Hasil Analisis Proses Penyiapan Data

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