Kajian produk domestik bruto tanaman bahan makanan melalui model vector autoregression

KAJIAN PRODUK DOMESTIK BRUT0
TANAMAN BAHAN MAKANAN
MELALUI MODEL VECTORA UTOREGRESSION

ANNA ASTRID SUSANTI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2006

PERNYATAAN
Dengan ini saya menyatakan bahwa tesis dengan judul "KAJIAN
PRODUK DOMESTIK BRUT0 TANAMAN BAHAN MAKANAN MELALUI
MODEL VECTOR AUTOREGRESSIOP adalah karya saya sendiri dan belurn
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
inforrnasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalarn
Daftar Pustaka di bagian akhir tesis ini.

Bogor, Desember 2005

Anna Astrid Susanti
NRP. G.151024104

ABSTRAK
ANNA ASTRID SUSANTI. Kajian Produk Domestik Bruto Tanaman Bahan
Makanan Melalui Model Vector Autoregression. Dibimbing oleh AUNUDDIN
dan KAMAN NAINGGOLAN.
Produk Domestik Bruto (PDB) merupakan salah satu indikator untuk
mengukur kinerja para pelaku usaha di sektor pertanian. PDB sektor pertanian
sangat dipengaruhi oleh PDB sub sektor tanaman bahan makanan sehingga
perhitungan PDB sektor pertanian dapat didekati dengan menghitung nilai
produksi komoditas utarna tanaman bahan makanan yaitu padi dan jagung.
Produksi dipengaruhi oleh luas panen, produktivitas, harga jual komoditas,
dan harga sarana produksi. Antar peubah tersebut terdapat hubungan timbal balik
sehingga diperlukan suatu model untuk menggambarkan sistem yang terjadi
dalam usaha pertanian. Model vector autoregression (VAR) merupakan suatu
sistem persamaan dinamis yang dapat digunakan untuk menguji hubungan antar
peubah. Penelitian ini bertujuan untuk: (1) mengkaji model VAR dalam menguji
hubungan antar peubah yang mempengaruhi PDB sub sektor tanaman bahan

makanan, dan (2) meramalkan PDB sub sektor tanaman bahan makanan dengan
menggunakan model VAR.
H a i l penelitian menunjukkan bahwa luas panen, harga komoditas, dan
harga sarana produksi berpengaruh nyata terhadap PDB tanaman bahan makanan.
Model yang diperoleh juga dapat menggambarkan adanya sistem pergiliran tanam
antara padi dan jagung. Sistem tersebut terjadi karena adanya keterbatasan modal
dan luas area yang diusahakan petani sehingga petani tidak dapat melakukan
ekspansi secara cepat terhadap perubahan teknologi. Hasil peramalan PDB
tanaman bahan makanan untuk satu tahun kedepan menunjukkan bahwa PDB
akan mencapai Rp. 127163.48 milyar pada tahun 2004 atau naik 4.49%
dibandingkan tahun 2003.

KAJIAN PRODUK DOMESTIK BRUT0
TANAMAN BAHAN MAKANAN
MELALUI MODEL VECTORAUTOREGRESSION

ANNA ASTRID SUSANTI

Tesis
sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada
Program Studi Statistika

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2006

Judul Tesis

:

Kajian Produk Domestik Bruto Tanaman Bahan
Makanan Melalui Model Vector Autoregression

Nama Mahasiswa

:

Anna Astrid Susanti

NRP

:

G.151024104

Disetujui
Komisi Pembimbing

Dr. Ir. Aunuddin. M.Sc.
Ketua

Dr. Is. Kaman Nainagolan, M.S.
Anggota

Diketahui
Ketua Program Studi Statistika

Dekan Sekolah Pascasarjana

da Manuwoto, M.Sc.

__

Tanggal Ujian : 8 Desember 2005

.II
+

-2 '

Tanggal Lulus: 11 7

E B 2006

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Bapa yang telah
melimpahkan segala karunia-Nya sehingga penelitian dan penulisan tesis ini dapat
diselesaikan. Tema yang dipilih dalam penelitian ini adalah PDB sub sektor

tanaman bahan makanan, dengan judul "Kajian Produk Domestik Bruto Tanaman
Bahan Makanan Melalui Model Vector Autoregression".
Terima kasih penulis ucapkan kepada:
1. Bapak Dr. Ir. Aunuddin, M.Sc. dan Bapak Dr. Ir. Kaman Nainggolan, M.S.
masing-masing selaku ketua dan anggota komisi pembimbing atas segala
pengarahannya sejak awal penelitian hingga tersusunnya tulisan ini.
2. Bapak Dr. Edi Abdurachman, M.S. dan Bapak Ir. Harisno, MM. atas
kesempatan berharga yang diberikan kepada penulis untuk melanjutkan
pendidikan S2 di IPB.
3. Suami, anak-anak, ibu, inang, dan saudara-saudaraku atas pengertian,
dukungan semangat dan doa yang tidak berkesudahan.
4. Rekan-rekan PS Statistika IPB khususnya kelas Deptan dan mbak Metha yang
telah mendukung penulis dalam suka d m duka.
5. Semua pihak yang telah membantu dalam bentuk apapun kepada penulis
dalam penyelesaian tulisan ini.
Semoga karya ilmiah ini bermanfaat.

Bogor, Desember 2005
Anna Astrid Susanti

RIWAYAT HIDUP
Penulis dilahirkan di Situbondo, Jawa Timur pada tanggal 20 Mei 1967 dari
ayah Edrnund Philip Mingguw dan ibu Julia Wujati. Penulis merupakan putri
ketiga dari tiga bersaudara, menikah dengan Tumpak Siturnorang dan telah
dianugerahi dua orang putralputri: Elyzabeth Mauli dan Yohannes Ronald
Sarimatua.
Pendidikan sarjana ditempuh di Jurusan Statistika, Fakultas Matematika dan
Ilmu Pengetahuan Alarn IPB, lulus tahun 1993. Kesempatan untuk melanjutkan
pendidikan ke program Magister Sains pada Program Studi Statistika Sekolah
Pascasarjana IPB diperoleh tahun 2002 dari Pusat Data dan Informasi Pertanian
Departemen Pertanian.
Penulis bekerja sebagai fungsional statistisi di Pusat Data dan Infonnasi
Pertanian Departemen Pertanian di Jakarta sejak tahun 1998 sampai sekarang.

DAFTAR IS1
Halaman

...

DAFTAR TABEL................................................................................................viii

DAFTAR GAMBAR ............................................................................................. ix
DAFTAR LAMPIRAN............................................................................................x

P E N D A H U L U A N ............................................................................................. 1
Latar Belakang ...............................................................................................
1
2
Tujuan.............................................................................................................
TINJAUAN PUSTAKA ..........................................................................................3
Model VAR ....................................................................................................3
Kestasioneran Data ........................................................................................-4
..
Uji Blok Eksogenitas......................................................................................
5
-6
Penentuan Panjang Lag .................................................................................
Identifikasi dan Pendugaan Parameter ...........................................................6
Vector Error Correction Model (VECM).......................................................7
Dekomposisi Ragam dan Fungsi Respons Impuls .........................................8
Pola Tanam .....................................................................................................

9
BAHAN DAN METODE ......................................................................................
11
11
Bahan .........................................................................................................
Metode Analisis.........................................................................................
13
Alur Analisis Data ............................,. .........................................................
13
15
HASIL DAN PEMBAHASAN .............................................................................
15
Eksplorasi Data .............................................................................................
Kestasioneran Data .......................................................................................15
Pemilihan Ordo .............................................................................................16
Uji Kointegrasi dan Blok Eksogenitas ..........................................................16
Pendugaan Model ........................................................................................
-17
Dekomposisi Ragam dan Fungsi Respons Impuls........................................22
Perarnalan PDB ............................................................................................

-27
KESIMPULAN DAN SARAN .............................................................................30
Kesimpulan.................................................................................................. -30
S ar a n ...........................................................................................................
30
DAFTAR PUSTAKA ...........................................................................................1

LAMPIRAN

.....................................................................................................33

DAFTAR TABEL
Halaman

Uji Dickey Fuller untuk Kestasioneran Data ...................................................15
Hasil Perhitungan AIC dan SBC ..................................................................... 16
Uji Johansen untuk Kointegrasi ....................................................................... 17

..

Uji Blok Eksogenitas ...................................................................................
1 7
Dugaan Parameter Model ................................................................................18
Dekomposisi Ragam Hingga Peramalan 8 Tahun Kedepan ............................23
Statistik Durbin Watson dan R~.......................................................................28
Hasil Peramalan PDB Tanaman Bahan Makanan dengan Model VAR(2) .....29

DAFTAR GAMBAR
Halaman
1 Alur Analisis Data ...........................................................................................14

2 Respons Beberapa Peubah Terhadap Guncangan Output................................25
3 Respons Beberapa Peubah Terhadap Guncangan Luas Panen Padi ................ 26
4 Respons Beberapa Peubah Terhadap Guncangan Harga Gabah .....................27

5 Angka Resmi BPS dan Nilai Dugaan PDB Tanaman Bahan Makanan ..........29

DAFTAR LAMPIRAN
Halaman
1 Peubah yang Digunakan Dalam Penelitian......................................................34

2 Plot Data dengan Transformasi Logaritma ......................................................
35
3

Dugaan Parameter Model VECM(2) ...............................................................40

4 Dugaan Parameter Model VAR(2) .................................................................-41
5 Dekomposisi Ragarn Hingga Peramalan 8 Tahun Kedepan ............................42

6 Plot Sisaan Model VAR(2) .............................................................................
-44

PENDAHULUAN
Latar Belakang
Berbagai kebijakan makroekonomi telah diupayakan pemerintah sebagai
fasilitator dan dinamisator untuk menciptakan iklim usaha yang lebih kondusif.
Para pelaku ekonomi serta seluruh komponen masyarakat diharapkan secara
bertahap mampu berperan aktif dalarn menyelaraskan perekonomian Indonesia.
Untuk menilai keberhasilan dan peranan pelaku ekonomi dibutuhkan berbagai
indikator yang dapat mengukur secara konsisten perkembangan kinerja mereka
dari waktu ke waktu. Ukuran paling komprehensif untuk menilai tingkat aktivitas
ekonomi suatu negara adalah nilai Produk Domestik Bruto (PDB) negara tersebut
(Lipsey et al. 1995). PDB merupakan jumlah nilai tambah bruto yang dihasilkan
oleh unit-unit produksi yang beroperasi di wilayah suatu negara dalam jangka
waktu tertentu (BPS 2002). Secara sektoral PDB Indonesia didukung oleh 9 sektor
ekonomi termasuk di antaranya sektor pertanian. Sektor pertanian memberikan
kontribusi sekitar 15% terhadap total PDB Indonesia dan menempati peringkat
ketiga setelah sektor industri pengolahan dan sektor perdagangan, hotel, dan
restoran.

Di sektor pertanian, PDB diperoleh dari sumbangan sub sektor tanaman
bahan makanan, tanaman perkebunan, peternakan dan hasil-hasilnya, kehutanan,
dan perikanan. Dari kelima sub sektor tersebut sub sektor tanaman bahan
makanan memegang peranan yang sangat dominan dalam memberikan kontribusi
terhadap PDB sektor pertanian dengan kontribusi rata-rata per tahun mencapai
lebih dari SO%, sehingga fluktuasi PDB sektor pertanian cenderung mengikuti
fluktuasi PDB sub sektor tanaman bahan makanan. Tanaman bahan makanan
umurnnya diproduksi oleh petani kecil, mencakup komoditas padi, palawija,
sayuran, dan buah-buahan. Sub sektor ini menjadi penting karena peranannya
dalam penyerapan tenaga kerja serta penyediaan pangan dan gizi masyarakat. Dari
sisi penyerapan lapangan kerja, sebanyak 44.34%tenaga kerja terserap di sektor
pertanian dari total tenaga kerja Indonesia (Abdurachman 2004).
Secara umum perhitungan PDB sub sektor tanarnan bahan makanan
menggunakan pendekatan dari sudut produksi, yaitu menghitung nilai tambah dari
barang dan jasa yang diproduksi oleh seluruh kegiatan ekonomi dengan cara

mengurangkan biaya antara dari masing-masing nilai produksi bruto sub sektor
tersebut (BPS 2000). Karena produksi dipengaruhi oleh banyak peubah seperti
luas panen, harga jual komoditas, biaya produksi, impor, clan lain sebagainya,
maka diperlukan suatu model yang dapat digunakan untuk menganalisis hubungan
antar peubah dan sekaligus dapat merarnalkan nilai PDB sub sektor tanaman
bahan makanan. Peramalan PDB diperlukan dalam memperkirakan kinerja
perekonomian di sub sektor tersebut sebagai bahan masukan bagi pengambil
kebijakan sektor pertanian, namun peramalan PDB secara parsial tidak dapat
dilakukan karena peubah-peubah penjelas tidak tersedia pada periode waktu yang
sama.
Salah satu model yang banyak digunakan adalah model vector
autoregression (VAR) yang merupakan suatu sistem persamaan dinamis untuk

menguji hubungan antar peubah dengan menggunakan asumsi minimal tentang

struktur yang membentuk model (Ashenfelter et al. 2003; Bank of England 2004).
Selain itu model VAR juga dapat digunakan untuk peramalan. Banyak penelitian
di bidang ekonomi telah dilakukan sebelumnya dengan menggunakan model VAR
baik untuk menganalisis hubungan antar peubah ekonomi maupun untuk
peramalan (Rapallo 1998; Evans & Kuttner 1998; Robertson & Tallman 1999;
Valle 2002). Ciri utama penggunaan model VAR adalah adanya hubungan timbal
balik di antara beberapa peubah yang saling mempengaruhi, sehingga pada model
VAR semua peubah dianggap sebagai peubah endogen dan diperlakukan secara
simetrik. (Enders 1995).
Tujuan

Penelitian ini bertujuan untuk:
a. Mengkaji model VAR dalam menguji hubungan antar peublih yang
memperrgaruhi PDB tanarnan bahan makanan.

-

b. Meramalkan PDB tanaman bahan makanan dengan menggunakan model
VAR.

TINJAUAN PUSTAKA

Model VAR
VAR adalah suatu sistem persamaan dinamis dimana pendugaan suatu
peubah pada periode tertentu tergantung pada pergerakan peubah tersebut dan
peubah-peubah lain yang terlibat dalam sistem pada periode-periode sebelumnya
(Enders 1995; Bank of England 2004). Dalam penggunaannya VAR hanya
memerlukan sedikit asurnsi tentang struktur pembentuk model dan lebih
memfokuskan pada interaksi antar peubah ekonomi (Ashenfelter et al. 2003; Bank
of England 2004). Dengan demikian pemilihan peubah-peubah yang terlibat
dalam sistem dan panjang lag akan sangat menentukan dalam pembentukan model
VAR (Sims 1980). Dalam VAR semua peubah dianggap sebagai peubah endogen
sehingga pembuat kebijakan dapat membuat keputusan secara rasional
berdasarkan pengalaman sebelumnya dan keputusan yang diambil akan berbeda
untuk setiap rezim yang berbeda.
Untuk suatu sistem sederhana dengan 2 peubah, model simultan yang
dibentuk (Enders 1995) adalah sebagai berikut :
yt = bl0 - b l 2 +
~ Yllyt-1 + Y12Zt-1 + Eyt

(I)

zt = b20 - b21yt + ~ 2 1 ~ t +- I~ 2 2 ~ t +
- 1&a

(2)

dengan asumsi: (a) yt dan zt stasioner; @) cyt dan

adalah galat dengan

simpangan baku o,dan o,;dan (c) (cyt ) dan (ea ) tidak berkorelasi.
Persamaan (1) dm (2) mempunyai struktur timbal-balik karena yt dan q
saling mempengaruhi. Persamaan ini merupakan persarnaan VAR struktural.
Dalam bentuk aljabar matriks sistem tersebut dapat dituliskan menjadi:
B X ~= ro+ r l ~+
t -ctl

(3)
Jika persamaan (3) dikalikan dengan B-' akan diperoleh model VAR bentuk

standar atau reducedform:

xt = B-'ro + B-lrlxt-l+ B-lct
xt = A. + Alxt-1+ et
dengan A.

= Bmlro

A1 = B-ll-1
et = B-'E~

(4)

Secara umurn model VAR berordo p mempunyai bentuk persamaan (Enders
1995) sebagai berikut:
xt = A. + Alxt-1+ A2xte2+ ... + Apxt+,+ et

(5)

dimana
Xt

: vektor peubah endogen berukuran nxl, diasumsikan stasioner

A.

: vektor intersep berukuran nxl

Ai

: matriks parameter berukuran nxn untuk i = 1,2,

et

: vektor galat berukuran nxl yang diasumsikan saling bebas terhadap et-i

...,p

dengan nilai tengah 0 dan ragam konstan
P
t

: panjang lag
: periode amatan

dengan & = B-'ro ,Ai = B-'I'~
dan et = Bmlct.
Kestasioneran Data
Model VAR mengasumsikan data dari peubah-peubahnya bersifat stasioner.
Data stasioner adalah data yang tidak memiliki trend, pola musiman clan
keragamannya konstan atau homogen (Wei 1994). Untuk pengamaLm deret
waktu, suatu proses dikatakan stasioner jika berasal dari sebaran yang sama
(Ashenfelter et al. 2003). Secara m u m suatu proses stasioner jika fungsi
kepekatan peluang bersama f(xl, x2, ..., xt) tidak berubah terhadap perubahan
waktu (Cryer 1986) atau f(xt &+I,xt+2, ..., xt+k) = f ( ~ t +.~..,, xt+m+k).Data yang
tidak stasioner dapat dibuat menjadi stasioner dengan proses pembedaan
(dzflerencing).
Kestasioneran data dapat diuji dengan uji Dickey Fuller melalui model
pendiferensian sebagai berikut :

Hipotesis yang diuji adalah :

Ho : p = 1 untuk a = 0 (data bersifat tidak stasioner)
..

H1 : p < 1 untuk a # 0 (data bersifat stasioner)

Nilai p diduga melalui metode kuadrat terkecil dan pengujian dilakukan dengan
uji t. Statistik uji yaitu :

dengan i, = nilai dugaan p
o, = simpangan baku dari i,

Jika nilai hit < nilai kritis dalam Tabel Dickey Fuller, maka keputusan yang
diambil adalah menolak Ho yang berarti data bersifat stasioner.
Untuk memperoleh ragam yang lebih stabil dapat dilakukan transformasi
logaritma natural. Menurut Chaffield (1984), bentuk logaritma merupakan kasus
khusus dari transformasi Box-Cox yang bertujuan untuk menstabilkan ragam,
membuat pengaruh musiman yang multiplikatif menjadi aditif dan untuk membuat
data menyebar normal.
Uji Blok Eksogenitas
Uji blok eksogenitas digunakan untuk menentukan peubah mana yang akan
dimasukan ke dalam model VAR (Enders 1995). Langkah-langkah pengujian
adalah sebagai berikut:
(1) Lakukan pendugaan parameter model VAR dengan mengikutsertakan semua
peubah (model penuh) sehingga diperoleh matriks ragarn peragm galat,
dilambangkan dengan Xu.
(2)

Lakukan pendugaan parameter model VAR dengan tidak mengikutsertakan
peubah yk (k = 1,2,. ..,n) sehingga diperoleh matriks ragam peragarn galat,
dilambangkan dengan C,.

(3)

Hitung rasio kemungkinan:
(T-4 (log ICrI - log ICUI)
dengan T = banyaknya pengamatan yang digunakan
c = banyaknya parameter yang diduga dalam setiap persamaan
parsial untuk model penuh.
Rasio kemungkinan tersebut mengikuti sebaran X2 dengan derajat bebas 2p

(p=panjang lag). Keputusan menerima Ho berimplikasi pada kesimpulan bahwa
peubah yk tidak perlu diikutsertakan dalam model.

Penentuan Panjang Lag
Dalam VAR, panjang lag juga menunjukkan derajat bebas. Jika panjang lag
dilambangkan dengan p, maka setiap n persamaan berisi np koefisien ditambah
dengan intersep. Penentuan panjang lag hams dilakukan secara hati-hati agar
seluruh dinarnika dalam sistem dapat dimodelkan dengan tepat (Pyndick 1998).
Untuk memperoleh panjang lag yang cukup efisien, Enders (1995)
melakukan perbandingan beberapa panjang lag, diawali dengan panjang lag yang
besar kemudian dilakukan reduksi panjang lag. Dengan demikian untuk
menentukan panjang lag hams didasarkan pada kecukupan data pengamatan yang
ada.
Cara lain untuk menentukan panjang lag adalah dengan menggunakan nilai
AIC (Akaike Information Criterion) dan SBC (Schwartz Bayesian Criterion).
Model dengan nilai AIC atau SBC terkecil dipilih sebagai model terbaik dengan
lag yang cukup efisien.
AIC = T log 1x1+ 2N
SBC = T log 1x1+ N log(T)
dengan T = banyaknya pengamatan yang digunakan

1x1= deterrninan matriks ragarn-peragam dari galat
N

= total banyaknya parameter yang diduga dalam semua persamaan.

Jika setiap persarnaan dalam n peubah VAR mempunyai p lag dan intersep,
maka N=I?~+ n (Enders 1995).
Identifikasi dan Pendugaan Parameter
Parameter setiap persamaan pada model VAR struktural (persarnaan 1 dan
2) tidak dapat diduga secara langsung karena adanya hubungan timbal balik dalam

sistem dimana zt berkorelasi dengan EP dan yt berkorelasi dengan E&. Akan tetapi
pada model VAR standar, et diasumsikan tidak berkorelasi dengan xt dan
mempunyai ragam konstan sehingga parameter masing-masing persamaan dalam
sistem dapat diduga dengan menggunakan metode kuadrat terkecil biasa (ordinary
least square, OLS). Penduga kuadrat terkecil tersebut merupakan penduga yang
konsisten dan efisien karena peubah-peubah endogen di sisi kanan persamaan (5)
adalah sama dalam setiap persamaan dengan panjang lag yang juga sarna (Enders
1995; Pindyck 1998).

Pada persamaan (5), & berisi n intersep dan masing-masing matriks Ai (i=l,

2,. ..,p) berisi n2 koefisien, sehingga banyaknya parameter dalam sistem VAR
yang hams diduga sebanyak (n+pn2) parameter atau pada masing-masing
persamaan sebanyak (l+np) parameter yang hams diduga. Jadi banyaknya
parameter yang diduga tergantung pada banyaknya peubah-peubah endogen yang
terlibat dalam model yang dipilih berdasarkan model ekonomi yang relevan.
Matriks ragam peragam dari et adalah:

Vector Error Correction Model (VECM)
Suatu data deret waktu dikatakan terintegrasi pada ordo ke-d, dilambangkan
dengan I(d), jika data tersebut bersifat stasioner setelah pendiferensian sebanyak d
kali. Peubah-peubah tak stasioner yang terintegrasi pada tingkat yang sama akan
membentuk kombinasi linear yang bersifat stasioner (Enders 1995; SAS Institute
2005). Setiap bentuk persamaan kointegrasi akan mempunyai error correction
model karena dalam jangka pendek pergerakan dari setiap peubah mungkin saja
akan menyimpang dari long-run-track-nya, misalnya karena adanya goncangan
harga atau karena adanya faktor musim. Secara teoritis, apabila hubungan antar
peubah tersebut terkointegrasi, yang berarti dalam jangka panjang berada pada
situasi equilibrium, maka deviasi atau galat jangka pendek tersebut akan
terkoreksi untuk akhirnya kembali ke long-run-track-nya. Proses koreksi ini
disebut sebagai error correction mechanism (Chaniago 2003).
Komponen dari vektor yt dikatakan terintegrasi jika ada vektor P'

..., p,)

= (PI, P2,

sehingga kombinasi linear Pyt' bersifat stasioner, dengan syarat ada unsur

p bernilai tidak sama dengan nol. Vektor P disebut vektor kointegrasi atau
parameter jangka panjang.

Rank kointegrasi (r) dari vektor yt adalah banyaknya vektor kointegrasi
yang saling bebas. Nilai r diperoleh melalui uji Johansen.

Hipotesis yang diuji adalah :
Ho:rankIr

HI : rank>r.
Statistik uji yang digunakan adalah :

dengan

ii: akar ciri ke-i matriks n (b, 2 b, i ... 5 b, )

( -z)

Ai ,diperoleh dari persamaan (5)

n =- I

i:

T : banyaknya pengamatan.
Jika &, <

maka keputusan yang diambil adalah menerima Ho, artinya

kointegrasi terjadi pada rank r.
Jika rank kointegrasi (r) sama dengan 0 maka VAR dapat langsung
digunakan, tetapi jika rank kointegrasi (r) lebih besar dari no1 maka hams
digunakan vector error correction model (VECM). Untuk data deret waktu yang
tidak stasioner, VECM dapat memberikan pemahaman yang lebih baik tentang
sifat-sifat data dan dapat memperbaiki peramalan untuk jangka panjang (SAS
Institute 2005).
VECM ordo p dituliskan sebagai :

dengan n = ap'

p : vektor kointegrasi b e r i a n r x 1
a : vektor adjustment berukuran r x 1

Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan
maksirnum. VECM dapat dituliskan dalam bentuk model VAR dengan
menguraikan nilai diferensi Ayt = yt - yt-1.
Dekomposisi Ragam dan Fungsi Respons Impuls
Dekomposisi ragam menginformasikan proporsi keragaman galat suatu
peubah yang dijelaskan oleh galat masing-masing peubah dan galat peubah lain.

tidak menjelaskan sedikitpun ragam galat ramalan dari {y,) pada semua

Jika

tahapan periode ramalan kedepan, maka dapat dikatakan bahwa {yt) bebas
(Enders 1995). Misalkan untuk model VAR pada persamaan (5) dengan panjang
lag p=l dan banyaknya peubah endogen n=2 (peubah y dan z), maka peramalan
untuk m tahapan periode kedepan adalah:
I )+ A ~ ~ x ~
E(x~+,) = ( I + A ~ + A ~..~++A. ~ ~ -AO
dengan galat ramalan sebesar:

[ml4

dimana Qi=

GI 4

I
21

0)

Koefisien

(01

Q 22 0)

Q

disebut

sebagai

hgsi

respons

impuls

yang

menginformasikan pengaruh perubahan guncangan suatu peubah terhadap
peramalan peubah lain (Enders 1995). Pengaruh tersebut dapat dilihat secara
visual dengan menggunakan plot antara koefisien $jk(i)dengan i.
Pola Tanam
Pola tanam adalah suatu usaha penanaman pada sebidang lahan dengan
mengatur sistem urutan pertanaman selama periode tertentu sehingga tercapai
efisiensi pemakaian sarana dan faktor-faktor produksi seoptimal mungkin
termasuk waktu (Djauhari 1977; Setjanata 1984). Dengan kata lain pola tanam
merupakan usaha memaksimumkan produksi dan pendapatan per satuan luas dan
waktu.
Pola tanam dengan sistem pergiliran tanarn sangat diperlukan dalam
pertanian Indonesia mengingat banyaknya faktor yang membatasi produksi
pangan khususnya untuk petani kecil. Faktor pembatas tersebut antara lain adalah
sempitnya luas garapan tanah, terbatasnya modal, dan terbatasnya tenaga kerja
(Efendi 1981). Selain itu untuk memperoleh produksi tinggi dan efisien maka
pengelolaan pertanian harus disesuaikan dengan daerah masing-masing petani.
Berdasarkan potensi, sekitar 80% dari luasan lahan pertanian di Indonesia
adalah lahan kering dan sisanya adalah lahan beririgasi. Produktivitas di lahan
kering umumnya lebih rendah dibandingkan lahan irigasi. Rendahnya
produktivitas lahan kering, selain disebabkan oleh tingkat kesuburan tanah yang

rendah, juga disebabkan oleh rendahnya intensitas indeks pertanaman karena
kebutuhan air tidak tersedia sepanjang tahun. Untuk lahan kering, dimana
pertumbuhan tanaman sangat dipengaruhi oleh curah hujan, waktu tanam setiap
jenis komoditas dan varietas hams dipilih secara tepat untuk menghindari resiko
kegagalan. Sedangkan untuk lahan yang dapat diairi secara teknis dan mudah
didrainase perlu dilakukan upaya untuk meningkatkan atau mempertahankan
produktivitas tinggi. Meskipun kondisi lahan berbeda, baik pada lahan kering
maupun lahan irigasi hams dilakukan rotasi tanaman untuk menjaga kesuburan
lahan (Efendi 1981).
Meskipun terdapat beberapa perbedaan, secara urnum pola pergiliran
tanaman yang diterapkan oleh petani di lahan irigasi dan lahan kering dalam
setahun adalah sebagai berikut: (a) padi-padi-palawija untuk lahan sawah dengan
irigasi sepanjang tahun atau irigasi 7-9 bulan, (b) padi-palawija untuk lahan sawah
tadah hujan atau lahan kering.
Selain penerapan pola rotasi tanaman, petani juga hams melakukan usaha
intensifikasi pertanian. Jika petani dengan usaha sendiri menjadi lebih
berkepentingan untuk meningkatkan produksi atau menjadi lebih berorientasi
pasar, maka ia hams menggunakan teknologi yang lebih maju daripada
sebelumnya. Kesulitan yang dihadapi petani adalah karena sebagian besar petani
Indonesia merupakan unit produksi dengan skala usaha kecil sehingga umurnnya
mereka berada dalarn kedudukan pasif, misalnya sebagai price-taker. Dengan
keterbatasan tersebut petani tidak dapat segera melakukan ekspansi sumberdaya
dalam menghadapi perkembangan teknologi dan ha1 ini tentu sangat
mempengaruhi sistem pengambilan keputusan oleh petani untuk mengadopsi
suatu teknologi.

BAHAN DAN METODE
Bahan
Penelitian ini menggunakan data sekunder dari berbagai sumber (Lampiran
1). Untuk menggambarkan kinerja sektor pertanian digunakan data PDB sub

sektor tanaman bahan makanan atas dasar harga konstan 1993 dengm- periode
triwulanan yang bersumber dari BPS yaitu dari triwulan I tahun 1993 sampai
dengan triwulan IV tahun 2003 (44 data amatan). Karena adanya kendala dalam
program SAS versi 8.2 yang memerlukan minimal 45 data amatan maka
ditarnbahkan 4 data amatan tahun 1992 yaitu PDB triwulan I sampai dengan
triwulan IV tahun 1992.
Perhitungan PDB dapat dilakukan dengan menggunakan tiga pendekatan,
yaitu pendekatan produksi, pendekatan pendapatan, dan pendekatan pengeluaran
(BPS 2000). Pendekatan produksi adalah menghitung nilai tarnbah dari barang
dan jasa yang diproduksi oleh seluruh kegiatan ekonomi setiap sektor atau sub
sektor. Dalam pendekatan pendapatan, PDB merupakan jumlah balas jasa faktor
produksi yaitu upah, gaji, surplus usaha (mencakup bunga, sewa tanah, dan
keuntungan), penyusutan, dan pajak talc langsung neto. Menurut pendekatan
pengeluaran, PDB dihitung dari komponen permintaan akhir yaitu konsumsi
rumah tangga, konsumsi pemerintah, pembentukan modal bruto, dan perdagangan
antar wilayah (termasuk ekspor dan impor). Meskipun berbeda dalam cara
perhitungan, tetapi secara konsep ketiga pendekatan tersebut akan memberikan
nilai PDB yang sama.
PDB sub sektor tanarnan bahan makanan dihitung dengan menggunakan

pendekatan dari sudut produksi dengan periode triwulanan. Hal ini disebabkan
oleh cara penghitungan yang lebih mudah dibandingkan pendekatan lainnya clan
data y=g tersedia adalah data produksi, harga, dan biaya produksi yang dapat
digunakan untuk memperkirakan besarnya nilai tarnbah. PDB sub sektor tanaman
bahan makanan sendiri sangat dipengaruhi oleh PDB komoditas padi dan palawija
dengan kontribusi lebih dari 50% terhadap PDB tanarnan bahan makanan.
Peubah-peubah yang diduga mempunyai korelasi timbal-balik dengan PDB
sub sektor tanaman bahan makanan adalah luas panen dan produktivitas
komoditas utama tanaman pangan (padi dan jagung), rata-rata harga jual

komoditas tersebut, harga pupuk urea, harga pupuk TSPlSP26, harga obat
diazinon. Padi dan jagung dipilih mewakili komoditas tanaman bahan makanan
karena kontribusi kedua komoditas tersebut terhadap PDB tanaman bahan
makanan rata-rata lebih dari 50%.
Data luas panen menggunakan data realisasi luas panen bulanan yang
diperoleh dari Direktorat Jenderal Bina Produksi Tanarnan Pangan Departemen
Pertanian dan BPS berdasarkan pengisian Daftar SP-IA (untuk padi) dan SP-IB

(untuk palawija).
Data produktivitas padi dan jagung diperoleh dari hasil ubinan yang
dilakukan BPS dan Dinas Pertanian dengan periode 4 bulanan (sub romd) dan
diolah menjadi periode triwulanan.
Data harga jual komoditas menggunakan rata-rata harga produsen yaitu ratarata harga transaksi antara petani (penghasil) dan pembeli (pedagang
pengurnpul/tengkulak) untuk setiap jenis barang. Perkembangan harga produsen
dalam sepuluh tahun terakhir cendemg menunjukkan kenaikan meskipun pada
beberapa jenis barang terdapat fluktuasi harga yang disebabkan oleh pengaruh
musim. Pengumpulan data harga produsen dilakukan oleh petugas kecarnatan
dengan wawancara langsung ke petani di desa rural yang menjual hasil pertanian.
Pencatatan harga setiap jenis barang dilakukan terhadap 3-4 petani dan harga yang
terbanyak muncul (modus) atau rata-rata harga dari petani-petani tersebut dicatat
di dalam daftar isian. Data tersebut diperoleh dari BPS dalam periode bulanan.
Harga pupuk dm obat-obatan digunakan untuk mewakili biaya produksi.
Umumnya petani melakukan pemupukan atau penyemprotan hama dengan
mempertirnbangkan harga pupuk dan obat-obatan. Jika harga pupuk dan obat
naik, petani akan mengurangi pemakaian pupuklobat-obatan untuk menekan biaya
dan sebaliknya sehingga secara langsung akan mempengaruhi produksi. Jenis
pupuk dan obat yang banyak dipakai petani adalah urea, TSPlSP36 dan diazinon.
Data harga pupuk dan obat juga diperoleh dari BPS dalam periode bulanan. Untuk
mengantisipasi adanya lonjakan harga yang cukup tajam pada saat krisis ekonomi
di Indonesia, maka digunakan harga riil yaitu harga produsen yang telah dikoreksi
terhadap inflasi.

Metode Analisis
Berdasarkan peubah-peubah yang telah disebutkan di atas, model VAR yang
dapat terbentuk adalah sebagai berikut:
/

PDB,
LPP,
LPj,
pvpt
PVj,
HPP,
HPj,
HUr,
HTSP,

\ HDt

'

,

dimana PDB = Nilai PDB sub sektor tanarnan bahan makanan atas dasar harga
konstan 1993
LPp

= Luas panen padi

LPj

= Luas panen jagung

PVp

= Produktivitas padi

PVj

= Produktivitas jagung

HPp

= Harga gabah kering giling

HPj
HUr

= Harga jagung

pipilan kering

= Harga pupuk

urea

HTSP

= Harga pupuk

TSPISP-36

HD

= Harga obat Diazinon

Analisis data dilakukan menggunakan modul Econometric Time Series (ETS)
pada software SAS Release 8.2 dengan prosedur VARMAX (PROC VARMAX).
Alur Analisis Data

Langkah-langkah yang dilakukan dalam penyusunan model VAR adalah
sebagai berikut :
1. Melakukan

transformasi

logaritma terhadap

masing-masing

peubah,

dilanjutkan dengan eksplorasi data.

2. Memeriksa kestasioneran data. Jika data tidak stasioner maka dilakukan
proses pembedaan.

3. Memilih ordo VAR.
4. Melakukan uji Johansen untuk menentukan rank kointegrasi. Jika rank

kointegrasi sama dengan no1 maka model yang digunakan adalah VAR. Jika
rank kointegrasi lebih besar dari no1 maka model yang digunakan adalah
VECM. Model VECM tersebut dituliskan kembali dalam bentuk model VAR.

*,

5. Melakukan analisis model VAR.
6. Melakukan uji kelayakan model.

7. Melakukan peramalan.

Gambar 1 mengilustrasikan alur analisis data.

I

TRANSFORMAS1
LOOARITMA

I

EKSPLORASI

0
KESTASIONERAN

PROSES

T
F
T
b
PENETAPAN

UJI KELAYAKAN
MODEL

Gambar 1. Alur Analisis Data

HASIL DAN PEMBAHASAN

Eksplorasi Data
Eksplorasi data deret waktu dari masing-masing peubah dilakukan untuk
melihat pola data secara umum. Hasil eksplorasi dapat dilihat dalam Lampiran 2
dimana semua peubah telah ditransformasi ke dalam bentuk logaritma natural.
Secara &um PDB kelompok bahan makanan menunjukkan pola musiman
dengan nilai PDB tertinggi (puncak musim) pada triwulan I dan PDB terendah
pada triwulan N.Pola data tersebut ternyata mengikuti pola data luas panen padi
yang mencapai puncak panen pada triwulan I setiap tahunnya. Hal ini disebabkan
oleh besarnya kontribusi padi dalam pembentukan PDB kelompok bahan makanan
mencapai 40%. Pola yang hampir sama juga ditunjukkan oleh luas panen jagung.
Peubah produktivitas padi dan jagung mempunyai pola musiman dengan
trend naik, sedangkan peubah harga cenderung naik tanpa faktor musiman dengan
lonjakan drastis pada saat krisis ekonomi menimpa Indonesia.
Dengan melihat pola data tersebut dugaan sementara adalah data tidak
stasioner, sehingga harus dilakukan proses pembedaan untuk memperoleh data
yang stasioner.
Kestasioneran Data
Salah satu syarat dalam analisis VAR adalah data h a s stasioner.
Pemeriksaan kestasioneran data dilakukan dengan uji Dickey Fuller.
Tabel 1. Uji Dickey Fuller untuk Kestasioneran Data
Peubah
log(PDB)
log(Luas panen padi)
log(Luas panen jagung)
log(Produktivitas padi)
log(Produktivitas jagung)
log(Harga gabah)
log(Harga jagung)
log(Harga urea)
log(Harga TSP)
log(Harga diazinon)

-

I(0)
Nilai-p
0.000141035

I(1)
Nilai-p
0.005693

I(2)
Nilai-p
0.007564

Berdasarkan Tabel 1, hampir semua peubah tidak stasioner pada a

=

0,05

kecuali peubah PDB, sehingga perlu dilakukan pembedaan. Setelah pembedaan
pertama hanya peubah produktivitas padi yang belum stasioner. Kestasioneran
data untuk semua peubah tercapai pada pembedaan kedua.
Pemilihan Ordo

Karena adanya keterbatasan data maka ordo maksimum yang dapat dipilih
hanya sampai ordo 2. Berdasarkan nilai AIC (Akaike Information Criterion) dan
SBC (Schwartz Bayesian Criterion) pada Tabel 2, pada saat p=2 diperoleh nilai
AIC dan SBC terkecil sehingga model VAR yang digunakan adalah model
VAR(2).
Tabel 2. Hasil Perhitungan AIC dan SBC
Ordo
1
2

AIC
-51.6167
-56.4996

SBC
-47.2004
-47.9841

Model VAR(2) dapat dituliskan sebagai berikut :
xt = A.

+ Alxt-l+ A2xt-2+ et

dimana xt : vektor peubah endogen berukuran nxl untuk periode arnatan ke-t
A. : vektor intersep berukuran nx 1

Ai : matriks parameter berukuran nxn untuk i = 1,2.
et : vektor galat berukuran nxl
Uji Kointegrasi dan Blok Eksogenitas

Uji Johansen dilakukan untuk rnengetahui banyaknya persamaan yang dapat
menerangkan seluruh sistem yang ada. Jika nilai htrm> nilai kritis (tolak Ho)
maka uji dilanjutkan untuk rank

=

r+l hingga diperoleh nilai h-

< nilai kritis

(terima Ho). Hasil uji Johansen pada Tabel 3 menunjukkan bahwa Ho diterima
pada r=5, sehingga pendugaan parameter dengan model VAR biasa tidak dapat
langsung digunakan. Model yang digunakan adalah VECM ordo 2 dengan rank
kointegrasi 5.

Tabel 3. Uji Johansen untuk Kointegrasi

Ho:
HI :
Rank=r Rank>r
0
0
1
1
2
2
3
3
4
4
5
5

,,A
478.00
341.36
239.81
159.75
105.84
61.67

Nilai
Kritis
232.60
192.30
155.75
123.04
93.92
68.68

Uji blok eksogenitas digunakan untuk memilih peubah yang secara
signifikan mempengaruhi model. Dari hasil uji blok eksogenitas semua peubah
mempengaruhi model dengan nilai p < 0.05 (Tabel 4).
Tabel 4. Uji Blok Eksogenitas

x2

Peubah

Nilai-p

log(PDB)
log(Luas panen padi)
log(Luas panen jagung)
log(Produktivitas padi)
log(Produktivitasjagung)
log(Harga gabah)
log(Hargajagung)
log(Harga urea)
log(Harga TSP)
log(Harga diazinon)
Pendugaan Model
Model VECM ordo 2 dengan rank kointegrasi 5 untuk 10 peubah penjelas
dituliskan sebagai berikut :
P-1

b,= A(,+la,,+C&kc,_,+~~
r=l

Model tersebut merupakan model terbaik berdasarkan panjang lag maupun
jenis peubah yang masuk dalam model. Dugaan parameter dengan metode
kemungkinan maksimurn disajikan dalam Lampiran 3, sedangkan dugaan
parameter setelah ditransformasi ke model VAR(2) ditampilkan pada Lampiran 4.
Beberapa peubah yang menunjukkan pengaruh nyata terhadap peubah lainnya
5
dilihat pada Tabel 5.
pada taraf uji ~ 0 . 0 dapat

Tabel 5. Dugaan Parameter Model
Persamaan
PDB

LPP

LPj

PVP

PVj

WP

Wj

Parameter
ARl-1-2
AR1-13
AR2- 1-6
ARI-1-7
AR1-1-8
A R 1 1 10
AR1-2-2
AR1-23
AR2-2-5
AR1-2-6
AR 1-2-7
AR1-2-8
A R 1 2 10
AR1-32
AR1-33
AR 1-3-8
ARI 3 10
AR1-4-1
AR 1-4-3
AR 1-4-4
AR 1-4-6
AR 1-4-7
AR 1-4-9
AR2 4 10
AR 1-5-5
AR 1-5-8
AR1-5-9
A R 1 5 10
AR1-6-1
AR 1-6-7
AR2-6-8
AR1-6-9
ARl 6 10
AR1-7-5
AR1-7-6
AR~-7-7
AR2-7-8
AR 1-7-9
AR2 7 10

Peubah
LPP
LPj
HPP

Wi

HUr

HD
LPP
LPj
PVj
WP
Wj
HUr
HD
LPP
LPj
HUr
HD
PDB
LPj
PVP
WP

JW
HTSP
HD
PVj
HUr
HTSP
HD
PDB

Wi

HUr
HTSP
HD
PVj
HPP
m j
HUr
HTSP
HD

Dugaan
-1.86240
1.38519
-1.33815
-0.54798
-1.07938
0.87248
-1.78762
0.49274
-0.83076
0.43454
-0.21061
-1.61508
1.15090
1.52558
-0.93707
-2.50724
1.37635
-0.02878
0.05575
-0.82963
-0.07530
-0.05392
0.0781 1
-0.10608
-1.37803
0.69566
-0.36355
-0.28491
0.17843
0.273 16
1.42930
-0.59828
0.47785
-1.40636
0.26869
-0.39526
1.57645
-0.80824
-0.96738

Prob > IT1
0.000 1
0.0001
0.0052
0.0008
0.048 1
0.0284
0.000 1
0.004 1
0.0198
0.0190
0.0297
0.000 1
0.000 1
0.0065
0.0181
0.0043
0.0242
0.0105
0.0137
0.000 1
0.0036
0.0002
0.0187
0.0035
0.0001
0.000 1
0.0009
0.0091
0.0064
0.0008
0.002 1
0.0027
0.0 172
0.0001
0.0133
0.0098
0.0001
0.000 1
0.000 1

Tabel 5 (Lanjutan)
-

Persamaan

HTSP

HD

Parameter

A R l 8 10
AR1-9-1
AR 1-9-2
AR1-9-3
AR1-9-4
AR 1-9-5
AR 1-9-6
AR 1-9-7
AR1-9-8
AR1-9-9
A R 1 9 10
ARl-10-1
AR1-10-2
AR1-10-4
ARl-10-5
AR1-10-6
ARI-10-7
AR1-10-8
AR1-10-9
ARl 10 10

Peubah
PDB
LPP
LPj
PVP
PVj
WP
Wj
HUr
HTSP
HD
PDB
LPP
LPj
PVP
PVj
WP
fIpj
HUr
HTSP
HD
PDB
LPP
PVP
PVj
WP

Wi
HUr
HTSP
KD

Dugaan

Prob > JTI

1.18482
0.43230
-0.69095
0.36391
4.3 1433
-0.95330
0.9355 1
0.469 19
-0.94780
-1.93308
1.24343
0.52580
-0.85839
6.03895
- 1.76784
1.25271
0.57188
-0.96803
-2.55943
1.46727

0.0001
0.000 1
0.0002
0.0041
0.000 1
0.0033
0.000 1
0.000 1
0.0008
0.0001
0.000 1
0.000 1
0.0027
0.0004
0.0010
0.0001
0.000 1
0.0227
0.0001
0.0001

PDB secara nyata dipengaruhi oleh luas panen padi, luas panen jagung,

harga gabah, harga jagung, harga urea, dan harga diazinon. Pengaruh positif
ditunjukkan oleh luas panen jagung dan harga diazinon, sedangkan pengaruh
negatif ditunjukkan oleh luas panen padi, harga gabah, harga jagung, dan harga
urea. Jika terjadi p e n w a n luas panen padi yang disertai dengan peningkatan
luas panen jagung pada triwulan sebelumnya maka PDB tanaman bahan makanan
akan cenderung meningkat. Hal ini temyata terkait dengan pola tanam yang
diterapkan oleh sebagian besar petani Indonesia. Petani tidak akan menanarn padi
dan jagung pada saat yang bersamaan karena adanya keterbatasan luas lahan yang
diusahakan dan keterbatasan modal. Jika triwulan sebelumnya petani menanarn

jagung (ada peningkatan luas panen jagung), maka mereka cendemg akan
menanam padi pada triwulan berikutnya yang akan mengakibatkan terjadinya
peningkatan luas panen padi dan sekaligus peningkatan produksi padi.
Peningkatan produksi padi juga berarti peningkatan PDB tanaman bahan makanan
karena padi mempunyai kontribusi lebih dari 40% terhadap PDB tanaman bahan
makanan.
Hal menarik yang perlu diperhatikan di sini temyata produktivitas padi dan
jagung tidak berpengaruh nyata terhadap produksi. Petani kurang mampu
meningkatkan produktivitas padi maupun jagung pada luasan lahan yang
diusahakan karena adanya kendala permodalan dalam melakukan upaya
intensifikasi yang antara lain mencakup pemanfaatan pupuk dan obat-obatan
secara optimal. Untuk mengatasi keterbatasan modal dan sumberdaya tersebut
petani tidak saja memerlukan bantuan kredit, tetapi juga memerlukan bantuan
berupa penyuluhan dalam penggunaan input secara lebih efisien.
Pada aspek harga jual komoditas, peningkatan produksi akan mengakibatkan
penurunan harga gabah d m jagung karena terjadinya penumpukan produksi pada
saat panen (tanda negatif pada dugaan parameter) sehingga harga di tingkat petani
berada di bawah harga dasar. Dengan demikian pemerintah perlu menjaga
stabilitas harga komoditas tanaman pangan agar para petani tetap bergairah untuk
meningkatkan produksi dan mengembangkan usaha taninya. Selain itu upaya yang
dapat dilakukan adalah penanaman dan panen yang merata sepanjang tahun.
Dengan mengurangi fluktuasi panen tersebut diharapkan harga gabah dan jagung
tidak jath, sarana produksi pertanian tidak bertumpuk pada waktu dan tempat
tertentu dan penggunaan alat mesin pertanian menjadi lebih efektif karena
digunakan sepanjang tahun.
Pada aspek sarana produksi (pupuk dan obat-obatan), penurunan harga urea
akan membawa dampak positif dalam pemanfaatan pupuk secara optimal

sehingga produksi diharapkan meningkat. Namun demikian peningkatan harga
obat diazinon ternyata justru meningkatkan produksi. Hal ini bertolak-belakang
dengan kenyataan dimana peningkatan harga obat biasanya menyebabkan petani
tidak menggunakan obat untuk menekan biaya, tetapi jika terjadi serangan hama
maka tidak ada pilihan lain bagi petani selain menggunakan obat meskipun
dengan biaya yang cukup tinggi.

Luas panen padi secara nyata dipengaruhi oleh luas panen padi periode
sebelumnya, luas panen jagung, produktivitas jagung, harga gabah, harga jagung,
harga urea, dan harga diazinon. Tanda pada dugaan masing-masing parameter
kembali menunjukkan adanya suatu sistem pergiliran tanaman antara padi dan
jagung. Hal yang hampir serupa ditunjukkan oleh dugaan parameter peubah yang
mempengaruhi luas panen jagung, tetapi harga jual komoditas ternyata tidak
berpengaruh signifikan terhadap luas panen jagung.
Produktivitas padi secara nyata dipengaruhi oleh PDB, luas panen jagung,
produktivitas padi periode sebelumnya, harga jual gabah dan jagung, serta harga
TSP dan diazinon, sedangkan produktivitas jagung lebih dipengaruhi oleh
produktivitas jagung periode sebelumnya, harga pupuk dan obat-obatan.
Harga jual gabah dan jagung tarnpaknya saling mempengaruhi karena sistem
pergiliran tanaman menyebabkan saat panen yang ti& bersarnaan waktunya. Jika
harga jual jagung sedang membaik maka ketika panen padi tiba petani cenderung
akan berusaha menjual padinya dengan harga yang lebih tinggi dari sebelumnya.
Usaha mereka untuk memperbaiki harga jual umumnya tidak sepenuhnya berhasil
karena petani tidak memiliki posisi yang kuat dalam proses tawar-menawar.
Kebijakan pemerintah berkaitan dengan penetapan harga pembelian gabah (Inpres
No. 912002 dan diperbaharui dengan Inpres No. 212005) diharapkan cukup untuk
mempengaruhi pasar dan dapat menjadi acuan harga sehingga dapat membantu
petani dalam upaya perbaikan harga jual.
Selain itu harga jual produk pertanian temyata juga sangat dipengaruhi oleh
harga f&?or produksi pupuk dan obat. Dengan demikian selain penetapan harga
dasar komoditas, kontrol dan dukungan dari pemerintah juga diperlukan untuk
menjaga stabilitas harga pupuk dan obat. Upaya yang telah dilakukan pemerintah
berupa pemberian subsidi pupuk sangat membantu petani terutarna saat musim
kemarau (Tohir 2005)'.
Harga pupuk clan obat diazinon sendiri sangat dipengaruhi oleh seluruh
peubah yang terlibat dalam sistem usaha tani. Hal ini mengindikasikan
kecenderungan harga pupuk dan obat yang sangat fluktuatif sehingga kontrol oleh
pemerintah memang masih diperlukan agar petani tetap dapat melakukan ekspansi
dalam usaha taninya.

' Ketua Umum KTNA, Winamo Tohir, dikutip dari Kompas, 7 Juni 2005.

Dekomposisi Ragam dan Fungsi Respons Impuls

Informasi tambahan yang dapat diperoleh melalui model VAR adalah
dekomposisi ragam dan respons impuls peubah terhadap guncangan peubah
lainnya. Dekomposisi ragam menginformasikan proporsi keragaman galat suatu
peubah yang dijelaskan oleh galat masing-masing peubah dan galat peubah lain,
sedangkan fungsi respons impuls digunakan untuk menggambarkan pengaruh
guncangan (shock) suatu peubah terhadap fluktuasi peubah lain.
Hasil perhitungan dekomposisi ragam beberapa peubah untuk perarnalan 8
tahun mendatang ditarnpilkan dalam Tabel 6. Pembahasan dikhususksln untuk
peubah PDB, LPp, PVp, HPp, dan HUr, tetapi hasil dekomposisi ragam
selengkapnya dapat dilihat pada Lampiran 5. Peubah lainnya terutama yang
berkaitan dengan komoditas jagung tidak dibahas mendalam karena proporsi luas
panen dan produksi jagung terhadap luas panen dan produksi padi relatif kecil
(kurang dari 20%) sehingga dekomposisi ragam tidak memberikan informasi
tambahan yang cukup berarti.
Berdasarkan proporsi keragaman, dalam jangka pendek untuk peramalan 1
triwulan kedepan, keragaman PDB 100% hanya dijelaskan oleh guncangan PDB
itu sendiri. Secara bertahap pengaruh guncangan PDB akan berkurang seiring
dengan peningkatan guncangan peubah lain terutama LPp dan LPj. Untuk jangka
menengah dan jangka panjang pengaruh guncangan peubah LPj dalam
menjelaskan keragaman PDB akan semakin meningkat sedangkan LPp justru
menurun. Hal ini mengindikasikan bahwa di masa mendatang jagung akan lebih
besar pengaruhnya terhadap PDB dibandingkan padi dan tampaknya sesuai
dengan perkiraan Tohir (2004)' yang menyatakan bahwa diantara pilihan yang
ada di masa mendatang, jagung mempunyai peluang yang lebih besar untuk
ditingkatkan produksinya dibandingkan padi. Hal ini terkait dengan prediksi
Byerlee dalam Suhariyanto & Thirtle (2001) yang menyatakan bahwa jika terjadi
peningkatan pendapatan maka akan terjadi perubahan komposisi makanan yang
lebih mengarah pada konsumsi hasil temak. Pakan temak utama adalah jagung,
sehingga di masa depan akan terjadi peningkatan permintaan jagung. Oleh karena
itu perlu segera dilakukan antisipasi untuk menangkap peluang tersebut sehingga

*

Ketua Umum KTNA, Winarno Tohir, dikutip dari Sinar Tani, 13-19 Oktober 2004.

Indonesia mampu meningkatkan PDBnya tanpa hams selalu mengandalkan pada
produksi padi saja.
Tabel 6 . Dekomposisi Ragam Hingga Peramalan 8 Tahun Kedepan
Peubah

PDB

LPP

PVP

WP

HUr

Tahap
Kedepan

PDB

LPp

LPj

PVp

Guncangan
PVj HPp H P

1
4
8
20
32
1
4
8
20
32
1
4
8
20
32

100
50.48
47.52
44.46
43.76
1.07
7.75
7.31
5.77
5.41
0.09
4.68
4.48
3.54
3.20

0
9.76
7.44
6.07
5.81
98.93
33.17
23.62
16.29
13.56
11.35
13.80
12.24
13.61
14.05

0
21.79
24.83
28.35
29.45
0
41.58
38.15
33.84
32.72
0.21
6.87
6.45
5.26
4.81

0
3.46
3.47
2.14
1.61
0
4.27
4.88
3.93
3.74
88.35
59.68
57.90
56.95
56.66

0
1.57
2.44
3.14
3.15
0
1.53
4.80
8.09
9.19
0
0.05
0.31
0.71
0.78

1
4
8
20
32
1
4

4.57 4.07 0.01 50.87 0.72 39.76
2.44 4.41 0.44 42.94 1.56 25.05
1.08 14.19 2.21 49.86 0.69 9.73
0.46 15.02 2.01 52.52 0.29 7.19
0.29 15.29 1.97 53.15 0.19 6.53
0.05 0.01 0.40 0.91 2.03 11.53
5.34 3.70 13.92 21.18 7.80 12.05

8

1.87 20.72

4.54

6.03

5.52

3.50

20
32

0.92 23.01 2.90 33.54 2.14 2.84
0.61 23.98 2.13 34.29 1.96 2.26

5.79
5.78

3.39
2.65

4.19 21.30
4.42 21.90

4.40

31.35

2.53

0
5.6
4.80
4.48
4.42
0
0.38
1.71
2.75
2.99
0
2.44
3.74
5.05
5.61

0
2.27
3.40
3.96
4.17
0
2.18
6.75
9.14
9.73
0
0.94
2.14
1.69
1.55

HUr
0
1.12
1.93
2.99
3.25
0
1.82
5.28
9.80
11.30
0
2.50
3.24
3.37
3.39

0
0
3.51
2.81
1.22
1.23
0.60
0.85
0.40
0.77
14.38 70.68
3.21 15.44

HTSP HD
0
2.52
2.89
3.07
3.13
0
0.38
1.29
2.05
2.43
0
1.33
1.21
0.77
0.60

0
1.43
1.31
1.34
1.25
0
6.94
6.21
8.32
8.93
0
7.72
8.30
9.05
9.35

0
6
0.49 16.37
0.44 19.36
0.29 20.78
0.26 21.16
0
0
3.30 14.08
19.54

Dalam jangka pendek keragaman LPp sebagian besar dijelaskan oleh
guncangan LPp itu sendiri (98.93%) tetapi persentasenya semakin mengecil
seiring dengan menguatnya guncangan LPj hingga 32.72% untuk jangka panjang
hingga 8 tahun mendatang. Adanya pola pergiliran tanaman antara padi dan
jagung dinyatakan oleh hubungan timbal-balik antara LPp dan LPj. Selain itu
peningkatan guncangan HUr terhadap keragaman LPp dalam jangka panjang
menyatakan bahwa petani akan tetap memerlukan subsidi pupuk selama modal

mereka masih terbatas. Dalam hal ini asumsi fleksibilitas modal bagi pemi belum
terpenuhi.
Keragaman peubah PVp baik dalam jangka pendek, jangka menengah,
maupun jangka panjang sebagian besar dijelaskan oleh guncangan PVp sendiri
dan LPp. Untuk peramalan hingga 8 tahun kedepan guncangan PVp dan LPp
masing-masing mencapai 56.66% dan 14.05%, sedangkan pengaruh LPj dan PVj
relatif kecil. Hal ini mengindikasikan bahwa petani tetap akan lebih memilih
untuk memproduksi padi dibandingkan jagung selama permintaan jagung belum
memadai untuk mencukupi kebutuhan hidup mereka dan belum ada kepastian
pasar jagung.
Keragaman peubah HPp dalam jangka pendek hingga 1 tahun mendatang
sangat dipengaruhi oleh PVp (42.94%) dan HPp sendiri (25.05%), tetapi pada
jangka menengah da