dengantanpa tren. Hasil uji ADF untuk deret harga masing-masing variabel pada level dan first difference disajikan pada Tabel 6.
Jika menggunakan konstanta tanpa tren panel A, variabel pada tingkat level yang sudah stasioner secara alami adalah harga pembelian pemerintah untuk
beras LHPPB, jumlah pengadaan beras yang dilakukan oleh Bulog LJPB, jumlah pengadaan gabah yang dilakukan oleh Bulog LJPG, dan total distribusi
beras yang dilakukan oleh Bulog LDB. Sementara, jika diuji menggunakan konstanta dengan tren panel B,
variabel jumlah pengadaan beras yang dilakukan oleh Bulog LJPB, jumlah pengadaan gabah yang dilakukan oleh Bulog LJPG, jumlah stok beras Bulog
LSB, dan total distribusi beras yang dilakukan oleh Bulog LDB yang stasioner alami pada tingkat level.
Tabel 6 Uji unit root ADF untuk masing-masing variabel dalam natural log
No. Variabel 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 LHGB 0 -2.05
0 -6.55 0 -1.93
0 -6.51 2 LHPPG
0 -2.05 0 -9.54
0 -2.85 0 -9.58
3 LHPPB 0 -3.04
-9.5 0 -2.93
-9.5 4 LJPB
1 -5.76 1 -8.39
1 -5.77 1 -8.34
5 LJPG 0 -4.25
1 -8.61 0 -4.57
1 -8.56 6 LSB
2 -2.82 1 -6.85
1 -4.46 1 -6.83
7 LDB 0 -4.26
1 -9.7
0 -4.26 2 -8.42
8 LNTP -1.8
0 -10.9 0 -2.81
0 -10.9 9 LHBBM
-1.2 0 -10.1
0 -2.26 0 -10.1
10 LHI 1
-2.05 -6.3
1 -3.16
-6.28 11 LER
-1.54 -8.94
-2.63 0 -8.89
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.
Untuk uji ADF variabel 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 variabel 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 análisis faktor-faktor yang mempengaruhi
spread harga gabah dan beras dapat digunakan model dengan konstanta tanpa tren atau dengan tren.
Tahap kedua dalam analisis faktor-faktor yang mempengaruhi spread harga gabah dan beras adalah melihat kestabilan dari model VAR. Hasil dari uji
kestabilan menunjukkan bahwa model VAR pada lag 1 sampai dengan lag 4 masih stabil. Sementara model VAR dengan lag 5 sudah tidak stabil. Artinya,
kemungkinan lag optimal yang dapat digunakan adalah antara lag 1 sampai dengan lag 4.
Tahap ketiga adalah menentukan lag optimal dengan uji-uji selection order-criteria yang disediakan oleh E Views. Hasilnya menunjukkan bahwa lag
optimum yang dapat digunakan pada model VAR adalah lag 1, yaitu berdasarkan kriteria informasi LR, FPE, AIC, SC, HQ Tabel 7.
Tabel 7 Penentuan lag optimal untuk variabel
Lag LL LR
FPE AIC SC
HQ 448.3959 NA
5.36E-18 -8.552084
-7.044493 -7.943608
1 1042.145
980.9762 1.92E-22 -18.82923 -14.00494 -16.88211
2
1120.653 110.936 5.64E-22 -17.9055
-9.764513 -14.61973
3
1206.36 100.6118 1.78E-21 -17.13825
-5.68056 -12.51383
4
1349.56 133.8617 2.37E-21 -17.62088
-2.846488 -11.65781
Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5
Tahap selanjutnya adalah uji kointegrasi dan menentukan jumlah vektor kointegrasi r di antara sistem variabel yang ada. Hasil uji kointegrasi multi-
variabel dengan Johansen maximum likelihood dengan lag 1 untuk analisis faktor- faktor yang mempengaruhi spread harga gabah dan beras dapat dilihat pada Tabel
8. Hasil uji kointegrasi tersebut menunjukkan bahwa jumlah hubungan jangka panjang dalam sistem adalah tiga r = 3 untuk taraf nyata 1.
Tabel 8 Uji kointegrasi dan jumlah vektor kointegrasi r untuk analisis faktor- faktor yang mempengaruhi spread harga gabah dan beras di Indonesia
Hipotesis Nol Eigenvalue
Trace statistics Max-eigen statistic
r = 0 0.624100
416.7839 91.9725
r ≤ 1
0.568093 324.8114
78.9171 r
≤ 2 0.534975
245.8942 71.9724
r ≤ 3
0.380303 173.9218
44.9814 r
≤ 4 0.310897
128.9404 35.0023
r ≤ 5
0.288895 93.93818
32.0479 r
≤ 6 0.220168
61.89026 23.3756
r ≤ 7
0.158210 38.51463
16.1892 r
≤ 8 0.148194
22.32546 15.0773
r ≤ 9
0.047047 7.248157
4.5298 r
≤ 10 0.028504
2.718314 2.7183
Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5 Hasil Uji Model VECM disajikan pada Lampiran 1 Karena salah satu
tujuan utama penelitian ini adalah untuk mengetahui faktor-faktor yang mempengaruhi spread harga gabah dan beras di Indonesia, maka estimasi model
VECM yang dianalisis, difokuskan pada estimasi spread harga gabah dan beras LHGB.
Tabel 9 menampilkan persamaan kointegrasi Cointegration EquationCE untuk keseimbangan jangka panjang. Terlihat adanya hubungan keseimbangan
jangka panjang antara jumlah pembelian beras LJPB, jumlah pembelian gabah LJPG, harga pembelian pemerintah untuk beras LHPPB, harga pembelian
pemerintah untuk gabah LHPPG, harga BBM LBBM, harga beras internasional LHI, dan nilai tukar LER dengan spread harga gabah dan beras
LHGB. Sementara, nilai tukar petani LNTP tidak memiliki hubungan keseimbangan jangka panjang dengan spread harga gabah dan beras LHGB.
Tabel 9 Persamaan kointegrasi jangka panjang untuk analisis faktor-faktor yang mempengaruhi spread harga gabah dan beras di Indonesia
Variabel Persamaan
Kointegrasi 1 CE 1 Persamaan
Kointegrasi 2 CE 2 Persamaan
Kointegrasi 3 CE 3
LHGB-1 1.00000
0.00000 0.00000
LSB-1 0.00000
1.00000 0.00000
LDB-1 0.00000
0.00000 1.00000
LJPB-1 0.01382 0.06429 0.07026
LJPG-1 -0.00556 0.05809
-0.06753 LHPPB-1 1.96919
1.39884 -11.09685
LHPPG-1 -1.06430 -1.17990
5.44663 LHBBM-1 -0.23880
-0.75039 1.76392
LNTP-1 -0.24936
0.33442 -0.18197
LHI-1 -0.09238 -0.04733
1.90031 LER-1 -0.51021
-2.65414 1.84956
TREND01M01 0.00955 0.02471
-0.05383 C
5.25396 35.71304
11.75240
Keterangan: adalah hipotesis nol ditolak pada taraf nyata 5, adalah hipótesis nol ditolak pada taraf nyata 1
Sementara, persamaan jangka pendek untuk spread harga gabah dan beras DLHGB ditunjukkan pada Tabel 10. Seperti sebelumnya, 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.
Dalam Tabel 10 tersebut, koefisien baris DLHGB-1, DLSB-1, DLDB-1, DLJPB-1, DLJPG-1, DLHPPB-1, DLHPPG-1,
DLHBBM-1, DLNTP-1, DLHI-1, DLER-1 menunjukkan besaran penyesuaian yang disebabkan perubahan setiap variabel jangka pendek pada
periode sebelumnya terhadap perubahan spread harga gabah dan beras pada saat ini.
Tabel 10 Hasil uji model VECM untuk analisis faktor-faktor yang
mempengaruhi spread harga gabah dan beras di Indonesia
Koreksi Galat DLHGB
Pers. Kointegrasi 1 -0.226544
Pers. Kointegrasi 2 -0.031867
Pers. Kointegrasi 3 -0.044628
DLHGB-1 0.025851 DLSB-1 -0.163852
DLDB-1 0.018322 DLJPB-1 -0.002472
DLJPG-1 -0.001140 DLHPPB-1 0.032999
DLHPPG-1 0.058411 DLHBBM-1 0.074983
DLNTP-1 0.035827 DLHI-1 0.096559
DLER-1 -0.154742 C 0.000612
DM_1 0.043974 DM_2 0.012561
DHP -0.014385 DSB -0.019365
Keterangan: adalah hipotesis nol ditolak pada taraf nyata 10, adalah hipotesis nol ditolak pada taraf nyata 5.
Tabel 10 menunjukkan bahwa peubah persamaan kointegrasi 1 signifikan terhadap spread harga gabah dan beras sebesar -0.23, artinya terdapat penyesuaian
dari persamaan jangka pendek menuju persamaan jangka panjang sebesar 0.23 persen. Dapat pula diartikan bahwa setiap bulannya, kesalahan dikoreksi sebesar
0.23 persen menuju keseimbangan jangka panjang. Dari beberapa peubah yang mempengaruhi spread harga gabah dan beras dalam jangka pendek, hanya peubah
stok beras pada periode sebelumnya DLSB-1 dan dummy musim panen raya DM_1 yang signifikan mempengaruhi spread harga gabah dan beras pada taraf
nyata 5 persen. Dalam jangka pendek, peubah stok beras signifikan mempengaruhi spread
harga gabah dan beras dengan koefisien sebesar -0.16, artinya setiap kenaikan satu persen stok beras yang dikelola oleh Bulog akan menurunkan spread harga
gabah dan beras sebesar 0.16 persen.
Hasil estimasi Model VECM seringkali tidak memuaskan jika dilihat dari uji t. Selain itu, secara individual koefisien dalam model VECM sulit
diinterpretasikan. Analisis penting yang dapat dihasilkan dari model VECM adalah impulse response function IRF dan forecast error variance
decomposition FEVD. Analisis IRF melacak respon dari variabel endogen di dalam sistem
VECM karena adanya goncangan shock pada variabel endogen lainnya sebesar 1 satuan standar deviasi SD. Pada Gambar 12 disajikan hasil IRF selama 24 bulan
ke depan dari model VECM untuk mengetahui faktor-faktor yang mempengaruhi spread harga gabah dan beras di Indonesia. Faktor yang paling besar
mempengaruhi spread harga gabah dan beras adalah jumlah pembelian beras JPB yang dilakukan oleh Bulog, 1 standar deviasi kenaikan jumlah pembelian
beras akan mengurangi spread harga gabah dan beras HGB sebesar 0,013 pada bulan ke-2, nilai ini semakin membesar sampai bulan ke-9, sedikit turun pada
bulan 10-12, setelah itu spread harga akan stabil. Shock pada jumlah pembelian gabah JPG juga memberikan efek yang sama seperti shock pada jumlah
pembelian beras, namun pengaruhnya terhadap spread harga jauh lebih kecil. Pembelian beras dan gabah yang dilakukan Bulog akan menentukan stok
yang dikelola oleh Bulog. Sesuai Instruksi Presiden mengenai kebijakan perberasan, stok ini akan digunakan untuk operasi pasar dalam rangka
menstabilkan harga. Berdasarkan hasil IRF, Stok beras SB yang dikendalikan oleh Bulog akan direspon secara negatif oleh spread harga, kenaikan 1 SD stok
beras akan mengurangi spread harga sebesar 0,0084 pada bulan ke-2, nilai ini terus membesar, dan mulai mencapai kestabilan baru pada bulan ke-12.
Pengadaan melalui pembelian beras dan gabah yang dilakukan oleh Bulog pada periode 2001-2008 ternyata memberikan kontribusi yang cukup penting
dalam mengendalikan spread harga beras dan gabah. Jumlah pengadaan yang dilakukan oleh Bulog setiap tahunnya berkisar antara 1.5–2 juta ton setara beras,
yaitu sekitar 5–7 persen dari total produksitahun atau sekitar 20-25 persen dari surplus yang dipasarkan petani selama bulan Maret–Mei.
Harga beras internasional HI, direspon secara positif oleh spread harga. Shock harga beras internasional sebesar 1 SD akan menambah spread harga
sebesar 0.011 pada bulan ke-2. Pada pasar beras yang terbuka, dengan harga luar negeri yang murah dan tarif impor yang tidak efektif adalah tidak mungkin harga
dasar diamankan oleh Bulog, kecuali dengan menyerap seluruh surplus beras di pasar dunia. Karena dengan harga dasar yang lebih tinggi dari harga luar negeri,
aliran beras masuk dari pasar dunia ke pasar domestik tidak terbendung. Menurut Surono 2005, ada dua efek besar yang ditimbulkan dari arus beras impor. Harga
beras dalam negeri akan tertekan rendah karena menyesuaikan dengan harga beras dunia meskipun telah ditetapkan tarif impor. Sebagai contoh, harga beras dunia
pada bulan April tahun 2001 sekitar 150 USD per ton, dengan kurs sekitar Rp 10000 per USD dan tarif impor sebesar Rp 430 per kg, maka harga beras impor di
pasar grosir adalah sekitar Rp 1930 per kg atau 20 persen di bawah harga beli Bulog. Selain itu, aktivitas perdagangan beras antar daerah dan antar waktu
menurun karena sumber suplainya lebih terbuka. Pedagang dapat memilih sumber beras dari impor atau domestik, tergantung mana yang lebih menguntungkan.
Berkurangnya aktivitas perdagangan beras antar daerah tersebut akan menekan harga di daerah produsen karena surplus hasil produksi tidak bergerak. Hal ini
menunjukkan bahwa menjaga produksi beraspadi dalam negeri amat penting untuk menghindari tingginya resiko ketidakstabilan harga dan suplai beras dari
pasar dunia. Indeks nilai tukar rupiah terhadap dollar ER mempengaruhi spread harga
secara negatif, jika indeks nilai tukar menguat ditunjukkan dengan indeks nilai tukar yang semakin membesar maka spread harga gabah dan beras akan
menurun, shock sebesar 1 SD pada indeks nilai tukar akan mengurangi spread harga sebesar 0.013 pada bulan ke-1, nilai ini semakin mengecil, dan kemudian
mengalami kestabilan baru mulai bulan ke-11. Selama beras domestik masih memiliki ketergantungan terhadap produksi beras luar negeri, maka nilai tukar
akan sangat berpengaruh terhadap harga beras domestik. Melemahnya nilai tukar rupiah terhadap dolar akan menyebabkan beras di luar negeri menjadi relatif lebih
murah, yang pada gilirannya akan mendorong impor beras masuk ke Indonesia. Pada periode 2001-2007, Indonesia masih melakukan impor beras untuk
memenuhi kebutuhan beras domestik, baru pada tahun 2008 Indonesia tidak lagi
melakukan impor, karena produksi beras domestik telah mencukupi, yaitu sebesar 38 juta ton beras.
Shock pada distribusi beras yang dilakukan Bulog DB, harga pembelian pemerintah untuk beras HPPB, dan nilai tukar petani NTP hanya
mempengaruhi spread harga pada jangka pendek 3-5 bulan, setelah itu spread harga akan kembali kepada tingkat kestabilan awal. Tidak seperti HPPB, ternyata
shock yang terjadi pada harga pembelian pemerintah untuk gabah kering panen HPPG akan mengurangi spread harga menjauhi kestabilan awal mulai pada
bulan ke-3. Begitu pula untuk harga BBM HBBM, shock sebesar 1 SD akan mengurangi spread harga sebesar 0.000948 pada bulan ke-1, nilai ini semakin
membesar, dan mencapai keseimbangan awal di bulan ke-6. Selain IRF, model VECM juga menyediakan analisis forecast error
variance decomposition FEVD. Analisis IRF sebelumnya digunakan untuk mengetahui dampak shock dari variabel endogen terhadap variabel lainnya di
dalam model VECM. Sedangkan analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap variabel di dalam sistem VECM karena
adanya shock. FEVD berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem VECM.
Hasil FEVD selama 24 bulan ke depan dari model VECM untuk mengetahui faktor-faktor yang mempengaruhi spread harga gabah dan beras di Indonesia
disajikan pada Tabel 11.
Response to Cholesky One S.D. Innovations
Gambar 12 Hasil impulse response function IRF dari model VECM untuk mengetahui faktor-faktor yang mempengaruhi spread harga gabah
dan beras di Indonesia.
78
Tabel 11 Hasil forecast error variance decomposition FEVD dari model VECM untuk mengetahui faktor-faktor yang mempengaruhi spread harga gabah dan beras di Indonesia
Period S.E. LHGB LSB LDB LJPB LJPG LHPPB LHPPG
LHBBM LNTP LHI
LER 1 0.048
100.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 2 0.066
89.821 2.491 1.831 0.472 0.919 0.000 0.012 0.550 0.005 2.470 1.429 3 0.077
81.679 2.693 2.698 0.367 2.460 0.001 0.009 0.960 0.083 6.057 2.993 4 0.088
75.832 2.240 3.962 0.330 4.258 0.019 0.017 1.487 0.206 8.077 3.572 5 0.098
72.159 1.922 5.080 0.354 5.319 0.051 0.036 2.068 0.337 8.919 3.753 6 0.107
70.246 1.752 5.631 0.361 5.765 0.067 0.050 2.453 0.413 9.411 3.852 7 0.115
69.185 1.654 5.873 0.359 5.979 0.074 0.060 2.665 0.449 9.787 3.916 8 0.122
68.357 1.585 6.056 0.356 6.155 0.081 0.067 2.810 0.472 10.101 3.960
9 0.129 67.585 1.529 6.241 0.355 6.330 0.087 0.073 2.932 0.493
10.373 4.003 10 0.136
66.910 1.478 6.407 0.354 6.487 0.092 0.077 3.037 0.513 10.602 4.045
11 0.143 66.363 1.434 6.540 0.353 6.614 0.096 0.080 3.125 0.530
10.785 4.079 12 0.149
65.926 1.398 6.646 0.353 6.716 0.099 0.083 3.198 0.544 10.932 4.106
13 0.155 65.562 1.368 6.734 0.353 6.799 0.102 0.086 3.259 0.555
11.056 4.127 14 0.160
65.248 1.343 6.810 0.353 6.870 0.104 0.088 3.311 0.564 11.163 4.146
15 0.166 64.971 1.321 6.877 0.352 6.934 0.106 0.090 3.356 0.573
11.258 4.162 16 0.171
64.727 1.302 6.936 0.352 6.990 0.108 0.092 3.396 0.580 11.341 4.177
17 0.176 64.511 1.284 6.988 0.352 7.039 0.109 0.093 3.432 0.587
11.415 4.190 18 0.181
64.320 1.269 7.034 0.352 7.083 0.111 0.094 3.463 0.592 11.480 4.201
19 0.186 64.148 1.255 7.076 0.351 7.123 0.112 0.096 3.492 0.598
11.538 4.212 20 0.191
63.994 1.243 7.113 0.351 7.158 0.113 0.097 3.517 0.602 11.591 4.221
21 0.196 63.853 1.232 7.147 0.351 7.190 0.114 0.098 3.540 0.607
11.639 4.229 22 0.200
63.726 1.221 7.178 0.351 7.220 0.115 0.099 3.561 0.611 11.682 4.237
23 0.205 63.609 1.212 7.206 0.351 7.247 0.116 0.099 3.580 0.614
11.722 4.244 24 0.209
63.502 1.203 7.232 0.351 7.271 0.117 0.100 3.598 0.617 11.759 4.250
Cholesky Ordering: LHGB LHI LER LSB LDB LJPB LJPG LHPPB LHPPG LHBBM LNTP
Tabel 11 menunjukkan bahwa pada bulan pertama, shock pada spread harga gabah dan beras ditentukan oleh spread harga itu sendiri sebesar 100 persen
persen. Pada bulan ke 2, shock pada spread harga gabah dan beras ditentukan oleh spread harga itu sendiri sebesar 89.8 persen, stok beras sebesar 2.5 persen,
distribusi beras 1.83 persen, jumlah pembelian beras sebesar 0.47 persen, jumlah pembelian gabah sebesar 0.92 persen, harga pembelian pemerintah untuk gabah
sebesar 0.012 persen, harga BBM sebesar 0.55 persen, NTP sebesar 0.005 persen, harga beras internasional sebesar 2.47 persen, dan indeks nilai tukar sebesar 1.43
persen. Semua variabel memiliki pengaruh yang semakin besar dari periode ke
periode terhadap spread harga gabah dan beras. Namun, pada bulan ke-24, harga beras internasional memiliki pengaruh paling besar terhadap spread harga gabah
dan beras, yaitu sebesar 11.8 persen. Hal ini dikarenakan pada periode pengamatan 2001-2008, Indonesia memiliki ketergantungan terhadap impor
beras yang cukup tinggi. Selain itu, pada akhir periode, distribusi beras dan jumlah pembelian gabah juga menentukan spread harga cukup tinggi, yaitu
masing-masing sebesar 7.2 persen. Oleh karenanya, peran Bulog cukup penting dalam mengendalikan spread harga gabah dan beras di Indonesia.
Halaman ini sengaja dikosongkan
V. INTEGRASI PASAR
Integrasi pasar beras dilihat melalui keseimbangan harga yang terjadi pada integrasi pasar spasialhorizontal dan integrasi pasar vertikal. Integrasi spasial
dilihat dari pergerakan harga beras yang terjadi di tingkat konsumen dan di tingkat pedagang besar untuk provinsi-provinsi di Indonesia. Sementara, integrasi pasar
vertikal dilihat dari pergerakan harga mulai dari tingkat petani, pedagang besar, dan harga di tingkat konsumen. Harga beras internasional tidak dimasukkan ke
dalam analisis integrasi pasar vertikal karena cakupan analisis penelitian ini adalah untuk melihat spread harga gabah di tingkat petani dan harga beras di
tingkat konsumen. Analisis data deret waktu akan dilakukan dengan metode kointegrasi dan
model vektor koreksi galat VECM, dengan tahapan prosedur pengujian proses pembangkitan data data generating process, DGP seperti yang dikemukakan
oleh Engle Granger dalam Enders 1995.
5.1. Integrasi Pasar Horizontal
Integrasi pasar spasial menunjukkan seberapa besar perubahan harga produk di suatu pasar mempengaruhi perubahan harga produk sejenis di pasar lain
Trotter, 1992. Artinya, jika terjadi integrasi pasar beras di antara dua atau beberapa provinsi, maka perubahan harga beras di suatu provinsi akan diikuti oleh
perubahan harga beras di provinsi lain. Analisis integrasi pasar spasial dilakukan terhadap harga beras bulanan
Januari 2001-Oktober 2008 di tingkat konsumenpedagang pengecer dan di tingkat grosirpedagang besar antar pelabuhan besar di Indonesia. Harga beras
tersebut dideflasi dengan indeks harga konsumen dalam harga riil, selanjutnya harga tersebut akan dianalisis dengan model vektor kointegrasi dan VECM.
5.1.1. Integrasi Pasar Beras di Tingkat Pedagang PengecerKonsumen
Analisis integrasi harga-harga di pasar konsumen beras dilakukan untuk memberikan gambaran tentang bagaimana bekerjanya kekuatan pasar beras pada
berbagai wilayah dan keterkaitannya satu sama lain dalam membentuk