oleh : eddy effendi 2501 2013 0035 artikel...

ANALISIS FAKTOR-FAKTOR ANTROPOGENIKDAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA

MENGGUNAKAN MODEL STIRPAT

Oleh :EDDY EFFENDI2501 2013 0035

ARTIKEL ILMIAH

Untuk memenuhi salah satu syarat ujianguna memperoleh gelar Magister Ilmu Lingkungan

Program Pascasarjana Program Studi Ilmu LingkunganKonsentrasi Perencanaan Pengelolaan Sumber Daya Alam dan Lingkungan Hidup

PROGRAM STUDI MAGISTER ILMU LINGKUNGANPROGRAM PASCASARJANA

UNIVERSITAS PADJADJARANBANDUNG

2015

i

ANTHROPOGENIC FACTORS’ ANALYSIS AND CARBONDIOXIDE EMISSIONS SCENARIOS USING STIRPAT MODEL

Eddy Effendia; Sunardi, Ph.Db

University of Padjadjaran

ABSTRACT

Climate change becomes a serious issue globally nowadays. Moreover, itsrate is exacerbated by human activities that is known as anthropogenic climatechange. Among the greenhouse gases that are the main source of climate changeand becomes dominant generating from human activities is carbon dioxide.Therefore, international efforts to overcome the negative impacts of climatechange by focusing on carbon dioxide emissions reduction worldwide are a keypolicy objective.

This study used STIRPAT model as an analytical tool to assess carbondioxide emissions due to human activities in Indonesia with three anthropogenicfactors as predictors, namely population growth, economic growth, andtechnological change. This research is classified as quantitative research thataims to analyze the influence and contribution of anthropogenic factors on carbondioxide emissions in Indonesia, to determine carbon dioxide emissions projectionin Indonesia using some scenarios, and to identify policy implications andformulate policy suggestions.

The results show that the population is a factor with the greatest influenceand contribution for each increase of 1% to carbon dioxide emissions inIndonesia amounted to 1.26 % and 21.50% respectively, but GDP per capita isthe largest with 2.64% and 45.05% if it is seen in cumulative. For carbon dioxideemissions projections in Indonesia by the year 2020 will reach 700-800megatonnes whereas for the post-2020 period there will be an increase of about200-300 megatonnes per 5 years. From these results imply that Indonesia canincrease the growth rate of real GDP and the reduction rate of primary energyintensity in high figure while the population growth and primary energyconsumption are set in medium rate.

Keywords: anthropogenic climate change, carbon dioxide emissions,anthropogenic factors, STIRPAT model

______________________________________a Master Programme on Environmental Science

e-mail address: [email protected] Lecturer at Master Programme on Environmental Science

ii

ANALISIS FAKTOR-FAKTOR ANTROPOGENIKDAN SKENARIO EMISI KARBONDIOKSIDA DI INDONESIA

MENGGUNAKAN MODEL STIRPAT

Eddy Effendia; Sunardi, Ph.Db

Universitas Padjadjaran

ABSTRAK

Perubahan iklim menjadi salah satu permasalahan yang mendapatperhatian serius dunia dewasa ini. Apalagi lajunya diperparah oleh aktifitasmanusia sehingga dikenal sebagai perubahan iklim antropogenik. Dari deretan gasrumah kaca yang menjadi sumber utama perubahan iklim dan menjadi yangdominan dihasilkan dari aktifitas manusia adalah karbondioksida. Untuk itu,upaya internasional dalam menanggulangi dampak negatif perubahan iklimdengan berfokus kepada reduksi emisi karbondioksida merupakan sasarankebijakan kunci.

Dalam studi ini digunakan model STIRPAT sebagai alat analisis yangdigunakan untuk mengkaji emisi karbondioksida di Indonesia akibat aktifitasmanusia dengan tiga faktor antropogenik sebagai prediktor, yaitu pertumbuhanpopulasi, pertumbuhan ekonomi, dan perubahan teknologi. Penelitian inimerupakan penelitian kuantitatif yang bertujuan untuk menganalisis pengaruh dankontribusi faktor-faktor antropogenik terhadap emisi karbondioksida di Indonesia,untuk mengetahui proyeksi emisi karbondioksida di Indonesia menggunakanbeberapa skenario, dan untuk mengetahui implikasi kebijakan serta merumuskansaran kebijakan.

Hasil menunjukkan bahwa populasi merupakan faktor dengan pengaruhdan kontribusi terbesar untuk setiap kenaikan 1% terhadap emisi karbondioksidadi Indonesia sebesar 1,26% dan 21,50%, tetapi jika dilihat untuk kenaikan secarakumulatif maka PDB per kapita yang terbesar dengan 2,64% dan 45,05%. Untukproyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan mencapai 700-800 megaton dimana untuk periode pasca-2020 akan terjadi kenaikan sekitar 200-300 megaton per 5 tahun. Dari hasil tersebut mengimplikasikan bahwa Indonesiadapat meningkatkan laju pertumbuhan PDB riil dan laju pengurangan intensitasenergi primer secara tinggi sementara laju pertambahan populasi dan lajupeningkatan konsumsi energi primer bisa ditetapkan secara sedang.

Kata kunci: perubahan iklim antropogenik, emisi karbondioksida, faktor-faktorantropogenik, model STIRPAT

----------------------------------------------a Program Magister Ilmu Lingkungan

e-mail: [email protected] Dosen pada Program Magister Ilmu Lingkungan

1

1. PENDAHULUAN

1.1 Latar Belakang Penelitian

Intergovernmental Panel on Climate Change/IPCC (2001) menyebutkan

bahwa konsepsi perubahan iklim merujuk pada setiap perubahan dalam iklim pada

suatu selang waktu tertentu, apakah diakibatkan oleh variasi alamiah atau karena

aktivitas manusia. Laporan dari IPCC tersebut menyebutkan bahwa aktivitas

manusia berkontribusi lebih besar ketimbang faktor alami dalam kenaikan suhu

rata-rata global, dimana pada tahun 2100 diprediksi peningkatan suhu global

mencapai 1,4 - 5,8oC yang variasinya bergantung kepada kemampuan untuk

mengendalikan emisi Gas Rumah Kaca/GRK. Komponen GRK yang berperan

dalam peningkatan suhu global, antara lain : karbondioksida/CO2 merupakan

penyebab utama perubahan iklim yang persentasenya mencapai 64%, metana/CH4

sebesar 19%, kloroflorokarbon/CFCs sebesar 11% dan dinitrogen oksida/N2O

sebesar 6%) (Cunningham & Cunningham, 2006). IPCC (2007) menyatakan

bahwa 77% emisi CO2 berasal dari bahan bakar fosil sebesar 57%, deforestasi dan

pembusukan biomassa (decay of biomass) sebesar 17%, dan faktor lain sebesar

3%. Aktifitas manusia tersebut yang mengemisikan GRK disebut perubahan iklim

antropogenik (anthropogenic climate change).

Oleh karena itu, upaya internasional menanggulangi dampak negatif

perubahan iklim dengan berfokus kepada pengurangan emisi CO2 secara global

adalah sasaran kebijakan kunci. Inilah mengapa hal tersebut begitu penting untuk

memahami variabel-variabel utama yang berdampak terhadap peningkatan emisi

CO2, karena zat tersebut merupakan polutan global sehingga dengan hanya

mengupayakan pengendalian emisi CO2 maka akan secara merta mengurangi

emisi polutan lokal dan regional, seperti SO2, NOx, CO dan partikulat (Bowitz,

Sasmitawidjaja, Sugiarto, 1996).

Berkaitan dengan perubahan iklim antropogenik, terdapat 5 faktor

antropogenik yang berkontribusi dalam perubahan lingkungan global (global

environmental change) secara umum dan perubahan iklim secara khusus, antara

lain : 1) pertumbuhan populasi, 2) pertumbuhan ekonomi, 3) tingkat teknologi, 4)

2

institusi ekonomi dan politik, dan 5) sikap dan keyakinan (Stern, Young &

Druckman, 1992). IPAT (Impact = Population-Affluence-Technology) yang

diperkenalkan oleh Ehrlich dan Holdren pada tahun 1970an yang kemudian

dimodifikasi menjadi STIRPAT (Stochastic Impact by Regression on Population-

Affluence-Technology) oleh Dietz dan Rosa pada pertengahan dekade 1990an

merupakan alat analisis (analysis tools) yang secara luas digunakan untuk

menganalisis faktor-faktor tersebut di atas untuk mengkaji emisi antropogenik

dalam perubahan iklim.

Dietz dan Rosa (1997) yang mengkaji pengaruh populasi dan kemakmuran

terhadap emisi karbondioksida pada data panel lintas negara menyimpulkan

bahwa populasi memiliki efek tidak menguntungkan untuk negara-negara

berpenduduk besar dan pengaruh kemakmuran mencapai klimaks pada PDB per

kapita sekitar 10.000 dollar AS yang akan menurun seiring meningkatnya tingkat

kemakmuran. Adapun teknologi dimasukkannya sebagai residual term yang tidak

masuk secara eksplisit dalam kedua faktor di atas. Lebih jauh, Shi (2003)

menegaskan efek populasi dari temuan Dietz dan Rosa bahwa perubahan populasi

secara global sejak dua dekade terakhir adalah lebih dari sekedar proporsional

terhadap kenaikan emisi karbondioksida dimana kenaikan 1% populasi akan

meningkatkan emisi 1,58% untuk negara berpendapatan rendah, 1,97% bagi

negara berpendapatan menengah-bawah, 1,42% untuk negara berpendapatan

menengah-atas, dan 0,83% bagi negara berpendapatan tinggi. Artinya, dampak

perubahan populasi terhadap emisi karbondioksida tersebut sangat nampak jelas

pada negara-negara berkembang ketimbang negara-negara maju. Di lain pihak,

hasil analisis Fan et al. (2006) dalam kajian dampak populasi, kemakmuran dan

teknologi terhadap emisi karbondioksida pada 4 golongan berbeda (negara

berpendapatan kapita tinggi, menengah-atas, menengah-bawah, dan rendah)

menyatakan bahwa terdapat pengaruh yang berbeda dari faktor-faktor tersebut

terhadap emisi karbondioksida berdasarkan keragaman PDB per kapitanya. Hasil

analisis Li et al. (2011) menggunakan model Path-STIRPAT dalam penelusuran

faktor-faktor antropogenik emisi CO2 untuk kasus di negara Cina menyebutkan

bahwa teknologi memiliki kontribusi terbesar dalam emisi total CO2 maka

3

peningkatan tingkat teknologi (technological level) merupakan cara ampuh dalam

pengurangan emisi CO2 di Cina.

Pada tahun 2009 Pemerintah Indonesia menyatakan tekad secara sukarela

(voluntary pledge) pada kesempatan pertemuan G20 di Pittsburg dan COP15

(15th Conference of the Parties) di Kopenhagen untuk menurunkan emisi

karbondioksida sebesar 26% dengan upaya sendiri dan 41% dengan dukungan

internasional dari skenario dasar/business-as-usual (BAU) (UNEP, 2012;

Bappenas, 2013). Peraturan Presiden nomor 61 tahun 2011 tentang Rencana Aksi

Nasional Penurunan Emisi Gas Rumah Kaca (RAN-GRK) merupakan

pengejawantahan dari tekad sukarela tersebut yang kemudian menjadi panduan

bagi pemerintah daerah (kabupaten/kota dan provinsi) dalam penyusunan Rencana

Aksi Daerah Penurunan Emisi Gas Rumah Kaca (RAD-GRK) sebagai upaya

pemerintah dalam mitigasi perubahan iklim.

Disamping itu, pada tahun 2006 Pemerintah Indonesia telah menetapkan

kebijakan energi nasional melalui Peraturan Presiden Republik Indonesia nomor 5

tahun 2006 yang menyoroti bauran energi (energy mix) primer pada tahun 2025

dalam pengembangan EBT untuk mengurangi ketergantungan konsumsi bahan

bakar fosil yang merupakan sumber emisi karbondioksida yang potensial,

pencapaian energi elastisitas kurang dari 1 dan laju pengurangan intensitas energi

1% per tahun pada tahun 2025. Di lain pihak, Pemerintah Indonesia mengeluarkan

Peraturan Presiden Republik Indonesia nomor 32 tahun 2011 yang menyoroti

tentang laju pertumbuhan ekonomi yang pesat (not business-as-usual) yang

ditargetkan menjadi 7% - 9% per tahun dalam mendorong Indonesia sebagai

negara berpendapatan tinggi (US$ 13.000-16.000) pada tahun 2025.

Dengan menjadikan semua hal tersebut sebagai pertimbangan, maka dirasa

perlu untuk melakukan penelusuran faktor-faktor antropogenik yang berpengaruh

terhadap emisi karbondioksida di Indonesia yang kajian dan literaturnya terhadap

hal tersebut masih kurang. Yang selanjutnya dilakukan estimasi emisi CO2 di

Indonesia pada tahun 2020 dalam melihat ketercapaian voluntary pledge dan pada

tahun 2025 dalam menilik pengaruh bauran energi primer dan laju pertumbuhan

ekonomi yang tinggi di Indonesia menggunakan beberapa skenario.

4

1.2 Rumusan Masalah

Dari uraian latar belakang di muka, masalah penelitian ini dapat dinyatakan

sebagai berikut :

1. Bagaimanakah pengaruh dan kontribusi diantara faktor-faktor

antropogenik terhadap emisi karbondioksida di Indonesia?

2. Berapakah proyeksi emisi karbondioksida di Indonesia pada tahun 2010-

2035 menggunakan beberapa skenario?

3. Apakah implikasi dan saran kebijakan nasional dari hasil analisis dan

proyeksi menggunakan model STIRPAT pada tahun 2010-2035?

2. METODOLOGI DAN DATA

Desain penelitian yang digunakan adalah penelitian kuantitatif dengan

berlandaskan kepada diperolehnya data-data numerik yang diolah secara statistik

menggunakan piranti lunak NCSS 10 Data Analysis dan Statistica 12 untuk

keperluan analisis ketiga faktor antropogenik dan tren emisi karbondioksida

rentang 30 tahun serta Microsoft Excel 2007 untuk keperluan proyeksi emisi

karbondioksida menggunakan model STIRPAT terhadap beberapa skenario

periode 26 tahun yang asumsinya berasal dari kebijakan pemerintah Indonesia

atau sumber lain yang relevan. Skenario dan asumsinya diberikan Lampiran 1.

Jenis data yang digunakan dalam penelitian ini seluruhnya adalah data

sekunder. Data yang diperoleh berupa data urut waktu (time series) periode tahun

1980-2009 yang berupa data tunggal satu negara (Indonesia), pemilihan periode

waktu tersebut didasarkan kepada ketersediaan data. Sumber data berasal dari

World Economic Outlook (WEO) bulan April 2015 yang dikeluarkan

International Monetary Fund (IMF), Carbon Dioxide Information Analysis

Center (CDIAC) dari Oak Ridge National Laboratory yang diadopsi oleh World

Development Indicator (WDI) 2014 yang dikeluarkan Bank Dunia, dan British

Petroleum (BP) Statistical Review of World Energy 2015. Adapun variabel-

variabel yang digunakan dalam penelitian ini didefinisikan pada Tabel 1 berikut.

5

Tabel 1.

Deskripsi Variabel yang Digunakan dalam Analisis: 1980-2009

dan Proyeksi: 2010-2035i

No. Variabel Definisi Satuan Simbol Sumber1 Emisi CO2

ii Emisi CO2 yangdihasilkan daripembakaran bahanbakar fosil,produksi semen,dan flaring gasiii

Metrik ton pertahun

I WDI

2 Populasi Populasi tengahtahun

Orang P WEO

3 PDB perkapitaiv

PDB dibagipopulasi tengahtahun

Rupiah menurutharga konstan2010

A WEO

4 PerubahanTeknologi(=intensitasenergi primer)v

Konsumsi energiprimer per satuanPDB

tonnes of oilequivalent (toe)per satuanRupiah menurutharga konstan2010

T BP-WEO

5 PDBvi nilai pasar semuabarang dan jasayang diproduksioleh suatu negarapada periode 1tahunan

Rupiah menurutharga konstan2010

- WEO

6 KonsumsiEnergiPrimervi

Konsumsi energisebelum diubah kebentuk bahan bakarakhir

Million tonnesof oil equivalent(Mtoe)

- BP

Keterangan:i Tahun 2010 dipilih sebagai tahun dasar untuk keperluan proyeksi sesuai dengan

panduan RAN-GRK yang digariskan pemerintah Indonesia melalui Bappenas.Begitu pun, untuk tahun akhir sampai 2035 yang disesuaikan dengan proyeksipopulasi Indonesia yang disusun oleh Bappenas, BPS, dan UNFPA.

ii Emisi GRK yang diperhitungkan hanya emisi CO2 yang berasal dari pembakaranbahan bakar fosil, produksi semen, dan flaring gas tidak termasuk faktor LandUse, Land-Use Change and Forestry (LULUCF) dalam satuan CO2-ekuivalenkarena ketersediaan data.

iii Flaring gas (Gas suar bakar) adalah gas yang dihasilkan oleh kegiatan eksplorasidan produksi atau pengolahan minyak atau gas bumi yang dibakar karena tidak

6

dapat ditangani oleh fasilitas produksi atau pengolahan yang tersedia sehinggabelum termanfaatkan (Permen ESDM No. 31/2012 pasal 1 ayat (2)).

iv PDB perkapita yang dipilih dalam bentuk riil (harga konstan, bukan hargaberlaku) dalam mata uang Rupiah untuk keperluan perhitungan laju pertumbuhanjuga untuk menyesuaikan dengan satuan intensitas energi yang harus dalamsatuan mata uang lokal atau dalam satuan purchasing power parity.

v Intensitas energi dipilih untuk menggambarkan perubahan teknologi karena iaberhubungan dan memiliki relevansi yang tinggi dengan populasi ataupun tingkatekonomi seperti telah diulas di subbab 2.1.3.3. Yang diperhitungkan dalampenelitian ini adalah intensitas energi primer yang disesuaikan denganketersediaan data konsumsi energi primer dan laju pertumbuhannya.

vi PDB dan konsumsi energi primer digunakan untuk perhitungan PDB perkapitadan intensitas energi primer pada tahap proyeksi, dimana laju pertumbuhan padabentuk itu yang menjadi dasar asumsi dalam skenario.

Metode analisis yang digunakan adalah model STIRPAT yang

dikembangkan oleh Dietz dan Rosa (1997) melalui persamaan linear dan

polinomial berikut.

ln It = a + b ln Pt + c (ln Pt)2 + d ln At + e (ln At)

2 + f ln Tt + εt (1)

dan

ln It = a + b ln Pt + c ln At + d ln Tt + εt = a + b ln P0.(1+n)t + c ln A0.(1+g)t

+ d ln T0.(1-i)t + εt (2)

dimana:

I = emisi karbondioksida, P = populasi, A = PDB perkapita, dan T =

Intensitas Energi (=Konsumsi Energi Primer dibagi PDB), subskrip t menyatakan

tahun analisis, a-b-c-d-e = koefisien regresi (dalam bentuk persamaan logaritma

dinamakan juga sebagai elastisitas), ε = error term, n = laju pertumbuhan populasi

per tahun, g = laju pertumbuhan PDB perkapita per tahun, dan i = laju

pengurangan intensitas energi per tahun.

7

3. HASIL DAN PEMBAHASAN

3.1 Analisis Variabel

Hubungan kumulatif antara tiga prediktor terhadap responnya dapat

dideskripsikan pada Tabel 2 di bawah ini.

Tabel 2. Hubungan 3 Prediktor Terhadap Respon: 1980 dan 2009

Variabel Tahun 1980 Tahun 2009 Kenaikan Laju rata-rataEmisi CO2 94.784.616 453.105.521 378% 5,86%Populasi 147.490.000 234.300.000 59% 1,61%PDB per kapita 10.890.045 27.539.951 153% 3,33%Intensitas Energi 1,6068E-08 2,11944E-08 32% 1,03%

Tabel di atas menunjukkan bahwa persentase kenaikan dan laju rata-rata per

tahun emisi karbondioksida lebih besar dibandingkan dengan populasi, PDB

perkapita, ataupun intensitas energi. Rasio laju rata-rata per tahun respon terhadap

prediktor masing-masing adalah 3,64; 1,76; 5,59. Artinya, laju pertambahan emisi

karbondioksida meningkat hampir empat kali lipat daripada pertambahan

populasi, hampir dua kali lipat dari kenaikan PDB perkapita, dan hampir enam

kali lipat dari pengurangan intensitas energi. Pada bagian berikutnya akan

diuraikan mengenai hubungan antarvariabel di atas yang lebih mendalam

menggunakan analisis STIRPAT metode regresi linear berganda (multiple

regressions).

3.2 Analisis STIRPAT

Mengacu ke hasil regresi Ordinary Least Square/OLS di Lampiran 1 ataupun

Lampiran 2, maka penggunaan regresi OLS untuk persamaan STIRPAT

mengalami masalah yang ditandai dengan nilai Variance Inflation Factor/VIF

yang lebih besar dari 10 dan eigenvalue yang lebih tinggi dari 100. Dengan

demikian, model STIRPAT dalam studi ini menggunakan metode Ridge

Regression/RR seperti studi yang dilakukan oleh Wang, et al. (2011).

8

Dalam penelitian ini digunakan persamaan STIRPAT dalam bentuk linear dan

polinomial. Untuk keperluan penafsiran hubungan dampak prediktor terhadap

respon digunakan persamaan STIRPAT polinomial, sedangkan untuk kebutuhan

pengaruh dan kontribusi prediktor serta proyeksi emisi karbondioksida digunakan

STIRPAT linear. Oleh karena penentuan nilai k dalam RR memainkan peranan

penting, maka dalam hal ini digunakan pencarian k-optimum secara otomatis dari

piranti lunak NCSS 10 Data Analysis.

3.2.1 Persamaan STIRPAT Polinomial

Persamaan STIRPAT polinomial (Lampiran 3) dengan nilai k-optimum =

0,322897 diberikan sebagai berikut.

ln I = -3,106441 + 0,6636226 ln P + 0,01747673 (ln P)2 + 0,385908 ln A +

0,01165815 (ln A)2 + 0,363291 ln T + 0,1512 (R2 = 0,9178) (3)

Dari persamaan (3) diperoleh bahwa koefisien variabel populasi dalam bentuk

kuadrat bernilai positif artinya hubungan dua variabel berbanding lurus sehingga

Indonesia mengikuti pola Malthusian yang artinya bahwa peningkatan populasi di

Indonesia akan memberikan dampak berupa peningkatan emisi karbondioksida.

Mekanismenya mengikuti pola pertama dari Birdsall (1992) dimana populasi yang

semakin besar akan menghasilkan peningkatan dalam permintaan energi untuk

sumber tenaga, industri, dan transportasi yang pada gilirannya meningkatkan

emisi bahan bakar fosil. Mengenai berapa besar kenaikan emisi karbondioksida

untuk setiap 1% kenaikan populasi di Indonesia akan dijelaskan dalam persamaan

STIRPAT linear.

Di sisi lain, untuk pola kemakmuran, Indonesia tidak mengikuti hipotesis

EKC yang ditandai dengan tanda positif pada koefisien variabel PDB per kapita

dalam bentuk kuadrat. Artinya, peningkatan pertumbuhan ekonomi Indonesia

masih berbanding lurus dengan laju kenaikan emisi karbondioksidanya sehingga

masih tergolong kepada pembangunan ekonomi pra-industri (pertanian) dan/atau

industri jika mengacu kepada studi Panayotou tahun 1993. Mengenai berapa besar

9

kenaikan emisi karbondioksida untuk setiap 1% kenaikan PDB perkapita di

Indonesia akan dijelaskan dalam persamaan STIRPAT linear berikut.

3.2.2 Persamaan STIRPAT Linear

Persamaan STIRPAT linear (Lampiran 2) dengan nilai k-optimum =

0,127888 diberikan sebagai berikut.

ln I = -10,28536 + 1,26463 ln P + 0,792879 ln A + 0,4462734 ln T + 0,1319

(R2 = 0,9323) (4)

Persamaan (4) membuktikan bahwa koefisien dari setiap prediktor nilainya

tidak sama dengan satu, tidak seperti asumsi dalam IPAT ataupun Kaya identity

yang menganggap koefisiennya seragam (unitary) yang besarnya masing-masing

satu.

Untuk melihat pengaruh dan kontribusi dari ketiga faktor antropogenik

terhadap emisi karbondioksida di Indonesia diberikan pada Tabel 4.3. yang

diadaptasi dari Wang et al. (2011).

Tabel 2. Pengaruh dan Kontribusi Prediktor Kumulatif dan 1%

terhadap Emisi CO2

Lajupertumbuhanrata-rata pertahun

Pengaruhkumulatifterhadapemisi CO2

(koefisienregresi x lajupertumbuhanrata-rata pertahun)

Tingkatkontribusikumulatif(pengaruhterhadapemisi CO2 /lajupertumbuhanrata-rata pertahun emisiCO2)

Pengaruh1%terhadapemisi CO2

(=koefisienregresiatauelastisitas)

Tingkatkontribusi1%(pengaruhterhadapemisi CO2 /lajupertumbuhanrata-rata pertahun emisiCO2)

10

EmisiCO2

5,86%

Populasi 1,61% 1,26463 x1,61 =2,04%

2,04/5,86 x100% =34,81%

1,26% 1,26/5,86 x100% =21,50%

PDBperkapita

3,33% 0,792879 x3,33 =2,64%

2,64/5,86 x100% =45,05%

0,79% 0,79/5,86 x100% =13,48%

IntensitasEnergi

1,03% 0,4462734 x1,03 =0,46%

0,46/5,86 x100% =7,85%

0,45% 0,45/5,86 x100% =7,68%

Faktorlain

0,73% 12,29%

TOTAL 5,86% 100%

Dari Tabel 2 nampak bahwa besaran pengaruh laju pertambahan populasi

Indonesia secara kumulatif per tahun akan meningkatkan emisi

karbondioksidanya sebesar 2,04% per tahun saat variabel PDB perkapita dan

intensitas energi dijaga konstan yang kontribusinya sebesar 34,81%. Begitu pun

untuk PDB perkapita dan intensitas energi akan meningkatkan emisi

karbondioksida masing-masing sebesar 2,64% dan 0,46% per tahun dengan

kontribusinya sebesar 45,05% dan 7,85% tatkala dua variabel bebas lainnya

dibuat tetap.

Adapun besarnya pengaruh prediktor terhadap emisi karbondioksida

untuk setiap 1% kenaikan prediktor adalah sebesar nilai elastisitasnya1. Untuk

setiap 1% kenaikan populasi akan meningkatkan emisi karbondioksida 1,26% saat

PDB perkapita dan intensitas energi dijaga tetap; untuk setiap 1% kenaikan PDB

perkapita akan meningkatkan emisi karbondioksida 0,79% jika populasi dan

intensitas energinya tetap, dan untuk setiap 1% kenaikan intensitas energi akan

meningkatkan emisinya 0,45% saat dua variabel lainnya tetap.

1 Elastisitas adalah rasio perubahan persentase satu variabel bebas terhadap perubahanpersentase variabel terikat. Koefisien dalam persamaan regresi bentuk logaritma adalahelastisitas parsial karena variabel bebas lainnya dalam persamaan dijaga tetap. Misal: ln =+ ln + ln + ln + , maka dapat ditafsirkan bahwa setiap 1% perubahan dalam Pmenghasilkan perubahan persentase dalam I sebesar 100(1,01 − 1) saat variabel bebas Adan T tetap. Untuk nilai b kurang dari 10, nilai 100(1,01 − 1) dapat dianggap sama dengannilai b (Yang, 2012).

11

Meskipun pengaruh dan kontribusi terbesar untuk setiap kenaikan 1%

prediktor adalah populasi dengan 1,26% dan 21,50%, tetapi untuk pengaruh dan

kontribusi kumulatif terbesar adalah PDB perkapita, yaitu 2,64% dan 45,05%.

Artinya, begitu jelas terlihat bahwa PDB perkapita memiliki kontribusi yang

signifikan dalam peningkatan emisi karbondioksida di Indonesia. Lain halnya

dengan intensitas energi yang sebenarnya rendah dan seharusnya bisa mereduksi

emisi karbondioksida. Oleh karena intensitas energi berkebalikan dengan efisiensi

energi, dimana semakin rendah intensitas energinya menandakan energi yang

digunakan untuk menghasilkan per unit satuan ekonomi semakin efisien. Dengan

demikian, intensitas energi Indonesia pada periode tersebut belum banyak

memberikan peran dalam pengurangan emisi karbondioksida.

Selain itu, dari Tabel 2 dapat ditafsirkan bahwa terdapat faktor lain yang

menyebabkan kenaikan emisi karbondioksida di Indonesia yang tidak terwakili

oleh populasi, PDB perkapita, dan intensitas energi dengan kontribusinya sebesar

12,46%. Hasil dari tabel tersebut penting untuk dipertimbangkan dalam skenario

proyeksi emisi karbondioksida di Indonesia pada rentang 2010-2035.

3.3 Proyeksi Emisi Karbondioksida

Dari kedua puluh skenario yang dibandingkan terhadap BAU, terdapat 3

skenario di atas BAU (no. 9, 18 dan 20). Selebihnya berada di bawah BAU, 2

diantaranya penurunannya tidak signifikan (no. 6 dan 15) dan skenario no. 19

menjadi yang terbesar penurunannya (Lampiran 4).

Skenario no. 9 dan 18 memiliki pola yang serupa, yaitu memiliki

pertumbuhan PDB riil dan konsumsi energi primer yang tinggi masing-masing

sebesar 7% dan 6% baik pada pertumbuhan populasi 1% ataupun 1,19%. Begitu

pun, untuk skenario KEN yang memiliki pertumbuhan PDB riil yang lebih tinggi

lagi dan konsumsi energi yang cukup tinggi meskipun pertumbuhan populasinya

hanya 1% sebagaimana yang diproyeksikan oleh BPS, Bappenas, dan UNFPA.

Akan tetapi hal demikian tidak terjadi pada skenario no. 7 dan 8 ataupun no. 16

dan 17 pada pertumbuhan populasi yang rendah (1%) ataupun lebih tinggi

(1,19%), dimana pertumbuhan PDB riilnya tinggi namun diimbangi dengan

12

pertumbuhan konsumsi energi yang lebih rendah. Adapun pada skenario no. 6 dan

15 yang diadaptasi dari skenario RIKEN dimana laju elastisitas energi sebesar

0,94 dengan pertumbuhan PDB riil sebesar 6% tidak memberikan pengurangan

emisi karbondioksida yang berarti dari tahun ke tahun dalam rentang periode

proyeksi. Untuk skenario no. 19 yang merupakan skenario dengan penurunan

emisi terbesar yang asumsinya bersumber dari IEA memiliki angka pertumbuhan

populasi, PDB riil, konsumsi energi, dan intensitas energi jauh lebih rendah dari

angka-angka yang bersumber dari peraturan/laporan pemerintah, juga terdapat

irisan dengan asumsi dari BP, yaitu pada pertumbuhan konsumsi energi sebesar

2,5% per tahun (Lampiran 5). Dengan pertumbuhan konsumsi energi yang rendah

pada gilirannya akan menurunkan dengan cepat intensitas energi yang ditandai

dengan nilai yang semakin negatif jika dibandingkan dengan target pemerintah

sebesar -2,3% : -1% per tahun.

3.4 Implikasi dan Saran Kebijakan

Dari pembahasan di muka mengimplikasikan bahwa untuk mencapai

penurunan emisi karbondioksida yang signifikan diperlukan keseimbangan antara

pertumbuhan PDB riil dan konsumsi energi primer. Yang sudah barang tentu

tanpa menafikan peran pertumbuhan populasi ataupun laju pengurangan intensitas

energi. Oleh karena memang ketiga faktor antropogenik tersebut tidaklah berdiri

sendiri, melainkan hasil perkalian bersama antarfaktor di atas. Akan tetapi, dua

faktor pertama lebih dominan dalam signifikansi penurunan emisi karena saat dua

faktor tersebut dikendalikan maka peran dua faktor yang terakhir akan semakin

memperkuat. Dengan kata lain, jika ingin meningkatkan pertumbuhan PDB riil

maka pertumbuhan konsumsi energi primer harus dikendalikan termasuk

peningkatan efisiensi energinya.

Dengan memperhatikan hasil studi Hwang dan Yoo (2012) dan hasil analisis

studi ini dapat dirumuskan suatu saran kebijakan bahwa Indonesia perlu

mempertimbangkan untuk meningkatkan pertumbuhan ekonomi yang pesat dalam

jangka pendek untuk kemudian dilakukan penurunan laju pertumbuhan karena

dalam masa yang panjang berimplikasi kepada konsumsi energi yang semakin

13

besar dan peningkatan emisi karbondioksida yang tinggi pula, dimana antara

konsumsi energi dan emisi karbondioksida terdapat hubungan kausal-Granger dua

arah yang kuat. Begitu pun, untuk peningkatan konsumsi energi agar tidak

berdampak terhadap peningkatan emisi karbondioksida diperlukan upaya yang

serius dalam efisiensi dan penghematan energi termasuk peningkatan porsi Energi

Baru Terbarukan/EBT dalam sumber energi primer. Adapun untuk memperoleh

manfaat dari bonus demografi maka pemerintah Indonesai perlu meningkatkan

kualitas sumber daya manusia yang kompeten dan handal dalam meningkatkan

produktifitasnya dalam memacu pertumbuhan ekonomi yang pada gilirannya

menjadi penyokong peradaban dan pembangunan bangsa. Hal demikian,

diperlukan untuk dapat menjadikan Indonesia keluar dari jebakan negara

berpendapatan rendah dan menjadi negara dimana laju pertumbuhan ekonomi

berbanding terbalik dengan kerusakan lingkungan sesuai hipotesis Environmental

Kuznets Curve/EKC.

Begitu pun, dampak populasi dapat mengikuti pola Boserupian dimana

jumlah populasi yang besar pada gilirannya akan meningkatkan kemampuan

dalam penyediaan solusi dalam mengatasi permasalahan lingkungan. Seiring

dengan hal tersebut, intensitas energi pun diharapkan dapat mengurangi

peningkatan emisi karbondioksida. Oleh karena ketiga faktor memiliki keterkaitan

satu sama lain dalam peningkatan ataupun penurunan emisi karbondioksida, maka

diperlukan perumusan yang holistik antara ketiganya. Dengan demikian, tidak ada

faktor yang satu lebih superior dan yang lainnya inferior melainkan yang

diperlukan adalah menerapkan skala prioritas. Dan, yang mendapat prioritas

adalah peningkatan pertumbuhan ekonomi yang pesat dengan tetap dibarengi

peningkatan konsumsi energi meskipun porsinya lebih kecil daripada peningkatan

pertumbuhan ekonomi serta pengontrolan kuantitas manusia Indonesia tetapi

kualitasnya ditingkatkan. Dengan kata lain, laju kenaikan pertumbuhan PDB riil

dan laju pengurangan intensitas energi primer dapat ditetapkan tinggi sementara

laju pertambahan populasi dan laju peningkatan konsumsi energi primer bisa

dibuat sedang.

14

4. SIMPULAN

Populasi merupakan faktor dengan pengaruh dan kontribusi terbesar untuk

setiap kenaikan 1% terhadap emisi karbondioksida sebesar 1,26% dan 21,50%,

tetapi jika dilihat untuk kenaikan secara kumulatif maka PDB per kapita yang

memiliki pengaruh dan kontribusi terbesar dengan 2,64% dan 45,05%.

Adapun proyeksi emisi karbondioksida di Indonesia pada tahun 2020 akan

mencapai 700-800 megaton CO2 dimana periode pasca-2020 akan menunjukkan

tren kenaikan dimana setiap 5 tahun kenaikannya sekitar 200-300 megaton CO2.

Implikasi dan saran kebijakan yang diperoleh dari hasil penelitian, yaitu:

Indonesia sudah seharusnya meningkatkan pertumbuhan ekonomi yang pesat

disokong dengan memanfaatkan bonus demografi diiringi dengan peningkatan

konsumsi energi pada laju sedang dengan melirik kepada peningkatan porsi EBT

yang lebih besar dibarengi peningkatan efisiensi (melalui peningkatan yang tinggi

akan intensitas energi) dan penghematannya.

ACKNOWLEDGEMENT

Penelitian ini didukung oleh Pusbindiklatren Bappenas, untuk itu penulis

menyampaikan penghargaan dan ucapan terima kasih yang setinggi-tingginya atas

bantuan moril dan materialnya. Tak lupa, penghargaan serupa pun penulis tujukan

kepada Bapak Sunardi, Ph.D yang telah sudi untuk berdiskusi secara progresif dan

senantiasa memberikan masukan yang berharga selama proses penulisan ini.

15

DAFTAR PUSTAKA

Bappenas, BPS, dan UNFPA. 2013. Proyeksi Penduduk Indonesia: 2010-2035.Jakarta: Badan Pusat Statistik.

Birdsall, N. 1992. Another Look at Population and Global Warming. Population,Health and Nutrition Policy Research Working Paper, WPS 1020.Washington DC: World Bank.

Boden, T., B. Andres, and G. Marland. 2011. Ranking of the World’s Countries by2011 Total CO2 Emissions from Fossil-fuel Burning, Cement Prodution, andGas Flaring. Tennessee: Carbon Dioxide Information Analysis Center, OakRidge National Laboratory. Tersedia:https://www.cdiac.ornl.gov/trends/emis/top2011.tot. [Diakses: 4 October2015].

Bongaarts, J. 1992. Population Growth and Global Warming. Journal ofPopulation, Development Review (18), pp. 299-319.

Bowitz, E., V.S. Sasmitawidjaja, and G. Sugiarto. 1996. The Indonesian Economyand Emissions of CO2: An Analysis Based on the EnvironmentalMacroeconomic-Model MEMLI 1990-2020. Documents 96/2, StatisticsNorway Research Department.

BP. 2015. BP Energy Outlook 2035: February 2015. Tersedia:http://www.bp.com/energyoutlook. [Diakses: 27 September 2015].

BP. 2015. BP Statistical Review of World Energy: June 2015. Tersedia:http://www.bp.com/statisticalreview. [Diakses: 27 September 2015].

BPPT. 2014. Outlook Energi Indonesia 2014: Pengembangan Energi untukMendukung Program Substitusi BBM. Jakarta : Pusat TeknologiPengembangan Sumberdaya Energi, Badan Pengkajian dan PenerapanTeknologi.

BPS. 2015. Statistik Indonesia: Statistical Yearbook of Indonesia 2015. Jakarta:Badan Pusat Statistik.

Cunningham, W.P. and M.A Cunningham. 2006. Principles of EnvironmentalScience: Inquiry and Applications. Third Edition. New York: McGraw-HillCompanies, Inc.

DEN. 2014. Outlook Energi Indonesia 2014. Jakarta : Dewan Energi Nasional.

16

Dietz, T., E.A. Rosa. 1994. Rethinking the Environmental Impact of Population,Affluence, and Technology. Journal of Human Ecology Review (1), pp. 277-300.

Dietz, T., E.A. Rosa. 1997. Effects of Population and Affluence on CO2

Emissions. Proceedings of the National Academy of Sciences USA (94), pp.175-179.

Dietz, T., E.A. Rosa. 1998. Climate Change and Society. Journal of InternationalSociology 13 (4), pp. 421-455.

Fan, Y. et al. 2006. Analyzing Impact Factors of CO2 Emissions Using theSTIRPAT Model. Journal of Environmental Impact Assessment Review(26), pp. 377-395.

Hwang, J.H., S.H. Yoo. 2012. Energy Consumption, CO2 Emissions, andEconomic Growth: Evidence from Indonesia. DOI: 10.1007/s11135-012-9749-5, pp. 1-11.

IEA. 2008. Energy Policy Review of Indonesia. Paris: International EnergyAgency.

IEA. 2013. Southeast Asia Energy Outlook: World Energy Outlook SpecialReport. Paris: International Energy Agency.

IMF. 2015. World Economic Outlook Database: April 2015. Tersedia:https://www.imf.org/external/pubs/ft/weo/2015/01/weodata/index.aspx.[Diakses: 8 September 2015].

IPCC. 2001. Climate Change 2001 : The Scientific Basis. Contribution ofWorking Group I to the Third Assessment Report of the IntergovernmentalPanel on Climate Change. Houghton, J.T. et al (Eds.). Cambridge :Cambridge University Press.

IPCC. 2007. Climate change 2007: Mitigation. Contribution of Working GroupIII to the Fourth Assessment Report of the Intergovernmental Panel onClimate Change. B.Metz, O. R. Davison, P. R. Bosch, R. Dave, and L. A.Meyer (Eds). Cambridge: Cambridge University Press.

Kementerian Kementerian Energi dan Sumber Daya Mineral. 2006. BlueprintPengelolaan Energi Nasional 2006-2025. Jakarta : Kementerian Energi danSumber Daya Mineral.

Li, H. et al. 2011. Analysis on Influence Factors of China’s CO2 Emissions basedon Path-STIRPAT Model. Journal of Energy Policy (39), pp. 6906-6911.

17

Lundgren. L.W. 1999. Environmental Geology. Second Edition. New Jersey:Prentice-Hall, Inc.

Shi, A. 2003. The Impacts of Population Pressure on Global Carbon DioxideEmissions, 1975-1996: Evidence from Pooled Cross-Country Data. Journalof Ecological Economics (44), pp. 29-42.

Stern, P.C., O.R. Young, and D. Druckman. 1992. Global Environmental Change:Understanding the Human Dimensions. National Academy Press USA.

Thamrin, S. 2011. Indonesia’s National Mitigation Actions: Paving the Waytowards NAMAs. Tersedia: http://www.oecd.org/env/cc/48304156.pdf.[Diakses: 8 September 2015].

UN. Undated. Intensity of Energy Use, Total, and by Economic Activity. Tersedia:www.un.org/esa/sustdev/.../consumption.../energy_use_intensity.pdf.[Diakses: 4 September 2015].

UNEP. 2008. Kick The Habit: UN Guide to Climate Neutrality. Malta: ProgressPress, Ltd.

World Bank. 2014. World Development Indicator 2014. Tersedia:www.data.worldbank.org. [Diakses: 8 Desember 2014].

Yang, J. 2012. StatNews#83: Interpreting Coefficients in Regression with Log-Transformed Variables. Tersedia:https://www.cscu.cornell.edu/news/statnews/stnews83.pdf. [Diakses: 4Oktober 2015].

York, R., E.A. Rosa, T. Dietz. 2003a. A Rift in Modernity? Assessing theAnthropogenic Sources of Global Climate Change with the STIRPAT Model.International Journal of Sociology and Social Policy (23), pp. 31-51.

York, R., E.A. Rosa, T. Dietz. 2003b. Footprints on the Earth: the EnvironmentalConsequences of Modernity. Journal of American Sociological Review, pp.279-300.

York, R., E.A. Rosa, T. Dietz. 2003c. STIRPAT, IPAT and ImPACT: AnalyticTools for Unpacking the Driving Forces of Environmental Impacts. Journalof Ecological Economics (46), pp. 351-365.

18

Lampiran 1. Skenario BAU dan 20 Skenario Pembanding beserta Asumsinya

No.Kode

Skenario Komponen Nilai Sumber Acuan

0 BAU n 1,61% Tren 1980-2009Laju PDB riil 4,99%g 3,33%Laju konsumsienergi

5,97%

i 1,03%1 1-5-25 n 1% BPS, Bappenas, UNFPA

Laju PDB riil 5% IEA Energy Policy Review 2008g 3,96%Laju konsumsienergi

2,5% BP Energy Outlook 2035

i -1% PP No.79/20142 1-5-4 n 1%

Laju PDB riil 5%g 3,96%Laju konsumsienergi

4% BP Energy Outlook 2035

i -1%3 1-5-5 n 1%


5% Indonesia Energy Outlook 2014 –Dewan Energi Nasional

i -1%4 1-6-25 n 1%

Laju PDB riil 6% IEA Energy Policy Review 2008,Outlook Energy Indonesia 2014 -BPPT

g 4,95%Laju konsumsienergi

2,5%

i -1%5 1-6-4 n 1%


4%

i -1%6 1-6-5 n 1%

Laju PDB riil 6%

19


5,64% Blueprint PEN 10 Nopember 2007

i -1%7 1-7-25 n 1%

Laju PDB riil 7% Outlook Energy Indonesia 2014 –BPPT, Perpres No. 32/2011


2,5%

i -1%8 1-7-4 n 1%


4%

i -1%9 1-7-6 n 1%


6% Indonesia Energy Outlook 2014 –Dewan Energi Nasional

i -1%10 119-5-25 n 1,19% BPS, Bappenas, UNFPA


2,5%

i -1%11 119-5-4 n 1,19%


4%

i -1%12 119-5-5 n 1,19%


5%

i -1%13 119-6-25 n 1,19%

Laju PDB riil 6%g 4,95%Laju konsumsi 2,5%

20

energii -1%

14 119-6-4 n 1,19%Laju PDB riil 6%g 4,95%Laju konsumsienergi

4%

i -1%15 119-6-564 n 1,19%


5,64%

i -1%16 119-7-25 n 1,19%


2,5%

i -1%17 119-7-4 n 1,19%


4%

i -1%18 119-7-6 n 1,19%


6%

i -1%19 IEA n 0,9% Southeast Asia Energy Outlook

2011-2035 – World Energy Outlook2013 Special Report IEA

Laju PDB riil 4,9%g 3,32%Laju konsumsienergi

2,5%

i -2,3%20 KEN n 1% Indonesia Energy Outlook 2014 –

Dewan Energi NasionalLaju PDB riil 7,5%g 6,44%Laju konsumsienergi

5,13%

i -1%

21

Lampiran 2. Hasil Regresi RR dan OLS dalam Persamaan Linear

Ridge Regression ReportDataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsxDependent ln_CO2Emissions

Least Squares Multicollinearity SectionIndependent Variance R-SquaredVariable Inflation Vs Other X's Toleranceln_Population 90.5063 0.9890 0.0110ln_GDPpc 56.9524 0.9824 0.0176ln_EI 8.9064 0.8877 0.1123Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative ConditionNo. Eigenvalue Percent Percent Number1 2.773876 92.46 92.46 1.002 0.219521 7.32 99.78 12.643 0.006603 0.22 100.00 420.10Some Condition Numbers greater than 100. Multicollinearity is a MILD problem.

Eigenvector of Correlations

No. Eigenvalue ln_Population ln_GDPpc ln_EI1 2.773876 -0.595959 -0.579725 -0.5556552 0.219521 0.222639 0.545547 -0.8079673 0.006603 0.771534 -0.605225 -0.196054

Ridge vs. Least Squares Comparison Section for k = 0.127888

Regular Regular Stand'zed Stand'zed Ridge L.S.Independent Ridge L.S. Ridge L.S. Standard StandardVariable Coeff's Coeff's Coeff's Coeff's Error ErrorIntercept -10.28536 1.64167ln_Population 1.26463 0.08470229 0.3637 0.0244 0.1156388 0.7711803ln_GDPpc 0.792879 1.455928 0.4605 0.8457 0.07789943 0.302884ln_EI 0.4462734 0.4740539 0.1403 0.1490 0.1853443 0.221295

R-Squared 0.9323 0.9859Sigma 0.1319 0.0602

22

Lampiran 3. Hasil Regresi RR dan OLS dalam Persamaan Polinomial

Ridge Regression ReportDataset D:\data 19802009 - CONSTANT 2010 IDR - WDIWEOBP.xlsxDependent ln_CO2Emissions

Least Squares Multicollinearity SectionIndependent Variance R-SquaredVariable Inflation Vs Other X's Toleranceln_Population 2469729.7753 1.0000 0.0000lnPop_Quad 2478491.0704 1.0000 0.0000ln_GDPpc 631593.2425 1.0000 0.0000lnGDPpc_Quad632367.5030 1.0000 0.0000ln_EI 21.1775 0.9528 0.0472Since some VIF's are greater than 10, multicollinearity is a problem.

Eigenvalues of Correlations

Incremental Cumulative ConditionNo. Eigenvalue Percent Percent Number1 4.718073 94.36 94.36 1.002 0.269272 5.39 99.75 17.523 0.012631 0.25 100.00 373.554 0.000025 0.00 100.00 191738.115 0.000000 0.00 100.00 29117493.04Some Condition Numbers greater than 1000. Multicollinearity is a SEVERE problem.

Ridge vs. Least Squares Comparison Section for k = 0.322897Regular Regular Stand'zed Stand'zed Ridge L.S.

Independent Ridge L.S. Ridge L.S. Standard StandardVariable Coeff's Coeff's Coeff's Coeff's Error ErrorIntercept -3.106441 378.8664ln_Population 0.6636226 -29.77069 0.1909 -8.5617 0.05483457 111.5709lnPop_Quad 0.01747673 0.770052 0.1914 8.4349 0.001446992 2.934482ln_GDPpc 0.385908 -8.752012 0.2242 -5.0837 0.03901096 27.93501lnGDPpc_Quad 0.01165815 0.3111477 0.2255 6.0176 0.001178004 0.8395168ln_EI 0.363291 0.7146732 0.1142 0.2247 0.1464188 0.2988598

R-Squared 0.9178 0.9900Sigma 0.1512 0.0527

23

Lampiran 4. Proyeksi Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario

2010 2011Series0 482,53 507,42Series1 478,18 494,04Series2 478,18 497,25Series3 478,18 499,38Series4 478,18 495,66Series5 478,18 498,89Series6 478,18 502,38Series7 478,18 497,28Series8 478,18 500,51Series9 478,18 504,78Series10 478,18 494,47Series11 478,18 497,69Series12 478,18 499,82Series13 478,18 496,10Series14 478,18 499,33Series15 478,18 502,83Series16 478,18 497,72Series17 478,18 500,96Series18 478,18 505,23Series19 475,37 490,74Series20 478,18 503,74

0

200

400

600

800

1,000

1,200

1,400

1,600

1,800

2,000Em

isi C

O2

(Juta

Ton

)

23


2011 2012 2013 2014 2015 2016 2017507,42 533,59 561,11 590,05 620,48 652,48 686,14494,04 510,42 527,35 544,83 562,90 581,57 600,86497,25 517,08 537,70 559,15 581,45 604,64 628,76499,38 521,52 544,64 568,78 594,00 620,33 647,84495,66 513,78 532,57 552,04 572,23 593,15 614,84498,89 520,49 543,03 566,55 591,08 616,68 643,38502,38 527,81 554,52 582,59 612,08 643,06 675,61497,28 517,14 537,79 559,28 581,61 604,84 629,00500,51 523,89 548,36 573,97 600,78 628,84 658,21504,78 532,87 562,52 593,82 626,86 661,74 698,56494,47 511,32 528,75 546,77 565,40 584,67 604,60497,69 518,00 539,14 561,14 584,03 607,87 632,67499,82 522,44 546,09 570,80 596,64 623,64 651,87496,10 514,70 533,99 554,00 574,77 596,31 618,66499,33 521,41 544,48 568,56 593,71 619,97 647,39502,83 528,75 556,00 584,66 614,80 646,49 679,82497,72 518,06 539,23 561,26 584,20 608,07 632,92500,96 524,82 549,82 576,01 603,45 632,19 662,31505,23 533,82 564,02 595,93 629,65 665,27 702,91490,74 506,61 522,99 539,90 557,36 575,39 594,00503,74 530,68 559,05 588,94 620,43 653,61 688,55

23


2017 2018 2019 2020 2021 2022 2023686,14 721,52 758,74 797,87 839,02 882,30 927,80 975,65600,86 620,78 641,37 662,64 684,61 707,32 730,78 755,01628,76 653,83 679,91 707,03 735,22 764,55 795,04 826,75647,84 676,56 706,55 737,87 770,59 804,75 840,43 877,69614,84 637,32 660,62 684,77 709,81 735,76 762,66 790,55643,38 671,24 700,31 730,64 762,28 795,29 829,73 865,66675,61 709,81 745,73 783,48 823,14 864,80 908,57 954,56629,00 654,13 680,25 707,42 735,68 765,07 795,62 827,40658,21 688,95 721,13 754,81 790,07 826,97 865,59 906,02698,56 737,43 778,47 821,78 867,51 915,78 966,73 1,020,604,60 625,20 646,51 668,54 691,32 714,88 739,25 764,44632,67 658,49 685,36 713,32 742,43 772,73 804,26 837,08651,87 681,37 712,21 744,45 778,14 813,36 850,17 888,65618,66 641,85 665,91 690,87 716,77 743,63 771,50 800,42647,39 676,02 705,92 737,15 769,75 803,80 839,35 876,48679,82 714,86 751,71 790,46 831,20 874,05 919,11 966,48632,92 658,78 685,70 713,72 742,89 773,25 804,85 837,74662,31 693,86 726,91 761,53 797,81 835,81 875,63 917,34702,91 742,68 784,70 829,10 876,01 925,57 977,94 1,033,594,00 613,21 633,04 653,51 674,64 696,46 718,98 742,24688,55 725,37 764,15 805,01 848,05 893,39 941,16 991,48

23


2024 2025 2026 2027 2028 2029 2030927,80 975,65 1,025, 1,078, 1,134, 1,193, 1,254, 1,319,730,78 755,01 780,05 805,92 832,64 860,26 888,79 918,26795,04 826,75 859,72 894,01 929,67 966,74 1,005, 1,045,840,43 877,69 916,60 957,23 999,67 1,043, 1,090, 1,138,762,66 790,55 819,45 849,41 880,47 912,66 946,03 980,62829,73 865,66 903,15 942,26 983,07 1,025, 1,070, 1,116,908,57 954,56 1,002, 1,053, 1,106, 1,163, 1,221, 1,283,795,62 827,40 860,45 894,82 930,56 967,73 1,006, 1,046,865,59 906,02 948,34 992,63 1,038, 1,087, 1,138, 1,191,966,73 1,020, 1,077, 1,137, 1,200, 1,267, 1,337, 1,412,739,25 764,44 790,49 817,43 845,29 874,10 903,88 934,69804,26 837,08 871,23 906,78 943,79 982,30 1,022, 1,064,850,17 888,65 928,87 970,91 1,014, 1,060, 1,108, 1,158,771,50 800,42 830,42 861,55 893,84 927,35 962,11 998,17839,35 876,48 915,24 955,73 998,00 1,042, 1,088, 1,136,919,11 966,48 1,016, 1,068, 1,123, 1,181, 1,242, 1,306,804,85 837,74 871,97 907,60 944,69 983,30 1,023, 1,065,875,63 917,34 961,03 1,006, 1,054, 1,105, 1,157, 1,212,977,94 1,033, 1,091, 1,153, 1,218, 1,287, 1,360, 1,437,718,98 742,24 766,24 791,02 816,60 843,01 870,27 898,41941,16 991,48 1,044, 1,100, 1,159, 1,221, 1,286, 1,355,

23


2030 2031 2032 2033 2034 20351,319, 1,387, 1,458, 1,534, 1,613, 1,696,918,26 948,71 980,17 1,012, 1,046, 1,080,1,045, 1,087, 1,130, 1,175, 1,222, 1,271,1,138, 1,189, 1,241, 1,296, 1,354, 1,414,980,62 1,016, 1,053, 1,092, 1,132, 1,173,1,116, 1,164, 1,215, 1,267, 1,322, 1,379,1,283, 1,348, 1,416, 1,488, 1,564, 1,643,1,046, 1,088, 1,131, 1,177, 1,224, 1,272,1,191, 1,247, 1,305, 1,366, 1,430, 1,496,1,412, 1,490, 1,573, 1,661, 1,753, 1,851,934,69 966,54 999,48 1,033, 1,068, 1,105,1,064, 1,107, 1,152, 1,199, 1,248, 1,299,1,158, 1,211, 1,266, 1,323, 1,383, 1,446,998,17 1,035, 1,074, 1,114, 1,156, 1,199,1,136, 1,186, 1,239, 1,293, 1,351, 1,410,1,306, 1,374, 1,444, 1,519, 1,597, 1,680,1,065, 1,108, 1,154, 1,201, 1,250, 1,301,1,212, 1,270, 1,331, 1,394, 1,460, 1,530,1,437, 1,518, 1,604, 1,695, 1,791, 1,892,898,41 927,47 957,46 988,42 1,020, 1,053,1,355, 1,427, 1,504, 1,584, 1,669, 1,758,

23


24

Lampiran 5. Proyeksi Persentase Pengurangan Emisi CO2 Indonesia Tahun 2010-2035 dalam Beberapa Skenario

-40

-35

-30

-25

-20

-15

-10

-5

0

5

10

152010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

2024

2025

2026

2027

2028

2029

2030

2031

2032

2033

2034

2035

Pers

en

Series1 Series2 Series3 Series4 Series5


