Fluktuasi Harga Komoditas Pangan Dan Dampaknya Terhadap Inflasi Di Provinsi Banten
FLUKTUASI HARGA KOMODITAS PANGAN DAN
DAMPAKNYA TERHADAP INFLASI DI PROVINSI BANTEN
ASTARI FEBRIANI SETIAWAN
DEPARTEMEN EKONOMI SUMBERDAYA DAN LINGKUNGAN FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR BOGOR
(2)
(3)
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakana bahwa skripsi berjudul Fluktuasi Harga Komoditas Pangan dan Dampaknya terhadap Inflasi di Provinsi Banten 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 skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Agustus 2015
Astari Febriani Setiawan NIM H44110036
(4)
(5)
ABSTRAK
ASTARI FEBRIANI SETIAWAN. Fluktuasi Harga Komoditas Pangan dan Dampaknya terhadap Inflasi di Provinsi Banten. Dibimbing oleh ADI HADIANTO.
Inflasi di Provinsi Banten berfluktuatif. Kelompok yang berkontribusi besar yaitu kelompok bahan makanan, salah satunya komoditas pangan. Oleh karena itu, harga komoditas pangan menjadi isu penting di Provinsi Banten. Penelitian ini menganalisis harga komoditas pangan, yaitu beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras. Data yang digunakan adalah data time series bulanan Januari 2011 hingga Desember 2014. Tujuan penelitian ini adalah: 1) Menjelaskan perkembangan harga komoditas pangan di Provinsi Banten; 2) Menganalisis dampak fluktuasi harga komoditas pangan terhadap inflasi di Provinsi Banten; 3) Menganalisis keterkaitan inflasi antar wilayah Provinsi Banten. Dalam penelitian ini metode analisis yang digunakan adalah analisis deskriptif, model VAR (Vector Autoregression) atau VECM (Vector Error Correction Model) dan Uji kausalitas Granger. Hasil dari analisis deskriptif menunjukkan selama 2011-2014, perkembangan harga komoditas beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras menunjukkan kecenderungan yang meningkat. Hasil analisis VAR menunjukkan bahwa dalam jangka pendek hanya komoditas cabai merah keriting yang berdampak secara signifikan terhadap inflasi di Provinsi Banten. Pada jangka pajang terdapat enam komoditas yang berdampak secara signifikan terhadap inflasi di Provinsi Banten, yaitu daging sapi murni, jagung, beras, daging ayam ras, telur ayam ras serta cabai merah keriting. Hasil uji kausalitas Granger menunjukkan bahwa hanya terdapat hubungan satu arah, yaitu inflasi Banten mempengaruhi inflasi Lampung.
(6)
Inflation in Banten Province. Supervised by ADI HADIANTO.
Banten Province has a fluctuative inflation.The highest inflation is contributed by food category, especially food commodity. Therefore, the price of food commodity become an important issue in the province of Banten. This research analyze the prices of food commoditiy, such as rice, corn, curly red chili, onion, beef, chicken meat and layer egg. The data that used in this research are the monthly time series data from January 2011 to December 2014. The purpose of this research were: 1) To describe the food commodity price developments in Banten; 2) To analyze fluctuations of food commodity prices and their impact on inflation in Banten; 3) To analyze the inflation linkages between regions around Banten Province. This research using descriptive analysis, VAR models (Vector Autoregression) or VECM (Vector Error Correction Model, and Granger causality. The results of a descriptive analysis shows during 2011-2014, the developments of commodity prices such as rice, corn, curly red chili, onion, beef, chicken meat and layer eggs generally showed an upward trend. VAR analysis results showed that in the short term only curly red chili which have a significant impact on inflation in Banten Province. On the long-term there are six commodities that impact significantly on inflation in Banten province, those are beef, corn, rice, chicken meat, layer egg and red chili curly. The results of Granger causality test show that there is only one way relation that is Banten inflation affecting Lampung inflation.
(7)
FLUKTUASI HARGA KOMODITAS PANGAN DAN
DAMPAKNYA TERHADAP INFLASI DI PROVINSI BANTEN
ASTARI FEBRIANI SETIAWAN
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi
pada
Departemen Ekonomi Sumberdaya dan Lingkungan
DEPARTEMEN EKONOMI SUMBERDAYA DAN LINGKUNGAN FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR BOGOR
(8)
(9)
(10)
(11)
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Februari 2015 hingga Juni 2015 ini ialah Ekonomi Pertanian, dengan judul Fluktuasi Harga Komoditas Pangan dan Dampaknya terhadap Inflasi di Provinsi Banten.
Penulis menyadari bahwa penyusunan skripsi ini tidak lepas dari bantuan dan dukungan banyak pihak. Penulis menyampaikan terima kasih dan penghargaan kepada:
1. Orang tua tercinta, Iwan Setiawan dan Lilis Noviarini, serta adik Muhammad Fajrin serta seluruh keluarga atas segala doa dan dukungannya yang diberikan kepada penulis.
2. Bapak Adi Hadianto, SP, M.Si selaku dosen pembimbing skripsi yang telah memberikan arahan, saran dan masukan selama penulisan hingga penyelesaian skripsi ini.
3. Bapak Novindra, SP, M.Si selaku dosen penguji utama dan Ibu Arini Hardjanto, SE, M.Si selaku dosen penguji dari perwakilan departemen yang telah memberikan saran dan masukan untuk penyempurnaan skripsi ini. 4. Bapak Ir. Nindiantoro, MSP selaku dosen pembimbing akademik selama
menjalani perkuliahan.
5. Staf Pegawai di Pusat Data dan Informasi dan Badan Ketahanan Pangan di Kementerian Pertanian, serta Badan Pusat Statistik yang telah membantu selama pengumpulan data.
6. Keluarga besar Departemen Ekonomi Sumberdaya dan Lingkungan FEM IPB, khususnya teman-teman ESL 48 atas kebersamaannya.
7. Sahabat tercinta Windy Melgiana yang selalu memberikan semangat dan telah membantu dalam penyusunan skripsi saya.
8. Sahabat terdekat yaitu Rani Rizqiarati, Kurnia Safitri, Vyatra Pratiwi serta rekan-rekan satu bimbingan Fajar Djamana, Della Rosniawati, Kartika Dwilestari, Gerry Al hasyir, Nur Mulyani, Fidaus Herdian, Yosia Silalahi atas segala dukungan dan semangatnya.
Bogor, Agustus 2015
(12)
(13)
DAFTAR ISI
Halaman
DAFTAR TABEL xii
DAFTAR GAMBAR xiv
DAFTAR LAMPIRAN xv
I PENDAHULUAN 1
1.1Latar Belakang 1
1.2Perumusan Masalah 6
1.3Tujuan Penelitian 7
1.4Ruang Lingkup Penelitian 8
II TINJAUAN PUSTAKA 9
2.1Pangan 9
2.2Inflasi 9
2.3Mekanisme Pembentukan Harga Komoditas Pangan 13
2.4Fluktuasi Harga Komoditas Pangan 14
2.5Keterkaitan Harga Komoditas Pangan dengan Inflasi 17
2.6Vector Autoregression (VAR) 18
2.7Kausalitas Granger 22
2.8Penelitian Terdahulu 23
III KERANGKA PEMIKIRAN 27
3.1Kerangka Pemikiran Operasional 27
IV METODE PENELITIAN 29
4.1Jenis dan Sumber Data 29
4.2Metode Analisis Data 29
4.2.1Analisis Deskriptif 30
4.2.2Vector Autoregression (VAR) 30
4.2.3Uji Kausalitas Granger 33
V GAMBARAN UMUM PERKEMBANGAN HARGA KOMODITAS PANGAN DI PROVINSI BANTEN 35
5.1Perkembangan Harga Beras 35
5.2Perkembangan Harga Jagung 37
(14)
5.4Perkembangan Harga Bawang Merah 40
5.5Perkembangan Harga Daging Sapi Murni 41
5.6Perkembangan Harga Daging Ayam Ras 42
5.7Perkembangan Harga Telur Ayam Ras 44
VI FLUKTUASI HARGA KOMODITAS PANGAN DAN DAMPAKNYA TERHADAP INFLASI DI PROVINSI BANTEN 47
6.1Uji Stasioneritas Data 47
6.2Penentuan Lag Optimal 48
6.3Uji Stabilitas Model VAR 49
6.4Uji Kointegrasi 49
6.5Estimasi Vector Error Corection Model (VECM) 50
6.6Analisis Impulse Response Function (IRF) 52
6.7Analisis Forecast Error Variance Decomposition (FEVD) 55
VII KETERKAITAN INFLASI ANTAR WILAYAH SEKITAR PROVINSI BANTEN 59
VIII SIMPULAN DAN SARAN 63
8.1Simpulan 63
8.2Saran 63
DAFTAR PUSTAKA 65
LAMPIRAN 69
(15)
DAFTAR TABEL
Nomor Halaman
1.1 Perkembangan konsumsi energi pangan penduduk Indonesia tahun
2009-2013 2
1.2 Inflasi menurut kelompok barang dan jasa di Provinsi Banten tahun 2010-2014 4
2.1 Matriks penelitian terdahulu 24
4.1 Matriks analisis data 29
5.1 Rata-rata perubahan harga komoditas pangan di Provinsi Banten periode 2011-2014 35
5.2 Pendugaan produksi dan konsumsi beras di Provinsi Banten tahun 2010-2013 37
5.3 Pendugaan produksi dan konsumsi jagung di Provinsi Banten tahun 2009-2013 38
5.4 Pendugaan produksi dan konsumsi cabai merah di Provinsi Banten tahun 2009-2013 39
5.5 Pendugaan produksi dan konsumsi bawang merah di Provinsi Banten tahun 2009-2013 41
5.6 Pendugaan produksi dan konsumsi daging sapi di Provinsi Banten tahun 2010-2013 42
5.7 Pendugaan produksi dan konsumsi daging ayam ras di Provinsi Banten tahun 2010-2013 44
5.8 Pendugaan produksi dan konsumsi telur ayam ras di Provinsi Banten tahun 2010-2013 45
6.1 Hasil uji stasioneritas pada tingkat level 47
6.2 Hasil uji stasioneritas pada tingkat first difference 48
6.3 Hasil penetapan lag optimal 48
6.4 Uji stabilitas model VAR 49
6.5 Hasil Johansen Cointegration Test 49
6.6 Hasil estimasi VECM 51
7.1 Hasil uji kausalitas Granger IHK Provinsi 60
(16)
DAFTAR GAMBAR
Nomor Halaman
1.1 Perbandingan perkembangan inflasi umum Provinsi Banten dengan
inflasi umum Indonesia tahun 2009-2014 4
2.1 Ilustrasi inflasi tarikan permintaan (demand pull inflation) 12
2.2 Ilustrasi inflasi desakan biaya (cost push inflation) 13
2.3 Kurva keseimbangan dalam mekanisme pembentukan harga 14
2.4 Ilustrasi perubahan harga komoditas dari sisi penawaran 16
2.5 Ilustrasi perubahan harga komoditas dari sisi permintaan 17
3.1 Skema kerangka pemikiran operasional 28
5.1 Perkembangan harga beras di Provinsi Banten periode Januari 2011-Desember 2014 36
5.2 Perkembangan harga jagung di Provinsi Banten periode Januari 2011-Desember 2014 37
5.3 Perkembangan harga cabai merah keriting di Provinsi Banten periode Januari 2011-Desember 2014 39
5.4 Perkembangan harga bawang merah di Provinsi Banten periode Januari 2011-Desember 2014 40
5.5 Perkembangan harga daging sapi murni di Provinsi Banten periode Januari 2011-Desember 2014 42
5.6 Perkembangan harga daging ayam ras di Provinsi Banten periode Januari 2011-Desember 2014 43
5.7 Perkembangan harga telur ayam ras di Provinsi Banten periode Januari 2011-Desember 2014 44
6.1 Hasil analisis Impulse Response Function (IRF) 53
6.2 Besar pengaruh keseluruhan variabel terhadap inflasi Provinsi Banten 56
7.1 Perbandingan perkembangan inflasi Provinsi Banten, Provinsi Lampung dan Provinsi DKI Jakarta tahun 2010-2014 59
(17)
DAFTAR LAMPIRAN
Nomor Halaman
1 Indeks Harga Konsumen (IHK) dan Harga Konsumen
Komoditas Pangan Provinsi Banten 71
2 Indeks Harga Konsumen (IHK) Provinsi Lampung 73
3 Indeks Harga Konsumen (IHK) Provinsi DKI Jakarta 75
4 Uji stasioneritas data 78
5 Hasil penentuan lag optimal 82
6 Uji stabilitas model VAR 82
7 Uji kointegrasi 83
8 Hasil estimasi VECM 92
9 Hasil estimasi IRF 94
10 Hasil estimasi FEVD 96
(18)
(19)
I PENDAHULUAN
1.1 Latar Belakang
Pangan merupakan kebutuhan dasar manusia yang paling utama dan pemenuhannya merupakan bagian dari hak asasi manusia yang dijamin dalam Undang-Undang Dasar Negara Republik Indonesia Tahun 1945 sebagai komponen dasar yang tercantum dalam Undang-Undang No 18 Tahun 2012 tentang Pangan. Oleh karena itu terpenuhinya kebutuhan pangan suatu negara merupakan hal yang mutlak harus dipenuhi. Pentingnya pangan tidak terlepas dari konsep ketahanan pangan.
Undang-Undang No 7 Tahun 1996 tentang Pangan menyatakan bahwa Ketahanan Pangan adalah kondisi terpenuhinya pangan bagi rumah tangga, yang tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutu, aman, merata dan terjangkau. Menurut Ariani (2007) menyebutkan bahwa konsep ketahanan pangan memiliki tiga cakupan, yaitu: (1) Ketersediaan pangan yang mencakup produksi, cadangan dan pemasukan; (2) Distribusi atau aksesibilitas mencakup fisik dan ekonomi; (3) Konsumsi mencakup mutu dan keamanan serta kecakupan gizi individu. Oleh karena itu, ketersediaan pangan tidak hanya dilihat dari aspek keterjangkauan fisik saja tetapi juga dari aspek ekonomi yaitu terjangkau oleh daya beli masyarakat.
Badan Ketahanan Pangan (2012) dalam Roadmap Diversifikasi Pangan 2011-2015 menyatakan bahwa tingginya dominasi beras dalam pola konsumsi pangan penduduk Indonesia hingga saat ini merupakan salah satu penyebab rendahnya kualitas konsumsi pangan nasional yang belum beragam dan bergizi seimbang. Data statistik menunjukkan bahwa konsumsi masyarakat Indonesia berdasarkan energi masih didominasi oleh kelompok pangan padi-padian sedangkan untuk kelompok pangan umbi-umbian, pangan hewani, kacang-kacangan, sayur dan buah proporsi konsumsinya masih rendah. Namun demikian, selama kurun waktu 2009-2013 telah terjadi pengurangan konsumsi energi terhadap padi-padian. Hal ini dapat dilihat pada Tabel 1.1.
(20)
Tabel 1.1 Perkembangan konsumsi energi pangan penduduk Indonesia tahun 2009-2013
Kelompok Pangan Energi (kkal/kap/hari)
2009 2010 2011 2012 2013
1. Padi-padian 1 236 1 205 1 223 1 155 1 165
2. Umbi-umbian 48 47 54 41 39
3. Pangan hewani 148 178 186 183 174
4. Minyak dan lemak 195 229 232 241 233
5. Buah/biji berminyak 37 52 47 43 39
6. Kacang-kacangan 57 63 61 59 58
7. Gula 87 109 105 91 93
8. Sayur dan buah 84 108 104 100 96
9. Lain-lain 35 34 36 32 35
Sumber: BKP, 2013
Provinsi Banten merupakan salah satu provinsi yang memiliki populasi yang tinggi di Indonesia, sehingga membutuhkan ketahanan pangan pada berbagai komoditas yang ada. Beberapa periode waktu yang terjadi di Provinsi Banten menunjukkan adanya kelangkaan terhadap beberapa komoditas yang dapat menimbulkan gejolak harga yang berfluktuatif. Oleh karena itu, ketersediaan terhadap berbagai komoditas sangat penting dalam menjaga stabilitas harga dan stabilitas perekonomian secara makro di suatu wilayah.
Provinsi Banten mengalami pertambahan jumlah penduduk dari tahun ke tahun. Pada tahun 2012 jumlah penduduk Provinsi Banten tercatat 11 248 947 jiwa mengalami peningkatan pada tahun 2013 menjadi 11 452 491 jiwa (BPS Prov. Banten, 2013). Berdasarkan data statistik pendapatan per kapita penduduk Povinsi Banten mengalami peningkatan secara konstan dari tahun ke tahun, pada tahun 2012 pendapatan per kapitanya yaitu sebesar Rp 19 038 000 meningkat menjadi Rp 21 350 000 pada tahun 2013 (BPS Prov. Banten, 2014a). Menurut Tomek (2000), sumber utama peningkatan permintaan komoditas pangan adalah peningkatan jumlah penduduk dan pendapatan. Jumlah penduduk dan pendapatan yang semakin meningkat maka menyebabkan meningkatnya permintaan pangan di Provinsi Banten.
Tingginya permintaan terhadap pangan harus diseimbangi oleh ketersediaan pangan yang cukup dan stabilisasi harga pangan yang dapat terjaga (Arifin, 2007). Hal tersebut tidaklah mudah karena pangan merupakan komoditas pertanian yang memiliki karakteristik khusus sehingga diperlukan upaya untuk memperkecil
(21)
3
tingkat fluktuasi harga pangan dalam mencapai kestabilan harga pangan (Firdaus, 2009). Fluktuasi harga komoditas pangan pada dasarnya terjadi akibat ketidakseimbangan antara kuantitas pasokan dan kuantitas permintaan yang dibutuhkan konsumen (Irawan, 2007).
Dalam Prastowo et al. (2008), dijelaskan bahwa dalam komoditas pangan pembentukan harga lebih dipengaruhi oleh sisi penawaran karena sisi permintaan cenderung stabil mengikuti perkembangannya. Karakteristik penawaran dan permintaan komoditas pertanian cenderung bersifat inelastis terhadap perubahan harga, petani sebagai produsen tidak dapat serta merta meningkatkan produksinya ketika harga naik, sebaliknya konsumen tidak dapat mengurangi permintaannya. Kondisi tersebut membuat harga komoditas pangan menjadi sensitif terhadap guncangan. Furlog dan Ingenito (1996) menyatakan bahwa fluktuasi harga komoditas dapat dijadikan indikator inflasi karena memiliki kemampuan merespon secara cepat terhadap berbagai guncangan ekonomi (economics shocks) yang terjadi, seperti peningkatan supply dan demand shocks, dan guncangan bukan ekonomi (non economics shocks) seperti bencana alam yang dapat menghambat jalur distribusi komoditas tersebut.
Komoditas pangan memiliki peran yang sangat strategis karena gejolak yang ditimbulkan dapat mempengaruhi kondisi makroekonomi (Prastowo et al., 2008). Dengan demikian, fluktuasi harga pangan akan memberikan pengaruh terhadap kondisi perekonomian suatu wilayah sehingga hal tersebut menjadi suatu tantangan bagi beberapa wilayah di Indonesia, terutama di Provinsi Banten. Hal ini dapat dilihat dari kontribusinya terhadap inflasi. Tingkat inflasi Provinsi Banten memiliki pola yang sama dengan inflasi Indonesia yang mengalami perubahan yang tinggi setiap tahunnya. Perbandingan perkembangan inflasi umum Provinsi Banten dengan inflasi umum Indonesia tahun 2009-2014 ditampilkan pada Gambar 1.1.
(22)
Sumber: BPS RI dan BPS Prov. Banten, 2015
Gambar 1.1 Perbandingan perkembangan inflasi umum Provinsi Banten dengan inflasi umum Indonesia tahun 2009-2014
Komoditas pangan termasuk dalam kelompok bahan makanan. Berdasarkan kelompok barang dan jasa, inflasi bahan makanan merupakan kelompok yang paling berfluktuatif dalam inflasi di Provinsi Banten. Selama periode tahun 2010 hingga tahun 2014 tercatat inflasi kelompok bahan makanan menyumbang inflasi yang cukup besar jika dibandingkan dengan kelompok barang dan jasa lainnya. Pada tahun 2014 tercatat inflasi kelompok bahan makanan mencapai 12.63%. Selain itu dalam perkembangannya dari tahun ke tahun bahan makanan termasuk kelompok barang dan jasa yang menyumbang inflasi yang cukup besar dalam inflasi umum Provinsi Banten.
Tabel 1.2 Inflasi menurut kelompok barang dan jasa di Provinsi Banten tahun 2010-2014
Kelompok Barang dan Jasa Inflasi Tahunan (%)
2010 2011 2012 2013 2014
Umum 6.10 3.45 4.50 9.65 10.20
1. Bahan Makanan 14.10 4.76 6.46 11.41 12.63
2. Makanan Jadi,Minuman, Rokok dan
Tembakau 3.75 2.95 5.58 9.58 12.57
3. Perumahan, Air, Listrik, Gas, Bahan
Bakar 4.41 3.16 2.72 6.54 8.75
4. Sandang 8.37 7.02 8.42 0.83 4.73
5. Kesehatan 5.30 4.03 4.77 5.68 4.49
6. Pendidikan, Rekreasi dan Olah Raga 3.64 6.44 6.38 7.47 4.33
7. Transportasi, Komunikasi dan Jasa
Keuangan 1.10 0.02 0.89 17.15 12.93
Sumber: BPS Prov. Banten, 2015b
Komoditas pangan menjadi perhatian karena kelompok bahan makanan merupakan penyumbang inflasi yang cukup besar. Keberhasilan dalam
0 2 4 6 8 10 12
2009 2010 2011 2012 2013 2014
T
ing
k
a
t
Infla
si
(%)
Provinsi Banten Indonesia
(23)
5
mengendalikan harga komoditas pangan akan menjadi salah satu faktor pendukung keberhasilan dalam pengendalian laju inflasi (Prastowo et al., 2008). Pengendalian laju inflasi menjadi pertimbangan bahwa inflasi yang tinggi dan tidak stabil dapat memberikan dampak terhadap perekonomian masyarakat. Inflasi yang tinggi akan menyebabkan pendapatan rill masyarakat menurun sehingga mengakibatkan menurunnya daya beli masyarakat. Selanjutnya, inflasi yang tidak stabil akan menciptakan ketidakpastian bagi pelaku ekonomi dalam pengambilan keputusan (Riyadh et al., 2009).
Besarnya kontribusi perubahan harga komoditas pangan terhadap inflasi menyebabkan fluktuasi harga pangan menjadi permasalahan penting dalam mengendalikan tingkat inflasi di Provinsi Banten. Secara umum, fluktuasi harga pangan terjadi di berbagai wilayah akibat adanya kenaikan harga yang relatif sama. Hal tersebut terindikasi karena adanya keterkaitan pasar dan adanya persaingan pasokan dari berbagai wilayah meskipun mempunyai jarak yang relatif jauh. Provinsi Banten secara geografis merupakan wilayah yang dekat dengan Provinsi Lampung dan Provinsi DKI Jakarta. Hubungan antar provinsi dalam memasok komoditas pertanian merupakan bagian dari pemenuhan kebutuhan permintaan. Apabila antar provinsi terhubung dalam mekanisme pasar, maka harga-harga komoditas akan bergerak secara bersama-sama membentuk integrasi antar wilayah. Terjadinya integrasi harga antar wilayah dan fluktuasi harga pangan menunjukkan informasi harga direspon pasar dan didukung oleh sarana distribusi yang baik (Kementerian Pertanian, 2015).
Basis perhitungan inflasi untuk Provinsi Banten sendiri dihitung berdasarkan tiga kota antara lain Kota Serang, Kota Tangerang dan Kota Cilegon. Oleh karena itu, ketiga kota tersebut secara kedekatan wilayah memiliki jarak yang dekat dengan Lampung dan Jakarta. Dengan demikian, pergerakan inflasi yang terjadi di Provinsi Banten diindikasi adanya keterkaitan inflasi dengan wilayah sekitar Provinsi Banten yang berpotensi dalam mempengaruhi fluktuasi harga komoditas pangan. Berdasarkan uraian yang telah dikemukakan sebelumnya sehingga penting dilakukan penelitian mengenai seberapa besar fluktuasi harga komoditas pangan dapat mempengaruhi inflasi di Provinsi Banten.
(24)
1.2 Perumusan Masalah
Pangan merupakan komoditas strategis dalam pemenuhan konsumsi utama masyarakat. Harga komoditas pangan cenderung mengikuti fluktuasi alami guncangan pasokan dan ketidakstabilan permintaan maupun penawaran, sehingga fluktuasi harga komoditas pangan menjadi permasalahan dalam perekonomian suatu wilayah, salah satunya yaitu Provinsi Banten. Provinsi Banten mengalami peningkatan jumlah penduduk setiap tahunnya. Banyaknya populasi mengakibatkan permintaan terhadap bahan makanan di Banten meningkat, namun terkadang penawaran bahan makanan belum cukup memenuhi permintaan yang ada. Hal tersebut dapat menyebabkan peningkatkan harga bahan pangan yang akhirnya mendorong laju inflasi (Santoso, 2011).
Berdasarkan BPS Prov. Banten (2015b), perubahan harga komoditas bahan makanan mempunyai kontribusi yang cukup besar tehadap inflasi di Provinsi Banten. Hal ini terbukti bahwa selama kurun waktu 2010-2014 kelompok bahan makanan menyubang inflasi yang cukup signifikan terhadap inflasi umum Provinsi Banten (Tabel 1.2).
Pada tahun 2014, inflasi bahan makanan sendiri mencapai 12.63%. Perkembangan inflasi di Provinsi Banten dalam kurun waktu akhir tahun 2014 menunjukkan adanya kenaikan harga bagi beberapa komoditas, yaitu antara lain: beras, jagung, cabai merah, bawang merah, daging sapi, daging ayam ras dan telur ayam. Hal tersebut terjadi karena adanya kenaikan harga bahan bakar minyak (BBM) bersubsidi yang memberikan pengaruh yang sangat kuat terhadap kenaikan harga. Kondisi tersebut menunjukkan bahwa pemerintah provinsi masih belum memberikan hasil yang optimal dalam menjaga stabilitas harga komoditas yang banyak dikonsumsi oleh masyarakat Banten (BPS Prov. Banten, 2014b). Untuk itu, komoditas tersebut dijadikan sebagai objek penelitian.
Bagi negara berkembang seperti Indonesia, pasar produk makanan merupakan salah satu pasar barang yang memegang peran dalam penentuan laju inflasi (Susila dan Munadi, 2008). Namun demikian, kunci utama dalam pengendalian inflasi yaitu kemampuan memitigasi fluktuasi harga komoditas pangan (Prastowo et al., 2008).
(25)
7
Untuk itu, perlu diketahui bagaimana perkembangan harga komoditas pangan di Provinsi Banten. Perkembangan harga tersebut dianalisis untuk menjelaskan fluktuasi harga masing-masing komoditas pangan. Penjelasan mengenai perkembangan harga komoditas pangan dilakukan pada periode penelitian yaitu bagaimana kecenderungan pola datanya. Kemudian melakukan analisis untuk mengetahui pengaruh fluktuasi harga masing-masing komoditas pangan terhadap inflasi di Provinsi Banten. Analisis ini dilakukan untuk melihat komoditas pangan yang memberikan pengaruh dominan terhadap inflasi di Provinsi Banten.
Fluktuasi harga komoditas pangan pada dasarnya terjadi akibat ketidakseimbangan antara jumlah pasokan dan permintaan yang dibutuhkan konsumen (Irawan, 2007). Oleh karena itu, dalam memenuhi kebutuhan barang dan jasa, setiap wilayah membutuhkan wilayah disekitarnya untuk menyediakan komoditas yang tidak dapat dipenuhi oleh wilayah tersebut. Dengan demikian pergerakan inflasi di Provinsi Banten selain memiliki keterkaitan dengan waktu sebelumnya, juga memiliki keterkaitan antara wilayah lain. Untuk itu, selanjutnya melakukan analisis apakah wilayah sekitar seperti Provinsi Lampung dan Provinsi DKI Jakarta memberikan kontribusi inflasi di Provinsi Banten.
Hal ini dilakukan sebagai pertimbangan dalam pengambilan kebijakan yang berkaitan dengan upaya pengendalian inflasi di Provinsi Banten yang dapat dilakukan secara lebih efektif. Berdasarkan uraian yang telah dijelaskan, maka rumusan permasalahan yang akan diteliti adalah sebagai berikut:
1. Bagaimana perkembangan harga komoditas pangan di Provinsi Banten? 2. Bagaimana dampak fluktuasi harga komoditas pangan terhadap inflasi di
Provinsi Banten?
3. Bagaimana keterkaitan inflasi antar wilayah sekitar Provinsi Banten?
1.3 Tujuan Penelitian
Berdasarkan latar belakang dan perumusan masalah, maka penelitian ini bertujuan untuk:
1. Mengidentifikasi perkembangan harga komoditas pangan di Provinsi Banten.
(26)
2. Menganalisis dampak fluktuasi harga komoditas pangan terhadap inflasi di Provinsi Banten.
3. Menganalisis keterkaitan inflasi antar wilayah sekitar Provinsi Banten.
1.4 Ruang Lingkup Penelitian
Adapun ruang lingkup pada penelitian ini adalah:
1. Komoditas utama yang menjadi objek penelitian adalah beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras.
2. Data harga komoditas yang diteliti merupakan data harga di tingkat konsumen di Provinsi Banten.
3. Data inflasi yang digunakan adalah data Indeks Harga Konsumen (IHK) umum pada tahun 2011-2014 dengan tahun dasar 2007.
4. Keterkaitan wilayah sekitar yang dianalisis yaitu Provinsi Lampung dan Provinsi DKI Jakarta.
(27)
II TINJAUAN PUSTAKA
2.1 Pangan
Pangan merupakan kebutuhan paling mendasar bagi sumber daya manusia. Berdasarkan Undang-Undang No 18 Tahun 2012 tentang Pangan, Pangan adalah segala sesuatu yang berasal dari sumber hayati produk pertanian, perkebunan, kehutanan, perikanan, peternakan, perairan, dan air, baik yang diolah maupun tidak diolah yang diperuntukkan sebagai makanan atau minuman bagi konsumsi manusia, termasuk bahan tambahan pangan, bahan baku pangan, dan bahan lainnya yang digunakan dalam proses penyiapan, pengolahan dan atau pembuatan makanan atau minuman.
Indonesia merupakan negara yang masih memiliki ketergantungan yang cukup besar terhadap sektor pertanian terutama sub sektor bahan pangan yang dikendalikan melalui penetapan harga dasar dan harga tertinggi bahan pangan. Hal tersebut dilakukan untuk mengurangi adanya gejolak harga komoditas pangan yang dapat memberikan dampak buruk terhadap kestabilan harga barang dan jasa pada umumnya (Widiarsih, 2012). Stabilisasi harga pangan dilakukan untuk mendukung terciptanya stabilitas sosial, ekonomi, politik dan keamanan. Hal tersebut diperlukan, karena apabila terjadi harga pangan yang sangat berfluktuatif maka akan menimbulkan risiko dan ketidakpastian dalam pengambilan keputusan (Sumaryanto, 2009).
Komoditas pangan yang dianalisis pada penelitian ini adalah beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras. Ketujuh komoditas tersebut termasuk ke dalam kelompok pangan yang fluktuasi harganya sering menjadi sorotan dalam masyarakat. Selain itu, pada perkembangannya ketujuh komoditas menunjukkan kenaikan harga dalam beberapa kurun waktu selama periode penelitian.
2.2 Inflasi
Inflasi merupakan suatu keadaan dimana terjadi kenaikan tingkat harga dari berbagai macam barang secara umum dan terus-menerus (Rahardja dan Manurung, 2008). Kenaikan harga dari satu atau dua barang tidak dapat disebut
(28)
inflasi kecuali kenaikan tersebut terjadi secara meluas atau mengakibatkan kenaikan harga pada barang lainnya (Santoso, 2011).
Angka inflasi dihitung berdasarkan angka indeks yang dikumpulkan dari beberapa macam barang yang diperjualbelikan di pasar dengan masing-masing tingkat harga. Angka indeks yang memperhitungkan semua harga barang dan jasa yang dibeli oleh konsumen disebut Indeks Harga Konsumen (IHK). Berdasarkan BPS (2015b), formula perhitungan IHK menggunakan rumus Modified Laspeyers adalah:
In = x 100 (1)
dimana:
In = Indeks bulan n
Pn = Harga pada bulan n
Pn-1 = Harga pada bulan n-1
P0Q0 = Nilai konsumsi tahun dasar
Pn-1Q0 = Nilai konsumsi bulan n-1
Sedangkan laju inflasi inflasi bulanan dihitung dengan rumus:
In = x 100% (2)
dimana:
In = Inflasi bulanan n
IHKn = IHK bulan n
IHKn-1 = IHK bulanan n-1
Salah satu indikator ekonomi makro yang paling penting adalah IHK yang digunakan untuk mengukur inflasi suatu wilayah. IHK memberikan informasi mengenai perkembangan harga barang dan jasa yang dibayar oleh konsumen atau masyarakat. Selain itu, inflasi merupakan indikator ekonomi yang penting dalam menunjukkan gejala ekonomi tentang harga di suatu wilayah sehingga inflasi menjadi salah satu indikator pengendalian ekonomi makro yang berdampak luas terhadap indikator ekonomi lainnya. Barang dan jasa yang dihitung dalam IHK adalah 744 komoditas barang dan jasa termasuk dalam paket komoditas kebutuhan rumah tangga berdasarkan hasil Survei Biaya Hidup (SBH) tahun
(29)
11
2007. Badan Pusat Statistik mengelompokkan barang dan jasa menjadi tujuh kelompok, yaitu:
1. Kelompok Bahan Makan, meliputi sub kelompok: padi-padian, umbi-umbian dan hasilnya, daging dan hasilnya, ikan segar, ikan diawetkan, telur, susu dan hasil-hasilnya, sayur-sayuran, kacang-kacangan, buah-buahan, bumbu-bumbuan, lemak dan minyak, serta bahan makanan lainnya.
2. Kelompok Makanan Jadi, Minuman, Rokok dan Tembakau, meliputi sub kelompok: makanan jadi, minuman yang tidak beralkohol, serta tembakau dan minuman beralkohol.
3. Kelompok Perumahan, meliputi sub kelompok: biaya tempat tinggal, bahan bakar, penerangan dan air, perlengkapan rumah tangga, serta penyelenggaraan rumah tangga.
4. Kelompok Sandang, meliputi sub kelompok: sandang laki-laki, sandang wanita, sandang anak-anak, serta barang pribadi dan sandang lain.
5. Kelompok Kesehatan, meliputi sub kelompok: jasa kesehatan, obat-obatan, jasa perawatan jasmani, serta perawatan jasmani dan kosmetika.
6. Kelompok Pendidikan, Rekreasi dan Olah Raga, meliputi sub kelompok: pendidikan, pelatihan, perlengkapan pendidikan, rekreasi, serta olahraga. 7. Kelompok Transportasi, Komunikasi dan Jasa Keuangan, meliputi sub
kelompok: transportasi, komunikasi dan pengiriman, sarana dan penunjang transportasi, serta jasa keuangan.
Oleh karena itu, Indeks Harga Konsumen (IHK) dapat dihitung per komoditas, sub kelompok komoditas, maupun gabungan seluruh komoditas. Komoditas yang menjadi objek penelitian ini yaitu beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras termasuk dalam kelompok bahan makanan. Penyebab timbulnya inflasi ada beberapa macam. Mankiw (2000), membedakan inflasi menjadi dua berdasarkan penyebabnya, yaitu:
1. Inflasi tarikan permintaan (demand pull inflation), yaitu inflasi terjadi karena adanya peningkatan agregat permintaan barang dan jasa, sehingga akan menggeser kurva agregat demand ke kanan. Peningkatan permintaan tersebut tidak bisa diimbangi oleh produsen untuk meningkatkan penawaran
(30)
atau kurva agregat supply tetap. Hal tersebut dikarenakan tenaga kerja dalam keadaan full employment atau hampir full employment. Akibatnya, titik keseimbangan yang mencerminkan tingkat harga dan jumlah barang akan bergeser ke kanan mengikuti pergerseran kurva agregat demand dan membentuk keseimbangan baru. Jika kondisi ini berlangsung lama, maka akan berdampak pada terjadinya inflasi. Ilustrasi mengenai inflasi tarikan permintaan ditampilkan pada Gambar 2.1.
Tingkat Harga
AS
E2
P2
P1 E1 AD2
AD1
0 Y1 Y2 Jumlah
Sumber: Mankiw, 2000
Gambar 2.1 Ilustrasi inflasi tarikan permintaan (demand pull inflation)
2. Inflasi desakan biaya (cost push inflation), yaitu inflasi terjadi karena penurunan agregat penawaran yang diakibatkan oleh naiknya biaya produksi. Naiknya biaya produksi mendorong produsen untuk menaikkan harga barang dan jasa atau mengurangi jumlah produksi barang dan jasa, sehingga akan menggeser kurva agregat supply ke kiri. Terjadinya inflasi akibat desakan biaya akan berdampak lebih berbahaya daripada inflasi akibat tarikan permintaan. Hal ini dikarenakan terjadinya inflasi akibat desakan biaya mengakibatkan daya beli masyarakat menurun. Ilustrasi mengenai inflasi desakan biaya dapat dilihat pada Gambar 2.2.
(31)
13
Tingkat Harga
AS2
AS1
P2 E2
P 1 E1
AD
0 Y2 Y1 Jumlah
Sumber: Mankiw, 2000
Gambar 2.2 Ilustrasi inflasi desakan biaya (cost push inflation)
Inflasi dapat memberikan dampak yang kurang menguntungkan dalam perekonomian. Ada beberapa masalah sosial yang muncul akibat inflasi yang tinggi yaitu menurunnya tingkat kesejahteraan rakyat, memburuknya distribusi pendapatan dan terganggunya stabilitas ekonomi (Rahardja dan Manurung, 2008). Tingkat inflasi berpengaruh pada sebagian kelompok masyarakat yang berpendapatan rendah. Masyarakat berpendapatan rendah akan mengalami penurunan daya beli uang yang dimiliki untuk membeli kebutuhan sehari-hari (Suparmono, 2004).
2.3 Mekanisme Pembentukan Harga Komoditas
Berdasarkan teori ekonomi mikro, perubahan harga suatu komoditas ditentukan oleh besarnya permintaan (demand) dan penawaran (supply) terhadap komoditas tersebut. Hubungan antara harga suatu komoditas dengan jumlah yang diminta mengikuti suatu hipotesis dasar ekonomi yang menyatakan bahwa semakin tinggi harga suatu komoditas, semakin rendah jumlah komoditas tersebut yang diminta, dengan asumsi variabel lain dianggap konstan (ceteris paribus) dan terjadi sebaliknya. Sementara itu, hubungan antara harga suatu komoditas dengan jumlah yang ditawarkan mengikuti suatu hipotesis dasar ekonomi yang menyatakan bahwa secara umum, semakin tinggi harga suatu komoditas maka semakin besar jumlah komoditas yang ditawarkan, dengan asumsi variabel lain dianggap konstan (ceteris paribus) dan terjadi sebaliknya. Harga suatu komoditas
(32)
terbentuk oleh kurva permintaan dan kurva penawaran yang saling berpotongan. Pada kondisi tersebut jumlah yang diminta sama dengan jumlah yang ditawarkan sehingga tercapai kondisi keseimbangan harga pasar (equilibrium price) (Lipsey et al., 1995).
Harga
P2 S
E P1
P0 D
Jumlah
0 Q
Sumber: Firdaus, 2009
Gambar 2.3 Kurva keseimbangan dalam mekanisme pembentukan harga
Titik Keseimbangan pada kurva ditunjukkan oleh huruf E. Pada keseimbangan tersebut, tingkat harga sebesar P1 dengan jumlah permintaan dan
penawaran yang sama yaitu sebesar Q. Dalam kurva tersebut terdapat surplus produsen dan surplus konsumen. Surplus produsen sebesar P0EP1. Surplus
produsen adalah keuntungan yang diterima oleh produsen. Surplus konsumen sebesar P2EP1. Surplus konsumen adalah keuntungan yang didapatkan oleh
konsumen.
2.4 Fluktuasi Harga Komoditas Pangan
Harga yang terbentuk untuk suatu komoditas merupakan hasil interaksi antara penjual dan pembeli. Dari sisi pembeli (demand) semakin banyak barang yang ingin dibeli akan meningkatkan harga, sementara dari sisi penjual (supply) semakin banyak barang yang akan dijual maka akan menurunkan harga. Banyak faktor yang dapat mempengaruhi perilaku permintaan maupun penawaran dalam interaksi pembentukan harga. Namun pada komoditas pangan, pembentukan harga
(33)
15
tersebut diduga lebih dipengaruhi oleh sisi penawaran (supply shock) karena sisi permintaan cenderung stabil mengikuti perkembangan (Prastowo et al., 2008).
Karakteristik penawaran dan permintaan untuk komoditas pangan cenderung bersifat inelastis terhadap perubahan harga. Hal tersebut menyebabkan komoditas pangan memiliki tingkat fluktuasi harga yang tinggi. Menurut Anindita (2008), harga produk pangan relatif fluktuatif karena komoditas pangan mempunyai beberapa sifat, yaitu (1) Keadaan biologi di lingkungan pertanian, seperti hama, penyakit dan iklim; (2) Adanya time lags ketika keputusan dalam menggunakan input dan menjual output; (3) Keadaan pasar, khususnya struktur pasar; (4) Dampak dari institusi, seperti BULOG. Adapun faktor yang menyebabkan fluktuasi harga komoditas pangan dapat dibedakan menjadi dua, yaitu fluktuasi penawaran dan fluktuasi permintaan (Firdaus, 2009).
1. Fluktuasi Penawaran
Penawaran dan permintaan pada komoditas pangan bersifat inelastis. Faktor yang menyebabkan penawaran komoditas pangan bersifat inelastis, yaitu komoditas pangan sangat tergantung oleh faktor alam dan dihasilkan secara musiman, kapasitas memproduksi sektor pertanian cenderung untuk mencapai tingkat yang tinggi dan tidak dipengaruhi oleh perubahan permintaan. Keberhasilan tingkat produksi sektor pertanian sangat dipengaruhi oleh faktor-faktor yang berada di luar kemampuan para petani untuk mengendalikannya atau mempunyai sifat uncontrollable.
Produksi hasil pertanian selalu berubah-ubah dari musim ke musim yang dipengaruhi oleh cuaca, iklim dan faktor alamiah lain, seperti banjir dan hujan yang terlalu banyak atau kemarau panjang. Permintaan komoditas pangan yang inelastis akan menyebabkan harga mengalami perubahan yang sangat besar jika penawaran hasil pertanian mengalami perubahan. Ilustrasi mengenai fluktuasi harga komoditas pangan dari sisi perubahan penawaran ditampilkan pada Gambar 2.4.
(34)
Harga
S S1
P E
E’ P1
D
Jumlah 0 Q Q1
Sumber: Firdaus, 2009
Gambar 2.4 Ilustrasi perubahan harga komoditas pangan dari sisi penawaran
2. Fluktuasi Permintaan
Permintaan komoditas pangan bersifat inelastis dalam jangka pendek maupun jangka panjang. Hal ini disebabkan elastisitas pendapatan dari permintaan komoditas pertanian rendah, yaitu kenaikan pendapatan hanya menimbulkan kenaikan yang kecil atas permintaan. Pada umumnya sebagian besar komoditas hasil pertanian merupakan barang kebutuhan pokok yang digunakan untuk kehidupan sehari-hari. Meskipun harganya tinggi jumlah yang sama harus tetap dikonsumsi, sebaliknya pada saat harga turun, konsumsi tidak banyak bertambah karena kebutuhan konsumsi relatif tetap. Ketidakstabilan penawaran komoditas pertanian yang diikuti dengan inelastisitas permintaan menyebabkan perubahan harga yang sangat besar apabila terjadi perubahan permintaan. Ilustrasi mengenai perubahan harga komoditas pertanian akibat fluktuasi permintaan ditampilkan pada Gambar 2.5.
(35)
17
Harga
S
P E
P1 E’
D1 D
Jumlah
0 Q1 Q
Sumber: Firdaus, 2009
Gambar 2.5 Ilustrasi perubahan harga komoditas dari sisi permintaan
2.5 Keterkaitan Harga Komoditas Pangan dengan Inflasi
Christanty (2013) dalam penelitiannya mengungkapkan bahwa salah satu upaya yang dapat dilakukan dalam menangani permasalahan inflasi adalah pengendalian dan pengontrolan terhadap harga komoditas pangan. Dalam keterkaitan harga komoditas pangan dan inflasi, Furlog dan Ingenito (1996) menyatakan bahwa harga komoditas dijadikan sebagai leading indicators inflasi. Hal ini dikarenakan harga komoditas mampu merespon secara cepat guncangan ekonomi yang terjadi dalam perekonomian secara umum, seperti peningkatan permintaan (aggregate demand shock). Selanjutnya harga komoditas juga mampu merespon terhadap guncangan non ekonomi seperti banjir, tanah longsor dan bencana alam lainnya yang dapat menghambat jalur distribusi dari komoditas tersebut.
Penelitian yang dilakukan oleh Moshin dan Zaman (2012) menyatakan bahwa di negara berkembang, masyarakatnya akan mengalokasikan sebagian besar pendapatannya untuk memenuhi kebutuhan pangan. Kenaikan harga komoditas mampu menurunkan daya beli masyarakat terhadap konsumsi komoditas tersebut sehingga akan menyebabkan rendahnya tingkat kesejahteraan masyarakat. Oleh sebab itu, perubahan harga komoditas merupakan salah satu faktor dominan yang menjadi penyumbang inflasi.
(36)
2.6 Vector Autoregression (VAR)
Metode Vector Autoregression (VAR) pertama kali ditemuakan oleh Sims pada tahun 1980. VAR merupakan salah satu model yang dibangun untuk menganalisis hubungan saling ketergantungan antar variabel ekonomi yang dapat diestimasi tanpa perlu menitikberatkan pada masalah eksogenitas. Dalam pendekatan ini semua variabel dianggap sebagai endogen (Ariefianto, 2012). Model VAR muncul karena seringkali teori ekonomi tidak dapat menentukan spesifikasi yang tepat. Misalnya teori terlalu kompleks sehingga simplifikasi harus dibuat atau sebaliknya fenomena yang ada terlalu kompleks jika hanya dijelaskan dengan teori yang ada (Widarjono, 2013). Data yang digunakan dalam model VAR adalah data deret waktu (time series). Model VAR dibangun dengan pendekatan yang meminimalkan teori dengan dengan tujuan agar mampu menangkap fenomena ekonomi dengan baik. Dengan demikian, model VAR disebut juga sebagai model non struktural atau model bukan berdasarkan teori (Juanda dan Junaidi, 2012)
Menurut Nachrowi dan Usaman (2006) terdapat kelebihan dan keunggulan dari metode VAR. Keunggulan dari metode VAR antara lain:
1. Metode VAR adalah model yang sederhana dan tidak perlu membedakan mana yang menjadi variabel endogen dan mana yang menjadi variabel eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen.
2. Cara estimasi metode VAR sangat mudah, yaitu dengan menggunakan Ordinary Least Square (OLS) pada setiap persamaan secara terpisah.
3. Peramalan menggunakan metode VAR pada beberapa hal lebih baik dibanding menggunakan metode dengan persamaan simultan yang lebih kompleks.
Adapun kelemahan yang dimiliki metode VAR sebagai berikut (Gujarati, 2003) :
1. VAR dianggap ateoritis (tidak berdasarkan teori) karena menggunakan lebih sedikit informasi dan teori terdahulu.
(37)
19
2. VAR tidak sesuai jika digunakan untuk menganalisis impilikasi kebijakan. Hal ini dikarenakan analisis pada VAR ditekankan pada peramalan (forecasting).
3. Pemilihan panjang lag menjadi tantangan besar, khususnya ketika variabel banyak dan lag panjang.
4. Semua variabel dalam model VAR harus stasioner. Jika terdapat variabel yang tidak stasioner, perlu dilakukan uji lebih lanjut, salah satunya dengan diferensiasi derajat satu.
5. Koefisien dalam estimasi VAR sulit untuk diinterpretasikan, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi IRF dan FEVD. Menurut Widarjono (2013), terdapat dua hal yang dilakukan sebelum menggunakan metode VAR, yaitu spesifikasi dan identifikasi model VAR. Spesifikasi model VAR meliputi pemilihan variabel dan penentuan lag setiap variabel endogen. Identifikasi model berkaitan dengan identifikasi persamaan yang akan digunakan sehingga apakah model VAR dapat diestimasi atau tidak. Adapun model persamaan umum VAR dapat dituliskan sebagai berikut (Enders, 2004) sebagai berikut:
Yt = A0 + A1Yt-1 + A2Yt-2 + … + ApYt-p + et (3)
Keterangan:
Yt = vektor variabel endogen (Y1.t, Y2.t, Yn.t) berukuran (n.1)
A0 = vektor intersep berukuran (n.1)
Ai = matriks koefisien berukuran (n.n), I = 1,2,…p p = lag dalam persamaan
e = vektor error (e1t, e2t, … ent) berukuran (n.1)
Terdapat beberapa tahapan dalam melakukan analisis VAR, yaitu: 1. Uji Stasioneritas Data
Langkah pertama mengestimasi model VAR adalah uji stasioneritas data. Uji stasioneritas data bisa dilakukan dengan menggunakan uji akar unit (unit root) dalam model. Pengujian stasioneritas data sangat penting jika data yang digunakan dalam bentuk time series. Hal ini karena data time series pada umumnya mengandung akar unit dan nilai rata-rata serta variansnya berubah sepanjang waktu. Data yang tidak stasioner atau memiliki akar unit, jika
(38)
dimasukkan dalam pengolahan statistik maka akan menghasilkan fenomena yang disebut dengan regresi palsu (spurious regression) (Ariefianto, 2012). Menurut Gujarati (2003), data yang tidak stasioner akan memiliki estimasi model ekonometrik time series yang akan menghasilkan kesimpulan yang tidak berarti, yaitu kemungkinan besar estimasi akan gagal mencapai nilai yang sebenarnya. Untuk menguji ada atau tidaknya akar unit dapat digunakan uji Augmented Dickey-Fuller (ADF). Pemahaman mengenai uji ADF dimulai dengan formulasi sebagai berikut:
∆Yt= α0+ βYt-1 + i∆Yt-1+ et (4)
Dalam persamaan seperti ini hipotesis yang digunakan adalah:
H0: β = 0 (mengandung akar unit atau tidak stasioner)
H1: β < 0 (tidak mengandung akar unit atau stasioner)
Jika nilai stastik ADF secara absolut lebih kecil daripada nilai kritis MacKinnon, maka keputusannya tolak H0. Hal ini menunjukkan Yt tidak
mengandung akar unit atau data stasioner. 2. Penentuan Lag Optimal
Hal penting lainnya dalam estimasi model VAR adalah penentuan lag. Lag yang optimal diperlukan dalam rangka menangkap pengaruh dari setiap variabel terhadap variabel lainnya dalam sistem VAR. Penentuan lag optimal dapat ditentukan dengan menggunakan berbagai kriteria, yaitu: Likelihood Ratio (LR), Akaike Information Criterion (AIC), Schwarz Criterion (SC), Final Prediction Error (FPE) dan Hannan-Quinn Criterion (HQ) (Juanda dan Junaidi, 2012). 3. Uji Stabilitas Model VAR
Langkah berikutnya yaitu menguji stabilitas VAR. Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai modulusnya < 1 maka model VAR tersebut dianggap stabil, sehingga Impulse Response Function (IRF) dan Forecast Error Variance Decomposition (FEVD) yang dihasilkan dianggap valid (Firdaus, 2011).
(39)
21
4. Uji Kointegrasi
Uji Kointegrasi bertujuan untuk menentukan variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Menurut Engle dan Granger (1987) dalam Firdaus (2011), konsep kointegrasi merupakan kombinasi linier dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linier ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara variabel. Jika trace statistic > critical value maka persamaan tersebut terkointegrasi. Uji kointegrasi dapat dilakukan dengan metode Johansen Cointegration Test. Setelah jumlah persamaan yang terkointegrasi telah diketahui maka tahapan analisis selanjutnya yaitu analisis Vector Error Corection Model (VECM) (Firdaus, 2011).
5. Vector Error Corection Model (VECM)
Engle dan Granger (1987) dalam Widarjono (2013) menyatakan bahwa data time series seringkali tidak stasioner pada tingkat level atau non stasioneritas data, tetapi kombinasi linier antara dua atau lebih data non stasioner menjadi stasioner. Data time series yang tidak stasioner disebut terkointegrasi. Model VECM digunakan dalam model VAR non struktural apabila data time series tidak stasioner pada level, tetapi stasioner pada data diferensi dan terkointegrasi sehingga menunjukkan adanya hubungan teoritis antar variabel.
Model VECM ini disebut model VAR yang terestriksi (restricted VAR). Spesifikasi VECM merestriksi hubungan perilaku jangka panjang antar variabel yang ada agar konvergen dalam hubungan kointegrasi namun tetap membiarkan perubahan-perubahan dinamis dalam jangka pendek. Terminologi kointegrasi ini disebut koreksi kesalahan (error correction) karena bila terjadi deviasi terhadap keseimbangan jangka panjang akan dikoreksi secara bertahap melalui penyesuain parsial jangka pendek secara bertahap. Spesifikasi model VECM secara umum dalam bentuk persamaan menurut Enders (2004) adalah:
Yt = μ0x+ μ1xt+ ΠxYt-1 + Σ k Yt-i + εt (5)
dimana:
ΔYt = vektor yang berisi variabel dalam penelitian
(40)
μ1x = vektor koefisien regresi t = tren waktu
Πx = αxβ’ dimana β’ mengandung persamaan kointegrasi jangka panjang
Yt-I = variabel in-level
Γ = matriks koefisien regresi k-1 = ordo VECM dari VAR
εt = error term
6. Analisis Impulse Response Function (IRF)
Secara individual koefisien dalam model VAR sulit diinterpretasikan maka digunakan analisis impulse response. Analisis IRF digunakan untuk menentukan respon dari suatu variabel endogen terhadap guncangan atau perubahan dalam variabel error (Widarjono, 2013). Juanda dan Junaidi (2012) menjelaskan bahwa model VAR dapat digunakan untuk melihat dampak perubahan dari satu variabel dalam sistem terhadap variabel lainnya secara dinamis. Caranya melalui pemberian guncangan pada salah satu variabel endogen. Guncangan yang diberikan biasanya sebesar satu standar deviasi dari variabel tersebut.
7. Analisis Forecast Error Variance Decomposition (FEVD)
Analisis FEVD mencirikan suatu struktur dinamis dalam model VAR/VECM. Analisis FEVD dalam model VAR bertujuan untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu dalam sistem VAR. Dalam analisis ini dapat dilihat kekuatan dan kelemahan masing-masing variabel mempengaruhi variabel lainnya dalam kurun waktu tertentu. Pada analisis FEVD digunakan untuk menggambarkan relatif pentingnya setiap variabel dalam sistem VAR/VECM karena adanya guncangan (Juanda dan Junaidi, 2012).
2.7 Kausalitas Granger
Analisis regresi berhubungan dengan keterkaitan antara variabel satu dengan variabel lain, tapi hal tersebut belum tentu membuktikan adanya kausalitas. Dengan kata lain, adanya hubungan antara variabel belum tentu membuktikan adanya kausalitas. Uji kausalitas Granger dapat mengindikasikan apakah suatu variabel mempunyai hubungan dua arah atau hanya satu arah saja dengan memasukan unsur waktu. Adanya hubungan dua arah atau satu arah tersebut dapat
(41)
23
dilihat dengan membandingkan probabilitas dengan nilai kritis yang digunakan. Jika hasil uji kausalitas Granger menunjukkan probabilitas < nilai kritis maka terdapat hubungan kausalitas yaitu saling menyebabkan (Gujarati, 2003).
2.8 Penelitian Terdahulu
Penelitian mengenai pengaruh fluktuasi harga terhadap inflasi telah dilakukan oleh beberapa peneliti sebelumnya, diantaranya Prastowo et al. (2008), Rahmah (2013), Christanty (2013) dan Hasanah (2014). Persamaan dengan penelitian ini adalah kesamaan topik penelitian, yaitu pengaruh harga komoditas pertanian dan dampaknya terhadap inflasi. Perbedaan penelitian ini dengan penelitian terdahulu yaitu fokus komoditas pangan yang diteliti yaitu beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras.
Penelitian menggunakan metode Vector Autoregression (VAR) telah dilakukan oleh beberapa peneliti sebelumnya, diantarnya oleh Respati (2005) dan Busnita (2014). Persamaan dengan penelitian ini yaitu alat analisis yang digunakan yaitu VAR. Beda penelitiannya yaitu metode VAR pada penelitian ini lebih difokuskan pada respon inflasi akibat fluktuasi harga. Adapun penelitian mengenai analisis kausalitas Granger telah dilakukan peneliti sebelumnya, salah satunya oleh Maryana (2011). Perbedaan dengan penelitian ini yaitu analisis kausalitas Granger lebih difokuskan untuk melihat keterkaitan inflasi antar wilayah sekitar Provinsi Banten. Tinjauan penelitian terdahulu dapat dilihat pada Tabel 2.1.
(42)
24
Tabel 2.1 Matriks penelitian terdahulu
No. Peneliti/Judul Penelitian Tujuan Metode Hasil
1. Nama: Nugroho Joko
Prastowo, Tri
Yanuarti, Yoni Depari
Tahun: 2008
Judul: Pengaruh distribusi dalam
pembentukan harga
komoditas dan
implikasinya terhadap inflasi
1. Memperoleh gambaran
mengenai mekanisme
pembentukan harga dan pola distribusi dari komoditas pangan, khususnya komoditas beras, gula pasir, minyak goreng, daging sapi dan cabe merah 2. Mengidentifikasi pengaruh
distribusi dalam pembentukan harga komoditas pangan tersebut dan dampkanya terhadap inflasi
1. Data yang digunakan dalam penelitian ini adalah data sekunder dan data primer yang diperoleh dengan metode survei
2. Metode analisis yang
digunakan adalah analisis deskriptif, analisis kuantitatif dan analisis survei
1. Komoditas pangan mempunyai peranan yang penting karena sumbangannya yang cukup signifikan dalam pembentukan inflasi
2. Tekanan gejolak harga kelompok komoditas pangan lebih dipicu oleh supply shocks
3. Gejolak harga kelompok komoditas pangan cenderung meningkat pada periode setelah krisis seiring dengan berkurangnya peran pemerintah dalam pengendalian harga komoditas
4. Semakin cepat rusak/busuk suatu komoditas tingkat fluktuasi harganya semakin tinggi
5. Manajemen stok atas suatu komoditas dapat mengurangi tekanan gejolak harga
6. Pola produksi yang tidak dipengaruhi oleh faktor musiman dan pola distribusi yang bersifat lokal mengurangi fluktuasi harga
7. Dampak faktor distribusi yang sangat berbahaya terhadap inflasi adalah peningkatan biaya transportasi
2. Nama: Lia Nur Alia Rahmah
Tahun: 2013
Judul: Analisis fluktuasi harga komoditas
pangan dan
pengaruhnya terhadap inflasi Jawa Barat
1. Menjelaskan perkembangan harga komoditas pangan di Jawa Barat
2. Menganalisis kecenderungan harga komoditas pangan di Jawa Barat di masa mendatang 3. Menganalisis fluktuasi harga
komoditas pangan terhadap inflasi di Jawa Barat
1. Data yang digunakan
merupakan data sekunder time series bulanan (2009-2012) 2. Analisis data dilakukan
dengan analisis deskriptif, ARIMA dan VAR
1. Perkembangan harga komoditas pangan bersifat positif dengan tren cenderung naik
2. Perubahan harga ketiga komoditas pangan, yaitu beras, gula pasir dan kedelai berpengaruh nyata terhadap perubahan inflasi di Jawa Barat
(43)
25
No. Peneliti/Judul Penelitian Tujuan Metode Hasil
3. Nama: Hyldha Christanty Tahun: 2013
Judul: Pengaruh volatilitas harga terhadap inflasi di Kota Malang:
pendekatan model ARCH/GARCH
1. Mengetahui volatilitas harga beras dan kentang pada empat pasar (Giant Hypermart, Pasar Dinoyo, Pasar Besar) di Kota Malang
2. Mengetahui pengaruh volatilitas harga komoditas beras dan kentang terhadap inflasi di Kota Malang
1. Data yang digunakan
merupakan data time series bulanan (2010-2012)
2. Analisis data dilakukan dengan pendekatan model ARCH/GARCH
1. Tingkat volatilitas harga tertinggi kedua komoditas tersebut terjadi di Giant
2. Tingkat volatilitas harga yang relatif tinggi di Giant dan Pasar Dinoyo mampu mengindikasikan bahwa volatilitas harga, khususnya harga komoditas pangan beras dan kentang berpengaruh terhadap inflasi di Kota Malang
4. Nama: Fikriyan Nuriyatul Hasanah
Tahun: 2014
Judul: Dampak fluktuasi
harga pangan
hewani asal ternak terhadap inflasi di Kabupaten Bogor
1. Menjelaskan perkembangan harga komoditas pangan hewani asal ternak di Kabupaten Bogor 2. Menganalisis dampak fluktuasi
harga komoditas pangan hewani asal ternak terhadap inflasi di Kabupaten Bogor
1. Data yang digunakan
merupakan data sekunder time series bulanan (2010-2013) 2. Analisis data yang dilakukan
adalah analisis deskriptif dan analisis VAR
1. Perkembangan harga komoditas pangan hewani asal ternak di Kabupaten Bogor pada umumnya memiliki kecenderungan meningkat.
2. Dalam jangka pendek tidak terdapat komoditas pangan hewani asal ternak yang berdampak secara signifikan terhadap inflasi di Kabupaten Bogor. Dalam jangka panjang daging sapi bistik, daging sapi murni, daging kambing/domba, telur ayam ras dan telur itik berdampak positif terhadap inflasi. Daging ayam broiler, daging sapi has, telur ayam buras, hati sapi dan susu segar berdampak negatif terhadap di inflasi Kabupaten Bogor
5. Nama: Elfi Respati Tahun: 2005
Judul: Analisis VAR untuk mekanisme
pemodelan harga daging ayam
1. Mengkaji penggunaan model
ekonometrik VAR guna
membangun pemodelan harga daging ayam
2. Melakukan peramalan jangka pendek untuk peubah harga daging ayam menggunakan model VAR
1. Data yang digunakan
merupakan data sekunder time series bulanan (1996-2004) 2. Metode penelitian yang
digunakan adalah model persamaan VAR
1. Model VAR cukup baik dalam menganalisis hubungan antar peubah yang mempengaruhi harga rata-rata daging ayam.
2. Untuk peramalan jangka pendek, model VAR menghasilkan nilai ramalan yang tidak jauh berbeda dengan nilai aktualnya
(44)
26
No. Peneliti/Judul Penelitian Tujuan Metode Hasil
6. Nama: Silvia Sari Busnita Tahun: 2014
Judul: Volatilitas dan disparitas harga beras studi di Negara Indonesia, India dan dunia
1. Mengidentifikasi volatilitas serta disparitas harga beras yang terjadi di Indonesia, India dan dunia
2. Menganalisis faktor-faktor yang mempengaruhi volatilitas harga beras Indonesia
1. Data yang digunakan adalah data time series bulanan dari tahun 2007-2013
2. Metode yang digunakan adalah ARCH-GARCH dan VAR-VECM
1. Hasil analisis volatilitas menunjukkan bahwa harga beras Indonesia dan harga beras dunia merupakan variabel ekonomi yang volatil dan bervariasi dengan disparitas harga setiap tahunnya
2. Hasil estimasi VAR/VECM menunjukkan pada jangka panjang variabel yang signifikan mempengaruhi volatilitas harga beras Indonesia adalah cadangan harga beras domestik, produksi padi dan harga beras domestik, sedangkan harga beras dunia berpengaruh signifikan pada jangka pendek 7. Nama: Embang Maryana
Tahun: 2011
Judul: Analisis hubungan kausalitas ekspor CPO dengan nilai tukar dan harga minyak bumi
1. Menganalisis hubungan
kausalitas antara volume ekspor CPO Indonesia dengan nilai tukar dan harga internasional minyak bumi
2. Mengidentifikasi perubahan nilai tukar, harga internasional
minyak bumi, harga
internasional CPO, suku bunga dan produksi mempengaruhi ekspor CPO
1. Data yang digunakan adalah data sekunder periode waktu kuartal I tahun 2000 sampai kuartal IV tahun 2010
2. Metode analisis yang
digunakan adalah metode
VAR-VECM dan uji
kausalitas Granger
1. Terdapat hubungan kausalitas antara ekspor CPO dengan nilai tukar dan harga internasional minyak bumi
2. Pada jangka pendek produksi dan harga internasional CPO berpengaruh negatif sedangkan harga internasional minyak bumi dan suku bunga berpengaruh positif terhadap volume ekspor CPO 3. Pada jangka panjang, nilai tukar, suku bunga dan
harga internasional minyak bumi berpengaruh negatif terhadap volume ekspor CPO sedangkan harga internasional CPO dan produksi berpengaruh positif terhadap volume ekspor CPO
4. Hasil analisis FEVD, volume ekspor CPO sangat dipengaruhi oleh perubahan nilai tukar, produksi CPO dan harga internasional minyak bumi
(45)
III KERANGKA PEMIKIRAN
3.1 Kerangka Pemikiran Operasional
Fluktuasi harga pangan menjadi salah satu isu penting dalam perekonomian makro di Provinsi Banten. Hal ini ditunjukkan dengan kontribusi kelompok bahan makanan yang cukup besar terhadap inflasi di Provinsi Banten. Salah satu kelompok bahan makanan yang dominan menyumbang inflasi yaitu komoditas pangan. Hal ini disebabkan terjadinya gejolak fluktuasi harga pada komoditas pangan yang selalu mengalami kenaikan maupun penurunan harga. Perkembangan harga masing-masing komoditas pangan di Provinsi Banten dianalisis menggunakan metode analisis deskriptif. Metode analisis deskriptif ini dilakukan untuk mengidentifikasi peristiwa pada data yang dianalisis. Selanjutnya analisis deskriptif akan menghasilkan informasi fluktuasi harga komoditas pangan di Provinsi Banten pada periode penelitian.
Setelah diketahui pola data fluktuasi harga komoditas pangan, kemudian informasi tersebut digunakan untuk menganalisis dampak fluktuasi harga pangan terhadap inflasi di Provinsi Banten. Model yang digunakan yaitu model VAR (Vector Autoregression). Hasil analisis berupa IRF (Impulse Response Function) dan FEVD (Forecast Error Variance Decomposition). Analisis IRF digunakan untuk mengetahui respon inflasi Provinsi Banten akibat adanya fluktuasi harga masing-masing komoditas pangan. Analisis FEVD digunakan untuk mengetahui kontribusi fluktuasi harga masing-masing komoditas pangan dalam menjelaskan keragaman inflasi di Provinsi Banten.
Selanjutnya dilakukan analisis kausalitas Granger untuk menjelaskan ada atau tidaknya keterkaitan inflasi antara Provinsi Banten dengan Provinsi Lampung dan Provinsi DKI Jakarta. Berikut ini skema kerangka pemikiran operasional dapat dilihat pada Gambar 3.1.
(46)
Gambar 3.1 Skema kerangka pemikiran operasional Respon Inflasi terhadap Guncangan Harga Komoditas Pangan dan Kontribusi Harga Komoditas Pangan dalam
menjelaskan Keragaman Inflasi
Analisis Deskriptif Model VAR
Pengaruh Fluktuasi Harga Komoditas Pangan terhadap
Inflasi Provinsi Banten Analisis Perkembangan
Harga Komoditas Pangan
Keterkaitan Inflasi Antar Wilayah Sekitar Provinsi
Banten Fluktuasi Harga
Komoditas Pangan di Provinsi Banten
Inflasi
Uji Kausalitas Granger
(47)
IV METODE PENELITIAN
4.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data time series bulanan periode Januari 2011 hingga Desember 2014. Data yang digunakan merupakan data sekunder berupa perkembangan harga pangan bulanan di tingkat konsumen yang merupakan rata-rata harga di tingkat provinsi yaitu Provinsi Banten. Data tersebut diperoleh dari Pusat Data dan Sistem Informasi Pertanian (Pusdatin).
Data Indeks Harga Konsumen (IHK) bulanan Provinsi Banten berdasarkan tahun dasar 2007 yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Banten. Selain itu, berbagai data penunjang diperoleh dari instansi-instansi terkait seperti Badan Pusat Statistik (BPS), BPS Provinsi Lampung, BPS DKI Jakarta dan Badan Ketahanan Pangan (BKP) Kementerian Pertanian serta studi literatur yang diperoleh dari berbagai sumber, seperti buku bacaan, jurnal ilmiah dan internet yang sesuai dengan topik penelitian.
4.2 Metode Analisis Data
Data yang diperoleh dianalisis menggunakan metode dan alat analisis yang sesuai.
Tabel 4.1 Matriks analisis data
Tujuan Penelitian Data yang Dibutuhkan Metode Analisis Data
1. Menjelaskan
perkembangan harga komoditas pangan di Provinsi Banten.
Data time series bulanan harga komoditas pangan di Provinsi Banten periode Januari 2011 hingga Desember 2014.
Analisis Deskriptif
2. Menganalisis dampak
fluktuasi harga
komoditas pangan
terhadap inflasi di Provinsi Banten.
1. Data time series bulanan harga komoditas pangan di Provinsi Banten periode Januri 2011 hingga Desember 2014.
2. Data time series bulanan IHK umum Provinsi Banten periode Januari 2011 hingga Desember 2014.
Analisis VAR (Vector Autoregression) menggunakan software Eviews 8.
3. Menganalisis
keterkaitan inflasi antar wilayah sekitar Provinsi Banten.
Data time series bulanan IHK umum Provinsi Banten, Provinsi Lampung dan DKI Jakarta periode Januari 2011 hingga Desember 2014.
Analisis Kausalitas Granger menggunakan software Eviews 8
(48)
4.2.1Analisis Deskriptif
Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan dan mempermudah penafsiran yang dilakukan dengan bantuan grafik terhadap suatu observasi. Analisis deskriptif pada penelitian ini digunakan untuk mencapai tujuan pertama yaitu melihat perkembangan harga komoditas pangan di Provinsi Banten. Analisis deskriptif adalah teknik analisis yang memberikan informasi hanya mengenai data yang dimiliki dan tidak bermaksud untuk menguji hipotesis. Analisis deskriptif hanya dipergunakan untuk menyajikan dan menganalisis data agar lebih bermakna dan komunikatif. (Nurgiantoro et al., 2009).
Analisis deskriptif pada penelitian ini digunakan untuk menganalisis perkembangan harga pangan di Provinsi Banten periode Januari 2011 hingga Desember 2014. Pada perkembangan harga komoditas pangan akan dijelaskan pola data dan kecenderungan harga pangan di Provinsi Banten. Pada penelitian ini, analisis deskriptif dijelaskan dengan bantuan tabel dan grafik untuk mempermudah dalam penjelasan. Grafik yang ditampilkan merupakan plot data terhadap waktu pada periode penelitian. Grafik tersebut akan ditambah dengan keterangan yang menerangkan kondisi serta hal-hal yang mempengaruhi peristiwa yang terjadi pada data yang dianalisis.
4.2.2Vector Autoregression (VAR)
Analisis Vector Autoregression (VAR) dalam penelitian ini digunakan untuk menganalisis dampak fluktuasi harga komoditas bahan pangan terhadap inflasi di Provinsi Banten. Pada penelitian ini, yang akan dianalisis adalah hubungan antara harga komoditas bahan pangan yang menjadi objek penelitian, yaitu beras, jagung, cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam ras, dengan Indeks Harga Konsumen (IHK) umum Provinsi Banten. Analisis VAR dilakukan dengan menggunakan perangkat lunak Eviews 8. Masing-masing variabel menggunakan logaritma natural untuk memudahkan perhitungan. Model penelitian dapat ditulis sebagai berikut:
(49)
31
dimana:
LnIHKt = Indeks Harga Konsumen (IHK) pada waktu t
LnDSMt = Harga daging sapi murni pada waktu t
LnJAGt = Harga jagung pada waktu t
LnBERt = Harga beras pada waktu t
LnDARt = Harga daging ayam ras pada waktu t
LnTARt = Harga telur ayam ras pada waktu t
LnBAMt = Harga bawang merah pada waktu t
LnCMKt = Harga cabai merah keriting pada waktu t
An, Bn, … = Parameter estimasi
et = error term (sisaan)
Adapun tahapan analisis VAR yaitu: 1. Uji Stasioner Data
Uji stasioner data dalam penelitian ini dilakukan pada seluruh variabel dalam model VAR, meliputi masing-masing harga komoditas pangan dan IHK. Masing-masing variabel harga akan diuji melalui uji ADF apakah stasioner pada tingkat level atau pada tingkat first difference. Kriteria yang digunakan adalah
(50)
Augmented Dickey-Fuller (ADF), dengan selang kepercayaan 5%. Hipotesis yang diuji yaitu:
H0 = tidak stasioner atau terdapat unit root
H1 = stasioner atau tidak terdapat unit root
Jika nilai ADF statistik lebih kecil dari MacKinnon critical value, maka keputusannya adalah tolak H0 atau data dinyatakan stasioner, sebaliknya jika nilai
ADF statistik lebih besar dari MacKinnon critical value maka tidak tolak H0
sehingga data dinyatakan tidak stasioner. 2. Penentuan Lag Optimal
Penentuan lag optimal dalam penelitian ini dapat ditentukan dengan menggunakan berbagai kriteria, yaitu: Likelihood Ratio (LR), Final Prediction Error (FPE), AIC (Akaike Information Criterion), SC (Schwarz Information Criterion) dan HQ (Hannan-quinn Information Criterion).
3. Uji Stabilitas Model VAR
Uji stabilitas dilakukan untuk menguji apakah model VAR sudah stabil atau belum. Model dianggap stabil apabila memiliki nilai modulusnya < 1, maka IRF dan FEVD akan dianggap valid.
4. Uji Kointegrasi
Uji kointegrasi dilakukan untuk menguji variabel yang tidak stasioner di tingkat level terkointegrasi atau tidak. Hasil uji kointegrasi untuk mengetahui keberadaan informasi hubungan jangka panjang antar variabel. Apabila terdapat kointegrasi pada model yang diuji, maka analisis selanjutnya menggunakan VECM. Model dinyatakan memiliki kointegrasi sehingga signifikan pada selang kepercayaan 5%, apabila nilai trace statistic lebih besar daripada critical value. 5. Estimasi Vector Error Corection Model(VECM)
Estimasi VECM dilakukan untuk pengaruh harga masing-masing komoditas pangan terhadap inflasi di Provinsi Banten dalam jangka pendek dan jangka panjang. Adanya mekanisme penyesuaian dari jangka pendek ke jangka panjang ditunjukkan dengan adanya dugaan parameter error correction (CoeintEq1) yang bernilai negatif (Juanda dan Junaidi, 2012). Selanjutnya, jika |T-hitung| > T- statistik (1,96) artinya signifikan pada selang kepercayaan 5%.
(51)
33
6. Analisis Impulse Response Function (IRF)
Analisis IRF dilakukan untuk mengetahui respon inflasi akibat adanya guncangan pada inflasi itu sendiri dan fluktuasi pada harga pangan yang menjadi objek penelitian. Hasil analisis berupa grafik yang akan menggambarkan lintasan dimana suatu variabel akan kembali kepada keseimbangannya setelah mengalami guncangan dari variabel lain.
7. Analisis Forecast Error Variance Decomposition (FEVD)
Analisis FEVD digunakan untuk mengetahui kontribusi harga pangan dalam menjelaskan keragaman inflasi. Kemudian dari hasil analisis FEVD juga dapat diketahui komoditas pangan yang menjadi variabel dominan dalam menjelaskan keragaman inflasi di Provinsi Banten.
4.2.3Uji Kausalitas Granger
Uji kausalitas Granger dilakukan untuk melihat hubungan kausalitas diantara variabel-variabel yang ada dalam model. Pada penelitian ini uji kausalitas Granger digunakan untuk melihat keterkaitan inflasi antara Provinsi Banten dengan inflasi Provinsi Lampung dan Provinsi DKI Jakarta. Uji kausalitas Granger ini dapat dilihat adanya pengaruh masa lalu terhadap kondisi sekarang, sehingga data yang digunakan adalah data time series. Hipotesis pada uji kausalitas adalah sebagai berikut:
Ho: suatu variabel tidak menyebabkan suatu variabel lainnya
H1: suatu variabel menyebabkan suatu variabel lainnya
Dalam penelitian ini hipotesis yang digunakan adalah IHK Provinsi Lampung dan IHK Provinsi DKI Jakarta mempunyai hubungan kausalitas dengan IHK Provinsi Banten. Penentuannya jika nilai probabilitas dari kedua hipotesis tersebut memiliki nilai lebih kecil dari 5% maka keputusannya adalah tolak H0.
Hal ini diinterpretasikan bahwa apabila antara satu variabel dengan satu variabel lainnya saling mempengaruhi, maka terjadi hubungan kausalitas dua arah. Sebaliknya, jika hanya satu hipotesis tolak H0, maka hanya terjadi hubungan
kausalitas satu arah. Selanjutnya, apabila nilai probabilitasnya lebih besar dari 5% maka keputusannya terima H0,sehingga tidak memiliki hubungan kausalitas.
(52)
(1)
R-squared 0.358215 0.292607 0.058278 0.451936 0.195743 0.567210 0.203203 0.467233 Adj. R-squared 0.197769 0.115759 -0.177152 0.314920 -0.005321 0.459012 0.004004 0.334041 Sum sq. resids 0.001759 0.014311 0.067576 0.017404 0.203283 0.131490 1.565680 1.753580 S.E. equation 0.006990 0.019938 0.043326 0.021988 0.075145 0.060436 0.208545 0.220705 F-statistic 2.232616 1.654566 0.247539 3.298422 0.973534 5.242357 1.020098 3.507972 Log likelihood 168.6798 120.4617 84.76110 115.9615 59.43012 69.45055 12.47621 9.869418 Akaike AIC -6.899122 -4.802682 -3.250482 -4.607020 -2.149136 -2.584807 -0.107661 0.005677 Schwarz SC -6.501591 -4.405152 -2.852952 -4.209489 -1.751605 -2.187276 0.289869 0.403208 Mean dependent 0.005534 0.009330 0.010429 0.004925 0.004826 0.007905 -0.001565 0.013753 S.D. dependent 0.007804 0.021203 0.039933 0.026565 0.074946 0.082168 0.208964 0.270451 Determinant resid covariance (dof adj.) 7.94E-23
Determinant resid covariance 1.12E-23 Log likelihood 693.3578 Akaike information criterion -26.27643 Schwarz criterion -22.73840
Lampiran 9 Hasil estimasi IRF
Period LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK 1 0.006990 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.009989 -0.001173 0.001262 0.000278 0.001589 0.000905 -0.000775 0.002020 3 0.009968 -0.001415 0.003006 0.000972 0.001194 0.000665 -0.001265 0.003240 4 0.009709 -0.001062 0.003748 0.001119 0.000758 0.000200 -0.001827 0.003662 5 0.009784 -0.000939 0.003976 0.001154 0.000879 0.000405 -0.002115 0.003682 6 0.010082 -0.000972 0.004069 0.001540 0.001188 0.000847 -0.001949 0.003632 7 0.010367 -0.000971 0.004071 0.002021 0.001295 0.000988 -0.001647 0.003722 8 0.010448 -0.000923 0.004058 0.002206 0.001184 0.000813 -0.001578 0.003918 9 0.010349 -0.000883 0.004098 0.002093 0.001050 0.000628 -0.001742 0.004047
(2)
95
Period LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK10 0.010253 -0.000877 0.004162 0.001957 0.001039 0.000634 -0.001895 0.004035 11 0.010273 -0.000891 0.004192 0.001980 0.001122 0.000764 -0.001886 0.003962 12 0.010360 -0.000900 0.004176 0.002106 0.001184 0.000846 -0.001779 0.003938 13 0.010407 -0.000893 0.004152 0.002184 0.001169 0.000815 -0.001717 0.003978 14 0.010383 -0.000882 0.004151 0.002158 0.001118 0.000741 -0.001750 0.004026 15 0.010339 -0.000878 0.004168 0.002094 0.001096 0.000715 -0.001811 0.004032 16 0.010327 -0.000882 0.004181 0.002073 0.001116 0.000748 -0.001829 0.004006 17 0.010350 -0.000887 0.004179 0.002104 0.001143 0.000787 -0.001800 0.003987 18 0.010373 -0.000888 0.004169 0.002139 0.001148 0.000789 -0.001769 0.003992 19 0.010373 -0.000884 0.004165 0.002141 0.001132 0.000766 -0.001769 0.004009 20 0.010357 -0.000882 0.004169 0.002120 0.001120 0.000749 -0.001790 0.004016 21 0.010348 -0.000882 0.004174 0.002105 0.001122 0.000754 -0.001803 0.004010 22 0.010352 -0.000884 0.004175 0.002110 0.001131 0.000768 -0.001797 0.004001 23 0.010361 -0.000885 0.004172 0.002123 0.001136 0.000774 -0.001785 0.004000 24 0.010364 -0.000884 0.004170 0.002128 0.001133 0.000768 -0.001781 0.004005 25 0.010360 -0.000883 0.004170 0.002123 0.001128 0.000761 -0.001786 0.004009 26 0.010356 -0.000883 0.004172 0.002116 0.001126 0.000760 -0.001793 0.004008 27 0.010355 -0.000884 0.004173 0.002115 0.001129 0.000764 -0.001793 0.004005 28 0.010358 -0.000884 0.004172 0.002119 0.001132 0.000768 -0.001789 0.004003 29 0.010360 -0.000884 0.004171 0.002122 0.001132 0.000767 -0.001787 0.004005 30 0.010360 -0.000884 0.004171 0.002121 0.001130 0.000764 -0.001787 0.004006 31 0.010358 -0.000884 0.004172 0.002119 0.001129 0.000763 -0.001790 0.004007 32 0.010357 -0.000884 0.004172 0.002118 0.001129 0.000764 -0.001791 0.004006 33 0.010358 -0.000884 0.004172 0.002119 0.001130 0.000765 -0.001790 0.004005 34 0.010359 -0.000884 0.004172 0.002120 0.001131 0.000766 -0.001788 0.004005 35 0.010359 -0.000884 0.004172 0.002120 0.001130 0.000765 -0.001788 0.004006 36 0.010358 -0.000884 0.004172 0.002120 0.001130 0.000764 -0.001789 0.004006 Cholesky Ordering: LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK
(3)
Period S.E. LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK 1 0.006990 100.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.012637 93.06640 0.861464 0.997986 0.048534 1.581311 0.512504 0.375913 2.555890 3 0.016882 87.01011 1.185155 3.729113 0.358698 1.386126 0.442550 0.772530 5.115716 4 0.020324 82.85489 1.090965 5.974590 0.550900 1.095672 0.315015 1.341105 6.776861 5 0.023362 80.24648 0.987110 7.418278 0.660904 0.970906 0.268422 1.834825 7.613073 6 0.026199 78.61372 0.922443 8.310086 0.871157 0.977478 0.317914 2.012097 7.975102 7 0.028891 77.52337 0.871484 8.818730 1.205908 1.004856 0.378260 1.979665 8.217728 8 0.031400 76.70306 0.824125 9.135903 1.514547 0.992868 0.387232 1.928474 8.513791 9 0.033703 76.00536 0.783905 9.408082 1.700307 0.958835 0.370880 1.940972 8.831662 10 0.035837 75.40826 0.753204 9.669990 1.802037 0.932077 0.359321 1.996367 9.078742 11 0.037858 74.93666 0.730361 9.891106 1.888336 0.923035 0.362681 2.036992 9.230831 12 0.039800 74.57846 0.711945 10.05044 1.988521 0.923604 0.373347 2.042769 9.330910 13 0.041665 74.29090 0.695614 10.16412 2.089157 0.921457 0.378891 2.033871 9.425992 14 0.043445 74.03814 0.680972 10.26106 2.168033 0.913751 0.377535 2.032752 9.527757 15 0.045146 73.80931 0.668444 10.35501 2.222873 0.905185 0.374715 2.043444 9.621015 16 0.046782 73.60976 0.658072 10.44218 2.266525 0.899871 0.374540 2.055908 9.693148 17 0.048368 73.44202 0.649297 10.51525 2.309636 0.897691 0.376837 2.061814 9.747455 18 0.049908 73.29928 0.641470 10.57419 2.352936 0.896013 0.378955 2.062198 9.794957 19 0.051402 73.17200 0.634303 10.62493 2.391602 0.893212 0.379430 2.062510 9.842009 20 0.052851 73.05505 0.627829 10.67247 2.423113 0.889790 0.378977 2.065606 9.887168 21 0.054260 72.94847 0.622105 10.71739 2.449447 0.886931 0.378851 2.070126 9.926677 22 0.055633 72.85337 0.617040 10.75794 2.473808 0.885036 0.379439 2.073555 9.959811 23 0.056975 72.76874 0.612454 10.79335 2.497449 0.883608 0.380233 2.075223 9.988938 24 0.058287 72.69196 0.608220 10.82479 2.519578 0.882068 0.380686 2.076254 10.01644 25 0.059569 72.62094 0.604307 10.85386 2.539244 0.880336 0.380778 2.077773 10.04276 26 0.060824 72.55502 0.600722 10.88127 2.556593 0.878693 0.380830 2.079819 10.06705 27 0.062053 72.49433 0.597449 10.90676 2.572498 0.877345 0.381054 2.081753 10.08881 28 0.063258 72.43869 0.594436 10.93004 2.587589 0.876232 0.381390 2.083169 10.10845 29 0.064442 72.38734 0.591632 10.95131 2.601870 0.875181 0.381673 2.084223 10.12677 30 0.065604 72.33947 0.589009 10.97105 2.615089 0.874109 0.381837 2.085274 10.14416
(4)
97
Period S.E. LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK31 0.066745 72.29461 0.586562 10.98965 2.627195 0.873063 0.381949 2.086457 10.16052 32 0.067867 72.25262 0.584284 11.00716 2.638411 0.872116 0.382087 2.087644 10.17568 33 0.068971 72.21341 0.582156 11.02351 2.648989 0.871276 0.382265 2.088681 10.18971 34 0.070058 72.17672 0.580158 11.03876 2.659023 0.870499 0.382439 2.089555 10.20284 35 0.071128 72.14223 0.578275 11.05306 2.668476 0.869745 0.382579 2.090363 10.21528 36 0.072128 72.10966 0.576499 11.06656 2.677327 0.869014 0.382689 2.091178 10.22707 Cholesky Ordering: LNIHK LNDSM LNJAG LNBER LNDAR LNTAR LNBAM LNCMK
Lampiran 11 Uji kausalitas Granger
Pairwise Granger Causality TestsLags: 1
Null Hypothesis: Obs F-Statistic Prob.
LNIHK_J does not Granger Cause LNIHK 47 0.39897 0.5309
LNIHK does not Granger Cause LNIHK_J 2.05662 0.1586
LNIHK_L does not Granger Cause LNIHK 47 0.11231 0.7391
(5)
(6)