Bab Iv

library.uns.ac.id digilib.uns.ac.
id
BAB IV
HASIL DAN PEMBAHASAN
A. Deskripsi Data Penelitian
Penelitian ini menggunakan data sekunder yang diperoleh dari website

resmi Our World In Data (www.ourworldindata.org/) dan World Bank
(www.worldbank.org). Objek penelitian merupakan komponen ekonomi pada
negara-negara anggota BRICS. Komponen yang digunakan adalah perubahan
tingkat emisi CO2 (CO2), pertumbuhan ekonomi (GDP), energi terbarukan
(REC), dan partisipasi angkatan kerja (LFP). Data merupakan data tahunan dari
tahun 1990 hingga 2020 sehingga menghasilkan 155 observasi. Masing-masing
variabel memiliki deskripsi data berikut:
Tabel 4. 1 Statistik Deksriptif
Var Satuan Obs Max Min Mean Std. Dev
CO2 % 155 17 -18 2.45 5.16
GDP % 155 14.23 -14.53 3.94 4.83
GDP2 % 155 211.15 0.02 38.7 44.06
REC % 155 52.95 3.18 25.04 17.39
LFP % 155 84 50.19 67.83 8.48
Sumber: Data diolah, 2023

Tabel 4.1 menunjukkan statistik deskriptif dari variabel yang digunakan
dalam penelitian ini. Terdapat empat variabel yaitu, variabel perubahan emisi
33
library.uns.ac.id digilib.uns.ac.id
34
CO2 berupa variable dependen, variabel independen berupa GDP, REC, dan
LFP.
1. Pertumbuhan Tingkat Emisi CO2
Pertumbuhan tingkat emisi CO2 mengalami peningkatan sepanjang

tahun 1990 hingga 2020 secara keseluruhan dan setiap negara memiliki data
yang berbeda dalam kurun waktu tersebut. Perkembangan tingkat emisi karbon
dapat dilihat seperti pada Gambar 4.1.
Perubahan Tingkat Emisi CO2

20
15
10
5
0
2012
2014
2016
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2013
2015
2017
2018
2019
2020
-5
-10
-15
-20
Brasil Rusia India Cina Afrika Selatan

Gambar 4. 1 Perubahan Tingkat Emisi CO2
Dengan pertumbuhan ekonomi kelima negara BRICS, mereka harus
meningkatkan produksi barang dan jasa. Perdagangan bebas yang dilakukan
oleh negara-negara BRICS berdampak signifikan pada kondisi ekonomi
masing-masing negara tersebut. Kegiatan ini akan berdampak pada jumlah
energi yang dikonsumsi oleh faktor-faktor yang bertanggung jawab untuk
produksi barang dan jasa tersebut. Sektor-sektor ini mencakup industri,
transportasi, dan aktivitas ekonomi lainnya. Namun, hal itu berjalan seiringan
dengan penurunan kualitas lingkungan, yang menciptakan hubungan antara
35
pertumbuhan ekonomi dan kualitas lingkungan. Selain itu, perdagangan bebas

dilakukan untuk meningkatkan ekonomi mereka.
Menurut Tabel 4.1 dan Gambar 4.1, variabel CO2 memiliki rata-rata
2.45% dengan cina sebagai negara dengan perubahan tingkat emisi karbon
tertinggi (17%) pada 2003, hal ini salah satunya disebabkan karena penggunaan
batubara sebagai sumber energi untuk meningkatkan produksi negara dalam
beberapa dekade dan penggunaannya terus meningkat. Menurut Global Carbon
Project, Cina merupakan penghasil CO2 terbesar di dunia pada 2006 dan
menyebabkan pemanasan global dengan kenaikan suhu bumi serta bertanggung
jawab atas seperempat emisi gas rumah kaca dunia secara keseluruhan. Namun
dilain sisi, Badan Energi Internasional menyatakan bahwa cina menghasilkan
lebih banyak tenaga surya diatas negara lainnya didunia. Data ini menjadi bukti
bahwa pemerintah cina serius dalam mengurangi ketergantungannya dalam
menggunakan batu bara sebagai sumber energi.
Rusia menjadi negara dengan perubahan emisi CO2 terendah yaitu -18%
pada tahun 1992. Emisi Rusia mengalami penurunan tajam setelah industri
cerobong asap di Uni Soviet runtuh pada tahun 1991. Produksi negara ini masih
lebih rendah dibandingkan tahun 1990, sehingga mengurangi emisi CO2
dibandingkan dengan batas emisi CO2 PBB (Sampene et al., 2021). Negara ini
memasuki periode transisi yang menyebabkan perubahan signifikan dari sektor
ekonomi dan politik negara tersebut. Pecahnya uni soviet sebagai negara
dengan ekonomi terbesar kedua didunia menjadi faktor dari rendahnya
perubahan emisi CO2 negara tersebut.
2. GDP per Kapita
Perkembangan GDP per kapita secara keseluruhan mengalami fluktuasi

dari tahun 1990 hingga 2020. Perkembangan ini digambarkan pada Gambar
4.2.
36
GDP Per Kapita

20
15
10
5
0
1990199219941996199820002002200420062008201020122014201620182020
-5
-10
-15
-20

Gambar 4. 2 GDP Per Kapita
Gambar 4.2 menunjukan data persentase gdp per tahun dan memberikan
gambaran yang menarik tentang bagaimana ekonomi kelima negara
berkembang dari tahun 1990 hingga 2020. Peningkatan yang signifikan dalam
GDP per kapita dapat menunjukkan keberhasilan kebijakan ekonomi, adaptasi
terhadap perubahan global, dan pertumbuhan sektor-sektor utama.
Gambar ini menunjukkan variasi dalam pertumbuhan negara-negara
BRICS. Ekonomi setiap negara memiliki fitur dan masalah yang unik, yang
tercermin dalam tren pertumbuhan ekonominya. Cina terkenal dengan
pertumbuhan ekonomi yang cepat, terutama selama dua puluh tahun pertama
abad ke-21. Berdasarkan Tabel 4.1 Cina memiliki pertumbuhan ekonomi
tertinggi dibandingkan dengan negara BRICS lainnya yaitu sebesat 14,23%.
Sebaliknya, negara lain mungkin mengalami perubahan yang berbeda karena
disebabkan oleh hal-hal seperti perubahan kebijakan, ketidakstabilan politik,
atau perubahan dalam struktur ekonomi mereka. Indikator penting dari
kebangkitan Cina adalah lompatan dan ekspansi ekonomi. Strategi BRI (Belt
37
and Road Initiative) menjadi salah satu instrumen penting untuk mendorong
distribusi produksi yang tak terbendung (Suharman & Pramono, 2021).
Pada awal tahun 1990-an, pertumbuhan ekonomi Rusia mengalami
transisi ekonomi pasar akibat dari runtuhnya Uni Soviet. Selain itu, Rusia
menghadapi krisis ekonomi yang parah, yang ditandai oleh depresiasi mata
uang rubel dan penurunan drastis dalam produksi industri. Ketidakstabilan ini
menghentikan pertumbuhan ekonomi Rusia untuk beberapa tahun. Gambar di
atas menunjukkan bahwa Rusia adalah satu-satunya anggota kelompok BRICS
yang pertumbuhan ekonominya telah terhenti dalam beberapa tahun, dengan
penurunan sebesar 14.53%. Lesunya perekonomian rusia ini dipengaruhi oleh
kegagalan pemimpin rusia saat itu mengatasi proses transisi perekonomian
rusia. Salah satu contohnya adalah program privatisasi, yang membuat oligarki
dan elite menjadi kelompok yang paling menonjol sebagai hasil dari
demokratisasi. Runtuhnya mata uang rubel, tidak terbayarnya utang luar negeri,
dan skandal korupsi yang melibatkan oligarki yang dekat dengan pemimpin
saat itu (Yeltsin et al., 2023).
Brasil, India, dan Afrika Selatan mengalami pertumbuhan ekonomi
yang lebih stabil daripada Rusia. Hal ini didukung oleh fakta bahwa mereka
memiliki kondisi politik dan ekonomi yang lebih stabil daripada Rusia.
Meskipun pertumbuhan ekonomi mereka mungkin tidak mencapai tingkat yang
signifikan, stabilitas yang dihasilkan oleh negara-negara ini dapat
menghasilkan keuntungan dalam jangka panjang. Stabilitas ini memberikan
landasan yang kokoh untuk pertumbuhan berkelanjutan, yang memungkinkan
negara mengatasi tantangan ekonomi dan memanfaatkan peluang
pembangunan yang tersedia.
3. Energi Terbarukan
Perkembangan energi terbarukan dari tahun 1990 hingga 2020 tidak

seperti variabel sebelumnya negara yang menggunakan energi terbarukan yaitu
38
Brasil dan India dengan beberapa peningkatan yang cukup stagnan dari semua
negara, kecuali India dan Cina yang cenderung turun. Perkembangan ini
digambarkan pada Gambar 4.3.
Konsumsi Energi Terbarukan

60
50
40
30
20
10
0
1990199219941996199820002002200420062008201020122014201620182020

Gambar 4. 3 Konsumsi Energi Terbarukan
Gambar 4.3 menyatakan belum adanya terobosan dalam rangkaian
produksi energi terbarukan di Rusia, namun terdapat kemajuan yang positif
dalam pengadopsian infrastruktur dan teknologi energi terbarukan di Brasil dan
India. Brasil telah berhasil menggabungkan sumber daya energi terbarukan,
khususnya bioenergi, hidroelektrik, dan tenaga surya, ke dalam portofolio
energinya. Kebijakan proaktif pemerintah untuk mengatasi masalah lingkungan
dan mengurangi ketergantungan pada energi fosil. Brasil telah meembuat
kemajuan signifikan dibidang energi terbarukan. Menurut Internasional
Energy Agency (IEA), data konsumsi energi terbarukan di Brasil memenuhi
hampir 45% kebutuhan energi primer negara, sehingga sistem kelistrikan
negara ini adalah salah satu yang terbersih di dunia. Selain itu menurut
Internasional Trade Administrarion selama beberapa dekade, pembangkit
listrik tenaga air telah menjadi sumber energi utama Brasil untuk pembangkit
39
listrik. Kapasitas pembangkit listrik tenaga angin meningkat. Diproyeksikan

bahwa Brasil akan memiliki lebih dari 44 GW kapasitas terpasang pembangkit
listrik tenaga angin pada tahun 2028, yang akan mencakup 13,2% dari matriks
kelistrikan Brasil. Selain itu, pembangkit tenaga surya semakin berkembang,
dan pada tahun 2021, kombinasi tenaga angin dan surya akan menyediakan
13% dari listrik Brasil.Sistem transmisi negara yang luas dan canggih
menunjukkan komitmen negara tersebut terhadap pengembangan energi
terbarukan.
India melaksanakan kebijakan energi negara yang berfokus pada
peningkatan kapasitas pembangkit listrik terbarukan. Jumlah investasi yang
meningkat dalam energi surya, tenaga angin, dan energi hidroelektrik
menunjukkan komitmen India untuk mengembangkan berbagai sumber daya
energinya. Meskipun ada beberapa hambatan, seperti ketergantungan yang
masih tinggi pada energi fosil, India mengalami kemajuan yang positif dalam
menggunakan energi terbarukan. India telah menetapkan target besar untuk
energi terbarukan. Negara ini ingin menghasilkan 500 GW energi terbarukan
pada tahun 2030, dengan 100 GW tenaga surya. Namun, campuran energinya
saat ini didominasi oleh bahan bakar fosil, dengan sumber energi terbarukan
hanya menyumbang 3% (Barrett & Barrett, 2021).
Sementara itu, Rusia memiliki potensi besar dalam pengembangan
energi terbarukan, namun saat ini masih didominasi oleh energi fosil seperti
minyak dan gas alam Rusia juga memiliki reaktor nuklir yang digunakan untuk
pembangkit listrik. Rusia menghadapi beberapa tantangan dalam
pengembangan energi terbarukan, seperti ketergantungan pada energi fosil dan
konflik dengan negara-negara lain yang dapat mempengaruhi pasokan energi
(Lambang, 2023).
Dalam hal pembiayaan proyek-proyek energi terbarukan, negara-negara
BRICS mengandalkan berbagai sumber seperti uang bank, pinjaman institusi,
40
dana industri, dan modal investasi asing semuanya menjadi komponen penting
dalam mendukung infrastruktur energi terbarukan. Rencana keterlibatan warga
dalam pembiayaan ini mencerminkan dorongan untuk menciptakan kemitraan
yang kuat antara sektor publik dan swasta serta mendorong partisipasi
masyarakat dalam transisi menuju energi bersih.
4. Partisipasi Angkatan Kerja
Partisipasi Angkatan Kerja pada negara anggota BRICS dari tahun 1990
hingga 2023 cenderung mengalami penurunan dari waktu ke waktu.
Perkembangan ini digambarkan pada Gambar 4.4.
Partisipasi Angkatan Kerja

90
80
70
60
50
40
30
20
10
0
1990199219941996199820002002200420062008201020122014201620182020

Gambar 4. 4 Partisipasi Angkatan Kerja
Gambar tersebut menunjukkan bahwa meskipun Cina memiliki
populasi yang besar, partisipasi angkatan kerja mencapai angka di atas 70%,
yang menjadi salah satu pendorong utama pertumbuhan ekonomi yang cepat.
Namun, data menunjukkan bahwa partisipasi angkatan kerja terus menurun.
Pengembangan teknologi yang pesat di negara ini mendorong tren ini,
menggantikan banyak pekerja manusia dengan teknologi modern. Meskipun
41
kemajuan ini memiliki efek positif pada efisiensi dan produktivitas, hal ini juga
memiliki efek negatif, yaitu penurunan partisipasi angkatan kerja, yang dapat
menimbulkan kesulitan untuk mengurangi pengangguran struktural. Menurut
(Tommy et al., 2023) Selama 15 tahun terakhir, tingkat partisipasi angkatan
kerja di Cina telah menunjukkan tren penurunan, dengan hanya 20% wanita
usia kerja terlibat dalam pekerjaan. Namun, tidak ada sumber yang
diidentifikasi yang menyebutkan faktor-faktor tertentu yang memengaruhi
partisipasi angkatan kerja di Cina.
Sebaliknya, data menunjukkan peningkatan yang positif dalam
partisipasi angkatan kerja Rusia. Data dapat menjadi hasil dari kebijakan
ekonomi dan industri yang dilakukan untuk meningkatkan partisipasi angkatan
kerja. Banyak faktor dapat menyebabkan peningkatan ini, seperti diversifikasi
ekonomi, investasi dalam sektor-sektor penting, dan mungkin adanya program
pelatihan dan pengembangan keterampilan yang berhasil.
Dalam upaya meningkatkan pertumbuhan ekonomi di India, partisipasi
angkatan kerja telah menjadi fokus utama. Dengan pertumbuhan ekonomi yang
signifikan, negara tersebut menghadapi tantangan untuk menciptakan lapangan
kerja yang memadai dan memberikan peluang kerja kepada jumlah besar
penduduknya. Data menunjukkan bahwa ada hambatan, terutama terkait
dengan ketidaksetaraan gender dan regional, meskipun ada upaya untuk
meningkatkan partisipasi angkatan kerja melalui program pelatihan
keterampilan dan inisiatif pengembangan sektor-sektor ekonomi tertentu.
Meskipun jumlah penduduk usia kerja di India lebih besar daripada di Cina,
mayoritas penduduk India hanya 51%, dibandingkan dengan 76% di Cina.
Tingkat pendidikan yang rendah di India dapat menghambat kemampuan siswa
dalam membaca dan berhitung. Pertumbuhan ekonomi yang lambat dapat
mempengaruhi partisipasi angkatan kerja. Pertumbuhan ekonomi India lebih
42
lambat dibandingkan dengan Cina, yang dapat mempengaruhi keberlanjutan

kesempatan kerja orang India (Jadi & Asia, 2023)
Partisipasi angkatan kerja di Brasil mencerminkan berbagai dinamika
ekonomi dan sosial. Meskipun ekonomi Brasil telah berkembang pesat,
dampaknya terhadap partisipasi angkatan kerja dapat beragam. Sementara
penurunan dapat dikaitkan dengan perubahan struktural dalam ekonomi,
peningkatan partisipasi dapat menunjukkan upaya untuk memerangi
ketidaksetaraan dan pengangguran. Selain itu, Brasil telah menghadapi resesi
dan fluktuasi ekonomi global dalam beberapa tahun terakhir, yang semuanya
berdampak pada tenaga kerja. Menurut Ceicdata, Brasil memiliki tingkat
partisipasi angkatan kerja sebesar 61.8% pada bulan Agustus 2023, naik dari
61.7% pada bulan Juli 2023, menunjukkan keterlibatan angkatan kerja dalam
kegiatan ekonomi. Beberapa faktor mempengaruhi partisipasi angkatan kerja
termasuk Pendidikan, pertumbuhan ekonomi, dan demografi. Dengan tingkat
partisipasi angkatan kerja yang tinggi di Brasil, masih sulit untuk menjamin
keterlibatan perekonomian angkatan kerja yang berkelanjutan.
Dengan sejarahnya yang rumit, Afrika Selatan menunjukkan tantangan
dan peluang yang berbeda untuk partisipasi angkatan kerja. Pemerintah Afrika
Selatan telah mengambil inisiatif untuk meningkatkan inklusi dan kesetaraan
peluang, meskipun negara itu menghadapi sejumlah masalah terkait dengan
tingkat pengangguran yang tinggi, ketidaksetaraan, dan ketidakpastian
ekonomi. Untuk meningkatkan partisipasi angkatan kerja, program pelatihan
keterampilan, diversifikasi ekonomi, dan investasi dalam sektor-sektor yang
menghasilkan lapangan kerja baru dapat sangat membantu.
43
B. Hasil Estimasi Data
1. Analisa Data
a. Uji Stasioneritas
Analisis data panel menguji masalah stasioneritas, dan
karenanya uji unit root dilakukan. Uji ini penting untuk memeriksa
adanya stasioneritas untuk data panel, seperti yang dikemukakan oleh
Levin-Lin Chu (2002) (LLC) dan Im-Pesaran-Shin (2003). Pengujian
unit root menggunakan uji Augmented Dickey Fuller (ADF test) dengan
hasil sebagai berikut:
Tabel 4. 2 Uji Stasioneritas
Variabel Intercept Trend and Intercept
CO2 0.0087* 0.0355**
GDP 0.2512 0.6629
GDP2 0.0003* 0.0008*
REC 0.6627 0.8918
LFP 0.8667 0.6634

Keterangan: * stasioner pada signifikansi 0.10
** stasioner pada signifikansi 0.05
*** stasioner pada signifikansi 0.01
Tabel menunjukkan bahwa nilai probabilitas dari variabel CO2
dan GDP2 memiliki angka yang lebih kecil dari tingkat signifikansi
0,05. Maka variabel perubahan tingkat emisi CO2 dan pertumbuhan
ekonomi 2 stasioner pada level. Sementara GDP, REC, dan LFP
memiliki probabilitas lebih dari 0,05. Hipotesis null bahwa unit root
tidak ada ditolak. Jadi, pada tingkat level, variabel GDP per kapita,
energi terbarukan, dan partisipasi angkatan kerja non-stasioner
44
b. Uji Derajat Integrasi

Ketika persamaan regresi yang diestimasi memiliki signifikansi
yang signifikan, tindakan khusus diperlukan untuk mencegah spurious
regression pada data yang tidak stasioner. Tabel variabel data yang
diteliti tidak stasioner pada tingkat level, sehingga data harus didiferen
satu kali untuk mengetahui apakah data stasioner.
Tabel 4. 3 Uji Derajat Integrasi
Variabel Intercept Trend and Intercept
CO2 0.0000* 0.0000*
GDP 0.0000* 0.0000*
GDP2 0.0000* 0.0000*
REC 0.0079* 0.0588***
LFP 0.0134** 0.0875***
Keterangan: * stasioner pada signifikansi 0.10

** stasioner pada signifikansi 0.05
*** stasioner pada signifikansi 0.01
Pada derajat tingkat satu, nilai signifikansi variabel CO2, GDP,
GDP2 REC, dan LFP lebih rendah dari taraf signifikansi 0,05, seperti
yang ditunjukkan dalam Tabel. Hipotesis null bahwa tidak ada unit root
ditolak. Menurut hipotesis, variabel studi tetap pada data derajat
integrasi satu.
c. Uji Kointegrasi
Uji kointegrasi menguji keberadaan hubungan jangka panjang
antara variabel independen dan variabel dependen. Tujuannya adalah
melihat terintegrasi atau tidaknya residual dari hasil yang ada;
45
hubungan yang stabil dalam jangka panjang dapat dilihat apabila

residual terintegrasi.
Tabel 4. 4 Hasil Uji Kointegrasi

Nilai prob dalam tabel di atas adalah 0.004 atau < 0.05. Hasil
menunjukkan adanya hubungan/kointegrasi jangka panjang antara
variabel. Hasil dari variabel yang diuji menunjukkan bahwa ada
hubungan jangka panjang antara perubahan tingkat emisi CO2,
pertumbuhan ekonomi, energi terbarukan, dan partisipasi angkatan
kerja.
d. Uji Kausalitas Granger
Dalam menentukan hubungan antar variabel, baik searah
maupun dua arah, dapat menggunakan uji kausalitas granger, dari hasil
analisa ini terdapat hipotesis bahwa jika nilai prob<0.05, hal tersebut
menunjukkan adanya hubungan antar variabel.
46
Pairwise Granger Causality Tests

Date: 11/20/23 Time: 23:12
Tabel 4. 1990
Sample: 5 Hasil Uji Kausalitas
2020 Granger
Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
GDP does not Granger Cause CO 145 5.60222 0.0046

CO does not Granger Cause GDP 0.03439 0.9662
GDP2 does not Granger Cause CO 145 2.55732 0.0811

CO does not Granger Cause GDP2 1.08533 0.3406
REC does not Granger Cause CO 145 7.59392 0.0007

CO does not Granger Cause REC 0.84929 0.4299
LFP does not Granger Cause CO 145 1.10138 0.3353

CO does not Granger Cause LFP 0.16858 0.8450
GDP2 does not Granger Cause GDP 145 3.67868 0.0277

GDP does not Granger Cause GDP2 2.29128 0.1049
REC does not Granger Cause GDP 145 0.83321 0.4368

GDP does not Granger Cause REC 1.30273 0.2751
LFP does not Granger Cause GDP 145 0.91146 0.4043

GDP does not Granger Cause LFP 0.29503 0.7450
REC does not Granger Cause GDP2 145 0.35993 0.6984

GDP2 does not Granger Cause REC 1.91205 0.1516
LFP does not Granger Cause GDP2 145 1.93765 0.1479

GDP2 does not Granger Cause LFP 1.07670 0.3435
LFP does not Granger Cause REC 145 1.46672 0.2342

REC does not Granger Cause LFP 0.07249 0.9301

Dari hasil data tersebut dapat disimpulan bahwa hanya 3
variabel yang memiliki hubungan searah, seperti perumbuhan ekonomi
yang memiliki hubungan searah pada Emisi CO2, Konsumsi Energi
Terbarukan memiliki hubungan searah dengan Emisi Co2, dan
Pertumbuhan ekonomi 2 dengan pertumbuhan ekonomi. Uji tersebut
tidak menunjukkan hubungan dua arah antara variabel.
47
e. Uji Multikolinearitas
Tabel 4. 6 Hasil Uji Multikolinearitas
GDP GDP2 REC LFP

GDP 1 0.45 0.17 0.17
GDP2 0.45 1 -0.06 0.4
REC 0.17 -0.06 1 -0.31
LFP 0.17 0.4 -0.31 1

Hasil pengujian yang telah dilakukan menemukan bahwa tidak
ada nilai lebih besar dari 0.8. Maka dari itu model ini terbukti tidak
memiliki masalah multikolinearitas. Sedangkan, tanda negatif yang ada
menandakan korelasi berlawanan antar variabel. Dengan kata
lain,meningkatnya satu variabel akan menurunkan variabel lainnya.
Sebaliknya, menurunnya satu variabel akan meningkatkan variabel
lainnya.
f. Uji Heteroskedastisitas
Tabel 4. 7 Hasil Uji Glejser Heteroskedastisitas Data Panel
Variable Coefficient Std. Error t-Statistic Prob.
C 2.557265 1.782178 1.434910 0.1534

GDP -0.050440 0.044629 -1.130192 0.2602
GDP2 -0.000925 0.005144 -0.179776 0.8576
REC -0.008440 0.011652 -0.724355 0.4700
LFP 0.012083 0.025484 0.474139 0.6361

Berdasarkan uji glejser heterokedastisitas data panel tersebut,
seluruh variabelnya memiliki nilai p-value lebih besar dari Tingkat
alpha 0.05, maka penelitian ini menyimpulkan data yang digunakan
terbebas dari masalah heterokedastisitas.
48
2. Estimasi Data
a. Hasil Analisis Panel Autoregressive Distributed Lag (ARDL)

Analisis panel yang menggunakan Autoregressive Distributed
Lag (ARDL) memeriksa data panel yaitu gabungan dari data cross
section dan data time series. Pengujian ini menggunakan software
eviews 12, oleh karena itu berikut ini hasil yang didapatkan dari Uji
Panel ARDL:
‘
49
Tabel 4. 8 Output Panel ARDL
Std.
Variabel Koefisien t-Statistic Prob.
Error
Long Run Equation
GDP 4.54 0.75 6.05 0
GDP2 -0.24 0.05 -4.69 0
REC -0.08 0.06 -1.21 0.23
LFP 0.59 0.14 4.08 0.0002
Short Run Equation
COINTEQ01 -0.96 0.35 -0.27 0.009
D(CO2 (-1)) -0.15 0.38 -0.41 0.68
D(CO2 (-2)) -1.05 0.16 -0.67 0.51
D(GDP) -3.12 1.96 -2.107 0.04
D(GDP(-1)) 0.28 0.94 0.301 0.76
D(GDP(-2)) 2.001 1.57 1.27 0.21
D(GDP(-3)) 1.16 0.74 1.57 0.12
D(GDP2) 0.25 0.13 1.98 0.05
D(GDP2(-1)) -0.16 0.15 -1.03 0.305
D(GDP2(-2)) -0.43 0.27 -1.59 0.12
D(GDP2(-3)) -0.2 0.102 -2.003 0.05
D(REC) 0.84 2.73 0.31 0.76
D(REC(-1)) -3.23 1.69 -1.9 0.06
D(REC(-2)) 0.501 2.66 0.19 0.85
D(REC(-3)) 0.97 0.901 1.08 0.28
D(LFP) -0.95 1.02 -0.93 0.36
D(LFP(-1)) -4.88 4.87 -1.003 0.32
D(LFP(-2)) 1.68 2.93 0.57 0.57
D(LFP(-3)) -2.67 2.39 -1.11 0.27
C -47.98 17.55 -2.73 0.009
Asumsi utama model diterimanya model panel yang memiliki
lag terkointegrasi dapat dilihat dari nilai koefisien bertanda negatif
dengan tingkat signifikansi 5%. Pada tabel diatas nilai dari koefisien
model panel bertanda negatif (-0.96) dan signifikan (0.009 < 0.05) dapat
disimpulkan model panel ARDL dapat diterima. Berdasarkan model
50
yang telah diterima maka analisis data dapat dilakukan berdasarkan

panel setiap negara.
Berdasarkan hasil keseluruhan diketahui bahwa yang signifikan
dalam jangka panjang mempengaruhi CO2 pada negara anggota BRICS
yaitu GDP, GDP2, dan LFP, hal ini terbukti dari hasil nilai probabilitas
yang lebih kecil dari 0,05. Sedangkan dalam jangka pendek tidak semua
variabel yang signifikan mempengaruhi CO2 pada negara anggota
BRICS. Maka di ketahui variabel-variabel dalam jangka panjang lebih
berpengaruh pada perkembangan tingkat emisi CO2.
1) Analisis Panel Negara Brasil
Tabel 4. 9 Output ARDL Negara Brasil
Variabel Std.
Koefisien t-Statistic Prob.
Error
COINTEQ01 -0.33 0.01 -44.11 0
D( CO2 (-1)) -0.99 0.02 -40.53 0
D( CO2 (-2)) -0.56 0.04 -12.52 0.001
D(GDP) 0.01 0.16 0.12 0.91
D(GDP(-1)) 0.48 0.05 9.33 0.003
D(GDP(-2)) 0.62 0.05 12.16 0.001
D(GDP(-3)) 0.08 0.033 2.79 0.07
D(GDP2) -0.08 0.001 -59.7 0
D(GDP2(-1)) -0.15 0.002 -61.15 0
D(GDP2(-2)) -0.16 0.002 -92.21 0
D(GDP2(-3)) -0.09 0.001 -59.57 0
D(REC) -1.27 0.17 -7.66 0.005
D(REC(-1)) 0.19 0.24 0.81 0.47
D(REC(-2)) 0.64 0.2 3.28 0.05
D(REC(-3)) -0.02 0.26 -0.06 0.95
D(LFP) -1.17 0.25 -4.66 0.02
D(LFP(-1)) -1.71 0.31 -5.57 0.01
D(LFP(-2)) -0.58 0.24 -2.36 0.09
D(LFP(-3)) 1.14 0.32 3.52 0.04
C -14.59 17.54 -0.83 0.47
51
Hasil Uji Panel ARDL menunjukkan :

a) Pertumbuhan Ekonomi (GDP)
Variable GDP pada lag ke-1 memiliki probabilitas sebesar
0.003. Pada taraf signifikansi 5%, H0 diterima dan H1 ditolak.
Artinya perubahan tingkat emisi CO2 di Brasil dipengaruhi oleh
variabel GDP.
b) Pertumbuhan Ekonomi2 (GDP2)
GDP2 signifikan dalam mempengaruhi CO2, terlihat pada
probabilitas sig 0.00 < 0.05. Artinya, GDP2 berpengaruh terhadap
CO2. Koefisien GDP2 sebesar -0.08 menunjukkan bahwa
peningkatan GDP2 sebesar 1% pada periode sekarang akan
menurunkan perubahan tingkat emisi CO2 sebesar 0.08% di Brasil.
c) Konsumsi Energi Terbarukan (REC)
REC signifikan dalam mempengaruhi CO2, dengan probabilitas
sig 0.005 < 0.05. Dalam taraf signifikansi 5% maka H0 ditolak dan
H1 diterima. Koefisien harga minyak dunia sebesar -1.27
menunjukkan bahwa energi terbarukan berpengaruh negatif
terhadap CO2. Kenaikan harga minyak dunia sebe sar 1%
pada periode sekarang maka akan mengurangi perubahan tingkat
emisi CO2 Brasil saat ini sebesar 1.27%.
d) Partisipasi Angkatan Kerja (LFP)
LFP signifikan dalam mempengaruhi CO2, terlihat pada
probabilitas sig 0.02 < 0.05. Artinya LFP berpengaruh terhadap
CO2. Koefisien -1.17 menunjukkan bahwa setiap peningkatan
partisipasi angkatan kerja sebesar 1% akan mangurangi tingkat
perubahan emisi CO2 sebesar 1.17% di Brasil.
52
2) Analisis Panel Negara Rusia

Tabel 4. 10 Output ARDL Negara Rusia
Std.
Error
COINTEQ01 0.04 0.002 28.3 0.0001
D(CO2 (-1)) -1.101 0.09 -12.21 0.0012
D(CO2 (-2)) 0.17 0.11 1.53 0.2241
D(GDP) 0.81 0.05 16.1 0.0005
D(GDP(-1)) 0.07 0.08 0.95 0.41
D(GDP(-2)) -0.105 0.02 -4.05 0.03
D(GDP(-3)) -0.07 0.006 -11.54 0.001
D(GDP2) -0.03 8.69 -379.58 0
D(GDP2(-1)) -0.01 0.0004 -35.86 0
D(GDP2(-2)) 0.04 0.0002 160.19 0
D(GDP2(-3)) -0.04 0.0001 -309.35 0
D(REC) -7.39 4.04 -1.83 0.16
D(REC(-1)) -7.89 9.63 -0.81 0.47
D(REC(-2)) 10.53 12.22 0.86 0.45
D(REC(-3)) -1.92 4.35 -0.44 0.69
D(LFP) 1.02 0.47 2.14 0.12
D(LFP(-1)) -0.51 0.46 -1.1 0.35
D(LFP(-2)) 0.006 0.36 0.02 0.99
D(LFP(-3)) 0.41 0.36 1.14 0.34
C 2.23 3.02 0.74 0.51
GDP signifikan dalam mempengaruhi CO2, terlihat pada
probabilitas sig 0.003 < 0.05. Dengan tingkat tersebut menegaskan
bahwa GDP berpengaruh pada tingkat signifikansi 5% dan memiliki
dampak pada perubahan emisi CO2 di Brasil.
GDP2 memiliki pengaruh signifikan pada CO2, dengan
probabilitas kurang dari 0.05. GDP2 berpengaruh terhadap CO2.
Hasil keseluruhan menunjukkan adanya pengaruh negatif, yang
53
berarti peningkatan pada GDP2 mengurangi tingkat perubahan

emisi CO2 di Rusia.
REC tidak memberikan dampak signifikan pada CO2, dengan
probabilitas sig 0.16 > 0.05. Oleh karena itu, dapat disimpulkan
bahwa REC ridak memiliki pengaruh yang signifikan terhadap
perubahan tingkat emisi CO2 di Rusia.
LFP juga tidak signifikan dalam mempengaruhi CO2, terlihat
pada probabilitas sig 0.12 > 0.05. Artinya, partisipasi angkatan kerja
tidak memiliki dampak signifikan pada tingkat emisi CO2 di Rusia.
54
3) Analisis Panel Negara India

Tabel 4. 11 Output ARDL Negara India
Std.
Error
COINTEQ01 -1.86 0.05 -38.63 0
D( CO2 (-1)) 0.77 0.03 26.06 0.0001
D( CO2 (-2)) 0.003 0.01 0.23 0.83
D(GDP) -7.39 2.27 -3.25 0.04
D(GDP(-1)) -2.75 1.85 -1.49 0.23
D(GDP(-2)) 7.67 1.43 5.37 0.01
D(GDP(-3)) 3.95 0.37 10.59 0.001
D(GDP2) 0.46 0.01 37.9 0
D(GDP2(-1)) 0.06 0.01 4.86 0.01
D(GDP2(-2)) -0.73 0.01 -61.69 0
D(GDP2(-3)) -0.41 0.003 -118.34 0
D(REC) 1.67 0.43 3.85 0.03
D(REC(-1)) -1.24 0.25 -4.88 0.02
D(REC(-2)) -2.75 0.37 -7.41 0.005
D(REC(-3)) 1.18 0.3 3.88 0.03
D(LFP) -3.46 0.37 -9.24 0.003
D(LFP(-1)) -1.09 1.9 -0.57 0.6
D(LFP(-2)) 12.49 4.67 2.68 0.07
D(LFP(-3)) -11.75 4.69 -2.5 0.09
C -82.12 183.7 -0.45 0.68
GDP memiliki dampak signifikan terhadap CO2 dengan
probabilitas kurang dari 0.05. Koefisien pada uji sebesar -7.39
mengindikasikan bahwa peningkatan sebesar 1% dapat mengurangi
perubahan tingkat emisi CO2 sebesar 7.39% di India..
GDP2 signifikan dalam mempengaruhi CO2, dapat dilihat pada
probabilitas sig 0.00 < 0.05. Nilai koefisien sebesar 0.46
55
menunjukkan bahwa peningkatan GDP2 sebesar 1% berkontribusi

positif pada perubahan tingkat emisi CO2 sebesar 0.46% India.
REC memiliki dampak signifikan pada CO2, dengan probabiltas
kurang dari 0.05. Nilai koefisien sebesar 1.67, peningkatan energi
terbarukan sebesar 1% berpengaruh positif pada perubahan tingkat
emisi CO2 India.
LFP memiliki dampak signifikasi pada CO2, dapat dilihat pada
pada probabilitas sig 0.003< 0.05. Uji tersebut menampilan nilai
koefisien sebesar -3.46 artinya setiap peningkatan partisipasi
angkatan kerja sebesar 1% akan berpengaruh negatif terhadap
tingkat perubahan emisi CO2 sebesar 3.46% di India.
56
4) Analisis Panel Negara Cina

Tabel 4. 12 Output ARDL Negara Cina
Std.
Error
COINTEQ01 -1.21 0.16 -7.59 0.05
D(CO2 (-1)) 0.41 0.08 5.28 0.01
D(CO2 (-2)) 0.24 0.04 5.54 0.01
D(GDP) -8.97 16.19 -0.55 0.62
D(GDP(-1)) 0.42 14.1 0.03 0.98
D(GDP(-2)) -1.14 11.37 -0.1 0.93
D(GDP(-3)) 1.32 2.01 0.66 0.56
D(GDP2) 0.42 0.03 12.8 0.01
D(GDP2(-1)) 0.06 0.02 2.64 0.07
D(GDP2(-2)) 0.05 0.02 2.61 0.08
D(GDP2(-3)) 0.01 0.003 3.22 0.05
D(REC) 1.7 0.43 3.93 0.03
D(REC(-1)) -0.52 0.29 -1.74 0.18
D(REC(-2)) 1.19 0.67 -1.77 0.17
D(REC(-3)) 2.61 0.74 3.51 0.04
D(LFP) 1.71 5.66 0.3 0.78
D(LFP(-1)) -24.1 27.34 -0.88 0.44
D(LFP(-2)) 5.17 13.53 -0.38 0.73
D(LFP(-3)) 3.21 14.84 -0.22 0.84
C -81.05 757.49 -0.11 0.92
GDP tidak signifikan dalam mempengaruhi CO2, dengan
probabilitas sebesar 0.61. Ini menandakan bahwa pertumbuhan
ekonomi tidak berpengaruh secara signifikan terhadap CO2 di Cina.
GDP2 signifikan dalam mempengaruhi CO2, dengan probabiltas
sebesar 0.001. Uji tersebut menunjukan nilai koefisien yang positif
pada variabel GDP2 berarti setiap perubahan pada GDP2
berpengaruh positif pada peningkatan perubahan emisi CO2 di Cina.
57

REC signifikan dalam mempengaruhi CO2, dengan probabilitas
sebesar 0.03 < 0.05. Koefisien 1.7 menyiratkan bahwa peningkatan
energi terbarukan sebesar 1% berpengaruh positif sebesar 1.7% di
Cina.
LFP tidak signifikan dalam mempengaruhi CO2, dengan
probabilitas sebesar 0.78 > 0.05. Artinya, partisipasi angkatan kerja
tidak berpengaruh secara signifikan terhadap tingkat emisi CO2 di
Cina.
5) Analisis Panel Negara Afrika Selatan
Tabel 4. 13 Output ARDL Negara Afrika Selatan
Std.
Error
COINTEQ01 -1.44 0.03 -48.85 0
D(CO2 (-1)) 0.13 0.01 8.73 0.003
D(CO2 (-2)) -0.38 0.005 -63.72 0
D(GDP) -5.07 1.16 -4.38 0.02
D(GDP(-1)) 3.19 0.51 6.24 0.008
D(GDP(-2)) 2.94 0.3 9.72 0.002
D(GDP(-3)) 0.53 0.189 2.8 0.07
D(GDP2) 0.51 0.02 27.4 0.0001
D(GDP2(-1)) -0.75 0.01 -64.16 0
D(GDP2(-2)) -0.13 0.01 -98.28 0
D(GDP2(-3)) -0.49 0.01 -52.87 0
D(REC) 9.53 0.59 16,19 0.0005
D(REC(-1)) -6.71 1.12 -6.01 1
D(REC(-2)) -4.72 1.65 -2.85 0.06
D(REC(-3)) 3.01 1.18 2.55 0.08
D(LFP) -2.83 0.43 -6.58 0.01
D(LFP(-1)) 2.97 0.39 7.64 0.005
D(LFP(-2)) 1.65 0.19 8.47 0.003
D(LFP(-3)) 0.07 0.16 0.45 0.68
C -64.38 191.76 -0.33 0.76
58

GDP signifikan dalam mempengaruhi CO2, dengan probabilitas
sebesar 0.02. Nilai koefisien sebesar -5.07 menandakan bahwa
peningkatan sebesar 1% berpengaruh mengurangi tingkat
perubahan emisi CO2 sebesar 5.07% di Afrika Selatan.
GDP2 signifikan dalam mempengaruhi CO2, dengan
probabilitas signifikansi sebesar 0.0001. Koefisien sebesar 0.51
mengindikasikan bahwa peningkatan GDP sebesar 1% berpengaruh
positif terhadap tingkat perubahan emisi CO2 sebesar 0.51% di
Afrika Selatan.
REC signifikan dalam mempengaruhi CO2, dapat dilihat pada
pada probabilitas sig 0.0005 < 0.05. Nilai koefisien 9.53
menunjukkan bahwa setiap perubahan variabel energi terbarukan
sebesar 1% berpengaruh positif sebesar 9.53% di Afrika Selatan.
LFP signifikan dalam mempengaruhi CO2, dengan probabilitas
sebesar 0.0071. Koefisien -2.83 menujukkan bahwa setiap
peningkatan partisipasi angkatan kerja ssbesar 1% akan mangurangi
tingkat perubahan emisi CO2 sebesar 2.83% di Afrika Selatan.
59
C. Pembahasan
1. Pembahasan Analisis Model Panel Autoregressive Distributed Lag

(ARDL)
Analisis pada penelitian ini menggunakan metode panel ARDL dengan

tujuan menguji gabungan data cross section (negara) dengan time series
(tahunan). Hasil uji panel ARDL diatas menunjukkan bahwa:
Tabel 4. 14 Rangkuman Hasil Panel ARDL
Afrika Short Long

Variabel Brasil Rusia India Cina
Selatan Run Run
GDP I I I O I I I
GDP2 I I I I I I I
REC I O I I I O O
LFP I O I O I O I
Keterangan: I = Berpengaruh
O = Tidak Berpengaruh
Hasil analisis Panel ARDL membuktikan bahwa :
a. Uji Panel ARDL diatas menunjukkan bahwa negara Brasil, India, dan
Afrika Selatan memiliki variabel GDP, GDP2, REC dan LFP yang
berpengaruh terhadap tingkat perubahan emisi CO2. Dalam penelian
menurut Thuy Bui Minh et all (2023) bahwa pertumbuhan ekonomi
memiliki dampak signifikan dan pengembangan energi terbarukan
memiliki dampak positif terhadap emisi karbon di Vietnam. Selain itu,
Daniel (2023) berpendapat tingkat partisipasi angkatan kerja memiliki
perngaruh terhadap emisi CO2 karena semakin banyak orang yang
bekerja, semakin tinggi pula aktivitas produksi dan konsumsi yang
dapat menyebabkan peningkatan emisi gas rumah kaca seperti CO2.
Namun terlihat ada negara Rusia dan Cina, tidak semua variabel
60
berpengaruh terhadap CO2. Pada negara Rusia hanya variabel GDP

yang memiliki pengaruh terhadap CO2 dan pada negara Cina juga hanya
terdapat variabel GDP2 dan REC yang memiliki pengaruh terhadap
CO2.
b. Secara panel ternyata GDP dan GDP2 juga mampu menjadi pengaruh
pada tingkat perubahan emisi CO2 di negara anggota BRICS. Akan
tetapi, variabel partisipasi angkatan kerja tersebut berbanding terbalik
dalam jangka pendek dan jangka panjang. Namun, Kuncoro (2013)
mengatakan bahwa partisipasi angkatan kerja memiliki dampak jangka
panjang dan pendek terhadap emisi karbon, partisipasi angkatan kerja
dapat mempengaruhi emisi karbon dalam jangka waktu yang lebih
panjang serta dalam jangka waktu yang lebih pendek. Variabel energi
terbarukan tidak signifikan dalam jangka pendek dan jangka panjang di
masa sekarang. Namun pada lag-1 variabel REC berengaruh signifikan
terhadap tingkat perubahan emisi CO2. Radmehr (2021) berpendapat
bahwa konsumsi energi terbarukan memiliki dampak yang signifikan
dalam mengurangi emisi karbon dalam jangka panjang. Namun, dalam
jangka pendek, peran energi terbarukan dalam mengurangi emisi
karbon mungkin tidak sebesar dalam jangka panjang karena
memerlukan waktu untuk menggantikan penggunaan energi fosil yang
lebih berpolusi.
c. Pengaruh variabel GDP, GDP2, dan LFP di negara anggota BRICS
terdapat pada jangka panjang, yang dimana variabel tersebut dalam
jangka panjang signifikan dalam mempengaruhi tingkat emisi CO2.
2. Environmental Kuznets Curve (EKC) dalam Jangka Pendek
Variabel GDP mempunyai hubungan positif signifikan di negara Rusia.

Hubungan jangka pendek yang berbeda dapat dilihat di India dan Afrika
Selatan, dimana terdapat hubungan negatif dan signifikan.
61
Selanjutnya GDP2 mempunyai hubungan positif dan signifikan di

wilayah India, Cina, dan Afrika Selatan. Hubungan negatif dan signifikan
terjadi di Brasil, dan Rusia. Sama halnya GDP2, REC mempunyai hubungan
positif dan negatif. Hubungan positif dan signifikan terjadi di India, Cina,dan
Afrika Selatan. Hubungan negatif dan signifikan ditunjukkan di Brasil dan
Rusia. Sementara itu, LFP hanya mempunyai hubungan negatif dan signifikan
Brasil, India, dan Afrika Selatan.
Secara keseluruhan, semua variabel independen memiliki pengaruh
yang signifikan terhadap variabel emisi karbondioksida. Ini berarti bahwa EKC
signifikan dalam jangka pendek dan bahwa ada pengaruh dari variabel
independen terhadap emisi karbon dioksida.
Sampai saat ini, EKC belum dapat menjamin bahwa semua indikator
polusi mengikuti pola U-terbalik seperti hipotesisnya, karena emisi
karbondioksida merupakan bentuk polusi global yang meningkat atau
menurunnya dipengaruhi oleh waktu yang lama. Akibatnya, tidak terbukti
bahwa EKC dalam jangka pendek adalah rasional. Hasil ini didukung juga
dengan uji kausalitas granger yang dapat disimpulkan tidak ada variabel yang
memiliki hubungan sebab-akibat antar variabelnya.
Hasil penelitian sejalan dengan penelitian oleh Azarya (2022) di negara
Kawasan Asean yang menunjukkan bahwa dalam jangka pendek, variabel
pertumbuhan ekonomi (GDP) tidak memiliki pengaruh yang signifikan
terhadap tingkat emisi karbon dioksida (CO2) di negara-negara berpendapatan
tinggi di wilayah ASEAN.
Hasil penelitian sejenis dengan penelitian oleh Bui Minh et al (2023)
yang membuktikan eksistensi EKC dengan temuan berupa hubungan sebab-
akibat antara emisi CO2 dan PDB dalam jangka pendek dan jangka panjang.
Selain itu, studi ini menekankan pentingnya konsumsi energi terbarukan,
62
populasi urban, dan investasi langsung asing (FDI) dalam mengurangi emisi
karbon.
Hasil penelitian kontradiktif juga diungkap oleh Radmehr (2021) dalam
penelitian di negara-negara Eropa menunjukkan bahwa tidak ada bukti yang
mendukung adanya EKC dalam penelitian ini. Selain itu, hasil dari model
ekonometrik juga tidak menunjukkan adanya pola EKC dalam hubungan antara
variabel-variabel yang diteliti. Begitu pula penelit ian oleh Nadira
Rahmadani et all (2023) di negara-negara OKI yang menunjukkan tidak ada
Environmental Kuznets Curve (EKC) antara pertumbuhan ekonomi negara
anggota OKI dan emisi karbon.
Brasil, India, dan Afrika Selatan merupakan negara yang memiliki
pengaruh dalam jangka pendek dikarenakan lambatnya ketiga negara tersebut
dalam mengimplemetasikan kebijakan energi terbarukan. Transportasi
merupakan penyumbang emisi terbesar kedua di dunia, namun kemajuan untuk
mengurangi emisi yang dihasilkan dari trnsportasi sangatlah lambat
(Endarwati, 2018). Pengaruh tersebut dilatar belakangi oleh ketergantungan
terhadap energi fosil, dalam hal ini batu bara, untuk pembangkit listrik sehingga
menghasilkan emisi yang tinggi (PLN, 2023). Dampak transisi energi akan sulit
dihadapi tnegara-negara berkembang karena mayoritas lapangan kerja, PDB,
dan stok modal fisik bergantung pada sektor-sektor yang sulit berkurang
(Iverson & Dervan, n.d.).
Rusia dan Cina tidak memiliki pengaruh dalam jangka pendek
dikarenakan negara-negara tersebut telah lebih dulu menerapkan teknologi
rendah karbon. Rusia telah terlibat aktif dalam negosiasi iklim internasional
selama lebih dari dua dekade dalam kerangka PBB, G8 dan G20, dan blok
BRICS, termasuk komitmen UNFCCC dan Perjanjian Paris untuk menghindari
“intervensi berbahaya terhadap sistem iklim” dan mencapai emisi karbon nol
bersih pada tahun 2050 (Climate Action Tracker, 2018). Cina mampu
63
mengurangi pengaruh emisi dalam jangka pendek dikarenakan kondisi negara

ini yang mampu dalam menciptakan teknologi untuk menggunakan energi
terbarukan. Pemerintah Cina mendukung elektrifikasi kendaraan di bidang
angkutan umum, angkutan umum perkotaan, angkutan penumpang jalan raya,
persewaan (termasuk pemesanan mobil online), sanitasi lingkungan, logistik
perkotaan dan distribusi, pos ekspres, penerbangan sipil, bandara dan angkutan
partai untuk periode 2020 hingga 2022 (Chu, 2021).
3. Environmental Kuznets Curve (EKC) dalam Jangka Panjang
Menurut hipotesis EKC, estimasi elastisitas jangka panjang GDP2

diperkirakan negatif dan GDP terhadap CO2 diproyeksikan positif. Berdasarkan
hasil uji panel ARDL GDP menunjukkan koefisien sebesar 4.54 sedangkan
GDP2 bernilai 0.24, artinya peningkatan GDP per kapita sebesar 1% dapat
meningkatkan CO2 per kapita sebesar 4.54%, sedangkan peningkatan GDP2
sebesar 1% mengurangi CO2 per kapita sebesar 0.24%. Temuan ini mendukung
validitas teori EKC dalam perekonomian negara BRICS secara panel dalam
jangka panjang.
Temuan ini didukung oleh penelitian Azarya (2022) yang mendukung
hipotesis Environmental Kuznets Curve (EKC), bahwa dalam jangka panjang,
pertumbuhan ekonomi, pertumbuhan ekonomi kuadrat, dan partisipasi
angkatan kerja memiliki pengaruh yang signifikan dalam mempengaruhi
tingkat emisi karbon di negara-negara berpendapatan tinggi di wilayah
ASEAN. Pendapat ini juga didukung oleh Adebayo (2021) yang menemukan
bahwa Environmental Kuznets Curve (EKC) valid dalam jangka panjang di
Meksiko, menunjukkan bahwa seiring pertumbuhan ekonomi, emisi CO2 pada
awalnya meningkat namun pada akhirnya menurun. Almulali (2021) juga
menemukan teori Environmental Kuznets Curve (EKC) terbukti terjadi di
Kenya baik dalam jangka pendek maupun jangka panjang. Hasil penelitian
64
menunjukkan bahwa dengan meningkatnya pendapatan, polusi udara pada

awalnya meningkat tetapi pada akhirnya menguranginya.
Selain itu, koefisien LFP juga positif pada tingkat signifikansi 5%.
Dengan demikian, lonjakan LFP sebesar 1% akan mengakibatkan peningkatan
CO2 per kapita sebesar 0,59%. Namun, kenaikan REC sebesar 1%
menyebabkan penurunan CO2 per kapita sebesar 0,08% (signifikan pada
tingkat 5%). Koefisien ECT yang dihitung adalah negatif (−0,96) dan signifikan
secara statistik pada tingkat kepercayaan 1%. Nilai-nilai ini menunjukkan
bahwa setiap ketidaksesuaian dari keseimbangan jangka panjang antar variabel
akan berubah pada setiap periode dan menyebabkan terulangnya kembali
tingkat keseimbangan jangka panjang.

Bab Iv

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab Iv

Diunggah oleh

Hak Cipta:

Format Tersedia

library.uns.ac.id digilib.uns.ac.

HASIL DAN PEMBAHASAN

A. Deskripsi Data Penelitian

Penelitian ini menggunakan data sekunder yang diperoleh dari website

Var Satuan Obs Max Min Mean Std. Dev

CO2 % 155 17 -18 2.45 5.16

GDP % 155 14.23 -14.53 3.94 4.83

GDP2 % 155 211.15 0.02 38.7 44.06

REC % 155 52.95 3.18 25.04 17.39

LFP % 155 84 50.19 67.83 8.48

Sumber: Data diolah, 2023

1. Pertumbuhan Tingkat Emisi CO2

Pertumbuhan tingkat emisi CO2 mengalami peningkatan sepanjang

Perubahan Tingkat Emisi CO2

Brasil Rusia India Cina Afrika Selatan

Sumber: Data diolah, 2023

pertumbuhan ekonomi dan kualitas lingkungan. Selain itu, perdagangan bebas

2. GDP per Kapita

Perkembangan GDP per kapita secara keseluruhan mengalami fluktuasi

GDP Per Kapita

Brasil Rusia India Cina Afrika Selatan

Sumber: Data diolah, 2023

Perkembangan energi terbarukan dari tahun 1990 hingga 2020 tidak

Konsumsi Energi Terbarukan

Brasil Rusia India Cina Afrika Selatan

Sumber: Data diolah, 2023

listrik. Kapasitas pembangkit listrik tenaga angin meningkat. Diproyeksikan

4. Partisipasi Angkatan Kerja

Partisipasi Angkatan Kerja

Brasil Rusia India Cina Afrika Selatan

Sumber: Data diolah, 2023

lambat dibandingkan dengan Cina, yang dapat mempengaruhi keberlanjutan

B. Hasil Estimasi Data

Variabel Intercept Trend and Intercept

CO2 0.0087* 0.0355**

GDP 0.2512 0.6629

GDP2 0.0003* 0.0008*

REC 0.6627 0.8918

LFP 0.8667 0.6634

b. Uji Derajat Integrasi

Variabel Intercept Trend and Intercept

CO2 0.0000* 0.0000*

GDP 0.0000* 0.0000*

GDP2 0.0000* 0.0000*

REC 0.0079* 0.0588***

LFP 0.0134** 0.0875***

Keterangan: * stasioner pada signifikansi 0.10

hubungan yang stabil dalam jangka panjang dapat dilihat apabila

Sumber: Data diolah, 2023

Pairwise Granger Causality Tests

Null Hypothesis: Obs F-Statistic Prob.

GDP does not Granger Cause CO 145 5.60222 0.0046

GDP2 does not Granger Cause CO 145 2.55732 0.0811

REC does not Granger Cause CO 145 7.59392 0.0007

LFP does not Granger Cause CO 145 1.10138 0.3353

GDP2 does not Granger Cause GDP 145 3.67868 0.0277

REC does not Granger Cause GDP 145 0.83321 0.4368

LFP does not Granger Cause GDP 145 0.91146 0.4043

REC does not Granger Cause GDP2 145 0.35993 0.6984

LFP does not Granger Cause GDP2 145 1.93765 0.1479

LFP does not Granger Cause REC 145 1.46672 0.2342

Sumber: Data diolah, 2023

GDP GDP2 REC LFP

LFP 0.0134 0.0875*