VI. ANALISIS BANJIR IMPOR KOMODITAS BERAS, JAGUNG, DAN KEDELE INDONESIA, SERTA
FAKTOR-FAKTOR YANG MEMPENGARUHINYA
6.1. Hasil Analisis Proses Penyiapan Data
6.1.1. Uji Stasioneritas Data
Hasil uji stasioneritas data dengan menggunakan ADF test berdasarkan Schwarz Information Criterion
SC pada maximum lag 13, disajikan pada Tabel 33. Dalam uji ini, jika nilai t-ADF lebih kecil daripada nilai kritis MacKinnon
1996 maka dapat disimpulkan data yang gunakan tidak mengandung akar unit stasioner. Pengujian kestasioneran data dilakukan pada tingkat level baik
menggunakan intercept, intercept and trend maupun tanpa intercept dan tanpa intercept and trend
none pada taraf nyata 1 persen, 5 persen dan 10 persen. Berdasarkan hasil pengujian tersebut dapat disimpulkan bahwa data untuk
masing-masing komoditas stasioner di tingkat level karena nilai t-ADF banyak variabel lebih besar daripada nilai kritis Mackinnon. Hal ini berarti bahwa data
yang digunakan pada penelitian ini terintegrasi pada ordo 0 atau dapat disingkat menjadi I0.
6.1.2. Penentuan Selang Optimal
Penggunaan selang lag optimal sangat penting dalam pendekatan VAR karena lag dari variabel endogen dalam sistem persamaan akan digunakan sebagai
variabel eksogen. Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR. Sehingga dengan
digunakannya lag optimal diharapkan tidak lagi muncul masalah autokorelasi.
Tabel 33. Hasil Analisis Uji Stasioneritas Data Komoditas Beras, Jagung, dan Kedele Indonesia, Periode September 1994
– Oktober 2009
Variabel
1
Level Komoditas
Constant Constant,
Linear and Trend None
Beras PW
-2.4757 -3.3981
0.7410 TM1
-3.1453 -6.6386
-0.5294 PM
-2.5895 -3.4134
0.4135 QM
-5.4983 -6.0150
-0.6231 TM2
-2.6279 -2.8712
0.0499 PC
-3.5218 -3.5860
0.2353 QC
-0.2596 -6.8900
3.3186 TM3
-2.6413 -2.5865
0.3336 PF
-3.4572 -3.6078
0.2581 QF
-3.5610 -4.2165
0.4193 Jagung
PW -2.5906
-3.0334 0.6407
TM1 -3.2593
-3.9934 -0.0202
PM -3.4452
-4.6217 0.2910
QM -5.9825
-6.2165 -0.5102
TM2 -4.9466
-5.0991 0.1488
PC -2.6777
-2.6910 0.5022
QC -0.7340
-3.9591 3.6010
TM3 -4.1558
-4.1432 -0.0313
PF -3.2060
-3.5976 0.3084
QF -1.8336
-12.4816 1.4943
Kedele PW
-2.3875 -3.3013
0.8081 TM1
-4.3943 -4.4521
-0.0194 PM
-2.8109 -3.0811
0.3767 QM
-2.8754 -3.4476
-0.2255 TM2
-3.4624 -3.5063
-0.2071 PC
-2.9034 -2.7825
0.4620 QC
-1.2276 -4.9005
5.2505 TM3
-3.0468 -3.0290
-0.0887 PF
-2.7621 -2.3883
0.6905 QF
-2.9790 -4.8885
-0.4516
Keterangan : Stasioner pada MacKinnon 1996 one-sided p-values test with critical values level
1 percent, 5 percent and 10 percent
1
PW = Harga Dunia; TM1 = Tarif Impor; PM = Harga Impor; QM = Volume Impor; TM2 = Marjin Perdagangan Importir dan Konsumen; PC = Harga
Konsumen; QC = Volume Konsumsi; TM3 = Marjin Perdagangan Konsumen dan Produsen; PF = Harga Produsen dan QF = Volume Produksi
Sumber : Lampiran 1 hingga Lampiran 3
Adapun kriteria penentuan lag optimal ditentukan berdasarkan lag terpendek dan standar terkecil berdasarkan kriteria
SC. Hasil pengujian penentuan lag optimal disajikan pada Tabel 34. Berdasarkan hasil tersebut
diperoleh kesimpulan bahwa data penelitian optimal pada lag 1, oleh karena itu digunakan lag 1 pada analisis selanjutnya.
Tabel 34. Hasil Analisis Penentuan Lag Optimal Data Komoditas Beras, Jagung, dan Kedele Indonesia, Periode September 1994
– Oktober 2009
Lag Schwarz Information Criterion
Beras Jagung
Kedele -2.2398
-3.1239 1.3129
1 -11.5901
-16.8396 -12.8471
2 -10.5399
-16.0550 -12.8028
3 -8.5661
-14.4436 -11.4842
4 -6.4671
-12.7338 -9.4918
5 -4.4454
-10.7136 -7.4169
6 -2.6395
-9.1704 -5.2964
7 -1.0977
-7.5626 -3.5187
8 0.3138
-6.2134 -2.0906
9 1.9527
-4.6794 -1.3550
10 3.3221
-3.4933 11
4.4912 -2.7119
12 5.8410
13 5.3198
Keterangan : indicates lag order selected by the criterion Schwarz Information Criterion Sumber : Lampiran 4 hingga Lampiran 6
6.1.3. Pengujian Stabilitas Vector Auto Regression
Stabilitas VAR perlu diuji karena jika hasil estimasi SVAR tidak stabil akan menyebabkan analisis IRF dan DFEV menjadi tidak valid. Untuk menguji
stabil atau tidaknya estimasi SVAR yang telah dibentuk, maka dilakukan VAR Stability Condition Check
berupa Roots of Characteristic Polynomial. Berdasarkan hasil pengujian tersebut, suatu sistem VAR dikatakan stabil jika
seluruh akar atau roots-nya memiliki modulus lebih kecil dari satu. Berdasarkan uji stabilitas VAR yang ditunjukkan oleh Tabel 35, dapat disimpulkan bahwa
estimasi SVAR yang akan digunakan untuk analisis IRF dan DFEV stabil.
Tabel 35. Hasil Analisis Uji Stabilitas Vector Auto Regression Data Komoditas Beras, Jagung, dan Kedele Indonesia, Periode September 1994
– Oktober 2009
No Komoditas
Kisaran Modulus Panjang Lag
1 Beras
0.2931 - 0.9988 13
2 Jagung
0.0562 - 0.9985 11
3 Kedele
0.1996 - 0.9967 9
Sumber : Lampiran 7 hingga Lampiran 9
6.1.4. Pengujian Kointegrasi
Konsep kointegrasi dikemukakan oleh Engle dan Granger 1987 sebagai fenomena dimana kombinasi linear dari dua atau lebih variabel yang tidak
stasioner akan menjadi stasioner. Kombinasi linear ini dikenal dengan istilah persamaan
kointegrasi dan
dapat diintepretasikan
sebagai hubungan
keseimbangan jangka panjang diantara variabel Verbeek, 2000. Metode pengujian kointegrasi didasarkan pada metode Johansen yang dilakukan dalam
rangka memperoleh hubungan jangka panjang antarvariabel yang telah memenuhi persyaratan dalam proses integrasi yaitu dimana semua variabel telah stasioner
pada derajat yang sama yaitu I0. Informasi jangka panjang diperoleh dengan menentukan terlebih dahulu rank kointegrasi untuk mengetahui berapa sistem
persamaan yang dapat menerangkan dari keseluruhan sistem yang ada. Kriteria pengujian kointegrasi pada penelitian ini didasarkan pada trace statistics. Apabila
nilai trace statistics lebih besar daripada nilai kritis 5 persen maka kita menerima hipotesis alternatif yang menyatakan jumlah rank kointegrasi. Berdasarkan Tabel
36, dapat disimpulkan untuk masing-masing komoditas terdapat masing-masing empat rank kointegrasi pada tingkat kritis 5 persen pada komoditas beras dan
kedele dan lima rank kointegrasi pada tingkat kritis 5 persen pada komoditas jagung.
Tabel 36. Hasil Analisis Uji Kointegrasi Data Komoditas Beras, Jagung dan Kedele Indonesia, Periode September 1994
– Oktober 2009
Hipothesis Beras
Jagung Kedele
5 percent critical value
Ho H1
Beras dan Kedele
Jagung R=0
R≥1 404.3911
359.9804 486.2051
251.2650 219.4016
R≤1 R≥2
281.9432 238.6964
304.1097 208.4374
179.5098 R≤2
R≥3 204.7615
179.6581 225.5952
169.5991 143.6691
R≤3 R≥4
137.0507 124.5569
153.9501 134.6780
111.7805 R≤4
R≥5 93.2747
86.7625 100.9836
103.8473 83.9371
R≤5 R≥6
64.2944 55.2641
62.5532 76.9728
60.0614 R≤6
R≥7 42.4457
25.5245 39.7838
54.0790 40.1749
R≤7 R≥8
25.0861 11.3953
19.7019 35.1928
24.2760 R≤8
R≥9 13.5945
4.6802 9.9454
20.2618 12.3209
R≤9 R≥10
4.6546 1.1470
2.5493 9.1645
4.12991 Keterangan: menunjukkan bahwa trace statistic more than 5 percent critical value dan terjadi
kointegrasi Sumber : Lampiran 10 hingga Lampiran 12
6.2. Analisis Banjir Impor