Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I

2018 ISBN: 978-623-90592-0-0

ANALISIS PENGARUH PRODUKSI GARAM LOKAL TERHADAP NILAI PRODUK

DOMESTIK BRUTO GUNA MENDUKUNG PERTUMBUHAN EKONOMI INKLUSIF DI
INDONESIA

1
Novia Anggita Aprilianti, 2Belindha Ayu Ardhani,
3
M. Fariz Fadillah Mardianto, M. Si
1,2,3
Program Studi Statistika Fakultas Sains dan Teknologi Universitas Airlangga, Surabaya
1
noviaanggita047@gmail.com
2
abelindha58@gmail.com
3
fm.fariz@yahoo.com

ABSTRAK
Garam merupakan salah satu komoditas strategis pendorong perekonomian Indonesia.Hal ini
disebabkan garam menjadi basis bagi banyak industri turunan, mulai dari sektor rumah tangga hingga
industri pangan.Garam di Indonesia sebagian besar diproduksi oleh para petani lokal di beberapa
daerah. Berdasarkan data Badan Pengkajian dan Pengembangan Perdagangan (BPPP) pada tahun
2015, produksi garam nasional mencapai 2,8 juta ton. Sedangkan pada tahun 2018 diperkirakan
hanya mencapai 1,5 juta ton. Hal tersebut menunjukkan adanya penurunan produksi garam dari
periode sebelumnya.Padahal kebutuhan garam di dalam negeri semakin meningkat setiap
tahunnya.Penurunan produksi garam lokal ini dikhawatirkan dapat berdampak pada sektor industri
yang secara kumulatif dapat berpengaruh terhadap nilai Produk Domestik Bruto (PDB).Berdasarkan
permasalahan tersebut, perlu dilakukan pemodelan dan peramalan produksi garam lokal di Indonesia
sebagai acuan untuk mempertahankan, bahkan meningkatkan produksi garam lokal guna menjaga
stabilitas nilai PDB.Tujuan penelitian ini adalah untuk menganalisis pengaruh produksi garam lokal di
beberapa daerah penghasil garam terhadap nilai PDB nasional.Penelitian ini menggunakan data
sekunder hasil produksi garam di beberapa daerah di Indonesia dari tahun 2011 – 2015 dengan
menggunakan metode analisis regresi data panel.Hasil penelitian ini diharapkan dapat membantu
pemerintah dalam mengambil kebijakan terkait upaya untuk mendukung pertumbuhan ekonomi yang
inklusif melalui pengoptimalisasian produksi garam lokal di Indonesia.

Kata kunci: garam lokal, PDB, regresi data panel, pertumbuhan ekonomi inklusif.

PENDAHULUAN
Garam merupakan komoditas strategis pendorong perekonomian nasional.Hal ini
disebabkan garam telah menjadi basis bagi banyak industri turunan, mulai dari sektor rumah
tangga hingga industri pangan.Permintaan garam cenderung meningkat setiap tahunnya
seiring dengan meningkatnya pertumbuhan penduduk dan berbagai industri di Indonesia
(Wati, 2013).Namun, meningkatnya permintaan ini tidak dapat diimbangi dengan penawaran
yang ada.Produksi garam belakangan ini mengalami fluktuasi cukup tinggi. Berdasarkan
data Badan Pengkajian dan Pengembangan Perdagangan (BPPP) pada tahun 2015, neraca
garam nasional menunjukkan bahwa total kebutuhan garam pada tahun 2014 mencapai
3,61 juta ton, sedangkan pada tahun yang sama total produksinya hanya 2,19 juta ton
sehingga untuk memenuhi kebutuhan tersebut, pemerintah melakukan impor sebesar 1,42
juta ton. Bahkan pada pertengahan tahun 2017 lalu, kebutuhan garam yang mencapai 3,2
juta ton baru bisa dipenuhi 19 ribu ton (Nurhayat, 2017). Ketidakseimbangan ini tentu tidak
berkorelasi positif dengan potensi sumber daya alam Indonesia yang memiliki peluang
cukup besar untukdapat memenuhi kebutuhan garam dalam negeri (Wati, 2013).
Krisis garam ini tentu menimbulkan efek domino pada pertumbuhan ekonomi nasional,
sebab pada beberapa jenis industri seperti industri pangan, obat-obatan, kertas, dan tekstil,

32
 Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I Oktober
ISBN: 978-623-90592-0-0 2018

garam digunakan sebagai bahan baku. Salah satu industri yang terkena dampak langsung
akibat krisis garam adalah produsen ikan asin.Hampir seluruh produsen terpaksa
mengurangi produksi ikan asin akibatsulitnya mendapatkan garam, bahkan banyak di
antaranya yang terancam gulung tikar (Aini, 2017). Hal ini juga dialami oleh beberapa
industri kerajinan kulit yang turut mengalami masalah dalam proses penyamakan kulit
sehingga terpaksa merumahkan karyawannya hingga pasokan garam kembali normal (Itah,
2017). Dengan demikian, krisis garam dapat berdampak secara langsung terhadap
menurunnya output industri turunan. Penurunan output dalam jangka waktu yang realitif
bersamaan tersebut memberikan pengaruh yang cukup sigifikan terhadap neraca
perdagangan (neraca ekspor-impor), serta permintaan dan penawaran agregat sehingga
apabila diakumulasikan, penurunan ini dapat mempengaruhi stabilitas nilai Produk Domestik
Bruto (PDB).
Produk Domestik Bruto (PDB) merupakan salah satu indikator penting untuk
mengetahui perkembangan perekonomian suatu negara dalam periode tertentu. Dalam
PDB, jumlah nilai barang dan jasa akhir hasil produksi harus sama dengan nilai barang yang
digunakan (Bank Indonesia, 2016). Apabila terjadi ketidakseimbangan seperti dalam
masalah garam, tentu pertumbuhan ekonomi Indonesia turut terkena imbasnya.Padahal,
pertumbuhan ekonomi tersebut menjadi sektor penting dalam menentukan tingkat
perkembangan suatu negara. Apalagi saat ini Indonesia tengah fokus pada pertumbuhan
ekonomi inklusif yang merupakan proses peningkatan output per kapita yang menjamin
kesetaraan akses terhadap peluang ekonomi bagi seluruh segmen sosial. Sebagai salah
satu tujuan Sustainable Development Goals (SDGs) 2030, pertumbuhan ekonomi inklusif
memiliki peran penting dalam mengurangi angka kemiskinan di Indonesia.Hal ini disebabkan
pertumbuhan ekonomi inklusif terkait dengan kontribusi setiap pelaku usaha (Mutijo dkk,
2016).Sinergi antar pelaku usaha dari berbagai strata sosial menjadi hal yang sangat
penting dalam mewujudkan pertumbuhan ekonomi inklusif, termasuk kontribusi para petani
garam.
Berdasarkan permasalahan tersebut, perlu dilakukan pemodelan dan peramalan
produksi garam lokal untuk mengetahui pengaruh produksi tersebut terhadap nilai PDB.
Pemodelan dan peramalan tersebut dilakukan dengan metode regresi data panel dan
analisis tren. Analisis regresi data panel digunakan dalam memodelkan pengaruh variabel
independen terhadap beberapa variabel dependen sehingga dapat dilakukan analisis tingkat
pengaruh produksi garam lokal terhadapPDB Indonesia dengan tepat. Penggunaan metode
ini disebabkan data sekunder yang digunakan adalah data panel yang merupakan
gabungan data time series berupa produksi garam dari tahun 2011−2015 dan data cross
section berupa produksi garam beberapa daerah di Indonesia. Sedangkan analisis tren
digunakan sebagai peramalan untuk mengetahui kecenderungan produksi garam lokal di
Indonesia dalam periode tertentu.

METODE PENELITIAN
Dalam penelitian ini, penulis menggunakan data sekunder yang didapatkan dari
Badan Pusat Statistik (BPS), Badan Pengkajian dan Pengembangan Perdagangan (BPPP)
dan Kementerian Kelautan dan Perikanan (KKP). Populasi dalam penelitian ini adalah
kabupaten dan kota penghasil garam di Indonesia. Penulis hanya mengambil hasil produksi
dari tahun 2011 sampai dengan 2015.Sampel dalam penelitian ini adalah kabupaten/kota

33
Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I
2018 ISBN: 978-623-90592-0-0

penghasil garam yang memiliki hasil produksi garam mulai tahun 2011 sampai dengan
2015. Berdasarkan metode pengambilan sampel, maka sampel dalam penelitian ini
berjumlah tiga puluh lima kabupaten dan kota. Adapun kabupaten dan kota penghasil garam
yang terpilih sebagai sampel dapat dilihat pada tabel sebagai berikut.

Tabel 1 Nama Kabupaten dan Kota Penghasil Garam

No. Kabupaten dan Kota No. Kabupaten dan Kota
1 Cirebon 19 Karangasem
2 Indramayu 20 Buleleng
3 Rembang 21 Lombok Barat
4 Pati 22 Lombok Timur
5 Jepara 23 Sumbawa
6 Demak 24 Bima
7 Brebes 25 Kota Bima
8 Probolinggo 26 Sumba Timur
9 Pasuruan 27 Kupang
10 Tuban 28 Timor Tengah Utara
11 Lamongan 29 Alor
12 Gresik 30 Ende
13 Bangkalan 31 Manggarai
14 Sampang 32 Nagekeo
15 Pamekasan 33 Jeneponto
16 Sumenep 34 Takalar
17 Kota Pasuruan 35 Pangkajene dan Kepulauan
18 Kota Surabaya

Variabel yang digunakan dalam penelitian ini adalah dua variabel yang terdiri dari
satu variabel dependen dan satu variabel bebas dengan rincian sebagai berikut.

Tabel 2 Pengertian Variabel

Var Keterangan Variabel Definisi Variabel
X1 Nilai Produksi Garam Banyaknya produksi garam tiap
kabupaten dan kota penghasil garam di
Indonesia dalam satuan ton per tahun
X2 Luas Lahan Luas lahan produksi garam tiap
kabupaten dan kota
X3 Produktivitas Perbandingan antara jumlah
produktivitas garam dengan luas lahan
tiap kabupaten dan kota
Y Produk Domestik Bruto (PDB) Variabel PDB yang digunakan adalah
nilai PDRB atas dasar konstan masing-
masing kabupaten. Indikator ini
digunakan untuk mengetahui kondisi
ekonomi di suatu daerah dalam periode
tertentu, baik atas dasar harga berlaku
maupun atas dasar harga konstan.
Metode dan tahapan analisis yang digunakan untuk mencapai tujuan penelitian
adalah sebagai berikut:
1. Melakukan identifikasi pola hubungan faktor – faktor yang mempengaruhi nilai produksi
garam terhadap Produk Domestik Regional Bruto (PRDB).

34
 Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I Oktober
ISBN: 978-623-90592-0-0 2018

2. Melakukan estimasi parameter model regresi data panel dengan metode Common Effect
Model (CEM), Fixed Effect Model (FEM) dan Random Effect Model (REM).
3. Melakukan uji untuk menentukan model terbaik dengan Uji Chow, Uji Langrange dan Uji
Hausman.
4. Menguji diagnostik pada model terbaik.
5. Pemeriksaan persamaan regresi.
6. Menguji asumsi regresi data panel.
7. Interpretasi model regresi data panel.
8. Menentukan model yang paling sesuai dengan membandingkan regresi klasik dengan
regresi data panel.
9. Melakukan tren analisis untuk mengetahui prediksi garam di masa yg akan datang.

HASIL DAN PEMBAHASAN

Statistika Deskriptif
Indonesia merupakan salah satu negara penghasil garam di dunia. Kabupaten dan
kota penghasil garam tersebar di beberapa pulau di Indonesia mulai dari pulau Jawa hingga
Sulawesi. Produksi garam tiap kabupaten dan kota di Indonesia dapat dilihat pada gambar
1.

Gambar 1 Grafik Produksi Garam setiap Kabupaten dan Kota di Indonesia

Berdasarkan grafik pada gambar 1 kabupaten dan kota yang memproduksi garam
tertinggi sepanjang tahun 2011 hingga 2015 adalah Kabupaten Sampang, dengan rata-rata
produksi 268 ribu ton. Sedangkan kabupaten dan kota yang memproduksi garam paling
rendah adalah Kabupaten Alor dengan rata-rata produksi 205 ton. Rendahnya produksi
garam di beberapa daerah disebabkan oleh beberapa faktor. Salah satunya adalah
perbedaan luaslahan di beberapa kabupaten dan kota sehingga menyebabkan produksi tiap
kabupaten dan kota berbeda-beda. Luas lahan tiap kabupaten dan kota dapat dilihat pada
gambar 2.

35
Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I
2018 ISBN: 978-623-90592-0-0

Gambar 2 Grafik Luas Lahan setiap Kabupaten dan Kota di Indonesia

Berdasarkan grafik pada gambar 2, kabupaten dan kota yang memiliki presentase
luas lahan produksi garam tertinggi sepanjang tahun 2011-2015 adalah Kabupaten
Pamekasan sebesar 81,7% dari seluruh luas lahan produksi garam di Indonesia. Sedangkan
kabupaten dan kota yang memiliki luas lahan terendah adalah Kabupaten Karangasem
dengan presentasi luas lahan produksi garam sebesar 0,23%. Luas lahan yang berbeda
menyebabkan produktivitas garam setiap kabupaten dan kota berbeda-beda. Produktivitas
menunjukkan perbandingan antara jumlah produksi garam dengan luas lahan. Produktivitas
garam setiap kabupaten dan kota dapat dilihat pada gambar 3.

Gambar 3 Grafik produktivitas Garam setiap Kabupaten dan Kota di Indonesia

Berdasarkan grafik pada Gambar 4.3, kabupaten dan kota yang memiliki
produktivitas tertinggi adalah Kabupaten Buleleng dengan rata-rata produktivitas mulai tahun
2011-2015 sebesar 24,4%. Sedangkan kabupaten dan kota yang memiliki produktivitas
terendah adalah Kabupaten Alor sebesar 3,07%. Hasil produksi garam di Indonesia

36
 Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I Oktober
ISBN: 978-623-90592-0-0 2018

digunakan untuk kepentingan industri dan kebutuhan garam rumah tangga.Kebutuhan

garam yang terus meningkat dari tahun ke tahun menyebabkan kelangkaan garam di
Indonesia.Impor garam dilakukan untuk menutup kelangkaan garam tersebut.Meskipun
Indonesia mengalami kelangkaan garam, ekspor beberapa jenis garam tetap dilakukan ke
beberapa negara tetangga.Ekspor garam menjadi salah satu penyumbang nilai Produk
Domestik Regional Bruto (PDRB) di Indonesia.Gambar 4 menunjukkan nilai PDRB di
beberapa penghasil garam di Indonesia periode 2011-2015.

Gambar 4. Grafik Nilai Presentase Produk Domestik Regional Bruto (PDRB)

Berdasarkan gambar 4, kabupaten dan kota penghasil garam yang memiliki nilai
PDRB tertinggi adalah Kota Surabaya dengan presentase sebesar 1,73% dari total PDRB
seluruhnya. Sedangkan kabupaten dan kota yang memiliki nilai PDRB paling kecil adalah
Kabupaten Nagekeo dengan presentase sebesar 0,006%.

Estimasi Model Regresi Data Panel

Pemodelan regresi data panel dalam penelitian ini dilakukan dengan menggunakan
tiga pendekatan model sebagai berikut.
1. Common Effect Model (CEM)
Pemodelan dengan pendekatan CEM memberikan hasil estimasi yang disajikan
sebagai berikut.
ýit = 0,501093 − 0,077239x1it + 0,054165x2it − 0,004830x3it
ýit merupakan variabel PDB dengan t = 2011, 2012,…, 2015 dan i = Cirebon, Indramayu,…,
Pangkajene dan Kepulauan. Sedangkan x1 merupakan variabel produksi, x2 variabel lahan,
dan x3 variabel produktivitas.
2. Fixed Effect Model (FEM)
Hasil estimasi pemodelan dengan pendekatan FEM adalah sebagai berikut.
ýit = 0,526519 + 0,036315x1it + 0,042252x2it + 0,000035x3it

37
Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I
2018 ISBN: 978-623-90592-0-0

3. Random Effect Model (REM)

Pemodelan dengan pendekatan REM memberikan hasil estimasi yang disajikan
sebagai berikut.
ýit = 0,525925 + 0,036473x1it + 0,043153x2it − 0,00000141x3it

Pemilihan Model Regresi Data Panel

Terdapat beberapa prosedur dalam memilih model terbaik diantara CEM, FEM, dan
REM. Adapun prosedur lengkapnya adalah sebagai berikut.

Pemilihan CEM dan FEM dengan Uji Chow

Untuk memilih pendekatan mana yang lebih baik antara CEM dan FEM digunakan
hasil uji Chow yang disajikan dalam tabel 3 sebagai berikut.

Tabel 3 Hasil Uji Chow

Berdasarkan hasil uji chow pada tabel 3, diketahui nilai p-value pada bagian
probabilitas Cross-section Chi-square sebesar 0. Nilai ini lebih kecil daritaraf nyata 10%
sehingga dapat disimpulkan bahwa estimasi yang terpilih antara CEM dan FEM adalah
FEM.

Pemilihan FEM dan REM dengan Uji Hausman

Untuk memilih pendekatan mana yang lebih baik antara FEM dan REM digunakan
hasil uji Hausman yang disajikan dalam tabel 4. sebagai berikut.

Tabel 4. Hasil Uji Hausman

Berdasarkan hasil Uji Hausman pada tabel 4. diketahui nilai p-value pada bagian
probabilitas Cross-section random sebesar 0.09628. Nilai ini lebih kecil dari taraf nyata 10%
sehingga dapat disimpulkan model estimasi yang terpilih antara FEM dan REM adalah FEM.
Pada uji Chow dan uji Hausman, telah didapatkan hasil estimasi yang sama yaitu
FEM. Oleh sebab itulah uji Lagrange Multiplier tidak dilakukan.
Estimasi Model Akhir Regresi Data Panel
Pemodelan dengan pendekatan FEM menghasilkan hasil estimasi model akhir PDB
di Indonesia sebagai berikut.
ýit = 0,526519 + 0,036315 x1it + 0,042252 x2it + 0,000035 x3it

38
 Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I Oktober
ISBN: 978-623-90592-0-0 2018

Uji Asumsi Normalitas Residual

Uji asumsi normalitas residual dilakukan dengan menggunakan uji JarqueBera. Hasil
uji tersebut disajikan dalam gambar 5.

Gambar 5 Hasil Uji Jarque-Bera

Berdasarkan hasil uji Jarque-Bera, diperoleh nilai probabilitas Jarque-Bera sebesar

0,00. Nilai probabilitas Jarque-Bera ini lebih kecil dari taraf nyata 10% sehingga dapat
disimpulkan bahwa residual REM berdistribusi normal.

Pengujian Heteroskedastisitas
Untuk menguji adanya heteroskedastisitas pada FEM, dilakukan dengan
membandingkan hasil antara FEM dengan tanpa pembobotan (unweighted) dan FEM
dengan pebobotan (weighted) yang hasilnya sebagai berikut.

Tabel 5 Hasil Uji Heterokedastisitas

Parameter FEM unweighted FEM weighted
Prob. t-Statistic Dua variabel <10% Ketiga variabel <10%
Satu variabel >10%
R-squared 0,989854 0,995141
Prob (F-statistic) 0,000000 0,000000

Berdasarkan ketiga parameter di atas, tidak terdapat perbedaan yang terlalu

signifikan antara FEM unweighted dan FEM weighted sehingga dapat disimpulkan bahwa
pada model FEM tidak tejadi heteroskedastisitas.

Uji Signifikansi Parameter

Uji Serentak (Uji F)
Uji Serentak dilakukan untuk mengetahui pengaruh variabel independen terhadap
variabel dependen secara serentak (bersama-sama). Berdasarkan hasilpengolahan,
sebagian besar variabel-variabel independen memiliki nilai p-value lebih kurang dari 0,1,
yaitu 0,07325untuk variabel produksi, 0,08304 untuk variabel lahan, 0,07676 untuk variabel

39
Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I
2018 ISBN: 978-623-90592-0-0

produktivitas, dan 0,0000 untuk konstanta. Dengan demikian dapat disimpulkan bahwa
variabel produksi garam, luas lahan, dan produktivitas secara serentak memiliki pengaruh
signifikan terhadap PDB.

Uji Parsial (Uji T)

Uji Parsial dilakukan untuk mengetahui pengaruh variabel independen terhadap
variabel dependen secara parsial.Berdasarkan hasil pengolahan, diperoleh nilai probability
F-statistic sebesar 0,000. Nilai ini lebih kecil dari taraf nyata 0,1 sehingga dapat disimpulkan
bahwa variabel produksi garam, luas lahan, dan produktivitas secara parsial memiliki
pengaruh signifikan terhadap PDB.

Tren Produksi Garam Lokal di Indonesia

Tren produksi garam lokal pada tahun 2016 – 2020 dengan menggunakan analisis
tren disajikan pada gambar 5. Tren berikut merupakan tren yang memiliki nilai MAPE terkecil
dari 35 kabupaten atau kota dalam penelitian ini.

Gambar 6 Tren Produksi Garam di Bangkalan

Berdasarkan analisis tren tersebut, dapat disimpulkan bahwa secara umum produksi
garam lokal di sebagian besar daerah di Indonesia cenderung mengalami kenaikan setiap
tahunnya.

Analisis Pengaruh Produksi Garam Lokal terhadap Nilai PDB

Berdasarkan estimasi akhir yang terpilih, diketahui bahwa variabel produksi, variabel
lahan, dan variabel produktivitas memiliki pengaruh yang signifikan terhadap nilai PDB, baik
secara parsial maupun secara serentak. Dari ketiga variabel independen tersebut, variabel
yang memiliki tingkat signifikansi terbesar adalah variabel produksi garam sebesar 0,07325,
disusul variabel produktivitas sebesar 0,07676 dan variabel lahan sebesar 0,08304.

40
 Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I Oktober
ISBN: 978-623-90592-0-0 2018

PENUTUP
Setelah memenuhi uji diagnostik dan uji asumsi model regresi, maka model regresi
data panel yang sesuai untuk pemodelan PDB di Indonesia adalah Fixed Effect Model
dengan model persamaan hasil estimasi sebagai berikut.
ýit = 0,526519 + 0,036315 x1it + 0,042252 x2it + 0,000035 x3it
Berdasarkan analisis tren, dapat disimpulkan bahwa secara umum produksi garam
lokal di sebagian besar daerah di Indonesia cenderung mengalami kenaikan setiap
tahunnya.
Berdasarkan estimasi akhir diketahui bahwa variabel produksi, luas lahan dan
produktivitas memiliki pengaruh yang signifikan terhadap nilai PDB. Variabel yang memiliki
tingkat signifikansi terbesar adalah variabel produksi garam, yaitu sebesar 0,07325.
Pemerintah dapat menaikkan nilai PDB di masa yang akan datang dengan cara
meningkatkan produksi garam lokal di Indonesia. Teknologi modern saat ini dapat
dimanfaatkan sebagai sarana untuk meningktkan produksi garam di Indonesia.Contohnya
adalah Teknologi ulir Filter (TuF) Geomembran. Selain itu, pemerintah juga dapat
memperluas lahan produksi garam yang ada di beberapa kabupaten dan kota di Indonesia.
Perluasan lahan ini diharapkan mampu meningkatkan produksi garam lokal di Indonesia.

DAFTAR PUSTAKA
Amami, Dafid dan Ihsannudin.2016. Efisiensi Faktor-Faktor Produksi Garam Rakyat.Jurnal
Media Tren Vol. 11 No. 2 Halaman 172−173. Bangkalan: Fakultas Pertanian
Universitas Trunojoyo Madura.
Ansofino, dkk. 2016. Buku Ajar Ekonometrika. Deepublish : Yogyakarta.
Aziz, Abdul. 2017. Efek Domino Krisis Garam.Diakses dari https://tirto.id pada 1 Agustus
2018 pukul 17.15 WIB.
Bungin, Burhan. 2005. Metode Penelitian Kuantitatif. Kencana : Jakarta.
Divisi Statistik Data Sekunder Bank Indonesia. 2016. Produk Domestik Bruto (PDB). Jakarta:
Bank Indonesia.
Herman. Joetra, Willy. 2015. Pengaruh Garam Dapur (NaCl) terhadap Kembang Susut
Tanah Lempung.Jurnal Momentum Vol.17 No. 1 Halaman 13. Padang: Fakultas
Teknik Sipil dan Perencanaan Institut Teknologi Padang.
Jamil, Ahmad Syaiful dkk. 2017. Faktor-faktor yang Mempengaruhi Permintaan dan
Efektivitas Kebijakan Impor Garam Indonesia. Jurnal Vol. 11 No. 1. Bogor: Fakultas
Ekonomi dan Manajemen Institut Pertanian Bogor.
Kazmier, Leonard J. 2003. Schaum’s Easy Outlines : Bussiness Statistics. Terjemahan oleh
P.A. Lestari.Erlangga : Jakarta.
Kurniawan, Robert dan Yuniarto, Budi. 2016. Analisis Regresi:Dasar dan Penerapannya
dengan R. Kencana : Jakarta.
Monica, E. 2017.Penerapan Metode Trend untuk Meramalkan Tipe Data Musiman.Skripsi.
Universitas Lampung: Bandar Lampung.

41
Oktober Prosiding SEMNASDAL (Seminar Nasional Sumberdaya Lokal) I
2018 ISBN: 978-623-90592-0-0

Mutijo, dkk.2016. Analisis Pertumbuhan Ekonomi Inklusif DIY, 2011−2015. Yogyakarta:

Badan Perencanaan Pembangunan Daerah−Badan Pusat Statistik Provinsi Daerah
Istimewa Yogyakarta.
Nurhayat, Wiji. 2017. RI Butuh 3,2 Juta Ton Garam Tahun Ini, Baru Bisa Produksi 19 Ribu
Ton. Diakses dari https://m.kumparan.com pada tanggal 1 Agustus 2018 pukul
11.30 WIB.
Prasanti, Tyas Ayu dkk. 2015. Aplikasi Regresi Data Panel untuk Pemodelan Tingkat
Pengangguran Terbuka Kabupaten/Kota di Provinsi Jawa Tengah. Jurnal Gaussian
Vol. 4 No. 3 Halaman 688−692. Semarang: FSM Universitas Diponegoro.
Salim, Zamroni. Munadi, Ernawati. 2016. Info Komoditi Garam. Jakarta: Badan Pengkajian
dan Pengembangan Perdagangan Kementerian Perdagangan Republik Indonesia
dan Al Mawardi Prima.
Setyaningrum, Ratih dkk.2015. Tingkat Pemberdayaan Usaha Garam Rakyat (Pugar)
Ditinjau dari Aspek Produksi, Distribusi, Permintaan Pasar dan Sosial
Budaya.Jurnal Vol. X No. 1 Halaman 62. Semarang: Universitas Dian Nuswantoro.
Wati, Yulia Mustika. 2013. Pengembangan Strategi Bersaing PT. Garam (Persero). Tesis
Pascasarjana. Bogor: Institut Pertanian Bogor.

42