Konstanta tanpa tren Konstanta dengan tren

5.1.2. Integrasi Pasar Beras di Tingkat Pedagang BesarGrosir

Untuk integrasi pasar di tingkat pedagang besar, akan dianalisis pada pasar-pasar di kota provinsi yang memiliki pelabuhan besar, dengan pertimbangan bahwa kota-kota tersebut memiliki informasi awal tentang perkembangan harga beras di Indonesia. Kota-kota tersebut adalah Medan, Jakarta, Surabaya, dan Makasar. Tahap pertama yang dilakukan adalah memeriksa memeriksa stasioneritas data deret waktu di setiap kota. Untuk itu digunakan uji ADF Augmented Dickey-Fuller baik untuk model dengan konstanta maupun dengantanpa tren. Hasil uji ADF untuk deret harga riil beras medium di tingkat grosir pada level dan first difference disajikan pada Tabel 17. Jika diuji menggunakan konstanta tanpa tren panel A maupun konstanta dengan tren panel B, semua deret harga riil tidak stasioner pada tingkat level. Untuk uji ADF deret harga pada first difference, hipotesis nol adanya unit root ditolak pada taraf nyata 1, baik jika menggunakan konstanta tanpa tren maupun menggunakan konstanta dengan tren. Dengan demikian, semua deret harga adalah terintegrasi pada ordo satu, yang dilambangkan dengan I1 Engle dan Granger, 1987. Karena pada panel A dan B hipotesis nol adanya unit root ditolak pada taraf nyata 1, maka untuk integrasi pasar spasial beras di tingkat grosirpedagang besar dapat digunakan model dengan konstanta tanpa tren atau dengan tren. Tabel 17 Uji unit root ADF untuk sistem persamaan integrasi pasar spasial beras medium grosir harga dalam natural log No. Kota Besar Variabel pada Level Variabel pada first difference Variabel pada Level Variabel pada first difference Jumlah lag ADF test Jumlah lag ADF test Jumlah lag ADF test Jumlah lag ADF test

A. Konstanta tanpa tren

B. Konstanta dengan tren

1 Medan HBGMDN 1 -2.22 -13.75 1 -2.89 -13.70 2 Jakarta HBGJKT -1.99 -8.04 1 -3.25 -7.99 3 Surabaya HBGSRBY -2.35 1 -9.23 -2.58 1 -9.20 4 Makasar HBGMKS -1.87 -9.74 -2.68 -9.70 a Jumlah lag optimal dipilih pada nilai SIC Schwarz’s Information Criteria minimum. b Test ADF dibandingkan dengan nilai Tabel MacKinnon, dimana dan adalah tolak hipotesis nol bahwa variabel tersebut mengandung unit root pada taraf nyata 1 dan 5. Tahap selanjutnya adalah memeriksa kestabilan model, menentukan lag optimum, dan memeriksa kointegrasi. Model VAR untuk pasar beras grosir antar kota pelabuhan besar di Indonesia akan stabil sampai lag 12, sementara pada lag 13 model VAR sudah tidak stabil. Artinya, lag optimum yang akan dipilih berkisar antara lag 1 sampai dengan lag 12. Tabel 18 menampilkan kandidat lag optimal untuk model pasar beras grosir antar kota pelabuhan besar di Indonesia. Karena keterbatasan data time series, maka lag optimum yang akan digunakan adalah pada tingkat lag 1, yaitu berdasarkan kriteria informasi FPE, SC, dan HQ. Selanjutnya Tabel 19 menunjukkan hasil uji kointegrasi untuk pasar beras grosir antar kota pelabuhan besar di Indonesia. Berdasarkan trace statistics dan max-eigen statistic, terdapat dua kointegrasi pada model. Artinya, pada model ini terdapat dua vektor kointegrasi atau kombinasi linier yang stasioner. Tabel 18 Penentuan lag optimal untuk pasar beras grosir antar kota pelabuhan besar di Indonesia Lag LogL LR FPE AIC SC HQ 0 -747.7193 NA 6.97E+02 17.8981 18.0138 17.9446 1 -560.0850 352.931 1.17E+01 13.8116 14.3903 14.0442 2 -549.5849 18.750 1.34E+01 13.9425 14.9843 14.3613 3 -532.2958 29.227 1.31E+01 13.9118 15.4166 14.5167 4 -521.0944 17.869 1.48E+01 14.0261 15.9939 14.8171 5 -502.4500 27.967 1.42E+01 13.9631 16.3939 14.9403 6 -490.4681 16.832 1.61E+01 14.0588 16.9526 15.2221 7 -468.9374 28.195 1.48E+01 13.9271 17.2839 15.2765 8 -451.9465 20.632 1.53E+01 13.9035 17.7233 15.4390 9 -440.6815 12.606 1.86E+01 14.0162 18.2991 15.7379 10 -420.8138 20.341 1.88E+01 13.9241 18.6700 15.8319 11 -399.6553 19.647 1.91E+01 13.8013 19.0102 15.8953 12 -366.8105 27.371 1.52E+01 13.4003 19.0722 15.6803 Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5 Tabel 19 Hasil uji kointegrasi untuk pasar beras grosir antar kota pelabuhan besar di Indonesia Hipotesis Nol Eigenvalue Trace statistics Max-eigen statistic r = 0 0.270359 63.925440 29.629110 r ≤ 1 0.208405 34.296330 21.968330 r ≤ 2 0.096328 12.328000 9.521158 r ≤ 3 0.029419 2.806846 2.806846 Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5 Persamaan kointegrasi menunjukkan hubungan keseimbangan jangka panjang LR antara harga beras grosir antar kota pelabuhan besar di Indonesia. Tabel 20 menampilkan persamaan kointegrasi Cointegration EquationCE jangka panjang harga beras di tingkat pedagang besar antar kota pelabuhan besar di Indonesia. Dari Tabel tersebut, terlihat adanya hubungan jangka panjang antara harga beras grosir di Jakarta HBGJKT dengan Medan HBGMDN dan Makasar HBGMKS, serta harga beras grosir di Surabaya HBGSRBY dengan Medan HBGMDN. Tabel 20 Persamaan kointegrasi jangka panjang untuk pasar beras grosir antar kota pelabuhan besar di Indonesia Variabel Persamaan Kointegrasi 1 CE 1 Persamaan Kointegrasi 2 CE 2 HBGJKT-1 1.00000 0.00000 HBGSRBY-1 0.00000 1.00000 HBGMDN-1 1.06692 1.03038 HBGMKS-1 0.30060 0.07668 C -10.44592 -6.28821 Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5 Hasil estimasi VECM pada model pasar beras grosir antar kota pelabuhan besar di Indonesia dapat dilihat pada Lampiran 4 Secara ringkas, Tabel 21 memperlihatkan hasil koefisien model VECM persamaan integrasi pasar spasial komoditas beras untuk kota-kota pelabuhan besar di Indonesia. Nilai t-hitung yang diperoleh dibandingkan dengan nilai t-tabel, di mana nilai yang digunakan adalah tingkat kepercayaan 5 persen t-tabel=1.96 dan 10 persen t-tabel=1.67. Apabila nilai t-hitung yang diperoleh lebih besar dari nilai t-tabel, maka dapat dikatakan bahwa variabel tersebut berpengaruh signifikan. Tabel 21 menjelaskan bahwa pada pasar beras grosir antar kota pelabuhan besar di Indonesia, koefisien ECT yang nyata dalam mempengaruhi harga beras saat ini adalah di wilayah Jakarta, Surabaya, dan Medan. Hal ini mengindikasikan pentingnya hubungan kointegrasi jangka panjang dalam proses penentuan harga pasar beras antar kota pelabuhan besar ini. Kecepatan penyesuaian ke arah keseimbangan jangka panjang terjadi di Jakarta, Surabaya, dan Medan, namun pasar beras grosir di Jakarta lebih cepat penyesuaian ke arah keseimbangan harga jangka panjang dibandingkan dengan pasar beras lainnya dengan koefisien ECT sebesar 0.35. Tabel 21 Hasil uji model VECM untuk pasar beras grosir antar kota pelabuhan besar di Indonesia Koreksi Galat DHBGJKT DHBGSRBY DHBGMDN DHBGMKS Pers. Kointegrasi 1 -0.36426 0.00523 0.10992 0.14325 Pers. Kointegrasi 2 0.34984 -0.17272 0.25219 0.06367 DHBGJKT-1 0.30009 0.09758 0.12704 0.26278 DHBGSRBY-1 -0.09176 0.19619 -0.11788 -0.04384 DHBGMDN-1 0.06361 -0.10126 -0.22407 0.01854 DHBGMKS-1 0.11494 -0.02843 0.11806 -0.09859 C 0.03850 0.00242 0.02375 0.07463 Keterangan: adalah hipotesis nol ditolak pada taraf nyata 10, adalah hipótesis nol ditolak pada taraf nyata 5. Dalam Tabel 21 tersebut, setiap kolom menunjukkan perubahan harga per wilayah D HBGJKT , D HBGSRBY , D HBGMDN , D HBGMKS . Koefisien baris D HBGJKT -1, D HBGSRBY -1, D HBGMDN -1, D HBGMKS -1 menunjukkan besaran penyesuaian yang disebabkan perubahan harga beras jangka pendek pada 1 periode sebelumnya dalam berbagai wilayah terhadap perubahan harga pada saat ini. Di kota Jakarta, perubahan harga beras grosir saat ini dipengaruhi oleh hubungan keseimbangan jangka panjang dan perubahan harga beras grosir 1 bulan sebelumnya di kota Jakarta itu sendiri. Di kota Surabaya, perubahan harga beras grosir saat ini dipengaruhi oleh hubungan keseimbangan jangka panjang dan perubahan harga beras grosir 1 bulan sebelumnya di kota Surabaya. Di kota Medan, perubahan harga beras grosir saat ini dipengaruhi oleh hubungan keseimbangan jangka panjang dan perubahan harga beras grosir 1 bulan sebelumnya di kota Medan itu sendiri. Di kota Makasar, perubahan harga beras grosir saat ini hanya dipengaruhi oleh perubahan harga beras grosir 1 bulan sebelumnya di kota Jakarta. Penting diperhatikan bahwa dalam jangka pendek, harga beras grosir di Jakarta, Surabaya, dan Medan dipengaruhi oleh harga beras grosir di masing-masing wilayah tersebut. Gambar 15 menampilkan grafik Impulse Response IR untuk pasar beras grosir di Wilayah Jakarta, Surabaya, Medan, dan Makasar akibat adanya perubahan atau shock berupa kenaikan satu standar deviasi dari suatu variabel dalam sistem. Pada baris pertama adalah Impulse Response untuk harga beras grosir di Jakarta, baris kedua adalah Impulse Response untuk harga beras grosir di Surabaya, baris ketiga adalah Impulse Response untuk harga beras grosir di Medan, dan baris keempat adalah Impulse Response untuk harga beras grosir di Makasar. Periode yang digunakan dalam analisis adalah 12 periode 1 periode sama dengan 1 bulan, artinya respon suatu variabel berlaku sampai 12 bulan mendatang. Shock harga beras grosir di Jakarta akan menyebabkan kenaikan sangat besar pada harga beras di kota Jakarta itu sendiri pada awal periode, sedikit meningkat sampai bulan ke 2, selanjutnya mengalami penurunan cukup signifikan sampai periode ke 8 untuk kemudian relatif stabil sampai akhir periode. Sementara shock harga beras di kota lainnya tidak mempengaruhi harga beras di Jakarta pada bulan pertama. Setelah periode awal, semua harga beras di Suarabaya, Medan, dan Makasar berpengaruh positif terhadap harga beras di Jakarta. Hal ini terlihat dari tren yang meningkat sampai akhir periode. Harga beras di Surabaya berpengaruh lebih besar terhadap harga beras di Jakarta dibandingkan dua kota lainnya. Sementara, pada akhir periode, harga beras di Medan dan Makasar menyebabkan kenaikan yang relatif sama terhadap harga beras grosir di Jakarta. Shock harga beras grosir di Surabaya akan menyebabkan kenaikan cukup besar pada harga beras di kota Surabaya itu sendiri pada awal periode, selanjutnya mengalami penurunan sampai bulan ke 6 untuk kemudian stabil sampai akhir periode. Shock harga beras grosir di Jakarta juga menyebabkan kenaikan cukup besar pada harga beras di kota Surabaya, sedikit meningkat sampai bulan ke 2, mengalami penurunan secara perlahan sampai bulan ke 5 untuk kemudian stabil sampai akhir periode. Shock harga beras di Medan dan Makasar tidak berpengaruh terhadap harga beras di Surabaya pada awal periode. Pada periode selanjutnya, shock harga di dua kota tersebut memiliki pengaruh yang relatif positif. Hal ini terlihat dari tren yang meningkat sampai akhir periode pada grafik IRF Gambar 15 namun shock harga beras di Medan berpengaruh lebih besar terhadap harga beras di Surabaya dibandingkan shock harga beras di Makasar. Gambar 15 Hasil impulse response function IRF untuk model VECM pasar beras grosir antar kota-kota pelabuhan besar di Indonesia Jakarta, Surabaya, Medan, dan Makasar. Shock harga beras grosir di Medan akan menyebabkan kenaikan sangat besar pada harga beras di kota Medan itu sendiri pada awal periode, selanjutnya mengalami penurunan cukup signifikan sampai bulan ke 4 untuk kemudian relatif stabil sampai akhir periode. Shock harga beras di Jakarta menyebabkan sedikit kenaikan pada harga beras di Medan, memiliki tren yang meningkat sampai bulan ke 4, sedikit menurun sampai bulan ke 8 untuk kemudian stabil sampai akhir periode. Shock harga beras di Surabaya menyebabkan sedikit penurunan pada harga beras di Medan, selanjutnya memiliki tren yang meningkat sampai bulan ke -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGJKT to HBGJKT -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGJKT to HBGSRBY -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGJKT to HBGMDN -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGJKT to HBGMKS -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGSRBY to HBGJKT -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGSRBY to HBGSRBY -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGSRBY to HBGMDN -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGSRBY to HBGMKS -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMDN to HBGJKT -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMDN to HBGSRBY -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMDN to HBGMDN -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMDN to HBGMKS -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMKS to HBGJKT -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMKS to HBGSRBY -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMKS to HBGMDN -0.8 -0.4 0.0 0.4 0.8 1.2 1.6 1 2 3 4 5 6 7 8 9 10 11 12 Response of HBGMKS to HBGMKS Response to Cholesky One S.D. Innovations 6 untuk kemudian relatif stabil sampai akhir periode. Sementara shock harga beras di Makasar memberikan sedikit kenaikan sampai bulan ke 3, selanjutnya shock harga tersebut relatif tidak memberikan pengaruh terhadap harga beras di Medan sampai akhir periode. Shock harga beras grosir di Makasar menyebabkan kenaikan cukup besar pada harga beras di kota Makasar itu sendiri pada awal periode, kemudian trennya sedikit menurun sampai bulan ke 3 untuk kemudian stabil sampai akhir periode. Dalam 12 bulan ini, tren pengaruh shock harga beras Jakarta dan Surabaya terhadap harga beras di Makasar relatif meningkat, namun pengaruh shock harga beras di Jakarta lebih besar dibandingkan shock harga beras Surabaya. Sementara, pada periode yang sama, shock harga beras di Medan memberikan pengaruh yang negatif terhadap harga beras di Makasar. Hal ini diduga karena Medan dan Makasar memperoleh pasokan beras dari daerah yang sama. Tabel 22 menunjukkan hasil analisis Variance Decomposition untuk kota Jakarta, Surabaya, Medan, dan Makasar selama 12 periode mendatang. Tabel tersebut menjelaskan bahwa dalam 12 bulan mendatang, variasi harga beras di Jakarta dapat dijelaskan oleh dirinya sendiri sebesar 61.5 persen, 28.3 persen oleh harga beras Surabaya, 3 persen oleh harga beras Medan, dan 7.1 persen oleh harga beras Makasar. Sedangkan, variasi harga beras di Surabaya dapat dijelaskan oleh dirinya sendiri sebesar 49.8 persen, 35.9 persen oleh harga beras Jakarta, 13.6 persen oleh harga beras Medan, dan 0.7 persen oleh harga beras Makasar. Variasi harga beras di Medan dapat dijelaskan oleh dirinya sendiri sebesar 40.4 persen, 30.6 persen oleh harga beras Jakarta, 28.9 persen oleh harga beras Surabaya, dan 0.1 persen oleh harga beras Makasar. Untuk kota Makasar, variasi harga beras di Makasar dapat dijelaskan oleh dirinya sendiri sebesar 62.3 persen, 25 persen oleh harga beras Jakarta, 6.3 persen oleh harga beras Surabaya, dan 6.4 persen oleh harga beras Medan. Tabel 22 Hasil forecast error variance decomposition FEVD untuk model VECM pasar beras grosir di kota Jakarta, Surabaya, Medan, dan Makasar Periode Standar Deviasi HBEJKT HBESRBY HBEMDN HBEMKS

A. Kota Jakarta