analisis hubungan ekspor jahe indonesia, cina, india,...
TRANSCRIPT
ANALISIS HUBUNGAN EKSPOR JAHE INDONESIA, CINA,
INDIA, BELANDA SERTA PENGARUHNYA TERHADAP
EKSPOR JAHE INDONESIA DI PASAR INTERNASIONAL
SKRIPSI
Salma Nur Aisyah
11140920000032
PROGRAM STUDI AGRIBISNIS
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERISYARIF HIDAYATULLAH
JAKARTA
2020 M/1442H
ANALISIS HUBUNGAN EKSPOR JAHE INDONESIA, CINA,
INDIA, BELANDA SERTA PENGARUHNYA TERHADAP
EKSPOR JAHE INDONESIA DI PASAR INTERNASIONAL
Oleh : SALMA NUR AISYAH
11140920000032
Skripsi
Sebagai Salah Satu Syarat Memperoleh Gelar Sarjana Pertanian
pada Program Studi Agribisnis
PROGRAM STUDI AGRIBISNIS
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERISYARIF HIDAYATULLAH
JAKARTA
2020 M/1442H
iii
iv
RIWAYAT HIDUP
Data Diri
Nama : Salma Nur Aisyah
Jenis Kelamin : Perempuan
Tempat, Tanggal Lahir : Jakarta, 08 September 1996
Alamat : Jl. Penjernihan 1, RT 004
RW 06 No. 21A, Bendungan
Hilir, Tanah Abang, Jakarta
Pusat.
Kewarganegaraan : Indonesia
Agama : Islam
No Handphone : 085711772105
Email : [email protected]
Riwayat Pendidikan
2002 – 2008 : SDN Karet Tengsin 14
2008 – 2011 : SMPN 40 SSN Jakarta
2011 – 2014 : SMAN 35 Jakarta
2014 – 2020 : S-1 Agribisnis UIN Jakarta
Pengalaman Magang dan Kerja
2016 : Agen Asosiasi Asuransi Jiwa Indonesia, PT
Prudential Life Assurance
v
2017 : Divisi Analis Informasi Pasar dan Divisi Komoditas
Komoditas Teh dan Kopi, PT Kharisma Pemasaran
Bersama Nusantara Jakarta
2018 - 2019 : Pendamping Kasie Sosial, Kantor Kelurahan Karet
Tengsin Kecamatan Tanah Abang Jakarta Pusat
2019 : Admin, Yayasan Purnabakti Lembaga Administrasi
Negara
2019 – 2020 : Pendamping CSR, PT Pasific Place Jakarta
2019 – 2020 : Trainer Penggerak Bank Sampah
Pengalaman Organisasi
2011 – 2013 : Sekretaris Umum, OSIS SMAN 35 Jakarta
2012 – 2013 : Bendahara Umum, Paskibra SMAN 35 Jakarta
2012 – 2013 : Sekretaris, Remaja Islam Masjid RT
2013 – 2014 : Bendahara, Karang Taruna Tingkat RW
2014 – 2015 : Wakil Ketua, Karang Taruna Tingkat RW
2014 – 2015 : Staff Divisi Kemahasiswaan, Dewan Eksekutif
Mahasiswa FST UIN Jakarta
2015 – 2016 : Kepala Departemen Keislaman, Dewan Eksekutif
Mahasiswa (DEMA) FST UIN Jakarta
2016 – 2017 : Ketua, Senat Mahasiswa (SEMA) FST UIN
Jakarta
2018 – 2020 : Sekretaris I, Karang Taruna Tingkat Kelurahan
Karet Tengsin
2019 : Bendahara, Purna Pemuda Pelopor Tingkat Kota
Jakarta Pusat
2018 – 2020 : Ketua, Bank Sampah Intiland Teduh
vi
Prestasi dan Penghargaan
2012 : Juara 3 Lomba Baris Berbaris Jakarta Pusat
2013 : 10 Besar Olimpiade Astronomi Tingkat DKI
Jakarta
2015 : Peserta Terbaik Aplikasi Studi Agribisnis UIN
Jakarta
2015 : Peserta Terbaik Training Organisasi Agribisnis
UIN Jakarta
2019 : Juara I, Seleksi Pemuda Pelopor Bidang SDA,
Lingkungan, dan Pariwisata, Tingkat Kota Jakarta
Pusat
2019 : Juara II, Seleksi Pemuda Pelopor Bidang SDA,
Lingkungan, dan Pariwisata, Tingkat Provinsi
DKI Jakarta
2019 : Lolos Program Pertukaran Pemuda Jakarta-Korea
(Seoul Sister City) Dinas Pemuda Olahraga DKI
Jakarta
vii
KATA PENGANTAR
Puji dan Syukur kehadirat Allah SWT yang telah memberikan rahmat,
karunia, srta hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang
berjudul “Analisis Hubungan Ekspor Jahe Indonesia, Cina, India, Belanda
Serta Pengaruhnya Terhadap Ekspor Jahe Indonesia di Pasar Internasional”.
Skripsi ini diajukan sebagai salah satu syarat untuk menyelesaikan studi strata satu
(S1) pada Program Studi Agribisnis, Fakultas Sains dan Teknologi, Universitas
Islam Negeri Syarif Hidayatullah Jakarta.
Selama proses penyelesaian skripsi ini tidak terlepas dari dukungan dan
bantuan berbagai pihak. Penulis dengan penuh rasa hormat mengucapkan banyak
terima kasih kepada semua pihak yang memberikan bantuan dan dukungan baik
secara moril dan materil, secara langsung maupun tidak langsung sehingga penulis
dapat menyelesaikan skripsi ini. Penulis mengucapkan terima kasih kepada :
1. Kedua orang tua saya tercinta yang telah memberikan bantuan moral serta
materil. Bapak saya Harjono yang sangat menginspirasi serta banyak sekali
memberikan masukan-masukan yang berarti dalam penulisan skripsi ini dan
mama saya Nurrohmah yang telah melimpahkan kasih sayang dan
dukungannya tanpa henti.
2. Adik tersayang Awanda Zahra Fitriani dan Umi Mardiah yang selalu
memberikan dukungan dan motivasi selama penulisan skripsi.
3. Prof. Dr. Lily Surayya Eka Putri, M. Env. Stud selaku Dekan Fakultas Sains
dan Teknologi UIN Syarif Hidayatullah Jakarta beserta jajarannya.
viii
4. Dr. Siti Rochaeni, M.Si selaku Ketua Program Studi Agribisnis sekaligus
penguji I sidang skipsi dan Rizki Adi Puspita Sari, S.P, M.Si selaku Sekretaris
Program Studi Agribisnis sekaligus penguji II siding skripsi, terima kasih telah
memberikan kesempatan, dukungan, serta masukan kepada penulis sehingga
membantu penulis dalam proses akademis serta membuat skripsi ini menjadi
lebih baik.
5. Seluruh dosen Program Studi Agribisnis yang telah memberikan ilmu,
pengetahuan, wawasan dan pengalamannya kepada penulis sehingga dapat
terselesainya skripsi ini.
6. Dr. Ir. Elpawati, M.P sebagai pembimbing I skripsi dan Puspi Eko Wiranthi,
S.E, M.Si sebagai pemimbing II terima kasih telah mencurahkan waktu, tenaga,
support, nasihat serta memberikan ilmunya secara tulus sehingga skripsi ini
dapat terselesaikan.
7. Sahabat penulis di kampus, 5 Putri, Adila, Nur, Liana, Alin yang selalu ada
menemani dan membantu selama perkuliahan, dan memberikan dukungan
selama penulisan skripsi ini. Terimakasih atas dukungan, nasihat, kasih sayang,
canda tawa, tempat curhat, tangisan, hiburan, yang selalu ada dalam suka dan
duka. See you on top!
8. Seperjuangan skripsi dan seperbimbingan dikampus, Gita Nurraini dan Vonita
Amalia Sukmadini yang selalu ada memberikan dukungan satu sama lain
selama penulisan skripsi ini. Terimakasih atas dukungan, nasihat, dan kasih
sayangnya , See you on top!
ix
9. Sahabat penulis di rumah, 3 Srikandi, Linda Yuliana dan Devi Kumala Sari
yang selalu ada menemani, membantu, serta memberikan motivasi selama
menyelesaikan skripsi ini. Terimakasih atas dukungan, nasihat, kasih sayang,
canda tawa, tempat curhat, tangisan, hiburan, yang selalu ada dalam suka dan
duka. Sayang kalian, See you on top!
10. Karang Taruna Kel Karet Tengsin, yang selalu menjadi tempat ternyaman dan
selalu memberikan semangat selama proses penulisan skripsi ini.
11. Para pejuang skripsi, keluarga besar AGRIBISNIS 2014 yang telah membantu
dan memberikan semangat kepada penulis selama perkuliahan. See you on top
guys!
12. Kakak – kakak senior Agribisnis 2012 dan 2013 yang selalu memberikan
ilmu, pengalaman dan informasi mengenai skripsi, serta adik- adik junior
2015 dan 2016 yang selalu memberikan support.
13. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang
telah membantu penulis untuk menyelesaikan skripsi ini. Terimakasih atas
semangat dan motivasinya.
Penulis berharap agar skripsi ini dapat bermanfaat bagi pembaca. Semoga
Allah SWT membalas segala kebaikan yang telah kalian berikan kepada penulis.
Aamiin Ya Rabbal Allamiin
Jakarta, Mei 2020
Penulis
x
ABSTRAK
SALMA NUR AISYAH, Analisis Hubungan Ekspor Jahe Indonesia, Cina, India,
Belanda Serta Pengaruhnya Terhadap Ekspor Jahe Indonesia di Pasar Internasional.
Di bawah bimbingan ELPAWATI dan PUSPI EKO WIRANTHI
Permintaan jahe dunia yang berfluktuatif serta tidak seimbang membuat
Indonesia sulit mengetahui penurunan dan peningkatan ekspor jahe di Indonesia
sehingga sering tidak tercapainya target yang telah ditetapkan. Perkembangan dunia
usaha yang begitu cepat juga mengharuskan Indonesia untuk mampu mengetahui
berbagai kemungkinan yang akan terjadi dimasa yang akan datang dengan
memahami informasi dari negara pesaing utama jahe. Analisis hubungan dan
pengaruh antara ekspor Cina, India, Belanda dengan Indonesia sangat diperlukan,
karena Cina, India, dan Belanda merupakan negara eksportir utama jahe dunia.
Dengan adanya analisis hubungan dan pengaruh tersebut, Indonesia dapat melihat
hubungan dan pengaruh antar negara dalam jangka panjang. Hubungan dan
pengaruh antar negara pada proses ekspor, dapat menyebabkan penurunan maupun
peningkatan ekspor di Indonesia, dengan begitu Indonesia dapat mengetahui
permintaan dunia akan jahe Indonesia.
Penelitian ini bertujuan untuk : (1) Menganalisis hubungan antar negara
pengekspor jahe di Indonesia, Cina, India, dan Belanda selama periode Januari
2013–Desember 2017. (2) Menganalisis pengaruh shock/guncangan peningkatan
ekspor jahe Cina, India, dan Belanda terhadap ekspor jahe Indonesia selama periode
Januari 2018–Desember 2024 mendatang. (3) Menganalisis pengaruh perubahan
ekspor jahe di Indonesia, Cina, India, dan Belanda selama periode Januari 2018–
Desember 2024 mendatang.
Analisis hubungan dan pengaruh 6 tahun kedepan periode Januari 2018-
Desember 2024, menggunakan time series berupa data ekspor jahe Indonesia, Cina,
India, Belanda periode Januari 2013-Desember 2017, yang diperoleh dari UN
Comtrade di Pasar Internasional. Data ekspor bersifat kuantitatif diolah dengan
menggunakan bantuan aplikasi Microsoft Excel 2010 dan Eviews 10. Metode
Analisis dilakukan dengan menggunakan analisis VAR/VECM, yang didalamnya
terdapat beberapa tahapan analisis meliputi, uji stasioner ADF, uji lag optimum, uji
stabilitas model VAR, uji kausalitas Granger, Impuls Response Function (IRF) dan
Forecast Error Variance Decomposition (FEVD).
Hasil penelitian menunjukan bahwa, terdapat hubungan ke 4 negara,
Indonesia, Cina, India, Belanda terlibat dalam hubungan jangka panjang, namun
yang saling mempengaruhi signifikan terhadap peningkatan dan penurunan ekspor
jahe hanya Indonesia, Belanda, dan India. Hasil pengaruh shock/guncangan dari
Cina, India, Belanda terhadap Indonesia menggunakan IRF untuk periode Januari
2018-Desember 2024 mendatang, menunjukkan bahwa jika ada guncangan (shock)
peningkatan dari Cina maka Indonesia akan merespon secara negatif artinya akan
terjadi penurunan ekspor jahe Indonesia. Dan jika ada guncangan (shock)
xi
peningkatan dari India maka Indonesia akan merespon secara positif artinya akan
terjadi peningkatan ekspor jahe Indonesia, begitupun dengan Belanda, jika ada
guncangan (shock) peningkatan dari Belanda maka Indonesia akan merespon secara
positif sehingga artinya akan terjadi peningkatan ekspor jahe di Indonesia. Hasil
pengaruh perubahan ekspor jahe di Indonesia, Cina, India, Belanda menggunakan
Forecast Error Variance Decomposition (FEVD) untuk periode Januari 2018-
Desember 2024, menunjukkan ekspor jahe Indonesia akan meningkat yang
pengaruhnya didominasi oleh Indonesia itu sendiri sebesar 92%, Belanda 7%, Cina
0.2%, dan India 0.8%. Untuk ekspor jahe Cina menujukan ekspor akan meningkat
yang pengaruhnya didominasi oleh Cina 80%. Indonesia 4%, India 5% dan Belanda
11%. Untukk ekspor jahe India menujukan ekspor akan meningkat yang
pengaruhnya didominasi oleh India 68%, Indonesia 20%, Cina 6%, dan Belanda
6%. Sedangkan untuk ekspor jahe Belanda akan terjadi peningkatan ekspor yang
pengaruhnya didominasi oleh Indonesia 73%, Cina 1%, India 5%, dan Belanda
21%.
Kata Kunci : Analisis Hubungan, Ekspor, Jahe, Pengaruh, VAR, IRF, FEVD
xii
DAFTAR ISI
Halaman
RIWAYAT HIDUP .................................................................................... iv
KATA PENGANTAR ............................................................................... vii
ABSTRAK .................................................................................................... x
DAFTAR ISI .............................................................................................. xii
DAFTAR TABEL ...................................................................................... xv
DAFTAR GAMBAR .............................................................................. xxvi
DAFTAR LAMPIRAN .......................................................................... xviii
BAB I PENDAHULUAN ............................................................................ 1
1.1 Latar Belakang .......................................................................... 1
1.2 Rumusan Masalah ................................................................... 20
1.3 Tujuan Penelitian .................................................................... 20
1.4 Manfaat Penelitian .................................................................. 21
1.5 Ruang Lingkup Penelitian ...................................................... 21
BAB II TINJAUAN PUSTAKA ............................................................... 23
2.1 Agribisnis ................................................................................ 23
2.1.1 Pengertian Agribisnis .................................................... 23
2.1.2 Perkembangan Agroindustri .......................................... 25
2.2 Jahe (Zingiber officinale Rosc.) .............................................. 26
2.2.1 Klasifikasi Jahe (Zingiber officinale Rosc.) .................. 27
2.2.2 Budidaya Tanaman Jahe (Zingiber officinale Roxb.) .... 29
2.2.3 Jenis Jahe ....................................................................... 30
2.2.4 Produk Turunan Jahe ..................................................... 31
2.3 Perdagangan Internasional ...................................................... 32
xiii
2.4 Perkembangan Teori Perdagangan Internasional ................... 38
2.4.1 Pandangan dari Teori Merkantilisme
Mengenai Perdagangan .......................................................... 40
2.5 Kointegrasi .............................................................................. 41
2.6 Stasioneritas Data Time Series ............................................... 42
2.7 Analisisis Vector Autoregression (VAR)/ Vector Error
Correction Model (VECM).............................................................. 44
2.8 Impulse Response Function (IRF) ......................................... 46
2.9 Variance Decomposition (FEVD) ........................................ 46
2.10 Penelitian Terdahulu ............................................................. 47
2.11 Kerangka Pemikiran Operasional ......................................... 54
BAB III METODOLOGI PENELITIAN ............................................... 57
3.1 Waktu Penelitian ..................................................................... 57
3.2 Variabel Penelitian ................................................................. 57
3.3 Jenis dan Sumber Data ........................................................... 58
3.4 Metode Pengumpulan Data .................................................... 60
3.5 Metode Pengolahan Data ........................................................ 60
3.6 Metode Analisis Data ............................................................. 61
3.6.1 Uji Stasioneritas ............................................................ 62
3.6.2 Uji Lag Optimum .......................................................... 63
3.6.3 Uji Stabilitas Model VAR ............................................. 64
3.6.4 Uji Kointegrasi .............................................................. 64
3.6.5 Uji Kausalitas Granger .................................................. 65
3.6.6 Estimasi VAR/VECM ................................................... 66
3.6.7 Impulse Response Function (IRF) ................................. 67
3.6.8 Forecast Error Variance Decomposition (FEVD) ........ 68
3.7 Definisi Operasional ............................................................... 68
BAB IV GAMBARAN UMUM ................................................................ 70
4.1 Perkembangan Jahe Indonesia ................................................ 70
4.1.1 Perkembangan Produksi dan Luas Jahe Indonesia ........ 70
4.1.2 Perkembangan Konsumsi dan
Konsumen Jahe Indonesia ...................................................... 72
xiv
4.1.3 Perkembangan Ekspor Jahe Indonesia .......................... 77
4.1.4 Perkembangan Harga Jahe Indonesia ............................ 81
4.2 Perkembangan Jahe Dunia ...................................................... 82
4.2.1 Perkembangan Ekspor Jahe Dunia ................................ 82
4.2.2 Perkembangan Ekspor Jahe Cina .................................. 84
4.2.3 Perkembangan Ekspor Jahe Belanda ............................. 85
4.2.4 Perkembangan Ekspor Jahe India .................................. 86
4.2.5 Permintaan Jahe Dunia .................................................. 87
4.2.6 Harga Jahe Dunia .......................................................... 88
BAB V HASIL DAN PEMBAHASAN .................................................... 90
5.1 Hubungan Ekspor Jahe 4 Negara (Indonesia, Cina, India,
Belanda) .......................................................................................... 90
5.1.1 Uji Stasioneritas ............................................................ 90
5.1.2 Penentuan Panjang Lag ................................................. 92
5.1.3 Pengujian Stabilitas VAR .............................................. 93
5.1.4 Uji Kasualitas Granger (Granger Casuality Test) ........ 95
5.1.5 Hasil Estimasi VAR (Vector Autoregression) ............... 97
5.2 Pengaruh Shock/Guncangan Ekspor Jahe Cina,
India, dan Belanda Terhadap Ekspor Jahe Indonesia ...................... 99
5.2.1 Analisis IRF (Impulse Response Function) ................. 100
5.3 Pengaruh Perubahan Ekspor Jahe di Indonesia,
Cina, India, dan Belanda ............................................................... 105
5.3.1 Analisis Forecast Error Variance Decomposition
(FEVD) ................................................................................. 106
BAB VI KESIMPULAN DAN SARAN ................................................. 112
6.1 Kesimpulan ........................................................................... 112
6.2 Saran ..................................................................................... 113
DAFTAR PUSTAKA .............................................................................. 115
LAMPIRAN ............................................................................................. 119
xv
DAFTAR TABEL
Halaman
1. Negara Pengimpor Jahe Dunia Tahun 2013-2017 (Ton) ................................ 17
2. Ekspor Jahe Indonesia Ke Negara Tujuan Tahun 2013-2017 (US$) .............. 18
3. Persamaan dan Perbedaan dengan Peneliti Terdahulu .................................... 53
4. Jenis dan Sumber Data .................................................................................... 59
5 Proporsi Nilai Penjualan Ritel Obat Tradisional /
Herbal di Indonesia 2012 - 2016 ..................................................................... 74
6. Negara Tujuan Ekspor Indonesia Tahun 2013-2017 ...................................... 80
7. Hasil Uji Stasioneritas Pada Level 5% Ekspor Jahe Indonesia,
Cina, India, dan Belanda Periode Januari 2013 – Desember 2017 ................. 91
8. Hasil Uji Lag Optimum Ekspor Jahe Indonesia, Cina, India,
Belanda Periode Januari 2013 – Desember 2017............................................ 93
9. Hasil Uji Stabilitas Estimasi VAR Ekspor Jahe Indonesia,
Cina, India, Belanda Periode Januari 2013- Desember 2017 ............................ 94
10. Hasil Uji Kausalitas Granger Pada Ekspor Jahe Indonesia,
Cina, India, Belanda Periode Januari 2013- Desember 2017 ......................... 95
11. Hasil Estimasi VAR Pada Ekspor Jahe Indonesia, Cina,
India, Belanda Periode Januari 2013- Desember 2017 ................................... 98
xvi
DAFTAR GAMBAR
Halaman
1. Produksi Biofarmaka Indonesia Tahun 2008 - 2017........................................ 3
2. Luas Lahan Panen Biofarmaka Indonesia Tahun 2008-2017 .......................... 5
3. Produksi dan Luas Lahan Jahe Indonesia Tahun 2008 - 2017 ........................ 7
4. Produsen Negara Penghasil Jahe Dunia Tahun 2008 - 2017 ........................... 8
5. Produksi Jahe India, Cina, dan Indonesia Tahun 2008-2017 ........................... 9
6. Harga Jahe Dunia Tahun 2013-2017.............................................................. 10
7. Konsumsi Jahe Domestik Tahun 2011-2015 ................................................ 11
8. Perkembangan Ekspor dan Impor Jahe Indonesia Tahun 2008-2017 ............ 13
9. Permintaan Jahe Dunia Tahun 2011 - 2015 ................................................... 14
10. Perkembangan Ekspor Jahe Cina, Belanda, India, dan Indonesia
Tahun 2008-2017 ........................................................................................... 15
11. Sistem Agribisnis .......................................................................................... 24
12. Kurva Perdagangan Internasional. ................................................................ 37
13. Alur Kerangka Pemikiran ............................................................................. 56
14. Produksi Jahe Indonesia Tahun 2008-2017 .................................................. 70
15. Perkembangan Luas Panen Jahe Nasional Tahun 2008-2017....................... 71
16. Konsumsi Jahe Nasional Tahun 2011-2015 ................................................. 73
17. Nilai Ekspor Jahe Indonesia Tahun 2008-2017 ........................................... 78
18. Harga Jahe Indonesia Tahun 2013-2017 ...................................................... 81
xvii
19. Nilai Ekspor Jahe Dunia.............................................................................. 82
20. Nilai Ekspor Jahe Cina ................................................................................. 84
21. Nilai Ekspor Jahe Belanda ........................................................................... 85
22. Nilai Ekspor Jahe India ................................................................................ 86
23. Permintaan Jahe Dunia ................................................................................. 87
24. Harga Jahe Dunia (2013-2017) .................................................................... 88
25. Hasil Analisa IRF Indonesia Terhadap shock Indonesia ............................ 101
26. Hasil Analisa IRF Indonesia terhadap shock Cina ...................................... 102
27. Hasil Analisa IRF Indonesia terhadap shock India ..................................... 103
28. Hasil Analisa IRF Indonesia terhadap shock Belanda ................................ 104
29. Hasil Analisa FEVD Indonesia ................................................................... 106
30. Hasil Analisa FEVD Cina ........................................................................... 108
31. Hasil Analisa FEVD India .......................................................................... 109
32. Hasil Analisa FEVD Belanda ..................................................................... 110
xviii
DAFTAR LAMPIRAN
Halaman
1. Data Ekspor Jahe Indonesia, Cina, India, Belanda Periode Januari
2003 – Desember 2017 (Satuan ton) ............................................................. 120
2. Uji Stasioner Ekspor Jahe Indonesia, Cina, India, Belanda .......................... 122
3. Uji Lag Optimum .......................................................................................... 126
4. Uji Stabilitas Model ...................................................................................... 126
5. Uji Kausalitas Granger ................................................................................. 127
6. Estimasi VAR Lag 1 ..................................................................................... 127
7. Impulse Response Function (IRF) of Indonesia, Cina, India,
Belanda Periode Januari 2018-Desember 2024 .............................................. 129
8. Forecast Error Variance Decomposition (FEVD) of Indonesia,
Cina, India, Belanda Periode Januari 2018-Desember 2024 ....................... 131
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Agribisnis merupakan sebuah sistem pertanian yang meliputi empat
subsistem terintegrasi yaitu subsistem agribisnis hulu, subsistem agribisnis usaha
tani, subsistem agribisnis hilir dan sub sistem jasa layanan pendukung agribisnis
yang dalam pelaksanaannya dilakukan secara simultan dan terintegrasi mulai dari
hulu sampai hilir. Subsistem agribisnis usaha tani adalah kegiatan ekonomi yang
menggunakan sarana produksi yang dihasilkan oleh subsistem agribisnis hulu untuk
menghasilkan produk pertanian primer. Termasuk ke dalam subsistem usaha tani
ini adalah usaha tanaman pangan, usaha tanaman hortikultura, usaha tanaman obat-
obatan, usaha perkebunan, usaha perikanan, usaha peternakan dan kehutanan
(Saragih, 2001:27).
Indonesia merupakan salah satu negara agraris dengan keanekaragaman
hayati tertinggi di dunia. Keanekaragaman hayati Indonesia yang melimpah,
menjadikan banyak negara asing mengimpor produk-produk dari Indonesia
terutama sektor pertanian. Di dalam sektor pertanian terdapat sub-sektor potensial
yang mendukung pendapatan negara seperti tanaman bahan makanan, peternakan,
perikanan, perkebunan dan kehutanan (FAO, 2010). Indonesia memiliki banyak
potensi pada sektor pertanian yang berkontribusi terhadap PDB Indonesia serta
peningkatan devisa, salah satunya dalam kegiatan ekspor di pasar Internasional.
Selama tahun 2013 hingga 2017, kontribusi sektor pertanian terhadap PDB
2
merupakan terbesar kedua setelah sektor industri pengolahan dengan kontribusi
sebesar 7.695.326 Miliar rupiah (Badan Pusat Statistik, 2018).
Subsektor hortikultura merupakan salah satu sektor pertanian yang
memberikan kontribusi strategis dalam menyumbang nilai PDB Indonesia. PDB
yang disumbangkan yaitu sebesar 14,2 persen atau sebesar 1.097.103,2 milyar
rupiah dari total PDB subsektor pertanian, kehutanan, perikanan 7.695.329,5 milyar
rupiah. Pada tahun 2017, produk biofarmaka telah memberikan peran cukup baik
dalam PDB hortikultura, dibuktikan dengan adanya kontribusi PDB biofarmaka
sebesar 5,84 persen sejumlah 22.136 milyar rupiah (Badan Pusat Statistik, 2018).
Produk holtikultura terdiri dari tanaman hias, sayuran, buah-buahan dan
tanaman obat atau biofarmaka. Tanaman obat atau b i o f a r m a k a sendiri
memiliki ribuan jenis spesies. Dari total sekitar 40.000 jenis tumbuh-tumbuhan
obat yang telah dikenal di dunia, 30.000-nya disinyalir berada di Indonesia.
Jumlah tersebut mewakili 90% dari tanaman obat yang terdapat di wilayah Asia.
Dari jumlah tersebut, 25% diantaranya atau sekitar 7.500 jenis sudah diketahui
memiliki khasiat herbal atau tanaman obat. Namun hanya 1.200 jenis tanaman
yang sudah dimanfaatkan untuk bahan baku obat-obatan herbal atau jamu
(Kementerian Perindustrian, 2017).
Permintaan biofarmaka pada pasar lokal meningkat seiring dengan
semakin menjamurnya industri jamu dan kosmetika. Dalam pasar internasional
peningkatan permintaan tanaman biofarmaka disebabkan pola hidup masyarakat
dunia yang mulai berubah dimana lebih memprioritaskan produk alami dari pada
kimiawi ( Direktorat Jenderal Hortikultura Kementerian Pertanian, 2016 ). Indonesia
3
sebagai negara dengan iklim tropis tentu memiliki pengaruh terhadap pertumbuhan
produksi tanaman. Pertumbuhan produksi biofarmaka pada tahun 2008-2017 dapat
dilihat pada Gambar 1.
Gambar 1. Produksi Biofarmaka Indonesia Tahun 2008 - 2017 Sumber : Badan Pusat Statistik (2018)
Selama tahun 2008-2017 produksi biofarmaka di Indonesia yang terdiri dari
15 jenis rempah mengalami fluktuasi. Posisi biofarmaka yang memiliki nilai
produksi tertinggi selama tahun 2008-2017 adalah komoditas jahe dengan nilai
rata-rata sebesar 184.555,35 ton, dan produksi terendah adalah komoditas dringo
dengan nilai rata-rata sebesar 552,67 ton. Jahe memiliki pertumbuhan produksi
yang berfluktuatif, meningkat pada tahun 2012-2016, lalu mengalami penurunan
pada tahun 2017. Banyaknya manfaat tanamn jahe menjadikan jahe sebagai
0
50000
100000
150000
200000
250000
300000
350000
400000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ton
Jahe
Lengkuas
Kencur
Kunyit
Lempuyang
Temulawak
Temuireng
Temukunci
Dringo
Kapulaga
Mengkudu
Mahkota Dewa
Kejibeling
Sambiloto
Lidah Buaya
4
komoditas andalan dibandingkan dengan jenis tanaman obat lainnya (Statistik
Hortikultura, 2018)
Potensi pengembangan biofarmaka di Indonesia makin terbuka luas, hal
ini didukung dengan tersedianya lahan produksi, didukung pula dengan berubahnya
pandangan masyarakat yang berorientasi pada pola makanan yang sehat serta
fungsional (back to nature). Back to nature bukan hanya menjangkit pada pola
konsumsi masyarakat, namun sudah merambah juga ke sektor-sektor lain termasuk
pengobatan. Secara global juga sudah terjadi perubahan pola pengobatan
masyarakat ke obat-obat tradisional yang terbuat dari bahan alami.
Tanaman obat sangat populer digunakan sebagai bahan baku obat tradisional
dan jamu, yang jika dikonsumsi akan meningkatkan sistem kekebalan tubuh
(immune system), karena tanaman ini mempunyai sifat spesifik sebagai tanaman
obat yang bersifat pencegahan (preventif) dan promotif melalui kandungan
metabolit sekunder seperti gingiro pada jahe. Mengkonsumsi jamu tidak
mempunyai sifat kuratif yang berarti menyembuhkan, namun lebih ke arah
pencegahan dengan meningkatkan sistem kekebalan tubuh, sehingga lebih
bermanfaat untuk sehat dan bukan untuk sembuh. Selain itu semakin luasnya
pemanfaatan tanaman obat untuk keperluan industri lain di luar industri obat
tradisional dan farmasi, seperti industri makanan dan minuman, serta industri
kosmetik membuat kebutuhan akan tanaman obat sebagai bahan baku semakin
tinggi (Kementerian Perdagangan, 2017). Luas lahan biofarmaka pada tahun 2008-
2017 dapat dilihat pada Gambar 2.
5
Gambar 2. Luas Lahan Panen Biofarmaka Indonesia Tahun 2008-2017 Sumber : Badan Pusat Statistik (2018)
Posisi biofarmaka yang memiliki luas lahan tertinggi selama tahun 2008-
2017 adalah komoditas jahe dengan nilai rata-rata sebesar 9.088,53 Ha, dan luas
lahan terendah adalah komoditas mahkota dewa dengan nilai rata-rata sebesar
31,33 Ha. Luas lahan biofarmaka ini memiliki pertumbuhan luas lahan yang
berfluktuatif, pada tahun 2012-2015 luas lahan panen meningkat, tetapi pada tahun
2016-2017 mengalami penurunan luas lahan, hal ini dikarenakan terjadinya
konversi lahan. Meskipun banyak konversi lahan, namun masih di dominasi oleh
sektor pertanian sebagai sektor unggulan penopang perekonomian Indonesia
(Latifah, 2008:18).
Salah satu komoditas unggulan dalam subsektor hortikultura adalah komoditas
biofarmaka yaitu jahe. Jahe atau ginger merupakan tanaman salah satu jenis
0.00
2000.00
4000.00
6000.00
8000.00
10000.00
12000.00
14000.00
16000.00
18000.00
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ha
Jahe
Lengkuas
Kencur
Kunyit
Lempuyang
Temulawak
Temuireng
Temukunci
Dringo
Kapulaga
Mengkudu
Mahkota Dewa
Kejibeling
Sambiloto
Lidah Buaya
6
tanaman rempah- rempahan yang telah dikenal lama manfaat dan khasiatnya di
Indonesia. Jahe merupakan tanaman yang banyak memiliki manfaat antara lain
sebagai jamu atau obat-obatan, bahan baku industri makanan dan minuman, bumbu
masakan, minyak wangi, dan kosmetik (Kementerian Pertanian, 2002). Jahe banyak
digunakan dalam ramuan obat tradisional karena manfaatnya seperti mengurangi
gangguan pencernaan, menyembuhkan mabuk ketika berpergian menggunakan
kendaraan, mengurangi peradangan dan nyeri, migrain, mencegah kanker, dan
meningkatkan system kekebalan tubuh (Kuwara, 2008:16).
Banyaknya manfaat tanaman jahe yang telah disebutkan sebelumnya
menjadikan jahe sebagai komoditas andalan dibandingkan jenis tanaman obat
lainnya. Permintaan jahe, baik domestik maupun mancanegara terus meningkat
karena kekhasannya yang tidak bisa digantikan dengan tanaman lainnya. Jahe
merupakan produk hortikultura yang mempunyai peluang pasar yang baik di dalam
maupun di luar negeri. Permintaan jahe sejalan dengan berkembangnya jumlah
produksi dan luas lahan jahe di Indonesia (Kuwara, 2008). Produksi dan luas lahan
jahe pada tahun 2008-2017 dapat dilihat pada Gambar 3.
7
Gambar 3. Produksi dan Luas Lahan Jahe Indonesia Tahun 2008 - 2017 Sumber : Badan Pusat Statistik (2018)
Berdasarkan data dari Badan Pusat Statistik (BPS) tahun 2018, laju produksi
jahe Indonesia mengalami fluktuasi dan cenderung mengalami peningkatan.
Selama periode tahun 2008-2017, produksi jahe nasional meningkat hingga
mencapai 216.586,66 ton pada tahun 2017, sedangkan laju luas lahan jahe
Indonesia cenderung berfluktuatif, meningkat pada tahun 2012-2015 dan menurun
pada tahun 2016-2017 hingga mencapai 10.556,01 Ha. Produksi jahe Indonesia
berada di posisi ke enam dunia di antara negara-negara pengekspor jahe terbesar
setelah India, Cina, Cina mainland, Nigeria, dan Nepal. Secara kompetitif,
Indonesia merupakan negara penghasil jahe terbesar ke enam di dunia. Produksi
jahe dari beberapa negara terbesar produsen jahe dapat dilihat pada Gambar 4.
8
Gambar 4. Produsen Negara Penghasil Jahe Dunia Tahun 2008 - 2017
Sumber : The Food and Agriculture Organization (FAO) (2018)
India dan Cina masih menguasai dan menjadi produsen utama jahe di Pasar
Internasional. Sementara Indonesia menduduki peringkat ke 6 dengan rata rata
produksi 184.555,3 ton tiap tahun dengan pertumbungan produksi yang cenderung
meningkat. Selama tahun 2008 - 2017 jumlah jahe yang dihasilkan dari negara
produsen jahe berfluktuatif dan cenderung meningkat. Negara yang terus
mengalami penurunan hanya Nigeria, hal ini dikarenakan sejak tahun 2014 Nigeria
sedang terjadi konflik yang berkepanjangan. Keamanan yang tidak stabil menjadi
masalah utama kurangnya produksi di Nigeria (FSCluster, 2016:36).
Peningkatan produksi jahe Indonesia yang signifikan ini diharapkan dapat
menjadikan Indonesia menjadi urutan ketiga penghasil terbesar jahedunia pada
tahun 2022. Dilihat dari data produksi jahe, India da Cina masih menguasai jumlah
terbesar produksi jahe dunia. India dan Cina dapat menguasai jumlah terbesar
produksi karena India dan Cina dapat konsisten dengan jumlah produksinya, serta
9
dengan produksi yang cenderung meningkat. Perkembangan produksi Indonesia
dengan negara pesaing utama India dan Cina dapat dilihat pada Gambar 5.
Gambar 5. Produksi Jahe India, Cina, dan Indonesia Tahun 2008-2017
Sumber : The Food and Agriculture Organization (FAO) (2018)
Pada tahun 2008-2017 India masih menguasai sebagai negara utama
penghasil jahe dunia. Selama tahun 2008-2017 jumlah jahe yang dihasilkan dari
negara India adalah sebesar 6.890.510 ton, dengan pertumbuhan produksi selama
10 tahun terahir cenderung meningkat, dan hanya menurun pada tahun 2013-2014
dengan penurunan sebesar 28.000-73.000 ton. Sedangkan Cina sebagai negara
kedua setelah India sebagai negara penghasil jahe terbesar dunia. Selama tahun
2008-2017 jumlah jahe yang dihasilkan dari negara Cina adalah sebesar 4.613.086
ton, dengan pertumbuhan produksi selama 10 tahun terahir yang cenderung
meningkat, dan hanya menurun pada tahun 2013 dengan penurunan sebesar 77.933
ton. Jumlah produksi jahe yang fluktuatif, akan mempengaruhi volume ekspor dan
harga jahe dunia.
0
200000
400000
600000
800000
1000000
1200000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ton
India
China
Indonesia
10
Dapat dilihat pada Gambar 6 yang menampilkan harga jahe dunia.
Gambar 6. Harga Jahe Dunia Tahun 2013-2017 Sumber : BPS Perdagangan Luar Negri (2017)
Jahe sendiri pada pasar internasional memilki tren harga yang fluktuakif dan
cenderung meningkat setiap tahunnya. Hal ini dapat dilihat pada Gambar 6 yang
menunjukan grafik harga jahe selama 5 tahun terakhir pada tahun 2013 hingga 2017.
Jahe mengalami kecendrungan harga yang selalu naik, kenaikan terjadi pada tahun
2013-2015, lalu mengalami penurunan pada tahun 2016, dan kembali naik pada
tahun 2017 harga sebanyak U$ 683.
Jahe dalam bentuk tidak dihancurkan atau tidak ditumbuk (segar) pada masa
ini juga tidak terbatas untuk konsumsi rumah tangga, semakin banyak industri jamu
yang berkembang baik di Indonesia maupun di luar negri membuat jahe Indonesia
banyak diminati sebagai bahan baku untuk membuat jamu. Hal ini menjadikan
peluang usaha dalam bentuk industri jamu atau herbal mulai banyak di minati oleh
masyarakat karena pangsa pasar yang tersedia cukup luas di Indonesia maupun di
dunia (Kementerian Perindustrian, 2017). Konsumsi jahe internasional yang
11
memiliki tren meningkat, menjadikan pasar jahe di negara produsen menjadi
bertumbuh dan berkembang. Peningkatan yang terjadi pada konsumsi jahe dunia,
juga terjadi pada konsumsi jahe dalam negeri. Peningkatan konsumsi jahe domestik
mulai tahun 2011 hingga 2015 dapat dilihat pada Gambar 7.
Gambar 7. Konsumsi Jahe Domestik Tahun 2011-2015 Sumber : Badan Pusat Statistik (2016)
Konsumsi domestik jahe selama kurun waktu 5 tahun terakhir, dari tahun
2011 hingga tahun 2015, mengalami peningkatan yang signifikan. Pada tahun 2011,
volume konsumsi jahe domestik sebesar 115,949 ton dan meningkat menjadi
136,409 ton pada tahun berikutnya. Peningkatan terbesar terjadi pada tahun 2015,
dengan jumlah sebesar 282,026 ton. Jumlah konsumsi jahe sebanding dengan
volume produksi, seperti pada contoh tahun 2015, konsumsi domestik jahe
Indonesia sebanyak 282,026 ton per kapita/ tahun dan memiliki jumlah produksi
jahe sebanyak 331,064 ton/tahun menjadikan jahe Indonesia surplus atau memiliki
-
50,000
100,000
150,000
200,000
250,000
300,000
2011 2012 2013 2014 2015
(To
n)
12
produksi jahe lebih dan kemudian di ekspor untuk meningkatkan harga pada pasar
internasional.
Perdagangan internasional terhadap jahe Indonesia juga dapat menjadi salah
satu alasan agar Indonesia mampu menjadi negara eksportir jahe untuk bersaing
dengan pasar jahe dunia khususnya negara pesaing utama seperti Cina, India, dan
Belanda. Oleh karena itu estimasi ekspor jahe perlu dilakukan untuk mengetahui
permintaan ekspor jahe Indonesia kedepan. Estimasi ini diperlukan agar Indonesia
tetap menjadi negara eksportir jahe, atau bahkan meningkatkan posisi di pasar
internasional sebagai negara eksportir, yang pada saat ini menempati urutan ketujuh
di dunia sebagai negara eksportir jahe setelah Cina, Belanda, India, Thailand, Peru,
Nigeria (Kementerian Perdagangan, 2017).
Pada kegiatan ekspor-impor komoditas jahe, hal tersebut ditentukan oleh
kode HS atau Harmonized System atau daftar kode barang. Kode HS dibuat secara
sistematis dengan tujuan memudahkan penarifan dan transaksi perdagangan
(Kementerian Perdagangan, 2017). Ekspor jahe Indonesia dilakukan berdasarkan
proses pengolahan atau bentuknya, oleh karena itu dalam pembahasan ini ekspor
dengan bentuk (Spices;ginger) yang di bahas dalam pembahasan ini.
Perkembangan ekspor dan impor jahe Indonesia selama sepuluh tahun 2008-
2017, berfluktuasi baik volume maupun nilainya. Nilai ekspor jahe Indonesia lebih
tinggi dari nilai impornya, hal ini menunjukan bahwa jahe memiliki neraca
perdagangan yang positif. Selama kurun waktu 2008-2017, volume dan nilai ekspor
jahe Indonesia sempat mengalami peningkatan. Puncaknya tahun 2014 volume
ekspor jahe Indonesia yakni 61.191.401 Kg dengan nilai US $49.126.585. Akan
13
tetapi, pada tahun 2015-2016 mengalami penurunan drastis. Hingga pada tahun
2016, volume ekspor jahe hanya sebesar 21.934.240 Kg dengan nilai US
$13.954.382, namun kembali naik pada thun 2017 sebsar 3 %. Penurunan nilai dan
volume ekspor pada tahun 2015-2016 dikarenakan menurunnya tingkat produksi
dan luas lahan jahe di Indonesia. Perbandingan nilai ekspor dan impor tanaman jahe
dapat dilihat pada Gambar 8.
Gambar 8. Perkembangan Ekspor dan Impor Jahe Indonesia Tahun 2008-2017 Sumber : UN Comtrade, 2018 (diolah)
0
10,000,000
20,000,000
30,000,000
40,000,000
50,000,000
60,000,000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Jum
lah
Tahun
Nilai Ekspor dan Impor Komoditas Jahe Indonesia Tahun 2008-
2017
Nilai Impor (US$) Nilai Ekspor (US$)
14
Gambar 9. Permintaan Jahe Dunia Tahun 2011 - 2015 Sumber : Kementerian Perdagangan (diolah)
Peningkatan ekspor jahe Indonesia sejalan dengan pertumbuhan permintaan
komoditas jahe di dunia. Selama tahun 2011-2015 ekspor jahe dunia tumbuh
sebesar 8,6 % per tahun. Pada tahun 2015 permintaan ekspor jahe dunia mencapi
756 juta USD. Indonesia sebagai negara eksportir ke-7 dunia untuk komoditas jahe,
mengalami pertumbuhan eskpor rata-rata 146% pertahun pada periode yang sama.
Indonesia adalah negara yang mengalami pertumbuhan ekspor terbesar untuk
komoditas jahe di dunia. Peningkatan kontribusi Indonesia sebagai penghasil jahe
dunia tidak hanya dari segi nilai perdagangan tapi juga pangsa pasarnya. Tahun
2011, Indonesia memberikan 0,18 % pasokan jahe dunia dan pada tahun 2015
menjadi 2,4 %. Permintaan tanaman obat khususnya jahe di dunia akan meningkat
signifikan mengingat fungsi tanaman obat yang semakin berkembang. Proyeksi
permintaan tanaman jahe tentunya didasarkan pada industri yang menggunakannya.
Saat ini fungsi jahe memang lebih banyak untuk pengobatan herbal. Hal tersebut
didukung oleh World Health Organization (WHO) (2003) yang memprediksi
1.2 1.4
14.9
49.1
18.2
-
10.0
20.0
30.0
40.0
50.0
60.0
2011 2012 2013 2014 2015
15
permintaan akan mencapai USD 5 triliun pada tahun 2050. Sementara permintaan
tanaman obat khusunya jahe berbentuk tanaman baku akan tumbuh sekitar 10-20 %
pertahun (Sharma, 2004).
Pasar ekspor jahe Internasional masih dikuasai oleh Cina, India, dan Belanda.
Negara tersebut merupakan negara terbesar produsen jahe dunia kecuali Belanda.
Belanda termasuk negara pengeskpor terbesar karena Belanda banyak mengimpor
jahe lalu mengeskspor kembali ke negara-negara lain terutama di kawasan Eropa
(FAO, 2015). Sebagai negara ekspor terbesar, banyak yang menjadikan Cina, India,
dan Belanda sebagai negara acuan untuk ekspor jahe Internasional. Adapun
perbandingan nilai ekspor jahe dapat dilihat pada Gambar 10.
Gambar 10. Perkembangan Ekspor Jahe Cina, Belanda, India, dan Indonesia
Tahun 2008-2017 Sumber : UN Comtrade, 2018 (diolah)
Negara pengeskpor jahe masih sangat dikuasa oleh Cina, hal ini dapat dilihat
dari sangat tingginya nilai ekspor jahe Cina. Pada tahun 2008-2017 jumlah jahe Cina
yang di ekspor sebesar 3.794.214.424 US$ dengan rata rata tiap tahun sebesar
0
100000000
200000000
300000000
400000000
500000000
600000000
2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7
US
$
China Netherlands India Indonesia
16
379.421.442 US$. Sedangkan untuk Belanda menjadi negara eksportir jahe terbesar
setelah Cina, pada tahun 2008-2017 jumlah jahe Belanda yang di ekspor sebesar
531.892.602 US$ dengan rata rata tiap tahun sebesar 53.189.260US$. Sedangkan
untuk India menjadi negara eksportir jahe terbesar setelah Cina dan Netherlad, pada
tahun 2008-2017 jumlah jahe India yang di ekspor sebesar 343.598.731
US$ dengan rata rata tiap tahun sebesar 34.359.873US$. Walaupun India menjadi
negara produsen jahe terbesar setelah Cina, namun nilai ekspor India jauh dibawah
Cina, padahal jika dilihat dari jumlah produksi, India menguasai sebagai produsen
jahe terbesar di dunia mengungguli Cina, namun India tidak bisa menguasai pasar
ekspor utama jahe. Hal ini di karenakan konsumsi domestik India sangat besar,
bahkan untuk bisa memenuhi kebutuhan domestik dan eskpor, India juga
mengimpor jahe dari negara lain, dan juga India tidak bisa mempertahankan kualitas
ekspor jahe. Jahe Cina, Belanda dan India cenderung mengalai peningkatan yang
signifikan, atau bisa disebut konsisten, sedangkan ekspor Indonesia cenderung
stagnan dan sulit mengalami peningkatan. Hal ini lah yang membuat Cina, Belanda,
dan India sering dijadikan negar acuan dan paling diminati negara lain untuk
mengekspor jahe (Kementerian Perdagangan, 2017)
Tingginya permintaan dunia akan jahe tercermin dari semakin meningkatnya
impor jahe dunia. Pangsa pasar dunia yang semakin terbuka bagi pengembangan
jahe ini mendorong peningkatan investasi usaha di bidang jahe dan produk
olahannya. Menurut The Food and Agriculture Organization (FAO) pada tahun
2017 pangsa pasar jahe Indonesia adalah sebesar 19,1 persen yang kemudian
meningkat menjadi 23,5 persen pada tahun2017 mengungguli Cina, Belanda, India
17
dengan pangsa sebesar 41,1. Trend peningkatan impor ini cenderung terjadi pada
negara-negara yang kurang kondusif dari segi geografis untuk mengusahakan
jahe seperti negara Pakistan, USA, Japan. Impor jahe dunia yang masuk ke negara
negara yang tinggi permintaannya dilihat pada Tabel 1
Tabel 1. Negara Pengimpor Jahe Dunia Tahun 2013-2017 (Ton)
Peringkat
Negara Pengimpor Tahun
Jahe 2013 2014 2015 2016 2017
1 Pakistan 62120.86 69439.131 89402.799 77289.647 79090.592
2 USA 55609.098 57118.379 70434.975 77411.547 63598.264
3 Japan 62710.424 57487.828 56607.99 63988.699 61591.797
4 Belanda 55609.098 32737.731 45128.423 47104.535 46685.942
5 Malaysia 35091.798 30885.879 29642.495 28623.717 26552.187
6 India 28221.514 25004.382 21938.138 23539.048 17721.443
7 United Kingdom 18414.193 18472.142 20248.399 22550.401 21207.01
8 Germany 8973.046 10919.647 10920.883 14233.352 17265.475
9 Singapore 9059.624 9434.298 9890.339 10006.5 10296.891
10 Russian Federation 10151.862 8281.088 7025.303 8067.548 9976.822
Sumber : UN Comtrade (2018, diolah)
Dalam 10 negara pengimpor jahe dunia, terdapat negara yang menjadi
perhatian khusus yaitu India. India dengan jumlah produksi yang paling besar di
dunia, namun tetap mengimpor jahe dari negara lainn. Hal ini di karenakan
konsumsi domestik India sangat besar, bahkan untuk bisa memenuhi kebutuhan
18
domestik dan eskpor, India juga mengimpor jahe dari negara lain, dan juga India
tidak bisa mempertahankan kualitas jahe (Kementerian Perdagangan, 2017).
Jahe merupakan salah satu komoditas ekspor yang diperdagangkan
Indonesia dan negara-negara lainnya di pasar dunia. Jahe sendiri memiliki
kontribusi setengah dari total ekspor komoditas biofarmaka (Pusdatin Kementerian
Pertanian, 2016). Popularitas dan daya tarik dunia terhadap jahe, utamanya
dikarenakan manfaat yang baik untuk kesehatan serta didukung oleh faktor sejarah,
tradisi, sosial dan kepentingan ekonomi (Pusdatin, Kementerian Pertanian, 2016).
Dengan semakin meningkatnya produksi jahe dalam negeri, maka laju
ekspor jahe Indonesia ke berbagai negara pun semakin meningkat. Ekspor sendiri
merupakan cerminan dari sisa produksi ketika produksi yang ada telah memenuhi
kebutuhan dalam negeri. Semakin tinggi ekspor jahe Indonesia, maka kontribusi
jahe terhadap total devisa akan semakin meningkat. Ekspor Jahe Indonesia ke
negara tujuan ekspor dapat dilihatpada Tabel 2.
Tabel 2. Ekspor Jahe Indonesia Ke Negara Tujuan Tahun 2013-2017 (US$)
Peringkat
Negara Tujuan Ekpor Tahun
Jahe Indonesia 2013 2014 2015 2016 2017
1 Bangladesh 8474445 36571 7663751 5010100 7769489
2 Belanda 383782 15833048 179563 6400 217
3 Pakistan 1350357 15824 4764562 472183 1773417
4 Viet Nam 21845 353378 2487425 1277920 889368
5 Malaysia 2377689 281 899500 737162 841506
6 Singapore 524811 1911201 532628 329674 441379
19
7 Japan 586657 24200 453958 428639 359087
8 India 87300 39987 51383 81597 64629
9 Timor-Leste 551 75655 1269 40 5
10 United Arab Emirates 14480 10650 940 11941 85
Sumber : UN Comtrade (2018, diolah)
Permintaan jahe dunia berfluktuatif dan tidak seimbang sehingga membuat
Indonesia sulit mengetahui penurunan dan peningkatan ekspor jahe di Indonesia
sehingga sering tidak tercapainya target yang telah ditetapkan. Perkembangan dunia
usaha yang begitu cepat juga mengharuskan Indonesia untuk mampu mengetahui
berbagai kemungkinan yang akan terjadi dimasa yang akan datang dengan
memahami informasi dari negara pesaing utama jahe.
Analisis hubungan dan pengaruh antara ekspor Cina, India, Belanda dengan
Indonesia sangat diperlukan, karena Cina, India, dan Belanda merupakan negara
eksportir utama jahe dunia. Dengan adanya analisis hubungan dan pengaruh
tersebut, Indonesia dapat melihat hubungan dan pengaruh antar negara dalam
jangka panjang. Hubungan dan pengaruh antar negara pada proses ekspor,
terkadang dapat menyebabkan penurunan maupun peningkatan ekspor di
Indonesia, dengan begitu Indonesia dapat mengetahui permintaan dunia akan jahe
Indonesia. Berdasarkan hal tersebut penulis akan melakukan penelitian dengan
judul ‘’Analisis Hubungan Ekspor Jahe Indonesia, Cina, India, Belanda Serta
Pengaruhnya Terhadap Ekspor Jahe Indonesia di Pasar Internasional’’.
20
1.2 Rumusan Masalah
Berdasarkan uraian di atas dapat dirumuskan permasalahan pada penelitian
ini adalah sebagai berikut :
1. Apakah terjadi hubungan antar negara pengekspor jahe di Indonesia, Cina,
India, dan Belanda selama periode Januari 2013 – Desember 2017 ?
2. Bagaimana pengaruh shock/guncangan peningkatan ekspor jahe Cina, India,
dan Belanda terhadap ekspor jahe Indonesia selama periode Januari 2018 –
Desember 2024 mendatang ?
3. Bagaimana pengaruh perubahan ekspor jahe di Indonesia, Cina, India, dan
Belanda selama periode Januari 2018 – Desember 2024 mendatang ?
1.3 Tujuan Penelitian
Berdasarkan perumusan masalah di atas, berikut ini tujuan yang hendak
dicapai oleh penulis, yaitu :
1. Menganalisis hubungan antar negara pengekspor jahe di Indonesia, Cina, India,
dan Belanda selama periode Januari 2013 – Desember 2017
2. Menganalisis pengaruh shock/guncangan peningkatan ekspor jahe Cina, India,
dan Belanda terhadap ekspor jahe Indonesia selama periode Januari 2018 –
Desember 2024 mendatang
3. Menganalisis pengaruh perubahan ekspor jahe di Indonesia, Cina, India, dan
Belanda selama periode Januari 2018 – Desember 2024 mendatang
21
1.4 Manfaat Penelitian
Berdasarkan perumusan masalah dan tujuan penelitian diatas, maka penulis
mengharapkan penelitian ini bermanfaat bagi :
1. Bagi Pemerintah dan Perusahaan, sebagai salah satu alternatif pengambilan
keputusan dalam menyusun perencanaan bagi bidang tanaman, pabrik,
administrasi dan ekspor jahe. Pengambilan keputusan yang ditetapkan pada
setiap bidang akan saling berkaitan satu sama lain.
2. Bagi Pembaca, sebagai bahan referensi untuk penelitian selanjutnya yang
berkaitan dengan hubungan dan pengaruh ekspor jahe antar negara.
3. Bagi Penulis, sebagai penerapan ilmu yang telah diperoleh selama masa
pendidikan perkuliahan dan sebagai syarat kelulusan sarjana strata satu dalam
Program Studi Agribisnis, UIN Syarif Hidayatullah Jakarta.
1.5 Ruang Lingkup Penelitian
Penelitian ini dilaksanakan pada analisis pasar Internasional dengan
menggunakan data dari un comtrade dengan kode HS091010 (Spices;Ginger).
Batasan penelitian berfokus membahas hubungan ekpsor jahe Indonesia, Cina,
India, dan Belanda dengan memperhatikan pengaruh untuk ekspor jahe di Indonesia
dimasa mendatang. Hubungan ekspor jahe antar negara dilihat berdasarkan data
time series yang diperoleh dari un comtrade mulai dari periode Januari 2013 -
Desember 2017. Data time series tersebut digunakan sebagai acuan untuk
mengetahui pengaruh perubahan ekspor jahe di Indonesia, Cina, India, dan Belanda
selama periode Januari 2018 - Desember 2024 mendatang. Metode analisis yang
22
digunakan untuk melihat hubungan jangka panjang antar negara pengekspor jahe
adalah Vector Autoregression (VAR)/Vector Error Correction Model (VECM) dan
untuk memperhatikan besarnya pengaruh antar negara menggunakan analisis
Impulse Response Function (IRF) dan Forecast Error Variance Decomposition
(FEVD).
23
BAB II
TINJAUAN PUSTAKA
2.1 Agribisnis
2.1.1 Pengertian Agribisnis
Secara harfiah, agribisnis diadopsi dari bahasa Inggris yakni agribusiness.
Kata tersebut berasal dai agriculture (pertanian), dan business (bisnis). Banyak
definisi yang berkembang mengenai agribisnis, salah satunya menurut Davis dan
Golberg (1957:14) yang mendefinisikan agribusiness is the sum total of all
operations involved in the manufacture and distribution of farm supplies;
production operations on the farm; and storage, processing and distribution of
farm commodities and items. Agribisnis merupakan jumlah total keseluruhan
operasi termasuk dalam manufaktur dan distribusi pertanian (output); operasi
produksi di lahan pertanian; dan penyimpanan, proses dan distribusi komoditas
pertanian dan lainnya.
Definisi yang dikemukakan oleh Davis dan Golberg (1957:14) memberikan
suatu konsep dan wawasan yang dalam, mengenai pertanian modern saat
menghadapi milenium ketiga. Agribisnis menjadi suatu sistem, yang jika
dikembangkan harus terpadu dan selaras dengan semua subsistem yang ada di
dalamnya. Bila pengembangan agribisnis hanya dilakukan oleh salah satu
subsistem yang ada di dalamnya, maka tidak akan berjalan dengan efektif dan
efisien (Gumbira-Sai’id dan Intan, 2004:20). Pengertian agribisnis menurut
Soekartawi (2003:17), berdasarkan unsur kata pembentuknya yaitu: “agri” yang
24
berasal dari agriculture (pertanian) dan bisnis yang berasal dari kata “bisnis”
(usaha). Agribisnis merupakan usaha dalam bidang pertanian, yang meliputi proses
produksi, pengolahan, pemasaran, atau kegiatan lainnya yang berkaitan dengan
bidang tersebut (Soekartawi, 2003:17).
Kegiatan ekspor pada sistem agribisnis merupakan proses yang terdiri dari
tahap produksi primer hingga pemasaran. Kegiatan ekspor berada pada subsistem
kedua (SS-II) dan keempat (SS-IV) dalam sistem agribisnis, yang dapat dilihat pada
Gambar 11.
Gambar 11. Sistem Agribisnis Sumber : Said dan Intan (2001:21)
Pada Gambar 11 menunjukkan, setiap subsistem dalam sistem agribisnis
mempunyai keterkaitan kebelakang dan kedepan. Tanda panah kebelakang (ke kiri)
pada subsistem pengolahan (SS-III) menunjukkan bahwa SS-III akan berfungsi
dengan baik apabila ditunjang oleh ketersediaan sarana produksi yang dihasilkan
SS III
(Pengolahan)
SS IV
(Pemasaran)
SS I
(Pengadaan dan
Penyaluran
Sarana Produksi)
SS II
(Produksi
Primer)
Lembaga Penunjang Agribisnis
(Pertanahan, Keuangan, Penelitian, dll)
25
oleh SS-I. Tanda panah kedepan (ke kanan) pada SS-II menunjukkan bahwa
subsistem pengolahan (SS-II) akan berhasil jika menemukan pasar untuk produk
pertaniannya (SS-IV). Pengembangan agribisnis tidak akan efektif dan efisien
apabila hanya dikembangkan salah satu subsistem. Tidak ada subsistem yang lebih
penting dari subsistem lainnya dan setiap subsistem akan berfungsi dengan baik
apabila tidak ada gangguan pada salah satu subsistem (Gumbira-Sai’id dan Intan,
2004:21).
2.1.2 Perkembangan Agroindustri
Pembangunan pertanian saat ini terdapat penekanan efisiensi ekonomi
dengan banyak perhatian pada pengembangan sektor industri. Hal tersebut
mengakibatkan sektor ini melaju dengan cepat sekali tetapi lambat untuk menarik
sektor pertanian. Untuk itu diperlukan peningkatan industri skala kecil (dan
menengah) yang dekat dengan daerah produksi pertanian (Soekartawi, 2003:12).
Usaha yang terdiri dari proses produksi hingga pemasaran dalam agribisnis
seperti ini, sering dikaitkan dengan kegiatan ekspor. Hal ini terdapat tambahan
dalam penerimaan devisa negara dari agribisnis melalui kegiatan ekspor
(Soekartawi, 2003:17). Kegiatan perdagangan internasional menurut Soekartawi
(2003:118), merupakan kelanjutan dari perdagangan daerah. Barang yang
diperdagangkan antarnegara didasarkan tidak hanya atas keuntungan alamiah,
namun juga berdasarkan proporsi dan intensitas faktor-faktor produksi yang
digunakan dalam menghasilkan produk tersebut. Perkembangan agroindustri dan
sektor industri lainnya diharapkan dapat berjalan seiring diartikan pula sektor
industri perlu didukung oleh sektor pertanian yang maju. Konsep ini ditekankan
26
melalui agriculture led development. Atas pertimbangan bahwa peningkatan
penghasilan devisa dari ekspor hasil pertanian memiliki keuntungan-keuntungan
yang tidak dimiliki barang-barang hasil industri, diantaranya (Soekartawi,
2003:13) :
a. Peningkatan ekspor hasil pertanian seperti kopi, coklat, dan tanaman lain tidak
membutuhkan investasi besar-besaran.
b. Meskipun investasi baru diperlukan, jumlahnya relatif tidak besar; karena
biasanya ratio capital-output pengusaha pertanian adalah kecil.
c. Produksi pertanian yang bersifat homogen membuat permintaan yang dihadapi
oleh negara eksportir produk pertanian bersifat sangat elastis, sehingga
peningkatan volume ekspor tidak mempengaruhi harga.
Pihak swasta turut berperan dalam pembangunan ekonomi Indonesia, karena
pelaku-pelaku sektor perekonomian di Indonesia terdiri dari pihak Swasta, Badan
Usaha Milik Negara (BUMN), dan koperasi. Ketiga unsur tersebut kemudian
dikenal dengan istilah “dunia usaha”. Ketiga unsur dunia usaha ini mendapatkan
dukungan dari dunia perbankan dalam mengembangkan usahanya, sebagai
penyandang dana dari pemerintah. Pihak pemerintah berperan dalam menyediakan
dan menyempurnakan iklim usaha yang sehat dan kontinu (Soekartawi, 2003:16).
2.2 Jahe (Zingiber officinale Rosc.)
Jahe (Zingiber officinale Rosc.) merupakan tanaman obat berupa tumbuhan
rumpun berbatang semu. Bagian tanaman Jahe yang dimanfaatkan adalah rimpang
tanaman. Rimpang Jahe memiliki daya guna yang besar, antara lain dimanfaatkan
sebagai bahan pembuatan obat-obatan, parfum, makanan ringan, minuman, dan
27
bumbu dapur. Hingga saat ini, daerah asal tanaman Jahe (Zingiber officinalle Rosc)
belum dapat diketahui dengan pasti. Di Indonesia, terdapat tiga jenis klon Jahe,
yaitu Jahe kecil atau Jahe emprit, Jahe merah atau Jahe sunti, dan Jahe gajah.
Penyebaran tanaman Jahe tidak dapat dipisahkan dari keanekaragaman tipe
agroklimat di masing-masing kawasan tempat tumbuhnya (Suprapti, 2003: 12).
2.2.1 Klasifikasi Jahe (Zingiber officinale Rosc.)
Jahe termasuk dalam suku temu-temuan (zingiberaceae), satu famili dangan
Temu-temuan lainnya seperti temu lawak (Cucuma xanthorrizha), temu hitam
(Curcuma aeruginosa), kunyit, (Curcuma domestica), kencur (Kaempferia
galanga), lengkuas (Languas galanga), dan lain-lain. Jahe merupakan rempah-
rempah Indonesia yang sangat penting dalam kehidupan sehari-hari, terutama
dalam bidang kesehatan. Jahe berasal dari Asia Pasifik yang tersebar dari India
sampai Cina (Paimin dan Murhanato, 2008). Menurut Cronquist (1981:45),
klasifikasi tanaman jahe yaitu sebagai berikut.
Kingdom :Plantae
Divisio :Magnoliophyta
Classis : Liliopsida
Subclassis : Zingiberidae
Ordo :Zingiberales
Familia :Zingiberaceae
Genus :Zingiber
Species : Zingiber officinale Roxb.
28
Secara morfologi, tanaman Jahe terdiri atas, rimpang, batang, daun, bunga.
Perakaran tanaman Jahe merupakan akar tunggal yang semakin membesar seiring
dengan umurnya, hingga membentuk rimpang serta tunas-tunas yang akan tumbuh
menjadi tanaman baru. Batang tanaman Jahe merupakan batang semu yang tumbuh
tegak lurus. Batang ini tersiri atas seludang-seludang dan pelepah daun yang
menutup batang. Bagian luar batang licin dan mengilap, serta mengandung banyak
air.
Tanaman jahe memiliki daun yang sempit dengan panjang 15-23 cm, lebar
8-15 mm, tangkai daunnya berambut dengan panjang 2 mm sampai dengan 4 mm.
Bentuk lidah daun memanjang, tidak berambut, panjang 7,5 mm sampai dengan 1
cm, seludang agak berambut. Tangkai bunga hampir tidak berambut, panjangnya
25 cm, ibu tangkai daun (rachis) berambut jarang, sisik pada tangkai terdapat 5
buah sampai dengan 7 buah, berbentuk lanset, letaknya berdekatan atau
rapat,hampir tidak berambut, panjang sisik 3-5 cm. Daun pelindung berbentuk
bundar telur terbalik, bulat pada ujungnya, tidak berambut, berwarna hijau
cerah,panjang 2,5 cm, lebar 1 cm sampai dengan 1,25 cm. Mahkota bunga
berbentuk tabung, panjang tabung 2-2,5 cm, helainnya agak sempit berbentuk
tajam, berwarna kuning kehijauan, panjang 1,5 cm sampai 2,5 cm, lebar 2 mm
sampai dengan 3,5 mm, bibir (labellum) berbintik-bintik berwarna putih
kekuningan. Kepala sari berwarna ungu dengan panjang 9 mm. Rimpang jahe jika
dipotong berwarna kekuningan (Backer & Van Den Brink, 1968:87).
Jahe memiliki akar berbentuk akar serabut dengan warna putih kotor.
Rimpang tebal agak melebar, tumbuh bercabang-cabang. Warna rimpang kuning
29
pucat. Bagian dalam berserat agak kasar, warna kuning muda dengan bagian ujung
berwarna merah muda. Buah jahe berbentuk bulat hingga bulat panjang, berwarna
coklat sedang bijinya berbentuk bulat dengan warna hitam (Ramadhan, 2013:99).
2.2.2 Budidaya Tanaman Jahe (Zingiber officinale Roxb.)
Tanaman jahe terdapat di seluruh Indonesia ditanam di kebun dan pekarangan.
Tumbuh di tempat terbuka sampai di tempat yang agak kenaungan, pada tanah
latosal ataupun andosal terutama yang mengandung bahan organik tinggi.
Umumnya ditanam di tanah ringan atau tanah yang mudah diolah seperti tanah
lempung berdebu, lempung berliat, dan liat berpasir. Tumbuh pada ketinggian
tempat sampai 900 meter atau lebih di atas permukaan laut, umumnya ditanam pada
ketinggian tempat antara 200 m sampai dengan 600 m di atas permukaan laut
(Departemen Kesehatan RI, 2008:48).
Tanaman diperbanyak dengan rimpang. Rimpang yang akan digunakan
sebagai bibit dipotong dengan ukuran 3-7 cm dan setidaknya mengandung 3
matatunas. Stek rimpang yang dipakai dari tanaman yang sudah berumur 10 bulan
atau12 bulan. Dalam penanaman stek rimpang 5-7,5 cm umumnya dengan cara
membuat alur-alur sepanjang tanah yang akan ditanami. Tunas-tunas jahe akan
keluar dari dalam tanah 2 minggu sampai 2 bulan setelah ditanam. Pemeliharan
terhadap tanaman jahe terdiri dari menyiang, membumbun, mencabut, membakar
tanaman yang terserang penyakit, dan memupuk. Pemanenan rimpang dapat
dilakukan pada umur 9 bulan sampai dengan 12 bulan setelah tanam. Panenan
pada umur 6 bulan biasanya dilakukan untuk keperluan bahan pembuatan
30
manisan. Panenan tua pada umur 9 sampai 12 bulan dilakukan bila tanaman mulai
mengering seluruhnya sampai sudah rebah rumpun-rumpunnya (Departemen
Kesehatan RI, 2008:48).
2.2.3 Jenis Jahe
Berdasarkan bentuk, ukuran, serta warna rimpangnya, Jahe dapat dibedakan
menjadi tiga jenis, yaitu Jahe merah (sunti), Jahe emprit, dan Jahe gajah. Jahe merah
memiliki ukuran rimpang paling kecil dibandingkan dengan kedua klon lainnya.
Klon Jahe ini memiliki karakteristik warna merah sampai jingga, berserat kasar,
beraroma tajam, dan sangat pedas.Jahe emprit berukuran lebih besar daripada Jahe
merah, namun lebih kecil daripada Jahe gajah. Klon Jahe ini memiliki karakteristik
warna putih atau kuning, berbentuk pipih, berserat lembut, dan aromanya tidak
tajam. Jika dibandingkan dengan dua klon yang lain, Jahe gajah memiliki ukuran
rimpang paling besar. Sering kali, Jahe gajah juga disebut Jahe badak atau Jahe
kombongan (Bengkulu). Jahe jenis ini memiliki karakteristik warna kuning atau
kuning muda, berserat sedikit dan lembut, aroma tidak terlalu tajam, dan rasa tidak
terlalu pedas (Suprapti, 2003: 14).
Selain untuk memenuhi kebutuhan dalam negeri komoditas Jahe juga
diekspor, dan dipasarkan ke mancanegara guna memenuhi permintaan luar
negeri.Indonesia mengekspor jahe dalam bentuk jahe segar, jahe kering, dan produk
olahan jahe. Sebagian besar ekspor jahe Indonesia dalam bentuk jahe segar, bahkan
pernah mencapai 99,33%. Jahe Indonesia yang diekspor terdiri dari beberapa
bentuk produk yaitu jahe segar (HS 0910100000), produk jahe untuk keperluan
31
farmasi (HS 3301291100), dan non farmasi (HS 3301299100). Ekspor jahe untuk
keperluan farmasi dan nonfarmasi dalam pengelompokkan jenis barang ekspor
digabung dengan serai wangi, dan kayu manis (Pharmaceutical Grade of Lemon
Grass of Citronella, Cinnamon, Ginger, and Other Pharmaceutical Grade of
Lemon Grass of Citronella, Cinnamon, Ginger) (Pribadi, 2013:79).
Saat ini jenis Jahe di Indonesia yang diekspor maupun yang merupakan hasil
impor tahun 1996-2011 adalah Jahe dengan kode HS 0910100000 (tidak
dihancurkanatau tidak ditumbuk). Sementara sejak tahun 2012 dan 2013, terdapat
penambahan kode HS yaitu 0910200000 (dihancurkan atau ditumbuk) (Pusdatin
Kementerian Pertanian, 2016).
2.2.4 Produk Turunan Jahe
Selain dalam bentuk utuh atau segar, Jahe dapat diolah menjadi beberapa jenis
produk. Produk olahan maupun awetan Jahe diminati oleh konsumen dari luar
dalam negeri dan luar negeri, antara lain: Jahe Kering, Bubuk Jahe, Asinan Jahe
(Salted Ginger), Jahe dalam Sirup (Syruped Ginger), Jahe Kristal (Crystalized
Ginger), Manisan Kering Jahe, Ting-Ting Jahe (Kembang Gula/Permen), Kopi
Jahe, Sirup Pokak, Sirup Sekoteng, Minyak Jahe (Ginger Oil), serta Oleoresin
(Ekstrak Jahe) (Suprapti, 2003: 9).
Minyak asiri (eteris) hasil dari ekstraksi rimpang Jahe biasa digunakan
sebagai bahan pembuatan minuman ringan (ginger ale), bahan baku bagi industri
farmasi, parfum, dan kosmetik, serta sebagai bahan penyedap (flavouring agents).
Sementara Jahe segar dapat dimanfaatkan sebagai bahan kembang gula atau permen
32
(ting-ting Jahe) dan minuman penghangat tubuh. Jahe yang masih muda sering
digunakan sebagai lalap (dimakan mentah) atau diolah dan diawetkan menjadi Jahe
asin (asinan Jahe), manisan Jahe, dan Jahe dalam sirup. Jahe yang sudah tua dapat
diawetkan dalam bentuk Jahe kering, bubuk Jahe, Jahe instan, atau ting-ting Jahe
(Suprapti, 2003: 18-19).
2.3 Perdagangan Internasional
Menurut Purwito dan Indriani (2015:30), perdagangan internasional
merupakan suatu kegiatan yang berkaitan dengan perdagangan antara suatu tempat
ke tempat lainnya dengan melewati batas-batas negara, sifatnya interdependensi
dengan menerapkan aturan (tradisional, bilateral, dan regional) yang telah
disepakati secara internasional. Kesepakatan tersebut telah melalui perjanjian atau
terikat dalam keanggotaan suatu institusi global. Biasanya telah melalui perjanjian
atau keanggotaan dalam suatu institusi global. Secara teorititis, perdagangan
internasional terjadi karena dua alasan. Pertama, setiap negara dapat memperoleh
keuntungan dengan melakukan sesuatu yang relatif lebih baik. Kedua, perdagangan
yang dilakukan negara-negara tersebut bertujuan mencapai skala ekonomi
(economic of scale) dalam produksi. Maksudnya, jika setiap negara memproduksi
barang tertentu, maka skalanya akan lebih besar dan produksinya lebih efisien
dibandingkan memproduksi segala jenis barang.
Perdagangan ekspor dan impor diartikan sebagai perdagangan dari
bermacam jenis dan kualitas barang yang terjadi antara negara yang satu dengan
yang lainnya. Ekspor diartikan sebagai kegiatan penjualan atau pengiriman barang,
33
jasa, atau modal yang berasal dari dalam daerah ke luar daerah sesuai peraturan
yang berlaku secara inernasional. Kegiatan ekspor dapat diartikan sebagai
mengeluarkan barang, jasa, atau modal yang berasal dari dalam daerah ke dalam
luar daerah secara internasional. Tujuannya untuk digunakan, dimiliki, dialihkan,
atau dijual kembali dengan memanfaatkan kegunaan atau keuntungan atas produk
tersebut (Elpawati dan Raditya Audayuda, 2018:104).
Kebijaksanaan ekspor-impor dalam perdagangan internasional tidak dapat
dikaitkan begitu saja, misalnya untuk kebijaksanaan ekspor. Urgensi perlunya suatu
negara menggalakkan ekspor adalah untuk meningkatkan kekayaan negara, yang
berarti meningktkan pendapatan per kapita masyarakat. Kegiatan ekspor dalam
perdagangan internasional, dapat terjadi apabila (Soekartawi, 2003:120):
1. Terdapat kelebihan produksi dalam negeri, sehingga dapat dijual ke luar negeri
melalui kebijaksanaan ekspor.
2. Adanya permintaan produk dari luar negeri, karena produk dalam negeri negara
tersebut tidak mencukupi.
3. Harga pasar dunia yang lebih menguntungkan, akan memberikan keuntungan
lebih besar dari penjualan luar negeri dibandingkan penjualan dalam negeri.
4. Terdapat kebijaksanaan ekspor yang bersifat politik.
5. Adanya barter antarproduk tertentu dengan produk lain yang diperlukan dan
tidak dapat diproduksi dalam negeri.
Menurut Soekartawi (2015:122), terdapat beberapa faktor yang
mempengaruhi ekspor, yaitu :
34
a. Harga Internasional
Hubungan harga internasional dengan volume ekspor adalah jika harga
komoditas di pasar global lebih besar dari pada pasar domestic. Harga komoditi di
pasar domestik berbeda dengan harga di pasar internasional. Semakin besar selisih
antara harga yang ada di pasar internasional dengan harga domestik, maka akan
menyebabkan jumlah komoditi yang akan diekspor semakin bertambah banyak.
b. Nilai Tukar Uang (Exchange Rate)
Kebijaksanaan nilai tukar uang memberikan efek yang berkaitan dengan
kebijaksanaan devaluasi, (yaitu penurunan nilai mata uang domestik terhadap mata
uang luar negeri) terhadap ekspor impor suatu negara dipengaruhi oleh beberapa
faktor antara lain adalah evaluasi elastisitas harga untuk ekspor, elastisitas harga
untuk impor, dan daya saing komoditas tersebut di pasar internasional. Apabila
elastisitas harga untuk ekspor lebih tinggi daripada harga untuk impor maka
devaluasi cenderung menguntungkan. Sebaliknya jika elastisitas harga untuk impor
lebih tinggi daripada harga untuk ekspor maka kebijaksanaan devaluasi tidak
menguntungkan.
c. Kuota Ekspor Impor
Adanya kuota ekspor bagi negara produsen komoditi tertentu akan
menghambat ekspor komoditi tersebut. Terutama berdampak bagi negara-negara
penghasil komoditi yang jumlahnya relatif sedikit. Pada saat harga di pasar
internasional sedang tinggi (misalnya akibat kerusakan komoditi tersebut), maka
negara-negara penghasil komoditi yang relatif sedikit itu tidak dapat memanfaatkan
keadaan tersebut.
35
d. Kebijaksanaan Tarif dan No tarif
Biasanya kebijaksanaan tarif dikenakan untuk komoditi impor atau komoditi
subtitusi impor. Hal ini dilakukan untuk menjaga harga produk dalam negeri berada
dalam tingkatan tertentu sehingga harga tersebut dapat atau mampu mendorong
pengembangan komoditi tersebut. Selain kebijaksanaan tarif, dikenal pula
kebijaksanaan nontarif. Supaya mendorong tujuan diversifikasi tujuan ekspor.
e. Kebijaksanaan Meningkatkan Ekspor Nonmigas
Sebagai upaya dalam meningkatkan ekspor, pemerintah dapat menggunakan
beberapa kebijaksanaan antara lain pemberian fasilitas-fasilitas kemudahan guna
menunjang kegiatan ekspor. Fasilitas-fasilitas tersebut harus bisa berupa kredit
ekspor, kebebasan eksportir untuk menggunakan devisanya, penyederhanaan tata
laksana dan lainnya. Kebijaksanaan-kebijaksanaan yang diambil oleh pemerintah
dalam upaya meningkatkan ekspor bukanlah berdiri sendiri melainkan serangkaian.
Menurut Tambunan (2002 :5), faktor-faktor yang mempengaruhi
perdagangan internasional dapat dilihat dari teori permintaan dan penawaran.
Kesimpulan dari teori permintaan dan penawaran tersebut, menyatakan bahwa
perdagangan internasional dapat terjadi karena adanya kelebihan produksi dalam
negeri (penawaran) dengan kelebihan permintaan negara lain. Secara teoritis, suatu
negara (misal negara A) akan mengekspor suatu komoditi (misal pakaian jadi) ke
negara lain (misal negara B) apabila hargad omestik negara A (sebelum terjadinya
perdagangan internasional) relatif lebih rendah jika dibandingkan dengan harga
domestik negara B .
36
Struktur harga yang terjadi di negara A lebih rendah karena produksi
domestiknya lebihbesar daripada konsumsi domestiknya sehingga di negara A telah
terjadi excesssupply (memiliki kelebihan produksi). Dengan demikian, negara A
mempunyaikesempatan menjual kelebihan produksinya ke negara lain. Dilain
pihak, di negaraB terjadi kekurangan supply karena konsumsi domestiknya lebih
besar daripadaproduksi domestiknya (excess demand) sehingga harga yang terjadi
di negara Blebih tinggi. Dalam hal ini negara B berkeinginan untuk membeli
pakaian jadi darinegara lain yang relatif lebih murah. Jika kemudian terjadi
komunikasi antaranegara A dengan negara B, maka akan terjadi perdagangan antar
keduanya dengan harga yang diterima oleh kedua negara adalah sama (Salvatore
2014:8).
37
Gambar 12. Kurva Perdagangan Internasional Sumber : Salvatore, (2014:88)
Keterangan :
P1 : Harga domestik di negara 1 (pengekspor) tanpa perdagangan internasional
OQ1 : Jumlah produk domestik yang diperdagangkan di negara 1 (pengekspor)
tanpa perdagangan internasional
K : Jumlah komoditi yang diekspor oleh negara 1
P3 : Harga domestik di negara 2 (pengimpor) tanpa perdangangan
internasional.
OQ2 : Jumlah produk domestik yang diperdagangkan di negara 2 (pengimpor)
tanpa perdagangan internasional.
M : Jumlah komoditi yang diimpor oleh negara 2
P2 : Harga keseimbangan antara kedua negara setelah perdangangan
internasional
OQ* : Keseimbangan penawaran dan permintaan antar kedua negara dimana
jumlah yang diekspor (Ekspor) sama dengan jumlah yang diimpor (Impor).
Q1 0 0 0 X X X
Panel A
Pasar Negara 1 untuk komoditi X
Panel B
Perdagangan Internasional
dalam komoditi X
Panel C
Pasar Negara 2 untuk
komoditi X
Q2
M
Q*
Px/Py Px/Py
K
Px/Py
P1
P3
P2
A*
P3 A”
B*
A’
𝑺𝑿
𝑫𝑿
E’
S
D
E’
B E
A
𝑫𝑿
𝑺𝑿
B’
38
Pada gambar 12, menggambarkan terjadinya perdagangan internasional harga
di negara 1 sebesar P1, sedangkan di negara 2 sebesar P2. Penawaran pasar
internasional akan terjadi jika harga internasional lebih tinggi dari P1, sedangkan
permintaan di pasar internasional akan jika harga internasionallebih rendah dari P2.
Pada saat harga internasional (P2) sama dengan P1, maka negara 2 akan terjadi
Excess Demand (ED) (lihat garis D). Jika harga internasional sama dengan PB maka
di negara 1 akan terjadi Excess Supply (ES) (garis S). Dari persilangan garis tersebut
maka akan terbentuk kurva S dan D akan menentukan harga yang terjadi di pasar
internasional sebesar P2. Dengan adanya perdagangan tersebut, maka negara 1 akan
mengekspor komoditi (produk) sebesar K sedangkan negara 2 akan mengimpor
komoditi sebesar M, dimana di pasar internasional sebesar K sama dengan M yaitu
Q*.
2.4 Perkembangan Teori Perdagangan Internasional
Menurut Salvatore (2014:8), teori perdagangan internasional (internasional
trade theory) digunakan untuk menganalisis landasan dan manfaat dari
perdagangan. Sementara kebijakan perdagangan internasional (international trade
policy) meneliti tentang pengaruh dan alasan dari pembatasan perdagangan. Teori
perdagangan internasional dapat membantu menjelaskan arah dan komposisi
perdagangan antara beberapa negara. Serta melihat bagaimana efek yang
ditimbulkan terhadap struktur perekonomian di suatu negara. Di samping itu, teori
perdagangan internasional juga dapat menunjukkan adanya keuntungan yang
timbul dengan adanya perdagangan internasional (gains from trade).
39
Teori perdagangan internasional pun mengalami sejumlah perkembangan,
diantaranya doktrin-doktrin ekonomi yang dikenal sebagai merkantilisme yang
berlaku sejak abad XVII dan XVIII. Selanjutnya terdapat teori keunggulan absolut
yang dikembangkan oleh Adam Smith. Setelah 40 tahun sejak teori yang
dikemukakan Adam Smith, David Richardo kemudian mampu menjelaskan pola
dan keuntungan dari perdagangan dengan hukum keunggulan komparatifnya.
Richardo yang awalnya mendasarkan penjelasan tentang hukum keunggulan
komparatif pada teori nilai kerja, sempat mengalami penolakan. Pada awal abad
kedua puluh, Gottfried Haberler kemudian muncul “menyelamatkan” teori
Richardo, dengan hukum keunggulan komparatif dalam teori biaya oportunitas.
Sebagaimana yang tercermin dalam kurva batas-batas kemungkinan produksi, atau
kurva transformasi (Salvatore, 2014:30).
Adam Smith memandang perdagangan sebagai positive-sum game, yaitu saat
semua mitra berdagang akan memperoleh manfaat jika negara-negara melakukan
spesialisasi dalam memproduksi barang-barang yang memiliki keunggulan absolut.
Hal tersebut berbeda dengan merkantilisme yang memandang perdagangan sebagai
suatu zero-sum game, keadaan dimana surplus perdagangan sebuah negara
diimbangi dengan defisit perdagangan negara lainnya. Richardo kemudian
memperluas teori keunggulan absolut menjadi teori keunggulan komparatif. Ia
beranggapan sekalipun negara tidak memiliki keunggulan absolut dalam barang
apapun, negara tersebut dan negara lainnya masih mendapatkan manfaat dari
perdagangan internasional. Meskipun Richardo tidak menjelaskan tentang alasan
perbedaan keunggulan komparatif antar negara. Sementara itu Heckscher-
40
Ohlintampaknya berhasil menjawab kelemahan teori sebelumnya. Mereka
beranggapan bahwa keunggulan komparatif muncul dari hasil perbedaan pada fator
dalam (factor endownments). Beberapa ekonomi telah mengembangkan teori
alternatif lainnya mengenai perdagangan internasional, setelah model Heckscher-
Ohlin nyatanya dianggap tidak berjalan dengan baik (Cho dan Moon, 2003:1).
2.4.1 Pandangan dari Teori Merkantilisme Mengenai Perdagangan
Teori merkantilisme dalam ilmu ekonomi mulai dominan hingga abad ke-18.
Saat itu kaum merkantilisme menilai kesejahteraan dengan emas dan perak, atau
harta benda, sebagai ukuran yang berlaku secara umum. Merkantilisme
menekankan pentingnya negara untuk memperoleh logam berharga sebanyak-
banyaknya (Cho dan Moon, 2003:3). Sementara pandangan merkantilisme dalam
hal perdagangan menurut Salvatore (2014:23), yaitu lebih banyak melakukan
ekspor dan menekan impor sesedikit mungkin adalah satu satunya jalan untuk
menjadi negara kaya. Para kaum merkantilisme beranggapan bahwa negara yang
kaya adalah negara yang paling banyak memiliki cadangan emas dan logam mulia.
Melalui kebijakan mengakumulasi logam berharga atau paham emas lantakan
(bullionisme), kemudian diterjemahkan dalam upaya mendorong impor dan
melarang ekspor emas lantakan. Kebijakan ini berkembang menjadi pengaturan
dalam perdagangan internasional untuk mencapai neraca perdagangan yang
menguntungkan. Kelebihan ekspor dibandingkan dengan impor akan dibayarkan
dalam bentuk emas dan perak. Dasar pemikiran bahwa negara yang memproduksi
lebih banyak barang untuk diekspor akan menghasilkan neraca perdagangan positif,
41
akan mendapatkan aliran masuk emas lantakan. Selanjutnya kebijakan tersebut
beralih untuk mendorong produk domestik (Cho dan Moon, 2003:3).
Pada periode berlakunya paham merkantilisme, kebijakan pajak bersifat
penting. Negara dapat mencapai tujuannya dengan menurunkan pajak untuk ekspor
dan memberlakukan tarif yang tinggi atas impor. Meskipun pajak secara tidak
langsung sering dibebankan pada bidang yang tidak berkaitan dengan ekspor.
Adanya tarif yang tinggi pada produk yang diimpor akan menyebabkan industri
yang diproteksi akan berkembang pesat. Kebijakan lainnya adalah memberikan
monopoli pada sektor industri tertentu, seperti manufaktur kaca dan kertas, serta
pertambangan tembaga. Akan tetapi, kebijakan ini sering disalahgunakan dan
kurang bermanfaat bagi struktur industri (Cho dan Moon, 2003:4).
2.5 Kointegrasi
Definisi kointegrasi Rosadi (2012:200) adalah komponen-komponen dari
vektor dikatakan berkointegrasi dalam orde d,b atau ditulis
~CI (d,b) apabila berlaku (a). Semua komponen dari merupakan proses
integrated order d atau I(d) dan (b). Terdapat vektor α = (α1,α2,...,αk)(≠0) sehingga
demikian Vektor α sering disebut sebagai vektor
kointegrasi. Kegunaan kointegrasi menjadi penting dalam menganalisis data yang
mengandung akar unit, karena dengan konsep ini dapat diamati hubungan jangka
panjang dari variabel-variabel yang tidak stasioner.
42
Data tidak stasioner seringkali menunjukkan hubungan ketidakseimbangan
dalam jangka pendek, akan tetapi ada kecenderungan terjadinya hubungan jangka
panjang. Ada atau tidaknya hubungan jangka panjang dalam sebuah variabel
ekonomi yang diteliti, maka berkaitan erat dengan uji kointegrasi (Widarjono,
2013:305). Satu set variabel disebut berkointegrasi jika kombinasi linier dari
variabel-variabel tersebut adalah stasioner. Terdapat banyak data tidak stasioner
bergerak bersama sepanjang waktu, yang dipengaruhi oleh beberapa faktor artinya
data tersebut terikat dalam suatu hubungan jangka panjang. Hubungan kointegrasi
juga bisa dilihat sebagai sebuah fenomena jangka panjang, dengan kemungkinan
variabel-variabel yang berkointegrasi tersebut bisa terdeviasi dari hubungan jangka
pendek, tetapi hubungannya akan kembali dalam jangka panjang (Hakim,
2014:204).
2.6 Stasioneritas Data Time Series
Pada umumnya data time series adalah tidak stasioner. Data time series
merupakan sekumpulan nilai suatu variabel yang diambil pada waktu yang berbeda.
Setiap data dikumpulkan secara berkala pada interval waktu tertentu seperti harian,
mingguan, bulanan dan tahunan (Nachrowi dan Usman, 2006:339). Data yang
dikumpulkan pada interval waktu tertentu tersebut bersifat random, karena
merupakan data dari hasil proses stokastik. Suatu data dikatakan stasioner jika
memenuhi tiga kriteria yaitu jika rata-rata, varian dan kovarian pada setiap lag
adalah konstan sepanjang waktu. Apabila data time series tidak memenuhi kriteria
tersebut, maka data dikatakan tidak stasioner (Widarjono, 2013:307). Pentingnya
43
stasioneritas dalam analisis data time series adalah sebagai berikut (Hakim,
2014:190) :
1. Stasioneritas sebuah series sangat berpengaruh terhadap perilaku series tersebut.
Contoh, jika sebuah guncangan (shock) yang stasioner akan semakin mengecil
seiring berjalannya waktu maka hal tersebut bisa diterima oleh nalar, dan jika
tidak stasioner maka sebaliknya.
2. Penggunaan data tidak stasioner akan mengakibatkan spurious regression
(regresi palsu) atau hasil regresi meragukan. Regresi palsu adalah sebuah situasi
dimana hasil regresi menunjukkan koefisien regresi yang signifikan secara
statistik dan memiliki nilai determinasi yang tinggi, namum tidak saling
berhubungan antar variabel didalam model.
3. Jika variabel yang ada dalam model regresi tidak stasioner, bisa dibuktikan
bahwa asumsi standar untuk analisis asymptotic tidak akan valid, atau dengan
kata lain nilai rasio t yang biasa tidak akan mengikuti distribusi t, dan nilai F
statistik tidak akan mengikuti distribusi F dan seterusnya.
Pada analisis time series, asumsi stasioneritas data merupakan sifat yang
penting. Pada model stasioner, sifat-sifat statistik dimasa yang akan datang dapat
diramalkan berdasarkan data historis yang telah terjadi dimasa lalu. Pengujian
stasioneritas data time seriesdapat dilakukan dengan beberapa cara seperti,
menggunakan plot fungsi autokorelasi (Autocorrelation/ACF) dan plot fungsi
autokorelasi parsial (Partial Autocorrelation/PACF), uji unit root dengan
menggunakan metode Dickey-Fuller, Augmented Dickey Fuller dan Philip-Person
(Rosadi, 2012:38).
44
2.7 Analisis Vector Autoregression (VAR)/ Vector Error Correction Model
(VECM)
Menurut Nachrowi (2006:289) adanya hubungan yang simultan antar
variabel yang diamati perlu diperlakukan sama, sehingga tidak ada lagi variabel
endogen dan eksogen konsep ini disebut Vector Autoregression (VAR). Model
VAR adalah model persamaan regresi dengan menggunakan data time series.
Model VAR dibangun dengan pertimbangan meminimalkan pendekatan teori yang
bertujuan agar mampu menangkap fenomena ekonomi dengan baik, maka dari itu
model VAR disebut juga sebagai model non struktural atau tidak teoritis. VAR
merupakan salah satu model yang mampu menganalisis hubungan saling
ketergantungan dalam variabel time series. Kegunaan model VAR adalah untuk
analisis dinamis data time seriesmeliputi analisis penting seperti peramalan,
impulse response, variance decomposition dan uji kausalitas (Widarjono,
2013:332). Pada model VAR yang perlu diperhatikan hanya ada dua hal yaitu :
1. Tidak perlu membedakan variabel endogen (dependen) dan eksogen
(independen). Semua variabel baik endogen maupun eksogen dipercaya saling
berhubungan maka perlu dimasukkan ke dalam model.
2. Untuk melihat hubungan antar variabel didalam VAR, maka membutuhkan
sejumlah kelambanan variabel yang ada. Kelambanan variabel diperlukan untuk
menangkap efek dari variabel tersebut terhadap variabel yang lain didalam
model.
Pada model VAR menganggap bahwa semua variabel ekonomi adalah
saling tergantung dengan yang lain. Pembentukan model VAR sangat erat
45
kaitannya dengan stasioneritas data dan kointegrasi antar variabel didalamnya.
Menurut Widarjono (2013:334) terdapat 2 model bentuk VAR non struktural, yang
pada umumnya digunakan yaitu,VAR unrestricted dan restricted VAR atau dikenal
dengan Vector Error Correction Model (VECM), yang dijelaskan sebagai berikut :
1. Unrestricted VAR
Terestriksi atau tidaknya bentuk VAR sangat erat kaitannya dengan ada atau
tidaknya kointegrasi didalam model VAR non struktural. Model VAR biasa
(unrestricted VAR) atau dikenal juga dengan VAR in level digunakan ketika data
sudah stasioner pada level dan tidak perlu melakukan uji kointegrasi karena variabel
dipastikan memiliki hubungan kointegrasi. Namun, jika data tidak stasioner perlu
melakukan uji stasioneritas data pada tingkat deferensi dan jika data stasioner pada
tingkat diferensi, tetapi variabelnya tidak terkointegrasi dikenal dengan model VAR
in difference (Widarjono, 2013:334).
2. Vector Error Correction Model (VECM)
Model VECM merupakan model terestriksi (restricted VAR) karena adanya
kointegrasi yang menunjukkan terdapatnya hubungan jangka panjang antar variabel
didalam model. Model VECM digunakan dalam model VAR non struktural apabila
data time series tidak stasioner pada level, tetapi stasioner pada level diferensi dan
terkointegrasi, sehingga menunjukkan adanya hubungan teoritis antar variabel.
Spesifikasi VECM merestriksi hubungan perilaku jangka panjang antar variabel
yang ada agar konvergen ke dalam hubungan kointegrasi, namun tetap membiarkan
perubahan-perubahan dinamis dalam jangka pendek. Terminologi kointegrasi ini
dikenal sebagai koreksi kesalahan karena jika terjadi deviasi terhadap
46
keseimbangan jangka panjang akan dikoreksi secara bertahap melalui penyesuaian
parsial jangka pendek secara bertahap (Widarjono, 2013:334).
2.8 Impulse Response Function (IRF)
Metode IRF digunakan untuk menentukan respons suatu variabel endogen
terhadap suatu guncangan (shock) tertentu. Hal ini dikarenakan shock variabel
misalnya ke-i tidak hanya berpengaruh terhadap variable ke-i itu saja, tetapi
ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis
atau struktur lag dalam VAR. karena itu, IRF juga dapat mengukur pengaruh suatu
shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan
dimasa yang akan datang. (Firdaus, 2011:157).
2.9 Variance Decomposition (FEVD)
Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu
variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh
variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur
dinamis dalam model VAR/VECM, dimana dalam metode ini dapat dilihat
kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel
lainnya dalam kurun waktu yang panjang. Jadi, FEVD dapat diketahui secara pasti
faktor- faktor yang memengaruhi fluktuasi terhadap perubahan dari variabel
tertentu (Firdaus, 2011:158).
47
2.10 Penelitian Terdahulu
Praditya, A (2012) penelitiannya berjudul Analisis Pengaruh Capital Inflow
Terhadap Nilai Tukar Rupiah dengan menggunakan Model Vector Autoregressive
(VAR) dan Vector Error Correction Model (VECM). Penelitian ini bertujuan untuk
mengetahui apakah terdapat pengaruh/hubungan antara Capital Inflow dan nilai
tukar rupiah menggunakan metode VAR/VECM. Panjang deret waktu yang
digunakan dari tahun 1986 sampai 2010, dan menunjukkan terjadinya fluktuasi
antara Capital Inflow dan nilai tukar rupiah. Hasil analisis uji stasioneritas
menunjukkan data stasioner pada level first difference. Panjang lag optimal yang
digunakan pada penelitian ini berada pada lag 1 dengan nilai AIC sebesar 17.84183
dan setelah dilakukan uji kointegrasi Johansen menunjukkan Capital Inflow dan
nilai tukar rupiah saling mempengaruhi artinya terdapat hubungan kausalitas dua
arah pada kedua variabel tersebut. Hasil uji kointegrasi menunjukkan bahwa antara
pergerakan Capital Inflow dan nilai tukar rupiah memiliki hubungan keseimbangan
dalam jangka panjang yang artinya saling terkointegrasi, sehingga estimasi yang
akan digunakan adalah VECM. Hasil estimasi VECM menunjukkan terjadi
peningkatan Capital Inflow sebesar satu satuan akan meningkatkan nilai tukar
rupiah sebesar 2,024980 satu satuan, hal ini menunjukkan bahwa adanya pengaruh
antara Capital Inflow terhadap nilai tukar. Model VECM memiliki nilai modulus <
1 maka model dikatakan stabil. Analisis IRF dan FEVD menunjukkan respon dari
masing-masing variabel terhadap guncangan yang berasal dari dirinya sendiri
cukup signifikan.
48
Pranyoto (2017) penelitiannya berjudul Analisis Kointegrasi dan Kausalitas
Granger Tingkat Suku Bunga Simpanan, Perubahan Nilai Tukar Rp/USD dan
Return Pasar Saham di Bursa Efek Indonesia. Penelitian ini bertujuan untuk melihat
apakah terdapat hubungan keseimbangan jangka pendek dan jangka panjang dari
data runtun waktu tingkat suku bunga simpanan, perubahan nilai tukar Rp/USD dan
return pasar saham di Bursa Efek Indonesia sebelum dan sesudah krisis moneter
Indonesia. Panjang deret waktu yang digunakan Januari 1993-Desember 2015
sebagai acuan untuk meramalkan periode Januari 2016-Desember 2025. Hasil
analisis uji stasioneritas menggunakan ADF, PP dan KPSS menunjukkan semua
data stasioner pada level first difference. Uji kointegrasi menunjukkan adanya
hubungan keseimbangan jangka panjang yang terjadi diantara return saham, tingkat
suku bunga simpanan dan kurs nilai tukar pada Bursa Efek Indonesia. Return saham
memiliki dampak jangka pendek dan jangka panjang terhadap kurs nilai tukar di
pasar modal Indonesia. Hasil estimasi VECM menunjukkan bahwa adanya
hubungan dan signifikansi pengaruh antara variabel tingkat suku bunga simpanan
dan kurs nilai tukar terhadap return saham di Bursa Efek Indonesia periode 1993-
2015. Nilai variance decomposotion menunjukkan respon cukup besar hubungan
antara return saham, kurs nilai tukar dan tingkat suku bunga simpanan selama 10
tahun kedepan terhadap guncangan berasal dari variabel itu sendiri.
Anggraeni dkk (2017) penelitiannya berjudul Model Vector Autoregressive
(VAR) untuk Meramalkan Jumlah Pengadaan Beras (Studi Kasus : Jawa Timur).
Penelitian ini bertujuan untuk meramalkan pengadaan beras oleh Bulog Jawa Timur
sebagai tindakan antisipasi dalam ketidakpastian permintaan dengan melibatkan
49
variabel yang mempengaruhinya seperti harga beras, realisasi pengadaan beras,
harga pembelian pemerintah, harga gabah kering giling dan juga stok beras.
Panjang deret waktu yang digunakan yaitu Januari 2011-Desember 2015 sebagai
acuan untuk meramalkan selama 12 bulan kedepan periode Januari-Desember
2016. Hasil uji stasioneritas ADF menunjukkan bahwa kelima variabel tersebut
telah stasioner pada tingkat first difference. Hasil uji kointegasi Johansen
menunjukkan bahwa minimal ada 3 persamaan kointegrasi yang dapat dibentuk dan
hasil uji hipotesis nilai Eigen maksimum, nilai probability untuk masing-masing
hipotesis lebih besar dari α=5%, ini menunjukkan bahwa berdasarkan nilai Eigen
maksimum tidak ada persamaan kointegrasi yang terjadi, dari kedua parameter uji
tersebut ternyata menunjukkan hasil yang berbeda, maka metode yang digunakan
adalah VECM. Uji lag optimum menunjukkan lag optimum dengan nilai AIC
terkecil sebesar 83.40229. Terdapat beberapa hubungan kausalitas jangka pendek,
diantaranya: harga dasar pembelian beras dengan harga beras, stok dengan harga
dasar pembelian beras, harga dasar pembelian beras dengan harga gabah, harga
dasar pembelian beras terhadap realisasi pengadaan beras, harga dasar pembelian
beras terhadap stok. Respon dari masing-masing variabel terhadap guncangan yang
berasal dari diri sendiri cukup signifikan karena terjadi fluktuasi. Secara umum,
analisis kedepan baik dalam jangka pendek maupun jangka panjang anatara harga
beras, HDPB, harga gabah, realisasi pengadaan beras dan stok saling
mempengaruhi. Hasil peramalan menunjukkan bahwa memiliki nilai MAPE
<30%., artinya hasil ramalan akurat
50
Oktaviani, M (2019) Penelitiannya berjudul Peramalan Penjualan The Hijau
Pada Tahun 2020 di PT Rumpun Sari Kemuning 1, Karanganyar, Jawa Tengah
menggunakan Metode Vector Error Correction Model (VECM). Panjang deret
waktu yang digunakan Januari 2007- Juni 2019. Hasil analisis uji stasioneritas
menunjukkan data stasioner pada level first difference. Hasil uji lag optimum
menunjukkan nilai FPE dan SIC yang terkecil terdapat pada lag 2 yaitu FPE sebesar
6.39e+41 dan AIC sebesar 113 sehingga dalam pengujian kointegrasi dan dalam
mengestimasi model VECM nantinya akan menggunakan lag 2. Hasil uji
kointegrasi Johansen menunjukkan terdapat 5 persamaan kointegrasi pada taraf 5%.
Hasil uji kausalitas Granger menunjukkan bahwa kausalitas satu arah dengan taraf
<5% terjadi pada variabel keringan murni berpengaruh terhadap penjualan chun
mee, chun mee berpengaruh terhadap penjualan kempring, lokal 2 berpengaruh
terhadap penjualan kempring, lokal 2 berpengaruh terhadap penjualan dust,
kempring berpengaruh terhadap penjualan dust dan tulang berpengaruh terhadap
penjualan dust. Pada uji kausalitas Granger dua arah dengan taraf <5% terjadi pada
variabel lokal 2 yang berpengaruh terhadap penjualan chun mee begitupun
sebaliknya chun mee berpengaruh terhadap penjualan lokal 2. Hasil ramalan
penjualan dengan menggunakan IRF untuk periode Juli 2019-Desember 2020
mendatang, menunjukkan bahwa respon negative dari jenis teh hijau chun mee,
keringan murni, lokal 2, kempring, dust dan tulang bernilai negatif akibat
guncangan (shock)dari keringan murni sehingga terjadi penurunan penjualan
hampir pada setiap jenis teh hijau, sedangkan terjadi peningkatan penjualan hampir
pada semua teh hijau karena direspon positif akibat guncangan (shock) dari chun
51
mee, lokal 2 dan tulang. Hasil ramalan menggunakan FEVD untuk periode Juli
2019-Desember 2020, menunjukkan penjualan jenis teh hijau chun mee, keringan
murni, lokal 2, kempring, dust dan tulang cenderung menurun yang pengaruhnya
didominasi oleh jenis teh hijau itu sendiri dan pengaruh jenis teh hijau lain, untuk
chun mee yang paling kuat adalah keringan murni, keringan murni yang paling kuat
adalah lokal 2, lokal 2 yang paling kuat adalah chun mee, kempring yang paling
kuat adalah lokal 2, dust yang paling kuat adalah chun mee dan tulang yang paling
kuat adalah lokal 2.
Akbar dkk (2016) penelitiannya berjudul Analisis Integrasi Pasar Bawang
Merah menggunakan Metode Vector Error Correction Model (VECM) (Studi
Kasus : Harga Bawang Merah di Provinsi Jawa Tengah). Panjang deret waktu yang
digunakan Januari 2010-Februari 2016. Hasil analisis uji stasioneritas
menunjukkan data stasioner pada level first difference. hasil uji lag optimum
menunjukkan nilai AIC dan SIC yang terkecil terdapat pada lag 1 yaitu sebesar
93,885 dan 95,006, sehingga dalam pengujian kointegrasi dan dalam mengestimasi
model VECM nantinya akan menggunakan lag 1. Hasil uji kointegrasi Johansen
menunjukkan terdapat 2 persamaan kointegrasi pada taraf 5%. Estimasi model
VECM menunjukan bahwa cukup signifikan pengaruh pasar di kab. Brebes
terhadap ke 4 wilayah yaitu kab. Pemalang, kota Semarang, kota Salatiga dan kota
Surakarta. Begitu juga cukup seignifikan pengaruh pasar di kota Tegal terhadap ke-
3 wilayah yaitu kota Semarang, kota Salatiga dan kota Surakarta. Hasil uji
kausalitas Granger menunjukkan hanya pada kota Semarang hubungan kausalitas
terbentuk yaitu hubungan kausalitas satu arah dari harga bawang merah grosir ke
52
harga bawang merah konsumen. Hasil analisis model sudah memenuhi asumsi
independensi residual,asumsi normalitas multivariat dan memiliki nilai MAPE =
(21,68% 24,87% 13,72% 23,74% 24,82% 21,71%) dimana model tersebut masih
cukup baik jika nantinya digunakan untuk peramalan. Berikut ini persamaan dan
perbedaan dari penelitian terdahulu yang penulis gunakan sebagai referensi
penulisan pada penelitian ini, dapat dilihat pada Tabel 3.
53
Tabel 3. Persamaan dan Perbedaan dengan Peneliti Terdahulu
No Peneliti Persamaan Perbedaan
1 Agung
Praditya
(2012)
-Menggunakan uji
kointegrasi Johansen,
kausalitas Granger,
IRF dan FEVD
- Menggunakan Metode VECM
-Variabel penelitiannya yaitu Capital
Inflow dan nilai tukar rupiah.
-Panjang deret waktu tahun 1986 - 2010
2 Anggraeni
dkk (2017)
-Menggunakan uji
kointegrasi Johansen.
Kausalitas Granger
dan FEVD.
- Menggunakan Metode VECM
-Variabel penelitiannya yaitu harga beras
(HB), harga dasar pembelian beras
(HDPB), harga gabah kering giling (HG),
realisasi pengadaan beras (RPB)dan stok
beras.
-Panjang deret waktu Januari 2011-
Desember 2015.
3 Pranyoto
(2017)
-Menggunakan uji
kointegrasi Johansen
kausalitas Granger
dan FEVD.
- Menggunakan Metode VECM
-Variabel penelitiannya yaitu indeks harga
saham gabungan (IHSG), tingkat suku
bunga simpanan dan perubahan nilai tukar
Rp/USD.
-Panjang deret waktu Januari 1993-
Desember 2015.
4 Mutiara
Oktaviani
(2019)
-Menggunakan uji
kointegrasi Johansen
dan kausalitas
Granger, IRF, FEVD
- Menggunakan Metode VECM
-Variabel penelitiannya yaitu harga
penjualan 7 jenis teh hijau PT. Rumpun
Sari Kemuning 1 yaitu chun mee,
keringan murni, lokal 2, kempring, faning,
dust dan tulang.
-Panjang deret waktu yaitu periode januari
2007- Juni 2019
54
5 Akbar dkk
(2016)
-Menggunakan uji
kointegrasi Johansen
dan kausalitas
Granger.
- Menggunakan Metode VECM
-Melakukan analisis integrasi pasar.
-Variabel penelitiannya yaitu harga
penjualan bawang merah tingkat grosir
dan konsumen diProvinsi Jawa Tengah
yang meliputi kab.Brebes, kota Tegal,
kab.Pemalang, kota Semarang, kota
Surakarta dan kota Salatiga.
-Panjang deret waktu Januari 2010-
Februari 2016.
2.11 Kerangka Pemikiran Operasional
Jahe merupakan salah satu komoditas pertanian yang menjadi komoditas
unggulan di Indonesia. Indonesia merupakan negara penghasil/produsen jahe ke
enam di dunia setelah Cina, India, Belanda, Nigeria, Nepal (FAO, 2018). Seperti
Cina, Belanda dan India,ekpor jahe Indonesia cenderung mengalami peningkatan
selama periode tahun 2008-2017 (Badan Pusat Statistik, 2018),
Permintaan jahe dunia berfluktuatif dan tidak seimbang membuat Indonesia
sulit mengetahui penurunan dan peningkatan ekspor jahe di Indonesia sehingga
sering tidak tercapainya target yang telah ditetapkan. Perkembangan dunia usaha
yang begitu cepat juga mengharuskan Indonesia untuk mampu mengetahui berbagai
kemungkinan yang akan terjadi dimasa yang akan datang dengan memahami
informasi dari negara pesaing utama jahe. Sehingga dibutuhkannya analisis
hubungan dan pengaruh ekspor jahe Indonesia, Cina, India, Belanda. Dengan
adanya analisis hubungan dan pengaruh tersebut, Indonesia dapat melihat hubungan
dan pengaruh antar negara dalam jangka panjang. Hubungan dan pengaruh antar
55
negara pada proses ekspor, terkadang dapat menyebabkan penuruan maupun
peningkatan ekspor di Indonesia, dengan begitu Indonesia dapat mengetahui
permintaan dunia akan jahe Indonesia.
Data ekspor jahe Indonesia, Cina, India, dan Belanda, 60 periode dari
Januari 2013 - Desember 2017 digunakan sebagai dasar dalam analisis hubungan
dan pengaruh. Tahap pertama melakukan uji stasioneritas data dengan
menggunakan uji akar unit Augmented Dickey Fuller (ADF) dan data dikatakan
stasioner pada taraf kepercayaan 1%, 5% dan 10%. Apabila data sudah stasioner
pada salah satu taraf kepercayaan tersebut, maka model yang digunakan adalah
VAR, sedangkan jika data stasioner pada level first difference atau dengan kata
lain tidak stasioner perlu dilakukan uji kointegrasi untuk melihat apakah 4 negara
terlibat dalam hubungan keseimbangan jangka panjang. Apabila terdapat
kointegrasi maka model yang tepat digunakan adalah VECM, jika tidak
terkointegrasi disebut VAR in difference.
Setelah mengetahui model yang digunakan VAR/VECM, tahap selanjutnya
sama yaitu melakukan uji lag optimum, uji stabilitas model, uji kausalitas Granger,
estimasi model VAR/VECM, setelah itu Impulse Response Function (IRF) dan
Forecast Error Variance Decomposition (FEVD). Berikut ini kerangka pemikiran
yang secara garis besar penulis gambarkan dapat dilihat pada Gambar 13.
56
Ya Tidak
Ya Tidak
Menganalisis hubungan Ekspor Jahe (Indonesia, Cina, India, Belanda)
serta pengaruhnya bagi ekspor Jahe Indonesia
Data Ekspor Jahe (Indonesia, Cina, India, Belanda)
periode Januari 2013-Des 2017
Perdagangan Internasional
Ekspor Jahe (Indonesia, Cina, India, Belanda)
Uji
Stasioner
Stasioner
pada level
VAR
Stasioner
pada first
difference
Uji
Kointegrasi
rasi
VECM VAR
First
Difference
Gambar 13. Alur Kerangka Pemikiran
Hubungan Ekspor Jahe (Indonesia, Cina, India, Belanda)
periode Januari 2013-Des 2017
1. Uji Lag Optimum 3. Uji Kausalitas Granger
2. Uji Stabilitas Model 4. Estimasi VAR/ VECM
IRF & FEVD
Pengaruh Shock/guncangan Peningkatan Ekspor Jahe Cina, India, Belanda terhadap
Ekspor Jahe Indonesia dan Perubahan Ekspor Jahe Indonesia, Cina, India, Belanda
periode Januari 2018-Des 2024
Kesimpulan
57
BAB III
METODOLOGI PENELITIAN
3.1 Waktu Penelitian
Penelitian mengenai analisis peramalan ekspor jahe Indonesia dengan
negara pesaing utama di pasar Internasional dilakukan dengan cara menghimpun
data dari beberapa instansi-instansi yang terkait dengan penelitian. Instansi-instansi
tersebut meliputi Kementerian Pertanian Republik Indonesia (Dirjen Hortikultura),
Kementerian Perdagangan Republik Indonesia, Badan Pusat Statistik, UN
Comtrade, The Food and Agriculture Organization (FAO) dan instansi-instansi
lainnya yang menunjang penelitian serta penelitian-penelitian terdahulu.
Pelaksanaan penelitian dilakukan pada bulan Juli - Desember tahun 2019.
3.2 Variabel Penelitian
Terdapat 4 variabel penelitian yang digunakan dalam analisis peramalan
ekspor jahe, dengan panjang deret waktu 60 bulan dari periode Januari 2013 -
Desember 2017. Variabel-variabel penelitian tersebut adalah sebagai berikut :
1. Indonesia (IDN)
Indonesia merupakan suatu variabel besarnya ekspor jahe Indonesia pada
suatu periode waktu. Besar ekspor jahe Indonesia diketahui dengan melihat data
ekspor pada periode sebelumnya (IDNt-1) yang digunakan untuk mengetahui
besarnya ekspor pada periode mendatang (IDNt+1)
58
2. Cina (CHN)
Cina merupakan suatu variabel besarnya ekspor jahe Cina pada suatu
periode waktu. Besar ekspor jahe Cina diketahui dengan melihat data ekspor pada
periode sebelumnya (CHNt-1) yang digunakan untuk mengetahui besarnya ekspor
pada periode mendatang (CHNt+1)
3. India (IND)
India merupakan suatu variabel besarnya ekspor jahe India pada suatu
periode waktu. Besar ekspor jahe India diketahui dengan melihat data ekspor pada
periode sebelumnya (INDt-1) yang digunakan untuk mengetahui besarnya ekspor
pada periode mendatang (INDt+1)
4. Belanda (NLD)
Belanda merupakan suatu variabel besarnya ekspor jahe Belanda pada suatu
periode waktu. Besar ekspor jahe Belanda diketahui dengan melihat data ekspor
pada periode sebelumnya (NLDt-1) yang digunakan untuk mengetahui besarnya
ekspor pada periode mendatang (NLDt+1)
3.3 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini dengan kode HS 091010
(Spices;Ginger) merupakan jenis data kuantitatif. Data kuantitatif yang digunakan
dalam penelitian meliputi data time series selama 60 bulan dari Januari 2013 hingga
Desember 2017. Data kuantitatif adalah jenis data yang dapat diukur (measurable)
59
atau dihitung secara langsung sebagai variabel angka atau bilangan (Widarjono,
2013:6).
Berdasarkan sumbernya, data yang digunakan dalam penelitian kali ini
adalah data sekunder. Data sekunder adalah data yang telah dikumpulkan oleh
pihak lain dan telah terdokumentasikan, sehingga peneliti tinggal menyalin dan
mengolah data tersebut untuk kepentingan penelitiannya (Widarjono, 2013:6). Data
sekunder yang digunakan dalam penelitian ini terdokumentasi di beberapa instansi
terkait seperti: Kementerian Pertanian Republik Indonesia (Dirjen Hortikultura),
Kementerian Pedagangan Republik Indonesia, Badan Pusat Statistik, Un Comtrade
dan The Food and Agriculture Organization (FAO). Adapun jenis data-data yang
digunakan dan instansi penunjang data yang terkait dalam penelitian ini dapat
dilihat pada Tabel 4 dengan kode HS 091010 (Spices;Ginger).
Tabel 4. Jenis dan Sumber Data
No Data Sekunder
Penelitian
Jenis Data Sumber Data
1 Volume ekspor jahe
Indonesia
(Jan 2013-Des 2017
000 ton)
Sekunder/ time series UN Comtrade
2 Volume ekspor jahe Cina
(Jan 2013-Des 2017
000 ton)
Sekunder/ time series UN Comtrade
3 Volume ekspor jahe
Belanda
(Jan 2013- Des 2017
000 ton)
Sekunder/ time series UN Comtrade
4 Volume ekspor jahe India
(Jan 2013-Des 2017
000 ton)
Sekunder/ time series UN Comtrade
60
3.4 Metode Pengumpulan Data
Metode pengumpulan data dengan menggunakan beberapa teknik
pengumpulan data meliputi :
1. Observasi
Pengamatan secara online mengenai data perdagangan Internasioanal
melalui UN Comtrade dengan melihat data perkembangan ekspor jahe.
2. Wawancara
Wawancara dilakukan dengan narasumber yang dipilih secara sengaja
(purposive), atas pertimbangan narasumber yang dipilih sangat mengetahui
perkembangan ekpor jahe Indonesia. Wawancara dilakukan secara bebas atau tidak
terstruktur hanya menggunakan poin-poin pertanyaan tertentu. Narasumber
penelitian ini adalah setiap kelapa departemen dari Departemen Perdagangan dan
Kepala Departemen Hortikultura.
3. Studi pustaka
Literatur-literatur penulisan penelitian diperoleh dari beragam referensi
buku-buku terkait peramalan kointegrasi, referensi penelitian terdahulu berupa
jurnal-jurnal dan skripsi terkait peramalan kointegrasi yang diperoleh melalui
internet.
3.5 Metode Pengolahan Data
Metode pengolahan data dibantu dengan program aplikasi Microsoft Excel
2010 dan Eviews 10. Tahap pengolahan data dimulai dari input data ekspor jahe
61
Indonesia, Cina, India, dan Belanda periode Januari 2013-Desember 2017 ke dalam
bentuk tabel dengan aplikasi Microsoft Excel 2010, data yang telah selesai diinput
nantinya akan digunakan sebagai dasar pengolahan data pada aplikasi Eviews 10.
Langkah selanjutnya menggunakan aplikasi Eviews 10.
Langkah awal analisis VAR/VECM pada aplikasi Eviews 10, dimulai dari
uji stasioneritas data pada ekspor masing-masing negara, apabila data sudah
stasioner pada level kepercayaan 1%, 5%, 10%, maka model yang digunakan
adalah VAR, sedangkan apabila data stasioner pada first difference (pembeda
pertama) maka model yang digunakan adalah VECM. Setelah mengetahui model
yang digunakan VAR/VECM tahap selanjutnya adalah sama yaitu, melakukan
pembentukan model VAR, uji lag optimum, uji stabilitas VAR. Setelah lag
optimum diperoleh dan model VAR stabil, gunakan lag optimum tersebut untuk
tahap analisis selanjutnya mulai dari uji kointegrasi Johansen jika model yang
terpilih VECM, lalu setelah itu uji kausalitas Granger, estimasi model VAR/VECM,
Impulse Response Function (IRF) dan Forecast Error Variance decomposition
(FEVD).
3.6 Metode Analisis Data
Metode analisis data dilakukan secara kuantitatif untuk mengetahui
hubungan dan pengaruh ekspor antar negara. Langkah-langkah analisis dan
pengolahan data dijelaskan sebagai berikut.
62
3.6.1 Uji Stasioneritas
Asumsi yang harus terpenuhi dalam analisis times series adalah stasioneritas
data. Uji stasioneritas data ekspor jahe ke 4 negara menggunakan uji Augmented
Dickey Fuller (ADF) pada Eviews 10. Pengujian dilakukan dengan menguji
hipotesis H0 : ρ = 0 (terdapat unit root) dan H1 : ρ ≠ 0 (tidak terdapat unit root).
Persamaan regresi variabel Indonesia, Cina,India, dan Belanda pada first difference
dituliskan sebagai berikut :
∆IDNt= α + δt+ ρIDNt-1+ ∑ ∅jkj-1 ∆IDNt-j+et(1)
∆CHNt= α + δt+ ρCHNt-1+ ∑ ∅jkj-1 ∆CHNt-j+et(2)
∆INDt= α + δt+ ρINDt-1+ ∑ ∅jkj-1 ∆INDt-j+et(3)
∆NLDt= α + δt+ ρNLDt-1+ ∑ ∅jkj-1 ∆NLDt-j+et(4)
Keterangan :
ΔIDN, ΔCHN, ΔIND, ΔKNLD = Data ekspor jahe (Indonesia, Cina, India, Belanda
pada first difference
α, δ = Konstanta, tren
t-1 = Tahun sebelumnya
ρ = Lag (kelambanan)
e = Variabel ganguan lain
63
Prosedur penentuan data stasioner atau tidak dengan cara membandingkan
antara nilai statistik ADF dengan nilai kritis distribusi statistik Mackinnon. Apabila
nilai absolut statistik ADF > nilai kritis Mackinnon pada taraf kepercayaan 1%, 5%,
10%, artinya data stasioner pada level dan tidak perlu melakukan uji kointegrasi
karena variabel sudah terkointegrasi dan jika sebaliknya nilai absolut stastistik ADF
< nilai kritis Mackinnon artinya data tidak stasioner. Data yang tidak stasioner perlu
dilakukan first difference (pembeda pertama) agar menjadi stasioner, baik pada
setiap variabel ataupun salah satu variabel Indonesia, Cina, India, Belanda yang
tidak stasioner pada taraf kepercayaan 1%, 5%, 10% dan hal ini terus dilakukan
sampai memperoleh data yang stasioner pada derajat yang sama.
3.6.2 Uji Lag Optimum
Uji lag optimum digunakan untuk menentukan panjang lag yang optimum
didalam model VAR/VECM, untuk menangkap berapa lama pengaruh variabel
ekspor Indonesia, Cina, India, Belanda pada masa lalu dalam mempengaruhi ekspor
dimasa mendatang. Tahap awal yang dilakukan dengan membuat model VAR
terlebih dahulu agar diperoleh lag optimum dan stabilitas model VAR, maka model
VECM dapat dibentuk. Selanjutnya untuk menentukan panjang lag optimum,
diketahui dengan melihat lag yang paling banyak terdapat tanda bintang (*) pada
masing-masing kriteria Akaike Information Criterion (AIC), Schwartz Information
Criterion (SIC),Hannan-QuinCriterion (HQC), Likelihood Ratio (LR) maupun
Final Prediction Error (FPE) dengan nilai terkecil pada aplikasi Eviews 10. Salah
satu kriteria yang umumnya digunakan untuk menentukan panjang lag optimum
adalah AIC yang dituliskan dengan rumus :
64
AIC = 𝑒2𝑘/2 ∑ �̂�𝑖2̂
𝑛= 𝑒2𝑘/2 𝑆𝑆𝑅
𝑛(7)
Keterangan :
k = Jumlah parameter estimasi
n = Jumlah observasi ekspor jahe (60 obs)
e, �̂� = Residual
3.6.3 Uji Stabilitas Model VAR
Uji stabilitas model VAR pada variabel Indonesia, Cina, India, Belanda
digunakan untuk mengetahui model yang digunakan stabil atau tidak. Apabila
model VAR yang digunakan sudah stabil, maka hasil estimasi model dapat
dipercaya dan memiliki validitas data yang tinggi. Pada uji stabilitas model VAR
menggunakan lag optimum yang terpilih pada uji lag optimum. Penentuan model
VAR stabil apabila hasil estimasinya mendekati noldan inverse akar karakteristinya
memilikinilai modulus <1, apabilanilai modulus menunjukkan angka1, > 1 dapat
dipastikan bahwa model VAR tidak stabil atau dengan kata lain hasilestimasiVAR
diragukan. Hasil estimasi VAR yang akan dikombinasikan dengan VECM tidak
stabil, akanberdampak pada hasil Impulse Response Function (IRF) dan Forecast
Error Variance Decomposition (FEVD) yangmenjadi tidak valid.
3.6.4 Uji Kointegrasi
Uji kointegrasi Johansen digunakan untuk membuktikan bahwa variabel
Indonesia, Cina, India, Belanda yang tidak stasioner bukanlah regresi lancung
(spurious regression), melainkan regresi yang terkointegrasi, dengan syarat 4
65
negara yang tidak stasioner tersebut menghasilkan residual yang stasioner pada first
difference (pembeda pertama). Pengujian dilakukan dengan menguji hipotesis H0 :
r= r* < k (tidak memiliki hubungan kointegrasi) dan H1 : r= k (memiliki hubungan
kointegrasi). Pada uji kointegrasi menggunakan panjang lag optimum terpilih pada
uji lag optimum.
Terkointegrasi atau tidak terkointegrasi pada Johansen cointegration test
pada aplikasi Eviews 10, diketahui dengan cara membandingkan nilai trace statistic
dengan nilai 0,05 critical value. Apabila salah satu variabel ataupun setiap variabel
chun mee, keringan murni, lokal 2, kempring, dust dan tulang nilai trace statistic>
nilai 0,05 critical value artinya terdapat kointegrasi dan model yang digunakan pada
tahap selanjutnya adalah VECM, sedangkan jika sebaliknya nilai trace statistic<
nilai 0,05 critical valueartinya tidak terkointegrasi, maka model yang digunakan
VAR tingkat diferensi.
3.6.5 Uji Kausalitas Granger
Uji kausalitas Granger digunakan untuk melihat ada atau tidaknya hubungan
kausalitas satu arah ataupun dua arah antar variabel Indonesia, Cina, India, dan
Belanda dalam model VAR/VECM. Caranya dengan melihat dari nilai probabilitas
variabel Indonesia, Cina, India, Belanda pada salah satu taraf kepercayaan yang
digunakan yakni < 1%, 5%, 10%, artinya terdapat hubungan kausalitas. Pada uji
kausalitas Granger harus dimasukkan lag optimum yang dari diperoleh dari uji lag
length criteria pada tahap sebelumnya.
66
3.6.6 Estimasi VAR/VECM
Estimasi VAR dapat digunakan apabila variabel Indonesia, Cina, India,
Belanda stasioner pada level kepercayaan 1%, 5%, 10% pada uji ADF, sedangkan
estimasi VECM dapat digunakan apabila variabel Indonesia, Cina, India, Belanda
stasioner pada first difference dan terkointegrasi. Spesifikasi model VAR meliputi
dua hal yaitu pemilihan variabel endogen dan penentuan panjangnya kelambanan
setiap variabel endogen. Ada tiga kemungkinan hasil identifikasi yaitu tidak
teridentifikasi (under identified) terjadi jika jumlah informasi kurang dari jumlah
parameter yang diestimasi, tepat teridentifikasi (exactly identified) terjadi jika
jumlah informasi sama dengan jumlah parameter yang diestimasidan terlalu
teridentifikasi (over identified) terjadi jika jumlah informasi melebihi jumlah
parameter yang diestimasi.
Model VECM memiliki satu persamaan untuk setiap variabel negara
(sebagai variabel dependen), namun untuk setiap persamaan dimasukkan ECM.
Variabel negara (ekspor jahe) yang terdiri dari 4 variabel mengandung unit root dan
berkointegrasi persamaan model VECM nya dituliskan sebagai berikut.
IDNt = φ1+ δ1t + λ1et-1+ γ11∆IDNt-1+…+ γ1ρ∆IDNt-ρ+ω11∆CHNt-1
+…+ω1q∆NLDt-q+ε1t(5)
CHNt = φ2+ δ2t + λ2et-1+ γ21∆CHNt-1+…+ γ2ρ∆CHNt-ρ+ω21∆IDNt-1
+…+ω2q∆NLDt-q+ε2t(6)
67
INDt = φ3+ δ3t + λ3et-1+ γ31∆INDt-1+…+ γ3ρ∆INDt-ρ+ω31∆IDNt-1
+…+ω3q∆NLDt-q+ε3t(7)
NLDt = φ4+ δ4t + λ4et-1+ γ41∆NLDt-1+…+ γ4ρ∆NLDt-ρ+ ω41∆IDNt-1
+…+ω4q∆NLDt-q+ε4t(8)
Keterangan :
φ, δ, λ, γ = Parameter yang diestimasi
IDN = Indonesia
CHN = Cina
IND = India
NLD = Belanda
3.6.7 Impulse Response Function (IRF)
Analisis Impulse Response Function (IRF) dapat dilanjutkan setelah
melakukan estimasi model VAR/VECM dengan lag optimum yang terpilih. IRF
digunakan untuk melacak respon dari variabel Indonesia, Cina, India, dan Belanda
pada periode Jan 2018-Desember 2024 mendatang, karena adanya guncangan
(shock)dari variabel itu sendiri maupun variabel yang lain. Respon jangka panjang
dari setiap variabel dapat dilihat apabila ada guncangan (shock) tertentu sebesar satu
standar deviasi (±) pada setiap persamaan.
68
3.6.8 Forecast Error Variance Decomposition (FEVD)
Analisis Forecast Error Variance Decomposition (FEVD) menggambarkan
relatif pentingnya setiap variabel didalam sistem VAR karena adanya guncangan
(shock). FEVD berguna untuk memprediksi kontribusi persentase varian setiap
variabel Indonesia, Cina, India, dan Belanda karena adanya perubahan variabel ke
4 negara (ekspor jahe) dalam sistem VAR sepanjang periode Jan 2018-Desember
2024 mendatang. Dengan Analisis Forecast Error Variance Decomposition dapat
diketahui secara pasti faktor-faktor yang memberikan pengaruh paling signifikan
terhadap perubahan dari variabel teh hijau tertentu.
3.7 Definisi Operasional
Definisi operasional yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Jahe segar adalah jahe utuh yang tidak diolah tanpa ditumbuk atau dihancurkan.
2. Ekspor jahe Indonesa adalah banyaknya jahe segar yang di ekspor Indonesia
dalam satuan ton
3. Ekspor jahe Cina adalah banyaknya jahe segar yang di ekspor Cina dalam satuan
ton
4. Ekspor jahe India adalah banyaknya jahe segar yang di ekspor India dalam
satuan ton
5. Ekspor jahe Belanda adalah banyaknya jahe segar yang di ekspor Belanda dalam
satuan ton
69
6. Data time series adalah data ekspor jahe masing-masing negara yang
dikumpulkan perbulan dari periode Januari 2013 - Desember 2017.
7. Data stasioner adalah data ekspor masing-masing negara yang memiliki nilai
rata-rata konstan atau tetap disepanjang waktu.
8. Differences (pembeda) adalah suatu langkah untuk menstasionerkan data ekspor
jahe apabila data yang dimiliki tidak stasioner, dengan membuat deret waktu
baru dalam pembedaan yang beruntutan.
9. Hubungan antar negara (ekspor jahe) adalah besarnya nilai salah satu negara
dalam hubungan antar negara (ekspor jahe) yang satu dengan negara yang lain.
10. Pengaruh antar negara (ekspor jahe) adalah besarnya nilai salah satu negara
dalam mempengaruhi negara yang lain.
70
BAB IV
GAMBARAN UMUM
4.1 Perkembangan Jahe Indonesia
4.1.1 Perkembangan Produksi dan Luas Jahe Indonesia
Produksi jahe Indonesia telah dimulai dilakukan sejak awal abad ke 20. Pada
periode 10 tahun terakhir, perkembangan produksi jahe Indonesia cenderung
mengalami peningkatan, pada tahun 2008-2016 produksi jahe Indonesia terus
mengalami peningkatan, yaitu dari sebesar 154.963,8 ton pada tahun 2008 hingga
menjadi 340.341 ton pada tahun 2016. Namun pada tahun 2017 produksi jahe
Indonesia mengalami penururan sebesar 36,3 % dengan produksi jahe sebesar
216.586,6 ton. Prduksi jahe Indonesia dapat dilihat pada Gambar 14.
Gambar 14. Produksi Jahe Indonesia Tahun 2008-2017 Sumber : Badan Pusat Statistik (2018) (diolah)
0
50000
100000
150000
200000
250000
300000
350000
400000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ton
71
Berdasarkan hasil data yang diolah dari BPS tahun 2018, selama periode
tahun 2013 hingga 2017 rata-rata luas panen jahe nasional dapat mencapai
89.157.424 m² /tahun. Perkembangan luas panen jahe nasional selama kurun waktu
10 tahun tersebut cenderung mengalami penurunan. Hal ini dapat dilihat pada grafik
luas panen jahe nasional tahun 2008-2017 (gambar 15). Penurunan luas panen
terjadi dari tahun 2008 hingga tahun 2011, yakni dari 87.117.173 m² pada tahun
2008 terus menurun hingga 54.909.211 m² pada tahun 2011. Perkembangan luas
panen jahe Nasional dapat dilihat pada gambar 15.
Gambar 15. Perkembangan Luas Panen Jahe Nasional Tahun 2008-2017 Sumber : Badan Pusat Statistik (BPS), 2018 (diolah)
Peningkatan luas panen sempat terjadi pada tahun 2012 yakni menjadi
56.288.948 m² hingga puncaknya pada tahun 2015 mencapai 153.238.159 m². Akan
tetapi, penurunan luas panen kembali terjadi pada tahun 2016 yakni hanya seluas
129.317.472 m². Terus mengalami penurunan hingga tahun 2017, luas panen jahe
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ton
72
nasional hanya mencapai 105.560.126 m². Selisih penurunan luas panen dari tahun
2015 hingga tahun 2017, yakni sebesar 47.678.033 m².
4.1.2 Perkembangan Konsumsi dan Konsumen Jahe Indonesia
Dalam perkembangannya hampir 94% bahan baku industri jamu berasal dari
dalam negeri. Dari hasil perhitungan diperoleh data konsumsi beberapa produk
tanaman obat yang direpresentasikan dan dihitung berdasarkan pendekatan produksi
dan volume ekspor impor. Proyeksi permintaan merupakan proyeksi ketersediaan,
ketersediaan ini merupakan ketersediaan konsumsi seperti kebutuhan industri dan
rumah tangga. Konsumsi jahe Indonesia dari jenis jahe segar, menunjukan tren
meningkat selama 5 tahun terakhir. Dari tahun 2011 hingga tahun 2015 cenderung
naik sebesar 27,08%. Peningkatan jumlah konsumsi jahe di Indonesia dipengaruhi
oleh mulai sadarnya masyarakat untuk kembali menggunakan bahan bahan alami
yang dapat digunakan sebagai obat (back to nature).
Back to nature bukan hanya menjangkit pada pola konsumsi masyarakat,
namun sudah merambah juga ke sektor-sektor lain termasuk pengobatan. Secara
global juga sudah terjadi perubahan pola pengobatan masyarakat ke obat-obat
tradisional yang terbuat dari bahan alami. Tanaman obat sangat populer digunakan
sebagai bahan baku obat tradisional dan jamu, yang jika dikonsumsi akan
meningkatkan sistem kekebalan tubuh (immune system), karena tanaman ini
mempunyai sifat spesifik sebagai tanaman obat yang bersifat pencegahan (preventif)
dan promotif melalui kandungan metabolit sekunder seperti gingiro pada jahe
(Hernani, 2011:4). Konsumsi jahe Indonesia dapat dilihat pada gambar 16.
73
Gambar 16. Konsumsi Jahe Nasional Tahun 2011-2015 Sumber : Badan Pengkajian dan Pengembangan Perdagangan, 2016 (diolah)
Selama periode tahun 2011–2015, tren perkembangan konsumsi jahe
Indonesia cenderung naik sebesar 21,9%. Konsumsi jahe pada tahun 2014 sebesar
167.687 ton dan meningkat menjadi 282.025 ton pada tahun 2015. Besarnya
konsumsi jahe pada tahun 2015 ini kemungkinan dipengaruhi dengan mulai
sadarnya masyarakat untuk kembali mengunakan bahan- bahan alami yang dapat
digunakan sebagai obat. Permintaan tanaman obat berasal dari: (1) Industri dan
usaha obat tradisional, (2) Industri makanan, minuman, farmasi dan kosmetik, (3)
Rumah tangga,dan (4) Ekspor (Hernani,2011 :1).
Dari keempat konsumen tanaman obat Indonesia, konsumen tanaman obat
hasil produksi dalam negeri 63% adalah perusahaan industri obat dan industri
farmasi, 23% konsumen rumah tangga, dan 14% untuk ekspor (Hernani, 2011:8).
Berdasarkan data Badan Pengkajian Pengembangan dan Perdagangan (2018)
perusahaan yang bergerak dibidang industri dan usaha obat tradisional yang
-
50,000
100,000
150,000
200,000
250,000
300,000
2011 2012 2013 2014 2015
(To
n)
74
menjadi konsumen tanaman obat adalah adalah seperti dalam Tabel 5.
Tabel 5 Proporsi Nilai Penjualan Ritel Obat Tradisional/Herbal di Indonesia,
2012 - 2016
2012 2013 2014 2015 2016
1 Sido Muncul 14,8 15,2 15,6 16,0 16,4
2 Deltomed Laboratories
10,8 11,4 11,7 11,9 12,0
3 Soho Industri Pharmasi
6,8 6,9 6,8 6,8 6,8
4 Citra Nusa Insan Cemerlang
3,5 3,2 3,0 2,8 2,7
5 Indofarma (Persero) Tbk
2,2 2,1 2,0 2,0 2,0
6 Sea Quill Co 2,0 2,0 2,0 2,0 2,0
7 Eagle Indo Pharmaceutical
1,7 1,7 1,7 1,6 1,6
8 Mecosin Indonesia 1,7 1,5 1,4 1,3 1,2
9 Lofthouse of Fleetwood Ltd
1,3 1,2 1,2 1,2 1,1
10 Artois Pharmaceutical Ind Co Ltd
0,9 0,9 1,0 1,0 1,0
11 Twinlab Corp 1,0 1,0 1,0 1,0 0,9
12 Nusa Selaras Indonesia
0,9 0,9 0,9 0,9 0,9
13 K-Link Indonesia 0,9 0,9 0,9 0,9 0,9
14 Matolindo Primantara 1,0 1,0 0,9 0,8 0,7
15 Elken Int Indonesia 0,8 0,8 0,8 0,7 0,7
16 Amindoway Jaya 0,8 0,8 0,7 0,7 0,6
17 Bintang Kupu-Kupu 1,0 0,9 0,8 0,7 0,6
18 Ricola AG 0,6 0,6 0,6 0,6 0,6
19 Kompak Indopola 1,0 0,8 0,7 0,6 0,6
20 Kalbe Farma Tbk 0,4 0,4 0,3 0,3 0,3
75
21 Harmoni Dinamik Indonesia
0,3 0,3 0,3 0,3 0,3
22 Sinde Budi Sentosa 0,2 0,2 0,2 0,2 0,1
23 Henson Farma 0,2 0,1 0,1 0,1 0,1
24 Jamu Iboe Jaya 0,1 0,1 0,1 0,1 0,1
25 Patria Wiyata Vico 0,0 0,0 0,0 0,0 0,0
26 Bintang Toedjoe 0,0 0,0 0,0 0,0 0,0
27 Singa Langit Jaya 0,1 0,1 0,0 0,0 0,0
28 Konimex PharmaceuticalLabora
tories
0,0 0,0 0,0 0,0 0,0
29 Saka Farma 0,1 0,1 0,1 0,0 0,0
30 Pharmac Apex 0,0 0,0 0,0 0,0 0,0
31 Tempo Scan Pacific Tbk
0,0 - - - -
32 Lainnya 44,8 44,8 45,2 45,4 45,6
Total 100,0 100,0 100,0 100,0 100,0
Sumber : Badan Pengkajian dan Pengembangan Perdagangan (2018, diolah)
Tabel 5 menunjukkan PT. Sido Muncul merupakan perusahaan dengan share
terbesar dalam industry obat tradisional/herbal sejak tahun 2012 hingga 2016
dengan share sebesar 14,8% pada tahun 2012 dan terus meningkat hingga 16,4%
tahun 2016.Berdasarkan Permenkes No. 006 Tahun 2002 tentang Industri dan
Usaha Obat Tradisional,obat tradisional hanya dapat dibuat oleh industry dan
usaha di bidang obat tradisional yang telah memiliki izin dari Kementerian
Kesehatan untuk industri di bidang obat tradisional, yang terdiri dari Industri Obat
Tradisional (IOT) dan Industri Ekstrak Bahan Alam (IEBA) dan untuk usaha di
bidang obat tradisional terdiri dari Usaha Kecil Obat Tradisional (UKOT), Usaha
Menengah Obat Tradisional (UMOT), Usaha Jamu Racikan dan Usaha Jamu
76
Gendong.
Data Kementerian Kesehatan tahun 2016 menunjukkan bahwa jumlah IOT dan
IEBA sampai dengan tahun 2016 sebanyak 112 perusahaan, sedangkan jumlah
UKOT dan UMOT sampai dengan tahun 2015 sebanyak 828 perusahaan. Propinsi
Jawa Barat merupakan pusat dari industri obat tradisional dengan jumlah 42 dari
112 perusahaan, sedangkan untuk UKOT dan UMOT di Jawa Timur dan Jawa
Barat merupakan pusatnya dengan jumlah usaha masing-masing sebanyak 226
dan 222 dari total 828 usaha.
Jawa Barat merupakan propinsi dengan Jumlah Industri Obat Tradisional
(IOT) dan Industri Ekstrak Bahan Alam (IEBA) terbesar, yaitu 42 perusahaan
diikuti propinsi Jawa Tengah dan Jawa Timur sebanyak 21 dan 16 perusahaan.
Tiga propinsi tersebut telah mengambil share sebesar 70,54%, dan bila di tambah
DKI Jakarta, Banten dan DI Yogyakarta maka share perusahaan IOT dan IEBA
96,43% berada di pulau Jawa. Sedangkan untuk Usaha Kecil Obat Tradisional
(UKOT) Usaha Mikro Obat Tradisional (UMOT), Propinsi Jawa Timur memiliki
jumlah usaha terbesar yaitu 226 pelaku usaha, diikuti Propinsi Jawa Barat dan
DKI Jakarta masing-masing sebesar 222 dan 104 pelaku usaha.Tiga propinsi
tersebut telah mengambil share 66,67%. Berbeda dengan IOT dan IEBA yang
hanya terdapat di 10 propinsi, UKOT dan UMOT tersebar di 19 propinsi, dimana
84,90% terdapat di pulau Jawa.
77
4.1.3 Perkembangan Ekspor Jahe Indonesia
Selain untuk konsumsi di dalam negeri, jahe juga diekspor. Berdasarkan data
Dirjen Hortikultura (2017), produksi jahe merupakan produksi terbesar dari
tanaman biofarmaka meskipun volume produksinya berfluktuasi. Produksi jahe
Indonesia selain untuk konsumsi dalam negeri yang berkisar 34-74 %, sisanya
sebesar 53-66 % diekspor Indonesia mengekspor jahe dalam bentuk jahe segar, jahe
kering dan produk olahan jahe. Sampai saat ini sebagian besar ekspor jahe Indonesia
dalam bentuk jahe segar, bahkan pernah mencapai sebesar 99,33 %. Jahe Indonesia
diekspor ke beberapa negara diantaranya adalah Bangladesh, Belandas, Vietnam,
Malaysia, Singapore, Japan, USA, Timor Leste, dsb.
Ekspor jahe Indonesia sudah mulai dilakukan sejak zaman penjajahan
Belanda. Sebelum tahun 1999 Indonesia merupakan eksportir utama jahe ke pasar
dunia, dengan negara pesaing utama adalah Cina, Thailand, dan India. Pada tahun
1999 volume pasokan jahe Indonesia ke pasar dunia mencapai 21,17 % turun
menjadi 0,94 % pada tahun 2007 (FAO, 2010:1). Berdasarkan data yang diperoleh
dari UN Comtrade(2018), ekspor jahe dengan kode (HS 091010) mengalami nilai
ekspor yang berfluktuaif. Ekspor jahe menglami peningkatan pada tahun 2012-2014
dengan nilai tertinggi mencapai 49.126.585 USD dan mengalami penurunan pada
tahun 2015-2016 hingga mencapai10.580.766 USD, dan naik lagi pada tahun 2017
sebesar 3%. Meskipun demikian, selama periode 2008-2017, ekspor jahe dunia
memiliki pertumbuhan rata-rata sebesar 7,6% pertahun. Grafik ekspor jahe
Indonesia dapat dilihat pada Gambar 17.
78
Gambar 17. Nilai Ekspor Jahe Indonesia Tahun 2008-2017 Sumber : UN Comtrde, 2018 (diolah)
Puncaknya pada tahun 2014, jumlah ekspor jahe meningkat hingga sebesar
61.191.401 Kg dengan nilai US $49.126.585. Sekitar 98,3% volume jahe yang
diekspor Indonesia ke dunia berupa jahe segar kemasan atau dikenal dengan istilah
jahe gajah (Pribadi, 2013).Sebelum tahun 1999, ekspor jahe Indonesia merupakan
yang terbesar di dunia (FAO, 2010). Pada tahun 1999, pangsa volume ekspor jahe
Indonesia tercatat mencapai 21,2% (FAO, 2010). Namun, pangsa ekspor jahe
Indonesia ke dunia mengalami penurunan hingga hanya sebesar 2,5% pada tahun
2015 dan menempatkan Indonesia pada peringkat ke-tujuh sebagai eksportir jahe
terbesar dunia. Meskipun saat ini Indonesia bukanlah eksportir terbesar jahe, tren
ekspor jahe Indonesia selama lima tahun terakhir masih tumbuh positif, rata-rata
sebesar 146,3% per tahun.
Tren pertumbuhan yang sangat tinggi ini didorong oleh peningkatan ekspor jahe
pada tahun 2014 yang mencapai USD 49,1 juta dari tahun sebelumnya yang hanya
0
20,000,000
40,000,000
60,000,000
80,000,000
100,000,000
120,000,000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
To
tal
Tahun
Nilai Ekspor (US$) Berat Bersih (Kg)
79
sebesar USD 14,9 juta. Peningkatan ekspor yang sangat signifikan pada tahun 2014
tersebut terutama disebabkan oleh melonjaknya permintaan jahe dunia (UN
Comtrade, 2016 :4). Meskipun demikian, pada tahun 2015-2016, ekspor jahe
mengalami penurunan sebesar 62,9 % menjadi sebesar USD 18,2 juta.
Nilai ekspor jahe hal tersebut menempatkan Indonesia yang semula sebagai
eksportir utama turun ke urutan tujuh eksportir jahe di pasar dunia. Penyebab
turunnya volume dan nilai ekspor jahe Indonesia secara internal diduga karena
beberapa hal, diantaranya : (1) tidak stabilnya produksi jahe Indonesia, (2) mutu
yang kurang memenuhi standar pasar jahe dunia sehingga tidak bisa bersaing
dengan negara eksportir jahe lainnya, (3) serangan hama dan penyakit yang
menyebabkan turunnya produksi dan mutu jahe. Selain itu curah hujan (faktor
iklim) juga berpengaruh terhadap ekspor jahe Indonesia (Hernani, 2011 :6).
Sedangkan menurut Siswono (2004:17), rendahnya daya saing sektor pertanian
Indonesia termasuk jahe disebabkan oleh sempitnya penguasaan lahan, tidak
efisiennya usahatani dan iklim usaha yang kurang kondusif serta ketergantungan
yang masih tinggi pada sumber daya alam.
Adapun negara tujuan atau ekspor jahe Indonesia dapat dilihat pada tabel 6.
80
Tabel 6. Negara Tujuan Ekspor Indonesia Tahun 2013-2017
Peringkat
Negara Tujuan Ekpor Tahun
Jahe Indonesia 2013 2014 2015 2016 2017
1 Bangladesh 8474445 36571 7663751 5010100 7769489
2 Belandas 383782 15833048 179563 6400 217
3 Pakistan 1350357 15824 4764562 472183 1773417
4 Viet Nam 21845 353378 2487425 1277920 889368
5 Malaysia 2377689 281 899500 737162 841506
6 Singapore 524811 1911201 532628 329674 441379
7 Japan 586657 24200 453958 428639 359087
8 USA 87300 39987 51383 81597 64629
9 Timor-Leste 551 75655 1269 40 5
10 United Arab Emirates 14480 10650 940 11941 85
Sumber : UN Comtrade (2018, diolah)
Negara tujuan utama ekspor jahe Indonesia pada tahun 2011 antara lain
Jepang, Singapura, Australia, Amerika Serikat, dan Malaysia. Namun, pada tahun
2017, negara tujuan utama ekspor jahe Indonesia adalah Bangladesh, Belandas dan
Pakistan. Pangsa ekspor jahe ke tiga negara tersebut pada tahun 2017 mencapai 80%
dari total ekspor jahe Indonesia ke dunia. Sementara itu,ekspor ke negara-negara
pengimpor utama jahe dunia, seperti Jepang, Amerika Serikat, Jerman, dan Inggris
masih rendah. Hal ini disebabkan karena negara-negara tersebut mensyaratkan jahe
yang memiliki kualitas tinggi dan kemasan khusus sedangkan Indonesia belum
mampu memenuhi persyaratan tersebut (Sharma 2004:26).
81
4.1.4 Perkembangan Harga Jahe Indonesia
Perkembangan harga jahe di Indonesia yang didominasi oleh jahe segar.
Dapat dilihat pada Gambar 22, menampilkan harga jahe di Indonesia selama 5 tahun
dari tahun 2013 sampai tahun 2017. Harga jahe dikeluarkan setiap bulan oleh
bagian perdagangn Dirjen Hortikultura dberdasarkan jenis dari jahe lokal dan jahe
import. Harga jahe domestik mengalami penurunan pada tahun 2015 berada pada
harg Rp 6.571, sedangkan untuk harga jahe tertinggi terjadi pada tahun 2017 dengan
harga Rp. 20.456.
Trend yang berfluktuasi pada harga jahe juga dipengaruhi oleh fluktuasi
kurs dollar terhadap rupiah yang merupakan nilai tukar untuk jual beli jhe di dunia
internasional. Oleh karena jahe merupakan salah satu komoditas ekspor Indonesia,
maka harga jual dan harga beli mengikuti harga yang terbentuk di pasar
Internasional. Perkembangan harga jahe Indonesia dapat dilihat pada Gambar 18.
Gambar 18. Harga Jahe Indonesia Tahun 2013-2017 Sumber : Dirjen Hortikultura, 2018 (diolah)
8928.571429
14928.57143
6571.428571
18234.4567
20456.3248
0
5000
10000
15000
20000
25000
2013 2014 2015 2016 2017
(US$
)
82
4.2 Perkembangan Jahe Dunia
4.2.1 Perkembangan Ekspor Jahe Dunia
Pada ekspor jahe, pada semua negara menggunakan kode HS untuk
menyamakan jenis dari komoditi tersebut agar memudahkan dalam proses impor
dan ekspor di semua negara seperti pengurusan biaya pajak dan lain sebagainya.
Untuk komoditi jahe, kode HS dipisahkan berdasarkan bentuk dari jahe tersebut,
seperti dalam bentuk segar atau utuh, jahe tidak dihancurkan atau tidak ditumbuk,
dan jahe dihancurkan atau ditumbuk. Negara pengekspor tertinggi di dunia untuk
jahe dalam bentuk segar adalah negara Cina sebagai negara nomor satu di dunia
dalam ekspor jahe (The Food and Agriculture Organization, 2016). Gambar 19
menunjukkan nilai ekspor jahe dunia.
Gambar 19. Nilai Ekspor Jahe Dunia
Sumber : UN Comtrade, 2018
Perkembangan ekspor jahe Dunia selama sepuluh tahun terakhir
berfluktuasi baik nilai maupun volumenya. Nilai ekspor jahe dunia tertinggi berada
pada tahun 2014 dengan nilai ekspor sebesar 812.766.748 US$, dan nilai terendah
ekspor jahe dunia berada pada tahun 2009 sebesar 373.145.904 US$. Terdapat
0
100000000
200000000
300000000
400000000
500000000
600000000
700000000
800000000
900000000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
(US$
)
83
urutan untuk negara pengekspor jahe di dunia, berdasarkan data ICO tahun 2016,
negara yang menempati posisi pertama dalam ekspor jahe yaitu negara Cina.
Kemudian untuk urutan selanjutnya ditempati oleh negara Belanda, selanjutnya
negara India, Thailand, Peru, Nigeria, Indonesia. Urutan tersebut merupakan urutan
untuk posisi ekspor jahe segar.
Faktor eksternal yang diduga berpengaruh perdagangan jahe di pasar
internasional, antara lain: (1) Adanya daya saing dengan negara-negara lain di
dunia, (2) perbedaan harga pasar dalam negeri dan harga terhadappasar
internasional. Jika harga jahe di pasar internasional lebih tinggi daripada harga
pasar domestik, maka produsen akan lebih memilih untuk memasarkannya ke pasar
Internasional sehingga akan meningkatkan pertumbuhan ekspor. (3) adanya
permintaan dari luar negeri. Semakin tinggi permintaan dari luar negeri terhadap
komoditi yang dihasilkan oleh suatu negara, maka semakin tinggi pula
pertumbuhan ekspor negara tersebut, (4) Nilai tukar mata uang. Apabila suatu
negara mengalami depresiasi nilai tukar, maka akan meningkatkan pertumbuhan
ekspor di negara tersebut. Hal itu terjadi karena depresiasi nilai tukar menyebabkan
harga-harga komoditas domestik terlihat lebih murah di mata internasional
sehingga permintaan luar negeri untuk komoditas tersebut akan meningkat
(Sharma, 2004:9).
84
4.2.2 Perkembangan Ekspor Jahe Cina
Berdasarkan data yang diperoleh dari UN Comtrade (2018:3), ekspor jahe
Cina dengan kode (HS 091010) mengalami nilai ekspor yang tinggi dan
berfluktuaif. Grafik ekspor jahe Cina dapat dilihat pada Gambar 20.
Gambar 20. Nilai Ekspor Jahe Cina Sumber : UN Comtrade, 2018
Ekspor jahe Cina menglami peningkatan pada tahun 2012-2014 dengan nilai
tertinggi mencapai 548.990.701 USD pada tahun 2014 dan mengalamipenurunan
pada tahun 2015-2016 hingga mencapai 369.456.328 USD pada tahun 2016 dan
naik kembali pada tahun 2017 sebesar 4,2 %. Meskipun demikian, selama periode
2008-2017, Cina tetap menguasai pasar ekspor jahe dunia, karena Cina juga
merupakan negara produsen terbesar kedua setelah India serta Cina selalu dapat
memenuhi kebutuhan domestik dan dapat mempertahankan kualitas jahenya
(Kementerian Perdagangan, 2017:1).
0
100000000
200000000
300000000
400000000
500000000
600000000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
(US$
)
85
4.2.3 Perkembangan Ekspor Jahe Belanda
Berdasarkan data yang diperoleh dari UN Comtrade (2018:3), ekspor jahe
Belanda dengan kode (HS 091010) mengalami pertumbuhan nilai ekspor yang
signifikan dan berfluktuaif. Grafik ekspor jahe Belanda dapat dilihat pada Gambar
21.
Gambar 21. Nilai Ekspor Jahe Belanda Sumber : UN Comtrade, 2018
Pertumbuhan ekspor jahe Belanda terjadi secara perlahan namun cenderung
selalu menglami peningkatan. Peningkatan terjadi pada tahun 2008-2014 dengan
nilai tertinggi mencapai 101.30.005 USD pada tahun 2014 dan
mengalamipenurunan pada tahun 2015 hingga mencapai67.632.015 USD dan naik
kembali pada tahun 2016 sebesar 1,2 %. Meskipun Belanda tidak memproduksi
jahe dalam jumlah banyak, namun selama periode 2008-2017, Belanda tetap menjadi
pengeskpor jahe terbesar kedua setelah Cina. Hal ini dikarenakan Belanda banyak
mengimpor jahe dari negara lain khususnya kawasan Asia Tenggara (Kementerian
Perdagangan, 2017:1).
0
20000000
40000000
60000000
80000000
100000000
120000000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
(US$
)
86
4.2.4 Perkembangan Ekspor Jahe India
Berdasarkan data yang diperoleh dari UN Comtrade (2018:3), ekspor jahe
India dengan kode (HS 091010) mengalami pertumbuhan nilai ekspor yang
berfluktuaif. Grafik ekspor jahe Belanda dapat dilihat pada Gambar 22.
Gambar 22. Nilai Ekspor Jahe India Sumber : UN Comtrade, 2018
Pertumbuhan ekspor jahe India mengalami fluktuasi selama tahun 2008-
2017. Peningkatan terjadi pada tahun 2008-2011 dengan nilai tertinggi mencapai
55.246.230 USD pada tahun 2011 dan mengalamipenurunan pada tahun 2012-2013
hingga mencapai27.007.565 USD dan naik kembali pada tahun 2014 sebesar
40,1 %. Meskipun demikian, selama periode 2008-2017, India tetap menjadi negara
pengekspor jahe terbesar setelah Cina dan Belanda, karena India juga merupakan
negara produsen terbesar pertama. India tidak bisa menjadi negara pengeskpor
terbesar pertama dikarenakan India tidak selalu dapat memenuhi kebutuhan domestik
dan tidak dapat mempertahankan kualitas jahenya. Oleh karena itu selain
memproduksi jahe, India juga pengimpor jahe dari negara lain. (Kementerian
Perdagangan, 2017:1).
0
10000000
20000000
30000000
40000000
50000000
60000000
2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
(US$
)
87
4.2.5 Permintaan Jahe Dunia
Sebagai ilustrasi, peningkatan produksi jahe Indonesia sejalan dengan
pertumbuhan permintaan komoditas jahe didunia. Selama2011-2015 ekspor jahe
dunia tumbuh 8,6% per tahun. Pada tahun 2015 permintaan ekspor jahe dunia
mencapai USD 756 juta. Indonesia sebagai eksportir ke-7 dunia untuk komoditas
ini mengalami pertumbuhan ekspor rata-rata 146% per tahun pada periode yang
sama. Indonesia adalah negara yang mengalami pertumbuhan ekspor terbesar untuk
komoditas jahe di dunia. Peningkatan kontribusi Indonesia sebagai penghasil jahe
dunia tidak hanya dari segi nilai perdagangan tapi juga pangsa pasarnya. Tahun
2011, Indonesia memberikan 0,18% pasokan jahe dunia dan pada tahun 2015
menjadi 2,4%. Hal ini menjadi peluang bagi petani jahe untuk meningkatkan
produksi guna memenuhi permintaan dunia yang sedang tumbuh. Dapat dilihat
pada Gambar 23 menunjukan permintaan jahe dunia dari tahun 2011-2015.
Gambar 23. Permintaan Jahe Dunia Sumber : Badan Pengkajian dan Perkembangan Perdagangan (2016)
1.2 1.4
14.9
49.1
18.2
0
10
20
30
40
50
60
2011 2012 2013 2014 2015
(US$
)
88
4.2.6 Harga Jahe Dunia
Jahe di dunia dapat dibedakan berdasarkan bentuk dari jahe tersebut, yaitu
jahe segar, dan jahe yang dihancurkan. Dapat dilihat pada Gambar 24 menunjukkan
harga jahe dunia dari tahun 2013 sampai 2017.
Gambar 24. Harga Jahe Dunia (2013-2017) Sumber : BPS Perdagangan Luar Negri (2017)
Harga jahe di pasar internasional jauh lebih tinggi dibandingkan harga jahe
domestik. Harga jahe dunia mengalami peningkatan. Membaiknya harga jahe
tersebut mengacu pada perkiraan produksi jahe di India, Cina,dll dan termasuk
Indonesia yang merupakan negara eksportir jahe terbesar yang tidak mengalami
lonjakan besar di tengah terus meningkatnya permintaan di pasar dunia. Pada harga
jahe internasional, terdapat tren meningkat pada 5 tahun terakhir. Presentase tren
kenaikan harga jahe internasional sebanyak 5-10 %.
2008422530
26149
26884 27567
0
5000
10000
15000
20000
25000
30000
2013 2014 2015 2016 2017
US
$
89
Dampak dari volume produksi jahe di India, Cina terhadap harga jahe di
dunia adalah fluktuasi volume jahe di pasar internasional yang juga menentukan
harga jahe di dunia karena sampai saat ini, karena belum ada negara yang memiliki
total volume produksi jahe sebanyak negara India dan Cina.
90
BAB V
HASIL DAN PEMBAHASAN
5.1 Hubungan Ekspor Jahe 4 Negara (Indonesia, Cina, India, Belanda)
Hubungan antar 4 negara dalam ekspor jahe dapat diketahui dengan analisis
Vector Autoregression (VAR)/Vector Error Correction Model (VECM). Selain itu,
terdapat uji lainnya dalam analisis VAR/VECM yang perlu dilakukan sebagai
serangkaian tahapan analisis dinamis data time series. Tahap-tahap analisis
dijelaskan sebagai berikut.
5.1.1 Uji Stasioneritas
Tahap pertama yang harus dilalui untuk mendapatkan estimasi VAR/VECM
adalah pengujian stasioneritas data masing-masing variabel, baik variabel
dependen, maupun variabel independen. Seperti yang telah dijelaskan di atas, data
stasioner dibutuhkan untuk mempengaruhi hasil penguian estimasi VAR/VECM.
Persamaan regresi dengan variabel-variabel yang tidak stasioner, akan
menghasilkan apa yang disebut regresi lancung atau spurious regression (Winarno,
2015). Dalam penelitian ini, untuk mendeteksi stasioner atau tidaknya masing-
masing data varibel, maka digunakan uji ADF (Augmented Dickey Fuller) dengan
menggunakan model intercept. Variabel dikatakan stasioner jika nilai ADF test
Statistic > test critical values 5% dan memiliki nilai probabilitas < 0,05. Adapun
uji stasioner ADF masing-masing variabel dapat ditunjukan oleh table 7 berikut ini.
91
Tabel 7. Hasil Uji Stasioneritas Pada Level 5% Ekspor Jahe Indonesia, Cina,
India, dan Belanda Periode Januari 2013 – Desember 2017
Variabel Test Critical
Values 5%
ADF Test
Statistic Probability Keterangan
Indonesia -2.911730 -3,917571 0.0035 Stasioner
Cina -2.911730 -3,067798 0.0346 Stasioner
India -2.911730 -2,923028 0.0487 Stasioner
Belanda -2.913549 -4,541426 0.0005 Stasioner
Sumber : Eviews (diolah)
Dari tabel tersebut, dapat dijelaskan bahwa variabel ekspor jahe Indonesia
pada tingkat yang sama (level), sudah memenuhi persyaratan stasioneritas, dimana
diketahui probabilitas ADF t-statistik variabel Indonesia lebih besar daripada nilai
Test Critical Value 5 % (dalam penelitian ini digunakan 0,05), yaitu -3,917571 > -
2,911730, dan memiliki nilai probabilitas < 0,05 yaitu sebesar 0,0035. Artinya, H0
ditolak dan H1 diterima atau dengan kata lain data telah stasioner.
Kemudian, pada tingkat yang sama (level), variable ekspor jahe Cina juga
sudah memenuhi persyaratan stasioneritas, dimana diketahui probabilitas ADF t-
statistik variabel Cina lebih besar daripada nilai Test Critical Value 5 % (dalam
penelitian ini digunakan 0,05), yaitu -3,067798 > -2.911730, dan memiliki nilai
probabilitas < 0,05 yaitu sebesar 0,0346. Artinya, H0 ditolak dan H1 diterima atau
dengan kata lain data telah stasioner.
Pada tingkat yang sama (level), variable ekspor jahe India sudah memenuhi
persyaratan stasioneritas, dimana diketahui probabilitas ADF t-statistik variabel
92
India lebih besar daripada nilai Test Critical Value 5 % (dalam penelitian ini
digunakan 0,05), yaitu -2,923028 > -2.911730, dan memiliki nilai probabilitas <
0,05 yaitu sebesar 0,0487. Artinya, H0 ditolak dan H1 diterima atau dengan kata lain
data telah stasioner.
Pada tingkat yang sama (level), variable ekspor jahe Belanda sudah
memenuhi persyaratan stasioneritas, dimana diketahui probabilitas ADF t-statistik
variabel India lebih besar daripada nilai Test Critical Value 5 % (dalam penelitian
ini digunakan 0,05), yaitu -4,541426 > -2.913549, dan memiliki nilai probabilitas
< 0,05 yaitu sebesar 0,0005. Artinya, H0 ditolak dan H1 diterima atau dengan kata
lain data telah stasioner.
Dari pengujian data diatas, semua variabel telah memenuhi persyaratan
stasineritas data uji ADF dimana, nilai ADF t-statistik lebih besar daripada nilai
Test Critical Value 5 persen pada tingkat level. Oleh karna semua variabel data
sudah stasioner pada tingkat level, maka metode yang digunakan adalah metode
Vector Autoregression (VAR), sebelum estimasi VAR langkah selanjutnya, yaitu
penentuan panjang lag optimal.
5.1.2 Penentuan Panjang Lag
Estimasi VAR sangat sensitif terhadap panjang lag dari data yang
digunakan. Panjang lag digunakan untuk mengetahui waktu yang dibutuhkan
pengaruh dari masing-masing variabel terhadap variabel masa lalunya. Dalam
penelitian ini, penentuan panjang lag dilakukan dengan melihat nilai pada Likehood
93
Ratio (LR), Final Prediction Error (FPE), Akaike Information Crition (AIC),
Schwarz Information Crition (SC), dan Hannan-Quin Crition (HQ). Panjang lag
optimal dapat ditunjukan dalam tabel 8 berikut ini.
Tabel 8. Hasil Uji Lag Optimum Ekspor Jahe Indonesia, Cina, India, Belanda
Periode Januari 2013 – Desember 2017
Lag LogL LR FPE AIC SIC HQC
0 -2074.424 NA 7.83e+27 75.72504 75.72504 75.63551
1 -2003.033 129.8010 1.05e+27* 73.56485 74.29479* 73.84712*
2 -1994.972 13.48506 1.41e+27 73.85351 75.16740 74.36161
3 -1971.951 35.15815* 1.12e+27 73.59823 75.49608 74.33214
4 -1954.459 24.17174 1.11e+27 73.54395* 76.02575 74.50368
5 -1942.929 14.25506 1.42e+27 73.70650 76.77225 74.89205
Sumber : Eviews (diolah)
Dari table 8, dapat diketahui bahwa panjang lag optimal terletak pada lag 1.
Pemilihan lag 1 sebagai lag optimal karena berdasarkan hasil eviews bahwa jumlah
bintang terbanyak berada pada lag 1. Kemudian, karena panjang lag optimal sudah
ditemukan, maka dapat dilakukan pengujian selanjutnya, yaitu uji kointegrasi.
5.1.3 Pengujian Stabilitas VAR
Pengujian stabilitas model merupakan langkah selanjutnya sebelum kita
menggunakan estimasi VAR. Uji stabilitas model pada variable ekspor jahe
Indonesia, Cina, India, dan Belanda digunakan untuk mengetahui apakah model
VECM yang digunakan stabil atau tidak. Model VAR dianggap stabil apabila
inverse akar karakteristiknya mempunyai nilai modulus <1 atau semuanya berada
94
didalam lingkaran. Pengujian stabilitas model, dimaksud untuk menguji validitas
IRF dan FEVD. Pengujian stabilitas estimasi VAR dapat ditunjukan dalam tabel 10
berikut ini.
Tabel 9. Hasil Uji Stabilitas Estimasi VAR Ekspor Jahe Indonesia, Cina, India,
Belanda Periode Januari 2013- Desember 2017
Root Modulus
0.869315 0.869315
0.620495 - 0.344884i 0.709901
0.620495 + 0.344884i 0.709901
0.597704 0.597704
-0.271640 0.271640
-0.082439 – 0.254167i 0.267202
-0.082439 + 0.254167i 0.267202
0.155069 0.155069
Sumber : Eviews (diolah)
Berdasarkan Tabel 9, hasil AR Root Tabel dengan lag 1 menunjukkan bahwa
model yang digunakan semua memiliki nilai modulus < 1 dan dari penentuan
panjang lag dengan trial dan error, model VAR stabil hingga panjang lag ke 5
(dapat dilihat pada Tabel). Dengan demikian, hasil analisis IRF (Impluse Response
Function) dan FEVD (Forecast Error Variance Decomposition) adalah valid dan
dapat dilakukan pengujian selanjutnya, yaitu uji kasualitas granger.
95
5.1.4 Uji Kasualitas Granger (Granger Casuality Test)
Uji kausalitas Granger digunakan untuk melihat adakah hubungan satu arah
atau dua arah antar variable yaitu pada variabel ekspor jahe Indonesia, Cina, India,
dan Belanda dalam model Vector Autoregression (VAR). Taraf uji yang digunakan
dalam uji kasualitas granger ini, yaitu pada tingkat kepercayaan 0,05 (5 persen) dan
panjang lag sampai pada lag 1 sesuai pengujian panjang lag optimum yang telah
dilakukan. Ada / tidak kausalitas dapat dilihat dari nilai probabilitas pada level
signifikansi < 5 %. Hasil uji kausalitas Granger dengan lag optimum 1, dapat dilihat
pada Tabel 10 berikut ini.
Tabel 10. Hasil Uji Kausalitas Granger Pada Ekspor Jahe Indonesia, Cina, India,
Belanda Periode Januari 2013- Desember 2017
Null Hypothesis Obs F-
Statstic Prob.
Cina does not Granger Cause Indonesia 59
0.83760 0.3640
Indonesia does not Granger Cause Cina 2.58925 0.1132
India does not Granger Cause Indonesia 59
0.16332 0.6877
Indonesia does not Granger Cause India 1.64484 0.2049
Belanda does not Granger Cause Indonesia 59
0.45671 0.0478
Indonesia does not Granger Cause Belanda 2.17622 0.1458
India does not Granger Cause Cina 59
1.28760 0.2613
Cina does not Granger Cause India 0.57403 0.4518
Belanda does not Granger Cause Cina 59
0.92481 0.3403
Cina does not Granger Cause Belanda 0.00094 0.9757
96
Belanda does not Granger Cause India 59
8.60246 0.0049
India does not Granger Cause Belanda 1.26245 0.2660
Sumber : Eviews (diolah)
Nilai probabilitas yang terdapat dalam penelitian kasualitas granger perlu
diperhatikan. Jika nilai probabilitas lebih besar 0,05 maka disimpulkan tidak terjadi
kasualitas antar variabel. Hipotesis yang digunakan yaitu :
H0: Variabel dependen tidak secara signifikan dipengaruhi oleh variabel
independen.
H1: Variabel dependen secara signifikan dipengaruhi oleh variabel independen.
Dari tabel diatas dapat dilihat bahwa variabel ekspor jahe Belanda yang secara
statistik signifikan mempengaruhi ekspor jahe Indonesia dengan nilai Prob kurang
dari 0,05 yaitu 0,0478 sehingga menolak hipotesis nol. Sedangkan ekspor jahe
Indonesia secara statistik tidak signifikan mempengaruhi ekspor jahe Belanda
dengan nilai Prob lebih besar dari 0,05 yaitu 0,1458 sehingga menerima hipotesis
nol. Ekspor jahe Belanda berpengaruh terhadap ekspor jahe Indonesia, artinya
ketika pemerintah Indonesia ingin melakukan ekspor jahe, pemerintah tentunya
akan melihat nilai ekspor Jahe Belanda karena dari nilai ekspor jahe Belanda lah
nantinya akan menentukan besaran ekspor jahe Indonesia yang dilakukan agar
sesuai dengan anggaran APBN. Dengan demikian, dapat disimpulkan bahwa terjadi
kasualitas satu arah antara variabel ekspor jahe Belanda dan ekspor jahe Indonesia
yaitu hanya Belanda yang secara statistik signifikan mempengaruhi Indonesia dan
tidak terjadi sebaliknya.
97
Variabel ekspor jahe Belanda juga yang secara statistik signifikan
mempengaruhi ekspor jahe India dengan nilai Prob kurang dari 0,05 yaitu 0,0049
sehingga menolak hipotesis nol. Sedangkan ekspor jahe India secara statistik tidak
signifikan mempengaruhi ekspor jahe Belanda dengan nilai Prob lebih besar dari
0,05 yaitu 0,2660 sehingga menerima hipotesis nol. Ekspor jahe Belanda
berpengaruh terhadap ekspor jahe India, artinya ketika pemerintah India ingin
melakukan ekspor jahe, pemerintah tentunya akan melihat nilai ekspor Jahe
Belanda karena dari nilai ekspor jahe Belanda lah nantinya akan menentukan
besaran ekspor jahe India yang dilakukan agar sesuai dengan anggaran. Dengan
demikian, dapat disimpulkan bahwa terjadi kasualitas satu arah antara variabel
ekspor jahe Belanda dan ekspor jahe India yaitu hanya ekspor jahe Belanda yang
secara statistik signifikan mempengaruhi ekspor jahe India dan tidak terjadi
sebaliknya.
5.1.5 Hasil Estimasi Vector Autoregression (VAR)
Setelah melakukan serangkaian tahap pra estims, yaitu uji stasioneritas data,
penentuan panjang lag optimum, stabilitas model VAR, uji kausalitas granger
faktanya terdapat terdapat hubungan antar variable dalam penelitian ini, maka
model yang digunakan, yaitu Vector Autoregression (VAR) . Penggunaan estimasi
VAR sesuai dengan rumusan masalah dalam penelitian ini, yaitu untuk
mengidentifikasi hubungan dan pengaruh variabel independen terhadap variabel
dependen.
Pengaruh variabel ekspor jahe Indonesia yang terkointegrasi terhadap variabel
ekspor jahe negara lain dapat dilihat dalam analisis Vector Autoregression (VAR).
98
Pembacaan intepretasi hasil dengan cara melihat koefisien kointegrasinya, dengan
membaca tanda terbalik dari tanda koefisiennya. Koefisien kointegrasi dikatakan
signifikan jika mutlak nilai t-statistic > nilai t tabel 1,671 atau < - 1,671. Hasil
Estimasi model VAR dengan lag optimum 1 dapat dilihat pada Tabel 11.
Tabel 11. Hasil Estimasi VAR Pada Ekspor Jahe Indonesia, Cina, India, Belanda
Periode Januari 2013- Desember 2017
Variabel CointEq1
Koefisien t-Statistik
Parsial
Cina 0.066341 0.83738
India 0.398258 0.99821
Belanda 1.796917 2.69138
Sumber : eviews (diolah)
Dari tabel estimasi VAR dalam jangka panjang diatas, dapat dijelaskan bahwa
variabel ekspor jahe Belanda pada lag 1 berpengaruh positif dan signifikan terhadap
ekspor jahe Indonesia sebesar 2,69138. Artinya, apabila terjadi kenaikan ekpor jahe
Belanda sebesar 1% pada tahun sebelumnya, maka akan menaikan ekpor jahe
Indonesia pada tahun sekarang sebesar 1.796917 poin. Hasil analisis tersebut telah
sesuai dengan hipotesis dimana, nilai t-statistik parsial variabel Belanda pada lag 1
sebesar 2,69138 atau lebih besar dari 1,671 yang artinya, H0 ditolak dan H1 diterima
atau dengan kata lain, variabel Belanda berpengaruh positif dan signifikan terhadap
ekpor Jahe Indonesia dalam jangka panjang. Sesuai dengan fakta empiris yang ada
dalam jangka panjang ekspor jahe Belanda secara signifikan dan positif terhadap
ekpor jahe Indonesia artinya jika ekpor Jahe Belanda naik maka jumlah ekpor Jahe
Indonesia akan meningkat. Hal ini dikarenakan Belanda bukan merupakan negara
penghasil atau produsen jahe, Belanda dapat mengekspor jahe karena mendapatkan
99
pasokan dari impor, dan impor Belanda didominasi oleh Indonesia. Jadi dapat
disimpulkan jika ekspor jahe Belanda mengalami peningkatan maka ekspor jahe
Indonesia juga akan mengalami peningkatan, karena dari Indonesia, Belanda
mendapat pasokan jahe.
Hasil estimasi VAR jangka pendek dan jangka panjang diatas, merupakan
hasil yang valid dimana, diketahui dari nilai koefisien determinasi Rsquared sebesar
0,17 persen atau 17 persen dari 1,00 persen atau 100 persen dimana, perubahan
variabel dependen (Indonesia) mampu dijelaskan oleh variabel independennya
(Cina, India, Belanda) sebesar 17 persen dari maksimal 100 persen.
5.2 Pengaruh Shock/Guncangan Ekspor Jahe Cina, India, Belanda
Terhadap Ekspor Jahe Indonesia
Hasil analisis VAE tidak hanya mampu melihat pengaruh variabel
independen terhadap variabel dependen namun, dalam estimasi VAR juga
dilengkapi dengan fitur IRF (Impluse Response Function) untuk melihat respon dan
waktu yang dibutuhkan variabel kembali ke titik keseimbangannya. Impulse
Response Function (IRF) digunakan untuk menggambarkan tingkat laju shock dari
variabel yang digunakan dalam penelitian. Perilaku dinamis dari model VECM
dapat dilihat melalui respon dari setiap variabel terhadap shock dari variabel
tersebut maupun terhadap variabel endogen lainnya. Adapun hasil analisis IRF
dapat dijelakan sebagai berikut.
100
5.2.1 Analisis IRF (Impulse Response Function)
Dalam model ini response dari perubahan masing-masing variabel dengan
adanya informasi baru diukur dengan 1-standar deviasi. Sumbu horizontal
merupakan waktu dalam periode hari ke depan setelah terjadinya shock, sedangkan
sumbu vertikal adalah nilai respon. Secara mendasar dalam analisis ini akan
diketahui respon positif atau negatif dari suatu variabel terhadap variabel lainnya.
Respon tersebut dalam jangka pendek biasanya cukup signifikan dan cenderung
berubah. Dalam jangka panjang respon cenderung konsisten dan terus mengecil.
Impulse Response Function memberikan gambaran bagaimana respon dari suatu
variabel dimasa mendatang jika terjadi gangguan pada satu variabel lainnya. Untuk
memudahkan interpretasi, hasil analisis disajikan dalam bentuk grafik di bawah ini
dalam 10 periode. Hasil pengujian ini berupa grafik dimana grafik respon tersebut
akan menunjukkan respon positif atau negatif dari varianbel yang digunakan. Hasil
dari Impulse Response Function (IRF) dapat dilihat pada Gambar 25 berikut ini.
101
Gambar 25 . Hasil Analisa IRF Indonesia Terhadap Shock Indonesia Sumber : Eviews (diolah)
Gambar 25 merupakan respon Indonesia terhadap guncangan (shock) dari
ekspor jahe Indonesia itu sendiri. Respon yang diberikan Indonesia jika terjadi
guncangan (shock) pada ekspor jahe Indonesia sebesar satu standar deviasi bernilai
positif disepanjang periode.. Respon Indonesia pada periode ke 1 (Januari 2018)
menunjukkan peningkatan ekspor jahe tertinggi sebanyak 2.801.528 ton dan
selanjutnya mengalami fluktuasi. Pergerakan respon Indonesia mengalami sedikit
fluktuasi peningkatan ekspor hingga akhir periode ke 84 (Desember 2024) dengan
peningkatan sebesar 1364.323 ton. Dapat disimpulkan apabila terjadi guncangan
(shock) pada ekspor jahe Indonesia, maka Indonesia akan merespon secara fluktuasi
dengan nilai positif, yang artinya ekspor jahe Indonesia akan meningkat sepanjang
7 tahun kedepan.
-1,000
-500
0
500
1,000
1,500
2,000
2,500
3,000
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Response of INDONESIA to INDONESIA
Periode
Ton
102
Gambar 26 . Hasil Analisa IRF Indonesia terhadap shock Cina Sumber : Eviews (diolah)
Gambar 26 merupakan respon Indonesia terhadap guncangan (shock) dari
ekspor jahe Cina. Berdasarkan gambar respon yang diberikan Indonesia jika terjadi
guncangan (shock) pada ekspor jahe Cina sebesar satu standar deviasi benilai
negatif disepanjang periode. Respon Indonesia pada periode ke 1 (Januari 2018)
berada pada titik keseimbangan yang ditunjukkan dengan nilai nol, respon
Indonesia benilai negatif pada periode ke 2 (Februari 2018) yang menunjukkan
ekspor jahe Indonesia akan menurun sebanyak 111.261 ton. Respon Indonesia terus
mengalami penurunan ekspor hingga periode ke 6 (Juni 2018), namun di periode 7
(Juli 2018) dan periode 8 (Agustus 2018) mengalami peningkatan ekspor yaitu
sebesar 27.496 ton dan 4.575 ton. Pergerakan respon Indonesia terus mengalami
sedikit fluktuasi penurunan ekspor jahe hingga akhir periode ke 84 (Desember
-1,000
-500
0
500
1,000
1,500
2,000
2,500
3,000
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Response of INDONESIA to CHINATon
Periode
103
2024). Dapat disimpulkan apabila terjadi guncangan (shock) pada ekspor jahe Cina,
maka ekspor jahe Indonesia akan merespon secara fluktuasi dengan nilai negatif,
yang artinya ekspor jahe Indonesia akan menurun sepanjang 7 tahun kedepan.
Gambar 27 . Hasil Analisa IRF Indonesia terhadap shock India Sumber : Eviews (diolah)
Gambar 27 merupakan respon Indonesia terhadap guncangan (shock) dari
ekspor jahe India. Berdasarkan Gambar respon yang diberikan Indonesia jika terjadi
guncangan (shock) pada ekspor jahe India sebesar satu standar deviasi benilai
positif disepanjang periode dan hanya pada periode ke-2 (Februari 2018) bernilai
negatif dengan mengalami penurunan sebesar 69.770 ton. Respon Indonesia pada
periode ke 5 (Mei 2018) menunjukkan peningkatan ekspor jahe Indonesia tertinggi
sebanyak 270.287 ton, namun setelah itu terus mengalami fluktuasi. Pergerakan
respon Indonesia mengalami sedikit fluktuasi peningkatan ekspor hingga akhir
-1,000
-500
0
500
1,000
1,500
2,000
2,500
3,000
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Response of INDONESIA to INDIATon
Periode
104
periode ke 84 (Desember 2024). Dapat disimpulkan apabila terjadi guncangan
(shock) pada ekspor jahe India, maka ekspor jahe Indonesia akan merespon secara
fluktuasi dengan nilai positif, yang artinya ekspor jahe Indonesia akan meningkat
sepanjang 7 tahun kedepan dan guncangan dari India itu dianggap merugikan
ekspor Indonesia hanya pada periode ke 2 (Februari 2018).
Gambar 28 . Hasil Analisa IRF Indonesia terhadap shock Belanda Sumber : Eviews (diolah)
Gambar 28 merupakan respon Indonesia terhadap guncangan (shock) dari
ekspor jahe Belanda. Berdasarkan gambar, respon yang diberikan Indonesia jika
terjadi guncangan (shock) pada ekspor jahe Belanda adalah sebesar satu standar
deviasi benilai positif disepanjang periode dan hanya pada periode ke-3 (Maret
2018) bernilai negatif menurun sebesar 46.424 ton. Respon Indonesia pada periode
ke 6 (Juni 2018) menunjukkan peningkatan ekspor jahe Indonesia tertinggi
-1,000
-500
0
500
1,000
1,500
2,000
2,500
3,000
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Response of INDONESIA to NETHERLANDResponse Of Indonesia to Belanda
Ton
Periode
105
sebanyak 581.105 ton, namun setelah itu terus mengalami fluktuasi. Pergerakan
respon Indonesia mengalami sedikit fluktuasi hingga akhir periode ke 84
(Desember 2024). Dapat disimpulkan apabila terjadi guncangan (shock) pada
ekspor jahe Belanda, maka ekspor jahe Indonesia akan merespon secara fluktuasi
dengan nilai positif, yang artinya ekspor jahe Indonesia akan meningkat sepanjang
7 tahun kedepan dan guncangan dari Belanda itu dianggap merugikan ekspor jahe
Indonesia hanya pada periode ke 3 (Maret 2018).
5.3 Pengaruh Perubahan Ekspor Jahe di Indonesia, Cina, India, dan
Belanda
Hasil analisis VAR tidak hanya mampu melihat pengaruh variabel independen
terhadap variabel dependen namun, dalam estimasi VAR juga dilengkapi dengan
fitur Variance Decomposition untuk melihat seberapa besar komposisi pengaruh
masing-masing variabel independen terhadap pembentukan variabel dependennya.
Setelah menganalisis perilaku dinamis melalui Impulse Response, selanjutnya akan
dilihat karakteristik model melalui Forecast Error Variance Decomposition
(FEVD) yang digunakan untuk menyusun forecast error variance suatu variabel,
yaitu seberapa besar perbedaan antara variance sebelum dan sesudah shock, baik
shock yang berasal dari diri sendiri maupun shock dari variabel lain untuk melihat
pengaruh relatif variabel penelitian terhadap variabel lainnya. Adapun hasil
Variance Decomposition dapat dijelakan sebagai berikut.
106
5.3.1 Analisis Forecast Error Variance Decomposition (FEVD)
Prosedur Forecast Error Variance Decomposition (FEVD) yaitu dengan
mengukur persentase kejutan-kejutan atas masing-masing variabel. Forecast Error
Variance Decomposition (FEVD) Model digunakan untuk memberikan penjelasan
secara rinci mengenai bagaimana perubahan satu variabel yang dipengaruhi oleh
perubahan variabel lainnya. Perubahan yang terjadi dalam variabel ditunjukkan
dengan adanya perubahan error variance. Hasil uji Forecast Error Variance
Decomposition (FEVD) dapat dilihat pada Gambar 29 berikut ini.
Gambar 29 . Hasil Analisa FEVD Indonesia Sumber : Eviews (diolah)
90
92
94
96
98
100
102
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
INDONESIA CHINAINDIA NETHERLAND
Variance Decomposition of INDONESIA
INDONESIA CINA INDIA BELANDA
%
Periode
107
Berdasarkan Gambar 29, menunjukkan bahwa perubahan ekspor jahe
Indonesia untuk 84 periode mendatang (Januari 2018-Desember 2024) mengalami
sedikit peningkatan stabil. Peningkatan ini dipengaruhi oleh ekpor jahe Cina, India,
dan Belanda. Pada periode periode ke 1 (Januari 2018) ekspor jahe Indonesia
dipengaruhi oleh ekspor jahe Indonesia itu sendiri dengan persentase varian sebesar
100%. Mulai periode ke 5 (Mei 2018) hingga akhir periode ke 84 (Desember 2024)
peningkatan ekspor jahe Indonesia dipengaruhi oleh ekpor jahe Cina, India,
Belanda, namun didominasi oleh ekspor jahe Belanda. Dengan persentase varian
yang menguat sebesar 0.2% dari Cina, 0.8% dari India, dan Belanda sebesar 7%.
Secara keseluruhan, hasil Forecast Error Variance Decomposition (FEVD) ekspor
Jahe Indonesia untuk 84 periode kedepan (Januari 2018-Desember 2024)
mengalami peningkatan stabil, yang pengaruhnya didominasi oleh Indonesia itu
sendiri dan ketiga negara lain yakni Cina, India, Belanda. Belanda memberikan
pengaruh peningkatan ekpor jahe yang lebih kuat dibanding India dan Cina, baik
dalam jangka pendek maupun panjang.
108
Gambar 30. Hasil Analisa FEVD Cina Sumber : Eviews (diolah)
Berdasarkan Gambar 30, menunjukkan bahwa perubahan ekspor jahe Cina
untuk 84 periode mendatang (Januari 2018- Desember 2024) mengalami fluktuasi
namun tetap stabil, yang dipengaruhi oleh ekpor jahe Indonesia, India, dan Belanda.
Pada periode periode ke 1 (Januari 2018) ekspor jahe Cina dipengaruhi oleh Cina
itu sendiri denga presentasi varian 98 % dan juga dipengaruhi oleh ekspor jahe
Indonesia sebesar 2 % serta tidak dipengaruhi oleh ekspor jahe India dan Belanda.
Mulai periode ke 3 (Maret 2018) hingga periode ke 15 (Maret 2019) peningkatan
ekspor jahe Cina dipengaruhi oleh ekpor jahe Indonesia, India, dan Belanda dengan
persentase varian yang menguat sebesar 4% dari Indonesia, 5 % India, dan 11%
dari Belanda. Kemudian pada periode 16 (April 2019) hingga akhir periode 84
(Desember 2024) kembali mengalami peningkatan. Secara keseluruhan hasil
90
92
94
96
98
100
102
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDONESIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of CHINA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of NETHERLAND
INDONESIA CINA INDIA BELANDA
%
Periode
109
Forecast Error Variance Decomposition (FEVD) ekspor Jahe Cina untuk 84
periode kedepan (Januari 2018-Desember 2024) mengalami peningkatan yang
stabil, yang pengaruhnya didominasi oleh Cina itu sendiri dan ketiga negara lain
yakni Indonesia, India, Belanda. Belanda memberikan pengaruh peningkatan ekpor
jahe yang lebih kuat dibanding India dan Indonesia, baik dalam jangka pendek
maupun jangka panjang.
Gambar 31. Hasil Analisa FEVD India Sumber : Eviews (diolah)
Berdasarkan Gambar 31, menunjukkan bahwa perubahan ekspor jahe India
untuk 84 periode mendatang (Januari 2018-Desember 2024) mengalami sedikit
peningkatan, yang dipengaruhi oleh ekpor jahe Indonesia, Cina, dan Belanda. Pada
periode periode ke 1 (Januari 2018) ekspor jahe India dipengaruhi oleh India itu
90
92
94
96
98
100
102
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDONESIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of CHINA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of NETHERLAND
INDONESIA CINA INDIA BELANDA
%
Periode
110
sendiri dengan presentasi varian 99 % dan juga dipengaruhi oleh ekspor jahe
Indonesia sebesar 0,8 % dan Cina sebesar 0,2 % serta tidak dipengaruhi oleh ekspor
jahe Belanda. Mulai periode ke 2 (Februari 2018) hingga periode ke 84 (Desember
2024) mengalami peningkatan jahe yang dipengaruhi oleh ekpor jahe Indonesia,
Cina, dan Belanda dengan persentase varian yang menguat sebesar 20% dari
Indonesia, 6% dari Cina dan 6% dari Belanda. Secara keseluruhan hasil Forecast
Error Variance Decomposition (FEVD) ekspor Jahe India untuk 84 periode
kedepan (Januari 2018-Desember 2024) mengalami peningkatan, yang
pengaruhnya didominasi oleh India itu sendiri dan ketiga negara lain yakni
Indonesia, Cina, dan Belanda. Indonesia memberikan pengaruh peningkatan ekpor
jahe yang lebih kuat dibanding Cina dan Belanda, baik dalam jangka pendek
maupun jangka panjang.
Gambar 32 . Hasil Analisa FEVD Belanda Sumber : Eviews (diolah)
90
92
94
96
98
100
102
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDONESIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of CHINA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of INDIA
0
20
40
60
80
100
120
10 20 30 40 50 60 70 80
INDONESIA CHINA
INDIA NETHERLAND
Variance Decomposition of NETHERLAND
INDONESIA CINA INDIA BELANDA
Variance Decompositio Of Belanda
Periode
%
111
Berdasarkan Gambar 32, menunjukkan bahwa perubahan ekspor jahe
Belanda untuk 84 periode mendatang (Januari 2018-Desember 2024) mengalami
peningkatan, yang dipengaruhi oleh ekspor jahe Indonesia, Cina, India, dan
Belanda itu sendiri. Pada periode periode ke 1 (Januari 2018) ekspor jahe Belanda
dipengaruhi oleh Belanda itu sendiri denga presentasi varian 96 % dan juga
dipengaruhi oleh ekspor jahe Indonesia sebesar 1 % dan Cina sebesar 1% serta 2%
dari India. Mulai periode ke 2 (Februari 2018) hingga periode ke 84 (Desember
2024) terus mengalami peningkatan ekspor jahe yang dipengaruhi paling besar oleh
ekspor jahe dari Indonesia sebesar 73 %, Cina 1% dan India sebesar 5 %. Secara
keseluruhan hasil Forecast Error Variance Decomposition (FEVD) ekspor Jahe
Belanda untuk 84 periode kedepan (Januari 2018-Desember 2024) mengalami
peningkatan, yang dipengaruhi oleh Indonesia, Cina, India dan Belanda itu sendiri.
Indonesia memberikan pengaruh peningkatan ekpor jahe Belanda yang lebih kuat
dibanding Cina dan India, baik dalam jangka pendek maupun jangka panjang.
112
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan, maka dapat disimpulkan
sebagai berikut :
1. Hasil hubungan ke 4 negara (Indonesia, Cina, India, Belanda) mengindikasikan
bahwa terdapat kointegrasi yang terjadi pada kegiatan ekspor jahe di pasar
Internasional. Indonesia, Cina, India, Belanda terlibat dalam hubungan jangka
panjang, namun yang saling mempengaruhi signifikan terhadap peningkatan dan
penurunan ekspor jahe hanya Indonesia, Belanda, dan India.
2. Hasil pengaruh shock/guncangan dari Cina, India, Belanda terhadap Indonesia
menggunakan IRF untuk periode Januari 2018 - Desember 2024 mendatang,
menunjukkan bahwa jika ada guncangan (shock) peningkatan dari Cina maka
Indonesia akan merespon secara negatif artinya akan terjadi penurunan ekspor
jahe Indonesia. Dan jika ada guncangan (shock) peningkatan dari India maka
Indonesia akan merespon secara positif artinya akan terjadi peningkatan ekspor
jahe Indonesia, begitupun dengan Belanda, jika ada guncangan (shock)
peningkatan dari Belanda maka Indonesia akan merespon secara positif sehingga
artinya akan terjadi peningkatan ekspor jahe di Indonesia.
3. Hasil pengaruh perubahan ekspor jahe di Indonesia, Cina, India, Belanda
menggunakan Forecast Error Variance Decomposition (FEVD) untuk periode
Januari 2018 - Desember 2024, menunjukkan ekspor jahe Indonesia akan
113
meningkat yang pengaruhnya didominasi oleh Indonesia itu sendiri sebesar 92%,
Belanda 7%, Cina 0.2%, dan India 0.8%. Untuk ekspor jahe Cina menujukan
ekspor akan meningkat yang pengaruhnya didominasi oleh Cina 80%. Indonesia
4%, India 5% dan Belanda 11%. Untukk ekspor jahe India menujukan ekspor
akan meningkat yang pengaruhnya didominasi oleh India 68%, Indonesia 20%,
Cina 6%, dan Belanda 6%. Sedangkan untuk ekspor jahe Belanda akan terjadi
peningkatan ekspor yang pengaruhnya didominasi oleh Indonesia 73%, Cina
1%, India 5%, dan Belanda 21%.
6.2 Saran
Pada penelitian ini penulis menyarankan beberapa hal kepada Departemen
Pertanian dan Perdagangan komoditas jahe yakni sebagai berikut :
1. Sebaiknya, Departemen Perdagangan harus bisa meningkatkan ekspor jahe dan
memudahkan kebijakan ekspor, karena kegiatan ekspor jahe Indonesia bernilai
positif bagi devisa negara, dan dalam pengambilan kebijakan sebaiknya
Indonesia memiliki data lengkap dan fokus juga pada ekspor jahe Belanda dan
India, karena Belanda dan India sangat mempengaruhi peningkatan dan
penurunan ekspor di Indonesia.
2. Indonesia harus siap merespon dengan baik atas segala guncangan ekspor dari
Cina, India, dan Belanda, oleh karena itu harus adanya peningkatan sumber daya
manusia untuk berperan aktif menganalisa berbagai perubahan perubahan yang
terjadi di negara pesaing utama jahe. Dengan ketersediaan data dan pengetahuan,
maka Indoesia dapat dengan baik merespon berbagai guncangan.
114
3. Indonesia cukup banyak memasok jahe untuk negara India dan Belanda, oleh
karena itu harus adanya perbaikan dari Departemen Pertanian terkait
peningkatan produktivitas jahe Indonesia, sebaiknya dilakukan perbaikan dan
peningkatan sumber daya manusia, mesin, kerjasama antar petani dan pengusaha
jahe, agar dapat menghasilkan jahe dalam jumlah banyak dan bermutu tinggi,
dengan begitu Indonesia akan tetap menjadi negara pemasok jahe dunia.
115
DAFTAR PUSTAKA
Akbar, Rizky Aditya, Agus Rusgiyono dan Tarno. (2016). Analisis Integrasi Pasar
Bawang Merah menggunakan Metode Vector Error Correction Model
(VECM) (Studi Kasus : Harga Bawang Merah di Provinsi Jawa Tengah).
Jurnal Gaussian. Vol. 5 No. 6 Februari 2016. Hal 811-820.
Anggraeni, Wiwik, Retno Kuspinasih, Faizal Mahananto, Sumaryanto, Kuntoro
Boga Andri dan Prasetyono. (2017) Model Vector Autoregressive (VAR)
untuk Meramalkan Jumlah Pengadaan Beras (Studi Kasus : Jawa Timur).
Jurnal Sesindo. Seminar Nasional Sistem Informasi Indonesia. November
2017. Hal. 271-278.
Backer, C.A., & Bakhuisen van den Brink R.C (1968). Flora of Java
(Spermatophytes Only). Vol. III Wolters-Noordhoff, N.V. Groningen: The
Belandas.
Badan Pusat Statistik. (2018). Produk Domestik Bruto. Jakarta: Badan Pusat
Statistik.
Badan Pusat Statistik. (2018). Statistik Tanaman Biofarmaka Indonesia. Jakarta:
Badan Pusat Statistik
Badan Pusat Statistik. (2018). Buletik Statistik Perdagangan Luar Negri Ekspor.
Jakarta: Badan Pusat Statistik
Badan Standarisasi Nasional. (2018). Standar Nasional Indonesia No. 01-3179-
2018 tentang Jahe Segar. Jakarta : Badan Standarisasi Nasional
Balai Penelitian Tanaman Obat dan Rempah. (1997). Jahe. Bogor: Balai Penelitian
Tanaman Rempah dan Obat
Cho, Doang Sung., Moon, Wy Chang. (2003). From adamsmith to michael porter
(evolusi teori daya saing). Salemba Empat
Cronquist, A. (1981). An Integrated System of Classification of Flowering Plants.
Columbia University Press, New York. hlm. 1177-1180.
Davis J.H. and R.A. Goldberg. (1957). A Concept of Agribusiness. Graduate
School of Business Administration. Harvad University. Harvad.
116
Direktorat Jenderal Hortikultura Kementerian Pertanian. (2018). Diakses dari
http://database.pertanian.go.id/eksim/index1.asppada tanggal 25 Agustus
2018
Departemen Kesehatan RI. (2008). Farmakope Herbal Indonesia, Edisi 1. Jakarta :
Departemen Kesehatan RI
Elpawati, Raditya Audayuda. (2017). Analisis Faktor Faktor Yang Mempengaruhi
Impor Jagung di Indonesia dengan Menggunakan Model Regresi Linier
Berganda. Jurnal Agribisnis. Vol.12 No. 2 Desember 2018. Hal 103-117.
FAO-Faostat. (2018). Food and Agriculture Organization Of The United Nations.
Diakses dari http://www.fao.org/faostat/en/#data/QC pada tanggal 25
Desember 2018.
Firdaus, M. (2011). Aplikasi Ekonometrika Untuk Data Panel dan Time Series.
Bogor. PT. Penerbit IPB Press.
FSCluster. (2016). Nigeria Food Security and Vulnerability Survey. FAO Nigeria.
Gumbira, Sa’id. dan A. Harizt Intan, (2004). Manajemen Agribisnis. Jakarta:
Ghalia Indonesia.
Hakim, Abdul. (2014). Pengantar Ekonometrika dengan Aplikasi EViews, Edisi 1
Cetakan 1. Ekonisia, Yogyakarta.
Hernani. (2011). Pengembangan Biofarmaka Sebagai Obat Herbal Untuk
Kesehatan. Buletin Teknologi Pacapanen Pertanian: Vol 7 (1). Balai Besar
Penelitian dan Pengembangan Pascapanen Pertanian
Kementerian Perindustrian. (2017). Industri Jamu Indonesia, Edisi 1. Jakarta :
Kementerian Perindustrian Republik Indonesia
Kementerian Perdagangan. (2017). Statistik Perdagangan Luar Negeri., Jakarta :
Kementerian Perdagangan Republik Indonesia
Kuwara, S. (2008). Jahe dan Hasil Olahannya, Jakarta : Pustaka Sinar Harapan
Latifah. (2008). Standar Operasional Prosedur Budidaya Jahe. Direktorat
Budidaya Tanaman Sayuran dan Biofarmaka, Departemen Pertanian,
Jakarta.
Nachrowi, Djalal Nachrowi, Hardius Usman. (2006). Pendekatan Populer dan
Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta:
Badan Penerbit Universitas Indonesia
117
Oktaviani, Mutiara. (2019). Peramalan Penjualan The Hijau Pada Tahun 2020
Pada PT. Rumpun Sari Kemuning 1 Karanganyar Jawa Tengah dengan
Menggunakan Model vector autoregressive (VAR) dan Vector Error
Correction Model (VECM). Universitas Syarif Hidayatullah. Jakarta
Paimin, F. B. dan Murhanato. (2008). Budidaya, Pengelolaan, Perdagangan Jahe.
Jakarta : Penebar Swadaya.
Praditya, A. (2012). Analisis Pengaruh Capital Inflow Terhadap Nilai Tukar
Rupiah dengan Menggunakan Model vector autoregressive (VAR) dan
Vector Error Correction Model (VECM). Institut Pertanian Bogor. Bogor
Pranyoto. (2017). Analisis Kointegrasi dan Kausalitas Granger Tingkat Suku
Bunga Simpanan, Perubahan Nilai Tukar Rp/USD dan Return Pasar Saham
di Bursa Efek Indonesia Menggunakan Model Vector Error Correction
Model (VECM) dan Variance Decompotion. Jurnal Bisnis Damajaya. Vol.3
No.2, Juli 2017
Pribadi, E.R. (2013). Status dan Prospek Peningkatan Produksi dan Ekspor Jahe
Indonesia. Perspektif, 12 (2): 79-90
Purwito, A dan Indriani. (2015). Ekspor, Impor, Sistem Harmonisasi, Nilai Pabean
dan Pajak dalam Kepabeanan, Jakarta: Mitra Wacana Media.
Pusat Data dan Informasi Pertanian. (2016). Outlook komoditas pertanian subsektor
hortikultura. Pusdatin Sekjen Kementerian Pertanian, Jakarta
Ramadhan. (2013). Aneka Manfaat Ampuh Rimpang Jahe untuk Pengobatan.
Surabaya : Diandra Primamitha,
Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtut Waktu Terapan dengan
Eviews. CV. Yogyakarta: Andi Offset
Salvatore, Dominick. (2014). Ekonomi Internasional. Jakarta: Salemba Empat.
Saragih, Bungaran. (2001). Suara dari Bogor : Membangun Sistem Agribisnis.
Bogor: Yayasan USESE bekerjasama dengan Sucofindo
Sharma. A.B. (2004). Global Medicinal Plants Demand May Touch $5Trilion By
2050. Indian Express 2004
Siswono, Y.H, et al. (2004) Pertanian Mandiri Pandangan Strategis Para pakar
Untuk Kemajuan Pertanian Indonesia. Jakarta: Penebar Swadaya.
118
Soekartawi. (2001). Pengantar Agroindustri Edisi 1 Cetakan ke 2. PT. Raja,
Jakarta: Grafindo Persada
Supranto, J. (1993). Metode Ramalan Kuantitatif untuk Perencanaan Ekonomi dan
Bisnis. Jakarta: PT Rineka Cipta
Suprapti, M. Lies. (2003). Aneka Awetan Jahe. Teknologi Pengolahan. Kanisinus :
Yogyakarta. Hal 12
Tambunan, Tulus. (2002). Perdagangan Internasional dan Neraca Pembayaran.
Jakarta: Pustaka LP3ES
UN Comtrade. (2018). International Trade in Goods Based on UN Comtrade
Data.Diakses dari https://comtrade.un.org/data/pada tanggal 20 Desember
2018.
World Healt Organization (WHO). (2003)
Widarjono, Agus. (2013). Ekonometrika Pengantar dan Aplikasinya Disertai
Panduan EViews. Yogyakarta: UPP SYIM YKPN.
119
LAMPIRAN
120
Lampiran 1. Data Ekspor Jahe Indonesia, Cina, India, Belanda Periode
Januari 2013 – Desember 2017 (Satuan ton)
Tahun Bulan Indonesia Cina India Belanda
2013
Januari 138.924 21232.962 345.173 2155.302
Februari 192.767 14628.714 502.004 3559.734
Maret 176.721 31701.162 371.367 2550.101
April 186.43 29683.634 439.474 1882.046
Mei 237.868 25591.627 405.002 1216.274
Juni 490.495 28955.866 271.309 1141.669
Juli 2438.868 27292.363 365.042 936.69
Agustus 3805.194 24357.956 1507.766 443.523
September 3240.133 22190.725 875.742 413.297
Oktober 3450.533 21118.887 587.62 3096.253
November 13278.567 21162.858 778.572 4296.421
Desember 1209.858 32061.545 5964.131 5282.221
2014
Januari 1486.4 40081.659 2662.592 5559.465
Februari 1359.53 20762.338 2657.007 4647.64
Maret 2439.812 40751.499 3091.682 3816.059
April 5800.354 35863.411 3650.87 2942.049
Mei 9728.587 24488.357 2804.462 1637.361
Juni 13078.382 27820.551 1345.062 1422.701
Juli 11716.696 35481.668 1266.779 2060.58
Agustus 7496.636 40404.926 529.924 3065.984
September 6037.938 36676.777 4713.784 5116.187
Oktober 1279.613 36116.502 9264.828 7240.747
November 5022.638 30902.431 12607.297 4917.737
Desember 4779.610 39517.149 10154.176 5378.138
2015
Januari 2742.592 38975.307 5157.224 3648.676
Februari 2317.207 33699.721 4667.952 5549.717
Maret 3091.652 40615.774 4032.514 2347.903
April 2650.87 32745.829 3060.079 1549.503
Mei 2874.462 27513.106 2055.9 798.805
Juni 1445.062 34389.442 719.958 878.377
Juli 1966.279 36367.325 1425.572 2744.828
Agustus 829.924 31988.302 561.328 4869.265
September 3713.784 45051.733 2185.117 4188.602
Oktober 4264.828 42126.223 856.787 3981.098
November 4607.297 39568.301 621.97 3131.071
Desember 4154.176 43001.433 1044.943 3024.568
121
2016
Januari 2832.192 18015.869 1577.035 3165.542
Februari 2327.107 18254.623 0 2388.373
Maret 3091.002 20277.151 2476.614 4516.94
April 3650.97 17168.804 2325.09 3448.913
Mei 3874.262 15216.128 2097.775 1825.835
Juni 1435.062 11957.237 1132.363 2317.427
Juli 2066.379 10600.19 1070.937 2615.417
Agustus 929.814 14506.855 0 1848.768
September 2713.784 16497.947 470.244 3667.939
Oktober 3260.828 16960.574 584.697 4616.978
November 3307.297 15989.837 1047.765 5377.569
Desember 2054.276 15605.028 850.43 4165.542
2017
Januari 275.925 22445.406 1035.061 4388.373
Februari 131.249 14078.226 1967.48 4512.74
Maret 105.746 20000.958 5747.247 4448.913
April 74.79 18724.054 1834.902 2825.835
Mei 281.723 13272.088 2164.729 2615.477
Juni 847.3 14154.956 1301.621 2613.417
Juli 1565.787 19700.234 1088.73 1848.768
Agustus 6741.395 22016.064 1071.556 2468.912
September 1254.343 21324.621 408.48 2878.735
Oktober 2461.815 22432.406 702.837 2915.427
November 511.206 20339.958 1468.183 3613.416
Desember 269.356 20588.662 1908.989 3848.758
122
Lampiran 2. Uji Stasioner Ekspor Jahe Indonesia, Cina, India, Belanda
a. Uji Stasioner Ekspor Jahe Indonesia Pada Level
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
I II III IV I II III IV I II III IV I II III IV I II III IV
2013 2014 2015 2016 2017
Indonesia
Null Hypothesis: INDONESIA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.917571 0.0035
Test critical values: 1% level -3.546099
5% level -2.911730
10% level -2.593551
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(INDONESIA)
Method: Least Squares
Date: 02/03/20 Time: 17:46
Sample (adjusted): 2013M02 2017M12
Included observations: 59 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
INDONESIA(-1) -0.423565 0.108119 -3.917571 0.0002
C 1291.032 461.1353 2.799681 0.0070
R-squared 0.212134 Mean dependent var 2.210712
Adjusted R-squared 0.198312 S.D. dependent var 2772.072
S.E. of regression 2482.030 Akaike info criterion 18.50485
Sum squared resid 3.51E+08 Schwarz criterion 18.57528
Log likelihood -543.8931 Hannan-Quinn criter. 18.53234
F-statistic 15.34736 Durbin-Watson stat 2.109799
Prob(F-statistic) 0.000242
123
b. Uji Stasioner Ekspor Jahe Cina Pada Level
10,000
15,000
20,000
25,000
30,000
35,000
40,000
45,000
50,000
I II III IV I II III IV I II III IV I II III IV I II III IV
2013 2014 2015 2016 2017
China
Null Hypothesis: CHINA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.067798 0.0346
Test critical values: 1% level -3.546099
5% level -2.911730
10% level -2.593551
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CHINA)
Method: Least Squares
Date: 02/03/20 Time: 17:48
Sample (adjusted): 2013M02 2017M12
Included observations: 59 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CHINA(-1) -0.284081 0.092601 -3.067798 0.0033
C 7473.547 2593.708 2.881414 0.0056
R-squared 0.141713 Mean dependent var -10.92034
Adjusted R-squared 0.126656 S.D. dependent var 7236.913
S.E. of regression 6763.104 Akaike info criterion 20.50966
Sum squared resid 2.61E+09 Schwarz criterion 20.58009
Log likelihood -603.0350 Hannan-Quinn criter. 20.53715
F-statistic 9.411384 Durbin-Watson stat 2.312325
Prob(F-statistic) 0.003297
124
c. Uji Stasioner Ekspor Jahe India Pada Level
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
I II III IV I II III IV I II III IV I II III IV I II III IV
2013 2014 2015 2016 2017
India
Null Hypothesis: INDIA has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.923028 0.0487
Test critical values: 1% level -3.546099
5% level -2.911730
10% level -2.593551
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(INDIA)
Method: Least Squares
Date: 02/03/20 Time: 17:52
Sample (adjusted): 2013M02 2017M12
Included observations: 59 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
INDIA(-1) -0.256128 0.087624 -2.923028 0.0050
C 573.3802 284.8593 2.012854 0.0489
R-squared 0.130356 Mean dependent var 26.50536
Adjusted R-squared 0.115100 S.D. dependent var 1753.979
S.E. of regression 1649.953 Akaike info criterion 17.68819
Sum squared resid 1.55E+08 Schwarz criterion 17.75862
Log likelihood -519.8017 Hannan-Quinn criter. 17.71568
F-statistic 8.544093 Durbin-Watson stat 1.753015
Prob(F-statistic) 0.004964
125
d. Uji Stasioner Ekspor Jahe Belanda Pada Level
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
I II III IV I II III IV I II III IV I II III IV I II III IV
2013 2014 2015 2016 2017
Netherland
Null Hypothesis: NETHERLAND has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.541426 0.0005
Test critical values: 1% level -3.550396
5% level -2.913549
10% level -2.594521
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(NETHERLAND)
Method: Least Squares
Date: 02/03/20 Time: 17:52
Sample (adjusted): 2013M04 2017M12
Included observations: 57 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
NETHERLAND(-1) -0.499965 0.110090 -4.541426 0.0000
D(NETHERLAND(-1)) 0.278473 0.127572 2.182867 0.0335
D(NETHERLAND(-2)) 0.327718 0.126918 2.582125 0.0126
C 1604.539 374.2103 4.287800 0.0001
R-squared 0.285368 Mean dependent var 22.78346
Adjusted R-squared 0.244917 S.D. dependent var 1183.614
S.E. of regression 1028.508 Akaike info criterion 16.77720
Sum squared resid 56064928 Schwarz criterion 16.92057
Log likelihood -474.1501 Hannan-Quinn criter. 16.83292
F-statistic 7.054666 Durbin-Watson stat 2.095377
Prob(F-statistic) 0.000446
126
Lampiran 3. Uji Lag Optimum
Lampiran 4. Uji Stabilitas Model VAR
VAR Lag Order Selection Criteria
Endogenous variables: INDONESIA CHINA INDIA NETHERLAND
Exogenous variables: C
Date: 02/03/20 Time: 18:08
Sample: 2013M01 2017M12
Included observations: 55
Lag LogL LR FPE AIC SC HQ
0 -2074.424 NA 7.83e+27 75.57905 75.72504 75.63551
1 -2003.033 129.8010 1.05e+27* 73.56485 74.29479* 73.84712*
2 -1994.972 13.48506 1.41e+27 73.85351 75.16740 74.36161
3 -1971.951 35.15815* 1.12e+27 73.59823 75.49608 74.33214
4 -1954.459 24.17174 1.11e+27 73.54395* 76.02575 74.50368
5 -1942.929 14.25506 1.42e+27 73.70650 76.77225 74.89205
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Roots of Characteristic Polynomial
Endogenous variables: INDONESIA CHINA
INDIA NETHERLAND
Exogenous variables: C
Lag specification: 1 2
Date: 02/03/20 Time: 18:17
Root Modulus
0.869315 0.869315
0.620495 - 0.344884i 0.709901
0.620495 + 0.344884i 0.709901
0.597704 0.597704
-0.271640 0.271640
-0.082439 - 0.254167i 0.267202
-0.082439 + 0.254167i 0.267202
0.155069 0.155069
No root lies outside the unit circle.
VAR satisfies the stability condition.
127
Lampiran 5. Uji Kausalitas Granger
Lampiran 6. Estimasi VAR Lag 1
Pairwise Granger Causality Tests
Date: 02/05/20 Time: 21:46
Sample: 2013M01 2017M12
Lags: 1
Null Hypothesis: Obs F-Statistic Prob.
CHINA does not Granger Cause INDONESIA 59 0.83760 0.3640
INDONESIA does not Granger Cause CHINA 2.58925 0.1132
INDIA does not Granger Cause INDONESIA 59 0.16332 0.6877
INDONESIA does not Granger Cause INDIA 1.64484 0.2049
NETHERLAND does not Granger Cause INDONESIA 59 0.45671 0.0478
INDONESIA does not Granger Cause NETHERLAND 2.17622 0.1458
INDIA does not Granger Cause CHINA 59 1.28760 0.2613
CHINA does not Granger Cause INDIA 0.57403 0.4518
NETHERLAND does not Granger Cause CHINA 59 0.92481 0.3403
CHINA does not Granger Cause NETHERLAND 0.00094 0.9757
NETHERLAND does not Granger Cause INDIA 59 8.60246 0.0049
INDIA does not Granger Cause NETHERLAND 1.26245 0.2660
Vector Error Correction Estimates
Date: 02/04/20 Time: 16:43
Sample (adjusted): 2013M04 2017M12
Included observations: 57 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
INDONESIA(-1) 1.000000
CHINA(-1) -0.066341
(0.07922)
[-0.83738]
INDIA(-1) -0.398258
(0.39897)
[-0.99821]
NETHERLAND(-1) -1.796917
(0.66766)
[-2.69138]
C 5199.562
Error Correction: D(INDONESIA) D(CHINA) D(INDIA) D(NETHER...
CointEq1 -0.178099 -0.181414 0.139755 0.195445
(0.10969) (0.22149) (0.06040) (0.03886)
[-1.62364] [-0.81905] [ 2.31384] [ 5.02905]
D(INDONESIA(-1)) -0.171907 0.387638 -0.098158 -0.190804
(0.17169) (0.34667) (0.09454) (0.06083)
[-1.00129] [ 1.11816] [-1.03832] [-3.13679]
D(INDONESIA(-2)) 0.050321 0.946999 -0.230421 -0.127866
(0.16262) (0.32837) (0.08954) (0.05762)
[ 0.30944] [ 2.88397] [-2.57329] [-2.21929]
D(CHINA(-1)) -0.036711 -0.429243 -0.021157 0.018461
(0.05605) (0.11317) (0.03086) (0.01986)
[-0.65499] [-3.79276] [-0.68552] [ 0.92966]
D(CHINA(-2)) -0.047460 -0.293394 -0.002030 0.000222
(0.05579) (0.11266) (0.03072) (0.01977)
[-0.85065] [-2.60427] [-0.06607] [ 0.01125]
D(INDIA(-1)) -0.141225 -0.234434 -0.090225 -0.036696
(0.24731) (0.49937) (0.13618) (0.08762)
[-0.57105] [-0.46946] [-0.66256] [-0.41881]
D(INDIA(-2)) 0.077287 -1.066385 -0.101467 -0.056665
(0.23280) (0.47008) (0.12819) (0.08248)
[ 0.33199] [-2.26852] [-0.79155] [-0.68701]
D(NETHERLAND(-1)) -0.064307 0.738449 0.497116 0.068217
(0.34675) (0.70017) (0.19093) (0.12285)
[-0.18546] [ 1.05467] [ 2.60363] [ 0.55528]
D(NETHERLAND(-2)) -0.417731 2.055373 0.600758 0.228404
(0.35255) (0.71187) (0.19412) (0.12491)
[-1.18490] [ 2.88727] [ 3.09473] [ 1.82860]
C 12.75200 -203.9713 32.76340 25.07331
(371.215) (749.571) (204.403) (131.521)
[ 0.03435] [-0.27212] [ 0.16029] [ 0.19064]
R-squared 0.172336 0.443022 0.373045 0.409777
Adj. R-squared 0.013847 0.336367 0.252990 0.296756
Sum sq. resids 3.69E+08 1.50E+09 1.12E+08 46304645
S.E. equation 2801.528 5656.957 1542.613 992.5750
F-statistic 1.087371 4.153774 3.107277 3.625660
Log likelihood -527.8432 -567.8983 -493.8320 -468.6990
Akaike AIC 18.87169 20.27713 17.67832 16.79646
Schwarz SC 19.23012 20.63556 18.03675 17.15489
Mean dependent 1.625175 -194.9561 26.97582 22.78346
S.D. dependent 2821.129 6944.145 1784.817 1183.614
Determinant resid covariance (dof adj.) 5.55E+26
Determinant resid covariance 2.57E+26
Log likelihood -2056.599
Akaike information criterion 73.70522
Schwarz criterion 75.28232
Number of coefficients 44
128
Vector Error Correction Estimates
Date: 02/04/20 Time: 16:43
Sample (adjusted): 2013M04 2017M12
Included observations: 57 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
INDONESIA(-1) 1.000000
CHINA(-1) -0.066341
(0.07922)
[-0.83738]
INDIA(-1) -0.398258
(0.39897)
[-0.99821]
NETHERLAND(-1) -1.796917
(0.66766)
[-2.69138]
C 5199.562
Error Correction: D(INDONESIA) D(CHINA) D(INDIA) D(NETHER...
CointEq1 -0.178099 -0.181414 0.139755 0.195445
(0.10969) (0.22149) (0.06040) (0.03886)
[-1.62364] [-0.81905] [ 2.31384] [ 5.02905]
D(INDONESIA(-1)) -0.171907 0.387638 -0.098158 -0.190804
(0.17169) (0.34667) (0.09454) (0.06083)
[-1.00129] [ 1.11816] [-1.03832] [-3.13679]
D(INDONESIA(-2)) 0.050321 0.946999 -0.230421 -0.127866
(0.16262) (0.32837) (0.08954) (0.05762)
[ 0.30944] [ 2.88397] [-2.57329] [-2.21929]
D(CHINA(-1)) -0.036711 -0.429243 -0.021157 0.018461
(0.05605) (0.11317) (0.03086) (0.01986)
[-0.65499] [-3.79276] [-0.68552] [ 0.92966]
D(CHINA(-2)) -0.047460 -0.293394 -0.002030 0.000222
(0.05579) (0.11266) (0.03072) (0.01977)
[-0.85065] [-2.60427] [-0.06607] [ 0.01125]
D(INDIA(-1)) -0.141225 -0.234434 -0.090225 -0.036696
(0.24731) (0.49937) (0.13618) (0.08762)
[-0.57105] [-0.46946] [-0.66256] [-0.41881]
D(INDIA(-2)) 0.077287 -1.066385 -0.101467 -0.056665
(0.23280) (0.47008) (0.12819) (0.08248)
[ 0.33199] [-2.26852] [-0.79155] [-0.68701]
D(NETHERLAND(-1)) -0.064307 0.738449 0.497116 0.068217
(0.34675) (0.70017) (0.19093) (0.12285)
[-0.18546] [ 1.05467] [ 2.60363] [ 0.55528]
D(NETHERLAND(-2)) -0.417731 2.055373 0.600758 0.228404
(0.35255) (0.71187) (0.19412) (0.12491)
[-1.18490] [ 2.88727] [ 3.09473] [ 1.82860]
C 12.75200 -203.9713 32.76340 25.07331
(371.215) (749.571) (204.403) (131.521)
[ 0.03435] [-0.27212] [ 0.16029] [ 0.19064]
R-squared 0.172336 0.443022 0.373045 0.409777
Adj. R-squared 0.013847 0.336367 0.252990 0.296756
Sum sq. resids 3.69E+08 1.50E+09 1.12E+08 46304645
S.E. equation 2801.528 5656.957 1542.613 992.5750
F-statistic 1.087371 4.153774 3.107277 3.625660
Log likelihood -527.8432 -567.8983 -493.8320 -468.6990
Akaike AIC 18.87169 20.27713 17.67832 16.79646
Schwarz SC 19.23012 20.63556 18.03675 17.15489
Mean dependent 1.625175 -194.9561 26.97582 22.78346
S.D. dependent 2821.129 6944.145 1784.817 1183.614
Determinant resid covariance (dof adj.) 5.55E+26
Determinant resid covariance 2.57E+26
Log likelihood -2056.599
Akaike information criterion 73.70522
Schwarz criterion 75.28232
Number of coefficients 44
129
Lampiran 7. Impulse Response Function (IRF) of Indonesia, Cina, India,
Belanda Periode Januari 2018-Desember 2024
Response of
INDONESIA:
Period INDONESIA CINA INDIA BELANDA
1 2801.528 0.000000 0.000000 0.000000
2 1824.723 -111.2615 -69.77039 249.1905
3 1804.549 -225.6356 127.2759 -46.42462
4 1413.971 -41.50567 232.9539 291.4065
5 1226.927 -17.29297 270.2875 388.4902
6 1155.879 -0.046608 197.7517 581.1056
7 1180.253 27.49676 139.4391 535.3376
8 1290.401 4.575757 104.0074 469.7522
9 1409.590 -20.10576 87.00170 405.3655
10 1440.482 -33.29775 98.69783 358.3711
11 1436.439 -40.36758 122.3535 345.7283
12 1399.906 -35.32705 139.8310 368.6026
13 1359.537 -27.05566 147.6164 394.4216
14 1337.655 -20.58254 145.1653 415.0752
15 1336.029 -17.39589 137.4981 421.6332
16 1347.502 -18.24437 130.2225 416.6205
17 1362.608 -21.09318 126.3339 406.8886
18 1372.534 -23.77630 126.3646 398.5223
19 1375.053 -25.27748 128.8389 394.7249
20 1371.780 -25.30295 131.6665 395.6263
21 1366.340 -24.40324 133.4599 398.9264
22 1362.061 -23.35366 133.7950 402.2688
23 1360.431 -22.67234 133.0679 404.1213
24 1361.172 -22.53232 132.0147 404.2017
25 1363.063 -22.79349 131.2341 403.1501
26 1364.806 -23.18274 130.9757 401.8717
27 1365.669 -23.47706 131.1594 401.0285
28 1365.597 -23.57890 131.5340 400.8395
29 1364.974 -23.51478 131.8577 401.1411
30 1364.293 -23.37696 132.0034 401.6112
31 1363.883 -23.25561 131.9725 401.9733
32 1363.828 -23.19938 131.8460 402.1043
33 1364.017 -23.20911 131.7173 402.0325
34 1364.273 -23.25536 131.6455 401.8673
35 1364.454 -23.30337 131.6416 401.7189
36 1364.507 -23.33074 131.6816 401.6480
37 1364.457 -23.33291 131.7307 401.6574
38 1364.364 -23.31844 131.7633 401.7123
39 1364.288 -23.30019 131.7709 401.7708
40 1364.256 -23.28785 131.7595 401.8049
41 1364.267 -23.28477 131.7415 401.8084
42 1364.298 -23.28883 131.7275 401.7914
43 1364.329 -23.29549 131.7223 401.7694
130
44 1364.345 -23.30075 131.7250 401.7541
45 1364.345 -23.30276 131.7313 401.7500
46 1364.335 -23.30184 131.7371 401.7547
47 1364.323 -23.29952 131.7398 401.7627
48 1364.315 -23.29738 131.7395 401.7692
49 1364.314 -23.29632 131.7374 401.7717
50 1364.317 -23.29641 131.7352 401.7707
51 1364.321 -23.29717 131.7338 401.7679
52 1364.325 -23.29801 131.7337 401.7653
53 1364.326 -23.29851 131.7343 401.7640
54 1364.325 -23.29858 131.7352 401.7641
55 1364.323 -23.29835 131.7358 401.7650
56 1364.322 -23.29803 131.7359 401.7660
57 1364.321 -23.29781 131.7357 401.7666
58 1364.322 -23.29774 131.7354 401.7667
59 1364.322 -23.29781 131.7352 401.7664
60 1364.323 -23.29792 131.7351 401.7661
61 1364.323 -23.29801 131.7351 401.7658
62 1364.323 -23.29805 131.7352 401.7657
63 1364.323 -23.29804 131.7353 401.7658
64 1364.323 -23.29800 131.7354 401.7659
65 1364.322 -23.29796 131.7354 401.7660
66 1364.322 -23.29794 131.7353 401.7661
67 1364.322 -23.29794 131.7353 401.7661
68 1364.323 -23.29796 131.7353 401.7660
69 1364.323 -23.29797 131.7353 401.7660
70 1364.323 -23.29798 131.7353 401.7659
71 1364.323 -23.29798 131.7353 401.7659
72 1364.323 -23.29798 131.7353 401.7659
73 1364.323 -23.29797 131.7353 401.7660
74 1364.323 -23.29797 131.7353 401.7660
75 1364.323 -23.29797 131.7353 401.7660
76 1364.323 -23.29797 131.7353 401.7660
77 1364.323 -23.29797 131.7353 401.7660
78 1364.323 -23.29797 131.7353 401.7660
79 1364.323 -23.29797 131.7353 401.7660
80 1364.323 -23.29797 131.7353 401.7660
81 1364.323 -23.29797 131.7353 401.7660
82 1364.323 -23.29797 131.7353 401.7660
83 1364.323 -23.29797 131.7353 401.7660
84 1364.323 -23.29797 131.7353 401.7660
131
Lampiran 8. Forecast Error Variance Decomposition (FEVD) of Indonesia,
Cina, India, Belanda Periode Januari 2018-Desember 2024
a. Forecast Error Variance Decomposition (FEVD) of Indonesia
Variance
Decomposition of INDONESIA:
Period S.E. INDONESIA CINA INDIA BELANDA 1 2801.528 100.0000 0.000000 0.000000 0.000000
2 3355.223 99.29520 0.109963 0.043241 0.551595
3 3818.793 98.98096 0.433997 0.144461 0.440584
4 4089.426 98.26879 0.388756 0.450474 0.891977
5 4295.699 97.21566 0.353938 0.804149 1.626256
6 4490.643 95.58370 0.323875 0.929767 3.162656
7 4676.073 94.52397 0.302156 0.946411 4.227468
8 4874.659 93.98679 0.278127 0.916395 4.818687
9 5091.320 93.82301 0.256519 0.869261 5.051212
10 5304.320 93.81411 0.240271 0.835473 5.110150
11 5507.748 93.81387 0.228222 0.824246 5.133657
12 5696.639 93.73454 0.217184 0.830743 5.217532
13 5871.808 93.58626 0.206542 0.845118 5.362084
14 6038.314 93.40362 0.196470 0.856948 5.542965
15 6200.257 93.23130 0.187128 0.861946 5.719630
16 6360.017 93.09522 0.178668 0.861110 5.864998
17 6518.319 92.99826 0.171143 0.857356 5.973241
18 6674.405 92.92828 0.164501 0.853570 6.053646
19 6827.262 92.87015 0.158588 0.851389 6.119878
20 6976.229 92.81284 0.153203 0.851038 6.182915
21 7121.251 92.75248 0.148201 0.851851 6.247469
22 7262.760 92.69040 0.143516 0.852917 6.313167
23 7401.351 92.63019 0.139130 0.853598 6.377079
24 7537.513 92.57492 0.135042 0.853712 6.436330
25 7671.526 92.52575 0.131248 0.853409 6.489588
26 7803.474 92.48211 0.127730 0.852964 6.537196
27 7933.337 92.44248 0.124458 0.852601 6.580458
28 8061.093 92.40540 0.121400 0.852415 6.620790
29 8186.771 92.36993 0.118526 0.852385 6.659160
30 8310.462 92.33580 0.115816 0.852431 6.695949
31 8432.289 92.30316 0.113254 0.852473 6.731114
32 8552.376 92.27223 0.110832 0.852467 6.764471
33 8670.824 92.24315 0.108541 0.852412 6.795902
34 8787.708 92.21585 0.106373 0.852329 6.825451
35 8903.078 92.19014 0.104319 0.852246 6.853297
36 9016.977 92.16579 0.102370 0.852178 6.879666
37 9129.449 92.14259 0.100516 0.852130 6.904762
38 9240.542 92.12043 0.098750 0.852097 6.928726
39 9350.306 92.09923 0.097067 0.852069 6.951638
40 9458.793 92.07896 0.095459 0.852040 6.973541
41 9566.051 92.05960 0.093923 0.852006 6.994467
42 9672.124 92.04112 0.092454 0.851970 7.014461
43 9777.049 92.02344 0.091048 0.851933 7.033578
132
44 9880.861 92.00652 0.089701 0.851897 7.051881
45 9983.595 91.99029 0.088409 0.851866 7.069432
46 10085.28 91.97471 0.087169 0.851837 7.086283
47 10185.95 91.95973 0.085978 0.851810 7.102479
48 10285.63 91.94533 0.084832 0.851784 7.118057
49 10384.36 91.93146 0.083730 0.851758 7.133047
50 10482.16 91.91812 0.082669 0.851733 7.147479
51 10579.05 91.90526 0.081647 0.851709 7.161382
52 10675.06 91.89287 0.080661 0.851685 7.174785
53 10770.22 91.88091 0.079710 0.851662 7.187715
54 10864.55 91.86937 0.078792 0.851641 7.200198
55 10958.06 91.85822 0.077905 0.851620 7.212258
56 11050.78 91.84744 0.077047 0.851600 7.223916
57 11142.73 91.83701 0.076218 0.851580 7.235191
58 11233.93 91.82692 0.075416 0.851561 7.246101
59 11324.39 91.81715 0.074639 0.851543 7.256664
60 11414.14 91.80769 0.073886 0.851525 7.266895
61 11503.18 91.79852 0.073157 0.851508 7.276811
62 11591.54 91.78963 0.072450 0.851491 7.286426
63 11679.24 91.78101 0.071764 0.851475 7.295753
64 11766.28 91.77264 0.071098 0.851459 7.304805
65 11852.68 91.76451 0.070452 0.851444 7.313594
66 11938.45 91.75662 0.069824 0.851429 7.322132
67 12023.61 91.74894 0.069214 0.851415 7.330428
68 12108.18 91.74148 0.068621 0.851401 7.338494
69 12192.16 91.73423 0.068044 0.851387 7.346338
70 12275.56 91.72717 0.067483 0.851374 7.353969
71 12358.40 91.72031 0.066936 0.851361 7.361397
72 12440.69 91.71362 0.066404 0.851348 7.368629
73 12522.44 91.70711 0.065886 0.851336 7.375672
74 12603.66 91.70076 0.065382 0.851324 7.382535
75 12684.35 91.69457 0.064890 0.851313 7.389223
76 12764.54 91.68854 0.064410 0.851301 7.395744
77 12844.23 91.68266 0.063942 0.851290 7.402104
78 12923.42 91.67693 0.063486 0.851280 7.408308
79 13002.14 91.67133 0.063041 0.851269 7.414363
80 13080.38 91.66586 0.062606 0.851259 7.420273
81 13158.15 91.66053 0.062182 0.851249 7.426043
82 13235.47 91.65531 0.061767 0.851239 7.431680
83 13312.34 91.65022 0.061362 0.851229 7.437186
84 13388.76 91.64525 0.060967 0.851220 7.442567
b. Forecast Error Variance Decomposition (FEVD) of Cina
Variance Decomposition
of CINA:
Period S.E. INDONESIA CINA INDIA BELANDA 1 5656.957 1.236243 98.76376 0.000000 0.000000
2 6674.767 0.936319 96.63055 0.018252 2.414880
3 8157.215 6.035013 78.71458 3.127204 12.12321
4 9182.122 4.779775 80.08138 4.048534 11.09031
133
5 9895.822 5.162399 80.59056 4.155301 10.09174
6 10691.79 5.683963 79.37733 4.396965 10.54174
7 11371.67 5.266832 79.82109 4.469767 10.44231
8 12011.10 4.960969 79.99120 4.466001 10.58183
9 12654.02 4.666494 79.96851 4.486255 10.87874
10 13261.53 4.391501 80.00313 4.527815 11.07755
11 13841.56 4.217711 79.97331 4.589585 11.21939
12 14397.60 4.096562 79.95686 4.653979 11.29260
13 14926.83 4.013639 79.96156 4.707353 11.31745
14 15436.45 3.947504 79.96584 4.747756 11.33890
15 15929.38 3.877954 79.98303 4.775731 11.36329
16 16408.07 3.806155 80.00010 4.796025 11.39772
17 16874.70 3.735570 80.01141 4.813623 11.43940
18 17329.63 3.669914 80.01914 4.830984 11.47996
19 17773.17 3.612748 80.02338 4.848810 11.51507
20 18205.73 3.564032 80.02619 4.866512 11.54326
21 18627.82 3.522066 80.02937 4.883077 11.56549
22 19040.20 3.484700 80.03318 4.897871 11.58425
23 19443.70 3.450069 80.03755 4.910795 11.60158
24 19839.02 3.417259 80.04202 4.922162 11.61856
25 20226.75 3.386114 80.04608 4.932442 11.63536
26 20607.31 3.356829 80.04958 4.942023 11.65157
27 20981.03 3.329624 80.05253 4.951118 11.66673
28 21348.22 3.304528 80.05512 4.959778 11.68058
29 21709.17 3.281366 80.05751 4.967964 11.69316
30 22064.16 3.259851 80.05983 4.975630 11.70469
31 22413.50 3.239696 80.06210 4.982770 11.71544
32 22757.47 3.220683 80.06430 4.989418 11.72560
33 23096.33 3.202686 80.06639 4.995640 11.73529
34 23430.31 3.185643 80.06834 5.001501 11.74452
35 23759.60 3.169518 80.07015 5.007054 11.75327
36 24084.40 3.154271 80.07185 5.012329 11.76155
37 24404.87 3.139850 80.07344 5.017344 11.76936
38 24721.18 3.126187 80.07496 5.022109 11.77675
39 25033.49 3.113211 80.07641 5.026635 11.78374
40 25341.95 3.100861 80.07780 5.030936 11.79040
41 25646.70 3.089086 80.07913 5.035028 11.79676
42 25947.88 3.077845 80.08040 5.038928 11.80283
43 26245.60 3.067107 80.08160 5.042653 11.80864
44 26539.98 3.056842 80.08275 5.046215 11.81419
45 26831.13 3.047023 80.08385 5.049626 11.81950
46 27119.15 3.037622 80.08491 5.052893 11.82458
47 27404.15 3.028612 80.08592 5.056026 11.82945
48 27686.22 3.019968 80.08689 5.059031 11.83412
49 27965.44 3.011666 80.08782 5.061915 11.83860
50 28241.89 3.003687 80.08871 5.064687 11.84291
51 28515.67 2.996013 80.08958 5.067353 11.84706
52 28786.85 2.988625 80.09040 5.069919 11.85105
53 29055.49 2.981510 80.09120 5.072391 11.85490
54 29321.68 2.974653 80.09197 5.074774 11.85860
55 29585.46 2.968039 80.09271 5.077072 11.86218
56 29846.92 2.961656 80.09343 5.079290 11.86562
57 30106.11 2.955492 80.09412 5.081431 11.86896
58 30363.08 2.949535 80.09479 5.083501 11.87217
59 30617.90 2.943776 80.09544 5.085502 11.87529
60 30870.61 2.938205 80.09606 5.087437 11.87830
61 31121.28 2.932812 80.09667 5.089311 11.88121
134
62 31369.93 2.927590 80.09725 5.091125 11.88403
63 31616.64 2.922530 80.09782 5.092883 11.88677
64 31861.43 2.917625 80.09837 5.094587 11.88942
65 32104.36 2.912868 80.09890 5.096240 11.89199
66 32345.46 2.908252 80.09942 5.097844 11.89448
67 32584.78 2.903772 80.09992 5.099401 11.89690
68 32822.35 2.899420 80.10041 5.100913 11.89925
69 33058.22 2.895193 80.10089 5.102381 11.90154
70 33292.42 2.891083 80.10135 5.103809 11.90376
71 33524.97 2.887088 80.10180 5.105197 11.90592
72 33755.93 2.883201 80.10223 5.106547 11.90802
73 33985.32 2.879420 80.10266 5.107861 11.91006
74 34213.17 2.875738 80.10307 5.109141 11.91205
75 34439.51 2.872153 80.10347 5.110386 11.91399
76 34664.38 2.868661 80.10386 5.111600 11.91588
77 34887.79 2.865258 80.10425 5.112782 11.91771
78 35109.79 2.861940 80.10462 5.113934 11.91951
79 35330.38 2.858705 80.10498 5.115058 11.92125
80 35549.61 2.855550 80.10534 5.116155 11.92296
81 35767.50 2.852472 80.10568 5.117224 11.92462
82 35984.07 2.849467 80.10602 5.118268 11.92625
83 36199.34 2.846533 80.10635 5.119287 11.92783
84 36413.34 2.843669 80.10667 5.120283 11.92938
c. Forecast Error Variance Decomposition (FEVD) of India
Variance Decomposition
of INDIA:
Period S.E. INDONESIA CINA INDIA BELANDA 1 1542.613 0.542783 0.397628 99.05959 0.000000
2 2075.842 0.308532 1.480712 96.87734 1.333418
3 2433.644 1.841594 1.530227 92.14085 4.487332
4 2654.819 2.297095 1.805609 92.06692 3.830375
5 2916.567 7.307958 2.545079 86.39215 3.754811
6 3269.937 14.46371 3.375251 76.98557 5.175462
7 3619.341 18.54914 4.034052 70.85248 6.564330
8 3934.112 20.29251 4.469518 67.93027 7.307701
9 4189.919 20.47120 4.731301 67.44450 7.353004
10 4406.516 20.13418 4.885367 67.82517 7.155280
11 4598.464 19.81500 4.989717 68.28577 6.909511
12 4780.062 19.73616 5.081038 68.45189 6.730910
13 4960.269 19.90874 5.174746 68.27042 6.646099
14 5142.506 20.22918 5.268800 67.85741 6.644608
15 5324.342 20.55275 5.357599 67.40806 6.681594
16 5501.792 20.79113 5.436248 67.05842 6.714201
17 5672.040 20.92753 5.502687 66.84869 6.721096
18 5834.639 20.99398 5.558047 66.74354 6.704426
19 5990.701 21.03332 5.605268 66.68528 6.676137
20 6141.926 21.07635 5.647282 66.62801 6.648358
21 6289.767 21.13513 5.686067 66.55084 6.627964
22 6435.031 21.20667 5.722450 66.45475 6.616135
23 6577.873 21.28093 5.756508 66.35239 6.610176
24 6718.087 21.34866 5.788056 66.25701 6.606276
135
25 6855.429 21.40549 5.816987 66.17589 6.601632
26 6989.826 21.45205 5.843414 66.10927 6.595269
27 7121.408 21.49168 5.867637 66.05303 6.587649
28 7250.428 21.52799 5.890021 66.00217 6.579820
29 7377.159 21.56325 5.910889 65.95319 6.572674
30 7501.817 21.59810 5.930466 65.90483 6.566603
31 7624.534 21.63208 5.948882 65.85753 6.561516
32 7745.378 21.66435 5.966208 65.81238 6.557067
33 7864.388 21.69435 5.982502 65.77025 6.552904
34 7981.608 21.72199 5.997822 65.73137 6.548815
35 8097.099 21.74757 6.012247 65.69543 6.544755
36 8210.938 21.77154 6.025856 65.66182 6.540788
37 8323.208 21.79427 6.038731 65.62999 6.537004
38 8433.986 21.81601 6.050939 65.59959 6.533461
39 8543.338 21.83681 6.062535 65.57049 6.530164
40 8651.318 21.85668 6.073563 65.54267 6.527081
41 8757.973 21.87559 6.084061 65.51618 6.524166
42 8863.345 21.89355 6.094061 65.49101 6.521379
43 8967.476 21.91062 6.103596 65.46708 6.518700
44 9070.407 21.92688 6.112699 65.44430 6.516123
45 9172.181 21.94242 6.121398 65.42253 6.513651
46 9272.838 21.95729 6.129722 65.40170 6.511287
47 9372.414 21.97156 6.137694 65.38171 6.509029
48 9470.945 21.98526 6.145338 65.36253 6.506871
49 9568.462 21.99840 6.152672 65.34412 6.504805
50 9664.996 22.01102 6.159715 65.32644 6.502821
51 9760.575 22.02314 6.166483 65.30946 6.500913
52 9855.226 22.03479 6.172992 65.29314 6.499075
53 9948.977 22.04600 6.179256 65.27744 6.497305
54 10041.85 22.05680 6.185290 65.26231 6.495599
55 10133.88 22.06721 6.191105 65.24773 6.493956
56 10225.07 22.07725 6.196714 65.23366 6.492371
57 10315.46 22.08695 6.202128 65.22008 6.490843
58 10405.07 22.09631 6.207356 65.20697 6.489367
59 10493.91 22.10535 6.212407 65.19430 6.487941
60 10582.00 22.11410 6.217291 65.18205 6.486562
61 10669.37 22.12256 6.222016 65.17020 6.485228
62 10756.03 22.13074 6.226589 65.15873 6.483937
63 10841.99 22.13867 6.231017 65.14763 6.482686
64 10927.28 22.14635 6.235308 65.13686 6.481474
65 11011.91 22.15380 6.239468 65.12643 6.480300
66 11095.89 22.16102 6.243502 65.11632 6.479161
67 11179.24 22.16803 6.247416 65.10650 6.478055
68 11261.97 22.17483 6.251215 65.09697 6.476983
69 11344.10 22.18144 6.254905 65.08772 6.475941
70 11425.64 22.18786 6.258490 65.07872 6.474928
71 11506.61 22.19410 6.261975 65.06999 6.473944
72 11587.00 22.20016 6.265363 65.06149 6.472988
73 11666.85 22.20606 6.268658 65.05322 6.472057
74 11746.15 22.21180 6.271865 65.04518 6.471151
75 11824.92 22.21739 6.274987 65.03735 6.470270
76 11903.16 22.22283 6.278027 65.02973 6.469411
77 11980.90 22.22814 6.280988 65.02230 6.468575
78 12058.14 22.23330 6.283874 65.01506 6.467760
79 12134.88 22.23834 6.286687 65.00801 6.466966
80 12211.14 22.24325 6.289430 65.00113 6.466192
81 12286.93 22.24804 6.292105 64.99442 6.465436
136
82 12362.25 22.25271 6.294715 64.98787 6.464699
83 12437.12 22.25727 6.297263 64.98148 6.463979
84 12511.54 22.26173 6.299750 64.97525 6.463277
d. Forecast Error Variance Decomposition (FEVD) of Belanda
Variance Decomposition of BELANDA:
Period S.E. INDONESIA CINA INDIA BELANDA 1 992.5750 0.614765 0.741780 2.260042 96.38341
2 1220.622 0.480663 1.207100 1.812674 96.49956
3 1402.347 1.679167 0.966473 3.644649 93.70971
4 1596.868 17.64524 0.755874 5.805656 75.79323
5 1811.388 32.99806 0.792021 6.552252 59.65767
6 2023.785 44.91632 1.013259 6.174806 47.89562
7 2166.332 51.01484 1.142140 5.744341 42.09868
8 2264.367 54.17143 1.198819 5.406537 39.22321
9 2343.337 55.59258 1.194251 5.186394 38.02677
10 2418.067 56.40776 1.162122 5.069767 37.36035
11 2496.415 57.27162 1.127244 5.041436 36.55970
12 2580.817 58.47655 1.100962 5.057429 35.36506
13 2668.605 59.90983 1.088835 5.065923 33.93541
14 2755.720 61.35580 1.088510 5.041596 32.51409
15 2838.425 62.62664 1.092348 4.992740 31.28827
16 2915.600 63.65995 1.094597 4.936482 30.30897
17 2988.321 64.48238 1.093056 4.885936 29.53862
18 3058.344 65.16434 1.088415 4.846949 28.90030
19 3127.098 65.77477 1.082577 4.819343 28.32331
20 3195.291 66.35735 1.077204 4.799251 27.76620
21 3262.937 66.92525 1.073162 4.781983 27.21961
22 3329.674 67.47183 1.070480 4.764335 26.69335
23 3395.099 67.98447 1.068652 4.745421 26.20146
24 3459.006 68.45489 1.067081 4.725976 25.75206
25 3521.433 68.88257 1.065385 4.707239 25.34481
26 3582.573 69.27310 1.063468 4.690121 24.97332
27 3642.651 69.63437 1.061434 4.674905 24.62930
28 3701.830 69.97326 1.059449 4.661341 24.30595
29 3760.188 70.29402 1.057638 4.648935 23.99940
30 3817.735 70.59839 1.056039 4.637235 23.70834
31 3874.454 70.88663 1.054622 4.625985 23.43276
32 3930.337 71.15875 1.053325 4.615129 23.17280
33 3985.399 71.41520 1.052091 4.604731 22.92798
34 4039.679 71.65703 1.050892 4.594872 22.69721
35 4093.224 71.88567 1.049724 4.585589 22.47902
36 4146.082 72.10256 1.048597 4.576858 22.27199
37 4198.285 72.30890 1.047525 4.568614 22.07496
38 4249.860 72.50559 1.046513 4.560783 21.88711
39 4300.823 72.69325 1.045561 4.553305 21.70789
40 4351.189 72.87236 1.044659 4.546145 21.53684
41 4400.975 73.04338 1.043799 4.539286 21.37354
42 4450.200 73.20678 1.042975 4.532720 21.21753
43 4498.884 73.36306 1.042183 4.526439 21.06832
44 4547.045 73.51271 1.041421 4.520432 20.92544
137
45 4594.703 73.65618 1.040690 4.514680 20.78845
46 4641.873 73.79388 1.039989 4.509166 20.65696
47 4688.570 73.92616 1.039317 4.503869 20.53066
48 4734.807 74.05331 1.038672 4.498776 20.40925
49 4780.596 74.17561 1.038052 4.493875 20.29246
50 4825.950 74.29333 1.037455 4.489155 20.18006
51 4870.882 74.40672 1.036880 4.484608 20.07179
52 4915.402 74.51601 1.036325 4.480226 19.96744
53 4959.523 74.62143 1.035789 4.476000 19.86679
54 5003.256 74.72317 1.035273 4.471921 19.76963
55 5046.609 74.82144 1.034773 4.467983 19.67580
56 5089.593 74.91641 1.034291 4.464177 19.58512
57 5132.217 75.00824 1.033825 4.460496 19.49744
58 5174.490 75.09708 1.033374 4.456935 19.41261
59 5216.421 75.18307 1.032938 4.453488 19.33050
60 5258.017 75.26635 1.032515 4.450150 19.25098
61 5299.286 75.34705 1.032106 4.446915 19.17393
62 5340.237 75.42528 1.031708 4.443779 19.09924
63 5380.876 75.50115 1.031323 4.440738 19.02679
64 5421.210 75.57478 1.030949 4.437787 18.95648
65 5461.247 75.64626 1.030587 4.434922 18.88824
66 5500.992 75.71567 1.030234 4.432139 18.82195
67 5540.452 75.78312 1.029892 4.429436 18.75755
68 5579.633 75.84868 1.029559 4.426808 18.69495
69 5618.540 75.91243 1.029235 4.424252 18.63408
70 5657.180 75.97444 1.028921 4.421767 18.57487
71 5695.558 76.03479 1.028614 4.419348 18.51725
72 5733.680 76.09354 1.028316 4.416993 18.46115
73 5771.549 76.15075 1.028026 4.414700 18.40652
74 5809.171 76.20649 1.027743 4.412466 18.35331
75 5846.552 76.26080 1.027467 4.410288 18.30145
76 5883.695 76.31374 1.027198 4.408166 18.25089
77 5920.604 76.36537 1.026936 4.406097 18.20159
78 5957.286 76.41574 1.026680 4.404078 18.15350
79 5993.742 76.46488 1.026431 4.402108 18.10658
80 6029.979 76.51284 1.026187 4.400186 18.06079
81 6065.998 76.55967 1.025950 4.398309 18.01607
82 6101.806 76.60540 1.025718 4.396475 17.97241
83 6137.404 76.65007 1.025491 4.394685 17.92975
84 6172.797 76.69373 1.025269 4.392935 17.88807
Cholesky Ordering:
INDONESIA CINA INDIA BELANDA