Anda di halaman 1dari 343

EFEKTIVITAS KEBIJAKAN HARGA PANGAN

TERHADAP KETAHANAN PANGAN


DAN DAMPAKNYA PADA
STABILITAS EKONOMI MAKRO

NYAK ILHAM

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2006

ii

SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam


disertasi Saya yang berjudul:
EFEKTIVITAS

KEBIJAKAN

HARGA

PANGAN

TERHADAP

KETAHANAN PANGAN DAN DAMPAKNYA PADA STABILITAS


EKONOMI MAKRO
merupakan gagasan atau hasil penelitian disertasi Saya sendiri, dengan pembimbingan
Komisi Pembimbing, kecuali yang dengan jelas rujukannya. Disertasi ini belum
pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan tinggi
lain. Semua data dan informasi yang digunakan telah dinyatakan secara jelas dan
dapat diperiksa kebenarannya.

Bogor, 27 November 2006

NYAK ILHAM
NRP. A. 161020071

iii

ABSTRAK
NYAK ILHAM. Efektivitas Kebijakan Harga Pangan terhadap Ketahanan Pangan
dan Dampaknya pada Stabilitas Ekonomi Makro (BONAR M. SINAGA sebagai
Ketua, WILSON H. LIMBONG, HERMANTO SIREGAR, dan
D.S.
PRIYARSONO sebagai Angota Komisi Pembimbing)
Di negara yang pangsa pengeluaran pangan penduduknya masih besar selalu
dijumpai permasalahan kurang pangan sehingga memerlukan perhatian pemerintah.
Perhatian tersebut di antaranya berupa kebijakan harga pangan yang bertujuan
memberi insentif bagi petani untuk memproduksi pangan dan menjamin harga pangan
yang stabil bagi konsumen. Harga pangan yang tidak stabil dapat menyebabkan
instabilitas ekonomi makro. Permasalahannya adalah kecenderungan pasar yang
mengglobal dan semakin terbatasnya anggaran pemerintah untuk mendukung
pembangunan membuat kebijakan harga pangan semakin sulit dilaksanakan. Tujuan
penelitian ini adalah: (1) menganalisis dinamika pangsa pengeluaran pangan sebagai
proksi dari kesejahteraan penduduk, (2) menganalisis efektivitas kebijakan harga
pangan terhadap ketahanan pangan, (3) menganalisis dampak kebijakan harga pangan
terhadap stabilitas ekonomi makro, dan (4) menganalisis efektivitas kebijakan harga
pangan terhadap stabilitas ekonomi makro. Hasil penelitian ini diharapkan berguna
untuk meyakinkan berbagai pihak bahwa kebijakan harga pangan tersebut masih
relevan untuk dilakukan.
Analisis data menggunakan pendekatan ekonometrika. Analisis dinamika
pangsa pengeluaran pangan menggunakan data Susenas 1996, 1999, dan 2002 dan
model regresi. Analisis efektivitas kebijakan harga pangan terhadap ketahanan
pangan menggunakan data sekunder deret waktu 1975-2004 dan model Error
Corection Model. Analisis dampak kebijakan harga pangan terhadap keseimbangan
dan stabilitas ekonomi makro menggunakan data sekunder deret waktu 1980.1-2004.4
dan model Vector Error Correction Model untuk menganalisis Impulse Response
Fuction Forecast Error Variance Decomposition.
Hasil penelitian menyimpulkan bahwa: (1) pangsa pengeluaran pangan layak
dijadikan indikator ketahanan pangan, dan berdasarkan indikator tersebut hasil
pembangunan selama ini lebih dinikmati penduduk berpendapatan tinggi
dibandingkan penduduk berpendapatan sedang dan rendah, (2) kebijakan harga
pangan sangat mempengaruhi ketersediaan pangan, namun masih belum efektif dan
bias kepada ketersediaan energi dan tidak berpengaruh terhadap ketersediaan protein,
(3) kebijakan harga pangan tidak berpengaruh terhadap konsumsi energi dan protein,
ketersediaan pangan ditingkat nasional tidak menjamin akses pangan penduduk, (4)
kebijakan harga pangan mengakibatkan stagflasi ekonomi namun tidak menyebabkan
peningkatan pengangguran dan instabilitas pada perekonomian makro, dan (5)
kebijakan moneter baik secara langsung maupun tidak langsung efektif menentukan
stabilitas ekonomi makro, sedangkan kebijakan harga pangan kurang efektif
menentukan stabilitas ekonomi makro dan kebijakan perdagangan tidak efektif
menentukan stabilitas ekonomi makro. Berdasarkan temuan dan kesimpulan
penelitian ini maka pemerintah masih relevan melakukan kebijakan harga pangan,
namun masih diperlukan perbaikan dalam implementasinya.
Kata kunci: Kebijakan harga , ketahanan pangan, stabilitas ekonomi makro

iv

ABSTRACT
NYAK ILHAM, The Effectiveness of food pricing policy on food security and the
impact on macroeconomic stability (BONAR M. SINAGA as Chairman, WILSON
H. LIMBONG, HERMANTO SIREGAR, and D. S. PRIYARSONO as Members
of Advisory Committee).
In a country which the share of food expenditure is sufficient large, it is easy
to find food deficiency problems that need more attention from the government. The
attention is in the form of food pricing policy that aimed to give incentive for farmer
to produce food and ensure stable food price for the consumer. Unstable food price
will result instability of macroeconomic. The problems are that the market tends to
global and lack of government budget to support development therefore food price
policy is more difficult to be implemented. The objective of this research are in order
to : (1) analyze dynamics of food expenditure share as proxy of public welfare, (2)
analyze effectiveness of food pricing policy on food security, (3) analyze the impact
of food pricing policy on stability of macroeconomic, and (4) analyze effectiveness of
food pricing policy on stability of macroeconomic. The result is suggested useful to
ensure the relevant parties that the food pricing policy is relevant to be implemented.
The econometrics approach was used to analyze the available data. Analysis
of dinamics of food expenditure share is using Susenas Data for 1996, 1999, and 2002
and regression model. The analysis of effectiveness of food pricing policy on food
security is using secondary time series data for 1975-2004 and Error Correction
Model. Furthermore, the analysis of the impact of food pricing policy on equilibrium
and stability of macroeconomic is using secondary time series data for 1980.1
2004.4 and Vector Error Correction Model to analyze Impulsee Response Function
and Forecast Error Variant Decomposition.
The result was indicated that: (1) food expenditure share is feasible as
indicator for food security and the development result is more enjoyed by higher
income resident than the middle and lowest one, (2) food pricing policy is having
significant effect on food availability, however still ineffective and bias to energy
availability and having no effect on protein availability, (3) food pricing policy shows
not significant effect on energy and protein consumption, while the food availabilty is
not ensure food acces for the resident, (4) food pricing policy caused stagflation but is
not resulting an increasing in unemployment and instability of macroeconomic
condition, and (5) monetary policy, directly and indirectly, is effective to determine
macroeconomic stability, while food pricing policy shows moderate effect on
macroeconomic stability and trade policy is ineffective to detremine macroeconomic
stability. According to the result, the conclusion is that the government is relevant to
implement food pricing policy, however need improvement in the implementation.

Keywords: Price policy, food security, macroeconomic stability

EFEKTIVITAS KEBIJAKAN HARGA PANGAN


TERHADAP KETAHANAN PANGAN
DAN DAMPAKNYA PADA
STABILITAS EKONOMI MAKRO

NYAK ILHAM

Disertasi
Sebagai salah satu syarat untuk memperoleh gelar
Doktor
pada
Program Studi Ilmu Ekonomi Pertanian

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2006

vi
Judul Disertasi

: Efektivitas Kebijakan Harga Pangan terhadap


Ketahanan Pangan dan Dampaknya pada Stabilitas
Ekonomi Makro

Nama

: Nyak Ilham

Nomor Pokok

: A 161020071

Program Studi

: Ilmu Ekonomi Pertanian

Menyetujui,
Komisi Pembimbing

Prof. Dr. Ir. Bonar M. Sinaga, MA


Ketua

Dr. Ir. Hermanto Siregar, MEc.


Anggota

Prof. Dr. Ir. W. H. Limbong, MS


Anggota

Dr. Ir. D. S. Priyarsono, MS


Anggota

Mengetahui,

Ketua Program Studi


Ilmu Ekonomi Pertanian,

Prof. Dr. Ir. Bonar M. Sinaga, MA

Tanggal Ujian: 21 September 2006

Dekan Sekolah Pascasarjana

Prof. Dr. Ir. Khairil A. Notodiputro, MS

Tanggal Lulus: 04 Desember 2006

vii

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 10 Agustus 1958 di Delitua-Medan.
Merupakan anak ketiga dari enam bersaudara dari Bapak Abdullah NyaAli
(Almarhum) dan Ibu Sabirah (Almarhumah).
Pada tahun 1971 penulis menyelesaikan Sekolah Dasar di SDN No.1 Timbang
Langkat Binjai, kemudian melanjutkan sekolah pada SMPN No.1 Binjai dan lulus
pada tahun 1974. Tahun 1977 lulus dari SMA Negeri Binjai.
Melalui saringan masuk Proyek Perintis I (SKALU) tahun 1978 penulis
meneruskan studi di Institut Pertanian Bogor. Gelar Sarjana Peternakan diperoleh
pada tahun 1982. Tahun 1996 melanjutkan studi Program Magister pada Program
Studi Ilmu Ekonomi Pertanian Program Pascasarjana Institut Pertanian Bogor dan
lulus pada tahun 1998.

Pada tahun 2002 penulis diberikan kesempatan untuk

melanjutkan studi Program Doktor pada Program Studi Ilmu Ekonomi Pertanian
Sekolah Pascasarjana Institut Pertanian Bogor.
Riwayat pekerjaan dimulai dari 1983-1993 penulis bekerja pada Balai
Pembibitan Ternak dan Hijauan Makanan Ternak Indrapuri-Aceh, Direktorat Jenderal
Peternakan. Tahun 1994 hingga saat ini bekerja pada Pusat Analisis Sosial Ekonomi
dan Kebijakan Pertanian, Departemen Pertanian.
Tahun 1985 menikah dengan Nurningsih dan dikarunia empat putra: Indra
Akbar Dilana (1986), Muhammad Taufiq Patra (1988), Fajar Firmana (1993), dan
Fajri Gemara (Almarhum:1993-1997).

viii

KATA PENGANTAR
Puji dan Syukur penulis panjatkan kehadirat Allah SWT, karena atas Berkat
dan Rahmat-Nya disertasi dengan judul: Efektivitas Kebijakan Harga Pangan
terhadap Ketahanan Pangan dan Dampaknya pada Stabilitas Ekonomi Makro dapat
diselesaikan. Tema itu dipilih dilatar belakangi oleh masih banyak masalah kurang
pangan dan perdebatan arah kebijakan pangan akhir-akhir ini.
Pada kesempatan ini penulis secara tulus mengucapkan terima kasih yang
sedalam-dalamnya dan penghormatan yang setinggi-tingginya kepada Prof. Dr. Ir.
Bonar M. Sinaga, MA selaku Ketua Komisi Pembimbing yang telah memberikan
arahan dan bimbingan terutama mengenai permodelan, penyajian, dan konsistensi
dalam penyusunan disertasi ini. Kepada Prof. Dr. Ir. W. H. Limbong, MS selaku
Anggota Komisi Pembimbing yang telah memberikan bimbingan dalam penyusunan
disertasi dan dorongan semangat untuk mempercepat penyelesaian studi. Kepada Dr.
Ir. Hermanto Siregar, MEc selaku Anggota Komisi Pembimbing yang telah
memberikan bimbingan terutama dalam permodelan, pengolahan data, dan penyajian
hasil penelitian.

Kepada Dr. Ir. D. S. Priyarsono, MS selaku Anggota Komisi

Pembimbing yang telah memberikan bimbingan terutama dalam aspek ketahanan


pangan dan penyajian hasil penelitian. Ucapan terimakasih juga disampaikan kepada
Prof. Dr. Bustanul Arifin (Guru Besar Ilmu Ekonomi Pertanian Unila Lampung dan
Ekonom Senior INDEF Jakarta) dan Dr. Kaman Nainggolan (Kepala Badan
Ketahanan Pangan Departemen Pertanian) atas kesediaannya selaku dosen penguji
luar komisi pada ujian terbuka.
Ucapan terima kasih penulis sampaikan juga kepada Kepala Pusat Analisis
Sosial Ekonomi dan Kebijakan Pertanian (PSE-KP) Departemen Pertanian, Dr. Ir.

ix
Tahlim Sudaryanto, MS, yang memberikan kesempatan pada penulis untuk mengikuti
Program Doktor di IPB Bogor. Kepada Pihak Proyek PAATP Departemen Pertanian
yang memberikan beasiswa untuk melanjutkan studi pada Program Doktor. Kepada
Ketua Program Studi Ilmu Ekonomi Pertanian Prof. Dr. Ir. Bonar M. Sinaga, MA
yang telah merekomendasikan penulis untuk dapat melanjutkan studi pada Program
Doktor di IPB Bogor.

Kepada Rektor dan Dekan Sekolah Pascasarjana Institut

Pertanian Bogor yang telah menerima penulis untuk melanjutkan studi pada jenjang
S3 pada IPB Bogor.
Terima kasih kepada pihak Biro Kredit dan Perpustakaan Bank Indonesia,
serta Perpustakaan PSE-KP Bogor yang memberikan kemudahan dalam pengumpulan
data yang diperlukan.

Kepada Nina, staf pengolah data pada PSE-KP, yang

membantu mengolah data Susenas yang ada pada PSE-KP. Kepada teman-teman
anggota Tim Hibah Pasca di bawah bimbingan Dr. D.S. Priyarsono dan Dr. Arief
Daryanto yang memberikan masukan dan dukungan dana. Kepada Dr. M. Husein
Sawit yang memberikan bahan bacaan dan kesempatan berdiskusi. Kepada Dr. D.
Iwan Riswandi dan Ir. Yundy H, MS yang memberikan waktu berdiskusi
mengaplikasi program Microfit. Demikian juga untuk teman-teman pada Program
Studi Ilmu Ekonomi Pertanian angkatan 2002 sebagai teman belajar dan diskusi
bersama dalam menghadapi ujian-ujian smester dan prelim.
Teristimewa untuk kedua orang tua (almarhum), kedua mertua, isteri, dan
keempat putraku, serta seluruh keluarga di Bogor, Jakarta, Tanjung Karang, Medan,
dan Aceh atas kesabaran, doa, dorongan semangat, korbanan, dan kasih sayangnya,.
Semoga karya ilmiah ini bermanfaat, Amin.
Bogor, 27 November 2006
Nyak Ilham

DAFTAR ISI
Halaman
DAFTAR TABEL ....

xiv

DAFTAR GAMBAR ....

xvi

DAFTAR LAMPIRAN .

xx

I. PENDAHULUAN ....

1.1. Latar Belakang ....

1.2. Perumusan Masalah

1.3. Tujuan Penelitian

1.4. Kegunaan Penelitian ..

1.5. Ruang Lingkup dan Keterbatasan Penelitian .

11

II. TINJAUAN PUSTAKA ...

14

2.1. Sejarah Kebijakan Harga Pangan dan Arahnya ke Depan ..

14

2.1.1. Sejarah Kebijakan Harga Pangan

14

2.1.2. Arah Kebijakan Harga Pangan

17

2.2. Faktor-faktor yang Menentukan Efektivitas Kebijakan Harga


Pangan...

21

2.2.1. Komoditas Gabah.

21

2.2.2. Komoditas Palawija dan Pangan Lain .

26

2.2.3. Sarana Produksi Pertanian ...

26

2.3. Faktor-faktor yang Mempengaruhi Inflasi ..

29

2.4. Pengendalian Inflasi dan Pertumbuhan Ekonomi

31

2.5. Dampak Kebijakan Harga Pangan terhadap Ketahanan


Pangan ..

34

2.6. Dampak Kebijakan Harga Pangan terhadap Indikator Ekonomi


Makro ..

36

2.7. Biaya dan Manfaat Kebijakan Harga Pangan...

41

2.7.1. Biaya Stabilisasi Harga Pangan

41

2.7.2. Manfaat Stabilisasi Harga Pangan

50

III. KERANGKA PEMIKIRAN..

54

3.1. Kerangka Teoritis ...

54

3.1.1. Konsep Kebijakan dan Proses Pembuatannya .

54

3.1.2. Kebijakan Harga Pangan .

58

xi
3.1.3. Keterkaitan Pangsa Pengeluaran Pangan dan
Ketahanan Pangan

60

3.1.4. Keterkaitan Kebijakan Harga Pangan dan Ketahanan


Pangan ..

61

3.1.5. Keterkaitan Kebijakan Harga Pangan dan Indikator


Ekonomi Makro ...

64

3.2. Kerangka Konseptual ..

77

3.2.1. Bentuk Kebijakan Harga Pangan. ..

77

3.2.2. Konsep dan Status Pangan ...

79

3.2.3. Konsep dan Indikator Ketahanan Pangan

82

3.2.4. Indikator dan Stabilitas Ekonomi Makro .

86

3.2.5. Konsep dan Pengukuran Efektivitas ....

87

3.3. Bagan Alur Pemikiran ..

89

3.4. Hipotesis.

91

IV. METODE PENELITIAN...

93

4.1. Pendekatan dan Kerangka Analisis ..

93

4.2. Spesifikasi Model .

95

4.2.1. Hubungan Pangsa Pengeluaran Pangan dan Ketahanan


Pangan ..

96

4.2.2. Keterkaitan Kebijakan Harga Pangan dan Ketahanan


Pangan ..

96

4.2.3. Keterkaitan Kebijakan Harga Pangan dan Indikator


Ekonomi Makro .

98

4.3. Data dan Prosedur Analisis ...

101

4.3.1. Jenis dan Sumber Data .

101

4.3.2. Definisi Operasional

104

4.3.3. Prosedur Analisis

110

V. DINAMIKA PANGSA PENGELUARAN PANGAN DI


INDONESIA

121

5.1. Hubungan Pangsa Pengeluaran Pangan dan Ketahanan Pangan

123

5.2. Hubungan Pangsa Pengeluaran Pangan dan Keanekaragaman


Pangan ...

127

5.3. Hubungan Pangsa Pengeluaran Pangan dan Pendapatan


Regional .
5.4. Dinamika Pangsa Pengeluaran Pangan

132
136

xii
5.4.1. Menurut Kelompok Pendapatan ....

136

5.4.2. Menurut Wilayah Desa-Kota ....

139

5.5. Ringkasan Hasil ....

141

VI. EFEKTIVITAS KEBIJAKAN HARGA PANGAN TERHADAP


KETAHANAN PANGAN ...

143

6.1. Berbagai Bentuk Kebijakan Pertanian .

143

6.2. Keterkaitan Kebijakan Harga Pangan dan Ketersediaan Pangan

145

6.3. Keragaan Ketersediaan dan Konsumsi Kalori dan Protein ..

148

6.4. Pengaruh Kebijakan Harga Pangan terhadap Ketahanan


Pangan

156

6.4.1. Ketersediaan Pangan .

156

6.4.2. Konsumsi Pangan ...

163

6.5. Ringkasan Hasil .

166

VII. DAMPAK KEBIJAKAN HARGA PANGAN TERHADAP


STABILITAS EKONOMI MAKRO .

168

7.1. Hasil Pendugaan Model

168

7.1.1. Hubungan Jangka Pendek Kebijakan Harga Pangan


dan Stabilitas Ekonomi Makro .

170

7.1.2. Hubungan Jangka Panjang Kebijakan Harga Pangan


dan Stabilitas Ekonomi Makro ..

171

7.2. Respon Dinamik Variabel Ekonomi Makro terhadap


Kebijakan Harga Pangan

174

7.3. Respon Dinamik Variabel Ekonomi Makro terhadap


Guncangan Kebijakan Moneter

182

7.4. Respon Dinamik Variabel Ekonomi Makro terhadap


Guncangan Kebijakan Perdagangan ..

188

7.5. Faktor-faktor yang Menentukan Kebijakan Harga Pangan


dan Stabilitas Ekonomi Makro...

197

7.5.1.

Faktor-faktor yang Menentukan Kebijakan Harga


Pangan

198

7.5.2. Faktor-faktor yang Menentukan Stabilitas Ekonomi


Makro ..

199

7.6. Ringkasan Hasil ...

202

xiii

VIII. KESIMPULAN DAN IMPLIKASI KEBIJAKAN ..

209

8.1. Kesimpulan ....

209

8.2. Implikasi Kebijakan ...

211

8.3. Saran untuk Penelitian Lanjutan

213

DAFTAR PUSTAKA.

215

LAMPIRAN .

225

xiv

DAFTAR TABEL
Nomor

Halaman

1. Industri Kunci Menurut Indeks Derajat Penyebaran (DP), Tabel I-O


2000 yang Diusulkan Sebagai Special Products ...

10

2. Perubahan Konsumsi Energi dan Protein di Indonesia Tahun 19961999 ..

18

3. Pemenuhan Kebutuhan Ketersediaan Pangan dalam Bentuk Energi


Menurut Sumber Pengadaan di Indonesia, Tahun 1961 1999

19

4. Perkembangan Perkiraan Dukungan Dana beberapa Negara OECD


pada Sektor Pertanian, Tahun 1995-2004 ..

20

5. Kekuatan dan Kelemahan Subsidi Pangan melalui Uang Tunai dan


Natura.

25

6. Penerapan Target Inflasi pada Beberapa Negara, Tahun 1990 - 1995

32

7. Tingkat Inflasi dan Pertumbuhan pada Beberapa Negara Industri


yang Menerapkan dan Tidak Menerapkan Rejim Target
Inflasi..

33

8. Biaya Stabilisasi Harga Beras yang Dikeluarkan Bulog, Tahun


1996/1997 ...

45

9. Biaya Program Operasi Pasar Khusus Periode Agustus 1998Agustus 1999

45

10. Kandungan Energi dan Protein Beras dan Pangan Non Beras
lainnya.

81

11. Berbagai Jenis Kredit Program Pertanian yang Digunakan menurut


Sumbernya, Tahun 1975-2004 ...

105

12. Beberapa Alternatif Kelompok Bahan Pangan yang Digunakan


Dalam Model ..

106

13. Rataan Konsumsi Energi dan Protein serta Rataan Pangsa


Pengeluaan Pangan menurut Kelompok Pendapatan di Indonesia,
Tahun 1996, 1999, dan 2002 .

123

14. Nilai Dugaan Model Hyperbola Pangsa Pengeluaran Pangan


dengan Konsumsi Energi dan Protein Tahun 1996, 1999, dan 2002..

125

15. Pola Pangan Harapan 2020, Bobot dan Skor Maksimum


Perhitungan Pola Pangan Harapan .

129

16. Pangsa Pengeluaran Pangan dan PDRB Per Kapita menurut


Provinsi di Indonesia Tahun 2002 .

134

xv
17. Jenis Kredit dan Subsidi Pertanian yang Digunakan sebagai Proksi
Kebijakan Harga Pangan ...

144

18. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap


Ketahanan Pangan (LEAV4)

157

19. Hasil Pendugaan Pengaruh Kebijakan Harga Input dan Kebijakan


Harga Ouput terhadap Ketahanan Pangan (LEAV4) .

159

20. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap


Ketahanan Pangan (LPAV4) ..

162

21. Hasil Pendugaan Pengaruh Kebijakan Harga Input dan Kebijakan


Harga Ouput terhadap Ketahanan Pangan (LPAV4)

163

22. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap


Ketahanan Pangan (LEACK4) ..

164

23. Distribusi Rumah Tangga Pertanian Pengguna Lahan Menurut


Golongan Luas Lahan yang Dikuasai, Tahun 1983, 1993, dan 2003.

166

24. Nilai Pendugaan Paremater/Elastisitas Jangka Pendek Kebijakan


Harga Pangan

170

25. Dampak Kebijakan Harga Pangan, Moneter, dan Perdagangan


terhadap Keseimbangan Ekonomi Makro dalam Jangka Panjang .

194

26. Dampak Kebijakan Harga Pangan, Moneter, dan Perdagangan


terhadap Stabilitas Ekonomi Makro ...

195

27. Peran berbagai Guncangan terhadap Variabilitas Ekonomi Makro ...

206

xvi

DAFTAR GAMBAR
Nomor

Halaman

1. Dampak Subsidi Produsen terhadap Kesejahteraan...

42

2. Dampak Subsidi Konsumen terhadap Kesejahteraan.

43

3. Dampak Perubahan Teknologi terhadap Kesejahteraan.

43

4. Dampak Tarif Impor terhadap Kesejahteraan

44

5. Dampak Kesejahteraan Kebijakan Stabilisasi Harga Pangan Ketika


terjadi Perubahan Penawaran ...

46

Terbentuknya
Suatu
Kebijakan
Melalui
Pasar
6. Proses
Politik.

56

7. Fluktuasi Harga Pangan dan Non Pangan Akibat Perubahan


Produksi..

58

8. Hubungan Pendapatan dan Permintaan terhadap Barang dengan


Asumsi Harga Barang tetap, Kasus Barang Normal (Q1) dan Barang
Mewah (Q2)

60

9. Dampak Peningkatan Pendapatan dan Penurunan Harga Pangan


terhadap Kesejahteraan dan Konsumsi Pangan..

62

10. Pengaruh Gagal Panen terhadap Harga Pangan dan Harga Non
Pangan....

67

11. Dampak Kegagalan Panen terhadap Keseimbangan Pasar Tenaga


Kerja pada Perekonomian Tertutup....

69

12. Dampak Kegagalan Panen terhadap Keseimbangan Makro pada


Perekonomian Tertutup......

70

13. Kebijakan Stok Pangan saat Produksi Melimpah...

71

14. Dampak Kebijakan Buffer Stock terhadap Keseimbangan Makro


pada Perekonomian Tertutup..

73

15. Dampak Kebijakan Buffer Stock terhadap Keseimbangan Pasar


Tenaga Kerja pada Perekonomian Tertutup ..

74

16. Hubungan Gangguan Produksi Pangan Domestik dan Pasar


Internasional...

75

17. Keterkaitan Stabilisasi Harga Pangan dengan Ketahanan Pangan


dan Stabilitas Ekonomi Makro...

90

18. Tahapan Kerangka Analisis ..

95

xvii

19. Hubungan Pangsa Pengeluaran Pangan dan Konsumsi Energi pada


berbagai Kelas Pendapatan di Indonesia Tahun 2002 .. 128
20. Hubungan Pangsa Pengeluaran Pangan dan Skor Pola Pangan
Harapan di Indonesia Tahun 1996-1999-2002 130
21. Hubungan Pangsa Pengeluaran Pangan dan Skor Pola Pangan
Harapan pada Tiga Provinsi di Indonesia Tahun 1999 .. 131
22. a. Hubungan Pangsa Pengeluaran Pangan dan PDRB-Tanpa
Migas Per Kapita di Provinsi Indonesia Tahun 2002 .. 133
22 b. Hubungan Pangsa Pengeluaran Pangan dan PDRB Dengan Migas
Per Kapita di Provinsi Indonesia Tahun 2002 .. 133
23. Dinamika Pangsa Pengeluaran Pangan menurut Kelompok
Pendapatan di Indonesia Tahun 1969-2002 ... 137
24. Dinamika Pangsa Pengeluaran Padi-padian Penduduk selama
Sebulan menurut Kelompok Pendapatan di Indonesia Tahun 19692002 .. 138
25. Dinamika Pangsa Pengeluaran Pangan Penduduk selama Sebulan
menurut Wilayah di Indonesia Tahun 1969-2002 ..... 139
26. Dinamika Pangsa Pengeluaran Padi-padian Penduduk selama
Sebulan menurut Wilayah di Indonesia Tahun 1969-2002 .. 140
27. Penyaluran Kredit Ketahanan Pangan Januari 2001-Desember 2004
di Indonesia ... 149
28. Perkembangan Ketersediaan Energi Per Kapita Per Hari di
Indonesia Tahun 1975-2003 . 150
29. Perkembangan Ketersediaan Protein Per Kapita Per Hari di
Indonesia Tahun 1975-2003 .
151
30. Rata-Rata Ketersediaan Energi dan Protein Per Kapita Per Hari di
Indonesia Tahun 1975-2003 ... 151
31. Rata-rata Proporsi Kalori yang Tersedia Per Kapita per Hari
Menurut Bahan Pangan di Indonesia Tahun 1975-2003 152
32. Rata-rata Proporsi Protein yang Tersedia Per Kapita Per Hari
Menurut Bahan Pangan di Indonesia Tahun 1975-2003 152
33. Rata-rata Proporsi Kalori yang Tersedia Per Kapita Per Hari
Menurut Bahan Pangan di Indonesia Tahun 1975-2003 154
34. Rata-rata Proporsi Protein yang Tersedia Per Kapita Per Hari
Menurut Bahan Pangan di Indonesia Tahun 1975-2003 .... 155

xviii

35. Respon Kebijakan Harga Pangan terhadap Guncangan Kebijakan


Harga Pangan . 176
36. Respon Neraca Perdagangan terhadap Guncangan Kebijakan Harga

176

37. Respon PDB terhadap Guncangan Kebijakan Harga Pangan ...

176

38. Respon Penawaran Uang terhadap Guncangan Kebijakan Harga


Pangan ..

177

39. Respon Inflasi terhadap Guncangan Kebijakan Harga Pangan .

177

40. Respon Suku Bunga terhadap Guncangan Kebijakan Harga Pangan

177

41. Respon Investasi terhadap Guncangan Kebijakan Harga Pangan .

178

42. Respon Nilai Tukar terhadap Guncangan Kebijakan Harga Pangan... 178
43. Respon Pengangguran terhadap Guncangan Kebijakan Harga
Pangan.

178

44. Respon Penawaran Uang terhadap Guncangan Kebijakan Moneter...

185

45. Respon Inflasi terhadap Guncangan Kebijakan Moneter ...

185

46. Respon Suku Bunga terhadap Guncangan Kebijakan Moneter .. 186


47. Respon Nilai Tukar terhadap Guncangan Kebijakan Moneter ... 186
48. Respon Pengangguran terhadap Guncangan Kebijakan Moneter ..

186

49. Respon PDB terhadap Guncangan Kebijakan Moneter .

187

50. Respon Investasi terhadap Guncangan Kebijakan Moneter ...

187

51. Respon Neraca Pedagangan terhadap Guncangan Kebijakan


Moneter .

187

52. Respon Kebijakan Harga Pertanian terhadap Guncangan Kebijakan


Moneter ..

188

53. Respon Neraca Perdagangan terhadap Guncangan Kebijakan


Perdagangan ..

191

54. Respon Nilai Tukar terhadap Guncangan Kebijakan Perdagangan 191


55. Respon Inflasi terhadap Guncangan Kebijakan Perdagangan 191
56. Respon Kebijakan Harga Pangan terhadap Guncangan Kebijakan
Perdagangan 192

xix
57. Respon PDB terhadap Guncangan Kebijakan Perdagangan ..

192

58. Respon Pengangguran terhadap Guncangan KebijakanPerdagangan.

192

59. Respon Penawaran Uang terhadap Guncangan Kebijakan


Perdagangan 193
60. Respon Suku Bunga terhadap Guncangan Kebijakan Perdagangan 193
61. Respon Investasi terhadap Guncangan Kebijakan Perdagangan.
.

193

xx

DAFTAR LAMPIRAN
Nomor

Halaman

Perkembangan Data Ketersediaan dan Konsumsi Energi Pangan di


Indonesia, Tahun 1975-2004 ...

225

Perkembangan Data Ketersediaan dan Konsumsi Protein Pangan di


Indonesia, Tahun 1975-2004 ...

227

Data Analisis Kebijakan Harga Pangan terhadap Ketahanan Pangan di


Indonesia, Tahun 1975-2004 ..

229

Data Analisis Kebijakan Harga Pangan terhadap Stabilitas Ekonomi


Makro di Indonesia, Tahun 1980.1 2004.4 .

235

Program Komputer yang Digunakan untuk Pengujian Unit-Root


menggunakan ADF-test dengan Microfit .

244

Ringkasan Hasil Pengujian Unit-Root Variabel-variabel Kebijakan


Harga Pangan dan Ketahanan Pangan dengan Intersep tanpa Trend dan
Intersep dengan Trend Berdasarkan Pengujian DF (Dickey-Fuller) dan
ADF (Augmented Dickey-Fuller) Menurut Schwarz Bayesian Criterion

245

Ringkasan Hasil Pengujian Unit-Root Variabel-variabel Kebijakan


Harga Pangan dan Ekonomi Makro dengan Intersep tanpa Trend dan
Intersep dengan Trend Berdasarkan Pengujian DF (Dickey-Fuller) dan
ADF (Augmented Dickey-Fuller) Menurut Schwarz Bayesian Criterion

247

Program Komputer yang Digunakan untuk Pengujian Ordo Lag


Optimal pada Sistem Persamaan dengan Microfit ...

248

Hasil Pengujian Ordo Lag Optimum Unrestricted VAR

249

10

Program yang Digunakan untuk Pengujian Kointegrasi dan Pendugaan


Model ECM (Kasus Univariat) dengan Microfit

250

Program yang Digunakan untuk Pengujian Kointegrasi dan Pendugaan


Model VECM (Kasus Multivariat) dengan Microfit...

251

12

Hasil Pengujian Rank Kointegrasi

252

13

Program yang Digunakan untuk Melakukan Restriksi Umum dengan


Matriks Identitas dan Restriksi Spesifik dengan Microfit ..

253

Program yang Digunakan untuk Pendugaan VECM, Inovasi IRF dan


FEVD dengan Microfit ...

254

Hasil Uji Kointegrasi dan Pendugaan ECM Pengaruh Kebijakan Harga


Pertanian (IOPP) terhadap Ketersediaan Pangan

255

1
2
3
4
5
6

11

14
15

xxi
Hasil Uji Kointegrasi dan Pendugaan ECM Pengaruh Kebijakan Harga
Input Pertanian (AGIP) dan Kebijakan Harga Output Pertanian
(AGOP) terhadap Ketersediaan Pangan .

267

Hasil Uji Kointegrasi dan Pendugaan ECM Kebijakan Harga Pertanian


(IOPP) terhadap Ketersediaan Protein .

277

Hasil Uji Kointegrasi dan Pendugaan ECM Kebijakan Harga Input


Pertanian (AGIP) dan Harga Output Pertanian (AGOP) terhadap
Ketersediaan Protein ...

285

Hasil Uji Kointegrasi dan Pendugaan ECM Kebijakan Harga Pertanian


(IOPP) terhadap Konsumsi Energi .

293

20

Hasil Restriksi Umum

297

21

Hasil Restriksi Khusus .

298

22

Hasil Pendugaan Model VECM .

299

23

Respon Dinamik Variabel Kunci Ekonomi Makro terhadap Guncangan


Kebijakan Harga Pangan

317

Respon Dinamik Variabel Kunci Ekonomi Makro terhadap Guncangan


Kebijakan Moneter ..

319

Respon Dinamik Variabel Kunci Ekonomi Makro terhadap Guncangan


Kebijakan Perdagangan ..

321

16

17
18

19

24
25

I. PENDAHULUAN

1.1.

Latar Berlakang
Isu ketahanan pangan selalu menjadi topik studi penting karena pangan adalah

kebutuhan paling hakiki yang menentukan kualitas sumberdaya manusia dan stabilitas
sosial politik sebagai prasyarat melaksanakan pembangunan guna meningkatkan
kesejahteraan

masyarakat.

Karena

itu

pemerintahan

suatu

negara

sangat

berkepentingan terhadap masalah pangan. Di satu sisi ia berkewajiban memenuhi


kebutuhan dasar tersebut. Di sisi lain, ia memerlukan kondisi stabilitas sosial dan
politik untuk kelangsungan kekuasaannya.
Dari sisi permintaan, makin tinggi kesejahteraan masyarakat suatu negara
pangsa pengeluaran pangan penduduknya semakin kecil, demikian sebaliknya
(Deaton dan Muellbauer, 1980). Pada negara dengan pangsa pengeluaran pangan
penduduknya masih besar selalu dijumpai permasalahan kekurangan pangan sehingga
harus memerlukan perhatian yang lebih. Pangsa pengeluaran pangan merupakan salah
satu indikator ketahanan pangan, makin besar pangsa pengeluaran untuk pangan
berarti ketahanan pangan semakin berkurang (Suhardjo, 1996).
Banyak indikator lain yang digunakan untuk melihat ketahanan pangan,
namun beberapa di antaranya sulit diukur. Indikator yang baik mempunyai ciri:
cukup sederhana untuk pengumpulan dan penafsirannya, objektif, dapat diukur
dengan angka, dan responsif terhadap perubahan-perubahan akibat adanya program
(Soehardjo et al., 1986).

Indikator ketahanan pangan paling tidak dapat

merepresentasikan jumlah dan mutu pangan yang dikonsumsi sesuai norma gizi yang
ada. Diduga, pangsa pengeluaran pangan yang mencerminkan tingkat kesejahteraan
mampu dijadikan suatu indikator ketahanan pangan yang lebih baik dibandingkan
indikator lain.

2
Kasus di Indonesia, penelitian yang dilakukan oleh Syafaat et al. (2003)
menunjukkan bahwa rata-rata pangsa pengeluaran pangan rumah tangga di Indonesia
mengalami peningkatan dari 55.34 persen tahun 1996 menjadi 62 persen pada tahun
1999, dan menurun kembali menjadi 58.47 persen pada tahun 2002. Pada tahun 2002,
pangsa pengeluaran pangan di wilayah pedesaan yaitu 66.56 persen lebih besar
dibandingkan wilayah perkotaan yaitu 52.82 persen. Dari angka tersebut terlihat ada
kecenderungan penurunan pangsa pengeluaran pangan di Indonesia, namun nilainya
masih relatif besar. Diduga pangsa tersebut akan lebih besar pada masyarakat
berpendapatan menengah ke bawah yang merupakan sebagian besar penduduk
Indonesia.
Masih besarnya pangsa pengeluaran pangan sebagian besar masyarakat berarti
bobot inflasi kelompok pangan terhadap inflasi umum semakin besar. Inflasi melalui
pasar uang dapat mempengaruhi stabilitas ekonomi makro. Stabilitas ekonomi makro
merupakan jaminan bagi investor untuk berinvestasi sehingga dapat menciptakan
lapangan kerja dan menciptakan pertumbuhan ekonomi. Pemerintah Orde Lama dan
Orde Baru berganti rejim akibat masalah politik yang diikuti kelangkaan pangan di
pasar dan meningkatnya laju inflasi masing-masing mencapai 600 persen dan 78
persen. Berdasarkan hal itu, keterkaitan aspek ketahanan pangan dan inflasi
merupakan isu penting dalam penelitian ini.
Pentingnya peran pangan dalam pembangunan nasional, maka dari sisi
penawaran, kebutuhan pangan nasional hendaknya berbasis pada produksi lokal. Jika
tidak, ketergantungan terhadap negara lain menjadi besar. Hal ini sesuai dengan visi
Departemen Pertanian 2025, yaitu tercapainya pertanian tangguh yang dicirikan oleh
kemandirian ekonomi nasional yang berbasis pada sektor pertanian, kemandirian
pangan dan terhapusnya kemiskinan di pedesaan (Suryana, 2004). Dalam

3
operasionalnya, konsep mandiri diskenariokan sebagai kondisi dimana kebutuhan
pangan nasional minimal 90 persen dipenuhi dari produksi dalam negeri.
Elastisitas permintaan dan penawaran

pangan yang rendah menyebabkan

besarnya fluktuasi harga pangan (Nicholson, 2000). Impor pangan untuk mengatasi
fluktuasi harga tanpa pengendalian dapat menyebabkan terganggunya kesinambungan
usaha produsen pangan lokal karena harga produk impor kecenderungannya lebih
murah dibandingkan produk lokal. Harga yang rendah tersebut tidak mencerminkan
tingkat efisiensi, tetapi telah terdistorsi dengan berbagai bantuan dari pemerintah
mereka (Sawit, 2003).
Fenomena produksi, perdagangan dan konsumsi pangan di atas menuntut
peran pemerintah agar produsen dan konsumen domestik dapat dilindungi. Peran
tersebut diharapkan mampu mempercepat tercapainya tujuan pembangunan nasional.
Untuk mencapai tujuan pembangunan nasional, diperlukan tujuan antara, dalam
konteks ini adalah stabilitas harga pangan yang dapat dilakukan melalui kebijakan
harga pangan. Menurut Ellis (1992), salah satu tujuan kebijakan harga pangan adalah
menstabilkan harga pangan agar mengurangi ketidakpastian petani dan menjamin
harga pangan yang stabil bagi konsumen dan stabilitas harga di tingkat makro.
Penelitian ini menjadi penting mengingat kecenderungan pasar yang dihadapi
setiap negara semakin mengglobal. Perubahan lingkungan strategis tersebut, menurut
Simatupang dan Syafaat (2002), menyebabkan harga komoditas pertanian di pasar
domestik semakin terbuka terhadap gejolak pasar. Dengan perkataan lain, dinamika
harga produk domestik dipengaruhi oleh keadaan pada tiga jenis pasar secara
simultan, yaitu: pasar komoditas internasional, pasar komoditas domestik, dan pasar
valuta asing. Dengan kondisi seperti itu, kebijakan harga pangan yang dilakukan
dalam rangka pengendalian inflasi dan pemantapan ketahanan pangan semakin sulit
dilaksanakan pemerintah (Simatupang et al. 2002).

4
Namun demikian, jika globalisasi dapat menyebabkan tujuan pembangunan
makin menjauh, diperlukan peran pemerintah untuk menyeimbangkan level of playing
field yang jauh tidak seimbang antara negara maju dengan negara berkembang.
Menurut Aggarwal dan Agmon (1990), peran pemerintah penting untuk mengarahkan
perubahan awal keunggulan komparatif negara dalam perdagangan internasional,
tetapi peran tersebut perlahan-lahan digantikan oleh sektor korporasi dengan semakin
berkembangnya negara.

Dengan demikian adalah relevan untuk mensinkronkan

antara kebijakan di lingkup perdagangan internasional dengan kebijakan peningkatan


produksi dalam negeri. Sinkronisasi ini hendaknya tercermin dalam proses formulasi
dan implementasi kebijakan pemerintah, dalam hal ini adalah kebijakan harga pangan
dengan tujuan utama mensejahterakan sebagian besar masyarakat.
1.2.

Perumusan Masalah
Saat ini, jika pemerintah melaksanakan kebijakan harga pangan akan

menghadapi dua masalah utama.

Masalah eksternal berkaitan dengan perubahan

lingkungan strategis perdagangan internasional dengan kecenderungan semakin


meningkatnya derajat liberalisasi.

Masalah internal dengan semakin terbatasnya

anggaran pemerintah mendukung pembangunan.

Berdasarkan hal tersebut masih

dijumpai inkonsistensi kebijakan, ada kelompok yang ingin tetap mepertahankan


produksi pangan domestik dengan dukungan pemerintah dan ada kelompok yang
ingin melepas masalah pangan menurut mekanisme pasar.

Akibatnya terlihat

ketidakselarasan antara apa yang diperjuangkan di bidang pertanian dan perdagangan


di WTO dengan apa yang dilaksanakan di dalam negeri (Sawit, 2003).
Kesepakatan WTO menghendaki semua anggotanya, termasuk Indonesia,
meningkatkan derajat liberalisasi perdagangan. Alasannya, kesepakatan tersebut akan
meningkatkan kesejahteraan masyarakat di dunia.

Namun perbedaan pendapat

5
tentang manfaat liberalisasi perdagangan hingga saat ini masih tetap berlangsung,
khususnya yang diatur dalam Perjanjian Pertanian (Agreement on Agriculture=AoA).
Kelompok pro liberalisasi beranggapan bahwa makin liberal kegiatan
perdagangan akan diperoleh nilai tambah bagi semua negara-negara di dunia
(Bosworth, 2003). Hasil proyeksi Anderson dan Strutt (1999) jika Indonesia
membuka pasar dengan menurunkan tingkat tarif dan melakukan deregulasi dalam
pasar pertanian domestik maka pertumbuhan GDP akan lebih meningkat. Studi lain
menunjukkan bahwa dampak liberalisasi justru akan membuat negara kaya semakin
kaya dan yang miskin semakin miskin, sehingga senjang kesejahteraan semakin
melebar (Ilham, 2003; dan Addison dan Cornia, 2001).
Putaran Uruguay di Maroko pada April 1994 menghasilkan beberapa hal
penting, di antaranya diikutsertakannya produk-produk pertanian dalam kesepakatan
liberalisasi perdagangan. Ada tiga elemen penting dalam kesepakatan tersebut
mengenai bidang pertanian: (1) peningkatan akses pasar, (2) pengurangan bantuan
domestik untuk negara berkembang dan negara maju, dan (3) pengurangan subsidi
ekspor untuk negara berkembang dan negara maju.
Ketiga elemen tersebut hingga saat ini belum dijalankan secara seimbang.
Pihak negara maju menuntut agar akses pasar semua anggota ditingkatkan dengan
menurunkan tarif bea masuk dan mengubah hambatan bukan tarif menjadi tarif.
Sementara itu, negara maju dengan sumberdaya dana yang besar masih tetap
melakukan bantuan domestik dan subsidi ekspor pada produk pertanian yang
dihasilkannya. Bahkan untuk beberapa produk pangan utama negara maju masih
menerapkan tarif yang tinggi. Ketidakkonsistenan kesepakatan tersebut menyebabkan
ketidakadilan bagi negara anggota yang tergabung dalam negara berkembang,
sehingga kini belum ada kesepakatan bulat tentang AoA.

6
Bagi Indonesia sebagai negara yang berbasis pertanian dengan jumlah
penduduk yang besar, fenomena tersebut harus mendapat perhatian dan diantisipasi.
Jika tidak, produk-produk pertanian Indonesia akan kalah bersaing di pasar
internasional, termasuk di pasar domestik. Hal itu disebabkan harga produk-produk
di pasar internasional belum mencerminkan tingkat efisiensi, tetapi ada distorsi
berupa bantuan domestik dan subsidi ekspor. Untuk itu pemerintah berfungsi
memperbaiki kesalahan-kesalahan yang diakibatkan oleh mekanisme pasar yang telah
menyebabkan ketidakadilan dalam pembagian pendapatan (Komarudin, 1993).
Pengalaman negara berkembang yang membuka pasar dan mengurangi
bantuan terhadap petani sejak 1995, menyebabkan tingkat kemiskinan tidak membaik,
pembangunan pedesaan merosot, impor pangan meningkat pesat, dan mengancam
ketahanan pangan, serta arus urbanisasi tidak bisa terkontrol, sehingga menimbulkan
persoalan baru di perkotaan (Sawit, 2003).
Dalam jangka pendek masuknya produk impor dengan harga murah seakan
menguntungkan konsumen.

Namun dalam jangka panjang akan menghilangkan

kesempatan kerja di sektor produksi domestik. Jika tidak ada peralihan kerja ke
sektor lain akan meningkatkan pengangguran dan menurunkan daya beli masyarakat
sehingga turunnya harga dunia akibat adanya distorsi menjadi tidak berarti. Bahkan
dalam jangka panjang ketergantungan ini akan sangat berbahaya bagi integritas
bangsa dan negara.
Dengan demikian tidak perlu tergesa-gesa melepas masalah pangan pada
mekanisme pasar. Potensi sumberdaya lokal yang tersedia perlu dimanfaatkan untuk
meningkatkan kesejahteraan masyarakat, antara lain untuk memenuhi kebutuhan
pangan. Upaya tersebut tentunya membutuhkan dukungan pemerintah antara lain
berupa kebijakan insentif harga dan atau kebijakan insentif non harga (irigasi,
penelitian, penyuluhan, jalan di wilayah pertanian, dll).

7
Dicabutnya beberapa kebijakan insentif harga seperti subsidi sarana produksi
dan subsidi pengadaan pangan satu dekade terakhir menyebabkan makin
meningkatnya pasokan pangan impor. Kalaupun pemerintah sangat membatasi impor
akan menyebabkan harga pangan domestik meningkat. Naiknya harga pangan yang
tidak diimbangi dengan meningkatnya daya beli masyarakat sejak krisis ekonomi
menyebabkan meningkatnya ketidaktahanan pangan di Indonesia.
Dengan kondisi seperti itu, kebijakan harga pangan yang dilakukan selama ini
dapat digunakan sebagai alasan untuk mengantisipasi ketidakkonsistenan negara maju
dalam melaksanakan kesepakatan AoA. Namun demikian, dalam jangka panjang,
dengan alasan ketahanan pangan dan kestabilan pembangunan nasional kebijakan
tersebut dapat juga dijadikan sebagai dasar pertimbangan. Untuk itu perlu dilakukan
penelitian apakah kebijakan yang dilakukan untuk meningkatkan ketahanan pangan
dan menstabilkan harga pangan memang diperlukan dan efektif dilaksanakan.
Perlunya kebijakan tersebut diindikasikan oleh besarnya pangsa pengeluaran
pangan di masyarakat. Jika pangsa pengeluaran pangan masih relatif tinggi, maka
kebijakan yang berkaitan dengan peningkatan ketersediaan dan aksesibilitas pangan di
tingkat nasional, daerah, rumah tangga, dan penduduk masih diperlukan. Kebijakan
harga pangan, baik dalam bentuk kebijakan harga input maupun kebijakan harga
output sudah sejak lama dilakukan untuk mendukung produksi pangan nasional,
sehingga

seharusnya

sudah

mampu

meningkatkan

pendapatan

petani

dan

kesejahteraan masyarakat. Pangsa pengeluaran pangan yang relatif tinggi juga akan
mempengaruhi kestabilan ekonomi makro. Oleh karena itu kebijakan-kebijakan
tersebut diperlukan untuk menjaga kestabilan ekonomi makro atau jika kebijakan
tersebut dilakukan tanpa pengendalian justru keberadaannya dapat menyebabkan
instabilitas ekonomi makro.

8
Secara konsep teoritis kebijakan-kebijakan tersebut mampu meningkatkan
ketahanan pangan dan mengendalikan kestabilan ekonomi makro. Namun keefektifan
kebijakan tersebut terutama sangat dipengaruhi oleh penyelenggara negara sebagai
elemen pengambil kebijakan. Karena kelompok ini yang melakukan value judgement
dari hasil formulasi yang dianalisis oleh para ahli.

Artinya ketidakefektifan suatu

kebijakan dapat disebabkan oleh formulasi kebijakan yang tidak tepat atau
penyelenggara negara yang tidak amanah. Dengan demikian ketidakefektifan suatu
kebijakan, solusinya tidak harus dengan cara mencabut kebijakan tersebut, tetapi perlu
terlebih dahulu melakukan evaluasi sebab ketidakefektifannya.
Suatu kebijakan dikatakan efektif, jika penyelenggara negara berperilaku
sebagai abdi negara dan memiliki derajat ketidaksabaran (marginal rate of time
preference) yang rendah, artinya kebijakan yang diambil semata hanya untuk
kesejahteraan masyarakat dan tidak hanya melihat dalam jangka pendek, tetapi juga
melihat ke masa depan. Sebaliknya, jika penyelenggara negara cenderung hanya
mementingkan sekelompok masyarakat dan MRTP-nya tinggi maka keefektifan suatu
kebijakan akan berkurang.
Dari uraian di atas permasalahan penelitian ini dirumuskan sebagai berikut:
1. Berapa besar pangsa pengeluaran penduduk yang dibelanjakan untuk memenuhi
kebutuhan pangan? Bagaimana keeratan hubungan pangsa pengeluaran pangan
dan ketahanan pangan?
2. Bagaimana dinamika pangsa pengeluaran pangan terhadap pengeluaran total
penduduk sebagai indikator ketahanan pangan selama 33 tahun terakhir pada
lingkup agregat nasional, kelompok pendapatan dan wilayah desa-kota?
3. Apakah kebijakan harga pangan yang dirinci menjadi kebijakan harga input,
kebijakan harga output dan kebijakan harga input-output efektif meningkatkan
ketahanan pangan.

9
4. Bagaimana dampak kebijakan harga pangan terhadap stabilitas ekonomi makro?
5. Apakah kebijakan harga pangan berpengaruh efektif terhadap stabilitas ekonomi
makro?
1.3.

Tujuan Penelitian
Secara umum penelitian ini bertujuan menganalisis efektivitas kebijakan harga

pangan yang dilakukan pemerintah terhadap ketahanan pangan dan bagaimana


dampak kebijakan tersebut terhadap stabilitas ekonomi makro.

Secara khusus

penelitian ini bertujuan:


1.

Menganalisis hubungan pangsa pengeluaran pangan dan ketahanan pangan.

2.

Menganalisis dinamika pangsa pengeluaran pangan sebagai proksi dari


kesejahteraan penduduk.

3.

Menganalisis efektivitas kebijakan harga pangan yang terdiri dari kebijakan


harga input, kebijakan harga output, dan kebijakan harga input-output terhadap
ketahanan pangan.

4.

Menganalisis dampak kebijakan harga pangan, kebijakan moneter dan


kebijakan perdagangan terhadap keseimbangan dan stabilitas ekonomi makro.

5.

Menganalisis efektivitas kebijakan harga pangan, kebijakan moneter, dan


kebijakan perdagangan terhadap stabilitas ekonomi makro.

1.4.

Kegunaan Penelitian
Hasil penelitian ini diharapkan berguna untuk mengevaluasi efektivitas

kebijakan harga pangan yang telah dilakukan untuk meningkatkan kinerja kebijakan
sesuai dengan tujuan pembangunan pertanian khususnya dan pembangunan nasional
umumnya, yaitu meningkatkan kesejahteraan masyarakat. Hasil penelitian ini juga
dapat digunakan untuk melengkapi justifikasi ilmiah bagi Indonesia dalam
mengusulkan Konsep Special Products

kepada WTO yang telah dilakukan

10
Simatupang (2004) dan Sawit et al. (2004) (Tabel 1). Konsep tersebut mengajukan
agar komoditas strategis yang amat penting untuk hajat hidup orang banyak, baik dari
segi lapangan kerja maupun jaminan perolehan pangan yang cukup, perlindungan dan
dinamisasi kehidupan desa secara berkelanjutan, serta preservasi dan stabilitas sosialpolitik yang sesungguhnya merupakan tujuan utama pembangunan pertanian,
dikecualikan

dari agenda perundingan

lanjutan

liberalisasi dan

deregulasi

perdagangan produk pertanian.


Tabel 1. Industri Kunci Menurut Indeks Derajat Penyebaran (DP) Tabel I-O 2000
yang Diusulkan Sebagai Special Products
No Sektor
Asli

Nama Sektor

Indeks
DP

F vs NF
NI vs NE

A. Sektor Kunci Pendorong Pembangunan

50

Daging olahan dan awetan

1.45961

F dan NI

51

Makanan & minuman terbuat dari susu

1.33981

F dan NI

68

Makanan lainnya

1.32968

F dan NI

57

Beras

1.32792

F dan NI

62

Gula

1.28448

F dan NI

49

Daging, jeroan dan sejenisnya

1.24609

F dan NI

27

Unggas dan hasil-hasilnya

1.21732

F dan NI

59

Tepung lainnya

1.16931

F dan NI

52

Buah-buan & sayuran olahan dan awetan

1.11091

F dan NI

10

67

Hasil pengolahan kedele

1.08014

F dan NI

11

26

Susu segar

1.05838

F dan NI

B. Sektor kunci penghela industri/sektor

12

Padi

1.47744

13

13

Tebu

1.28386

14

Jagung

1.13572

F dan NI

15

25

Ternak & hasilnya, kecuali susu segar

1.04825

F dan NI

16

27

Unggas dan hasil-hasilnya

1.03158

F dan NI

Keterangan: F= food; NF= non-food; NI= net- importer


Sumber: Sawit et al. (2005).

11

1.5. Ruang Lingkup dan Keterbatasan Penelitian


Penelitian ini mencakup dua aspek penting. Pertama, menganalisis efektivitas
kebijakan harga pangan terhadap ketahanan pangan dan kedua, menganalisis dampak
kebijakan harga pangan terhadap kestabilan ekonomi makro. Sebelum melangkah
pada dua aspek tersebut, untuk menjustifikasi pentingnya penelitian ini juga dianalisis
pangsa pengeluaran yang dibelanjakan untuk pangan terhadap pengeluaran total.
Di Indonesia pengelolaan kebijakan pertanian dilakukan tersentralisasi.
Alokasi dana yang digunakan untuk mendukung kebijakan pertanian, termasuk
kebijakan harga pangan bersumber dari kredit bersubsidi yang dikucurkan oleh Bank
Indonesia yang dikenal dengan Kredit Likuiditas Bank Indoneisia (KLBI) dan subsidi
yang bersumber dari dana APBN. Variabel kebijakan harga pangan tersebut dianalsis
secara sistem dengan menggunakan pendekatan ekonometrika model VECM bersama
dengan variabel makro terkait lainnya. Berdasarkan hal tersebut penelitian ini bersifat
makro, sedangkan lingkupnya bersifat nasional.
Walaupun demikian, penelitian ini juga menganalisis dampak kebijakan harga
pangan terhadap ketahanan pangan.

Konsep ketahanan pangan yang digunakan

meliputi ketersediaan pangan di tingkat nasional, regional dan konsumsi ditingkat


rumah tangga dan penduduk.

Oleh karena itu penelitian ini juga menganalisis

konsumsi di tingkat mikro dengan menggunakan data Susenas. Data Susenas yang
tersedia dalam deret waktu tiga tahunan diinterpolasi menjadi data tahunan.
Selanjutnya, data yang bersifat mikro tersebut diregresikan dengan data-data dalam
lingkup makro, seperti kebijakan harga pangan, tingkat inflasi dan produk domestik
bruto.

Untuk mendukung hasil analisis, studi ini didukung juga oleh hasil-hasil

penelitian terdahulu mengenai ketahanan pangan di tingkat mikro dengan


menggunakan data Susenas atau data primer.

12
Dari sisi teoritis, penelitian ini mengaitkan antara konsep-konsep ekonomi
mikro dengan konsep-konsep ekonomi makro.

Jelasnya, penelitian ini berupaya

menganalisis dampak kebijakan mikro terhadap kondisi perekonomian makro


Indonesia.

Selama ini, lebih banyak studi yang menganalisis dampak kebijakan

ekonomi makro terhadap kondisi mikro. Hal ini merupakan salah satu perbedaan
penelitian ini dibandingkan penelitian-penelitian yang dilakukan sebelumnya.
Kalaupun ada penelitian yang sejenis ini, seperti yang dilakukan Dawe (2002) dan
Timmer (1996), tetapi digunakan dengan metode analisis yang berbeda dan dibatasi
pada komoditi beras, sedangkan penelitian ini mencoba meneliti komoditas pangan
tidak hanya beras, tetapi mencakup komoditas pangan lainnya.
Selain kelebihan yang ada, penelitian ini juga memiliki beberapa keterbatasan.
Paling tidak ada lima keterbatasan yang dihadapi dalam penelitian ini. Pertama,
penelitian tidak menggabungkan aspek ketahanan pangan dan ekonomi makro ke
dalam satu sistem persamaan. Hal itu disebabkan oleh keterbatasan data.

Data

ketahanan pangan tersedia dalam deret tahunan dan tiga tahunan, sedangkan data lain
tersedia dalam deret triwulanan. Jika dilakukan penggabungan dalam satu sistem,
rentang waktu data tahunan yang terbatas, dinilai kurang mendukung analisis impulse
response function (IRF) dan Forecast Error Variance Decomposition (FEVD).
Keterbatasan kedua, data konsumsi energi dan protein yang bersumber dari
hasil Susenas tersedia dalam deret waktu tiga tahunan. Untuk mendapatkan data
tahunan dilakukan interpolasi data dengan mengikuti trend data ketersediaan untuk
dikonsumsi yang bersumber dari Neraca Bahan Makanan Indonesia yang juga
diterbitkan BPS. Dalam melakukan interpolasi ditemui bahwa tidak semua trend data
tiga tahunan pada dua sumber data memiliki arah yang sama.
Ketiga, kebijakan harga pangan diproksi dari dana yang dikeluarkan untuk
mendukung kebijakan harga pangan.

Kebijakan tersebut dapat berupa kebijakan

13
kredit input pertanian pangan, kebijakan kredit pengadaan output pangan, kebijakan
subsidi input pertanian pangan dan kebijakan subsidi pengadaan output pangan.
Jenis-jenis kebijakan tersebut tidak selalu dilakukan pemerintah sepanjang periode
pengamatan, sehingga banyak data yang tidak kontinu. Kondisi ini menyebabkan
tidak dapat dilihat pengaruh masing-masing kebijakan terhadap ketahanan pangan dan
stabilitas ekonomi makro. Di samping itu ada kebijakan yang berkaitan dengan harga
pangan disalurkan melalui kredit pada koperasi (KKPA), walaupun sebagian besar
digunakan untuk pangan tetapi ada juga yang digunakan untuk bukan pertanian
(kerajian dan industri rumah tangga). Penelitian ini tidak dapat memisahkan dana
yang hanya digunakan untuk pangan.
Keempat, dana yang digunakan untuk kebijakan mendukung pertanian
tanaman pangan, dalam hal ini kebijakan subsidi pupuk, banyak disalahgunakan untuk
keperluan di luar tanaman pangan. Artinya pupuk bersubsidi yang digunakan untuk
program pertanian pangan banyak digunakan untuk ke pertanian non pangan, industri
dan ekspor. Keadaan ini disebabkan adanya perbedaan harga antara pupuk bersubsidi
dengan pupuk nonsubsidi yang digunakan untuk non pertanian pangan. Penelitian ini
tidak dapat memisahkan seberapa banyak dana subsidi yang digunakan tidak pada
sasarannya.
Terakhir, suatu kebijakan selalu menimbulkan trade-off. Simulasi kebijakan
dengan menggunkan metode impulse response function tidak dapat menghilangkan
hal tersebut karena tidak dapat menggunakan simulasi dua atau lebih guncangan
secara bersamaan seperti pada model persamaan simultan.

14

II. TINJAUAN PUSTAKA


2.1. Sejarah Kebijakan Harga Pangan dan Arahnya ke Depan
2.1.1. Sejarah Kebijakan Harga Pangan
2.1.1.1.Komoditas Beras
Campur tangan pemerintah dalam harga dan distribusi pangan (beras) sudah
ada sejak tahun 1651 saat Pemerintahan Sultan Amangkurat I pada Kerajaan Mataram
dengan tujuan melumpuhkan perdagangan VOC Belanda. Pada masa pendudukan
Belanda di Indonesia, kebijakan harga beras murah masih berlanjut dengan tujuan
untuk mendukung produk ekspor perkebunan. Pada masa pendudukan Jepang, campur
tangan terhadap beras juga masih berlangsung dengan tujuan untuk mendukung
logistik tentara Jepang (Sapuan, 2002).
Setelah Kemerdekaan, Pemerintah Indonesia juga campur tangan pada
perberasan dengan orientasi lebih kepada konsumen. Di awal kemerdekaan (19451950) terjadi dualisme pengurusan kebijakan penyediaan pangan. Pada daerah sentra
produksi dikuasai oleh Pemerintah Indonesia dan di perkotaan oleh Pemerintah
Pendudukan Belanda.
Pada periode 1951-1957, pertama kali campur tangan pemerintah dalam
masalah perberasan, yaitu stabilisasi harga melalui injeksi beras di pasaran. Saat itu
tugas membeli dan menetapkan harga dilakukan oleh Bupati yang berpedoman pada
harga yang dikeluarkan oleh Menteri Perekonomian. Untuk pelaksanaan di tingkat
daerah sentra produksi dibentuk Yayasan Badan Pembelian Padi (YBPP) yang
bertugas mengumpulkan padi, mengolah dan mendistribusikan pada konsumen. Di
tingkat pusat dibentuk Yayasan Urusan Bahan Makanan yang bertugas menampung
kelebihan beras hasil pembelian YBPP dan menyalurkan ke daerah defisit serta
bertugas mengimpor beras (Sapuan, 2002).

15
Melalui Keppres No.272/1967, tanggal 30 Desember 1967 dibentuk Badan
Urusan Logistik (Bulog) sebagai badan pembeli tunggal, sedangkan Pemerintah
Daerah hanya bersifat membantu. Operasional Bulog tersebut dibiayai oleh Bank
Indonesia sesuai dengan Inpres No.1 tahun 1968 (Sapuan, 2002). Saat kebijakan itu
dibangun dukungan yang diberikan di tingkat usahatani berupa kebijakan subsidi
harga output (jaminan harga dasar); subsidi harga input (benih, pupuk dan pestisida),
dan subsidi bunga kredit usahatani; dan instrumen di tingkat pasar/konsumen, berupa
kebijakan manajemen stok dan monopoli impor oleh Bulog (PSE, 2003).
Operasionalisasi kebijakan harga beras yang berorientasi pada produsen dan
konsumen melalui kebijakan harga dasar dan harga atap mulai dilakukan oleh Bulog
tahun 1970 hingga saat ini. Namun konsep penentuan harga dasar dan kebijakan
pendukungnya berbeda-beda sesuai dengan kondisi yang terjadi.
Laporan PSE (2003) menjelaskan bahwa kredit program pertanian dimulai
sejak pendirian padi sentra tahun 1959 untuk pembelian sarana produksi dan biaya
hidup. Skim kredit tersebut kemudian berubah menjadi Kredit Bimas.

Kredit

diberikan dalam bentuk sarana produksi dengan agunan usahatani padi. Pada tahun
1985 Kredit Bimas diganti dengan Kredit Usaha Tani (KUT). Pada tahun 1999
sampai sekarang KUT diganti dengan Kredit Ketahanan Pangan (KKP).
Selain kredit, sarana produksi yang disubsidi adalah pupuk.

Subsidi ini

dimaksudkan agar petani dapat akses dan menggunakan pupuk dalam kegiatan
usahatani, sehingga stabilitas poduksi pangan nasional dapat tercapai. Di samping itu,
dengan adanya pengendalian harga gabah, subsidi pupuk dimaksudkan juga untuk
menjaga agar petani padi dapat memperoleh pendapatan yang layak.
Sejak reformasi dan adanya kesepakatan WTO, terjadi perubahan dimana
pemerintah lebih membuka ekonomi terhadap pasar global dan diterapkannya
kebijakan desentralisasi dan otonomi daerah.

Pada masa ini kebijakan pangan

16
nasional telah kehilangan arah dan tidak adanya institusi yang mampu
mengintegrasikan keseluruhan aspek kebijakan pangan (Widodo, 2003).

Khusus

untuk beras, paket kebijakan ekonomi beras yang telah dioperasionalkan pada Era
Orde Baru secara bertahap dihilangkan, sehingga tidak efektif lagi (PSE, 2003).
Sejak akhir tahun 1998, unsur-unsur penopang kebijakan ekonomi beras yang
dihilangkan adalah (Sapuan, 2002 dan PSE, 2003):
1.

Tahun 1998 mencabut monopoli impor beras yang dimiliki Bulog. Pihak swasta
dilibatkan dalam impor beras yang diikuti dengan kebijakan tarif impor beras.
Namun kebijakan ini tidak efektif, karena adanya moral hazard.

2.

Akhir 1998 menghapus berbagai subsidi input sehingga meningkatkan biaya


usahatani, sehingga petani mengharapkan menerima harga gabah yang tinggi.

3.

Akhir tahun 1999 menghapus dana KLBI bagi Bulog dan koperasi. Selanjutnya
menggunakan kredit komersil, sehingga membatasi kemampuan lembaga tersebut
melakukan pengadaan pangan dari produksi domestik.

4.

Tahun 2000 menghapus captive market Bulog berupa jatah beras bagi PNS,
sehingga outlet dan kemampuan Bulog menyerap surplus produksi beras terbatas.
Terakhir, sejak Mei 2003 status Bulog diubah dari Lembaga Pemerintah Non
Departemen menjadi Perusahaan Umum.
Operasi pasar beras juga mengalami perubahan. Sejak tahun 1969-1998

subsidi yang diberikan untuk semua lapisan masyarakat. Awal sampai pertengahan
1998 diberikan untuk daerah tertentu dalam bentuk Operasi Pasar Murni (OPM).
Kemudian sejak Juni 1998 sampai sekarang hanya diberikan untuk target grup
masyarakat miskin dalam kegiatan Operasi Pasar Khusus (OPK).

17

2.1.1.2. Komoditas Palawija dan Pangan Lain


Kebijakan harga dasar untuk pangan lain pertama diterapkan hanya untuk
jagung yang mulai berlaku pada Pebruari 1978. Awalnya jumlah pengadaan dalam
negeri untuk komoditas jagung, kedele, dan kacang hijau cukup besar.

Tetapi

beberapa tahun terakhir ini, pengadaan jagung tidak lebih dari satu persen. Bahkan
pemerintah tidak melakukan lagi pembelian komoditas jagung, kedele, dan kacang
hijau karena harga di pasar umum sangat baik. Karena itu pengadaan untuk menjaga
harga dasar tidak diperlukan lagi (PSE, 2003).
Untuk kebijakan skim kredit, sejak Kredit Bimas diganti dengan KUT pada
tahun 1985, cakupan komoditasnya tidak hanya padi, tetapi palawija dan hortikultura.
Kemudian tahun 2001 KUT diganti dengan Kredit KKP.

Jenis usahatani yang

dibiayai KKP mencakup usaha tanaman padi, jagung, kedele, ubi kayu, ubi jalar,
usaha sapi potong, ayam buras, itik dan ikan.
Pengendalian harga pangan asal ternak tidak dilakukan dengan kebijakan
harga. Pengendalian lebih mengarah pada pengendalian penawaran dalam bentuk
pengendalian ekspor-impor dan perdagangan dalam negeri. Seperti pada daging sapi,
sebelum adanya deregulasi perdagangan, Direktorat Jenderal Bina Produksi
Peternakan mengatur pengadaan ternak sapi untuk kebutuhan lebaran di daerah sentra
konsumsi dari beberapa daerah sentra produksi. Saat ini beberapa daerah sentra
produksi ternak sapi membatasi perdagangan ternak antar pulau dengan batasan berat
badan minimal.
2.1.2. Arah Kebijakan Harga Pangan
Dari sejarah kebijakan harga pangan di atas, pemerintah lebih banyak
terkonsentrasi pada kebijakan harga beras. Hal tersebut wajar karena dengan jumlah
penduduk yang besar dan beras merupakan makanan pokok. Dengan pangsa

18
pengeluaran untuk pangan yang relatif masih besar, maka ketersediaan pangan sangat
menentukan kesetabilan ekonomi dan ketahanan nasional.
Saat peran pemerintah makin sedikit dalam pengadaan pangan, bukti empiris
menunjukkan bahwa krisis ekonomi tahun 1997 menyebabkan penurunan upah dan
pendapatan riil. Keadaan ini menyebabkan bertambahnya penduduk miskin dan
mengancam ketahanan pangan (Stringer, 1999). Indikasi keterancamaan ketahanan
pangan tersebut dapat dilihat dari menurunnya tingkat konsumsi energi dan protein
hampir di seluruh provinsi, dengan nilai rata-rata nasional masing-masing delapan
persen untuk energi dan 5 - 12 persen untuk protein seperti dapat dilihat pada Tabel 2.
Tabel 2. Perubahan Konsumsi Energi dan Protein di Indonesia, Tahun 1996-1999
Energi (kkalori/kap/hari)
1996 1999 Perubahan
(%)

Protein (gram/kap/hari)
1996 1999 Perubahan
(%)

2 147
2 187

1 959
1 998

-8.7
-8.6

61.0
55.0

54.0
49.0

-10.8
-9.7

2.Pendapatan
a. Rendah
b. Sedang
c. Tinggi

2 074
2 173
2 356

1 900
1 982
2 156

-8.4
-8.9
-8.5

51.4
59.1
68.4

48.7
52.5
60.3

-5.3
-11.2
-11.9

3. Pencaharian
a. Pertanian
b. Industri/
Perdagangan
c. Jasa/lainnya

2 169

1 999

-7.9

56.1

50.3

-10.3

2 132
2 212

1 950
2 017

-8.6
-8.8

59.0
62.4

52.9
55.9

-10.4
-10.4

Pengelompokan
Rumah Tangga
1. Wilayah:
a. Kota
b. Desa

Sumber: Ariani et al. (2000) (diolah dari data Susenas, BPS)

Bukti empiris juga menunjukkan bahwa sejak liberalisasi atas tekanan IMF
pada Indonesia, ketergantungan impor pangan meningkat dua kali dibanding
sebelumnya menjadi 10 persen untuk beras, 20 persen untuk jagung, 55 persen untuk
kedele, dan 50 persen untuk gula yang masing-masing melibatkan 23.0 juta, 9.0 juta,

19
2.5 juta, dan 1.0 juta rumah tangga yang merupakan 68 persen dari total rumah tangga
di Indonesia (Sawit, 2003). Menurut Saliem et al. (2003), ketergantungan terhadap
pangan impor meningkat dari waktu ke waktu sejak 1961 1999, dan tertinggi pada
tahun 1999 mencapai 15,46 persen (Tabel 3).
Tabel 3. Pemenuhan Kebutuhan Ketersediaan Pangan dalam Bentuk Energi Menurut
Sumber Pengadaan di Indonesia Tahun 1961 1999
Sumber
Pengadaan

1961-1969

Produksi
Dalam Negeri

1755.38
(99.38)
78.56
(4.45)
67.59
(3.83)
10.98
(0.62)

Impor
Ekspor
Net Impor
Ketersediaan
Pangan

1 766.35

1970-1979

1980-1989

1990-1999

kkal/kap/hari
1945.00
2395.14
(96.49)
(99.26)
155.91
146.91
(7.73)
(6.09)
85.11
128.97
(4.22)
(5.34)
70.81
17.94
(3.51)
(0.34)

2819.95
(99.90)
273.59
(9.69)
270.71
(9.59)
2,88
(0.10)

2 015.81

2 822.83

2 413.09

Sumber: Saliem et al. (2003) (diolah dari Food Balance Sheet FAO)
Keterangan: Angka ( ) pangsa terhadap ketersediaan pangan yang juga merupakan angka
tingkat ketergantungan pangan dari masing-masing sumber.

Berdasarkan bukti empiris tersebut, sebaiknya Indonesia membangun industri


pangan yang sebagian besar bahan bakunya berasal dari produksi domestik. Karena
hampir tidak mungkin kemiskinan dan ketahanan pangan dapat di atasi dengan
bergantung sebagian besar dari pangan impor (Sawit, 2003a). Jika angka kemandirian
pangan minimal 90 persen pengadaan berasal dari produksi domestik (Suryana,
2004a), maka kondisi tahun 1999 menunjukkan ketidakmandirian pangan. Angka 90
persen merupakan acuan dalam arti pangan secara umum. Untuk pangan pokok,
seperti beras, jagung, gula, dan minyak goreng, angka tersebut seyogianya mendekati
atau bahkan 100 persen. Namun untuk pangan yang tidak mempunyai keunggulan
kompetitif seperti gandum, apel, atau jeruk sunkist, tidak perlu ditetapkan seperti itu.

20
Fenomena tersebut menyebabkan kebijakan pangan Indonesia cenderung
mengarah pada kemandirian didukung kebijakan perdagangan yang protektif
(Suryana, 2004; Simatupang, 2004; dan Sawit et al. 2004). Hal tersebut merupakan
hal yang wajar, sebab negara maju yang paling liberalpun hingga saat ini masih tetap
campur tangan pada pasar pertanian. Jepang sampai sekarang melindungi petani padi
dengan tarif 1000 %; Amerika Serikat mensubsidi petani padi untuk ekspor; Eropa
memproteksi produksi gula dengan tarif 100 200 %; dan Malaysia dan Filipina
melindungi produsen beras (Widodo, 2003). Jelasnya dapat dilihat pada Tabel 4.
Dengan demikian kebijakan yang medukung pengadaan pangan dan peningkatan
ketahanan pangan, termasuk kebijakan harga pangan, masih relevan untuk dilakukan
dengan tetap melakukan berbagai perbaikan di tingkat implementasinya.
Tabel 4. Perkembangan Perkiraan Dukungan Dana beberapa Negara OECD pada
Sektor Pertanian, Tahun 1995 2004
European
New
United
Japan
Tahun Australia Canada
Zealand
States
(AUD mn)
(C$ mn)
(Yen bn) (NZ$ mn)
Union
(USD mn)
(EUR mn)

1995

2,416.84

7,561.94

107,681.91 9,231.11

390,11

67,792.49

1996

2,494.02

6,886.47

105,519.27 8,333.46

354.20

76,358.32

1997

2,570.99

6,228.04

111,100.26 7,520.02

386.50

76,177.88

1998

2,607.32

7,060.33

113,841.20 8,202.18

327.30

89,823.95

1999

3,685.94

7,466.56

120,742.81 7,461.39

341.63

100,328.16

2000

1,894.79

8,591.02

105,805.93 7,256.64

325.25

97,512.83

2001

2,221.77

7,860.02

105,899.13 6,869.98

257.70

98,610.39

2002

2,600.17

9,829.24

109,971.98 6,950.27

420.20

90,019.81

2003

2,321.93

10,840.63 117,223.00 6,994.44

550.94

92,199.04

2004

2,174.12

9,736.22

113,006.87 6,595.65

603.39

108,695.73

Rataan
Growth
(%/year)

2,498.79

8,206.05

111,079.24 7,541.51

396.35

89,751.86

1.97

3.59

7.46

5.77

Sumber: OECD, 2005 (diolah)

0.71

-3.49

21

2.2. Faktor-faktor yang Menentukan Efektivitas Kebijakan Harga Pangan


Peran pemerintah direpresentasikan oleh besarnya biaya yang digunakan untuk
implementasi kebijakan harga pangan. Semakin besar dana yang digunakan maka
seharusnya ketahanan pangan semakin membaik. Namun, karena implementasi
kebijakan ini melibatkan banyak pemangku kepentingan, maka selain konsep dan
dana banyak aspek teknis yang juga menentukan efektivitas kebijakan harga pangan.
Menurut Mooy (2005)1 sejak dulu Bank Indonesia sudah memperhatikan
masalah pertanian dan pengusaha kecil dalam bentuk program BIMAS, Kredit
Candak Kulak, KUT, dll. Namun hasilnya belum sesuai dengan yang diharapkan.
Kegagalan tersebut selalu dikatakan disebabkan oleh konsep yang salah. Kemudian
muncul konsep baru yang ternyata juga mengalami kegagalan. Jadi masalah
sebenarnya adalah kegagalan di tingkat implementasi. Bisa saja konsepnya baik, tapi
implementasinya mengalami banyak hambatan, moral hazard, salah penggunaan,
tidak tepat waktu, dll. Dengan demikian efektivitas kebijakan perlu perhatian sampai
pada tataran implementasi.
2.2.1. Komoditas Gabah
Secara umum sasaran kebijakan pangan adalah: (1) meningkatkan produksi
pangan untuk mencukupi kebutuhan dalam negeri, (2) meningkatkan pendapatan
petani, (3) mengendalikan kecukupan pangan sehingga tersedia di seluruh wilayah,
dalam waktu dan jumlah, serta dalam batas harga yang terjangkau masyarakat, dan (4)
memperbaiki mutu produksi pangan. Efektivitas suatu kebijakan yang diukur dari
keberhasilan pencapaian sasaran tersebut ditentukan oleh bagaimana proses
pembuatan dan implementasi kebijakan dilaksanakan (PSE, 2003). .
Dalam kasus kebijakan harga beras, implementasi pengadaan melibatkan
KUD, pedagang grosir, pengecer dan importir. Sementara itu implementasi
1

Komunikasi langsung dengan Adrianus Mooy, mantan Gubernur Bank Indonesia

22
penyalurannya melibatkan koperasi pasar, pedagang grosir dan pengecer. Kegiatan
pengadaan dan penyaluran tersebut sebagian besar menggunakan angkutan laut yang
membutuhkan waktu cukup panjang sejak dari muat, perjalanan dan bongkar.
Rangkaian tersebut melibatkan banyak lembaga sehingga berpeluang besar terjadi
gangguan jadwal kegiatan. Menurut Moelyono (2002), kapasitas penyimpanan dan
jaringan perhubungan laut merupakan faktor kendala yang berat untuk melakukan
operasi pergerakan dan dislokasi stok yang efisien.
Menurut Kasryno et al. (2001) kebijakan harga pangan dan perdagangan
internasional beras sejak pra swasembada beras sampai tahun 1996 kelihatan efektif
karena disertai dengan kebijakan nilai tukar rupiah yang over value. Namun menjadi
tidak efektif sejak diberlakukan deregulasi perdagangan beras. Kebijakan tarif impor
yang tinggi juga menjadi tidak efektif karena memberi insentif bagi importir ilegal
(Amang dan Sawit, 2001), sehingga efisiensi sistem usaha tani perlu ditingkatkan.
Menurut Suryana (2004b), pelaksanaan Inpres No. 9 tahun 2001 tentang
Penetapan Kebijakan Perberasan oleh berbagai instansi terkait cukup efektif. Namun
dalam pelaksanaannya berupa penerapan tarif impor sebesar Rp 430 per kg dikatakan
belum sepenuhnya efektif, tetapi telah mampu menjadi penghambat membanjirnya
beras impor dan sekaligus menjadi katup pengaman penyediaan pangan saat pasokan
dalam negeri berkurang, sehingga mengurangi tekanan munculnya lonjakan harga.
Pernyataan tersebut dapat diinterpretasikan bahwa proses pembuatan
kebijakan berjalan sesuai yang diharapkan. Namun implementasinya mengalami
masalah. Pada periode itu, bukti empiris menunjukkan pengendalian impor tidak
efektif karena adanya beras selundupan yang harganya lebih murah dari harga beras
domestik. Sementara itu, perangkat dan kelembagaan pengawas dengan kondisi
geografis yang ada belum berjalan baik.

23
Keefektifan kebijakan harga pangan selain ditentukan oleh kegiatan
pengadaan komoditas, juga ditentukan oleh kegiatan distribusinya. Menurut Suntoro
(2004), adanya jembatan yang rusak, bencana alam, kerusuhan, pungutan liar dan
lainnya, dampaknya sangat besar terhadap stok dan harga pangan di suatu wilayah,
sehingga bisa mengakibatkan terjadi rawan pangan. Karena selain ditentukan daya
beli, tingkat pendapatan, harga pangan, dan kelembagaan di tingkat lokal, proses
distribusi pangan merupakan faktor penentu akses individu terhadap pangan
(Rachman dan Ariani, 2002). Dengan demikian efektivitas kebijakan harga pangan
tersebut tidak hanya melibatkan satu sektor, tetapi banyak sektor.
Untuk mengefektifkan kebijakan insentif ekonomi bagi petani pangan, pada
tahun 2003 pemerintah menyiapkan subsidi pupuk sebesar 1.35 triliyun rupiah,
subsidi benih 24 milyar rupiah dan subsidi bunga kredit ketahanan pangan sebesar 10
persen, kenaikan harga dasar pembelian pemerintah dari Rp 1500 per kg menjadi Rp
1700 per kg GKG di tingkat petani. Kebijakan tersebut didukung dengan kenaikan
dan pengefektifan penerapan tarif impor beras dan pembelian gabah atau beras petani
oleh pemerintah saat panen raya (Suryana, 2004b).
Keberhasilan kebijakan harga dasar gabah pembelian pemerintah, perlu
memperhatikan hal-hal berikut: (1) pembelian dilakukan pada saat yang tepat, yaitu
puncak panen raya, (2) volume gabah yang dibeli diperkirakan 10 persen dari
produksi periode puncak panen raya, dan (3) menetapkan harga dasar gabah yang
layak menjamin keuntungan usahatani, minimal 30 persen dari total pengeluaran.
Harga yang tinggi menyebabkan biaya semakin mahal dan menuntut penerapan tarif
impor yang tinggi. Dalam kondisi penegakan hukum yang lemah, penerapan tarif
impor terlalu tinggi akan mendorong penyelundupan beras (Departemen Pertanian,
2002). Efektivitas penerapan harga dasar juga dipengaruhi oleh ketepatan jadwal
pencairan dan fleksibilitas penggunaan dana (Amang dan Sawit, 2001).

24
Menurut PSE (2003), tingginya insiden harga jual gabah di bawah harga dasar
gabah pembelian pemerintah (HDPP) selama periode Januari Agustus 2003
disebabkan oleh beberapa alasan berikut: (1) volume panen dalam negeri sangat besar
karena periode puncak panen raya, (2) harga beras internasional cenderung turun atau
setidaknya tidak akan naik, (3) nilai rupiah stabil di bawah Rp 9 000 per US $, bahkan
saat ini cenderung menguat pada tingkat di bawah Rp 8 500 per US $, sehingga harga
paritas impor beras menjadi lebih murah lagi, (4) paket kebijakan HDPP mengalami
diskontruksi, terutama berkaitan dengan penetapan tarif dan tataniaga impor beras,
dan (5) pengadaan gabah dalam negeri oleh Bulog belum sepenuhnya efektif dalam
menjaga stabilisasi harga gabah petani, karena pembelian gabah melalui kontraktor
pengadaan tidak menjamin sepenuhnya kontraktor tersebut membeli gabah di sentra
produksi padi dan sesuai degan HDPP.
Efektivitas kebijakan bantuan pangan dapat juga dipengaruhi oleh pendekatan
yang digunakan. PSE (2003), melaporkan setidaknya ada tiga pendekatan yang
dipakai untuk membantu pangan bagi masyarakat, yaitu bantuan pangan secara umum
(broad food targeting), secara sempit (narrow food targeting), dan langsung kepada
sasaran (self-food targeting). Pendekatan bantuan pangan secara umum dilakukan
dengan memberi subsidi pangan untuk komoditas yang banyak dikonsumsi
masyarakat seperti beras. Pemerintah melepas stok saat harga melewati harga
tertinggi untuk menghambat kenaikan harga beras di pasar dan mengontrol volume
impor guna menstabilkan harga beras dalam negeri dari pengaruh gejolak harga beras
di luar negeri. Kebijakan ini dinikmati semua kelompok baik miskin maupun kaya.
Pendekatan bantuan secara sempit adalah subsidi pangan secara langsung
diberikan kepada kelompok sasaran. Kelompok sasaran ditentukan berdasarkan
daerah dimana umumnya mereka berada, seperti daerah kekeringan. Setiap kelompok

25
sasaran diikutkan dalam kelompok kerja misalnya memperbaiki saluran irigasi yang
diberikan upah berupa beras. Dengan cara ini dua manfaat yang diterima, yaitu
peningkatan pendapatan riil pekerja dan perbaikan infrastruktur yang berdampak
positif pada kegiatan produksi dan pemasaran pertanian. Kelemahannya sering tidak
tepat dalam menentukan kelompok sasaran.
Pendekatan bantuan pangan langsung dengan cara memberikan subsidi pada
komoditas pangan yang banyak dikonsumsi oleh kelompok miskin kekurangan
pangan, seperti program raskin menggunakan beras kualitas medium. Cara ini tidak
dinikmati kelompok menengah dan kaya, karena mereka tidak biasa mengkonsumsi
pangan yang dikonsumsi kelompok miskin. Cara ini lebih efektif karena mencapai
sasaran, murah dan kebocorannya relatif kecil. Selain pendekatannya, bentuk
bantuannya juga menentukan efektivitas kebijakan. Kelemahan dan kelebihan
bantuan dalam bentuk tunai dan natura (Tabel 5).
Tabel 5.

Kekuatan dan Kelemahan Subsidi Pangan Melalui Uang Tunai dan Natura
Keterangan

Uang Tunai

Natura

1. Distorsi dalam produksi

Melalui mekanisme pasar

Terdistorsi

2. Distorsi dalam
konsumsi
3. Mendorong konsumsi
komoditas pangan
tertentu
4. Mendorng konsumsi
anggota RT: wanita
dan anak-anak

Melalui mekanisme pasar

Terdistorsi

Tidak akan terjadi

Akan terjadi

Belum tentu, bisa


diselewengkan

Lebih mengena sasaran

5. Pembayar pajak

Kurang menerimanya

Lebih menerima

6. Dampak kenaikan harga Merosot nilainya

Stabil nilainya

7. Menentukan kelompok
sasaran

Lebih sulit dan sering


bocor ke luar sasaran

Lebih
mudah,
bisa
dikontrol masyarakat

8. Keinginan secara politis

Kurang disenangi

Lebih disenangi

Sumber: PSE (2003)

26

2.2.2. Komoditas Palawija dan Pangan Lain


Penetapan harga dasar selain gabah, pertama kali diterapkan pada palawija
mulai berlaku pada Pebruari 1978. Jumlah pengadaan dalam negeri untuk komoditas
jagung, kedele, dan kacang hijau pada awal-awal tahun penetapan harga dasar cukup
besar. Tetapi untuk beberapa tahun terakhir ini, pengadaan jagung tidak lebih dari satu
persen. Bahkan pemerintah tidak lagi membeli komoditas jagung, kedele, dan kacang
hijau karena harga di pasar umum sangat baik, jauh di atas harga dasar. Oleh karena
itu pengadaan untuk menjaga harga dasar tidak diperlukan lagi (PSE, 2003).
2.2.3. Sarana Produksi Pertanian
Laporan PSE (2003) tentang perkembangan kelembagaan kredit pertanian
dijelaskan sebagai berikut. Kredit diberikan dalam bentuk sarana produksi sering
menghadapi permasalahan berupa keterlambatan kredit, paket kredit yang tidak sesuai
dengan kebutuhan petani. Keadaan ini mengurangi efektivitas manfaat kredit yang
berakibat tidak tercapainya sasaran dan menyebabkan besarnya tunggakan kredit.
Oleh karena itu, seperti halnya bantuan pangan, kredit KUT Pola Khusus
dimana bantuan pinjaman yang diberikan berupa uang tunai dengan prosedur yang
lebih mudah lebih disukai petani dan efektif meningkatkan jumlah pemakaian sarana
produksi, produksi gabah dan meningkatkan pendapatan petani dibandingkan KUT
Pola Umum (Sanim, 1998).
Pada tahun 1999 KUT diganti dengan Kredit Ketahanan Pangan (KKP).
Berbeda dengan KUT, pada KKP menggunakan sistem executing yang berarti bank
pelaksana harus menanggung dana dan risiko kredit. Pemerintah hanya memberi
subsidi bunga sebesar 10 persen untuk usahatani tanaman pangan dan enam persen
untuk usaha lainnya. Hambatan skim kredit KKP adalah pihak bank masih belum
siap dan banyak KUD/koperasi atau petani yang menunggak KUT.

27
Kenaikan produksi padi telah meningkatkan kemampuan petani untuk
membeli sarana produksi, sehingga realisasi program KUT sangat rendah berkisar
antara 5 15 persen bahkan pada musim tanam tahun 2001 realisasi KKP hanya
mencapai 0.5 persen (Kasryno et al., 2001). Adnyana, et al. (2000) menunjukkan
bahwa sebagian besar petani menggunakan kredit informal dan warung sarana
produksi pertanian. Dengan kondisi yang demikian ditambah dengan banyaknya
penyimpangan kredit, dapat menyebabkan penyaluran kredit program pada saat ini
sudah tidak efektif. Bagi petani yang penting adalah insentif berproduksi, ketersediaan
sarana produksi, teknologi, kualitas prasarana irigasi, dan sumberdaya lahan.
Pupuk subsidi hanya diperuntukkan pada usahatani tanaman pangan. Keadaan
ini menyebabkan adanya perembesan penggunaan pupuk dari tanaman pangan ke
penggunaan lain, sehingga sering petani pangan mengalami kekurangan pupuk
(Ilham, 2001). Perbedaan harga pupuk di dalam negeri dengan di luar negeri juga
menyebabkan adanya perembesan pupuk ke luar negeri. Dengan dua masalah tersebut
dan makin besarnya beban subsidi maka pemerintah menetapkan kebijakan
penghapusan subsidi pupuk dan melepaskan tataniaga pupuk sesuai mekanisme pasar.
Pada kondisi tanpa subsidi dan pasar bebas awalnya berdampak positif
terhadap ketersediaan pupuk dengan harga yang relatif murah. Akibatnya distribusi
pupuk mengikuti sinyal pasar dengan harga dan permintaan yang tinggi termasuk
untuk ekspor, karena harga jual fob lebih mahal dari harga di dalam negeri, sehingga
terjadi lagi masalah kelangkaan pupuk (Ilham, 2002). Berdasarkan kenyataan ini
pemerintah mengatur kembali tataniaga pupuk urea.
Kegiatan ekspor pupuk urea dikhawatirkan akan mengganggu produksi beras
nasional. Sementara produsen pupuk tetap memperhatikan keberlangsungan usahanya
untuk mencapai keuntungan. Untuk itu pemerintah memberikan subsidi pada

28
produsen. Kebijakan pemerintah ini dikritik sebagian pakar, karena subsidi tersebut
dikhawatirkan tidak akan dirasakan oleh petani.
Berdasarkan tinjauan empiris dari beberapa studi terdahulu efektifitas
kebijakan harga pangan tidak hanya dipengaruhi oleh dana yang diberikan secara
langsung untuk kebijakan tersebut, tetapi juga dipengaruhi oleh banyak faktor sejak
dari proses pembuatan hingga implementasi kebijakan, beberapa di antaranya adalah:
1. Ketepatan dalam melakukan kebijakan, seperti: (1) pembelian dilakukan pada
saat dan wilayah yang tepat, yaitu puncak panen raya dan di wilayah surplus
produksi, (2) volume gabah yang dibeli diperkirakan 10 persen dari produksi
periode puncak panen raya, dan (3) menetapkan harga dasar gabah yang layak
menjamin keuntungan usahatani, minimal 30 persen dari total pengeluaran.
2. Dukungan kebijakan lain yang harmonis, seperti kebijakan tarif impor harus
diharmoniskan dengan perbedaan harga domestik dan pasar internasional,
kebijakan nilai tukar rupiah (over value atau under value), dan penegakan hukum.
3. Kinerja kelembagaan yang terlibat dalam sistem distribusi, yaitu KUD, lembaga
kredit, koperasi pasar, pedagang grosir, pengecer, Dolog, Bulog, dan importir.
4. Fasilitas dan lembaga yang mendukung dalam sistem distribusi, yaitu jaringan
angkutan laut, jaringan angkutan darat, dan kapasitas pergudangan
5. Pendapatan dan daya beli petani terhadap harga input dan outrput.
6. Pendekatan yang digunakan, yaitu bantuan pangan secara umum (broad food
targeting), secara sempit (narrow food targeting), dan langsung kepada sasaran
(self-food targeting).
7. Bentuk bantuan dan prosedurnya, yaitu dalam bentuk tunai dan natura dengan
prosedur yang mudah.
8. Bencana alam, kerusuhan dan pungutan liar selama kegiatan distribusi.

29

2.3.Faktor-faktor yang Mempengaruhi Inflasi


Inflasi merupakan indikator utama ekonomi makro. Dengan demikian
stabilitas ekonomi makro sangat ditentukan oleh stabilitas inflasi. Untuk
mengefektifkan pengendalian inflasi, maka perlu diketahui faktor-faktor apa yang
mempengaruhi inflasi.
Hasil penelitian menggunakan data 1969-1982 yang dilakukan Gunawan
(1991) menyimpulkan bahwa faktor-faktor utama penentu inflasi di Indonesia adalah:
defisit domestik, inflasi yang diimpor, harga minyak dan gas bumi. Sementara itu
penawaran bahan makanan yang secara teoritis seharusnya mempengaruhi harga
umum, tetapi karena ketatnya pengaturan harga oleh pemerintah menyebabkan
perannya tidak dapat terlihat. Faktor tingkat upah yang hampir semua negara maju
dan beberapa negara berkembang merupakan salah satu sumber utama inflasi, di
Indonesia tingkat upah tak begitu berperan.
Amang (1984), melakukan studi menggunakan data periode 1967-1981
tentang inflasi di Indonesia dengan menggunakan empat model, yaitu: inflasi
moneteris, permintaan dan penawaran agregat, persamaan simultan, dan efek
langsung harga beras terhadap inflasi. Hasil analisis menunjukkan bahwa penyebab
utama inflasi di Indonesia adalah demand pull inflation, tetapi faktor-faktor struktural
(cost push inflation) juga berpengaruh signifikan.
Selanjutnya dikatakan bahwa faktor moneter yang menyebabkan inflasi adalah
peningkatan penawaran uang melebihi peningkatan permintaan uang. Meningkatnya
penawaran uang disebabkan oleh: defisit pemerintah, pengembangan kredit oleh
sistem perbankan, dan surplus neraca pembayaran yang disebabkan oil booming dan
bantuan asing. Faktor yang disebabkan oleh cost push inflation adalah meningkatnya
harga-harga komoditas utama di pasar domestik seperti bahan bakar minyak, beras,

30
dll. Hasil simulasi kebijakan dari model persamaan simultan dan model efek langsung
harga beras terhadap inflasi menunjukkan bahwa naiknya harga beras menyebabkan
meningkatnya laju inflasi.
Studi Gunawan (1991) dan Amang (1984) tentang pengaruh harga pangan
terhadap inflasi menunjukkan hasil yang berbeda. Perbedaan tersebut dapat
disebabkan oleh spesifikasi model yang digunakan.

Studi Amang (1984) lebih

mengembangkan spesifikasi model dengan menggunakan empat model sehingga


dapat menunjukkan keterkaitan antara harga beras dan inflasi.
Perwira (2001) menggunakan data bulanan dari Januari 1996 Desember
1999, hasil pendugaannya menunjukkan bahwa permintaan uang, suku bunga riil, dan
pembayaran utang berpengaruh negatif terhadap tingkat inflasi. Sementara itu nilai
tukar rupiah terhadap dolar AS, capital inflow, dan inflasi periode sebelumnya
berpengaruh positif dengan nilai R2 0.7325. Parameter dugaan permintaan uang dan
nilai tukar rupiah terhadap dolar AS berpengaruh sangat nyata (=1%), sedangkan
yang lainnya tidak berbeda nyata dengan nol.
Pengaruh depresiasi nilai tukar ke inflasi sangat kuat terjadi sejak berlakunya
sistem nilai tukar mengambang (Bank Indonesia, 2002). Sebaliknya, sebelum periode
krisis, pengaruh nilai tukar ke inflasi hampir tidak terjadi. Tinjauan perkembangan
ekonomi periode triwulanan yang dilakukan CSIS (2001a; 2001b; 2001c; 2001d;
2002a; 2002b; 2002c; 2002d) selama tahun 2001-2002, menunjukkan bahwa faktorfaktor yang menentukan inflasi

adalah:

(a) peningkatan permintaan uang, (b)

pertumbuhan uang beredar, (c) naiknya harga BBM dan tarif dasar listrik akibat
penurunan subsidi, (d) melemahnya nilai tukar rupiah terhadap dolar AS, (e)
meningkatnya permintaan terhadap barang menjelang bulan Puasa dan Natal, (f)
kenaikan upah minimum, (g) kenaikan pajak rokok, (h) kemarau panjang yang
menggangu produksi pangan, dan (i) tidak efektifnya kebijakan moneter.

31
Khusus untuk Bulan Maret - April 2002, terjadi deflasi masing-masing sebesar
0.02 dan 0.24 persen. Penyebab utama deflasi adalah turunnya harga makanan selama
masa panen. Hasil analisis Sadewa (2003)1, inflasi yang terjadi sangat rendah, yaitu
sebesar 0.77 persen pada tiga bulan pertama 2003 disebabkan kebijakan moneter yang
dijalankan bank sentral sudah cukup baik. Selain itu disebabkan juga oleh penurunan
harga bahan makanan akibat meningkatnya pasokan dari dalam dan luar negeri.
Penemuan hasil studi terdahulu bahwa variabel yang mempengaruhi inflasi
tidak hanya dari sektor riil dan moneter, tetapi ada juga pengaruh faktor kebijakan.
Romer (1996) menyatakan bahwa, salah satu variabel yang cukup banyak menjadi
perhatian adalah kebebasan bank sentral. Disamping itu, harga bahan pangan
termasuk beras masih menentukan tingkat inflasi di Indoneisa. Dengan demikian
kebijakan pangan yang ditujukan untuk meningkatkan ketahanan pangan dan
pengendalian inflasi masih relevan untuk dilakukan di Indonesia.
2.4.

Pengendalian Inflasi dan Pertumbuhan Ekonomi


Dengan

mengetahui penyebab inflasi, dapat dijadikan dasar untuk

mengendalikan inflasi dalam bentuk target inflasi untuk menjaga stabilitas ekonomi.
Dimulai dari negara-negara maju, dimana pangsa pengeluaran pangan terhadap
pengeluaran rumah tangga sudah tidak signifikan maka sejak tahun 1989,
pengendalian inflasi dilakukan oleh otoritas moneter dengan menetapkan target
inflasi. Negara pertama memperkenalkan target inflasi adalah Selandia Baru (Agenor,
2000). Upaya ini kemudian diikuti oleh beberapa negara (Tabel 6).
Brooks (1998) dalam Debelle (2000), menunjukkan bahwa rejim target inflasi
terkait dengan perbaikan performa inflasi, rata-rata tingkat inflasi dan keragamannya
telah menurun secara substansial (Tabel 7). Dapat dilihat bahwa negara yang

Harian KOMPAS, 14 April 2003. Apakah Inflasi yang Rendah Buruk Bagi Perekonomian?

32
menerapkan target inflasi, inflasinya lebih rendah dan pertumbuhan outputnya
menjadi lebih tinggi dengan keragaman inflasi dan output yang lebih rendah. Kondisi
perekonomian seperti ini lebih baik dari kondisi sebaliknya.
Tabel 6. Penerapan Target Inflasi pada Beberapa Negara Tahun 1990 - 1995
Negara
Australia
Kanada

Mulai
Menerapkan
Tahun 1993
Februari 1991

Finlandia

Februari 1993

Israel

Desember 1991

Definisi Inflasi

Target Inflasi
(%/thn)

Underlying CPIa)

23

Core CPI

b)

1-3

Underlying CPI

c)

CPI

2
8 - 11

d)

Selandia Br

Maret 1990

Underlying CPI

0-3

Spanyol

Januari 1995

CPI

>3

Swedia

Januari 1993

CPI

Inggris

Oktober 1992

Retail Price Index

1-2
e)

14

Sumber: Bernanke dan Mishkin, 1997.


Ket. a) = mengeluarkan : buah dan sayuran, bahan bakar, biaya bunga, biaya sektor publik dan hargaharga yang mudah berubah.
b) = mengeluarkan: bahan makanan, energy, efek putaran pertama pajak tidak langsung.
c) =mengeluarkan: subsidi pemerintah, pajak tak langsung, harga rumah dan bunga hipotek.
d) =mengeluarkan : perubahan pajak tidak langsung, perubahan signifikan pada harga impor dan
harga ekspor, biaya bunga, dan bencana alam.
e) =mengeluarkan bunga hipotek.

Di Indonesia kebijakan target inflasi diawali tahun 1999, mulai terasa hasilnya
3-4 tahun kemudian. Analisis CSIS, target inflasi Bank Indonesia untuk tahun 2000,
2001 dan 2002 masing-masing 5 7 persen dan 4 6 persen dan kurang dari 9 persen
tidak dapat tercapai.

Inflasi aktual masing-masing mencapai 9.35 persen, 12.55

persen dan 10.03 persen. Kegagalan tersebut disebabkan oleh meningkatnya


permintaan uang pada akhir tahun 2000; kondisi politik yang tidak pasti, sehingga
independensi bank sentral menjadi berkurang pada tahun 2001.
Khusus tahun 2002 diperkirakan target inflasi akan tercapai karena pada
Maret-April 2002 terjadi deflasi yang disebabkan oleh turunnya harga makanan
selama masa panen dan terkendalinya jumlah uang beredar. Namun karena adanya

33
kenaikan permintaan menjelang hari raya, naiknya harga tarif dasar listrik, kenaikan
pajak rokok dan adanya musim kemarau pada akhir tahun target yang ditetapkan tidak
tercapai. Untuk tahun 2003, target inflasi sembilan persen akan mudah tercapai,
bahkan diperkirakan akan mencapai 7.8 persen (Sadewa, 2003)1.

Hal ini lebih

disebabkan keberhasilan kebijakan moneter Bank Indonesia.


Tabel 7. Tingkat Inflasi dan Pertumbuhan pada Beberapa Negara Industri yang
Menerapkan dan Tidak Menerapkan Rejim Target Inflasi
Negara

Inflasi Tahunan
Standar
Rataan
Deviasi

Pertumbuhan GDP Riil


Standar
Rataan
Deviasi

Rejim Target Inflasi (TI)


Australia
1980-1992
1993-1997

7.2
2.2

2.4
0.6

2.8
3.9

2.8
1.1

7.8
2.3

3.5
1.1

2.1
2.5

2.6
2.1

6.0
2.9

3.7
1.2

2.5
2.1

1.8
2.2

13.9
4.6

6.5
2.3

2.7
2.8

2.7
1.9

Negara Lain
1980 s.d menerapkan TI 1)
Saat menerapkan - 1997
Rejim Non Target Inflasi
Negara Besar 2)
1980 - 1989
1990 - 1997
Negara Kecil 3)
1980 1989
1990 1997
1)
2)
3)

Kanada, Finlandia, Selandia Baru, Spanyol, Swedia, Inggris


Prancis, Jerman, Italy, Jepang, dan Amerika Serikat
Belgia, Denmark, Yunani, Islandia, Irlandia, Luxemburg, Norwegia, dan Portugal

Sumber: Brooks (1999) dalam Debelle (2000).

Mallik dan Chowdhury (2001) melakukan studi inflasi dan pertumbuhan di


Asia Selatan, yaitu Bangladesh, India, Pakistan dan Sri Langka. Dengan
menggunakan data time series tahunan dianalisis dengan teori kointegrasi dan model
1

Harian KOMPAS, 14 April 2003. Apakah Inflasi yang Rendah Buruk Bagi Perekonomian?

34
koreksi eror (ECM). Ada dua hasil yang menarik. Pertama, inflasi dan pertumbuhan
ekonomi mempunyai hubungan yang positif.

Kedua, Sensitifitas perubahan dari

inflasi ke tingkat pertumbuhan lebih besar daripada perubahan dari pertumbuhan ke


inflasi. Implikasi dari temuan ini adalah: mengurangi inflasi ke tingkat yang paling
rendah (nol) merugikan pertumbuhan ekonomi. Selain itu, upaya mencapai
pertumbuhan yang lebih cepat dapat memanaskan ekonomi yang meluas pada tingkat
inflasi yang tidak stabil. Tantangannya adalah menemukan tingkat pertumbuhan yang
konsisten dengan tingkat inflasi yang stabil.
Dari hasil studi terdahulu, negara-negara yang menerapkan dan mampu
mencapai target inflasi yang diinginkan menunjukkan kinerja ekonomi makro yang
baik dengan inflasi lebih rendah dan pertumbuhan output menjadi lebih tinggi dengan
keragaman inflasi dan output yang lebih rendah. Kondisi seperti ini lebih baik dari
kondisi sebaliknya. Untuk kasus Indonesia, target inflasi masih dipengaruhi harga
bahan makanan dan situasi politik, kedua faktor tersebut sudah tidak signifikan
mempengaruhi target inflasi di negara-negara maju yang lebih dipengaruhi oleh
faktor-faktor moneter. Untuk mencapai pertumbuhan ekonomi yang optimal
diperlukan pengendalian inflasi. Karena pangsa pengeluaran pangan di Indonesia
diduga masih relatif besar maka stablitas ekonomi sangat ditentukan oleh stabilitas
harga pangan.

Karena itu untuk mengendalikan inflasi diperlukan pengendalian

terhadap harga pangan, di antaranya dalam berntuk kebijakan harga pangan.


2.5.Dampak Kebijakan Harga Pangan terhadap Ketahanan Pangan
Pasca swasembada beras 1984, terjadi pengurangan investasi di sektor
pertanian (irigasi dan pembukaan areal pertanian baru) dan penghapusan subsidi harga
sarana produksi pertanian secara bertahap menyebabkan laju pertumbuhan produksi
melambat dan menjelma menjadi faktor risiko utama terhadap ketahanan pangan

35
nasional, pendapatan petani serta akan berdampak pada perekonomian dan stabilitas
sosial politik (Kasryno et al., 2001). Hasil penelitian Hardono (2003) dengan model
rumah tangga menyimpulkan bahwa peningkatan harga input (pupuk dan upah buruh
tunai) berdampak negatif terhadap ketahanan pangan rumah tangga pertanian. Namun
dampak tersebut dapat di atasi dengan kenaikan harga output secara proporsional.
Menurut PSE (2003), jika tarif impor beras Rp 430,-/kg diturunkan menjadi
nol persen, maka produksi beras dalam negeri tahun 2003 sebesar 31.78 juta ton, pada
tahun 2004 diproyeksikan hanya turun (2,88 juta ton) menjadi 28.9 juta ton dan
konsumsi meningkat dari 31.5 juta ton menjadi 31.8 juta ton. Sebaliknya jika tarif
impor beras dinaikkan menjadi 25 persen atau 50 persen maka produksi dan konsumsi
beras domestik diperkirakan tidak akan banyak mengalami perubahan. Bahkan tarif
sampai 50 persen akan menyebabkan banyaknya beras penyelundupan yang sulit
dikontrol karena keadaan luas wilayah dan berbatasan dengan negara tetangga,
sementara itu kuantitas dan kualitas aparat pengawas masih sangat lemah.
Berdasarkan hal tersebut penerapan tarif dengan besaran yang optimal masih dapat
dilakukan dengan tidak mengganggu kemandirian pangan.
Untuk komoditas jagung menunjukkan bahwa penerapan tarif dari nol persen
menjadi 25 atau 50 prersen diperkirakan tidak akan banyak meningkatkan produksi
jagung domestik, tetapi dapat menurunkan konsumsi. Pada komoditas kedele,
peningkatan tarif menjadi 25 atau 50 persen akan relatif meningkatkan produksi
domestik yang diikuti dengan sedikit penurunan konsumsi.

Sementara itu pada

industri gula peningkatan tarif tidak perlu dilakukan karena relatif tidak mendorong
produksi dalam negeri, yang perlu didorong adalah peningkatan efisisensi industri
gula dalam negeri (PSE, 2003).
Menurut Hermanto (2002), gejolak harga beras berdampak negatif terhadap
daya beli konsumen dan petani produsen (berstatus net-consumer) dan menghambat

36
rumah tangga tersebut untuk akses terhadap pangan yang dibutuhkan. Karena itu
stabilisasi harga beras merupakan salah satu penentu tercapainya ketahanan pangan.
Dengan teknik SWOT untuk melihat kinerja kebijakan stabilisasi harga Saliem
et al. (2004) menyimpulkan bahwa kebijakan stabilisasi harga dengan instrumen
HDG dan HDPP tidak efektif untuk meningkatkan pendapatan dan kesejahteraan
petani

yang

berarti

juga

tidak

efektif

meningkatkan

ketahanan

pangan.

Ketidakefektifan tersebut disebabkan oleh pengaruh eksternal berupa penurunan harga


beras di pasar internasional dan melemahnya nilai tukar dan pengaruh faktor internal
disebabkan kurang memadainya infrastruktur produksi dan pemasaran sehingga
disparitas harga gabah terhadap harga beras meningkat. Peningkatan disparitas harga
tersebut mencerminkan marjin pemasaran yang diterima petani semakin rendah,
sehingga peningkatan pendapatan dan kesejahteraan petani menjadi sulit diupayakan.
Dari analisis di atas, berkurangnya infrastruktur produksi dan pemasaran
pertanian serta pengurangan subsidi input berdampak negatif terhadap ketahanan
pangan.

Dampak tersebut dapat dikurangi dengan kenaikan harga output secara

proporsional. Dengan infrastruktur dan subsidi input yang berkurang serta semakin
terbukanya pasar menyebabkan upaya kebijakan harga dengan instrumen HDG dan
HDPP tidak efektif untuk meningkatkan ketahanan pangan.

2.6.

Dampak Kebijakan Harga Pangan terhadap Indikator Ekonomi Makro


Menurut Dawe (2002) di lingkup internasional studi tentang pengaruh

ketidakstabilan harga dan program stabilisasi harga terhadap ekonomi makro kurang
banyak mendapatkan perhatian ahli ekonomi. Beberapa paper kerja Waugh (1944), Oi
(1961), Samuelson (1972) dan Newbery dan Stiglitz (1981) hanya beberapa halaman
yang membahas arti penting skema stabilisasi harga untuk ekonomi makro.

37
Terbatasnya studi tersebut antara lain disebabkan pada negara-negara maju
pembahasannya sudah tidak lagi ditingkat ekonomi mikro, seperti pengaruh harga
pangan, tetapi sudah pada level lebih makro. Hal itu disebabkan karena pangsa
pengeluaran pangan terhadap pengeluaran rumah tangga sudah relatif kecil sehingga
dampaknya tidak nyata terhadap ekonomi makro. Kalaupun ada skema stabilisasi
harga, dilakukan dengan manuver variabel-variabel makro, seperti dalam kebijakan
target inflasi.
Berbeda dengan di negara maju, di negara sedang berkembang, termasuk
Indonesia, pangsa pengeluaran pangan terhadap pengeluaran rumah tangga masih
relatif tinggi, sehingga harga pangan memberikan pengaruh relatif kuat terhadap
tingkat inflasi umum di Indonesia dibandingkan produk lain (Ilham, 2003a). Menurut
Simatupang (2002), subsektor tanaman pangan berkontribusi besar dalam PDB
pertanian sehingga berpengaruh besar dalam stabilisasi ekonomi, yang berkaitan
dengan pemantapan ketahanan pangan, pengendalian inflasi, dan stabilisasi PDB.
Penelitian Timmer (1997) dalam Amang dan Sawit (2001) memperlihatkan bahwa
harga pangan yang stabil mendukung pertumbuhan ekonomi di negara-negara Asia.
Berdasarkan hal itu kebijakan harga pangan masih relevan untuk dikaji.
Pada periode 1970-1979 sumbangan bahan makanan dalam inflasi mencapai
57,47 persen dan menurun tajam menjadi 31.17 persen pada periode tahun 1990-1998.
Hal ini mengindikasikan bahwa pembangunan pertanian dan kebijakan pendukungnya
telah berhasil meredam peningkatan harga bahan pangan sehingga tidak lagi menjadi
sumber penyebab utama inflasi seperti pada dekade 1960-an dan 1970-an
(Simatupang, 2002).

Namun demikian karena kuatnya hubungan harga beras

terhadap komoditas lain, maka stabilisasi harga beras tetap menjadi bagian strategis
dari stabilisasi ekonomi (PSE, 2003).

38
Saliem et al. (2004), menyimpulkan bahwa Harga Dasar Gabah (HDG) dan
Harga Dasar Gabah Pembelian Pemerintah (HDPP) sebagai instrumen pokok
kebijakan harga pangan masih efektif menopang stabilisasi harga jual gabah petani.
Namun derajat efektivitasnya semakin menurun dengan melemahnya kontrol
pemerintah terhadap pasar beras. Dimana pada saat pasar terisolasi (1995-1997)
efektivitas HDG lebih tinggi dibandingkan saat pasar bebas (1998-1999) maupun saat
pasar terkendali (2000-2003).
Kebijakan harga pangan disamping mencegah fluktuasi musiman, umumnya
juga dimaksudkan untuk melindungi ekonomi domestik terhadap ketidakstabilan
pasar internasional. Liberalisasi tidak menjamin adanya stabilitas yang dapat
menguntungkan negara yang lemah.

Lebih-lebih pasar beras yang merupakan

residual market, thin market dan bersifat oligopoly (Widodo, 2003).


Menurut Kasryno, et al. (2001) ada empat dampak ketidakstabilan ekonomi
beras pada perekonomian nasional.

Pertama, apabila produksi beras tidak dapat

dipulihkan maka impor beras akan meningkat. Karena Indonesia sebagai negara
besar, peningkatan impor beras di atas 10 persen konsumsi beras akan berpengaruh
pada harga beras di pasar dunia. Kedua, penurunan laju pertumbuhan produktivitas
disertai dengan peningkatan intensitas penggunaan input berarti keuntungan riil
usahatani padi cenderung menurun yang berarti pendapatan dan kesejahteraan petani
menurun. Ketiga, perlambatan peningkatan produksi padi dan pendapatan petani
berdampak negatif terhadap perekonomian desa maupun pengentasan kemiskinan,
karena usahatani padi merupakan basis ekonomi bagi sebagian besar penduduk desa
di Indonesia. Keempat, ketahanan pangan merupakan prakondisi bagi pembangunan
desa, ketahanan pangan yang rentan akan berdampak buruk terhadap perekonomian
makro maupun stabilitas sosial-politik nasional.

39
Menurut Gunawan (1991), ketatnya pengaturan harga pangan di Indonesia
menyebabkan berkurangnya ketidakstabilan ekonomi makro. Hal yang sama terjadi
di beberapa negara, seperti yang disitir maupun yang dihasilkan dari studi Kannapiran
(2000), menunjukkan skim stabilitas harga komoditas dapat mengurangi instabilitas
ekonomi makro, tetapi pada beberapa hasil penelitian ada yang menciptakan sedikit
fluktuasi, khususnya pada balance of payment dan stabilitas moneter. Hal itu
disebabkan kebijakan stabilitas harga tidak memberikan kontribusi yang baik terhadap
manajemen ekonomi makro.
Dengan menggunakan indikator RMSE, menurut Suparmin (2005) stabilitas
harga gabah di tingkat petani dalam rezim Pasar Terbuka Terkendali (2000-2003)
relatif lebih lebih stabil dibandingkan dalam rezim Orde Baru (1975-1998) maupun
dalam rezim Pasar Bebas (1998-1999). Sementara itu tingkat stabilitas harga beras di
tingkat konsumen dalam rezim Orde Baru relatif lebih stabil dibandingkan dalam
pasar Terbuka Terkendali dan rezim Pasar Bebas. Berarti kebijakan stabilisasi harga
selama ini lebih difokuskan pada upaya menjaga stabilitas harga beras di tingkat
konsumen sebagai instrumen untuk mengendalikan laju inflasi. Jika Rezim Orde
Baru mewakili kebijakan harga pangan yang intensif dibandingkan rezim Terbuka
Terkendali dan Rezim Pasar Bebas maka dapat dikatakan juga bahwa kebijakan harga
pangan, dalam hal ini OPM, mampu meningkatkan stabilitas inflasi.
Untuk melihat efektivitas kebijakan pemerintah terhadap stabilitas harga
gabah dan harga beras konsumen, Suparmin (2005) menggunakan pendekatan
integrasi vertikal antar pasar dengan model kointegrasi dan vector error correction.
Jika terjadi integrasi antar pasar maka kebijakan harga yang dilakukan efektif,
demikian juga sebaliknya. Hasil analisis menyimpulkan bahwa stabilisasi harga
gabah/beras efektif hanya pada rezim Orba, keefektifan ini lebih disebabkan oleh
peran dan campur tangan penguasa saat itu.

40
Sugiyono (2005) dengan sistem persamaan simultan mengintegrasikan blok
ekonomi beras, ekonomi makro dan politik. Hasil analisis menunjukkan bahwa faktor
ekonomi beras mempengaruhi faktor ekonomi makro dan sebaliknya. Namun Faktor
politik tidak mempengaruhi faktor ekonomi beras dan faktor ekonomi makro,
demikian sebaliknya. Hasil penting yang berkaitan dengan penelitian ini adalah laju
inflasi dipengaruhi oleh harga riil beras eceran. Dalam jangka pendek laju inflasi
responsif terhadap Variabel harga riil beras eceran dengan nilai elastisitas 6.34. Ini
membuktikan bahwa laju inflasi dipengaruhi oleh harga riil beras eceran sesuai
pendapat Rahardjo (1993) dan Mulyana (1998).
Hasil analisis simulasi yang dilakukan Sugiyono (2005) menunjukkan bahwa:
(1) peningkatan harga dasar gabah lebih menguntungkan petani padi, konsumen beras
tetap diuntungkan (ketahanan pangan meningkat), dan stabilitas ekonomi makro
terjaga (pertumbuhan ekonomi meningkat, pengangguran berkurang dan inflasi
mengalami penurunan), serta partai politik dan pemerintah diuntungkan karena faktor
politik (ketahanan nasional) mengalami penguatan, (2) peningkatan subsidi pupuk
berdampak positif meningkatkan penggunaan pupuk, produktivitas padi, produksi dan
penawaran beras, pendapatan usahatani dan konsumsi beras, serta berdampak positif
terhadap stabilitas ekonomi makro dan stabilitas politik.
Dari uraian tentang studi-studi terdahulu, khususnya yang dilakukan di
Indonesia, lingkup kajian terfokus pada keterkaitan harga gabah/beras dan inflasi,
harga gabah/beras dan ketahanan pangan, kebijakan harga gabah/beras dan ketahanan
pangan, inflasi dan pertumbuhan ekonomi serta kebijakan harga gabah/beras dan
stabilitas ekonomi makro. Sementara itu studi ini lebih merupakan tahapan lebih jauh
dan lebih komprehensif dari setudi sebelumnya. Hal itu disebabkan: (1) kajian ini
melakukan kajian awal tentang perilaku pangsa pengeluaran pangan penduduk

41
sebagai dasar perlunya dilakukan kajian tentang keterkaitan kebijakan harga pangan
terhadap ketahanan pangan dan stabilitas ekonomi makro, (2) tidak lagi menganalisis
harga pangan yang sudah dilakukan peneliti sebelumnya, tetapi mengkaji kebijakan
harga pangan yang menentukan stabilitas harga pangan itu sendiri, (3) pangan yang
dianalisis tidak hanya beras, tetapi termasuk beberapa bahan pangan yang relevan
dengan sasaran komoditas dari kebijakan harga pangan.
Selama ini banyak statemen yang menyatakan bahwa pentingnya stabilisasi
harga pangan karena pengaruhnya sangat signifikan terhadap stablitas ekonomi
makro, terutama inflasi dan ketahanan pangan yang secara luas akan mempengaruhi
pembangunan nasional. Pernyataan-pernyataan tersebut lebih didasarkan pada
pengalaman empiris sejak tahun 1945 hingga krisis ekonomi tahun 1998.
Penelitian empiris tentang hal itu masih belum banyak dilakukan. Kalaupun
ada terbatas pada pengaruh harga beras terhadap inflasi. Bedasarkan hal tersebut maka
penelitian ini menjadi penting untuk dilakukan, sehingga pengalaman-pengalaman
empiris yang selama ini terjadi dapat dikaji perilakunya untuk digunakan merancang
kebijakan yang lebih efektif mencapai sasaran pembangunan yang diinginkan.

2.7.

Biaya dan Manfaat Kebijakan Harga Pangan

2.7.1. Biaya Stabilisasi Harga Pangan


Kebijakan harga pangan dapat berupa kebijakan harga output, kebijakan
impor pangan dan kebijakan subsidi input. Menurut Sadoulet dan de Janvry (1995)
kebijakan tersebut merupakan alat utama intervensi pemerintah untuk meningkatkan
kontribusi

pertanian

terhadap

pembangunan

ekonomi

atau

meningkatkan

kesejahteraan rumah tangga petani. Namun kebijakan yang menyebabkan distorsi


tersebut menjadi perdebatan berbagai grup kepentingan yang mewakili produsen,
konsumen, pemerintah, kompetitor internasional dan ahli lingkungan. Berdasarkan

42
analisis keseimbangan parsial, kebijakan tersebut menimbulkan inefisiensi

jika

dibandingkan dengan kondisi pasar persaingan sempurna sebagai patokan. Berikut


diuraikan dampak berbagai kebijakan.terhadap kesejahteraan.
Kebijakan subsidi produsen menjamin harga produsen Pp di atas harga yang
dibayar konsumen Pc yang sama dengan harga batas Pb1 (Gambar 1). Kebijakan ini
meningkatkan kesejahteraan produsen ( PS = 1+ 2 ), tidak memberikan dampak
terhadap kesejahteraan konsumen ( CS =0). Untuk kebijakan tersebut pemerintah
mengeluarkan biaya ( B = 1 2 3 ), sehingga secara keseluruhan menimbulkan
inefisiensi (Net Social Gain=NSG= - 3).

Pp
1

Pb=Pc

Gambar 1. Dampak Subsidi Produsen terhadap Kesejahteraan

Pada kebijakan subsidi konsumen, pemerintah menetapkan harga konsumen


Pc di bawah harga jual produsen Pp yang sama dengan harga batas Pb (Gambar 2).
Kebijakan ini tidak mempengaruhi kesejahteraan produsen ( PS = 0 ), konsumen
diuntungkan ( CS =1+2). Pemerintah menanggung biaya subsidi yang sangat besar
( B = 1 2 3 ), sehingga menimbulkan inefisiensi (Net Social Gain = - 3).
1

Pb=e.Ps, dimana e adalah nilai tukar rupiah terhadap mata uang asing dan Ps harga dunia dalam mata
uang asing.

43
P

Pb
1

Pc

Gambar 2. Dampak Subsidi Konsumen terhadap Kesejahteraan


Jika pemerintah mensubsidi input produksi, petani akan menjadi akses pada
teknologi dan dampaknya menggeser kurva penawaran ke kanan dari S1 ke S2
(Gambar 3).

Akibatnya produksi meningkat dan harga turun.

Konsumen dan

produsen memperoleh manfaat masing-masing CS = 1+ 2 dan PS = 4-1, sehingga


dampak penggunaan teknologi memberikan manfaat positif (NSG=2+4). Manfaat
keseluruhan merupakan selisih antara manfaat akibat perubahan teknologi dengan
biaya akibat subsidi input.
P

S1

S2

P1
1
P2

2
4

Gambar 3. Dampak Perubahan Teknologi terhadap Kesejahteraan

44
Kebijakan untuk mencapai ketahanan pangan yang lebih mandiri dilakukan
dengan mengenakan tarif impor produk pangan (Gambar 4). Produsen memperoleh
manfaat ( PS = 1), namun konsumen dikenai pajak ( CS = -1-2-3-4). Pemerintah
memperoleh manfaat ( B = 3) dari penerimaan tarif impor.

Secara keseluruhan

pengaruh redistributif dari konsumen ke produsen dan Pemerintah menimbulkan


kerugian (NSG= -2 -4).

P
1

tarif

Pb

Gambar 4. Dampak Tarif Impor terhadap Kesejahteraan


Menurut Amang dan Sawit (2001) manajemen stok yang merupakan inti dari
kebijakan harga pangan memerlukan biaya. Biaya tersebut meliputi biaya pengadaan,
eksploitasi1 dan manajemen2 (Tabel 8). Demikian juga dengan program OPK
membutuhkan biaya yang terdiri dari subsidi langsung, biaya operasional, biaya tidak
langsung dan biaya insentif. Biaya tidak langsung adalah biaya yang dikeluarkan
masyarakat untuk mengangkut beras dari titik distribusi ke tempat masing-masing.
Biaya insentif adalah subsidi kurs untuk impor beras yang dilakukan Bulog (Tabel 9).
1
2

meliputi biaya penanganan, transportasi, penyimpanan dan distribusi.


meliputi biaya administrasi dan penelitian.

45
Tabel 8. Biaya Stabilisasi Harga Beras yang Dikeluarkan Bulog, Tahun 1996/1997
Rincian Biaya

Persentase (%)

1.

Eksploitasi

27.37

2.

Manajemen

17.31

3.

Susut Komoditas

4.

Bunga bank termasuk administrasi


Total
Total (Rp juta)

4.89
50.43
100.00
1 136 069

Sumber: Amang dan Sawit (2001)

Tabel 9. Biaya Program Operasi Pasar Khusus Periode Agustus 1998-Agustus 1999
Rincian Biaya
1.

Subsidi beras

2.

Biaya operasional

3.

Biaya tidak langsung

4.

Biaya insentif
Total

Nilai (Rp Milyar)


2 400
267
63
628
3 358

Sumber: Tabor dan Sawit (1999) dalam Amang dan Sawit (2001)

Jika biaya manajemen stok relatif tinggi bukan berarti fungsi tersebut
dihilangkan, melainkan perlu dilakukan perbaikan manajemen untuk meningkatkan
efisiensi. Karena pada prinsipnya manajemen stok yang dilakukan dengan baik dapat
memberikan manfaat secara langsung (mikro) maupun tidak langsung (makro).
Menurut Suparmin (2005), beberapa hal yang mempengaruhi biaya
manajemen stok beras Bulog adalah: (1) jumlah stok yang besar dapat membantu
kegiatan distribusi sekaligus untuk stabilisasi harga, namun merupakan beban jika
disimpan terlalu lama karena biaya simpan menjadi besar dan berakibat lebih lanjut
pada penurunan pembelian Bulog sehingga harga gabah menurun akibat kelebihan
penawaran di pasar, (2) pembelian gabah petani oleh Sub Dolog melalui pedagang

46
besar akan lebih efisien dibandingkan membeli langsung ke petani, namun hal itu
menyebabkan stabilitas harga gabah yang diterima petani menurun, (3) negosiasi
antara Bulog dan Menteri Keuangan dalam menentukan subsidi kepada Bulog
membutuhkan biaya transaksi yang harus dibebankan pada biaya manajemen stok, (4)
jual beli delivery order merupakan modus penyelewengan yang dilakukan merupakan
biaya dalam manajemen stok.
Jika dilakukan dengan efisien dan tanpa penyelewengan, secara teori selain
memberikan manfaat positif melalui efek pengganda, upaya manajemen stok secara
langsung juga akan meningkatkan kesejahteraan (Ellis, 1992). Gambar 5
menunjukkan jika terjadi goncangan penawaran, perpotongan kurva penawaran (tidak
diperlihatkan) dengan kurva permintaan berkisar diantara A dan B. Dengan kebijakan
manajemen stok, harga akan distabilkan di tengah dua titik tersebut.

P
D

P2

Pe

P1

b
d

e f

D
0
Gambar 5.

Q2

Qe

Q1

Dampak Kesejahteraan Kebijakan Stabilisasi Harga Ketika


terjadi Perubahan Penawaran

47
Secara total, efek kebijakan tersebut diuraikan sebagai berikut:
1. Jika penawaran mengalami defisit sehingga produksi turun dari Qe ke Q2
menyebabkan harga naik dari Pe ke P2. Melalui kebijakan manajemen stok,
dilakukan penjualan stok ke pasar sehingga harga tetap di Pe. Dampak kebijakan
ini adalah:
a.

CS = a + b

b. PS = - a
c. Pendapatan penjualan stok = d + g
2. Jika terjadi kelebihan penawaran sehingga produksi naik dari Qe ke Q1
menyebabkan harga turun dari Pe ke P1. Melalui kebijakan manajemen stok,
dilakukan penjualan stok ke pasar sehingga harga tetap di Pe. Otoritas melakukan
pembelian kelebihan produksi untuk keperluan stok.

Dampak kebijakan ini

adalah:
a.

CS = - (c + d + e)

b. PS = c + d + e + f
c. Biaya Pembelian untuk stok = - (e + f + h)
3. Efek total dari kebijakan manajemen stok tersebut adalah:
a. Manfaat-Biaya manajemen stok saling meniadakan: d + g = e + f + h
b. CS = - d (sebab c + e = a + b)
c.

PS = d + e + f

d. Kesejahteraan total: e + f
Kesejahteraan tersebut akan diperoleh jika tidak ada biaya yang dikeluarkan
untuk gudang dan administrasi lain. Kenyataanya dibutuhkan biaya, selagi biaya
tersebut lebih kecil atau sama dengan e + f kegiatan manajemen stok layak dilakukan.

48
Stabilisasi harga juga dilakukan oleh bank sentral di beberapa negara maju1
dengan kebijakan moneter. Kebijakan tersebut mendapat kritik dari beberapa ahli
analisis kesejahteraan (manfaat-biaya) yang menyatakan biaya dalam mendukung
stabilisasi harga lebih besar dibandingkan manfaatnya (Saxton, 1997). Lima kritikan
terhadap kebijakan tersebut adalah:
1. Mandat stabilisasi harga sebagai tujuan utama kebijakan moneter hanya akan
menghilangkan alat kebijakan ekonomi pemerintah yang mampu menstabilkan
ekonomi makro. Dalam kondisi kebijakan fiskal dengan anggaran berimbang,
defisit kebijakan fiskal tidak lagi dapat berperan untuk stabilisasi harga. Oleh
karena itu kebijakan moneter harus menjaga fleksibilitasnya untuk dapat bertindak
sebagai stabilisasi. Tanpa fleksibilitas ini, tidak satupun yang dapat menstabilkan
ekonomi makro dari berbagai gangguan.
2. Target stabilitas harga yang ketat melalui kebijakan moneter adalah suboptimal
jika penyesuaian pasar tenaga kerja tidak bekerja dalam menghadapi gangguan
pengangguran dan upahnya tidak fleksibel. Dengan menurunnya kekakuan upah
nominal, inflasi positif adalah penting untuk memicu penyesuaian pasar tenaga
kerja terhadap gangguan pengangguran.

Dengan demikian, biaya untuk

menghapuskan inflasi lebih tinggi dibandingkan yang diduga karena pada tingkat
inflasi rendah akan muncul trade-off permanen antara pengangguran dan inflasi;
biaya pengangguran dalam menghapuskan inflasi meningkat jika inflasi
mendekati nol.

Artinya, stabilitas harga akan berakibat pada meningkatnya

pengangguran.
3. Inflasi positif adalah penting agar kebijakan moneter dapat memicu kebijakan
ekspansif dengan suku bunga rendah. Dengan tingkat inflasi positif, bank sentral
dapat merespon gangguan permintaan agregat negatif dengan mengarahkan suku
1

Australia, Kanada, Finlandia, Spanyol, Swedia dan United Kingdom.

49
bunga nominal jangka pendek di bawah inflasi yang diharapkan, sehingga dana
bank sentral menjadi negatif dan memacu ekonomi. Dengan stabilisasi harga
(inflasi nol) dan suku bunga nominal nol akan membatasi kemampuan bank
sentral untuk menurunkan suku bunga riil dan memicu ekonomi. Jadi inflasi nol
akan menjadi kendala bagi kebijakan moneter sehingga bank sentral tidak
mempunyai kebebasan dan kemampuan untuk mendorong kebijakan ekspansif.
Oleh karena itu stabilitas harga memiliki risiko, sedangkan inflasi positif
membuat opsi kebijakan moneter lebih luas.
4. Ketika terjadi inflasi adalah lebih baik mentoleransi inflasi rendah dibandingkan
mengeluarkan biaya untuk menurunkan inflasi sampai level nol.

Analisis

kesejahteraan menunjukkan bahwa menurunkan inflasi ke nol adalah tidak tepat


jika tingkat inflasinya rendah, karena biayanya lebih besar dibandingkan
manfaatnya. Namun mengevaluasi argumen ini sulit karena diperlukan penilaian
yang tepat dengan pengukuran yang komprehensif dan akurat dari biaya dan
manfaat yang ditimbulkan.
5. Tingkat inflasi yang sebenarnya tidak dapat diukur secara akurat dengan luasnya
indeks harga seperti indeks harga konsemen. Terdapat bias indeks harga
konsumen dalam pendugaan inflasi yaitu tingkat inflasi yang sebenarnya di bawah
tingkat yang diukur. Bias ini berimplikasi bahwa indeks harga konsumen tidak
dapat digunakan sebagai tujuan kebijakan yang berdaya guna. Konsekuensinya,
stabilitas harga atau target inflasi tidak dapat bekerja sebagai suatu strategi untuk
kebijakan moneter dan dalam prakteknya tidak dapat diterapkan. Pendugaan bias
inflasi indeks harga konsumen adalah bervariasi, tetapi berkisar antara 0.5 persen
sampai 2.0 persen per tahun.
Dari uraian di atas ternyata stabilitasi harga dilakukan baik oleh negara sedang
berkembang maupun negara maju. Perbedaan perekonomian negara tersebut

50
berimplikasi perbedaan kebijakan yang diambil. Pada negara sedang berkembang
dimana pangsa pengeluaran pangan lebih besar dari pangsa pengeluaran lainnya
kebijakan harga pangan menjadi lebih penting dibandingkan pada negara maju yang
lebih pada kebijakan target inflasi yang biasanya dilakukan melalui pengendalian
penawaran uang dan tingkat suku bunga. Kedua upaya tersebut membutuhkan biaya
yang tidak sedikit sehingga banyak mendapat kritikan. Namun dengan alasan yang
lebih jauh yaitu kestabilan sosial dan politik. Biaya tersebut tidak menjadi penghalang
bagi negara-negara tertentu untuk melakukannnya.
2.7.2. Manfaat Stabilisasi Harga Pangan
Menurut Timmer (1996) dan Dawe (1995) biaya yang dikeluarkan untuk
menstabilkan harga seharusnya tidak hanya dinilai dari segi untung/rugi sebuah
perusahaan, akan tetapi harus dilihat kaitannya dengan kestabilan ekonomi makro,
pertumbuhan ekonomi, investasi disektor beras, investasi di sektor terkait lainnya,
hankam, politik dan aspek sosial lainnya. Termasuk ketahanan pangan yang berkaitan
dengan kualitas sumberdaya manusia dan tercapainya pembangunan nasional.
Menurut Moelyono (2002), motif kebijakan stabilissi harga secara umum
adalah agar terpelihara kepastian kepada produsen, pedagang dan konsumen.
Kepastian ini melahirkan perasaan aman dan keyakinan, sehingga kalkulasi-kalkulasi
investasi dapat dilakukan dengan teratur, kalkulasi-kalkulasi pendapatan dapat
dilakukan tanpa meleset banyak dan kalkulasi-kalkulasi pengeluaran dapat dilakukan
dengan agak pasti. Dengan demikian stabilisasi mendorong efisiensi pada umumnya
dan efisiensi dalam pengambilan keputusan.
Menurut Amang dan Sawit (2001), ada tiga alasan perlunya dilakukan
stabilisasi harga pangan:

51
1. Ketidakstabilan harga pangan dapat mengurangi minat investasi pada tingkat
usahatani dari seharusnya, sebab petani tidak terangsang menggunakan teknologi
baru dan alat-alat pertanian.

Akibat selanjutnya menurunkan investasi pada

kegiatan pemasaran dan pengolahan.


2. Sektor industri amat berkepentingan atas stabilisasi harga pangan karena amat
terkait dengan upah tenaga kerja. Jika pangan cukup maka produktivitas tenaga
kerja tinggi sehingga berpengaruh positif terhadap tingkat efisiensi suatu
perusahaan. Stabilnya harga pangan akan mendorong investasi jangka panjang.
Selain itu stabilnya harga pangan terkait dengan stabilitas politik, sehingga
mendorong peningkatan investasi dan berpengaruh positif terhadap penyerapan
tenaga kerja dan pertumbuhan ekonomi.
3. Konsumen mengalami kerugian apabila harga pangan tidak stabil, terutama
kelompok pendapatan rendah, sebab mereka lebih peka terhadap perubahan harga
pangan. Jika ini terganggu akan mudah memicu berbagai kekerasan sosial yang
mengganggu stabilitas politik. Pengalaman selama ini (Malari 1975 dan Kirisis
Ekonomi 1978) cukup besar kerugian akibat dari kerusuhan yang ditimbulkan
oleh kekerasan sosial).
Dari sisi metodologis, menurut Sadoulet dan de Janvry (1995) analisis
keseimbangan parsial cenderung menekankan pengaruh negatif statis distorsi harga
dan mengabaikan pengaruh dinamis positif.

Sebenarnya ada beberapa pengaruh

positif dari kebijakan distorsi harga tersebut, seperti perubahan pendapatan dan biaya
yang menggeser kurva permintaan dan penawaran, interaksi antar pasar dengan
produk atau faktor yang saling bersubstitusi atau komplemen dalam produksi atau
konsumsi, pengaruh nilai tukar dan tabungan, investasi serta pengaruh penerimaan
publik, pendapatan pemerintah dari pajak yang digunakan untuk menurunkan biaya

52
transportasi, subsidi temporer untuk mendapatkan skala ekonomi dan redistribusi
pendapatan bagi penduduk miskin.
Analisis mengenai stabilisasi harga pangan jarang dianalisis secara
menyeluruh dalam suatu konteks ekonomi makro. Padahal cara ini sangat bermanfaat
dibanding dengan analisa parsial yang selama ini hanya ditujukan untuk menentang
argumen perlunya stabilisasi harga (Dawe 1995). Stabilisasi harga beras untuk
Indonesia oleh Dawe (1995) telah dibuktikan dapat menguntungkan tidak saja
produsen dan konsumen (manfaat ekonomi mikro) tapi juga manfaat ekonomi makro.
Secara teori, dampak keuntungan yang ditimbulkan dari suatu kebijakan
stabilisasi harga pangan dalam bentuk transfer (Tr) pemerintah. Hal itu diuraikan
pada persamaan berikut.
Pendapatan nasional didefinisikan sebagai berikut:

Y=C+I+G+X

(1)

Jika konsumsi, investasi dan ekspor bersih didefinisikan seperti persamaan (2), (3)
dan (4) maka persamaan (1) berubah menjadi persamaan (5).

C = C* + c Yd

(2)

I = I * ki

(3)

X = X * mY

(4)

Y = (C* + c Yd) + (I* - ki) + G* + (X* - m Y)

(5)

Jika disposible income Yd didefinisikan seperti persamaan (6) maka persamaan (5)
berubah menjadi persamaan (7)

Yd = Y (Tx * +tY Tr )

(6)

Y = [C* + c{Y (Tx* + tY Tr)}] + I* ki + G* + X* - mY

(7)

Y = C* + cY cTx* - ctY + cTr + I* - ki + G* + X* - mY


Y = C* + I* + G* + X* + Y(c ct m) + c(Tr Tx*) ki
Y Y(c ct - m) = C* + I* + G* + X* + c(Tr Tx*) ki

53

Y {1 (c ct m)} = C* + I* + G* + X* + c(Tr Tx*) ki


Y=

C * + I * +G * + X * + c(Tr Tx*) ki
{1 (c ct m)}

Y=

[(C * + I * +G * + X *) + c(Tr Tx*) ki]


(1 c + ct + m)

(8)

Dari persamaan (8) di atas diperoleh efek pengganda fiskal f sebesar :

f =

1
(1 c + ct + m)

(9)

Meningkatnya pembayaran transfer Tr akan meningkatkan pendapatan


nasional sebesar sebesar f. Angka efek pengganda fiskal tersebut untuk kelompok
berpendapatan rendah adalah tinggi karena rumah tangga miskin selalu dicirikan nilai
c yang tinggi dan nilai m yang rendah.

Dengan demikian ternyata kebijakan

stabilisasi dapat memberikan efek positif terhadap perekonomian nasional.


Dari uraian di atas dapat disimpulkan bahwa implementasi kebijakan harga
pangan membutuhkan biaya yang cukup besar. Secara teori, dengan analisis parsial
kebijakan tersebut memberikan kerugian sosial, namun dengan kondisi perekonomian
nasional yang sebagian masyarakatnya masih menghadapi masalah dengan daya beli
terhadap pangan, analisis secara makro menunjukkan bahwa kebijakan harga pangan
memberikan efek multiplier yang mampu memberikan pertumbuhan ekonomi. Hal
utama yang perlu dilakukan adalah meningkatkan kualitas dalam implementasi
kebijakan sehingga kebocoran yang tidak diinginkan dapat dihilangkan.

54

III. KERANGKA PEMIKIRAN

3.1.

Kerangka Teoritis

3.1.1. Konsep Kebijakan dan Proses Pembuatannya

Menurut Ramdan, et al. (2003), kebijakan adalah peraturan yang telah


dirumuskan dan disetujui untuk dilaksanakan guna mempengaruhi suatu keadaan,
baik besaran, maupun arahnya yang melingkupi keadaan kehidupan masyarakat
umum. Suatu kebijakan memiliki karakteristik sebagai berikut: (a) kebijakan tidak
eksis secara tunggal, tetapi ganda, (b) keberhasilan suatu kebijakan harus didukung
oleh sistem, buruknya sistem politik mempengaruhi keberhasilan kebijakan sehinga
perubahan kebijakan harus didukung oleh sistem yang baik, (c) kebijakan
mempengaruhi suatu keadaan cenderung tidak mungkin menjadi mungkin, dan (d)
kebijakan yang baik didukung oleh informasi yang lengkap dan akurat.
Kebijakan dapat dibedakan menjadi kebijakan publik dan kebijakan privat.
Kebijakan publik adalah tindakan kolektif yang diwujudkan melalui kewenangan
pemerintah yang legitimate untuk mendorong, menghambat, melarang atau mengatur
tindakan individu atau lembaga swasta, sedangkan kebijakan privat adalah tindakan
yang dilakukan oleh seorang atau lembaga swasta dan tidak bersifat memaksa kepada
orang atau lembaga lain (Simatupang, 2003).
Berdasarkan hal tersebut kebijakan harga pangan yang merupakan bagian
kebijakan pertanian termasuk dalam kebijakan publik dengan tujuan meningkatkan
kesejahteraan petani khususnya dan seluruh masyarakat Indonesia umumnya. Karena
pembangunan pertanian merupakan bagian integral dari pembangunan nasional, maka
perubahan di sektor pertanian akan mempengaruhi sektor non pertanian dan
sebaliknya.

Upaya-upaya untuk membangun sektor pertanian perlu dukungan

kebijakan di sektor non pertanian. Sebagai contoh, kebijakan harga dasar gabah akan

55
tidak efektif jika tidak diikuti oleh kebijakan tarif impor beras yang optimal dan
pengendalian penyelundupan beras.
Menurut Ramdan, et al. (2003), kebijakan dibuat untuk mengantisipasi
permasalahan yang ada di masyarakat. Karena itu kebijakan disusun dengan tujuan
untuk memecahkan masalah yang ada, didukung oleh seperangkat keputusan publik,
dibuat oleh sekelompok orang yang memiliki otoritas untuk membuat kebijakan,
sehingga kebijakan yang ditetapkan seharusnya merefleksikan pilihan-pilihan sosial.
Pembuatan kebijakan dilakukan melalui tahapan-tahapan: perumusan masalah,
penyusunan agenda, formulasi kebijakan, adopsi kebijakan, implementasi kebijakan
dan penilaian kebijakan.
Kebijakan pembangunan pertanian merupakan keputusan politik yang dibuat
pada arena pasar politik Para pembuat kebijakan selalu berusaha mempertahankan
kedudukannya dengan menawarkan kebijakan dalam rangka meraih dukungan politik
dari masyarakat. Sementara itu masyarakat melakukan pendekatan dan penekanan
agar para pengambil keputusan membuat kebijakan yang menguntungkan kepentingan
pribadi dan kelompok masing-masing.

Keseimbangan antara permintaan dan

penawaran terhadap kebijakan akan menentukan sosok kebijakan yang dibuat


(Simatupang, 2003).
Selanjutnya dikatakan, kebijakan publik merupakan salah satu instrumen
untuk meraih dan mempertahankan kekuasaan politik. Berbeda dengan paradigma
ekonomi positif yang menganggap bahwa kebijakan publik bersifat eksogen dibuat
bebas dari motif kepentingan pribadi/kelompok, paradigma ekonomi-politik
menganggap bahwa kebijakan bersifat endogen, ditentukan oleh motif meraih
kepentingan pribadi/kelompok.
Hasil simulasi Gylfason (1990) menunjukkan bahwa hasil pembuatan
kebijakan endogenus dapat memiliki perbedaan yang mendasar dengan kebijakan

56
yang bersifat eksogenus. Kebijakan endogenus hasilnya sangat dipengaruhi oleh tipe
pemerintahan, yaitu konservatif, liberal, atau netral. Untuk kasus kebijakan pertanian
di Indonesia dapat diartikan sebagai kemana keberpihakan pemerintah, apakah kepada
produsen, konsumen atau di antaranya.
Gambar 6 berikut mengilustrasikan proses terbentuknya suatu kebijakan
perdagangan internasional melalui suatu mekanisme pasar, dimana sumbu datar
menunjukkan tekanan pada resrtiksi dan sumbu tegak menunjukkan tarif sebagai
harga proteksi. Diasumsikan di dalam pasar melibatkan dua kepentingan golongan
masyarakat sebagai konsumen, yaitu kelompok yang menginginkan penurunan tarif
(liberalist) dengan kurva permintaan D1 dan kelompok yang menginginkan
peningkatan tarif (protecsionist) dengan kurva permintaan D2. Kedua kelompok
tersebut berhadapan dengan pemerintah sebagai pembuat kebijakan yang menawarkan
suatu kebijakan S.

S1

t2
t0
t1

S2

D2
D1

restriksi

Gambar 6. Proses Terbentuknya Suatu Kebijakan Melalui Pasar Politik


(Sumber: Mansfield dan Busch, 1995)

57
Seandainya pemerintah menawarkan suatu kebijakan S, maka tarif yang
dikenakan adalah t0. Dengan kebijakan tersebut kelompok anti-proteksi menginginkan
kurva penawaran bergeser dari S ke S1, atau jika tetap di S mereka menginginkan tarif
turun ke t1. Sebaliknya kelompok pro-proteksi menginginkan kurva penawaran
bergeser dari S ke S2, atau jika tetap di S mereka ingin tarif naik ke t2.
Setiap kelompok berupaya mencapai tujuannya melalui lobby, sehingga kurva
penawaran mengarah sesuai dengan yang diharapkan. Lobby dapat dilakukan saat
merumuskan suatu kebijakan dan/atau pada saat kebijakan tersebut sudah dihasilkan.
Arah kebijakan sangat ditentukan oleh keberpihakan pihak pengambil kebijakan. Hal
ini sangat berkaitan dengan kepentingan politik. Menurut Mansfield dan Busch
(1995), terdapat bukti bahwa pejabat publik berusaha untuk meningkatkan peluangnya
untuk dipilih kembali dengan mendukung proteksi selama periode fluktuasi ekonomi
makro (pengangguran dan nilai tukar) dan sektoral.
Karena itu, benar apa yang dikatakan De Janvry et al. (1991), suatu paket
kebijakan dapat diterapkan dan berkelanjutan hanya jika melalui uji kelayakan politis,
kelayakan efisiensi (pertumbuhan) dan kelayakan kesejahteraan yang sering kali
bersifat trade off. Untuk menurunkan trade off strategi yang harus dilakukan adalah:
(1) meningkatkan fleksibilitas ekonomi, (2) meningkatkan derajat otonomi, (3)
melakukan persuasi terhadap publik, dan (4) menggunakan skema kompensasi. Makin
layak suatu kebijakan maka efektivitas keberhasilannya diharapkan semakin tinggi.
Dari uraian di atas formulasi kebijakan dilakukan melalui berbagai proses dan
melibatkan berbagai pemangku kepentingan. Dilalui atau tidak dilalui semua tahapan
proses dengan melibatkan atau tidak melibatkan berbagai lapisan kepentingan sejak
dari formulasi kebijakan hingga implementasinya akan menentukan tingkat kelayakan
efisiensi, sosial dan politik suatu kebijakan yang selanjutkan akan menentukan
efektivitas suatu kebijakan.

58

3.1.2. Kebijakan Harga Pangan

Menurut Fogiel (1992), elastisitas permintaan suatu produk ditentukan oleh:


(1) keberadaan produk substitusi, makin banyak produk substitusinya makin elastis
permintaannya, (2) pendapatan yang digunakan terhadap suatu produk, makin besar
pendapatan yang digunakan untuk suatu produk makin elastis permintaan produk
tersebut, dan (3) tingkat kebutuhan terhadap suatu produk, makin tinggi tingkat
kebutuhan terhadap suatu produk makin tidak elastis permintaan produk tersebut.
Berdasarkan hal itu, produk pangan yang merupakan kebutuhan pokok
umumnya permintaannya tidak elastis jika dibandingkan produk non pangan. Sifat ini
yang melatar belakangi fluktuasi harga pangan dibanding produk non pangan
(Gambar 7). Kondisi awal produksi di Q* dan harga masing-masing komoditas di P*.
Jika terjadi perubahan produksi, misalkan Q* turun ke Q1, maka harga pangan
meningkat tajam dari P* ke P1p lebih tinggi dibandingkan harga non-pangan P1np.
Sebaliknya, jika produksi meningkat dari Q* ke Q2, maka harga pangan menurun
tajam dari P* ke P2p lebih rendah dibandingkan harga produk non-pangan P2np.
Harga

P1p
P1np
P*
P2np

Non-Pangan

P2p
Pangan

Q1

Q*

Q2

Gambar 7. Fluktuasi Harga Pangan dan Non Pangan Akibat Perubahan


Produksi (Sumber: Nicholson, 2000)

59
Sifat harga pangan yang demikian menyebabkan petani menerima harga
rendah saat panen raya dan sebaliknya pada saat produksi rendah. Dua keadaan
ekstrim ini dapat menimbulkan kerisauan bagi konsumen pada saat produksi rendah
dan bagi produsen pada saat panen raya, sehingga diperlukan peran pemerintah untuk
mengendalikan harga pangan ke arah yang lebih stabil dengan tujuan untuk
melindungi konsumen maupun produsen.
Menurut Ellis (1992), salah satu tujuan kebijakan harga pertanian adalah
menstabilkan harga pertanian agar mengurangi ketidakpastian usahatani, dan
menjamin harga pangan yang stabil bagi konsumen dan stabilitas harga di tingkat
makro. Selanjutnya dikatakan, kebijakan harga pertanian dapat dilakukan melalui
berbagai instrumen, yaitu kebijakan perdagangan, kebijakan nilai tukar, pajak dan
subsidi, dan intervensi langsung. Secara tidak langsung stabilisasi harga dapat juga
dilakukan melalui kebijakan pemasaran output dan kebijakan input.
Dari uraian di atas dapat disimpulkan bahwa dari aspek mikro kebijakan harga
pangan bertujuan menstabilkan harga pangan dan menstabilkan penerimaan petani.
Kedua tujuan tersebut diharapkan dapat meningkatkan aktivitas petani untuk tetap
berproduksi, sehingga ketersediaan pangan sebagai kebutuhan pokok menjadi stabil
dan berkelanjutan. Stabilnya harga pangan dan penerimaan petani akan meningkatkan
akses masyarakat terhadap produk pangan.
Dari aspek makro, dengan asumsi kontribusi pengeluaran pangan masih
signifikan terhadap pengeluaran total rumah tangga, fluktuasi harga pangan dapat
menyebabkan fluktuasi inflasi.

Jika ini terjadi stabilitas ekonomi makro akan

terpengaruh yang menyebabkan meningkatnya ketidakpastian untuk berusaha.


Adanya kebijakan harga pangan diharapkan dapat menghindari fluktuasi harga
pangan dan selanjutnya meredam instabilitas ekonomi makro yang mungkin terjadi.

60

3.1.3. Keterkaitan Pangsa Pengeluaran Pangan dan Ketahanan Pangan

Untuk komoditas pangan, peningkatan pendapatan tidak diikuti dengan


peningkatan permintaan yang progresif. Berdasarkan hal tersebut dan dengan asumsi
harga pangan yang dibayar rumah tangga adalah sama, maka menurut Hukum Engel
pangsa pengeluaran pangan terhadap pengeluaran rumah tangga akan semakin
berkurang dengan meningkatnya pendapatan (Deaton dan Muellbauer, 1980).
Hukum tersebut dapat dijelaskan berdasarkan Kurva Engel pada Gambar 8.
Dengan asumsi harga barang tetap, peningkatan kesejahteraan penduduk yang
ditunjukkan oleh garis anggaran dan kurva indeferen yang bergeser ke kanan atas
akan meningkatkan konsumsi barang dengan proporsi yang semakin berkurang untuk
kasus barang normal (Q1) dan proporsi yang semakin meningkat untuk kasus barang
mewah (Q2). Karena harga barang diasumsikan tetap maka pangsa pengeluaran untuk
belanja pangan yang merupakan barang normal akan semakin berkurang.

Q2
BL3
KI3
BL2
KI2

BL1

KI1

Q1

Gambar 8. Hubungan Pendapatan dan Permintaan terhadap Barang dengan


Asumsi Harga Barang Tetap, Kasus Barang Normal (Q1) dan
Barang Mewah (Q2) (Sumber: Varian, 1992)

61
Meningkatnya kesejahteraan akan meningkatkan konsumsi pangan individu
karena daya beli terhadap pangan makin meningkat. Dengan kata lain menurunnya
pangsa pengeluaran pangan akan meningkatkan ketahanan pangan.

Dalam teori

kesejahteraan, kurva indeferen individu dapat diangkat menjadi kurva indeferen


masyarakat, sehingga jika kesejahteraan individu meningkat maka kesejahteraan
masyarakat (lokal, regional dan nasional) juga akan meningkat. Dengan demikian ada
hubungan antara pangsa pengeluaran pangan dan ketahanan pangan.
3.1.4. Keterkaitan Kebijakan Harga Pangan dan Ketahanan Pangan

Dengan menggunakan pendekatan garis anggaran dan kurva indeferens


(Deaton dan Muellbauer, 1980), dapat dijelaskan keterkaitan antara kebijakan harga
pangan dengan tingkat pendapatan dan konsumsi pangan yang mengindikasikan
ketahanan pangan.

Untuk menyederhanakan analisis, beberapa asumsi yang

digunakan adalah: (1) hanya ada dua komoditas yang dikonsumsi yaitu kelompok
pangan dan non pangan, (2) makin ke kanan kurva indeferens menunjukkan
konsumen semakin sejahtera, (3) pangan merupakan barang normal, (4) harga barang
non pangan tetap, dan (5) konsumen dibatasi oleh pendapatan m dan bisa memilih
bundel komoditas pangan X dan komoditas non pangan Y sehingga persamaan garis
anggarannya adalah:
m = Px X + Py Y

(10)

atau dalam bentuk persamaan garis anggaran sebagai berikut:


Y=

dimana

m Px

X
Py Py

(11)

m
Px
adalah intersep dan
adalah koefisien kemiringan.
Py
Py
Dampak kebijakan harga pangan bagi produsen (net consumer) dapat melalui

dua jalur. Pertama melalui jalur produksi, subsidi input menyebabkan penggunaan

62
teknologi meningkat sehingga produksi menjadi meningkat. Peningkatan produksi
dengan biaya yang disubsidi dan harga output yang stabil menyebabkan pendapatan
petani meningkat sebesar k.

Peningkatan pendapatan ini menggeser garis anggaran

ke kanan dari BL1 ke BL2 (Gambar 9), akibat perubahan pendapatan dari m menjadi
m+k, sehingga persamaan (10) menjadi :
m + k = Px X + Py Y

(12)

Y
BL3
BL2
KI3
KI1

BL1

X1

X2

KI2

X3

Gambar 9. Dampak Peningkatan Pendapatan dan Penurunan Harga Pangan


terhadap Kesejahteraan dan Konsumsi Pangan
Kedua melalui jalur konsumsi, karena sebagian besar produsen pangan adalah
net cunsumer maka petani akan menerima juga dampak adanya operasi pasar yang
menyebabkan mereka membeli pangan dengan harga murah. Adanya subsidi pangan
(quantity subsidy) sebesar s menyebabkan harga pangan Px menjadi lebih murah, efek
totalnya (efek substitusi dan efek pendapatan) menyebabkan garis anggaran BL2
berotasi menjadi BL3. Secara matematika persamaan (12) berubah menjadi:

m + k = ( Px s) X + Py Y

(13)

63

sehinga garis anggaran BL2 dengan koefisien kemiringan

kecil yaitu

Px
berubah menjadi lebih
Py

Px s
dari persamaan BL3 setelah ada subsidi, sebagai berikut.
Py

Y=

m + k Px s

X
Py
Py

(14)

Kepuasan maksimun yang diperoleh petani sebagai konsumen tercapai saat


persinggungan garis anggaran dengan kurva indeferens. Dengan bergesernya garis
anggaran ke kanan sekaligus juga menggeser kurva indeferens ke kanan dari KI1 ke
KI2 ke KI3.

Pergeseran ini mengindikasikan makin meningkatnya kesejahteraan

petani dan makin meningkatnya konsumsi pangan, sehingga mengindikasikan makin


meningkatnya tingkat ketahanan pangan petani.
melalui jalur konsumsi.

Dampak bagi konsumen hanya

Dengan menggunakan bagian Gambar 9 dan asumsi

pendapatan nominal tetap, hanya terjadi efek rotasi garis anggaran yang menyebabkan
meningkatnya konsumsi pangan, sehingga meningkatkan ketahanan pangan
masyarakat.
Beberapa kebijakan yang berdampak positif terhadap ketahanan pangan (Von
Braun et al. 1992 dalam: Saliem et al., 2003) adalah: (1) kebijakan yang mempunyai
dampak positif tinggi dalam jangka pendek adalah subsidi input, peningkatan harga
output dan perdagangan pangan termasuk intervensi distribusi, (2) pilihan kebijakan
yang mempunyai dampak positif tinggi dalam jangka panjang adalah perubahan
teknologi, ekstensifikasi, jaring pengaman ketahanan pangan, investasi infrastrukur,
kebijakan makro, pendidikan dan kesehatan, dan (3) kebijakan pembangunan sektor
non pertanian memberikan dampak positif medium, kebijakan diversifikasi pertanian
dan pekerjaan umum memberikan dampak positif yang rendah pada produksi pangan
dalam jangka panjang.

64
Berdasarkan gambaran di atas maka peranan pertanian terhadap ketahanan
pangan merupakan keniscayaan.

Peran tersebut dapat berupa upaya peningkatan

produksi maupun kebijakan yang mendukung.

Dari sisi produksi, menurut

Sudaryanto dan Syafaat (2002), sasaran Program Peningkatan Ketahanan Pangan


adalah: (1) meningkatnya produksi beras secara berkelanjutan untuk memantapkan
ketahanan pangan nasional, (2) meningkatnya produksi pangan sumber karbohidrat
non beras yang berakar pada sumberdaya dan budaya lokal, (3) meningkatnya
produksi pangan sumber protein untuk memenuhi kebutuhan gizi masyarakat, dan (4)
meningkatnya keanekaragaman dan kualitas konsumsi pangan dan menurunnya
konsumsi beras per kapita.

Dari sisi kebijakan, sebagai pendukung kebijakan

ketahanan pangan ditujukan untuk meningkatkan produksi pangan dalam negeri


melalui serangkaian kebijakan perdagangan (tarif) yang rasional, kebijakan fiskal
berupa pajak ekspor dan impor yang fleksibel dan bentuk-bentuk insentif nonmonetary berupa penyediaan teknologi, dan penganekaragaman produksi dan
konsumsi (Sudaryanto dan Syafaat, 2002),.
Uraian di atas menunjukkan bahwa masalah ketahanan pangan bukan hanya
berkaitan dengan sektor pertanian dan pangan yang berkaitan dengan peningkatan
produksi, tetapi juga mencakup masalah pertumbuhan daya beli masyarakat. Selain
itu perlu juga didukung oleh pembangunan infrastruktur pertanian, teknologi
pertanian, kebijakan makro, kebijakan pendidikan dan kesehatan masyarakat.
3.1.5. Keterkaitan Kebijakan Harga Pangan dan Indikator Ekonomi Makro

Variabel ekonomi makro yang menjadi isu utama adalah pertumbuhan output,
laju inflasi, pengangguran dan neraca pembayaran (Stiglitz, 1997; Dornbusch, Fisher
dan Startz, 1998). Variabel ekonomi makro tersebut saling terkait melalui pasar

65
barang, pasar uang, pasar tenaga kerja dan pasar saham yang membentuk
keseimbangan internal (macro equilibrium) dan keseimbangan eksternal.
Beberapa studi menunjukkan bahwa di Indonesia sebagian besar pendapatan
masih digunakan untuk pangan, sehingga pengaruh perubahan harga pangan terhadap
inflasi diduga cukup besar. Indikator ekonomi makro yang terkait langsung dengan
kebijakan harga pangan adalah inflasi. Secara mikro inflasi dipengaruhi harga-harga
komoditas. Tingkat inflasi akan mempengaruhi keseimbangan di pasar uang, pasar
tenaga kerja, pasar barang, dan daya saing produk di pasar internasional yang
akhirnya akan mempengaruhi keseimbangan makro.
Hubungannnya

dengan

keseimbangan

eksternal,

sukubunga

akan

mempengaruhi net capital inflow dan tingkat harga umum serta nilai tukar akan
mempengaruhi balance of trade, dimana keduanya mempengaruhi BOP dengan
formulasi sebagai berikut:
BOP = (X - M) + (CI CO)

(15)

BOP = [X(P, E) M(P,Y,E)] NCI(i i*)

(16)

dimana:
CI = Capital inflow;
E = Nilai tukar ;
X = Ekspor;

CO = Captal outflow
P = Tingkat harga umum
M = Impor

Y = Pendapatan domestik;
i = Suku bunga domestik;

NCI = Net capital inflow


i* = Suku bunga foreign

Perubahan BOP akan mempengaruhi penawaran dolar di pasar valuta asing


domestik. Pada kondisi surplus menyebabkan peningkatan penawaran dolar yang
menyebabkan apresiasi rupiah terhadap dolar AS, sebaliknya pada kondisi defisit.
Jika terjadi kegagalan panen pada suatu negara dimana kontribusi pengeluaran
pangan masyarakatnya lebih tinggi dari pengeluaran non pangan, akan memberikan
efek pada ekonomi makro. Menurut Dawe (2002) pengaruh gangguan panen pada

66
variabel ekonomi makro dapat terjadi pada tiga kondisi, yaitu: (1) tidak ada intervensi
pemerintah dan ekonomi tertutup; (2) ada intervensi pemerintah berupa kebijakan
buffer stock dan perekonomian tertutup dan (3) pada perekonomian terbuka. Berikut
akan diuraikan transmisi gangguan panen pada berbagai kondisi tersebut terhadap
keseimbangan ekonomi makro.
a. Tanpa Intervensi Pemerintah

Jika harga pangan utama berubah akibat hasil panen yang baik atau buruk,
pengeluaran untuk pangan utama juga akan berubah sepanjang elastisitas harga tidak
elastis. Jika terjadi gagal panen, harga pangan cenderung akan meningkat. Akibatnya
pengeluaran untuk pangan juga meningkat, sehingga jumlah uang untuk pembelanjaan
non pangan berkurang dan menggeser kurva permintaan non pangan. Sebaliknya, jika
pengeluaran untuk pangan menurun karena penen berhasil.
Dengan mengasumsikan hanya terdapat dua sektor dalam ekonomi, pangan
dan non pangan, jika terjadi kegagalan panen, harga pangan akan meningkat dari P0P
dan P1P. Ini berimplikasi pengeluaran untuk pangan meningkat dan akan berimbas ke
sektor non pangan berupa penurunan harga dan inflasi akan meningkat (Gambar 10).
Sebaliknya, jika ada kenaikan produksi pangan. Dengan demikian, fluktuasi panen
akan menyebabkan instabilitas, baik bagi konsumen beras dan petani padi maupun
produsen manufaktur.
Jika konsumen mempunyai akses ke bank maka kelebihan uang saat harga
pangan rendah akan ditabung ke bank untuk membeli ketika harga pangan tinggi.
Jika demikian konsumsi barang manufaktur akan kurang dipengaruhi oleh fluktuasi
panen.

Jumlah tabungan akan mempengaruhi tingkat suku bunga bank. Terjadi

sebaliknya jika panen mengalami kegagalan. Perubahan suku bunga akan


mempengaruhi produsen pada sektor manufaktur. Pengaruh tersebut dapat

67
dihilangkan jika bank memiliki akses dengan level biaya transaksi lebih rendah pada
pasar modal internasional yang stabil. Namun demikian, pasar modal internasional
tidak selalu stabil.

S 1P

S0 P

S0NP

PP

PNP

P 1P
P0NP
P 0P

P1NP
D0 P

Q 1P

Q0 P

QP

D1NP D0NP

Q1NP Q0NP

QNP

Gambar 10. Pengaruh Gagal Panen terhadap Harga Pangan dan Harga Non
Pangan (Sumber: Dawe, 2002)
Jika petani tidak akses ke bank, mereka mungkin akan menanam berbagai
jenis tanaman untuk meminimalkan dampak dari kemungkinan cuaca buruk. Strategi
ini akan meningkatkan kesejahteraan petani, tetapi menurunkan output rata-rata
dengan mengurangi gain untuk melakukan spesialisasi. Bentuk lainnya adalah
konsumen akan menyimpan uang atau emas untuk menghindari pengaruh
ketidakstabilan harga. Akibatnya investasi produktif dalam ekonomi akan menderita.
Bagaimana keterkaitan dampak kegagalan panen tanpa intervensi pemerintah
terhadap variabel ekonomi makro melalui variabel inflasi dapat dilihat pada Gambar
11 dan Gambar 12. Jika cuaca buruk menyebabkan produksi pertanian menurun,
sehingga kurva produksi agregat (Gambar 11a) bergeser ke bawah dari KP0 (N; Ko;
Co) ke KP1 (N; Ko; C1). Pada kondisi tenaga kerja dan kapital tertentu, produksi
turun dari Y0 ke Y1. Dengan asumsi produk marginal tenaga kerja (MPL) menurun,

68
maka di pasar tenaga kerja permintaan terhadap tenaga kerja menurun sehingga kurva
permintaan tenaga kerja (Gambar 11b) bergeser dari WD0 [P0.f0 (N)] menjadi WD1
[P0.f1 (N)]. Akibatnya N menurun dari N0 ke N2 dan menyebabkan Y turun bergerak
sepanjang KP1 dari Y1 ke Y2.

Pada harga P0 penurunan output dari Y0 ke Y2

menyebabkan kurva AS bergeser ke kiri atas dari AS0 ke AS1 (Gambar 12c).
Akibatnya terjadi excess demand yang menyebabkan kenaikan harga dari P0 ke P3.
Pada model Keynessian informasi yang diterima pekerja tidak sempurna
(p<1)- kenaikan harga tersebut direspon oleh pengusaha dengan meningkatkan
permintaan tenaga kerja sehingga kurva WD1 bergeser ke kanan atas menjadi WD2
[P3.f1(N)]. Pada sisi lain pekerja juga merespon dengan menurunkan penawaran
tenaga kerja sehingga kurva WS bergeser ke kiri atas dari WS0 [P0e.g(N)] ke WS1
[P3e.g(N)]. Akan tetapi pergeseran WS lebih kecil daripada pergeseran WD, sehingga
N naik kembali dari N2 ke N3. Akibatnya Y naik kembali sepanjang kurva produksi
yang baru (KP1) dari Y2 ke Y3 dan hal yang sama terjadi pada kurva AS bergerak
sepanjang kurva dari Y2 ke Y3.
Di pasar uang, kenaikan harga dari P0 ke P3 menyebabkan kurva penawaran
uang (Gambar 12a) bergeser ke kiri atas dari MS0/P0 ke MS0/P3 yang menyebabkan
LM juga bergeser ke kiri atas dari LM0 ke LM2 (Gambar 12b) sehingga suku bunga
naik dari r0 ke r2. Kenaikan r menyebabkan investasi menurun bergerak sepanjang
kurva IS0, sehingga output turun dari Y0 ke Y3.
Secara keseluruhan keseimbangan makro baru terjadi pada tingkat output Y3
(turun dari Y0 ke Y3), harga P3 (naik dari P0 ke P3), suku bunga r2 (naik dari r0 ke r2)
dan tenaga kerja N3 (turun dari N0 ke N3). Atau dengan perkataan lain kegagalan
panen tanpa intervensi pemeritah pada perekonomian tertutup menyebabkan stagflasi
yang diikuti dengan meningkatnya suku bunga.

69
Pengaruh terhadap tenaga kerja bisa berbeda, tercipta lapangan kerja, yaitu
lebih besar dari N0. Ini terjadi jika kurva AD sangat tegak, sehingga kenaikan harga
dari P0 ke P3 cukup besar menyebabkan permintaan tenaga kerja meningkat tajam
hinga melebihi N0 (WD2 bergerak ke kanan WD0 pada Gambar 11b).

Namun

demikian Y tetap di bawah Y0, karena penurunan kurva produksi dari KP0 ke KP1.

Y
KP0

Y0
Y1

KP1

Y3
Y2

0
(a)

N 2 N 3 N0

W
WS1

WS0

W0
W1
WD2 WD0
WD1
0
(b)

N 2 N3 N 0

Gambar 11 Dampak Kegagalan Panen terhadap Keseimbangan Pasar


Tenaga Kerja pada Perekonomian Tertutup
(Sumber: Branson, 1979)

70

MS0/P3
MS0/P0

LM2
LM0

r2
r0

r2
r0

IS0

MD0
L2 L1

(a)

Y 2 Y3

Y0

(b)

AS1

AS0

P3
P0
AD0
0
(c)

Y2 Y3 Y0

Gambar 12. Dampak Kegagalan Panen terhadap Keseimbangan Makro pada


Perekonomian Tertutup (Sumber: Branson, 1979)

71

b. Fungsi dari Buffer Stock

Dalam kasus gangguan suplai positif, kurva suplai beras bergeser ke kanan
dari S0 ke S1, sehingga terjadi ekses suplai Q0Q2. Agar tidak terjadi penurunan harga
dari P0 ke P1 dan untuk cadangaan, ekses tersebut perlu dikumpulkan sehingga kurva
permintaan begeser ke kanan dari D0 ke D1 dengan harga tetap di P0 (Gambar 13).
P
S0

S1

P0

P1

D0

Q0

Q1

D1

Q2

Gambar 13. Kebijakan Stok Pangan saat Produksi Melimpah


Pengumpulan bahan pangan tersebut membutuhkan dana. Di Indonesia
digunakan dana Bank Indonesia (BI). Ada dua kebijakan berbeda yang mungkin
dijalankan terhadap uang yang digunakan untuk menahan dan/atau mendistribusikan
suplai pangan. Kemungkinan pertama, tidak ada sterilisasi. Pembelian excess
supply menggunakan dana BI akan meningkatkan suplai uang dan level harga agregat
Kemungkinan kedua, BI melakukan sterilisasi ,dengan menjual Sertifikat
Bank Indonesia, terhadap perubahan pada suplai uang yang digunakan untuk
mengumpulkan dan/atau mendistribusikan suplai beras. Jika ini dilakukan
berdasarkan satu untuk satu, hasilnya adalah sterilisasi sempurna. Dalam skenario ini,
surplus panen tidak menyebabkan peningkatan suplai uang dan level harga agregat.

72
Pada kondisi pemerintah melakukan intervensi tanpa sterilisasi dan ekonomi
dalam keadaan tertutup, ganguan panen secara langsung dapat mempengaruhi
penawaran uang. Karena pemerintah melakukan intervensi membeli kelebihan suplai
beras domestik untuk cadangan menggunakan dana KLBI. Ini berarti BI menambah
penawaran uang ke pasar dan akan mempengaruhi keseimbangan di pasar uang.
Meningkatnya penawaran uang pada tingkat harga tetap, akan menyebabkan
kurva penawaran MS/P bergeser ke kanan dari MS0/P0 ke MS1/P0 (Gambar 14a).
Pada tingkat harga yang sama akan menyebabkan ekses penawaran uang. Kelebihan
uang ini akan meningkatkan permintaan terhadap Bond. Pada penawaran Bond tetap
maka harga Bond meningkat. Untuk memperoleh imbal hasil yang sama maka suku
bunga Bond harus menurun.
Begesernya MS/P ke kanan yang diikuti dengan menurunnya r dari r0 ke r1
menyebabkan kurva LM juga bergeser ke kanan dari LM0 ke LM1 dan investasi
meningkat melalui pergerakan sepanjang kurva IS0 sehingga output meningkat dari Y0
ke Y1 (Gambar 14b). Kenaikan output pada harga tetap di P0 menyebabkan kurva AD
bergeser ke kanan dari AD0 ke AD1 yang menyebabkan ekses permintaan. Ekses
permintaan ini meningkatkan harga dari P0 ke P1 (Gambar 14c). Kenaikan P dari P0
ke P1 menggeser keseimbangan di pasar uang sehingga MS1/P0 bergeser ke kiri atas
menjadi MS1/P1. Hal ini menyebabkan kurva LM1 bergeser ke kiri atas menjadi LM2.
Pergeseran ini menaikkan suku bunga yang menyebabkan investasi berkurang,
sehingga output turun dari Y1 ke Y2 dan terjadi keseimbangan.
Di pasar tenaga kerja, kenaikan harga dari P0 ke P1 menyebabkan pengusaha
meningkatkan produksi sehingga butuh tenaga kerja lebih banyak yang ditunjukkan
oleh bergesernya

kurva WD ke kanan atas dari WD0 ke WD1.

Dengan

menggunakan asumsi Keynessian (p<1), peningkatan permintaan tenaga kerja tersebut


direspon oleh tenaga kerja dengan menawarkan tenaga kerja lebih rendah yang

73
ditunjukkan oleh bergesernya kurwa WS ke kiri atas, namun pergeserannya lebih
kecil dari pergeseran WD (Gambar 15b). Keseimbangan makro baru terjadi pada
tingkat output Y2, harga P1, suku bunga r2 dan tenaga kerja N2. Intervensi pemeritah
dengan adanya kelebihan produksi tanpa sterilisasi pada perekonomian tertutup
menyebabkan pertumbuhan ekonomi yang diikuti oleh meningkatnya inflasi,
penurunan suku bunga, dan meningkatnya kesempatan kerja.

MS0/P0

MS1/P1
MS1/P0 r

r0

r0

r2
r1

r2
r1

LM0
LM2
LM1

MD0
0

(a)

L0 L2 L1

IS0
0

(b)

Y0 Y2 Y1

AS0

P1
P0

AD1
AD0

Y0

Y2

Y1

(c)
Gambar 14. Dampak Kebijakan Buffer Stock terhadap Keseimbangan Makro
pada Perekonomian Tertutup

74

Y
Y2
Y0

KP0

N0

(a)

N2

WS1

WS0

W2

W0
WD0

0
(b)

N0

N2

WD1

Gambar 15. Dampak Kebijakan Buffer Stock terhadap Keseimbangan Pasar


Tenaga Kerja pada Perekonomian Tertutup

75

c. Stabilisasi Harga Pangan pada Ekonomi Terbuka

Jika pasar pangan internasional besar dan stabil, setiap perubahan pada
produksi domestik dapat dikompensasi ke dalam pasar internasional, sehingga pasar
domestik akan secara otomatis terstabilisasikan. Argumen ini sangat logis tetapi
asumsi yang mendasari logika ini tidak benar.

Dalam hal padi/beras, pasar

internasional yang besar dan stabil tidak ada (Gambar 16).

S0

S1

S1

S0

P0
P1

D1

D0
0

(a)
(b)
Gambar 16. Hubungan Gangguan Produksi Pangan Domestik dengan Pasar
Internasional
Jika terjadi gangguan suplai positif (Gambar 16a) kurva penawaran bergeser
ke kanan dari S0 ke S1, sehingga terjadi kelebihan suplai. Jika kelebihan suplai
tersebut diekspor kurva suplai S1 kembali lagi ke S0. Demikian juga jika terjadi
gangguan negatif (Gambar 16b) kurva penawaran akan bergeser ke kiri dari S0 ke S1,
sehingga terjadi kekurangan suplai. Jika kekurangan suplai tersebut dipenuhi dari
impor, maka kurva penawaran S1 kembali lagi ke S0 .

Kedua upaya tersebut

menyebabkan harga akan menjadi stabil.


Namun dalam prakteknya, struktur pasar beras dunia sangat berbeda dengan
struktur pasar pangan lainnya. Bentuk yang paling membedakan adalah sangat kecil
produksi beras dunia yang masuk ke dalam pasar internasional (thin market).

76
Menurut Amang dan Sawit (2001) beras yang dipasarkan di pasar dunia hanya 4-7
persen dari total produksi beras dunia yaitu sebesar 15 juta ton. Jika Indonesia
menggantungkan impor 10 persen saja dari kebutuhan domestik atau tiga juta ton,
berarti akan menyerap 20 persen dari volume beras dunia yang diperdagangkan.
Volume beras yang diperdagangkan tersebut dikuasai oleh enam negara
eskportir penting yaitu Thailand, Vietnam, Cina, AS, Pakistan dan India. Selain itu,
permintaan dan penawaran pasar beras internasional adalah tidak elastis merespon
perubahan harga.

Karena produsen di Asia memberikan prioritas tinggi pada

stabilitas suplai domestik, termasuk mengadakan stok untuk cadangan. Jika demikian,
negara importir yang kekurangan pangan tidak mudah mendapatkan beras dari pasar
dunia, karena produsen mengutamakan untuk stok dan akan megekspor cadangan
berasnya jika memiliki produksi baru, sehingga jumlahnya terbatas dan harganya
relatif lebih mahal.
Bentuk pasar beras internasional yang kecil dan penawaran serta permintaan
yang tidak elastis menyebabkan harga menjadi tidak stabil. Menurut Amang dan
Sawit (2001), selama periode 1965-1995, koefisien variasi harga beras di pasar dunia
adalah 33 persen dibandingkan koefisien variasi harga beras di pasar domestik hanya
delapan persen. Artinya harga beras domestik empat kali lebih stabil dibandingkan
harga beras di pasar dunia. Dengan demikian, harga beras domestik akan sangat tidak
stabil jika pemerintah mengijinkan perdagangan bebas tanpa batasan untuk beras.
Ketidakstabilan harga beras akan diterjemahkan menjadi ketidakstabilan untuk
komoditas non pangan yang akan memberikan pengaruh pada investasi dan
pertumbuhan ekonomi. Dengan demikian pengendalian penawaran domestik dalam
bentuk stok penyangga, pengendalian impor dan peningkatan teknologi diperlukan
untuk mencegah ketidakstabilan harga beras domestik.

77
Dari uraian di atas dapat dilihat bahwa gangguan panen atau panen raya dapat
mempengaruhi kondisi ekonomi makro melalui berbagai jalur, di antaranya melalui
inflasi, suku bunga bank, pertumbuhan ekonomi, investasi, kurva produksi agregat,
dan penawaran uang. Untuk mengantisipasi dampak gangguan panen atau panen raya
terhadap stabilitas ekonomi makro pemerintah melakukan kebijakan harga pangan.
Tujuan utama kebijakan harga pangan adalah untuk meningkatkan ketersedian
dan konsumsi pangan yang berkaitan dengan aspek ketahanan pangan. Kebijakan
harga pangan juga diharapkan mampu meredam instabilitas ekonomi makro akibat
adanya gangguan panen atau panen raya. Namun demikian kebijakan harga pangan
yang menggunakan dana Kredit Likuiditas Bank Indonesia (KLBI) dan APBN yang
tidak terkendali juga dapat menyebabkan instabilitas ekonomi. Karena KLBI yang
bersumber dari Bank Indonesia merupakan dana segar sehingga jika dana kebijakan
harga pangan dari KLBI meningkat berarti penawaran uang meningkat. Demikian
juga peningakatan dana APBN akan meningkatkan permintaan agregat. Peningkatan
penawaran uang dan permintaan agregat akibat dari kebijakan harga pangan akan
memicu terjadinya inflasi. Dengan menggunakan model VECM penelitian ini akan
melihat bagaimana dampak dan pengaruh kebijakan harga pangan terhadap stabilitas
ekonomi makro.
3.2.

Kerangka Konseptual

3.2.1. Bentuk Kebijakan Harga Pangan

Kenaikan harga merupakan kondisi yang relatif disukai produsen dan akan
mendorong produsen untuk berproduksi. Namun, jika peningkatan produksi tidak
diikuti dengan kenaikan daya beli konsumen akan menjadi sia-sia.

Sebaliknya

penurunan harga relatif disukai konsumen dan akan meningkatkan daya beli. Akan
tetapi peningkatan daya beli tidak ada gunanya jika tidak diikuti peningkatan

78
produksi. Keadaan yang dinginkan adalah terjadi pertumbuhan output dengan tingkat
inflasi yang moderat terkendali dan terjaminnya ketahanan pangan.

Inflasi yang

fluktuatif, walaupun diikuti dengan pertumbuhan output yang tinggi kurang disukai,
karena menyebabkan ketidakpastian ekonomi, sosial, dan politik.

Berdasarkan

pemikiran tersebut maka stabilisasi harga merupakan suatu opsi kebijakan yang
banyak mendapat perhatian.
Berdasarkan penyebabnya, kebijakan stabilisasi harga atau stabilisasi harga
dapat dilakukan dengan melakukan kebijakan harga pangan, yaitu kebijakan harga
dasar (floor price) dan kebijakan harga tertinggi (ceiling price).

Kebijakan ini

menyebabkan ketidakseimbangan pasar, sehingga diperlukan kebijakan pendukung


yaitu melakukan stok atau ekspor saat kebijakan harga dasar ditetapkan dan
melakukan operasi pasar saat kebijakan harga atap ditetapkan (Sugiarto et al. 2002).
Menurut Ellis (1992), kebijakan harga yang merupakan upaya untuk
menstabilkan harga pertanian, khususnya beras, dapat dilakukan melalui berbagai
instrumen, yaitu kebijakan perdagangan, kebijakan nilai tukar, pajak dan subsidi, dan
intervensi langsung. Selain melalui kebijakan harga, secara tidak langsung stabilisasi
harga dapat juga dilakukan melalui kebijakan pemasaran output dan kebijakan input
(Ellis, 1992). Kebijakan input antara lain berupa subsidi harga sarana produksi yang
diberlakukan Pemerintah terhadap pupuk, benih, pestisida dan kredit.
Di Indonesia, pupuk sebagai input usahatani padi dan tanaman pangan lain
mendapat subsidi terbesar, dengan argumen pemberian subsidi pupuk adalah untuk:
(1) merangsang penggunaan pupuk oleh petani sebagai bagian dari penerapan
teknologi pertanian dan peningkatan produksi pangan, (2) menstabilkan harga di
tingkat petani, dan (3) lebih mengefisienkan transfer sumberdaya dari Pemerintah ke
petani guna membantu pembangunan di pedesaan (Rusastra, et al. 2002).

79
Dari berbagai bentuk kebijakan yang ada, konsep kebijakann harga yang
digunakan dalam penelitian ini adalah: (1) kebijakan harga input yang terdiri dari
subsidi harga input dan subsidi kredit pengadaan input, (2) kebijakan harga output
yang terdiri dari subsidi pengadaan pangan dan subsidi kredit pengadaan pangan, dan
(3) kebijakan harga input-ouput yang merupakan gabungan dua kebijakan
sebelumnya. Ukuran yang digunakan adalah jumlah dana (milyar rupiah)

yang

digunakan pemerintah untuk melaksanakan kebijakan tersebut


Sebenarnya kebijakan perdagangan juga termasuk kebijakan harga. Namun
dalam studi ini tidak dianalisis, karena dalam kebijakan pengadaan dan penyaluran
pangan sudah termasuk dalam kebijakan harga output.

Dengan demikian kalau

kebijakan perdagangan dimasukkan dengan menilai volume impor pangan, diduga


akan terjadi perhitungan ganda.
3.2.2. Konsep dan Status Pangan

Pangan merupakan kebutuhan dasar manusia.

Penggunaan pangan tidak

hanya sebagai pemberi zat gizi, tetapi juga berkaitan dengan aspek sosial, ekonomi
dan politik (Buckle, et al. 1987). Karena pentingnya posisi pangan dalam masyarakat,
maka diperlukan peraturan dan perundang-undangan tentang pangan.
Undang-Undang yang mengatur tentang pangan adalah UU No.7 tahun 1996
Pemerintah Republik Indonesia (1996). Menurut UU tersebut pangan adalah segala
sesuatu yang berasal dari sumber hayati dan air, baik yang diolah maupun tidak
diolah, yang diperuntukkan sebagai makanan atau minuman bagi konsumsi manusia,
termasuk bahan tambahan pangan, bahan baku pangan, dan bahan lain yang
digunakan dalam proses penyiapan, pengolahan, dan atau pembuatan makanan atau
minuman. UU No.7/1996 belum menyebutkan status pangan, akan tetapi dalam PP
No.68/2002 ada disebut status pangan tertentu yang bersifat pokok, misalnya beras.

80
Dalam kasus pangan pokok, peran pemerintah melebihi peran terhadap pangan lain,
yaitu mewujudkan cadangan pangan dan melakukan pengendalian harga.
Dari aspek gizi, Hariyadi et al. (2003) mendefinisikan pangan pokok adalah
pangan yang dikonsumsi sebagai sumber karbohidrat/kalori, yang meliputi serealia
(beras, jagung jali, sorgum dan sebagainya) umbi-umbian (singkong, ubijalar, talas,
kentang, uwi, garut dan sebagainya) dan tanaman pohon (sagu, sukun, pisang dan
sebagainya). Namun demikian sampai saat ini kebijakan pangan nasional masih
bertumpu pada beras.
Kenapa ketahanan pangan selalu dikaitkan dengan komoditas beras.
Beberapa hal yang menyebabkan hal tersebut adalah (Amang dan Sawit, 2001) :
1. Beras merupakan pangan pokok utama dengan tingkat partisipasi konsumsi yang
paling tinggi dibandingkan bahan pangan lain.
2. Kebijakan diversifikasi pangan dalam upaya memperbaiki mutu gizi masyarakat
sudah ditetapkan sejak tahun 1974 dan disempurnakan dengan Inpres No.20/1979,
namun hingga kini hasilnya belum efektif.
3. Secara fisik pangan non beras tidak siap untuk dikonsumsi secara langsung.
Masih diperlukan industri pengolahan untuk memudahkan dikonsumsi dan
disimpan.

Sementara itu

untuk beras mudah disimpan dan diolah untuk

dikonsumsi tanpa melalui proses teknologi yang rumit.


4. Jagung dan umbi-umbian merupakan barang inferior, sedangkan beras barang
normal dan permintaannya tidak elastis terhadap perubahan harga. Artinya
kenaikan pendapatan menurunkan konsumsi jagung dan umbi-umbian, sebaliknya
untuk beras. Kalaupun harga beras naik, permintaanya tidak banyak berubah.
5. Substitusi beras oleh pangan non beras melalui kebijakan harga dan subsidi
mengalami kesulitan, karena elastisitas silang beras dan non beras (selain terigu)
nilainya relatif kecil.

81
6. Nilai gizi beras, baik kandungan energi mapun proteinnya, relatif lebih tinggi dari
bahan pangan pokok lainnya (Tabel 10).
7. Beras terkait erat dengan inflasi dan kestabilan ekonomi makro.
8. Indonesia merupakan negara net importer beras terbesar, sedangkan beras di pasar
dunia tipis (thin market) hanya sekitar 4-7 persen dari produksi dunia.
Tabel 10. Kandungan Energi dan Protein Beras dan Pangan Non Beras lainnya
No.
1
2
3
4
5

Bahan Pangan
Beras
Jagung kuning
Ubi jalar
Singkong
Gaplek

Energi
(Kkal/100gram
bahan)
360
307
123
146
338

Protein
(gram/100gram
bahan)
6,0
7,9
1,8
1,2
1,5

Sumber: Amang dan Sawit, 2001

BPS (2004) mendekomposisi Indek Harga Konsumen yang dikumpulkan dari


45 kota di Indonesia menjadi tujuh kelompok barang, yaitu: (1) bahan makanan, (2)
makanan jadi, minuman, rokok dan tembakau, (3) perumahan, (4) sandang, (5)
kesehatan, (6) pendidikan, rekreasi dan olah raga, dan (7) transpor, komunikasi dan
jasa keuangan. Kemudian bahan makanan didekomposisi menjadi: (1) padi-padian,
umbi-umbian dan hasil-hasilnya, (2) daging dan hasil-hasilnya, (3) ikan segar, (4)
ikan diawetkan, (5) telur, susu dan hasil-hasilnya, (6) sayur-sayuran, (7) kacangkacangan, (8) buah-buahan, (9) lemak dan minyak, dan (10) bahan makanan lainnya.
Berdasarkan indikator dan kriteria kuantitatif obyektif, Simatupang (2004)
mengelompokkan komoditas beras, jagung, kedele dan gula sebagai special products.
Selanjutnya menurut Sawit et al. (2004) dengan menggunakan metode I-O, dengan
indeks daya penyebaran (backward linkages effect ratio) dan indeks daya
kepekatan/ketergantungan (forward linkages effect ratio) dan penyerapan tenaga kerja
(employment) menyaring special products menjadi 10 kelompok, yaitu: daging, susu,

82
beras, gula, jagung, buah-buahan dan sayur-sayuran, kedele, makanan lainnya, unggas
dan hasil-hasilnya dan tepung lainnya.
Karena penelitian ini berkaitan dengan kebijakan harga pangan dan tidak
semua komoditas pangan melibatkan Pemerintah dalam bentuk kebijakan harga
pangan maka tidak semua komoditas pangan akan dianalisis. Untuk itu digunakan
kelompok pangan utama yang ada kaitannya dengan program kebijakan harga pangan.
3.2.3. Konsep dan Indikator Ketahanan Pangan

Menurut PP Nomor 68 tahun 2002 (Pemerintah Republik Indonesia, 2002),


yang dimaksud dengan ketahanan pangan adalah kondisi terpenuhinya pangan bagi
rumah tangga yang tercermin dari tersedianya pangan yang cukup, baik jumlah
maupun mutunya, aman, merata dan terjangkau. Selanjutnya dijelaskan ketersediaan
pangan adalah tersedianya pangan dari hasil produksi dalam negeri dan/atau sumber
lain. Indikator ini masih bersifat makro, karena bisa saja pangan tersedia, tapi tidak
dapat diakses oleh masyarakat. Untuk melihat apakah ketersediaan itu bersumber dari
dalam negeri atau sumber lain, dapat dilihat dari rasio ketersediaan pangan dalam
negeri dengan produksi dalam negeri.
Ketersediaan pangan merupakan prasyarat penting bagi keberlanjutan
konsumsi, namun dinilai belum cukup. Untuk itu diperlukan pemahaman kinerja
konsumsi pangan menurut wilayah (kota-desa) dan pendapatan (tinggi-sedangrendah).

Indikator yang dapat digunakan adalah tingkat partisipasi dan tingkat

konsumsi pangan, keduanya menunjukkan tingkat aksesibilitas fisik dan ekonomi


tehadap pangan (DKP, 2003). Walaupun pangan tersedia pada suatu wilayah, jika
tidak dapat diakses masyarakat maka kinerjanya rendah.
Aksesibilitas tersebut menggambarkan aspek pemarataan dan keterjangkauan.
Karena menurut PP No.68/2002, pemerataan mengandung makna adanya distribusi

83
pangan ke seluruh wilayah sampai tingkat rumah tangga, sedangkan keterjangkauan
adalah keadaan di mana rumah tangga secara berkelanjutan mampu mengakses
pangan sesuai dengan kebutuhan untuk hidup yang sehat dan produktif.
Indikator lainnya adalah mutu pangan, yaitu dapat dinilai atas dasar kriteria
keamanan pangan dan kandungan gizi. Keamanan pangan adalah kondisi dan upaya
yang diperlukan untuk mencegah pangan dari kemungkinan cemaran biologis, kimia
dan benda lain yang dapat mengganggu, merugikan dan membahayakan kesehatan
manusia. Untuk Indonesia, khususnya produk peternakan, dikenal adanya Program
ASUH, yaitu Aman, Sehat, Utuh dan Halal. Aman maksudnya, bahwa hewan atau
unggas tidak mengandung penyakit dan menggangu kesehatan manusia.

Sehat

artinya hewan tersebut memiliki zat-zat yang berguna bagi kesehatan dan
pertumbuhan tubuh. Utuh artinya, tidak dicampur dengan bagian lain dari hewan
tersebut atau bagian dari hewan lain. Halal artinya hewan dan unggas tersebut
dipotong dan ditangani berdasarkan syariat Islam.
Untuk mendapatkan kualitas gizi yang baik, diperlukan variasi konsumsi.
Untuk itu telah dikembangkan suatu kebijakan dan instrumentasi diversifikasi
konsumsi pangan, yaitu Pola Pangan Harapan (PPH). PPH adalah susunan beragam
pangan yang didasarkan pada sumber energi, baik secara absolut maupun relatif
terhadap total energi tingkat konsumsi. Tujuan utama penyusunan PPH adalah untuk
membuat suatu rasionalisasi pola konsumsi pangan yang dianjurkan yang terdiri dari
kombinasi aneka ragam pangan untuk memenuhi kebutuhan gizi dan sesuai cita rasa
(FAO-RAPA, 1989 dalam: Hariyadi et al. 2003). Pedoman ini dapat berubah sesuai
kondisi sosial ekonomi masyarakat dan kemajuan teknologi.
Menurut Simatupang (1999), secara hirarki ketahanan pangan dapat pada
tingkat global, regional, nasional, lokal (daerah), rumah tangga dan individu. Tingkat
ketahanan pangan yang lebih tinggi merupakan syarat yang diperlukan (necessary

84
condition) bagi tingkat ketahanan pangan yang lebih rendah, tetapi bukan syarat yang
mencukupi (sufficient condition). Karena tercapainya ketahanan pangan di tingkat
wilayah tidak menjamin tercapainya ketahanan pangan di tingkat rumah tangga. Hal
ini ditunjukkan adanya fakta bahwa walaupun ditingkat nasional dan wilayah
(provinsi) memiliki status tahan pangan terjamin, namun di wilayah tersebut masih
ditemukan rumah tangga rawan pangan (Sudaryanto dan Rusastra, 2000; Rachman,
2004).
Berdasarkan fakta tersebut, maka beberapa kelemahan mendasar paradigma
ketahanan pangan pada masa Pemerintahan Orde Baru yang perlu dipahami sebagai
antisipasi rumusan ketahanan pangan berkelanjutan adalah: (a) terfokus pada dimensi
ketersediaan pangan (khususnya beras) pada tingkat harga murah, (b) lemahnya upaya
peningkatan pendapatan dan aksesibilitas terhadap pangan, yang mengakibatkan krisis
pangan tahun 1998, (c) fokus pada ketahanan pangan di tingkat nasional dan
mengabaikan ketahanan pangan pada tingkat rumah tangga, dan (d) adanya
kebijaksanaan yang kontradiktif yaitu upaya peningkatan produksi dalam rangka
pemantapan swasembada pangan, namun harga pangan dipertahankan relatif murah
agar terjangkau sebagian besar konsumen (Sudaryanto dan Rusastra, 2000). Atas
dasar kelemahan tersebut, diajukan paradigma baru ketahanan pangan berkelanjutan
dengan mempertimbangkan empat dimensi utama, yaitu: ketersediaan (availability),
keterjangkauan (accessibility), antisipasi risiko kegagalan panen (vulnerability) dan
aspek keberlanjutan (sustainability).
Menurut Simatupang (1999), vulnerabilitas dalam ketahanan pangan
dibedakan menjadi dua elemen. Pertama, stabilitas, yang menunjukkan kerentanan
internal pada akses dan ketersediaan pangan terhadap gangguan domestik seperti
penurunan produksi pangan domestik dan goncangan ekonomi. Kedua, keandalan
atau reliabilitas, mengacu pada kerentanan eksternal pada akses dan ketersediaan

85
pangan terhadap perdagangan internasional. Sementara itu, menurut Saliem et al.
(2003) aspek keberlanjutan ketahanan pangan identik dengan kebijakan dan strategi
peningkatan kemandirian pangan nasional.
Indikator yang digunakan untuk mengukur ketahanan pangan dari sisi
kemandirian antara lain: (1) ketergantungan ketersediaan pangan nasional pada
produksi pangan domestik, yang diukur dari rasio produksi atau ketersediaan pangan
domestik yang dapat dikonsumsi terhadap ketersediaan pangan nasional, (2)
ketergantungan kesediaan pangan nasional pada pangan impor dan atau net impor,
yang diukur dari rasio impor pangan kotor dan atau net impor terhadap ketersediaan
pangan nasional, dan (3) ketergantungan ketersediaan pangan terhadap transfer
pangan dari pihak atau negara lain (Simatupang, 2000 dalam: Saliem et al. 2003).
Dari dua indikator pertama kemandirian pangan nasional masih tergolong aman,
namun dari waktu ke waktu terjadi peningkatan ketergantungan terhadap impor.
Menurut Suhardjo (1996), ketahanan pangan rumah tangga dicerminkan oleh
beberapa indikator, antara lain: (1) tingkat kerusakan tanaman, ternak dan perikanan,
(2) penurunan produksi pangan, (3) tingkat ketersediaan pangan di rumah tangga,
(4) proporsi pengeluaran pangan terhadap pengeluaran total, (5) fluktuasi harga
pangan utama yang umum dikonsumsi rumah tangga, (6) perubahan kehidupan sosial,
seperti migrasi, menjual/menggadaikan asset, (7) keadaan konsumsi pangan berupa
kebiasaan makan, kuantitas dan kualitas pangan, dan (8) status gizi.
Karena penelitian ini berkaitan dengan kebijakan Pemerintah, maka cakupan
penelitian bersifat agregat nasional. Berkaitan dengan cakupan penelitian, beberapa
indikator ketahanan pangan yang digunakan peneliti lain dan ketersediaan data maka
indikator ketahanan pangan yang digunakan dalam penelitian ini mencakup lingkup
nasional dan tingkat rumah tangga. Untuk mempertajam hasil studi ini,

86
pembahasannya akan dilengkapi dengan hasil penelitian sebelumnya, khususnya yang
berkenaan dengan konsep ketahanan pangan di tingkat wilayah dan rumah tangga.
Berdasarkan lingkup dan paradigma baru konsep ketahanan pangan maka
dalam penelitian ini ketahanan pangan diukur berdasarkan indikator ketersediaan
pangan dan aksesibilitas pangan. Ketersediaan pangan diukur dari ketersediaan untuk
konsumsi per kapita yang datanya diperoleh dari Neraca Bahan Makanan Indonesia,
Badan Pusat Statistik. Makin besar angka ketersediaan pangan untuk dikonsumsi,
makin tersedia pangan di tingkat nasional. Aksesibilitas pangan dapat diproksi dari
tingkat konsumsi rumah tangga yang ada dari data Susenas. Makin tinggi konsumsi
rumah tangga makin tinggi pula akses rumah tangga tersebut terhadap pangan.
Untuk meliput aspek kualitas ketahanan pangan, maka bahan pangan yang
digunakan dalam analisis diukur berdasarkan kandungan energi dan protein. Dengan
demikian selain dapat mengelompokkan beberapa bahan pangan menjadi satu ukuran,
analisis ini juga dapat memilah energi dan konsumsi protein. Dalam hal ini protein
dapat merepresentasikan kualitas ketahanan pangan.

Di samping itu untuk

memperkaya hasil penelitian, dengan menggunakan beberapa hasil penelitian


terdahulu akan digunakan skor Pola Pangan harapan sebagai reprsentasi kualitas
ketahanan pangan, PDRB sebagai proksi pendapatan di tingkat regional.
3.2.4. Indikator dan Stabilitas Ekonomi Makro

Kebijakan harga pangan dapat mempengaruhi indikator ekonomi makro.


Indikator ekonomi makro yang dimaksud dalam penelitian ini adalah inflasi,
kesempatan kerja, pertumbuhan ekonomi, dan neraca perdagangan (proksi dari neraca
pembayaran) yang merupakan indikator kunci (Stiglitz, 1997; Dornbusch, Fisher dan
Startz, 1998). Variabel ekonomi makro tersebut saling terkait melalui pasar barang,

87
pasar uang, pasar tenaga kerja dan pasar saham yang membentuk keseimbangan
internal (macro equilibrium) dan keseimbangan eksternal (balance of payment-BOP).
Selain itu, variabel ekonomi makro lain yang diamati adalah Nilai tukar rupiah
terhadap dolar AS, suku bunga bank, penawaran uang dan investasi.
Stabilitas ekonomi makro dapat dilihat dari pengaruh guncangan kebijakan
harga pangan atau variabel ekonomi makro lainnya terhadap variabel kunci indikator
ekonomi makro.

Jika suatu guncangan menimbulkan fluktuasi yang besar pada

variabel ekonomi makro maka dapat dikatakan stabilitas ekonomi makro rentan
terhadap guncangan tersebut. Sebaliknya jika dampaknya menimbulkan fluktuasi
yang kecil, maka dapat dikatakan stabilitas ekonomi makro stabil.
Ukuran yang digunakan dalam mengukur stabilitas dalam studi ini adalah
dampak guncangan/shock terhadap: (1) perbedaan nilai awal dan akhir variabel
endogen, (2) besarnya variasi yang dilihat dari amplitudo fluktuasi variabel endogen,
dan (3) panjangnya waktu fluktuasi variabel endogen untuk mencapai pada
keseimbangan baru, serta (4) koefisien variasi. Suatu guncangan dapat menyebabkan
keseimbangan baru kondisinya meningkat, tetap atau menurun dari kondisi
keseimbangan saat awal guncangan.
3.2.5. Konsep dan Pengukuran Efektivitas

Efektivitas dapat diartikan sebagai suatu usaha untuk mencapai hasil yang
maksimal dengan memanfaatkan sumberdaya yang ada. Kaitannya dengan kebijakan,
menurut Ramdan, et al. (2003) ukuran efektivitas kebijakan adalah: (1) Efisiensi;
suatu kebijakan harus mampu meningkatkan efisiensi penggunaan sumberdaya secara
optimal, (2) adil; bobot kebijakan harus ditempatkan secara adil, yakni kepentingan
publik tidak terabaikan, (3) mengarah kepada insentif; suatu kebijakan harus
mengarah atau merangsang tindakan dalam perbaikan dan peningkatan sasaran yang

88
ditetapkan, (4) diterima oleh publik; karena diperuntukkan bagi kepentingan publik
maka kebijakan yang baik harus diterima oleh publik, dan (5) moral; suatu kebijakan
harus dilandasi oleh moral yang baik.
Masalahnya bagaimana mengukur efektivitas tersebut.
efektivitas yang digunakan beberapa peneliti.

Berikut ukuran

Sanim (1998), meneliti efektivitas

pemberian KUT Pola Khusus terhadap peningkatan produksi dan pendapatan petani.
Dengan teknik tabulasi, persentase peningkatan produksi dan pendapatan sebelum
dan sesudah penerapan KUT Pola Khusus digunakan sebagai ukuran efektivitas.
Dengan pendekatan ekonometrika, efektivitas KUT Pola Khusus tersebut dilihat
dengan koefisien regresi yang juga merupakan nilai elastisitas dan tingkat signifikansi
Variabel independen terhadap Variabel dependen.
Menurut Simatupang (2002), pembangunan sektor pertanian paling efektif
dalam menurunkan jumlah penduduk miskin di Indonesia. Dengan menggunakan
persamaan regresi berganda, efektivitas pengaruh variabel independen terhadap
variabel dependen adalah besar dan tingkat signifikansi koefisien regresi dari variabel
independen. Menurut Sudana (2003) suatu kebijakan harga dapat meningkatkan
penerimaan nominal, namun kebijakan harga tersebut menjadi tidak efektif jika
pendapatan riil petani tidak meningkat akibat kenaikan harga output tersebut.
Suparmin (2005) menilai efektivitas kebijakan pemerintah terhadap stabilitas harga
gabah dan harga beras menggunakan pendekatan analisis integrasi vertikal antar pasar
dengan model kointegrasi dan vector error correction. Jika terjadi integrasi antar
pasar maka kebijakan harga yang dilakukan efektif, demikian juga sebaliknya.
Dengan kebijakan yang efektif diharapkan masalah atau isu yang muncul pada
tingkat publik akan dapat diselesaikan secara baik, berkeadilan, dan sesuai dengan
tujuan yang ditetapkan sebelumnya (Ramdan, et al. 2003). Ketidakefektifan suatu
kebijakan dapat disebabkan oleh beberapa hal, antara lain: proses pembuatan

89
kebijakan; konsistensi pelaksanaan kebijakan; antisipasi pihak sasaran kebijakan;
dukungan dana untuk implementasi dan pengawasan pelaksanaan kebijakan,
perangkat hukum dan kelembagaan.
Dalam penelitian ini ada dua ukuran yang digunakan dalam menilai efektivitas
kebijakan harga pangan. Pertama, untuk menilai efektivitas kebijakan harga pangan
terhadap ketahanan pangan yang digunakan analisis dengan Error Correction Model
digunakan tingkat signifikansi dan nilai elastisitas variabel tersebut terhadap variabel
ketahanan pangan. Jika variabel kebijakan harga pangan secara statistik signifikan
mempengaruhi ketahanan pangan dan nilai elastisitasnya lebih besar dari satu maka
dikatakan kebijakan harga pangan efektif meningkatkan ketahanan pangan.
Kedua, untuk menilai efektivitas kebijakan harga pangan terhadap stabilitas
ekonomi makro diukur dari seberapa besar peran guncangan kebijakan harga pangan
terhadap variabilitas variabel ekonomi makro yaitu inflasi, pertumbuhan ekonomi,
pengangguran dan neraca perdagangan. Makin besar peran (dalam persen) guncangan
kebijakan harga pangan relatif dengan guncangan lain terhadap suatu variabel
endogen maka dapat dikatakan kebijakan harga pangan semakin efektif.

Untuk

melihat hal tersebut digunakan metode FEVD (Forecast Error Variance


Decomposition).
3.3. Bagan Alur Pemikiran

Penelitian ini terdiri dari tiga bagian yang saling terkait, yaitu pangsa
pengeluaran pangan penduduk; ketahanan pangan; dan stabilitas ekonomi makro.
Keterkaitan tersebut diilustrasikan dalam Gambar 17.
Untuk mencapai tujuan pembangunan nasional, diperlukan dua prasyarat
penting.

Pertama, ketahanan pangan untuk meningkatkan kualitas sumberdaya

manusia sebagai pelaku dan sasaran dari tujuan pembangunan nasional itu sendiri.

90
Kedua, stabilitas ekonomi makro untuk menjamin kepastian berinvestasi sehingga
mampu menggerakkan perekonomian dan menciptakan lapangan kerja.

Tujuan Pembangunan Nasional

Ketahanan
Pangan

Stabilitas

Pangsa Pengeluaran
Pangan (Besar)

Stabilisasi
Harga Pangan

Pasar
Lokal

Fluktuasi
Harga Pangan

Pasar
Internasional

Kebijakan Harga Pangan:


subsidi input ; subsidi output ; perdagangan

Gambar 17. Keterkaitan Kebijakan Harga Pangan dengan Ketahanan


Pangan dan Stabilitas Ekonomi Makro

91
Untuk

kasus

Indonesia,

diduga

sebagian

besar

masyarakat

masih

mengeluarkan sebagian besar pendapatannnya untuk belanja pangan sehingga pangsa


pengeluaran pangan masih cukup besar. Dengan demikian tingkat harga pangan
diduga masih menentukan tingkat ketahanan pangan dan stabilitas ekonomi makro.
Pasar lokal produk pangan yang sifatnya musiman menyebabkan fluktuasi
harga dan pasar internasional produk pangan yang relatif tipis (thin market) serta
setiap negara lebih mementingkan kebutuhan domestik menyebabkan harga di pasar
internasional sangat sensitif jika terjadi gangguan produksi di negara eksportir dan
terjadi peningkatan permintaan. Kedua hal tersebut menyebabkan fluktuatifnya harga
pangan di pasar domestik. Jika tidak ada upaya pengendalian harga pangan diduga
akan mempengaruhi ketahanan pangan dan stabilitas ekonomi makro.
Untuk itu diperlukan upaya menstabilkan harga pangan di antaranya dengan
kebijakan harga pangan.

Kebijakan harga pangan yang dilakukan dapat berupa

kebijakan harga input, kebijakan harga output dan kebijakan perdagangan.


Sebaliknya jika kesejahteraan masyarakat sudah meningkat dengan indikasi pangsa
pengeluaran pangan yang semakin menurun peran pemerintah untuk melakukan
kebijakan harga pangan dapat dikurangi.
3.4. Hipotesis

Berdasarkan uraian yang telah diutarakan sebelumnya, maka hipotesis


penelitian ini adalah sebagai berikut:
1. Makin rendah pangsa pengeluaran pangan terhadap pengeluaran rumah tangga
mengindikasikan meningkatnya ketahanan pangan. Tingkat ketahanan pangan
tersebut diukur dari jumlah energi dan protein yang dikonsumsi di tingkat rumah
tangga serta keanekaragaman yang dikonsumsi menurut norma gizi berdasarkan
skor Pola Pangan Harapan dan tingkat pendapatan.

92
2. Pembangunan yang dilakukan selama ini bertujuan meningkatkan kesejahteraan
penduduk dengan demikian seharusnya menyebabkan pangsa pengeluaran pangan
penduduk semakin menurun.
3. Makin tinggi peran pemerintah, diukur dari dana yang dikeluarkan dalam
kebijakan harga input, kebijakan harga output, dan kebijakan harga input-output
makin efektif meningkat ketahanan pangan baik di tingkat nasional maupun
rumah tangga.
4. Kebijakan harga pangan, diukur dari dana yang dikeluarkan dalam kebijakan
harga input-output, tidak menyebabkan instabilitas ekonomi makro terutama
terhadap inflasi, pertumbuhan ekonomi, pengangguran dan neraca perdagangan.
5. Kebijakan harga pangan, kebijakan moneter, dan kebijakan perdagangan efektif
menstabilkan ekonomi makro.

93

IV. METODE PENELITIAN

4.1. Pendekatan dan Kerangka Analisis

Secara umum analisis yang digunakan dalam penelitian ini menggunakan


pendekatan ekonometrika. Metoda dan teknik apa yang digunakan tergantung pada
tujuan yang ingin dicapai dan jenis data yang dianalisis. Selain itu digunakan juga
pendekatan deskriptif dengan teknik grafik.
Untuk

menjawab

tujuan

penelitian,

analisis

yang

dilakukan

dapat

dikelompokkan menjadi tiga blok dalam satu kerangka analisis. Ketiga blok tersebut
bukanlah merupakan suatu sistem yang terkait dalam satu model, akan tetapi
merupakan tahapan analisis. Dimana informasi yang diperoleh dalam tiap tahapan
diperlukan untuk menjustifikasi pentingnya kenapa analisis tahap berikutnya perlu
dilakukan.
Pertama, analisis tentang pangsa pengeluaran pangan terhadap pengeluaran
total. Pada tahap ini, dengan formula matematika sederhana ingin ditunjukkan berapa
besar pangsa pengeluaran pangan penduduk Indonesia. Kemudian dengan pendekatan
ekonometrika ingin diketahui seberapa erat hubungan pangsa pengeluaran pangan dan
ketahanan pangan.

Ketahanan pangan diproksi dengan ketersediaan energi dan

protein, konsumsi energi dan protein, keanekaragaman pangan (skor Pola Pangan
Harapan), dan PDRB provinsi di Indonesia.
Jika terdapat hubungan yang erat antara pangsa pengeluaran pangan dan
beberapa variabel proksi ketahanan pangan maka pangsa pengeluaran pangan dapat
dijadikan suatu indikator komposit untuk menggambarkan ketahanan pangan.
Selanjutnya dengan menggunakan data 34 tahun terakhir dianalisis dinamika pangsa
pengeluaran pangan sebagai proksi dari tingkat kesejahteraan untuk menggambarkan

94
dampak pembangunan yang dilakukan selama ini.

Hasil analisis tahap awal

diharapkan dapat menjawab tujuan pertama dan kedua penelitian ini.


Tahap kedua, berdasarkan informasi pada tahap pertama dapat diketahui seberapa
penting perhatian terhadap masalah pangan. Makin besar pangsa pengeluaran pangan
ketahanan pangan semakin menurun, dan sebaliknya.

Jika pangsa pengeluaran

pangan masih relatif besar, maka masalah pangan masih dianggap penting dan
diperlukan peran pemerintah untuk meningkatkan ketahanan pangan.

Selama ini

peran pemerintah terhadap masalah pangan dianggap cukup besar. Peran tersebut
antara lain dalam bentuk kebijakan harga pangan. Untuk mengetahui seberapa efektif
peran yang dilakukan selama ini perlu dianalisis apakah kebijakan harga pangan
berpengaruh terhadap ketahanan pangan. Untuk memperkaya analisis perlu juga
diketahui faktor lain yang berpengaruh terhadap ketahanan pangan. Untuk mengetahui
hal tersebut digunakan analisis dengan pendekatan ekonometrika. Hasil analisis tahap
kedua diharapkan dapat menjawab tujuan ketiga pada penelitian ini.
Berdasarkan hasil analisis tahap pertama dan kedua, pada tahap ketiga perlu
dilakukan analisis secara makro. Analisis ini ingin mengetahui apakah kebijakan
untuk mendukung ketahanan pangan yang dilakukan memberikan dampak terhadap
stabilitas ekonomi makro. Untuk menajamkan hasil analisis, tahap selanjutnya adalah
perlu diketahui seberapa besar pengaruh kebijakan harga pangan terhadap variabilitas
variabel kunci ekonomi makro dan sebaliknya seberapa besar pengaruh kebijakan
makro terhadap variabilitas kebijakan harga pangan. Untuk mengetahui hal tersebut
digunakan pendekatan ekonometrika. Hasil analisis tahap ketiga diharapkan dapat
menjawab tujuan penelitian yang keempat dan kelima.
Tahapan kerangka analisis yang dilakukan dapat diilustrasikan pada Gambar
18. Pada pangsa pengeluaran pangan yang masih relatif besar kebijakan pemerintah
diperlukan untuk mencapai ketahanan pangan dan stabilitas ekonomi makro. Efek

95
kebijakan tersebut dapat tercermin dari perubahan pangsa pengeluaran pangan yang
mengindikasikan ketahanan pangan dan menggambarkan keeratan masalah pangan
dengan inflasi sebagai gambaran stabilitas ekonomi makro. Secara langsung kebijakan
harga pangan, seperti operasi pasar, dapat juga mempengaruhi ketahanan pangan dan
stabilitas ekonomi makro. Kebijakan harga pangan yang ditujukan untuk
meningkatkan ketahanan pangan tanpa pengendalian dapat memberikan dampak
instabilitas ekonomi makro.

Ketahanan
Pangan

Pangsa
Pengeluaran
Pangan

Kebijakan
Harga
Pangan

Stabilitas
Ekonomi
Makro

Gambar 18. Tahapan dan Kerangka Analisis


Keterangan:
Keterkaitan yang tidak dianalisis
Keterkaitan yang dianalisis

4.2.

Spesifikasi Model

Berdasarkan tujuan penelitian dan tahapan analisis maka ada tiga model yang
digunakan dalam penelitian ini. Spesifikasi model dan variabel yang digunakan pada
tiap-tiap model diturunkan dari pembahasan dalam kerangka teoritis pada bab
sebelumnya.

96

4.2.1. Hubungan Pangsa Pengeluaran Pangan dan Ketahanan Pangan

Untuk mengetahui pola hubungan antara ketahanan pangan yang diproksi dari
konsumsi energi dan protein dengan pangsa pengeluaran pangan digunakan tabulasi
dengan melihat nilai tengah masing-masing berdasarkan data Susenas BPS tahun
1996, 1999 dan 2002.

Bersadasarkan indikasi tersebut, dilakukan pendekatan

ekonometrika dengan menggunakan tiga alternatif bentuk fungsi yaitu linear, CobbDouglass dan hyperbola masing-masing dalam bentuk persamaan berikut:
Ei = a 0 + a1 PFi

(17)

Pi = b0 + b1 PFi

(18)

Ei = c0 PFi c1

(19)

Pi = d 0 PFi d1

(20)

Ei = e1 PFi 1

(21)

Pi = f1 PFi 1

(22)

dimana:
E = konsumsi energi (kkal/kapita/hari)
P = konsumsi protein (gram/kapita/hari)
PF = pangsa pengeluaran untuk pangan terhadap pengeluaran total penduduk
selama sebulan (%)
Bentuk fungsi mana yang dipilih tergantung pada hasil pendugaan yang memberikan
kriteria ekonomi, statistika dan ekonometrika yang terbaik. Pengolahan dan analisis
data menggunakan komputer program SAS.
4.2.2. Keterkaitan Kebijakan Harga Pangan dan Ketahanan Pangan

Kebijakan harga pangan merupakan salah satu representasi dari peran


pertanian terhadap upaya peningkatan ketahanan pangan. Kebijakan harga pangan
yang dilakukan dapat berupa kebijakan harga input, kebijakan harga output, serta
kebijakan harga input-output. Sesuai dengan tujuannya, kebijakan tersebut diharapkan
dapat meningkatkan pendapatan petani dan mengendalikan harga pangan.

97
Meningkatnya pendapatan petani dan pengendalian harga pangan menjadi
relatif stabil berarti meningkatkan daya beli petani dan konsumen terhadap pangan.
Meningkatnya daya beli berarti meningkatkan ketahanan pangan. Namun demikian
kebijakan harga pangan bukanlah satu-satunya variabel yang menentukan ketahanan
pangan. Ketahanan pangan dapat juga ditentukan oleh faktor lain.
Untuk menganalisis pengaruh kebijakan harga pangan terhadap ketahanan
pangan digunakan model Autoregressive/Vector Autoregressive (AR/VAR). Sesuai
dengan variabel dan deret waktu yang digunakan yaitu berupa data tahunan maka
spesifikasi model yang digunakan diformulasikan sebagai berikut:
AR (1): KPNit = a11 KPNt-1 + a12 AGIPt-1 + a13 AGOPt-1 + a14PRLt-1 + t (23)
dimana:
KPNit = ketahanan pangan diukur dari ketersediaan dan konsumsi
penduduk terhadap kelompok pangan i.
AGIPt = Kebijakan harga input produksi pangan
AGOPt = Kebijakan harga output (pangan)
PRLt = Variabel relevan lain
i
= adalah kelompok pangan 1, 2, .6
Penggunaan model AR/VAR dapat mengatasi masalah variabel yang tidak
stasioner, namun hasil pendugaannya hanya menginformasi hubungan jangka pendek.
Untuk mendapatkan informasi jangka pendek dan jangka panjang secara bersamaan
maka model AR/VAR diubah menjadi bentuk ECM/VECM melalui reparameterisasi
dengan manipulasi aljabar.

Proses reparameterisasi secara sederhana pada kasus

ARDL (autoregressive distributed lag) 1,1 untuk variabel y dan x adalah sebagai
berikut:

y t = b0 + b1 xt + b2 xt 1 + y t 1 + t

(24)

sisi kiri dan kanan dikurangi dengan y t 1 , hasilnya sebagai berikut:

y t y t 1 = b0 + b1 xt + b2 xt 1 + y t 1 y t 1 + t

(25)

98
sisi kanan ditambahkan dengan suatu yang bernilai nol yaitu b1 xt 1 + b1 xt 1 , hasilnya
sebagai berikut:

y t y t 1 = b0 + b1 xt b1 xt 1 + b1 xt 1 + b2 xt 1 + y t 1 y t 1 + t

(26)

y t = b0 + b1 xt + (b1 + b2 ) xt 1 + ( 1) y t 1 + t

(27)

y t = b0 + b1 xt + (b1 + b2 ) xt 1 (1 ) y t 1 + t

(28)

y t = b1 xt (1 )[ y t 1

b0
(b + b )
1 2 xt 1 ] + t
(1 ) (1 )

(29)

jika dimisalkan (1 ) = , maka persamaan (38) menjadi:


y t = bxt [ y t 1

b0

(b1 + b2 )

xt 1 ] + t

(30)

Berdasarkan hasil reparameterisasi tersebut maka pada analisis yang bersifat parsial
bentuk umum spesifikasi model ECM dengan dua variabel adalah sebagai berikut:
y t = bxt [ yt 1 0 1 xt 1 ] + t

(31)

dimana:

yt
xt
yt
bi
i

=
=
=
=
=
=
=

yt yt-1
xt xt-1
variabel in level
parameter jangka pendek
parameter jangka panjang
parameter error correction
guncangan acak (random disturbance)

4.2.3. Keterkaitan Kebijakan Harga Pangan dan Indikator Ekonomi Makro

Tujuan utama kebijakan harga pangan adalah untuk menjaga stabilitas harga
pangan agar tingkat inflasi dapat dikendalikan sesuai dengan tinjauan teoritis pada
bab sebelumnya. Selanjutnya tingkat inflasi mempengaruhi suku bunga di pasar
uang. Kemudian suku bunga mempengaruhi investasi di pasar barang. Sementara itu
inflasi juga mempengaruhi permintaan tenaga kerja di pasar tenga kerja dan
seterusnya ada keterkaitan antara variabel ekonomi makro, sehingga terjadi

99
keseimbangan. Karena keterkaitan antara variabel tersebut terjadi secara simultan
maka hubungannya dispesifikasi dalam model VAR.
Bentuk umum model VAR sesuai dengan ordo optimal hasil uji Likelihood
Ratio sebanyak k adalah:
VAR (k), Zt = AtZt-1 + A2Zt-2 + + AkZt-k + t

(32)

Selanjutnya persamaan VAR struktural dengan ordo k (misal k=3) sesuai


dengan variabel yang digunakan dalam penelitian ini berbentuk sebagai berikut:
IHKt

= a11IHKt-1 + a12IOPPt-1 + a13EXRt-1 + a14UNMt-1 + a15MSIt-1 +


a16GDPt-1 + a17IRTt-1 + a18INVt-1 + a19BOTt-1+. +
c11IHKt-3 + c12IOPPt-3 + c13EXRt-3 + c14UNMt-3 + c15MSIt-3 +
c16GDPt-3 + c17IRTt-3 + c18INVt-3 + c19BOTt-3 +

1t

(33)

IOPPt = a21IHKt-1 + a22IOPPt-1 + a23EXRt-1 + a24UNMt-1 + a25MSIt-1 +


a26GDPt-1 + a27IRTt-1 + a28INVt-1 + a29BOTt-1+ +
c21IHKt-3 + c22IOPPt-3 + c23EXRt-3 + c24UNMt-3 + c25MSIt-3 +
c26GDPt-3 + c27IRTt-3 + c28INVt-3 + c29BOTt-3 +

2t

(34)

EXRt = a31IHKt-1 + a32IOPPSt-1 + a33EXRt-1 + a34UNMt-1 + a35MSIt-1 +


a36GDPt-1 + a37IRTt-1 + a38INVt-1 + a39BOTt-1+.... +
c31IHKt-3 + c32IOPPt-3 + c33EXRt-3 + c34UNMt-3 + c35MSIt-3 +
c36GDPt-3 + c37IRTt-3 + c38INVt-3 + c39BOTt-3 + 3t

(35)

UNMt = a41IHKt-1 + a42IOPPt-1 + a43EXRt-1 + a44UNMt-1 + a45MSIt-1 +


a46GDPt-1 + a47IRTt-1 + a48INVt-1 + a49BOTt-1+.... +
c41IHKt-3 + c42IOPPt-3 + c43EXRt-3 + c44UNMt-3 + c45MSIt-3 +
c46GDPt-3 + c47IRTt-3 + c48INVt-3 + c49BOTt-3 + 4t

(36)

100
MSIt

= a51IHKt-1 + a52IOPPt-1 + a53EXRt-1 + a54UNMt-1 + a55MSIt-1 +


a56GDPt-1 + a57IRTt-1 + a58INVt-1 + a59BOTt-1+.... +
c51IHKt-3 + c52IOPPt-3 + c53EXRt-3 + c54UNMt-3 + c55MSIt-3 +
c56GDPt-3 + c57IRTt-3 + c58INVt-3 + c59BOTt-3 + 5t

(37)

GDPt = a61IHKt-1 + a62IOPPt-1 + a63EXRt-1 + a64UNMt-1 + a65MSIt-1 +


a66GDPt-1 + a67IRTt-1 + a68INVt-1 + a69BOTt-1+.... +
c61IHKt-3 + c62IOPPt-3 + c63EXRt-3 + c64UNMt-3 + c65MSIt-3 +
c66GDPt-3 + c67IRTt-3 + c68INVt-3 + c69BOTt-3 + 6t
IRTt

(38)

= a71IHKt-1 + a72IOPPt-1 + a73EXRt-1 + a74UNMt-1 + a75MSIt-1 +


a76GDPt-1 + a77IRTt-1 + a78INVt-1 + a79BOTt-1+.... +
c71IHKt-3 + c72IOPPt-3 + c73EXRt-3 + c74UNMt-3 + c75MSIt-3 +
c76GDPt-3 + c77IRTt-3 + c78INVt-3 + c79BOTt-3 + 7t

INVt

(39)

= a81IHKt-1 + a82IOPPt-1 + a83EXRt-1 + a84UNMt-1 + a85MSIt-1 +


a86GDPt-1 + a87IRTt-1 + a88INVt-1 + a89BOTt-1+.... +
c81IHKt-3 + c82IOPPt-3 + c83EXRt-3 + c84UNMt-3 + c85MSIt-3 +
c86GDPt-3 + c87IRTt-3 + c88INVt-3 + c89BOTt-3 +

8t

(40)

BOTt = a91IHKt-1 + a92IOPPt-1 + a93EXRt-1 + a94UNMt-1 + a95MSIt-1 +


a96GDPt-1 + a97IRTt-1 + a98INVt-1 + a99BOTt-1+.... +
c91IHKt-3 + c92IOPPt-3 + c93EXRt-3 + c94UNMt-3 + c95MSIt-3 +
c96GDPt-3 + c97IRTt-3 + c98INVt-3 + c99BOTt-3 + 9t
dimana:
IHKt
IOPPt
EXRt
UNMt
MSIt
GDPt
IRTt
INVt
BOTt
t

=
=
=
=
=
=
=
=
=
=

Indeks harga konsumen


Kebijakan harga pangan (input-output)
Nilai tukar rupiah terhadap dolar AS
Pengangguran
Penawaran uang
Produk domestik bruto
Suku bunga bank
Investasi
Neraca perdagangan
Guncangan acak (random disturbance)

(41)

101
Dengan model VAR, semua variabel harus memenuhi syarat stationer. Jika
syarat itu terpenuhi, model tersebut hanya dapat melihat isu jangka pendek. Untuk
memperoleh isu jangka panjang dan jangka pendek pendekatan alternatifnya adalah
model VECM. Dengan kata lain, apabila semua variabel mengandung unit root maka
pendekatan VAR harus dikombinasikan dengan VECM.
Menurut Ward dan Siregar (2000), rumus umum model VECM adalah sebagai
berikut:
k 1

y t = i y t 1 + 0 + t t + ' y t 1 + t

(42)

i =1

dimana:
yt
i
1

=
=
=
=

yt yt-1;
matriks koefisien regresi;
vektor koefisien regresi;
vektor kointegrasi;

(k-1)
0

yt

=
=
=
=

ordo VECM dari VAR;


vektor intersep;
matrik loading;
variabel in level;

Vektor kointegrasi () pada model VECM menunjukkan hubungan atau


informasi jangka panjang terhadap variabel yang akan dianalisis. Vektor kointegrasi
ini dapat ditunjukkan dalam bentuk matriks kointegrasi berdasarkan banyaknya
persamaan jangka panjang yang dihasilkan pada pengujian kointegrasi.

Hasil

pendugaan VECM digunakan untuk memperoleh inovasi informasi dalam jangka


pendek dan jangka panjang dengan tingkat perubahan tertentu dengan analisis IRF
dan FEVD.

4.3.

Data dan Prosedur Analisis

4.3.1. Jenis dan Sumber Data

Karena penelitian ini terdiri dari tiga tahapan analisis yang terpisah maka jenis
dan sumber data yang digunakan bervariasi sesuai tujuan yang ingin dicapai. Jenis
data yang digunakan dalam penelitian ini berupa data sekunder. Berdasarkan tujuan
yang ingin dicapai, secara umum data yang digunakan berupa data deret waktu (time

102
series). Berdasarkan data yang tersedia, untuk menganalisis efektivitas kebijakan

harga pangan terhadap ketahanan pangan menggunakan data deret waktu tahunan dari
1975 s.d 2004. Untuk menganalisis dampak kebijakan harga pangan dan efektivitas
kebijakan harga pangan terhadap stabilitas ekonomi makro menggunakan data deret
waktu triwulanan sejak tahun 1980.1 s.d 2004.4.

Namun demikian, untuk

memperoleh informasi pendukung, selain menggunakan data deret waktu, penelitian


ini juga menggunakan data penampang lintang (cross section) yang bersumber dari
data Susenas Badan Pusat Statistik.
Data penelitian diperoleh dari berbagai sumber seperti:

Bank Indonesia,

Badan Pusat Statistik, BULOG, Departemen Keuangan, Departemen Pertanian, Bank


Dunia, dan instansi terkait lainnya.

Untuk melengkapi hasil analisis studi ini

dilengkapi dengan hasil-hasil penelitian sebelumnya.


Dalam pengumpulan data masalah yang dihadapi adalah jika data yang
digunakan menggunakan deret waktu triwulanan, sedangkan data yang tersedia hanya
deret waktu tahunan. Bahkan untuk data konsumsi rumah tangga yang bersumber
dari data susenas yang tersedia hanya data deret waktu tiga tahunan, sedangkan yang
dibutuhkan data deret waktu tahunan.
Untuk mendapatkan data tahunan konsumsi energi dan protein per kapita
diperoleh dari data tiga tahunan konsumsi energi dan protein per kapita yang
bersumber dari data Susenas Badan Pusat Statistik. Untuk itu digunakan teknik
interpolasi. Interpolasi data tiga tahunan menjadi data tahunan menggunakan bantuan
trend data tahunan yang bersumber dari data ketersediaan energi dan protein untuk

konsumsi yang beresumber Neraca Bahan Makanan Indonesia.


Oleh karena itu pengujian awal yang perlu dilakukan adalah validasi terhadap
data hasil interpolasi tersebut. Secara teori angka ketersediaan pangan lebih tinggi dari
angka konsumsi di tingkat rumah tangga. Seperti dikemukakan Azwar (2002), jika

103
konsumsi energi sebesar 2200 kkal dan konsumsi protein 48 gram per kapita per hari
maka di tingkat ketersediaan yang dianjurkan harus sebesar 2550 kkal dan 55 gram
per kapita per hari. Dengan perkataan lain, penyediaan pangan di tingkat nasional
sebaiknya 115 persen dari tingkat konsumsi individu yang dianjurkan sesuai norma
gizi. Pada penelitian ini, data ketersediaan energi dan protein yang digunakan lebih
besar dari data konsumsi energi (Lampiran 1 dan Lampiran 2).
Dengan demikian secara teori data yang digunakan sudah valid. Namun
demikian perbedaan data keduanya selama periode penelitian rata-rata ketersediaan
energi dan protein 151 persen jauh di atas tingkat konsumsinya. Fakta ini makin
menguatkan bukti bahwa tingkat aksesibiltas pangan masih belum sesuai dengan yang
dianjurkan.
Khusus untuk data triwulanan dapat juga diinterpolasi dari data tahunan.
Upaya tersebut sudah dilakukan oleh beberapa peneliti, di antaranya Boediono (1979),
Insukindro (1984) dan Malian (2003).

Teknik perhitungannya menggunakan

formulasi berikut:
1
4.5
Q1 = {Qt
(Q Qt 1 )}
4
12 t

(43)

1
1.5
Q2 = {Qt
(Q Qt 1 )}
4
12 t

(44)

1
1.5
Q3 = {Qt +
(Q Qt 1 )}
12 t
4

(45)

1
4.5
Q4 = {Qt +
(Q Qt 1 )}
4
12 t

(46)

dimana Q1, Q2, Q3 dan Q4 masing-masing data tertentu pada triwulan ke-1, ke-2, ke-3
dan ke-4. Qt adalah data tertentu pada tahun t.

104

4.3.2. Definisi Operasional

Untuk memperjelas variabel yang digunakan, terutama variabel yang sifatnya


proksi terhadap variabel tertentu, akan diuraikan definisi operasional variabel yang
digunakan dalam penelitian ini. Definisi operasional variabel yang diuraikan berikut
mencakup jenis variabel yang digunakan, satuan yang digunakan, rentang waktu data
yang dikumpulkan, sumber data yang digunakan dan cara mendapatkan data yang
digunakan.

Berikut variabel yang dikumpulkan untuk mendukung penelitian ini

dipilah-pilah menurut analisis yang dilakukan.


4.3.2.1. Data yang Digunakan pada Analisis Pangsa Pengeluaran Pangan

Untuk mengetahui hubungan antara ketahanan pangan yang diproksi dengan


konsumsi energi dan protein dengan pangsa pengeluaran pangan digunakan data hasil
Susenas BPS tahun 1996, 1999 dan 2002. Variabel yang digunakan dalam analisis ini
adalah:
E

= konsumsi energi yang berasal dari semua bahan makanan


(kkal/kapita/hari).

= konsumsi protein yang berasal dari semua bahan makanan


(gram/kapita/hari).

PF

= pangsa pengeluaran untuk pangan terhadap pengeluaran total


penduduk selama sebulan (%).

PDRBKTM = Produk domestik regional bruto per kapita tanpa migas (provinsi).
PDRBKDM = Produk domestik regional bruto per kapita dengan migas (provinsi).

4.3.2.2. Data yang Digunakan pada Analisis Ketahanan Pangan

Kebijakan Harga Pangan (Input-Output Price Policy) diproksi dari kebijakan


yang mendukung stabilitas harga pangan. Kebijakan tersebut terdiri dari:
1. ACPP = Kebijakan Kredit Program Pertanian (Agriculture Credit Programe
Policy). Penggunaannya digunakan untuk kredit pengadaan input pertanian
(AICP) dan kredit pengadaan pangan (FPCP). Jenis kredit ini adalah Kredit

105
Likuiditas Bank Indonesia (KLBI), yang bersumber dari pencetakan uang BI dan
Kredit Ketahanan Pangan (KKP) yang bersumber dari Bank Komersial. Sumber
data KLBI diperoleh dari Statistik Ekonomi dan Keuangan Indonesia yang
diterbitkan Bank Indonesia dan sumber data KKP dari Vademekum Kredit
Ketahanan Pangan Deptan. Satuan yang digunakan milyar rupiah. Kedua kredit
ini merupakan kredit bersubsidi. Dalam studi ini data yang digunakan adalah
realisasi kredit yang disalurkan, bukan persen subsidi bunga atau nilai subsidi
bunga. Dua data terakhir sulit didapatkan secara akurat karena variasinya cukup
banyak sesuai usaha komoditas pertanian apa yang diusahakan dan waktu kredit
tersebut disalurkan. Karena menurut Undang-Undang No.23 tahun 1999 Bank
Indonesia tidak dapat lagi menyalurkan KLBI maka untuk program pertanian
diciptakan Kredit KKP pada Oktober 2000, namun efektifnya mulai realisasi pada
Januari 2001. Dengan demikian data ACPP yang digunakan sesuai deret waktu
studi harus menyambung data deret waktu KLBI dan KKP. Berdasarkan
ketersediaan data untuk KLBI data yang diolah merupakan rata-rata realisasi per
bulan selama satu triwulan (outstanding), sedangkan Untuk KKP merupakan data
jumlah per triwulan. Penyambungan ini merupakan kelemahan, namun ini
merupakan cara terbaik dan sesuai sifat datanya. Rincian kredit program
pertanian yang digunakan dalam studi ini dapat dilihat pada Tabel 11. Untuk
mendapatkan data tahunan KLBI diperoleh dengan merata-ratakan data setiap
bulan sedangkan data KKP menjumlahkan data setiap bulan.
Tabel 11. Berbagai Jenis Kredit Program Pertanian yang digunakan menurut
Sumbernya, Tahun 1975-2004
Sumber
I. KLBI1):
1. Input

Jenis Kredit/Usaha
1. Kredit Usaha Perkebunan
2. Kredit Pertanian
3. Kredit Usahatani/KUT
4. Kredit Koperasi/KKPA

2. Ouput

1. Pengadaan Gula
2. Pengadaan Pangan

II. KKP2)
1. Input

3. Pengadaan Pangan &


Gula
1. Kredit Tanaman Pangan
2. Kredit Budidaya Tebu
3. Kredit Peternakan

2. Output
Sumber: 1) BI dan

1. Pengadaan Pangan
2)

Waktu

Keterangan

Jan. 1975 s.d


Agustus 1994
Jan. 1975 s.d
Desember 1988
Nop. 1993 s.d
Januari 2003
Jan. 1994 s.d
Januari 2003

Termasuk Program
PIR
Untuk
pupuk,
Bimas, dll

Jan. 1975 s.d


Desember 1988
April 1984 s.d
Desember 1993
Jan. 1994 s.d
Fepriari 2000
Jan. 2001 s.d
Desember 2004
Jan. 2001 s.d
Desember 2004
Jan. 2001 s.d
Desember 2004
Jan. 2001 s.d
Desember 2004

Deptan, perikanan juga ada namun tidak dimasukkan.

Komponennya
tidak semua
pertanian

Jumlh per trwulan


atau per tahun
Jumlh per trwulan
atau per tahun
Jumlh per trwulan
atau per tahun
Jumlh per trwulan
atau per tahun

106
2. AGSP = Kebijakan Subsidi Pertanian (Agriculture Subsidized Policy), terdiri dari
Kebijakan Subsidi Pupuk untuk Pertanian (FRSP) dan Kebijakan Subsidi untuk
Pengadaan Pangan (FPSP). Dana yang digunakan bersumber dari dana APBN
dengan satuan milyar rupiah. Sumber data Subsidi Pupuk dari Departemen
Keuangan, Laporan Tahunan Bank Indonesia dan dari studi yang dilakukan oleh
Usui, N (1999) yang sumber asalnya juga dari Departemen Keuangan. Sumber
data Subsidi Pangan dari Nota Keuangan Republik Indonesia berupa data tahunan
dari 1973/74 1999/00 2004. Data tersebut diubah menjadi data triwulanan dan
data tahunan pola baru (1974 1999 2004) dengan menggunakan bantuan data
penyaluran beras (ton) yang dilakukan Bulog setiap bulan selama deret waktu
Penelitian. Untuk data subsidi pupuk sebagian sudah tersedia dalam bentuk data
triwulanan dan sebagian lagi dalam bentuk data tahunan. Untuk mendapatkan
data triwulanan digunakan bantuan data realisasi penyaluran pupuk bersubsidi
setiap bulan yang diperoleh dari Direktorat Sarana Ditjen Tanaman Pangan
Deptan dimana sumber aslinya dari Pusri Holding Company.
3. AGIP = Kebijakan Harga Input, diperoleh dari FRSP + AICP
4. AGOP = Kebijakan Harga Output, diperoleh dari FPSP + FPCP
5. IOPP = Kebijakan Harga Input-Output

Ketahanan Pangan diproksi dari ketersediaan dan konsumsi energi dan protein
yang berasal dari berbagai bahan pangan. Berdasarkan kebijakan yang dilakukan
pemerintah ada enam alternatif kelompok bahan pangan yang digunakan (Tabel 12).
Tabel 12. Beberapa Alternatif Kelompok Bahan Pangan yang Digunakan Dalam
Model
Alternatif

Kelompok Bahan Pangan

beras, jagung, kedele dan gula

beras, jagung, kedele,gula, ubi kayu (termasuk gaplek dan tapioka


yang sudah dikonversi ke ubikayu) dan ubi jalar

beras, jagung, kedele, gula, daging ayam ras, telur ayam ras,
daging ayam buras dan telur ayam buras

beras, jagung, kedele, gula, daging ayam ras, telur ayam ras,
daging ayam buras, telur ayam buras, ubi kayu (termasuk gaplek
dan tapioka yang sudah dikonversi ke ubikayu) dan ubi jalar

beras, jagung, kedele, gula, daging ayam ras, telur ayam ras,
daging ayam buras,telur ayam buras, dan minyak goreng (kelapa
dan palm oil).

beras, jagung, kedele, gula, daging ayam ras, telur ayam ras,
daging ayam buras,telur ayam buras, minyak goreng (kelapa dan
palm oil), ubi kayu (termasuk gaplek dan tapioka yang sudah
dikonversi ke ubikayu) dan ubi jalar

107
Berdasarkan hasil analisis dan beberapa kali respesifikasi model hanya
alternatif keempat yang memberikan hasil terbaik menurut kriteria ekonomi, statistika
dan ekonometrika. Dengan demikian variabel ketahanan pangan yang digunakan
adalah sebagai berikut:
EAV4 = Ketahanan Pangan yang diproksi dari jumlah Ketersediaan Energi yang
bersumber dari EAV3 ditambah ubi jalar dan ubi kayu (termasuk gaplek dan tapioka
yang sudah dikonversi ke ubikayu). Satuannya ribu kilo kalori per tahun (ribu
kkal/th). Data dikumpulkan dari tahun 1970 sampai dengan 2004 yang bersumber
dari NMBI BPS.
PAV4 = Ketahanan Pangan yang diproksi dari jumlah Ketersediaan Protein yang
bersumber dari PAV3 ditambah ubi jalar dan ubi kayu (termasuk gaplek dan tapioka
yang sudah dikonversi ke ubikayu). Satuannya kilo gram per tahun (Kg/th). Data
dikumpulkan dari tahun 1970 sampai dengan 2004 yang bersumber dari NMBI BPS.
EAC4 = Ketahanan Pangan yang diproksi dari jumlah Konsumsi Energi yang
bersumber dari EAC3 ditambah ubikayu (termasuk gaplek, tepung gaplek dan tapioka
yang sudah dikonversi ke ubikayu) dan ubi jalar. Satuannya ribu kilo kalori per
tahun (ribu kkal/th). Data dikumpulkan dari tahun 1970 sampai dengan 2004 yang
bersumber dari Susenas BPS. Untuk mendapat data tahunan seperti data NBMI data
Susenas diinterpolasi atau ekstrapolasi mengikuti arah data NBMI, kecuali arahnya
berlawanan maka sesuai dengan kondisi yang ada. Dengan menggunakan data
konversi pada NBMI data dalam bentuk kilogram tersebut dikonversi menjadi dalam
bentuk kalori.
PAC4 = Ketahanan Pangan yang diproksi dari jumlah Konsumsi Protein yang
bersumber dari PAC3 ditambah ubi kayu (termasuk gaplek, tepung gaplek dan tapioka
yang sudah dikonversi ke ubikayu) dan ubi jalar. Satuannya kilogram per tahun
(Kg/th). Data dikumpulkan dari tahun 1970 sampai dengan 2004 yang bersumber dari
Susenas BPS. Untuk mendapat data tahunan seperti data NBMI data Susenas
diinterpolasi atau ekstrapolasi mengikuti arah data NBMI, kecuali arahnya
berlawanan maka sesuai dengan kondisi yang ada. Dengan menggunakan data
konversi pada NBMI data dalam bentuk kilogram bahan pangan tersebut dikonversi
menjadi dalam bentuk protein.
EACK4 atau PACK4, huruf kapital K menunjukkan konsumsi per kapita.
PDB = Produk domestik bruto harga konstan 1993. Satuannya milyar Rupiah. Data
dikumpulkan dari tahun 1975 sampai dengan 2004 yang bersumber dari Indikator
Ekonomi BPS.
PDBK = Produk domestik bruto harga konstan 1993 dibagi dengan jumlah penduduk.
SOL = Harga minyak solar. Satuannya rupiah per liter (Rp/ltr). Data dikumpulkan
dari tahun 1966 sampai dengan 2004. Sumber data 1966 2003 berasal dari statistik
Pertamina, sedangkan data 2003-2004 diperoleh dari SPBU di Bogor.

108

4.3.2.3. Data yang Digunakan pada Analisis Stabilitas Ekonomi Makro


BOP = Neraca pembayaran Indonesia, adalah nilai total dari transaksi berjalan dengan
transaksi modal selama satu triwulan dalam satuan USD juta. Selama series waktu
studi ada data yang negatif, sehingga tidak memungkinkan untuk diolah dalam bentuk
logaritma. Data yang dikumpul dari 1975Q1 sampai dengan 2004Q4 bersumber dari
Statistik Ekonomi dan Keuangan (SEKI) Bank Indonesia.
BOT = Neraca perdagaangan Indonesia, adalah selisih nilai ekspor dengan nilai impor
selama satu triwulan dalam satuan USD juta. Selama series waktu studi ada satu
pengamatan yang bernilai negatif, sehingga tidak memungkinkan untuk diolah dalam
bentuk logaritma. Data yang dikumpul dari 1975Q1 sampai dengan 2004Q4
bersumber dari Statistik Ekonomi dan Keuangan (SEKI) Bank Indonesia.
EXR = Nilai tukar rupiah terhadap US dollar, dalam satuan Rp per USD. Sumber
data dari SEKI Bank Indonesia. Data yang dikumpul dari 1975Q1 sampai dengan
2004Q4. Data yang tersedia bulan Januari 1975 sampai dengan Maret 1989
merupakan data kurs Rupiah terhadap USD di Jakarta. Sejak April 1989 sampai
Desember 2004 merupakan Kurs Tengah Bank Indonesia. Data triwulanan diperoleh
dengan merata-ratakan nilai tukar bulanan dalam triwulan tersebut (Maret, Juni,
September dan Desember). Untuk mendapatkan nilai tukar riil digunakan formula
berikut:
IHK AS
REXR = EXR
(47)
IHK INA
dimana:
REXR
= nilai tukar riil rupiah terhadap dolar AS (tanpa satuan)
EXR
= nilai tukar nominal rupiah terhadap dolar AS (Rp/USD)
= indeks harga konsumen Amerika Serikat
IHKAS
= indeks harga konsumen Indonesia
IHKINA
GDP = Produk domestik bruto, dalam satuan Rp milyar per triwulan. Data bersumber
dari Indikator Ekonomi Badan Pusat Statistik. Data yang dikumpul dari 1979Q1
sampai dengan 2004Q4. Karena keterbatasan data, GDP 1979Q1 sampai dengan
1982Q4 berasal dari GDP tahunan yang didekomposisi menjadi data triwulanan
sesuai rumus pada persamaan (43) sampai dengan (46). Untuk tahun 1983 sampai
dengan 2004 sudah merupakan data triwulanan. Untuk mendapatkan nilai riil
digunakan harga konstan 1993. Penetapan tahun dasar tersebut disesuaikan dengan
tahun dasar indeks harga konsumen yang digunakan.
IHK = nilai indeks harga konsumen (IHK). Sumber data dari bulan Maret 1979
sampai dengan Desember 2004 berasal dari Statitistik Ekonomi dan Keuangan
Indonesia (SEKI) Bank Indonesia. Data yang dikumpul dari Bulan Maret 1979
sampai Bulan Desember 2004. Selama rentang waktu tersebut menggunakan
berbagai tahun dasar yang berbeda sebagai berikut: (1) Maret 1979 sampai dengan
Maret 1990 menggunakan tahun dasar: April 1977 Maret 1978 = 100; (2) April
1990 sampai dengan Mei 1997 menggunakan tahun dasar: April 1988 Maret1989 =
100 ; (3) Juni 1997 sampai dengan Desember 2003 menggunakan tahun dasar: 1996
= 100 ; dan (4) Januari 2003 sampai dengan Desember 2004 menggunakan tahun
dasar: 2002 = 100. Dari berbagai tahun dasar tersebut dilakukan tiga tahap
pengolahan. Pertama, semua nilai IHK disamakan tahun dasarnya dalam hal ini ke
tahun 1996. Kedua, dari rentang data bulanan yang telah dikonversi ketahun dasar

109
yang sama, dapatkan data triwulanan dengan cara merata-ratakan data bulanan.
Ketiga, Setelah tersusun data triwulanan, maka ditetapkan lagi tahun dasar untuk
penggunaan penelitian ini. Penentuan triwulan dan tahun mana yang digunakan
sebagai tahun dasar yang baru dengan memperhatikan kondisi dimana pada tahun
tersebut perekonomian relatif stabil dan posisi tahun dasar tersebut berada
dipertengahan rentang waktu penelitian. Dalam hal ini tahun 1993Q2. Nilai IHK ini
digunakan untuk meriilkan semua data nilai dalam bentuk nominal dengan formula
sebagai berikut:
Nilai Riil =

Nilai No min al
100
IHK

INF = diperoleh dari nilai IHK dengan formula sebagai berikut:


IHK T IHK T 1
100%
INFT =
IHK T 1

(48)

(49)

US-CPI = Indeks harga konsumen Amerika Serikat (all urban consumers-CPI-U)


berasal dari tahun dasar 1982-84=100 diubah menjadi tahun dasar 1993Q2 = 100.
Data diperoleh melalui internet dengan Series Id: CUUR0000SA0.
INV = Investasi, adalah jumlah nilai investasi yang disetujui Pemerintah yang berasal
dari Penamanam Modal dalam Negeri (PMDN) dalam satuan Rp milyar dan
Penanaman Modal Asing (PMA) dalam satuan USD juta. Sebelum dijumlahkan nilai
PMA dikonversi ke dalam nilai milyar rupiah dengan menggunakan kurs (Rp/USD)
yang digunakan dalam data penelitian ini. Data yang dikumpul dari 1975Q1 sampai
2004Q4. Sumber data dari Januari 1975 sampai dengan April 1996 berasal dari
Indikator Ekonomi Badan Pusat Statistik dan sejak Mei 1996 sampai dengan
Desember 2004 bersumber dari SEKI Bank Indonesia. Data triwulanan ini
merupakan data akumulasi data bulanan selama tiga bulan. Contoh: jumlah investasi
bulan Januari, Pebruari dan Maret tahun 1980 sama dengan nilai investasi triwulan
pertama tahun 1980.
IRT = Suku bunga bank, adalah suku bunga Bank Umum untuk keperluan investasi
dalam satuan persen (%). Data yang dikumpul dari 1980Q1 sampai 2004Q4. Karena
keterbatasan data maka sumber data dari 1980Q1 sampai dengan 1988Q4 merupakan
suku bunga Bank Pemerintah yang bersumber dari Bank Indonesia, dikutip dari
Bafadal, A. 2005. Nilai suku bunga Bank Pemerintah tersebut dikonversi menjadi
suku bunga Bank Umum dengan menggunakan rata-rata konversi dari data 1989Q1
sampai dengan 1993Q3. Karena keterbatasan data, dimana data triwulanan tidak
tersedia dari tahun 1980 sampai dengan tahun 1988, maka data triwulanan pada
rentang waktu tersebut dianggap sama dengan data tahunan. Sejak tahun 1989 sampai
dengan tahun 2004 menggunakan data triwulanan yang bersumber dari SEKI Bank
Indonesia. Data triwulanan diperoleh dari data rata-rata bulanan selama periode
triwulan tersebut. Memperoleh nilai suku bungan riil digunakan formula berikut:

rt = it t e
dimana:
rt = suku bunga riil
it = suku bunga nominal
te = ekspektasi inflasi yang diproksi dari t 1

(50)

110
MSI = Penawaran uang, adalah jumlah uang yang ditawarkan Bank Indonesia (M1)
dalam satuan Rp milyar. Data yang dikumpulkan dari 1975Q1 sampai dengan
2004Q4, bersumber dari SEKI Bank Indonesia. Data triwulanan diperoleh dengan
merata-ratakan penawaran uang bulanan dalam triwulan tersebut.
UNM = Jumlah pengangguran, adalah angkatan kerja yang tidak mempunyai
pekerjaan dan sedang mencari pekerjaan atau sejak tahun 2001 istilahnya disebut
pengangguran terbuka dalam satuan ribu orang. Awalnya angkatan kerja tersebut
dihitung sejak beurumur 10 tahun ke atas, namun sejak adanya wajib belajar 9 tahun,
maka sejak tahun 1998 tingkat umur angkatan kerja menjadi 15 tahun keatas. Dalam
studi ini yang digunakan adalah angkatan kerja yang berumur 15 tahun ke atas. Data
yang dikumpulkan dari 1980-1 sampai dengan 2004Q4 bersumber dari Sakernas BPS.
Karena tidak tersedia data bulanan dan triwulanan maka data yang digunakan untuk
tiap triwulan adalah sama dengan data tahunan yang merupakan data pengangguran
pertengahan tahun.
IOPP = Kebijakan Harga Pangan (Input-Output Price Policy- IOPP) diproksi dari
kebijakan yang mendukung stabilitas harga pangan. Data yang digunakan sama
dengan yang digunakan pada analisis ketahanan pangan, namun pada analisis ini
menggunakan deret waktu triwulanan.

Jenis data yang digunakan untuk analisis ketahanan pangan dan stabilitas
ekonomi makro dapat dilihat pada Lampiran 3 dan Lampiran 4, sedangkan data
Susenas untuk analisis pangsa pengeluaran pangan diperoleh dari Pusat Analisis
Sosial Ekonomi dan Kebijakan Pertanian (PSE-KP) Bogor.
4.3.3. Prosedur Analisis
4.3.3.1.Pangsa Pengeluaran Pangan

Pada penelitian ini yang dimaksud pangsa pengeluaran pangan adalah rasio
pengeluaran untuk belanja pangan dan pengeluaran total penduduk selama sebulan.
Pangsa pengeluaran pangan penduduk diperoleh dengan menggunakan data di tingkat
rumah tangga kemudian dibagi dengan jumlah anggota rumah tangga. Besar pangsa
pengeluaran terhadap total pengeluaran diperoleh dari data Susenas BPS. Perhitungan
pangsa pengeluaran pangan (PF) pada berbagai kondisi, yaitu agregat, desa-kota, dan
berbagai kelompok pendapatan penduduk menggunakan formula berikut:

111

PFt =

dimana:
PF
PP
TP

ppt
100%
TPt

(51)

= Pangsa pengeluaran pangan (%)


= Pengeluaran untuk belanja pangan (Rp/bulan)
= Total pengeluaran (Rp/bulan)

Selanjutnya dengan menggunakan persamaan regresi sederhana dengan tiga


alternatif bentuk fungsi (linear, Cobb Douglass dan hyperbola) diformulasikan model
dimana pangsa pengeluaran pangan sebagai variabel independen dan ketahanan
pangan yang diproksi oleh konsumsi energi dan konsumsi protein sebagai variabel
dependen. Pendugaan model regresi menggunakan teknik OLS (Ordinary Least
Squares). Bentuk model yang digunakan ditentukan berdasarkan hasil pendugaan
yang memberikan nilai terbaik menurut kriteria ekonomi, statistika dan ekonometrika.
4.3.3.2.Ketahanan Pangan dan Stabilitas Ekonomi Makro

Untuk menganalisis pengaruh kebijakan harga pangan terhadap ketahanan


pangan dan stabilitas ekonomi makro digunakan pendekatan ekonometrika deret
waktu (time series).

Model yang digunakan dalam penelitian ini adalah Error

Correction Model/Vector Error Correction Model (ECM/VECM).

Pada model

stabilitas ekonomi makro, hasil analisis model VECM digunakan untuk analisis lebih
lanjut dengan menggunakan teknik Impulse response Fuction (IRF) dan Forecast
Error

Variance

Decomposition

(FEVD).

Untuk

mengoperasikan

prosedur

ekonometrika deret waktu tersebut digunakan perangkat lunak (software) Interactive


Econometric Analysis Microfit 4.0 for Windows (Pesaran dan Pesaran1997).
Masalah utama yang dihadapi dalam penggunaan data deret waktu adalah data
yang non stationer. Karena itu perlu dilakukan pengujian stationary dan membuat
agar data tersebut menjadi stationer seperti yang dilakukan dalam prosedur analisis
VECM. Jika tidak maka hasil regresi menjadi spurious.

Di samping itu pada

112
kenyataannya variabel kebijakan pemerintah tidak selalu merupakan pebuah eksogen,
karena suatu kebijakan diambil merupakan reaksi dari suatu keadaan. Perilaku yang
demikian diakomodasi jika menggunakan VECM, karena salah satu karakteristik
VECM adalah semua variabel eksogen juga merupakan variabel endogen.
Pendekatan

ini

juga

mempunyai

kelebihan

untuk

memperkecil

terjadinya

multikolinieritas karena variabelnya dalam bentuk beda pertama, dan mampu


menangkap fenomena ekonomi yang ekstrim (Thomas, 1997).
Untuk sampai pada tujuan yang diharapkan prosedur yang dilakukan melalui
beberapa tahapan berikut.
4.3.1.1. Eksplorasi Data

Dalam model ECM Variabel yang digunakan tidak harus dalam bentuk
logaritma. Namun bentuk logaritma baik digunakan dengan dua alasan: (1) parameter
variabelnya diinterpretasikan sebagai nilai elastisitas dan (2) pada variabel beda
pertama (first difference) diinterpretasikan sebagai laju pertumbuhan (growth rates)
dengan formula sebagai berikut (Thomas, 1997):

Yt Yt Yt 1

y t = ln(Yt ) ln(Yt 1 ) = ln
Yt 1
Yt 1

(52)

Dengan cara ini semua variabel tidak memiliki satuan karena dalam bentuk laju
pertumbuhan.

Jika nilai parameter dikalikan 100% satuannya menjadi seragam

dalam bentuk persen sehingga mudah membacanya.


Untuk variabel yang merupakan friksi seperti suku bunga, jika diperlukan
tetap mengubah variabel in level menjadi bentuk bedanya (difference), tapi tidak
harus dilogaritmakan karena satuannya sudah persen. Namun dalam menginterpretasi
hasil jika variabel lain dikalikan dengan 100, sedangkan variabel suku bunga tidak.
Untuk variabel yang bernilai negatif, seperti BOP atau BOT, tidak dapat dilakukan

113
logaritma, namun jika diperlukan tetap diubah dalam bentuk beda (difference). Hanya
perlu diingat penentuan elastisitas dilakukan dengan perhitungan manual.
Sebelum dilakukan pengolahan lebih lanjut, semua variabel dalam bentuk
nominal diriilkan terlebih dahulu, termasuk untuk nilai tukar dan suku bunga bank.
Sementara itu untuk PDB menggunakan harga konstan. Tahun dasar yang digunakan
harus sama dengan tahun dasar yang digunakan pada penentuan indeks harga
konsumen.

Eksplorasi data tersebut menjadi dalam bentuk logaritma dan riil,

pengolahannya dapat dilakukan langsung pada monitor pengolahan data program


microfit (Lampiran 5).
4.3.1.2. Uji Stasionaritas

Metode

pendugaan

standar

yang

sering

digunakan

dalam

aplikasi

ekonometrika berdasarkan pada asumsi bahwa nilai tengah dan varian dari variabel
didefinisikan konstan dan tidak tergantung pada waktu.

Namun aplikasi dengan

pengujian unit root menunjukkan bahwa asumsi tersebut tidak memuaskan untuk
sebagian besar variabel ekonomi makro time series (Dickey, 1994).
Uji stasionaritas bertujuan untuk mengetahui apakah variabel yang digunakan
mengandung unit root (tidak stationer). Variabel yang nilai tengah dan variannya
berubah setiap waktu dikenal sebagai variabel yang mengandung unit root atau tidak
stasioner.

Pendugaan menggunakan variabel yang tidak stasioner menghasilkan

regresi yang semu (spurious regression) dan kesimpulan yang menyesatkan (Dickey,
1994 dan Verbeek, 2000). Oleh karena itu sebelum melakukan pendugaan harus
dilakukan

pengujian apakah data yang digunakan sudah stasioner.

Jika tidak,

lakukan pengolahan lebih lanjut agar menjadi stasioner.


Menurut Thomas (1997) suatu data deret waktu misalkan X, dikatakan
stasioner jika nilai tengah E(Xt), varian Var(Xt), dan covariannya Cov(Xt, Xt+k)

114
konstan untuk semua t. Untuk mengetahui apakah suatu variabel stationer atau tidak,
dilakukan dengan uji statistik Dickey Fuller (DF) dan Augmented Dickey Fuller
(ADF).

Hasil uji statistik tersebut menampilkan dua tabel output, yaitu yang

mengandung intersep dengan trend dan yang mengandung intersep tanpa trend.
Pengujian hipotesis dari kedua hasil tersebut menggunakan kriteria Schwarz

Bayesian Criterion (SBC). Hipotesis yang digunakan adalah:


H0 : Variabel mengandung unit root.
H1 : Variabel tidak mengandung unit root.
Penentuan nilai t statistik berpedoman pada nilai SBC yang bernilai paling tinggi.

H0 akan ditolak jika nilai t statistik hitung lebih negatif1 dari nilai kritis pada selang
kepercayaan 95%. Ini berarti variabel tidak mengandung unit root. Jika terjadi
sebaliknya maka variabel yang diuji mengandung unit root.
Pada tahap awal pengujian unit root dilakukan pada semua variabel dalam
level (in level).

Apabila hasil uji ADF mengandung unit root, maka dilakukan

penarikan diferensial sampai data menjadi stationer. Jika diferensiasi sebanyak k kali
data menjadi stationer, maka suatu data deret waktu dikatakan integrated of order k
atau ditulis dengan I(k). Untuk itu variabel dalam level diolah terlebih dahulu menjadi
dalam bentuk beda pertamanya. Demikian selanjutnya hingga ditemui variabel yang
stasioner. Penulisan program uji unit root dapat dilihat pada Lampiran 5.
Pada model ketahanan pangan, pengujian unit root dilakukan terhadap 45
variabel yang akan digunakan dalam model. Hasil uji statistik DF/ADF menunjukkan
bahwa sebagian besar variabel mengandung unit root dalam level, kecuali variabel
kebijakan subsidi pertanian (AGSP) dan konsumsi protein per kapita per hari (PACK,
untuk n=1,2, dan 4) sudah stasioner dalam level. Sebagian besar data yang digunakan
mengandung unit root, maka uji dilanjutkan terhadap variabel pada beda pertama.
1

Karena uji unit roots menggunakan tabel sebelah kiri dan satu arah.

115
Hasil uji menunjukkan 38 variabel stasioner pada beda pertama, sedangkan
variabel LEAV6, LRFPCP dan harga solar (riil) masih belum stasioner. Uji unit root
dicukupkan pada beda pertama. Variabel yang belum stationer pada beda pertama
tidak digunakan dalam analisis lebih lanjut. Hasil uji tersebut dapat dilihat dari nilai
ADF statistik hitung yang didasarkan pada kriteria SBC. Pada selang kepercayaan
95%, nilai kritis untuk statistik ADF dengan jumlah observasi 24 (in level), mencakup
intersep tetapi tanpa trend adalah -2.9907 dan untuk intersep dan trend linier adalah 3.6119. Pada jumlah pengamatan 23 (first difference), mencakup intersep tetapi tanpa
trend adalah -2.9970 dan untuk intersep dan trend linier adalah -3.6219. Program
komputer dan hasil lengkap uji unit-root dapat dilihat pada Lampiran 6.
Pada model stabilitas ekonomi makro, hasil uji statistik DF/ADF menunjukkan
bahwa hipotesis nol dari kesembilan variabel yakni bahwa variabel yang diuji
mengandung unit root dalam level tidak dapat ditolak, kecuali untuk variabel suku
bunga dan neraca perdagangan. Pengujian dilanjutkan terhadap beda pertama dan
hasilnya semua variabel stasioner pada I(1). Hal tersebut dapat dilihat dari nilai
statistik Likelihood Ratio berdasarkan kriteria SBC baik untuk statistik DF/ADF
dengan jumlah observasi 94 (dalam level) dengan intersep tanpa trend adalah -2.8922
maupun dengan intersep dan trend adalah -3.4576. Pada jumlah pengamatan 93 (first
difference) dengan intersep tanpa trend adalah -2.8925 maupun dengan intersep dan
trend adalah -3.4581. Ringkasan hasil uji unit root kesembilan variabel dapat dilihat
pada Lampiran 7.
4.3.1.3. Uji Ordo Lag

Sebelum menentukan rank kointegrasi perlu ditentukan seberapa besar lag


optimal yang digunakan dalam model. Pada kasus persamaan parsial atau univariat
tidak memerlukan pengujian statistik, tetapi dapat ditentukan secara langsung sesuai

116
dengan data yang digunakan. Ordo lag optimal untuk data deret waktu tahunan
adalah satu, untuk data deret waktu smesteran adalah dua, untuk data deret waktu
triwulan adalah empat dan untuk data deret waktu bulanan adalah 12.
Pada kasus sistem persamaan atau multivariat penentuan ordo lag optimal
harus dilalui melalui uji statistik SBC. Ordo lag optimal saat nilai statistik SBC
terbesar atau menggunakan Adjusted LR Test. Penelitian ini menggunakan pendekatan

Adjusted LR Test. Hipotesis yang digunakan adalah:


H0 : lag n = lag n-1 ditolak jika nilai p-value < 0.05
Jika H0 ditolak, pengujian dilanjutkan hingga diperoleh nilai p-value > 0.05, sebagai
berikut:

H0: lag n-1 = lag n-2 diterima jika nilai p-value > 0.05.
Jika H0 diterima, maka ordo yang dipilih adalah ordo terkecil. Dalam kasus ini ada
dua, yaitu n-1 dan

n-2, yang dipilih adalah n-2.

Hal ini dimaksudkan untuk

menghindari pengurangan jumlah observasi akibat meningkatnya lag yang digunakan.


Penulisan program penentuan ordo lag optimal dapat dilihat pada Lampiran 8.
Dengan memilih dua, tiga, empat dan lima sebagai maksimum ordo VAR,
terlihat bahwa uji Adjusted LR gagal menunjukkan ordo lag yang optimum. Artinya
hipotesis nol ditolak karena tidak ada nilai Likelihood Ratio yang lebih besar dari nilai
kritis yaitu 0.05. Pada saat memilih enam sebagai maksimum ordo VAR, hipotesis
nol yaitu ordo lag optimum adalah ordo empat sama dengan ordo tiga tidak dapat
ditolak.

Berdasarkan hasil uji tersebut maka ordo lag optimum yang digunakan

adalah tiga. Hasil analisisnya dapat dilihat pada Lampiran 9.


4.3.1.4. Uji Kointegrasi

Uji ini bertujuan untuk memastikan apakah variabel yang digunakan dalam
persamaan atau sistem persamaan mempunyai hubungan jangka panjang. Pada kasus

117
analisis parsial variabel-variabel dalam persamaan dikatakan terkointegrasi jika
residual (error term) dari persamaan tersebut memiliki derajat integrasi k-1, dimana k
adalah derajat integrasi masing-masing variabel yang digunakan dalam persamaan.
Dalam kasus penelitian ini, berarti residualnya harus berderajat nol atau I(0).
Pengujian tersebut menggunakan uji statistik DF/ADF seperti uji stasionaritas. Jika
ada kointegrasi maka pendugaan dapat dilanjutkan sehingga diperoleh nilai-nilai
dugaan. Penulisan programnya dapat dilihat pada Lampiran 10.
Pada kasus sistem persamaan, uji kointegrasi berarti menentukan rank
kointegrasi (r). Asumsi yang digunakan model mengandung unrestricted intercept
dan restricted trend.

Pengujian hipotesis berdasarkan statistik yang berdasarkan

Maximal Eigenvalue of the Stochastic Matrix dan Trace of the Stochastic Matrix.
Penulisan program penentuan rank kointegrasi pada sistem persamaan dapat dilihat
pada Lampiran 11.
Jika hasil statistik Likelihood Ratio lebih besar dari nilai kritis pada selang
kepercayaan 95% maka hipotesis nol akan ditolak.

Jika terjadi sebaliknya maka

hipotesis nol tidak dapat ditolak. Prosedurnya sebagai berikut:


H0: r = 0 : statistik Likelihood Ratio lebih besar dari nilai kritis pada selang
kepercayaan 95% tolak H0 dan uji dilanjutkan
H0: r <=1 : statistik Likelihood Ratio lebih besar dari nilai kritis pada selang
kepercayaan 95% tolak H0 dan uji dilanjutkan
H0: r <= 2 : statistik Likelihood Ratio lebih kecil dari nilai kritis pada selang
kepercayaan 95% terima H0. Ini berarti terima Hipotesis
alternatif, dimana r = 2.
Berdasarkan nilai Maximal Eigenvalue of the Stochastic Matrix dan Trace of

the Stochastic Matrix (Lampiran 12), hipotesis nol tidak dapat ditolak pada

r<= 2.

Uji sebelumnya hipotesis nol ditolak untu r<= 1. Dengan demikian dapat terima
hipotesis alternatif yaitu r = 2 atau ada dua rank kointegrasi. Hasil analisis rank
kointegrasi ini menyimpulkan bahwa dari sembilan persamaan dalam model terdapat

118
dua persamaan yang dapat menjelaskan hubungan jangka panjang untuk menjelaskan
keseluruhan fenomena yang tercakup dalam model yang dianalisis.
4.3.1.5. Identifikasi Persamaan Struktural

Setelah diketahui rank kointegrasi dilakukan restriksi umum (general

restriction) berdasarkan motode Johansen, yaitu dengan membuat matrik identitas


(Lampiran 13). Tahap ini diperlukan untuk melangkah ke tahap restriksi spesifik.
Restriksi umum akan menghasilkan pendugaan parameter vektor kointegrasi sesuai
rank kointegrasi yang exactly identified dengan nilai likelihood (LL) tertentu. Nilai
LL tersebut digunakan sebagai pedoman untuk menghasilkan restriksi spesifik yang
valid dan optimal.
Untuk memperoleh persamaan struktural VECM yang over identified sebagai
persamaan akhir yang digunakan untuk peramalan jangka pendek dan jangka panjang
sesuai rank kointegrasi, dilakukan restriksi spesifik terhadap matrik parameter jangka
panjang pada masing-masing vektor kointegrasi (Lampiran 13). Langkah ini
dilakukan secara try and error. Suatu persamaan VECM dikatakan valid jika hasil
restriksi menunjukkan over identified dengan kriteria LR Test memiliki nilai p-value >
0.01 dan nilai LL mendekati nilai likelihood kondisi exactly identified.
4.3.1.6. Innovation Accounting

Inovasi akuntansi dilakukan pada persamaan hasil restriksi spesifik yang


secara statistik sudah valid dan optimal. Ada dua bentuk analisis inovasi akuntasi:
1. Untuk melihat respon dinamik suatu variabel akibat adanya guncangan dari
variabel lain yang diukur dalam satuan standar deviasi, digunakan analisis IRF.
2. Untuk menganalisis berapa kontribusi masing-masing variabel terhadap
variabilitas atau fluktuasi suatu variabel tertentu akibat terjadinya guncangan
tersebut, digunakan analisis FEVD.

119
Dalam analisis IRF, guncangan atau shock dapat terjadi pada semua variabel
dalam model. Namun demikian dalam studi ini guncangan difokuskan pada apa yang
dapat dilakukan langsung oleh pemerintah, yaitu : kebijakan harga pangan, kebijakan
moneter, dan kebijakan perdagangan.

Untuk analisis FEVD sumber guncangan

berasal dari semua variabel yang digunakan. Akan tetapi dampak guncangan hanya
difokuskan pada variabel kebijakan harga pangan dan variabel kunci ekonomi makro
yaitu: inflasi, pertumbuhan, pengangguran dan neraca perdagangan. Matriks yang
digunakan untuk melakukan guncangan sebagai berikut:

1
a
21
a31
a
41

a51
a 61

a 71
a81
a
91

0
1

0
0
1

a32
a 42

a 43

0
0
0
1

a52
a 62
a 72
a82
a92

a53
a63
a73
a83
a93

a54
a64
a74
a84
a94

0
0
0
0

0
0
0
0

0
0
0
0

0
0
0
0

0
1

0
0
1

0
0
0
1

a65
a75
a85
a95

a76
a86
a96

a87
a97

a98

0 INF

0 FPS

0 EXR
0 UNM

0 MSI =
0 GRW

0 IRT
0 INV
1 BOP

b11
0

0
0

0
0

0
0
0

0
b22
0
0

0
0
b33
0

0
0
0
b44

0
0
0
0

0
0
0
0

0
0
0
0

0
0
0
0

0
0
0
0
0

0
0
0
0
0

0
0
0
0
0

b55
0
0
0
0

0
b66
0
0
0

0
0
b77
0
0

0
0
0
b88
0

e inf
fps
e

exr
e
e unm

0 e msi
0 e grw

0 e irt
0 e inv
b99 e bop
0
0
0
0

(53)

120
Berapa panjang horizon waktu ke depan yang digunakan untuk melihat efek
guncangan tidak ada batasan tertentu. Periode suatu pemerintahan, lima tahun, dapat
digunakan sebagai patokan. Akan tetapi karena dalam jangka panjang hasil suatu
kebijakan mencapai keseimbangan, berapa lama waktu keseimbangan tersebut
tercapai dapat merupakan patokan berapa panjang horizon waktu yang digunakan.
Sebelum melakukan inovasi lakukan pendugaan VECM. Teknik melakukannya dapat
dilihat pada Lampiran 14.

121

V. DINAMIKA PANGSA PENGELUARAN PANGAN


DI INDONESIA
Dalam penelitian ini ketahanan pangan diukur berdasarkan ketersediaan
pangan dan konsumsi individu di tingkat rumah tangga.

Informasi tentang

ketersediaan pangan sangat bersifat makro, sehingga walaupun di tingkat makro


ketersediaan pangan cukup baik belum menjamin dapat diakses oleh masyarakat di
tingkat rumah tangga.

Oleh karena itu selain ketersediaan pangan, aksesibilitas

pangan yang diukur dari tingkat konsumsi energi dan protein menjadi penting.
Menurut Azwar (2004) ketahanan pangan di keluarga adalah kemampuan
keluarga untuk memenuhi kebutuhan pangan seluruh anggota keluarganya dalam
jumlah yang cukup baik kuantitas dan kualitasnya termasuk kecukupan gizi dan
keamanannya.

Dengan demikian selain akses secara fisik dan ekonomi setiap

penduduk perlu juga akses terhadap informasi. Menurut Hardinsyah, et al. (2001),
peningkatan penyediaan pangan dan pendapatan keluarga saja belum sepenuhnya
mendorong keluarga dapat mewujudkan pemenuhan konsumsi pangan, bila tidak
disertai dengan upaya peningkatan kesadaran dan perilaku gizi yang baik terutama
dalam pemilihan dan pengolahan pangan.
Untuk memudahkan mendeteksi apakah suatu rumah tangga sudah memiliki
ketahanan pangan sesuai dengan yang diharapkan banyak indikator yang digunakan
para ahli. Seperti telah diuraikan sebelumnya, salah satu indikator ketahanan pangan
di tingkat rumah tangga yang dikemukakan Soehardjo (1996) adalah pangsa
pengeluaran pangan terhadap pengeluaran total. Hal yang sama dikemukakan Azwar
(2004) bahwa tingkat ketahanan pangan rumah tangga dapat diindikasikan oleh
proporsi antara pengeluaran pangan dan bukan pangan.
pengeluaran pangan maka ketahanan pangan semakin menurun.

Makin tinggi pangsa

122
Dibandingkan indikator lainnya, pengukuran pangsa pengeluaran pangan lebih
mudah dilakukan dengan menggunakan data Susenas BPS atau dapat juga dilakukan
survey langsung pada setiap rumah tangga.

Dengan mengetahui indikator ini,

pengambil kebijakan dapat mendeteksi kondisi ketahanan pangan suatu kelompok


masyarakat. Namun demikian untuk membuktikan hal tersebut masih perlu dianalisis
bagaimana perilaku hubungan pangsa pengeluaran pangan dan variabel yang
berkaitan langsung dengan ketahanan pangan.
Pencapaian ketahanan pangan di tingkat rumah tangga antara lain dapat dilihat
dari tingkat kecukupan konsumsi energi dan protein. Kecukupan dari aspek kuantitas
belumlah cukup, masih diperlukan dari aspek kualitas yang mencerminkan tingkat
keanekaragaman pangan yang dicerminkan oleh skor Pola Pangan Harapan. Menurut
Hardinsyah et al. (2001), Pola Pangan Harapan (PPH) tidak hanya memenuhi
kecukupan gizi, akan tetapi sekaligus juga mempertimbangkan keseimbangan gizi
yang didukung oleh cita rasa, daya cerna, daya terima masyarakat, kuantitas, dan
kemampuan daya beli. Selanjutnya juga akan dianalisis apakah ada hubungan pangsa
pengeluaran pangan dan produk domestik regional bruto di tingkat wilayah/provinsi.
Untuk kasus Indonesia, walaupun banyak dibicarakan tentang pangsa
pengeluaran pangan, namun pengujian keeratan hubungan antara pangsa pengeluaran
dan variabel-variabel yang berkaitan dengan ketahanan pangan masih belum banyak
dilakukan.

Agar pangsa pengeluaran pangan handal dijadikan indikator dari

ketahanan pangan di tingkat rumah tangga pengujian tersebut menjadi penting untuk
dilakukan.

Jika terbukti ada hubungan antara beberapa variabel tersebut dengan

pangsa pengeluaran pangan maka pangsa pengeluaran pangan dapat dijadikan suatu
indikator komposit yang merefleksikan ketahanan pangan baik dari aspek kuantitas
maupun kualitas serta dari aspek regional maupun rumah tangga.

123

5.1. Hubungan Pangsa Pengeluaran Pangan dan Ketahanan Pangan


Hasil analisis nilai tengah menunjukkan bahwa ada hubungan linier antara
pangsa pengeluaran pangan dan ketahanan pangan yang diproksi dari konsumsi energi
dan konsumsi protein per kapita penduduk. Tabel 13 menunjukkan bahwa semakin
tinggi pendapatan (kolom ke-2) pangsa pengeluaran semakin menurun (kolom ke-5),
sebaliknya konsumsi energi dan protein semakin meningkat (kolom ke-3 dan ke-4).
Hubungan tersebut terlihat konsisten antara tahun 1996, 1999 dan 2002.
Tabel 13. Rataan Konsumsi Energi dan Protein serta Rataan Pangsa Pengeluaran
Pangan menurut Kelompok Pendapatan di Indonesia Tahun 1996, 1999
dan 2002
Tahun
1996

1999

2002

Konsumsi
Energi
(kkal/kap/hr)

Konsumsi
Protein
(Gram/kap/hr)

Pangsa
Pengeluaran
Pangan (%)

Rendah (n= 23940)

1 794

46.07

70.49

Sedang (n= 23984)

2 199

59.66

63.06

Tinggi (n= 11993)

2 608

75.88

48.04

Rendah (n= 24589)

1 649

41.76

71.35

Sedang (n= 24589)

2 032

53.98

62.70

Tinggi (n= 12295)

2 367

67.12

49.73

Rendah (n= 25022)

1 787

46.58

66.76

Sedang (n= 25022)

2 174

59.94

60.47

Tinggi (n= 12511)

2 494

74.10

48.16

Kota

(n= 28 197)

2 046

59.15

54.02

Desa

(n= 34 358)

2 113

56.02

65.86

Jawa

(n= 31717)

2 007

55.39

59.11

2 136

58.87

61.52

2 083

57.43

60.52

Kelas Pendapatan

Luar Jawa (n=30838)


Nasional
n= Jumlah sampel
Sumber: Data Susenas (diolah)

124
Jika konsumsi energi dan protein merupakan proksi dari ketahanan pangan,
maka dapat disimpulkan bahwa ada hubungan dengan arah yang berlawanan antara
pangsa pengeluaran pangan terhadap pengeluaran total dan ketahanan pangan.
Artinya semakin menurun pangsa pengeluaran pangan menunjukkan ketahanan
pangan yang semakin meningkat.
Jika kembali ke Hukum Engel makin jelas bahwa pendapatan seseorang sangat
menentukan ketahanan pangan. Menurut Engel, pangsa pengeluaran rumah tangga
miskin lebih besar dari rumah tangga kaya. Pangsa pengeluaran pangan terhadap
pengeluaran total dapat dijadikan indikator tidak langsung terhadap kesejahteraan
(Deaton dan Muellbauer, 1980).
Hasil analisis ekonometrika menunjukkan bahwa bentuk fungsi hyperbola
persamaan (21) dan (22) memberikan hasil yang terbaik. Keputusan tersebut diambil
berdasarkan kesesuaian arah hubungan, tingkat signifikan (p-value), dan koefisien
determinasi (R2) yang bervariasi dari 29.60 90.14 persen. Berarti hubungan kedua
variabel cukup erat yaitu dengan nilai koefisien korelasi (r) antara 0.54 0.95 (Tabel
14). Model hyperbola sama dengan model Cobb Douglas berpangkat negatif satu.
Dengan demikian semua persamaan memiliki nilai elastisitas sebesar negatif satu.
Dari tanda elastisitas yang negatif dapat dikatakan bahwa hubungan antara kedua
variabel yaitu pangsa pengeluaran pangan berlawanan arah dengan konsumsi energi
dan konsumsi protein setiap penduduk.
Hubungan antara konsumsi energi dan konsumsi protein dengan pangsa
pengeluaran pangan dianalisis pada berbagai aspek, yaitu kelas pendapatan, wilayah
desa-kota, Jawa-luar Jawa dan nasional.

Untuk melihat konsistensi hubungan

keduanya dilakukan analisis antar waktu, yaitu 1996, 1999 dan 2002.

125
Tabel 14.

Tahun

Nilai Dugaan Model Hyperbola Pangsa Pengeluaran Pangan dengan


Konsumsi Energi dan Protein Tahun 1996, 1999 dan 2002
Kelompok*)

Energi
Koefsn R2 (%)

Protein
p-value Koefisien R2 (%)
r

p-value

1996 Pendapatan:
Rendah (Rp35 730)

115 255

90.14

0.95 0.0001

2 974 88.92

0.94 0.0001

Sedang (Rp69 114)

117 593

82.99

0.91 0.0001

3 187 81.81

0.90 0.0001

Tinggi (Rp188 590)

35 011

30.88

0.56 0.0001

1 005 29.60

0.54 0.0001

Kota (Rp108 740)

68 882

61.23

0.78 0.0001

1 957 59.39

0.77 0.0001

Desa (Rp60 430)

60 870

43.31

0.66 0.0001

1 608 42.24

0.65 0.0001

(Rp82 378)

55 318

45.77

0.68 0.0001

1 495 44.56

0.67 0.0001

Lr. Jawa (Rp77 500)

71 571

53.96

0.73 0.0001

1 967 53.10

0.73 0.0001

Nasional (Rp79 690)

64 199

50.14

0.71 0.0001

1 753 49.11

0.70 0.0001

Rendah (Rp84 031)

106 332

89.07

0.94 0.0001

2 706 53.91

0.73 0.0001

Sedang (Rp157 335)

107 718

82.75

0.91 0.0001

2 865 81.62

0.90 0.0001

Tinggi (Rp374 768)

52 357

45.39

0.67 0.0001

1 469 44.06

0.66 0.0001

Kota (Rp224 753)

74 738

69.24

0.83 0.0001

2 078 67.27

0.82 0.0001

Desa (Rp133 747)

84 838

63.18

0.79 0.0001

2 196 48.60

0.70 0.0001

(Rp181 295)

66 983

60.66

0.78 0.0001

1 786 59.57

0.77 0.0001

Lr.Jawa(Rp162 757)

93 560

71.23

0.84 0.0001

2 510 56.01

0.75 0.0001

Nasional (Rp171502)

79 953

65.34

0.81 0.0001

2 139 55.60

0.75 0.0001

Rendah (Rp118 669)

107 572

88.56

0.94 0.0001

2 830 87.66

0.94 0.0001

Sedang (Rp225 613)

111 376

82.92

0.91 0.0001

3 078 82.16

0.91 0.0001

Tinggi (Rp590 910)

63 153

52.53

0.72 0.0001

1 875 52.35

0.72 0.0001

Daerah:

Pulau:
Jawa

1999 Pendapatan:

Daerah:

Pulau:
Jawa

2002 Pendapatan:

Daerah:
Kota

(Rp354 240)

73 377

67.77

0.82 0.0001

2 140 66.44

0.82 0.0001

Desa

(Rp175 165) 114 564

79.22

0.89 0.0001

3 045 77.66

0.88 0.0001

(Rp287 004)

92 459

77.22

0.88 0.0001

2 563 75.75

0.87 0.0001

Lr.Jawa(Rp223 899)

87 063

66.71

0.82 0.0001

2 438 66.62

0.82 0.0001

Pulau:
Jawa

Nasional (Rp255 895)


89 158 70.66
0.84 0.0001
2 487 70.06
0.84 0.0001
Keterangan *) Angka dalam kurung pada kolom dua merupakan rataan pengeluaran per kapita per bulan
Sumber: Data Susenas (Diolah)

126
Jika dilihat dari aspek tingkat pendapatan, semakin tinggi tingkat pendapatan
keeratan hubungan semakin menurun secara konsisten baik pada model energi mapun
protein, semakin menurun. Artinya pada kelompok masyarakat berpendapatan tinggi
ketahanan pangan tidak didominasi oleh pengaruh pangsa pengeluaran pangan yang
mencerminkan tingkat pendapatan. Tetapi ditentukan juga oleh faktor lain seperti
tingkat pendidikan, kesadaran akan hidup sehat lebih baik dan tersedianya pangan
yang lebih beraneka ragam serta pola konsumsi, sehingga memudahkan mereka untuk
memilih pangan sesuai kaidah gizi, preferensi dan pemenuhan kepuasan sosial
(prestise) dan citarasa.

Faktor lain tersebut mencerminkan tingkat aksesibilitas

individu terhadap informasi, terutama yang berkaitan dengan aspek gizi. Dengan kata
lain, makin tinggi pendapatan seseorang akan semakin meningkat aksesnya terhadap
informasi yang berkaitan dengan aspek gizi.
Ada tiga informasi penting yang dapat diperoleh dari hasil analisis ini.
Pertama, pada aspek kelas pendapatan ada hubungan yang erat antara pangsa
pengeluaran dan ketahanan pangan, terutama pada masyarakat berpenghasilan rendah
dan sedang yang merupakan bagian terbesar dari penduduk. Kedua, pada aspek
wilayah baik desa-kota maupun Jawa - luar Jawa, jika keeratan hubungan tersebut
ditafsirkan semakin tidak tahan pangan, maka sejak tahun 1996 sampai dengan 2002
ketahanan pangan masyarakat desa dan Jawa semakin menurun. Ketiga, berbeda
dengan masyarakat yang tinggal di kota dan luar Jawa, penurunan ketahanan pangan
akibat krisis ekonomi tahun 1999 telah mulai pulih pada tahun 2002, namun belum
kembali pada posisi 1996.
Jika rata-rata konsumsi energi dan protein tahun 2002 dibandingkan dengan
Angka Kecukupun Gizi (AKG) berdasarkan Widyakarya Nasional Pangan dan Gizi
tahun 1998, yaitu Angka Kecukupan Energi (AKE) 2200 kkal/kapita per hari dan
Angka Kecukupan Protein (AKP) 48 gram/kapita, hanya penduduk berpendapatan

127
tinggi saja yang telah melampaui AKE dan hanya penduduk berpendapatan rendah
yang belum mencapai AKP. Namun jika menggunakan standar yang dihitung oleh
Hardinsyah dan Tambunan (2004) yaitu AKE 2000 kkal/kapita/hari dan AKP 52
gram/kapita/hari hanya kelompok penduduk berpendapatan rendah saja yang belum
melampaui AKG. Untuk bahasan selanjutnya AKG yang digunakan tetap
menggunakan hasil Widyakarya Nasional Pangan dan Gizi tahun 1998.
Nilai koefisien pendugaan dari tiap persamaan mengambarkan kuantitas energi
atau protein yang dikonsumsi individu ketika pangsa pengeluaran pangannya sudah
sangat kecil (1%). Nilai tersebut hampir sama pada individu berpendapatan rendah
dan sedang, tetapi jauh berbeda dengan penduduk berpendapatan tinggi. Akan tetapi
dapat juga diinterpretasikan bahwa jika individu berada pada kelas pendapatan yang
berbeda mengkonsumsi jumlah energi yang sama (2200 kkal) pangsa pengeluaran
pangan individu tersebut berbeda satu sama yang lain, yaitu 29 persen pada individu
dalam kelompok berpendapatan tinggi, 51 persen pada individu dalam kelompok
berpendapatan sedang, dan 49 persen pada individu berpendapatan rendah. Ini artinya
untuk memenuhi kebutuhan energi sesuai setandar hanya sekitar 30 persen dari
pendapatan individu pada kelompok pendapatan tinggi yang digunakan untuk belanja
pangan. Selebihnya mereka belanjakan untuk kebutuhan non pangan. Sementara itu,
pada individu kelompok pendapatan sedang dan rendah mencapai 50 persen. Jelasnya
dapat dilihat pada Gambar 19.

5.2. Hubungan Pangsa Pengeluaran Pangan dan Keanekaragaman Pangan


Pendekatan PPH (Pola Pangan Harapan) dapat menilai mutu pangan
penduduk berdasarkan skor pangan. Semakin tinggi skor pangan (maksimum 100),
menunjukkan situasi pangan yang semakin beragam dan semakin baik komposisi dan
mutu gizinya. PPH adalah komposisi dari kelompok-kelompok pangan utama yang

128
ketika disiapkan untuk dikonsumsi sebagai makanan untuk memenuhi kalori akan
memberikan semua zat gizi dalam jumlah yang mencukupi

(FAO-RAPA, 1989

dalam Hardinsyah et al. 2001).

Konsumsi Energi (kkal)

12000

10000

8000

6000

4000

2000

0
10

15

20

25

30

35

40

45

50

55

60

65

70

75

80

85

90

95

100

Pangsa Pengeluaran Pangan (%)

Rendah

Sedang

Gambar 19.

Tinggi

Standar

Hubungan Pangsa Pengeluaran Pangan dan Konsumsi Energi


pada berbagai Kelas Pendapatan di Indonesia, Tahun 2002

Informasi yang diperlukan dalam menentukan skor PPH adalah jumlah


konsumsi energi, persentase sumber kalori, bobot dan skor maksimum untuk masingmasing kelompok pangan serta angka kecukupan gizi. Untuk jelasnya dapat dilihat
pada Tabel 15.

Angka-angka dalam tiap kolom merupakan hasil hitungan yang

dirancang sesuai angka kecukupan gizi sesuai aktivitas penduduk, kualitas dan
kuantitas gizi, daya beli, cita rasa dan daya terima masyarakat. Data pada kolom tiga
merupakan kondisi ideal. Dalam menentukan PPH penduduk, nilai tersebut dihitung

129
sesuai kondisi aktual yang dikonsumsinya. Dari angka aktual tersebut akan diperoleh
skor PPH penduduk.
Karena pentingnya PPH sebagai cerminan kualitas ketahanan pangan, maka
perlu dianalisis hubungannya dengan pangsa pengeluaran pangan.

Dengan

menggunakan hasil studi terdahulu hubungan pangsa pengeluaran pangan dan skor
PPH secara sederhana dapat dilihat pada Gambar 20. Secara nasional selama periode
1996 2002 telah terjadi peningkatan mutu pangan yang dikonsumsi masyarakat
Indonesia yang diindikasikan oleh meningkatnya skor PPH dari 69.8 pada tahun 1996
menjadi 71.8 pada tahun 2002. Dampak krisis ekonomi pada tahun 1999 menurunkan
skor PPH menjadi 62.4.
Tabel 15. Pola Pangan Harapan 2020, Bobot dan Skor Maksimum Perhitungan Pola
Pangan Harapan
PPH 2020
No

Kelompok Pangan

Padi-padian

(kkal)

(%)

Bobot

Skor
Maksimum*)

1100

50.0

0.5

25.0

Umbi-umbian

132

6.0

0.5

2.5

Pangan hewani

144

12.0

2.0

24.0

Minyak dan lemak

220

10.0

0.5

5.0

Buah/biji berminyak

66

3.0

0.5

1.0

Kacang-kacangan

110

5.0

2.0

10.0

Gula

110

5.0

0.5

2.5

Sayur dan buah

132

6.0

5.0

30.0

Lainnya

66

3.0

0.0

0.0

Jumlah

2200

100.0

*) Bila hasil perhitungan melebihi skor maksimum, maka skor yang digunakan adalah skor maksimum
Sumber: Hardinsyah et al, 2001

130
Informasi penting yang dapat diperoleh dari Gambar 20 tersebut adalah
adanya hubungan yang berlawanan arah antara pangsa pengeluaran pangan dan skor
PPH. Semakin tinggi pangsa pengeluran pangan skor PPH semakin menurun. Jika
dilihat secara spasial, pada waktu yang sama dengan daerah yang berbeda, hubungan
tersebut masih berlawanan arah, namun keeratannya sudah mulai melemah. Untuk
jelasnya dapat dilihat pada Gambar 21. Untuk meperjelas hubungan kedua variabel
secara spasial diperlukan lebih banyak contoh. Akan tetapi ada indikasi hubungan

Skor PPH

yang berlawanan arah antara pangsa pengeluaran pangan dan skor PPH di Indonesia.

74
72
70
68
66
64
62

64

65

66

67

68

69

70

Pangsa Pangan (%)

Tahun
PF*)
PPH**)

1996
67.87
69.70

1999
69.44
62.60

2002
64.35
71.80

Sumber: *) Data Susenas-BPS, 1996, 1999 dan 2002 (diolah); **) Martianto dan Ariani, 2004

Gambar 20. Hubungan Pangsa Pengeluaran Pangan dan Skor Pola Pangan
Harapan di Indonesia, Tahun 1996-1999-2002
Melemahnya keeratan hubungan antar wilayah sudah sesuai dengan konsep
dari PPH itu sendiri, yaitu merepresentasikan tidak hanya daya beli dan pengetahuan
tentang gizi, tetapi juga daya terima masyarakat, cita rasa dan ketersediaan pangan
tersebut. Pada daerah yang berbeda hal tersebut cenderung berbeda. Misalnya

131
masyarakat di Sumatera mencukupi kebutuhan karbohidrat hanya pada padi-padian,
sedangkan di daerah Jawa ada substitusi antara padi-padian dengan umbi-umbian.
Kelebihan mengkonsumsi padi-padian dan kekurangan mengkonsumsi
umbi-umbian akan memperoleh skor PPH yang lebih rendah dibandingkan jika
mengkonsumsi keduanya mendekati standar PPH. Demikian juga untuk konsumsi
sayur dan buah, tidak semua daerah tersedia dan mempunyai kebiasaan
mengkonsumsinya dalam jumlah yang cukup, padahal bobotnya jauh lebih tinggi dari
kelompok pangan lain pada standar PPH (lihat Tabel 15). Dari hasil ini, skor PPH
akan menjadi lebih akurat jika penyusunan dikelompokkan menjadi beberapa wilayah
sehingga ada standar skor PPH lokal (Hardyastuti, 2002; Sudiyono dan Purnomowati,

Skor PPH

2002).

66
65
65
64
64
63
63
62
62
62

63

64

65

66

67

68

69

70

Pangsa Pangan (%)

Provinsi
PF*)
PPH**)

Sumbar
69.44
62.40

Sumber: *) Data Susenas-BPS, 1999 (diolah) ;

Gambar 21.

Sulsel
64.11
65.20

Jateng
63.30
61.90

**) Hardisnyah et al. 2001

Hubungan Pangsa Pengeluaran Pangan dan Skor Pola Pangan


Harapan pada Tiga Provinsi di Indonesia, Tahun 1999

132

5.3. Hubungan Pangsa Pengeluaran Pangan dan Pendapatan Regional


PDRB per kapita merupakan suatu indikator kesejahteraan wilayah misalnya
provinsi. Semakin tinggi PDRB per kapita suatu wilayah mengindikasikan semakin
meningkat kesejahteraan penduduknya. Namun menurut Soehardjo et al. (1986),
PDRB hendaknya jangan digunakan sebagai satu-satunya ukuran pembangunan suatu
wilayah, karena ia tidak selalu menunjukkan kualitas hidup rakyat yang bertempat
tinggal di situ.

Status gizi merupakan suatu komponen kualitas hidup sehingga

merupakan indeks pembangunan sosial yang penting.


Untuk kasus provinsi di Indonesia dengan menggunakan data tahun 2002,
hubungan antara pangsa pengeluaran pangan ( PFi dalam %) dan PDRB per kapita
( PDRK i dalam ribu rupiah) dapat dilihat Pada Gambar 22. Hubungan kedua variabel
memiliki arah yang berlawanan. Semakin tinggi PDRB per kapita maka pangsa
pengeluaran pangan cenderung makin menurun.

Dengan analisis ekonometrika

(OLS), hubungan kedua variabel tersebut menjadi lebih erat jika menggunakan PDRB
per kapita dengan tidak menggunakan migas persamaan (54) dibandingan dengan
PDRB per kapita yang menggunakan migas, persamaan (55).

PFitm = 67.6887 0.0074 PDRK i (54)

R2 = 0.5172; r = 0.7192; t stat. = - 4.96; F stat. = 24.63

PFidm = 66.2569 0.0044 PDRK i (55)

R2 = 0.3612; r = 0.6010; t stat. = - 3.61; F stat. = 13.01

Pangsa Pengeluaran Pangan (%)

133

80
70
60
50
40
30
20
10
0
0

5000

10000

15000

20000

25000

30000
35000
PDRB (Ribu Rupiah)

Sumber: BPS (diolah)

Pangsa Pengeluaran Pangan (%)

Gambar 22.a. Hubungan Pangsa Pengeluaran Pangan dan PDRB-Tanpa


Migas Per Kapita di Provinsi Indonesia, Tahun 2002

80
70
60
50
40
30
20
10
0
0

5000

10000

15000

20000

25000

30000

35000

40000

PDRB (Ribu Rupiah)

Sumber: BPS (diolah)

Gambar 22.b. Hubungan Pangsa Pengeluaran Pangan dan PDRB Dengan


Migas Per Kapita di Provinsi Indonesia, Tahun 2002

134
Jika dirinci menurut provinsi di Indonesia (Tabel 16), DKI Jakarta memiliki
pangsa pengeluaran pangan paling kecil (45.09%) dengan PDRB per kapita paling
tinggi (Rp 30 juta). Untuk provinsi lainnya pangsa pengeluaran pangan berada di atas
50 persen dengan PDRB jauh di bawah DKI. Temuan ini membuktikan bahwa makin
tinggi PDRB per kapita suatu wilayah makin rendah pangsa pengeluaran pangannya
dan makin sejahtera penduduknya.
Tabel 16. Pangsa Pengeluaran Pangan dan PDRB Per Kapita menurut Provinsi di
Indonesia, Tahun 2002
No

PDRB Per Kapita Tanpa


Migas (Rupiah)

Pangsa Pengeluaran
Pangan (%)

30 233 939

45.09

DKI Jakarta

14 708 993

57.81

Kalimantan Timur

7 903 900

65.72

Bangka Belitung

7 291 544

66.34

Sumatera Utara

7 038 574

68.8

Kalimantan Tengah

6 829 913

52.89

Bali

6 772 482

64.35

Sumatera Barat

6 550 576

66.35

Kalimantan Selatan

6 433 961

59.65

Jawa Timur

10

5 551 828

62.94

Riau

11

5 440 302

60.6

Sulewsi Utara

12

5 283 487

55.17

DI Yogyakarta

13

5 150 544

67.43

Kalimantan Barat

14

5 134 840

65.12

Sumatera Selatan

15

5 083 211

59.38

Jawa Barat

16

5 000 000 4 000 000

17

3 946 660 - 2 201 109

Provinsi

59.77; 63.78; 63.91;


Jateng, Sulteng,
63.91; 66.70
Sulsel, Sultra, Jambi
64.69; 66.88; 67.55; Lampung, Bengkulu,
68.17; 68.50
NTT, NTB, Gorontalo

135
Sumber: BPS (diolah)

Akan tetapi data pada provinsi-provinsi di Indonesia belum menunjukkan


hubungan yang tegas, karena tidak ditemukan pola hubungan yang bertingkat dengan
baik, sebagian besar provinsi memiliki pangsa pengeluaran sekitar 60-an persen (lihat
Gambar 22).

Untuk mempertegas hubungan ini, jika tersedia data, sebaiknya

menggunakan data

antara negara-negara di dunia, dimana akan ditemui senjang

kesejahteraan bertingkat dari kelompok negara maju, kelompok negara berpendapatan


menengah hingga negara berpendapatan rendah.
Bila Tabel 16 diamati lebih cermat terlihat adanya hubungan yang sedikit
anomali antara pangsa pengeluaran pangan dengan PDRB per kapita. Provinsi yang
PDRB per kapitanya relatif rendah, memiliki pangsa pengeluaran yang juga relatif
rendah. Contoh provinsi Bali dan D.I Yogyakarta. Sebaliknya Kalimantan Timur
memiliki PDRB per kapita yang lebih tinggi, tetapi pangsa pengeluaran pangan
penduduknya masih relatif tinggi.
Anomali tersebut membuktikan bahwa bukan hanya PDRB per kapita yang
menentukan ketahanan pangan atau tingkat kesejahteraan penduduk suatu daerah.
Ketersediaan pangan, pengetahuan gizi dan pola konsumsi juga menentukan
ketahanan pangan di suatu daerah. Di samping itu PDRB per kapita yang tinggi
belum menjamin bahwa penduduk di daerah itu memiliki pendapatan riil yang tinggi,
Sangat mungkin terjadi PDRB yang tinggi di suatu daerah dinikmati oleh penduduk di
luar daerah tersebut.

Namun demikian dari hasil analisis sebelumnya pangsa

pengeluaran pangan untuk Indonesia masih relevan untuk digunakan sebagai indikator
ketahanan pangan atau tingkat kesejahteraan penduduk baik di tingkat rumah tangga
maupun di tingkat provinsi.

136

5.4. Dinamika Pangsa Pengeluaran Pangan


5.4.1. Menurut Kelompok Pendapatan

Dengan menggunakan data publikasi BPS dapat dianalisis dinamika pangsa


pengeluaran pangan sebagai indikator ketahanan pangan dan kesejahteraan penduduk
selama periode 1969-2002. Dari Gambar 23 ada dua informasi yang dapat diperoleh.
Pertama Saat awal pembangunan, yaitu periode 1969-1981, kelompok penduduk
berpendapatan tinggi yang merubakan sebagian kecil (20%) penduduk Indonesia,
lebih banyak menerima manfaat pembangunan dibandingkan kelompok penduduk
berpendapatan sedang dan rendah. Hal itu diindikasikan oleh pangsa pengeluaran
pangan kelompok penduduk berpendapatan tinggi hanya 40 persen. Sementara itu
sebagian besar penduduk (80%) berpendapatan menengah dan rendah masih
menghadapi masalah ketahanan pangan, karena pangsa pengeluaran pangannya masih
cukup tinggi yaitu berkisar antara 60 70 persen.
Kedua, setelah periode 1981-2002 dapat dikatakan bahwa dampak
pembangunan terhadap kesejahteraan masyarakat selama ini bersifat stagnan.
Program peningkatan kesejahteraan yang dilakukan sifatnya hanya jangka pendek,
sehingga memberikan masalah baru pada waktu berikutnya sehingga berdampak
negatif pada kesejahteraan penduduk. Hal ini terus berulang sehingga cenderung
status quo. Ini terlihat dari stabilnya senjang pendapatan dan stabilnya fluktuasi
grafik masing-masing kelas pendapatan. Jika ada upaya yang sungguh-sungguh untuk
memperkecil senjang seharusnya arah grafik dari kelompok pendapatan rendah dan
sedang menurun mendekati grafik kelompok pendapatan tinggi.
Bukti empirik menunjukkan bahwa: lima konglomerat agribisinis menguasai
sekitar satu juta hektar lahan perkebunan; lima industri ayam ras menguasai lebih
dari 60 persen agribisnis ayam ras; hampir dua juta petani di Jawa digusur dan
menjadi buruh tani karena lahan mereka digunakan untuk pembangunan prasarana

137
ekonomi, kawasan industri dan perumahan tanpa diberi kompensasi memadai;
meningkatnya jumlah petani gurem dan buruh tani; dan berkurangnya penguasaan
lahan per petani (Kasryno, 2000).
Kebijakan yang selama ini dilakukan tidak ada yang mendukung pada
peningkatan kesejahteraan kelompok pendapatan menengah dan rendah. Kalaupun
ada manfaatnya relatif sedikit. Ini dapat dilihat dari grafik kedua kelompok ini yang
turunnya sangat landai.

Menurut Kasryno (2000), keberhasilan pembangunan

ekonomi dicirikan oleh peningkatan kualitas hidup masyarakat dan produktivitas


tenaga kerja.

Selain dua hal tersebut, keberhasilan pembangunan pertanian juga

dicirikan oleh meningkatnya penguasaan lahan dan aset produktif per tenaga kerja
pertanian.

Dengan kriteria tersebut dapat dikatakan bahwa secara keseluruhan

Pangsa (%)

pembangunan ekonomi yang dilaksanakan selama ini belum berhasil.

90
80
70
60
50
40
30
20
10
0
1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002

Rendah

Sedang

Tinggi

Tahun

Sumber: BPS (diolah)

Gambar 23. Dinamika Pangsa Pengeluaran Pangan Penduduk menurut


Kelompok Pendapatan di Indonesia Tahun 1969-2002

138
Gambar 24 makin membuktikan bahwa kesejahteraan yang dinikmati
kelompok berpendapatan tinggi mampu mengubah pola konsumsi mereka sehingga
pangsa pengeluaran untuk kelompok padi-padian menjadi cukup rendah dan stabil di
sekitar lima persen. Pengeluaran tersebut merupakan bagian kecil dari pengeluaran
pangan kelompok ini. Artinya pada kelompok ini ketahanan pangan yang tercapai
tidak hanya dari sisi kuantitas tetapi dari sisi kualitas (keanekaragaman pangan).
Analisis data antar waktu ini konsisten dengan analisis data penampang lintang

Pangsa (%)

sebelumnya (Tabel 13 dan Tabel 14).

45
40
35
30
25
20
15
10
5
0
1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002
Rendah

Sedang

Tinggi

Tahun

Sumber: BPS (diolah)

Gambar 24. Dinamika Pangsa Pengeluaran Padi-padian Penduduk selama


Sebulan menurut Kelompok Pendapatan di Indonesia, Tahun
1969-2002

139

5.4.2. Menurut Wilayah Desa-Kota

Perbedaan wilayah desa-kota berdampak terhadap perbedaan aksesibilitas


berbagai aspek yang menyangkut kesempatan kerja, pendidikan, ketersediaan
berbagai jenis pangan dan infrastruktur. Dampaknya terhadap ketahanan pangan dan
kesejahteraan bias terhadap desa, sehingga ketahanan pangan dan kesejahteraan
masyarakat di kota lebih baik dibandingkan di desa (Gambar 25).
Namun demikian berbagai kelas pendapatan terdapat juga di desa dan kota,
sehingga walaupun penduduk di kota memiliki aksesibiltas yang lebih baik dari
penduduk di desa, karena ada juga kelompok berpendapatan rendah dan sedang di
kota menyebabkan ketahanan pangan dan kesejahteraan masyarakat kota masih belum
sesuai dengan yang diharapkan, karena pangsa pengeluaran pangan masih cukup
besar, yaitu lebih dari 50 persen.

Secara agregat, berdasarkan indikator pangsa

Pangsa (%)

pengeluaran pangan ketahanan pangan masih belum sesuai dengan yang diharapkan.

90
80
70
60
50
40
30
20
10
0
1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002
Desa

Kota

Desa+Kota

Tahun

Sumber: BPS (diolah)

Gambar 25.

Dinamika Pangsa Pengeluaran Pangan Penduduk selama


Sebulan menurut Wilayah di Indonesia, Tahun 1969-2002

140
Pangsa pengeluaran padian-padian penduduk desa masih jauh lebih tinggi dari
penduduk kota (Gambar 26). Hal ini mengindikasikan keanekaragaman pangan di
kota lebih baik dari di desa. Namun kecenderungannya makin menurun untuk kedua
daerah. Jika pangsa pengeluaran pangan merupakan indikator dari tingkat
kesejahteraan, sejak awal pelita hingga saat ini pembangunan bias terhadap desa dan
tidak ada upaya-upaya yang efektif untuk mengurangi bias tersebut. Hal ini terlihat

Pangsa (%)

dari arah grafik kota dan desa yang mempunya senjang yang stabil.
35
30
25
20
15
10
5
0

1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002

Desa

Kota

Desa+Kota

Tahun

Sumber: BPS (diolah)

Gambar 26.

Dinamika Pangsa Pengeluaran Padi-padian Penduduk selama


Sebulan menurut Wilayah di Indonesia, Tahun 1969-2002

Krisis ekonmomi yang terjadi pada tahun 1997 menyebabkan naiknya harga
barang termasuk produk pangan sehingga daya beli masyarakat menurun. Penurunan
daya beli masyarakat menyebabkan makin meningkatnya pangsa pengeluaran pangan
dan pangsa pengeluaran padi-padian. Menghadapi masalah itu pemerintah melakukan
berbagai program pemulihan ekonomi dan pada tahun 2002. Program pemerintah
tersebut mampu mengembalikan kondisi seperti sebelum terjadinya krisis. Perilaku

141
ini menguatkan keakuratan penggunaan pangsa pengeluaran pangan sebagai indikator
ketahanan pangan yang salah satu cirinya adalah respon terhadap kondisi
perekonomian, kebijakan dan program pembangunan.

5.5. Ringkasan Hasil

Secara nasional pangsa pengeluaran pangan penduduk Indonesia masih cukup


besar yaitu 60.52%. Jika dirinci berdasarkan: (1) kelas pendapatan, besarnya 66.76%
pada kelompok penduduk berpendapatan rendah, 60.47% pada kelompok penduduk
berpendapatan sedang, dan 48.16% pada kelompok penduduk berpendapatan tinggi;
(2) wilayah, besarnya 65.86% pada penduduk di pedesaan dan 54.02% pada penduduk
di perkotaan; dan (3) kepulauan, besarnya 61.52% di luar Jawa dan 59.11% di Jawa.
Pangsa pengeluaran pangan berhubungan erat dengan tingkat konsumsi energi
dan protein dengan arah yang berlawanan dengan koefisien korelasi antara 0.54
0.95. Pada penduduk kelompok pendapatan tinggi hubungan tersebut makin
merenggang. Pangsa Pengeluaran pangan juga berhubungan dengan skor Pola Pangan
Harapan sebagai refleksi keanekaragaman pangan, dan PDRB provinsi di Indonesia
yang merupakan refleksi aksesibilitas terhadap pangan, dengan arah yang berlawanan.
Pada

awal

periode

pembangunan

(1969-1981)

kelompok

penduduk

berpendapatan tinggi lebih banyak menerima manfaat pembangunan yang dilakukan


pemerintah dibandingkan kelompok penduduk berpendapatan sedang dan rendah. Hal
itu terlihat dari kecuraman grafik dinamika pangsa pengeluaran pangan pada periode
itu.

Selanjutnya pada periode 1981-2002 senjang kesejahteraan antar kelompok

masyarakat bersifat stagnan. Ini terlihat dari stabilnya fluktuasi grafik masing-masing
kelas pendapatan.

Krisis ekonomi yang terjadi pada tahun 1997 menyebabkan

meningkatnya pangsa pengeluaran pangan penduduk dan kemudian turun kembali


setelah ada kebijakan dan program pemulihan yang dilakukan pemerintah saat itu. Ini

142
berarti pangsa pengeluaran pangan respon terhadap perubahan kondisi perekonomian,
kebijakan dan program yang dilakukan.
Pada bab berikut akan dikaji apakah memang benar bahwa kebijakan yang
dilakukan pemerintah selama ini, terutama kebijakan harga pangan berpengaruh atau
tidak kepada ketahanan pangan.

Jika berpengaruh apakah pengaruh kebijakan

tersebut efektif. Selain kebijakan harga pangan, faktor apa lagi yang mempengaruhi
ketahanan pangan di Indonesia.

143

VI. EFEKTIVITAS KEBIJAKAN HARGA PANGAN


TERHADAP KETAHANAN PANGAN

6.1. Berbagai Bentuk Kebijakan Pertanian

Skim kebijakan pertanian merupakan suatu kebijakan sektoral terdiri dari


(Ellis, 1992): (1) kebijakan output, termasuk kebijakan har ga output dan kebijakan
pemasaran output, (2) kebijakan input, termasuk kebijakan harga input variabel dan
sistem distribusi input varibel, (3) kebijakan kredit, yang merupakan kredit modal
kerja untuk pengadaan input variabel, (4) kebijakan mekanisasi, yaitu kebijakan yang
berkaitan dengan pengadaan modal tetap, (5) kebijakan land reform, yaitu kebijakan
yang berkaitan dengan redistribusi dan status hukum lahan sebagai sumberdaya
pertanian, (6) kebijakan penelitian, dan (7) kebijakan irigasi.
Selanjutnya dikatakan, kebijakan harga output adalah kebijakan pemerintah
untuk mempengaruhi harga yang diterima petani dan harga yang dibayar konsumen
untuk produk pertanian.

Secara umum, kebijakan harga output termasuk juga

kebijakan yang mempengaruhi harga input, peralatan pertanian, lahan dan tenaga
kerja dan kredit pertanian. Instrumen yang digunakan dalam kebijakan harga terdiri
dari: (1) kebijakan perdagangan seperti pajak atau subsidi impor, kuota dan pajak
ekspor, (2) kebijakan nilai tukar yang juga terkait dengan kebijakan ekspor dan impor,
(3) kebijakan pajak dan subsidi yang terkait dengan rantai pemasaran domestik,
seperti pajak komoditas di tingkat pengolah dan pajak konsumsi di tingkat pasar
grosir atau pengecer, dan (4) intervensi langsung seperti kebijakan harga dasar (floor
price), kebijakan harga atap (ceiling proice) dan kebijakan harga eceran tertinggi.

Dalam studi ini yang dimaksud kebijakan harga pangan adalah kebijakan yang
mempengaruhi harga pangan, dapat berupa kebijakan harga output maupun harga
input termasuk kredit pertanian. Instrumen yang digunakan adalah kebijakan subsidi.
Menurut sumber subsidi atau lembaga yang melaksanakannya ada subsidi yang

144
dilaksanakan oleh Bank Indonesia melalui Kredit Likuiditas Bank Indonesia dan
yang dilaksanakan oleh Pemerintah melalui Anggaran Pendapatan dan Belanja
Negara.
Berbagai bentuk kredit dan subsidi yang berkaitan dengan kebijakan harga
pangan dalam studi ini dapat dilihat pada Tabel 17. Berbagai bentuk kredit dan
subsidi yang dilakukan keberadaannya tidak selalu kontinu tetapi berubah-ubah.
Perubahan tersebut tergantung pada prioritas yang menurut pemerintah penting sesuai
kondisi anggaran negara dan perekonomian nasional.
Tabel 17. Jenis Kredit dan Subsidi Pertanian yang Digunakan sebagai Proksi
Kebijakan Harga Pangan
No

Jenis dan Sumber

Waktu
Program

Cakupan Program

Kredit Pertanian

Kredit Usaha
Pertanian KLBI

Jan. 1975
Des. 1988

Unsur Pertanian, Pupuk, Bimas, dll

Kredit Usaha
Perkebunan - KLBI

Jan. 1975
Agusutus 1994

Prioritas untuk ekspor, termasuk


program PIR

Kredit Pengadaan
Gula KLBI

Jan 1975
Desember 1988

Kredit Pengadaaan
Pangan & Gula KLBI

Jan. 1994
Februari 2000

gabah/beras, terigu,kedele, jagung,


gula

Kredit Pengadaan
Pangan KLBI

Okt. 1983
Desember 1993

gabah/beras, terigu

Kredit Usaha Tani


KLBI

Nop. 1993
Januari 2003

Tanaman Pangan: pupuk,benih,


Pestisida & olah tanah

Kredit Koperasi/
KPPA - KLBI

Jan. 1994
Januari 2002

Termasuk pertanian

Kredit Ketahanan
Pangan/KKP - APBN

Jan. 2001
Desember 2004

Tanaman Pangan, Budidaya


Tebu,Peternakan,Perikanan,
Pengadaan Pangan

Subsidi Pertanian
1
2

Subsidi Pengadaan
Pangan APBN

1975-1983; 1997- Gabah/Beras


2004

Subsidi Pengadaan
1975-1998;
Urea, TSP, KCl, NPK
Pupuk - APBN
2003-2004
Sumber: SEKI-BI (berbagai terbitan); Nota Keuangan (berbagai terbitan) dan Deptan,
20022004.

145
Untuk keperluan analisis data, karena kondisi data yang diskontinu maka
dilakukan penggabungan dari berbagai bentuk kebijakan kredit dan subsidi tersebut
menjadi empat alternatif yang dapat digunakan sebagai proksi dari kebijakan harga
pertanian, sebagai berikut:
1. Kebijakan Kredit Program Pengadaan Input Pertanian (AICP), gabungan dari:
Kredit Usaha Pertanian, Kredit Usaha Perkebunan, KUT dan Kredit
Koperasi/KPPA.
2. Kebijakan Kredit Pengadaan Pangan (FPCP), gabungan dari: Kredit Pengadaan
Gula, Kredit Pengadaan pangan dan Kredit pengadaan Pangan dan Gula.
3. Kebijakan Subsidi Pupuk untuk Pertanian (FRSP).
4. Kebijakan Subsidi Pengadaan Pangan (FPSP).
Jika dengan gabungan tersebut masih banyak dijumpai data yang tidak
kontinu, maka proksi kebijakan harga pangan di atas dapat digabungkan menjadi:
5. Kebijakan Kredit Program Pertanian (ACPP), gabungan AICP dan FPCP.
6. Kebijakan Subsidi Pertanian (AGSP), gabungan FRSP dan FPSP.
7. Kebijakan Harga Input (AGIP), gabungan dari FRSP dan AICP
8. Kebijakan Harga Output (AGOP), gabungan dari FPSP FPCP
9. Kebijakan Harga Pangan (IOPP), gabungan AGIP dan AGOP.
Dari sembilan proksi kebijakan harga pangan tersebut, berdasarkan hasil analisis
paket kebijakan yang digunakan dalam studi ini terdiri dari tiga paket, yaitu: (1)
Kebijakan Harga Input (AGIP), (2) Kebijakan Harga Output (AGOP), dan Kebijakan
Harga Input-Output (IOPP).
6.2. Keterkaitan Kebijakan Harga Pangan dan Ketersediaan Pangan

Salah satu tujuan kebijakan harga pangan adalah peningkatan produksi


pangan. Meningkatnya produksi pangan akan berbanding lurus dengan peningkatan

146
ketersediaan pangan. Peningkatan ketersediaan pangan diharapkan akan lebih
meningkatkan konsumsi pangan penduduk dan berarti meningkatkan ketahanan
pangan, cateris paribus. Berdasarkan alur pikir demikian, kebijakan harga pangan
yang selama ini dilakukan pemerintah lebih banyak pada peningkatan produksi
tanaman pangan. Hal ini dapat dilihat dari jenis kebijakan kredit dan subsidi yang
dilakukan (Tabel 17).
Kredit Bimas yang bertujuan meningkatkan produksi pangan khususnya padi
dan palawija, serta meningkatkan kesejahteraan petani sudah dimulai sejak tahun
1965 (Bank Indonesia, 2001). Kredit Bimas tersebut termasuk kredit modal kerja
pada petani yang dananya 100 persen dari KLBI dengan tingkat bunga rendah karena
disubsidi. Pada tahun 1974 dengan dukungan KLBI (90%) juga diperkenalkan skim
kredit kepada Koperasi Unit Desa (KUD) untuk pengadaan pangan yang kemudian
berkembang untuk pengadaan palawija. Untuk memperkuat Bimas, pada tahun 1977
disediakan skim kredit Inmas yang sumber dananya 100 persen dari KLBI. Pada
tahun 1975 pemerintah melaksanakan program Intensifikasi Tebu Rakyat (TRI).
Kredit programnya disalurkan melalui Bank Rakyat Indonesia Unit Desa yang
kemudian disalurkan melalui KUD
Berubahnya UU mengenai Bank Sentral (Bank Indonesia-BI) menjadi UU No
23 tahun 1999, dimana BI tidak diperkenankan lagi menyalurkan kredit, maka KUT
diganti dengan Kredit Ketahanan Pangan (KKP). KKP dimulai pada Oktober 2000,
namun realisasinya baru berjalan Januari 2001 merupakan penyempurnaan dari KUT,
KKPA (unggas, tebu dan nelayan) serta Kredit Koperasi Pangan ( Deptan, 2002a).
Berdasarkan gambaran di atas maka untuk melihat dampak kebijakan harga
pangan terhadap ketahanan pangan lebih relevan jika hanya melihat dampaknya
terhadap ketersediaan energi (EAV1), protein (PAV1), konsumsi energi (EAC1),dan
protein (PAC1) yang berasal dari bahan pangan beras, jagung, kedele dan gula.

147
Selanjutnya perkembangan kredit juga berkaitan dengan program peningkatan
produksi palawija. Program ini diduga juga berpengaruh pada peningkatan produksi
ubi kayu dan ubi jalar. Walaupun tidak merupakan produk utama, usahatani pangan
yang dilakukan petani tidak lepas dari usahatani ubi kayu dan ubi jalar, sehingga
bukan tidak mungkin ada yang menggunakan fasilitas kebijakan harga pangan untuk
usaha ini. Oleh karena itu untuk melihat dampak kebijakan harga pangan juga relevan
memasukkan dua komoditas tersebut, sehingga proksi ketahanan pangan dapat juga
menggunakan variabel EAV2, PAV2, EAC2, dan PAC2 yang merupakan EAV1,
PAV1, EAC1 dan PAC1 ditambah dengan ketersediaan/konsumsi energi dan protein
yang bersumber dari ubi kayu (termasuk gaplek dan tapioka) dan ubi jalar.
Kebijakan harga yang berdampak pada peningkatan produksi pangan diduga
berpengaruh terhadap ketersediaan bahan baku pakan yang berkaitan dengan
peningkatan produksi daging dan telur ayam ras dan buras. Selain itu Kredit melalui
KUD dan KKPA ditujukan juga untuk meningkatkan ternak unggas termasuk kredit
intensifikasi ternak ayam daging (Broiler) dan ayam petelur serta kredit untuk
peternak ayam dalam rangka Keppres 50/1981 (restrukturisasi industri unggas) (Bank
Indonesia, 2001). Kredit KKP yang ada saat ini juga digunakan untuk peningkatan
produksi peternakan.

Oleh karena itu variabel ketahanan pangan EAV3, PAV3,

EAC3 dan PAC3 yang merupakan EAV1, PAV1, EAC1 dan PAC1 ditambah dengan
konsumsi energi dan protein yang bersumber dari daging dan telur ayam ras dan buras
juga relevan untuk digunakan. Variabel ketahanan pangan berikutnya adalah EAV4,
PAV4, EAC4 dan PAC4 yang merupakan EAV3, PAV3, EAC3 dan PAC3 ditambah
dengan konsumsi energi dan protein yang berasal dari ubi kayu dan ubi jalar.
Untuk meningkatkan produksi produk perkebunan dengan dana KLBI juga
disalurkan kredit perkebunan (Tabel 17). Untuk lebih mendukung peningkatan
produksi produk perkebunan dan pendapatan pekebun, pada tahun 1986

148
diperkenalkan skim kredit PIR Trans yang didukung KLBI. Produk akhir perkebunan
yang banyak dikonsumsi penduduk adalah minyak goreng (kelapa dan kelapa sawit).
Dengan demikian relevan jika mengaitkan kebijakan harga pangan dengan konsumsi
minyak goreng. Karena itu digunakan variabel EAV5, PAV5, EAC5 dan PAC5 yang
merupakan EAV3, PAV3, EAC3 dan PAC3 ditambah dengan ketersediaan/konsumsi
energi dan protein yang berasal dari minyak goreng. Proksi variabel ketahanan pangan
terakhir adalah EAV6, PAV6, EAC6 dan PAC6 yang merupakan EAV5, PAV5,
EAC5 dan PAC5 ditambah dengan ketersediaan/konsumsi energi dan protein yang
berasal dari ubi jalar dan ubi kayu.
Ikan merupakan pangan hewani yang banyak dikonsumsi berbagai lapisan
masyarakat. Namun demikian tidak dimasukkan sebagai komponen dari variabel
ketahanan pangan. Hal tersebut dikarenakan kebijakan harga pangan yang terkait
dengan perikanan hanya pada KKPA. Kredit yang disalurkan dengan dukungan dana
KLBI berupa KIK/KMKP motorisasi nelayan dan intensifikasi tambak rakyat serta
kredit melalui KUD untuk nelayan guna mengantisipasi penghapusan pukat harimau
(Bank Indonesia, 2001).

Rendahnya akses nelayan terhadap lembaga kredit formal

dan berdasarkan data Tabel 17 maka diasumsikan keterkaitan itu sangat kecil.
Pemanfaatan KKP pada perikanan juga sangat kecil dibandingkan subsektor lain
(Gambar 27). Dengan demikian bahan pangan ikan kurang relevan dimasukkan.
6.3. Keragaan Ketersediaan dan Konsumsi Kalori dan Protein

Dari uraian terdahulu, kebijakan harga pangan yang dilakukan pemerintah


sejak 1965 sampai dengan sekarang lebih banyak ditujukan untuk tanaman pangan,
khususnya beras sebagai pangan utama penduduk. Sesuai dengan salah satu tujuan
kebijakan harga pangan yaitu meningkatkan produksi pangan maka perkembangan
keragaan ketersediaan kalori dan protein merupakan indikasi untuk melihat dampak
kebijakan tersebut.

149

Peternakan
10%
Budidaya Tebu
78%

Perikanan
0.4%
Pengadaan
Pangan
3%
Tanaman Pangan
9%

Sumber Deptan, 2004 (diolah)

Gambar 27.

Penyaluran Kredit Ketahanan Pangan di Indonesia Januari


2001-Desember 2004

Gambar 28 dan Gambar 29 menunjukkan program kebijakan harga pangan


selama ini mampu meningkatkan ketersediaan kalori dan protein secara konsisten.
Bahkan dibandingkan dengan pedoman PPH 2020, konsumsi energi 2200 kkal dan
konsumsi protein 48 gram per kapita per hari, maka di tingkat ketersediaan yang
dianjurkan harus sebesar 2550 kkal dan 55 gram per kapita per hari (Azwar, 2004),
Indonesia sudah memenuhi ketersediaan kalori sejak tahun 1983 yaitu 2565 kkal dan
protein sejak tahun 1986 yaitu 58.22 gram per kapita per hari.
Akan tetapi ketersediaan yang cukup belum diikuti oleh kualitas yang
memadai, karena sebagian besar dipenuhi dari sumber nabati. Padahal untuk
mencapai komposisi pangan yang baik kontribusi energi dan protein hewani terhadap
total energi harus sekitar 15%. (Hardinsyah dan Tambunan, 2004). Selama periode
1975-2003 kontribusi keduanya masih belum mencapai anjuran, bahkan sumber kalori
yang berasal dari hewani jauh di bawah anjuran (Gambar 30).

Ketersediaan Energi (kkal)

150

3500

3000

2565
2500

2000

1500

1000

500

20
03

20
01

19
99

19
97

19
95

19
93

19
91

19
89

19
87

19
85

19
83

19
81

19
79

19
77

19
75

Tahun
E-Nabati

E-Hewani

Energi

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 28.

Perkembangan Ketersediaan Energi Per Kapita Per Hari di


Indonesia, Tahun 1975-2003

Jika dirinci lebih jauh, sebagian besar kalori dan protein nabati tersebut
bersumber dari beras (Gambar 31 dan Gambar 32). Ini membuktikan bahwa kebijakan
harga pangan selama ini bias kearah padi-padian, khususnya beras. Bahkan setelah
adanya upaya penyempurnaan bidang perkreditan dengan mengurangi peran KLBI
melalui Paket Kebijakan Januari 1990 (PAKJAN 90), KLBI masih mendukung
upaya

pelestarian

swasembada

pangan melalui KUT; Kredit pada KUD yang

membiayai pengadaan padi, palawija, cengkeh dan pupuk; Kredit kepada Koperasi
Primer untuk Anggotanya (KKPA) antara lain untuk membiayai Program TRI dan
kredit kepada Bulog untuk Pengadaan Pangan Nasional.

151

90

Ketersediaan Protein (Gram)

80
70
58.22

60
50
40
30
20
10

20
03

20
01

19
99

19
97

19
95

19
93

19
91

19
89

19
87

19
85

19
83

19
81

19
79

19
77

19
75

Tahun
P-Nabati

P-Hewani

Protein Total

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 29.

Perkembangan Ketersediaan Protein Per Kapita Per Hari di


Indonesia, Tahun 1975-2003

97%

87%

13%

3%
Kalori (2725)

Protein (65.57)
Nabati

Hewani

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 30. Rataan Ketersediaan Energi dan Protein Per Kapita Per Hari di
Indonesia Sejak Tahun 1975-2003

152

Buah/biji
berminyak
9%

Lemak & minyak


8%

Lain2
5%

Gula
5%

Padi2an
65%

Pati2an
8%

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 31.

Rata-rata Proporsi Kalori yang Tersedia Per Kapita per Hari


Menurut Bahan Pangan di Indonesia sejak Tahun 1975-2003

Ikan
8%

Daging
3%

Pati2an
3%

Lain2
5%

Buah/biji
berminyak
19%
Padi2an
62%

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 32.

Rata-rata Proporsi Protein yang Tersedia Per Kapita Per Hari


Menurut Bahan Pangan di Indonesia Tahun 1975-2003

153
Timpangnya kebijakan pangan tersebut dapat dilihat juga dari rendahnya
kontribusi ikan (8%) dan daging (3%) dibandingkan buah/biji berminyak (19%)
sebagai sumber protein. Apalagi kontribusi sayur dan buah yang dalam norma gizi
(PPH) memiliki bobot tertinggi, kontribusinya terhadap ketersediaan kalori dan
protein sangat kecil sekali.

Pemerintah baru mengeluarkan skim kredit untuk

membiayai hortikultura pada tahun 1994, melalui pengembangan skim KUT dan
Kredit untuk KUD (Bank Indonesia, 2001).
Selama 29 terakhir (1975-2003) kelihatan belum ada dampak signifikan hasil
kebijakan harga pangan yang mampu menggeser proporsi ketersedian padi-padian di
sekitar 60-an persen sebagai sumber kalori (Gambar 33). Sensitifnya stabilitas sosial
terhadap perubahan akses penduduk terhadap pangan utama, sedangkan upaya
peningkatan kesejahteraan belum memberikan hasil yang berarti mungkin
menyebabkan hal tersebut dilakukan oleh pemerintah. Tingginya inflasi pada tahun
1966 dan kerusuhan Mei 1998 suatu bukti empirik kerusuhan sosial yang harus
dibayar mahal akibat naiknya harga sehingga pangan sulit diakses penduduk.
Pemerintahan manapun tidak menginginkan hal tersebut terjadi.
Tidak seperti pada ketersediaan kalori, proporsi ketersediaan protein menurut
bahan pangan mengalami perubahan walaupun masih didominasi dari sumber padipadian. Terlihat ada kecenderungan hubungan yang saling substitusi antara protein
yang berasal dari padi-padian dengan buah/biji berminyak (Gambar 34). Demikian
juga sumber protein yang berasal dari ikan, walaupun lamban, tetapi ketersediaannya
cenderung meningkat. Gambaran ini dapat dijadikan indikasi bahwa upaya-upaya
diversifikasi protein potensial dilakukan melalui upaya peningkatan produksi
buah/biji berminyak seperti kedele, kacang tanah dan kacang hijau serta produk
perikanan.

154

80

Proporsi Kalori Tersedia (%)

70

60
Padi2an
Pati2an
Gula

50

Buah/biji
Berminyak
Buah2an
Sayur2an

40

Daging
Telur
Susu
Ikan

30

Minyak &
Lemak

20

10

20
03

20
01

19
99

19
97

19
95

19
93

19
91

19
89

19
87

19
85

19
83

19
81

19
79

19
77

19
75

0
Tahun

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 33.

Rata-rata Proporsi Kalori yang Tersedia Per Kapita Per Hari


Menurut Bahan Pangan di Indonesia Tahun 1975-2003

155

Proporsi Protein Tersedia (%)

80

70

60

Padi2an
Pati2an

50

Gula
Buah/biji
Berminyak
Buah2an
Sayur2an

40
Daging
Telur
Susu
Ikan

30

Minyak &
Lemak

20

10

19
75
19
77
19
79
19
81
19
83
19
85
19
87
19
89
19
91
19
93
19
95
19
97
19
99
20
01
20
03

Tahun

Sumber: BPS dan Badan Bimas Ketahanan Pangan (berbagai terbitan-diolah)

Gambar 34. Rata-rata Proporsi Protein yang Tersedia Per Kapita Per Hari
Menurut Bahan Pangan di Indonesia Tahun 1975-2003

156

6.4. Pengaruh Kebijakan Harga Pangan terhadap Ketahanan Pangan

Seperti diuraikan sebelumnya, dalam penelitian ini ketahanan pangan diproksi


dari ketersediaan energi dan protein untuk tingkat nasional serta konsumsi energi dan
protein penduduk pada tingkat rumah tangga.

Untuk kebijakan harga pangan,

awalnya dianalisis beberapa alternatif variabel kebijakan harga pangan, namun hanya
tiga variabel yang memberikan hasil terbaik. Berikut diuraikan tahapan analisis yang
dilakukan.
6.4.1. Ketersediaan Pangan
6.4.1.1. Ketersediaan Energi

Hasil uji stasionaritas menunjukkan bahwa variabel yang digunakan dalam


model ketahanan pangan adalah variabel pada beda pertama. Sementara itu, hasil uji
kointegrasi persamaan pengaruh kebijakan harga pangan (IOPP; AGIP dan AGOP;
AGSP dan ACPP) terhadap ketersediaan energi (EAVn, dimana n = 1, 2, .6) tidak
menunjukkan adanya kointegrasi.

Kalaupun dilakukan pendugaan pengaruhnya

secara statistik tidak signifikan. Oleh karena itu dilakukan respesifikasi dengan
memasukkan variabel Produk Domestik Bruto Nasional (PDB). Variabel ini dapat
dijadikan proksi tingkat pendapatan atau kesejahteraan.
Dengan menambah variabel PDB sebagai variabel bebas maka persamaan
ketahanan pangan dengan kebijakan harga pangan (IOPP) dan PDB sebagai variabel
bebas dan ketersediaan energi (EAVn; n = 1, 2, .. 6) sebagai variabel terikat menjadi
saling berkointegrasi. Namun demikian hasil pendugaan menunjukkan bahwa hanya
persamaan ketahanan pangan EAVn dimana n = 1, 2 ..4 saja yang secara ekonomi dan
statistik tidak menghadapi masalah. Pada persamaan EAV5 dan EAV6 memiliki
masalah pada nilai T-Ratio ECM-nya. Hasil lengkap dapat dilihat pada Lampiran 15,
sedangkan kasus untuk satu persamaan ketahanan pangan (EAV4) dapat dilihat pada
Tabel 18.

157
Tabel 18. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap Ketahanan
Pangan (LEAV4)
Dependent variable: LEAV4
Periode pendugaan dari 1976 2004: 29 observasi
Nilai koefisien jangka panjang:
Regressor

Koefisien

Standar Error

T-Ratio [Prob]

LRIOPP

0.0586

0.0250

2.2965 [0.030]

LPDB

0.4345

0.0356

12.1967 [0.000]

A0

5.9431

0.3996

14.8734 [0.000]

Nilai koefisien jangka pendek

dLRIOPP

0.0330

0.0142

2.3220 [0.029]

dLPDB

0.2453

0.0817

3.0015 [0.006]

dA0

3.3543

0.1603

3.8024 [0.001]

ecm(-1)

-0.5644

0.1603

-3.5219 [0.002]

ecm = LEAV4 -0.058551*LRIOPP -0.43453*LPDB -5.9431*A0


R-Squared 0.40572 R-Bar-Squared 0.33441
S.E. of Regression 0.038935 F-stat. F( 3, 25) 5.6893 [0.004]
DW-statistic 2.4117

Hasil analisis ekonometrika menunjukkan bahwa baik jangka pendek maupun


jangka panjang kebijakan harga pangan dan produk domestik bruto berpengaruh
positif terhadap ketersediaan energi di tingkat nasional dan secara statistik pengaruh
tersebut sangat signifikan. Artinya dana yang dikeluarkan Pemerintah selama ini
untuk membiayai pengadaan pangan melalui kebijakan harga pangan berpengaruh
terhadap ketersediaan energi yang bersumber dari beras, jagung, kedele, gula, ubi
kayu, ubi jalar, telur dan daging ayam ras dan ayam buras.
Namun demikian jika dilihat dari nilai elastisitasnya, ketersediaan energi
tersebut tidak respon terhadap perubahan kenaikan biaya untuk melakukan kebijakan
harga tersebut.

Karena jika biaya untuk kebijakan harga dinaikkan 10 persen

ketersediaan energi hanya meningkat 0.33 persen dalam jangka pendek dan 0.59
persen dalam jangka panjang. Demikian juga jika PDB meningkat 10 persen maka

158
ketersediaan energi dari sumber bahan pangan tersebut hanya meningkat 2.45 persen
dalam jangka pendek dan 4.35 dalam jangka panjang.
Dengan demikian dapat dikatakan bahwa kebijakan harga pangan tidak efektif
pengaruhnya terhadap ketersediaan energi di tingkat nasional. Adapun pengaruh PDB,
walaupun juga tidak efektif, tampak memberikan respon yang lebih tinggi. Jika PDB
merupakan representasi dari pembangunan ekonomi dari semua sektor, maka wajar
jika kebijakan harga pangan yang merupakan bagian dari pembangunan ekonomi
memberikan respon yang lebih kecil. Hasil ini sesuai dengan penelitian Saliem et al.
(2004) yang menyimpulkan bahwa kebijakan stabilisasi harga pangan dengan
instrumen Harga Dasar Gabah dan Harga Dasar Pembelian Pemerintah tidak efektif
untuk meningkatkan pendapatan dan kesejahteraan petani yang berarti juga tidak
efektif meningkatkan ketahanan pangan.
Akan tetapi dari hasil tersebut bukan besarannya saja yang perlu dilihat,
pengaruhnya yang signifikan mengindikasikan pentingnya kebijakan harga pangan
untuk mendukung ketahanan pangan. Karena efektivitas suatu kebijakan tidak hanya
ditentukan oleh kebijakan tersebut tetapi juga harus didukung dengan kebijakan lain
(Ramdan, 2003). Kebijakan pendukung tersebut termasuk kebijakan pembangunan
irigasi, infrastruktur pasar, kebijakan penelitian dan pembukaan areal baru
mengkompensasi areal yang terkonversi (Kasryno et al. 2001). Pengaruh eksternal
seperti harga pangan di pasar dunia dan melemahnya nilai tukar juga mempengaruhi
ketidakefektifan kebijakan tersebut (Saliem et al. 2004). Di samping itu manajemen
dalam mengimplementasikan kebijakan tersebut juga mempengaruhi keefektifannya.
Banyaknya kebocoran-kebocoran dana pembangunan dan tidak efektifnya kebijakan
tataniaga pupuk diperkirakan juga mempengaruhi efektivitas kebijakan harga pangan.
Jika kebijakan harga pangan tersebut didekomposisi dapat juga diketahui
kebijakan apa saja yang mempengaruhi ketersediaan pangan. Hasil pengolahan data

159
menunjukkan bahwa hanya dekomposisi berdasarkan kebijakan harga input pertanian
dan kebijakan terhadap harga output pertanian saja yang memberikan hasil baik,
sedangkan dekomposisi berdasarkan kebijakan subsidi pertanian dan kebijakan kredit
pertanian tidak memberikan hasil yang baik karena ada masalah dengan nilai T-Ratio
ECM-nya. Hasil lengkap pengaruh kebijakan harga input dan kebijakan harga output
pertanian terhadap ketahanan pangan dapat dilihat pada Lampiran 16, sedangkan
kasus untuk satu persamaan dapat dilihat pada Tabel 19.
Tabel 19. Hasil Pendugaan Pengaruh Kebijakan Harga Input dan Kebijakan Harga
Ouput terhadap Ketahanan Pangan (LEAV4)
Dependent variable: LEAV4
Periode pendugaan dari 1976 2004: 29 observasi
Nilai koefisien jangka panjang:
Regressor

Koefisien

Standar Error

T-Ratio [Prob]

LRAGIP

0.0123

0.0252

0.4875 [0.630]

LRAGOP

0.0343

0.0219

1.5665 [0.130]

LPDB

0.4221

0.0510

8.2783 [0.000]

A0

6.2339

0.63921

9.7525 [0.000]

Nilai koefisien jangka pendek

dLRAGIP

0.0067

0.0145

0.4656 [0.646]

dLRAGOP

0.0188

0.0109

1.7235 [0.098]

dLPDB

0.2312

0.0929

2.4900 [0.020]

dA0

3.4145

0.9403

3.6314 [0.001]

ecm(-1)

-0.5477

0.1749

-3.1314 [0.005]

ecm = LEAV4 -0.012309*LRAGIP -0.034344*LRAGOP -0.42212*LPDB


6.2339*A0
R-Squared 0.38128; R-Bar-Squared 0.27817;
S.E. of Regression 0.040547 ; F-stat. F( 4, 24) 3.6975[0.018] ;
DW-statistic 2.4178

Hasil analisis menunjukkan bahwa hanya kebijakan harga output yang secara
statistik signifikan berpengaruh positif terhadap ketersediaan energi. Sementara itu
kebijakan harga input berpengaruh positif namun pengaruhnya secara statistik tidak

160
signifikan. Temuan ini realistik karena dampak kebijakan harga input memiliki alur
yang panjang terhadap ketersediaan pangan dibandingkan kebijakan harga output.
Sejak dari pemberian subsidi hingga proses produksi pangan sudah banyak dijumpai
permasalahan.
Permasalahan

di

tingkat

produksi

input

dapat

dijumpai

adanya

ketidakefisienan produksi pabrik input (pupuk) dan keterlambatan produksi pupuk


karena gangguan mesin pada pabrik. Selanjutnya adanya gangguan selama proses
distribusi input. Ganguan tersebut dapat berupa terjadinya rembesan penggunaan
pupuk subsidi untuk penggunaan yang tidak sesuai dengan sasaran, ekspor ilegal
pupuk bersubsidi dan penimbunan.
Dua permasalahan di tingkat produksi dan distribusi akan berdampak pada
ketidaktepatan waktu, ketidaktepatan jumlah, ketidaktepatan kualitas input yang
diterima petani. Selanjutnya hal ini akan mempengaruhi proses dan hasil produksi.
Selain itu, bencana alam seperti banjir, kekeringan dan serangan hama penyakit dapat
menyebabkan biaya untuk kebijakan harga input tidak memberikan pengaruh yang
signifikan terhadap hasil produksi, sehingga akan mempengaruhi ketersediaan energi.
Sementara itu, pengaruh kebijakan output lebih pendek jaraknya terhadap
ketersediaan pangan sehingga risiko yang dihadapi menjadi lebih kecil dibandingkan
kebijakan harga input. Di samping itu karena target kebijakannya jelas, maka
kemungkinan terjadi penyalahgunaan menjadi lebih kecil.

Pada kebijakan input,

biaya subsidi pupuk dapat dimanfaatkan untuk non target, contohnya: pupuk subsidi
untuk tanaman pangan digunakan untuk tanaman perkebunan, industri dan ekspor.
Dari hasil temuan di atas dapat disimpulkan bahwa kebijakan harga pangan
sangat mempengaruhi ketersediaan pangan, terutama kebijakan harga output, namun
masih belum efektif. Untuk mengefektifkan kebijakan harga pangan perlu didukung
oleh kebijakan lain, terutama yang berkaitan dengan kebijakan penyediaan

161
infrastruktur dan penelitian yang sifatnya jangka panjang. Kebijakan output, terutama
dalam bentuk kebijakan harga dasar yang dilakukan selama ini perlu dijaga
efektivitasnya untuk lebih merangsang petani tetap berproduksi. Namun agar pangan
yang tersedia dapat diakses oleh segala lapisan masyarakat, terutama kelompok
berpendapatan rendah, maka kebijakan harga atap perlu juga dilakukan. Dengan dua
kebijakan ini diharapkan konsumen dan produsen pangan saling diuntungkan.
6.4.1.2. Ketersediaan Protein

Dengan menggunakan variabel yang sama pada persamaan ketersediaan


protein, hasilnya tidak sebaik seperti pada hasil pendugaan ketersediaan energi
sebelumnya. Hasil uji kointegrasi menunjukkan ada variabel yang digunakan dalam
persamaan tidak terkointegrasi dengan variabel lainnya. Hal ini dapat dilihat dari dua
tabel DF/ADF yang digunakan untuk melihat derajat integrasi residual (RES)
persamaan OLS, satu menunjukkan bahwa residual berderajat nol atau I(0) sesuai
harapan dan yang lainnya berderajat satu atau I(1) tidak sesuai harapan.

Hasil

lengkapnya dapat dilihat pada Lampiran 17.


Jika analisis dilanjutkan, hasil pendugaan yang dapat dilihat pada Tabel 20.
Dalam jangka pendek, kebijakan harga pangan dan PDB tidak mempengaruhi
ketersediaan protein. Namun demikian dalam jangka panjang PDB memberikan
pengaruh yang sangat signifikan terhadap ketersediaan protein.

Hasil ini sesuai

dengan yang terjadi selama ini, dimana kebijakan pemerintah lebih dititik beratkan
pada upaya penyediaan pangan sumber energi, terutama beras sebagai pangan pokok.
Dalam jangka panjang peningkatan PDB akan meningkatkan ketersediaan
protein. Namun pada kondisi saat ini kebijakan yang dilakukan pemerintah masih
tertumpu pada ketersediaan energi yang berasal dari bahan pangan pokok, sehingga .
perhatian terhadap upaya peningkatan ketersediaan protein masih kurang mendapat
perhatian.

162
Tabel 20. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap Ketahanan
Pangan (LPAV4)
Dependent variable: LPAV4
Periode pendugaan dari 1976 2004: 29 observasi
Nilai koefisien jangka panjang:
Regressor

Koefisien

Standar Error

T-Ratio [Prob]

LRIOPP

0.0578

0.0639

0.9043 [0.375]

LPDB

0.6334

0.0869

7.2914 [0.000]

A0

13.5505

1.0186

13.3027 [0.000]

Nilai koefisien jangka pendek

dLRIOPP

0.0242

0.0248

0.9747 [0.339]

DLPDB

-0.3029

0.3520

-0.8605 [0.398]

dA0

5.6699

2.1437

2.6449 [0.014]

ecm(-1)

-0.4184

0.1683

-2.4861 [0.020]

ecm = LPAV4 -0.057803*LRIOPP -0.63340*LPDB -13.5505*A0


R-Squared 0.33617; R-Bar-Squared 0.22553;
S.E. of Regression 0.069463 ; F-stat. F( 3, 25) 4.0513[0.018] ;
DW-statistic 2.4603
Jika kebijakan harga didisagregasi menjadi kebijakan harga input dan
kebijakan harga output, hasilnya juga tidak jauh berbeda dengan sebelumnya.
Kebijakan harga input dan kebijakan harga ouput, baik dalam jangka pendek maupun
jangka panjang tidak berpengaruh terhadap ketersediaan protein. PDB dalam jangka
pendek tidak berpengaruh terhadap ketersediaan protein, namun dalam jangka
panjang pengaruhnya sangat signifikan terhadap ketersediaan protein (Tabel 21).
Rinciannya dapat dilihat pada Lampiran 18.
Dari hasil analisis dapat disimpulkan bahwa selama ini kebijakan pemerintah
terhadap penyediaan pangan bias kepada ketersediaan energi dan tidak berpengaruh
sama sekali terhadap ketersediaan protein. Kebijakan yang bias terhadap ketersediaan
dan konsumsi protein terbukti seperti yang telah dibahas pada sub bab 6.3
sebelumnya. Hasil analisis menemukan bahwa dalam jangka panjang ketersediaan
protein lebih dipengaruhi oleh pertumbuhan ekonomi. Dengan demikian upaya

163
meningkatkan

kesejahteraan

masyarakat

dengan

indikator

makin

tingginya

pertumbuhan ekonomi suatu negara diharapkan dapat meningkatkan kualitas


ketahanan pangan nasional.
Tabel 21. Hasil Pendugaan Pengaruh Kebijakan Harga Input dan Kebijakan Harga
Ouput terhadap Ketahanan Pangan (LPAV4)
Dependent variable: LPAV4
Periode pendugaan dari 1976 2004: 29 observasi
Nilai koefisien jangka panjang:
Regressor

Koefisien

Standar Error

T-Ratio [Prob]

LRAGIP

0.0106

0.0549

0.1922 [0.849]

LRAGOP

0.0379

0.0482

0.7869 [0.439]

LPDB

0.6189

0.1071

5.7778 [0.000]

A0

13.8441

1.3515

10.2432 [0.000]

Nilai koefisien jangka pendek

dLRAGIP

0.0045

0.0238

0.1907 [0.850]

dLRAGOP

0.0163

0.0195

0.8364 [0.411]

dLPDB

-0.3106

0.3576

-0.8687 [0.394]

dA0

5.9472

2.1912

2.7142 [0.012]

ecm(-1)

-0.4296

0.1735

-2.4761 [.021]

ecm = LPAV4-0.010550*LRAGIP-0.037896*LRAGOP-0.61888*LPDB13.8441*A0
R-Squared 0.3379 R-Bar-Squared 0.19397 ;
S.E. of Regression 0.070865 ; F-stat. F( 4, 24) 2.9345[0.042];
DW-statistic 2.4665

6.4.2. Konsumsi Pangan

Pendugaan persamaan konsumsi pada awalnya menggunakan variabel yang


sama dengan pendugaan ketersediaan pangan. Namun karena lingkup analisisnya
bersifat mikro, yaitu tingkat konsumsi per kapita, maka variabel konsumsi energi dan
protein serta produk domestik bruto yang digunakan merupakan konsumsi dan PDB
per kapita. Selain itu dicoba juga menggunakan indeks harga konsumen (LIHK)
sebagai proksi dari aksesibilitas ekonomi penduduk dan variabel harga minyak solar

164
(LRSOL) sebagai proksi aksesibilitas fisik.

Dari berbagai respesifikasi yang

dilakukan hanya model konsumsi energi yang memberikan hasil yang relatif baik,
sedangkan untuk model konsumsi protein tidak. Berikut disajikan hasil pendugaan
terbaik dari berbagai respesifikasi yang telah dilakukan (Tabel 22).
Hasil pendugaan menunjukkan bahwa kebijakan harga pangan berpengaruh
positif terhadap konsumsi energi per hari per kapita penduduk Indonesia. Akan tetapi
pengaruh kebijakan tersebut secara statistik tidak signifikan. Demikian pula halnya
dengan produk PDB per kapita. Pengaruh yang signifikan terhadap konsumsi energi
adalah tingkat inflasi, terutama dalam jangka panjang. Makin tinggi inflasi maka
akses penduduk terhadap energi makin berkurang. Rinciannya dapat dilihat pada
Lampiran 19.
Tabel 22. Hasil Pendugaan Pengaruh Kebijakan Harga Pangan terhadap Ketahanan
Pangan (LEACK4)
Dependent variable: LEACK4
Periode pendugaan dari 1976 2004: 29 observasi
Nilai koefisien jangka panjang:
Regressor

Koefisien

Standar Error

T-Ratio [Prob]

LRIOPP

0.0014

0.0294

0.0486 [0.962]

LIHK

-0.0937

0.0510

-1.8388 [0.078]

LPDBK

0.0100

0.1507

0.0663 [0.948]

A0

-0.2712

0.3300

-0.8217 [0.419]

Nilai koefisien jangka pendek

dLRIOPP

0.0092

0.0190

0.0484 [0.962]

dLIHK

-0.0605

0.0423

-1.4283 [0.166]

dLPDBK

0.0064

0.0979

0.0659 [0.948]

dA0

-0.1749

0.2185

-0.8004 [0.431]

ecm(-1)

-0.6451

0.2036

-3.1683 [0.004]

ecm = LEACK4 - 0.0014277*LRIOPP + 0.093738*LIHK


-0.0099956*LPDBK + 0.27116*A0
R-Squared 0.33942 R-Bar-Squared 0.22933;
S.E. of Regression 0.050582 F-stat. F( 4, 24) 3.0830 [0.035]
DW-statistic 2.0136

165
Temuan-temuan ini konsisten dengan fakta yang terjadi dan hasil penelitian
Hermanto (2002) yang menyatakan bahwa gejolak harga pangan akan mempengaruhi
inflasi sehingga berdampak negatif terhadap daya beli konsumen dan petani produsen
(net consumer) sehingga menghambat rumah tangga tersebut untuk akses terhadap
pangan yang dibutuhkan. Tingginya inflasi, seperti pada krisis ekonomi yang terjadi
pada medio 1997, menyebabkan menurunnya konsumsi penduduk. Dampaknya pada
tahun 2005 banyak ditemui kasus busung lapar di berbagai wilayah di Indonesia. Jadi
walaupun PDB per kapita meningkat, jika distribusinya tidak merata tidak akan
memberikan pengaruh signifikan bagi sebagian besar penduduk yang tidak akses pada
aktivitas ekonomi.
Diduga masih banyak variabel-variabel yang sifatnya mikro yang menentukan
tingkat konsumsi energi seseorang.

Menurut Saliem et al, (2002), faktor-faktor

tersebut adalah pendapatan rumah tangga, pendidikan kepala rumah tangga/isteri, dan
jumlah anggota rumah tangga, pola asuh, dan budaya setempat. Penguasaan lahan
petani diduga juga mempengaruhi kenapa kebijakan harga pangan tidak berpengaruh
pada tingkat konsumsi energi dan protein. Seperti diutarakan pada teori garis
anggaran di depan, dampak kebijakan harga pangan terhadap ketahanan pangan dapat
melalui dua jalur. Pertama adanya rotasi garis anggran yang menyebabkan harga
pangan menjadi relatif murah dan kedua melalui pergeseran garis anggaran kekanan
yang menyebabkan daya beli makin meningkat.
Jika sebagian besar petani penguasaan lahannya semakin mengecil, bahkan
hanya sebagai petani buruh (landless) maka kebijakan harga pangan yang dilakukan
pemerintah untuk meningkatkan pendapatan masyarakat berpendapatan rendah seperti
pada sebagian besar petani menjadi kurang berarti. Kebijakan yang dilakukan justru
dinikmati petani pemilik lahan luas dan pemilik lahan yang bukan petani. Petani kecil

166
hanya menerima upah buruh atau bagi hasil yang kurang signifikan pengaruhnya
terhadap peningkatan pendapatan rumah tangga mereka.
Data pada Tabel 23 menunjukkan bahwa distribusi petani yang menguasai
lahan kurang dari setengah hektar jumlahnya makin meningkat dari 44.5% pada tahun
1983 menjadi 51.5% dan 55.0% pada tahun 1993 dan tahun 2003. Penurunan jumlah
penguasaan lahan tersebut dapat disebabkan makin terkonsentrasinya penguasaan
lahan pada penduduk kelompok berpendapatan tingggi dan atau dapat juga
disebabkan oleh makin mengecilnya penguasaan lahan akibat adanya budaya
mewariskan lahan kepada anak. Faktor kedua ini terlihat pada Tabel 23 dengan
semakin banyaknya jumlah rumah tangga petani dari waktu ke waktu selama 30 tahun
terakhir.

Masalah penguasaan lahan ini sebenarnya dapat dicegah dengan

mengimplementasikan dan menyempurnakan Undang-undang Pokok Agraria Tahun


1960 yang hingga kini belum efektif dilakukan (Jajaki, 2005).
Tabel 23. Distribusi Rumah Tangga Pertanian Pengguna Lahan Menurut Golongan
Luas Lahan yang Dikuasai, Tahun 1983, 1993, dan 2003

Tahun

Satuan

1983

ribu unit
%
ribu unit
%
ribu unit
%

1993
2003

Luas Lahan Yang Dikuasasi


< 0.5 Ha
7 601
44.5
10 908
51.5
13 314
55.0

Jumlah Rumah Tangga

>= 0.5 Ha
9 475
55.5
10 253
48.5
10 909
45.0

17 076
100.0
21 161
100.0
24 223
100.0

Sumber: Sensus Pertanian 1983, 1993, dan 2003 (BPS, 2004a, 1995, 1984)

6.5. Ringkasan Hasil

Kebijakan harga pangan selama ini mampu menyediakan kalori dan protein
hingga melampaui anjuran dalam pedoman Pola Pangan Harapan. Akan tetapi
ketersediaan tersebut belum diikuti oleh kualitas yang memadai, karena sebagian
besar (64%) dipenuhi dari sumber nabati.

167
Kebijakan harga input-output, baik jangka pendek maupun jangka panjang,
sangat mempengaruhi ketersediaan pangan (energi), namun ketersediaan pangan tidak
responsif (inelastis) terhadap perubahan kebijakan harga input-output. Kebijakan
harga output dalam jangka pendek mempengaruhi ketersediaan pangan, akan tetapi
dalam jangka panjang pengaruhnya tidak signifikan, sedangkan kebijakan harga input,
baik jangka pendek maupun jangka panjang, tidak berpengaruh terhadap ketersediaan
pangan. Ketiga kebijakan tersebut masih difokuskan kepada penyediaan energi serta
bias terhadap penyediaan protein.
Kebijakan harga input-output, baik jangka pendek maupun jangka panjang,
tidak berpengaruh signifikan terhadap konsumsi energi dan konsumsi protein. Ini
membuktikan bahwa ketersediaan pangan ditingkat nasional tidak menjamin akses
pangan penduduk di tingkat rumah tangga. Selain itu kebijakan harga pangan
cenderung dinikmati oleh rumah tangga petani berlahan luas dibandingkan rumah
tangga petani yang menguasai lahan sempit. Temuan ini sejalan dengan hasil bab
lima dengan menggunakan analisis dinamika pangsa pengeluaran pangan.

PDB

mempengaruhi ketersediaan energi namun tidak mempengaruhi konsumsi energi.


Terhadap ketersediaan protein PDB hanya berpengaruh dalam jangka panjang,
sedangkan terhadap konsumsi protein secara statistik tidak terkointegrasi.
Temuan tersebut sesuai dengan hasil penelitian Saliem et al. (2001) di
Lampung, D.I. Yogyakarta, Kalimantan Barat dan Sulawesi Utara yang membuktikan
bahwa ketahanan pangan ditingkat provinsi cukup baik, namun di tingkat rumah
tanggga kaarena masih terdapat 21-33 persen rumah tangga yang rawan pangan. Hal
utama yang menyebabkan kasus tersebut adalah aspek pendapatan rumah tangga.
Oleh karena itu kebijakan harga pangan yang dilakukan tidak hanya memperhatikan
sisi produksi tetapi juga dari sisi pendapatan petani, terutama petani berpendapatan
rendah.

168

VII. DAMPAK KEBIJAKAN HARGA PANGAN


TERHADAP
STABILITAS EKONOMI MAKRO

Berdasarkan hasil pengujian awal variabel yang digunakan merupakan beda


pertama (first difference), ordo lag optimum yang digunakan adalah tiga, dan rank
kointegrasinya adalah dua. Dengan demikian dari sembilan persamaan dalam model
ada dua persamaan yang dapat menjelaskan hubungan jangka panjang untuk
menjelaskan keseluruhan fenomena yang tercakup dalam model yang dianalisis.
Setelah dilakukan pengujian awal dilanjutkan dengan pendugaan model VECM yang
akan digunakan untuk inovasi akuntansi dengan teknik IRF dan FEVD.
7.1.

Hasil Pendugaan Model

Sebelum pendugaan model terlebih dahulu dilakukan restriksi umum (general


restriction atau just identifying restriction) berdasarkan metode Johansen yaitu

dengan membuat matriks identitas 2 x 2 sesuai rank kointegrasi yang dihasilkan


sebelumnya. Pada penelitian yang tujuan utamanya hanya menganalisis IRF dan
FEVD, seperti yang dilakukan Supriana (2004) dan Bafadal (2005), tidak dilakukan
restriksi spesifik untuk menentukan dua persamaan yang terkointegrasi.
Pada penelitian ini, seperti yang dilakukan Nuryati (2004) dan Riswandi
(2004), dianggap perlu mengetahui dua persamaan yang terkointegrasi dalam jangka
panjang. Oleh karena itu, selain melakukan restriksi umum juga dilakukan restriksi
khsusus. Restriksi tersebut dilakukan sedemikian rupa sehingga mampu memberikan
informasi yang berkaitan dengan tujuan penelitian. Hasil uji restriksi umum dan
restriksi spesifik dapat dilihat pada Lampiran 20 dan Lampiran 21.
Hasil uji statistik dari restriksi umum dan restriksi spesifik menunjukkan
bahwa sistem persamaan yang digunakan exactly identifying dengan nilai Likelihood
Ratio 21.2291 dan persamaan kointegrasi over identifying dengan nilai Likelihood

169
Ratio 21.0632 dengan nilai p-value lebih besar dari 0.01 yaitu 0.565. Ini berarti

hipotesis nol dapat diterima yaitu restriksi yang disusun sesuai (compatible) dengan
perilaku data dan model VECM cukup valid untuk digunakan dalam melakukan
berbagai shock kebijakan atau inovasi perekonomian untuk jangka pendek dan jangka
panjang dengan teknik IRF dan FEVD
Setelah dilakukan restriksi kemudian dilakukan pendugaan model VECM.
Hasil lengkapnya dapat dilihat pada Lampiran 22. Hasil pendugaan VECM terdiri
dari persamaan jangka pendek dan vektor kointegrasi yang merupakan persamaan
residual sebagai persamaan jangka panjang. Persamaan jangka pendek menjelaskan
hubungan antara lag diferensiasi (sesuai ordo VECM=Ordo VAR1) dari masingmasing logaritma variabel-variabel dalam sistem, misal dLIHK1 terhadap diferensiasi
logaritma variabel endogennya, misal dLRINV. Untuk persamaan jangka panjang
yaitu ecm1 dan ecm2 menjelaskan hubungan jangka panjang residual dari masingmasing diferensiasi logaritma variabel yang terkandung pada vektor kointegrasi dari
suatu sistem kointegrasi.
Tidak seperti studi yang dilakukan Supriana (2004), Nuryati (2004), Riswandi
(2004), dan Bafadal (2005) dimana hasil pendugaan VECM sama sekali tidak dibahas
karena hanya merupakan tujuan antara untuk digunakan melakukan analisis
peramalan jangka panjang dengan menggunakan teknik IRF dan FEVD.

Pada

penelitian ini selain membahas peramalan jangka panjang juga akan dibahas hasil
pendugaan model VECM yang dianggap relevan yaitu melihat pengaruh kebijakan
harga pangan dalam jangka pendek dan melihat dua persamaan jangka panjang yang
over identivied diperoleh dari hasil restriksi spesifik.

170

7.1.1. Hubungan Jangka Pendek Kebijakan Harga Pangan dan Stabilitas


Ekonomi Makro

Dari hasil pendugaan VECM terdapat sembilan persamaan dalam satu sistem
persamaan. Pada masing-masing persamaan dapat dilihat bagaimana respon variabel
endogen terhadap perubahan kebijakan harga pangan. Bahasan hubungan jangka
pendek ini dibatasi hanya pada hal tersebut. Untuk jelasnya dapat dilihat Tabel 24.
Ternyata kebijakan harga pangan tidak memberikan pengaruh yang signifikan
terhadap semua variabel ekonomi makro yang dipengaruhinya.

Demikian juga

variabel ekonomi makro tidak responsif terhadap peningkatan dana untuk mendukung
kebijakan harga pangan, kecuali variabel tingkat suku bunga dan neraca perdagangan.
Tabel 24. Nilai Pendugaan Paremater/Elastisitas Jangka Pendek Kebijakan Harga
Pangan
Variabel
Koefisien
Dependent dLRIOPP1

T-Ratio
[Prob]

Koefisien
dLRIOPP2

T-Ratio
[Prob]

R2

dLIHK

-0.0038

-0.4724
[0.638]

0.0029

0.3643
[0.717]

0.6789

dLRIOPP

0.0981

0.8977
[0.372]

0.0813

0.7432
[0.460]

0.3017

dLREXR

0.0313

0.8534
[0.396]

0.0029

0.0791
[0.937]

0.4475

dLUNM

-0.0570

-1.1645
[0.248]

-0.0314

-0.6402
[0.524]

0.1738

dLRMSI

-0.0071

-0.4782
[0.634]

-0.0121

-0.8119
[0.419]

0.4733

dLRGDP

0.0117

1.1282
[0.263]

-0.0115

-1.1011
[0.274]

0.4377

dRIRT1

0.3978+

1.1240
[0.265]

0.3923#

1.1074
[0.272]

0.9304

dLRINV

0.0783

-0.1875

dRBOT1

103.0285^

-0.9694
[0.335]
0.3304
[0.742]

0.5924

0.4052
[0.686]
0.3138
[0.755]

No.

108.6236@

0.4267

Keterangan:
Nilai elastisitas: + = 0.3978/-0.0629 = - 6.32; # = 0.3923/-0.0629 = - 6.24;
^ = 103.0285/ - 66.9585 = - 1.54; @ = 108.6236/ - 66.9585 = - 1.62.
1

Nilai elastisitas bentuk fungsi Linier-log: Y=b1 + b2 ln X adalah b2/ Y (Ramanathan, 1995)

171
Jika pemerintah meningkatkan dana untuk mendukung kebijakan harga
pangan sebesar satu persen akan menurunkan suku bunga sebesar enam persen.
Namun penurunan suku bunga tersebut terjadi 1 2 triwulan berikutnya. Penurunan
suku bunga ini disebabkan dana kebijakan harga pangan berasal dari kredit yang
bersumber dari dana KLBI dan dana APBN dengan tingkat bunga yang jauh lebih
rendah dari tingkat suku bunga perbankan. Kondisi tersebut direspon perbankan
dengan menurunkan suku bunga agar nasabah tertarik menggunakan dana perbankan.
Demikian juga yang terjadi pada neraca perdagangan.

Peningkatan dana

untuk mendukung kebijakan harga pangan sebesar satu persen akan menurunkan
neraca perdagangan sebesar 1.5 persen pada 1 2 triwulan berikutnya. Penurunan ini
disebabkan kebijakan harga mampu merangsang peningkatan pangan dalam negeri
sehingga impor pangan menjadi berkurang.

7.1.2. Hubungan Jangka Panjang Kebijakan Harga Pangan dan Stabilitas


Ekonomi Makro

Dari hasil restriksi khusus diperoleh dua persamaan yang terkointegrasi yaitu
persamaan inflasi (56) dan persamaan kebijakan harga pangan (57).

Persamaan

kebijakan harga pangan disebut juga fungsi reaksi kebijakan. Angka dalam kurung
merupakan standar error.
LIHK = - 0.1519 LRIOPP* + 0.8644 LREXR* + 1.0311 LRMSI*
(0.0331)
(0.1583)
(0.2699)
- 0.0278 RIRT* 0.0982 LRINV*
(0.0121)
(0.0298)
+ 0.00002 RBOT - 0.0031 Trend ..(56)
(0.00002)
(0.0069)
LRIOPP = 7.5840 LIHK* + 5.3806 LREXR* 2.0045 LUNM*
(4.0504)
(1.5553)
(1.0037)
+ 29.2798 LRGDP* 0.1127 RIRT* 1.7935 LRINV*
(8.4626)
(0.1002)
(0.7112)
- 0.0010 RBOT* 0.0010 Trend .(57)
(0.0004.)
(0.1766)

172

7.1.2.1. Faktor-faktor yang Mempengaruhi Inflasi

Persamaan (56) menunjukkan bahwa dalam jangka panjang inflasi secara


statistik sangat signifikan dipengaruhi oleh adanya kebijakan harga pangan, nilai tukar
rupiah, penawaran uang, suku bunga dan investasi, kecuali neraca perdagangan.
Namun inflasi tidak responsif (tidak elastis) terhadap perubahan semua variabel
tersebut termasuk suku bunga dan neraca perdagangan yang memiliki nilai elastisitas1
masing-masing adalah - 0.45 dan

0.41, kecuali terhadap penawaran uang dengan

nilai elastisitas 1.03. Jika penawaran uang meningkat sebesar 10 persen inflasi akan
meningkat 10.3 persen. Temuan ini sesuai dengan teori kuantitas uang dimana inflasi
berbanding lurus dengan jumlah uang beredar.
Walaupun tidak elastis akan tetapi secara signifikan kebijakan harga pangan
mampu menurunkan inflasi. Untuk program pengendalian stabilitas ekonomi makro
kebijakan harga pangan menjadi penting. Demikian juga untuk program ketahanan
pangan, penurunan inflasi akan meningkatkan akses penduduk terhadap pangan.
Temuan ini sejalan dengan temuan pada bab sebelumnya dimana kebijakan harga
pangan secara signifikan sangat mempengaruhi ketahanan pangan dan penurunan
inflasi akan meningkatkan akses penduduk terhadap pangan.
Dalam prakteknya salah satu penyebab inflasi adalah kenaikan harga pangan
yang antara lain disebabkan oleh langkanya pangan di pasar. Melalui kebijakan harga
pangan seperti operasi pasar ketersediaan pangan menjadi meningkat dan harga akan
menurun. Menurunnya harga pangan di satu sisi dan besarnya komponen pengeluaran
untuk belanja pangan disisi lain akan mendorong turunnya tingkat inflasi.
Seperti hasil beberapa peneliti lain, selama rezim nilai tukar mengambang
(floating managed) perubahan nilai tukar cukup signifikan mempengaruhi inflasi.

Nilai elastisitas bentuk fungsi Log-linier: ln Y=b1 + b2 X adalah b2 X . Nilai rataan RIRT dan RBOT
masing-masing adalah 16.1549 dan 2041.1

173
Melemahnya nilai tukar akan meningkatkan ekspor sehingga neraca perdagangan
meningkat dan mendorong peningkatan output nasional. Pada harga yang stabil akan
meningkatkan permintaan agregat yang menyebabkan terjadinya inflasi. Di sisi lain
meningkatnya ekspor secara umum harus didukung dengan investasi pabrik dan bahan
baku. Selama ini sebagian produk ekspor Indonesia kandungan impornya tinggi.
Tingginya komponen impor akan menyebabkan terjadinya impor inflasi sehingga
inflasi domestik akan meningkat.
Kenaikan suku bunga riil akan menurunkan inflasi. Hal ini sesuai dengan
teori dimana inflasi merupakan selisih sukubunga nominal dan sukubunga riil. Inflasi
juga akan turun dengan semakin meningkatnya investasi karena jumlah produk di
pasar semakin meningkat.

Dengan jumlah uang beredar yang tetap peningkatan

jumlah barang akan menurunkan laju inflasi.


7.1.2.2.Fungsi Reaksi Kebijakan Harga Pangan

Persamaan (57) menunjukkan bahwa dalam jangka panjang kebijakan harga


pangan sangat reaktif terhadap perubahan ekonomi makro. Hal ini dapat dilihat dari
signifikannya pengaruh variabel ekonomi makro terhadap kebijakan harga pangan dan
responsifnya kebijakan harga pangan terhadap perubahan ekonomi makro termasuk
variabel suku bunga dan neraca perdagangan dengan nilai elastisitas1 masing-masing
1.82 dan 19.59.
Meningkatnya inflasi direspon dengan melakukan kebijakan harga pangan
agar terjadi penurunan harga, terutama harga pangan sehingga inflasi menjadi stabil.
Kebijakan harga pangan ditentukan oleh anggaran pemerintah.

Keterbatasan

anggaran menyebabkan berkurangnya subsidi yang mendukung kebijakan harga


pangan. Makin tinggi output nasional akan meningkatkan penerimaan pemerintah
sehingga kebijakan harga pangan semakin meningkat.
1

Menghitungnya menggunakan formula bentuk fungsi yang Log-linier seperti sebelumnya.

174
Meningkatnya investasi akan meningkatkan suku bunga bank baik nominal
maupun riil. Karena investasi non pangan lebih menguntungkan alokasi dana KLBI
untuk pertanian menurun sehingga kebijakan harga pangan menurun. Pengaruh faktor
eksternal, meningkatnya sukubunga mengakibatnya banyak modal asing masuk ke
dalam negeri sehingga terjadi kenaikan penawaran dollar AS dan nilai rupiah
menguat. Hal yang sama jika neraca perdagangan mengalami peningkatan. Dengan
menguatnya rupiah impor pangan menjadi lebih murah, sehingga dana untuk
kebijakan harga pangan menjadi menurun. Sebaliknya jika nilai tukar melemah,
harga pangan impor menjadi meningkat sehingga diperlukan dana lebih besar untuk
melakukan kebijakan harga pangan.
7.2.

Respon Dinamik Variabel Ekonomi Makro terhadap Kebijakan Harga


Pangan

Respon dinamik variabel ekonomi makro terhadap guncangan stok pangan


yang direprsentasikan oleh adanya kebijakan harga pangan dianalisis dengan
menggunakan teknik Impulse Response Function. Namun sebelumnya perlu dibatasi
bagaimana pengaruh gangguan pangan baik positif maupun negatif, terhadap variabel
ekonomi makro. Seperti telah diutarakan pada Bab III sebelumnya, menurut Dawe
(2002) pengaruh tersebut dapat terjadi pada tiga kondisi yaitu: (1) tanpa intervensi
pemerintah dan ekonomi tertutup, (2) ada intervensi pemerintah berupa kebijakan
buffer stock dan perekonomian tertutup, dan (3) pada perekonomian terbuka.

Kondisi yang digunakan pada penelitian ini sesuai dengan kondisi saat ini
yaitu ada intervensi pemerintah berupa kebijakan buffer stock dan perekonomian
terbuka. Namun karena dalam prakteknya pasar pangan dunia, khususnya beras,
terbatas maka gangguan stok pangan tidak dengan mudah distabilisasi oleh
keberadaan pasar internasional.

Di samping itu kebijakan harga pangan yang

dimaksud tidak hanya kebijakan buffer stock tetapi termasuk kebijakan harga input.

175
Pengaruh guncangan kebijakan harga pangan sebesar satu standar deviasi
terhadap stabilitas ekonomi makro di Indonesia dapat dilihat pada Gambar 35
Gambar 43, sedangkan data lengkapnya dapat dilihat pada Lampiran 23.
Guncangan kebijakan harga pangan dapat berupa impor pangan dan input
produksi pertanian seperti pupuk (TSP dan KCl) dan pestisida. Akibatnya BOT yang
masih surplus 9.9 juta USD pada saat terjadi guncangan pada triwulan pertama
menjadi defisit 51.8 juta USD. Defisit terus membesar hingga triwulan ke 16 yaitu
sebesar 104.5 juta USD.

Setelah itu defisit sedikit berkurang dan mulai stabil pada

triwulan ke-14 hingga dalam jangka panjang defisit stabil pada nilai 98.8 juta USD.
Meningkatnya Kebijakan harga pada triwulan pertama menyebabkan PDB
mengalami ekspansi. Hal ini disebabkan oleh meningkatnya penawaran uang akibat
kebijakan harga sehingga merangsang aktivitas ekonomi. Namun karena sebagian
dana kebijakan harga pangan tersebut digunakan untuk impor, maka pada triwulan 2
4 PDB mengalami kontraksi mencapai angka terendah pada triwulan ke-4 yaitu 0.99 persen. Selanjutnya secara fluktuatif PDB cenderung mengalami ekspansi dan
mulai stabil pada triwulan ke 13 hingga dalam jangka panjang pertumbuhan PDB
stabil pada 0.84 persen. Dengan demikian setiap peningkatan satu standar deviasi
kebijakan harga pangan akan menurunkan PDB sebesar 0.84 persen.
Kontraksinya aktivitas ekonomi menyebabkan penerimaan pemerintah
menjadi menurun, sehingga sejak dilakukan guncangan kebijakan harga pangan maka
pertumbuhan dana yang digunakan untuk mendukung kebijakan tersebut cenderung
menurun dari 27.95 persen pada awal kebijakan mengalami pertumbuhan terendah
menjadi 16.42 persen pada triwulan ke 13. Pertumbuhan mulai stabil pada triwulan
ke-18 dan dalam jangka panjang stabil kembali pada pertumbuhan 17.47 persen.

176

Respon Kebijakan Harga


Pangan

0.30
0.25
0.20

Gambar 39. Respon Kebijakan Harga Pangan terhadap Guncangan Kebijakan


Harga Pangan
0.15
0.10

10

15

20

25

30

35

Triwulan

Gambar 35. Respon Kebijakan Harga


Kebijakan Harga Pangan

Pangan

terhadap

Guncangan

Respon Neraca
Perdagangan

50
0
-50
-100
-150

10

15

20

25

30

35

Triwulan

Gambar 36. Respon Neraca Perdagangan terhadap Guncangan Kebijakan


Harga
-0.001

Respon PDB

-0.003
-0.005
-0.007
-0.009
-0.011

10

15

20

25

30

35

Triwulan

Gambar 37. Respon PDB terhadap Guncangan Kebijakan Harga Pangan

177

Penawaran Uang

0.015
0.013
0.011
0.009
0.007
0.005

10

15

20

25

30

35

Triwulan

Gambar 38.

Respon Penawaran Uang terhadap Guncangan Kebijakan Harga


Pangan

Respon Inflasi

0.020
0.015
0.010
0.005
0.000

10

15

20

25

30

35

Triwulan

Gambar 39.

Respon Inflasi terhadap Guncangan Kebijakan Harga Pangan

0.2
Respon Suku Bunga

Gambar0.1
42. Respon Inflasi terhadap Guncangan Kebijakan Harga Pangan
0.0
-0.1
-0.2
-0.3
-0.4
-0.5

10

15

20

25

30

35

Triwulan

Gambar 40. Respon Suku Bunga terhadap Guncangan Kebijakan Harga


Pangan

178

0.06
Respons Investasi

0.04
0.02
0.00
-0.02
-0.04
-0.06
-0.08

10

15

20

25

30

35

Triwulan

Gambar 41 Respon Investasi terhadap Guncangan Kebijakan Harga Pangan


0.05
Respon Nilai Tukar

Gambar 41. Respon Pengangguran Guncangan Kebijakan Harga Pangan


0.04
0.03
0.02
0.01

10

15

20

25

30

35

Triwulanan

Gambar 42 Respon Nilai Tukar terhadap Guncangan Kebijakan Harga Pangan

Respon Pengangguran

0.000
-0.005
-0.010
-0.015
-0.020

10

15

20

25

30

35

Triwulan

Gambar 43. Respon Pengangguran terhadap Guncangan Kebijakan Harga


Pangan

179
Di pasar uang dampak kebijakan harga pangan pada triwulan pertama
meningkatkan penawaran uang 1.47 persen karena dana kebijakan harga sebagian
berasal dari dana segar KLBI. Peningkatan penawaran uang diikuti oleh peningkatan
inflasi sebesar 0.11 persen.

Dugaan terjadinya inflasi akibat kebijakan harga

diantisipasi pihak Bank Indonesia dengan melakukan sterilisasi sehingga penawaran


uang menurun mencapai titik terendah hingga 0.54 persen triwulan ke-6 yang diikuti
dengan penurunan inflasi.
Sterilisasi yang dilakukan hingga triwulan ke-6 ternyata terlalu berlebihan
sehingga menyebabkan PDB kontraksi hingga triwulan ke 4. Oleh karena itu Bank
Indonesia meningkatkan kembali jumlah penawaran uang ke posisi hampir sama
dengan posisi awal yang mulai stabil pada triwulan ke 25 dan dalam jangka panjang
stabil pada 1.14 persen.

Naiknya penawaran uang sejak triwulan ketujuh

menyebabkan PDB mengalami sedikit ekspansi. Jadi terlihat jelas adanya hubungan
antara penawaran uang, inflasi dan PDB. Hanya saja penawaran uang dan Inflasi
sifatnya lebih volatil dibandingkan PDB. Hal ini disebabkan pemerintah melakukan
intervensi terhadap penawaran uang dan efeknya berdampak langsung pada inflasi.
Pada triwulan pertama naiknya penawaran uang dan inflasi menyebabkan suku
bunga riil meningkat pada triwulan pertama. Tetapi ketika inflasi meningkat mencapai
nilai tertinggi pada triwulan ke-5 yaitu 1.52 persen maka suku bunga riil menjadi
turun mencapai titik terendah pada triwulan ke-3 yaitu 0.43 persen. Turunnya suku
bunga tidak direspon oleh investor, apalagi saat suku bunga naik kembali mencapai
titik tertinggi pada triwulan ke-8 yaitu 0.14 persen. Suku bunga tersebut kemudian
turun kembali dan mulai stabil pada triwulan ke-21 dan dalam jangka panjang stabil
pada tingkat -0.05 persen

Kenaikan suku bunga riil ini disebabkan karena

menurunnya inflasi dan mulai stabil pada triwulan ke-9 kemudian dalam jangka
panjang stabil pada tingkat 1.04 persen.

180
Kenaikan suku bunga menyebabkan investasi mengalami penurunan dan
mencapai titik terendah pada triwulan ke-6 yaitu 7.43 persen. Investasi mulai stabil
kembali pada triwulan ke-18 dan dalam jangka panjang stabil pada angka -5.68
persen. Penurunan investasi ini menyebabkan PDB kontraksi. Jadi penurunan PDB
disebabkan oleh dua hal yaitu menurunnya investasi dan neraca perdagangan.
Ternyata guncangan kebijakan harga pangan dalam jangka panjang tidak berpengaruh
terhadap suku bunga. Kondisi suku bunga yang fluktuatif dan kembali stabil pada
kondisi semula ini mungkin yang menyebabkan investor tidak perlu meresponnya.
Turunnya suku bunga domestik menyebabkan terjadinya pelarian modal ke
luar negeri. Untuk itu dibutuhkan dollar sehingga permintaan dollar AS meningkat
dan rupiah terdepresiasi mencapai nilai tertinggi yaitu 4.56 persen pada triwulan ke-3.
Sebaliknya saat suku bunga meningkat terjadi kapital inflow dan rupiah menguat lagi
kondisi ini menyebabkan nilai tukar mulai stabil pada triwulan ke-18 kemudian dalam
jangka panjang menjadi stabil relatif sama pada kondisi sebelum ada guncangan
kebijakan harga pangan yaitu pada tingkat 2.35. Artinya guncangan kebijakan harga
pangan tidak berpengaruh besar terhadap nilai tukar rupiah.
Di pasar tenaga kerja naiknya harga barang atau inflasi direspon pengusaha
dengan meningkatkan permintaan tenaga kerja hingga triwulan ke-2 setelah
guncangan terjadi pengurangan pengangguran mencapai titik terendah yaitu 1.81
persen. Namun setelah diamati ternyata inflasi yang terjadi akibat impor bukan akibat
meningkatnya permintaan produk dalam negeri. Kondisi ini menyebabkan pengusaha
menurunkan permintaan tenaga kerja sehingga pengangguran meningkat kembali dan
mulai stabil pada triwulan ke-14 kemudian dalam jangka panjang stabil mendekati
kondisi semula yaitu 0.64 persen.
Dari uraian di atas dapat disimpulkan bahwa dalam jangka panjang
keseimbangan yang terjadi akibat guncangan kebijakan harga pangan menyebabkan

181
stagflasi yaitu peningkatan inflasi dan kontraksi ekonomi. Sementara itu nilai tukar,
suku bunga, penawaran uang dan tingkat pengangguran relatif stabil.

Stabilnya

penawaran uang menunjukkan ketatnya pihak Bank Indonesia melakukan


pengendalian Inflasi melalui pengendalian penawaran uang.
Ketatnya pengendalian penawaran uang termasuk dalam mengeluarkan dana
KLBI untuk program kebijakan harga pangan selalu dilakukan oleh Bank Indonesia.
Hal ini sesuai dengan hasil komunikasi langsung dengan Staf Biro Kredit Bank
Indonesia sebagai berikut:
Saat ada dana KLBI, status BI merupakan bagian dari Pemerintah. Dengan
demikian jika ada sektor yang dianggap prioritas maka diperlukan bantuan dana dari
BI yang merupakan fresh money sehingga menyebabkan penawaran uang meningkat.
Untuk melihat dampak meningkatnya penawaran uang terhadap inflasi, setiap minggu
dilakukan evaluasi. Apakah perlu dilakukan operasi pasar terbuka dengan SBI atau
tidak. Umumnya dilakukan operasi pasar namun tidak selalu 100% (1 : 1), tetapi
sangat tergantung pada kondisi pasar. Setelah tahun 1999 dengan UU BI No. 23 tidak
demikian lagi. Karena BI sudah merupakan lembaga yang independen. Kalaupun
KLBI masih ada, hanya merupakan sisa-sisa dana yang merupakan hasil kesepakatan
sebelum tahun 1999.
Jika diamati lebih rinci (Tabel 26) dinamika inflasi dimulai dari 0.00 persen
saat guncangan menjadi 1.52 persen pada saat terjadi inflasi tertinggi pada triwulan
ke-5 dan kemudian stabil pada tingkat inflasi 1.04 persen. Kenaikan yang terjadi
hanya sekitar 1.00 persen. Kenaikan tersebut tidak memberikan efek besar bagi
perekonomian.
Kontraksi PDB saat guncangan terjadi sebesar 0.34 persen kemudian
kontraksi paling dalam terjadi pada triwulan ke-4 yaitu 0.99 dan dalam jangka
panjang stabil menjadi -0.84 persen. Peurunan pertumbuhan hanya 0.65 persen

182
merupakan angka yang relatif kecil sehingga dapat dikatakan kebijakan harga pangan
tidak berdampak signifikan terhadap pertumbuhan ekonomi.
Terjadinya stagflasi disebabkan kebijakan harga pangan yang dilakukan masih
didukung dengan pengadaan pangan impor (beras, jagung, kedele, gula, dll).
Peningkatan impor menurunkan BOT akibatnya PDB mengalami kontraksi dan inflasi
juga meningkat.

Kedepan sebaiknya kebijakan harga pangan dilakukan dengan

dominan mengandalkan produksi dalam negeri sehingga tidak menurunkan BOT dan
diduga akan menyebabkan PDB ekspansi.
Hasil studi Suparmin (2005) juga menyarankan hal yang senada yaitu jika
konsumsi beras terus meningkat (diversifikasi pangan pokok tetap tidak berlangsung),
maka diperlukan adanya peningkatan suplai yang berkesinambungan melalui upaya
peningkatan produktivitas perluas areal panen, dan pengurangan kehilangan pasca
panen. Namun karena modelnya tidak memasukkan unsur BOT yang mempengaruhi
permintaan agregat dan pertumbuhan ekonomi maka dengan tujuan untuk stabilisasi
harga beras/gabah Suparmin (2005) juga menganjurkan peningkatan impor beras.
7.3.

Respon Dinamik Variabel Ekonomi Makro terhadap Guncangan


Kebijakan Moneter

Pengaruh guncangan kebijakan moneter sebesar satu standar deviasi terhadap


stabilitas ekonomi makro di Indonesia dapat dilihat pada Gambar 44 Gambar 52,
sedangkan data lengkapnya dapat dilihat pada Lampiran 24.
Ketika guncangan terjadi hingga triwulan pertama penawaran uang naik
sedikit dari 3.36 persen menjadi 3.37 persen. Namun hal ini telah meningkatkan
inflasi dari nol persen menjadi 0.23 persen pada triwulan pertama dan terus meningkat
menjadi 0.33 persen pada triwulan ke-2.

Kemudian inflasi turun mencapai titik

rendah yaitu -0.17 persen kemudian naik sedikit dan stabil pada triwulan ke-13 dalam
kondisi deflasi. Guncangan kebijakan moneter awalnya menyebabkan jumlah uang

183
yang ditawarkan fluktuatif dan mulai stabil pada triwulan ke-12 serta akhirnya
meningkatkan penawaran uang dari 3.36 persen saat guncangan menjadi 3.62 persen
dalam jangka panjang
Kecilnya respon penawaran uang akibat kebijakan moneter pada triwulan
pertama, sedangkan inflasi meningkat relatif tajam menyebabkan naiknya suku bunga
nominal sehingga suku bunga riil juga meningkat dari 0.08 persen saat terjadi
guncangan menjadi 0.03 persen pada triwulan pertama. Peningkatan suku bunga riil
direspon investor dengan mengurangi investasi sehingga laju investasi menurun.
Demikian juga sebaliknya jika terjadi penurunan suku bunga investor meningkatkan
investasinya.

Perilaku demikian hanya berlaku hingga triwulan ketiga karena

fluktuasi suku bunga relatif tinggi. Setelah itu fluktuasi suku bunga relatif mengecil
dan pengaruhnya tidak signifikan terhadap perilaku investasi. Fluktuasi suku bunga
mulai stabil pada triwulan ke-13 hingga stabil dalam jangka panjang.
Naiknya suku bunga pada triwulan pertama meningkatkan kapital inflow
akibatnya nilai tukar mengalami apresiasi. Nilai tukar yang terapresiasi ini berperan
mengendalikan inflasi.

Walau pada dua triwulan pertama kebijakan moneter

menyebabkan meningkatnya inflasi namun dalam jangka panjang pengaruhnya dapat


meningkatkan nilai tukar rupiah sehingga inflasi menjadi terkendali. Dalam jangka
panjang guncangan kebijakan moneter menyebabkan rupiah terapresiasi dan mulai
stabil pada triwulan ke-10 hingga stabil pada 3.92 persen.
Inflasi yang meningkat tajam hingga triwulan ke-2 menyebabkan daya saing
produk ekspor menurun. Hal ini terlihat dari nilai tukar yang menguat sehingga
neraca perdagangan juga menurun dari surplus 77.23 juta USD menjadi defisit 226.06
juta USD. Defisit terus berlanjut dan mulai stabil pada triwulan ke-8 hingga jangka
panjang stabil pada 453.09 juta USD.

184
Defisit neraca perdagangan menyebabkan PDB kontraksi pada triwulan
pertama namun meningkat kembali hinga triwulan ke-4 dan sedikit menurun pada
triwulan ke-5 kemudian meningkat kembali dan stabil pada triwulan ke-13, namun
masih tetap kontraksi.

Turunnya neraca perdagangan sedangkan penawaran uang

meningkat memberi peluang untuk meningkatkan aktivitas ekonomi domestik


khususnya sektor konsumsi domestik. Konsumsi domestik ini mampu meningkatkan
PDB. Akan tetapi peningkatan PDB yang disebabkan oleh bukan sektor produksi
karena terlihat kecenderungan investasi yang menurun dan mulai stabil pada triwulan
ke-11. Penurunan investasi menyebabkan angka pengangguran meningkat dan mulai
stabil pada triwulan ke-8.
Untuk mengendalikan inflasi biasanya jika BI melakukan penyuntikan dana ke
pasar selalu diikuti oleh sterilisasi dalam bentuk lainnya.

Dengan demikian

guncangan kebijakan moneter dapat menyebabkan dana untuk kebijakan harga


pangan menurun.

Hal ini terus berlanjut hingga triwulan kedua. Namun demikian

karena kebijakan moneter juga menyebabkan inflasi hingga triwulan ke-2 maka dana
untuk kebijakan harga pangan ditingkatkan sebagai reaksi terhadap inflasi. Akan
tetapi pada triwulan ke-3 dan seterusnya inflasi mengalami penurunan hingga stabil
pada -0.07 persen.

Kondisi demikian direaksi oleh kebijakan harga dengan

menurunkan dana untuk dukungan kebijakan harga dan sedikit meningkat sebelum
mulai stabil pada triwulan ke-10.
Peningkatan penawaran uang melalui kebijakan moneter bertujuan untuk
meningkatkan aktivitas perekonomian. Namun dalam jangka pendek meningkatkan
inflasi sehingga daya saing produk ekspor menurun dan menurunkan neraca
perdagangan. Akibatnya PDB mengalami kontraksi. Dalam jangka panjang kebijakan
tersebut mampu meningkatkan aktivitas ekonomi khususnya sektor konsumsi bukan

185
di investasi dan mampu meningkatkan PDB tetapi tidak mengurangi pengangguran,
bahkan sebaliknya.
Dari temuan ini disimpulkan bahwa kebijakan moneter mampu menurunkan
inflasi, namun belum mampu meningkatkan pertumbuhan ekonomi, tidak mampu
mengurangi pengangguran dan tidak mengurangi defisit perdagangan.

Jika

pemanfaatan uang beredar mampu menggerakkan sektor riil dari sisi investasi diduga
kebijakan moneter juga mampu mengatasi masalah pengangguran dan defisit
perdagangan luar negeri. Untuk mencapai kinerja ekonomi yang baik perlu didukung
oleh kebijakan yang mampu meningkatkan kinerja sektor riil.

Respon Penawaran Uang

0.040
0.035
0.030
0.025
0.020

10

15

20

25

30

35

Triwulan

Gambar 44. Respon Penawaran Uang terhadap Guncangan Kebijakan


Moneter
0.004

Respon Inflasi

0.003
0.002
0.001
0.000
-0.001
-0.002

10

15

20

25

30

Triwulan

Gambar 45.

Respon Inflasi terhadap Guncangan Kebijakan Moneter

35

Respon Suku Bunga


Bank

186

0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
-0.20
-0.25
-0.30

10

15

20

25

30

35

Triwulan

Gambar 46.

Respon Suku Bunga terhadap Guncangan Kebijakan Moneter

Respon Nilai Tukar

0.00
-0.01
-0.02
-0.03
-0.04
-0.05

10

15

20

25

30

35

Triwulan

Gambar 47.

Respon Nilai Tukar terhadap Guncangan Kebijakan Moneter

Respon Pengangguran

0.06
0.05
0.04
0.03
0.02
0.01
0.00

10

15

20

25

30

35

Triwulan

Gambar 48.

Respon Pengangguran terhadap Guncangan Kebijakan Moneter

187

Respon PDB

-0.002
-0.004
-0.006
-0.008
-0.010

10

15

20

25

30

35

Triwulan

Gambar 49.

Respon PDB terhadap Guncangan Kebijakan Moneter

Respon Investasi

0.15
0.10
0.05
0.00
-0.05

10

15

20

25

30

35

Triwulan

Gambar 50.

Respon Investasi terhadap Guncangan Kebijakan Moneter

100

Respon Neraca
Perdagangan

0
-100
-200
-300
-400
-500

10

15

20

25

30

35

Triwulan

Gambar 51.

Respon Neraca Pedagangan terhadap Guncangan Kebijakan


Moneter

188

Respon Kebijakan Harga


Pangan

0.00
-0.02
-0.04
-0.06
-0.08

10

15

20

25

30

35

Triwulan

Gambar 52.

7.4.

Respon Kebijakan Harga Pertanian terhadap Guncangan Kebijakan


Moneter

Respon Dinamik Variabel Ekonomi Makro terhadap Guncangan


Kebijakan Perdagangan

Guncangan kebijakan perdagangan dapat disebabkan oleh menurunnya nilai


impor, meningkatnya nilai ekspor, keduanya meningkat tapi peningkatan nilai ekspor
lebih besar dari nilai impor, atau keduanya menurun tapi penurunan nilai impor lebih
besar dari nilai ekspor. Pengaruh guncangan kebijakan perdagangan sebesar satu
standar deviasi terhadap stabilitas ekonomi makro di Indonesia dapat dilihat pada
Gambar 53 Gambar 61, sedangkan data lengkapnya dapat dilihat pada Lampiran 25.
Pada saat terjadi guncangan neraca perdagangan mengalami surplus 742 juta
USD. Dampak surplus BOT menyebabkan rupiah terapresiasi hingga nilai tertinggi
pada triwulan ke-2.

Menguatnya rupiah menyebabkan ekspor menurun atau impor

meningkat sehingga surplus neraca perdagangan

menurun hinga triwulan ke-2.

Penurunan surplus ini kembali melemahkan nilai tukar hingga puncaknya pada
triwulan ke-5. Keduanya saling mempengaruhi hingga neraca perdagangan mulai
stabil pada triwulan ke-11 dan nilai tukar mulai stabil pada triwulan ke 11.
Penguatan nilai tukar yang cukup tajam hingga triwulan ke-2 direspon BOT
hingga triwulan ke-3.

Demikian juga peningkatan BOT antara triwulan 3 - 4

189
direspon menguatnya rupiah hinggga triwulan ke-5. Terlihat adanya lag waktu saat
keduanya saling mempengaruhi, namun pada pergerakan dengan osilasi yang lebih
kecil pada triwulan berikutnya tidak terjadi lag waktu.
Bagaimana kebijakan perdagangan tersebut dilakukan sehingga mampu
meningkatkan BOT. Hasil analisis menunjukkan bahwa meningkatnya BOT akibat
adanya penurunan penawaran uang sampai triwulan ke-2 sehingga inflasi menjadi
menurun. Penurunan inflasi meningkatkan daya saing sehingga ekspor meningkat
dan menyebabkan BOT surplus. Namun seperti diutarakan sebelumnya surplus BOT
ini menyebabkan rupiah terapresiasi. Untuk menjaga kestabilan ekonomi otoritas
moneter mengendalikan jumlah penawaran uang hingga BOT, nilai tukar, dan inflasi
cenderung stabil. Kestabilan tersebut mulai tercapai saat jumlah uang beredar mulai
stabil pada triwulan ke-18.
Guncangan kebijakan perdagangan yang didukung oleh pengendalian uang
beredar awalnya menurunkan inflasi.

Reaksi kebijakan harga pangan akibat

penurunan inflasi adalah menurunkan dana yang digunakan hingga triwulan ke-2
untuk kebijakan tersebut.

Melambatnya penurunan inflasi antara triwulan 2 3

diantisipasi dengan meningkatkan dana untuk kebijakan harga pangan. Demikian


juga ketika inflasi terus naik hingga mencapai puncak pada triwulan ke-7, walaupun
terjadi osilasi pemerintah tetap mengantisipasi dengan kebijakan harga pangan.
Osilasi ini dapat disebabkan oleh sumber dana yang tersedia dan kondisi inflasi itu
sendiri, hingga akhirnya mulai stabil pada triwulan ke-14. Namun demikian, dalam
jangka panjang kebijakan perdagangan tidak mempengaruhi kebijakan harga pangan.
Di pasar uang dinamika suku bunga riil mengikuti dinamika inflasi. Penuruan
inflasi mencapai titik terendah pada triwulan ke-3 diikuti kenaikan suku bunga
tertinggi pada triwulan yang sama demikian seterusnya hingga mulai stabil pada

190
triwulan ke-19 dan dalam jangka panjang terjadi peningkatan suku bunga menjadi
0.24 persen.
Dinamika suku bunga dikuti pula oleh dinamika investasi. Pada triwulan
pertama naiknya suku bunga 0.11 persen dikuti dengan penurunan investasi 18.11
persen. Pada triwulan berikutnya suku bunga masih naik tetapi justru investasi juga
naik Artinya osilasi yang terjadi pada investasi waktunya lebih pendek dibandingkan
dengan osilasi yang terjadi pada suku bunga. Fenomena ini mengindikasikan bahwa
investasi tidak hanya dipengaruhi oleh suku bunga tetapi ada faktor lain, adalah
stabilitas sosial poltik suatu negara.
Guncangan kebijakan perdagangan yang menyebabkan BOT surplus
meningkatkan pertumbuhan PDB hingga 0.71 persen pada triwulan ke-3. Namun
karena kenaikan ini tidak banyak didukung oleh sektor riil, karena disisi lain investasi
cenderung turun, PDB kontraksi kembali hingga 0.18 persen dan mulai stabil pada
triwulan ke-13. Peningkatan PDB yang tidak didukung kenaikan investasi
menyebabkan angka pengangguran meningkat hingga stabil menjadi 1.66 persen.
Dari uraian di atas dapat disimpulkan bahwa keseimbangan akhir akibat
kebijakan perdagangan menyebabkan BOT surplus, pertumbuhan ekonomi yang
diikuti inflasi namun tidak mampu menurunkan tingkat pengangguran. Peningkatan
BOT dapat disebabkan penurunan impor atau peningkatan ekspor akibat melemahnya
nilai tukar. Penurunan impor dapat terjadi karena pemerintah mengenakan tarif impor
,melalui kebijakan nilai tukar, pada produk pangan hingga menurunkan nilai impor.
Jika demikian dapat ditafsirkan bahwa kebijakan pengenaan tarif pada produk
pangan impor menyebabkan pertumbuhan ekonomi.

Akan tetapi pertumbuhan

ekonomi tersebut belum mampu mengurangi pengangguran.

Untuk mengatasi

masalah pengangguran diperlukan penciptaan iklim investasi yang kondusif untuk


menggerakkan sektor riil dan menciptakan kesempatan kerja.

191

800

Respon Nerca
Perdagangan

700
600
500
400
300
200

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 53. Respon Neraca Perdagangan terhadap Guncangan Kebijakan


Perdagangan

Respon Nilai Tukar

0.010
0.005
0.000
-0.005
-0.010
-0.015
-0.020
-0.025

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 54. Respon Nilai Tukar terhadap Guncangan Kebijakan


Perdagangan

Respon Inflasi

0.005
0.004
0.003
0.002
0.001
0.000
-0.001
-0.002
-0.003
-0.004

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 55.

Respon Inflasi terhadap Guncangan Kebijakan Perdagangan

192

Respon Kebijakan Harga


Pangan

0.020
0.015
0.010
0.005
0.000
-0.005
-0.010
-0.015
-0.020

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 56.

Respon Kebijakan Harga Pangan terhadap Guncangan


Kebijakan Perdagangan

Respon PDB

0.008
0.006
0.004
0.002
0.000

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 57.

Respon PDB terhadap Guncangan Kebijakan Perdagangan

Respon Pengangguran

0.020
0.015
0.010
0.005
0.000

10

15

20

25

30

35

40

45

Triwulan

Gambar 58.

Respon Pengangguran terhadap Guncangan Kebijakan


Perdagangan

50

193

Respon Penawaran Uang

0.002
0.000
-0.002
-0.004
-0.006
-0.008

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 59.

Respon Penawaran Uang terhadap Guncangan Kebijakan


Perdagangan

Respon Suku Bunga

0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 60.

Respon Suku Bunga terhadap Guncangan Kebijakan


Perdagangan

Respon Investasi

0.00
-0.05
-0.10
-0.15
-0.20

10

15

20

25

30

35

40

45

50

Triwulan

Gambar 61.

Respon Ivestasi terhadap Guncangan Kebijakan Perdagangan

194
Tiga guncangan ekonomi yang disebabkan kebijakan harga pangan, kebijakan
moneter dan kebijakan perdagangan mempunyai kelebihan dan kekurangan (Tabel
25).

Kelebihan kebijakan harga pangan tidak menyebabkan naiknya tingkat

pengangguran namun menyebabkan kontraksi ekonomi. Kontraksi ekonomi dapat


dihindari jika kebijakan harga pangan yang dilakukan didukung oleh produksi dalam
negeri. Selama ini kebijakan tersebut banyak didukung oleh produk impor baik
berupa impor pangan maupun sarana produksi. Hal tersebut menyebabkan BOT
defisit sehingga PDB kontraksi. Jika kebijakan harga pangan lebih didukung oleh
produksi dalam negeri, ini berarti terjadi pengurangan impor sehingga nilai ekspor
lebih besar dari nilai impor.

Kebijakan perdagangan yang mengurangi impor

menyebabkan BOT surplus sehingga PDB mengalami ekspansi, namun pengangguran


dan inflasi menjadi meningkat.
Tabel 25. Dampak Kebijakan Harga Pangan, Moneter, dan Perdagangan terhadap
Keseimbangan Ekonomi Makro dalam Jangka Panjang
Kebijakan

Dampak terhadap
Indikator Kunci Ekonomi Makro

No
1

Kebijakan Harga Pangan


(meningkat)

Kebijakan Moneter
(ekspansi)

Kebijakan Perdagangan
(penurunan impor)

PDB kontraksi
Inflasi
BOT defisit
Pengangguran stabil
PDB kontraksi
Deflasi
BOT defisit
Pengangguran naik
PDB ekspansi
Inflasi
BOT surplus
Pengangguran naik

Dampak kebijakan moneter menyebabkan keseimbangan jangka panjang


mengalami kontraksi, pengangguran meningkat, BOT defisit, dan deflasi. Hasil ini
sesuai dengan mandat Bank Indonesia (2006), yaitu memelihara kestabilan nilai
rupiah melalui kebijakan moneter, mengatur dan menjaga kelancaran sistem

195
pembayaran, serta mengatur dan mengawasi bank. Kebijakan moneter tersebut
dilakukan untuk mengendalikan laju inflasi. Selanjutnya dikatakan bahwa bukti-bukti
empiris menunjukan dalan jangka panjang kebijakan moneter hanya dapat
mempengaruhi tingkat inflasi dan tidak dapat mempengaruhi variabel riil, seperti
pertumbuhan output ataupun tingkat pengangguran.
Tabel 25 memperlihatkan dampak ketiga kebijakan terhadap keseimbangan
jangka panjang yang sifatnya kualitatif dan belum menggambarkan apakah kebijakan
tersebut menyebabkan instabilitas ekonomi makro. Untuk melihat dampak kebijakan
terhadap stabilitas ekonomi makro diperlukan ukuran-ukuran kuantitatif. Ada empat
ukuran yang digunakan dalam melihat dampak kebijakan terhadap stabilitas.
Rinciannya dapat dilihat pada Tabel 26.
Tabel 26. Dampak Kebijakan Harga Pangan, Moneter dan Perdagangan terhadap
Stabilitas Ekonomi Makro
Ukuran Stabilitas
Perbedaan
Perbedaan
dampak
petumbuhan Koefisien
maksimum dan
awal dan
Variasi
minimum
akhir
(%)
(%)

Kebijakan

Variabel
Ekonomi
Makro

Waktu
mencapai
stabil
(triwulan)

1. Kebijakan
Harga
Pangan
(meningkat)

1. Inflasi
2. PDB
3. BOT
4. UNM

9
13
14
14

1.52 (0-5)
0.86 (2-4)
62* (0-1)
1.23 (2-7)

1.04
0.50
615+
0.03

0.29
0.18
0.25
0.36

2. Kebijakan
Moneter
(ekspansi)

1. Inflasi
2. PDB
3. BOT
4. UNM

13
13
8
8

0.33 (2-5)
0.58 (1-4)
492* (0-3)
4.79 (0-4)

0.00
0.22
391+
4.95

1.83
0.33
0.22
0.22

3. Kebijakan
Perdagangan
(penurunan
impor)

1. Inflasi
2. PDB
3. BOT
4. UNM

14
13
13
11

0.84 (3-7)
0.71 (0-3)
506* (0-3)
1.58 (0-4)

0.24
0.30
60+
1.66

0.83
1.29
0.28
0.23

Keterangan : Diolah dari Gambar 36-62 dan Lampiran 23-25.


* dalam Juta USD.
+ diperoleh saat pertumbuhan triwulan ke-1 ke-2 dan triwulan saat akan mencapai stabil.
(n): angka dalam kurung menunjukkan periode titik maksimum-minimum terpanjang.
BOT=neraca perdagangan; PDB: Produk Domestik Bruto; UNM : pengangguran.

196
Ukuran pertama yaitu waktu yang dibutuhkan hingga dampak guncangan
mulai stabil (kolom tiga Tabel 26). Dari tiga kebijakan terlihat bahwa waktu yang
dibutuhkan untuk mencapai stabil relatif sama yaitu berkisar 8-14 triwulan atau 2-3.5
tahun.

Waktu ini menjadi penting jika fluktuasi yang terjadi cukup tajam atau

panjang gelombang (jarak titik maksimum dan minimum) yang terjadi cukup besar.
Kolom empat pada Tabel 26 memperlihatkan ukuran kedua dalam
menentukan stabilitas yaitu perbedaan antara pertumbuhan pada saat mencapai titik
maksimum dan titik minimum. Secara umum ketiga kebijakan tidak menyebabkan
instabilitas pada variabel kunci ekonomi makro dengan perbedaan jarak titik
maksimum dan minimum antara 0.33 4.79 persen, kecuali pada neraca perdagangan
perbedaan tersebut cukup besar.
Ukuran ketiga adalah dampak kebijakan terhadap perbedaan pertumbuhan saat
awal dan akhir (kolom lima Tabel 26). Sama seperti ukuran sebelumnya, secara
umum ketiga kebijakan tidak menyebabkan instabilitas pada variabel kunci ekonomi
makro dengan perbedaan 0.00-1.66 persen, kecuali pada neraca perdagangan
perbedaan tersebut cukup besar. Ukuran keempat adalah koefisien variasi1. Secara
relatif nilai koefisien variasi variabel kunci ekonomi makro yang diakibatkan
guncangan kebijakan harga pangan memiliki nilai kecil dibandingkan koefisien
variasi variabel kunci ekonomi makro yang diakibatkan guncangan kebijakan moneter
dan kebijakan perdagangan. Indikasi ini makin mendukung bahwa dampak kebijakan
harga pangan tidak menyebabkan instabilitas ekonomi makro. Temuan ini sama
dengan penelitian Kannapiran (2000), skim stabilitas harga komoditas dapat
mengurangi instabilitas ekonomi makro, tetapi pada beberapa tinjauan hasil penelitian
sebelumnya ada yang menciptakan sedikit fluktuasi, khususnya pada balance of

cv=sd/rataan

197
payment (BOP). Secara relatif nilai koefisien variasi inflasi dan PDB akibat dampak

kebijakan harga pangan lebih kecil dari dua kebijakan lainnya.


Hasil tersebut dapat saja berbeda antar negara karena perbedaan sistem
pemerintahan sehingga kebijakan-kebijakan yang diambil juga berbeda. Pernyataan
ini sesuai dengan hasil simulasi Gylfason (1990) yang menunjukkan bahwa hasil
kebijakan endogenus dapat memiliki perbedaan yang mendasar sesuai dengan tipe
pemerintahan, yaitu konservatif, liberal, atau netral. Studi Gunawan (1991) di
Indonesia menunjukkan bahwa ketatnya pengaturan harga di Indonesia menyebabkan
berkurangnya ketidakstabilan ekonomi makro.
7.5.

Faktor-faktor yang Menentukan Kebijakan Harga Pangan dan Stabilitas


Ekonomi Makro

Salah satu tujuan utama penelitian ini adalah ingin menjawab apakah
kebijakan harga pangan yang dilakukan akibat adanya gangguan suplai, baik posistif
maupun negatif, mampu meredam instabilitas ekonomi makro. Hal tersebut dalam
model ini diterjemahkan sebagai berapa besar peran kebijakan tersebut dalam
menjelaskan variabilitas variabel-variabel ekonomi makro. Makin besar perannya
berarti kebijakan harga pangan dapat mempengaruhi stabilitas ekonomi makro.
Untuk memperjelas permasalahan, penelitian ini juga akan menjawab variabel apa
saja yang berperan terhadap variabel-variabel ekonomi makro.
Untuk mengetahui besarnya peran setiap guncangan (shocks) dalam
menjelaskan variabilitas variabel ekonomi makro dianalisis dengan menggunakan
teknik

dekomposisi

ragam

kesalahan

peramalan

yang

diorthogonalisasi

(Orthogonalized forecast error variance decomposition-FEVD). Hasil pendugaan


dekomposisi ragam kesalahan peramalan dapat dilihat pada Tabel 27.

198

7.5.1. Faktor-faktor yang Menentukan Kebijakan Harga Pangan

Hasil analisis menunjukkan bahwa pada saat awal dilakukan kebijakan harga
pangan, variabilitas kebijakan harga pangan dijelaskan oleh guncangan kebijakan
harga pangan itu sendiri yaitu 99.98%. Variabel lain yang mampu menjelaskannya
hanya inflasi itupun hanya 0.02%.

Akan tetapi semakin lama inflasi semakin

menentukan hingga dalam jangka panjang peran inflasi terhadap kebijakan harga
pangan mencapai 28.15% dan kebijakan harga pangan itu sendiri perannya makin
menurun menjadi 47.05% (Tabel 27).
Salah satu bentuk kebijakan harga pangan adalah dana kredit pertanian.
Besarnya dana yang terserap antara lain ditentukan oleh tingkat suku bunga. Kaitan
tersebut terlihat sejak triwulan kedelapan dimana variabilitas kebijakan harga
dijelaskan 4.00% oleh suku bunga hingga dalam jangka panjang mencapai 6.71%.
Sejak triwulan keempat investasi menjelaskan 4.44% variabilitas kebijakan harga
pangan sampai jangka panjang mencapai 8.90%. Investasi yang mendukung kebijakan
harga pangan antara lain adalah investasi dalam industri pupuk.
Dari temuan tersebut disimpulkan bahwa sesuai dengan tujuan kebijakan
harga pangan yaitu secara mikro mampu meningkatkan ketersediaan pangan untuk
mendukung ketahanan pangan. Hal ini dapat dilihat dari tingginya kebijakan harga
pangan menjelaskan dirinya sendiri. Ini dapat ditafsirkan bahwa dengan tujuan untuk
meningkatkan ketahanan pangan terutama karena sangat terkait dengan stabilitas
sosial, pemerintah yang berkuasa tetap memiliki perhatian yang penting terhadap
ketahanan pangan dengan tidak banyak memperhitungkan aspek makro.
Aspek makro yang menentukan kebijakan harga pangan adalah inflasi.
Artinya kebijakan harga pangan dilakukan sebagai reaksi untuk menstabilkan inflasi.
Hal ini ditunjukkan oleh peran inflasi menjelaskan variabilitas kebijakan harga
pangan. Sebaliknya, kebijakan harga pangan, walaupun lebih kecil, juga memberikan

199
peran terhadap inflasi sehingga dapat dikatakan adanya hubungan kausalitas antara
inflasi dan kebijakan harga pangan.
Hasil ini sesuai dengan hasil studi Suparmin (2005) dimana pada masa
Perintahan Orde Baru kenaikan harga beras signifikan pengaruhnya terhadap
kenaikan jumlah operasi pasar murni. Bulog melakukan operasi pasar murni bila ada
sinyal kenaikan harga beras di tingkat konsumen. Sebaliknya tidak ada pengaruh
OPM terhadap penurunan harga beras di konsumen.
7.5.2. Faktor-faktor yang Menetukan Stabilitas Ekonomi Makro

Dalam jangka pendek guncangan tingkat harga sepenuhnya menjelaskan


variabilitas inflasi. Guncangan lain yang memberikan peran cukup tinggi adalah
guncangan nilai tukar 6.85% pada triwulan kedua kemudian makin meningkat hingga
dalam jangka panjang mencapai 53.04% melampaui peran dari tingkat harga itu
sendiri yang hanya 34.73%. Temuan ini menunjukkan bahwa ke depan perekonomian
Indonesia semakin terbuka.

Pada perekonomian yang semakin terbuka volume

perdagangan semakin meningkat sehingga tingkat inflasi domestik ditentukan oleh


kestabilan nilai tukar. Hasil ini senada dengan pendapat Bank Indonesia (2002) dan
Hartati (2004) yang menyatakan pengaruh depresiasi nilai tukar ke inflasi sangat kuat
terjadi sejak berlakunya sistem nilai tukar mengambang bebas.
Dengan rezim nilai tukar floating managed, nilai tukar tidak dapat secara
langsung dikendalikan untuk menstabilkan inflasi. Tabel 27 menunjukkan
pengendalian nilai tukar dapat dilakukan dengan kebijakan moneter. Artinya
kebijakan moneter memberikan pengaruh tak langsung terhadap pengendalian inflasi
melalui nilai tukar. Hal ini dapat dilihat dari besarnya pengaruh guncangan kebijakan
moneter terhadap variabilitas nilai tukar. Selanjutnya, sejak triwulan keempat nilai
tukar mampu menjelaskan variabilitas inflasi yang cukup tinggi yaitu 34.48% dan

200
dalam jangka panjang meningkat menjadi 53.04%. Perilaku demikian sesuai dengan
pendapat Svensson (2000) pengaruh suatu guncangan terhadap variabel lain dapat
secara langsung (direct pass through) maupun secara tidak langsung (indirect pass
through).

Guncangan lain yang mempengaruhi inflasi adalah guncangan kebijakan harga


pangan. Namun guncangan kebijakan harga pangan pengaruhnya baru terjadi pada
triwulan keempat dan hanya menjelaskan 3.52% kemudian dalam jangka panjang
menjadi 5.75%. Dari hasil sebelumnya terlihat bahwa antara inflasi dan kebijakan
harga pangan saling mempengaruhi satu dengan yang lain.
Dari temuan ini dapat disimpulkan bahwa pengendalian inflasi sangat efektif
dilakukan melalui pengendalian nilai tukar dengan melakukan kebijakan moneter,
sedangkan kebijakan harga pangan pengaruhnya kurang signifikan dalam melakukan
pengendalian inflasi. Namun dalam praktek harga pangan secara psikologis dapat
mempengaruhi inflasi. Pengendalian inflasi yang disebabkan naiknya harga pangan
dapat dilakukan melalui kebijakan harga pangan.
Dalam jangka pendek guncangan output mampu menjelaskan 71.29%
terhadap variabilitas PDB. Guncangan lain yang memberikan peran cukup berarti
adalah inflasi dan nilai tukar. Dari sisi penawaran, naiknya harga-harga memicu
pengusaha untuk berproduksi. Sebaliknya dari sisi permintaan naiknya harga akan
menurunkan ekspor dan konsumsi domestik. Ketiga faktor tersebut akhirnya akan
mempengaruhi PDB. Nilai tukar mempengaruhi PDB melalui perdagangan luar
negeri. Makin menguat nilai tukar neraca perdagangan akan semakin menurun dan
sebaliknya.
Dalam jangka panjang, variabilitas PDB dijelaskan oleh guncangan output
sebesar 35.96%, guncangan tingkat harga 30.63%, nilai tukar 22.11% dan kebijakan
harga pangan 7.86%. Peran inflasi cukup efektif menentukan variabilitas PDB. Sama

201
seperti pengendalian inflasi, upaya untuk meningkatkan pertumbuhan PDB dapat
dilakukan melalui kebijakan moneter. Kebijakan ini akan mempengaruhi nilai tukar
dan selanjutnya mempengaruhi inflasi dan PDB.
Guncangan lain yang mempengaruhi variabilitas PDB adalah guncangan
kebijakan harga pangan. Namun pengaruhnya tidak seefektif kebijakan moneter.
Guncangan kebijakan harga pangan mulai berperan sejak triwulan keempat. Perilaku
ini sama seperti kebijakan harga pangan mempengaruhi inflasi.

Dari temuan ini

disimpulkan bahwa kebijakan moneter secara tidak langsung efektif mempengaruhi


PDB, sedangkan kebijakan harga pangan pengaruhnya kurang efektif.
Guncangan terhadap penurunan kesempatan kerja mampu menjelaskan
98.04% variabilitas pengangguran. Guncangan lain yang mampu menjelaskan
variabilitas pengangguran adalah kebijakan moneter.

Dibandingkan pengaruhnya

terhadap inflasi dan PDB, kebijakan moneter memberikan pengaruh langsung


terhadap tingkat pengangguran melalui meningkatnya penawaran uang untuk
meningkatkan aktivitas ekonomi yang menentukan penyerapan tenaga kerja.
Sementara itu guncangan kebijakan harga pangan baik langsung maupun tidak
langsung tidak memberikan peran yang berarti dalam menentukan variabilitas
pengangguran. Dengan demikian kebijakan harga pangan tidak efektif mempengaruhi
tingkat pengangguran.

Hasil analisis sebelumnya menunjukkan bahwa kebijakan

harga pangan yang kurang signifikan pengaruhnya terhadap PDB dan Inflasi tidak
mampu ditranmisikan ke tingkat pengangguran. Karena kedua variabel itu tidak
berperan mentukan variabilitas tingkat pengangguran
Variabel ekonomi makro yang penting lainnya adalah neraca perdagangan.
Guncangan kebijakan perdagangan dalam jangka pendek mampu menjelaskan
variabilitas neraca perdagangan sebesar 78.09% dan guncangan nilai tukar yaitu
9.15%, sedangkan guncangan lain tidak memberikan peran berarti. Dalam jangka

202
panjang variabilitas neraca perdagangan sangat ditentukan oleh guncangan kebijakan
perdagangan 21.72%, kebijakan moneter 46.93%, dan guncangan investasi 13.95%.
Sementara itu kebijakan harga pangan baik langsung maupun tidak langsung tidak
mampu menjelaskan variabilitas neraca perdagangan.
7.6. Ringkasan Hasil

Kebijakan harga pangan menyebabkan meningkatnya penawaran uang


sehingga sejak dilakukan kebijakan harga pangan sampai dengan triwulan kelima
terjadi inflasi sebesar 1.5 persen.

Dampak tersebut sejak triwulan kedua sudah

diantisipasi pemerintah dengan melakukan sterilisasi sehingga penawaran uang terus


menurun sampai triwulan keenam yang menyebabkan inflasi turun kembali dan stabil
sejak triwulan ke-12 pada level 1.0 persen.
Kebijakan harga pangan yang didukung oleh pengadaan sarana produksi
pertanian dan pangan melalui impor, baik jangka pendek maupun jangka panjang,
menyebabkan defisit neraca perdagangan. Defisit tersebut selain menyebabkan
kontraksi PDB juga menyebabkan inflasi akibat adanya inflasi yang diimpor. Dengan
demikian kebijakan harga pangan yang didukung oleh impor sarana produksi dan
impor pangan menyebabkan terjadinya stagflasi.
Kebijakan

harga

pangan

dalam

jangka

pendek

dapat

menurunkan

pertumbuhan pengangguran hingga -1.81 persen pada triwulan kedua, kemudian sejak
triwulan ke-14 stabil pada level 0,60 persen.

Penurunan angka pengangguran

tersebut dapat terjadi pada sektor pangan akibat meningkatnya aktivitas pengadaan
pangan maupun pada sektor non pangan akibat meningkatnya permintaan tenaga kerja
oleh pengusaha untuk meningkatkan produksi akibat terjadinya inflasi.
Kebijakan moneter yang menyebabkan peningkatan penawaran uang sampai
dengan triwulan pertama berdampak pada peningkatan inflasi yang terjadi hingga

203
puncaknya pada triwulan kedua yaitu 0.33 persen. Namun dalam jangka panjang
kebijakan moneter mampu menurunkan inflasi hingga terjadi deflasi dan stabil pada
level -0.06 persen sejak triwulan ke-15.

Deflasi tersebut terjadi akibat naiknya

sukubunga mengikuti kenaikan inflasi pada triwulan pertama setelah kebijakan


moneter. Sukubunga yang meningkat menyebabkan meningkatnya capital inflow
sehingga nilai tukar terapresiasi. Kenaikan nilai tukar hingga triwulan keempat dan
kemudian stabil dalam jangka panjang menyebabkan inflasi mengalami penurunan
dan stabil sejak triwulan ke-15.
Apresiasi rupiah yang terjadi cukup signifikan turun dari 0.00 persen pada
awal kebijakan menjadi 4.23 persen hingga triwulan ketiga dan selanjutnya stabil
akibat adanya kebijakan moneter menyebabkan daya saing produk ekspor Indonesia
menurun.

Dalam jangka panjang penurunan daya saing menyebabkan neraca

perdagangan menjadi defisit sehinggga belum mampu meningkatkan pertumbuhan


ekonomi dan menyebabkan peningkatan pengangguran.
Kebijakan perdagangan yang mendorong neraca perdagangan (N-X)
meningkat menyebabkan BOT surplus.

Namun demikian surplus tersebut terus

menurun hingga triwulan ketiga dan mulai stabil sejak triwulan ke-11. Penurunan
surplus tersebut dikarena penguatan nilai tukar yang berefek balik terhadap BOT
akibat menurunnya daya saing produk ekspor Indonesia.

Dalam jangka pendek

hingga triwulan ketiga BOT surplus tersebut menyebabkan pertumbuhan ekonomi


mencapai 0.71 persen. Dalam jangka panjang pertumbuhan ekonomi makin menurun
sejalan dengan menurunnya surplus BOT dan menurunnya pertumbuhan investasi.
Dalam jangka panjang, penguatan nilai tukar rupiah menyebabkan impor
semakin meningkat sehingga inflasi juga meningkat akibat adanya impor inflasi.
Peningkatan nilai tukar yang menyebabkan meningkatnya impor, namun tidak
menyebabkan peningkatan investasi tidak mampu menurunkan tingkat pengangguran.

204
Empat indikator stabilitas yang digunakan dalam penelitian ini yaitu: lamanya
waktu fluktuasi sejak dari adanya kebijakan sampai mencapai stabil, perbedaan
fluktuasi maksimum dan minimum (amplitudo) akibat adanya suatu kebijakan,
perbedaan laju pertumbuhan saat awal kebijakan dan saat dampak kebijakan mencapai
stabil, dan koefisien variasi akibat adanya kebijakan. Dari emapat indikator stabilitas
tersebut ditemukan bahwa secara relatif kebijakan harga pangan tidak menyebabkan
instabilitas ekonomi dibandingkan kebijakan moneter dan kebijakan perdagangan.
Terdapat hubungan kausalitas antara kebijakan harga pangan dengan inflasi,
dimana inflasi dipengaruhi oleh kebijakan harga pangan dan kebijakan harga pangan
dilakukan sebagai reaksi untuk mengendalikan inflasi.

Namun dampak saling

mempengaruhi antara inflasi dan kebijakan harga pangan tidak secara langsung tetapi
membutuhkan lag waktu hingga triwulan keempat. Lag waktu tersebut wajar karena
aksi kebijakan harga pangan hingga mencapai dampaknya membutuhkan waktu.
Variabilitas kebijakan harga pangan dijelaskan oleh guncangan kebijakan
harga pangan itu sendiri (47.05% - 99.98%), sedangkan variabel lain yang mampu
menjelaskannya hanya inflasi yaitu sejak triwulan keempat (8.09%) hingga mencapai
stabilitas jangka panjang pada triwulan ke-35 (28.15%).

Ini artinya pemerintah

melakukan kebijakan harga pangan tanpa banyak mempertimbangkan faktor-faktor


yang digunakan dalam model, kecuali inflasi. Pertimbangannya lebih ditujukan untuk
mencapai kesejahteraan masyarakat dan stabilitas nasional.
Dalam jangka panjang, sejak triwulan kedelapan (10.09%) hingga triwulan ke35 (13.05%) kebijakan moneter secara langsung sangat menentukan variabilitas
pengangguran dan sejak triwulan keempat (26.77%) hingga triwulan 35 (46.93%)
kebijakan moneter secara langsung menentukan variabilitas neraca perdagangan dan
secara tidak langsung dapat mengendalikan inflasi melalui pengendalian nilai tukar
dengan variabilitas 7.37% sejak triwulan keempat hingga 19.46% pada tiwulan ke-35.

205
Demikian juga secara tidak langsung kebijakan moneter menentukan PDB melalui
nilai tukar dengan variabilitas 13.66% sejak triwulan keempat dan 22.11% setelah
stabil pada triwulan ke-35.

206
Tabel 27. Peran berbagai Guncangan terhadap Variabilitas Ekonomi Makro
Variabel
Endogen

Sumber Guncangan (%)

Triwulan
Ke
depan

Tingkat
harga

Kebijakan
Harga Pangan

Nilai
Tukar

Pengangguran

Kebijakan
Moneter

Output

Suku
Bunga

Investasi

BOT

Inflasi

0
1
4
8
12
20
35

100.00
89.90
56.91
41.12
38.13
36.38
34.73

0.00
0.07
3.52
5.55
5.64
5.67
5.75

0.00
6.85
34.48
46.66
49.57
51.42
53.04

0.00
0.25
0.28
0.20
0.16
0.12
0.09

0.00
0.35
0.19
0.11
0.11
0.08
0.06

0.00
2.34
3.78
4.89
4.90
4.90
4.93

0.00
0.02
0.06
0.04
0.03
0.02
0.01

0.00
0.16
0.43
1.01
1.02
1.02
1.02

0.00
0.06
0.35
0.42
0.45
0.40
0.36

Kebijakan
Harga
Pangan
(IOPP)

0
1
4
8
12
20
35

0.02
2.28
8.09
14.39
22.36
25.73
28.15

99.98
95.57
78.90
67.66
57.15
50.85
47.05

0.00
0.10
1.17
0.72
1.72
2.83
3.15

0.00
0.75
1.66
1.34
0.99
0.82
0.70

0.00
0.01
2.62
3.55
3.53
3.45
3.44

0.00
0.60
0.38
0.57
1.16
1.62
1.85

0.00
0.50
2.61
4.99
5.70
6.30
6.71

0.00
0.12
4.44
6.66
7.24
8.32
8.90

0.00
0.06
0.12
0.12
0.14
0.09
0.05

Nilai
Tukar

0
1
4
8
12
20
35

26.00
17.13
6.96
6.14
5.07
3.88
2.92

2.97
5.75
9.82
9.44
9.15
8.93
8.73

71.03
72.26
69.34
66.81
66.19
65.75
65.15

0.00
0.61
0.21
0.18
0.14
0.10
0.07

0.00
1.34
7.37
12.12
14.65
17.27
19.46

0.00
0.75
2.73
2.35
2.23
2.11
1.99

0.00
0.02
0.01
0.13
0.18
0.23
0.27

0.00
0.05
1.90
1.47
1.19
0.90
0.66

0.00
2.08
1.66
1.37
1.19
0.95
0.75

207
Tabel 27. (lanjutan)
Variabel
Endogen

Sumber Guncangan (%)

Triwulan
Ke
depan

Inflasi

Kebijakan
Harga Pangan

Pengangguran

0
1
4
8
12
20
35

1.00
1.20
1.11
0.99
1.06
1.29
1.37

Penawaran
Uang

0
1
4
8
12
20
35
0
1
4
8
12
20
35

PDB

Nilai
Tukar

Pengangguran

Penawaran
Uang

PDB

Suku
Bunga

Investasi

BOT

0.29
0.97
1.20
0.78
0.66
0.48
0.38

0.66
2.43
4.14
5.64
5.49
6.10
6.41

98.04
94.13
84.24
78.84
77.07
74.93
73.70

0.00
0.93
7.18
10.09
11.45
12.43
13.05

0.00
0.22
0.30
0.31
0.35
0.31
0.29

0.00
0.01
0.20
0.41
0.54
0.66
0.72

0.00
0.02
0.76
1.73
2.05
2.39
2.59

0.00
0.10
0.86
1.21
1.34
1.42
1.48

1.61
9.82
28.42
22.23
17.70
14.98
12.93

10.86
11.25
7.75
4.36
4.78
5.44
5.68

8.15
5.29
6.63
15.67
14.59
12.76
11.89

0.73
0.73
0.25
0.13
0.15
0.14
0.13

78.65
68.52
47.67
46.46
51.17
54.89
57.39

0.00
3.96
6.47
8.54
8.18
7.89
7.78

0.00
0.08
0.23
0.51
0.85
1.08
1.23

0.00
0.13
1.90
1.19
1.37
1.64
1.76

0.00
0.22
0.69
0.90
1.21
1.19
1.21

21.62
43.53
37.38
34.10
32.39
31.38
30.63

1.68
0.99
5.50
7.00
7.41
7.66
7.86

1.78
2.68
13.66
18.68
20.49
21.38
22.11

0.10
0.12
0.50
0.59
0.60
0.61
0.61

3.54
6.57
3.17
2.15
1.75
1.45
1.24

71.29
45.22
36.72
35.25
35.43
35.80
35.96

0.00
0.07
0.22
0.21
0.18
0.15
0.13

0.00
0.05
0.30
0.34
0.32
0.28
0.25

0.00
0.77
2.54
1.69
1.45
1.31
1.20

208
Tabel 27. (lanjutan)
Variabel
Endogen

Triwulan
Ke
depan

Suku
Bunga

Sumber Guncangan (%)


Inflasi

Kebijakan
Harga Pangan

Nilai
Tukar

Pengangguran

Penawaran
Uang

PDB

Suku
Bunga

Investasi

BOT

0
1
4
8
12
20
35

0.95
75.13
58.80
40.71
35.21
31.25
26.52

0.32
0.13
3.63
2.99
2.40
1.92
1.36

15.32
5.33
8.42
24.68
30.20
32.22
35.43

4.49
1.24
1.08
1.45
1.30
1.28
1.27

0.79
0.11
1.13
1.14
1.19
1.20
1.22

1.92
0.94
2.02
2.67
2.43
1.99
1.64

76.22
16.93
18.59
20.12
20.37
22.71
24.80

0.00
0.00
2.47
2.85
2.32
2.20
1.98

0.00
0.20
3.86
3.38
4.59
5.22
5.78

Investasi

0
1
4
8
12
20
35

0.04
8.79
15.84
18.44
18.08
18.11
18.19

0.78
0.80
1.82
2.93
3.21
3.33
3.48

5.70
6.32
5.81
3.84
2.95
2.12
1.42

0.30
0.25
1.34
1.21
1.07
0.93
0.85

4.73
3.90
4.09
4.31
4.25
3.99
3.80

1.06
3.51
11.18
14.17
15.07
15.90
16.66

0.03
0.26
0.55
0.50
0.45
0.42
0.39

87.36
66.67
45.82
39.37
37.92
36.63
35.43

0.00
9.49
13.55
15.25
17.01
18.56
19.77

BOT

0
1
4
8
12
20
35

0.06
2.61
2.73
2.89
2.37
1.72
1.36

0.01
0.28
0.75
1.28
1.39
1.82
2.05

9.15
7.18
4.72
3.21
3.07
2.26
1.78

3.25
3.66
5.39
6.89
7.29
7.50
7.71

0.85
5.77
26.77
36.61
41.02
44.56
46.93

3.48
9.32
7.76
5.86
4.94
4.55
4.22

1.35
1.01
0.52
0.34
0.31
0.29
0.28

3.75
4.53
7.54
10.76
11.76
13.10
13.95

78.09
65.65
43.83
32.16
27.86
24.21
21.72

VIII. KESIMPULAN DAN IMPLIKASI KEBIJAKAN


8.1.

Kesimpulan

1. Pangsa pengeluaran pangan layak dijadikan indikator ketahanan pangan karena


mempunyai hubungan yang erat dengan berbagai ukuran ketahanan pangan yaitu
tingkat konsumsi, keanekaragaman pangan, dan pendapatan serta memiliki ciri
dapat diukur dengan angka, cukup sederhana untuk memperoleh dan
menafsirkannya, objektif, dan responsif terhadap perubahan-perubahan akibat
adanya perubahan kondisi perekonomian, kebijakan dan program pembangunan.
2. Ketahanan pangan individu tidak hanya ditentukan oleh akses fisik dan ekonomi
seseorang, tetapi ditentukan juga oleh akses informasi yang direfleksikan oleh
tingkat pendidikan, kesadaran hidup sehat, pengetahuan tentang gizi, pola asuh
dalam keluarga, dan gaya hidup.
3. Pembangunan yang dilakukan untuk meningkatkan kesejahteraan penduduk pada
periode 1969-1981 manfaatnya lebih banyak diterima oleh kelompok penduduk
yang berpendapatan tinggi dibandingkan kelompok penduduk berpendapatan
sedang dan rendah. Hal tersebut dapat dilihat berdasarkan pada indikator pangsa
pengeluaran pangan dua kelompok ini yang masih relatif tinggi dibandingkan
penduduk kelompok berpendapatan tinggi dan perbedaan tersebut stabil sejak
periode 1981-2002.
4. Baik jangka pendek mapun jangka panjang kebijakan harga pangan yang terdiri
dari kebijakan harga input, kebijakan harga output, dan kebijakan harga inputoutput yang dilakukan selama ini tidak efektif meningkatkan ketahanan pangan.
Hal itu diindikasikan oleh lemahnya respon ketahanan pangan terhadap perubahan
kebijakan harga input, kebijakan harga output, dan kebijakan harga input-output;
ketiga kebijakan tersebut masih terfokus pada padi-padian; dan bukti yang

210
menunjukkan bahwa ketersediaan pangan di tingkat nasional tidak menjamin
akses pangan ditingkat rumah tangga.
5. Dalam jangka panjang pertumbuhan ekonomi yang disertai pemerataan
pendapatan dapat mendukung peningkatan kualitas ketahanan pangan. Sebaliknya
pertumbuhan ekonomi yang tidak disertai pemerataan yang cenderung akan
meningkatkan inflasi akan menurunkan konsumsi energi sehingga menurunkan
tingkat ketahanan pangan.
6. Baik jangka pendek maupun jangka panjang, kebijakan harga pangan yang
merupakan kebijakan harga input-output menyebabkan PDB kontraksi dan inflasi,
namun tidak menyebabkan peningkatan tingkat pengangguran. Walaupun
menyebabkan kontraksi ekonomi dan inflasi, kebijakan harga pangan secara
relatif tidak menyebabkan instabilitas ekonomi makro dibandingkan kebijakan
moneter dan kebijakan perdagangan.
7. Kebijakan moneter awalnya meningkatkan inflasi, namun pada triwulan kedua
setelah kebijakan mampu menurunkan inflasi. Penurunan inflasi tersebut
menyebabkan perekonomian mengalami kontraksi sehingga meningkatkan angka
pengangguran. Sementara itu kebijakan perdagangan, baik jangka pendek maupun
jangka panjang, meningkatkan pertumbuhan ekonomi akan tetapi tidak mampu
menekan naiknya pengangguran, sedangkan inflasi awalnya mengalami
penurunan hingga terjadi deflasi akan tetapi dalam jangka panjang menyebabkan
terjadinya inflasi.
8. Kebijakan moneter baik secara langsung maupun tidak langsung efektif
menentukan stabilitas ekonomi makro. Efektivitas kebijakan moneter terhadap
PDB, Inflasi dan neraca perdagangan dirasakan setelah triwulan keempat
kebijakan tersebut dilakukan. Sementara itu dampaknya terhadap pengangguran
baru dirasakan setelah triwulan kedelapan.

211
9. Kebijakan harga pangan kurang efektif menentukan stabilitas ekonomi makro.
Karena pengaruhnya hanya terhadap inflasi dan PDB dan baru dirasakan pada
triwulan keempat dengan tingkat pengaruh yang relatif kecil (3.52% dan 5.50^%).
Sementara itu kebijakan perdagangan tidak efektif menentukan stabilitas ekonomi
makro.
10. Inflasi lebih dipengaruhi oleh nilai tukar dibandingkan dengan kebijakan harga
pangan. Selain mempengaruhi dalam waktu yang relatif cepat, yaitu triwulan
pertama setelah ada perubahan nilai tukar, juga besaran pengaruhnya cukup
signifikan yaitu sebesar 6.85%, kemudian pada triwulan empat melonjak menjadi
34.48%, dan pada triwulan kedelapan inflasi lebih ditentukan oleh nilai tukar
(46.66%) dibandingkan pengaruh inflasi itu sendiri (41.12%). Sementara itu efek
kebijakan harga pangan terhadap inflasi baru dirasakan pada triwulan keempat
dan dalam jangka panjang pengaruhnya hanya kurang dari enam persen.
8.2.

Implikasi Kebijakan

1. Konsep Pola Pangan Harapan tidak hanya merepresentasikan daya beli dan
pengetahuan tentang gizi, tetapi juga daya terima masyarakat, cita rasa dan
ketersediaan pangan tersebut yang berbeda pada tiap daerah. Oleh karena itu
penyusunan skor Pola Pangan Harapan tidak hanya pada tingkat nasional tetapi
juga pada tingkat provinsi dan kabupaten sehingga ukuran-ukuran yang dihasilkan
akan menjadi lebih sesuai.
2. Untuk meningkatkan ketahanan pangan, selain akses secara fisik dan ekonomi,
juga diperlukan akses informasi. Oleh karena itu perlu dilakukan penyebaran
informasi tentang: nilai gizi bahan makanan, keamanan pangan, teknik
pengolahan bahan makanan, dan teknik penyajian makanan kepada segenap
lapisan masyarakat melalui berbagai media.

212
3. Agar manfaat pembangunan dapat dinikmati oleh kelompok penduduk
berpendapatan tinggi, sedang, dan rendah secara proporsional perlu didukung oleh
kebijakan yang berkaitan langsung kepada masyarakat, terutama masyarakat
kelompok berpendapatan sedang dan rendah. Oleh karena itu pembangunan yang
dilakukan tidak hanya difokuskan pada infrastruktur di perkotaan tetapi juga
infrastruktur di pedesaan seperti pembangunan jalan di sentra produksi pertanian
dan sistem irigasi yang didukung oleh peningkatan akses penduduk desa terhadap
penguasaan aset melalui kebijakan reforma agraria untuk aset lahan dan kebijakan
penelitian dan penyuluhan untuk aset sumberdaya manusia.
4. Untuk meningkatkan akses penduduk terhadap pangan diperlukan: (1) program
pengendalian harga pangan dan pendekatan bantuan pangan langsung pada
sasaran, terutama kelompok penduduk miskin, (2) program diversifikasi usahatani
tanpa meninggalkan pangan utama dengan sasaran meningkatkan pendapatan dan
ketersediaan anekaragam bahan pangan, (3) program monitoring dan evaluasi
dalam bentuk lebih sederhana dan fleksibel sehingga mengurangi peluang
terjadinya kebocoran.
5. Kontraksi PDB dan inflasi (stagflasi) yang terjadi akibat guncangan kebijakan
harga pangan karena kebijakan ini menggunakan dana KLBI dan masih didukung
dengan pengadaan pangan impor. Akibatnya neraca perdagangan defisit, PDB
kontraksi, dan inflasi meningkat. Oleh karena itu di masa yang akan datang
sebaiknya kebijakan harga pangan dilakukan dengan dukungan produksi pangan
dalam negeri. Namun demikian kebijakan impor pangan masih tetap diperlukan
pada batas-batas tertentu, misal pada saat produksi dan stok pangan tidak
mencukupi, terutama untuk kelompok masyarakat miskin dan untuk menghindari
munculnya spekulasi yang melakukan penimbunan stok pangan.

213
6. Kurang efektifnya kebijakan harga pangan menentukan stabilitas ekonomi makro
menunjukkan bahwa secara makro pengaruh langsung kebijakan harga pangan
menjadi kurang penting. Namun pengaruhnya yang positif terhadap ketahanan
pangan menunjukkan pentingnya kebijakan ini untuk meningkatkan ketahanan
pangan dan mengurangi jumlah penduduk miskin. Pengaruh tersebut secara tidak
langsung juga akan mempengaruhi perekonomian nasional.

Oleh karena itu

kebijakan harga pangan masih layak untuk dilakukan.


7. Ketidak mampuan kebijakan moneter menurunkan angka pengangguran tapi
mampu menurunkan inflasi, disisi lain kebijakan harga pangan menyebabkan
inflasi tetapi mampu menurunkan angka pengangguran membuktikan bahwa
setiap kebijakan mempunyai trade-off, oleh sebab itu pembuatan suatu kebijakan
perlu mempertimbangkan kebijakan yang lain.
8.3.

Saran untuk Penelitian Lanjutan

1. Jika data mencukupi maka pangsa pengeluaran pangan dapat dimasukkan dalam
model stabilitas ekonomi makro. Dalam hal ini pangsa pangan selain merupakan
indikator ketahanan pangan dapat juga dijadikan proksi tingkat kesejahteraan dan
perilaku konsumsi.
2. Pupuk bersubsidi yang digunakan untuk program pangan banyak digunakan untuk
pertanian non pangan, industri dan ekspor. Jika data tersebut tersedia maka data
yang digunakan untuk mendukung kebijakan harga pangan akan semakin tepat
sehingga keefektifan kebijakan diduga akan semakin meningkat. Demikian juga
dampak bencana alam yang dapat mengurangi efektivitas kebijakan harga pangan
terhadap ketersediaan dan konsumsi belum dilihat lebih jauh.
3. Ketahanan pangan dalam penelitian ini diproksi atas ketersediaan energi dan
protein serta konsumsi energi dan protein. Kedua proksi tersebut termasuk dalam

214
kelompok unsur gizi makro.

Untuk lebih meningkatkan keakuratan proksi

ketahanan pangan dari aspek gizi, sebaiknya penelitian lebih lanjut dapat juga
mencakup kelompok unsur gizi mikro seperti vitamin dan mineral.
4. Selama penelitian ini ada dua periode berbeda yaitu sebelum dan setelah
berlakunya UU No 23 tahun 1999 tentang Bank Indonesia. Sebelum lahirnya UU
tersebut, Bank Indonesia memiliki wewenang memberikan kredit dengan dana
KLBI sehingga kebijakan harga pangan lebih cepat direalisasi dengan biaya yang
murah karena disubsidi.

Setelah ada UU tersebut Bank Indonesia tidak lagi

memiliki wewenang memberikan kredit dengan dana KLBI sehingga kebijakan


harga pangan realisasinya tidak secepat dan semurah periode sebelumnya. Di
masa datang, jika deret waktu antar kedua periode tersebut relatif berimbang dapat
dilihat bagaimana perbedaan hasil analisis pada kedua periode waktu tersebut.
Apakah dengan semakin indepedennya Bank Indonesia akan semakin
meningkatkan kesejahteraan masyarakat atau sebaliknya?
5. Adanya indikasi bahwa secara langsung peran kebijakan harga pangan menjadi
kurang efektif mempengaruhi stabilitas ekonomi makro perlu penelitian lebih
lanjut tentang pengaruh harga pangan terhadap stabilitas ekonomi makro dan
efektivitas

kebijakan harga pangan meningkatkan ketahanan pangan dan

mengurangi tingkat kemiskinan dengan menggunakan pool-data Susenas yang


didekomposisi menurut kelas pendapatan.
6. Bencana alam di Aceh, Nias, Pangandaran, Yogyakarta, dan Sidoarjo
membuktikan bencana alam sulit dihindari. Hal yang perlu dilakukan adalah
bagaimana mengelola risiko dampak bencana tersebut, termasuk terhadap
ketahanan pangan. Untuk itu perlu kajian di tingkat mikro tentang dampak
bencana alam terhadap ketahanan pangan dan langkah antisipasinya.

215

DAFTAR PUSTAKA

Addison, T. and G. A. Cornia. 2001. Income Distribution Policies For Faster


Poverty Reduction. Discussion Paper No. 2001/93. World Institute for
Development Economics Research (WIDER), Helsinki.
Adnyana, M. O., A. Djulin, K. Kariyasa, S. K. Dermoredjo dan V. Darwis.
2000. Perumusan Kebijaksanaan Harga Gabah dan Pupuk Dalam Era
Pasar Bebas. Laporan Hasil Penelitian. Pusat Penelitian Sosial Ekonomi
Pertanian, Badan Penelitian dan Pengembangan Pertanian, Bogor.
Agenor, P. R. 2000.
Monetary Policy Under Flexible Exchange Rate: An
Introduction of Inflation Targeting. World Bank, Washington.
Aggarwal, R. dan T. Agmon. 1990. The International Succsess of Developing
Country Firms: Role of Government-Directed Comparative Advantage.
Managemen International Review, Gabler Verlag.
Amang, B. dan M.H. Sawit. 2001. Kebijakan Beras dan Pangan Nasional: Pelajaran
dari Orde Baru dan Orde Reformasi. Edisi Kedua. IPB Press, Bogor.
Amang, B. 1984. The Price of Rice and Inflation In Indonesia 1967 1981.
Dissertation. Submitted in partial satisfaction of the requirements for the
degree of Doctor of Philosophy in Economics in the Graduate Division of the
University of California.
Anderson, K. and A. Strutt. 1999. Indonesias Economic Crisis: Can Agriculture Be
The Engine For Recovery ? In: Indonesias Economic Crisis: Effects on
Agriculture and Policy Response. P. Simatupang, S. Pasaribu, S. Bahri, and
R. Stringer (Editors). Published for CASER by Centre for International
Economic Studies, University of Adelaide.
Ariani, M., H. P. Saliem, Sri Hastuti, S., Wahida dan M. H. Sawit. 2000. Dampak
Krisis Ekonomi Terhadap Konsumsi Pangan Rumah Tangga. Laporan Hasil
Penelitian. Pusat Penelitian Sosial Ekonomi Pertanian Badan Penelitian dan
Pengembangan Pertanian, Departemen Pertanian, Bogor.
Azwar, A. 2004. Aspek Kesehatan dan Gizi dalam Ketahanan Pangan. Dalam:
Prosiding Widyakarya Nasional Pangan dan Gizi VIII Ketahanan Pangan dan
Gizi di Era Otonomi Daerah dan Globalisasi. BPS, Departemen Kesehatan,
Badan POM, Bappenas, Departemen Pertanian dan Ristek, Jakarta.
Badan Bimas Ketahanan Pangan. 2000 2004. Neraca Bahan Makanan Indonesia
(1999-2004). Badan Bimas dan Ketahanan Pangan Departemen Pertanian,
Jakarta.
Bafadal, A. 2005. Dampak Defisit dan Utang Pemerintah terhadap Stabilitas
Makroekonomi. Disertasi Doktor Sekolah Pascasarjana, Institut Pertanian
Bogor, Bogor.

216
Bank Indonesia. 2006. Perananan Bank Indonesia dalam Pengendalian Inflasi
(Question & Answer).
http://www.bi.go.id/web/id/BI+Publik/interaktif/inflasi.htm.
_____________. 2002. Laporan Tahunan 2001. Bank Indonesia, Jakarta.
_____________. 2001. Sejarah Peranan Bank Indonesia dalam Pengembangan
Usaha Kecil. Biro Kredit Bank Indonesia, Jakarta.
Bernanke B.S. and F. S. Mishkin. 1997. Inflation Targeting: A New Framework
For Monetary Policy ? Journal of Economic Perspectives, 11 (2): 97-116.
Boediono. 1979. Sebuah Model Makro Triwulanan untuk Indonesia. EKI, 27
(3): 351-381, Jakarta.
Bosworth, M. 2003. Agricultural Liberalization, The WTO and Policy
Implications for Indonesia. Paper, presented on ARDS Seminar at ASERD,
20 November 2003, Bogor.
Asia Pacific School of Economics &
Government, ANU.
BPS. 2004. Indikator Ekonomi: Juli. Buletin Statistik Bulanan. Badan Pusat
Statistik, Jakarta.
____. 2004a. Sensus Pertanian 2003: Hasil Pendaftaran Rumah Tangga Provinsi.
BPS, Jakarta.
____. 1995. Sensus Pertanian 1993: Analisis Profil Rumah Tangga Pertanian
Indonesia. BPS, Jakarta.
____. 1985. Sensus Pertanian 1983: Analisis Profil Rumah Tangga Pertanian
Indonesia. BPS, Jakarta.
____. 1975 1999. Neraca Bahan Makanan Indonesia (1975-1998). BPS, Jakaarta.
Branson, W. H. 1979. Macroeconomic Theory and Policy. Second Edition. Harper
& Row, Publisher, New York.
Buckle, K.A., R.A. Edwards, G.H. Fleet dan M. Wootton. 1987. Ilmu Pangan.
Penerjemah: H. Purnomo dan Adiono. UI-Press, Jakarta.
CSIS. 2002a. Tinjauan Perkembangan Ekonomi. 31 (1): 36-38. Centre for Strategic
and International Studies, Jakarta
____. 2002b. Tinjauan Perkembangan Ekonomi. 31 (2): 156 - 158. Centre for
Strategic and International Studies, Jakarta
____.

2002c. Tinjauan Perkembangan Ekonomi: Membaiknya Indikator


Perekonomian Indonesia. 31 (3): 297-298. Centre for Strategic and
International Studies, Jakarta

217
____. 2002d. Tinjauan Perkembangan Ekonomi: Pemulihan Lambat yang Terus
Terhambat. 31 (4): 414-416. Centre for Strategic and International Studies,
Jakarta.
____. 2001a. Tinjauan Perkembangan Ekonmi : Skenario Pertumbuhan 2001 :
Creative Destruction, Muddling - Through atau Sky Dive ?. 30 (1): 6 7.
Centre for Strategic and International Studies, Jakarta
____. 2001b. Tinjauan Perkembangan Ekonmi: Ekonomi Indonesia di Tengah
Ketidakpastian. 30 (2) : 108 - 109. Centre for Strategic and International
Studies, Jakarta
____. 2001c. Tinjauan Perkembangan Ekonmi: Perkembangan Ekonomi Makro
Kuartal Kedua 2001. 30 (3) : 243-245. Centre for Strategic and International
Studies, Jakarta
____. 2001d. Tinjauan Perkembangan Ekonmi: Indonesia Tenggelam Berdiri. 30
(4) : 384-3856. Centre for Strategic and International Studies, Jakarta.
Dawe, D. 2002. Macro Economics Benefit Rice Stabilization. Dalam : M. Husein
Sawit et al. (editor), Bulog: Pergulatan dalam Pemantapan Peranan dan
Penyesuaian Kelembagaan Kumpulan Naskah dalam Rangka Menyambut 35
Tahun Bulog. IPB Press, Bogor.
_______. 1995. Macoeconomic Benefit of Food Price Stabilization. Indonesian
Food Journal, 11 (6): 43-64.
Deaton, A. and J. Muellbauer. 1980. Economics and Consumer Behavior.
Cambridge University Press, London.
Debelle G. 2000. Inflation Targeting and Output Stabilisation. Paper presented in
Bank Indonesia International Monetary Fund Conference on Monetary Policy
and Inflation Targeting in Emerging Economies. Jakarta, July 13 14,
2000. Reserve Bank of Australia.
De Janvry, A., A. Fargeix and E. Sadoulet. 1991. Political Economy of Stabilization
Programs: Feasibility, Growth, and Welfare. Journal of Policy Modeling, 13
(3): 317-345.
Departemen Pertanian. 2004. Vademikum Kredit Ketahanan Pangan. Direktorat
Pembiayaan, Direktorat Jenderal Bina Sarana Pertanian, Departemen
Pertanian, Jakarta.
_________________. 2003. Vademikum Kredit Ketahanan Pangan. Direktorat
Pembiayaan, Direktorat Jenderal Bina Sarana Pertanian, Departemen
Pertanian, Jakarta.
_________________. 2002a. Vademikum Kredit Ketahanan Pangan. Direktorat
Pembiayaan, Direktorat Jenderal Bina Sarana Pertanian, Departemen
Pertanian, Jakarta.

218
_________________. 2002. Usulan Perubahan Kebijakan Perberasan 2003.
Makalah. Departemen Pertanian, Jakarta.
Dickey, D. A., D.W. Jansen and D.L. Thornton. 1994. A Primer on Cointegration
with an Application to Money and Income. In: Cointegration for the Applied
Economist. Edited by B. Bhaskara Rao. St. Martins Press, New York.
DKP.

2003. Strategi Kebijakan Pemenuhan Protein Ikan dalam Mendukung


Ketahanan Pangan Nasional.
Direktorat Jenderal Perikanan Tangkap,
Departemen Kelautan dan Perikanan, Jakarta.

Dornbusch, R., S. Fischer and R. Srartz. 1998. Macroeconomics. Seventh Edition.


McGraw-Hill Companies, Inc., Boston.
Ellis, F. 1992. Agricultural Policies In Developing Countries.
University Press, Cambridge.

Cambridge

Fogiel, M. 1992. Problem Solver the Economics: A Complete Solution Guide to Any
Textbook. Research and Education Association, New Jersey.
Gunawan, A. H. 1991. Anggaran Pemerintah dan Inflasi di Indonesia. PT.Gramedia
Pustaka Utama, Jakarta.
Gylfason, T. 1990. Wages, Money and Exchange Rates with Endogenous Unions
and Governments. Journal of Policy Modeling, 12 (3): 469-493.
Hardinsyah dan V. Tambunan. 2004. Angka Kecukupan Energi, Protein, Lemak, dan
serat Makanan. . Dalam: Prosiding Widyakarya Nasional Pangan dan Gizi
VIII Ketahanan Pangan dan Gizi di Era Otonomi Daerah dan Globalisasi.
BPS, Departemen Kesehatan, Badan POM, Bappenas, Departemen Pertanian
dan Ristek, Jakarta.
Hardinsyah, Y. F. Baliwati, D. Martianto, H. S. Rachman, A. Widodo dan Subiyakto.
2001. Pengembangan Konsumsi Pangan dengan Pendekatan Pola Pangan
Harapan. Pusat Studi Kebijakan Pangan dan Gizi Lembaga Penelitian IPB,
Bogor bekerjasama dengan Pusat Pengembangan Konsumsi Pangan Badan
Bimas Ketahanan Pangan Deptan, Jakarta.
Hardono, G. S. 2003. Simulasi Dampak Perubahan Faktor-Faktor Ekonomi
Terhadap Ketahanan Pangan Rumah Tangga Pertanian. JAE, 21 (1): 1 25.
Hardyatuti, S. 2002. Pokok-Pokok Pikiran Kebijakan Pangan Nasional dalam
Kerangka Otonomi Daerah. Dalam: Kebijakan Pangan Nasional Dalam
Kerangka Otonomi Daerah. Editor: Srwidodo, S. Hartono, Masyhuri dan J.
H. Mulyo. Magister Manajemen Agribisnis Universitas Gadjah Mada,
Yogyakarta.
Hariyadi, R.D., Hardinsyah, P. Hariyadi, N. Andarwulan, N.S. Palupi, E. Syamsir dan
E. Prangdimurti. 2003. Kebijakan dan Keragaan Riset Diversifikasi Pangan Pokok
di Indonesia. Kerjasama Kementerian Riset dan Teknologi dengan Pusat Kajian
Makanan Tradisional Institut Pertanian Bogor, Bogor.

219
Hartati, E. S. 2004. Analisis Dampak Pergerakan Nilai Tukar terhadap Inflasi di
Indonesia: Pendekatan Exchange Rate Pass Through. Tesis Magister Sains
Sekolah Pascasarjana, Institut Pertanian Bogor, Bogor.
Hermanto. 2002. Perspektif Implementasi Kebijakan Stabilisasi Harga Gabah/Beras
Pasca Bulog. Lokakarya Ketahanan Pangan Pasca Bulog. Badan Bimas
Ketahanan Pangan, Departemen Pertanian, Jakarta , 22 Nopember.
Ilham, N. 2003. Dampak Liberalisasi Ekonomi terhadap Perdagangan dan
Kesejahteraan Negara-Negara di Dunia. Jurnal Ekonomi dan Pembangunan,
11 (2): 1 38.
________. 2003a. Perilaku Inflasi di Indonesia: Bagaimana Kontrtibusi Bahan
Pangan terhadap Inflasi ? Makalah Sebagai Tugas pada Mata Kuliah
Makroekonomi Lanjutan pada Program Studi Ilmu Ekonomi Pertanian,
Program Pascasarjana Institut Pertanian Bogor, Bogor
________. 2002. Pola Pemasaran dan Ketersediaan Pupuk Pasca Kebijakan
Pengendalian Distribusi Pupuk Urea Maret 2001. SOCA, 2 (2): 140-151.
________. 2001. Dampak Kebijakan Tataniaga Pupuk terhadap Peran Koperasi Unit
Desa sebagai Distributor Pupuk. SOCA, 1 (3): 218-226.
Insukindro. 1984. Pengaruh Pengeluaran Pemerintah, Cadangan Devisa dan
Angka Pengganda Uang terhadap Jumlah Uang Beredar di Indonesia. EKI, 32
(4):447-454.
Jajaki.. 2005.
Membangun Pertanian:
Membangun Kemakmuran Bersama.
Rekomendasi Buku Putih Pembangunan Pertanian. Jaringan Kebijakan
Publik Indonesia, UNSFIR, Jakarta.
Kannapiran, C.A. 2000. Commodity Price Stabilisation: Macroeconomic Impacts
and Policy Option. Agricultural Economics No. 23 June 2000: 17-30.
Kasryno, F., P. Simatupang, E. Pasandaran dan S. Adiningsih. 2001. Reformulasi
Kebijaksanaan Perberasan Nasional. FAE, 19 ( 2): 1 23.
Kasryno, F. 2000. Menempatkan Pertanian sebagai Basis Ekonomi Indonesia:
Memantapkan Ketahanan Pangan dan Mengurangi Kemiskinan. Dalam
Prosiding Widyakarya Nasional Pangan dan Gizi VIII. Lembaga Ilmu
Pengetahuan Indonesia, Jakarta.
Komaruddin. 1993. Pengantar Kebijakan Ekonomi. Bumi Aksara, Jakarta.
Malian, A. H. 2003. Analisis Ekspor Sektor Pertanian dan Sektor Industri Pertanian
Indonesia 1983-1997: Model Ekonomi Makro untuk Pertanian. Disertasi
Doktor Program Studi Ilmu Ekonomi Pascasarjana Fakultas Ekonomi,
Universitas Indonesia, Depok.

220
Mallik, G and A. Chowdhury. 2001. Inflation and Economic Growth: Evidence from
Four South Asian Countries. Asia-Pacific Development Journal, 8 (1): 123
135.
Mansfield, E.D. and M. L. Busch. 1995. The Political Economy of Nontariff
Barriers: A Cross-National Analysis. International Organization, 49 ( 4):
723-749.
Moelyono, S. 2002. Teori Buffer Stock dan Penerapannya. . Dalam : M. Husein
Sawit et al. (editor), Bulog: Pergulatan dalam Pemantapan Peranan dan
Penyesuaian Kelembagaan Kumpulan Naskah dalam Rangka Menyambut 35
Tahun Bulog. IPB Press, Bogor.
Mulyana, A. 1998. Keragaan Penawaran dan Permintaan Beras Indonesia dan
Prospek Swasembada Menuju Era Perdagangan Bebas: Suatu Analisis
Simulasi. Disertasi Doktor. Program Pascasarjana, Institut Pertanian Bogor,
Bogor.
Nicholson, W. 2000. Mikroekonomi Intermediate dan Aplikasinya. Edisi kedelapan.
Penerbit Erlangga, Jakarta.
Nuryati, Y. 2004. Pelaksanaan Kebijakan Moneter Pentargetan Inflasi di Indonesia.
Sekolah Pascasarjana Institut Pertanian Bogor, Bogor.
OECD. 2005. Producer and Consumer Support Estimates. OECD Database 19862004. www.oecd.org/oecd_pse-full-zip/
Pemerintah Republik Indonesia. 2002. Peraturan Pemerintah Republik Indonesia
Nomor 68 tahun 2002, Tentang Ketahanan Pangan. Sekretariat Negara
Republik Indonesia, Jakarta.
_________________________. 1996. Undang-Undang Republik Indonesia Nomor 7
tahun 1996, Tentang Pangan. http://www.bulog.go.id/hukum/index.html.
Perwira, D. 2001. Pengaruh Perubahan Kondisi Ekonomi Makro Terhadap
Permintaan Saham Sektor Pertanian di Indonesia. EKI, 49 (4): 357-374.
Pesaran, M.H. dan B. Pesaran. 1997. Working with Microfit 4.0, Interactive
Econometric Analysis. Oxford University Press, New York.
PSE. 2003. Analisis Ketahanan Pangan Dalam Era Globalisasi dan Otonomi Daerah.
Laporan Penelitian. Kerjasama Badan Bimas Ketahanan Pangan, Departemen
Pertanian dengan Pusat Penelitian dan Pengembangan Sosial Ekonomi
Pertanian, Bogor.
Rachman. H. P. S. 2004. Indikator Penentu, Karakteristik, dan Kelembagaan
Jaringan Deteksi Dini Tentang Kerawanan Pangan. ICASERD WORKING
PAPER No. 46. Pusat Penelitian dan Pengembangan Sosial Ekonomi
Pertanian, Badan Penelitian dan Pengembangan Pertanian, Departemen
Pertanian, Bogor.

221
________________ dan M Ariani. 2002. Ketahanan Pangan: Konsep, Pengukuran
dan Strategi. FAE, 20 (1): 12 24.
Rahardjo, M.D. 1993. Politik Pangan dan Industri Pangan di Indonesia. Prisma, 5
(22): 13-23.
Ramanathan, R. 1995. Introductory Econometrics with Application. Third Edition.
The Dryden Press, New York.
Ramdan, H., Yusran dan D. Darusman. 2003. Pengelolaan Sumberdaya Alam dan
Otonomi Daerah: Perspektif Kebijakan dan Valuasi Ekonomi. Alqaprint,
Bandung.
Riswandi, D.I. 2004. Perekonomian Indonesioa dan Keterkaitannya dengan Ekonomi
Internasional:
Analisis Kointegrasi Investasi Luar Negeri, Konsumsi
Domestik dan Ekspor. Disertasi Doktor Sekolah Pascasarjana, Institut
Pertanian Bogor, Bogor.
Romer, D. 1996. Advanced Macroeconomics. The McGraw-Hill Companies, Inc.,
New York.
Rusastra, I. W., B. Sayaka dan Saptana. 2002. Kebijaksanaan Harga dan Subsidi
Faktor Produksi. Dalam: Monograph Series No. 21: 91-104. Analisis
Kebijaksanaan: Paradigma Pembangunan dan Kebijaksanaan Pengembangan
Agro Industri. Pusat Penelitian dan Pengembangan Sosial Ekonomi Pertanian,
Badan Penelitian dan Pengembangan Pertanian, Bogor.
Sadewa, P.Y. 2003. Apakah Inflasi yang Rendah Buruk Bagi Perekonomian ? Surat
Kabar Harian KOMPAS, 14 April 2003. PT. Gramedia, Jakarta.
Sadoulet, E. and A. de Janvry. 1995. Quantitative Development Policy Analysis..
The John Hopkins University Press, London.
Saliem, H. P., A. Purwoto, G. S. Hardono, T. B. Purwantini, Y. Supriyatna, Y. Marisa
dan Waluyo. 2004. Manajemen Ketahanan Pangan Era Otonomi Daerah dan
Perum Bulog. Pusat Penelitian dan Pengembangan Sosial Ekonomi Pertanian
Badan Peneltian dan Pengembangan Pertanian Departemen Pertanian, Bogor.
Saliem, H. P., S. Mardianto dan P. Simatupang. 2003. Perkembangan dan Prospek
Kemandirian Pangan. Analisis Kebijakan Pertanian, 1 (2) : 123-142.
Saliem, H.P., E.M. Lokollo, T.B. Purwantini, M. Ariani, dan Y. Marisa. 2001.
Analisis Ketahanan Pangan Tingkat Rumah Tangga dan Regional. Laporan
hasil penelitian. Pusat Penelitian dan Pengembangan Sosial Ekonomi
Pertanian, Badan Penelitian dan Pengembangan Pertanian, Departemen
Pertanian, Bogor.
Sanim, B. 1998. Efektivitas Penyaluran dan Pengembalian KUT Pola Khusus. JAE,
17 (1): 51 65.

222
Sapuan. 2002. Kebijakan Harga dan Pemasaran Beras di Indonesia. Dalam : M.
Husein Sawit et al. (editor), Bulog: Pergulatan dalam Pemantapan Peranan dan
Penyesuaian Kelembagaan Kumpulan Naskah dalam Rangka Menyambut 35
Tahun Bulog. IPB Press, Bogor..
Sawit, M. H., A. Setiyanto, H. J. Purba dan Supriyati. 2005. Penyaringan SP (Special
Product) Pertanian di WTO: Sebuah Modalitas dari Indonesia. Jurnal
Ekonomi & Bisnis Indonesia, 20(4): 383-397.
Sawit, M. H. 2003. Indonesia Dalam Perjanjian Pertanian WTO : Proposal
Harbinson. Analisis Kebijakan Pertanian, 1 (1): 55 66.
___________. 2003a. Kebijakan Gandum/Terigu: Harus Mampu Menumbuh dan
Analisis Kebijakan
Mengembangkan Industri Pangan Dalam Negeri.
Petanian, 1 (2): 100 - 109.
Saxton, J. 1997. A Response to Criticisms of Price Stability. Joint Economic
Committee United States Congress, Washington. http://www.house.gov/jec/
Simatupang, P. 2004. Justifikasi dan Metode Penetapan Komoditas Strategis.
Dalam: R. Wibowo, B. Krisnamurti, dan B. Arifin (Penyunting). Rekonstruksi
dan Restrukturisasi Ekonomi Pertanian. Perhimpunan Ekonomi Pertanian
Indonesia, Jakarta.
____________. 2003. Analisis Kebijakan: Konsep Dasar dan Prosedur Pelaksanaan.
Analisis Kebijakan Pertanian, 1 (1) : 14-35.
____________. 2002. Kelayakan Pertanian Sebagai Sektor Andalan Pembangunan
Ekonomi Indonesia. Monograf Series N0. 23: 95 108. Pusat Penelitian dan
Pengembangan Sosial Ekonomi Pertanian, Badan Penelitian dan
Pengembangan Pertanian, Departemen Pertanian, Bogor.
____________. 1999. Toward Sustainable Food Security: The Need For A New
Pardigm. In: Indonesias Economic Crisis: Effects on Agriculture and Policy
Response. P. Simatupang, S. Pasaribu, S. Bahri and R. Stringer (Editors).
Published for CASER by Centre fo International Economic Studies,
University of Adelaide.

____________. dan N. Syafaat. 2002. Analisis Penyebab Anjloknya Harga


Komoditas Pertanian Selama Smester-I 1999. Monograph Series No. 21.
Analisis Kebijaksanaan: Paradigma Pembangunan dan Kebijaksanaan
Pengembangan Agro Industri. Pusat Penelitian dan Pengembangan Sosial
Ekonomi Pertanian, Badan Penelitian dan Pengembangan Pertanian, Bogor.
____________ , N. Syafaat, T. Pranadji, V.P.H. Nikijuluw dan B. Rachman. 2002.
Pembanguan Pertanian sebagai Andalan Perekonomian Nasional. Monograph
series No. 23 : 1 60. Pusat Penelitian dan Pengembangan Sosial Ekonomi
Pertanian, Badan Penelitian dan Pengembangan Pertanian, Bogor.
Soehardjo, L.J. Harper, B.J. Deaton dan J, A. Driskel. 1986. Pangan, Gizi dan
Pertanian. Penerbit Universitas Indonesia, Jakarta.

223
Stiglitz, J. E. 1997. Economics. Second edition. W.W. Norton & Company, New
York.
Stringer, R. 1999. The Impacts of Indonesias Economic Crisis on Food Crops and
Food Security. In: Indonesias Economic Crisis: Effects on Agriculture and
Policy Response. P. Simatupang, S. Pasaribu, S. Bahri and R. Stringer
(Editors). Published for CASER by Centre fo International Economic Studies,
University of Adelaide.
Sudana, W. 2003. Efektivitas Kebijakan Perlindungan terhadap Produsen melalui
Proveneu Gula. FAE, 20 (1): 1 11.
Sudaryanto, T. dan N. Syafaat. 2002. Kebijaksanaan Pembangunan Pertanian
Wilayah. Dalam: Analisis Kebijaksanaan: Pendekatan Pembangunan dan
Kebijaksanaan Pengembangan Agribisnis. Penyunting: T. Sudaryanto, I
Wayan Rusastra, Amiruddin Syam dan Mewa Ariani. Monograph Series
No.22: 1 - 8. Pusat Penelitian dan Pengembangan Sosial Ekonomi Pertanian,
Badan Penelitian dan Pengembangan Pertanian, Bogor.
Sudaryanto, T. dan I W. Rusastra. 2000. Kebijaksanaan Strategis Dalam Mendukung
Ketahanan Pangan Berwawasan Agribisnis. Dalam: Prosiding Seminar Hasil
Penelitian/Pengkajian Teknologi Pertanian Mendukung Ketahanan Pangan
Berwawasan Agribisnis. Malang 8 9 Agustus 2000. Badan Penelitian dan
Pengembangan Pertanian, Pusat Penelitian dan Pengembangan Sosial
Ekonomi Pertanian, Bogor.
Sudiyono, A. dan E. Purnomowati. 2002. Kebijakan Pangan Nasional Guna
Menunjang Otonomi Daerah. Dalam: Kebijakan Pangan Nasional Dalam
Kerangka Otonomi Daerah. Editor: Srwidodo, S. Hartono, Masyhuri dan J.
H. Mulyo. Magister Manajemen Agribisnis Universitas Gadjah Mada,
Yogyakarta.
Sugiarto, T. Herlambang, Brastoro, R. Sudjana dan S. Kelana. 2002. Ekonomi
Mikro: Sebuah Kajian Komprehensif. PT. Gramedia Pustaka Utama,
Jakarta.
Sugiyono. 2005. Model Ekonomi Politik Regulasi Beras Indonesia: Suatu Analisis
Kebijakan. Tesis Magister Sains Sekolah Pascasarjana, Institut Pertanian
Bogor, Bogor.
Suhardjo. 1996. Pengertian dan Kerangka Pikir Ketahanan Pangan Rumah Tangga.
Makalah disampaikan pada Lokakarya Ketahanan Pangan Rumah Tangga, 20
30 Mei 1996, Yogyakarta.
Suntoro, E. 2004. Urgensi Pembangunan Distribusi Pangan. Dalam: Kemandirian
Pangan Menuju Ketahanan Pangan Berkelanjutan. Penyunting: Achmad
Suryana. Kerjasama Bimas Ketahanan Pangan, Departemen Pertanian dengan
Harian Umum Suara Pembaruan, Jakarta.
Suparmin. 2005. Analisis Ekonomi Perberasan Nasional: Peran Bulog dalam
Stabilitas Harga Beras di Pasar Domestik. Disertasi Doktor Sekolah
Pascasarjana, Institut Pertanian Bogor, Bogor.

224
Supriana, T. 2004. Dampak Guncangan Struktural terhadap Fluktuasi Ekonomi
Makro Indonesia: Suatu Kajian Business Cycle dari Sisi Permintaan. Disertasi
Doktor Sekolah Pascasarjana, Institut Pertanian Bogor, Bogor.
Suryana, A. 2004. Arah, Strategi dan Program Pembangunan Pertanian 2005 2009.
Makalah disampaikan dalam seminar Arah, Strategi dan Program
Pembangunan Pertanian 2005 2009. Bogor 4 Agustus 2004. Badan
Penelitian dan Pengembangan Pertanian Departemen Pertanian, Jakarta.
_________. 2004a. Ketahanan Atau Kemandirian Pangan. Dalam: Kemandirian
Pangan Menuju Ketahanan Pangan Berkelanjutan. Penyunting: Achmad
Suryana. Kerjasama Bimas Ketahanan Pangan, Departemen Pertanian dengan
Harian Umum Suara Pembaruan, Jakarta.
_________. 2004b. Kinnerja Ketahanan Pangan 2002 dan Prospek 2003. Dalam:
Kemandirian Pangan Menuju Ketahanan Pangan Berkelanjutan. Penyunting:
Achmad Suryana.
Kerjasama Bimas Ketahanan Pangan, Departemen
Pertanian dengan Harian Umum Suara Pembaruan, Jakarta.
_________. 2003. Kapita Selekta Evolusi Pemikiran Kebijakan Ketahanan Pangan.
BPFE, Yogyakarta.
Svensson, L.E. O. 2000. Open Economy Inflation Targetting.
International Economics, 50(1): 155-183

Journal of

Syafaat, N., S. Mardianto dan P. Simatupang. 2003. Dinamika Indikator Ekonomi


Makro Sektor Pertanian dan Kesejahteraan Petani. Analisis Kebijakan
Pertanian, 1 (1): 67- 78.
Thomas, R. L. 1997. Modern Econometrics: An Introduction, Addison-Wesley,
Harlow.
Timmer, C.P. 1996. Does Bulog Stabilise Rice Prices in Indonesia? Should it Try?
BIES, 32 (2): 45-74.
Verbeek, M. 2000. A Guide to Modern Econometrics. John Wiley & Sons, Ltd,
New York.
Ward, B. D. and H. Siregar. 2000. The Role of Aggregate Demand Shocks in
Explaining Indonesian Macro-Economic Fluctuations. Commerce Division
Discussion Paper No. 86, Lincoln University, Canterbury.
Widodo, S. 2003. Pengaruh Globalisasi terhadap Ketahanan Pangan Nasional. Agro
Ekonomi, 10 (1): 1- 15.

225
Lampiran 1. Perkembangan Data Ketersediaan dan Konsumsi Energi Pangan di
Indonesia, Tahun 1975 2004

99
20
01
20
03

97

95

93

91

89

87

85

83

81

EAC1

Tahun

EAV2

20
01
20
03

99

97

95

93

91

89

87

85

83

81

79

77

200000
180000
160000
140000
120000
100000
80000
60000
40000
20000
0
75

Ketersediaan/Konsumsi Energi
(ribu kkal)

EAV1

79

77

75

Ketersediaan/Konsumsi Energi
(ribu kkal)

200000
180000
160000
140000
120000
100000
80000
60000
40000
20000
0

EAC2

Tahun

Ketersediaan/Konsumsi Energi
(Ribu kkal)

200000
180000
160000
140000
120000
100000
80000
60000
40000
20000

EAV3

EAC3

Keterangan: EAVn = ketersediaan energi bersumber dari n


EACn konsumsi energi bersumber dari n

20
03

20
01

99

97

95

93

91

89

87

85

83

81

79

77

75

Tahun

226

250000
200000
150000
100000
50000

99
20
01
20
03

97

95

93

91

89

87

85

83

81

EAC4

Tahun

250000
200000
150000
100000
50000

EAV5

EAC5

3
20
0

20
0

99

97

95

93

91

89

87

85

83

81

79

77

0
75

Ketersediaan/Konsumsi Energi
(ribu kkal)

EAV4

79

77

0
75

Ketersediaan/Konsumsi Energi
(Ribu kkal)

Lampiran 1. (lanjutan)

Tahun

200000
150000
100000
50000

Keterangan: EAVn = ketersediaan energi bersumber dari n


EACn konsumsi energi bersumber dari n

97

95

93

91

89

87

85

83

81

79
EAC6

99
20
01
20
03

EAV6

77

75

Ketersediaan/Konsumsi Energi
(Ribu kkal)

250000

Tahun

227

500000
450000
400000
350000
300000
250000
200000
150000
100000
50000

20
03

97

95

93

91

89

87

85

83

81

PAC1

99
20
01

PAV1

79

77

75

Ketersediaan/Konsumsi Protein
(10 ton)

Lampiran 2. Perkembangan Data Ketersediaan dan Konsumsi Protein Pangan di


Indonesia, Tahun 1975 - 2004

Tahun

500000
400000
300000
200000
100000

20
01
20
03

99

97

95

93

91

89

87

85

83

81

PAC2

Tahun

600000
500000
400000
300000
200000
100000

PAV3

PAC3

Keterangan: PAVn = ketersediaan protein bersumber dari n


PACn = konsumsi protein bersumber dari n

20
01
20
03

99

97

95

93

91

89

87

85

83

81

79

77

0
75

Ketersediaan/Konsumsi Protein
(10 ton)

PAV2

79

77

0
75

Ketersediaan/Konsumsi Protein
(10 ton)

600000

Tahun

228
Lampiran 2. (lanjutan)

Ketersediaan/Konsumsi Protein
(10 ton)

600000
500000
400000
300000
200000
100000

20
03

20
01

99

97

95

93

91

89

87

85

83

81

600000
500000
400000
300000
200000
100000

PAC5

20
03

20
01

99

97

95

93

91

89

87

85

83

81

79

77

PAV5

Tahun

600000
500000
400000
300000
200000
100000

PAV6

PAC6

Keterangan: PAVn = ketersediaan protein bersumber dari n


PACn = konsumsi protein bersumber dari n

20
01
20
03

99

97

95

93

91

89

87

85

83

81

79

77

75

Ketersediaan/Konsumsi Protein (10


ton)

Tahun

PAC4

75

Ketersediaan/Konsumsi Protein
(10 ton)

PAV4

79

77

75

Tahun

229
Lampiran 3. Data Analisis Kebijakan Harga Pangan terhadap Ketahanan Pangan di
Indonesia, Tahun 1975-2004
No Tahun

FPSP
Rp M

FRSP
Rp M

AGSP
Rp M

AICP
Rp M

FPCP
Rp M

ACPP
Rp M

AGOP
Rp M

AGIP
Rp M

IOPP
Rp M

(1)

(2)

(1+2=3)

(4)

(5)

(4+5=6)

(1+5=7)

(2+4=8)

(3+6=9)

1975

78.04

63.1

141.1

279.0

50.4

329.4

128.5

342.1

470.6

1976

44.26

102.4

146.6

234.4

62.8

297.2

107.0

336.8

443.8

1977

13.40

53.2

66.6

241.7

57.6

299.3

71.0

294.9

365.8

1978

26.13

68.6

94.7

244.9

56.4

301.3

82.5

313.5

396.0

1979

99.77

113.1

212.9

233.2

98.9

332.1

198.7

346.3

545.0

1980

235.35

239.1

474.4

264.8

91.9

356.7

327.3

503.8

831.1

1981

228.26

346.4

574.7

344.2

77.1

421.3

305.3

690.6

995.9

1982

84.84

406.2

491.0

457.7

91.3

549.0

176.2

863.8 1 040.0

1983

0.35

367.8

368.2

538.8

133.9

672.8

134.3

906.6 1 040.9

10

1984

0.00

386.6

386.6

484.5 1 229.2

1 713.7 1 229.2

871.1 2 100.3

11

1985

0.00

875.4

875.4

455.8 1 768.9

2 224.7 1 768.9 1 331.2 3 100.1

12

1986

0.00

385.8

385.8

423.9 1 629.8

2 053.7 1 629.8

13

1987

0.00

782.0

782.0

433.0 1 676.2

2 109.2 1 676.2 1 215.0 2 891.2

14

1988

0.00

341.3

341.3

536.0 1 386.8

1 922.8 1 386.8

15

1989

0.00

163.1

163.1 1 577.2 1 660.6

3 237.8 1 660.6 1 740.3 3 400.9

16

1990

0.00

278.0

278.0 2 096.8 1 891.0

3 987.8 1 891.0 2 374.8 4 265.8

17

1991

0.00

285.0

285.0 2 392.9 1 394.8

3 787.7 1 394.8 2 677.9 4 072.7

18

1992

0.00

175.0

175.0 3 716.9 1 897.7

5 614.6 1 897.7 3 891.9 5 789.6

19

1993

0.00

0.0

0.0 3 748.6 1 673.3

5 421.9 1 673.3 3 748.6 5 421.9

20

1994

0.00

175.0

175.0 3 212.8 1 777.1

4 989.9 1 777.1 3 387.8 5 164.9

21

1995

0.00

50.0

50.0

629.4 2 059.1

22

1996

0.00

143.0

143.0

1005.9 4 637.8

5 643.8 4 637.8 1 148.9 5 786.8

23

1997

6 313.6

341.5 6 655.1 1 479.3 5 336.9

6 816.3 11 650.5 1 820.8 13 471.4

24

1998

5 611.5

1 329.7 6 941.2 2 151.4 9 141.0 11 292.4 14 752.5 3 481.1 18 233.6

25

1999

18 373.2

0.0 18 373.2 5 587.3 6 506.0 12 093.3 24 879.2 5 587.3 30 466.5

26

2000

2 212.9

0.0 2 212.9 4 604.9

684.9

5 289.8 2 897.8 4 604.9 7 502.7

27

2001

2 435.4

0.0 2 435.4 3 173.7

10.2

3 183.9 2 445.6 3 173.7 5 619.3

28

2002

4 507.4

0.0 4 507.4 3 254.0

4.1

3 258.1 4 511.5 3 254.0 7 765.5

29

2003

4 696.9

794.0 5 490.9

173.4

3.8

177.1 4 700.7

30

2004

4 830.8

1 259.2 6 090.0

195.6

1.9

197.5 4 832.7 1 454.8 6 287.5

2 688.5 2 059.1

809.7 2 439.5
877.3 2 264.1

679.4 2 738.5

967.4 5 668.0

230
Lampiran 3. (lanjutan)
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

EAV1
Tahun ribu Kal/th
(10)
1975 71 693
1976 73 661
1977 78 124
1978 83 525
1979 87 211
1980 90 985
1981 94 404
1982 97 498
1983 102 166
1984 102 442
1985 105 841
1986 115 946
1987 113 174
1988 123 638
1989 119 958
1990 128 308
1991 128 299
1992 135 352
1993 133 996
1994 140 098
1995 143 717
1996 154 013
1997 147 850
1998 147 727
1999 172 264
2000 159 131
2001 146 453
2002 146 449
2003 149 620
2004 154 729

EAV2
ribu Kal/th
(11)
82 465
85 662
90 354
95 351
98 609
102 938
105 658
108 554
117 690
115 043
118 423
127 249
124 665
135 437
131 999
138 518
140 064
148 954
147 690
152 626
157 064
169 170
162 730
164 832
190 453
177 088
164 712
158 159
163 350
169 577

EAV3
EAV4
EAV5
ribu Kal/th Ribu Kal/th ribu Kal/th
(12)
(13)
(14)
71 788
82 561
77 317
73 905
85 906
79 466
78 324
90 554
84 614
83 806
95 632
90 089
87 629
99 027
93 903
91 518
103 472
98 509
94 951
106 205 105 604
98 000
109 057 105 930
102 793
118 318 110 327
103 025
115 627 113 760
106 676
119 258 116 455
116 858
128 161 127 188
114 168
125 659 125 659
124 716
136 516 136 833
121 058
133 100 134 653
129 544
139 754 144 436
129 687
141 453 144 493
136 833
150 436 156 025
135 571
149 265 153 784
141 977
154 505 158 889
145 765
159 112 171 047
156 312
171 469 180 736
149 966
164 846 178 996
149 208
166 313 164 758
173 617
191 806 192 933
161 160
179 116 182 272
148 583
166 842 177 646
149 223
160 932 174 106
152 429
166 158 181 916
157 539
172 387 189 022

EAV6
ribu Kal/th
(15)
88 090
91 467
96 844
101 915
105 302
110 462
116 858
116 986
125 852
126 361
129 037
138 491
137 151
148 632
146 694
154 646
156 259
169 627
167 478
171 417
184 395
195 893
193 876
181 863
211 122
200 229
195 905
185 816
195 645
203 870

PAV1
Kg/tahun
(16)
1 516 316 058
1 464 443 145
1 547 507 290
1 699 100 404
1 756 768 944
1 789 807 262
1 833 999 765
1 774 056 497
2 143 195 539
2 220 356 269
2 232 508 075
2 588 737 461
2 439 269 205
2 793 749 405
2 640 627 533
2 926 442 250
2 945 385 254
3 200 632 889
3 136 610 013
3 213 977 453
3 275 466 448
3 474 637 425
3 257 522 953
3 866 079 755
4 698 187 527
4 404 278 581
3 721 048 590
3 973 619 782
4 029 140 575
4 110 170 786

231
Lampiran 3. (lanjutan)

No

Tahun

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004

PAV2
Kg/tahun
(17)
1 612 128 547
1 555 178 130
1 639 858 532
1 788 244 427
1 842 516 000
1 878 924 082
1 918 133 207
1 856 700 615
2 285 884 989
2 337 032 899
2 348 784 537
2 694 474 625
2 546 107 582
2 904 129 150
2 753 270 139
3 022 039 364
3 053 788 122
3 327 904 005
3 261 225 386
3 328 116 107
3 398 349 407
3 611 123 080
3 390 274 672
3 983 076 615
4 822 199 836
4 526 744 874
3 845 818 978
4 054 509 677
4 125 091 066
4 217 782 779

PAV3
Kg/tahun
(18)
1 526 802 997
1 477 614 353
1 561 983 971
1 704 719 798
1 784 479 883
1 824 493 449
1 870 603 275
1 812 586 525
2 183 719 343
2 261 776 473
2 288 559 293
2 651 329 001
2 506 974 921
2 862 260 971
2 714 427 861
3 008 382 633
3 039 907 267
3 302 988 496
3 244 792 589
3 342 731 422
3 413 180 109
3 626 926 682
3 400 486 343
3 962 342 994
4 780 862 400
4 547 030 701
3 868 642 829
4 153 118 310
4 212 460 620
4 294 953 834

PAV4
Kg/tahun
(19)
1 622 615 486
1 568 349 338
1 654 335 213
1 793 863 821
1 870 226 938
1 913 610 269
1 954 736 717
1 895 230 643
2 326 408 793
2 378 453 103
2 404 835 755
2 757 066 164
2 613 813 297
2 972 640 716
2 827 070 467
3 103 979 747
3 148 310 135
3 430 259 612
3 369 407 962
3 456 870 076
3 536 063 067
3 763 412 336
3 533 238 062
4 079 339 853
4 904 874 709
4 669 496 994
3 993 413 217
4 234 008 205
4 308 411 112
4 402 565 827

PAV5
Kg/tahun
(20)
1 526 802 997
1 477 614 353
1 561 983 971
1 704 719 798
1 784 479 883
1 824 493 449
1 870 603 275
1 817 053 775
2 187 714 647
2 265 860 155
2 293 329 609
2 656 798 164
2 511 322 994
2 866 067 169
2 718 312 089
3 012 934 877
3 044 534 219
3 306 355 457
3 249 585 488
3 346 211 259
3 419 536 124
3 631 236 755
3 404 133 368
3 963 083 480
4 784 620 349
4 547 782 028
3 872 446 805
4 157 740 590
4 218 701 302
4 300 669 011

PAV6
Kg/tahun
(21)
1 622 615 486
1 568 349 338
1 654 335 213
1 793 863 821
1 870 226 938
1 913 610 269
1 954 736 717
1 899 697 892
2 330 404 097
2 382 536 785
2 409 606 072
2 762 535 328
2 618 161 370
2 976 446 914
2 830 954 695
3 108 531 990
3 152 937 087
3 433 626 573
3 374 200 861
3 460 349 913
3 542 419 082
3 767 722 410
3 536 885 087
4 080 080 340
4 908 632 657
4 670 248 321
3 997 217 193
4 238 630 485
4 314 651 794
4 408 281 005

232
Lampiran 3. (lanjutan)

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

EAC1
EAC2
EAC3
EAC4
Tahun ribu Kal/th ribu Kal/th ribu Kal/th ribu Kal/th
(22)
(23)
(24)
(25)
1975
59 624
67 494
59 835
67 705
1976
61 805
70 664
62 298
71 156
1977
65 511
74 536
65 936
74 962
1978
70 612
77 614
71 169
78 170
1979
69 174
76 605
69 662
77 093
1980
73 686
78 585
74 381
79 280
1981
76 312
80 581
76 827
81 096
1982
79 916
84 137
80 426
84 647
1983
85 511
91 751
86 169
92 410
1984
75 473
80 836
76 482
81 845
1985
77 580
82 937
78 984
84 341
1986
88 516
93 334
89 995
94 814
1987
83 679
89 184
85 338
90 843
1988
90 423
96 105
92 239
97 921
1989
85 951
91 749
87 765
93 563
1990
87 784
93 600
89 494
95 310
1991
87 659
94 382
89 560
96 283
1992
90 835
98 777
92 842
100 784
1993
90 544
95 910
92 656
98 022
1994
87 930
91 178
90 478
93 726
1995
88 478
91 897
91 209
94 628
1996
91 014
93 965
94 489
97 440
1997
86 396
89 269
89 597
92 470
1998
84 951
88 432
87 206
90 686
1999
90 261
94 400
92 511
96 650
2000
80 449
84 139
83 249
86 939
2001
78 639
82 356
81 603
85 321
2002
92 009
94 508
95 681
98 180
2003
92 686
95 286
96 755
99 355
2004
94 022
97 338
98 069
101 385

EAC5
ribu Kal/th
(26)
60 449
62 927
67 996
75 055
73 719
79 168
83 814
85 358
90 831
82 178
84 113
96 804
93 705
99 901
95 959
99 314
99 210
103 844
104 212
100 508
105 086
108 134
103 448
93 111
106 410
94 224
99 625
112 535
113 023
114 661

EAC6
ribu Kal/th
(27)
68 319
71 785
77 022
82 056
81 151
84 067
88 083
89 580
97 072
87 541
89 469
101 623
99 209
105 583
101 757
105 130
105 933
111 786
109 579
103 756
108 506
111 085
106 321
96 591
110 549
97 914
103 342
115 034
115 623
117 978

PAC1
Kg/tahun
(28)
1 129 543 081
1 094 751 954
1 171 554 738
1 380 631 872
1 346 705 610
1 463 344 915
1 488 369 017
1 475 594 971
1 766 533 592
1 556 040 439
1 569 375 509
1 867 237 503
1 694 154 275
1 905 658 428
1 741 658 250
1 795 590 770
1 798 901 426
1 897 072 753
1 871 805 156
1 813 483 169
1 808 302 264
1 894 300 320
1 760 031 905
2 156 833 708
2 420 169 578
2 192 270 518
1 909 628 761
2 539 796 853
2 551 769 885
2 542 482 231

233
Lampiran 3. (lanjutan)

No

Tahun

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004

PAC2
Kg/tahun
(29)
1 198 134 152
1 160 649 797
1 238 598 112
1 432 860 415
1 401 634 793
1 500 158 602
1 520 008 449
1 506 901 181
1 824 682 799
1 606 242 954
1 619 413 441
1 912 840 925
1 747 846 572
1 961 527 055
1 798 672 327
1 848 940 996
1 859 682 241
1 970 930 156
1 922 841 617
1 846 397 909
1 843 787 148
1 922 478 856
1 787 171 541
2 181 805 851
2 449 321 668
2 218 497 563
1 936 164 879
2 557 927 663
2 571 350 790
2 568 494 570

PAC3
PAC4
Kg/tahun
Kg/tahun
(30)
(31)
1 150 618 352 1 219 209 424
1 129 395 077 1 195 292 919
1 209 852 579 1 276 895 953
1 404 054 253 1 456 282 796
1 384 311 365 1 439 240 548
1 505 889 941 1 542 703 628
1 522 732 167 1 554 371 599
1 512 854 083 1 544 160 294
1 807 029 064 1 865 178 271
1 624 435 233 1 674 637 748
1 661 348 957 1 711 386 889
1 967 350 867 2 012 954 289
1 807 814 278 1 861 506 575
2 020 590 297 2 076 458 924
1 862 414 056 1 919 428 133
1 910 017 426 1 963 367 651
1 929 190 691 1 989 971 506
2 037 147 301 2 111 004 704
2 020 110 847 2 071 147 307
1 989 960 426 2 022 875 166
1 995 579 318 2 031 064 203
2 125 506 364 2 153 684 899
1 977 854 831 2 004 994 468
2 303 021 667 2 327 993 809
2 557 863 419 2 587 015 509
2 392 792 991 2 419 020 036
2 116 231 339 2 142 767 458
2 782 554 588 2 800 685 397
2 818 629 202 2 838 210 107
2 810 170 081 2 836 182 420

PAC5
PAC6
Kg/tahun
Kg/tahun
(32)
(33)
1 150 618 352 1 219 209 424
1 129 395 077 1 195 292 919
1 209 852 579 1 276 895 953
1 404 054 253 1 456 282 796
1 384 311 365 1 439 240 548
1 505 889 941 1 542 703 628
1 522 732 167 1 554 371 599
1 517 061 344 1 548 367 554
1 810 791 846 1 868 941 053
1 626 766 658 1 676 969 174
1 664 072 391 1 714 110 323
1 972 077 304 2 017 680 727
1 812 317 292 1 866 009 589
2 024 532 127 2 080 400 753
1 866 436 696 1 923 450 773
1 915 842 875 1 969 193 100
1 935 111 743 1 995 892 558
2 041 455 959 2 115 313 362
2 027 265 148 2 078 301 609
1 995 154 736 2 028 069 476
2 005 066 864 2 040 551 749
2 134 594 311 2 162 772 847
1 985 544 718 2 012 684 354
2 304 583 010 2 329 555 152
2 564 955 480 2 594 107 570
2 394 210 907 2 420 437 952
2 123 410 262 2 149 946 380
2 791 253 928 2 809 384 738
2 827 157 767 2 846 738 672
2 817 993 289 2 844 005 628

234
Lampiran 3. (lanjutan)

No

Tahun

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004

IHK
TD 93
(34)
20.01
22.23
24.70
27.45
30.50
35.72
38.33
42.18
47.23
51.51
53.76
58.68
64.11
67.70
71.83
78.60
86.41
90.76
100.00
109.63
119.48
127.41
139.59
247.95
252.71
276.33
311.00
342.18
359.48
382.49

PDB-HK 93
Rp Milyar
(35)
104 005
111 167
120 907
130 388
138 544
152 232
164 300
167 991
175 032
185 593
190 284
197 881
224 480
237 456
255 162
273 386
291 424
310 909
331 805
354 641
383 593
414 642
433 396
376 375
379 558
399 017
411 753
431 053
452 070
475 258

POP
ribu jw
(36)
130 597
133 650
136 766
139 960
143 246
146 201
149 677
152 988
156 372
159 831
163 367
166 489
170 179
173 799
177 362
178 170
181 094
184 491
187 589
190 676
193 486
196 807
199837
202 873
205 915
205 843
208 437
211 063
213 722
216 414

SOL
Rp/ltr
(37)I
21
24
25
25
33
47
53
85
145
220
237
221
200
200
200
226
273
300
380
380
380
380
380
498
550
563
775
1 225
1 670
2 100

235
Lampiran 4. Data Analisis Kebijakan Harga Pangan terhadap Stabnilitas Ekonomi
Makro di Indonesia, 1980.1 2004.4
No

Tahun

Triwulan

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

1980

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

BOP
BOT
CA
KA
EXR
per triwln per triwln per triwln per triwln
Juta USD Juta USD Juta USD Juta USD Rp/USD
(1)
(2)
(3)
(4)
(5)
1 153
2 619
1 046
107
632
1 474
2 310
887
587
634
733
1 782
91
642
633
968
2 442
730
238
633
664
2 080
423
241
633
508
1 574
-286
794
634
2
1 533
-508
510
637
167
1 619
- 445
612
641
385
357
-1 551
1 936
656
317
841
- 866
1 183
657
-131
361
-1 520
1 389
668
-273
334
-1 521
1 248
687
-1 072
-1 360
-3 132
2 060
703
255
590
-1 191
1 446
976
619
852
-1 078
1 697
989
358
881
-1 041
1 399
991
591
1 189
-841
1 432
997
597
1 774
-102
699
1 012
387
1 480
-368
755
1 046
77
1 264
-659
736
1 071
-303
956
-839
536
1 096
-116
1 446
-494
378
1 119
-53
1 784
-149
96
1 125
329
1 636
-468
797
1 129
368
1 194
- 721
1 089
1 133
-479
-23
-1 602
1 123
1 133
356
217
-1 371
1 727
1 255
-228
660
-833
605
1 653
626
982
-673
1 299
1 651
-186
856
-839
653
1 648
305
1 265
-584
889
1 645
638
1 571
-173
811
1 653
771
1 699
-111
882
1 661
-369
1 305
-497
128
1 674
157
1 481
-256
413
1 699
261
1 193
-688
949
1 720
706
1 534
-418
1 124
1 745
-196
1 571
-422
226
1 766
195
1 536
-354
549
1 781
1 336
1 579
-297
1 633
1 792
-298
1 326
-737
439
1 815
602
923
-882
1 484
1 836
-898
101
-2 115
1 217
1 857
1 277
2 179
- 329
1 606
1 886

GDP
HK 93
Rp M
(6)
36 774.8
37 630.3
38 485.8
39 341.3
39 943.6
40 697.8
41 452.1
42 206.3
41 651.7
41 882.3
42 113.0
42 343.7
43 097.8
43 537.9
43 978.0
44 418.1
45 408.1
46 068.2
46 728.3
47 388.3
47 131.2
47 424.4
47 717.6
48 010.8
48 758.0
49 232.8
49 707.6
50 182.4
53 626.3
55 288.7
56 951.2
58 613.6
56 280.6
60 829.2
60 889.3
59 456.5
62 944.6
63 020.4
65 307.3
63 889.6
66 784.3
67 907.0
70 717.5
67 977.7

236

Lampiran 4. (lanjutan)
No

Tahun

Triwulan

45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88

1991

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

BOP
BOT
CA
KA
EXR
per triwln per triwln per triwln per triwln
Juta USD Juta USD Juta USD Juta USD Rp/USD
(1)
(2)
(3)
(4)
(5)
1 235
1 089
-1 238
2 473
1 921
-390
825
-1 340
950
1 947
-539
1 374
-934
395
1 964
1 131
1 513
-880
2 011
1 985
-3
1 199
-1 198
1 195
2 010
965
1 345
-1 046
2 011
2 027
348
1 849
-851
1 199
2 042
1 039
2 629
-27
1 066
2 057
286
2 163
-637
923
2 068
1 196
2 250
-295
1 491
2 080
986
2 241
-382
1 368
2 102
1 196
1 577
-984
2 180
2 107
-607
1 309
-1 279
672
2 134
-462
2 075
-583
121
2 155
1 521
2 462
-159
1 680
2 175
596
2 055
- 939
1 535
2 193
-393
1 447
-1 807
1 414
2 213
455
1 418
-1 980
2 435
2 236
896
1 414
-1 769
2 665
2 266
2 871
2 254
-1 204
4 075
2 296
255
1 166
-2 034
2 289
2 324
-685
947
-2 280
1 595
2 346
146
1 187
-2 588
2 734
2 352
2 213
1 985
-1 671
3 884
2 368
1 666
1 437
-2 302
3 968
2 407
1 843
3 482
-1 102
2 945
2 441
1 001
2 085
-1 496
2 497
2 970
-4 880
3 086
-226
-4 654
3 989
-4 912
4 311
721
-5 633
9 150
1 865
4 971
670
1 195
11 132
1 284
5 100
1 683
- 399
11 592
2 276
3 537
744
1 532
7 625
2 101
4 039
1 512
589
8 788
22
4 456
849
-827
7 697
-196
6 343
1 886
-2 082
7 609
-715
5 803
1 534
-2 249
7 142
1 232
6 264
1 898
-666
7 507
-645
5 745
1 354
-1 999
8 433
92
6 168
2 242
-2 150
8 691
540
6 865
2 498
-1 958
9 507
-1 185
6 178
2 060
-3 245
9 895
-1 370
5 494
1 339
-2 709
11 391
-336
5 644
2 361
-2 697
9 355
798
5 379
1 140
-342
10 422

GDP
HK 93
Rp M
(6)
72 013.6
71 878.7
75 402.9
72 129.2
76 714.6
76 032.3
80 076.5
78 085.3
80 516.5
82 063.6
85 312.4
83 912.1
85 604.9
87 888.1
91 143.0
90 004.7
92 363.6
94 340.4
98 293.7
98 595.2
98 431.4
100 922.2
106 562.0
108 726.4
105 411.2
105 867.1
112 212.7
109 905.0
100 535.7
91 741.9
94 258.1
89 839.1
94 579.0
93 593.5
96 410.2
94 975.1
98 244.5
98 191.9
100 862.9
101 717.5
102 226.7
102 456.2
104 684.7
102 386.0

237

Lampiran 4. (lanjutan)
No

Tahun

Trwln

89
90
91
92
93
94
95
96
97
98
99
100

2002

1
2
3
4
1
2
3
4
1
2
3
4

2003

2004

BOP
BOT
CA
KA
EXR
per triwln per triwln per triwln per triwln
Juta USD Juta USD Juta USD Juta USD Rp/USD
(1)
(2)
(3)
(4)
(5)
372
5 220
1 657
-1 285
10 055
1 911
6 341
1 908
3
8 944
2 788
6 130
2 406
382
8 997
1 648
5 823
1 850
-202
9 050
198
5 504
1 144
-946
8 896
2 023
6 241
2 225
-202
8 413
1 629
6 558
2 258
-629
8 476
795
5 404
1 624
-829
8 499
-593
3 418
-2 224
1 631
8 492
1 554
5 826
2 245
-691
9 095
3 748
6 368
2 771
977
9 222
1 396
5 939
317
1 079
9 133

GDP
HK 93
Rp M
(6)
105 556.0
107 333.0
111 002.7
107 161.2
111 034.8
112 832.9
115 828.2
112 374.0
115 892.7
117 777.7
121 735.1
119 852.2

238

Lampiran 4. (lanjutan)

No

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

Tahun

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

Triwulan

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2

US CPI
93Q2
=100
(7)
54.7
56.7
57.8
59.3
60.9
62.3
64.1
65.0
65.5
66.5
67.8
67.9
67.9
68.7
69.5
70.2
70.9
71.7
72.5
73.0
73.5
74.4
74.9
75.6
75.8
75.6
76.1
76.6
77.4
78.4
79.3
80.0
80.5
81.5
82.6
83.4
84.4
85.8
86.5
87.3
88.8
89.7

IHK
INF
93Q2
=100
(8)
(9)
32.13 #REF!
33.65 4.75
35.10 4.29
36.48 3.93
37.55 2.94
38.26 1.88
38.96 1.82
39.41 1.17
41.53 5.39
41.73 0.47
42.31 1.38
43.22 2.17
45.41 5.07
46.87 3.20
47.99 2.39
48.43 0.92
50.93 5.16
52.23 2.55
52.56 0.64
52.71 0.29
53.19 0.91
54.80 3.03
55.11 0.56
55.22 0.19
56.29 1.94
56.83 0.97
57.65 1.43
60.23 4.49
61.22 1.64
62.28 1.73
63.40 1.81
65.53 3.35
66.54 1.54
67.66 1.69
68.97 1.94
69.56 0.86
70.76 1.72
72.54 2.51
73.01 0.65
73.92 1.25
75.09 1.58
76.48 1.84

INV
IRT
akuml. average
Rp M
%
(10)
(11)
348.21
22.15
1542.91
22.15
576.24
22.15
827.92
22.15
201.05
22.08
421.65
22.08
709.77
22.08
237.75
22.08
717.47
21.61
949.36
21.61
606.05
21.61
1506.81
21.61
648.75
18.86
1297.74
18.86
468.09
18.86
1664.99
18.86
1998.47
18.74
660.80
18.74
496.91
18.74
1023.42
18.74
571.26
19.68
1070.16
19.68
831.77
19.68
1098.97
19.68
1583.06
18.15
1505.18
18.15
1682.91
18.15
1451.11
18.15
2035.20
19.06
3022.53
19.06
3685.99
19.06
4671.77
19.06
6728.42
19.98
4176.66
19.98
6568.60
19.98
5521.24
19.98
4395.58
19.67
8420.39
19.43
7413.68
19.53
10648.68
19.40
16212.00
18.97
23908.40
18.33

MSI

UNM

Rp M ribu org
(12)
(13)
3669
835.2
4073
835.2
4568
835.2
4855
835.2
5090 1278.4
5427 1278.4
5848 1278.4
6302 1278.4
6607 1698.6
7050 1698.6
7459 1698.6
7389 1698.6
7096 2152.4
7264 2152.4
7711 2152.4
7554 2152.4
7701 1750.6
8079 1750.6
7977 1750.6
8283 1750.6
8505 1338.3
9110 1338.3
9264 1338.3
9681 1338.3
10142 1819.2
10363 1819.2
10513 1819.2
11521 1819.2
11344 1819.5
11842 1819.5
11733 1819.5
12304 1819.5
12493 2041.3
12858 2041.3
13042 2041.3
13670 2041.3
14263 2039.9
15299 2039.9
16134 2039.9
18463 2039.9
20111 1914.7
22285 1914.7

239

Lampiran 4. (lanjutan)

No

43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85

Tahun

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

Trwln

3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1

US CPI
93Q2
=100
(7)
91.2
92.7
93.5
94.0
94.8
95.5
96.2
96.9
97.7
98.4
99.2
100.0
100.4
101.1
101.7
102.4
103.3
103.8
104.6
105.5
106.0
106.5
107.5
108.6
109.1
109.9
110.7
111.1
111.5
112.0
112.3
112.9
113.3
113.7
114.1
115.3
116.0
116.7
117.8
119.1
120.0
120.7
121.8

IHK
93Q2
=100
(8)
79.43
80.88
81.78
83.66
86.66
88.62
89.78
91.34
92.13
93.04
98.05
100.00
101.18
102.54
105.81
107.59
110.18
112.42
115.51
118.87
120.44
122.31
126.96
128.17
129.23
130.57
133.53
134.69
136.97
141.86
170.24
201.25
241.52
253.07
264.99
263.12
257.22
257.25
263.58
266.24
272.18
279.93
288.22

INF

(9)
3.87
1.82
1.12
2.29
3.59
2.26
1.32
1.73
0.86
0.99
5.39
1.98
1.19
1.35
3.18
1.68
2.41
2.03
2.74
2.91
1.32
1.55
3.80
0.95
0.82
1.04
2.26
0.87
1.69
3.57
20.00
18.22
20.01
4.78
4.71
-0.71
-2.24
0.01
2.46
1.01
2.23
2.85
2.96

INV
IRT
akuml. average
Rp M
%
(10)
(11)
22730.95
18.50
17843.17
19.83
22316.71
21.93
15602.15
24.53
12021.87
19.53
8233.34
19.43
13457.51
19.37
10841.11
19.23
7282.74
19.53
18771.60
18.83
11946.26
18.33
9661.70
17.87
12877.07
17.10
22035.43
15.98
22935.49
15.34
22224.67
14.89
37707.46
14.75
18078.72
14.88
43381.63
15.20
32514.70
15.65
49638.71
16.00
35583.71
16.06
60109.71
16.30
52708.35
16.46
35350.68
16.49
22018.76
16.43
57550.45
16.38
47972.29
16.28
54723.68
18.68
58602.04
19.62
68443.55
19.43
42665.09
22.39
73136.56
24.16
12818.33
25.91
16130.99
25.98
34279.10
23.39
89877.56
20.60
16802.01
18.80
13656.47
17.01
16224.10
16.35
98419.97
16.09
94814.21
16.86
39548.07
16.84

MSI

UNM

Rp M ribu org
(12)
(13)
22682 1914.7
23120 1914.7
24282 1994.7
23839 1994.7
24720 1994.7
25778 1994.7
26600 2142.3
26365 2142.3
27348 2142.3
28389 2142.3
29461 2204.6
30476 2204.6
33603 2204.6
36265 2204.6
38309 3654.4
39000 3654.4
41230 3654.4
44341 3654.4
45607 5908.0
45573 5908.0
48249 5908.0
51149 5908.0
53130 4286.6
54595 4286.6
58333 4286.6
61289 4286.6
64809 4197.3
66591 4197.3
66920 4197.3
71850 4197.3
94526 5062.5
102930 5062.5
104323 5062.5
100590 5062.5
103705 6030.3
103324 6030.3
111254 6030.3
119413 6030.3
123080 5813.2
130475 5813.2
135900 5813.2
147425 5813.2
147866 8005.0

240

Lampiran 4. (lanjutan)

No

86
87
88
89
90
91
92
93
94
95
96
97
98
99
100

Tahun

2002

2003

2004

Trwln

2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

US CPI
93Q2
=100
(7)
123.1
123.3
122.9
123.4
124.7
125.2
125.6
126.9
127.4
128.0
128.0
129.2
131.0
131.5
132.3

IHK
INF
93Q2
=100
(8)
(9)
295.93 2.67
306.91 3.71
315.32 2.74
330.13 4.70
333.08 0.90
338.75 1.70
347.72 2.65
355.64 2.28
356.47 0.23
359.50 0.85
366.95 2.07
372.87 1.62
379.30 1.72
383.75 1.17
389.94 1.61

INV
IRT
akuml. average
Rp M
%
(10)
(11)
42343.53
16.90
26998.95
17.07
38767.49
17.64
16687.35
18.01
24895.72
18.10
31843.16
18.10
40868.11
17.94
26414.85
17.84
22756.58
17.61
21970.66
16.75
90473.48
15.96
19310.98
15.28
27813.36
14.80
54884.48
14.45
29467.51
14.16

MSI
Rp M
(12)
156743
164414
173026
167195
170425
177094
190048
180960
189849
202012
220244
218154
224288
239310
250547

UNM
ribu org
(13)
8005.0
8005.0
8005.0
9132.1
9132.1
9132.1
9132.1
9531.0
9531.0
9531.0
9531.0
10251.4
10251.4
10251.4
10251.4

241

Lampiran 4. (lanjutan)
FPSP FRSP AGSP AICP FPCP ACPP AGIP AGOP
No Tahun Triwulan

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

1980

1981

1982

1983

1984

1985

1986

1987

1988

1989

1990

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

C=A+B

Rp M

Rp M

Rp M

Rp M Rp M

Rp M

Rp M

Rp M

Rp M

(16)
78
117
97
182
169
129
102
175
189
105
74
124
191
81
96
1
147
109
129
2
492
175
207
0
94
133
158
1
175
114
492
1
149
190
0
2
8
155
0
0
123
0
155
0

(17)
223
273
285
278
276
373
391
338
350
451
522
508
505
514
606
531
488
449
495
505
453
511
439
419
399
416
475
406
380
395
472
485
446
519
609
569
1 385
1 533
1 638
1 753
1 876
1 997
2 137
2 377

(19)
323
359
379
366
353
457
473
402
412
523
605
656
673
643
721
654
614
1 859
2 150
2 232
2 017
2 103
2 410
2 368
2 029
1 823
2 176
2 187
1 962
1 875
2 291
2 309
1 841
1 732
2 026
2 093
2 466
3 090
3 664
3 731
3 716
3 896
4 115
4 224

(20)
258
344
334
361
356
465
456
447
455
555
596
631
696
595
701
531
636
558
624
507
946
687
646
420
493
549
633
406
555
509
964
486
596
709
609
571
1 393
1 688
1 638
1 753
1 999
1 997
2 292
2 377

(21)
142
132
142
187
167
120
119
130
147
73
83
148
169
129
115
124
126
1 409
1 655
1 727
1 563
1 592
1 971
1 949
1 630
1 407
1 700
1 781
1 582
1 480
1 819
1 823
1 395
1 213
1 417
1 523
1 081
1 557
2 026
1 978
1 840
1 899
1 978
1 847

(22)
400.5
475.7
476.3
548.6
522.5
585.3
575.0
576.9
601.3
628.0
678.4
779.4
864.7
723.4
816.2
654.9
761.4
1 967.4
2 278.3
2 234.2
2 509.1
2 278.5
2 617.7
2 368.7
2 123.0
1 956.4
2 333.4
2 187.7
2 137.7
1 989.1
2 782.6
2 309.3
1 990.4
1 922.0
2 025.7
2 094.6
2 473.8
3 245.3
3 664.0
3 731.0
3 839.3
3 896.0
4 269.7
4 224.3

(14)
(15)
43
35
46
71
48
50
99
83
89
80
36
92
37
65
66
109
84
105
0
104
0
74
0
123
0
191
0
81
0
96
0
1
0
147
0
109
0
129
0
2
0
492
0
175
0
207
0
0
0
94
0
133
0
158
0
1
0
175
0
114
0
492
0
1
0
149
0
190
0
0
0
2
0
8
0
155
0
0
0
0
0
123
0
0
0
155
0
0

(18)
100
85
94
88
78
84
82
65
63
73
82
148
168
129
115
124
126
1 409
1 655
1 727
1 563
1 592
1 971
1 949
1 630
1 407
1 700
1 781
1 582
1 480
1 819
1 823
1 395
1 213
1 417
1 523
1 081
1 557
2 026
1 978
1 840
1 899
1 978
1 847

F=D+E G=B+D H=A+E

IOPP

I=G+H

242

Lampiran 4. (lanjutan)
FPSP FRSP AGSP AICP FPCP ACPP AGIP AGOP
No Tahun

45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

Trwln

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

C=A+B

Rp M

Rp M

Rp M

(14)

(15)
110
33
142
0
0
175
0
0
0
0
0
0
175
0
0
0
50
0
0
0
143
0
0
0
342
0
0
0
162
0
127
1 041
0
0
0
0
0
0
0
0
0
0
0
0

(16) (17)
110 2 592
33 2 802
142 1 021
0 3 156
0 3 387
175 3 674
0 3 826
0 3 981
0 3 969
0 3 635
0 3 580
0 3 811
175 4 375
0 4 614
0 3 326
0 537
50 581
0 657
0 601
0 678
143 889
0 982
0 1 026
0 1 127
342 1 257
1 445 1 456
1 251 1 553
3 618 1 651
4 447 1 766
313 1 884
637 1 917
1 544 3 038
209 5 444
6 261 5 788
5 726 5 471
6 177 5 646
551 5 521
554 4 833
554 4 551
555 3 514
594 3 156
617 3 098
637 3 158
588 3 282

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1 445
1 251
3 618
4 285
313
511
502
209
6 261
5 726
6 177
551
554
554
555
594
617
637
588

Rp M Rp M

(18)
1 568
1 407
669
1 935
1 493
1 781
2 122
2 194
1 894
1 564
1 682
1 554
1 541
1 313
1 981
2 274
1 860
1 679
2 189
2 508
3 031
4 211
6 229
5 080
3 851
5 396
6 049
6 051
12253
10203
7 947
6 161
6 779
7 721
6 931
4 592
2 740
0
0
0
4
10
10
17

F=D+E G=B+D H=A+E

IOPP
I=G+H

Rp M

Rp M

Rp M

Rp M

(19)
4 160
4 209
1 691
5 091
4 879
5 455
5 948
6 176
5 863
5 199
5 262
5 364
5 916
5 926
5 306
2 811
2 441
2 336
2 790
3 186
3 920
5 193
7 255
6 207
5 109
6 852
7 603
7 701
14019
12087
9 865
9 199
12224
13509
12402
10238
8 261
4 833
4 551
3 514
3 160
3 108
3 168
3 300

(20)
2 702
2 835
1 163
3 156
3 387
3 849
3 826
3 981
3 969
3 635
3 580
3 811
4 550
4 614
3 326
537
631
657
601
678
1 032
982
1 026
1 127
1 599
1 456
1 553
1 651
1 928
1 884
2 044
4 079
5 444
5 788
5 471
5 646
5 521
4 833
4 551
3 514
3 156
3 098
3 158
3 282

(21)
1 568
1 407
669
1 935
1 493
1 781
2 122
2 194
1 894
1 564
1 682
1 554
1 541
1 313
1 981
2 274
1 860
1 679
2 189
2 508
3 031
4 211
6 229
5 080
3 851
6 841
7 301
9 669
16 538
10 516
8 458
6 663
6 988
13 982
12 658
10 769
3 290
554
554
555
597
627
647
605

(22)
4 270.0
4 241.6
1 832.8
5 091.3
4 879.3
5 630.3
5 948.0
6 175.7
5 862.7
5 198.7
5 262.0
5 364.3
6 090.7
5 926.3
5 306.3
2 811.3
2 491.3
2 336.3
2 790.3
3 186.0
4 063.3
5 192.7
7 255.0
6 207.0
5 450.2
8 296.8
8 853.9
11 319.2
18 465.9
12 400.8
10 501.7
10 742.5
12 432.6
19 770.4
18 128.2
16 415.4
8 811.5
5 387.1
5 104.3
4 069.3
3 753.7
3 725.0
3 804.6
3 887.8

243

Lampiran 4. (lanjutan)
FPSP FRSP AGSP AICP FPCP ACPP AGIP AGOP
No Tahun

89 2002
90
91
92
93 2003
94
95
96
97 2004
98
99
100

Trwln

1
2
3
4
1
2
3
4
1
2
3
4

C=A+B

Rp M

Rp M

Rp M

Rp M Rp M

(16)
1 035
1 094
1 145
1 234
1 118
1 362
1 390
1 620
1 508
1 528
1 507
1 547

(17) (18)
(19)
(20)
3 186
5 3 191 3 186
3 146
6 3 152 3 146
3 361
3 3 364 3 361
3 324
1 3 325 3 324
198
5
203
412
122
7
129
320
58
0
58
201
315
4
319
553
185
4
189
512
118
0
118
433
307
1
308
546
173
2
175
550

(14)
(15)
1 035
0
1 094
0
1 145
0
1 234
0
904
214
1 164
199
1 247
143
1 382
238
1 181
327
1 214
315
1 268
239
1 169
378

F=D+E G=B+D H=A+E


Rp M

Rp M

IOPP
I=G+H

Rp M

Rp M

(21)
1 040
1 100
1 148
1 235
909
1 171
1 247
1 386
1 185
1 214
1 269
1 171

(22)
4 226.0
4 246.0
4 508.9
4 558.8
1 321.3
1 491.2
1 448.0
1 939.1
1 697.3
1 646.4
1 814.8
1 721.3

244

Lampiran 5. Program Komputer yang Digunakan untuk Pengujian Unit-Root


menggunakan ADF-test dengan Microfit.
Tahapan:
File open,

kemudian pilih file data yang akan digunakan dan lakukan double click
akan keluar tampilan layar process. Pada layar ini ketik program yang
dibutuhkan, misal untuk variabel IOPP: menentukan nilai riil, membuat
variabel dalam nilai logaritma, membuat turunan pertama (first
difference) dan uji unit root dengan ADF dimana angka dalam tanda
kurung merupakan perkiraan lag optimal, jelasnya sbb:

RIOPP=(IOPP/IHK)*100;
LRIOPP=LOG(RIOPP);
DLRIOPP=LRIOPP-LRIOPP(-1);
ADF LRIOPP(5);
Click Go,

akan keluar hasil Uji Unit-Root, sedangkan data IOPP dalam bentuk
RIOPP, LRIOPP dan DLRIOPP sudah tercipta dalam Data Editor.

Catatan: Hal yang sama dapat dilakukan untuk variabel lainnya.

245
Lampiran 6.

Variabel
LEAV1
LEAV2
LEAV3
LEAV4
LEAV5
LEAV61
LPAV1
LPAV2
LPAV3
LPAV4
LPAV5
LPAV6
LEAC1
LEAC2
LEAC3
LEAC4
LEAC5
LEAC6
LPAC1

Ringkasan Hasil Pengujian Unit Root Variabel-variabel Kebijakan


Harga Pangan dan Ketahanan Pangan dengan Intersep tanpa Trend
dan Intersep dengan Trend Berdasarkan Pengujian DF (Dickey-Fuller)
dan ADF (Augmented Dickey-Fuller) Menurut Schwarz Bayesian
Criterion

Lag
DF
DF
DF
ADF(1)
DF
ADF(1)
ADF(3)
ADF(5)
DF
DF
DF
DF
DF
DF
DF
DF
DF

DF
DF
DF
DF
ADF(2)
LPAC2
DF
ADF(2)
LPAC3
DF
ADF(2)
LPAC4
DF
ADF(2)
Nilai Kritis Mc
Kinnon (=5%)

Level
Intersep
tanpa
Trend
-1.7008
-1.6146
-1.9058
-1.5971
-1.9459
-.84186
-1.4113
-1.4412
-1.3870
-1.4163
-1.3937
-1.4228
-3.0276
-3.1323
-2.6742
-2.8390
-2.0829
-2.2654

-3.1777
-3.5964
-3.4091
-4.1785

Turunan Pertama
Intersep Intersep
lag
tanpa
dan
Trend
Trend
DF
-6.2325
-6.5705
DF
-5.7410
-5.9807
DF
-6.3150
ADF(1)
-5.2079
DF
-5.8235
-6.0765
DF
-7.6026
ADF(2)
-5.1854
ADF(4) .84987
-.11485
DF
-6.0375
-6.1072
DF
-5.9732
-6.0588
DF
-6.2217
-6.3175
DF
-6.1520
-6.2643
DF
-6.2114
-6.3115
DF
-6.1411
-6.2576
ADF(1) -5.4181
-5.3428
ADF(1) -5.5230
-5.4860
DF
-6.2891
ADF(1)
-5.2348
ADF(1) -5.4556
-5.4145
DF
-7.1656
-6.9942
DF
-7.2276
-7.0656
ADF(1) -6.2809
-6.1855

-4.1218

ADF(1)

-6.2403

-6.1266

-4.3718

ADF(1)

-6.5745

-6.4635

-4.2725

ADF(1)

-6.5204

-6.3911

Intersep
dan
Trend
-2.1117
-2.0863
-2.1114
-2.0893
.75170
.86948
-2.8889
-2.8634
-2.8785
-2.8563
-2.8756
-2.8534
-3.5333
-3.2635
-3.4133

-.092196
-.17825
.062866
-.009108
- 2.9907

- 3.6119

- 2.9970 - 3.6219

Keterangan:
Nilai Statistik hitung yang digunakan berdasarkan nilai SBC terbesar
Bilangan dalam ( ) menunjukkan Lag data menurut waktu (tahun)
Periode sampel dalam level 1981 2004, jumlah observasi sebanyak 24
Periode sampel variabel turunan pertama 1982-2004, jumlah observasi sebanyak 23.

stasioner pada turunan kedua: I (2)

246
Lampiran 6. (lanjutan).
Variabel
LPAC5
LPAC6
LIHK
LPDB
LPDBK
LEACK1
LEACK2
LEACK3
LEACK4
LPACK12
LPACK22
LPACK3
LPACK42
LRFPSP
LRFRSP
LRAGSP
LRAICP
LRFPCP

LRACPP
LRAGIP
LRAGOP
LRIOPP

Lag
DF
ADF(2)
DF
ADF(2)
DF
DF
DF
DF
DF
DF
DF
DF
DF
DF
DF
DF
DF

Level
Intersep
tanpa
Trend

-4.2765

ADF(1)

-6.5752

-6.4418

-1.9216
-1.0861
-1.2912
-3.7450
-3.4530
-3.6073
-3.3556
-3.8128
-3.8008
-4.0096
-3.9722
-1.9429
-3.0283

DF
DF
DF
ADF(1)
ADF(1)
ADF(1)
ADF(1)
ADF(1)
ADF(1)
ADF(1)
ADF(1)
DF
ADF(4)
ADF(5)
DF
DF
DF
ADF(1)
DF

-5.2572
-3.7261
-3.7952
-5.4621
-5.5701
-5.3532
-5.5022
-6.1463
-6.1120
-6.4434
-6.3975
-4.2107
-5.2857

-5.2289
-3.7297
-3.7317
-5.3156
-5.4301
-5.2103
-5.3631
-6.1880
-6.1177
-6.5024
-7.2198
-4.5511

DF
DF
DF
ADF(3)
DF

-5.5420
-4.7538
-5.2271

.054959
-.015847
.27182
-1.3181
-1.0391
-1.7338
-1.4878
-1.8971
-1.6156
-3.5679
-3.7040
-2.9304
-3.1340
-1.2769
-2.5809

DF
-3.9708
DF
-.80316
ADF(1) -.90553
DF
ADF(1)
DF
DF
DF

Intersep
dan
Trend
-4.3781

Turunan Pertama
Intersep Intersep
Lag
tanpa
dan
Trend
Trend
ADF(1)
-6.6287
-6.5128

-3.8757
-1.0450
-1.2697

.23609
-1.5255
-2.4029
-2.1884

LRSOL1
ADF(1) -2.8647
Nilai Kritis Mc
- 2.9907
Kinnon (=5%)

1.6870
-2.2579
-2.2997
-2.1093
-2.9900
- 3.6119

-7.9882
-4.7058
-2.5825
-4.5383

-5.2945
-7.8317
-5.1207
-3.7334
-6.1046
-5.6918
-4.7228

-2.2639

-4.8471
-2.2002

- 2.9970

- 3.6219

Keterangan:
Nilai Statistik hitung yang digunakan berdasarkan nilai SBC terbesar
Bilangan dalam ( ) menunjukkan Lag data menurut waktu (tahun)
Periode sampel dalam level 1981 2004, jumlah observasi sebanyak 24
Periode sampel variabel turunan pertama 1982-2004, jumlah observasi sebanyak 23.

1
2

stasioner pada turunan kedua: I (2)


stasioner pada level: I(0)

247
Lampiran 7. Ringkasan Hasil Pengujian Unit Root Variabel-variabel Kebijakan Harga
Pangan dan Ekonomi Makro dengan Intersep tanpa Trend dan Intersep
dengan Trend Berdasarkan Pengujian DF (Dickey-Fuller) dan ADF
(Augmented Dickey-Fuller) Menurut Schwarz Bayesian Criterion

Variabel

Lag

ADF(1)
ADF(3)
LRIOPP ADF(2)
LRMSI
ADF(1)
LRGDP ADF(4)
RIRT
DF
LREXR ADF(1)
ADF(3)
LUNM
DF
LRINV
ADF(2)
RBOT
DF
Nilai Kritis Mc
Kinnon (=5%)

Level
Intersep
tanpa
Trend

LIHK

.33078
-2.1731
-.59862
-.97751
-4.9841
-1.7957
-.45954
-2.1731
-6.3180
-2.8922

Intersep
dan
Trend
-2.3913

Turunan Pertama
Intersep Intersep
lag
tanpa
dan
Trend
Trend
ADF(2) -5.4173
-5.4395

-1.8496
-2.7948
-1.6795
-5.5452
-3.1895

DF
DF
ADF(3)
ADF(2)
ADF(2)

-9.6433
-7.2688
-3.7083
-8.7713
-7.0060

-9.8674
-7.2270
-3.7339
-8.7215
-7.0418

-2.3772
-1.8496
-6.2661

DF
ADF(2)
DF

-9.9496
-8.7354
-13.3800

-9.9079
-8.8724
-13.3377

-2.8925

-3.4581

-3.4576

Keterangan:
Nilai Statistik hitung yang digunakan berdasarkan nilai SBC terbesar
Bilangan dalam ( ) menunjukkan Lag data menurut waktu (triwulan)
Periode sampel dalam level 1981Q3 2004Q4, jumlah observasi sebanyak 94
Periode sampel variabel turunan pertama 1981Q4-2004Q4, jumlah observasi sebanyak 93.

248

Lampiran 8. Program Komputer yang Digunakan untuk Pengujian Ordo Lag Optimal
pada Sistem Persamaan dengan Microfit.
Tahapan:
File open,

kemudian pilih file data yang akan digunakan dan lakukan double click
akan keluar tampilan layar process.

Click tombol Multivariate dan pilih opsi Unrestricted VAR

Ciptakan intersep dengan cara Click tombol intersep dan ketik A0


Ketik model yang digunakan dengan menambah intersep di bagian akhir (& A0)
sbb: LIHK LRIOPP LRMSI LRGDP RIRT RBOT LRXR LUNM LRINV & A0

Isi kolom Ordo VAR mulai terendah, yaitu 2 dan clik start.
Pilih opsi 4: Hypotheses testing and lag order selection in the VAR, clik OK.
Pilih opsi 1 : Testing and selection criteria for order (lag length) of the VAR, clik
OK, akan keluar output. Jika belum diperoleh nilai p-value yang lebih besar dari 0.05,
ulangi dengan cara kembali ke tahap awal dan naikkan ordo VAR secara bertahap
satu demi satu, yaitu 3, 4, dst. Hingga diperoleh nilai p-value > 0.05. Copy hasil
dalam bentuk word.

249

Lampiran 9. Hasil Pengujian Ordo Lag Optimum Unrestricted VAR


Test Statistics and Choice Criteria for Selecting the Order of the VAR Model
************************************************************************
Based on 95 observations from 1981Q2 to 2004Q4. Order of VAR = 4
List of variables included in the unrestricted VAR:
LIHK LRIOPP LREXR LUNM LRMSI LRGDP RIRT LRINV RBOT
List of deterministic and/or exogenous variables: A0
************************************************************************
Order
LL
AIC
SBC
LR test
Adjusted LR test
4
171.3975 -161.6025 -586.8231
----------3
78.0594
-173.9406 -495.7290 CHSQ( 81)=186.6760[.000] 113.9706[.009]
2
-58.7333
-229.7333 -448.0898 CHSQ(162)=460.2616[.000] 281.0018[.000]
1
-164.7217 -254.7217 -369.6462 CHSQ(243)=672.2384[.000] 410.4192[.000]
0
-1024.8
-1033.8
-1045.3
CHSQ(324)= 2392.5[.000] 1460.7[.000]
************************************************************************
Test Statistics and Choice Criteria for Selecting the Order of the VAR Model
************************************************************************
Based on 94 observations from 1981Q3 to 2004Q4. Order of VAR = 5
List of variables included in the unrestricted VAR:
LIHK LRIOPP LREXR LUNM LRMSI LRGDP RIRT LRINV RBOT
List of deterministic and/or exogenous variables: A0
************************************************************************
Order LL
AIC
SBC
LR test
Adjusted LR test
5
283.5892 -130.4108 -656.8729
----------4
170.5280 -162.4720 -585.9306 CHSQ( 81)= 226.1224[.000] 115.4668[.007]
3
75.6410
-176.3590 -496.8142 CHSQ(162)= 415.8964[.000] 212.3726[.005]
2
-60.8086
-231.8086 -449.2603 CHSQ(243)= 688.7955[.000] 351.7254[.000]
1
-166.3487 -256.3487 -370.7969 CHSQ(324)= 899.8756[.000] 459.5110[.000]
0
-1011.7
-1020.7
-1032.2
CHSQ(405)= 2590.6[.000]
1322.9[.000]
************************************************************************
Test Statistics and Choice Criteria for Selecting the Order of the VAR Model
************************************************************************
Based on 93 observations from 1981Q4 to 2004Q4. Order of VAR = 6
List of variables included in the unrestricted VAR:
LIHK LRIOPP LREXR LUNM LRMSI LRGDP RIRT LRINV RBOT
List of deterministic and/or exogenous variables: A0
************************************************************************
Order LL
AIC
SBC
LR test
Adjusted LR test
6
410.0797 -84.9203 -711.7387
----------5
283.1074 -130.8926 -655.1407 CHSQ( 81)= 253.9445[.000] 103.7623[.045]
4
173.2739 -159.7261 -581.4039 CHSQ(162)= 473.6114[.000] 193.5187[.046]
3
74.9203 -177.0797 -496.1873 CHSQ(243)= 670.3188[.000] 273.8937[.084]
2 -59.8596 -230.8596 -447.3969 CHSQ(324)=939.8786[.000] 384.0364[.012]
1 -165.3190 -255.3190 -369.2860 CHSQ(405)=1150.8[.000]
470.2183[.014]
0 -997.2679 -1006.3
-1017.7
CHSQ(486)= 2814.7[.000]
1150.1[.000]
************************************************************************
AIC=Akaike Information Criterion SBC=Schwarz Bayesian Criterion

250

Lampiran 10. Program yang Digunakan untuk Pengujian Kointegrasi dan Pendugaan
Model ECM (Kasus Univariat) dengan Microfit.
Tahapan I:
pilih file data yang akan digunakan dengan double click akan keluar
File open,
tampilan layar process. Ciptakan intersep dengan mengklik tombol Constant
di bagian bawah kemudian beri simbol A0. Kemudian clik tombol Univariate
pilih Linear Regression menu dan click Ordinary Least Squares. Akan
tampil layar kemudian ketik persamaan yang digunakan. Pengetikan dimulai
dengan variabel dependen diikuti dengan intersep dan variabel independen.
Antar variabel diberi spasi, contohnya sbb:
LEAV1 A0 LRIOPP LPDB;
Click Start, akan keluar penegasan periode pengamatan, Click OK hasilnya akan
keluar hasil estimasi dengan OLS.

Tahapan II, menguji derajat integrasi residual dari OLS tersebut:


Close hasil estimasi akan keluar tampilan post regression menu dengan 9 pilihan.
Click pilihan ke-3 dan Click OK. Kemudian Click pilihan ke-6 dan click OK .
Kemudian keluar tampilan untuk menuliskan nama residual, ketik RES pada
kolom yang disediakan dan Click OK. Kemudian secara berturut-turut pilih
pilihan ke-0 dan click OK, pilih pilihan ke-0 click OK, pilih pilhan ke-1 click
OK hingga muncul persamaan regresi awal. Kemudian,
Click tombol Process keluar layar dan ketik ADF RES(5), click Go, akan keluar hasil
uji integrasi RES. Jika hasilnya I(0) lanjutkan analisis berikutnya untuk
mengestimasi ARDL dan ECM sbb:
Close hasil Uji Kointegrasi dan click tombol Univariate, kemudian click ARDL
approach to cointegration akan keluar tampilan maximum lag to be used
yang harus diisi 1 untuk data tahunan, 2 untuk data smesteran dan 4 untuk
data kuartalan. Setelah itu ketik model yang aklan diestimasi pada kolom
model OLS sebelumnya, sbb:
LEAV1 LRIOP LPDB & A0, (berbeda dengan cara sebelumnya, dimana intersep
diletakkan diakhir dan dimulai dengan tanda &) kemudian click start. Keluar
tampilan dengan pilihan no.4 click OK, Kemudian click pilihan ke-1 untuk
hasil ARDL, close hasil akan keluar tampilan berbagai pilihan, click cancel
kemudian click pilihan ke-2 untuk estimasi jangka panjang, kemudian close
lagi kemudian click cancel dan kemudian click pilihan ke-3 untuk representasi
ECM.

251

Lampiran 11. Program yang Digunakan untuk Pengujian Kointegrasi dan Pendugaan
Model VECM (Kasus Multivariat) dengan Microfit.
Tahapan:
Setelah keluar output uji ordo lag, close output dan kembali ke Windows sistem
estimasi.
Click tombol Multivariate dan pilih opsi Cointegrasi VAR Menu dan pilih opsi
no.4: Un restricted Intersep and Restricted Trends.
Ketik Persamaan dengan tidak termasuk intersep, kemudian isi Orde VAR sesuai
hasil Uji sebelumnya dan Click Start. Akan keluar tiga Tabel output. Perhatikan
Tabel pertama (Cointegration LR Test Based on Maximal Eigenvalue of the
Stochastic Matrix) dan kedua (Cointegration LR Test Based on Trace of the
Stochastic Matrix) saja dan Copy ke MS-words.

252

Lampiran 12. Hasil Pengujian Rank Kointegerasi


Cointegration with unrestricted intercepts and restricted trends in the VAR
Cointegration LR Test Based on Maximal Eigenvalue of the Stochastic Matrix
******************************************************************
96 observations from 1981Q1 to 2004Q4. Order of VAR = 3.
List of variables included in the cointegrating vector:
LIHK
LRIOPP
LREXR
LUNM
LRMSI
LRGDP
RIRT
LRINV
RBOT
Trend
List of eigenvalues in descending order:
.56769 .50887 .40026 .27563 .18433 .14962 .11309 .071604 .060660
******************************************************************
Null Alternative
Statistic 95% Critical Value
90% Critical Value
r=0
r=1
80.5068
61.2700
58.0900
r<= 1
r=2
68.2598
55.1400
52.0800
r<= 2 r = 3
49.0803
49.3200
46.5400
r<= 3
r=4
30.9548
43.6100
40.7600
r<= 4
r=5
19.5595
37.8600
35.0400
r<= 5
r=6
15.5588
31.7900
29.1300
r<= 6
r=7
11.5207
25.4200
23.1000
r<= 7
r=8
7.1325
19.2200
17.1800
r<= 8
r=9
6.0074
12.3900
10.5500
******************************************************************
Use the above table to determine r (the number of cointegrating vectors).

Cointegration with unrestricted intercepts and restricted trends in the VAR


Cointegration LR Test Based on Trace of the Stochastic Matrix
******************************************************************
96 observations from 1981Q1 to 2004Q4. Order of VAR = 3.
List of variables included in the cointegrating vector:
LIHK
LRIOPP
LREXR
LUNM
LRMSI
LRGDP
RIRT
LRINV
RBOT
Trend
List of eigenvalues in descending order:
.56769 .50887 .40026 .27563 .18433 .14962 .11309 .071604 .060660
******************************************************************
Null Alternative Statistic 95% Critical Value 90% Critical Value
r=0
r>= 1
288.5804
222.6200
215.8700
r<= 1 r>= 2
208.0737
182.9900
176.9200
r<= 2 r>= 3
139.8139
147.2700
141.8200
r<= 3 r>= 4
90.7336
115.8500
110.6000
r<= 4 r>= 5
59.7788
87.1700
82.8800
r<= 5 r>= 6
40.2193
63.0000
59.1600
r<= 6 r>= 7
24.6606
42.3400
39.3400
r<= 7 r>= 8
13.1399
25.7700
23.0800
r<= 8 r = 9
6.0074
12.3900
10.5500
******************************************************************
Use the above table to determine r (the number of cointegrating vectors).

253

Lampiran 13. Program yang Digunakan untuk Melakukan Retriksi Umum dengan
Matriks Identitas dan Restriksi Spesifik dengan Microfit.
Setelah diperoleh rank kointegrasi = r, Close Output
Click OK pada opsi spesifikasi r , ketik besar r pada kolom dan click OK
Pilih opsi 6: Long run structural modelling, dan click OK
Pilih opsi 4: Likelihood ratio test of imposing general restrictions on CVs dan click
OK
Akan keluar layar monitor dan lakukan restriksi umum dengan mengetik matrik

identitas dengan ukuran sesuai rank kointegrasi r, sebagai berikut:


A1= 1; A2=0; . Ar=0;
B1=0;
.
.
R1=0;

B2=1;.Br=0;
.
.
.
.
R2=0; Rr=1

Kemudian, Clik OK, keluar matrik exactly Identifiying, Copy dan close hasil.
Lanjutkan Restriksi Spesifik dengan tahapan sbb:
Click cancel akan keluar pertanyaan untuk melakukan test over identifying
restriction, click Yes

Akan keluar lasyar monitor dan lakukan restriksi dengan menentukan koefisien
variabel yang akan dijadikan endogen sesuai teori diberi nilai satu untuk setiap vektor
kointegrasi; Dan memberi nilai nol pada koefisien variabel yang dianggap kurang
relevan, misal sbb:
A2=1; A4=0; A7=0;
B1=0; B4=1
R1=0; R5=1
Click OK, kemudian keluar parameter dan Clik OK, pilih opsi Modified NewtonRaphson Algorithm dan clikk OK, pada Dumping Factor Click OK. Akan keluar
output over identifying atau gagal karena tidak terjadi konvergensi dalam proses
iterasi, maka lakukan perbaikan dalam restriksi khusus.
Restriksi ini dilakukan dengan cara try and error sehingga didapat nilai LL ratio yang
mendekati LL ratio hasil exactly identifying restrictions dengan nilai p-value lebih
besar dari 0.01. Lakukan restriksi semiminal mungkin.
Kemudian click OK, akan keluar matrik. Jika sudah sesuai maka copy hasil dan
selanjutnya dapat melakukan estimasi VECM dan analisis IRF dan FEVD.

254

Lampiran 14. Program yang Digunakan untuk Estimasi VECM, Inovasi IRF dan
FEVD dengan Microfit.
Close hasil restriksi khusus

Pilih Opsi no.7: Display error correction equations dan click OK


Keluar opsi variabel mana yang dijadikan endogen, kemudian click oke akan keluar
hasil estimasi. Lakukan secara berulang dengan melakukan close pada hasil
sebelumnya dan melakukan click cancel untuk selanjutnya pilih variabel yang akan
dijadikan endogen dan seterusnya hingga semua variabel yang ada dalam model
sudah menjadi endogen.
Untuk analisis IRF dan FEVD, lakukan click cancel sehingga keluar opsi no. 1 untuk
analisis IRF dan opsi no. 2 untuk analisis FEVD dan click OK
Pilih opsi no.1 (orthogonalized) dan clik OK
Pilih variabel yang akan diguncang dan clik OK

Tentukan dan ketik panjang time hirizon pada kolom yang tersedia. Akan keluar
Tabel analisis IRF/FEVD, Copy dan Close. Kemudian keluar opsi Grafik click OK
Kemudian pilih variabel apa saja (dilakukan secara bertahap) yang akan dilihat
responnya akibat adanya guncangan (shock) kemudian clik OK akan keluar grafik dan
Copy. Ulangi perintah untuk variabel yang lain dengan melakukan close terhadap
grafik.

255
Lampiran 15. Hasil Uji Kointegrasi dan Estimasi ECM Pengaruh Kebijakan Harga
Pertanian (IOPP) terhadap Ketersediaan Pangan
Ordinary Least Squares Estimation
*********************************************************************
Dependent variable is LEAV1
30 observations used for estimation from 1975 to 2004
*********************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
5.1579
.21751
23.7137[.000]
LRIOPP
.053440
.015293
3.4943[.002]
LPDB
.49001
.018498
26.4896[.000]
*********************************************************************
R-Squared .97101 R-Bar-Squared .96886
S.E. of Regression .044054 F-stat. F( 2, 27) 452.1327[.000]
Mean of Dependent Variable 11.6798 S.D. of Dependent Variable
.24964
Residual Sum of Squares .052400 Equation Log-likelihood
52.6825
Akaike Info. Criterion 49.6825 Schwarz Bayesian Criterion 47.5807; DW-statistic 1.5418

*********************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
*********************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
*********************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.0422
41.3068
39.3068
38.1288
38.9943
ADF(1) -3.8262
42.0433
39.0433
37.2762
38.5745
ADF(2) -3.3399
42.3768
38.3768
36.0207
37.7518
ADF(3) -2.2473
42.5626
37.5626
34.6175
36.7813
ADF(4) -2.0982
42.6190
36.6190
33.0848
35.6813
ADF(5) -2.0584
42.7720
35.7720
31.6488
34.6781
*********************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907
LL = Maximized log-likelihood
AIC = Akaike Information Criterion
SBC = Schwarz Bayesian Criterion HQC = Hannan-Quinn Criterion

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
*********************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
*********************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-4.0404
41.5497
38.5497
36.7826
38.0809
ADF(1) -3.8650
42.3996
38.3996
36.0435
37.7745
ADF(2) -3.4074
42.8055
37.8055
34.8603
37.0241
ADF(3) -2.3252
42.9679
36.9679
33.4338
36.0303
ADF(4) -2.1799
43.0438
36.0438
31.9206
34.9499
ADF(5) -2.1725
43.2876
35.2876
30.5754
34.0375
*********************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

256
Autoregressive Distributed Lag Estimates
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEAV1(-1)
.39767
.16395
2.4256[.023]
LRIOPP
.040449
.014886
2.7173[.012]
LPDB
.27398
.087378
3.1356[.004]
A0
3.3150
.83002
3.9938[.001]
******************************************************************
R-Squared
.97437 R-Bar-Squared
.97129
S.E. of Regression
.039853 F-stat. F( 3, 25) 316.7741[.000]
Mean of Dependent Variable 11.6970 S.D. of Dependent Variable .23521
Residual Sum of Squares .039707 Equation Log-likelihood
54.4569
Akaike Info. Criterion
50.4569 Schwarz Bayesian Criterion 47.7223
DW-statistic 2.3997 Durbin's h-statistic -2.2920[.022]
******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.067155
.024734
2.7151[.012]
LPDB
.45487
.034625
13.1371[.000]
A0
5.5036
.38507
14.2926[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.040449
.014886
2.7173[.012]
dLPDB
.27398
.087378
3.1356[.004]
dA0
3.3150
.83002
3.9938[.001]
ecm(-1)
-.60233
.16395
-3.6739[.001]
******************************************************************
List of additional temporary variables created:
dLEAV1 = LEAV1-LEAV1(-1) ; dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LEAV1 -.067155*LRIOPP -.45487*LPDB -5.5036*A0

******************************************************************
R-Squared .43416 R-Bar-Squared .36626; S.E. of Regression .039853;
F-stat. F( 3, 25) 6.3940[.002] ; Mean of Dependent Variable .026527;
S.D. of Dependent Variable .050062 ; Residual Sum of Squares .039707;
Equation Log-likelihood 54.4569; Akaike Info. Criterion 50.4569
Schwarz Bayesian Criterion 47.7223; DW-statistic 2.3997

257
Lampiran 15. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV2
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
5.6861
.22021
25.8210[.000]
LRIOPP
.046850
.015483
3.0258[.005]
LPDB
.46038
.018728
24.5820[.000]
******************************************************************
R-Squared
.96623 R-Bar-Squared
.96373
S.E. of Regression
.044601 F-stat. F( 2, 27) 386.3064[.000]
Mean of Dependent Variable 11.7863 S.D. of Dependent Variable .23420
Residual Sum of Squares .053710 Equation Log-likelihood
52.3121
Akaike Info. Criterion
49.3121 Schwarz Bayesian Criterion 47.2103
DW-statistic 1.4856
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
************************************************************************
Test Statistic LL
AIC
SBC
HQC

DF
-3.7681
40.6480
38.6480
37.4699
38.3355
ADF(1) -3.7033
41.4370
38.4370
36.6699
37.9682
ADF(2) -3.1435
41.6486
37.6486
35.2925
37.0235
ADF(3) -2.5199
41.6510
36.6510
33.7058
35.8696
ADF(4) -2.1394
41.6514
35.6514
32.1172
34.7138
ADF(5) -2.1638
41.9909
34.9909
30.8677
33.8970
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004

******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.6943
40.6858
37.6858
35.9187
37.2170
ADF(1) -3.6264
41.4779
37.4779
35.1218
36.8528
ADF(2) -3.0637
41.6798
36.6798
33.7347
35.8985
ADF(3) -2.4469
41.6816
35.6816
32.1475
34.7440
ADF(4) -2.0790
41.6824
34.6824
30.5592
33.5885
ADF(5) -2.1283
42.0769
34.0769
29.3647
32.8268
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

258
Autoregressive Distributed Lag Estimates
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
************************************************************************

Dependent variable is LEAV2


29 observations used for estimation from 1976 to 2004
************************************************************************

Regressor
LEAV2(-1)
LRIOPP
LPDB

Coefficient
.44190
.034435
.23658

Standard Error
.15864
.014439
.079559

T-Ratio[Prob]
2.7856[.010]
2.3849[.025]
2.9736[.006]

A0
3.3715
.88939
3.7908[.001]
************************************************************************
R-Squared .97150; R-Bar-Squared .96808; S.E. of Regression .039458
F-stat. F( 3, 25) 284.1029[.000] Mean of Dependent Variable 11.8023
S.D. of Dependent Variable .22087 Residual Sum of Squares .038923
Equation Log-likelihood 54.7462 ; DW-statistic 2.4030 ; Dh-statistic -2.0879[.037]
************************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV2
29 observations used for estimation from 1976 to 2004
************************************************************************

Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.061701
.026273
2.3485[.027]
LPDB
.42391
.036511
11.6102[.000]
A0
6.0411
.40794
14.8087[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV2
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.034435
.014439
2.3849[.025]
dLPDB
.23658
.079559
2.9736[.006]
dA0
3.3715
.88939
3.7908[.001]
ecm(-1)
-.55810
.15864
-3.5180[.002]
************************************************************************

List of additional temporary variables created:


dLEAV2 = LEAV2-LEAV2(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LEAV2 -.061701*LRIOPP -.42391*LPDB -6.0411*A0
************************************************************************
R-Squared .40626 ; R-Bar-Squared .33501 ; S.E. of Regression .039458
F-stat. F( 3, 25) 5.7020[.004] ; Mean of Dependent Variable .024860 :
S.D. of Dependent Variable .048387; Residual Sum of Squares .038923
Equation Log-likelihood 54.7462; Akaike Info. Criterion 50.7462 ;
Schwarz Bayesian Criterion 48.0116 ; DW-statistic 2.4030

259
Lampiran 15. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV3
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
5.0566
.21427
23.5991[.000]
LRIOPP
.051245
.015066
3.4014[.002]
LPDB
.50037
.018223
27.4577[.000]
******************************************************************
R-Squared .97277 ; R-Bar-Squared .97076 ; S.E. of Regression .043398
F-stat. F( 2, 27) 482.3137[.000] ; Mean of Dependent Variable 11.6893
S.D. of Dependent Variable .25378 ; Residual Sum of Squares .050852 ;
Equation Log-likelihood
53.1322 ; Akaike Info. Criterion 50.1322;
Schwarz Bayesian Criterion 48.0304 ;
DW-statistic 1.5470
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.0661
41.6715
39.6715
38.4934
39.3589
ADF(1) -3.8038
42.3543
39.3543
37.5872
38.8855
ADF(2) -3.2836
42.6333
38.6333
36.2772
38.0082
ADF(3) -2.2106
42.8367
37.8367
34.8915
37.0553
ADF(4) -2.0656
42.8886
36.8886
33.3545
35.9510
ADF(5) -2.0216
43.0247
36.0247
31.9015
34.9308
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-4.0718 41.9350
38.9350
37.1679
38.4662
ADF(1) -3.8549
42.7407
38.7407
36.3846
38.1156
ADF(2) -3.3669
43.0970
38.0970
35.1518
37.3156
ADF(3) -2.3037
43.2726
37.2726
33.7384
36.3350
ADF(4) -2.1625
43.3451
36.3451
32.2219
35.2512
ADF(5) -2.1488
43.5677
35.5677
30.8555
34.3176
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

260
Autoregressive Distributed Lag Estimates
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is LEAV3


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LEAV3(-1)
LRIOPP
LPDB
A0

Coefficient
.39133
.038879
.28379
3.2858

Standard Error
.16612
.014714
.090060
.82283

T-Ratio[Prob]
2.3557[.027]
2.6423[.014]
3.1511[.004]
3.9933[.001]

******************************************************************
R-Squared .97571 ; R-Bar-Squared .97280 ; S.E. of Regression .039438
F-stat. F( 3, 25) 334.7566[.000] ; Mean of Dependent Variable 11.7068;
S.D. of Dependent Variable
.23911 ; Residual Sum of Squares .038883
Equation Log-likelihood 54.7610 ; Akaike Info. Criterion 50.7610
Schwarz Bayesian Criterion 48.0264; DW-statistic 2.3978;
Dh-statistic-2.3970[.017]
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV3
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.063875
.46624
5.3983

Standard Error
.024077
.033918
.37875

T-Ratio[Prob]
2.6529[.014]
13.7464[.000]
14.2532[.000]

******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV3
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
dLRIOPP
dLPDB
dA0
ecm(-1)

Coefficient
.038879
.28379
3.2858
-.60867

Standard Error
.014714
.090060
.82283
.16612

T-Ratio[Prob]
2.6423[.014]
3.1511[.004]
3.9933[.001]
-3.6641[.001]

******************************************************************
List of additional temporary variables created:
dLEAV3 = LEAV3-LEAV3(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)
ecm = LEAV3 -.063875*LRIOPP -.46624*LPDB -5.3983*A0
******************************************************************
R-Squared .43180; R-Bar-Squared .36361 ; S.E. of Regression .039438
F-stat. F( 3, 25) 6.3328[.002] ; Mean of Dependent Variable .027102
S.D. of Dependent Variable .049437 ; Residual Sum of Squares
.038883
Equation Log-likelihood 54.7610 ; Akaike Info. Criterion 50.7610
Schwarz Bayesian Criterion 48.0264 ; DW-statistic
2.3978

261
Lampiran 15. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV4
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
5.5924
.21623
25.8627[.000]
LRIOPP
.044853
.015204
2.9501[.006]
LPDB
.46992
.018390
25.5529[.000]
******************************************************************
R-Squared .96847; R-Bar-Squared .96613 ; S.E. of Regression .043796
F-stat. F( 2, 27) 414.6158[.000] ; Mean of Dependent Variable 11.7949
S.D. of Dependent Variable .23797 ; Residual Sum of Squares .051788 ;
Equation Log-likelihood
52.8589 ; Akaike Info. Criterion 49.8589;
Schwarz Bayesian Criterion 47.7571;
DW-statistic 1.4978
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-3.7996
41.0546
39.0546
37.8766
38.7421
ADF(1) -3.6975
41.8042
38.8042
37.0371
38.3354
ADF(2) -3.1159
41.9894
37.9894
35.6333
37.3644
ADF(3) -2.5016
41.9914
36.9914
34.0463
36.2101
ADF(4) -2.1328
41.9922
35.9922
32.4581
35.0546
ADF(5) -2.1498
42.3133
35.3133
31.1901
34.2194
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-3.7270
41.0973
38.0973
36.3302
37.6285
ADF(1) -3.6237
41.8524
37.8524
35.4962
37.2273
ADF(2) -3.0406
42.0291
37.0291
34.0840
36.2478
ADF(3) -2.4324
42.0306
36.0306
32.4964
35.0930
ADF(4) -2.0760
42.0319
35.0319
30.9087
33.9380
ADF(5) -2.1195
42.4118
34.4118
29.6995
33.1616
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

262
Autoregressive Distributed Lag Estimates
ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV4
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LEAV4(-1)
LRIOPP
LPDB
A0

Coefficient
.43559
.033047
.24525
3.3543

Standard Error
.16026
.014232
.081710
.88214

T-Ratio[Prob]
2.7181[.012]
2.3220[.029]
3.0015[.006]
3.8024[.001]

******************************************************************
R-Squared .97313 ; R-Bar-Squared .96990 ; S.E. of Regression .038935
F-stat. F( 3, 25) 301.7631[.000] ;
Mean of Dependent Variable 11.8112; S.D. of Dependent Variable .22443 ;
Residual Sum of Squares .037899 Equation Log-likelihood 55.1327 ;
Akaike Info. Criterion 51.1327 ; Schwarz Bayesian Criterion 48.3981;
DW-statistic 2.4117; Dh-statistic -2.1944[.028]
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV4
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.058551
.43453
5.9431

Standard Error
.025496
.035627
.39958

T-Ratio[Prob]
2.2965[.030]
12.1967[.000]
14.8734[.000]

******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV4
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
dLRIOPP
dLPDB
dA0
ecm(-1)

Coefficient
.033047
.24525
3.3543
-.56441

Standard Error
.014232
.081710
.88214
.16026

T-Ratio[Prob]
2.3220[.029]
3.0015[.006]
3.8024[.001]
-3.5219[.002]

******************************************************************
List of additional temporary variables created:
dLEAV4 = LEAV4-LEAV4(-1); dLRIOPP = LRIOPP-LRIOPP(-1)

dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)


ecm = LEAV4 -.058551*LRIOPP -.43453*LPDB -5.9431*A0
******************************************************************
R-Squared .40572 ; R-Bar-Squared
.33441 ; S.E. of Regression .038935
F-stat. F( 3, 25) 5.6893[.004] ; Mean of Dependent Variable .025387
S.D. of Dependent Variable .047724 ; Residual Sum of Squares
.037899
Equation Log-likelihood 55.1327 ; Akaike Info. Criterion 51.1327
Schwarz Bayesian Criterion 48.3981 ; DW-statistic 2.4117

263
Lampiran 15. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV5
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
4.4047
.17536
25.1190[.000]
LRIOPP
.032784
.012329
2.6590[.013]
LPDB
.57386
.014913
38.4794[.000]
******************************************************************
R-Squared .98528 ; R-Bar-Squared .98419 ; S.E. of Regression .035516
F-stat. F( 2, 27) 903.6977[.000] ; Mean of Dependent Variable 11.8010
S.D. of Dependent Variable .28247 ; Residual Sum of Squares .034058 ;
Equation Log-likelihood
59.1451 ; Akaike Info. Criterion 56.1451
Schwarz Bayesian Criterion 54.0433 ;
DW-statistic 1.7873
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.5320
45.8329
43.8329
42.6548
43.5204
ADF(1) -3.5379
45.9670
42.9670
41.1999
42.4982
ADF(2) -3.3028
46.4385
42.4385
40.0824
41.8134
ADF(3) -2.0180
47.1703
42.1703
39.2251
41.3889
ADF(4) -1.8929
47.1987
41.1987
37.6645
40.2611
ADF(5) -2.1673
47.9751
40.9751
36.8519
39.8812
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.5616
46.1884
43.1884
41.4214
42.7196
ADF(1) -3.6115
46.3918
42.3918
40.0357
41.7668
ADF(2) -3.4008
46.9487
41.9487
39.0035
41.1673
ADF(3) -2.1249
47.6119
41.6119
38.0777
40.6743
ADF(4) -1.9982
47.6508
40.6508
36.5276
39.5569
ADF(5) -2.3562
48.7297
40.7297
36.0175
39.4795
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

264
Autoregressive Distributed Lag Estimates
ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is LEAV5


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.032984
.56862
4.4696

Standard Error
.012329
.015796
.18680

T-Ratio[Prob]
2.6754[.013]
35.9974[.000]
23.9272[.000]

******************************************************************
R-Squared .98366 R-Bar-Squared
.98240 ; S.E. of Regression .035509
F-stat. F( 2, 26) 782.5976[.000] ; Mean of Dependent Variable 11.8198
S.D. of Dependent Variable
.26768 ; Residual Sum of Squares .032783
Equation Log-likelihood 57.2352 ; Akaike Info. Criterion 54.2352
Schwarz Bayesian Criterion 52.1842 ; DW-statistic
1.8533
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is LEAV5


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.032984
.56862
4.4696

Standard Error
.012329
.015796
.18680

T-Ratio[Prob]
2.6754[.013]
35.9974[.000]
23.9272[.000]

******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is dLEAV5


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
dLRIOPP
dLPDB
dA0
ecm(-1)

Coefficient
.032984
.56862
4.4696
-1.0000

Standard Error
.012329
.015796
.18680
0.00

T-Ratio[Prob]
2.6754[.013]
35.9974[.000]
23.9272[.000]
*NONE*

******************************************************************

List of additional temporary variables created:


dLEAV5 = LEAV5-LEAV5(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LEAV5 -.032984*LRIOPP -.56862*LPDB -4.4696*A0
******************************************************************
R-Squared .52237 ; R-Bar-Squared .48563 ; S.E. of Regression .035509
F-stat. F( 3, 25) 9.4786[.000] ; Mean of Dependent Variable .030826
S.D. of Dependent Variable .049511 ; Residual Sum of Squares .032783
Equation Log-likelihood 57.2352 ; Akaike Info. Criterion 54.2352
Schwarz Bayesian Criterion 52.1842 ; DW-statistic
1.8533

265
Lampiran 15. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV6
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
4.9633
.17961
27.6339[.000]
LRIOPP
.028149
.012629
2.2290[.034]
LPDB
.53960
.015275
35.3250[.000]
******************************************************************
R-Squared .98250 ; R-Bar-Squared .98120 ; S.E. of Regression .036378
F-stat. F( 2, 27) 757.8475[.000] ; Mean of Dependent Variable 11.8963
S.D. of Dependent Variable .26533 ; Residual Sum of Squares .035731;
Equation Log-likelihood 58.4258 ; Akaike Info. Criterion 55.4258
Schwarz Bayesian Criterion 53.3240 ;
DW-statistic 1.7027
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-4.1686
44.8045
42.8045
41.6265
42.4920
ADF(1) -3.4474
44.9925
41.9925
40.2254
41.5237
ADF(2) -3.1035
45.2966
41.2966
38.9405
40.6715
ADF(3) -2.1949
45.4773
40.4773
37.5322
39.6960
ADF(4) -2.0367
45.5267
39.5267
35.9926
38.5891
ADF(5) -2.3595
46.4478
39.4478
35.3247
38.3540
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.0890
44.8506
41.8506
40.0835
41.3818
ADF(1) -3.3794
45.0409
41.0409
38.6848
40.4158
ADF(2) -3.0235
45.3286
40.3286
37.3835
39.5473
ADF(3) -2.1327
45.5124
39.5124
35.9782
38.5747
ADF(4) -1.9813
45.5656
38.5656
34.4424
37.4717
ADF(5) -2.3678
46.6810
38.6810
33.9687
37.4308
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

266
Autoregressive Distributed Lag Estimates
ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is LEAV6


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.028326
.53493
5.0211

Standard Error
.012687
.016256
.19223

T-Ratio[Prob]
2.2327[.034]
32.9072[.000]
26.1199[.000]

******************************************************************
R-Squared .98041 ; R-Bar-Squared .97890 ; S.E. of Regression
.036542
F-stat. F( 2, 26) 650.6120[.000] ; Mean of Dependent Variable 11.9139
S.D. of Dependent Variable .25159 ; Residual Sum of Squares .034719
Equation Log-likelihood 56.4034 ; Akaike Info. Criterion 53.4034
Schwarz Bayesian Criterion 51.3525 ; DW-statistic
1.7484
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is LEAV6


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LRIOPP
LPDB
A0

Coefficient
.028326
.53493
5.0211

Standard Error
.012687
.016256
.19223

T-Ratio[Prob]
2.2327[.034]
32.9072[.000]
26.1199[.000]

******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************

Dependent variable is dLEAV6


29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
dLRIOPP
dLPDB
dA0
ecm(-1)

Coefficient
.028326
.53493
5.0211
-1.0000

Standard Error
.012687
.016256
.19223
0.00

T-Ratio[Prob]
2.2327[.035]
32.9072[.000]
26.1199[.000]
*NONE*

******************************************************************

List of additional temporary variables created:


dLEAV6 = LEAV6-LEAV6(-1) ; dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)
ecm = LEAV6 -.028326*LRIOPP -.53493*LPDB -5.0211*A0
******************************************************************
R-Squared .45115 ; R-Bar-Squared .40893 ; S.E. of Regression .036542
F-stat. F( 3, 25) 7.1239[.001] ; Mean of Dependent Variable .028935
S.D. of Dependent Variable .047531 ; Residual Sum of Squares .034719
Equation Log-likelihood 56.4034 ; Akaike Info. Criterion 53.4034
Schwarz Bayesian Criterion 51.3525 ; DW-statistic 1.7484

267
Lampiran 16. Hasil Uji Kointegrasi dan Estimasi ECM Pengaruh Kebijakan Harga
Input Pertanian (AGIP) dan Kebijakan Harga Output Pertanian
(AGOP) terhadap Ketersediaan Pangan
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEAV1
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
5.1888
.30396
17.0708[.000]
LRAGIP
.026364
.014822
1.7788[.087]
LRAGOP
.025666
.011977
2.1430[.042]
LPDB
.49186
.023850
20.6228[.000]
******************************************************************
R-Squared .97113 R-Bar-Squared .96780; S.E. of Regression .044800;
F-stat. F( 3, 26) 291.4971[.000]; Mean of Dependent Variable 11.6798;
S.D. of Dependent Variable .24964; Residual Sum of Squares .052184;
Equation Log-likelihood 52.7445; Akaike Info. Criterion 48.7445;
Schwarz Bayesian Criterion 45.9421; DW-statistic 1.6254
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.2039
41.1464
39.1464
37.9684
38.8339
ADF(1) -3.9816
41.9827
38.9827
37.2156
38.5138
ADF(2) -3.2757
42.1790
38.1790
35.8228
37.5539
ADF(3) -2.2089
42.3526
37.3526
34.4074
36.5712
ADF(4) -2.0228
42.3791
36.3791
32.8450
35.4415
ADF(5) -2.0863
42.6800
35.6800
31.5568
34.5861
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004

******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-4.1941
41.3816
38.3816
36.6145
37.9128
ADF(1) -4.0139
42.3356
38.3356
35.9795
37.7106
ADF(2) -3.3326
42.5806
37.5806
34.6355
36.7993
ADF(3) -2.2742
42.7404
36.7404
33.2063
35.8028
ADF(4) -2.0858
42.7736
35.7736
31.6504
34.6797
ADF(5) -2.1826
43.1851
35.1851
30.4729
33.9350
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

268
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEAV1(-1)
.41185
.17977
2.2910[.031]
LRAGIP
.0096081
.015123
.63533[.531]
LRAGOP
.024746
.011004
2.2488[.034]
LPDB
.25798
.10026
2.5730[.017]
A0
3.4265
.87661
3.9088[.001]
******************************************************************
R-Squared
.97412 ; R-Bar-Squared
.96980
S.E. of Regression
.040872 ; F-stat. F( 4, 24) 225.8239[.000]
Mean of Dependent Variable 11.6970 S.D. of Dependent Variable .23521
Residual Sum of Squares .040093 Equation Log-likelihood
54.3166
Akaike Info. Criterion
49.3166 Schwarz Bayesian Criterion 45.8984
DW-statistic
2.4457 ; Durbin's h-statistic -4.7887[.000]
******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.016336
.023924
.68284[.501]
LRAGOP
.042074
.021767
1.9330[.065]
LPDB
.43863
.050382
8.7062[.000]
A0
5.8258
.62313
9.3494[.000]
******************************************************************

269
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0096081
.015123
.63533[.531]
dLRAGOP
.024746
.011004
2.2488[.034]
dLPDB
.25798
.10026
2.5730[.017]
dA0
3.4265
.87661
3.9088[.001]
ecm(-1)
-.58815
.17977
-3.2717[.003]
******************************************************************
List of additional temporary variables created:
dLEAV1 = LEAV1-LEAV1(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1)
dA0 = A0-A0(-1)
ecm = LEAV1-.016336*LRAGIP-.042074*LRAGOP-.43863*LPDB-5.8258*A0
******************************************************************
R-Squared
.42866 ; R-Bar-Squared .33343
S.E. of Regression
.040872 F-stat. F( 4, 24) 4.5016[.007]
Mean of Dependent Variable .026527 S.D. of Dependent Variable .050062
Residual Sum of Squares .040093 Equation Log-likelihood
54.3166
Akaike Info. Criterion
49.3166 Schwarz Bayesian Criterion 45.8984
DW-statistic
2.4457

270
Lampiran 16. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LEAV2


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRAGIP
LRAGOP
LPDB

Coefficient
5.7024
.022958
.020784
.46396

Standard Error
.31261
.015243
.012317
.024529

T-Ratio[Prob]
18.2414[.000]
1.5061[.144]
1.6874[.103]
18.9148[.000]

******************************************************************

R-Squared .96530 R-Bar-Squared .96130 ;


S.E. of Regression .046075 ; F-stat. F( 3, 26) 241.0942[.000] ;
Mean of Dependent Variable 11.7863;
S.D. of Dependent Variable .23420 ; Residual Sum of Squares .055195;
Equation Log-likelihood 51.9030 ; Akaike Info. Criterion 47.9030;
Schwarz Bayesian Criterion 45.1006 ;
DW-statistic 1.5146
********************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
********************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.8086
ADF(1) -3.6530
ADF(2) -2.9750
ADF(3) -2.4273
ADF(4) -2.1082
ADF(5) -2.2655

LL
40.2036
40.8729
40.9732
40.9775
40.9813
41.5403

AIC
38.2036
37.8729
36.9732
35.9775
34.9813
34.5403

SBC
37.0255
36.1058
34.6171
33.0323
31.4472
30.4171

HQC
37.8911
37.4040
36.3481
35.1961
34.0437
33.4464

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.7339
ADF(1) -3.5766
ADF(2) -2.8953
ADF(3) -2.3485
ADF(4) -2.0377
ADF(5) -2.2199

LL
40.2450
40.9161
41.0078
41.0108
41.0147
41.6413

AIC
37.2450
36.9161
36.0078
35.0108
34.0147
33.6413

SBC
35.4779
34.5600
33.0627
31.4766
29.8915
28.9291

HQC
36.7762
36.2910
35.2265
34.0732
32.9208
32.3911

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

271
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV2
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEAV2(-1)
.46114
.17395
2.6510[.014]
LRAGIP
.0067769
.014767
.45893[.650]
LRAGOP
.019623
.011072
1.7723[.089]
LPDB
.22105
.091145
2.4253[.023]
A0
3.4252
.94987
3.6059[.001]
******************************************************************
R-Squared .97024 ; R-Bar-Squared .96528 ; S.E. of Regression .041153
F-stat. F( 4, 24) 195.6287[.000]
Mean of Dependent Variable 11.8023 S.D. of Dependent Variable .22087
Residual Sum of Squares .040646 Equation Log-likelihood
54.1181
Akaike Info. Criterion
49.1181 Schwarz Bayesian Criterion 45.6999
DW-statistic 2.4055 Durbin's h-statistic -3.1198[.002]
******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV2
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.012576
.026128
.48135[.635]
LRAGOP
.036416
.022863
1.5928[.124]
LPDB
.41023
.053022
7.7370[.000]
A0
6.3564
.66330
9.5830[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV2
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0067769
.014767
.45893[.650]
dLRAGOP
.019623
.011072
1.7723[.089]
dLPDB
.22105
.091145
2.4253[.023]
dA0
3.4252
.94987
3.6059[.001]
ecm(-1)
-.53886
.17395
-3.0977[.005]
******************************************************************
List of additional temporary variables created:
dLEAV2 = LEAV2-LEAV2(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1);
dLPDB = LPDB-LPDB(-1)
dA0 = A0-A0(-1)
ecm = LEAV2-.012576*LRAGIP-.036416*LRAGOP-.41023*LPDB-6.3564*A0

272
******************************************************************
R-Squared
.37998 R-Bar-Squared
.27664
S.E. of Regression
.041153 F-stat. F( 4, 24) 3.6771[.018]
Mean of Dependent Variable .024860 S.D. of Dependent Variable .048387
Residual Sum of Squares .040646 Equation Log-likelihood
54.1181
Akaike Info. Criterion
49.1181 Schwarz Bayesian Criterion 45.6999
DW-statistic
2.4055
******************************************************************

273
Lampiran 16. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LEAV3


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRAGIP
LRAGOP
LPDB

Coefficient
5.0891
.025182
.024846
.50183

Standard Error
.29898
.014579
.011780
.023460

T-Ratio[Prob]
17.0213[.000]
1.7273[.096]
2.1091[.045]
21.3910[.000]

******************************************************************

R-Squared .97297 ; R-Bar-Squared .96985 ;


S.E. of Regression .044067; F-stat. F( 3, 26) 311.9214[.000] ;
Mean of Dependent Variable 11.6893; S.D. of Dependent Variable .25378;
Residual Sum of Squares .050489 Equation Log-likelihood 53.2397 ;
Akaike Info. Criterion 49.2397; Schwarz Bayesian Criterion 46.4373;
DW-statistic 1.6333
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-4.2360
ADF(1) -3.9746
ADF(2) -3.2368
ADF(3) -2.1806
ADF(4) -1.9920
ADF(5) -2.0450

LL
41.5484
42.3477
42.5088
42.6998
42.7206
42.9918

AIC
39.5484
39.3477
38.5088
37.6998
36.7206
35.9918

SBC
38.3703
37.5806
36.1527
34.7547
33.1864
31.8687

HQC
39.2359
38.8789
37.8838
36.9184
35.7830
34.8980

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-4.2337
ADF(1) -4.0204
ADF(2) -3.3110
ADF(3) -2.2631
ADF(4) -2.0726
ADF(5) -2.1574

LL
41.8048
42.7352
42.9502
43.1222
43.1503
43.5293

AIC
38.8048
38.7352
37.9502
37.1222
36.1503
35.5293

SBC
37.0378
36.3791
35.0051
33.5881
32.0271
30.8171

HQC
38.3360
38.1102
37.1689
36.1846
35.0564
34.2792

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

274
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEAV3(-1)
.40216
.18111
2.2205[.036]
LRAGIP
.0095207
.014852
.64102[.528]
LRAGOP
.023852
.010878
2.1927[.038]
LPDB
.26982
.10240
2.6350[.015]
A0
3.4053
.86680
3.9286[.001]
******************************************************************
R-Squared .97556 R-Bar-Squared .97148; S.E. of Regression .040377 ;
F-stat. F( 4, 24) 239.4800[.000]; Mean of Dependent Variable 11.7068;
S.D. of Dependent Variable .23911; Residual Sum of Squares .039128;
Equation Log-likelihood 54.6700; Akaike Info. Criterion 49.6700;
Schwarz Bayesian Criterion 46.2518; DW-statistic 2.4474 ; Dh-statistic -5.4568[.000]

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.015925
.023171
.68728[.498]
LRAGOP
.039897
.020882
1.9106[.068]
LPDB
.45133
.048538
9.2985[.000]
A0
5.6960
.60174
9.4659[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0095207
.014852
.64102[.528]
dLRAGOP
.023852
.010878
2.1927[.038]
dLPDB
.26982
.10240
2.6350[.015]
dA0
3.4053
.86680
3.9286[.001]
ecm(-1)
-.59784
.18111
-3.3009[.003]
******************************************************************
List of additional temporary variables created:
dLEAV3 = LEAV3-LEAV3(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LEAV3-.015925*LRAGIP-.039897*LRAGOP-.45133*LPDB-5.6960*A0

******************************************************************
R-Squared .42822 R-Bar-Squared .33293; S.E. of Regression .040377;
F-stat. F( 4, 24) 4.4936[.007]; Mean of Dependent Variable .027102;
S.D. of Dependent Variable .049437; Residual Sum of Squares .039128;
Equation Log-likelihood 54.6700; Akaike Info. Criterion 49.6700;
Schwarz Bayesian Criterion 46.2518 ; DW-statistic
2.4474

******************************************************************

275
Lampiran 16. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LEAV4


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRAGIP
LRAGOP
LPDB

Coefficient
5.6104
.021867
.020056
.47312

Standard Error
.30658
.014949
.012080
.024056

T-Ratio[Prob]
18.3000[.000]
1.4628[.156]
1.6603[.109]
19.6678[.000]

******************************************************************

R-Squared .96768 R-Bar-Squared .96395 ;


S.E. of Regression .045186 ; F-stat. F( 3, 26) 259.4444[.000];
Mean of Dependent Variable 11.7949; S.D. of Dependent Variable .23797;
Residual Sum of Squares .053087 Equation Log-likelihood 52.4871 ;
Akaike Info. Criterion 48.4871; Schwarz Bayesian Criterion 45.6847;
DW-statistic 1.5290
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.8450
ADF(1) -3.6598
ADF(2) -2.9590
ADF(3) -2.4169
ADF(4) -2.1016
ADF(5) -2.2469

LL
40.6363
41.2842
41.3690
41.3730
41.3769
41.9069

AIC
38.6363
38.2842
37.3690
36.3730
35.3769
34.9069

SBC
37.4582
36.5171
35.0129
33.4279
31.8428
30.7837

HQC
38.3237
37.8154
36.7439
35.5917
34.4393
33.8130

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.7717
ADF(1) -3.5862
ADF(2) -2.8836
ADF(3) -2.3420
ADF(4) -2.0350
ADF(5) -2.2069

LL
40.6827
41.3346
41.4118
41.4146
41.4186
42.0203

AIC
37.6827
37.3346
36.4118
35.4146
34.4186
34.0203

SBC
35.9156
34.9785
33.4667
31.8804
30.2954
29.3080

HQC
37.2139
36.7095
35.6305
34.4769
33.3247
32.7701

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

276
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
*************************************************************************
Dependent variable is LEAV4; 29 observations used for estimation from 1976 to 2004
*************************************************************************

Regressor
LEAV4(-1)
LRAGIP
LRAGOP
LPDB
A0

Coefficient
.45227
.0067418
.018811
.23121
3.4145

Standard Error
.17492
.014481
.010914
.092854
.94027

T-Ratio[Prob]
2.5856[.016]
.46557[.646]
1.7235[.098]
2.4900[.020]
3.6314[.001]

*************************************************************************
R-Squared .97202 ; R-Bar-Squared .96736 ; S.E. of Regression .040547
F-stat. F( 4, 24) 208.4509[.000] ; Mean of Dependent Variable 11.8112;
S.D. of Dependent Variable .22443 ; Residual Sum of Squares .039457;
Equation Log-likelihood 54.5484 ; Akaike Info. Criterion 49.5484 ;
Schwarz Bayesian Criterion 46.1302 ;
DW-statistic 2.4178 ; Dh-statistic -3.3507[.001]
*************************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
*************************************************************************
Dependent variable is LEAV4; 29 observations used for estimation from 1976 to 2004
*************************************************************************

Regressor
LRAGIP
LRAGOP
LPDB
A0

Coefficient
.012309
.034344
.42212
6.2339

Standard Error
.025247
.021924
.050992
.63921

T-Ratio[Prob]
.48752[.630]
1.5665[.130]
8.2783[.000]
9.7525[.000]

*************************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
*************************************************************************

Dependent variable is dLEAV4


29 observations used for estimation from 1976 to 2004
*************************************************************************

Regressor
dLRAGIP
dLRAGOP
dLPDB
dA0
ecm(-1)

Coefficient
.0067418
.018811
.23121
3.4145
-.54773

Standard Error
.014481
.010914
.092854
.94027
.17492

T-Ratio[Prob]
.46557[.646]
1.7235[.098]
2.4900[.020]
3.6314[.001]
-3.1314[.005]

*************************************************************************

List of additional temporary variables created:


dLEAV4 = LEAV4-LEAV4(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)

ecm = LEAV4-.012309*LRAGIP-.034344*LRAGOP-.42212*LPDB-6.2339*A0
*************************************************************************
R-Squared .38128 R-Bar-Squared 27817; S.E. of Regression .040547;
F-stat. F( 4, 24) 3.6975[.018]; Mean of Dependent Variable .025387;
S.D. of Dependent Variable .047724; Residual Sum of Squares .039457;
Equation Log-likelihood 54.5484; Akaike Info. Criterion 49.5484;
Schwarz Bayesian Criterion 46.1302 ; DW-statistic
2.4178

277
Lampiran 17. Hasil Uji Kointegrasi dan Estimasi ECM Kebijakan Harga Pertanian
(IOPP) terhadap Ketersediaan Protein
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LPAV1


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRIOPP
LPDB

Coefficient
12.7773
.035467
.69527

Standard Error
.44342
.031178
.037712

T-Ratio[Prob]
28.8153[.000]
1.1376[.265]
18.4364[.000]

******************************************************************

R-Squared .93855 ; R-Bar-Squared .93400 ;


S.E. of Regression .089811; F-stat. F( 2, 27) 206.1923[.000];
Mean of Dependent Variable 21.7039; S.D. of Dependent Variable .34958 ;
Residual Sum of Squares .21778 Equation Log-likelihood 31.3138 ;
Akaike Info. Criterion 28.3138 ; Schwarz Bayesian Criterion 26.2120;
DW-statistic 1.2539
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.1555
ADF(1) -2.9413
ADF(2) -2.9153
ADF(3) -2.3858
ADF(4) -2.4595
ADF(5) -2.6536

LL
24.6331
24.8676
25.2949
25.2950
25.7871
26.8186

AIC
22.6331
21.8676
21.2949
20.2950
19.7871
19.8186

SBC
21.4550
20.1006
18.9388
17.3499
16.2529
15.6954

HQC
22.3205
21.3988
20.6698
19.5137
18.8495
18.7247

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.1558
ADF(1) -2.9673
ADF(2) -2.9677
ADF(3) -2.4588
ADF(4) -2.5199
ADF(5) -2.5860

LL
24.8161
25.1087
25.6160
25.6256
26.1228
26.9349

AIC
21.8161
21.1087
20.6160
19.6256
19.1228
18.9349

SBC
20.0490
18.7526
17.6708
16.0914
14.9996
14.2227

HQC
21.3473
20.4836
19.8346
18.6880
18.0289
17.6847

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

278
Autoregressive Distributed Lag Estimates
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV1
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor

Coefficient

Standard Error

T-Ratio[Prob]

LPAV1(-1)
.59752
.16478
3.6262[.001]
LRIOPP
.026618
.025974
1.0248[.316]
LPDB
-.41278
.36706
-1.1246[.272]
LPDB(-1)
.66148
.33402
1.9803[.059]
A0
5.4847
2.0934
2.6200[.015]
******************************************************************
R-Squared .96056 ; R-Bar-Squared .95399 ; S.E. of Regression .072680
F-stat. F( 4, 24) 146.1406[.000] ; Mean of Dependent Variable 21.7233
S.D. of Dependent Variable .33883 ; Residual Sum of Squares .12678;
Equation Log-likelihood 37.6239 ; Akaike Info. Criterion 32.6239 ;
Schwarz Bayesian Criterion 29.2057 ;
DW-statistic 2.4740 ;Durbin's h-statistic -2.7683[.006]
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV1
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.066135
.070713
.93525[.359]
LPDB
.61790
.096543
6.4003[.000]
A0
13.6273
1.1199
12.1683[.000]
******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV1
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor

Coefficient

Standard Error

T-Ratio[Prob]

dLRIOPP
.026618
.025974
1.0248[.315]
dLPDB
-.41278
.36706
-1.1246[.271]
dA0
5.4847
2.0934
2.6200[.015]
ecm(-1)
-.40248
.16478
-2.4426[.022]
******************************************************************
List of additional temporary variables created:
dLPAV1 = LPAV1-LPAV1(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LPAV1 -.066135*LRIOPP -.61790*LPDB -13.6273*A0
******************************************************************
R-Squared .35732 ; R-Bar-Squared .25021 ; S.E. of Regression .072680
F-stat. F( 3, 25) 4.4479[.012] ; Mean of Dependent Variable .034386 ; S.D. of Dependent
Variable .083935 ; Residual Sum of Squares .12678; Equation Log-likelihood 37.6239 ;
Akaike Info. Criterion 32.6239; chwarz Bayesian Criterion 29.2057;
DW-statistic 2.4740

279
Lampiran 17. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LPAV2


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRIOPP
LPDB

Coefficient
13.0762
.036930
.67356

Standard Error
.43186
.030365
.036729

T-Ratio[Prob]
30.2786[.000]
1.2162[.234]
18.3387[.000]

******************************************************************

R-Squared .93815 R-Bar-Squared .93357


S.E. of Regression .087470 F-stat. F( 2, 27) 204.7874[.000]
Mean of Dependent Variable 21.7448 S.D. of Dependent Variable .33938
Residual Sum of Squares .20658 Equation Log-likelihood 32.1062
Akaike Info. Criterion 29.1062 Schwarz Bayesian Criterion 27.0044
DW-statistic 1.2661
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.1858
ADF(1) -2.9845
ADF(2) -2.9037
ADF(3) -2.4397
ADF(4) -2.3978
ADF(5) -2.6068

LL
25.2131
25.4740
25.8382
25.8477
26.1781
27.1885

AIC
23.2131
22.4740
21.8382
20.8477
20.1781
20.1885

SBC
22.0350
20.7069
19.4821
17.9026
16.6439
16.0653

HQC
22.9005
22.0051
21.2131
20.0663
19.2404
19.0946

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.1824
ADF(1) -3.0090
ADF(2) -2.9585
ADF(3) -2.5190
ADF(4) -2.4726
ADF(5) -2.5544

LL
25.3908
25.7166
26.1653
26.2014
26.5430
27.3356

AIC
22.3908
21.7166
21.1653
20.2014
19.5430
19.3356

SBC
20.6237
19.3605
18.2202
16.6673
15.4198
14.6234

HQC
21.9220
21.0915
20.3840
19.2638
18.4491
18.0854

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

280
Autoregressive Distributed Lag Estimates
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV2
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor

Coefficient

Standard Error

T-Ratio[Prob]

LPAV2(-1)
.58157
.16470
3.5310[.002]
LRIOPP
.026221
.025506
1.0281[.314]
LPDB
-.37958
.35917
-1.0568[.301]
LPDB(-1)
.63293
.32806
1.9293[.066]
A0
5.7906
2.1412
2.7044[.012]
******************************************************************
R-Squared .95968 ; R-Bar-Squared .95296 ; S.E. of Regression .071397
F-stat. F( 4, 24) 142.8004[.000] ; Mean of Dependent Variable 21.7636
S.D. of Dependent Variable .32918 ; Residual Sum of Squares .12234
Equation Log-likelihood 38.1403 ; Akaike Info. Criterion 33.1403 ;
Schwarz Bayesian Criterion 29.7221;
DW-statistic 2.4555; Dh-statistic -2.6554[.008]
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV2
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.062665
.065898
.95094[.351]
LPDB
.60547
.089336
6.7775[.000]
A0
13.8387
1.0455
13.2368[.000]
******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV2
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor

Coefficient

Standard Error

T-Ratio[Prob]

dLRIOPP
.026221
.025506
1.0281[.314]
dLPDB
-.37958
.35917
-1.0568[.301]
dA0
5.7906
2.1412
2.7044[.012]
ecm(-1)
-.41843
.16470
-2.5405[.018]
******************************************************************

List of additional temporary variables created:


dLPAV2 = LPAV2-LPAV2(-1) ; dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)
ecm = LPAV2 -.062665*LRIOPP -.60547*LPDB -13.8387*A0
******************************************************************
R-Squared .35687 ; R-Bar-Squared .24968 ; S.E. of Regression .071397
F-stat. F( 3, 25) 4.4391[.012] ; Mean of Dependent Variable .033164
S.D. of Dependent Variable .082424 ; Residual Sum of Squares .12234
Equation Log-likelihood 38.1403 ; Akaike Info. Criterion 33.1403
Schwarz Bayesian Criterion 29.7221 ; DW-statistic
2.4555

281
Lampiran 17. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LPAV3


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
12.5323
.42605
29.4147[.000]
LRIOPP
.032198
.029956
1.0748[.292]
LPDB
.71929
.036235
19.8509[.000]
******************************************************************
R-Squared .94623 ; R-Bar-Squared .94225 ; S.E. of Regression .086293
F-stat. F( 2, 27) 237.5808[.000] ; Mean of Dependent Variable 21.7307
S.D. of Dependent Variable .35908 ; Residual Sum of Squares .20105
Equation Log-likelihood 32.5126 ; Akaike Info. Criterion 29.5126
Schwarz Bayesian Criterion 27.4108 ;
DW-statistic 1.2641
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.1749
25.5234
23.5234
22.3453
23.2108
ADF(1) -2.9160
25.7173
22.7173
20.9503
22.2485
ADF(2) -2.8955
26.1420
22.1420
19.7859
21.5169
ADF(3) -2.3683
26.1420
21.1420
18.1969
20.3607
ADF(4) -2.4813
26.6961
20.6961
17.1619
19.7585
ADF(5) -2.6630
27.7047
20.7047
16.5815
19.6108
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.1672
25.6886
22.6886
20.9215
22.2197
ADF(1) -2.9309
25.9282
21.9282
19.5721
21.3031
ADF(2) -2.9328
26.4227
21.4227
18.4776
20.6414
ADF(3) -2.4244
26.4290
20.4290
16.8948
19.4914
ADF(4) -2.5219
26.9818
19.9818
15.8586
18.8879
ADF(5) -2.5883
27.7918
19.7918
15.0796
18.5417
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

282
Autoregressive Distributed Lag Estimates
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV3
29 observations used for estimation from 1976 to 2004
******************************************************************

Regressor
LPAV3(-1)
LRIOPP
LPDB
LPDB(-1)
A0

Coefficient
.59834
.024595
-.33326
.59287
5.3556

Standard Error
.16848
.025248
.35952
.32456
2.0950

T-Ratio[Prob]
3.5514[.002]
.97410[.340]
-.92696[.363]
1.8267[.080]
2.5563[.017]

******************************************************************
R-Squared .96463 ; R-Bar-Squared .95874 ; S.E. of Regression .070640
F-stat. F( 4, 24) 163.6461[.000] ; Mean of Dependent Variable 21.7509;
S.D. of Dependent Variable .34776 ; Residual Sum of Squares 11976;
Equation Log-likelihood 38.4494 ; Akaike Info. Criterion 33.4494 ;
Schwarz Bayesian Criterion 30.0311 ;
DW-statistic 2.4798 ; Durbin's h-statistic -3.0722[.002]
******************************************************************

Estimated Long Run Coefficients using the ARDL Approach


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV3
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.061232
.068686
.89148[.382]
LPDB
.64635
.094092
6.8694[.000]
A0
13.3335
1.0933
12.1953[.000]
******************************************************************

Error Correction Representation for the Selected ARDL Model


ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV3
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.024595
.025248
.97410[.339]
dLPDB
-.33326
.35952
-.92696[.363]
dA0
5.3556
2.0950
2.5563[.017]
ecm(-1)
-.40166
.16848
-2.3841[.025]
******************************************************************
List of additional temporary variables created:
dLPAV3 = LPAV3-LPAV3(-1) ; dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)
ecm = LPAV3 -.061232*LRIOPP -.64635*LPDB -13.3335*A0
******************************************************************
R-Squared .33568 ; R-Bar-Squared .22496 ; S.E. of Regression .070640
F-stat. F( 3, 25) 4.0424[.018] ; Mean of Dependent Variable .035664
S.D. of Dependent Variable .080240 ; Residual Sum of Squares .11976
Equation Log-likelihood 38.4494 ; Akaike Info. Criterion 33.4494
Schwarz Bayesian Criterion 30.0311 ; DW-statistic 2.4798

283
Lampiran 17. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LPAV4


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRIOPP
LPDB

Coefficient
12.8356
.033587
.69719

Standard Error
.41546
.029212
.035334

T-Ratio[Prob]
30.8950[.000]
1.1498[.260]
19.7315[.000]

******************************************************************

R-Squared .94579 ; R-Bar-Squared .94177;


S.E. of Regression .084147 ; F-stat. F( 2, 27) 235.5184[.000];
Mean of Dependent Variable 21.7707; S.D. of Dependent Variable .34871;
Residual Sum of Squares .19118 Equation Log-likelihood 33.2679 ;
Akaike Info. Criterion 30.2679; Schwarz Bayesian Criterion 28.1661 ;
DW-statistic 1.2761
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.2054
26.0775
24.0775
22.8994
23.7649
ADF(1) -2.9591
26.2956
23.2956
21.5285
22.8268
ADF(2) -2.8820
26.6540
22.6540
20.2979
22.0289
ADF(3) -2.4212
26.6618
21.6618
18.7166
20.8804
ADF(4) -2.4220
27.0484
21.0484
17.5142
20.1108
ADF(5) -2.6174
28.0360
21.0360
16.9128
19.9421
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************
Test Statistic
LL
AIC
SBC
HQC
DF
-3.1946
26.2385
23.2385
21.4714
22.7696
ADF(1) -2.9726
26.5086
22.5086
20.1525
21.8835
ADF(2) -2.9219
26.9410
21.9410
18.9959
21.1597
ADF(3) -2.4831
26.9704
20.9704
17.4363
20.0328
ADF(4) -2.4766
27.3631
20.3631
16.2399
19.2692
ADF(5) -2.5565
28.1514
20.1514
15.4392
18.9013
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

284
Autoregressive Distributed Lag Estimates
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV4
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LPAV4(-1)
.58157
.16831
3.4554[.002]
LRIOPP
.024187
.024816
.97465[.339]
LPDB
-.30287
.35197
-.86048[.398]
LPDB(-1)
.56790
.31910
1.7797[.088]
A0
5.6699
2.1437
2.6449[.014]
******************************************************************
R-Squared
.96379 R-Bar-Squared .95775 ; S.E. of Regression
.069463
F-stat. F( 4, 24) 159.6973[.000] ; Mean of Dependent Variable 21.7902
S.D. of Dependent Variable .33796 ; Residual Sum of Squares .11580
Equation Log-likelihood 38.9365 ; Akaike Info. Criterion 33.9365 ;
Schwarz Bayesian Criterion 30.5183 ;
DW-statistic 2.4603 Durbin's h-statistic -2.9336[.003]
******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV4
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.057803
.063922
.90428[.375]
LPDB
.63340
.086869
7.2914[.000]
A0
13.5505
1.0186
13.3027[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV4
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.024187
.024816
.97465[.339]
dLPDB
-.30287
.35197
-.86048[.398]
dA0
5.6699
2.1437
2.6449[.014]
ecm(-1)
-.41843
.16831
-2.4861[.020]
******************************************************************
List of additional temporary variables created:
dLPAV4 = LPAV4-LPAV4(-1) ; dLRIOPP = LRIOPP-LRIOPP(-1)
dLPDB = LPDB-LPDB(-1) ; dA0 = A0-A0(-1)
ecm = LPAV4 -.057803*LRIOPP -.63340*LPDB -13.5505*A0
******************************************************************
R-Squared .33617 ; R-Bar-Squared .22553 ; S.E. of Regression .069463
F-stat. F( 3, 25) 4.0513[.018] ; Mean of Dependent Variable .034419
S.D. of Dependent Variable .078932 ; Residual Sum of Squares .11580
Equation Log-likelihood 38.9365 ; Akaike Info. Criterion 33.9365
Schwarz Bayesian Criterion 30.5183 ; DW-statistic 2.4603

285
Lampiran 18. Hasil Uji Kointegrasi dan Estimasi ECM Kebijakan Harga Input
Pertanian (AGIP) dan Harga Output Pertanian (AGOP) terhadap
Ketersediaan Protein
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LPAV1; 30 observations used for estimation from 1975 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
12.9148
.61518
20.9936[.000]
LRAGIP
.012300
.029997
.41004[.685]
LRAGOP
.025128
.024239
1.0367[.309]
LPDB
.68541
.048270
14.1995[.000]
******************************************************************
R-Squared .93969 R-Bar-Squared .93273; S.E. of Regression .090671;
F-stat. F( 3, 26) 135.0294[.000]; Mean of Dependent Variable 21.7039;
S.D. of Dependent Variable .34958; Residual Sum of Squares .21375;
Equation Log-likelihood 31.5940; Akaike Info. Criterion 27.5940;
Schwarz Bayesian Criterion 24.7916 ; DW-statistic 1.2753

******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004

******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.2016
24.7718
22.7718
21.5938
22.4593
ADF(1) -2.9682
25.0035
22.0035
20.2364
21.5347
ADF(2) -2.9221
25.4136
21.4136
19.0575
20.7885
ADF(3) -2.4160
25.4163
20.4163
17.4712
19.6350
ADF(4) -2.3971
25.7818
19.7818
16.2476
18.8442
ADF(5) -2.6229
26.8583
19.8583
15.7352
18.7645
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907
LL = Maximized log-likelihood
AIC = Akaike Information Criterion
SBC = Schwarz Bayesian Criterion HQC = Hannan-Quinn Criterion

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004

******************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.2077
24.9740
21.9740
20.2069
21.5052
ADF(1) -3.0039
25.2717
21.2717
18.9156
20.6466
ADF(2) -2.9871
25.7680
20.7680
17.8229
19.9867
ADF(3) -2.5041
25.7884
19.7884
16.2542
18.8508
ADF(4) -2.4741
26.1559
19.1559
15.0327
18.0620
ADF(5) -2.5541
26.9882
18.9882
14.2760
17.7380
******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

286
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV1; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LPAV1(-1)
.59068
.16954
3.4839[.002]
LRAGIP
.0024324
.024842
.097916[.923]
LRAGOP
.020033
.020337
.98505[.335]
LPDB
-.42183
.37170
-1.1349[.268]
LPDB(-1)
.66418
.33832
1.9632[.062]
A0
5.7643
2.1268
2.7104[.012]
******************************************************************
R-Squared
.96089 R-Bar-Squared
.95239
S.E. of Regression
.073936 F-stat. F( 5, 23) 113.0123[.000]
Mean of Dependent Variable 21.7233 S.D. of Dependent Variable
.33883
Residual Sum of Squares
.12573 Equation Log-likelihood
37.7442
Akaike Info. Criterion
31.7442 Schwarz Bayesian Criterion 27.6423
DW-statistic 2.4890 Durbin's h-statistic -3.2276[.001]

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV1
29 observations used for estimation from 1976 to 2004
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.0059425
.060363
.098446[.922]
LRAGOP
.048942
.054745
.89399[.381]
LPDB
.59208
.12260
4.8296[.000]
A0
14.0828
1.5356
9.1706[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV1; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0024324
.024842
.097916[.923]
dLRAGOP
.020033
.020337
.98505[.334]
dLPDB
-.42183
.37170
-1.1349[.268]
dA0
5.7643
2.1268
2.7104[.012]
ecm(-1)
-.40932
.16954
-2.4142[.024]
******************************************************************
List of additional temporary variables created:
dLPAV1 = LPAV1-LPAV1(-1) ; dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1) ; dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LPAV1 -.0059425*LRAGIP -.048942*LRAGOP -.59208*LPDB -14.0828*A0

******************************************************************
R-Squared
.36263 R-Bar-Squared .22407; S.E. of Regression .073936;
F-stat. F( 4, 24) 3.2714[.028]; Mean of Dependent Variable .034386;
S.D. of Dependent Variable .083935; Residual Sum of Squares
.12573;
Equation Log-likelihood 37.7442; Akaike Info. Criterion 31.7442;
Schwarz Bayesian Criterion 27.6423; DW-statistic 2.4890

287
Lampiran 18. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LPAV2
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
13.2003
.59986
22.0056[.000]
LRAGIP
.013535
.029250
.46272[.647]
LRAGOP
.024660
.023636
1.0433[.306]
LPDB
.66528
.047068
14.1344[.000]
******************************************************************
R-Squared .93915 ; R-Bar-Squared .93213 ; S.E. of Regression .088413
F-stat. F( 3, 26) 133.7691[.000] ; Mean of Dependent Variable 21.7448
S.D. of Dependent Variable .33938 ; Residual Sum of Squares .20324
Equation Log-likelihood 32.3504 ; Akaike Info. Criterion 28.3504
Schwarz Bayesian Criterion 25.5480 ;
DW-statistic 1.2906
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.2388
ADF(1) -3.0191
ADF(2) -2.9103
ADF(3) -2.4731
ADF(4) -2.3407
ADF(5) -2.5697

LL
25.3135
25.5746
25.9160
25.9359
26.1667
27.2002

AIC
23.3135
22.5746
21.9160
20.9359
20.1667
20.2002

SBC
22.1354
20.8075
19.5599
17.9907
16.6325
16.0770

HQC
23.0009
22.1058
21.2909
20.1545
19.2290
19.1063

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.2402
ADF(1) -3.0523
ADF(2) -2.9772
ADF(3) -2.5676
ADF(4) -2.4334
ADF(5) -2.5201

LL
25.5085
25.8435
26.2752
26.3323
26.5728
27.3680

AIC
22.5085
21.8435
21.2752
20.3323
19.5728
19.3680

SBC
20.7414
19.4874
18.3300
16.7981
15.4496
14.6558

HQC
22.0397
21.2184
20.4938
19.3947
18.4789
18.1179

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

288
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV2; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LPAV2(-1)
.57175
.17016
3.3600[.003]
LRAGIP
.0042549
.024486
.17377[.864]
LRAGOP
.017704
.020019
.88434[.386]
LPDB
-.39024
.36480
-1.0697[.296]
LPDB(-1)
.64229
.33336
1.9267[.066]
A0
6.0731
2.1892
2.7741[.011]
******************************************************************
R-Squared .95975 ; R-Bar-Squared .95100
S.E. of Regression .072866 ; F-stat. F( 5, 23) 109.6880[.000]
Mean of Dependent Variable 21.7636 ; S.D. of Dependent Variable .32918
Residual Sum of Squares .12212 ; Equation Log-likelihood 38.1667
Akaike Info. Criterion 32.1667; Schwarz Bayesian Criterion 28.0648
DW-statistic 2.4624 Durbin's h-statistic -3.1100[.002]

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV2; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.0099356
.056705
.17521[.862]
LRAGOP
.041340
.050042
.82610[.417]
LPDB
.58857
.11131
5.2875[.000]
A0
14.1813
1.4041
10.0997[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV2; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0042549
.024486
.17377[.864]
dLRAGOP
.017704
.020019
.88434[.385]
dLPDB
-.39024
.36480
-1.0697[.295]
dA0
6.0731
2.1892
2.7741[.011]
ecm(-1)
-.42825
.17016
-2.5167[.019]
******************************************************************
List of additional temporary variables created:
dLPAV2 = LPAV2-LPAV2(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LPAV2 -.0099356*LRAGIP -.041340*LRAGOP -.58857*LPDB-14.1813*A0

******************************************************************
R-Squared .35803 ; R-Bar-Squared .21848 ; S.E. of Regression .072866 ;
F-stat. F( 4, 24) 3.2069[.030]; Mean of Dependent Variable .033164 ;
S.D. of Dependent Variable .082424 ; Residual Sum of Squares .12212 ;
Equation Log-likelihood 38.1667; Akaike Info. Criterion 32.1667 ;
Schwarz Bayesian Criterion 28.0648; DW-statistic 2.4624

289
Lampiran 18. (lanjutan)
Ordinary Least Squares Estimation
*********************************************************************

Dependent variable is LPAV3


30 observations used for estimation from 1975 to 2004
*********************************************************************

Regressor
A0
LRAGIP
LRAGOP
LPDB

Coefficient
12.6627
.011190
.023631
.70939

Standard Error
.59063
.028800
.023272
.046344

T-Ratio[Prob]
21.4395[.000]
.38855[.701]
1.0154[.319]
15.3071[.000]

*********************************************************************

R-Squared .94731 ; R-Bar-Squared .94123 ; S.E. of Regression .087052


F-stat. F( 3, 26) 155.8124[.000] ; Mean of Dependent Variable 21.7307
S.D. of Dependent Variable .35908 ; Residual Sum of Squares .19703
Equation Log-likelihood 32.8158 ; Akaike Info. Criterion 28.8158
Schwarz Bayesian Criterion 26.0134 ;
DW-statistic 1.2874
********************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
*********************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
***************************************************************
Test Statistic LL
AIC
SBC
HQC
DF
-3.2241
25.6596
23.6596
22.4816
23.3471
ADF(1) -2.9379
25.8448
22.8448
21.0777
22.3760
ADF(2) -2.8966
26.2494
22.2494
19.8933
21.6243
ADF(3) -2.3950
26.2513
21.2513
18.3062
20.4699
ADF(4) -2.4189
26.6757
20.6757
17.1416
19.7381
ADF(5) -2.6387
27.7450
20.7450
16.6218
19.6511
*********************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
*********************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
*********************************************************************

Test Statistic
DF
-3.2238
ADF(1) -2.9636
ADF(2) -2.9473
ADF(3) -2.4666
ADF(4) -2.4752
ADF(5) -2.5605

LL
25.8474
26.0847
26.5643
26.5796
26.9987
27.8422

AIC
22.8474
22.0847
21.5643
20.5796
19.9987
19.8422

SBC
21.0803
19.7286
18.6191
17.0454
15.8755
15.1300

HQC
22.3786
21.4596
20.7829
19.6420
18.9048
18.5921

*********************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

290
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LPAV3(-1)
.58997
.17298
3.4106[.002]
LRAGIP
.0028024
.024096
.11630[.908]
LRAGOP
.018544
.019753
.93875[.358]
LPDB
-.33930
.36419
-.93166[.361]
LPDB(-1)
.59492
.32869
1.8100[.083]
A0
5.6311
2.1280
2.6462[.014]
******************************************************************
R-Squared .96494 R-Bar-Squared .95732; S.E. of Regression .071847;
F-stat. F( 5, 23) 126.5956[.000]; Mean of Dependent Variable 21.7509;
S.D. of Dependent Variable .34776; Residual Sum of Squares .11873;
Equation Log-likelihood 38.5752; Akaike Info. Criterion 32.5752;
Schwarz Bayesian Criterion 28.4733; DW-statistic 2.4939; Dh-statistic -3.6564[.000]

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.0068347
.058431
.11697[.908]
LRAGOP
.045225
.052694
.85826[.400]
LPDB
.62342
.11812
5.2779[.000]
A0
13.7334
1.4796
9.2816[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV3; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0028024
.024096
.11630[.908]
dLRAGOP
.018544
.019753
.93875[.357]
dLPDB
-.33930
.36419
-.93166[.361]
dA0
5.6311
2.1280
2.6462[.014]
ecm(-1)
-.41003
.17298
-2.3704[.026]
******************************************************************
List of additional temporary variables created:
dLPAV3 = LPAV3-LPAV3(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LPAV3 -.0068347*LRAGIP -.045225*LRAGOP -.62342*LPDB-13.7334*A0

******************************************************************
R-Squared
.34142 ; R-Bar-Squared .19825 ; S.E. of Regression .071847;
F-stat. F( 4, 24) 2.9809[.039]; Mean of Dependent Variable .035664;
S.D. of Dependent Variable .080240; Residual Sum of Squares .11873;
Equation Log-likelihood 38.5752; Akaike Info. Criterion 32.5752;
Schwarz Bayesian Criterion 28.4733; DW-statistic
2.4939

291
Lampiran 18. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************

Dependent variable is LPAV4


30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRAGIP
LRAGOP
LPDB

Coefficient
12.9534
.012348
.023158
.68881

Standard Error
.57661
.028116
.022719
.045244

T-Ratio[Prob]
22.4647[.000]
.43918[.664]
1.0193[.317]
15.2245[.000]

******************************************************************

R-Squared .94675 ; R-Bar-Squared .94060 ;


S.E. of Regression .084986; F-stat. F( 3, 26) 154.0838[.000] ;
Mean of Dependent Variable 21.7707; S.D. of Dependent Variable .34871;
Residual Sum of Squares .18779; Equation Log-likelihood 33.5364 ;
Akaike Info. Criterion 29.5364 ; Schwarz Bayesian Criterion 26.7340 ;
DW-statistic 1.3026
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.2618
ADF(1) -2.9893
ADF(2) -2.8834
ADF(3) -2.4507
ADF(4) -2.3642
ADF(5) -2.5851

LL
26.1773
26.3899
26.7226
26.7400
27.0224
28.0466

AIC
24.1773
23.3899
22.7226
21.7400
21.0224
21.0466

SBC
22.9992
21.6228
20.3664
18.7949
17.4882
16.9234

HQC
23.8647
22.9211
22.0975
20.9587
20.0848
19.9527

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.2572
ADF(1) -3.0128
ADF(2) -2.9362
ADF(3) -2.5283
ADF(4) -2.4360
ADF(5) -2.5247

LL
26.3590
26.6310
27.0426
27.0909
27.3773
28.1791

AIC
23.3590
22.6310
22.0426
21.0909
20.3773
20.1791

SBC
21.5919
20.2749
19.0975
17.5567
16.2541
15.4668

HQC
22.8902
22.0059
21.2613
20.1533
19.2834
18.9289

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

292
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV4; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LPAV4(-1)
.57042
.17350
3.2878[.003]
LRAGIP
.0045323
.023768
.19069[.850]
LRAGOP
.016280
.019464
.83638[.412]
LPDB
-.31060
.35755
-.86866[.394]
LPDB(-1)
.57646
.32414
1.7784[.089]
A0
5.9472
2.1912
2.7142[.012]
******************************************************************
R-Squared .96388 R-Bar-Squared .95603; S.E. of Regression .070865;
F-stat. F( 5, 23) 122.7664[.000]; Mean of Dependent Variable 21.7902;
S.D. of Dependent Variable .33796; Residual Sum of Squares .11550;
Equation Log-likelihood 38.9743; Akaike Info. Criterion 32.9743;
Schwarz Bayesian Criterion 28.8724; DW-statistic 2.4665; Dh-statistic -3.5237[.000]

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LPAV4
29 observations used for estimation from 1976 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRAGIP
.010550
.054889
.19221[.849]
LRAGOP
.037896
.048162
.78685[.439]
LPDB
.61888
.10711
5.7778[.000]
A0
13.8441
1.3515
10.2432[.000]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,1) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLPAV4; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRAGIP
.0045323
.023768
.19069[.850]
dLRAGOP
.016280
.019464
.83638[.411]
dLPDB
-.31060
.35755
-.86866[.394]
dA0
5.9472
2.1912
2.7142[.012]
ecm(-1)
-.42958
.17350
-2.4761[.021]
******************************************************************
List of additional temporary variables created:
dLPAV4 = LPAV4-LPAV4(-1); dLRAGIP = LRAGIP-LRAGIP(-1)
dLRAGOP = LRAGOP-LRAGOP(-1); dLPDB = LPDB-LPDB(-1); dA0 = A0-A0(-1)
ecm = LPAV4 -.010550*LRAGIP -.037896*LRAGOP -.61888*LPDB -13.8441*A0

******************************************************************
R-Squared .33790 R-Bar-Squared .19397; S.E. of Regression .070865;
F-stat. F( 4, 24) 2.9345[.042]; Mean of Dependent Variable .034419;
S.D. of Dependent Variable .078932; Residual Sum of Squares .11550;
Equation Log-likelihood 38.9743; Akaike Info. Criterion 32.9743;
Schwarz Bayesian Criterion 28.8724; DW-statistic 2.4665

293
Lampiran 19. Hasil Uji Kointegrasi dan Estimasi ECM Kebijakan Harga Pertanian
(IOPP) terhadap Konsumsi Energi
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEACK1
30 observations used for estimation from 1975 to 2004
******************************************************************

Regressor
A0
LRIOPP
LIHK
LGDPK

Coefficient
-.39866
.010586
-.10996
.12162

Standard Error
T-Ratio[Prob]
.26281
-1.5169[.141]
.023102
.45823[.651]
.038974
-2.8214[.009]
.11269
1.0792[.290]

******************************************************************
R-Squared .52668 ; R-Bar-Squared .47206 ; S.E. of Regression .062499
F-stat. F( 3, 26) 9.6435[.000] ; Mean of Dependent Variable -.75584
S.D. of Dependent Variable .086017 ; Residual Sum of Squares .10156
Equation Log-likelihood 42.7565 ; Akaike Info. Criterion 38.7565
Schwarz Bayesian Criterion 35.9541 ;
DW-statistic 1.0905
******************************************************************
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.3213
ADF(1) -2.6742
ADF(2) -1.7021
ADF(3) -1.6079
ADF(4) -1.4294
ADF(5) -1.6635

LL
36.4326
36.4372
37.1386
37.1510
37.1750
38.2472

AIC
34.4326
33.4372
33.1386
32.1510
31.1750
31.2472

SBC
33.2546
31.6701
30.7825
29.2058
27.6409
27.1240

HQC
34.1201
32.9683
32.5135
31.3696
30.2374
30.1533

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907
Unit root tests for variable RES
The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************
24 observations used in the estimation of all ADF regressions.
Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.8356
ADF(1) -3.3996
ADF(2) -2.2514
ADF(3) -2.1767
ADF(4) -2.1546
ADF(5) -1.9157

LL
37.9575
38.4255
38.4311
38.4698
38.7822
39.0608

AIC
34.9575
34.4255
33.4311
32.4698
31.7822
31.0608

SBC
33.1904
32.0694
30.4859
28.9357
27.6590
26.3486

HQC
34.4886
33.8004
32.6497
31.5322
30.6883
29.8107

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

294
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEACK1; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEACK1(-1)
.42785
.18923
2.2610[.033]
LRIOPP
.0017394
.020759
.083788[.934]
LIHK
-.050101
.042005
-1.1927[.245]
LGDPK
.011208
.10516
.10657[.916]
A0
-.22679
.24468
-.92689[.363]
******************************************************************
R-Squared .66368 R-Bar-Squared .60763; S.E. of Regression .054729;
F-stat. F( 4, 24) 11.8401[.000] ; Mean of Dependent Variable -.75487;
S.D. of Dependent Variable .087371 ; Residual Sum of Squares .071886;
Equation Log-likelihood 45.8504; Akaike Info. Criterion 40.8504;
Schwarz Bayesian Criterion 37.4321; DW-statistic 2.1372; Dh-statistic *NONE*

******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEACK1; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.0030401
.036073
.084275[.934]
LIHK
-.087567
.061312
-1.4282[.166]
LGDPK
.019589
.18195
.10766[.915]
A0
-.39638
.40265
-.98444[.335]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEACK1; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.0017394
.020759
.083788[.934]
dLIHK
-.050101
.042005
-1.1927[.245]
dLGDPK
.011208
.10516
.10657[.916]
dA0
-.22679
.24468
-.92689[.363]
ecm(-1)
-.57215
.18923
-3.0235[.006]
******************************************************************
List of additional temporary variables created:
dLEACK1 = LEACK1-LEACK1(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLIHK = LIHK-LIHK(-1); dLGDPK = LGDPK-LGDPK(-1); dA0 = A0-A0(-1)
ecm = LEACK1 -.0030401*LRIOPP + .087567*LIHK -.019589*LGDPK + .39638*A0

******************************************************************
R-Squared
.32023 R-Bar-Squared .20693
S.E. of Regression
.054729 F-stat. F( 4, 24) 2.8265[.047]
Mean of Dependent Variable -.0017104 S.D. of Dependent Variable .061456
Residual Sum of Squares .071886 Equation Log-likelihood
45.8504
Akaike Info. Criterion 40.8504 Schwarz Bayesian Criterion 37.4321
DW-statistic 2.1372

295
Lampiran 19. (lanjutan)
Ordinary Least Squares Estimation
******************************************************************
Dependent variable is LEACK4
30 observations used for estimation from 1975 to 2004
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
A0
-.24921
.23135
-1.0772[.291]
LRIOPP
.0055485
.020336
.27284[.787]
LIHK
-.11340
.034308
-3.3055[.003]
LGDPK
.092855
.099200
.93604[.358]
******************************************************************
R-Squared .66499 ; R-Bar-Squared .62634 ; S.E. of Regression .055017
F-stat. F( 3, 26) 17.2033[.000] ; Mean of Dependent Variable -.67280
S.D. of Dependent Variable .090003 ; Residual Sum of Squares .078699;
Equation Log-likelihood 46.5817 ; Akaike Info. Criterion 42.5817
Schwarz Bayesian Criterion 39.7793 ;
DW-statistic 1.2200
******************************************************************

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept but not a trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.4011
ADF(1) -2.7806
ADF(2) -1.7147
ADF(3) -1.6304
ADF(4) -1.4015
ADF(5) -1.5888

LL
37.8627
37.8894
38.6168
38.6375
38.6906
39.3826

AIC
35.8627
34.8894
34.6168
33.6375
32.6906
32.3826

SBC
34.6846
33.1223
32.2606
30.6924
29.1564
28.2595

HQC
35.5501
34.4205
33.9917
32.8562
31.7529
31.2888

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -2.9907

Unit root tests for variable RES


The Dickey-Fuller regressions include an intercept and a linear trend
******************************************************************

24 observations used in the estimation of all ADF regressions.


Sample period from 1981 to 2004
******************************************************************

Test Statistic
DF
-3.6143
ADF(1) -3.0983
ADF(2) -1.8734
ADF(3) -1.8088
ADF(4) -1.6711
ADF(5) -1.6290

LL
38.6164
38.8588
39.0855
39.1274
39.2733
39.6361

AIC
35.6164
34.8588
34.0855
33.1274
32.2733
31.6361

SBC
33.8493
32.5027
31.1403
29.5932
28.1502
26.9239

HQC
35.1476
34.2337
33.3041
32.1898
31.1795
30.3859

******************************************************************
95% critical value for the augmented Dickey-Fuller statistic = -3.6119

296
Autoregressive Distributed Lag Estimates
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEACK4; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LEACK4(-1)
.35492
.20360
1.7432[.094]
LRIOPP
.9210E-3
.019012
.048441[.962]
LIHK
-.060469
.042337
-1.4283[.166]
LGDPK
.0064480
.097880
.065877[.948]
A0
-.17492
.21854
-.80039[.431]
******************************************************************
R-Squared .73832 R-Bar-Squared
.69471
S.E. of Regression
.050582 F-stat. F( 4, 24) 16.9287[.000]
Mean of Dependent Variable -.67335 S.D. of Dependent Variable .091546
Residual Sum of Squares .061405 Equation Log-likelihood
48.1353
Akaike Info. Criterion 43.1353 Schwarz Bayesian Criterion 39.7171
DW-statistic 2.0136 Durbin's h-statistic
*NONE*
******************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is LEACK4; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
LRIOPP
.0014277
.029395
.048568[.962]
LIHK
-.093738
.050978
-1.8388[.078]
LGDPK
.0099956
.15074
.066309[.948]
A0
-.27116
.32998
-.82173[.419]
******************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,0,0,0) selected based on Schwarz Bayesian Criterion
******************************************************************
Dependent variable is dLEACK4; 29 observations used for estimation from 1976 to 2004

******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dLRIOPP
.9210E-3
.019012
.048441[.962]
dLIHK
-.060469
.042337
-1.4283[.166]
dLGDPK
.0064480
.097880
.065877[.948]
dA0
-.17492
.21854
-.80039[.431]
ecm(-1)
-.64508
.20360
-3.1683[.004]
******************************************************************
List of additional temporary variables created:
dLEACK4 = LEACK4-LEACK4(-1); dLRIOPP = LRIOPP-LRIOPP(-1)
dLIHK = LIHK-LIHK(-1); dLGDPK = LGDPK-LGDPK(-1); dA0 = A0-A0(-1)
ecm = LEACK4 -.0014277*LRIOPP + .093738*LIHK -.0099956*LGDPK + .27116*A0

******************************************************************
R-Squared .33942 R-Bar-Squared .22933; S.E. of Regression .050582;
F-stat. F( 4, 24) 3.0830[.035]; Mean of Dependent Variable -.0034933;
S.D. of Dependent Variable .057619; Residual Sum of Squares .061405;
Equation Log-likelihood 48.1353; Akaike Info. Criterion 43.1353;
Schwarz Bayesian Criterion 39.7171 ; DW-statistic 2.0136

297
Lampiran 20. Hasil Retsriksi Umum
ML estimates subject to exactly identifying restriction(s)
Estimates of Restricted Cointegrating Relations (SE's in Brackets),
Converged after 2 iterations
Cointegration with unrestricted intercepts and restricted trends in the VAR
******************************************************************
96 observations from 1981Q1 to 2004Q4. Order of VAR = 3, chosen r =2.
List of variables included in the cointegrating vector:
LIHK
LRIOPP
LREXR
LUNM
LRMSI
LRGDP
RIRT
LRINV
RBOT
Trend
******************************************************************
List of imposed restriction(s) on cointegrating vectors:
A1=1; A2=0; B1=0; B2=1
******************************************************************
Vector 1
Vector 2
LIHK
1.0000
0.00
( *NONE*)
( *NONE*)
LRIOPP

0.00
( *NONE*)

1.0000
( *NONE*)

LREXR

-.039963
( .11226)

-6.0552
( 1.3899)

LUNM

-.15148
( .048586)

.67042
( .59997)

LRMSI

-.46840
( .13311)

-3.3320
( 1.5426)

LRGDP

1.9783
( .48538)

-16.0962
( 6.1582)

RIRT

.0038927
( .0073713

.12014
( .090249)

LRINV

-.073364
( .049801)

1.3964
( .61813)

RBOT

-.7494E-4
( .2084E-4)

.4425E-3
( .2515E-3)

Trend

-.036322
.29802
( .0063064)
( .078634)
******************************************************************
LL subject to exactly identifying restrictions= 21.2291
******************************************************************

298
Lampiran 21. Hasil Restriksi Khusus
ML estimates subject to over identifying restriction(s)
Estimates of Restricted Cointegrating Relations (SE's in Brackets)
Converged after 19 iterations
Cointegration with unrestricted intercepts and restricted trends in the VAR
******************************************************************
96 observations from 1981Q1 to 2004Q4. Order of VAR = 3, chosen r =2.
List of variables included in the cointegrating vector:
LIHK
LRIOPP
LREXR
LUNM
LRMSI
LRGDP
RIRT
LRINV
RBOT
Trend

******************************************************************
List of imposed restriction(s) on cointegrating vectors:
A1=1; A4=0; A6=0; B2=1; B5=0

******************************************************************
LIHK

Vector 1
1.0000
( *NONE*)

Vector 2
-7.5840
( 4.0504)

LRIOPP

.15193
( .033087)

1.0000
( *NONE*)

LREXR

-.86441
( .15833)

-5.3806
( 1.5553)

LUNM

.0000
( *NONE*)

2.0045
( 1.0037)

LRMSI

-1.0311
( .26991)

.0000
( *NONE*)

LRGDP

.0000
( *NONE*)

-29.2798
( 8.4626)

RIRT

.027757
( .012135)

.11271
( .10016)

LRINV

.098152
( .029759)

1.7935
( .71116)

RBOT

-.2052E-4
( .2467E-4)

.9608E-3
( .3587E-3)

Trend

.0031148
( .0069210)

.55100
( .17655)

******************************************************************
LR Test of Restrictions
CHSQ( 1)= .33170[.565]
DF=Total no of restrictions(5) - no of just-identifying restrictions(4)
LL subject to exactly identifying restrictions= 21.2291
LL subject to over-identifying restrictions= 21.0632
******************************************************************

299
Lampiran 22. Hasil Pendugaan Model VECM
ECM for variable LIHK estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLIHK
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
.89109
.89986
.99026[.325]
dLIHK1
.18354
.13315
1.3784[.172]
dLRIOPP1
-.0038005
.0080451
-.47240[.638]
dLREXR1
.092946
.033988
2.7347[.008]
dLUNM1
-.026086
.019410
-1.3439[.183]
dLRMSI1
-.010516
.068683
-.15311[.879]
dLRGDP1
-.11717
.10877
-1.0773[.285]
dRIRT1
.0019209
.9894E-3
1.9416[.056]
dLRINV1
-.0058925
.0045400
-1.2979[.198]
dRBOT1
-.6629E-5
.3163E-5
-2.0957[.039]
dLIHK2
.15195
.16128
.94214[.349]
dLRIOPP2
.0029342
.0080554
.36426[.717]
dLREXR2
.084962
.032711
2.5974[.011]
dLUNM2
-.022405
.019204
-1.1667[.247]
dLRMSI2
-.031609
.073808
-.42826[.670]
dLRGDP2
.019026
.10176
.18697[.852]
dRIRT2
.0018548
.8807E-3
2.1061[.039]
dLRINV2
-.3069E-3
.0038307
-.080110[.936]
dRBOT2
-.6080E-5
.2707E-5
-2.2458[.028]
ecm1(-1)
-.058223
.023123
-2.5180[.014]
ecm2(-1)
.0043388
.0027778
1.5620[.123]
******************************************************************
List of additional temporary variables created:
dLIHK = LIHK-LIHK(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

300
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.67894 R-Bar-Squared .59333
S.E. of Regression
.019447 F-stat. F( 20, 75) 7.9302[.000]
Mean of Dependent Variable .024680 S.D. of Dependent Variable .030495
Residual Sum of Squares .028364 Equation Log-likelihood
253.8779
Akaike Info. Criterion 232.8779 Schwarz Bayesian Criterion 205.9522
DW-statistic
2.0164 System Log-likelihood
21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 4.9563[.292]*F( 4, 71)= .96629[.431]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 22.0747[.000]*F( 1, 74)= 22.0970[.000]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 259.6314[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= 3.8122[.051]*F( 1, 94)= 3.8871[.052]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

301
Lampiran 22. (lanjutan)
ECM for variable LRIOPP estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLRIOPP
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
-19.8037
12.2242
-1.6200[.109]
dLIHK1
-2.1477
1.8088
-1.1873[.239]
dLRIOPP1
.098102
.10929
.89765[.372]
dLREXR1
-.55224
.46171
-1.1961[.235]
dLUNM1
-.27604
.26368
-1.0469[.299]
dLRMSI1
-.91557
.93303
-.98129[.330]
dLRGDP1
.45339
1.4776
.30684[.760]
dRIRT1
-.0022724
.013440
-.16908[.866]
dLRINV1
.11891
.061673
1.9280[.058]
dRBOT1
-.4870E-5
.4297E-4
-.11333[.910]
dLIHK2
-3.2775
2.1909
-1.4960[.139]
dLRIOPP2
.081325
.10943
.74318[.460]
dLREXR2
-1.0134
.44436
-2.2807[.025]
dLUNM2
-.28110
.26087
-1.0776[.285]
dLRMSI2
-2.0346
1.0027
-2.0292[.046]
dLRGDP2
-2.2731
1.3823
-1.6444[.104]
dRIRT2
.017304
.011964
1.4464[.152]
dLRINV2
.039188
.052038
.75306[.454]
dRBOT2
-.5628E-5
.3678E-4
-.15303[.879]
ecm1(-1)
-1.0117
.31411
-3.2209[.002]
ecm2(-1)
-.029824
.037734
-.79036[.432]
******************************************************************
List of additional temporary variables created:
dLRIOPP = LRIOPP-LRIOPP(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

302
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT +
.098152*LRINV -.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.30167 R-Bar-Squared
.11545
S.E. of Regression
.26418 F-stat. F( 20, 75) 1.6200[.070]
Mean of Dependent Variable -.012769 S.D. of Dependent Variable .28089
Residual Sum of Squares
5.2342 Equation Log-likelihood
3.4206
Akaike Info. Criterion -17.5794 Schwarz Bayesian Criterion -44.5051
DW-statistic 2.1324 System Log-likelihood 21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 4.6465[.326]*F( 4, 71)= .90282[.467]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= .0044732[.947]*F( 1, 74)= .0034482[.953]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 94.4595[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= 1.4546[.228]*F( 1, 94)= 1.4462[.232]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

303
Lampiran 22. (lanjutan)
ECM for variable LREXR estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLREXR
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
7.0855
4.1086
1.7245[.089]
dLIHK1
-1.5588
.60796
-2.5640[.012]
dLRIOPP1
.031348
.036732
.85343[.396]
dLREXR1
.47317
.15518
3.0491[.003]
dLUNM1
-.6010E-3
.088623
-.0067810[.995]
dLRMSI1
-.43042
.31360
-1.3725[.174]
dLRGDP1
.29221
.49662
.58839[.558]
dRIRT1
-.0016564
.0045173
-.36669[.715]
dLRINV1
-.054867
.020729
-2.6469[.010]
dRBOT1
-.4865E-4
.1444E-4
-3.3685[.001]
dLIHK2
-.22971
.73636
-.31195[.756]
dLRIOPP2
.0029079
.036780
.079063[.937]
dLREXR2
.41839
.14935
2.8014[.006]
dLUNM2
-.18799
.087680
-2.1441[.035]
dLRMSI2
-.72582
.33700
-2.1538[.034]
dLRGDP2
.55497
.46461
1.1945[.236]
dRIRT2
.0032596
.0040212
.81060[.420]
dLRINV2
-.0029396
.017490
-.16807[.867]
dRBOT2
-.3445E-4
.1236E-4
-2.7870[.007]
ecm1(-1)
-.0013953
.10557
-.013216[.989]
ecm2(-1)
.021038
.012683
1.6588[.101]
******************************************************************
List of additional temporary variables created:
dLREXR = LREXR-LREXR(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

304
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT +
.098152*LRINV -.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.44746 R-Bar-Squared
.30012
S.E. of Regression
.088791 F-stat. F( 20, 75) 3.0369[.000]
Mean of Dependent Variable .011478 S.D. of Dependent Variable .10613
Residual Sum of Squares
.59129 Equation Log-likelihood
108.0922
Akaike Info. Criterion
87.0922 Schwarz Bayesian Criterion 60.1665
DW-statistic
1.9875 System Log-likelihood
21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 7.0073[.136]*F( 4, 71)= 1.3976[.244]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 2.2172[.136]*F( 1, 74)= 1.7495[.190]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 226.8074[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= 19.6866[.000]*F( 1, 94)= 24.2493[.000]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

305
Lampiran 22. (lanjutan)
ECM for variable LUNM estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLUNM
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
5.2369
5.4731
.95685[.342]
dLIHK1
.096472
.80986
.11912[.905]
dLRIOPP1
-.056981
.048931
-1.1645[.248]
dLREXR1
.054863
.20672
.26540[.791]
dLUNM1
-.12050
.11805
-1.0207[.311]
dLRMSI1
.24763
.41774
.59280[.555]
dLRGDP1
.21810
.66155
.32969[.743]
dRIRT1
.0034850
.0060174
.57915[.564]
dLRINV1
-.023214
.027613
-.84071[.403]
dRBOT1
-.1649E-4
.1924E-4
-.85735[.394]
dLIHK2
1.1041
.98091
1.1256[.264]
dLRIOPP2
-.031365
.048994
-.64017[.524]
dLREXR2
-.24838
.19895
-1.2485[.216]
dLUNM2
-.11724
.11680
-1.0038[.319]
dLRMSI2
.33981
.44891
.75697[.451]
dLRGDP2
.74969
.61890
1.2113[.230]
dRIRT2
.0055182
.0053566
1.0302[.306]
dLRINV2
.010442
.023299
.44819[.655]
dRBOT2
-.1054E-4
.1647E-4
-.63983[.524]
ecm1(-1)
-.17699
.14063
-1.2585[.212]
ecm2(-1)
.020953
.016895
1.2402[.219]
******************************************************************
List of additional temporary variables created:
dLUNM = LUNM-LUNM(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

306
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.17376 R-Bar-Squared
-.046570
S.E. of Regression
.11828 F-stat. F( 20, 75) .78864[.719]
Mean of Dependent Variable .026120 S.D. of Dependent Variable .11562
Residual Sum of Squares
1.0492 Equation Log-likelihood
80.5639
Akaike Info. Criterion
59.5639 Schwarz Bayesian Criterion 32.6383
DW-statistic
1.9377 System Log-likelihood
21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= .82335[.935]*F( 4, 71)= .15355[.961]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 17.2358[.000]*F( 1, 74)= 16.1932[.000]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 117.8353[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= 12.7099[.000]*F( 1, 94)= 14.3442[.000]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

307
Lampiran 22. (lanjutan)
ECM for variable LRMSI estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLRMSI
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
1.4342
1.6589
.86454[.390]
dLIHK1
-.29106
.24547
-1.1857[.239]
dLRIOPP1
-.0070917
.014831
-.47815[.634]
dLREXR1
.074194
.062658
1.1841[.240]
dLUNM1
.9358E-3
.035783
.026152[.979]
dLRMSI1
.21106
.12662
1.6669[.100]
dLRGDP1
.56511
.20052
2.8182[.006]
dRIRT1
-.8486E-3
.0018239
-.46527[.643]
dLRINV1
-.0098861
.0083696
-1.1812[.241]
dRBOT1
-.1909E-5
.5832E-5
-.32732[.744]
dLIHK2
.34581
.29732
1.1631[.248]
dLRIOPP2
-.012057
.014850
-.81191[.419]
dLREXR2
.095326
.060303
1.5808[.118]
dLUNM2
.016414
.035402
.46364[.644]
dLRMSI2
.031479
.13607
.23135[.818]
dLRGDP2
.46269
.18759
2.4664[.016]
dRIRT2
-.0019252
.0016236
-1.1858[.239]
dLRINV2
-.0056719
.0070620
-.80316[.424]
dRBOT2
-.1005E-4
.4991E-5
-2.0136[.048]
ecm1(-1)
.11943
.042627
2.8018[.006]
ecm2(-1)
.7546E-3
.0051209
.14737[.883]
******************************************************************
List of additional temporary variables created:
dLRMSI = LRMSI-LRMSI(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

308
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.47329 R-Bar-Squared
.33283
S.E. of Regression
.035851 F-stat. F( 20, 75) 3.3696[.000]
Mean of Dependent Variable .016399 S.D. of Dependent Variable .043892
Residual Sum of Squares .096396 Equation Log-likelihood
195.1564
Akaike Info. Criterion 174.1564 Schwarz Bayesian Criterion 147.2307
DW-statistic 2.0954 System Log-likelihood 21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 9.1269[.058]*F( 4, 71)= 1.8648[.126]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 4.1638[.041]*F( 1, 74)= 3.3552[.071]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 2.7378[.254]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= .17940[.672]*F( 1, 94)= .17599[.676]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

309
Lampiran 22. (lanjutan)
ECM for variable LRGDP estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLRGDP
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
1.2672
1.1622
1.0904[.279]
dLIHK1
-.67962
.17197
-3.9521[.000]
dLRIOPP1
.011722
.010390
1.1282[.263]
dLREXR1
-.032862
.043895
-.74864[.456]
dLUNM1
-.3323E-3
.025068
-.013255[.989]
dLRMSI1
-.23648
.088703
-2.6659[.009]
dLRGDP1
-.42031
.14047
-2.9921[.004]
dRIRT1
-.0013107
.0012777
-1.0258[.308]
dLRINV1
-.0017095
.0058633
-.29156[.771]
dRBOT1
-.8857E-6
.4085E-5
-.21681[.829]
dLIHK2
.060832
.20829
.29206[.771]
dLRIOPP2
-.011456
.010403
-1.1011[.274]
dLREXR2
-.042574
.042245
-1.0078[.317]
dLUNM2
.012212
.024801
.49238[.624]
dLRMSI2
.024914
.095322
.26137[.795]
dLRGDP2
-.10988
.13142
-.83609[.406]
dRIRT2
-.6111E-3
.0011374
-.53729[.593]
dLRINV2
-.2642E-3
.0049473
-.053403[.958]
dRBOT2
.1647E-5
.3497E-5
.47113[.639]
ecm1(-1)
-.035397
.029862
-1.1853[.240]
ecm2(-1)
.0047250
.0035874
1.3171[.192]
******************************************************************
List of additional temporary variables created:
dLRGDP = LRGDP-LRGDP(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

310
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared .43767 R-Bar-Squared .28771
S.E. of Regression
.025115 F-stat. F( 20, 75) 2.9187[.000]
Mean of Dependent Variable .011604 S.D. of Dependent Variable .029758
Residual Sum of Squares .047308 Equation Log-likelihood
229.3219
Akaike Info. Criterion 208.3219 Schwarz Bayesian Criterion 181.3963
DW-statistic 2.0431 System Log-likelihood
21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 10.0144[.040]*F( 4, 71)= 2.0673[.094]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= .50667[.477]*F( 1, 74)= .39263[.533]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 30.8005[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= .71262[.399]*F( 1, 94)= .70300[.404]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

311
Lampiran 22. (lanjutan)
ECM for variable RIRT estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dRIRT
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
15.7084
39.5744
.39693[.693]
dLIHK1
-102.7526
5.8559
-17.5469[.000]
dLRIOPP1
.39767
.35381
1.1240[.265]
dLREXR1
-1.7307
1.4947
-1.1579[.251]
dLUNM1
-.52626
.85362
-.61651[.539]
dLRMSI1
-3.0450
3.0206
-1.0081[.317]
dLRGDP1
-.62542
4.7835
-.13075[.896]
dRIRT1
-.055538
.043510
-1.2764[.206]
dLRINV1
.13524
.19966
.67737[.500]
dRBOT1
-.1105E-3
.1391E-3
-.79449[.429]
dLIHK2
93.3162
7.0927
13.1566[.000]
dLRIOPP2
.39233
.35426
1.1074[.272]
dLREXR2
-1.4518
1.4386
-1.0092[.316]
dLUNM2
-.60289
.84454
-.71386[.478]
dLRMSI2
-7.1645
3.2460
-2.2072[.030]
dLRGDP2
-5.4295
4.4751
-1.2133[.229]
dRIRT2
-.048889
.038732
-1.2622[.211]
dLRINV2
.17063
.16847
1.0128[.314]
dRBOT2
.1268E-3
.1191E-3
1.0651[.290]
ecm1(-1)
-4.4359
1.0169
-4.3622[.000]
ecm2(-1)
.17717
.12216
1.4503[.151]
******************************************************************
List of additional temporary variables created:
dRIRT = RIRT-RIRT(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

312
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.93037 R-Bar-Squared .91181
S.E. of Regression
.85524 F-stat. F( 20, 75) 50.1082[.000]
Mean of Dependent Variable -.050761 S.D. of Dependent Variable 2.8798
Residual Sum of Squares 54.8577 Equation Log-likelihood -109.3570
Akaike Info. Criterion -130.3570 Schwarz Bayesian Criterion -157.2827
DW-statistic 1.8653 System Log-likelihood 21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 5.8682[.209]*F( 4, 71)= 1.1556[.338]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 3.1966[.074]*F( 1, 74)= 2.5489[.115]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 146.5307[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= .0063690[.936]*F( 1, 94)= .0062368[.937]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

313
Lampiran 22. (lanjutan)
ECM for variable LRINV estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dLRINV
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
-115.7940
21.6016
-5.3604[.000]
dLIHK1
-11.3900
3.1964
-3.5633[.001]
dLRIOPP1
.078251
.19313
.40518[.686]
dLREXR1
-.12014
.81590
-.14725[.883]
dLUNM1
.62360
.46595
1.3383[.185]
dLRMSI1
2.2567
1.6488
1.3687[.175]
dLRGDP1
-4.7190
2.6110
-1.8073[.075]
dRIRT1
.030805
.023750
1.2970[.199]
dLRINV1
-.18867
.10898
-1.7312[.088]
dRBOT1
.9823E-4
.7593E-4
1.2936[.200]
dLIHK2
2.1904
3.8715
.56578[.573]
dLRIOPP2
-.18746
.19337
-.96943[.335]
dLREXR2
.53101
.78524
.67625[.501]
dLUNM2
1.0014
.46099
2.1723[.033]
dLRMSI2
4.9914
1.7718
2.8171[.006]
dLRGDP2
-1.0963
2.4427
-.44880[.655]
dRIRT2
.028362
.021142
1.3415[.184]
dLRINV2
-.16986
.091958
-1.8471[.069]
dRBOT2
.1646E-3
.6499E-4
2.5323[.013]
ecm1(-1)
.19179
.55507
.34552[.731]
ecm2(-1)
-.35215
.066681
-5.2811[.000]
******************************************************************
List of additional temporary variables created:
dLRINV = LRINV-LRINV(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP -.86441*LREXR + .0000*LUNM

314
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ . 9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared
.59241 R-Bar-Squared
.48372
S.E. of Regression
.46683 F-stat. F( 20, 75) 5.4505[.000]
Mean of Dependent Variable .012530 S.D. of Dependent Variable .64971
Residual Sum of Squares 16.3449 Equation Log-likelihood
-51.2372
Akaike Info. Criterion -72.2372 Schwarz Bayesian Criterion -99.1629
DW-statistic 2.0488 System Log-likelihood 21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 6.8183[.146]*F( 4, 71)= 1.3571[.258]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 3.0930[.079]*F( 1, 74)= 2.4635[.121]*
*
*
*
*
* C:Normality
*CHSQ( 2)= .43435[.805]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= .066972[.796]*F( 1, 94)= .065622[.798]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

315
Lampiran 22. (lanjutan)
ECM for variable RBOT estimated by OLS based on cointegrating VAR(3)
******************************************************************
Dependent variable is dRBOT
96 observations used for estimation from 1981Q1 to 2004Q4
******************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
Intercept
-101623.2
36722.1
-2.7674[.007]
dLIHK1
3788.1
5433.8
.69713[.488]
dLRIOPP1
103.0285
328.3088
.31382[.755]
dLREXR1
1469.2
1387.0
1.0593[.293]
dLUNM1
178.6695
792.1010
.22556[.822]
dLRMSI1
-3327.6
2802.9
-1.1872[.239]
dLRGDP1
-2337.4
4438.7
-.52660[.600]
dRIRT1
-56.8379
40.3744
-1.4078[.163]
dLRINV1
284.1634
185.2705
1.5338[.129]
dRBOT1
-.15790
.12909
-1.2232[.225]
dLIHK2
-6143.6
6581.5
-.93347[.354]
dLRIOPP2
108.6236
328.7305
.33043[.742]
dLREXR2
943.4557
1334.9
.70677[.482]
dLUNM2
371.3149
783.6713
.47381[.637]
dLRMSI2
-2579.3
3012.0
-.85632[.395]
dLRGDP2
2917.9
4152.6
.70268[.484]
dRIRT2
-48.1912
35.9405
-1.3409[.184]
dLRINV2
276.4080
156.3257
1.7682[.081]
dRBOT2
-.018841
.11049
-.17053[.865]
ecm1(-1)
2581.7
943.6021
2.7361[.008]
ecm2(-1)
-380.3462
113.3566
-3.3553[.001]
******************************************************************
List of additional temporary variables created:
dRBOT = RBOT-RBOT(-1)
dLIHK1 = LIHK(-1)-LIHK(-2)
dLRIOPP1 = LRIOPP(-1)-LRIOPP(-2)
dLREXR1 = LREXR(-1)-LREXR(-2)
dLUNM1 = LUNM(-1)-LUNM(-2)
dLRMSI1 = LRMSI(-1)-LRMSI(-2)
dLRGDP1 = LRGDP(-1)-LRGDP(-2)
dRIRT1 = RIRT(-1)-RIRT(-2)
dLRINV1 = LRINV(-1)-LRINV(-2)
dRBOT1 = RBOT(-1)-RBOT(-2)
dLIHK2 = LIHK(-2)-LIHK(-3)
dLRIOPP2 = LRIOPP(-2)-LRIOPP(-3)
dLREXR2 = LREXR(-2)-LREXR(-3)
dLUNM2 = LUNM(-2)-LUNM(-3)
dLRMSI2 = LRMSI(-2)-LRMSI(-3)
dLRGDP2 = LRGDP(-2)-LRGDP(-3)
dRIRT2 = RIRT(-2)-RIRT(-3)
dLRINV2 = LRINV(-2)-LRINV(-3)
dRBOT2 = RBOT(-2)-RBOT(-3)
ecm1 = 1.0000*LIHK + .15193*LRIOPP - .86441*LREXR + .0000*LUNM

316
-1.0311*LRMSI + .0000*LRGDP + .027757*RIRT + .098152*LRINV
-.2052E-4*RBOT + .0031148*Trend;
ecm2 = -7.5840*LIHK + 1.0000*LRIOPP -5.3806*LREXR + 2.0045*LUNM
+ .0000*LRMSI -29.2798*LRGDP + .11271*RIRT + 1.7935*LRINV
+ .9608E-3*RBOT + .55100*Trend
******************************************************************
R-Squared .42676 R-Bar-Squared .27390
S.E. of Regression 793.6003 F-stat. F( 20, 75) 2.7918[.001]
Mean of Dependent Variable -53.8663 S.D. of Dependent Variable 931.3269
Residual Sum of Squares 4.72E+07 Equation Log-likelihood -765.3205
Akaike Info. Criterion -786.3205 Schwarz Bayesian Criterion -813.2461
DW-statistic 2.1272 System Log-likelihood 21.0632
******************************************************************
Diagnostic Tests
******************************************************************
* Test Statistics *
LM Version
*
F Version
*
******************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ( 4)= 6.9157[.140]*F( 4, 71)= 1.3780[.250]*
*
*
*
*
* B:Functional Form *CHSQ( 1)= 3.9314[.047]*F( 1, 74)= 3.1599[.080]*
*
*
*
*
* C:Normality
*CHSQ( 2)= 373.2841[.000]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ( 1)= .015327[.901]*F( 1, 94)= .015010[.903]*
******************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values

317
Lampiran 23.

Respon Dinamik Variabel Kunci Ekonomi Makro terhadap


Guncangan Kebijakan Harga Pangan

Orthogonalized Impulse Response(s) to one S.E. shock in the equation for LRIOP
Cointegration with unrestricted intercepts and restricted trends in the VAR
***********************************************************************************

96 observations from 1981Q1 to 2004Q4. Order of VAR = 3, chosen r =2.


List of variables included in the cointegrating vector: LIHK LRIOPP LREXR
LRMSI
LRGDP RIRT
LRINV RBOT
Trend

LUNM

***********************************************************************************

List of imposed restrictions: A1=1;

A4=0; A6=0;

B2=1;

B5=0

***********************************************************************************

Horizon LIHK
0
0.00
1 .0010561
2 .0055307
3
.010678
4
.014002
5
.015236
6
.014962
7
.013823
8
.012214
9
.010886
10 .010016
11 .0096545
12 .0095203
13 .0096010
14 .0097621
15 .0099974
16 .010182
17 .010336
18 .010423
19 .010484
20 .010496
21 .010490
22 .010458
23 .010429
24 .010396
25 .010374
26 .010356
27 .010349
28 .010346
29 .010350
30 .010355
31 .010361
32 .010366
33 .010370
34 .010372
35 .010373

LRIOPP
.27947
.25937
.23430
.19693
.19653
.18394
.19684
.19557
.19657
.18565
.17778
.16829
.16549
.16423
.16688
.16929
.17249
.17429
.17588
.17631
.17651
.17610
.17578
.17527
.17497
.17464
.17452
.17441
.17443
.17445
.17454
.17459
.17466
.17470
.17473
.17473

LREXR
.016179
.031074
.040012
.045621
.039104
.030785
.022632
.019718
.019027
.021194
.022404
.023541
.023674
.024023
.023812
.023818
.023610
.023639
.023543
.023589
.023530
.023549
.023501
.023516
.023493
.023515
.023508
.023528
.023525
.023538
.023534
.023539
.023534
.023536
.023532
.023533

LUNM
-.0067359
-.015526
-.018098
-.012699
-.010573
-.0098283
-.0076656
-.0057950
-.0069902
-.0080118
-.0088050
-.0085254
-.0079564
-.0069854
-.0063916
-.0059011
-.0057888
-.0057945
-.0059925
-.0061322
-.0063123
-.0064133
-.0065044
-.0065179
-.0065303
-.0065058
-.0064916
-.0064604
-.0064442
-.0064232
-.0064169
-.0064092
-.0064115
-.0064120
-.0064177
-.0064205

LRMSI
.012500
.014711
.014382
.013138
.0086509
.0069231
.0054547
.0055635
.0068631
.0092002
.010965
.012106
.012573
.012742
.012563
.012250
.011863
.011575
.011359
.011244
.011181
.011186
.011217
.011271
.011319
.011366
.011397
.011418
.011424
.011424
.011416
.011408
.011399
.011392
.011387
.011384

LRGDP
-.0034419
-.0013370
-.0073102
-.0082862
-.0098731
-.0092177
-.0097697
-.0089785
-.0090561
-.0086398
-.0088294
-.0085513
-.0085057
-.0082610
-.0082847
-.0082079
-.0082693
-.0082548
-.0083309
-.0083457
-.0083980
-.0083967
-.0084182
-.0084058
-.0084104
-.0083951
-.0083946
-.0083836
-.0083840
-.0083781
-.0083803
-.0083782
-.0083812
-.0083807
-.0083831
-.0083829

***********************************************************************************

318
Horizon RIRT
0
.050954
1
.076332
2 -.042940
3
-.43071
4
-.42102
5
-.20463
6
.021951
7
.11778
8
.14268
9
.12373
10 .052507
11 -.017306
12 -.065823
13 -.077151
14 -.082660
15 -.077235
16 -.072373
17 -.059789
18 -.052577
19 -.045541
20 -.043863
21 -.041030
22 -.041293
23 -.040998
24 -.042741
25 -.043456
26 -.045023
27 -.045594
28 -.046534
29 -.046604
30 -.046859
31 -.046575
32 -.046514
33 -.046173
34 -.046065
35 -.045837

LRINV
RBOT
.043703 9.9421
-.029260 -51.8681
-.035029 -46.7106
-.065596 -64.9239
-.066617 -75.1017
-.063655 -75.2147
-.074260 -91.5269
-.065417 -96.4975
-.070110 -88.7549
-.065507 -76.2510
-.060398 -78.3237
-.054012 -82.5319
-.056528 -89.3929
-.054572 -95.7422
-.054000 -101.6260
-.053402 -103.9493
-.055398 -104.4766
-.055759 -103.6161
-.056688 -102.3232
-.056774 -100.7853
-.057355 -99.4984
-.057261 -98.5616
-.057411 -98.0661
-.057144 -97.9121
-.057134 -97.9510
-.056924 -98.1073
-.056901 -98.3169
-.056760 -98.5417
-.056777 -98.7180
-.056727 -98.8472
-.056770 -98.9166
-.056757 -98.9462
-.056803 -98.9353
-.056804 -98.9080
-.056837 -98.8687
-.056833 -98.8340

***********************************************************************************

319
Lampiran 24.

Respon Dinamik Variabel Kunci Ekonomi Makro terhadap


Guncangan Kebijakan Moneter

Orthogonalized Impulse Response(s) to one S.E. shock in the equation for LRMSI
Cointegration with unrestricted intercepts and restricted trends in the VAR
*******************************************************************************

96 observations from 1981Q1 to 2004Q4. Order of VAR = 3, chosen r =2.


List of variables included in the cointegrating vector:
LIHK
LRIOPP LREXR
LUNM
LRMSI
LRGDP
RIRT
LRINV
RBOT Trend
*******************************************************************************

List of imposed restrictions: A1=1; A4=0; A6=0;

B2=1; B5=0

*******************************************************************************

Horizon LIHK
0
0.00
1 .0023145
2 .0032912
3 .0015901
4 -.3361E-3
5 -.8098E-3
6 -.6649E-3
7 -.0010013
8 -.0015480
9 -.0016592
10 -.0013380
11 -.0010319
12 -.8673E-3
13 -.7690E-3
14 -.6663E-3
15 -.6146E-3
16 -.6118E-3
17 -.6433E-3
18 -.6734E-3
19 -.7074E-3
20 -.7351E-3
21 -.7582E-3
22 -.7683E-3
23 -.7731E-3
24 -.7718E-3
25 -.7690E-3
26 -.7628E-3
27 -.7574E-3
28 -.7525E-3
29 -.7498E-3
30 -.7478E-3
31 -.7474E-3
32 -.7475E-3
33 -.7485E-3
34 -.7494E-3
35 -.7504E-3

LRIOPP LREXR
0.00
0.00
-.0042617 -.016916
-.064578 -.037679
-.049645 -.042279
-.050752 -.036540
-.050827 -.037207
-.059800 -.039701
-.058470 -.041298
-.059845 -.040192
-.055886 -.039429
-.054253 -.038586
-.052553 -.038675
-.052292 -.038840
-.050337 -.039096
-.049032 -.039068
-.048149 -.039141
-.048374 -.039140
-.048621 -.039198
-.049117 -.039191
-.049437 -.039205
-.049843 -.039171
-.050070 -.039171
-.050251 -.039159
-.050263 -.039165
-.050256 -.039153
-.050177 -.039154
-.050118 -.039148
-.050039 -.039152
-.049996 -.039150
-.049954 -.039153
-.049941 -.039153
-.049932 -.039155
-.049942 -.039155
-.049949 -.039157
-.049964 -.039156
-.049973 -.039157

LUNM
0.00
.016610
.033731
.040146
.047917
.046839
.046933
.048655
.049579
.049414
.049861
.050044
.049817
.049718
.049853
.049762
.049565
.049412
.049379
.049360
.049368
.049371
.049399
.049424
.049452
.049461
.049471
.049471
.049472
.049466
.049463
.049459
.049456
.049453
.049453
.049452

LRMSI
.033640
.033739
.027857
.029364
.034319
.036994
.036819
.036210
.036761
.037459
.037429
.036881
.036513
.036320
.036159
.036006
.035968
.035993
.036042
.036087
.036143
.036186
.036215
.036225
.036228
.036224
.036217
.036207
.036199
.036193
.036189
.036187
.036187
.036188
.036189
.036191

LRGDP
-.0050009
-.0081011
-.0048438
-.0038469
-.0023230
-.0038031
-.0036380
-.0030467
-.0023716
-.0025882
-.0027205
-.0027969
-.0026885
-.0027403
-.0027763
-.0028381
-.0028335
-.0028575
-.0028539
-.0028610
-.0028463
-.0028457
-.0028357
-.0028342
-.0028267
-.0028275
-.0028256
-.0028281
-.0028276
-.0028299
-.0028300
-.0028317
-.0028315
-.0028322
-.0028318
-.0028320

*******************************************************************************

320
Horizon RIRT
LRINV
RBOT
0 -.080271 .10745 77.2276
1 .026507 .044071 -226.0585
2 -.27836 .12194 -378.6405
3 -.14063 -.016837 -415.3045
4 .10786 .0044117 -395.4024
5 .053797 .081962 -442.2150
6 -.12980 .084946 -436.1694
7 -.16487 .038811 -443.0524
8 -.094559 .047020 -451.2491
9 -.073524 .060942 -459.6146
10 -.12012 .062611 -456.6751
11 -.15264 .056592 -456.5564
12 -.13624 .055332 -455.8991
13 -.11241 .054747 -456.7521
14 -.10434 .055732 -456.5707
15 -.10560 .055103 -455.2219
16 -.10166 .054440 -453.2199
17 -.098176 .054168 -452.5241
18 -.097268 .054727 -452.4582
19 -.099581 .054679 -452.3567
20 -.10073 .054726 -452.2473
21 -.10210 .054836 -452.4289
22 -.10296 .055070 -452.7129
23 -.10416 .055038 -452.9449
24 -.10440 .055060 -453.1021
25 -.10460 .055049 -453.2055
26 -.10442 .055080 -453.2583
27 -.10444 .055034 -453.2651
28 -.10414 .055019 -453.2434
29 -.10397 .054986 -453.2067
30 -.10372 .054988 -453.1710
31 -.10366 .054972 -453.1374
32 -.10356 .054975 -453.1120
33 -.10357 .054968 -453.0954
34 -.10355 .054977 -453.0899
35 -.10361 .054977 -453.0899
******************************************************************

321
Lampiran 25.

Respon Dinamis Variabel Kunci Ekonomi Makro terhadap


Guncangan Kebijakan Perdagangan

Orthogonalized Impulse Response(s) to one S.E. shock in the equation for RBOT
Cointegration with unrestricted intercepts and restricted trends in the VAR
*******************************************************************************

96 observations from 1981Q1 to 2004Q4. Order of VAR = 3, chosen r =2.

List of variables included in the cointegrating vector: LIHK


LRIOPP
LUNM
LRMSI LRGDP RIRT
LRINV
RBOT
Trend

LREXR

*******************************************************************************

List of imposed restrictions:

A1=1; A4=0; A6=0; B2=1; b5=0

*******************************************************************************

Horizon LIHK
0
0.00
1 -.9391E-3
2 -.0037052
3 -.0039650
4 -.0020264
5 .0015664
6 .0036882
7 .0044305
8 .0039307
9 .0036142
10 .0032201
11 .0029554
12 .0025313
13 .0023260
14 .0021757
15 .0021931
16 .0021862
17 .0022487
18 .0022791
19 .0023463
20 .0023779
21 .0024216
22 .0024323
23 .0024466
24 .0024380
25 .0024353
26 .0024217
27 .0024159
28 .0024055
29 .0024026
30 .0023981
31 .0023991
32 .0023986
33 .0024011
34 .0024019
35 .0024042

LRIOPP LREXR
LUNM
LRMSI
LRGDP
0.00
0.00
0.00
0.00
0.00
-.0094697 -.021078 .0053935 -.0026968 .0032502
-.016135 -.022434 .0086959 -.0078792 .0056707
.0012458 -.0070674 .015165 -.0012679 .0071332
.0092518 .0094233 .017488 .0016070 .0037177
-.0098299 .0089608 .015826 .3698E-3 .0027551
-.010715 -.2555E-3 .013249 -.0042272 .0018831
-.0045424 -.0053212 .017878 -.0069690 .0033130
.010698 -.0075826 .018886 -.0079339 .0030676
.014782 -.0065123 .018591 -.0072935 .0032074
.015766 -.0063156 .016809 -.0068398 .0025688
.0079669 -.0055035 .016165 -.0063242 .0028186
.0033972 -.0058868 .015220 -.0058435 .0027043
-.0011530 -.0053058 .015604 -.0052198 .0029662
-.0017995 -.0053471 .015898 -.0049045 .0028540
-.0032401 -.0050278 .016373 -.0047358 .0030127
-.0025581 -.0052980 .016434 -.0047600 .0029590
-.0023888 -.0051911 .016726 -.0047974 .0030715
-.0010370 -.0053505 .016772 -.0049093 .0030148
-.5196E-3 -.0052173 .016877 -.0049847 .0030635
.3502E-3 -.0052893 .016791 -.0050752 .0030051
.4438E-3 -.0052096 .016783 -.0051247 .0030270
.7727E-3 -.0052896 .016691 -.0051755 .0029849
.6487E-3 -.0052512 .016685 -.0051891 .0030023
.7246E-3 -.0053032 .016631 -.0051982 .0029773
.5189E-3 -.0052724 .016632 -.0051840 .0029918
.4861E-3 -.0053053 .016603 -.0051739 .0029775
.3061E-3 -.0052818 .016615 -.0051556 .0029904
.2790E-3 -.0053004 .016606 -.0051451 .0029831
.1765E-3 -.0052811 .016622 -.0051324 .0029929
.1896E-3 -.0052917 .016621 -.0051279 .0029882
.1529E-3 -.0052783 .016634 -.0051237 .0029946
.1902E-3 -.0052863 .016634 -.0051252 .0029910
.1871E-3 -.0052781 .016642 -.0051260 .0029949
.2262E-3 -.0052843 .016639 -.0051294 .0029919
.2298E-3 -.0052793 .016643 -.0051313 .0029941

*******************************************************************************

322
Horizon RIRT
LRINV
0
0.00
0.00
1
.11184
-.18108
2
.36907
-.075252
3
.46039
-.18897
4
.18888
-.14432
5 -.050978 -.083013
6 -.10933
-.12007
7
.12212
-.15760
8
.28734
-.15118
9
.37040
-.13379
10 .31478
-.14044
11 .29436
-.13964
12 .27004
-.14176
13 .27517
-.13851
14 .24878
-.13822
15 .24142
-.13541
16 .22956
-.13692
17 .23662
-.13622
18 .23453
-.13692
19 .24013
-.13643
20 .23880
-.13729
21 .24315
-.13700
22 .24261
-.13748
23 .24555
-.13731
24 .24489
-.13760
25 .24637
-.13736
26 .24529
-.13750
27 .24577
-.13733
28 .24475
-.13741
29 .24496
-.13729
30 .24422
-.13734
31 .24437
-.13727
32 .24396
-.13732
33 .24419
-.13727
34 .24402
-.13731
35 .24425
-.13729

RBOT
741.9779
314.3620
264.1737
236.0448
302.9646
275.6730
283.4301
262.4170
251.7369
261.0003
277.7157
283.6208
283.4393
280.9018
277.8272
275.5353
274.1234
272.4840
271.4926
271.4082
271.9309
272.3331
272.7464
273.0368
273.3068
273.4377
273.5317
273.5184
273.4903
273.4185
273.3652
273.3029
273.2697
273.2402
273.2344
273.2320

*******************************************************************************