .|. .|. .|. .|. *|. *|. .|. .|* .|* .|* .|. *|. *|. *|. .|. .|. *|. **|. *|. .|* .|**

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

Partial Correlation .|*** ***|. *|. .|. .|. .|. *|. *|. .|. .|. .|* .|* .|. .|. .|* .|. .|. .|. .|. .|. *|. .|. .|* .|. .|. .|. .|. .|. *|. .|* *|. *|. *|. .|. .|* *|.

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

AC

PAC

0.441 -0.116 -0.307 -0.143 0.080 0.144 -0.034 -0.214 -0.134 0.086 0.303 0.337 0.131 -0.133 -0.104 -0.002 0.030 -0.005 -0.040 -0.066 -0.082 -0.013 0.140 0.204 0.118 -0.047 -0.147 -0.112 -0.107 0.002 -0.001 -0.095 -0.206 -0.096 0.204 0.270

0.441 -0.386 -0.095 0.055 0.042 0.006 -0.143 -0.104 0.065 0.062 0.188 0.165 0.032 -0.048 0.135 -0.058 -0.049 0.016 0.054 -0.007 -0.123 -0.035 0.115 0.017 0.006 -0.023 -0.054 -0.044 -0.167 0.096 -0.084 -0.105 -0.140 0.027 0.161 -0.098

Q-Stat 26.119 27.941 40.759 43.562 44.438 47.312 47.472 53.963 56.521 57.585 70.934 87.553 90.104 92.754 94.368 94.369 94.504 94.508 94.755 95.441 96.497 96.523 99.670 106.45 108.73 109.09 112.72 114.84 116.80 116.80 116.80 118.38 125.91 127.56 135.13 148.52

Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

58 

Jagung

Date: 12/20/13 Time: 11:58 Sample: 2001:01 2011:12 Included observations: 131 Autocorrelation **|. .|. .|. .|* .|. .|* *|. .|. .|. .|. .|. .|. .|. .|* .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|* .|. .|. .|. .|* .|. .|. .|. .|. *|. .|. .|.

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

Partial Correlation **|. .|. .|. .|* .|* .|* *|. .|. .|. .|. .|. .|. .|. .|* .|* .|* .|. .|. .|. .|. .|. .|. .|. .|. .|* .|. .|. .|. .|. .|. *|. *|. .|. *|. .|. .|*

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

AC

PAC

-0.217 0.067 -0.017 0.172 0.007 0.117 -0.125 0.039 0.042 0.026 -0.054 0.035 -0.019 0.112 0.037 0.052 -0.001 0.035 0.031 0.009 0.006 0.012 0.008 -0.005 0.097 -0.026 -0.013 0.042 0.086 -0.046 -0.020 -0.048 0.003 -0.127 0.069 -0.036

-0.217 0.021 0.002 0.176 0.087 0.134 -0.087 -0.054 0.022 0.005 -0.026 0.019 0.002 0.100 0.095 0.089 0.032 -0.020 -0.007 -0.043 -0.011 0.008 0.011 -0.003 0.114 0.035 -0.021 0.013 0.058 -0.051 -0.091 -0.088 -0.065 -0.177 0.024 0.077

Q-Stat 6.3140 6.9161 6.9563 11.032 11.040 12.939 15.128 15.342 15.590 15.687 16.107 16.286 16.341 18.216 18.424 18.828 18.828 19.020 19.169 19.181 19.187 19.209 19.220 19.223 20.777 20.886 20.915 21.207 22.482 22.850 22.923 23.323 23.325 26.207 27.066 27.300

Prob 0.012 0.031 0.073 0.026 0.051 0.044 0.034 0.053 0.076 0.109 0.137 0.178 0.231 0.197 0.241 0.278 0.338 0.391 0.446 0.510 0.573 0.632 0.688 0.740 0.705 0.748 0.790 0.817 0.800 0.821 0.852 0.868 0.894 0.828 0.829 0.851

59 

Kedelai

Date: 01/02/14 Time: 19:55 Sample: 2001:01 2011:12 Included observations: 131 Autocorrelation .|**** | .|** | .|* | .|. | *|. | .|. | .|. | *|. | .|. | .|. | .|* | .|. | .|. | *|. | *|. | *|. | *|. | .|. | *|. | *|. | *|. | .|. | .|. | .|. | .|. | *|. | .|. | .|. | .|. | *|. | .|. | *|. | .|. | .|. | .|. | .|. |

Partial Correlation .|**** | *|. | .|. | .|. | *|. | .|* | .|. | .|. | .|. | .|. | .|* | *|. | *|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | *|. | .|* | .|. | *|. | *|. | .|. | .|. | .|. | *|. | .|. | .|* |

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

AC

PAC

0.535 0.225 0.122 0.028 -0.098 -0.052 -0.041 -0.080 -0.052 0.001 0.101 0.051 -0.061 -0.081 -0.081 -0.109 -0.099 -0.042 -0.066 -0.077 -0.074 -0.010 0.019 -0.006 -0.050 -0.099 0.001 0.035 -0.011 -0.066 -0.043 -0.100 -0.055 -0.010 0.009 0.066

0.535 -0.085 0.052 -0.064 -0.121 0.089 -0.050 -0.050 0.028 0.012 0.146 -0.104 -0.120 0.007 -0.038 -0.015 -0.035 0.008 -0.043 -0.030 -0.053 0.040 0.014 -0.029 -0.060 -0.093 0.166 -0.018 -0.099 -0.069 0.016 -0.059 0.037 -0.067 0.033 0.121

Q-Stat 38.301 45.160 47.197 47.304 48.626 48.998 49.235 50.150 50.530 50.530 52.018 52.401 52.959 53.934 54.908 56.705 58.188 58.455 59.133 60.074 60.942 60.957 61.017 61.023 61.427 63.053 63.054 63.260 63.280 64.035 64.355 66.101 66.637 66.654 66.668 67.471

Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.001 0.001 0.001

60 

Gula Pasir

Date: 01/02/14 Time: 19:18 Sample: 2001:01 2011:12 Included observations: 131 Autocorrelation .|*** .|. .|. .|. *|. .|. .|. *|. .|. .|* .|* .|. .|. *|. *|. *|. *|. .|. .|. .|. .|. .|. .|. .|. *|. *|. *|. .|. .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

Partial Correlation .|*** *|. .|. .|. *|. .|* .|. *|. .|* .|* .|* *|. .|. *|. .|. .|. *|. .|. .|. *|. *|. .|. .|* *|. .|. .|. .|. .|. .|. *|. .|. *|. .|. .|. .|. .|.

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

AC

PAC

0.390 0.000 -0.025 -0.024 -0.121 0.012 0.066 -0.069 -0.008 0.176 0.205 -0.014 -0.062 -0.109 -0.153 -0.133 -0.100 -0.034 -0.035 -0.038 -0.058 0.001 0.049 -0.013 -0.078 -0.088 -0.095 -0.042 0.029 -0.031 -0.057 -0.054 -0.028 0.008 0.025 0.033

0.390 -0.179 0.054 -0.041 -0.121 0.139 -0.021 -0.113 0.111 0.133 0.102 -0.134 -0.010 -0.089 -0.051 -0.059 -0.129 0.067 -0.041 -0.079 -0.077 0.034 0.097 -0.070 -0.037 -0.020 -0.025 0.043 -0.063 -0.082 0.021 -0.067 -0.056 -0.013 0.010 0.044

Q-Stat 20.403 20.403 20.489 20.568 22.589 22.608 23.219 23.892 23.901 28.342 34.449 34.475 35.045 36.805 40.342 43.006 44.529 44.709 44.904 45.125 45.658 45.658 46.040 46.067 47.063 48.334 49.860 50.157 50.305 50.468 51.031 51.548 51.684 51.695 51.805 52.002

Prob 0.000 0.000 0.000 0.000 0.000 0.001 0.002 0.002 0.004 0.002 0.000 0.001 0.001 0.001 0.000 0.000 0.000 0.000 0.001 0.001 0.001 0.002 0.003 0.004 0.005 0.005 0.005 0.006 0.008 0.011 0.013 0.016 0.020 0.026 0.033 0.041

61 Lampiran 3 Model ARIMA Terbaik 

Beras

-

ARIMA (1 1 0)

Dependent Variable: D(BERAS) Method: Least Squares Date: 12/20/13 Time: 11:03 Sample (adjusted): 2001:03 2011:12 Included observations: 130 after adjustments Convergence achieved after 3 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

C AR(1)

47.03225 0.441654

17.17120 0.079322

2.739019 5.567865

0.0070 0.0000

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

0.194974 0.188685 109.3136 1529530. -793.7029 31.00112 0.000000

Inverted AR Roots

.44



Jagung

-

ARIMA (0 1 1)

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

46.89337 121.3610 12.24158 12.28570 12.25951 1.658888

Dependent Variable: D(JAGUNG) Method: Least Squares Date: 12/20/13 Time: 12:03 Sample (adjusted): 2001:02 2011:12 Included observations: 131 after adjustments Convergence achieved after 7 iterations MA Backcast: 2001:01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C MA(1)

20.49616 -0.196022

3.728846 0.086335

5.496649 -2.270487

0.0000 0.0248

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

0.042966 0.035547 52.97701 362046.8 -704.9246 5.791402 0.017522

Inverted MA Roots

.20

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

20.52913 53.94447 10.79274 10.83664 10.81058 2.031848

62 

Kedelai

-

ARIMA (1 1 0)

Dependent Variable: D(KEDELAI) Method: Least Squares Date: 01/02/14 Time: 19:57 Sample (adjusted): 2001:03 2011:12 Included observations: 130 after adjustments Convergence achieved after 3 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

C AR(1)

40.51427 0.535092

24.40120 0.074618

1.660339 7.171093

0.0993 0.0000

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

0.286608 0.281035 129.3447 2141445. -815.5767 51.42458 0.000000

Inverted AR Roots

.54



Gula Pasir

-

ARIMA (0 1 1)

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

40.71510 152.5438 12.57810 12.62222 12.59603 1.901730

Dependent Variable: D(KEDELAI) Method: Least Squares Date: 01/02/14 Time: 19:58 Sample (adjusted): 2001:02 2011:12 Included observations: 131 after adjustments Convergence achieved after 12 iterations MA Backcast: 2001:01 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C MA(1)

41.45462 0.495581

17.13779 0.076652

2.418901 6.465314

0.0170 0.0000

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

0.259918 0.254181 131.3598 2225945. -823.8833 45.30498 0.000000

Inverted MA Roots

-.50

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

41.30463 152.1057 12.60891 12.65280 12.62674 1.786677

63 Lampiran 4 Uji Efek ARCH Beras Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared -

11.77398 20.46993

Prob. F(2 126) Prob. Chi-Square(2)

0.0000 0.0000

Prob. F(1 128) Prob. Chi-Square(1)

0.0000 0.0000

Prob. F(1 128) Prob. Chi-Square(1)

0.0004 0.0005

Prob. F(1 128) Prob. Chi-Square(1)

0.0000 0.0001

Jagung

Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

-

25.87139 21.85774

Kedelai

Heteroskedasticity Test: ARCH F-statistic Obs*R-squared

-

12.97804 11.96743

Gula Pasir

Heteroskedasticity Test: ARCH F-statistic Obs*R-squared -

18.29407 16.25650

64 Lampiran 5 Uji Normalitas Model ARIMA terbaik -

Beras

28

Series: Standardized Residuals Sample 2001:03 2011:12 Observations 130

24 20 16 12 8 4

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.045459 -0.051304 3.785811 -3.524249 1.005041 0.631538 6.287559

Jarque-Bera Probability

67.18511 0.000000

0 -3

-

-2

-1

0

1

2

3

4

Jagung

50

Series: Standardized Residuals Sample 2001:02 2011:12 Observations 131

40

30

20

10

0 -4

-2

0

2

4

6

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.093799 -0.049436 5.647833 -4.838707 1.164537 0.575964 8.260251

Jarque-Bera Probability

158.2763 0.000000

65 -

Kedelai

30

Series: Standardized Residuals Sample 2001:03 2011:12 Observations 130

25 20

15 10 5

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.069927 -0.056241 6.367225 -2.111887 1.001402 2.426552 15.09711

Jarque-Bera Probability

920.2527 0.000000

0 -1.25

-

0.00

1.25

2.50

3.75

5.00

6.25

Gula Pasir

24

Series: Standardized Residuals Sample 2001:02 2011:12 Observations 131

20 16

12 8 4

0 -3

-2

-1

0

1

2

3

4

Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis

0.227011 0.062715 4.165558 -2.997593 0.976172 0.984337 5.911466

Jarque-Bera Probability

67.42304 0.000000

66 Lampiran 6 Model ARCH-GARCH Terbaik  Beras -

GARCH (3 0)

Dependent Variable: D(BERAS) Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/22/14 Time: 20:30 Sample (adjusted): 2001:03 2011:12 Included observations: 130 after adjustments Convergence achieved after 121 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-2)^2 + C(6)*RESID(-3)^2 Variable

Coefficient

Std. Error

z-Statistic

Prob.

C AR(1)

39.95165 0.531447

26.03968 0.106613

1.534261 4.984807

0.1250 0.0000

6.734923 2.420835 1.161934 2.111001

0.0000 0.0155 0.2453 0.0348

Variance Equation C RESID(-1)^2 RESID(-2)^2 RESID(-3)^2

5688.363 0.376281 0.110075 0.181881

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

0.186149 0.153332 111.6698 1546298. -787.1858 5.672408 0.000096

Inverted AR Roots

.53

844.6070 0.155434 0.094734 0.086159

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

46.89337 121.3610 12.20286 12.33521 12.25664 1.761023

67  Jagung -

GARCH (2 0)

Dependent Variable: D(JAGUNG) Method: ML - ARCH (Marquardt) - Normal distribution Date: 12/22/13 Time: 21:39 Sample (adjusted): 2001:02 2011:12 Included observations: 131 after adjustments Convergence achieved after 74 iterations MA Backcast: 2001:01 Presample variance: backcast (parameter = 0.7) GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-2)^2 Variable

Coefficient

Std. Error

z-Statistic

Prob.

C MA(1)

21.90404 -0.122496

3.608720 0.115934

6.069753 -1.056595

0.0000 0.2907

2.953831 1.388718 3.455063

0.0031 0.1649 0.0006

Variance Equation C RESID(-1)^2 RESID(-2)^2

1128.121 0.211555 0.658278

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

0.035845 0.005237 53.80302 364740.4 -695.1544 1.171109 0.326758

Inverted MA Roots

.12

381.9179 0.152338 0.190525

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

20.52913 53.94447 10.68938 10.79912 10.73397 2.185568

68  Kedelai -

GARCH (1 0)

Dependent Variable: D(KEDELAI) Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/02/14 Time: 20:13 Sample (adjusted): 2001:03 2011:12 Included observations: 130 after adjustments Convergence achieved after 74 iterations Presample variance: backcast (parameter = 0.7) GARCH = C(3) + C(4)*RESID(-1)^2 Variable

Coefficient

Std. Error

z-Statistic

Prob.

C AR(1)

21.48808 0.376567

14.82292 0.068774

1.449652 5.475452

0.1472 0.0000

18.59249 3.119320

0.0000 0.0018

Variance Equation C RESID(-1)^2

7184.159 0.462854

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

0.255299 0.237568 133.1972 2235430. -782.8110 14.39846 0.000000

Inverted AR Roots

.38

386.4012 0.148383

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

40.71510 152.5438 12.10478 12.19302 12.14064 1.577201

69 

Gula Pasir

-

GARCH (1 1)

Dependent Variable: D(GULA_PASIR) Method: ML - ARCH (Marquardt) - Normal distribution Date: 01/02/14 Time: 19:43 Sample (adjusted): 2001:02 2011:12 Included observations: 131 after adjustments Convergence achieved after 40 iterations MA Backcast: 2001:01 Presample variance: backcast (parameter = 0.7) GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1) Variable

Coefficient

Std. Error

z-Statistic

Prob.

C MA(1)

-0.949547 0.238448

5.518990 0.093977

-0.172051 2.537296

0.8634 0.0112

1.177376 5.304122 7.999268

0.2390 0.0000 0.0000

Variance Equation C RESID(-1)^2 GARCH(-1)

935.5599 1.036637 0.448397

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

0.096024 0.067327 209.5816 5534478. -847.9802 3.346065 0.012191

Inverted MA Roots

-.24

794.6141 0.195440 0.056055

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

52.70638 217.0143 13.02260 13.13234 13.06719 1.506901

70 Lampiran 7 Uji Stasioneritas untuk Model VAR-VECM -

Uji Stasioneritas Harga Beras Domestik

Null Hypothesis: LNPRICEDOM has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.175449 -3.486551 -2.886074 -2.579931

0.9373

t-Statistic

Prob.*

-8.496288 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPRICEDOM) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Harga Beras Dunia

Null Hypothesis: LNPRICEWORLD has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.442651 -3.486551 -2.886074 -2.579931

0.5591

t-Statistic

Prob.*

-6.494317 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values. Null Hypothesis: D(LNPRICEWORLD) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

71 -

Uji Stasioneritas Harga Jagung Domestik

Null Hypothesis: LNPMAIZEDOM has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-0.205393 -3.487046 -2.886290 -2.580046

0.9335

t-Statistic

Prob.*

-9.244642 -3.487046 -2.886290 -2.580046

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPMAIZEDOM) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Harga Jagung Dunia

Null Hypothesis: LNPMAIZEWORLD has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.092935 -3.486551 -2.886074 -2.579931

0.7170

t-Statistic

Prob.*

-8.688393 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPMAIZEWORLD) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

72 -

Uji Stasioneritas Harga Kedelai Domestik

Null Hypothesis: LNPSOYDOM has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.138361 -3.486551 -2.886074 -2.579931

0.6989

t-Statistic

Prob.*

-7.624232 -3.486551 -2.886074 -2.579931

0.0000

t-Statistic

Prob.*

-1.975919 -3.486551 -2.886074 -2.579931

0.2971

t-Statistic

Prob.*

-7.356343 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPSOYDOM) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Harga Kedelai Dunia

Null Hypothesis: LNPSOYWORLD has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPSOYWORLD) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -

73 -

Uji Stasioneritas Harga Gula Pasir Domestik

Null Hypothesis: LNPSUGARDOM has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.069368 -3.486551 -2.886074 -2.579931

0.7261

t-Statistic

Prob.*

-7.841616 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPSUGARDOM) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Harga Gula Pasir Dunia

Null Hypothesis: LNPSUGARWORLD has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.435068 -3.486551 -2.886074 -2.579931

0.5629

t-Statistic

Prob.*

-7.645161 -3.486551 -2.886074 -2.579931

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNPSUGARWORLD) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

74 -

Uji Stasioneritas GDP per Capita

Null Hypothesis: LNGDPCAP has a unit root Exogenous: Constant Lag Length: 6 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.825317 -3.489117 -2.887190 -2.580525

0.0579

t-Statistic

Prob.*

-4.501808 -3.489117 -2.887190 -2.580525

0.0003

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LNGDPCAP) has a unit root Exogenous: Constant Lag Length: 5 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Harga Nilai Tukar Rupiah

Null Hypothesis: LN_ER has a unit root Exogenous: Constant Lag Length: 3 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-2.853814 -3.487550 -2.886509 -2.580163

0.0541

t-Statistic

Prob.*

-8.665959 -3.487046 -2.886290 -2.580046

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(LN_ER) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

75 -

Uji Stasioneritas Suku Bunga

Null Hypothesis: IR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.645283 -3.486551 -2.886074 -2.579931

0.0062

t-Statistic

Prob.*

-16.71421 -3.486551 -2.886074 -2.579931

0.0000

t-Statistic

Prob.*

-8.416419 -3.487550 -2.886509 -2.580163

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(IR) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

-

Uji Stasioneritas Iklim

Null Hypothesis: LNCLIM has a unit root Exogenous: Constant Lag Length: 3 (Automatic based on SIC MAXLAG=12)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

76 Lampiran 8 Uji Lag Optimum dan Stabilitas Model VAR -

BERAS 1. PERMINTAAN

VAR Lag Order Selection Criteria Endogenous variables: LNPRICEDOM LNPRICEWORLD LNGDPCAP LN_ER Exogenous variables: C Date: 02/19/14 Time: 19:51 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

190.6513 851.4595 941.3083 1006.543 1050.782 1066.643 1085.219 1102.922 1112.699

NA 1262.616 165.2576 115.3261 75.04849 25.77311 28.86011* 26.23834 13.79269

4.19e-07 4.19e-12 1.12e-12 4.67e-13 2.83e-13 2.87e-13 2.77e-13 2.74e-13* 3.13e-13

-3.333059 -14.84749 -16.16622 -17.04542 -17.54969 -17.54719 -17.59320 -17.62361* -17.51249

-3.235970 -14.36204 -15.29242 -15.78326 -15.89917* -15.50832 -15.16597 -14.80803 -14.30854

-3.293667 -14.65053 -15.81169 -16.53332 -16.88002* -16.71996 -16.60840 -16.48124 -16.21255

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPRICEDOM LNPRICEWORLD LNGDPCAP LN_ER Exogenous variables: C Lag specification: 1 3 Date: 02/19/14 Time: 20:17 Root 0.998661 0.904055 - 0.037408i 0.904055 + 0.037408i 0.669642 - 0.509516i 0.669642 + 0.509516i 0.657556 - 0.183095i 0.657556 + 0.183095i 0.054967 - 0.514722i 0.054967 + 0.514722i 0.216055 - 0.459833i 0.216055 + 0.459833i 0.110850 No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.998661 0.904828 0.904828 0.841443 0.841443 0.682572 0.682572 0.517648 0.517648 0.508061 0.508061 0.110850

77 2. PENAWARAN VAR Lag Order Selection Criteria Endogenous variables: LNPRICEDOM LNPRICEWORLD LNCLIM IR Exogenous variables: C Date: 02/19/14 Time: 19:55 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

-178.5771 345.4712 456.3539 469.8986 479.6741 486.3807 492.7793 515.9071 529.5869

NA 1001.306 203.9450 23.94503 16.58343 10.89830 9.940697 34.27865* 19.29835

0.000306 3.52e-08 6.47e-09* 6.78e-09 7.61e-09 9.06e-09 1.09e-08 9.77e-09 1.04e-08

3.260305 -5.811985 -7.506320* -7.462475 -7.351323 -7.185370 -7.013917 -7.141198 -7.099767

3.357394 -5.326539 -6.632517* -6.200314 -5.700806 -5.146496 -4.586685 -4.325610 -3.895822

3.299697 -5.615024 -7.151790* -6.950376 -6.681655 -6.358134 -6.029112 -5.998824 -5.799824

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPRICEDOM LNPRICEWORLD LNCLIM IR Exogenous variables: C Lag specification: 1 1 Date: 02/19/14 Time: 20:17 Root

Modulus

0.999477 0.947372 0.863865 0.768365

0.999477 0.947372 0.863865 0.768365

No root lies outside the unit circle. VAR satisfies the stability condition.

78 -

JAGUNG

1. PERMINTAAN VAR Lag Order Selection Criteria Endogenous variables: LNPMAIZEDOM LNPMAIZEWORLD LNGDPCAP LNER Exogenous variables: C Date: 02/19/14 Time: 19:57 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

226.6610 904.2175 971.5845 1035.622 1078.396 1091.047 1115.720 1128.285 1136.167

NA 1294.617 123.9071 113.2090 72.56240 20.55833 38.33230* 18.62230 11.11951

2.20e-07 1.63e-12 6.53e-13 2.78e-13 1.73e-13 1.85e-13 1.61e-13* 1.74e-13 2.06e-13

-3.976089 -15.78960 -16.70687 -17.56468 -18.04278 -17.98298 -18.13787* -18.07652 -17.93155

-3.878999 -15.30415 -15.83306 -16.30252 -16.39226* -15.94410 -15.71063 -15.26093 -14.72761

-3.936697 -15.59264 -16.35234 -17.05258 -17.37311* -17.15574 -17.15306 -16.93414 -16.63161

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPMAIZEDOM LNPMAIZEWORLD LNGDPCAP LNER Exogenous variables: C Lag specification: 1 3 Date: 02/19/14 Time: 20:18 Root 0.998766 0.905654 - 0.099177i 0.905654 + 0.099177i 0.656138 - 0.511571i 0.656138 + 0.511571i 0.779521 0.623646 0.055266 - 0.506999i 0.055266 + 0.506999i -0.418936 0.192666 -0.100637 No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.998766 0.911069 0.911069 0.831998 0.831998 0.779521 0.623646 0.510002 0.510002 0.418936 0.192666 0.100637

79 2. PENAWARAN VAR Lag Order Selection Criteria Endogenous variables: LNPMAIZEDOM LNPMAIZEWORLD LNCLIM IR Exogenous variables: C Date: 02/19/14 Time: 19:58 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

-111.2203 360.5999 457.8870 474.4970 487.3548 494.5889 505.8297 514.6273 527.5903

NA 901.5137 178.9387 29.36413* 21.81229 11.75543 17.46335 13.03930 18.28717

9.20e-05 2.68e-08 6.29e-09 6.24e-09* 6.64e-09 7.83e-09 8.63e-09 9.99e-09 1.08e-08

2.057505 -6.082142 -7.533697 -7.544590* -7.488479 -7.331945 -7.246959 -7.118344 -7.064113

2.154595 -5.596696 -6.659894* -6.282430 -5.837961 -5.293071 -4.819728 -4.302756 -3.860168

2.096898 -5.885181 -7.179167* -7.032491 -6.818811 -6.504709 -6.262154 -5.975971 -5.764171

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPMAIZEDOM LNPMAIZEWORLD LNCLIM IR Exogenous variables: C Lag specification: 1 1 Date: 02/19/14 Time: 20:18 Root 0.991361 0.891913 - 0.027030i 0.891913 + 0.027030i 0.760620 No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.991361 0.892322 0.892322 0.760620

80 - KEDELAI 1. PERMINTAAN VAR Lag Order Selection Criteria Endogenous variables: LNPSOYDOM LNPSOYWORLD LNGDPCAP LNER Exogenous variables: C Date: 02/19/14 Time: 20:00 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

231.3727 866.6692 953.6179 1023.112 1063.178 1072.856 1096.474 1111.761 1127.244

NA 1213.870 159.9237 122.8560 67.96856 15.72617 36.69306* 22.65797 21.84162

2.03e-07 3.19e-12 9.00e-13 3.47e-13 2.27e-13 2.56e-13 2.27e-13* 2.34e-13 2.42e-13

-4.060228 -15.11909 -16.38603 -17.34129 -17.77103 -17.65814 -17.79418* -17.78145 -17.77222

-3.963138 -14.63365 -15.51223 -16.07913 -16.12052* -15.61926 -15.36695 -14.96587 -14.56827

-4.020835 -14.92213 -16.03150 -16.82919 -17.10137* -16.83090 -16.80938 -16.63908 -16.47227

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPSOYDOM LNPSOYWORLD LNGDPCAP LNER Exogenous variables: C Lag specification: 1 3 Date: 02/19/14 Time: 20:16 Root 0.976943 0.894278 - 0.099267i 0.894278 + 0.099267i 0.641988 - 0.528631i 0.641988 + 0.528631i 0.808895 0.491383 - 0.242499i 0.491383 + 0.242499i 0.058839 - 0.537583i 0.058839 + 0.537583i -0.029062 - 0.139911i -0.029062 + 0.139911i No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.976943 0.899771 0.899771 0.831625 0.831625 0.808895 0.547962 0.547962 0.540793 0.540793 0.142897 0.142897

81 2. PENAWARAN VAR Lag Order Selection Criteria Endogenous variables: LNPSOYDOM LNPSOYWORLD LNCLIM IR Exogenous variables: C Date: 02/19/14 Time: 20:01 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

-99.32844 356.3616 461.2022 477.3310 485.5023 511.2168 516.0534 528.0782 538.4378

NA 870.6935 192.8319 28.51327 13.86209 41.78604* 7.514073 17.82244 14.61437

7.44e-05 2.89e-08 5.93e-09 5.93e-09 6.86e-09 5.82e-09* 7.19e-09 7.86e-09 8.90e-09

1.845151 -6.006457 -7.592897 -7.595196 -7.455398 -7.628871* -7.429526 -7.358540 -7.257817

1.942240 -5.521011 -6.719094* -6.333036 -5.804881 -5.589997 -5.002294 -4.542951 -4.053872

1.884543 -5.809497 -7.238368* -7.083097 -6.785731 -6.801635 -6.444721 -6.216166 -5.957875

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPSOYDOM LNPSOYWORLD LNCLIM IR Exogenous variables: C Lag specification: 1 1 Date: 02/19/14 Time: 20:16 Root 0.978769 0.897278 - 0.067320i 0.897278 + 0.067320i 0.723376 No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.978769 0.899800 0.899800 0.723376

82 - GULA PASIR 1. PERMINTAAN VAR Lag Order Selection Criteria Endogenous variables: LNPSUGARDOM LNPSUGARWORLD LNGDPCAP LNER Exogenous variables: C Date: 02/19/14 Time: 20:08 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

208.9709 809.7010 889.8070 953.7827 992.5609 1003.036 1019.913 1035.441 1043.687

NA 1147.824 147.3379 113.0998 65.78447* 17.02194 26.21973 23.01521 11.63200

3.02e-07 8.83e-12 2.81e-12 1.20e-12 8.02e-13* 8.92e-13 8.90e-13 9.13e-13 1.07e-12

-3.660195 -14.10180 -15.24655 -16.10326 -16.51002* -16.41136 -16.42702 -16.41860 -16.28012

-3.563106 -13.61636 -14.37275 -14.84110 -14.85950* -14.37248 -13.99979 -13.60301 -13.07618

-3.620803 -13.90484 -14.89202 -15.59116 -15.84035* -15.58412 -15.44221 -15.27622 -14.98018

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPSUGARDOM LNPSUGARWORLD LNGDPCAP LNER Exogenous variables: C Lag specification: 1 3 Date: 02/19/14 Time: 20:14 Root 0.980192 0.886979 - 0.084640i 0.886979 + 0.084640i 0.652985 - 0.503448i 0.652985 + 0.503448i 0.801132 0.072631 - 0.528042i 0.072631 + 0.528042i 0.431450 - 0.312533i 0.431450 + 0.312533i -0.024680 - 0.173215i -0.024680 + 0.173215i No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.980192 0.891009 0.891009 0.824530 0.824530 0.801132 0.533014 0.533014 0.532753 0.532753 0.174965 0.174965

83 2. PENAWARAN VAR Lag Order Selection Criteria Endogenous variables: LNPSUGARDOM LNPSUGARWORLD LNCLIM IR Exogenous variables: C Date: 02/19/14 Time: 20:09 Sample: 2002:01 2011:12 Included observations: 112 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2 3 4 5 6 7 8

-122.1845 329.7621 430.4922 441.6902 451.0777 461.3778 469.9384 479.9544 488.8926

NA 863.5408 185.2713* 19.79648 15.92519 16.73764 13.29953 14.84526 12.60924

0.000112 4.66e-08 1.03e-08* 1.12e-08 1.27e-08 1.42e-08 1.64e-08 1.86e-08 2.16e-08

2.253294 -5.531467 -7.044503* -6.958753 -6.840673 -6.738888 -6.606042 -6.499187 -6.373083

2.350383 -5.046020 -6.170700* -5.696593 -5.190155 -4.700014 -4.178811 -3.683598 -3.169138

2.292686 -5.334506 -6.689973* -6.446655 -6.171005 -5.911652 -5.621237 -5.356813 -5.073140

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

Roots of Characteristic Polynomial Endogenous variables: LNPSUGARDOM LNPSUGARWORLD LNCLIM IR Exogenous variables: C Lag specification: 1 1 Date: 02/19/14 Time: 20:14 Root 0.993674 0.844799 - 0.152722i 0.844799 + 0.152722i 0.752683 No root lies outside the unit circle. VAR satisfies the stability condition.

Modulus 0.993674 0.858492 0.858492 0.752683

84 Lampiran 9 Hasil Uji Kointegrasi -

BERAS 1. PERMINTAAN

Date: 02/19/14 Time: 20:31 Sample: 2002:01 2011:12 Included observations: 116 Series: LNPRICEDOM LNPRICEWORLD LNGDPCAP LN_ER Lags interval: 1 to 3 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 1

None Intercept No Trend 1 1

Linear Intercept No Trend 1 1

Linear Intercept Trend 1 1

Quadratic Intercept Trend 1 1

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

0 1 2 3 4

Log Likelihood by Rank (rows) and Model (columns) 1045.917 1061.989 1066.733 1070.347 1070.349

1045.917 1067.810 1076.194 1080.805 1083.387

1052.118 1073.149 1080.635 1083.354 1083.387

1052.118 1073.627 1082.653 1087.996 1090.323

1052.889 1074.397 1083.282 1088.137 1090.323

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -17.20546 -17.34464 -17.28850 -17.21289 -17.07498

-17.20546 -17.42776 -17.41714 -17.34147 -17.23080

-17.24341 -17.46809* -17.45922 -17.36817 -17.23080

-17.24341 -17.45908 -17.45953 -17.39647 -17.28143

-17.18774 -17.42064 -17.43590 -17.38167 -17.28143

Schwarz Criteria by

85 Rank (rows) and Model (columns) -16.06604 -16.01532 -15.76928 -15.50376 -15.17595

0 1 2 3 4

-16.06604 -16.07470* -15.85045 -15.56114 -15.23682

-16.00905 -16.04382 -15.84504 -15.56409 -15.23682

-16.00905 -16.01107 -15.79788 -15.52119 -15.19250

-15.85842 -15.90142 -15.72678 -15.48265 -15.19250

Linear Intercept Trend 2 1

Quadratic Intercept Trend 2 2

2. PENAWARAN Date: 02/19/14 Time: 20:31 Sample: 2002:01 2011:12 Included observations: 118 Series: LNPRICEDOM LNPRICEWORLD LNCLIM IR Lags interval: 1 to 1 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 1

None Intercept No Trend 1 1

Linear Intercept No Trend 1 1

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

0 1 2 3 4

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

Log Likelihood by Rank (rows) and Model (columns) 420.6971 444.8557 451.8432 455.3662 455.4572

420.6971 468.4636 477.8866 482.2605 484.8020

425.1744 472.7996 481.1109 484.7907 484.8020

425.1744 472.8109 485.5512 491.9700 494.9928

426.0661 473.6394 486.2411 492.0871 494.9928

Akaike Information Criteria by Rank (rows)

86

0 1 2 3 4

and Model (columns) -6.859273 -7.133148 -7.115986 -7.040105 -6.906054

-6.859273 -7.516333 -7.523501 -7.445093 -7.335628

-6.867363 -7.538976 -7.544253 -7.471029 -7.335628

-6.867363 -7.522218 -7.585614* -7.541865 -7.440557

-6.814680 -7.485413 -7.563409 -7.526901 -7.440557

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -6.483587 -6.569618 -6.364614 -6.100890 -5.778996

-6.483587 -6.929323* -6.725169 -6.435437 -6.114648

-6.397755 -6.881525 -6.698959 -6.437892 -6.114648

-6.397755 -6.841287 -6.693360 -6.438287 -6.125655

-6.251151 -6.734041 -6.624194 -6.399842 -6.125655

-

JAGUNG 1. PERMINTAAN

Date: 02/19/14 Time: 20:32 Sample: 2002:01 2011:12 Included observations: 116 Series: LNPMAIZEDOM LNPMAIZEWORLD LNGDPCAP LNER Lags interval: 1 to 3 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 2 0

None Intercept No Trend 3 0

Linear Intercept No Trend 2 0

Linear Intercept Trend 1 0

Quadratic Intercept Trend 3 0

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

0 1

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

Log Likelihood by Rank (rows) and Model (columns) 1071.852 1081.637

1071.852 1082.766

1078.216 1088.445

1078.216 1093.242

1078.517 1093.493

87 2 3 4

1090.563 1095.852 1095.867

1091.699 1100.278 1103.692

1097.129 1103.678 1103.692

1101.929 1109.653 1111.376

1102.176 1109.847 1111.376

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -17.65262 -17.68339 -17.69937 -17.65262 -17.51495

-17.65262 -17.68563 -17.68447 -17.67721 -17.58089

-17.69338 -17.73181 -17.74360 -17.71859 -17.58089

-17.69338 -17.79727* -17.79189 -17.76989 -17.64442

-17.62960 -17.74988 -17.76165 -17.75598 -17.64442

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -16.51321* -16.35407 -16.18014 -15.94350 -15.61592

-16.51321* -16.33257 -16.11777 -15.89687 -15.58691

-16.45901 -16.30754 -16.12943 -15.91451 -15.58691

-16.45901 -16.34926 -16.13024 -15.89460 -15.55549

-16.30028 -16.23065 -16.05253 -15.85695 -15.55549

Linear Intercept Trend 1 1

Quadratic Intercept Trend 1 1

Linear Intercept Trend

Quadratic Intercept Trend

2. PENAWARAN Date: 02/19/14 Time: 20:32 Sample: 2002:01 2011:12 Included observations: 118 Series: LNPMAIZEDOM LNPMAIZEWORLD LNCLIM IR Lags interval: 1 to 1 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 2

None Intercept No Trend 1 2

Linear Intercept No Trend 1 1

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

88

-

0 1 2 3 4

Log Likelihood by Rank (rows) and Model (columns) 420.8621 446.4730 456.7263 458.2270 458.2300

420.8621 466.8659 478.7279 481.7029 483.1862

424.2573 470.1127 480.2206 483.1334 483.1862

424.2573 470.3047 480.6070 484.2013 487.0164

425.1605 471.1387 480.7489 484.3138 487.0164

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -6.862069 -7.160559 -7.198751 -7.088594 -6.953052

-6.862069 -7.489252 -7.537762* -7.435642 -7.308241

-6.851818 -7.493435 -7.529163 -7.442939 -7.308241

-6.851818 -7.479740 -7.501814 -7.410191 -7.305362

-6.799330 -7.443029 -7.470320 -7.395149 -7.305362

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -6.486383 -6.597030 -6.447379 -6.149379 -5.825993

-6.486383 -6.902243* -6.739429 -6.425985 -6.087261

-6.382210 -6.835984 -6.683869 -6.409802 -6.087261

-6.382210 -6.798809 -6.609560 -6.306613 -5.990461

-6.235801 -6.691657 -6.531105 -6.268091 -5.990461

Linear Intercept Trend 2 1

Quadratic Intercept Trend 2 2

KEDELAI 1. PERMINTAAN

Date: 02/19/14 Time: 20:33 Sample: 2002:01 2011:12 Included observations: 116 Series: LNPSOYDOM LNPSOYWORLD LNGDPCAP LNER Lags interval: 1 to 3 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 2

None Intercept No Trend 1 1

Linear Intercept No Trend 2 0

*Critical values based on MacKinnon-Haug-Michelis (1999)

89 Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

0 1 2 3 4

Log Likelihood by Rank (rows) and Model (columns) 1059.936 1074.269 1083.478 1085.490 1085.493

1059.936 1074.331 1084.557 1089.800 1091.807

1061.851 1075.533 1085.751 1090.990 1091.807

1061.851 1084.078 1096.634 1101.883 1105.926

1062.131 1084.348 1096.903 1102.056 1105.926

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -17.44717 -17.55636 -17.57720 -17.47397 -17.33609

-17.44717 -17.54019 -17.56133 -17.49655 -17.37598

-17.41122 -17.50919 -17.54743 -17.49982 -17.37598

-17.41122 -17.63928 -17.70059* -17.63592 -17.55045

-17.34708 -17.59221 -17.67074 -17.62165 -17.55045

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -16.30776* -16.22704 -16.05798 -15.76484 -15.43707

-16.30776* -16.18713 -15.99463 -15.71621 -15.38200

-16.17686 -16.08492 -15.93326 -15.69575 -15.38200

-16.17686 -16.19127 -16.03894 -15.76063 -15.46152

-16.01776 -16.07298 -15.96162 -15.72262 -15.46152

90 2. PENAWARAN Date: 02/19/14 Time: 20:33 Sample: 2002:01 2011:12 Included observations: 118 Series: LNPSOYDOM LNPSOYWORLD LNCLIM IR Lags interval: 1 to 1 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 1

None Intercept No Trend 1 1

Linear Intercept No Trend 1 1

Linear Intercept Trend 1 1

Quadratic Intercept Trend 4 1

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

0 1 2 3 4

Log Likelihood by Rank (rows) and Model (columns) 432.8117 459.4946 467.7524 469.7166 470.0008

432.8117 475.9528 484.2780 489.1281 491.0873

435.0010 478.1304 485.6536 490.3427 491.0873

435.0010 478.3840 486.6205 492.9955 497.5825

435.8158 479.1339 486.8572 493.0401 497.5825

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -7.064605 -7.381264 -7.385634 -7.283333 -7.152555

-7.064605 -7.643268* -7.631831 -7.561494 -7.442158

-7.033916 -7.629329 -7.621247 -7.565131 -7.442158

-7.033916 -7.616678 -7.603737 -7.559245 -7.484449

-6.979928 -7.578540 -7.573850 -7.543052 -7.484449

0

Schwarz Criteria by Rank (rows) and Model (columns) -6.688919

-6.688919

-6.564308

-6.564308

-6.416399

91 1 2 3 4

-

-6.817735 -6.634261 -6.344118 -6.025497

-7.056258* -6.833498 -6.551837 -6.221178

-6.971879 -6.775953 -6.531994 -6.221178

-6.935747 -6.711483 -6.455668 -6.169548

-6.827168 -6.634635 -6.415994 -6.169548

GULA PASIR 1. PERMINTAAN

Date: 02/19/14 Time: 20:33 Sample: 2002:01 2011:12 Included observations: 116 Series: LNPSUGARDOM LNPSUGARWORLD LNGDPCAP LNER Lags interval: 1 to 3 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 0 0

None Intercept No Trend 0 0

Linear Intercept No Trend 0 0

Linear Intercept Trend 0 0

Quadratic Intercept Trend 1 0

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

0 1 2 3 4

Log Likelihood by Rank (rows) and Model (columns) 990.4410 1001.700 1006.475 1010.021 1010.028

990.4410 1001.730 1009.996 1014.619 1016.547

992.9693 1004.170 1011.317 1015.868 1016.547

992.9693 1005.088 1012.347 1017.089 1021.626

993.1639 1005.231 1012.429 1017.098 1021.626

0 1

Akaike Information Criteria by Rank (rows) and Model (columns) -16.24898 -16.30518*

-16.24898 -16.28845

-16.22361 -16.27880

-16.22361 -16.27739

-16.15800 -16.22812

92 2 3 4

-16.24957 -16.17278 -16.03496

-16.27580 -16.20033 -16.07840

-16.26408 -16.20462 -16.07840

-16.24737 -16.17395 -16.09700

-16.21430 -16.15686 -16.09700

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -15.10957* -14.97586 -14.73035 -14.46365 -14.13593

-15.10957* -14.93539 -14.70910 -14.41999 -14.08442

-14.98924 -14.85453 -14.64991 -14.40055 -14.08442

-14.98924 -14.82938 -14.58572 -14.29866 -14.00807

-14.82868 -14.70890 -14.50517 -14.25784 -14.00807

Linear Intercept Trend 1 1

Quadratic Intercept Trend 2 1

2. PENAWARAN Date: 02/19/14 Time: 20:34 Sample: 2002:01 2011:12 Included observations: 118 Series: LNPSUGARDOM LNPSUGARWORLD LNCLIM IR Lags interval: 1 to 1 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None No Intercept No Trend 1 1

None Intercept No Trend 2 2

Linear Intercept No Trend 2 2

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

0 1 2 3 4

None No Intercept No Trend

None Intercept No Trend

Linear Intercept No Trend

Linear Intercept Trend

Quadratic Intercept Trend

Log Likelihood by Rank (rows) and Model (columns) 388.3554 415.9838 423.3733 425.0354 425.2042

388.3554 436.0094 447.4619 453.7545 455.3558

390.8506 438.3963 449.5773 454.7725 455.3558

390.8506 438.6434 450.3588 455.6934 459.6272

391.5483 439.2951 450.5932 455.7132 459.6272

93

0 1 2 3 4

Akaike Information Criteria by Rank (rows) and Model (columns) -6.311109 -6.643792 -6.633445 -6.526023 -6.393292

-6.311109 -6.966260 -7.007828 -6.961940 -6.836538

-6.285604 -6.955870 -7.009785* -6.962245 -6.836538

-6.285604 -6.943108 -6.989132 -6.927006 -6.841139

-6.229632 -6.903307 -6.959208 -6.910393 -6.841139

0 1 2 3 4

Schwarz Criteria by Rank (rows) and Model (columns) -5.935423 -6.080263 -5.882073 -5.586808 -5.266234

-5.935423 -6.379251* -6.209496 -5.952284 -5.615559

-5.815997 -6.298420 -6.164491 -5.929109 -5.615559

-5.815997 -6.262177 -6.096878 -5.823429 -5.526238

-5.666103 -6.151935 -6.019992 -5.783335 -5.526238

94 Lampiran 10 Model VECM Komoditas Pangan Indonesia 1. BERAS - SISI PERMINTAAN Vector Error Correction Estimates Date: 02/11/14 Time: 10:37 Sample (adjusted): 2002:05 2011:12 Included observations: 116 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPRICEDOM(-1)

1.000000

LNPRICEWORLD(-1)

-0.865082 (0.09468) [-9.13676]

LNGDPCAP(-1)

-1.311212 (0.28517) [-4.59801]

LN_ER(-1)

2.746624 (0.61590) [ 4.45952]

C

-24.30208 (4.99248) [-4.86773]

Error Correction:

D(LNPRICEDO D(LNPRICEWO M) RLD) D(LNGDPCAP)

D(LN_ER)

CointEq1

0.046387 (0.01572) [ 2.95039]

0.015151 (0.02482) [ 0.61050]

0.021191 (0.00579) [ 3.65797]

-0.059624 (0.01114) [-5.35215]

D(LNPRICEDOM(-1))

0.541312 (0.16120) [ 3.35799]

-0.025686 (0.25445) [-0.10095]

0.052508 (0.05940) [ 0.88403]

-0.004170 (0.11422) [-0.03651]

D(LNPRICEDOM(-2))

-0.053238 (0.17605) [-0.30240]

0.219151 (0.27789) [ 0.78862]

-0.119161 (0.06487) [-1.83698]

-0.090767 (0.12474) [-0.72764]

D(LNPRICEDOM(-3))

0.132826 (0.15092) [ 0.88011]

0.146898 (0.23822) [ 0.61664]

0.113185 (0.05561) [ 2.03539]

-0.122310 (0.10693) [-1.14379]

D(LNPRICEWORLD(-1))

0.076509 (0.06306) [ 1.21330]

0.527631 (0.09954) [ 5.30088]

0.016175 (0.02323) [ 0.69615]

-0.021632 (0.04468) [-0.48415]

D(LNPRICEWORLD(-2))

-0.010363 (0.07073) [-0.14653]

-0.082723 (0.11164) [-0.74097]

0.020471 (0.02606) [ 0.78553]

0.012567 (0.05011) [ 0.25078]

D(LNPRICEWORLD(-3))

0.075465 (0.06432)

-0.080401 (0.10152)

0.036219 (0.02370)

-0.139910 (0.04557)

95 [ 1.17334]

[-0.79195]

[ 1.52834]

[-3.07011]

D(LNGDPCAP(-1))

-0.057293 (0.18177) [-0.31519]

0.002615 (0.28692) [ 0.00911]

1.796324 (0.06698) [ 26.8203]

0.024578 (0.12880) [ 0.19083]

D(LNGDPCAP(-2))

0.219762 (0.26309) [ 0.83530]

0.243252 (0.41529) [ 0.58575]

-1.517614 (0.09694) [-15.6551]

-0.097926 (0.18642) [-0.52531]

D(LNGDPCAP(-3))

-0.010918 (0.15333) [-0.07121]

-0.190246 (0.24202) [-0.78606]

0.582995 (0.05650) [ 10.3193]

-0.025984 (0.10864) [-0.23918]

D(LN_ER(-1))

0.465031 (0.20790) [ 2.23681]

-0.189961 (0.32816) [-0.57886]

0.008943 (0.07660) [ 0.11674]

0.107885 (0.14731) [ 0.73238]

D(LN_ER(-2))

0.247439 (0.21463) [ 1.15289]

0.081212 (0.33878) [ 0.23972]

-0.126881 (0.07908) [-1.60443]

-0.350376 (0.15207) [-2.30399]

D(LN_ER(-3))

0.081701 (0.19882) [ 0.41092]

0.385860 (0.31384) [ 1.22948]

0.078842 (0.07326) [ 1.07620]

0.016629 (0.14088) [ 0.11804]

0.204463 0.111779 0.138795 0.036709 2.206021 225.6475 -3.666335 -3.357743 0.009686 0.038950

0.286844 0.203758 0.345817 0.057944 3.452373 172.6983 -2.753420 -2.444828 0.009697 0.064936

0.924705 0.915933 0.018843 0.013526 105.4134 341.4637 -5.663168 -5.354576 0.003587 0.046650

0.332967 0.255255 0.069681 0.026010 4.284602 265.6132 -4.355400 -4.046808 -0.000233 0.030139

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

1.91E-13 1.19E-13 1067.810 -17.42776 -16.07470

96 -

SISI PENAWARAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:03 Sample (adjusted): 2002:03 2011:12 Included observations: 118 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPRICEDOM(-1)

1.000000

LNPRICEWORLD(-1)

-0.813440 (0.27672) [-2.93955]

LNCLIM(-1)

13.52186 (1.18424) [ 11.4181]

IR(-1)

0.006467 (0.04618) [ 0.14003]

C

-36.70850 (3.80631) [-9.64412]

Error Correction:

D(LNPRICEDO D(LNPRICEWO M) RLD)

D(LNCLIM)

D(IR)

CointEq1

-0.002738 (0.00266) [-1.02879]

-0.000758 (0.00397) [-0.19076]

-0.019571 (0.00166) [-11.8097]

-0.008359 (0.09565) [-0.08739]

D(LNPRICEDOM(-1))

0.253469 (0.09236) [ 2.74426]

0.075077 (0.13788) [ 0.54450]

0.136536 (0.05752) [ 2.37388]

3.281996 (3.31979) [ 0.98862]

D(LNPRICEWORLD(-1))

0.018516 (0.05528) [ 0.33494]

0.447427 (0.08253) [ 5.42166]

-0.004546 (0.03442) [-0.13205]

-0.407605 (1.98697) [-0.20514]

D(LNCLIM(-1))

0.122338 (0.07062) [ 1.73240]

0.213994 (0.10542) [ 2.02991]

0.852410 (0.04397) [ 19.3842]

3.156144 (2.53819) [ 1.24346]

D(IR(-1))

-0.001365 (0.00232) [-0.58941]

-0.000232 (0.00346) [-0.06722]

-0.001103 (0.00144) [-0.76454]

-0.386983 (0.08325) [-4.64857]

0.054227 0.020748 0.165105 0.038224 1.619731 220.3049 -3.649236 -3.531835

0.244041 0.217282 0.367943 0.057062 9.119766 173.0255 -2.847890 -2.730488

0.805818 0.798944 0.064023 0.023803 117.2318 276.1981 -4.596578 -4.479176

0.173231 0.143965 213.2955 1.373889 5.919164 -202.3624 3.514617 3.632019

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

97 Mean dependent S.D. dependent

0.009698 0.038627

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

0.009307 0.064498

-0.002354 0.053085

-0.096525 1.484930

4.98E-09 4.19E-09 468.4636 -7.516333 -6.929323

2. JAGUNG -

SISI PERMINTAAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:18 Sample (adjusted): 2002:05 2011:12 Included observations: 116 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPMAIZEDOM(-1)

1.000000

LNPMAIZEWORLD(-1)

-1.030556 (0.11847) [-8.69864]

LNGDPCAP(-1)

0.528465 (0.32479) [ 1.62709]

LNER(-1)

0.908456 (0.16816) [ 5.40227]

Error Correction:

D(LNPMAIZED D(LNPMAIZEW OM) ORLD) D(LNGDPCAP)

D(LNER)

CointEq1

0.001767 (0.01963) [ 0.09002]

0.086371 (0.03611) [ 2.39192]

-0.013316 (0.00814) [-1.63637]

-0.022114 (0.01681) [-1.31588]

D(LNPMAIZEDOM(-1))

0.034740 (0.21207) [ 0.16381]

-0.413001 (0.39015) [-1.05858]

-0.024731 (0.08792) [-0.28129]

0.038267 (0.18158) [ 0.21075]

D(LNPMAIZEDOM(-2))

0.097398 (0.20637) [ 0.47196]

0.358992 (0.37965) [ 0.94558]

-0.011360 (0.08556) [-0.13278]

0.048975 (0.17669) [ 0.27718]

D(LNPMAIZEDOM(-3))

0.061771 (0.20566) [ 0.30036]

0.298356 (0.37834) [ 0.78859]

-0.004307 (0.08526) [-0.05052]

-0.010471 (0.17608) [-0.05946]

D(LNPMAIZEWORLD(-1))

0.041453

0.189183

-0.001377

-0.037101

98 (0.05383) [ 0.77011]

(0.09902) [ 1.91047]

(0.02232) [-0.06169]

(0.04609) [-0.80503]

D(LNPMAIZEWORLD(-2))

0.007170 (0.05461) [ 0.13129]

0.193402 (0.10047) [ 1.92502]

-0.043725 (0.02264) [-1.93124]

0.024448 (0.04676) [ 0.52287]

D(LNPMAIZEWORLD(-3))

0.098320 (0.05468) [ 1.79818]

0.237865 (0.10059) [ 2.36472]

-0.036106 (0.02267) [-1.59278]

-0.089206 (0.04681) [-1.90551]

D(LNGDPCAP(-1))

0.174320 (0.17029) [ 1.02365]

0.504726 (0.31328) [ 1.61109]

1.771943 (0.07060) [ 25.0982]

-0.059684 (0.14580) [-0.40935]

D(LNGDPCAP(-2))

-0.328158 (0.24620) [-1.33290]

-0.794983 (0.45292) [-1.75522]

-1.483686 (0.10207) [-14.5360]

0.142041 (0.21079) [ 0.67384]

D(LNGDPCAP(-3))

0.206128 (0.14381) [ 1.43331]

0.446926 (0.26457) [ 1.68927]

0.548055 (0.05962) [ 9.19213]

-0.094437 (0.12313) [-0.76696]

D(LNER(-1))

-0.197646 (0.24047) [-0.82191]

-0.871046 (0.44239) [-1.96896]

-0.117429 (0.09970) [-1.17788]

0.222737 (0.20589) [ 1.08183]

D(LNER(-2))

0.476334 (0.24017) [ 1.98335]

0.682831 (0.44183) [ 1.54547]

-0.049737 (0.09957) [-0.49952]

-0.194082 (0.20563) [-0.94384]

D(LNER(-3))

-0.048792 (0.24613) [-0.19823]

0.596846 (0.45281) [ 1.31810]

-0.109330 (0.10204) [-1.07141]

0.154323 (0.21074) [ 0.73230]

0.134345 0.033492 0.120502 0.034204 1.332090 233.8447 -3.807667 -3.499075 0.007625 0.034792

0.204826 0.112185 0.407826 0.062924 2.210952 163.1324 -2.588490 -2.279898 0.009380 0.066782

0.917240 0.907598 0.020712 0.014180 95.13016 335.9806 -5.568631 -5.260039 0.003587 0.046650

0.154388 0.055871 0.088336 0.029285 1.567111 251.8543 -4.118178 -3.809586 -0.000233 0.030139

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

1.50E-13 9.35E-14 1081.637 -17.68339 -16.35407

99 -

SISI PENAWARAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:21 Sample (adjusted): 2002:03 2011:12 Included observations: 118 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPMAIZEDOM(-1)

1.000000

LNPMAIZEWORLD(-1)

-0.203366 (1.22835) [-0.16556]

LNCLIM(-1)

49.05855 (4.39976) [ 11.1503]

IR(-1)

0.060341 (0.17735) [ 0.34024]

C

-151.0159 (14.5057) [-10.4108]

Error Correction:

D(LNPMAIZED D(LNPMAIZEW OM) ORLD)

D(LNCLIM)

D(IR)

CointEq1

0.000732 (0.00068) [ 1.07758]

-0.001110 (0.00125) [-0.89098]

-0.005359 (0.00046) [-11.5252]

-0.001515 (0.02639) [-0.05741]

D(LNPMAIZEDOM(-1))

0.145345 (0.09879) [ 1.47120]

0.331041 (0.18120) [ 1.82697]

0.125879 (0.06765) [ 1.86074]

1.766763 (3.84045) [ 0.46004]

D(LNPMAIZEWORLD(-1))

0.003700 (0.05279) [ 0.07009]

0.144419 (0.09682) [ 1.49169]

0.009327 (0.03615) [ 0.25804]

-1.857562 (2.05200) [-0.90524]

D(LNCLIM(-1))

0.081180 (0.06390) [ 1.27049]

0.127029 (0.11719) [ 1.08393]

0.867633 (0.04375) [ 19.8296]

4.040636 (2.48390) [ 1.62673]

D(IR(-1))

-0.001386 (0.00216) [-0.64268]

-0.004797 (0.00396) [-1.21263]

-0.000996 (0.00148) [-0.67431]

-0.394762 (0.08384) [-4.70867]

0.010713 -0.024306 0.141346 0.035367 0.305908 229.4718 -3.804606 -3.687205

0.076334 0.043637 0.475473 0.064867 2.334637 157.8989 -2.591506 -2.474104

0.798980 0.791864 0.066277 0.024218 112.2830 274.1562 -4.561969 -4.444567

0.172072 0.142764 213.5947 1.374852 5.871304 -202.4451 3.516018 3.633420

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

100 Mean dependent S.D. dependent

0.008312 0.034945

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

0.008869 0.066330

-0.002354 0.053085

-0.096525 1.484930

5.11E-09 4.30E-09 466.8659 -7.489252 -6.902243

3. KEDELAI -

SISI PERMINTAAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:39 Sample (adjusted): 2002:05 2011:12 Included observations: 116 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPSOYDOM(-1)

1.000000

LNPSOYWORLD(-1)

-1.009975 (0.09205) [-10.9718]

LNGDPCAP(-1)

-0.568685 (0.21376) [-2.66033]

LNER(-1)

0.460409 (0.12129) [ 3.79580]

Error Correction:

D(LNPSOYDO D(LNPSOYWO M) RLD) D(LNGDPCAP)

D(LNER)

CointEq1

0.022632 (0.02417) [ 0.93648]

0.058436 (0.03786) [ 1.54343]

0.010676 (0.00972) [ 1.09814]

-0.065773 (0.01816) [-3.62228]

D(LNPSOYDOM(-1))

0.731305 (0.16443) [ 4.44752]

-0.131383 (0.25760) [-0.51003]

0.056242 (0.06614) [ 0.85030]

-0.188474 (0.12354) [-1.52557]

D(LNPSOYDOM(-2))

-0.282611 (0.18557) [-1.52290]

0.256216 (0.29073) [ 0.88130]

0.028540 (0.07465) [ 0.38232]

0.118442 (0.13943) [ 0.84947]

D(LNPSOYDOM(-3))

0.243370 (0.16049) [ 1.51645]

0.158855 (0.25142) [ 0.63183]

0.028886 (0.06456) [ 0.44745]

-0.214987 (0.12058) [-1.78294]

D(LNPSOYWORLD(-1))

0.222150 (0.06491) [ 3.42256]

0.387344 (0.10169) [ 3.80925]

0.013886 (0.02611) [ 0.53184]

-0.208613 (0.04877) [-4.27769]

101 D(LNPSOYWORLD(-2))

-0.098564 (0.07271) [-1.35560]

0.151881 (0.11391) [ 1.33337]

-0.018348 (0.02925) [-0.62734]

0.042856 (0.05463) [ 0.78449]

D(LNPSOYWORLD(-3))

0.118587 (0.06664) [ 1.77958]

0.029750 (0.10440) [ 0.28497]

-0.025893 (0.02681) [-0.96595]

-0.102812 (0.05007) [-2.05346]

D(LNGDPCAP(-1))

0.048997 (0.17395) [ 0.28167]

0.047762 (0.27251) [ 0.17526]

1.773266 (0.06997) [ 25.3423]

0.024604 (0.13070) [ 0.18826]

D(LNGDPCAP(-2))

-0.101021 (0.24923) [-0.40533]

-0.109354 (0.39045) [-0.28007]

-1.506333 (0.10025) [-15.0250]

-0.003944 (0.18726) [-0.02106]

D(LNGDPCAP(-3))

0.080734 (0.14689) [ 0.54964]

0.134530 (0.23012) [ 0.58462]

0.561009 (0.05909) [ 9.49476]

-0.036279 (0.11036) [-0.32872]

D(LNER(-1))

0.561227 (0.21762) [ 2.57890]

-0.386095 (0.34093) [-1.13247]

-0.015784 (0.08754) [-0.18031]

-0.129998 (0.16351) [-0.79505]

D(LNER(-2))

0.160943 (0.22324) [ 0.72095]

0.634150 (0.34973) [ 1.81325]

0.009274 (0.08980) [ 0.10327]

-0.302598 (0.16773) [-1.80410]

D(LNER(-3))

0.186690 (0.21364) [ 0.87387]

0.524910 (0.33469) [ 1.56836]

-0.055808 (0.08594) [-0.64941]

-0.061820 (0.16051) [-0.38514]

0.300059 0.218512 0.129072 0.035400 3.679602 229.8596 -3.738958 -3.430366 0.007516 0.040044

0.238831 0.150151 0.316782 0.055458 2.693176 177.7848 -2.841118 -2.532526 0.007657 0.060158

0.916546 0.906824 0.020885 0.014240 94.26827 335.4966 -5.560286 -5.251694 0.003587 0.046650

0.302508 0.221247 0.072863 0.026597 3.722659 263.0233 -4.310747 -4.002155 -0.000233 0.030139

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

1.71E-13 1.06E-13 1074.269 -17.55636 -16.22704

102 -

SISI PENAWARAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:41 Sample (adjusted): 2002:03 2011:12 Included observations: 118 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPSOYDOM(-1)

1.000000

LNPSOYWORLD(-1)

-1.054241 (0.90107) [-1.16998]

LNCLIM(-1)

-28.80295 (2.68108) [-10.7431]

IR(-1)

0.005861 (0.11404) [ 0.05139]

C

96.49728 (9.55555) [ 10.0986]

Error Correction:

D(LNPSOYDO D(LNPSOYWO M) RLD)

D(LNCLIM)

D(IR)

CointEq1

-0.000549 (0.00123) [-0.44589]

0.002452 (0.00186) [ 1.31752]

0.009097 (0.00083) [ 11.0258]

-0.001851 (0.04579) [-0.04043]

D(LNPSOYDOM(-1))

0.263206 (0.09072) [ 2.90145]

0.276308 (0.13706) [ 2.01595]

0.031228 (0.06076) [ 0.51392]

2.959705 (3.37241) [ 0.87762]

D(LNPSOYWORLD(-1))

0.109025 (0.05920) [ 1.84153]

0.315841 (0.08945) [ 3.53095]

0.008784 (0.03966) [ 0.22151]

-3.512457 (2.20092) [-1.59591]

D(LNCLIM(-1))

0.174952 (0.06650) [ 2.63074]

0.055571 (0.10048) [ 0.55306]

0.874932 (0.04455) [ 19.6412]

3.845990 (2.47230) [ 1.55564]

D(IR(-1))

-0.000822 (0.00223) [-0.36811]

-0.003642 (0.00337) [-1.07957]

-0.000908 (0.00150) [-0.60733]

-0.400769 (0.08301) [-4.82795]

0.185524 0.156693 0.151900 0.036664 6.434869 225.2232 -3.732597 -3.615195

0.167508 0.138039 0.346754 0.055395 5.684265 176.5250 -2.907203 -2.789801

0.793289 0.785972 0.068153 0.024559 108.4145 272.5093 -4.534056 -4.416654

0.186276 0.157472 209.9300 1.363007 6.466952 -201.4240 3.498712 3.616114

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

103 Mean dependent S.D. dependent

0.008060 0.039925

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

0.007882 0.059666

-0.002354 0.053085

4.38E-09 3.69E-09 475.9528 -7.643268 -7.056258

4. GULA PASIR -

SISI PERMINTAAN

Vector Error Correction Estimates Date: 02/11/14 Time: 11:50 Sample (adjusted): 2002:05 2011:12 Included observations: 116 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPSUGARDOM(-1)

1.000000

LNPSUGARWORLD(-1)

1.131551 (0.88714) [ 1.27550]

LNGDPCAP(-1)

-13.69510 (2.93857) [-4.66046]

C

-54.54854 (12.3015) [-4.43431]

Error Correction:

D(LNPSUGARD D(LNPSUGAR OM) WORLD) D(LNGDPCAP)

CointEq1

0.002678 (0.00223) [ 1.19978]

0.000806 (0.00420) [ 0.19205]

0.003073 (0.00072) [ 4.25799]

D(LNPSUGARDOM(-1))

0.239547 (0.09794) [ 2.44592]

0.102853 (0.18410) [ 0.55869]

0.027845 (0.03167) [ 0.87915]

D(LNPSUGARDOM(-2))

-0.084499 (0.10041) [-0.84156]

-0.163208 (0.18874) [-0.86472]

-0.055785 (0.03247) [-1.71796]

D(LNPSUGARDOM(-3))

0.067037 (0.09317) [ 0.71953]

0.099171 (0.17513) [ 0.56627]

0.030820 (0.03013) [ 1.02290]

D(LNPSUGARWORLD(-1))

0.153281

0.408202

-0.006332

-0.096525 1.484930

104 (0.05209) [ 2.94282]

(0.09791) [ 4.16924]

(0.01684) [-0.37592]

D(LNPSUGARWORLD(-2))

0.024539 (0.05627) [ 0.43611]

-0.147460 (0.10577) [-1.39416]

0.015811 (0.01820) [ 0.86889]

D(LNPSUGARWORLD(-3))

0.009980 (0.05292) [ 0.18858]

0.070164 (0.09947) [ 0.70535]

-0.000396 (0.01711) [-0.02312]

D(LNGDPCAP(-1))

0.005939 (0.19823) [ 0.02996]

-0.193643 (0.37262) [-0.51968]

1.784891 (0.06411) [ 27.8420]

D(LNGDPCAP(-2))

0.098675 (0.29163) [ 0.33836]

0.236033 (0.54818) [ 0.43057]

-1.497408 (0.09431) [-15.8772]

D(LNGDPCAP(-3))

0.010753 (0.16917) [ 0.06356]

-0.294369 (0.31799) [-0.92572]

0.582740 (0.05471) [ 10.6517]

0.191746 0.123120 0.178207 0.041002 2.794095 211.1504 -3.468111 -3.230732 0.009353 0.043786

0.177471 0.107634 0.629671 0.077073 2.541204 137.9397 -2.205858 -1.968479 0.010406 0.081589

0.925526 0.919203 0.018638 0.013260 146.3686 342.0994 -5.725851 -5.488473 0.003587 0.046650

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

1.70E-09 1.30E-09 693.1145 -11.36404 -10.55696

105 -

SISI PENAWARAN

Vector Error Correction Estimates Date: 02/18/14 Time: 10:16 Sample (adjusted): 2002:05 2011:12 Included observations: 116 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNPSUGARDOM(-1)

1.000000

LNPSUGARWORLD(-1)

0.298448

(0.27673) [ 1.07849] LNER(-1)

0.989300 (0.88546) [ 1.11728]

LNGDPCAP(-1)

-1.717226 (0.41257) [-4.16226]

@TREND(02:01)

-0.011337

C

-15.37875

Error Correction:

D(LNPSUGARD D(LNPSUGAR OM) WORLD)

D(LNER)

D(LNGDPCAP)

CointEq1

0.033801 (0.01657) [ 2.04032]

-0.024745 (0.03234) [-0.76517]

-0.035259 (0.01166) [-3.02347]

0.021094 (0.00564) [ 3.74123]

D(LNPSUGARDOM(-1))

0.394583 (0.13890) [ 2.84070]

0.088812 (0.27115) [ 0.32754]

-0.043979 (0.09778) [-0.44978]

0.033079 (0.04728) [ 0.69971]

D(LNPSUGARDOM(-2))

-0.029656 (0.14486) [-0.20472]

-0.299664 (0.28277) [-1.05974]

-0.132019 (0.10197) [-1.29467]

-0.115471 (0.04930) [-2.34211]

D(LNPSUGARDOM(-3))

0.126089 (0.13453) [ 0.93724]

0.013436 (0.26262) [ 0.05116]

-0.013383 (0.09470) [-0.14132]

0.040611 (0.04579) [ 0.88694]

D(LNPSUGARWORLD(-1))

0.145890 (0.05123) [ 2.84767]

0.392528 (0.10001) [ 3.92501]

-0.042950 (0.03606) [-1.19096]

-0.003898 (0.01744) [-0.22356]

D(LNPSUGARWORLD(-2))

0.019769 (0.05471) [ 0.36131]

-0.144160 (0.10681) [-1.34974]

0.005118 (0.03852) [ 0.13289]

0.017914 (0.01862) [ 0.96197]

D(LNPSUGARWORLD(-3))

-0.020080 (0.05220) [-0.38465]

0.086128 (0.10191) [ 0.84518]

0.065377 (0.03675) [ 1.77905]

0.002307 (0.01777) [ 0.12986]

106 D(LNER(-1))

0.471197 (0.19069) [ 2.47096]

-0.160611 (0.37225) [-0.43146]

0.036158 (0.13424) [ 0.26936]

0.011587 (0.06490) [ 0.17853]

D(LNER(-2))

0.206734 (0.18944) [ 1.09127]

-0.320951 (0.36981) [-0.86789]

-0.426667 (0.13336) [-3.19946]

-0.090498 (0.06448) [-1.40358]

D(LNER(-3))

0.244739 (0.19482) [ 1.25624]

-0.193049 (0.38030) [-0.50762]

0.113609 (0.13714) [ 0.82842]

0.037559 (0.06631) [ 0.56645]

D(LNGDPCAP(-1))

0.159592 (0.20331) [ 0.78495]

-0.317611 (0.39688) [-0.80026]

-0.043220 (0.14312) [-0.30198]

1.786685 (0.06920) [ 25.8200]

D(LNGDPCAP(-2))

-0.071399 (0.29331) [-0.24342]

0.344017 (0.57256) [ 0.60084]

0.062745 (0.20647) [ 0.30389]

-1.506898 (0.09983) [-15.0949]

D(LNGDPCAP(-3))

0.106908 (0.17405) [ 0.61424]

-0.415957 (0.33976) [-1.22427]

-0.085840 (0.12252) [-0.70062]

0.584090 (0.05924) [ 9.86005]

C

0.002094 (0.00826) [ 0.25356]

0.016680 (0.01612) [ 1.03456]

0.003623 (0.00581) [ 0.62324]

-0.000216 (0.00281) [-0.07696]

@TREND(02:01)

9.12E-06 (0.00011) [ 0.08027]

-8.88E-05 (0.00022) [-0.40014]

-3.33E-05 (8.0E-05) [-0.41647]

6.59E-06 (3.9E-05) [ 0.17047]

0.275694 0.175295 0.159697 0.039764 2.745991 217.5109 -3.491567 -3.135499 0.009353 0.043786

0.205076 0.094888 0.608539 0.077622 1.861150 139.9197 -2.153787 -1.797720 0.010406 0.081589

0.242474 0.137471 0.079135 0.027991 2.309198 258.2345 -4.193698 -3.837630 -0.000233 0.030139

0.926082 0.915836 0.018499 0.013534 90.38373 342.5337 -5.647132 -5.291064 0.003587 0.046650

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

6.08E-13 3.49E-13 1005.231 -16.22812 -14.70890

107

RIWAYAT HIDUP

Penulis bernama Sri Retno Wahyu Nugraheni lahir pada tanggal 16 Mei 1989 di Banyumas, Jawa Tengah. Penulis merupakan anak terakhir dari 3 bersaudara dari pasangan bapak Soemitro (Alm) dan ibu Siti Sangadah (Almh). Penulis mengawali pendidikan di SD Negeri 3 Somagede, Banyumas pada tahun 1995 sampai tahun 2001. Kemudian, penulis melanjutkan ke jengjang pendidikan SMP di SMP negeri 1 Susukan, Banjarnegara pada tahun 2001 sampai tahun 2004. Pada tahun 2004 sampai tahun 2007 penulis meneruskan pendidikan di SMA N Banyumas. Pada tahun 2007 penulis melanjutkan studinya di Institut Pertanian Bogor (IPB) dengan jurusan Ekonomi dan Studi Pembangunan Departemen Ilmu Ekonomi FEM IPB melalui jalur Seleksi Penerimaan Mahasiswa baru (SPMB). IPB menjadi pilihan penulis dalam melanjutkan studi dengan harapan besar agar dapat menggali ilmu dan mengembangkan pola pikir guna menjadi sumberdaya yang berguna serta mampu meraih impian di masa depan. Setelah lulus jenjang pendidikan sarjana pada tahun 2011, penulis langsung melanjutkan studinya pada jurusan yang sama, yaitu Ilmu Ekonomi. Selama menyelesaikan akademiknya penulis bekerja di Departemen Ilmu Ekonomi sebagai Asisten Dosen. Selain itu, penulis juga terlibat dalam beberapa kegiatan penelitian dengan dosen Departemen Ilmu Ekonomi. Dengan harapan tinggi, penulis melanjutkan studi hingga jenjang S2 untuk dapat mencapai cita-cita penulis dan orang tua untuk dapat mengajar serta terus membagi ilmu yang penulis miliki.