iv. metodologi penelitian - repository.ipb.ac.id · kebijakan perdagangan yang merupakan variabel...
TRANSCRIPT
IV. METODOLOGI PENELITIAN
Dalam menganalisis dampak kebijakan perdagangan terhadap kinerja
ekspor produk industri pengolahan kayu primer, digunakan model ekonometrika
sebagai alat analisis, dan dibangun sesuai dengan kerangka pemikiran pada bab
sebelumnya. Model operasional disusun berdasarkan model yang telah
dikembangkan oleh Labys (1973) dan Sinaga (1989) dengan penekanan pada
kebijakan perdagangan yang merupakan variabel kebijakan (eksogen) pada
persamaan-persamaan struktural yang ada. Model struktural diharapkan
merupakan representasi dari seluruh variabel endogen dan variabel eksogen yang
secara operasional menghasilkan tanda dan besaran nilai-nilai penduga parameter
yang sesuai dengan harapan teori ekonomi. Aspek dinamis dari persamaan
struktural diakomodasikan dengan cara memasukkan variabel endogen tahun
sebelumnya (lagged variables) ke dalam model dalam bentuk persamaan
simultan.
4.1. Model Operasional
Model Ekonometrika Produk Industri Pengolahan Kayu Primer Indonesia
dibentuk sebagai sistem persamaan simultan dan dinamis. Model terdiri dari
empat blok yaitu blok Kayu Bulat, blok Kayu Gergajian, blok Kayu Lapis dan
blok Pulp, setiap blok terdiri dari beberapa persamaan yang jumlah
keseluruhannya 39 persamaan, yaitu 25 persamaan struktural dan 14 persamaan
identitas. Seluruh blok merupakan satu sistem persamaan, yang menggambarkan
keterkaitan kebijakan perdagangan dengan kinerja ekspor produk pengolahan
kayu primer Indonesia.
62
4.1.1. Kayu Bulat
1. Produksi Kayu Bulat Domestik:
QRINA = a0 + a1 DPRINAR + a2 INRTS + a3 PSDH + a4 LDNRBS +
a5 UPAH + a6 LQRINA+ Ut; ....................................... (01)
dimana :
QRINA = Produksi Kayu Bulat Domestik (1000 m3)
DPRINAR = Selisih Harga Kayu Bulat Domestik t dan t-1 (Rp/m3)
INRTS = Suku Bunga Riil (%)
PSDH = Provisi Sumber Daya Hutan (Juta Rupiah)
LDNRBS = Lag Dana Reboisasi (Juta Rupiah)
UPAH = Upah Tenaga Kerja (Rp/hari)
LQRINA = Lag Produksi Kayu Bulat Domestik (1000 m3)
t = Tahun ke t
t-1 = Time Lag (satu tahun sebelumnya)
U = Error
Tanda dan besaran parameter dugaan yang diharapkan adalah : a1, a2, a3 > 0; a4,
a5, a6 < 0
2. Ekspor Kayu Bulat Indonesia
XRINA = b0 + b1 PRWORR + b2 DNTINA + b3 DQRINA + b4
DUMLRX + b5 TAXER + b6 LXRINA + Ut; .............. (02)
dimana :
XRINA = Ekspor Kayu Bulat Indonesia (1000 m3)
PRWORR = Harga Riil Kayu Bulat Dunia(US$/m3)
DNTINA = Selisih Nilai Tukar t dengan Nilai Tukar t-1
63
DQRINA = Selisih Produksi t dengan Produksi t-1 (m3)
DUMLRX = Dummy Larangan Ekspor
TAXER = Pajak Ekspor (persen)
LXRINA = Lag Ekpor Kayu Bulat (1000/m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : b1, b2, b3 > 0; b4,
b5, b6 < 0
3. Penawaran Kayu Bulat Domestik
SRINA = QRINA – XRINA; ........................................................... (03)
dimana:
SRINA = Penawaran Kayu Bulat Domestik
QRINA = Produksi Kayu Bulat Domestik
XRINA = Ekspor Kayu Bulat Indonesia
4. Permintaan Kayu Bulat oleh Industri Kayu Gergajian
DRSINA = e0 + e1 PRINAR + e2 PSINAR + e3 DINRTS +
e4 LDRSINA + Ut; ....................................................... (04)
dimana :
DRSINA = Permintaan Kayu Bulat oleh Industri Kayu Gergajian (1000 m3)
PRINAR = Harga Kayu Bulat Domestik (Rp/ m3)
PSINAR = Harga Riil Kayu Gergajian Domestik (m3 /Rp)
DINRTS = Selisih Bunga Bank pada Tahun t dengan t-1
LDRSINA = Lag Permintaan Kayu Bulat oleh Industri Kayu Gergajian (1000 m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : e1, e2>0; e3, e4<0
64
5. Permintaan Kayu Bulat oleh Industri Kayu Lapis
DRLINA = f0 + f1 PRINAR + f2 DPLINAR + f3 INRTS +
f4 LDRLINA + Ut; ........................................................ (05)
dimana :
DRLINA = Permintaan Kayu Bulat oleh Industri Kayu Lapis (1000 m3)
PRINAR = Harga Kayu Bulat Domestik (Rp/m3)
DPLINAR = Selisih Harga Kayu Bulat Domestik Tahun t dengan Harga Kayu Bulat Domestik Tahun t-1 INRTS = Suku Bunga Bank (persen)
LDRLINA = Lag Permintaan Kayu Bulat oleh Industri Kayu Lapis (m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : f1, f2>0; f3, f4<0
6. Permintaan Kayu bulat oleh Industri Pulp
DRPINA = g0 + g1 PRINAR + g2 PPINAR + g3 INRTS +
g4 LDRPINA + Ut; ....................................................... (06)
dimana :
DRPINA = Permintaan Kayu Bulat oleh Industri Pulp (1000 m3)
PRINAR = Harga Kayu Bulat Domestik (Rp/m3)
PPINAR = Harga Pulp Domestik (Rp/m3)
INRTS = Suku Bunga Bank (persen)
LDRPINA = Lag Permintaan Kayu Bulat oleh Industri Pulp (1000 m3)
7. Permintaan Kayu Bulat Domestik
DRINA = DRSINA + DRLINA + DRPINA; ........................ (07)
dimana :
DRINA = Permintaan Kayu Bulat Domestik (1000 m3)
65
DRSINA = Permintaan Kayu Bulat oleh Industri Kayu Gergajian (1000 m3)
DRLINA = Permintaan Kayu Bulat oleh Industri Kayu Lapis (1000 m3)
DRPINA = Permintaan Kayu Bulat oleh Industri Pulp (1000 m3)
8. Harga Kayu Bulat Domestik
PRINAR = c0 + c1 SRINA + c2 DRINA + c3 LPRWORR +
c4 LPRINAR + Ut; ....................................................... (08)
dimana :
PRINAR = Harga Kayu Bulat Domestik (Rp/m3)
SRINA = Penawaran Kayu Bulat (m3)
DRINA = Permintaan Kayu Bulat Domestik
LPRWORR = Lag Harga Kayu Bulat Dunia
LPRINAR = Lag Harga Riil Kayu Bulat Domestik (Rp/m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : c1, c2>0; c3, c4<0
9. Harga Kayu Bulat Dunia
PRWORR = d0 + d1 DXRINA + d2 MRWOR +
d3 LPRWORR + Ut; ................................................... (09)
dimana :
PRWORR = Harga Riil Kayu Bulat Dunia (US$/m3)
DXRINA = Selisih Ekspor KB Indonesia pada t dengan Lagnya
MRWOR = Impor Kayu Bulat Dunia
LPRWORR = Lag Harga Kayu Bulat Dunia
Tanda dan besaran parameter dugaan yang diharapkan adalah : d1 > 0; d2, d3 < 0
4.1.2. Kayu Gergajian
10. Produksi Kayu Gergajian Domestik
66
QSINA = K1 * DRSINA;................................................................. (10)
dimana :
QSINA = Produksi Kayu Gergajian Domestik (1000 m3)
K1 = Konstanta Rendemen Kayu Gergajian (0,50)
DRSINA = Permintaan Kayu Bulat oleh Industri Kayu Gergajian (1000 m3)
11. Ekspor Kayu Gergajian ke Cina
XSCIN = h0 + h1 DPSWORR + h2 PSINAR + h3 QSINA + h4 NTINA +
h5 GDCIN + h6 TW + h7 LXSCIN + Ut; ....................... (11)
dimana :
XSCIN = Ekspor Kayu Gergajian ke Cina (1000 m3)
DPSWORR = Selisih Harga Riil Dunia Kayu Bulat dengan Harga Lagnya (US$/m3)
PSINAR = Harga Riil Kayu Gergajian Domestik (Rp/m3)
QSINA = Produksi Kayu Gergajian Domestik (1000 m3)
NTINA = Nilai Tukar Rupiah terhadap US $
GDCIN = GDP Cina
TW = Kecenderungan Waktu
LXSCIN = Lag XSCIN
Tanda dan besaran parameter dugaan yang diharapkan adalah : h1, h2, h3, h4 > 0;
h5, h6, h7 < 0
12. Ekspor Kayu Gergajian ke Jepang
XSJPN = i0 + i1 PSWORR + i2 PSINAR + i3 QSINA + i4 NTINA +
i5 FPOJPN + i6 LXSJPN + Ut; ...................................... (12)
dimana :
67
XSJPN = Ekspor Kayu Gergajian ke Jepang (1000m3)
PSWORR = Harga Kayu Gergajian Dunia (US $/m3)
PSINAR = Harga Riil Kayu Gergajian Domestik (Rp/m3)
QSINA = Produksi Kayu Gergajian Domestik (1000m3)
NTINA = Nilai Tukar Rupiah
FPOJPN = Pertumbuhan Penduduk Jepang (persen)
Tanda dan besaran parameter dugaan yang diharapkan adalah : i1, i2, i3 > 0; i4,
i5, i6 < 0
13. Ekspor Kayu Gergajian ke Arab Saudi
XSARB = j0 + j1 PSWORR + j2 PSINAR + j3 QSINA + j4 NTINA +
j5 TW + j6 LXSARB + Ut; ........................................... (13)
dimana :
XSARB = Ekspor Kayu Gergajian ke Arab Saudi (1000 m3)
PSWORR = Harga Dunia Kayu Bulat (US $/m3)
PSINAR = Harga Riil Kayu Gergajian Domestik (Rp/m3)
QSINA = Produksi Kayu Gergajian Domestik (1000 m3)
NTINA = Nilai Tukar Rupiah terhadap US $
TW = Kecenderungan Waktu
LXSARB = Lag Ekspor Kayu Gergajian ke Arab Saudi
Tanda dan besaran parameter dugaan yang diharapkan adalah : j1, j2, j3 > 0; j4,
j5, j6 < 0
14. Ekspor Kayu Gergajian Indonesia
XSINA = XSCIN + XSJPN + XSARB + XSOTH; ………………. (14)
dimana:
68
XSINA = Ekspor Kayu Gergajian Indonesia
XSCIN = Ekspor Kayu Gergajian ke Cina
XSJPN = Ekspor Kayu Gergajian ke Jepang
XSARB = Ekspor Kayu Gergajian ke Arab
XSOTH = Ekspor Kayu Gergajian ke Negara Lain
15. Ekspor Kayu Gergajian Dunia
XSWORT = XSINA + XPWOTH; ……………………………….. (15)
dimana:
XSWORT = Ekspor Kayu Gergajian Dunia
XSINA = Ekspor Kayu Gergajian Indonesia
XPWOTH = Ekspor Kayu Gergajian Negara Lain
16. Penawaran Kayu Gergajian Domestik
SSINA = QSINA - XSINA; ............................................................. (16)
dimana:
SSINA = Penawaran Kayu Gergajian Domestik
QSINA = Produksi Kayu Gergajian Domestik
17. Permintaan Kayu Gergajian Domestik
DSINA = k1 DPSINAR + k2 PLINAR + k3 GDINA + k4 TW +
k5 LDSINA + Ut; ............................................................ (17)
dimana :
DSINA = Permintaan Kayu Bulat Domestik (1000 m3) DPSINAR = Selisih Harga KG pada t dengan Harga lagnya
PLINAR = Harga Riil Kayu Lapis Domestik
GDINA = Produk Domestik Bruto Indonesia
69
TW = Kecenderungan Waktu
LDSINA = Lag Permintaan Kayu Gergajian (1000 m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : k1, k2, k3 > 0; k4,
k5 < 0
18. Harga Kayu Gergajian Domestik
PSINAR = m0 + m1 SSINA + m2 DDSINA + m3 PSWORR +
m4 LPSINAR + Ut; ....................................................... (18)
dimana :
PSINAR = Harga Kayu Gergajian Domestik (Rp/m3)
SSINA = Penawaran Kayu Gergajian Domestik
DDSINA = Selisih Permintaan Kayu Gergajian (KG) pada t dengan Permintaan KG pada t-1
PSWORR = Harga Riil Kayu Gergajian Dunia (US$/m3)
LPSINAR = Lag Harga Kayu Gergajian Domestik(Rp/m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : m1, m2 > 0; m3,
m4 < 0
19. Harga Kayu Gergajian Dunia
PSWORR = l0 + l1 XSWORT + l2 DMSWORT +
l3 LPSWORR + Ut; ..................................................... (19)
dimana :
PSWORR = Harga Kayu Gergajian Dunia (US$/m3)
XSWORT = Ekspor Kayu Gergajian Dunia
DMSWORT = Selisih Impor Kayu Gergajian Dunia pada Tahun t dengan Impor Kayu Gergajian pada t-1
LPSWORR = Lag PSWORR
70
Tanda dan besaran parameter dugaan yang diharapkan adalah : l1, l2 > 0;
l3 < 0
4.1.3. Kayu Lapis
20. Produksi Kayu Lapis Domestik
QLINA = K1 * DRLINA;................................................................. (20)
dimana :
QLINA = Produksi Kayu Lapis Domestik (1000 m3)
K1 = Konstanta Rendemen Kayu Lapis (0,55)
DRLINA = Permintaan Kayu Bulat oleh Industri Kayu Lapis (1000 m3)
21. Ekspor Kayu Lapis ke Cina
XLCIN = n0 + n1 DPLWORR + n2 PLINAR + n3 QLINA + n4 FNTINA
+ n5 TW + n6 LXLCIN + Ut; ....................................... (21)
dimana :
XLCIN = Ekspor Kayu Lapis ke Cina (1000 m3)
DPLWORR = Harga Riil Kayu Lapis Dunia (US$/m3)
PLINAR = Produksi Kayu Gergajian (m3)
QLINA = Produksi Kayu Lapis Domestik (1000 m3)
FNTINA = Pertumbuhan Nilai Tukar Rupiah terhadap US $
TW = Kecenderungan Waktu
LXLCIN = Lag XLCIN
Tanda dan besaran parameter dugaan yang diharapkan adalah : n1, n2, n3>0; n4,
n5, n6<0
22. Ekspor Kayu Lapis ke Jepan
71
XLJPN = o0 + o1 DPLWORR + o2 DPLINAR + o3 QLINA + o4
FNTINA + o5 TW + o6 LXLJPN + Ut; .......................... (22)
dimana :
XLJPN = Ekspor Kayu Lapis ke Jepang (m3)
DPLWORR = Selisih Harga Kayu Lapis Dunia pd t dengan lagnya
DPLINAR = Selisih Harga Kayu Lapis pada t dengan Harga Kayu Lapis pada t-1
QLINA = Produksi Kayu Lapis Indonesia (1000 m3)
FNTINA = Pertumbuhan Nilai Tukar Rupiah terhadap US $
TW = Kecenderungan Waktu
LXLJPN = Ekspor Kayu Gergajian ke Jepang pada t-1 (1000 m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : o1, o2, o3 > 0; o4,
o5, o6 < 0
23. Ekspor Kayu Lapis ke Korea Selatan
XLKRA = p0 + p1 DPLWORR + p2 DPLINAR + p3 QLINA + p4
FNTINA + p5 TW + p6 LXLKRA + Ut; ...................... (23)
dimana :
XLKRA = Ekspor Kayu Lapis ke Korea Selatan (1000 m3)
DPLWORR = Selisih Harga Kayu Lapis Dunia pada t dengan Harga Kayu Lapis Dunia pada t-1
DPLINAR = Selisih Harga Kayu Lapis Domestik pada t dengan Harga
Kayu Lapis Domestik pada t-1 QLINA = Produksi Kayu Lapis Indonesia (1000 m3)
FNTINA = Pertumbuhan Nilai Tukar Rupiah terhadap US $
TW = Kecenderungan Waktu
LXLKRA = Ekspor Kayu Lapis ke Korea Selatan pada t-1 (1000 m3)
72
Tanda dan besaran parameter dugaan yang diharapkan adalah : p1, p2, p3 > 0; p4,
p5, p6 < 0
24. Ekspor Kayu Lapis Indonesia
XLINA = XLCIN + XLJPN + XLKRA + XLOTHR ; …… (24)
dimana:
XLPINA = Ekspor Kayu Lapis Indonesia
XLCIN = Ekspor Kayu Lapis ke Cina
XLPJPN = Ekspor Kayu Lapis ke Jepang
XLPKRA = Ekspor Kayu Lapis ke Korea
XLPOTHR = Ekspor Kayu Lapis ke Negara Lain
25. Ekspor Kayu Lapis Dunia
XLWORT = XLINA + XLWOTH; .................................................. (25)
dimana:
XLWORT = Ekspor Kayu Lapis Dunia
XLINA = Ekspor Kayu Lapis Indonesia
XLWOTH = Ekspor Kayu Lapis Negara Lain
26. Penawaran Kayu Lapis Domestik
SLINA = QLINA - XLINA; ........................................................... (26)
dimana:
SLINA = Penawaran Kayu Lapis Domestik
27. Permintaan Kayu Lapis Domestik
DLINA = q1 PLINAR + q2 PSINAR + q3 GDINA + Ut; ............. (27)
dimana :
DLINA = Permintaan Kayu Lapis Domestik (1000 m3)
73
PLINAR = Harga Riil Kayu Lapis Domestik (Rp/m3)
PSINAR = Harga Kayu Riil Gergajian Domestik (Rp/m3)
GDINA = Produk Domestik Bruto Indonesia
Tanda dan besaran parameter dugaan yang diharapkan adalah : q1, q2 > 0; q3 < 0
28. Harga Kayu Lapis Domestik
PLINAR = s1 SLINA + s2 DDLINA + s3 PLWORR +
s4 LPLINAR + Ut; ........................................................ (28)
dimana :
PLINAR = Harga Kayu Lapis Domestik (Rp/m3)
SLINA = Penawaran Kayu Lapis Domestik (1000 m3)
DDLINA = Selisih Penawaran Kayu Lapis Domestik pada t dengan Suplai Kayu Lapis t-1
PLWORR = Harga Riil Kayu Lapis Dunia
LPLINAR = Lag Harga Kayu Lapis Domestik (Rp/m3)
Tanda dan besaran parameter dugaan yang diharapkan adalah : s1, s2>0; s3,
s4< 0
29. Harga Kayu Lapis Dunia
PLWORR = r0 + r1 DXLWORT + r2 MLWOR + r3 LPLWORR
+ Ut; ............................................................................. (29)
dimana :
PLWORR = Harga Kayu Lapis Dunia (US $)
DXLWORT = Selisih Ekspor Kayu Lapis Dunia pada t dengan Ekspor Kayu Lapis pada t-1
MLWOR = Impor Kayu Lapis Indonesia
LPLWORR = Harga Riil Kayu Lapis Dunia pada t-1 (US $)
74
Tanda dan besaran parameter dugaan yang diharapkan adalah : r1, r2 > 0; r3 < 0
4.1.4. Pulp
30. Produksi Pulp Domestik
QPINA = K1 * DRPINA;................................................................. (30)
dimana :
QPINA = Produksi Pulp Domestik (1000 ton)
K1 = Konstanta Rendemen Pulp (0,25)
DRLINA = Permintaan Kayu Bulat oleh Industri Pulp (1000 m3)
31. Ekspor Pulp ke Cina
XPCIN = t0 + t1 DPPWORR + t2 DPPINAR + t3 QPINA + t4 DNTINA
+ t5 TW + t6 LXPCIN + Ut; ………………………….. (31)
dimana:
XPCIN = Ekspor Pulp ke Cina (m3)
DPPWORR = Selisih Harga Pulp Dunia pada t dengan Harga Pulp Dunia pada t-1 (US $)
DPPINAR = Selisih Harga Pulp Domestik pada t dengan Harga Pulp
Domestik pada t-1 (Rp/m3) QPINA = Produksi Pulp Domestik
DNTINA = Selisih Nilai Tukar pada t dengan Nilai Tukar pada t-1
TW = Kecenderungan Waktu
LXPCIN = Lag Ekspor Pulp ke Cina (ton)
Tanda dan besaran parameter dugaan yang diharapkan adalah : t1, t2, t3 > 0; t4,
t5, t6 < 0
32. Ekspor Pulp ke Jepang
75
XPJPN = u0 + u1 DPPWORR + u2 DPPINAR + u3 QPINA + u4
DNTINA + u5 TW + u6 LXPJPN + Ut; ……………….. (32)
dimana :
XPJPN = Ekspor Pulp ke Jepang (ton)
DPPWORR = Selisih Harga Pulp Dunia pada t dengan Harga Pulp Dunia pada t-1 (US $)
DPPINAR = Selisih Harga Pulp Domestik pada t dengan Harga Pulp
Domestik pada t-1 (Rp/m3) QPINA = Produksi Pulp Domestik
DNTINA = Selisih Nilai Tukar pada t dengan Nilai Tukar pada t-1 (Rp/m3)
TW = Kecenderungan Waktu
LXPJPN = Ekspor Pulp ke Jepang (ton)
Tanda dan besaran parameter dugaan yang diharapkan adalah : u1, u2, u3 > 0; u4,
u5, u6 < 0
33. Ekspor Pulp ke Korea Selatan
XPKRA = v0 + v1 DPPWORR + v2 DPPINAR + v3 QPINA + v4
DNTINA + v5 TW + v6 LXPKRA + Ut; ....................... (33)
dimana :
XPKRA = Ekspor Pulp ke Korea Selatan (ton)
DPPWORR = Selisih Harga Pulp Dunia pada t dengan Harga Pulp Dunia pada t-1 (US $)
DPPINAR = Selisih Harga Pulp Domestik pd t dengan lagnya
QPINA = Produksi Pulp Domestik (1000 ton)
DNTINA = Selisih Nilai Tukar Rupiah pada t dengan Nilai Tukar Rupiah pada t-1
TW = Kencenderungan Waktu
76
LXPKRA = Lag Ekspor Pulp ke Korea Selatan (ton)
Tanda dan besaran parameter dugaan yang diharapkan adalah : v1, v2, v3 > 0; v4,
v5, v6 < 0
34. Ekspor Pulp Indonesia
XPINA = XPCIN + XPJPN + XPKRA + XPOTHR ;………….. (34)
dimana:
XPINA = Ekspor Pulp Indonesia
XPCIN = Ekspor Pulp ke Cina
XPJPN = Ekspor Pulp ke Jepang
XPKRA = Ekspor Pulp ke Korea
XPOTHR = Ekspor Pulp ke Negara Lain
35. Ekspor Pulp Dunia
XPWORT = XPINA + XSWOTH; ................................................. (35)
dimana:
XPWORT = Ekspor Pulp dunia
XPINA = Ekspor Pulp Indonesia
XSWOTH = Ekspor Pulp Negara Lain
36. Penawaran Pulp Domestik
SPINA = QPINA - XPINA; ............................................................. (36)
dimana:
SPINA = Penawaran Pulp Domestik
QPINA = Produksi Pulp Indonesia
37. Permintaan Pulp Domestik
DPINA = x0 + x1 LPPINAR + x2 GDINA + x3 LDPINA + Ut; .. (37)
77
dimana :
DPINA = Permintaan Pulp Domestik
GDINA = GDP Indonesia
LDPINA = Lag Permintaan Pulp Domestik
Tanda dan besaran parameter dugaan yang diharapkan adalah : x1, x2 > 0; x3 < 0
38. Harga Pulp Domestik
PPINAR = y0 + y1 LSPINA + y2 DPINA + y3 PPWORR +
y4 LPPINAR + Ut; .......................................................... (38)
dimana :
PPINAR = Harga Pulp Domestik (Rp/ton)
LSPINA = Lag SPINA
DPINA = Permintaan Pulp Domestik (ton)
PPWORR = Harga Pulp Dunia (US$/ton)
LPPINAR = Lag Harga Pulp Domestik (Rp/ton)
Tanda dan besaran parameter dugaan yang diharapkan adalah : y1, y2 > 0; y3,
y4 < 0
39. Harga Pulp Dunia
PPWORR = w1 LXPWORT + w2 MPWOR + w3 LPPWORR + Ut;..(39)
dimana :
PPWORR = Harga Pulp Dunia
LXPWORT = Lag Ekspor Pulp Dunia
MPWOR = Impor Pulp Dunia
LPPWORR = Lag Harga Pulp Dunia
Tanda dan besaran parameter dugaan yang diharapkan adalah : w1, w2 > 0; w3< 0
78
4.2. Identifikasi Model
Sebelum melakukan pendugaan model dilakukan identifikasi model untuk
menentukan metode pendugaan yang akan digunakan. Jika suatu persamaan
struktural (atau model secara keseluruhan) under identified, maka parameter-
parameternya tidak dapat diduga dengan metode ekonometrika. Jika persamaan
(atau model) exactly identified, maka metode yang paling tepat digunakan adalah
Indirect Least Squares (ILS), sedangkan jika over identified maka berbagai
metode dapat digunakan seperti Two Stage Least Squares (2SLS) atau Three
Stage Least Squares (3SLS).
Identifikasi model dapat dilakukan melalui dua cara, yaitu pengujian
terhadap model struktural (order condition) atau pengujian terhadap model
reduced form (rank conditions) (Koutsoyiannis, 1978). Dalam studi ini digunakan
cara yang pertama karena lebih sederhana dan lebih mudah dari cara yang kedua.
Persyaratan agar suatu persamaan dikatakan teridentifikasi (identified) adalah jika
jumlah seluruh variabel (endogen dan predetermined) yang tidak terdapat dalam
persamaan yang bersangkutan, tetapi termasuk kedalam persamaan-persamaan
lainnya, sekurang-kurangnya harus sebanyak jumlah seluruh variabel endogen
dalam model (sistem persamaan) dikurang satu. Dalam notasi dapat dituliskan
sebagai berikut (Koutsoyiannis, 1978) :
Jika : (K - M) < (G - 1), maka persamaan under identified
(K - M) = (G - 1), maka persamaan exactly identified
(K - M) > (G - 1), maka persamaan over identified
dimana : G = Jumlah total persamaan (jumlah total variabel endogen)
K = Jumlah total variabel dalam model (endogen dan predetermined)
79
M = Jumlah variabel (endogen dan eksogen) dalam persamaan yang
diidentifikasi.
Model yang dibangun terdiri dari 25 persamaan struktural, 3 persamaan
teknis produksi dan 11 persamaan identitas. Menggunakan pengujian model
struktural (order condition) menghasilkan bahwa model Produk Industri
Pengolahan Kayu Primer Indonesia over identified.
4.3. Metode Pendugaan Model
Secara umum metode 3 SLS akan memberikan parameter dugaan yang
lebih efisien secara asimtotik dari pada metode 2 SLS, tetapi metode 3 SLS lebih
sensitif terhadap jumlah sampel dan kesalahan spesifikasi. Jika ada satu perubahan
spesifikasi pada salah satu persamaan dalam sistem dapat mempengaruhi nilai
dugaan parameter lainnya. Disamping itu metode 3 SLS memerlukan data sampel
yang lebih besar dari pada metode 2 SLS, jika semua parameter persamaan
strukturalnya diduga pada waktu yang sama (Koutsiyannis, 1978). Johnston
(1972) dalam Sinaga (1989), menyebutkan bahwa berbagai tipe studi Monte Carlo
menunjukkan bahwa metode yang konsisten dan efisien secara asimtotis adalah
metode 2SLS, karena memberikan parameter dugaan yang paling mantap (robust).
Disamping itu telah diterima sebagai pendekatan persamaan tunggal yang paling
penting untuk menduga model yang over identified dan menggambarkan
pemakaian yang lebih umum.
Karena model Produk Industri Pengolahan Kayu Primer Indonesia over
identified maka digunakan metode 2 SLS untuk menduga parameter persamaan
struktural. Hal ini juga dilakukan dengan pertimbangan ketersediaan data sampel
80
dan kemungkinan perubahan spesifikasi model untuk alternatif analisis simulasi
kebijakan.
4.4. Validasi Model
Untuk mengetahui apakah model yang dibangun cukup baik digunakan
untuk simulasi, evaluasi dan peramalan dampak alternatif kebijakan, maka
terlebih dahulu dilakukan validasi model melalui simulasi dasar dinamik dengan
metode Gauss-Seidel. Suatu model valid apabila nilai-nilai dugaan peubah
endogen yang diperoleh tidak jauh berbeda dengan nilai-nilai aktualnya.
Ukuran yang digunakan untuk mengetahui baik atau tidaknya suatu model
adalah Mean Percentage Error (MPE), Root Mean Square Percentage Error
(RMSPE) dan koefisien U-Theil, dimana semakin kecil nilai MPE, RMSPE dan
U-Theil maka model semakin baik. Ketiga ukuran tersebut dapat dituliskan dalam
rumus sebagai berikut:
T MPE = 1/T ( Ys
t - Yat ) / Ya
t t=1
T RMSPE = [ 1/T {( Ys
t - Yat ) / Ya
t }2 ]0.5 t=1
dimana: T = Jumlah periode (tahun) simulasi
Yst = Nilai estimasi pengamatan pada periode ke-t
Yat = Nilai pengamatan aktual pada periode ke-t
Koefisien U-Theil digunakan untuk uji statistik dan berhubungan dengan
error simulasi. Disamping itu juga digunakan untuk mengevaluasi hasil simulasi
historis (Pindyck dan Rubinfeld, 1981). Proporsi bias UM , US dan UC merupakan
81
indikator bias berdasarkan sumbernya. UM menunjukkan indikasi terjadinya error
sistem karena hanya mengukur deviasi nilai rata-rata hasil simulasi dari data
aktualnya. Dengan demikian diharapkan nilai UM mendekati nol, berapapun nilai
U-Theil yang diperoleh. US mencerminkan kemampuan model untuk mengikuti
perilaku data aktual dari peubah yang diamati, dimana semakin kecil nilai US
maka akan semakin baik daya prediksi model yang dibangun. UC merupakan bias
residu dari UM dan US, dan sering disebut sebagai error yang bukan berasal dari
sistem (nonsystematic error) serta nilainya harus mendekati satu.
T [ 1/T (Ys
t - Yat ) 2 ]0.5
t=1 U-Theil = T T [1/T (Ys
t ) 2 ]0.5 + [1/T (Yat ) 2 ]0.5
t=1 t=1
(Yst - Ya
t ) 2 UM = (1/T) (Ys
t - Yat ) 2
( s - a ) 2 US = (1/T) (Ys
t - Yat ) 2
2(1 - ) sa UC = (1/T) (Ys
t - Yat ) 2
82
dimana : Yst , Ya
t , s , dan a masing-masing merupakan rata-rata dan standar
deviasi dari Yst dan Ya
t.
Hubungan antara ketiga proporsi bias tersebut adalah : UM + US + UC = 1. Untuk
setiap nilai U > 0, seharusnya UM = US = 0 dan UC = 1. Namun demikian hal itu
sulit dipenuhi, oleh karena itu untuk memperoleh nilai prediksi yang baik, nilai
UM dan U S adalah mendekati 0 dan nilai UC mendekati 1.
4.5. Simulasi Kebijakan
Simulasi kebijakan dilakukan untuk mengevaluasi berbagai dampak
kebijakan pemerintah yang diwakili oleh nilai variabel bebas atau variabel
penjelas terhadap variabel endogen. Sesuai dengan tujuan penelitian, maka untuk
simulasi kebijakan periode 1980-2002 atau simulasi historis kebijakan yang akan
disimulasikan adalah:
1. Kenaikan Provisi Sumber Daya Hutan (PSDH) terhadap kayu bulat, PSDH
dikenakan pada setiap kayu bulat yang diproduksi dan besarnya dapat
berubah sesuai dengan kebijakan Pemerintah. Dalam simulasi di prediksi
PSDH naik 10 persen dari tarif yang berlaku. Hal ini untuk mengimbangi
kenaikan normatif inflasi.
2. Kenaikan pungutan Dana Reboisasi 20 persen dari tarif yang berlaku,
dengan asumsi bahwa dana reboisasi saat ini masih terlalu rendah karena
pada dasarnya adalah dana yang dipungut dari Pemegang Hak
Pengusahaan Hutan, Pemegang Hak Pemungutan Hasil Hutan, dan
Pemegang Izin Pemanfaatan Kayu, atas pemungutan hasil hutan dari hutan
alam yang berupa kayu dalam rangka reboisasi, pembangunan, HTI (Hutan
Tanam Indonesia), dan rehabilitasi lahan.
83
3. Depresiasi nilai tukar rupiah sebesar 10 persen atau senilai 90% dari nilai
tukar yang berlaku.
4. Kenaikan suku bunga bank 20 persen dari rata-rata suku bunga bank yang
berlaku dengan asumsi tingkat resiko di bidang kehutanan meningkat
sehingga bunga bank untuk investasi industri meningkat.
5. Kenaikan upah tenaga kerja kehutanan 10 persen dari tarif yang berlaku,
kenaikan ini pada dasarnya hanya untuk mengimbangi kenaikan inflasi
yang secara normatif kebijakan makro ekonomi ditekan dibawah 10
persen.
6. Penghapusan larangan ekspor kayu bulat (log): kebijakan larangan ekspor
kayu bulat bertujuan untuk meningkatkan nilai tambah dari kayu bulat
dengan diolah melalui industri pengolahan kayu primer di dalam negeri
yaitu industri kayu gergajian, industri kayu lapis, dan industri pulp.
Implikasinya dari kebijakan ini harga kayu bulat di dalam negeri menjadi
murah. Pengurangan produksi kayu bulat melalui kebijakan soft landing -
50 persen dari produksi satu tahun sebelumnya.
Berdasarkan hasil simulasi historis tersebut dan juga mempertimbangkan
relevansinya maka ada perbedaan kebijakan yang akan disimulasikan untuk
peramalan tahun 2007-2010 yaitu skenario:
1. Kenaikan Provisi Sumber Daya Hutan (PSDH) terhadap kayu bulat.
Dalam simulasi di prediksi PSDH naik 10 persen dari tarif yang berlaku.
Hal ini untuk mengimbangi kenaikan normatif inflasi.
2. Kenaikan pungutan Dana Reboisasi 20 persen dari tarif yang berlaku,
dengan asumsi bahwa dana reboisasi saat ini masih terlalu rendah karena
84
pada dasarnya adalah dana yang dipungut dari Pemegang Hak
Pengusahaan Hutan, Pemegang Hak Pemungutan Hasil Hutan, dan
Pemegang Izin Pemanfaatan Kayu, atas pemungutan hasil hutan dari hutan
alam yang berupa kayu dalam rangka reboisasi, pembangunan, HTI (Hutan
Tanam Indonesia), dan rehabilitasi lahan.
3. Penurunan suku bunga bank 5 persen dari rata-rata suku bunga bank yang
berlaku, dengan asumsi bahwa pemerintah akan memberi insentif melalui
penurunan bunga bank bagi industri perkayuan untuk lebih bersaing
ditingkat internasional, mengingat bahwa investasi dibidang kehutanan
memerlukan jangka waktu lama untuk pengembalian investasinya.
4. Penghapusan larangan ekspor kayu bulat (log): kebijakan larangan ekspor
kayu bulat bertujuan untuk meningkatkan nilai tambah dari kayu bulat
yang diolah menjadi produk industri pengolahan kayu primer di dalam
negeri yaitu produk kayu gergajian, produk kayu lapis, dan produk pulp.
5. Kenaikan upah tenaga kerja kehutanan 10 persen dari tarif yang berlaku ,
kenaikan ini pada dasarnya hanya untuk mengimbangi kenaikan inflasi
yang secara normatif melalui kebijakan makro ekonomi ditekan dibawah
10 persen.
6. Pengurangan kuota produksi kayu bulat melalui kebijakan soft landing -50
persen dari produksi satu tahun sebelumnya.
7. Pengurangan kuota ekspor kayu bulat 50 persen.
8. Penawaran kayu bulat domestik naik 50 persen
9. Kombinasi skenario 1, 2, 3, 4 dan 5 : merupakan kombinasi kebijakan
kenaikan PSDH 10 persen, kenaikan dana reboisasi 20 persen, penurunan
85
suku bunga bank 5 persen, penghapusan larangan ekspor kayu bulat dan
kenaikan upah tenaga kerja 10 persen.
10. Kombinasi skenario 1, 2, 3, 4, 5 dan 6 : merupakan kombinasi kebijakan
kenaikan PSDH 10 persen, kenaikan dana reboisasi 20 persen, penurunan
suku bunga bank 5 persen, penghapusan larangan ekspor kayu bulat,
kenaikan upah tenaga kerja 10 persen dan penurunan kuota produksi kayu
bulat 50 persen.
11. Kombinasi skenario 1, 2, 3, 4, 5 dan 7 : merupakan kombinasi kebijakan
kenaikan PSDH 10 persen, kenaikan dana reboisasi 20 persen , penurunan
suku bunga bank 5 persen , penghapusan larangan ekspor kayu bulat,
kenaikan upah tenaga kerja 10 persen dan penurunan kuota ekspor kayu
bulat 50 persen.
12. Kombinasi skenario 1, 2, 3, 4, 5 dan 8 : merupakan kombinasi kebijakan
kenaikan PSDH 10 persen, kenaikan dana reboisasi 20 persen , penurunan
suku bunga bank 5 persen , penghapusan larangan ekspor kayu bulat,
kenaikan upah tenaga kerja 10 persen dan kenaikan jumlah penawaran
kayu bulat domestik 50 persen.
4.6. Sumber Data
Data diperoleh dari Badan Pusat Statistik (BPS), Bank Indonesia, Food
and Agricultural Organization (FAO), International Tropical Timber
Organization (ITTO) dan Departemen Kehutanan, serta hasil penelitian terdahulu
yang masih relevan terhadap materi penelitian.