Analisis Faktor-faktor Antropogenik Dan Skenario Emisi Karbondioksida Di Indonesia Menggunakan Model Stirpat.

ANALISIS FAKTOR-FAKTOR ANTROPOGENIK

DAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA

MENGGUNAKAN MODEL

STIRPAT

Oleh : EDDY EFFENDI

2501 2013 0035

ARTIKEL ILMIAH

Untuk memenuhi salah satu syarat ujian guna memperoleh gelar Magister Ilmu Lingkungan Program Pascasarjana Program Studi Ilmu Lingkungan

Konsentrasi Perencanaan Pengelolaan Sumber Daya Alam dan Lingkungan Hidup

PROGRAM STUDI MAGISTER ILMU LINGKUNGAN

PROGRAM PASCASARJANA

UNIVERSITAS PADJADJARAN

BANDUNG

ANTHROPOGENIC

FACTORS’ ANALYSIS AN

_{D CARBON}

DIOXIDE EMISSIONS SCENARIOS USING STIRPAT MODEL

Eddy Effendia; Sunardi, Ph.Db University of Padjadjaran

ABSTRACT

Climate change becomes a serious issue globally nowadays. Moreover, its rate is exacerbated by human activities that is known as anthropogenic climate change. Among the greenhouse gases that are the main source of climate change and becomes dominant generating from human activities is carbon dioxide. Therefore, international efforts to overcome the negative impacts of climate change by focusing on carbon dioxide emissions reduction worldwide are a key policy objective.

This study used STIRPAT model as an analytical tool to assess carbon dioxide emissions due to human activities in Indonesia with three anthropogenic factors as predictors, namely population growth, economic growth, and technological change. This research is classified as quantitative research that aims to analyze the influence and contribution of anthropogenic factors on carbon dioxide emissions in Indonesia, to determine carbon dioxide emissions projection in Indonesia using some scenarios, and to identify policy implications and formulate policy suggestions.

The results show that the population is a factor with the greatest influence and contribution for each increase of 1% to carbon dioxide emissions in Indonesia amounted to 1.26 % and 21.50% respectively, but GDP per capita is the largest with 2.64% and 45.05% if it is seen in cumulative. For carbon dioxide emissions projections in Indonesia by the year 2020 will reach 700-800 megatonnes whereas for the post-2020 period there will be an increase of about 200-300 megatonnes per 5 years. From these results imply that Indonesia can increase the growth rate of real GDP and the reduction rate of primary energy intensity in high figure while the population growth and primary energy consumption are set in medium rate.

Keywords: anthropogenic climate change, carbon dioxide emissions, anthropogenic factors, STIRPAT model

______________________________________ a_{Master Programme on Environmental Science}

e-mail address: arai13medal@gmail.com b

ANALISIS FAKTOR-FAKTOR ANTROPOGENIK

DAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA

MENGGUNAKAN MODEL

STIRPAT

Eddy Effendia; Sunardi, Ph.Db Universitas Padjadjaran

ABSTRAK

Perubahan iklim menjadi salah satu permasalahan yang mendapat perhatian serius dunia dewasa ini. Apalagi lajunya diperparah oleh aktifitas manusia sehingga dikenal sebagai perubahan iklim antropogenik. Dari deretan gas rumah kaca yang menjadi sumber utama perubahan iklim dan menjadi yang dominan dihasilkan dari aktifitas manusia adalah karbondioksida. Untuk itu, upaya internasional dalam menanggulangi dampak negatif perubahan iklim dengan berfokus kepada reduksi emisi karbondioksida merupakan sasaran kebijakan kunci.

Dalam studi ini digunakan model STIRPAT sebagai alat analisis yang digunakan untuk mengkaji emisi karbondioksida di Indonesia akibat aktifitas manusia dengan tiga faktor antropogenik sebagai prediktor, yaitu pertumbuhan populasi, pertumbuhan ekonomi, dan perubahan teknologi. Penelitian ini merupakan penelitian kuantitatif yang bertujuan untuk menganalisis pengaruh dan kontribusi faktor-faktor antropogenik terhadap emisi karbondioksida di Indonesia, untuk mengetahui proyeksi emisi karbondioksida di Indonesia menggunakan beberapa skenario, dan untuk mengetahui implikasi kebijakan serta merumuskan saran kebijakan.

Hasil menunjukkan bahwa populasi merupakan faktor dengan pengaruh dan kontribusi terbesar untuk setiap kenaikan 1% terhadap emisi karbondioksida di Indonesia sebesar 1,26% dan 21,50%, tetapi jika dilihat untuk kenaikan secara kumulatif maka PDB per kapita yang terbesar dengan 2,64% dan 45,05%. Untuk proyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan mencapai 700-800 megaton dimana untuk periode pasca-2020 akan terjadi kenaikan sekitar 200-300 megaton per 5 tahun. Dari hasil tersebut mengimplikasikan bahwa Indonesia dapat meningkatkan laju pertumbuhan PDB riil dan laju pengurangan intensitas energi primer secara tinggi sementara laju pertambahan populasi dan laju peningkatan konsumsi energi primer bisa ditetapkan secara sedang.

Kata kunci: perubahan iklim antropogenik, emisi karbondioksida, faktor-faktor antropogenik, model STIRPAT

---a

1. PENDAHULUAN

1.1 Latar Belakang Penelitian

Intergovernmental Panel on Climate Change/IPCC (2001) menyebutkan bahwa konsepsi perubahan iklim merujuk pada setiap perubahan dalam iklim pada suatu selang waktu tertentu, apakah diakibatkan oleh variasi alamiah atau karena aktivitas manusia. Laporan dari IPCC tersebut menyebutkan bahwa aktivitas manusia berkontribusi lebih besar ketimbang faktor alami dalam kenaikan suhu rata-rata global, dimana pada tahun 2100 diprediksi peningkatan suhu global mencapai 1,4 - 5,8oC yang variasinya bergantung kepada kemampuan untuk mengendalikan emisi Gas Rumah Kaca/GRK. Komponen GRK yang berperan dalam peningkatan suhu global, antara lain : karbondioksida/CO2 merupakan

penyebab utama perubahan iklim yang persentasenya mencapai 64%, metana/CH4

sebesar 19%, kloroflorokarbon/CFCs sebesar 11% dan dinitrogen oksida/N2O

sebesar 6%) (Cunningham & Cunningham, 2006). IPCC (2007) menyatakan bahwa 77% emisi CO2berasal dari bahan bakar fosil sebesar 57%, deforestasi dan

pembusukan biomassa (decay of biomass) sebesar 17%, dan faktor lain sebesar 3%. Aktifitas manusia tersebut yang mengemisikan GRK disebut perubahan iklim antropogenik (anthropogenic climate change).

Oleh karena itu, upaya internasional menanggulangi dampak negatif perubahan iklim dengan berfokus kepada pengurangan emisi CO2 secara global

adalah sasaran kebijakan kunci. Inilah mengapa hal tersebut begitu penting untuk memahami variabel-variabel utama yang berdampak terhadap peningkatan emisi CO2, karena zat tersebut merupakan polutan global sehingga dengan hanya

mengupayakan pengendalian emisi CO2 maka akan secara merta mengurangi

emisi polutan lokal dan regional, seperti SO2, NOx, CO dan partikulat (Bowitz,

Sasmitawidjaja, Sugiarto,1996).

Berkaitan dengan perubahan iklim antropogenik, terdapat 5 faktor antropogenik yang berkontribusi dalam perubahan lingkungan global (global environmental change) secara umum dan perubahan iklim secara khusus, antara lain : 1) pertumbuhan populasi, 2) pertumbuhan ekonomi, 3) tingkat teknologi, 4)

institusi ekonomi dan politik, dan 5) sikap dan keyakinan (Stern, Young & Druckman, 1992). IPAT (Impact = Population-Affluence-Technology) yang diperkenalkan oleh Ehrlich dan Holdren pada tahun 1970an yang kemudian dimodifikasi menjadi STIRPAT (Stochastic Impact by Regression on Population-Affluence-Technology) oleh Dietz dan Rosa pada pertengahan dekade 1990an merupakan alat analisis (analysis tools) yang secara luas digunakan untuk menganalisis faktor-faktor tersebut di atas untuk mengkaji emisi antropogenik dalam perubahan iklim.

Dietz dan Rosa (1997) yang mengkaji pengaruh populasi dan kemakmuran terhadap emisi karbondioksida pada data panel lintas negara menyimpulkan bahwa populasi memiliki efek tidak menguntungkan untuk negara-negara berpenduduk besar dan pengaruh kemakmuran mencapai klimaks pada PDB per kapita sekitar 10.000 dollar AS yang akan menurun seiring meningkatnya tingkat kemakmuran. Adapun teknologi dimasukkannya sebagai residual termyang tidak masuk secara eksplisit dalam kedua faktor di atas. Lebih jauh, Shi (2003) menegaskan efek populasi dari temuan Dietz dan Rosa bahwa perubahan populasi secara global sejak dua dekade terakhir adalah lebih dari sekedar proporsional terhadap kenaikan emisi karbondioksida dimana kenaikan 1% populasi akan meningkatkan emisi 1,58% untuk negara berpendapatan rendah, 1,97% bagi negara berpendapatan menengah-bawah, 1,42% untuk negara berpendapatan menengah-atas, dan 0,83% bagi negara berpendapatan tinggi. Artinya, dampak perubahan populasi terhadap emisi karbondioksida tersebut sangat nampak jelas pada negara-negara berkembang ketimbang negara-negara maju. Di lain pihak, hasil analisis Fan et al. (2006) dalam kajian dampak populasi, kemakmuran dan teknologi terhadap emisi karbondioksida pada 4 golongan berbeda (negara berpendapatan kapita tinggi, menengah-atas, menengah-bawah, dan rendah) menyatakan bahwa terdapat pengaruh yang berbeda dari faktor-faktor tersebut terhadap emisi karbondioksida berdasarkan keragaman PDB per kapitanya. Hasil analisis Li et al. (2011) menggunakan model Path-STIRPAT dalam penelusuran

peningkatan tingkat teknologi (technological level) merupakan cara ampuh dalam pengurangan emisi CO2di Cina.

Pada tahun 2009 Pemerintah Indonesia menyatakan tekad secara sukarela (voluntary pledge) pada kesempatan pertemuan G20 di Pittsburg dan COP15 (15th Conference of the Parties) di Kopenhagen untuk menurunkan emisi karbondioksida sebesar 26% dengan upaya sendiri dan 41% dengan dukungan internasional dari skenario dasar/business-as-usual (BAU) (UNEP, 2012; Bappenas, 2013). Peraturan Presiden nomor 61 tahun 2011 tentang Rencana Aksi Nasional Penurunan Emisi Gas Rumah Kaca (RAN-GRK) merupakan pengejawantahan dari tekad sukarela tersebut yang kemudian menjadi panduan bagi pemerintah daerah (kabupaten/kota dan provinsi) dalam penyusunan Rencana Aksi Daerah Penurunan Emisi Gas Rumah Kaca (RAD-GRK) sebagai upaya pemerintah dalam mitigasi perubahan iklim.

Disamping itu, pada tahun 2006 Pemerintah Indonesia telah menetapkan kebijakan energi nasional melalui Peraturan Presiden Republik Indonesia nomor 5 tahun 2006 yang menyoroti bauran energi (energy mix) primer pada tahun 2025 dalam pengembangan EBT untuk mengurangi ketergantungan konsumsi bahan bakar fosil yang merupakan sumber emisi karbondioksida yang potensial, pencapaian energi elastisitas kurang dari 1 dan laju pengurangan intensitas energi 1% per tahun pada tahun 2025. Di lain pihak, Pemerintah Indonesia mengeluarkan Peraturan Presiden Republik Indonesia nomor 32 tahun 2011 yang menyoroti tentang laju pertumbuhan ekonomi yang pesat (not business-as-usual) yang ditargetkan menjadi 7% - 9% per tahun dalam mendorong Indonesia sebagai negara berpendapatan tinggi (US$ 13.000-16.000) pada tahun 2025.

Dengan menjadikan semua hal tersebut sebagai pertimbangan, maka dirasa perlu untuk melakukan penelusuran faktor-faktor antropogenik yang berpengaruh terhadap emisi karbondioksida di Indonesia yang kajian dan literaturnya terhadap hal tersebut masih kurang. Yang selanjutnya dilakukan estimasi emisi CO2 di

Indonesia pada tahun 2020 dalam melihat ketercapaian voluntary pledgedan pada tahun 2025 dalam menilik pengaruh bauran energi primer dan laju pertumbuhan ekonomi yang tinggi di Indonesia menggunakan beberapa skenario.

1.2 Rumusan Masalah

Dari uraian latar belakang di muka, masalah penelitian ini dapat dinyatakan sebagai berikut :

1. Bagaimanakah pengaruh dan kontribusi diantara faktor-faktor antropogenik terhadap emisi karbondioksida di Indonesia?

2. Berapakah proyeksi emisi karbondioksida di Indonesia pada tahun 2010-2035 menggunakan beberapa skenario?

3. Apakah implikasi dan saran kebijakan nasional dari hasil analisis dan proyeksi menggunakan model STIRPAT pada tahun 2010-2035?

2. METODOLOGI DAN DATA

Desain penelitian yang digunakan adalah penelitian kuantitatif dengan berlandaskan kepada diperolehnya data-data numerik yang diolah secara statistik menggunakan piranti lunak NCSS 10 Data Analysis dan Statistica 12 untuk keperluan analisis ketiga faktor antropogenik dan tren emisi karbondioksida rentang 30 tahun serta Microsoft Excel 2007 untuk keperluan proyeksi emisi karbondioksida menggunakan model STIRPAT terhadap beberapa skenario periode 26 tahun yang asumsinya berasal dari kebijakan pemerintah Indonesia atau sumber lain yang relevan. Skenario dan asumsinya diberikan Lampiran 1.

Jenis data yang digunakan dalam penelitian ini seluruhnya adalah data sekunder. Data yang diperoleh berupa data urut waktu (time series) periode tahun 1980-2009 yang berupa data tunggal satu negara (Indonesia), pemilihan periode waktu tersebut didasarkan kepada ketersediaan data. Sumber data berasal dari World Economic Outlook (WEO) bulan April 2015 yang dikeluarkan International Monetary Fund (IMF), Carbon Dioxide Information Analysis Center (CDIAC) dari Oak Ridge National Laboratory yang diadopsi oleh World Development Indicator (WDI) 2014 yang dikeluarkan Bank Dunia, dan British Petroleum (BP) Statistical Review of World Energy 2015. Adapun variabel-variabel yang digunakan dalam penelitian ini didefinisikan pada Tabel 1 berikut.

Tabel 1.

Deskripsi Variabel yang Digunakan dalam Analisis: 1980-2009 dan Proyeksi: 2010-2035i

No. Variabel Definisi Satuan Simbol Sumber

1 Emisi CO2ii Emisi CO2 yang

dihasilkan dari pembakaran bahan bakar fosil, produksi semen, danflaring gasiii

Metrik ton per tahun

I WDI

2 Populasi Populasi tengah tahun

Orang P WEO

3 PDB per

kapitaiv

PDB dibagi

populasi tengah tahun

Rupiah menurut harga konstan 2010

A WEO

4 Perubahan Teknologi (=intensitas energi primer)v

Konsumsi energi primer per satuan PDB

tonnes of oil equivalent (toe) per satuan Rupiah menurut harga konstan 2010

T

BP-WEO

5 PDBvi nilai pasar semua barang dan jasa yang diproduksi oleh suatu negara pada periode 1 tahunan

Rupiah menurut harga konstan 2010

- WEO

6 Konsumsi Energi Primervi

Konsumsi energi sebelum diubah ke bentuk bahan bakar akhir

Million tonnes of oil equivalent (Mtoe)

- BP

Keterangan:

i Tahun 2010 dipilih sebagai tahun dasar untuk keperluan proyeksi sesuai dengan panduan RAN-GRK yang digariskan pemerintah Indonesia melalui Bappenas. Begitu pun, untuk tahun akhir sampai 2035 yang disesuaikan dengan proyeksi populasi Indonesia yang disusun oleh Bappenas, BPS, dan UNFPA.

ii Emisi GRK yang diperhitungkan hanya emisi CO2yang berasal dari pembakaran bahan bakar fosil, produksi semen, dan flaring gas tidak termasuk faktor Land Use, Land-Use Change and Forestry (LULUCF) dalam satuan CO2-ekuivalen karena ketersediaan data.

iii Flaring gas (Gas suar bakar) adalah gas yang dihasilkan oleh kegiatan eksplorasi dan produksi atau pengolahan minyak atau gas bumi yang dibakar karena tidak

dapat ditangani oleh fasilitas produksi atau pengolahan yang tersedia sehingga belum termanfaatkan (Permen ESDM No. 31/2012 pasal 1 ayat (2)).

iv PDB perkapita yang dipilih dalam bentuk riil (harga konstan, bukan harga berlaku) dalam mata uang Rupiah untuk keperluan perhitungan laju pertumbuhan juga untuk menyesuaikan dengan satuan intensitas energi yang harus dalam satuan mata uang lokal atau dalam satuanpurchasing power parity.

v Intensitas energi dipilih untuk menggambarkan perubahan teknologi karena ia berhubungan dan memiliki relevansi yang tinggi dengan populasi ataupun tingkat ekonomi seperti telah diulas di subbab 2.1.3.3. Yang diperhitungkan dalam penelitian ini adalah intensitas energi primer yang disesuaikan dengan ketersediaan data konsumsi energi primer dan laju pertumbuhannya.

vi PDB dan konsumsi energi primer digunakan untuk perhitungan PDB perkapita dan intensitas energi primer pada tahap proyeksi, dimana laju pertumbuhan pada bentuk itu yang menjadi dasar asumsi dalam skenario.

Metode analisis yang digunakan adalah model STIRPAT yang dikembangkan oleh Dietz dan Rosa (1997) melalui persamaan linear dan polinomial berikut.

ln It=a+bln Pt+c(ln Pt)2+dln At+e(ln At)2+f ln Tt+ εt (1)

dan

ln It =a+bln Pt+cln At+dln Tt+ εt=a+bln P0.(1+n)t +cln A0.(1+g)t

+dln T0.(1-i)t+ εt (2)

dimana:

I = emisi karbondioksida, P = populasi, A = PDB perkapita, dan T = Intensitas Energi (=Konsumsi Energi Primer dibagi PDB), subskrip tmenyatakan tahun analisis, a-b-c-d-e = koefisien regresi (dalam bentuk persamaan logaritma dinamakan juga sebagaielastisitas), ε =error term, n= laju pertumbuhan populasi per tahun, g = laju pertumbuhan PDB perkapita per tahun, dan i = laju pengurangan intensitas energi per tahun.

3. HASIL DAN PEMBAHASAN 3.1 Analisis Variabel

Hubungan kumulatif antara tiga prediktor terhadap responnya dapat dideskripsikan pada Tabel 2 di bawah ini.

Tabel 2. Hubungan 3 Prediktor Terhadap Respon: 1980 dan 2009 Variabel Tahun 1980 Tahun 2009 Kenaikan Laju rata-rata

Emisi CO2 94.784.616 453.105.521 378% 5,86%

Populasi 147.490.000 234.300.000 59% 1,61%

PDB per kapita 10.890.045 27.539.951 153% 3,33%

Intensitas Energi 1,6068E-08 2,11944E-08 32% 1,03%

Tabel di atas menunjukkan bahwa persentase kenaikan dan laju rata-rata per tahun emisi karbondioksida lebih besar dibandingkan dengan populasi, PDB perkapita, ataupun intensitas energi. Rasio laju rata-rata per tahun respon terhadap prediktor masing-masing adalah 3,64; 1,76; 5,59. Artinya, laju pertambahan emisi karbondioksida meningkat hampir empat kali lipat daripada pertambahan populasi, hampir dua kali lipat dari kenaikan PDB perkapita, dan hampir enam kali lipat dari pengurangan intensitas energi. Pada bagian berikutnya akan diuraikan mengenai hubungan antarvariabel di atas yang lebih mendalam menggunakan analisis STIRPAT metode regresi linear berganda (multiple regressions).

3.2 Analisis STIRPAT

Mengacu ke hasil regresiOrdinary Least Square/OLS di Lampiran 1 ataupun Lampiran 2, maka penggunaan regresi OLS untuk persamaan STIRPAT mengalami masalah yang ditandai dengan nilai Variance Inflation Factor/VIF yang lebih besar dari 10 dan eigenvalue yang lebih tinggi dari 100. Dengan demikian, model STIRPAT dalam studi ini menggunakan metode Ridge Regression/RR seperti studi yang dilakukan oleh Wang,et al. (2011).

Dalam penelitian ini digunakan persamaan STIRPAT dalam bentuk linear dan polinomial. Untuk keperluan penafsiran hubungan dampak prediktor terhadap respon digunakan persamaan STIRPAT polinomial, sedangkan untuk kebutuhan pengaruh dan kontribusi prediktor serta proyeksi emisi karbondioksida digunakan STIRPAT linear. Oleh karena penentuan nilai k dalam RR memainkan peranan penting, maka dalam hal ini digunakan pencarian k-optimum secara otomatis dari piranti lunak NCSS 10 Data Analysis.

3.2.1 Persamaan STIRPAT Polinomial

Persamaan STIRPAT polinomial (Lampiran 3) dengan nilai k-optimum = 0,322897 diberikan sebagai berikut.

ln I = -3,106441 + 0,6636226 ln P + 0,01747673 (ln P)2 + 0,385908 ln A + 0,01165815 (ln A)2 + 0,363291 ln T + 0,1512 (R2= 0,9178) (3)

Dari persamaan (3) diperoleh bahwa koefisien variabel populasi dalam bentuk kuadrat bernilai positif artinya hubungan dua variabel berbanding lurus sehingga Indonesia mengikuti pola Malthusian yang artinya bahwa peningkatan populasi di Indonesia akan memberikan dampak berupa peningkatan emisi karbondioksida. Mekanismenya mengikuti pola pertama dari Birdsall (1992) dimana populasi yang semakin besar akan menghasilkan peningkatan dalam permintaan energi untuk sumber tenaga, industri, dan transportasi yang pada gilirannya meningkatkan emisi bahan bakar fosil. Mengenai berapa besar kenaikan emisi karbondioksida untuk setiap 1% kenaikan populasi di Indonesia akan dijelaskan dalam persamaan STIRPAT linear.

Di sisi lain, untuk pola kemakmuran, Indonesia tidak mengikuti hipotesis EKC yang ditandai dengan tanda positif pada koefisien variabel PDB per kapita dalam bentuk kuadrat. Artinya, peningkatan pertumbuhan ekonomi Indonesia masih berbanding lurus dengan laju kenaikan emisi karbondioksidanya sehingga

kenaikan emisi karbondioksida untuk setiap 1% kenaikan PDB perkapita di Indonesia akan dijelaskan dalam persamaan STIRPAT linear berikut.

3.2.2 Persamaan STIRPAT Linear

Persamaan STIRPAT linear (Lampiran 2) dengan nilai k-optimum = 0,127888 diberikan sebagai berikut.

ln I = -10,28536 + 1,26463 ln P + 0,792879 ln A + 0,4462734 ln T + 0,1319

(R2 = 0,9323) (4)

Persamaan (4) membuktikan bahwa koefisien dari setiap prediktor nilainya tidak sama dengan satu, tidak seperti asumsi dalam IPAT ataupun Kaya identity yang menganggap koefisiennya seragam (unitary) yang besarnya masing-masing satu.

Untuk melihat pengaruh dan kontribusi dari ketiga faktor antropogenik terhadap emisi karbondioksida di Indonesia diberikan pada Tabel 4.3. yang diadaptasi dari Wanget al. (2011).

Tabel 2. Pengaruh dan Kontribusi Prediktor Kumulatif dan 1% terhadap Emisi CO2

Laju

pertumbuhan rata-rata per tahun

Pengaruh kumulatif terhadap emisi CO2

(koefisien regresixlaju pertumbuhan rata-rata per tahun)

Tingkat kontribusi kumulatif (pengaruh terhadap emisi CO2/

laju

pertumbuhan rata-rata per tahun emisi CO2)

Pengaruh 1% terhadap emisi CO2

(=koefisien regresi atau elastisitas)

Tingkat kontribusi 1% (pengaruh terhadap emisi CO2/

laju

pertumbuhan rata-rata per tahun emisi CO2)

Emisi CO2

5,86%

Populasi 1,61% 1,26463x

1,61 = 2,04%

2,04/5,86x 100% = 34,81%

1,26% 1,26/5,86x 100% = 21,50% PDB

perkapita

3,33% 0,792879x

3,33 = 2,64%

2,64/5,86x 100% = 45,05%

0,79% 0,79/5,86x 100% = 13,48% Intensitas

Energi

1,03% 0,4462734x 1,03 = 0,46%

0,46/5,86x 100% = 7,85%

0,45% 0,45/5,86x 100% = 7,68% Faktor

lain

0,73% 12,29%

TOTAL 5,86% 100%

Dari Tabel 2 nampak bahwa besaran pengaruh laju pertambahan populasi Indonesia secara kumulatif per tahun akan meningkatkan emisi karbondioksidanya sebesar 2,04% per tahun saat variabel PDB perkapita dan intensitas energi dijaga konstan yang kontribusinya sebesar 34,81%. Begitu pun untuk PDB perkapita dan intensitas energi akan meningkatkan emisi karbondioksida masing-masing sebesar 2,64% dan 0,46% per tahun dengan kontribusinya sebesar 45,05% dan 7,85% tatkala dua variabel bebas lainnya dibuat tetap.

Adapun besarnya pengaruh prediktor terhadap emisi karbondioksida untuk setiap 1% kenaikan prediktor adalah sebesar nilai elastisitasnya1. Untuk setiap 1% kenaikan populasi akan meningkatkan emisi karbondioksida 1,26% saat PDB perkapita dan intensitas energi dijaga tetap; untuk setiap 1% kenaikan PDB perkapita akan meningkatkan emisi karbondioksida 0,79% jika populasi dan intensitas energinya tetap, dan untuk setiap 1% kenaikan intensitas energi akan meningkatkan emisinya 0,45% saat dua variabel lainnya tetap.

1

Elastisitas adalah rasio perubahan persentase satu variabel bebas terhadap perubahan persentase variabel terikat. Koefisien dalam persamaan regresi bentuk logaritma adalah

elastisitas parsial karena variabel bebas lainnya dalam persamaan dijaga tetap. Misal:ln =

Meskipun pengaruh dan kontribusi terbesar untuk setiap kenaikan 1% prediktor adalah populasi dengan 1,26% dan 21,50%, tetapi untuk pengaruh dan kontribusi kumulatif terbesar adalah PDB perkapita, yaitu 2,64% dan 45,05%. Artinya, begitu jelas terlihat bahwa PDB perkapita memiliki kontribusi yang signifikan dalam peningkatan emisi karbondioksida di Indonesia. Lain halnya dengan intensitas energi yang sebenarnya rendah dan seharusnya bisa mereduksi emisi karbondioksida. Oleh karena intensitas energi berkebalikan dengan efisiensi energi, dimana semakin rendah intensitas energinya menandakan energi yang digunakan untuk menghasilkan per unit satuan ekonomi semakin efisien. Dengan demikian, intensitas energi Indonesia pada periode tersebut belum banyak memberikan peran dalam pengurangan emisi karbondioksida.

Selain itu, dari Tabel 2 dapat ditafsirkan bahwa terdapat faktor lain yang menyebabkan kenaikan emisi karbondioksida di Indonesia yang tidak terwakili oleh populasi, PDB perkapita, dan intensitas energi dengan kontribusinya sebesar 12,46%. Hasil dari tabel tersebut penting untuk dipertimbangkan dalam skenario proyeksi emisi karbondioksida di Indonesia pada rentang 2010-2035.

3.3 Proyeksi Emisi Karbondioksida

Dari kedua puluh skenario yang dibandingkan terhadap BAU, terdapat 3 skenario di atas BAU (no. 9, 18 dan 20). Selebihnya berada di bawah BAU, 2 diantaranya penurunannya tidak signifikan (no. 6 dan 15) dan skenario no. 19 menjadi yang terbesar penurunannya (Lampiran 4).

Skenario no. 9 dan 18 memiliki pola yang serupa, yaitu memiliki pertumbuhan PDB riil dan konsumsi energi primer yang tinggi masing-masing sebesar 7% dan 6% baik pada pertumbuhan populasi 1% ataupun 1,19%. Begitu pun, untuk skenario KEN yang memiliki pertumbuhan PDB riil yang lebih tinggi lagi dan konsumsi energi yang cukup tinggi meskipun pertumbuhan populasinya hanya 1% sebagaimana yang diproyeksikan oleh BPS, Bappenas, dan UNFPA. Akan tetapi hal demikian tidak terjadi pada skenario no. 7 dan 8 ataupun no. 16 dan 17 pada pertumbuhan populasi yang rendah (1%) ataupun lebih tinggi (1,19%), dimana pertumbuhan PDB riilnya tinggi namun diimbangi dengan

pertumbuhan konsumsi energi yang lebih rendah. Adapun pada skenario no. 6 dan 15 yang diadaptasi dari skenario RIKEN dimana laju elastisitas energi sebesar 0,94 dengan pertumbuhan PDB riil sebesar 6% tidak memberikan pengurangan emisi karbondioksida yang berarti dari tahun ke tahun dalam rentang periode proyeksi. Untuk skenario no. 19 yang merupakan skenario dengan penurunan emisi terbesar yang asumsinya bersumber dari IEA memiliki angka pertumbuhan populasi, PDB riil, konsumsi energi, dan intensitas energi jauh lebih rendah dari angka-angka yang bersumber dari peraturan/laporan pemerintah, juga terdapat irisan dengan asumsi dari BP, yaitu pada pertumbuhan konsumsi energi sebesar 2,5% per tahun (Lampiran 5). Dengan pertumbuhan konsumsi energi yang rendah pada gilirannya akan menurunkan dengan cepat intensitas energi yang ditandai dengan nilai yang semakin negatif jika dibandingkan dengan target pemerintah sebesar -2,3% : -1% per tahun.

3.4 Implikasi dan Saran Kebijakan

Dari pembahasan di muka mengimplikasikan bahwa untuk mencapai penurunan emisi karbondioksida yang signifikan diperlukan keseimbangan antara pertumbuhan PDB riil dan konsumsi energi primer. Yang sudah barang tentu tanpa menafikan peran pertumbuhan populasi ataupun laju pengurangan intensitas energi. Oleh karena memang ketiga faktor antropogenik tersebut tidaklah berdiri sendiri, melainkan hasil perkalian bersama antarfaktor di atas. Akan tetapi, dua faktor pertama lebih dominan dalam signifikansi penurunan emisi karena saat dua faktor tersebut dikendalikan maka peran dua faktor yang terakhir akan semakin memperkuat. Dengan kata lain, jika ingin meningkatkan pertumbuhan PDB riil maka pertumbuhan konsumsi energi primer harus dikendalikan termasuk peningkatan efisiensi energinya.

Dengan memperhatikan hasil studi Hwang dan Yoo (2012) dan hasil analisis studi ini dapat dirumuskan suatu saran kebijakan bahwa Indonesia perlu mempertimbangkan untuk meningkatkan pertumbuhan ekonomi yang pesat dalam

besar dan peningkatan emisi karbondioksida yang tinggi pula, dimana antara konsumsi energi dan emisi karbondioksida terdapat hubungan kausal-Granger dua arah yang kuat. Begitu pun, untuk peningkatan konsumsi energi agar tidak berdampak terhadap peningkatan emisi karbondioksida diperlukan upaya yang serius dalam efisiensi dan penghematan energi termasuk peningkatan porsi Energi Baru Terbarukan/EBT dalam sumber energi primer. Adapun untuk memperoleh manfaat dari bonus demografi maka pemerintah Indonesai perlu meningkatkan kualitas sumber daya manusia yang kompeten dan handal dalam meningkatkan produktifitasnya dalam memacu pertumbuhan ekonomi yang pada gilirannya menjadi penyokong peradaban dan pembangunan bangsa. Hal demikian, diperlukan untuk dapat menjadikan Indonesia keluar dari jebakan negara berpendapatan rendah dan menjadi negara dimana laju pertumbuhan ekonomi berbanding terbalik dengan kerusakan lingkungan sesuai hipotesis Environmental Kuznets Curve/EKC.

Begitu pun, dampak populasi dapat mengikuti pola Boserupian dimana jumlah populasi yang besar pada gilirannya akan meningkatkan kemampuan dalam penyediaan solusi dalam mengatasi permasalahan lingkungan. Seiring dengan hal tersebut, intensitas energi pun diharapkan dapat mengurangi peningkatan emisi karbondioksida. Oleh karena ketiga faktor memiliki keterkaitan satu sama lain dalam peningkatan ataupun penurunan emisi karbondioksida, maka diperlukan perumusan yang holistik antara ketiganya. Dengan demikian, tidak ada faktor yang satu lebih superior dan yang lainnya inferior melainkan yang diperlukan adalah menerapkan skala prioritas. Dan, yang mendapat prioritas adalah peningkatan pertumbuhan ekonomi yang pesat dengan tetap dibarengi peningkatan konsumsi energi meskipun porsinya lebih kecil daripada peningkatan pertumbuhan ekonomi serta pengontrolan kuantitas manusia Indonesia tetapi kualitasnya ditingkatkan. Dengan kata lain, laju kenaikan pertumbuhan PDB riil dan laju pengurangan intensitas energi primer dapat ditetapkan tinggi sementara laju pertambahan populasi dan laju peningkatan konsumsi energi primer bisa dibuat sedang.

4. SIMPULAN

Populasi merupakan faktor dengan pengaruh dan kontribusi terbesar untuk setiap kenaikan 1% terhadap emisi karbondioksida sebesar 1,26% dan 21,50%, tetapi jika dilihat untuk kenaikan secara kumulatif maka PDB per kapita yang memiliki pengaruh dan kontribusi terbesar dengan 2,64% dan 45,05%.

Adapun proyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan mencapai 700-800 megaton CO2 dimana periode pasca-2020 akan menunjukkan

tren kenaikan dimana setiap 5 tahun kenaikannya sekitar 200-300 megaton CO2.

Implikasi dan saran kebijakan yang diperoleh dari hasil penelitian, yaitu: Indonesia sudah seharusnya meningkatkan pertumbuhan ekonomi yang pesat disokong dengan memanfaatkan bonus demografi diiringi dengan peningkatan konsumsi energi pada laju sedang dengan melirik kepada peningkatan porsi EBT yang lebih besar dibarengi peningkatan efisiensi (melalui peningkatan yang tinggi akan intensitas energi) dan penghematannya.

ACKNOWLEDGEMENT

Penelitian ini didukung oleh Pusbindiklatren Bappenas, untuk itu penulis menyampaikan penghargaan dan ucapan terima kasih yang setinggi-tingginya atas bantuan moril dan materialnya. Tak lupa, penghargaan serupa pun penulis tujukan kepada Bapak Sunardi, Ph.D yang telah sudi untuk berdiskusi secara progresif dan senantiasa memberikan masukan yang berharga selama proses penulisan ini.

DAFTAR PUSTAKA

Bappenas, BPS, dan UNFPA. 2013. Proyeksi Penduduk Indonesia: 2010-2035. Jakarta: Badan Pusat Statistik.

Birdsall, N. 1992. Another Look at Population and Global Warming. Population, Health and Nutrition Policy Research Working Paper, WPS 1020. Washington DC: World Bank.

Boden, T., B. Andres, and G. Marland. 2011.Ranking of the World’s Countries by

2011 Total CO2 Emissions from Fossil-fuel Burning, Cement Prodution, and Gas Flaring. Tennessee: Carbon Dioxide Information Analysis Center, Oak

Ridge National Laboratory. Tersedia:

https://www.cdiac.ornl.gov/trends/emis/top2011.tot. [Diakses: 4 October 2015].

Bongaarts, J. 1992. Population Growth and Global Warming. Journal of Population, Development Review (18), pp. 299-319.

Bowitz, E., V.S. Sasmitawidjaja, and G. Sugiarto. 1996. The Indonesian Economy and Emissions of CO2: An Analysis Based on the Environmental Macroeconomic-Model MEMLI 1990-2020. Documents 96/2, Statistics Norway Research Department.

BP. 2015. BP Energy Outlook 2035: February 2015. Tersedia: http://www.bp.com/energyoutlook. [Diakses: 27 September 2015].

BP. 2015. BP Statistical Review of World Energy: June 2015. Tersedia: http://www.bp.com/statisticalreview. [Diakses: 27 September 2015].

BPPT. 2014. Outlook Energi Indonesia 2014: Pengembangan Energi untuk Mendukung Program Substitusi BBM. Jakarta : Pusat Teknologi Pengembangan Sumberdaya Energi, Badan Pengkajian dan Penerapan Teknologi.

BPS. 2015. Statistik Indonesia: Statistical Yearbook of Indonesia 2015. Jakarta: Badan Pusat Statistik.

Cunningham, W.P. and M.A Cunningham. 2006. Principles of Environmental Science: Inquiry and Applications. Third Edition. New York: McGraw-Hill Companies, Inc.

Dietz, T., E.A. Rosa. 1994. Rethinking the Environmental Impact of Population, Affluence, and Technology. Journal of Human Ecology Review (1), pp. 277-300.

Dietz, T., E.A. Rosa. 1997. Effects of Population and Affluence on CO2 Emissions. Proceedings of the National Academy of Sciences USA (94), pp. 175-179.

Dietz, T., E.A. Rosa. 1998.Climate Change and Society. Journal of International Sociology 13 (4), pp. 421-455.

Fan, Y. et al. 2006. Analyzing Impact Factors of CO2 Emissions Using the STIRPAT Model. Journal of Environmental Impact Assessment Review (26), pp. 377-395.

Hwang, J.H., S.H. Yoo. 2012. Energy Consumption, CO2 Emissions, and Economic Growth: Evidence from Indonesia. DOI: 10.1007/s11135-012-9749-5, pp. 1-11.

IEA. 2008. Energy Policy Review of Indonesia. Paris: International Energy Agency.

IEA. 2013. Southeast Asia Energy Outlook: World Energy Outlook Special Report. Paris: International Energy Agency.

IMF. 2015. World Economic Outlook Database: April 2015. Tersedia: https://www.imf.org/external/pubs/ft/weo/2015/01/weodata/index.aspx. [Diakses: 8 September 2015].

IPCC. 2001. Climate Change 2001 : The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change. Houghton, J.T. et al (Eds.). Cambridge : Cambridge University Press.

IPCC. 2007. Climate change 2007: Mitigation. Contribution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. B.Metz, O. R. Davison, P. R. Bosch, R. Dave, and L. A. Meyer (Eds). Cambridge: Cambridge University Press.

Kementerian Kementerian Energi dan Sumber Daya Mineral. 2006. Blueprint Pengelolaan Energi Nasional 2006-2025. Jakarta : Kementerian Energi dan Sumber Daya Mineral.

Lundgren. L.W. 1999. Environmental Geology. Second Edition. New Jersey: Prentice-Hall, Inc.

Shi, A. 2003. The Impacts of Population Pressure on Global Carbon Dioxide Emissions, 1975-1996: Evidence from Pooled Cross-Country Data. Journal of Ecological Economics (44), pp. 29-42.

Stern, P.C., O.R. Young, and D. Druckman. 1992.Global Environmental Change: Understanding the Human Dimensions. National Academy Press USA. Thamrin, S. 2011. Indonesia’s National Mitigation Actions: Paving the Way

towards NAMAs. Tersedia: http://www.oecd.org/env/cc/48304156.pdf. [Diakses: 8 September 2015].

UN. Undated.Intensity of Energy Use, Total, and by Economic Activity. Tersedia: www.un.org/esa/sustdev/.../consumption.../energy_use_intensity.pdf.

[Diakses: 4 September 2015].

UNEP. 2008. Kick The Habit: UN Guide to Climate Neutrality. Malta: Progress Press, Ltd.

World Bank. 2014. World Development Indicator 2014. Tersedia: www.data.worldbank.org. [Diakses: 8 Desember 2014].

Yang, J. 2012. StatNews#83: Interpreting Coefficients in Regression with

Log-Transformed Variables. Tersedia:

https://www.cscu.cornell.edu/news/statnews/stnews83.pdf. [Diakses: 4 Oktober 2015].

York, R., E.A. Rosa, T. Dietz. 2003a. A Rift in Modernity? Assessing the Anthropogenic Sources of Global Climate Change with the STIRPAT Model. International Journal of Sociology and Social Policy (23), pp. 31-51.

York, R., E.A. Rosa, T. Dietz. 2003b.Footprints on the Earth: the Environmental Consequences of Modernity. Journal of American Sociological Review, pp. 279-300.

York, R., E.A. Rosa, T. Dietz. 2003c. STIRPAT, IPAT and ImPACT: Analytic Tools for Unpacking the Driving Forces of Environmental Impacts. Journal of Ecological Economics (46), pp. 351-365.

Lampiran 1. Skenario BAU dan 20 Skenario Pembanding beserta Asumsinya

No. Kode

Skenario Komponen Nilai Sumber Acuan

0 BAU n 1,61% Tren 1980-2009

Laju PDB riil 4,99%

g 3,33%

Laju konsumsi energi

5,97%

i 1,03%

1 1-5-25 n 1% BPS, Bappenas, UNFPA

Laju PDB riil 5% IEA Energy Policy Review 2008

g 3,96%

Laju konsumsi energi

2,5% BP Energy Outlook 2035

i -1% PP No.79/2014

2 1-5-4 n 1%

Laju PDB riil 5%

g 3,96%

Laju konsumsi energi

4% BP Energy Outlook 2035

i -1%

3 1-5-5 n 1%

Laju PDB riil 5%

g 3,96%

Laju konsumsi energi

5% Indonesia Energy Outlook 2014 – Dewan Energi Nasional

i -1%

4 1-6-25 n 1%

Laju PDB riil 6% IEA Energy Policy Review 2008, Outlook Energy Indonesia 2014 -BPPT

g 4,95%

Laju konsumsi energi

2,5%

i -1%

5 1-6-4 n 1%

Laju PDB riil 6%

g 4,95%

Laju konsumsi energi

4%

g 4,95% Laju konsumsi

energi

5,64% Blueprint PEN 10 Nopember 2007

i -1%

7 1-7-25 n 1%

Laju PDB riil 7% Outlook Energy Indonesia 2014 – BPPT, Perpres No. 32/2011

g 5,94%

Laju konsumsi energi

2,5%

i -1%

8 1-7-4 n 1%

Laju PDB riil 7%

g 5,94%

Laju konsumsi energi

4%

i -1%

9 1-7-6 n 1%

Laju PDB riil 7%

g 5,94%

Laju konsumsi energi

6% Indonesia Energy Outlook 2014 – Dewan Energi Nasional

i -1%

10 119-5-25 n 1,19% BPS, Bappenas, UNFPA

Laju PDB riil 5%

g 3,96%

Laju konsumsi energi

2,5%

i -1%

11 119-5-4 n 1,19%

Laju PDB riil 5%

g 3,96%

Laju konsumsi energi

4%

i -1%

12 119-5-5 n 1,19%

Laju PDB riil 5%

g 3,96%

Laju konsumsi energi

5%

i -1%

13 119-6-25 n 1,19%

Laju PDB riil 6%

g 4,95%

energi

i -1%

14 119-6-4 n 1,19%

Laju PDB riil 6%

g 4,95%

Laju konsumsi energi

4%

i -1%

15 119-6-564 n 1,19%

Laju PDB riil 6%

g 4,95%

Laju konsumsi energi

5,64%

i -1%

16 119-7-25 n 1,19%

Laju PDB riil 7%

g 5,94%

Laju konsumsi energi

2,5%

i -1%

17 119-7-4 n 1,19%

Laju PDB riil 7%

g 5,94%

Laju konsumsi energi

4%

i -1%

18 119-7-6 n 1,19%

Laju PDB riil 7%

g 5,94%

Laju konsumsi energi

6%

i -1%

19 IEA n 0,9% Southeast Asia Energy Outlook

2011-2035 – World Energy Outlook 2013 Special Report IEA

Laju PDB riil 4,9%

g 3,32%

Laju konsumsi energi

2,5%

i -2,3%

20 KEN n 1% Indonesia Energy Outlook 2014 –

Dewan Energi Nasional Laju PDB riil 7,5%

g 6,44%

Lampiran 2. Hasil Regresi RR dan OLS dalam Persamaan Linear

Ridge Regression Report

Dataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsx Dependent ln_CO2Emissions

Least Squares Multicollinearity Section Independent Variance R-Squared

Variable Inflation Vs Other X's Tolerance ln_Population 90.5063 0.9890 0.0110 ln_GDPpc 56.9524 0.9824 0.0176 ln_EI 8.9064 0.8877 0.1123 Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative Condition

No. Eigenvalue Percent Percent Number

1 2.773876 92.46 92.46 1.00

2 0.219521 7.32 99.78 12.64

3 0.006603 0.22 100.00 420.10

Some Condition Numbers greater than 100. Multicollinearity is a MILD problem.

Eigenvector of Correlations

No. Eigenvalue ln_Population ln_GDPpc ln_EI 1 2.773876 -0.595959 -0.579725 -0.555655 2 0.219521 0.222639 0.545547 -0.807967 3 0.006603 0.771534 -0.605225 -0.196054

Ridge vs. Least Squares Comparison Section for k = 0.127888

Regular Regular Stand'zed Stand'zed Ridge L.S.

Independent Ridge L.S. Ridge L.S. Standard Standard

Variable Coeff's Coeff's Coeff's Coeff's Error Error

Intercept -10.28536 1.64167

ln_Population 1.26463 0.08470229 0.3637 0.0244 0.1156388 0.7711803 ln_GDPpc 0.792879 1.455928 0.4605 0.8457 0.07789943 0.302884 ln_EI 0.4462734 0.4740539 0.1403 0.1490 0.1853443 0.221295 R-Squared 0.9323 0.9859

Lampiran 3. Hasil Regresi RR dan OLS dalam Persamaan Polinomial

Ridge Regression Report

Dataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsx Dependent ln_CO2Emissions

Least Squares Multicollinearity Section Independent Variance R-Squared

Variable Inflation Vs Other X's Tolerance ln_Population 2469729.7753 1.0000 0.0000 lnPop_Quad 2478491.0704 1.0000 0.0000 ln_GDPpc 631593.2425 1.0000 0.0000 lnGDPpc_Quad632367.5030 1.0000 0.0000 ln_EI 21.1775 0.9528 0.0472 Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative Condition

No. Eigenvalue Percent Percent Number

1 4.718073 94.36 94.36 1.00

2 0.269272 5.39 99.75 17.52

3 0.012631 0.25 100.00 373.55 4 0.000025 0.00 100.00 191738.11 5 0.000000 0.00 100.00 29117493.04

Some Condition Numbers greater than 1000. Multicollinearity is a SEVERE problem.

Ridge vs. Least Squares Comparison Section for k = 0.322897

Regular Regular Stand'zed Stand'zed Ridge L.S.

Independent Ridge L.S. Ridge L.S. Standard Standard

Variable Coeff's Coeff's Coeff's Coeff's Error Error

Intercept -3.106441 378.8664

ln_Population 0.6636226 -29.77069 0.1909 -8.5617 0.05483457 111.5709 lnPop_Quad 0.01747673 0.770052 0.1914 8.4349 0.001446992 2.934482 ln_GDPpc 0.385908 -8.752012 0.2242 -5.0837 0.03901096 27.93501 lnGDPpc_Quad 0.01165815 0.3111477 0.2255 6.0176 0.001178004 0.8395168 ln_EI 0.363291 0.7146732 0.1142 0.2247 0.1464188 0.2988598 R-Squared 0.9178 0.9900

2010 2011 Series0 482,53 507,42 Series1 478,18 494,04 Series2 478,18 497,25 Series3 478,18 499,38 Series4 478,18 495,66 Series5 478,18 498,89 Series6 478,18 502,38 Series7 478,18 497,28 Series8 478,18 500,51 Series9 478,18 504,78 Series10 478,18 494,47 Series11 478,18 497,69 Series12 478,18 499,82 Series13 478,18 496,10 Series14 478,18 499,33 Series15 478,18 502,83 Series16 478,18 497,72 Series17 478,18 500,96 Series18 478,18 505,23 Series19 475,37 490,74 Series20 478,18 503,74

0 200 400 600 800 1,000 1,200 1,400 1,600 1,800 2,000 E m is i CO 2 ( Ju ta T o n )

Lampiran 4. Pr

2011 2012 2013 2014 2015 2016 2017

507,42 533,59 561,11 590,05 620,48 652,48 686,14 494,04 510,42 527,35 544,83 562,90 581,57 600,86 497,25 517,08 537,70 559,15 581,45 604,64 628,76 499,38 521,52 544,64 568,78 594,00 620,33 647,84 495,66 513,78 532,57 552,04 572,23 593,15 614,84 498,89 520,49 543,03 566,55 591,08 616,68 643,38 502,38 527,81 554,52 582,59 612,08 643,06 675,61 497,28 517,14 537,79 559,28 581,61 604,84 629,00 500,51 523,89 548,36 573,97 600,78 628,84 658,21 504,78 532,87 562,52 593,82 626,86 661,74 698,56 494,47 511,32 528,75 546,77 565,40 584,67 604,60 497,69 518,00 539,14 561,14 584,03 607,87 632,67 499,82 522,44 546,09 570,80 596,64 623,64 651,87 496,10 514,70 533,99 554,00 574,77 596,31 618,66 499,33 521,41 544,48 568,56 593,71 619,97 647,39 502,83 528,75 556,00 584,66 614,80 646,49 679,82 497,72 518,06 539,23 561,26 584,20 608,07 632,92 500,96 524,82 549,82 576,01 603,45 632,19 662,31 505,23 533,82 564,02 595,93 629,65 665,27 702,91 490,74 506,61 522,99 539,90 557,36 575,39 594,00 503,74 530,68 559,05 588,94 620,43 653,61 688,55

Proyeksi Emisi CO2Indonesia Tahun 2010-2035 d

2017 2018 2019 2020 2021 2022 2023

686,14 721,52 758,74 797,87 839,02 882,30 927,80 975,65 600,86 620,78 641,37 662,64 684,61 707,32 730,78 755,01 628,76 653,83 679,91 707,03 735,22 764,55 795,04 826,75 647,84 676,56 706,55 737,87 770,59 804,75 840,43 877,69 614,84 637,32 660,62 684,77 709,81 735,76 762,66 790,55 643,38 671,24 700,31 730,64 762,28 795,29 829,73 865,66 675,61 709,81 745,73 783,48 823,14 864,80 908,57 954,56 629,00 654,13 680,25 707,42 735,68 765,07 795,62 827,40 658,21 688,95 721,13 754,81 790,07 826,97 865,59 906,02 698,56 737,43 778,47 821,78 867,51 915,78 966,73 1,020, 604,60 625,20 646,51 668,54 691,32 714,88 739,25 764,44 632,67 658,49 685,36 713,32 742,43 772,73 804,26 837,08 651,87 681,37 712,21 744,45 778,14 813,36 850,17 888,65 618,66 641,85 665,91 690,87 716,77 743,63 771,50 800,42 647,39 676,02 705,92 737,15 769,75 803,80 839,35 876,48 679,82 714,86 751,71 790,46 831,20 874,05 919,11 966,48 632,92 658,78 685,70 713,72 742,89 773,25 804,85 837,74 662,31 693,86 726,91 761,53 797,81 835,81 875,63 917,34 702,91 742,68 784,70 829,10 876,01 925,57 977,94 1,033, 594,00 613,21 633,04 653,51 674,64 696,46 718,98 742,24 688,55 725,37 764,15 805,01 848,05 893,39 941,16 991,48

2010-2035 dalam Beberapa Skenario

2024 2025 2026 2027 2028 2029 2030

927,80 975,65 1,025, 1,078, 1,134, 1,193, 1,254, 1,319, 730,78 755,01 780,05 805,92 832,64 860,26 888,79 918,26 795,04 826,75 859,72 894,01 929,67 966,74 1,005, 1,045, 840,43 877,69 916,60 957,23 999,67 1,043, 1,090, 1,138, 762,66 790,55 819,45 849,41 880,47 912,66 946,03 980,62 829,73 865,66 903,15 942,26 983,07 1,025, 1,070, 1,116, 908,57 954,56 1,002, 1,053, 1,106, 1,163, 1,221, 1,283, 795,62 827,40 860,45 894,82 930,56 967,73 1,006, 1,046, 865,59 906,02 948,34 992,63 1,038, 1,087, 1,138, 1,191, 966,73 1,020, 1,077, 1,137, 1,200, 1,267, 1,337, 1,412, 739,25 764,44 790,49 817,43 845,29 874,10 903,88 934,69 804,26 837,08 871,23 906,78 943,79 982,30 1,022, 1,064, 850,17 888,65 928,87 970,91 1,014, 1,060, 1,108, 1,158, 771,50 800,42 830,42 861,55 893,84 927,35 962,11 998,17 839,35 876,48 915,24 955,73 998,00 1,042, 1,088, 1,136, 919,11 966,48 1,016, 1,068, 1,123, 1,181, 1,242, 1,306, 804,85 837,74 871,97 907,60 944,69 983,30 1,023, 1,065, 875,63 917,34 961,03 1,006, 1,054, 1,105, 1,157, 1,212, 977,94 1,033, 1,091, 1,153, 1,218, 1,287, 1,360, 1,437, 718,98 742,24 766,24 791,02 816,60 843,01 870,27 898,41 941,16 991,48 1,044, 1,100, 1,159, 1,221, 1,286, 1,355,

2030 2031 2032 2033 2034 2035

1,319, 1,387, 1,458, 1,534, 1,613, 1,696, 918,26 948,71 980,17 1,012, 1,046, 1,080, 1,045, 1,087, 1,130, 1,175, 1,222, 1,271, 1,138, 1,189, 1,241, 1,296, 1,354, 1,414, 980,62 1,016, 1,053, 1,092, 1,132, 1,173, 1,116, 1,164, 1,215, 1,267, 1,322, 1,379, 1,283, 1,348, 1,416, 1,488, 1,564, 1,643, 1,046, 1,088, 1,131, 1,177, 1,224, 1,272, 1,191, 1,247, 1,305, 1,366, 1,430, 1,496, 1,412, 1,490, 1,573, 1,661, 1,753, 1,851, 934,69 966,54 999,48 1,033, 1,068, 1,105, 1,064, 1,107, 1,152, 1,199, 1,248, 1,299, 1,158, 1,211, 1,266, 1,323, 1,383, 1,446, 998,17 1,035, 1,074, 1,114, 1,156, 1,199, 1,136, 1,186, 1,239, 1,293, 1,351, 1,410, 1,306, 1,374, 1,444, 1,519, 1,597, 1,680, 1,065, 1,108, 1,154, 1,201, 1,250, 1,301, 1,212, 1,270, 1,331, 1,394, 1,460, 1,530, 1,437, 1,518, 1,604, 1,695, 1,791, 1,892, 898,41 927,47 957,46 988,42 1,020, 1,053, 1,355, 1,427, 1,504, 1,584, 1,669, 1,758,

Lampiran 5. Proyeksi Persentase Pengurangan Emisi CO2Indonesia Tahun 2010-2035 dalam Beberapa Skenario -30 -25 -20 -15 -10 -5 0 5 10 15 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2 2 0 2 3 2 0 2 4 2 0 2 5 2 0 2 6 2 0 2 7 2 0 2 8 2 0 2 9 2 0 3 0 2 0 3 1 2 0 3 2 2 0 3 3 2 0 3 4 2 0 3 5 P e rs e n

Series1 Series2 Series3 Series4 Series5

Series6 Series7 Series8 Series9 Series11

Series10 Series12 Series13 Series14 Series15 Series16 Series17 Series18 Series19 Series20

g

4,95%

Laju konsumsi

energi

5,64% Blueprint PEN 10 Nopember 2007

i

-1%

7

1-7-25

n

1%

Laju PDB riil

7%

Outlook Energy Indonesia 2014

–

BPPT, Perpres No. 32/2011

g

5,94%

Laju konsumsi

energi

2,5%

i

-1%

8

1-7-4

n

1%

Laju PDB riil

7%

g

5,94%

Laju konsumsi

energi

4%

i

-1%

9

1-7-6

n

1%

Laju PDB riil

7%

g

5,94%

Laju konsumsi

energi

6%

Indonesia Energy Outlook 2014

–

Dewan Energi Nasional

i

-1%

10

119-5-25

n

1,19% BPS, Bappenas, UNFPA

Laju PDB riil

5%

g

3,96%

Laju konsumsi

energi

2,5%

i

-1%

11

119-5-4

n

1,19%

Laju PDB riil

5%

g

3,96%

Laju konsumsi

energi

4%

i

-1%

12

119-5-5

n

1,19%

Laju PDB riil

5%

g

3,96%

Laju konsumsi

energi

5%

i

-1%

13

119-6-25

n

1,19%

Laju PDB riil

6%

g

4,95%

energi

i

-1%

14

119-6-4

n

1,19%

Laju PDB riil

6%

g

4,95%

Laju konsumsi

energi

4%

i

-1%

15

119-6-564

n

1,19%

Laju PDB riil

6%

g

4,95%

Laju konsumsi

energi

5,64%

i

-1%

16

119-7-25

n

1,19%

Laju PDB riil

7%

g

5,94%

Laju konsumsi

energi

2,5%

i

-1%

17

119-7-4

n

1,19%

Laju PDB riil

7%

g

5,94%

Laju konsumsi

energi

4%

i

-1%

18

119-7-6

n

1,19%

Laju PDB riil

7%

g

5,94%

Laju konsumsi

energi

6%

i

-1%

19

IEA

n

0,9%

Southeast Asia Energy Outlook

2011-2035

–

World Energy Outlook

2013 Special Report IEA

Laju PDB riil

4,9%

g

3,32%

Laju konsumsi

energi

2,5%

i

-2,3%

20

KEN

n

1%

Indonesia Energy Outlook 2014

–

Dewan Energi Nasional

Laju PDB riil

7,5%

g

6,44%

Laju konsumsi

energi

5,13%

Lampiran 2. Hasil Regresi RR dan OLS dalam Persamaan Linear

Ridge Regression Report

Dataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsx

Dependent ln_CO2Emissions

Least Squares Multicollinearity Section Independent Variance R-Squared

Variable Inflation Vs Other X's Tolerance

ln_Population 90.5063 0.9890 0.0110

ln_GDPpc 56.9524 0.9824 0.0176

ln_EI 8.9064 0.8877 0.1123

Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative Condition No. Eigenvalue Percent Percent Number

1 2.773876 92.46 92.46 1.00

2 0.219521 7.32 99.78 12.64

3 0.006603 0.22 100.00 420.10

Some Condition Numbers greater than 100. Multicollinearity is a MILD problem.

Eigenvector of Correlations

No. Eigenvalue ln_Population ln_GDPpc ln_EI

1 2.773876 -0.595959 -0.579725 -0.555655

2 0.219521 0.222639 0.545547 -0.807967

3 0.006603 0.771534 -0.605225 -0.196054

Ridge vs. Least Squares Comparison Section for k = 0.127888

Regular Regular Stand'zed Stand'zed Ridge L.S.

Independent Ridge L.S. Ridge L.S. Standard Standard

Variable Coeff's Coeff's Coeff's Coeff's Error Error

Intercept -10.28536 1.64167

ln_Population 1.26463 0.08470229 0.3637 0.0244 0.1156388 0.7711803

ln_GDPpc 0.792879 1.455928 0.4605 0.8457 0.07789943 0.302884

ln_EI 0.4462734 0.4740539 0.1403 0.1490 0.1853443 0.221295

R-Squared 0.9323 0.9859

Lampiran 3. Hasil Regresi RR dan OLS dalam Persamaan Polinomial

Ridge Regression Report

Dataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsx

Dependent ln_CO2Emissions

Least Squares Multicollinearity Section Independent Variance R-Squared

Variable Inflation Vs Other X's Tolerance

ln_Population 2469729.7753 1.0000 0.0000

lnPop_Quad 2478491.0704 1.0000 0.0000

ln_GDPpc 631593.2425 1.0000 0.0000

lnGDPpc_Quad632367.5030 1.0000 0.0000

ln_EI 21.1775 0.9528 0.0472

Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative Condition No. Eigenvalue Percent Percent Number

1 4.718073 94.36 94.36 1.00

2 0.269272 5.39 99.75 17.52

3 0.012631 0.25 100.00 373.55

4 0.000025 0.00 100.00 191738.11

5 0.000000 0.00 100.00 29117493.04

Some Condition Numbers greater than 1000. Multicollinearity is a SEVERE problem.

Ridge vs. Least Squares Comparison Section for k = 0.322897

Regular Regular Stand'zed Stand'zed Ridge L.S.

Independent Ridge L.S. Ridge L.S. Standard Standard

Variable Coeff's Coeff's Coeff's Coeff's Error Error

Intercept -3.106441 378.8664

ln_Population 0.6636226 -29.77069 0.1909 -8.5617 0.05483457 111.5709

lnPop_Quad 0.01747673 0.770052 0.1914 8.4349 0.001446992 2.934482

ln_GDPpc 0.385908 -8.752012 0.2242 -5.0837 0.03901096 27.93501

lnGDPpc_Quad 0.01165815 0.3111477 0.2255 6.0176 0.001178004 0.8395168

ln_EI 0.363291 0.7146732 0.1142 0.2247 0.1464188 0.2988598

R-Squared 0.9178 0.9900

2010 2011 Series0 482,53 507,42 Series1 478,18 494,04 Series2 478,18 497,25 Series3 478,18 499,38 Series4 478,18 495,66 Series5 478,18 498,89 Series6 478,18 502,38 Series7 478,18 497,28 Series8 478,18 500,51 Series9 478,18 504,78 Series10 478,18 494,47 Series11 478,18 497,69 Series12 478,18 499,82 Series13 478,18 496,10 Series14 478,18 499,33 Series15 478,18 502,83 Series16 478,18 497,72 Series17 478,18 500,96 Series18 478,18 505,23 Series19 475,37 490,74 Series20 478,18 503,74

0 200 400 600 800 1,000 1,200 1,400 1,600 1,800 2,000 E m is i CO 2 ( Ju ta T o n )

Lampiran 4. Pr

2011 2012 2013 2014 2015 2016 2017 507,42 533,59 561,11 590,05 620,48 652,48 686,14 494,04 510,42 527,35 544,83 562,90 581,57 600,86 497,25 517,08 537,70 559,15 581,45 604,64 628,76 499,38 521,52 544,64 568,78 594,00 620,33 647,84 495,66 513,78 532,57 552,04 572,23 593,15 614,84 498,89 520,49 543,03 566,55 591,08 616,68 643,38 502,38 527,81 554,52 582,59 612,08 643,06 675,61 497,28 517,14 537,79 559,28 581,61 604,84 629,00 500,51 523,89 548,36 573,97 600,78 628,84 658,21 504,78 532,87 562,52 593,82 626,86 661,74 698,56 494,47 511,32 528,75 546,77 565,40 584,67 604,60 497,69 518,00 539,14 561,14 584,03 607,87 632,67 499,82 522,44 546,09 570,80 596,64 623,64 651,87 496,10 514,70 533,99 554,00 574,77 596,31 618,66 499,33 521,41 544,48 568,56 593,71 619,97 647,39 502,83 528,75 556,00 584,66 614,80 646,49 679,82 497,72 518,06 539,23 561,26 584,20 608,07 632,92 500,96 524,82 549,82 576,01 603,45 632,19 662,31 505,23 533,82 564,02 595,93 629,65 665,27 702,91 490,74 506,61 522,99 539,90 557,36 575,39 594,00 503,74 530,68 559,05 588,94 620,43 653,61 688,55

Proyeksi Emisi CO

2

Indonesia Tahun 2010-2035 d

2017 2018 2019 2020 2021 2022 2023

686,14 721,52 758,74 797,87 839,02 882,30 927,80 975,65 600,86 620,78 641,37 662,64 684,61 707,32 730,78 755,01 628,76 653,83 679,91 707,03 735,22 764,55 795,04 826,75 647,84 676,56 706,55 737,87 770,59 804,75 840,43 877,69 614,84 637,32 660,62 684,77 709,81 735,76 762,66 790,55 643,38 671,24 700,31 730,64 762,28 795,29 829,73 865,66 675,61 709,81 745,73 783,48 823,14 864,80 908,57 954,56 629,00 654,13 680,25 707,42 735,68 765,07 795,62 827,40 658,21 688,95 721,13 754,81 790,07 826,97 865,59 906,02 698,56 737,43 778,47 821,78 867,51 915,78 966,73 1,020, 604,60 625,20 646,51 668,54 691,32 714,88 739,25 764,44 632,67 658,49 685,36 713,32 742,43 772,73 804,26 837,08 651,87 681,37 712,21 744,45 778,14 813,36 850,17 888,65 618,66 641,85 665,91 690,87 716,77 743,63 771,50 800,42 647,39 676,02 705,92 737,15 769,75 803,80 839,35 876,48 679,82 714,86 751,71 790,46 831,20 874,05 919,11 966,48 632,92 658,78 685,70 713,72 742,89 773,25 804,85 837,74 662,31 693,86 726,91 761,53 797,81 835,81 875,63 917,34 702,91 742,68 784,70 829,10 876,01 925,57 977,94 1,033, 594,00 613,21 633,04 653,51 674,64 696,46 718,98 742,24 688,55 725,37 764,15 805,01 848,05 893,39 941,16 991,48

2010-2035 dalam Beberapa Skenario

2024 2025 2026 2027 2028 2029 2030 927,80 975,65 1,025, 1,078, 1,134, 1,193, 1,254, 1,319, 730,78 755,01 780,05 805,92 832,64 860,26 888,79 918,26 795,04 826,75 859,72 894,01 929,67 966,74 1,005, 1,045, 840,43 877,69 916,60 957,23 999,67 1,043, 1,090, 1,138, 762,66 790,55 819,45 849,41 880,47 912,66 946,03 980,62 829,73 865,66 903,15 942,26 983,07 1,025, 1,070, 1,116, 908,57 954,56 1,002, 1,053, 1,106, 1,163, 1,221, 1,283, 795,62 827,40 860,45 894,82 930,56 967,73 1,006, 1,046, 865,59 906,02 948,34 992,63 1,038, 1,087, 1,138, 1,191, 966,73 1,020, 1,077, 1,137, 1,200, 1,267, 1,337, 1,412, 739,25 764,44 790,49 817,43 845,29 874,10 903,88 934,69 804,26 837,08 871,23 906,78 943,79 982,30 1,022, 1,064, 850,17 888,65 928,87 970,91 1,014, 1,060, 1,108, 1,158, 771,50 800,42 830,42 861,55 893,84 927,35 962,11 998,17 839,35 876,48 915,24 955,73 998,00 1,042, 1,088, 1,136, 919,11 966,48 1,016, 1,068, 1,123, 1,181, 1,242, 1,306, 804,85 837,74 871,97 907,60 944,69 983,30 1,023, 1,065, 875,63 917,34 961,03 1,006, 1,054, 1,105, 1,157, 1,212, 977,94 1,033, 1,091, 1,153, 1,218, 1,287, 1,360, 1,437, 718,98 742,24 766,24 791,02 816,60 843,01 870,27 898,41 941,16 991,48 1,044, 1,100, 1,159, 1,221, 1,286, 1,355,

2030 2031 2032 2033 2034 2035 1,319, 1,387, 1,458, 1,534, 1,613, 1,696, 918,26 948,71 980,17 1,012, 1,046, 1,080, 1,045, 1,087, 1,130, 1,175, 1,222, 1,271, 1,138, 1,189, 1,241, 1,296, 1,354, 1,414, 980,62 1,016, 1,053, 1,092, 1,132, 1,173, 1,116, 1,164, 1,215, 1,267, 1,322, 1,379, 1,283, 1,348, 1,416, 1,488, 1,564, 1,643, 1,046, 1,088, 1,131, 1,177, 1,224, 1,272, 1,191, 1,247, 1,305, 1,366, 1,430, 1,496, 1,412, 1,490, 1,573, 1,661, 1,753, 1,851, 934,69 966,54 999,48 1,033, 1,068, 1,105, 1,064, 1,107, 1,152, 1,199, 1,248, 1,299, 1,158, 1,211, 1,266, 1,323, 1,383, 1,446, 998,17 1,035, 1,074, 1,114, 1,156, 1,199, 1,136, 1,186, 1,239, 1,293, 1,351, 1,410, 1,306, 1,374, 1,444, 1,519, 1,597, 1,680, 1,065, 1,108, 1,154, 1,201, 1,250, 1,301, 1,212, 1,270, 1,331, 1,394, 1,460, 1,530, 1,437, 1,518, 1,604, 1,695, 1,791, 1,892, 898,41 927,47 957,46 988,42 1,020, 1,053, 1,355, 1,427, 1,504, 1,584, 1,669, 1,758,

Lampiran 5. Proyeksi Persentase Pengurangan Emisi CO

2

Indonesia Tahun 2010-2035 dalam Beberapa Skenario

-40 -35 -30 -25 -20 -15 -10 -5 0 5 10 15 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7 2 0 1 8 2 0 1 9 2 0 2 0 2 0 2 1 2 0 2 2 2 0 2 3 2 0 2 4 2 0 2 5 2 0 2 6 2 0 2 7 2 0 2 8 2 0 2 9 2 0 3 0 2 0 3 1 2 0 3 2 2 0 3 3 2 0 3 4 2 0 3 5 P e rs e n

Series1 Series2 Series3 Series4 Series5

Series6 Series7 Series8 Series9 Series11

Series10 Series12 Series13 Series14 Series15