laporan akhir kajian penyusunan target ekspor...
TRANSCRIPT
LAPORAN AKHIR
KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA 2015-2019
PUSAT KEBIJAKAN PERDAGANGAN LUAR NEGERI BADAN PENGKAJIAN DAN PENGEMBANGAN KEBIJAKAN PERDAGANGAN
KEMENTERIAN PERDAGANGAN 2014
ii Puska Daglu, BP2KP, Kementerian Perdagangan
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa yang
telah memberikan limpahan rahmat dan karunia-Nya, sehingga seluruh
kegiatan kajian “Penyusunan Target Ekspor Impor Indonesia 2015-2019”
dapat dilaksanakan dengan baik hingga dituangkan dalam bentuk laporan
akhir.
Kajian ini merupakan bagian dari tugas dan fungsi Pusat Kebijakan
Perdagangan Luar Negeri sebagai unit pelaksanaan kajian dan
pengembangan kebijakan perdagangan luar negeri di lingkungan
Kementerian Perdagangan Republik Indonesia. Kajian dimaksud tidak
terlepas dari bagian upaya untuk mendukung penyusunan target ekspor
impor Indonesia untuk Rencana Pembangunan Jangka Menengah
Nasional (RPJMN) maupaun Rencana Strategis Kementerian
Perdagangan periode 2015-2019.
Akhirnya, kami berharap semoga hasil akhir kajian ini bermanfaat
bagi berbagai pihak yang membutuhkan, meskipun kami menyadari masih
banyak langkah-langkah penyempurnaan yang perlu dilakukan. Oleh
karena itu, kami sangat terbuka terhadap saran dan kritik dalam rangka
penyempurnaan laporan ini. Selanjutnya kami sampaikan apresiasi dan
terima kasih yang tulus kepada berbagai pihak yang telah membantu
dalam kegiatan kajian ini.
Jakarta, Desember 2014
Pusat Kebijakan Perdagangan Luar Negeri
iii Puska Daglu, BP2KP, Kementerian Perdagangan
ABSTRAK
KAJIAN PENYUSUNAN TARGET EKSPOR IMPOR INDONESIA 2015-2019
Kajian ini bertujuan untuk (1) Menganalisis determinan yang mempengaruhi ekspor dan impor Indonesia; (2) Menyusun proyeksi ekspor dan impor nasional periode 2015-2019; (3) Menyusun proyeksi ekspor berdasarkan sektor (migas dan nonmigas) dan kelompok komoditi (primer dan manufaktur) periode 2015-2019; dan (4) Menyusun proyeksi impor berdasarkan sektor dan kelompok barang (bahan baku, barang modal dan barang konsumsi) periode 2015-2019. Metode yang digunakan dalam kajian antara lain OLS untuk mencari determinan ekspor dan impor, VAR untuk memproyeksi ekspor dan impor barang secara total dan menurut sektor migas dan non-migas, serta exponential smoothing Holt Winters seasonal beserta ARIMA untuk memproyeksi ekspor berdasarkan kategori komoditi dan impor beradasarkan kategori barang. Hasil OLS menunjukkan bahwa variabel GDP per kapita negara mitra utama, impor total, nilai tukar, harga minyak dunia dan suku bunga kredit merupakan determinan ekspor barang total Indonesia. Sementara itu, variabel GDP per kapita Indonesia, ekspor total, nilai tukar, dan harga minyak dunia merupakan determinan impor barang total Indonesia. Hasil VAR menunjukkan rata-rata pertumbuhan ekspor nasional pada 2015-2019 sebesar 5 persen dengan pertumbuhan ekspor migas rata-rata 1,3 persen dan ekspor non migas sebesar 5,7 persen. Selain itu, rata-rata pertumbuhan impor nasional pada 2015-2019 sebesar 4,7 persen dengan impor migas sebesar 5,4 persen dan impor non migas sebesar 4,5 persen. Lebih lanjut hasil uji statistik akurasi proyeksi menunjukkan metode exponential smoothing Holt Winters Additive (HWA) dan Multiplicative (HWM) lebih baik daripada ARIMA/SARIMA. Hasil anailisis HWA dan HWM menunjukkan bahwa rata-rata ekspor pertanian tumbuh sebesar 3,56; ekspor industri tumbuh rata-rata 4,17 persen dan ekspor pertambangan tumbuh rata-rata 5,59 persen pada periode 2015-2019. Di sisi lain, impor barang konsumsi diproyeksi tumbuh rata-rata sebesar 5,2 persen, impor bahan baku tumbuh rata-rata 5,15 persen dan impor barang modal tumbuh rata-rata 5,82 persen dalam kurun waktu 2015-2019. Kata kunci: proyeksi, ekspor, impor, OLS, VAR, exponential smoothing, ARIMA
ABSTRACT
STUDY OF FORMULATING TARGET FOR INDONESIAN EXPORT IMPORT 2015-2019
This study aims to (1) analyze the determinants that affect the exports and imports of Indonesia; (2) develop a national export and import projections period 2015-2019; (3) construct projections of exports by sector (oil and non-oil) and commodity groups (primary and manufacturing) period 2015-2019; and (4) provide projections of imports by sector and category of goods (raw
iv Puska Daglu, BP2KP, Kementerian Perdagangan
materials, capital goods and consumer goods) period 2015-2019. The methods used in the study include OLS to find the determinant of export and import, VAR to project exports and imports of goods in total and by sector (oil and non-oil) as well as exponential smoothing holt winters and their seasonal ARIMA to project exports and imports by categories of goods. The OLS results indicate that the variables of main partner country's GDP per capita, total imports, exchange rate, oil prices, and lending rates are the main determinants of Indonesia's total merchandise exports. Meanwhile, the variables of Indonesia’s GDP per capita, total exports, exchange rate, and world oil prices statistically influence to Indonesia's total imports. The VAR results showed that national export growth in 2015-2019 is 5 percent consisting of oil and gas export growth of 1.3 percent and non-oil exports of 5.7 percent in average. In addition, the national import in 2015-2019 is projected to grow by 4.7 percent; oil imports grow by 5.4 percent; and non-oil imports grow by 4.5 percent. Further statistical result shows the accuracy of the projected exponential smoothing method of Holt Winters additive (HWA) and multiplicative (HWM) is better than ARIMA/SARIMA. The projection using HWA and HWM shows that the agricultural exports grow by 3.56 percent on average; industrial exports grow by 4.17 percent on average; and mining exports grow 5.59 percent on average during 2015-2019. On the other hand, imports of consumer goods is projected to grow on average by 5.2 percent; imports of raw materials grow on average by 5.15 per cent; and imports of capital goods grow by 5.82 percent on average during 2015-2019.
Keywords: projection, export, import, OLS, VAR, exponential smoothing, ARIMA
v Puska Daglu, BP2KP, Kementerian Perdagangan
DAFTAR ISI KATA PENGANTAR ...................................................................................... ii ABSTRAK ..................................................................................................... iii DAFTAR ISI .................................................................................................... v
DAFTAR TABEL ......................................................................................... viii DAFTAR GAMBAR ........................................................................................ x
BAB I. PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang ................................................................................... 1
1.2 Pertanyaan Penelitian ........................................................................ 7
1.3 Tujuan Penelitian ............................................................................... 7
1.4 Output dan Manfaat Penelitian ........................................................... 8
1.4.1 Output Penelitian ................................................................................ 8
1.4.2 Manfaat Penelitian.............................................................................. 8
1.5 Ruang Lingkup Penelitian .................................................................. 8
BAB II. TINJAUAN PUSTAKA ..................................................................... 10
2.1 Teori Perdagangan Internasional ..................................................... 10
2.2 Ekspor dan Impor ............................................................................. 13
2.2.1 Teori Penawaran Ekspor .................................................................. 14
2.2.2 Teori Permintaan Ekspor .................................................................. 15
2.2.3 Teori Permintaan Impor .................................................................... 15
2.3 Instrumen Kebijakan Perdagangan Internasional: Pengembangan Ekspor dan Pengendalian Impor ............................ 18
2.3.1 Promosi Ekspor ................................................................................ 19
2.3.2 Diversifikasi Ekspor .......................................................................... 20
2.3.3 Tarif .................................................................................................. 22
2.3.4 Hambatan Non Tarif (Non-Tariff Barrier) .......................................... 22
2.4 Proyeksi Ekspor dan Impor .............................................................. 25
2.5 Penelitian Terdahulu ........................................................................ 26
BAB III. METODE PENELITIAN ................................................................... 31
3.1 Kerangka Kerja Konseptual .............................................................. 31
3.2 Pendekatan Penelitian ..................................................................... 32
3.3 Data dan Teknik Pengumpulan Data ............................................... 32
vi Puska Daglu, BP2KP, Kementerian Perdagangan
3.4 Teknik Analisis ................................................................................. 33
3.4.1 Regresi Linear Berganda (Ordinary Least Square) .......................... 34
3.4.2 Vector AutoRegressive (VAR) .......................................................... 35
3.4.3 Metode Peramalan Exponential Smoothing ..................................... 40
3.4.4 Box Jenkins (ARIMA) ....................................................................... 42
BAB IV. KINERJA EKSPOR DAN IMPOR INDONESIA .............................. 45
4.1 Kinerja Ekspor Indonesia ................................................................. 45
4.1.1 Kinerja Ekspor Sektor Migas ............................................................ 46
4.1.2 Kinerja Ekspor Non Migas ................................................................ 48
4.2 Kinerja Impor Indonesia ................................................................... 51
4.2.1 Perkembangan Impor dan Jenis Produk Impor Indoensia ................ 51
4.2.2 Kinerja Impor Menurut Golongan Penggunaan Barang.................... 54
BAB V. HASIL DAN PEMBAHASAN ........................................................... 59
5.1 Analisis Determinan Ekspor dan Impor Indonesia ............................ 59
5.1.1 Analisis Determinan Ekspor Barang Menggunakan Metode OLS .................................................................................................. 60
5.1.2 Analisis Determinan Impor Menggunakan Metode OLS................... 64
5.2 Proyeksi Ekspor dan Impor Indonesia: Analisis Vector Autoregressive (VAR) ....................................................................... 67
5.2.1 Proyeksi Ekspor Indonesia ............................................................... 68
5.2.2 Proyeksi Impor Indonesia ................................................................. 69
5.3 Proyeksi Ekspor dan Impor Menurut Sektor dan Kategori Barang .............................................................................................. 70
5.3.1 Proyeksi Ekspor dan Impor menggunakan Metode Exponential Smoothing ................................................................... 72
5.3.2 Proyeksi Ekspor dan Impor menggunakan Metode Box-Jenkins ............................................................................................. 73
5.3.3 Proyeksi Ekspor dan Impor dengan Model Terbaik .......................... 76
5.4 Proyeksi Nilai dan Pertumbuhan Ekspor dan Impor Indonesia 2015-2019....................................................................... 78
5.5 Penyusunan Target Ekspor Impor Negara Lain (Studi Kasus Filipina) ............................................................................................. 80
BAB VI. PENUTUP ....................................................................................... 86
6.1 Kesimpulan ...................................................................................... 86
vii Puska Daglu, BP2KP, Kementerian Perdagangan
6.2 Saran ................................................................................................ 88
DAFTAR PUSTAKA ...................................................................................... xi LAMPIRAN ................................................................................................... xv
viii Puska Daglu, BP2KP, Kementerian Perdagangan
DAFTAR TABEL
Tabel 1.1 Perkembangan Neraca Perdagangan Indonesia (USD
Miliar) ........................................................................................... 4
Tabel 1.2 Neraca Perdagangan Indonesia Dengan Mitra Dagang
Utama (USD Miliar) ...................................................................... 5
Tabel 4.1 Perkembangan Pangsa dan Petumbuhan Ekspor
Indonesia ................................................................................... 46
Tabel 4.2 Perkembangan Ekspor Migas Indonesia (Juta Dollar) ............... 47
Tabel 4.3 Struktur Ekspor Migas Indonesia (Persen) ................................ 48
Tabel 4.4 Perkembangan Ekspor Non Migas Indonesia (Juta USD) ......... 50
Tabel 4.5 Struktur Ekspor Non Migas Indonesia (Persen) ......................... 50
Tabel 4.6. Pertumbuhan Impor Indonesia Berdasarkan Sektor .................. 51
Tabel 4.7 Pengelompokan Jenis Barang Berdasarkan Kelompok
BEC Tahun 2011-2013 (Juta USD) ............................................ 53
Tabel 5.1 Rangkuman Hasil Estimasi OLS Model Persamaan
Umum Ekspor ............................................................................ 62
Tabel 5.2 Rangkuman Hasil Estimasi OLS Model Persamaan
Umum Impor .............................................................................. 66
Tabel 5.3 Proyeksi Ekspor Migas dan Non Migas 2015-2019 ................... 69
Tabel 5.4 Proyeksi Impor Migas dan Non Migas Indonesia 2015-
2019 ........................................................................................... 70
Tabel 5.5 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode
Exponential Smoothing .............................................................. 72
Tabel 5.6 Tingkat Akurasi Proyeksi Impor Menggunakan Metode
Exponential Smoothing .............................................................. 73
Tabel 5.7 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode
Box-Jenkins (ARIMA/SARIMA) .................................................. 75
Tabel 5.8 Tingkat Akurasi Proyeksi Impor Menggunakan Metode
Box-Jenkins (ARIMA/SARIMA) .................................................. 76
Tabel 5.9 Uji Tingkat Akurasi Model Proyeksi Ekspor ............................... 77
Tabel 5.10 Uji Tingkat Akurasi Model Proyeksi Impor ................................. 78
ix Puska Daglu, BP2KP, Kementerian Perdagangan
Tabel 5.11 Proyeksi Nilai dan Pertumbuhan Ekspor Barang
Indonesia 2015-2019 ................................................................. 79
Tabel 5.12 Proyeksi Nilai dan Pertumbuhan Impor Barang
Indonesia 2015-2019 ................................................................. 80
x Puska Daglu, BP2KP, Kementerian Perdagangan
DAFTAR GAMBAR
Gambar 2.1. Keseimbangan dalam Perdagangan Internasional .................. 12
Gambar 3.1. Kerangka Kerja Konseptual Penelitian ..................................... 32
Gambar 4.1. Impor Indonesia pada Jenis Barang Bahan Baku
Penolong .................................................................................. 55
Gambar 4.2. Impor Indonesia pada Jenis Barang Modal .............................. 56
Gambar 4.3. Impor Indonesia pada Jenis Barang Konsumsi ........................ 57
Gambar 4.4. Persentase Nilai Impor Indonesia Menurut
Penggolongan Barang ............................................................. 58
Gambar 5.1. Alur Penyusunan Target Ekspor dan Pembangunan
Ekonomi Filipina ...................................................................... 82
1 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB I
PENDAHULUAN
1.1 Latar Belakang Sasaran pembangunan perdagangan luar negeri yang ingin dicapai
dalam Rencana Pembangunan Jangka Menengah Nasional (RPJMN)
2010-2014 adalah tumbuhnya ekspor non minyak dan gas (migas)
sebesar 7,0-8,0 persen pada 2010, dan kemudian secara bertahap
meningkat menjadi sebesar 14,5-16,5 persen pada 2014. Harapan
meningkatnya pertumbuhan ekspor non migas bisa dilakukan mengingat
semakin besarnya jumlah permintaan dunia terhadap produk non migas
ditambah dengan berbagai upaya untuk memperbaiki iklim investasi di
dalam negeri, serta perbaikan infrastruktur yang diharapkan dapat
meningkatkan kinerja ekspor non migas. Selain itu, perluasan komoditas
non migas secara masif dilakukan oleh pemerintah dan swasta yang
diharapkan mampu meningkatkan kuantitas dan kualitas serta
keberagaman produk ekspor non migas.
Target ekspor Indonesia semula diproyeksi tumbuh 13 persen pada
2012 sehingga mencapai USD 230 Miliar. Penetapan target ekspor
tersebut didasari oleh kondisi kinerja ekspor Indonesia selama beberapa
tahun terakhir dan asumsi pertumbuhan ekonomi dunia pada 2012.
Namun, target yang telah disusun tersebut seakan kurang bermakna
akibat melambatnya pertumbuhan ekonomi dunia yang dipicu dari krisis
Eropa dan belum pulihnya ekonomi Amerika Serikat, berdampak pada
pertumbuhan ekonomi negara-negara lain termasuk negara berkembang
seperti China, India, Brazil dan emerging market lainnya. Kondisi tersebut
menyebabkan turunnya harga komoditas dunia yang berimplikasi pada
melambatnya kinerja ekspor Indonesia.
Krisis yang terjadi di Amerika Serikat dan Uni Eropa memberikan
dampak yang signifikan terhadap kinerja perdagangan Indonesia. Ekspor
2 Puska Daglu, BP2KP, Kementerian Perdagangan
Indonesia pada 2012 mencapai USD 190,0 miliar atau turun 6,6 persen
(yoy), terdiri dari ekspor migas USD 37,0 miliar (turun 10,9 persen) dan
non migas USD 153,1 miliar (turun 5,5 persen). Pada tahun selanjutnya di
2013, kondisi perekonomian dunia belum memperlihatkan dukungan
perbaikan kinerja ekspor Indonesia. Realisasi ekspor Indonesia periode
Januari-Desember 2013 mencapai USD 182,5 miliar atau menurun
sebesar 3,9 persen (yoy) dari tahun lalu. Penurunan ini terjadi karena
ekspor migas yang mengalami penurunan signifikan sebesar 11,75 persen
atau hanya menjadi USD 32,63 miliar, sementara ekspor non migas juga
mulai mengalami penurunan sebesar 2,03 persen, menjadi USD 149,9
miliar. Pencapaian kinerja ekspor tersebut tentu saja sulit untuk
mendukung tercapainya target RPJMN 2010-2014. Hal ini harus menjadi
bahan pertimbangan dan pelajaran dalam rangka menyusun rencana
pembangunan jangka menengah selanjutnya yaitu RPJMN periode 2015-
2019. Sehingga target yang ditentukan tidak hanya dapat dicapai namun
juga mampu merefleksikan kondisi perkembangan perekonomian dunia
yang sebenarnya.
Di sisi lain, sampai pada 2013 kinerja impor Indonesia masih
didominasi oleh impor non migas dengan pangsa rata-rata 76,75 persen
dari total impor. Namun, pada tahun 2013 peningkatan impor justru lebih
banyak pada impor migas dengan pertumbuhan 6,35 persen dibandingkan
dengan pertumbuhan impor non migas yang justru turun sebesar 5,2
persen. Kondisi ini dimungkinkan tetap berlanjut pada 2014, dimana
pertumbuhan impor migas lebih besar daripada pertumbuhan impor non
migas. Selain itu, tingginya pertumbuhan total impor tahun-tahun
sebelumnya dapat memberikan gambaran bahwa pada 2013 dimana telah
terjadi krisis global, maka impor Indonesia sangat terkena dampak dengan
penurunan sebesar 2,64 persen. Hal ini tidak pernah terjadi pada tahun-
tahun sebelumnya.
Realisasi impor tahun 2013 yang turun 2,64 persen menjadi
sebesar USD 186,63 miliar merupakan salah satu akibat dari melemahnya
permintaan dunia yang disebabkan krisis di Uni Eropa dan belum stabilnya
3 Puska Daglu, BP2KP, Kementerian Perdagangan
perekonomian di Amerika Serikat. Kebutuhan impor khususnya barang
modal menjadi turun yang berakibat pada melemahnya kinerja ekspor. Di
sisi lain, perkembangan investasi terus mengalami peningkatan, serta
jumlah penduduk yang berkembang pesat akan mempengaruhi
permintaan impor Indonesia, terutama pada sektor migas. Meski selama
periode Januari-Juli 2013 total impor Indonesia turun 0,9 persen (yoy)
menjadi USD 111,8 miliar dan impor non migas sebesar juga turun 3,4
persen (yoy) menjadi USD 85,6 miliar, tetapi impor migas terus naik
mencapai 8,5 persen (yoy) atau sebesar USD 26,2 miliar. Kenaikan impor
migas tersebut diakibatkan oleh meningkatnya permintaan minyak mentah
yang mencapai 30,7 persen.
Turunnya kemampuan ekspor yang disertai dengan pertumbuhan
impor yang pesat akan menempatkan neraca perdagangan Indonesia
pada posisi yang mengkhawatirkan. Hal tersebut merupakan kombinasi
keadaan yang tidak menguntungkan bagi fondasi perekonomian nasional.
Menurunnya kinerja ekspor Indonesia akan berdampak pada produksi dan
output industri dalam negeri yang selanjutnya akan berdampak pada
penyerapan tenaga kerja. Satu pesan yang dapat dilihat berdasarkan
realita adalah urgensi untuk mengakselerasi industri manufaktur Indonesia
mengingat sektor ini berkontribusi dominan terhadap total pembentukan
nilai ekspor Indonesia dalam aspek nilai nominal.
Defisit neraca perdagangan yang terjadi pada 2012-2013 semakin
menambah kekhawatiran akan hilangnya tradisi surplus perdagangan
Indonesia. Berdasarkan Tabel 1.1, defisit neraca perdagangan di tahun
2013 mencapai empat kali lipat dari total defisit pada 2012 yaitu sebesar
USD 4,07 miliar Apabila dilihat pada neraca perdagangan bulanan di
tahun 2013, neraca perdagangan Indonesia hampir selalu mengalami
defisit, kecuali pada bulan Maret, Agustus, Oktober hingga Desember.
Lebih lanjut, defisit terbesar pada 2013 terjadi pada bulan Juli yang
mencapai –U$S2,3 miliar. Sementara surplus hanya terjadi pada Maret
dan Agustus serta Oktober hingga Desember dengan nilai yang relatif
kecil yakni hanya mencapai kurang dari sebesar USD 2 miliar.
4 Puska Daglu, BP2KP, Kementerian Perdagangan
Dorongan impor migas yang relatif besar membuat surplus yang
terjadi pada sektor non migas menjadi tidak berarti. Namun capaian buruk
pada kinerja sektor migas tampaknya akan terjadi pula pada sektor non
migas. Hal ini terlihat dari semakin kecilnya surplus neraca perdagangan
pada sektor non migas. Pada tahun 2012, neraca perdagangan non migas
langsung menipis menjadi hanya surplus USD 3,9 miliar. Meskipun
terdapat sedikit perbaikan pada 2013, dimana neraca perdagangan non
migas mencapai USD 8,5 miliar, namun hal ini tidak mampu membuat
neraca perdagangan total juga ikut surplus, karena besarnya defisit pada
neraca perdagangan migas.
Harapan yang lebih baik kembali muncul pada paruh pertama tahun
2014. Meskipun neraca perdagangan masih mengalami defisit, namun
relatif lebih rendah dari 2013. Hingga Juli 2014, defisit yang terjadi
sebesar USD 1 miliar. Defisit tersebut lagi-lagi disebabkan oleh tingginya
impor migas yang menyebabkan neraca perdagangan migas Indonesia
defisit sebesar USD 7,71 miliar. Kebijakan pengendalian konsumsi pada
sektor migas (khususnya Bahan Bakar Minyak/BBM) di Indonesia sangat
diperlukan untuk membantu menyelamatkan kinerja neraca perdagangan
Indonesia agar segera keluar dari jeratan defisit.
Tabel 1.1 Perkembangan Neraca Perdagangan Indonesia (USD Miliar)
Uraian 2000 2005 2010 2011 2012 2013 Jan-Jul* Perub. (%)
2014/2013 2013 2014
Ekspor 62,12 85,66 157,78 203,49 190,02 182,55 106,15 103,01 -2,97
Migas 14,36 19,23 28,04 41,47 36,97 32,63 18,61 18,23 -2,04
Nonmigas 47,76 66,43 129,73 162,01 153,04 149,91 87,54 84,77 -3,17
Impor 33,51 57,70 135,66 177,43 191,68 186,62 111,82 104,00 -6,99
Migas 6,02 17,46 27,41 40,70 42,56 45,26 26,24 25,95 -1,12
Nonmigas 27,49 40,24 108,25 136,73 149,12 141,36 85,58 78,05 -8,79
Neraca 28,61 27,96 22,11 26,06 -1,66 -4,07 -5,67 -1,00 82,27
Migas 8,35 1,77 626,9 775,5 -5,58 -12,63 -7,63 -7,71 -1,13
Nonmigas 20,26 26,19 21,48 25,28 3,91 8,55 1,96 6,71 242,09
Sumber: BPS (2014), diolah
5 Puska Daglu, BP2KP, Kementerian Perdagangan
Hilangnya tradisi surplus neraca perdagangan Indonesia ini terjadi
bukan tanpa sebab. Tanda-tanda ke arah defisit sudah mulai terlihat
utamanya setelah Indonesia turut serta dalam perjanjian-perjanjian
perdagangan internasional dan gencar melakukan kesepakatan kerjasama
ekonomi internasional maupun Free Trade Area (FTA) baik secara
regional, bilateral dan multilateral. Pada saat kran perdagangan semakin
terbuka bebas akibat kesepakatan berbagai FTA tersebut yang terjadi
adalah tren ekspor Indonesia tumbuh relatif lebih rendah dibandingkan
dengan pertumbuhan impor. Satu persatu neraca perdagangan Indonesia
dengan negara mitra dagang utama mengalami defisit. Sejak tahun 2012,
defisit neraca perdagangan nyaris terjadi dengan sejumlah negara mitra
dagang utama. Surplus yang diperoleh salah satunya hanya dengan
Inggris, AS dan India saja (Tabel 1.2).
Harapan akan terjadinya perbaikan pada neraca perdagangan
mulai terlihat hingga pertengahan 2014. Sampai dengan Juli 2014,
meskipun neraca perdagangan non migas Indonesia dengan 13 negara
mitra dagang utama mengalami defisit, namun untuk neraca perdagangan
Indonesia dengan negara lainnya tercatat menuai hasil positif. Seperti
yang ditunjukkan pada Tabel 1.2, terlihat bahwa neraca perdagangan
dengan negara lainnya mencapai surplus USD 11,46 miliar. Hal ini
mengakibatkan neraca perdagangan non migas Indonesia secara total
masih mengalami surplus sebesar USD 6,64 miliar.
Tabel 1.2 Neraca Perdagangan Indonesia Dengan Mitra Dagang Utama (USD Miliar)
Mitra Dagang 2012 Jan-Jul 2014 Ekspor Impor Ket. Ekspor Impor Ket.
1 Singapura 10,55 10,64 Defisit 6 ,07 6,03 Surplus 2 Malaysia 8,47 11,29 Defisit 3,6 3,4 Surplus 3 Thailand 5,49 6,32 Defisit 2,9 5,6 Defisit 4 Jerman 3,07 4,18 Defisit 1,6 2,3 Defisit 5 Perancis 1,13 1,89 Defisit 0,6 0,78 Defisit 6 Inggris 1,69 1,36 Surplus 0,9 0,53 Surplus 7 China 20,86 28,96 Defisit 10,1 17,3 Defisit
6 Puska Daglu, BP2KP, Kementerian Perdagangan
Mitra Dagang 2012 Jan-Jul 2014 Ekspor Impor Ket. Ekspor Impor Ket.
8 Jepang 17,23 22,72 Defisit 8,2 9,9 Defisit 9 Amerika
Serikat 14,59 11,46 Surplus 9,2 4,9 Surplus
10 India 12,44 4,02 Surplus 6,7 2,2 Surplus 11 Australia 3,36 5,08 Defisit 2,3 3,05 Defisit 12 Korea
Selatan 6,68 8,3 Defisit 3,2 4,5 Defisit
13 Taiwan 4,09 4,2 Defisit 2,3 2,1 Surplus Total 13 Negara Tujuan
109,7 120,5 Defisit 58,1 62,9 Defisit
Negara Lainnya
43,36 28,67 26,6 15,14
Total Ekspor & Impor Nonmigas
153,1 149,1 Surplus 84,7 78,06 Surplus
Sumber: BPS (2014), diolah
Defisit neraca perdangangan yang berkelanjutan dengan beberapa
negara mitra dagang utama Indonesia harus segera diakhiri. Ke depan
Indonesia harus mampu mencapai surplus dengan negara mitra terutama
yang relatif tidak memiliki keunggulan komparatif dibanding Indonesia.
Indonesia sebagai negara yang kaya sumber daya alam, memiliki
keunggulan mutlak pada berbagai komoditas strategis, diantaranya kelapa
sawit, karet, rotan, kakao dan rumput laut. Namun pada kenyatannya
justru mengalami defisit neraca perdagangan dengan negara mitra
dagang yang relatif tidak memiliki keunggulan komparatif. Ironisnya lagi,
salah satu yang berkontribusi terhadap defisit neraca perdagangan adalah
besarnya impor komoditas pangan. Komoditas yang harusnya berpeluang
dijadikan produk bernilai tambah tinggi sehingga dapat mendorong ekspor
justru tidak optimal dalam menghasilkan devisa. Selain belum kuatnya
daya saing produk agroindustri dan manufaktur Indonesia, kondisi
eksternal seperti ketidakpastian ekonomi global juga tidak menguntungkan
bagi kondisi perekonomian Indonesia melalui sektor perdagangan
7 Puska Daglu, BP2KP, Kementerian Perdagangan
internasional. Kondisi di atas, tentu berlawanan dengan apa yang telah
dicanangkan dalam RPJMN 2010-2014. Oleh sebab itu, kajian yang
bertujuan melakukan penyusunan target ekspor dan impor menjadi
kegiatan yang penting dan strategis di tahun 2014.
Perkembangan faktor-faktor eksternal dan internal ke depan yang
semakin dinamis harus menjadi bahan pertimbangan dan pelajaran dalam
rangka menyusun rencana pembangunan jangka menengah selanjutnya,
yaitu RPJMN periode 2015-2019. Dalam hal ini, Kementerian
Perdagangan dituntut berperan aktif dalam proses teknokratik penyusunan
RPJMN maupun dokumen turunannya (Renstra K/L, RKP), terutama
terkait dengan penentuan target ekspor dan impor. Penentuan target
perdagangan luar negeri akan mempunyai kontribusi terhadap pencapaian
target pertumbuhan ekonomi Indonesia periode 2015-2019.
1.2 Pertanyaan Penelitian Kajian ini berusaha menjawab beberapa pertanyaan penelitian
sebagai berikut:
1. Faktor-faktor apakah yang menjadi determinan dalam
mempengaruhi ekspor dan impor Indonesia?
2. Berapakah proyeksi pertumbuhan ekspor dan impor total
Indonesia untuk periode 2015-2019?
3. Berapakah proyeksi pertumbuhan ekspor berdasarkan sektor
(migas dan non migas) dan kelompok komoditi (primer dan
manufaktur) untuk periode 2015-2019?
4. Berapakah proyeksi pertumbuhan impor berdasarkan sektor
(migas dan non migas) dan kelompok barang (bahan
baku/penolong, barang modal dan barang konsumsi) untuk
periode 2015-2019?
1.3 Tujuan Penelitian Tujuan kajian ini adalah sebagai berikut:
1. Menganalisis determinan yang mempengaruhi ekspor dan
impor Indonesia;
8 Puska Daglu, BP2KP, Kementerian Perdagangan
2. Menyusun proyeksi ekspor dan impor nasional periode 2015-
2019;
3. Menyusun proyeksi ekspor berdasarkan sektor (migas dan non
migas) dan kelompok komoditi (pertanian, industri, dan
pertambangan) periode 2015-2019;
4. Menyusun proyeksi impor berdasarkan sektor dan kelompok
barang (bahan baku/penolong, barang modal dan barang
konsumsi) periode 2015-2019.
1.4 Output dan Manfaat Penelitian
1.4.1 Output Penelitian Adapun output dari kajian ini berupa laporan tentang bahan
rekomendasi dalam rangka penyusunan target ekspor impor
Indonesia untuk RPJMN maupun Rencana Strategis Kementerian
Perdagangan periode 2015-2019.
1.4.2 Manfaat Penelitian Kajian ini diharapkan dapat digunakan sebagai bahan pertimbangan
bagi para pemangku kepentingan, terutama pemerintah, dalam
menetapkan target ekspor dan impor Indonesia untuk RPJMN
maupaun Rencana Strategis Kementerian Perdagangan periode
2015-2019. Selain itu, hasil kajian ini diharapkan dapat bermanfaat
bagi stakeholder untuk meneropong trend perkembangan ekspor
dan impor lima tahun ke depan,
1.5 Ruang Lingkup Penelitian Adapun ruang lingkup kegiatan yang akan dilakukan adalah
sebagai berikut:
1) Aspek Ekonomi
Penelitian ini difokuskan pada analisis faktor-faktor ekonomi
yang mempengaruhi kinerja ekspor dan impor Indonesia.
9 Puska Daglu, BP2KP, Kementerian Perdagangan
2) Aspek Produk
i. Dari aspek produk pada penelitian ini akan dikaji berdasarkan
sektor (migas dan non migas) dan kelompok komoditi
(pertanian, industri, dan pertambangan).
ii. Produk impor yang dikaji adalah berdasarkan sektor (migas
dan nonmigas) serta kelompok barang (bahan
baku/penolong, barang modal dan barang konsumsi).
10 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB II
TINJAUAN PUSTAKA
2.1 Teori Perdagangan Internasional Perdagangan antarnegara atau perdagangan internasional sudah
ada sejak dahulu namun dalam jumlah dan ruang lingkup yang terbatas,
dimana pemenuhan kebutuhan yang tidak dapat diproduksi di dalam
negeri oleh masing-masing negara yang terlibat dalam perdagangan
tersebut dipenuhi dengan cara barter. Pada awalnya perdagangan
internasional merupakan pertukaran atau perdagangan tenaga kerja
dengan barang dan jasa lainnya, yang selanjutnya diikuti dengan
perdagangan barang dan jasa sekarang dengan kompensasi barang dan
jasa di kemudian hari. Akhirnya berkembang hingga pertukaran antar
negara dengan aset-aset yang mengandung risiko, seperti saham, valuta
asing yang saling menguntungkan kedua belah pihak bahkan semua
negara yang terkait di dalamnya. Hal tersebut memungkinkan setiap
negara melakukan diversifikasi atau penganekaragaman kegiatan
perdagangan yang dapat meningkatkan pendapatan mereka melalui
perluasan komoditi ekspor dan memperbesar penerimaan devisa.
Seiring dengan pertambahan jumlah penduduk dan meningkatnya
taraf kehidupan yang bersamaan dengan kemajuan teknologi informasi
menyebabkan peningkatan kebutuhan masyarakat. Hal tersebut pada
akhirnya berdampak pada pentingnya peran perdagangan internasional.
Pada saat ini, tidak ada satu negara pun yang berada dalam kondisi
autarki, yaitu negara yang terisolasi, tanpa mempunyai hubungan ekonomi
dengan negara lain.
Terdapat beberapa hal yang mendorong terjadinya perdagangan
internasional diantaranya dikarenakan perbedaan permintaan dan
penawaran antar Negara. Perbedaan ini terjadi karena: (a) tidak semua
negara memiliki dan mampu menghasilkan komoditi yang
11 Puska Daglu, BP2KP, Kementerian Perdagangan
diperdagangkan, karena faktor-faktor alam negara tersebut tidak
mendukung, seperti letak geografis dan kandungan buminya dan (b)
perbedaan pada kemampuan suatu negara dalam menyerap komoditi
tertentu pada tingkat yang lebih efisien (Salvatore, 1997).
Menurut teori Heckscher–Ohlin terdapat perbedaan opportunity
cost suatu produk antar satu negara dengan negara lain yang disebabkan
karena adanya perbedaan jumlah atau proporsi yang dimiliki masing-
masing Negara. Negara-negara yang memiliki faktor produksi relatif
banyak dan murah dalam produksinya akan melakukan spesialisasi
produksi dan mengekspor barangnya. Keadaan sebaliknya, masing-
masing negara akan mengimpor barang tertentu apabila negara tersebut
memiliki faktor produksi yang relatif langka dan mahal dalam produksinya
(Hady dalam Octrianto, 2006).
Perdagangan internasional antar dua negara yang terjadi akibat
dari perbedaan permintaan dan penawaran dapat dilihat pada Gambar 2.1
yang mengambarkan perdagangan antara Negara P dan Negara Q, DP
dan SP adalah kurva permintaan dan penawaran untuk Negara P.
Sedangkan DQ dan SQ adalah kurva permintaan dan penawaran untuk
Negara Q.
Pada kondisi dimana kedua negara tidak dalam perdagangan,
produksi dan konsumsi Negara P untuk suatu komoditi (misalnya tekstil)
berada pada keseimbangan di titik A berdasarkan harga relatif sebesar P1.
Pada Negara Q produksi dan konsumsinya terjadi pada titik
keseimbangan A’ dengan tingkat harga P3. Kondisi ini dengan asumsi
bahwa harga domestik di Negara P lebih rendah dibandingkan dengan
harga di Negara Q ( P1<P3).
12 Puska Daglu, BP2KP, Kementerian Perdagangan
Gambar 2.1 Keseimbangan dalam Perdagangan Internasional
Sumber: Salvatore (1997) Apabila kondisi harga di atas P1, maka Negara P akan memasok
atau memproduksi komoditi tekstil lebih banyak daripada tingkat
permintaan (konsumsi) domestik sehingga akan menyebabkan kelebihan
penawaran (excess supply) di negara P. Kelebihan produksi itu
selanjutnya akan diekspor ke Negara Q. Di lain pihak jika harga yang
berlaku lebih kecil dari P3, maka Negara Q akan mengalami peningkatan
permintaan (karena konsumen akan meminta lebih banyak pada tingkat
harga yang relatif murah), sehingga tingkat permintaannya lebih tinggi
daripada produksi domestiknya. Hal ini akan mendorong Negara Q untuk
mengimpor kekurangan kebutuhannya atas komoditi tekstil tersebut dari
negara yang mengalami kelebihan produksi komoditi tekstil yaitu Negara
P.
Berdasarkan harga relatif P1, kuantitas komoditi tekstil yang
ditawarkan akan sama dengan kuantitas yang diminta. Pada saat
berlangsungnya perdagangan internasional antara Negara P dan Q tingkat
harga berada di titik P2 dan mengambil asumsi bahwa tidak ada biaya
transportasi dalam proses perdagangan tersebut, maka Negara P akan
mengekspor hasil kelebihan produksinya yang ditunjukkan oleh garis BE.
Sementara itu, karena tingkat harga yang berlaku di pasar internasional
lebih rendah dibandingkan dengan tingkat harga domestik Negara Q,
maka Negara Q akan mengimpor kekurangan produksinya sebesar garis
13 Puska Daglu, BP2KP, Kementerian Perdagangan
B’E’. Hubungan penawaran dan permintaan kedua negara tersebut pada
tingkat harga P2 akan menyebabkan terjadinya keseimbangan
internasional di titik E* (Panel B). Kurva S dan D pada panel B
menunjukkan tingkat penawaran dan permintaan yang terjadi dalam
perdagangan internasional. Pada tingkat keseimbangan, kuantitas ekspor
yang ditawarkan oleh Negara P sama dengan kuantitas yang diminta oleh
Negara Q (BE = B’E’).
Dari teori-teori perdagangan tersebut, dapat diambil kesimpulan
bahwa perdagangan internasional menawarkan suatu keuntungan bagi
negara-negara yang terlibat. Keuntungan-keuntungan dari perdagangan
internasional adalah: tercipta persaingan di pasar internasional yang
mendorong efisiensi dunia, spesialisasi dalam menghasilkan barang dan
jasa secara murah, baik dari segi bahan maupun cara berproduksi,
kenaikan pendapatan, cadangan devisa, transfer modal, dan
bertambahnya kesempatan kerja. Terdapat beberapa faktor yang menjadi
pendorong semua negara di dunia untuk melakukan perdagangan luar
negeri dan yang terpenting diantaranya adalah (Sukirno, 2004): (1)
Memperoleh barang yang tidak dapat dihasilkan di dalam negeri; (2)
Mengimpor teknologi yang lebih modern dari negara lain; (3) Memperluas
pasar produk-produk dalam negeri; dan (4) Memperoleh keuntungan dari
spesialisasi. Keuntungan-keuntungan perdagangan tersebut mendorong
seluruh negara di dunia untuk mengaplikasikan perdagangan internasional
yang menekan biaya ekonomi serendah mungkin. Hal inilah yang
kemudian menjadi latar belakang tumbuhnya semangat liberalisasi bagi
negara-negara seluruh dunia yang tergabung dalam World Trade
Organization (WTO).
2.2 Ekspor dan Impor Ekspor merupakan penjualan barang yang dihasilkan oleh suatu
negara ke negara lain. Suatu negara dapat mengekspor suatu barang
atau jasa yang dihasilkannya ke negara-negara lain yang tidak dapat
menghasilkan sendiri barang-barang yang dihasilkan oleh negara
14 Puska Daglu, BP2KP, Kementerian Perdagangan
pengekspor tersebut. Dalam perdagangan internasional khususnya ekspor
mempunyai peranan penting, yakni sebagai motor penggerak
perekonomian nasional. Sebab ekspor dapat menghasilkan devisa, yang
selanjutnya dapat digunakan untuk membiayai impor dan menstimulus
pembangunan sektor-sektor di dalam negeri.
Impor merupakan pembelian barang yang dilakukan oleh suatu
negara kepada negara lain yang menghasilkan barang tersebut, Impor
dapat terjadi karena suatu negara tidak bisa menghasilkan barang-barang
modal dan berbagai jenis barang untuk keperluan pengembangan
berbagai jenis industri negaranya. Jika impor lebih besar daripada ekspor,
maka cadangan devisa akan berkurang atau neraca perdagangan akan
defisit.
2.2.1 Teori Penawaran Ekspor Penawaran suatu komoditi merupakan jumlah komoditi yang
ditawarkan oleh produsen kepada konsumen dalam suatu pasar pada
tingkat harga dan waktu tertentu. Beberapa faktor yang mempengaruhi
penawaran suatu komoditi adalah harga komoditi yang bersangkutan,
harga faktor produksi, tingkat teknologi, pajak dan subsidi (Lipsey et all,
1995).
Penawaran suatu komoditi selain untuk memenuhi permintaan
dalam negeri juga dimaksudkan untuk memenuhi permintaan masyarakat
luar negeri. Penawaran ekspor suatu komoditi dari suatu negara
merupakan selisih antara penawaran domestik dengan permintaan
domestik. Di lain pihak, negara lain membutuhkan komoditi tersebut
sebagai akibat dari kelebihan permintaan di negara tersebut, Berdasarkan
uraian tersebut maka teori penawaran ekspor bertujuan untuk menentukan
faktor-faktor yang mempengaruhi penawaran ekspor suatu negara.
Secara sistematis dapat dirumuskan sebagai berikut:
SXt = Qt – Ct + St-1 (2.1)
Dimana: SXt = Jumlah ekspor komoditi periode waktu t
Qt = Jumlah produksi domestik periode waktu t
15 Puska Daglu, BP2KP, Kementerian Perdagangan
Ct = Jumlah konsumsi domestik periode waktu t
St-1 = Stok periode waktu sebelumnya (t-1)
Dari Persamaan 2.1 dapat terlihat bahwa faktor-faktor yang
mempengaruhi penawaran ekspor pada dasarnya terdiri dari faktor-faktor
yang mempengaruhi produksi, konsumsi, dan stok.
2.2.2 Teori Permintaan Ekspor Permintaan ekspor suatu komoditi merupakan hubungan yang
menyeluruh antara kuantitas komoditi yang akan dibeli konsumen selama
periode tertentu pada suatu tingkat harga. Permintaan pasar suatu
komoditi merupakan penjumlahan secara horizontal dari permintaan-
permintaan individu suatu komoditi (Lipsey et all, 1995).
Dilihat dari segi permintaan, kegiatan ekspor diasumsikan sebagai
fungsi permintaan pasar internasional terhadap suatu komoditi yang
dihasilkan oleh suatu Negara. Permintan ekspor adalah permintaan pasar
internasional/negara tertentu terhadap suatu komoditi. Teori permintaan
ekspor bertujuan untuk menentukan faktor-faktor yang mempengaruhi
permintaan ekspor suatu negara.
Sebagai sebuah permintaan, ekspor suatu negara (PXt)
dipengaruhi oleh beberapa faktor, diantaranya harga domestik negara
tujuan ekspor (HDIt), harga impor negara tujuan (HIt), pendapatan
perkapita penduduk negara tujuan ekspor (YPIt) dan selera masyarakat
negara tujuan (CPIt). Secara keseluruhan fungsi permintaan ekspor suatu
komoditi dapat dirumuskan sebagai berikut:
PXt = f (HDIt; HIt; YPIt; CPIt) (2,2)
2.2.3 Teori Permintaan Impor Kegiatan mendatangkan barang maupun jasa dari luar negeri dapat
dipandang sebagai suatu fungsi permintaan. Oleh karena itu, Indonesia
yang melakukan impor baik terhadap barang-barang maupun jasa-jasa
yang dihasilkan oleh negara lain, pada dasarnya juga telah melakukan
suatu permintaan terhadap barang dan jasa tersebut. Seperti diketahui, di
16 Puska Daglu, BP2KP, Kementerian Perdagangan
dalam suatu teori permintaan terdapat variabel-variabel yang
mempengaruhi impor sebagai fungsi permintaan akan dijelaskan secara
singkat berikut ini: 1. Harga
Teori ekonomi mengatakan bahwa sesuai hukum permintaan, kurva
permintaan mempunyai kemiringan negatif yang dijelaskan sebagai
berikut: “When the price of a commodity is raised (and other things are
held constant), buyer tend to buy less of the commodity, Similarly, when
the price is lowered, other things equal, quantity demanded increased”
(Samuelson,1983). Hal ini menunjukkan bahwa jumlah permintaan sangat
tergantung pada harga barang tersebut. Dengan kata lain harga barang
akan menentukan jumlah permintaan terhadap suatu barang.
2. Tingkat Pendapatan
Penekanan kurva permintaan biasanya selalu diletakkan pada
keterkaitan antara jumlah dan harga dengan syarat ceteris paribus.
Namun demikian, sesungguhnya masih banyak faktor lain di luar harga
yang turut mempengaruhi permintaan akan suatu barang tersebut,
Beberapa ahli-ahli ekonomi seperti Paul A. Samuelson dan William D.
Nordhaus, mengatakan bahwa permintaan akan suatu barang juga
dipengaruhi oleh “…,,average level of income, the size of the population,
the prices and availability of related goods, individual tasted…,,”
(Samuelson, 1983). Selanjutnya juga dinyatakan bahwa “the average
income of consumers is a key determinated of demand, As people’s
income rise, they tend to buy more of almost everything…” (Samuelson,
1983). Dalam analisis selanjutnya, faktor-faktor seperti besarnya pasar
yang tercermin dari banyaknya penduduk, tersedianya barang substitusi
dan cita rasa yang sifatnya sangat subyektif bagi setiap individu akan
ditiadakan dan diperlakukan sebagai variabel pengganggu. Ahli ekonomi
lainnya, Lindert dan Kindleberger (dalam Samuelson, 1983), juga
menyatakan adanya hubungan antara permintaan dengan tingkat
pendapatan nasional suatu bangsa, khususnya permintaan akan barang
dan jasa dari luar negeri atau impor.
17 Puska Daglu, BP2KP, Kementerian Perdagangan
3. Nilai Tukar Mata Uang Asing
Seperti telah diketahui bahwa dalam kegiatan perdagangan yang
dilakukan antar negara di seluruh dunia (perdagangan internasional),
meliputi ekspor dan impor, alat pembayaran merupakan instrumen yang
penting. Dalam lingkup perdagangan domestik yang tidak melakukan
hubungan dagang dengan luar negeri, digunakan mata uang negara itu
sendiri sebagai alat pembayarannya. Sedangkan dalam perdagangan
internasional yang melibatkan dua negara yang berbeda mengharuskan
suatu alat pembayaran berupa mata uang yang dapat diterima oleh kedua
negara baik negara yang mengekspor maupun negara yang mengimpor
barang dan jasa tersebut.
Mata uang setiap negara mempunyai harga yang dinyatakan dalam
mata uang negara lainnya, Ini disebut sebagai kurs atau nilai tukar atau
exchange rate (Lindert dan Kindleberger, 1982). Hingga saat ini salah satu
mata uang yang bersifat internasional dalam arti bahwa mata uang
tersebut diakui oleh seluruh negara di dunia sebagai alat pembayaran
adalah mata uang dolar Amerika Serikat (USD). USD sebagai mata uang
internasional, atau sering disebut sebagai hard currency, mempunyai
suatu nilai yang diukur dengan mata uang masing-masing negara yang
bersangkutan, yaitu negara-negara pengekspor dan pengimpor. Nilai
inilah yang disebut sebagai nilai tukar mata uang dolar terhadap mata
uang masing-masing negara.
Indonesia sebagai negara yang melakukan ekspor maupun impor
atas barang dan jasa dari negara lain juga melakukan pembayaran
ataupun penerimaan pembayaran dengan menggunakan mata uang
internasional tersebut. Khusus dalam bidang impor, Lindert dan
Kindleberger dalam buku International Economics menyatakan bahwa
“Importing goods and services correspondingly tends to cause the home
currency to be sold in order to buy foreign currency” (Lindert dan
Kindleberger, 1982). Penjualan mata uang negara yang mengimpor,
dalam hal ini Indonesia dilakukan karena alat pembayaran yang diterima
negara lain, yaitu negara pengekspor adalah USD sehingga Rupiah
18 Puska Daglu, BP2KP, Kementerian Perdagangan
sebagai mata uang Indonesia harus ditukar atau dibelikan valuta asing
berupa dollar. Perubahan kurs mata uang USD terhadap Rupiah
mengakibatkan tingkat harga relatif impor suatu barang per unit
mengalami perubahan.
4. Selera (Taste)
Selera atau pola preferensi konsumen pada umumnya berubah dari
waktu ke waktu. Naiknya intensitas keinginan seseorang terhadap suatu
barang tertentu pada umumnya berakibat naiknya jumlah permintaan
terhadap barang tersebut. Begitu pula sebaliknya, turunnya selera
konsumen terhadap suatu barang akan berakibat turunnya jumlah
permintaan.
5. Harga barang-barang lain yang sejenis (subtusi) dan barang
pelengkap (komplementer)
Barang-barang konsumen pada umumnya mempunyai kaitan
penggunaan antara satu dengan yang lain. Kaitan penggunaan antar
kedua barang konsumsi pada dasarnya dapat dibedakan menjadi dua
macam yaitu saling mengganti (substitute relation) dan saling melengkapi
(complementarity relation). Dua barang dikatakan mempunyai hubungan
yang saling mengganti adalah apabila naiknya harga salah satu barang
mengakibatkan naiknya jumlah permintaan terhadap barang yang lain.
Sedangkan untuk hubungan yang saling melengkapi adalah apabila
naiknya harga salah satu barang mengakibatkan turunnya jumlah
permintaan terhadap barang yang lain.
2.3 Instrumen Kebijakan Perdagangan Internasional: Pengembangan Ekspor dan Pengendalian Impor
Perbedaan komparatif dan kompetitif antar negara yang mendasari
perdagangan internasional mengharuskan sebuah negara untuk
mengamankan kepentingan nasionalnya. Hampir semua negara di dunia
membuat hambatan perdagangan terutama impor agar arus barang yang
masuk dapat terkontrol. Di samping itu, perbedaan keunggulan komparatif
dan kompetitif juga menjadi dasar sebuah negara untuk meningkatkan
19 Puska Daglu, BP2KP, Kementerian Perdagangan
ekspor dengan menetapkan kebijakan-kebijakan yang mendukung pelaku
domestik. Beberapa instrumen kebijakan dalam perdagangan
internasional baik impor maupun ekspor, seperti hambatan tarif dan non-
tarif serta promosi dan diversifikasi ekspor akan dijelaskan dalam
beberapa subbab berikut.
2.3.1 Promosi Ekspor Strategi ekspor merupakan salah satu faktor yang berkontribusi
terhadap pertumbuhan ekonomi suatu negara dan terdapat korelasi yang
kuat antara strategi ekspor dan pertumbuhan ekonomi suatu negara
(Krueger, 1983). Cara sebuah negara menyusun strategi ekspornya
bergantung kepada aspek budaya, hukum, dan lingkungan politik serta
pembangunan ekonomi negara yang bersangkutan (Seringhaus dan
Rosson,1990). Selain itu, juga harus diindikasikan beberapa nuansa
antara promosi ekspor tradisional (traditional export) dan produk-produk
ekspor baru (new export products). Ekspor tradisional hanya akan
berpengaruh terhadap pertumbuhan ekspor (export growth), sementara
produk-produk ekspor baru yang salah satunya adalah diversifikasi ekspor
(baik diversifikasi geografis maupun diversikasi produk) yang sangat
penting bagi pengembangan ekspor (export development).
Secara umum, promosi ekspor adalah bagian yang paling penting
dalam kebijakan perdagangan di banyak negara. Promosi ekspor memiliki
makna melakukan kebijakan perdagangan aktif. Dalam beberapa dekade
terakhir, strategi promosi ekspor dilakukan di negara-negara berkembang
dan di negara-negara yang mengalami masa transisi. Kebijakan promosi
ekspor dalam konteks sebagai sebuah rule adalah suatu fase dari
kebijakan perdagangan dalam kondisi sosial, ekonomi, dan politik tertentu.
Dewasa ini program-program promosi ekspor menyediakan pelayanan
yang komprehensif dan canggih terhadap komunitas bisnis.
Isu mengenai peran dari program-program dalam strategi promosi
ekspor mendapat perhatian yang luar biasa dari dua perspektif cabang
pemikiran ekonomi yang saling bertentangan. Satu pihak memandang
20 Puska Daglu, BP2KP, Kementerian Perdagangan
bahwa program promosi ekspor sebagai subsidi akan mendistorsi
perdagangan bebas. Distorsi tersebut diasumsikan akan mendorong
misalokasi sumberdaya dan akan mengakibatkan turunnya kesejahteraan
global (Bhagwati, 1990 serta Bhagwati, Ramaswami dan Srinivasan,
1969).
2.3.2 Diversifikasi Ekspor Diversifikasi ekspor pada intinya adalah usaha penganekaragaman
produk atau perluasan pasar ekspor. Salah satu definisi diversifikasi
ekspor menurut Ali, Alwang, dan Siegel (1991) adalah ketika terjadi
perubahan dalam bauran komposisi produk ekspor yang tersedia di suatu
negara atau tujuan ekspor atau ketika terjadi penyebaran produksi di
banyak sektor (Berthelemy dan Chauvin, 2000). Bagi banyak negara
berkembang, dan sebagai bagian dari pertumbuhan ekonomi yang
didorong oleh ekspor, diversifikasi ekspor dipandang sebagai kemajuan
dari ekspor yang bersifat tradisional kepada ekspor yang bersifat non-
tradisional. Dengan membangun basis ekspor yang lebih luas, diversifikasi
ekspor dapat mengurangi instabilitas penerimaan ekspor, meningkatkan
penerimaan ekspor, meningkatkan nilai tambah, dan meningkatkan
pertumbuhan ekonomi melalui berbagai saluran. Kesemua hal tersebut
termasuk meningkatnya kapabilitas teknologi melalui pelatihan teknis dan
keilmuan serta proses learning by doing, serta fasilitasi keterkaitan ke
depan dan ke belakang (forward and backward linkages) di dalam output.
Dari beberapa aktivitas tersebut, kemudian menjadi input dari aktivitas-
aktivitas yang lain, peningkatan kecanggihan pasar, skala-skala ekonomi
dan eksternalitas, dan substitusi komoditas yang mengalami trend harga
positif untuk komoditas-komoditas yang mengalami trend penurunan
harga.
Di dalam literatur perdagangan, diversifikasi ekspor dapat memiliki
beberapa dimensi dan dapat dianalisis pada level-level yang berbeda. Ada
dua bentuk diversifikasi ekspor yang dikenal yakni diversifikasi ekspor
horisontal dan diversifikasi ekspor vertikal. Diverfisikasi horisontal terjadi di
21 Puska Daglu, BP2KP, Kementerian Perdagangan
dalam sektor yang sama (primer, sekunder atau tersier) dan melibatkan
penyesuaian di dalam bauran ekspor suatu negara dengan menambahkan
produk-produk baru pada keranjang ekspor yang ada di dalam sektor yang
sama, dengan harapan untuk memitigasi risiko ekonomi (untuk
menghindari instabilitas atau penurunan harga internasional) dan risiko-
risiko politik.
Sementara itu, diversifikasi vertikal pada pemrosesan barang-
barang manufaktur domestik, dapat diartikan sebagai suatu pergeseran
dari sektor primer ke sektor sekunder atau sektor tersier. Diversifikasi
vertikal ini ditujukan untuk meningkatkan nilai guna produk-produk yang
sudah ada dengan melakukan aktivitas untuk meningkatkan nilai tambah
seperti pemrosesan, pemasaran atau jasa-jasa lainnya. Diversifikasi
vertikal dapat memperluas peluang-peluang pasar dan membantu
peningkatan pertumbuhan dan stabilitas ekonomi karena barang-barang
yang diolah memiliki harga yang lebih bagus dibandingkan dengan bahan-
bahan mentah. Selain kedua diversifikasi tersebut, diversifikasi diagonal
juga sering dirujuk dalam berbagai literatur. Diversifikasi ini melibatkan
pergeseran dari input-input yang diimpor ke dalam sektor sekunder dan
sektor tersier.
Persyaratan-persyaratan untuk berhasilnya diversifikasi horisontal,
vertikal atau diagonal sangat bervariasi dan bergantung kepada
kemampuan (skills) dan investasi modal, teknologi, dan kompetensi-
kompetensi manajerial serta kemampuan dalam hal pemasaran,
Pertumbuhan ekspor dalam jangka panjang yang berkelanjutan
memerlukan diversifikasi horisontal (misalnya dengan penambahan
produk-produk baru dari produk-produk yang sudah ada) dan diversifikasi
vertikal (misalnya bergerak dari komoditas berbasis bahan mentah kepada
produk-produk manufaktur yang memiliki nilai tambah yang lebih tinggi).
Hal ini dapat dicapai baik dengan penyesuaian pangsa komoditas-
komoditas dalam bauran ekspor yang sudah ada atau dengan
penambahan produk-produk baru ke dalam bauran ekspor.
22 Puska Daglu, BP2KP, Kementerian Perdagangan
2.3.3 Tarif Tarif merupakan pengenaan pajak atau custom duties terhadap
barang-barang yang melewati batas suatu negara. Dilihat dari aspek asal
komoditi (barang/produk), ada dua macam tarif yaitu (Salvatore,1997):
1. Tarif impor, adalah pajak yang dikenakan untuk setiap komoditi
yang diimpor dari negara lain.
2. Tarif ekspor, adalah pajak untuk suatu komoditi yang diekspor.
Sementara bila ditinjau dari mekanisme perhitungannya, ada tiga jenis
tarif, yaitu:
1. Tarif ad valorem adalah pajak yang dikenakan berdasarkan angka
persentase tertentu dari nilai barang-barang yang diimpor.
2. Tarif spesifik dikenakan sebagai beban tetap per unit barang yang
diimpor.
3. Tarif campuran adalah gabungan antara tarif ad valorem dengan
tarif spesifik.
Tarif merupakan bentuk kebijakan perdagangan yang paling tua
dan secara tradisional telah digunakan sebagai sumber penerimaan
pemerintah sejak lama. Maksud utama pengenaan tarif biasanya tidak
semata-mata untuk memperoleh pendapatan pemerintah, melainkan juga
sebagi alat untuk melindungi sektor-sektor tertentu di dalam negeri dan
tekanan persaingan produk impor. Namun, peranan tarif kini telah
menurun dalam era modern sekarang ini. Hal ini disebabkan pemerintah
dari berbagai negara lebih suka dan terbiasa melindungi industri-industri
domestik mereka dengan memberlakukan berbagai macam dan bentuk
hambatan non-tarif seperti kuota impor ataupun kuota ekspor (Krugman
dan Obstfeld, 2003).
2.3.4 Hambatan Non Tarif (Non-Tariff Barrier) Salah satu bentuk hambatan impor bukan tarif adalah kuota. Kuota
adalah pembatasan secara langsung jumlah fisik terhadap barang yang
masuk (kuota impor) dan keluar (kuota ekspor). Pemberlakuan kuota
impor memberikan dampak-dampak terhadap konsumsi dan produksi
seperti yang ditimbulkan oleh penerapan tarif impor yang setara.
23 Puska Daglu, BP2KP, Kementerian Perdagangan
Penyesuaian terhadap setiap pergeseran dalam kurva permintaan atau
kurva penawaran sehubungan dengan adanya kuota impor akan terjadi
pada kuantitas domestik. Sedangkan jika yang diberlakukan adalah tarif
impor, maka penyesuaian tersebut akan terjadi pada harga komoditas
impor. Secara umum, kuota impor itu lebih menghambat daripada tarif
impor yang setara. Kuota impor biasanya dikenakan terhadap bahan
mentah sebagai barang perdagangan penting serta di bawah suatu
pengawasan badan internasional.
Lebih lanjut Krugman dan Obstfeld (2004) menyatakan bahwa
perbedaan dampak yang ditimbulkan oleh kuota dibandingkan dengan tarif
terletak pada pendapatan negara. Dengan menerapkan kuota, pemerintah
tidak memperoleh pendapatan secara langsung. Jika pemerintah memilih
untuk memberlakukan kuota, bukannya tarif, untuk membatasi impor maka
besarnya pendapatan yang akan diperoleh dengan mengenakan tarif
masih dapat diperoleh dengan cara memungutnya dari siapa saja yang
menerima lisensi impor. Pemegang lisensi dapat mengimpor suatu produk
yang dikenai kuota dan menjualnya di dalam negeri dengan harga yang
lebih tinggi. Dalam menghitung biaya dan manfaat dari pembatasan impor,
masalah utamanya adalah menentukan siapa yang memperoleh
keuntungan (rents). Jika hak menjual di pasaran dalam negeri diberikan
kepada pemerintah negara pengekspor, maka alih keuntungan ke luar
negeri menyebabkan biaya pengenaan kuota menjadi jauh lebih besar
daripada biaya atau kerugian yang ditimbulkan oleh instrumen tarif.
Berbagai macam restriksi atau hambatan non-tarif telah
menggantikan peranan tarif di masa sebelumnya, ini merupakan ancaman
bagi kelangsungan dan perkembangan perdagangan internasional yang
bebas. Penggunaan hambatan perdagangan ini pada intinya bertentangan
dengan semangat pasar bebas (liberalisasi) yang diusung WTO.
Penggunaan kebijakan non-tarif (NTMs) oleh negara-negara di
dunia meningkat tajam seiring dengan banyaknya kerja sama ekonomi di
bidang liberalisasi tarif. NTMs didefinisikan sebagai langkah-langkah
kebijakan yang memiliki efek membatasi perdagangan tanpa melanggar
24 Puska Daglu, BP2KP, Kementerian Perdagangan
hukum perdagangan internasional sedangkan hambatan non-tarif (NTBs)
didefinisikan sebagai instrumen kebijakan yang melanggar hukum
perdagangan internasional (www.oecd.org). NTMs dapat mencakup
persyaratan dokumentasi dan biaya kepabeanan serta pengaturan
kebijakan seperti penerapan standar. Sedangkan klasifikasi kebijakan
non-tarif menurut OECD adalah mencakup: para-tariff measures, price
control measures, finance measures, automatic licensing measures,
quantity control measures, monopolistic measures, technical measures,
dan miscellaneous measures.
Penerapan kebijakan non-tarif diizinkan menurut hukum
perdagangan internasioanal dengan catatan ditujukan untuk melindungi
kesehatan, keamanan, keselamatan, sanitasi, nutrisi, keagamaan, atau
untuk melindungi sumber daya alam yang tidak dapat diperbaharui dan
tidak menciptakan unnecessary barriers. Apabila NTMs yang diterapkan
tidak berdasarkan scientific basis serta melanggar hukum perdagangan
internasional, sebagai contoh hanya untuk memberikan manfaat pada
produsen domestik, tidak berdasar pada prinsip-prinsip standar dan
diimplementasikan secara diskriminatif maka NTMs tersebut dikategorikan
menjadi NTBs. Dengan kata lain hambatan non-tarif adalah kebijakan non-
tarif yang menyebabkan unfair impediments pada perdagangan, Jenis-
jenis hambatan non-tarif antara lain mencakup kuota impor, label, sanitary
& phutosanitary (SPS), hambatan teknis, larangan impor, dan
perlindungan hak kekayaan intelektual.
Kebijakan non-tarif digunakan oleh negara-negara dengan tujuan
untuk mencapai effectiveness, consistency, predictability dan trade
defense. Namun pada kenyataannya seringkali NTMs disalahgunakan
oleh suatu negara yang bertujuan untuk melindungi ekonomi suatu negara
khususnya perusahaan-perusahaan tertentu yang tidak efisien dan
kompetitif. NTMs dapat diterapkan oleh suatu negara sepanjang sifat
kebijakan tersebut tidak diskriminatif serta informasi mengenai kebijakan
dimaksud dapat diakses dengan mudah dan sesuai dengan standar
global.
25 Puska Daglu, BP2KP, Kementerian Perdagangan
2.4 Proyeksi Ekspor dan Impor Penyusunan target ekspor dan impor dalam kajian ini tidak lepas
dari metode proyeksi (forecasting). Metode proyeksi mencakup analisis
data deret waktu dengan satu ragam variabel (univariate) maupun dengan
bebeberapa variabel yang bersifat kausal (multivariate). Dalam penelitian
empiris pendekatan univariate lazim dipakai karena kesederhanaan
metode dan mampu menghasilkan akurasi yang tinggi.
Pada umumnya, langkah awal sebelum memilih suatu model
analisis yang dianggap sesuai adalah melakukan eksplorasi data.
Eksplorasi data melalui analisis statistik deskriptif serta grafik yang
berguna untuk mengidentifikasi perilaku data. Karakteristik teramati antara
lain mencakup empat komponen pertanyaan yaitu: (i) ada atau tidaknya
trend, (ii) apakah terdapat pola musiman, (iii) apakah terdapat siklus
tertentu, (iv) bagaimana perilaku irregular term data tersebut. Selain itu,
terdapat beberapa syarat yang diperlukan dalam metode proyeksi,
diantaranya: (i) ketersediaan informasi yang lalu, (ii) kuantifikasi informasi
masa lalu, (iii) asumsi pola dalam data historis berlaku untuk periode yang
akan datang. Beberapa metode analisis univariate yang sering digunakan
dalam penelitian empiris diantaranya metode pemulusan (smoothing),
Box-Jenkins (Autoregressive Integrated Moving Average/ARIMA),
Autoregressive Conditional Heteroskedasticity (ARCH), dan Generalized
Autoregressive Conditional Heteroskedasticity (GARCH).
Mengingat bahwa tujuan dari peramalan adalah untuk memperoleh
hasil ramalan yang akurat maka kriteria yang dipergunakan untuk memilih
model yang dianggap terbaik adalah akurasi. Meski demikian,
pertimbangan lain yang umumnya digunakan dalam penerapan metode
peramalan yakni kesederhanaan. Maknanya adalah jika dari beberapa
pendekatan diperoleh tingkat akurasi peramalan yang kurang lebih sama
maka seyogyanya pilihan diarahkan pada pendekatan yang lebih
sederhana, yakni metode yang relatif lebih mudah teknik komputasinya,
estimasi parameter yang lebih sedikit, dan ketersediaan data yang lebih
mudah.
26 Puska Daglu, BP2KP, Kementerian Perdagangan
Selain metode univariate, kajian ini juga mencoba untuk
menggunakan metode multivariate untuk menghasilkan proyeksi ekspor
dan impor Indonesia dalam jangka waktu 2015-2019. Pada model
multivariate, substansi permasalahan terletak pada hubungan kausal antar
variabel. Untuk itu, diperlukan ketersediaan data beberapa variabel yang
mempunyai hubungan kausal atau saling mempengaruhi. Variabel yang
akan dibuat proyeksi diperlakukan sebagai dependent variable,
sedangkan variabel-variabel yang dihipotesakan mempengaruhi perilaku
dependent variable tersebut adalah independent variable.
Metode proyeksi multivariate yang banyak digunakan adalah
dengan menggunakan metode ekonometrik sistem persamaan tunggal
seperti Ordinary Least Square (OLS) maupun Vector Autoregressive
(VAR). Proyeksi dilakukan berdasarkan hasil pendugaan koefisien
parameter yang tercakup dalam model tersebut. Jika dibandingkan
dengan model univariate, kelebihan model multivariate adalah
ketersediaan informasi mengenai faktor-faktor yang mempengaruhi
perilaku variabel yang akan diproyeksi. Sedangkan dari sisi kelemahan,
terutama terkait dengan kebutuhan data yang lebih banyak dan
melibatkan langkah-langkah penyesuaian dalam pembentukan model,
serta tingkat akurasi peramalan yang umumnya lebih rendah daripada
peramalan dengan menggunakan pendekatan univariate (Surachman dkk,
2009).
2.5 Penelitian Terdahulu Pada kajian ini, baik variabel maupun metode yang digunakan
merupakan sintesa dari beberapa penelitian yang telah dilakukan
sebelumnya sebagai berikut:
1. Penelitian Siddique (1997) yang berujudul Estimation of an Import
Demand Function for Indonesia: 1971-93. Penelitian ini bertujuan
untuk mengestimasi fungsi permintaan agregrat impor Indonesia
serta implikasi dari impor. Penelitian ini mengestimasi GDP riil dan
harga relatif impor dalam bentuk log linear dengan menggunakan
27 Puska Daglu, BP2KP, Kementerian Perdagangan
metode OLS sebagai pendekatan yang paling tepat untuk
menjelaskan fungsi permintaan impor. Hasil penelitian tersebut
menunjukkan bahwa pendapatan dan harga merupakan determinan
penting dalam permintaan impor. Elastisitas pendapatan dan harga
menunjukkan nilai yang signifikan. Permintaan impor Indonesia,
dalam penelitian tersebut elastis terhadap pendapatan dan inelastis
terhadap harga impor.
2. Penelitian Aydin, Çiplak, dan Yücel (2004) dengan judul Export
Supply and Import Demand Models for the Turkish Economy.
Tujuan penelitian ini adalah untuk mengestimasi variabel ekspor,
impor, GDP riil, nilai tukar riil, harga ekspor, unit labor costs dengan
menggunakan dua metode penelitian yakni Single Equation Models
dan Vector Auto Regressions (VAR) Analysis. Hasil penelitian
dengan menggunakan Single Equation Model menunjukkan bahwa
impor dapat dijelaskan oleh nilai tukar riil dan pendapatan nasional
sedangkan ekspor ditentukan oleh unit labor costs, harga ekspor,
dan pendapatan nasional. Nilai elastisitas pendapatan nasional
terhadap impor lebih tinggi daripada nilai elastisitas pendapatan
ansional terhadap ekspor. Selain itu, hasil penelitian dengan
menggunakan model VAR juga menunjukkan hasil yang sama
dengan yang dihasilkan oleh single equation model. Hasil analisa
VAR menunjukkan nilai tukar hanya signifikan dalam
mempengaruhi impor. Dengan demikian, nilai tukar, sebagai
determinan neraca perdagangan, berdampak terhadap defisit
neraca perdagangan melalui impor, bukan ekspor. Depresiasi nilai
tukar tidak menyebabkan naiknya ekspor namun memperkecil
impor sehingga memperkecil defisit neraca perdagangan.
3. Penelitian Khan (2011) yang berjudul Identifying an Appropriate
Forecasting Model for Forecasting Total Import of Bangladesh.
Penelitian ini bertujuan untuk membandingkan dan mencari model
proyeksi yang paling tepat dengan error paling minimum dalam
memproyeksi impor di Bangladesh. Model proyeksi yang digunakan
28 Puska Daglu, BP2KP, Kementerian Perdagangan
adalah metode seasonal Holts’ Winter, seasonal ARIMA, dan VAR.
Variabel yang digunakan dalam penelitian tersebut adalah total
impor total, total ekspor, selisih aset luar negeri (net foreign asset),
kredit dalam negeri, nilai tukar, tingkat inflasi. Dari hasil
membandingkan di antara 3 model, maka model VAR memberikan
nilai error peramalan yang kecil dari semua aspek penilaian error
yang terdiri dari Mean Error (ME), Mean Squared Error (MSE),
Mean Percentage Error (MPE), dan Mean Absolute Percentage
Error (MAPE)) sehingga model VAR merupakan model yang paling
tepat untuk peramalan impor Bangladesh.
4. Penelitian Chani, Pervais, dan Chaudary (2011) dengan judul
Determination of Import Demand in Pakistan: The Role of
Expenditure Componen. Penelitian ini bertujuan untuk melihat
pengaruh komponen pengeluaran terhadap impor di Pakistan.
Teknik yang digunakan untuk mengestimasi jangka panjang adalah
Johansen Cointegration sedangkan dalam jangka pendek
digunakan Vector Error Correction Model (VECM). Dalam penelitian
ini, variabel yang digunakan sebagai variabel penjelas dalam fungsi
permintaan impor adalah komponen dari GDP seperti pengeluaran
konsumsi, investasi, dan ekspor. Selain itu juga digunakan variabel
rasio harga impor terhadap harga domestik. Hasil penelitian
tersebut menunjukkan bahwa dalam jangka panjang dan jangka
pendek, semua komponen pengeluaran (pengeluaran konsumsi,
investasi, dan ekspor) secara signifikan dan positif berpengaruh
terhadap permintaan impor di Pakistan. Hal ini mengindikasikan
bahwa pertumbuhan ekonomi akan mendorong peningkatan
permintaan impor di Pakistan sesuai teori Keynes. Namun,
pengaruh harga relatif impor negatif dan tidak signifikan, baik dalam
jangka panjang maupun dalam jangka pendek. Hal ini
mencerminkan bahwa kebijakan substitusi impor yang diadopsi
oleh Pakistan sejak tahun 1950 tidak berhasil mencapai target
dalam memproduksi substitusi impor.
29 Puska Daglu, BP2KP, Kementerian Perdagangan
5. Penelitian Kementerian Perdagangan Republik Indonesia (2011)
tentang Penetapan Target Pertumbuhan Ekspor Non Migas
sebagai salah satu indikator kinerja utama Kementerian
Perdagangan. Pada kajian tersebut, dalam menetapkan target
pertumbuhan ekspor non migas digunakan model ekonomterika
dengan menggunakan data time series 1980-2010. Hasil penelitian
menunjukkan bahwa ekspor non migas dipengaruhi secara
signifikan oleh pertumbuhan ekonomi dunia dan pola ekspor di
tahun-tahun sebelumnya. Sementara itu, nilai tukar tidak
berpengaruh signifikan terhadap kinerja ekspor. Selain menetapkan
target ekspor, kajian ini juga bertujuan untuk menetapkan target
jumlah tenaga kerja yang tercipta di sektor industri pengolahan
akibat ekspor non migas dan target kebutuhan investasi
(Pembentukan Modal Tetap Bruto/PMTB) tahunan untuk periode
tahun 2011-2014. Dengan menggunakan model Input-Output,
diperoleh hasil penelitian bahwa penyerapan tenaga kerja secara
keseluruhan akibat adanya pencapaian ekspor non migas
Indonesia selama periode tahun 2011-2014 adalah selalu di atas
nilai 3 persen per tahun, atau sekitar 4 juta tenaga kerja yang dapat
diserap per tahunnya.
6. Penelitian Rahmaddi dan Ichisashi (2012) dengan judul How Do
Foreign and Domestic Demand Affect Exports Performance? An
Econometric Investigation of Indonesia’s Exports. Penelitian ini
bertujuan untuk menganalisis permintaan domestik dan
internasional terhadap ekspor Indonesia dalam model permintaan
dan penawaran. Metode Two Stage Least Square (2SLS)
digunakan untuk meneliti variabel kuantitas ekspor (Nilai ekspor
riil), indeks harga ekspor (rasio nilai ekspor riil (konstan) terhadap
nilai ekspor nominal (current), tren GDP riil dunia, siklus GDP riil
dunia, harga domestik (whole sale price index), tren output riil
(trend linier pada log output riil), deviasi tren pendapatan, dan
variabel boneka (dummy variable) yakni gejolak ekspor tahun 1999
30 Puska Daglu, BP2KP, Kementerian Perdagangan
(exports shock), gejolak harga minyak (oil price shocks), liberalisasi
perdagangan, dan krisis ekonomi Asia. Hasil penelitian
menunjukkan bahwa harga relatif dan pendapatan dunia memiliki
pengaruh yang signifikan terhadap permintaan ekspor Indonesia.
Dalam jangka panjang, nilai elastitisatas harga relatif ekspor
sebesar 1,88 menunjukkan bahwa permintaan ekspor Indonesia
cukup sensitif terhadap harga. Hal ini juga menunjukkan bahwa
ekspor Indonesia telah bergeser dari komoditi primer ke produk-
produk manufaktur. Sementara itu elastisitas trend pendapatan juga
memiliki nilai yang sangat tinggi yakni sebesar 2,62. Hal ini
menunjukkan bahwa permintaan ekspor Indonesia sangat responsif
terhadap perubahan pendapatan.
31 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB III
METODE PENELITIAN
3.1 Kerangka Kerja Konseptual Dari tinjauan pustaka pada Bab II dapat dirangkum bahwa kinerja
ekspor dan impor Indonesia dipengaruhi oleh berbagai faktor. Kinerja
ekspor agregat dapat dipengaruhi oleh pendapatan (GDP) dunia, nilai
tukar riil, harga internasional, dan populasi dunia. Sementara itu, kinerja
impor agregat dapat dipengaruhi oleh pendapatan domestik, nilai tukar riil;
jumlah penduduk nasional, harga produk impor, inflasi, Foreign Direct
Investment (FDI), dan cadangan devisa. Berbagai variabel penjelas ini
yang nantinya digunakan untuk memproyeksikan pertumbuhan nilai
ekspor dan impor agregat menggunakan model VAR. Setelah itu,
diproyeksikan pertumbuhan nilai ekspor berdasarkan sektor migas dan
non migas, maupun kelompok komoditi ekspor primer dan manufaktur
menggunakan model ARIMA. Demikian pula nilai impor sektoral
berdasarkan bahan baku/penolong, barang modal, dan konsumsi
diproyeksikan menggunakan metode exponential smoothing dan model
ARIMA. Hasil pemodelan ekspor dan impor sektoral akan diselaraskan
dengan hasil pemodelan ekspor dan impor agregat untuk memperoleh
nilai proyeksi yang masuk akal. Hasil proyeksi ekspor dan impor kemudian
akan dimintakan pendapat dari para ahli (expert judgement) melalui FGD.
Hasil akhir yang ingin diperoleh tentu saja rekomendasi target ekspor dan
impor, Adapun kerangka kerja konseptual penelitian dapat dilihat pada
Gambar 3.1.
32 Puska Daglu, BP2KP, Kementerian Perdagangan
Gambar 3.1 Kerangka Kerja Konseptual Penelitian
3.2 Pendekatan Penelitian Penelitian ini mengutamakan pendekatan kualitatif untuk menyusun
proyeksi ekspor dan impor melalui pemodelan ekonometrik. Selain itu,
digunakan pula pendekatan kualitatif (expert judgement) yang melibatkan
dan menggunakan informasi dari berbagai stakeholder melalui FGD dan
diskusi terbatas. Hal ini dilakukan untuk melengkapi hasil dari analisis data
sekunder yang diperoleh dari instansi terkait seperi BPS. Kementerian
Perdagangan, Kementerian Perindustrian, dan Bank Indonesia. Kombinasi
kedua pendekatan ini dimaksudkan agar target ekspor impor jangka
menengah menjadi lebih komprehensif dan diharapkan dapat
menghasilkan besaran target ekspor impor yang masuk akan dan jikapun
meleset, diharapkan tidak akan jauh dari target yang ditetapkan.
3.3 Data dan Teknik Pengumpulan Data Data yang digunakan dalam penelitian ini terdiri dari data primer
dan data sekunder. Data primer dikumpulkan melalui teknik wawancara
AGREGAT SEKTOR/KOMODITI
EKSPORPendapatan dunia; Nilaitukar riil; Hargainternasional; Populasidunia
IMPORPendapatan domestik; Nilaitukar riil; Jumlah pendudukdomestik; Harga impor; Inflasi; Investasi; CadanganDevisa;
Non-migas
Produk Primer
Produk Manufaktur
Bahan Baku/Penolong
Barang Modal
Barang Konsumsi
ProyeksiEKSPOR
ProyeksiIMPOR
• data kuartalan• Model VAR, Model OLS
• data bulanan, kuartalan• Model ARIMA, Model VARFGD
Migas
33 Puska Daglu, BP2KP, Kementerian Perdagangan
dengan stakeholder terkait maupun dengan melakukan Focus Group
Discussion (FGD). Hal ini dimaksudkan agar respon yang didapat dari
para stakeholder dan ahli menjadi lebih beragam. Selain itu, data
sekunder diperoleh dari Badan Pusat Statistik, Kementerian Perdagangan,
Bank Indonesia, IMF, serta sumber-sumber lain yang berasal dari
beberapa penerbitan dana studi-studi yang relevan dengan penelitian ini.
3.4 Teknik Analisis Penyusunan target ekspor dan impor untuk mendukung RPJM
2015-2019 tidak terlepas dari metode peramalan (proyeksi), baik secara
kuantitatif maupun kualitatif. Metode peramalan kuantitatif dilakukan
menggunakan data yang dikumpulkan dari waktu ke waktu. Asumsi yang
digunakan adalah bahwa perubahan nilai variabel mengikuti pola yang
terjadi pada periode yang lalu (historical pattern) dan memiliki hubungan
antar variabel yang diamati. Kelemahan dari teknik peramalan ini adalah
bahwa jika perubahan nilai variabel yang akan diramal tidak mengikuti
pola masa lalu (asumsi yang digunakan tidak terpenuhi), maka akan
menghasilkan ramalan yang bias.
Untuk membuat ramalan nilai variabel yang perubahannya tidak
mengikuti pola historis dapat dilakukan dengan teknik peramalan kualitatif
(qualitative forecasting/judgement methods). Peramalan nilai variabel
dengan teknik ini sangat dipengaruhi oleh tingkat intuisi, pengalaman,
pengetahuan, dan lain-lain faktor yang dimilki oleh pembuat ramalan
(forecasting). Namun demikian, peramalan dapat pula menggunakan
kombinasi keduanya. Peramalan kuantitatif didasarkan pada pengamatan
terhadap pola masa lalu. Untuk membuat ramalan di masa mendatang
diperlukan pula judgement berdasarkan intuisi dan perasaan yang
membuat ramalan. Oleh karena itu, kedua metode berfungsi saling
melengkapi (Wardhani dan Algifari, 2007).
Berkaitan dengan kajian penyusunan target ekspor dan impor
2015-2019 ini, akan digunakan metode peramalan baik secara kuantitatif
maupun kualitatif. Peramalan dengan metode kuantitatif dengan
34 Puska Daglu, BP2KP, Kementerian Perdagangan
menggunakan teknik analis Vector Autoregressive (VAR) atau
Autoregresive Integrated Moving Average (ARIMA). Justifikasi nilai target
ekspor dan impor yang akan direkomendasikan mempertimbangkan hasil
analisis VAR, ARIMA, maupun analisis trend. Kombinasi beragam metode
ini diharapkan dapat memberikan hasil berupa target ekspor dan impor
yang lebih masuk akal dan komprehensif untuk mendukung RPJM 2015-
2019.
3.4.1 Regresi Linear Berganda (Ordinary Least Square) Metode ekonometrika yang digunakan dalam kajian ini salah
satunya adalah regresi linear berganda (Ordinary Least Square/OLS). Inti
metode OLS adalah mengestimasi suatu garis regresi dengan jalan
meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap
garis tersebut. Tujuan utama metode OLS adalah mengestimasi fungsi
regresi populasi berdasarkan fungsi regresi sampel (Kuncoro, 2011).
Selanjutnya, OLS digunakan untuk menganalisis determinan yang
mempengaruhi ekspor dan impor Indonesia. Persamaan dalam model
OLS ini terbagi menjadi persamaan ekspor dan persamaan impor. Bentuk
umum persamaan ekspor dapat dituliskan sebagai berikut:
Fungsi Agregat Ekspor
Xt = α0 + β1GDPt + β2INFt + β3REERt + β4IMP_BBPt + β5P_BBMt + β6POPt
+ εt (3.1)
dimana:
X = Nilai Ekspor
GDP = Produk Domestik Bruto Dunia
INF = Inflasi Dunia
REER = Nilai Tukar Rupiah terhadap USD
IMP_BBP = Impor Bahan Baku
P_BBM = Harga Minyak Dunia
POP = Populasi Dunia
ε = galat
t = periode pada waktu t
35 Puska Daglu, BP2KP, Kementerian Perdagangan
Sementara, bentuk umum dari persamaan impor dapat dituliskan
sebagai berikut:
Fungsi Agregat Impor
Mt = α0 + β1GDP_KPTt + β2Ct + β3It + β4Pt + β5EXt + εt (3.2)
dimana:
Mt = Nilai Impor
GDP_KPT = Produk Domestik Bruto per Kapita
C = Total Pengeluaran Konsumsi Akhir
I = Pengeluaran Investasi (PMTB)
P = Harga Barang Impor
Ex = Nilai tukar Rupiah terhadap USD
εt = galat
t = periode pada waktu t
3.4.2 Vector AutoRegressive (VAR) Penggunaan pendekatan struktural atas pemodelan persamaan
simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk
mendeskripsikan hubungan antar variabel yang ingin diuji. Akan tetapi
sering ditemukan bahwa teori ekonomi saja ternyata tidak cukup kaya
dalam menyediakan spesifikasi yang ketat dan tepat atas hubungan
dinamis antar variabel. Terkadang proses estimasi dan inferensi bahkan
menjadi lebih rumit karena keberadaan variabel endogen di kedua sisi
persamaan (endogenitas di sisi dependen dan independen). Model VAR
ciptaan Sims (1980) kemudian muncul sebagai jalan keluar atas
permasalahan ini melalui pendekatan non strukturalnya.
VAR merupakan suatu sistem persamaan yang memperlihatkan
setiap peubah sebagi fungsi linier dari konstanta dan nilai lag dari peubah
itu sendiri sebagi nilai lag dari peubah lain yang ada dalam sistem yang
mengasumsikan bahwa semua variabel yang terdapat dalam model
bersifat endogen (ditentukan di dalam model). Oleh karena itu, metode
VAR disebut sebagai model yang a-teoritis (tidak berlandaskan teori).
Metode ini digunakan karena sering kita jumpai keadaan dimana teori
36 Puska Daglu, BP2KP, Kementerian Perdagangan
ekonomi saja ternyata tidak mampu menangkap (tidak cukup kaya
menyediakan spesifikasi) secara tepat dan lengkap hubungan dinamis
antar variabel. Atau dengan kata lain, model VAR tidak banyak
bergantung pada teori, melainkan perlu menentukan variabel yang saling
berinteraksi, serta banyaknya variabel jeda yang perlu diikutsertakan
dalam model tersebut (Nachrowi dan Usman, 2006: 289).
Kelebihan metode VAR dibanding metode ekonometrik lainnya
menurut Gujarati (2004) dan Enders (2004) adalah:
1. Metode VAR bebas dari berbagai batasan teori ekonomi yang
sering ada, seperti variabel endogen dan eksogen palsu;
2. VAR mengembangkan model secara bersamaan dalam sistem
multivarian yang kompleks, sehingga dapat menangkap semua
hubungan antar variabel dalam persamaan;
3. Tes VAR multivarian dapat menghindari parameter yang bias
karena menyampingkan variabel yang relevan;
4. Tes VAR dapat mendeteksi semua hubungan antar variabel dalam
sistem persamaan dengan memperlakukan semua variabel.
endogen;
5. Metode VAR adalah metode sederhana, dimana tidak perlu
menentukan mana variabel yang endogen dan mana yang
eksogen. Semua variabel pada model VAR dapat dianggap
sebagai variabel endogen
6. Estimasi VAR sederhana, karena metode umum OLS dapat
digunakan pada masing‐masing persamaan secara terpisah; dan
7. Prediksi estimasi yang diperoleh, lebih baik dalam berbagai kasus
dibandingkan dengan model simulataneous‐equation yang lebih
rumit.
Sekalipun banyak kelebihan, model VAR tetap memiliki sisi lemah
yang diringkas oleh Nachrowi dan Usman (2006: 291) diantaranya,
1. Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan
informasi atau teori terdahulu, sehingga tidak struktural;
37 Puska Daglu, BP2KP, Kementerian Perdagangan
2. Mengingat tujuan utama model VAR untuk peramalan, maka
model VAR kurang cocok untuk analisis kebijakan yang bersifat
jangka panjang;
3. Pemilihan banyaknya lag yang digunakan sering menimbulkan
permasalahan;
4. Semua variabel dalam VAR harus stasioner, jika tidak maka harus
ditransformasi;
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak
mudah.
Secara garis besar terdapat empat hal yang ingin diperoleh dari
pembentukan sebuah sistem persamaan, antara lain: deskripsi data,
peramalan, inferensi structural dan analisis kebijakan. VAR menyediakan
alat analisa bagi keempat hal tersebut melalui empat macam
penggunaannya, yaitu: Forecasting, ekstrapolasi nilai saat ini dan masa
depan seluruh variabel dengan memanfaatkan seluruh informasi masa
lalu variabel; Impulse Response Function (IRF), melacak respon saat ini
dan masa depan setiap variabel akibat perubahan atau shock suatu
variabel tertentu; Forecast Error Decomposition of Variance (FEDVs),
prediksi kontribusi persentase varians setiap variabel terhadap perubahan
suatu variabel tertentu; Granger Causality Test, mengetahui hubungan
sebab-akibat antar variabel.
Dalam kajian ini, model VAR akan digunakan untuk menyusun
sistem peramalan dari data deret waktu yang saling terkait dan untuk
menganalisis efek (impact) dinamis dari keberadaan faktor acak yang
menggangu sistem tersebut. Suatu sistem persamaan yang
memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan
nilai beda kala (lag) peubah tersebut serta lag peubah lain dalam sistem,
atau dengan kata lain VAR meliputi nilai lag semua peubah respon dalam
model. Penggunaan VAR seringkali digunakan untuk memodelkan
pergerakan peubah-peubah ekonomi.
Bentuk Umum model VAR adalah sebagai berikut:
(3.3) ttt vAYAY ++= −10
38 Puska Daglu, BP2KP, Kementerian Perdagangan
Persamaan tersebut disebut Vector Autoregresive berordo 1 yang
lazim ditulis VAR(1). Jika peubah sebanyak M, dengan observasi
sebanyak T dan ordo p, maka model VAR (p) dapat ditulis sebagai berikut:
(3.4)
A0 adalah vektor berukuran M x 1 dan matriks A1 (i = 1, 2, , , p) masing-
masing berukuran M x M, Banyaknya parameter model yang harus
diestimasi dari suatu model VAR (p) adalah M + M2p = M (1 + Mp). Data
dalam model VAR haruslah data yang stasioner.
Bentuk-bentuk Model VAR:
1. Unrestricted VAR terdapat dua bentuk:
• VAR in level. Jika data tidak stasioner pada level, harus
distasionerkan dulu sebelum menggunakan model VAR.
• VAR in difference. Jika data tidak stasioner dalam level dan tidak
memiliki hubungan kointegrasi, estimasi VAR dilakukan pada data
difference.
2. Restricted VAR atau disebut Vector Error Correction Model (VECM)
merupakan bentuk VAR yang terestriksi. Restriksi diberikan karena
data tidak stasioner namun terkointegrasi.
3. Struktural VAR (S-VAR). Bentuk VAR direstriksi berdasarkan
hubungan teoritis yang kuat dan skema ordering hubungan terhadap
peubah-peubah yang digunakan. S-VAR dikenal sebagai VAR yg
teoritis (theoritical VAR).
Dalam pemodelan VAR terdapat dua hal utama yang perlu
dispesifikasikan (Pyndick dan Rubinfield, 1998) yaitu:
1. Variabel endogen (dan eksogen) yang diyakini berinteraksi dalam
suatu sistem dimasukkan dalam pemodelan;
2. Jumlah lag optimum yang diperlukan untuk menangkap pengaruh-
pengaruh yang dimiliki masing-masing variabel terhadap variabel
lainnya.
Sebagai ilustrasi, model VAR ekspor dengan ordo 1 dinotasikan dalam
bentuk matrik berikut:
tptttt vApYYAYAAY +++++= −−− ...22110
39 Puska Daglu, BP2KP, Kementerian Perdagangan
⎣⎢⎢⎢⎡𝐸𝑋𝑃𝑡𝐺𝐷𝑃𝑊𝑡𝑅𝐸𝐸𝑅𝑡𝑃𝑊𝑡
𝑃𝑂𝑃𝑊𝑡⎦⎥⎥⎥⎤
=
⎣⎢⎢⎢⎡𝛼1𝛼2𝛼3𝛼4𝛼5⎦⎥⎥⎥⎤
+
⎣⎢⎢⎢⎡𝛽11 𝛽12 𝛽13 𝛽14 𝛽15𝛽21 𝛽22 𝛽23 𝛽24 𝛽25𝛽31 𝛽32 𝛽33 𝛽34 𝛽35𝛽41 𝛽42 𝛽43 𝛽44 𝛽45𝛽51 𝛽52 𝛽53 𝛽54 𝛽55⎦
⎥⎥⎥⎤
⎣⎢⎢⎢⎡𝐸𝑋𝑃𝑡−1𝐺𝐷𝑃𝑊𝑡−1𝑅𝐸𝐸𝑅𝑡−1𝑃𝑊𝑡−1
𝑃𝑂𝑃𝑊𝑡−1⎦⎥⎥⎥⎤
+
⎣⎢⎢⎢⎡𝜀1𝜀2𝜀3𝜀4𝜀5⎦⎥⎥⎥⎤ (3.5)
dimana:
EXP = Nilai ekspor
GDPW = Produk Domestik Bruto dunia
REER = Nilai tukar Rupiah terhadap USD
PW = Harga komoditas internasional
POPW = Populasi dunia
t = periode ke-t
εt = galat
Sementara itu, ilustrasi model VAR impor dengan ordo 1 dinotasikan
dalam bentuk matrik berikut:
⎣⎢⎢⎢⎢⎢⎡𝐼𝑀𝑃𝑡𝐺𝐷𝑃𝐼𝑡𝑅𝐸𝐸𝑅𝑡𝑃𝑂𝑃𝐼𝑡𝐼𝑁𝐹𝑡𝐼𝑁𝑉𝑡𝑅𝐸𝑆𝑡 ⎦
⎥⎥⎥⎥⎥⎤
=
⎣⎢⎢⎢⎢⎢⎡𝛼1𝛼2𝛼3𝛼4𝛼5𝛼6𝛼7⎦⎥⎥⎥⎥⎥⎤
+
⎣⎢⎢⎢⎢⎢⎡𝛽11 𝛽12 𝛽13 𝛽14 𝛽15 𝛽16 𝛽17𝛽21 𝛽22 𝛽23 𝛽24 𝛽25 𝛽26 𝛽27𝛽31 𝛽32 𝛽33 𝛽34 𝛽35 𝛽36 𝛽37𝛽41 𝛽42 𝛽43 𝛽44 𝛽45 𝛽46 𝛽47𝛽51 𝛽11 𝛽31 𝛽54 𝛽55 𝛽56 𝛽57𝛽61 𝛽62 𝛽63 𝛽64 𝛽65 𝛽66 𝛽67𝛽71 𝛽72 𝛽73 𝛽74 𝛽75 𝛽76 𝛽77⎦
⎥⎥⎥⎥⎥⎤
⎣⎢⎢⎢⎢⎢⎡𝐼𝑀𝑃𝑡−1𝐺𝐷𝑃𝐼𝑡−1𝑅𝐸𝐸𝑅𝑡−1𝑃𝑂𝑃𝐼𝑡−1𝐼𝑁𝐹𝑡−1𝐼𝑁𝑉𝑡−1𝑅𝐸𝑆𝑡−1 ⎦
⎥⎥⎥⎥⎥⎤
+
⎣⎢⎢⎢⎢⎢⎡𝜀1𝜀2𝜀3𝜀4𝜀5𝜀6𝜀7⎦⎥⎥⎥⎥⎥⎤
(3.6)
dimana:
IMP = Nilai impor
GDPI = Produk Domestik Bruto Indonesia
REER = Nilai tukar Rupiah terhadap USD
POPI = Populasi domestik
INF = Inflasi
INV = Investasi
RES = Cadangan devisa
t = periode ke-t
εt = galat
40 Puska Daglu, BP2KP, Kementerian Perdagangan
3.4.3 Metode Peramalan Exponential Smoothing Metode exponential smoothing merupakan suatu prosedur yang
secara terus menerus memperbaiki peramalan dengan merata-rata
(menghaluskan) nilai masa lalu dari suatu data runtut waktu dengan cara
beruntun (exponential). Metode ini seringkali digunakan untuk keperluan
analisis peramalan data runtut waktu. Dengan teknik ini, data dihaluskan
(smoothed) dengan cara dihapus komponen irregular-nya. Dalam teknik
prediksi model exponential smoothing, prediksi satu satuan ke depan t+1
diketahui sampai data masa lalu Xt dan dilakukan dengan menggunakan
rata-rata terbobot dari data di masa lampau (Rosadi, 2012).
Terdapat empat model dari metode exponential smoothing yang
mengakomodasi asumsi mengenai trend dan musiman:
1) Simple (tunggal); model ini mengasumsikan bahwa seri
pengamatan tidak memiliki trend dan variasi musiman
2) Holt; model ini mengasumsikan bahwa seri pengamatan memiliki
trend linier namun tidak memiliki variasi musiman
3) Winters; model ini mengasumsikan bahwa seri pengamatan
memiliki trend linier dan variasi musiman
4) Custom; model ini memungkinan untuk melakukan penetapan
komponen trend dan variasi musiman.
Selain itu, dalam analisis expoenential smoothing ini terdapat tiga
parameter yang perlu ditetapkan, tergantung dari komponen trend dan
variasi musiman:
1) Alpha(α) merupakan parameter yang mengontrol pembobotan
relatif pada pengamatan yang baru dilakukan. Jika alpha bernilai 1
maka hanya pengamatan terbaru yang digunakan secara eksklusif.
Sebaliknya bila alpha bernilai 0 maka pengamatan yang lalu
dihitung dengan bobot sepadan dengan yang terbaru. Parameter
alpha digunakan pada semua model.
2) Beta (β) merupakan parameter yang mengontrol pembobotan relatif
pada pengamatan yang baru dilakukan untuk mengestimasi
kemunculan trend seri. Nilai beta berkisar dari 0 sampai 1. Nilai
41 Puska Daglu, BP2KP, Kementerian Perdagangan
semakin besar menujukkan pemberian bobot yang semakin besar
pada pengamatan terbaru. Parameter beta digunakan pada model
yang memiliki komponen trend linier atau eksponensial dengan
tidak memiliki variasi musiman.
3) Gamma (γ) merupakan parameter yang mengontrol pembobotan
relatif pada pengamatan yang baru dilakukan untuk mengestimasi
kemunculan variasi musiman. Nilai gamma berkisar dari 0 sampai
1. Nilai semakin besar menunjukkan pemberian bobot yang
semakin besar pada pengamatan terbaru. Parameter gamma
digunakan pada model yang memiliki variasi musiman
Ketika terdapat komponen trend dalam data, maka dapat
digunakan metode exponential smoothing Holt dengan dua parameter.
Paramater alpha (α) sebagai parameter dalam penghalusan “level” atau
rata-rata dari data. Sedangkan parameter kedua, beta (β) merupakan
parameter untuk penghalusan trend. Lebih lanjut, metode Holt sendiri
memberikan fleksibilitas dalam menseleksi komponen trend. Metode Holt
secara matematis ditulis pada tiga persamaan berikut:
• Pemulusan total: ))(1( 11 −− +−+= tttt TSXS αα (3.7)
• Pemulusan trend: 11 )1()( −− −+−= tttt TSST ββ (3.8)
• Peramalan metode Holt: mTSF ttmt +=+ (3.9)
dimana:
St = nilai pemulusan tunggal
Xt = data sebenarnya pada waktu ke-t
Tt = pemulusan trend
Ft+m = nilai peramalan
α,β = konstanta pemulusan untuk estimasi trend (0 < β 1)
m = periode masa datang
Pada penelitian ini metode exponential smoothing Holt digunakan
dengan asumsi bahwa pada data ekspor dan impor terdapat komponen
trend. Di samping itu juga diasumsikan tidak terdapat komponen musiman
42 Puska Daglu, BP2KP, Kementerian Perdagangan
di dalam data. Teknik analisis exponential smoothing Holt ditujukan untuk
memproyeksikan nilai ekspor sektoral, baik migas maupun non migas
serta proyeksi nilai impor menurut kategori ekonomi (BEC)
3.4.4 Box Jenkins (ARIMA) Teknik analisis peramalan yang lain adalah metode Box-Jenkins
atau biasa disebut dengan Autoregresive Integrated Moving Average
(ARIMA). ARIMA dapat diartikan sebagai gabungan dua model, yaitu
model Autoregresi (AR) dan Moving Average (MA). Model ini tidak
mempunyai suatu variabel yang berbeda sebagai variabel bebas, tetapi
menggunakan informasi dalam series yang sama dalam membentuk
model, sehingga pada akhirnya sangat bermanfaat untuk peramalan
(Nachrowi dan Usman, 2006).
Model ARIMA umumnya dituliskan dengan notasi ARIMA (p,d,q),
dimana p adalah derajat proses AR, d adalah orde pembeda (diferensi),
dan q adalah derajat proses MA. Nilai pembeda (diferensi) pada model
ARIMA disebabkan aspek-aspek AR dan MA hanya dapat diterapkan
pada data time series yang stasioner. Pada dasarnya, metode ini
menggunakan pendekatan iteratif dengan empat tahapan dalam
menentukan model yang cocok. Tahapan-tahapan tersebut dimulai dari
identifikasi, estimasi, tes diagnostik, dan terakhir peramalan. Secara
umum, ramalan yang diperoleh dengan menggunakan model ARIMA lebih
reliabel bila dibandingkan dengan ramalan yang menggunakan model
ekonometri biasa (Nachrowi dan Usman, 2006). Ramalan dari model
ARIMA inilah yang akan digunakan untuk mengestimasi target ekspor dan
impor Indonesia pada jangka waktu 2015-2019.
Klasifikasi ARIMA Pada umumnya, Model Box–Jenkins (ARIMA) dibagi ke dalam 3
kelompok, yaitu:
a. Autoregressive dengan ordo p [AR (p)] atau model ARIMA (p,0,0)
dinyatakan sebagai berikut :
Xt = μ + θ1Xt-1 + θ2Xt-2 + ,,, + θpXt-p + et [0] (3.10)
43 Puska Daglu, BP2KP, Kementerian Perdagangan
Di mana:
μ = suatu konstanta
θp = parameter autoregresif ke – p
et = nilai kesalahan pada saat t
b. Moving Average Model (MA)
Bentuk umum model moving average ordo q [MA (q)] atau ARIMA
(0,0,q) dinyatakan sebagai berikut :
Xt = μ + et – θ1et-1 – θ2et-2 - ,,, – θqet-k (3.11)
Di mana :
μ = suatu konstanta
θ1 sampai θq = parameter-parameter moving average
et-k = nilai kesalahan pada saat t – k
c. Model campuran
1) Model umum untuk campuran proses AR (1) murni dan MA(1)
murni, misal ARIMA (1,0,1) dinyatakan sebagai berikut :
Xt = μ + θ1Xt-1 + et – θ1et-1 (3.12)
atau
(1 - θ1B)Xt = μ + (1 - θ1B)et (3.13)
AR (1) MA(1)
2) Apabila nonstasioneritas ditambahkan pada campuran proses
ARIMA, maka model umum ARIMA (p,d,q) terpenuhi.
Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah
sebagai berikut :
(1 – B) (1 – θ1B) Xt = μ + (1 – θ1B) et (3.14)
AR(1) MA(1)
Proses ARIMA Model ARIMA terdiri dari tiga langkah dasar yaitu:
a) Tahap identifikasi
44 Puska Daglu, BP2KP, Kementerian Perdagangan
Proses identifikasi dari model musiman tergantung pada alat-alat
statistik berupa autokorelasi dan parsial autokorelasi, serta
pengetahuan terhadap sistem (atau proses) yang dipelajari.
b) Tahap penaksiran dan pengujian
1) Penaksiran parameter
i) Dengan cara mencoba-coba (trial and error), menguji beberapa
nilai yang berbeda dan memilih satu nilai tersebut (atau
sekumpulan nilai, apabila terdapat lebih dari satu parameter
yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai
sisa (sum of squared residual).
ii) Perbaikan secara iteratif, memilih taksiran awal dan kemudian
membiarkan program komputer memperhalus penaksiran
tersebut secara iteratif.
2) Pengujian parameter model
i) Pengujian masing-masing parameter model secara parsial (t-
test)
ii) Pengujian model secara keseluruhan (Overall F test)
Model dikatakan baik jika nilai error bersifat random,
artinya sudah tidak mempunyai pola tertentu lagi. Untuk melihat
kerandoman nilai error dilakukan pengujian terhadap nilai
koefisien autokorelasi dari error, dengan menggunakan salah
satu dari dua statistik berikut:
a) Uji Q Box dan Pierce
b) Uji Ljung-Box
c. Penerapan
Selanjutnya model ARIMA dapat digunakan untuk melakukan
penyususan target jika model yang diperoleh telah memadai.
45 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB IV
KINERJA EKSPOR DAN IMPOR INDONESIA
4.1 Kinerja Ekspor Indonesia Indonesia sebagai negara berkembang telah menjadikan instrumen
ekspor sebagai komponen pendorong pendapatan nasional. Tidak hanya
itu, komponen ekspor bagi Indonesia juga telah memperluas kesempatan
kerja, peningkatan penerimaan devisa dan pengembangan teknologi.
Sejak dua dekade terakhir, ekspor Indonesia cenderung tumbuh positif
dengan rata-rata 9,65 persen (1991-2013). Namun, gejolak ekonomi
domestik dan eksternal pada tahun 1998-1999 dan 2012-2013 turut
menggoncang kinerja ekspor Indonesia sehingga mengalami
pertumbuhan yang negatif.
Jika melihat perkembangannya ekspor selama dua dekade, terlihat
bahwa telah terjadi perubahan struktur secara sektoral, dimana peranan
ekspor migas semakin mengecil sementara peranan ekspor non migas
semakin besar. Pada tahun 1990, peranan ekspor migas masih di atas 40
persen, namun pada tahun 2013, peranan ekspor sektor migas hanya
sebesar 18 persen (Tabel 4.1). Semakin besarnya kontribusi ekspor sektor
non migas sejalan dengan pembangunan sektor industri yang
berkembang selama dua dekade terakhir. Lebih dari 70 persen ekspor non
migas didominasi oleh ekspor hasil industri. Namun ekspor hasil industri
yang masih berkembang belum merupakan hasil industri yang berbasis
teknologi tinggi, sehingga nilai tambah yang diperoleh pun belum optimal.
Pertumbuhan ekspor Indonesia baik migas maupun non migas
secara umum juga mengalami peningkatan yang impresif. Rata-rata total
ekspor Indonesia selama 1991-2013 mencapai 9,65 persen. Rata-rata
pertumbuhan ekspor non migas lebih baik di banding dengan rata-rata
ekspor migas. Selama 1991-2013, rata-rata ekspor sektor migas hanya
mencapai 7,11 persen. Sementara ekspor sektor non migas mencapai
46 Puska Daglu, BP2KP, Kementerian Perdagangan
11,33 persen. Meskipun sempat mengalami penurunan yang signifikan
pada 1999, namun pertumbuhan ekspor kembali mencatatkan hasil
tertinggi tepatnya pada 2010 yaitu sebesar 35,42 persen.
Tabel 4.1 Perkembangan Pangsa dan Petumbuhan Ekspor Indonesia
Tahun Pangsa Pertumbuhan
Migas Non Migas Migas Non
Migas Total
1991 0,37 0,63 -1,59 24,95 13,50
1995 0,23 0,77 7,95 15,13 13,39
2000 0,23 0,77 46,71 22,85 27,66
2006 0,21 0,79 10,28 19,81 17,67
2007 0,19 0,81 4,14 15,61 13,20
2008 0,21 0,79 31,86 17,26 20,09
2009 0,16 0,84 -34,70 -9,64 -14,97
2010 0,18 0,82 47,43 33,08 35,42
2011 0,20 0,80 47,92 24,88 28,98
2012 0,19 0,81 -10,85 -5,54 -6,62
2013 0,18 0,82 -11,75 -2,04 -3,93
Sumber: BPS (2014), diolah
4.1.1 Kinerja Ekspor Sektor Migas Apabila dilihat secara lebih rinci, ekspor sektor migas Indoensia
dibedakan atas beberapa komoditi, yaitu minyak mentah, hasil minyak dan
gas. Selama 2007-2013 total ekspor migas tumbuh dengan rata-rata
sebesar 11,65 persen. Berdasarkan Tabel 4.2, pertumbuhan terbesar
terjadi pada tahun 2010 yaitu sebesar 47,43 persen dengan nilai ekspor
mencapai USD 28,04 miliar. Sementara penurunan ekspor migas terbesar
terjadi di 2009, di mana ekspor migas Indonesia turun sebesar 34,70
persen (USD 19,02 miliar).
Jika dilihat berdasarkan komoditas, maka gas memiliki peran yang
signifikan terhadap peningkatan ekspor migas. Tercatat bahwa selama
tujuh tahun terakhir (2007-2013) gas mencatat rata-rata pertumbuhan
47 Puska Daglu, BP2KP, Kementerian Perdagangan
ekspor sebesar 16,35 persen, dimana pertumbuhan terbesar terjadi pada
2011 yakni mencapai 67,32 persen. Nilai ekspor gas terbesar juga terjadi
pada 2011 yakni sebesar 22,87 miliar dollar. Namun pada 2012 hingga
2013 ekspor gas terus mengalami penurunan yang semakin besar.
Di sisi lain, ekspor minyak mentah Indonesia tumbuh dengan
besaran yang tidak signifikan. Rata-rata selama tujuh tahun terakhir hanya
mencapai 5,91 persen. Pertumbuhan terbesar terjadi pada 2010 yaitu
mencapai 33,02 persen, namun nilai ekspor tersbesar terjadi pada 2011
yang mencapai USD 13,82 miliar. Pada 2012 dan 2013 nilai ekspor
minyak mentah juga terus mengalami penurunan yang semakin besar
(Tabel 4.2).
Ekspor komoditas hasil minyak mengalami pertumbuhan yang
relatif lebih besar dari pada minyak mentah. Rata-rata pertumbuhan
ekspor hasil minyak selama 2007-2013 tercatat mencapai 12,20 persen,
dimana pertumbuhan terbesar terjadi pada 2010 yang mencapai 75,36
persen. Namun, jika ditinjau dari sisi nilai, ekspor hasil minyak masih jauh
lebih rendah dari nilai ekspor minyak mentah dan gas. Hal ini
menunjukkan bahwa proses hilirisasi komoditas minyak mentah belum
terjadi secara optimal, sehingga menyebabkan rendahnya nilai tambah
pada produk ini. Infrastruktur dan sarana pengolahan minyak mentah
mutlak diperlukan untuk menciptakan produk yang bernilai tambah tinggi.
Tabel 4.2 Perkembangan Ekspor Migas Indonesia (Juta Dollar) Komoditas 2007 2008 2009 2010 2011 2012 2013
Minyak Mentah 9,226,04 12,418,74 7,820,26 10,402,87 13,828,68 12,293,41 10,204,71
Perubahan (%) 34,61 -37,03 33,02 32,93 -11,10 -16,99
Hasil Minyak 2,878,75 3,547,00 2,262,33 3,967,28 4,776,85 4,163,37 4,299,13
Perubahan (%) 23,21 -36,22 75,36 20,41 -12,84 3,26
Gas 9,983,78 13,160,53 8,935,71 13,669,45 22,871,50 20,520,48 18,129,19
Perubahan (%) 31,82 -32,10 52,98 67,32 -10,28 -11,65
Total MIGAS 22,088,57 29,126,27 19,018,30 28,039,60 41,477,04 36,977,26 32,633,03
Perubahan (%)
31,86 -34,70 47,43 47,92 -10,85 -11,75
Sumber: BPS (2014), diolah
48 Puska Daglu, BP2KP, Kementerian Perdagangan
Dilihat dari struktur ekspor pada sektor migas, menunjukkan bahwa
gas merupakan komoditas yang dijadikan andalan ekspor pada sektor ini.
Berdasarkan Tabel 4.3, selama 2007-2013 gas memberikan sumbangan
terhadap total ekspor migas dengan rata-rata sebesar 50,33 persen.
Kontribusi yang besar tersebut terus mengalami trend yang meningkat
selama 2007-2013. Puncaknya pada tahun 2013, gas memberikan
sumbangan terhadap total ekspor migas sebesar 55,55 persen.
Lebih lanjut, komoditas minyak mentah memberikan kontribusi rata-
rata sebesar 37,21 persen terhadap total ekspor migas. Namun kontribusi
ekspor yang diberikan oleh komoditas minyak mentah tersebut terlihat
mengalami kecenderungan yang menurun sepanjang 2007-2013 (Tabel
4,3). Jika pada 2007 minyak mentah memberikan kontribusi ekspor
sebesar 41,77 persen, maka pada 2013 komoditas ini hanya memberikan
sumbangan sebesar 31,27 persen terhadap total ekspor migas.
Di sisi lain, komoditas yang memiliki nilai tambah (hasil minyak)
hanya memberikan kontribusi yang relatif kecil dibandingkan dengan
komoditas migas lainnya. Rata-rata kontribusi yang diberikan oleh
komoditas hasil minyak selama 2007-2013 hanya sebesar 12,46 persen.
Kontribusi ekspor hasil minyak tersebut tidak menunjukkan dinamika
perkembangan yang signifikan dikarenakan kecenderungan yang konstan
selama tujuh tahun terakhir.
Tabel 4.3 Struktur Ekspor Migas Indonesia (Persen)
Komoditas 2007 2008 2009 2010 2011 2012 2013 Rata-rata
Minyak Mentah
41,77 42,64 41,12 37,10 33,34 33,25 31,27 37,21
Hasil Minyak 13,03 12,18 11,90 14,15 11,52 11,26 13,17 12,46
Gas 45,20 45,18 46,98 48,75 55,14 55,49 55,55 50,33
Sumber: BPS (2014), diolah
4.1.2 Kinerja Ekspor Non Migas Ekspor non migas Indonesia pada 2013 tercatat sebesar USD
149,92 miliar, meningkat 62,9 persen dari tahun 2007 yang kala itu masih
49 Puska Daglu, BP2KP, Kementerian Perdagangan
sebesar USD 92,01 miliar (Tabel 4.4). Rata-rata perumbuhan ekspor non
migas selama tujuh tahun terakhir (2007-2013) tercatat mencapai 9,67
persen. Di antara berbagai sub sektor pada non migas tersebut, ekspor
tambang mengalami pertumbuhan paling besar yaitu dengan rata-rata
selama tujuh tahun terakhir sebesar 18,80 persen, kemudian diikuti oleh
sub sektor non migas lainnya sebesar 12,56 persen. Sementara rata-rata
pertumbuhan ekspor sub sektor pertanian dan industri hanya mencapai
masing-masing sebesar 8,14 persen dan 8,20 persen.
Berdasarkan nilai ekspor, sub sektor industri merupakan
penyumbang terbesar ekspor non migas. Pada tahun 2013 ekspor industri
tercatat mencapai USD 113,03 miliar. Namun dalam dua tahun terakhir
(2012-2013), ekspor industri selalu mengalami penurunan. Demikian pula
halnya pada sub sektor tambang yang juga mengalami penurunan ekspor
selama dua tahun berturut-turut. Namun lain halnya dengan sub sektor
pertanian yang justru selalu mengalami peningkatan khususnya dalam
dua terakhir. Ini menunjukkan bahwa Indonesia memiliki keunggulan
komparatif yang hanya berdasarkan sumber daya alam. Namun hal ini
sangat rentan karena daya dukung sumber daya alam akan sulit
dipertahankan. Selain itu, nilai tambah yang relatif rendah pada komoditas
sumber daya alam juga akan sulit diandalkan jika hanya untuk menggenjot
ekspor.
Melemahnya ekspor pada sub sektor industri, tambang dan non
migas lainnya turut menyebabkan semakin menipisnya surplus neraca
perdagangan non migas. Jika hal ini terjadi secara berkelanjutan, maka
dikhawatirkan neraca perdagangan non migas akan semakin menipis
bahkan mencapai defisit. Maka perlu disusun suatu target pertumbuhan
ekspor dan impor yang disertai upaya-upaya dalam hal strategi
mengembangkan ekspor dan upaya-upaya untuk mengendalikan impor.
50 Puska Daglu, BP2KP, Kementerian Perdagangan
Tabel 4.4 Perkembangan Ekspor Non Migas Indonesia (Juta USD) Sub Sektor 2007 2008 2009 2010 2011 2012 2013
Pertanian 3,657,78 4,584,58 4,352,75 5,001,90 5,165,79 5,569,22 5,712,98
Perubahan (%) 25,34 -5,06 14,91 3,28 7,81 2,58
Industri 76,460,83 88,393,50 73,435,84 98,015,08 122,188,7 116,125,1 113,029,9
Perubahan (%) 15,61 -16,92 33,47 24,66 -4,96 -2,67
Tambang 11,884,90 14,906,17 19,692,34 26,712,58 34,652,03 31,329,94 31,159,53
Perubahan (%) 25,42 32,11 35,65 29,72 -9,59 -0,54
Non Migas Lainnya
8,81 9,91 10,80 9,95 13,04 18,71 16,31
Perubahan (%) 12,56 8,91 -7,85 31,05 43,49 -12,79
Total Non Migas
92,012,32
107,894,15
97,491,73
129,739,50
162,019,58
153,043,00
149,918,76
Perubahan (%) 17,26 -9,64 33,08 24,88 -5,54 -2,04
Sumber: BPS (2014), diolah
Berdasarkan struktur ekspor sektor non migas terlihat bahwa sub
sektor industri merupakan kontributor terbesar dalam total ekspor non
migas. Berdasarkan Tabel 4.5 terlihat bahwa rata-rata kontribusi ekspor
yang diberikan oleh industri mencapai 77,51 persen. Namun juka dilihat
dinamika perkembangannya, sebenarnya telah terjadi penurunan
kontrisusi yang berlangsung secara terus-menerus setidaknya selama
tujuh tahun terakhir. Pada 2007 pangsa ekspor industri masih mencapai
83,10 persen, namun menurun menjadi 75,39 persen pada 2013. Hal ini
tentunya menimbulkan kekhawatiran tersendiri karena menunjukkan
pelemahan pada daya saing sub sektor industri.
Tabel 4.5 Struktur Ekspor Non Migas Indonesia (Persen)
Sub Sektor 2007 2008 2009 2010 2011 2012 2013 Rata-rata Pertanian 3,98 4,25 4,46 3,86 3,19 3,64 3,81 3,88 Industri 83,10 81,93 75,33 75,55 75,42 75,88 75,39 77,51 Tambang 12,92 13,82 20,20 20,59 21,39 20,47 20,78 18,59 Non Migas Lainnya 0,01 0,01 0,01 0,01 0,01 0,01 0,01 0,01
Sumber: BPS (2014), diolah
51 Puska Daglu, BP2KP, Kementerian Perdagangan
4.2 Kinerja Impor Indonesia
4.2.1 Perkembangan Impor dan Jenis Produk Impor Indoensia Sebagai salah satu negara berpenduduk terbanyak di dunia (nomor
empat terbesar). Indonesia melakukan impor untuk memenuhi kebutuhan
ekonominya. Perkembangan impor Indonesia cukup berfluktuatif pada
setiap tahunnya. Hal ini tergantung dari kebutuhan nasional untuk
menggerakkan roda perekonomiannya, seperti untuk konsumsi ataupun
produksi.
Dilihat berdasarkan klasifikasi sektor yang di impor, dapat
dibedakan menjadi migas dan non migas. Pada Tabel 4.6 terlihat bahwa
mulai awal 1990 hingga saat ini, telah terjadi fluktuasi dalam
perkembangan impor baik di sektor migas maupun non migas. Indonesia
pernah mengalami penurunan impor (migas dan non migas) yang sangat
signifikan yaitu pada 1998, dimana impor migas pada saat itu turun 32,37
persen dan non migas turun 34,62 persen. Penurunan yang signifikan
tersebut terjadi akibat krisis ekonomi yang melanda Indonesia sehingga
menyebabkan penurunan daya beli masyarakat secara luas. Selain itu,
penurunan yang cukup besar juga terjadi pada 2009. Pada saat itu
penurunan impor lebih dikarenakan faktor gejolak ekonomi eksternal yang
berujung pada penurunan permintaan produk-produk asal Indonesia.
Produk-produk Indonesia tersebut pada umumnya berbahan baku impor,
apabila permintaan produk tersebut menurun, maka akan menurunkan
tingkat produksi di domestik yang berimbas pada menurunnya permintaan
bahan baku impor.
Tabel 4.6 Pertumbuhan Impor Indonesia Berdasarkan Sektor
Tahun Migas Non
Migas Tahun Migas Non
Migas 1991 19,99 18,32 2003 16,63 0,71 1992 -9,02 6,84 2004 54,15 39,51 1993 2,25 3,97 2005 48,80 15,67 1994 12,89 12,91 2006 8,62 4,62 1995 22,95 27,36 2007 15,66 24,79 1996 23,52 4,28 2008 39,30 87,75 1997 9,14 -4,01 2009 -37,88 -21,08
52 Puska Daglu, BP2KP, Kementerian Perdagangan
1998 -32,37 -34,62 2010 44,42 39,05 1999 38,72 -17,67 2011 48,48 26,31 2000 63,52 35,30 2012 4,58 9,06 2001 -9,10 -7,29 2013 6,35 -5,21 2002 19,26 -2,85 2014* -1,12 -8,79
Sumber: BPS (2014), diolah
Keterangan: *) Hingga Juli 2014
Apabila dilihat berdasarkan jenis produk yang diimpor oleh
Indonesia, maka dapat dilihat dari kontribusi jenis-jenis barang yang
diimpor terhadap impor nasional. Berdasarkan kelompok Board Economic
Category (BEC), maka kelompok barang dapat dibedakan atas tiga
kategori yaitu barang konsumsi, bahan baku/penolong dan barang modal.
Dari ketiga kelompok barang tersebut, maka barang konsumsi dapat
dikategorikan kembali menjadi 9 kelompok barang berdasarkan kode BEC
3 digit. Kesembilan kelompok barang tersebut yaitu Makanan dan
Minuman (Belum Diolah) Untuk Rumah Tangga, Makanan dan Minuman
(Olahan) Untuk Rumah Tangga, Bahan Bakar dan Pelumas (Olahan),
Mobil Penumpang, Alat Angkutan Bukan Untuk Industri, Barang Konsumsi
Tahan Lama, Barang Konsumsi Setengah Tahan Lama, Barang Konsumsi
Tidak Tahan Lama, dan Barang Yang Tidak Diklasifikasikan. Seperti
ditunjukkan pada Tabel 4.7, maka dari kesembilan kelompok barang
konsumsi tersebut, kontribusi terbesar impor selama tiga tahun terakhir
ada pada Makanan dan Minuman (Olahan) Untuk Rumah Tangga. Hal ini
ditunjukkan dari nilai impor rata-rata Makanan dan Minuman (Olahan)
Untuk Rumah Tangga yang mencapai USD 2,89 miliar. Kontribusi terbesar
kedua ada pada Barang Konsumsi Setengah Tahan Lama dan yang
ketiga pada Barang Konsumsi Tidak Tahan Lama. Hal ini menunjukkan
bahwa impor barang-barang konsumsi didominasi oleh barang-barang
yang langsung dan cepat (tidak tahan lama) dikonsumsi oleh masyarakat.
Sedangkan untuk kelompok bahan baku/penolong, sembilan
kelompok barang dapat diklasifikasikan menjadi: Makanan dan Minuman
(Belum diolah) Untuk Industri, Makanan dan Minuman (Olahan) Untuk
Industri, Bahan Baku (Belum Diolah) Untuk Industri, Bahan Baku (Olahan)
53 Puska Daglu, BP2KP, Kementerian Perdagangan
Untuk Industri, Bahan Bakar dan Pelumas (Belum Diolah), Bahan Bakar
Motor, Bahan Bakar dan Pelumas (Olahan), Suku Cadang dan
Perlengkapan Barang Modal, dan Suku Cadang dan Perlengkapan Alat
Angkutan. Kontribusi terbesar pada kelompok barang ini diberikan oleh
Bahan Baku (Olahan) Untuk Industri dengan rata-rata nilai impornya
selama periode 2011-2013 mencapai USD 55,55 miliar (lihat Tabel 4.7).
Sedangkan posisi kedua dan ketiga lebih didominasi produk Suku Cadang
dan Perlengkapan Barang Modal dan Bahan Bakar dan Pelumas
(Olahan). Dari kontribusi terbesar ini menunjukkan bahwa impor barang
lebih banyak merupakan barang-barang antara yang sudah jadi (bukan
bahan mentah) dan siap untuk diproses/dirakit kembali di Indonesia.
Tabel 4.7 Pengelompokan Jenis Barang Berdasarkan Kelompok BEC Tahun 2011-2013 (Juta USD)
Kode BEC Uraian Kelompok 2011 2012 2013
Rata-rata
1 Barang Konsumsi 13,393 13,409 11,960 12,920 112 1 Makanan dan Minuman
(Belum Diolah) Untuk Rumah Tangga
1,848 1,541 1,262 1,550
122 2 Makanan dan Minuman (Olahan) Untuk Rumah Tangga
3,626 2,837 2,197 2,887
329 3 Bahan Bakar dan Pelumas (Olahan)
1,626 1,435 1,200 1,420
519 4 Mobil Penumpang 1,029 1,515 1,147 1,230 522 5 Alat Angkutan Bukan Untuk
Industri 287 350 364 334
610 6 Barang Konsumsi Tahan Lama
1,288 1,585 1,488 1,454
620 7 Barang Konsumsi Setengah Tahan Lama
1,774 1,954 1,994 1,907
630 8 Barang Konsumsi Tidak Tahan Lama
1,699 1,926 1,999 1,875
700 9 Barang Yang Tidak Diklasifikasikan
216 264 310 264
2 Bahan Baku/Penolong 130,934 140,126 130,111 133,724 111 1 Makanan dan Minuman
(Belum diolah) Untuk Industri 4,187 4,101 3,964 4,084
121 2 Makanan dan Minuman (Olahan) Untuk Industri
3,330 3,349 3,400 3,360
54 Puska Daglu, BP2KP, Kementerian Perdagangan
Kode BEC Uraian Kelompok 2011 2012 2013
Rata-rata
210 3 Bahan Baku (Belum Diolah) Untuk Industri
6,813 5,640 5,809 6,087
220 4 Bahan Baku (Olahan) Untuk Industri
53,410 59,437 53,804 55,550
310 5 Bahan Bakar dan Pelumas (Belum Diolah)
11,173 10,853 12,569 11,532
321 6 Bahan Bakar Motor 11,962 14,062 13,588 13,204 322 7 Bahan Bakar dan Pelumas
(Olahan) 15,771 15,836 13,282 14,963
420 8 Suku Cadang dan Perlengkapan Barang Modal
16,938 18,126 15,514 16,859
530 9 Suku Cadang dan Perlengkapan Alat Angkutan
7,350 8,722 8,181 8,084
3 Barang Modal 33,108 38,155 29,102 33,455 410 1 Barang Modal Kecuali Alat
Angkutan 23,660 26,659 23,990 24,770
510 2 Mobil Penumpang 1,029 1,515 1,147 1,230 521 3 Alat Angkutan Untuk Industri 8,419 9,980 3,965 7,455
Sumber: BPS (2014), diolah
Pada katagori barang modal, pengklaisifikasian berdasarkan 3 digit
BEC membagi produk-produknya dalam Barang Modal Kecuali Alat
Angkutan, Mobil Penumpang, dan Alat Angkutan Untuk Industri. Seperti
ditunjukkan pada Tabel 4.7, kontribusi impor terbesar adalah untuk
membeli Barang Modal Kecuali Alat Angkutan, diikuti Alat Angkutan Untuk
Industri dan terakhir oleh Mobil Penumpang. Hal ini menunjukkan bahwa
impor terbesar untuk kategori barang modal bukan untuk membeli alat
angkutan (transportasi). Untuk lebih rincinya, apa saja yang termasuk
dalam Barang Modal Kecuali Alat Angkutan, maka data ditelusuri kembali
berdasarkan pengklasifikasian yang lebih spesifik.
4.2.2 Kinerja Impor Menurut Golongan Penggunaan Barang Berdasarkan klasifikasi struktur BEC produk impor, maka impor
Indonesia dibedakan atas bahan baku/penolong, barang modal dan
barang konsumsi. Pada jenis barang bahan baku/penolong, dominasi
impor lebih banyak dilakukan untuk memenuhi kebutuhan makanan dan
minuman (bahan mentah) untuk keperluan industri. Besarnya dari tahun
55 Puska Daglu, BP2KP, Kementerian Perdagangan
2004 hingga 2012 terus meningkat, namun mengalami sedikit penurunan
pada tahun 2013. Rata-rata impor bahan kebutuhan makanan dan
minuman (belum diolah) untuk keperluan industri selama periode 2004-
2013 mencapai USD 2,96 miliar per tahun. Selanjutnya impor terbesar
kedua dan ketiga untuk jenis bahan baku/penolong adalah suku cadang
dan perlengkapan barang modal dan bahan bakar dan pelumas (olahan)
yang mencapai rata-rata USD 894,7 juta dan USD 828,6 juta per tahun.
Sumber: BPS (2014), diolah
Gambar 4.1 Impor Indonesia pada Jenis Barang Bahan Baku Penolong
Sedangkan untuk jenis impor barang modal, sebagian besar impor
Indonesia digunakan untuk mengimpor barang modal kecuali alat
angkutan. Selama periode 2004-2013 impor barang jenis ini pun
cenderung terus meningkat nilainya. Rata-rata nilai impor barang modal
tersebut adalah USD 1,26 miliar per tahun. Jenis impor barang modal
lainnya adalah digunakan untuk membeli alat angkutan untuk industri dan
-
1.000,0
2.000,0
3.000,0
4.000,0
5.000,0
6.000,0
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 Rata-rata
Makanan dan Minuman (Belum diolah) Untuk Industri Makanan dan Minuman (Olahan) Untuk Industri Bahan Baku (Belum Diolah) Untuk Industri Bahan Baku (Olahan) Untuk Industri Bahan Bakar dan Pelumas (Belum Diolah) Bahan Bakar Motor Bahan Bakar dan Pelumas (Olahan) Suku Cadang dan Perlengkapan Barang Modal Suku Cadang dan Perlengkapan Alat Angkutan
56 Puska Daglu, BP2KP, Kementerian Perdagangan
mobil penumpang. Nilai rata-rata kedua jenis barang tersebut adalah USD
411,5 juta dan USD 58,0 juta per tahun.
Sumber: BPS (2014), diolah
Gambar 4.2 Impor Indonesia pada Jenis Barang Modal
Pada jenis barang konsumsi, produk-produk makanan dan
minuman (olahan) untuk rumah tangga lebih mendominasi impor barang
konsumsi. Meski kecenderungannya dari tahun 2012 mengalami
penurunan, namun rata-rata nilai impornya masih cukup tinggi, mencapai
USD 164,8 juta per tahun selama periode 2004-2013. Barang konsumsi
untuk konsumsi tidak tahan lama merupakan jenis barang impor terbesar
kedua yang mencapai rata-rata USD 101,7 juta per tahun. Pemenuhan
konsumsi untuk bahan bakar dan pelumas (olahan) lebih menempati
impor urutan ketiga untuk barang-barang konsumsi.
-
500,0
1.000,0
1.500,0
2.000,0
2.500,0
Barang Modal Kecuali Alat Angkutan Mobil Penumpang Alat Angkutan Untuk Industri
57 Puska Daglu, BP2KP, Kementerian Perdagangan
Sumber: BPS (2014), diolah
Gambar 4.3 Impor Indonesia pada Jenis Barang Konsumsi
Hingga Mei 2014, total impor Indonesia mencapai sebesar USD
14,76 miliar. Impor bahan baku/penolong memberikan peranan terbesar,
yaitu 76,85 persen dengan nilai USD 11,34 miliar, diikuti oleh impor
barang modal sebesar 16,07 persen (USD 2,37 miliar), dan impor barang
konsumsi sebesar 7,08 persen (USD 1,04 miliar). Jika dibandingkan
periode yang sama tahun sebelumnya, maka selama Januari–Mei 2014
nilai impor barang konsumsi, bahan baku/penolong, dan barang modal
mengalami penurunan masing-masing USD 59,4 juta (1,14 persen), USD
3,52 miliar (5,84 persen), dan sebesar USD 951,2 juta (7,20 persen).
Dibanding April 2014, volume impor Indonesia Mei 2014 turun 6,41
persen (834,2 ribu ton). Hal ini disebabkan oleh adanya penurunan
volume non migas sebesar 9,55 persen (862,3 ribu ton) meskipun volume
impor migas sedikit meningkat, yaitu 0,71 persen (28,1 ribu ton).
Peningkatan volume impor migas terutama disebabkan oleh naiknya
volume impor minyak mentah sebesar 19,06 persen (244,9 ribu ton).
-
50,0
100,0
150,0
200,0
250,0
300,0
350,0 Makanan dan Minuman (Belum Diolah) Untuk Rumah Tangga Makanan dan Minuman (Olahan) Untuk Rumah Tangga Bahan Bakar dan Pelumas (Olahan)
Mobil Penumpang
Alat Angkutan Bukan Untuk Industri
Barang Konsumsi Tahan Lama
Barang Konsumsi Setengah Tahan Lama
Barang Konsumsi Tidak Tahan Lama
58 Puska Daglu, BP2KP, Kementerian Perdagangan
Sebaliknya volume impor hasil minyak dan gas turun masing-masing
sebesar 7,29 persen (173,2 ribu ton) dan 13,76 persen (43,6 ribu ton).
Sementara itu volume impor Januari–Mei 2014 meningkat tipis
sebesar 0,31 persen dibanding periode yang sama tahun sebelumnya.
Peningkatan ini dipicu oleh naiknya volume impor non migas sebesar 1,19
persen (461,9 ribu ton), meskipun volume impor migas turun 1,42 persen
(282,8 ribu ton).
Rata-rata harga agregat barang impor Indonesia secara total Mei
2014 mengalami penurunan 3,01 persen terhadap April 2014. Penurunan
tersebut disebabkan oleh turunnya harga impor migas dan non migas
masing-masing sebesar 0,32 persen dan 2,76 persen. Demikian halnya
jika dibandingkan dengan Mei 2013, maka rata-rata harga agregat barang
impor Indonesia turun 8,24 persen.
Sumber: BPS (2014), diolah
Gambar 4.4 Persentase Nilai Impor Indonesia Menurut Penggolongan Barang
59 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB V
HASIL DAN PEMBAHASAN
5.1 Analisis Determinan Ekspor dan Impor Indonesia Tujuan akhir pada kajian ini adalah menetapkan besaran target
pertumbuhan ekspor dan impor baik dalam sisi sektoral maupun kelompok
barang. Dalam menganalisis target ekspor dan impor, kajian ini
menggunakan beberapa alat analisis. Namun, sebelum membahas
besaran target ekspor dan impor dari berbagai macam alat analisis,
pembahasan pada bagian ini ingin menganalisis faktor-faktor atau
determinan yang memengaruhi ekspor barang. Mengetahui determinan
ekspor merupakan hal penting sebelum membuat proyeksi khususnya
proyeksi dalam kerangka model multivariate.
Metode yang digunakan dalam mencari determinan ekspor dan
impor barang tersebut adalah Ordinary Least Square (OLS) atau regresi
linier berganda. Seperti yang telah diketahui bahwa dalam analisis OLS
terdapat uji asumsi klasik yang harus dilakukan untuk menguji apakah
model yang digunakan sesuai dengan kaidah Best Linear Unbiased
Estimator (BLUE). Oleh karena itu, untuk mempersingkat isi laporan
sesuai dengan tujuannya, model yang akan ditampilkan pada laporan ini
adalah model yang telah melewati uji asumsi klasik khususnya untuk
masalah heteroskedastisitas dan autokorelasi.
Masalah heteroskedastisitas dideteksi menggunakan uji White. Jika
terdapat terdapat heteroskedastisitas maka diatasi menggunakan metode
White atau juga dikenal dengan varian heteroskedastisitas terkoreksi.
Heteroskedastisitas seringkali muncul pada model yang mengandung data
cross-section. Oleh sebab itu, model pada kajian ini kemungkinan besar
memiliki masalah autokorelasi karena data yang terkandung adalah time
series. Autokorelasi dapat dideteksi menggunakan uji Durbin Watson
(DW) dan apabila terdapat masalah maka dapat diatasi dengan metode
diferensiasi tingkat pertama (AR1) (Winarno,2011). Selanjutnya, dengan
60 Puska Daglu, BP2KP, Kementerian Perdagangan
menggunakan metode pengkoreksian masalah asumsi klasik yang telah
disebutkan, maka model dianggap telah sesuai dengan kaidah BLUE.
5.1.1 Analisis Determinan Ekspor Barang Menggunakan Metode OLS Model persamaan linier berganda ekspor barang yang akan diuji
pada dasarnya mengikuti model-model determinan ekspor yang sering
digunakan dalam literatur. Untuk menguji apakah model tersebut sesuai
dengan kondisi Indonesia maka dilakukan konfirmasi kepada para pakar
melalui Focus Group Discussion (FGD). Hasilnya terdapat beberapa
usulan untuk menggunakan berbagai macam variabel. Namun, secara
umum model persamaan linier berganda yang digunakan untuk
mengestimasi determinan total ekspor barang dengan mempertimbangkan
kemudahan mendapatkan data dan ketertabatasn waktu adalah sebagai
berikut:
logXTt = α0 + β1logGDPW_CPTt + β2logMTt + β3logEXt + β4logOILPt + β5LEN_Rt + β6AR(1)+ εt (5.1)
Dimana:
XT = Total Ekspor Barang (juta USD)
GDPW_CPT = Gross Domestic Bruto per kapita dari 10 negara tujuan
ekspor tertinggi (juta USD)
MT = Total Impor Barang (juta USD)
EX = Nilai Tukar (Rp/USD)
OILP = Harga Rata-rata Minyak Dunia (USD/barrel)
LEN_R = Suku Bunga Kredit (persentase)
AR = Autoregressive
Log = logaritma
t = periode
α, β = konstanta
ε = error term
61 Puska Daglu, BP2KP, Kementerian Perdagangan
Hasil estimasi persamaan linier berganda untuk model persamaan
umum ekspor di atas menggunakan software EViews 6.0 adalah sebagai
berikut:
LOG(XT) = -1.53429703755 + 0.75019813077*LOG(GDPW_CPT) +
0.414012585761*LOG(MT) - 0.287713434688*LOG(EX) +
0.162382901175*LOG(OILP) + 0.0295972697817*LEND_R +
[AR(1)=0.489694092776]
Secara ringkas untuk memudahkan interpretasi dan menganalisis
hasil model di atas dapat dilihat pada tabel 5.1. Lebih lanjut, sebelum
memasuki pembahasan, model regresi linear berganda yang digunakan
dalam kajian ini perlu dilihat kelayakan model (goodness of fit). Dalam
analisis OLS hal yang perlu menjadi perhatian adalah kelayakan model
yang dilihat dari beberapa uji sebagai berikut:
A. Uji Koefisien Determinasi
Koefisien determinasi digunakan untuk menguji goodness-fit dari
model regresi yang dapat dilihat dari nilai R-square. Berdasarkan hasil
estimasi model, didapatkan bahwa nilai R-square sebesar 0.989049 atau
sebesar 99 persen. Hal itu menunjukkan bahwa determinan ekspor barang
di Indonesia dapat dijelaskan oleh kelima variabel yang telah dijelaskan
sebelumnya.
B. Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t dimaksudkan untuk melihat pengaruh masing-masing
variabel independen terhadap variabel dependen. Hasil dari uji statistik
dapat dengan mudah dilihat dari nilai probability (p-value) dengan nilai
kritis yang diterima baik 0,001 (1 persen); 0,05 (5 persen); maupun 0,10
(10 persen). Estimasi model Persamaan 5.1 memperlihatkan bahwa
semua variabel independen secara parsial berpengaruh terhadap variabel
dependennya.
C. Uji Signifikansi Parameter Simultan (Uji statistik F)
62 Puska Daglu, BP2KP, Kementerian Perdagangan
Uji statistik F dimaksudkan untuk melihat pengaruh secara
bersama-sama (simultan) variabel independen terhadap variabel
dependen. Hasil uji statistik F yang dilihat dari nilai probabilitas (p-value)
sebesar 0,00 pada estimasi model persamaan umum ekspor menunjukkan
bahwa semua variabel independen secara simultan berpengaruh terhadap
variabel dependen.
Tabel 5.1 Rangkuman Hasil Estimasi OLS Model Persamaan Umum
Ekspor
Variabel Koefisien t-Statistic Prob.
C -1.534297 -0.595181 0.5545
LOG(GDPW_CPT) 0.750198 3.292199 0.0019*
LOG(MT) 0.414013 5.923621 0.0000*
LOG(EX) -0.287713 -2.036773 0.0472**
LOG(OILP) 0.162383 2.424681 0.0191**
LEND_R 0.029597 2.402865 0.0202**
AR(1) 0.489694 3.700362 0.0006*
R-squared Adj R-Squared
0.989049 0.987680
F-statistic Prob F-stat
722.5301 0.000000*
Sumber: data dimodifikasi dari hasil EViews 6.0
Keterangan: * signifikan pada α 1%; ** signifikan pada α 5%; *** signifikan pada α 10
Berdasarkan rangkuman estimasi pada Tabel 5.1 di atas dapat
dilihat bahwa seluruh variabel independen mempengaruhi variabel
dependen. Variabel yang paling berpengaruh terhadap ekspor jika dilihat
dari koefisien maupun probabilitas adalah GDP per kapita. Koefisien
elastisitas GDP per kapita sebesar 0,75 (tertinggi diantara variabel lain)
memiliki arti bahwa setiap kenaikan 1 persen GDP per kapita di negara
tujuan utama, eskpor barang Indonesia dapat tumbuh 0,75 persen. Hasil
63 Puska Daglu, BP2KP, Kementerian Perdagangan
itu menggambarkan betapa ekspor barang Indonesia sangat ditentukan
oleh kondisi ekonomi dan daya beli masyarakat di sepuluh negara tujuan
ekspor. Sepuluh negara tujuan tersebut adalah China, Jepang, Amerika
Serikat, India, Singapura, Malaysia, Korea Selatan, Thailand, Belanda,
dan Taiwan.
Variabel lain yang berpengaruh cukup kuat adalah impor barang
total. Hasil estimasi menunjukkan bahwa setiap kenaikan 1 persen impor
barang, maka ekspor akan meningkat sebesar 0,41 persen. Hal itu dapat
terjadi dikarenakan impor barang paling tinggi di Indonesia adalah bahan
baku/penolong untuk industri. Asumsi yang digunakan adalah jika impor
bahan baku tersebut selanjutnya akan digunakan untuk produksi yang
berorientasi ekspor, maka ekspor barang Indonesia akan semakin
meningkat.
Selanjutnya, variabel yang mempengaruhi ekspor adalah nilai tukar
(Rp/USD). Berdasarkan hasil regresi linear berganda, dapat dilihat bahwa
apabila terjadi peningkatan nilai tukar Rupiah terhadap Dollar atau dengan
kata lain rupiah mengalami apresiasi sebesar 1 persen, maka hal tersebut
justru akan menurunkan nilai ekspor Indonesia sebesar 0,28 persen.
Apabila rupiah menguat, maka harga barang Indonesia di luar negeri
menjadi relatif lebih mahal (meningkat), sehingga menurunkan daya saing
produk Indonesia di pasar internasional. Sebaliknya, apabila rupiah
mengalami depresiasi (melemah terhadap dollar), maka harga produk
Indonesia di luar negeri menjadi relatif lebih murah dan harga barang
impor menjadi relatif lebih mahal.
Selain itu, variabel harga minyak dunia dan suku bunga kredit juga
berpengaruh terhadap ekspor barang Indonesia. Jika harga minyak dunia
naik 1 persen, ekspor barang akan ikut terkerek sebesar 0,16 persen. Di
sisi lain, suku bunga kredit menunjukkan koefisien yang sangat kecil
terhadap ekspor barang Indonesia. Suku bunga kredit yang
mencerminkan daya saing (Hasil FGD, 2014) hanya memiliki koefisien
sebesar 0,03 yang berarti setiap kenaikan 1 persen suku bunga kredit
maka ekspor hanya tumbuh sebesar 0,03 persen. Jika ditinjau lebih jauh,
64 Puska Daglu, BP2KP, Kementerian Perdagangan
suku bunga kredit yang diasumsikan sebagai bagian dari pembiayaan
ekspor seharusnya memiliki efek negatif. Artinya, ketika bunga pinjaman
semakin tinggi, maka biaya produksi akan semakin meningkat yang pada
akhirnya mengurangi nilai ekspor.
Argumentasi tersebut memang secara umum telah diterima, namun
terdapat kemungkinan argumentasi yang lain di mana ketika suku bunga
pinjaman meningkat maka nilai ekspor juga tetap meningkat. Asumsi yang
digunakan adalah, kinerja ekspor sangat dipengaruhi oleh permintaan dari
negara tujuan ekspor (yang dikonfirmasi oleh signifikansi variabel PDB
negara tujuan ekspor terhadap nilai ekspor) sehingga kenaikan suku
bunga pinjaman tidak akan terlalu berdampak pada pengurangan ekspor
(terkonfirmasi bahwa elastisitas suku bunga kredit terhadap ekspor sangat
kecil sebesar 0.03). Terakhir, variabel AR(1) menunjukkan bahwa masalah
autokorelasi pada model telah teratasi dan menandakan bahwa ekspor
barang dipengaruhi lag satu waktu periode (satu kuartal) sebelumnya.
5.1.2 Analisis Determinan Impor Menggunakan Metode OLS Selain menganalisis determinan yang memengaruhi ekspor
Indonesia, kajian ini juga menganalisis determinan impor. Model
determinan impor barang yang digunakan juga diperoleh dari literatur-
literatur umum tentang kajian determinan impor yang selanjutnya
dikonfimasi melalui FGD dengan para pakar. Secara umum model
persamaan linier berganda yang digunakan untuk mengestimasi
determinan total impor barang dengan mempertimbangkan ketersediaan
data dan keterbatasan waktu adalah sebagai berikut:
logMTt = α0 + β1logGDPIND_CPT + β2logXTt + β3logEXt + β4logOILPt + β5AR(1)+ εt (5.2)
Dimana:
MT = Total Impor Barang (juta USD)
GDPIND_CPT = GDP per kapita Indonesia (miliar Rp)
XT = Total Ekspor Barang (juta USD)
EX = Nilai Tukar (Rp/USD)
65 Puska Daglu, BP2KP, Kementerian Perdagangan
OILP = Harga Rata-rata Minyak Dunia (USD/barrel)
AR = Autoregressive
Log = logaritma
t = periode
α, β = konstanta
ε = error term
Berdasarkan data-data yang digunakan tersebut maka diperoleh
hasil estimasi persamaan linier berganda untuk model persamaan umum
impor di atas menggunakan software EViews 6.0 adalah sebagai berikut:
LOG(MT) = -5.42682050244 + 0.313581386078*LOG(GDPIND_CPT) +
0.771925229021*LOG(XT) + 0.436579195808*LOG(EX) +
0.269290458722*LOG(OILP) + [AR(1)=0.671618455809]
Secara ringkas untuk memudahkan interpretasi dan menganalisis
hasil model impor barang di atas dapat dilihat pada Tabel 5.2. Lebih lanjut,
sebelum memasuki pembahasan, model regresi linier berganda yang
digunakan dalam kajian ini perlu dilihat kelayakan model (goodness of fit).
Dalam analisis OLS hal yang perlu menjadi perhatian adalah kelayakan
model yang dilihat dari beberapa uji sebagai berikut:
A. Uji Koefisien Determinasi
Koefisien determinasi digunakan untuk menguji goodness-fit dari
model regresi yang dapat dilihat dari nilai R-square. Berdasarkan hasil
estimasi model, didapatkan bahwa nilai R-square sebesar 0.987675.
Artinya, sebesar 98 persen model sudah dapat terjelaskan oleh variabel
yang digunakan sedangkan 2 persen sisanya dijelaskan oleh varibael lain.
B. Uji Signifikansi Parameter Individual (Uji Statistik t)
Uji statistik t dimaksudkan untuk melihat pengaruh masing-masing
variabel independen terhadap variabel dependen. Hasil dari uji statistik
dapat dengan mudah dilihat dari nilai probabilitas (p-value) dengan nilai
kritis yang diterima baik 0,001 (1 persen); 0,05 (5 persen); maupun 0,10
(10 persen). Estimasi model determinan impor diatas menunjukkan bahwa
66 Puska Daglu, BP2KP, Kementerian Perdagangan
semua variabel independen berpengaruh secara parsial terhadap variabel
dependen dengan masing-masing p-value yang digunakan.
C. Uji Signifikansi Parameter Simultan (Uji statistik F)
Uji statistik F dimaksudkan untuk melihat pengaruh secara
bersama-sama (simultan) variabel independen terhadap variabel
dependen. Hasil uji statistik F dapat dilihat dari nilai probabilitas (p-value)
sebesar 0,00. Pada estimasi model persamaan umum impor menunjukkan
bahwa semua variabel independen secara simultan berpengaruh terhadap
variabel dependen.
Tabel 5.2 Rangkuman Hasil Estimasi OLS Model Persamaan Umum Impor
Variabel Koefisien t-Statistic Prob.
C -5.426821 -2.143417 0.0371
LOG(GDPIND_CPT) 0.313581 2.343743 0.0232**
LOG(XT) 0.771925 4.033466 0.0002*
LOG(EX) 0.436579 1.756657 0.0852***
LOG(OILP) 0.269290 2.442543 0.0182**
AR(1) 0.671618 5.614916 0.0000*
R-squared Adj R-Squared
0.987675 0.986417
F-statistic Prob F-stat
785.3245 0.00000*
Sumber: data dimodifikasi dari hasil EViews 6.0
Keterangan: * signifikan pada α 1%; ** signifikan pada α 5%; *** signifikan pada α 10
Berdasarkan rangkuman estimasi pada Tabel 5.2 dapat dilihat
bahwa seluruh variabel independen mempengaruhi variabel dependen.
Koefisien elastisitas variabel GDP per kapita sebesar 0,31 menjelaskan
bahwa ketika GDP per kapita penduduk Indonesia naik 1 persen, impor
barang total akan naik sebesar 0,31 persen. Hal itu menggambarkan
67 Puska Daglu, BP2KP, Kementerian Perdagangan
kondisi ekonomi dan tingkat kesejahteraan masyarakat berpengaruh pada
tingginya impor di dalam negeri.
Variabel lain yang berpengaruh paling kuat adalah ekspor barang
total. Hasil regresi menunjukkan bahwa setiap kenaikan 1 persen ekspor
barang, maka impor akan meningkat sebesar 0,77 persen. Hal itu
menunjukkan bahwa semakin besar nilai ekspor, maka kebutuhan impor
khususnya terhadap bahan baku dan penolong semakin besar. Hasil
tersebut juga memperlihatkan kesesuian dengan hasil OLS model ekspor
sebelumnya dimana antara variabel ekspor dan impor memang terdapat
hubungan yang kuat.
Selanjutnya, variabel nilai tukar juga merupakan salah satu variabel
paling berpengaruh terhadap nilai impor barang total. Koefisien nilai tukar
sebesar 0,43 menunjukkan bahwa ketika nilai tukar meningkat 1 persen,
nilai impor barang akan melonjak sebesar 0,43 persen. Nilai tukar Rupiah
terhadap Dollar yang mengalami peningkatan (apresiasi), mendorong
produsen maupun konsumen domestik untuk mengimpor barang. Hal ini
terjadi karena harga barang impor menjadi relatif lebih murah.
Variabel selanjutnya, harga minyak dunia juga menunjukkan
pengaruh terhadap impor barang Indonesia. Ketika harga minyak dunia
naik 1 persen, nilai impor barang akan ikut meningkat sebesar 0,26
persen. Kondisi itu diakibatkan masih tingginya impor minyak, terutama
untuk kebutuhan bahan bakar domestik (BBM), yang sering menjadi
penyebab defisit neraca perdagangan. Terakhir, variabel AR(1)
menunjukkan bahwa masalah autokorelasi pada model telah teratasi dan
menandakan bahwa impor barang dipengaruhi lag satu waktu periode
(satu kuartal) sebelumnya.
5.2 Proyeksi Ekspor dan Impor Indonesia: Analisis Vector Autoregressive (VAR)
VAR dalam kajian ini digunakan untuk membuat proyeksi ekspor
dan impor Indonesia tahun 2015 -2019. VAR lazim digunakan untuk
memproyeksikan sistem variabel-variabel runtut waktu dan untuk
menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam
68 Puska Daglu, BP2KP, Kementerian Perdagangan
sistem variabel tersebut. Dalam analisis ini VAR mempertimbangkan
beberapa variabel endogen secara bersama-sama dalam suatu model.
Dalam analisis VAR masing-masing variabel selain diterangkan oleh
nilainya di masa lampau, juga dipengaruhi oleh nilai masa lalu dari semua
variabel endogen lainnya dalam model yang diamati.
5.2.1 Proyeksi Ekspor Indonesia Hasil estimasi proyeksi ekspor Indonesia dengan menggunakan
metode VAR ditunjukkan pada Tabel 5.3. Hasil analisis OLS pada
pembahasan sebelumnya sangat penting sebagai bahan acuan dalam
memproyeksi ekspor dan impor dengan menggunakan VAR. Seperti yang
telah diketahui, VAR merupakan model yang terdiri dari banyak variabel
atau juga bisa disebut multivariate. Suatu variabel dalam perkembangan di
masa yang akan datang sangat dipengaruhi oleh berbagai variabel
lainnya.
Berdasarkan hasil analisis determinan ekspor pada model regresi
linear berganda, PBD negara tujuan utama ekspor Indonesia merupakan
variabel yang paling memengaruhi tingkat ekspor. Oleh sebab itu, dalam
analisis proyeksi ekspor hingga 2019, variabel PDB negara-negara mitra
dijadikan variabel eksogen di dalam model. Selain PDB negera-negara
mitra juga terdapat beberapa variabel yang turut dimasukkan ke dalam
model dan ditempatkan sebagai variabel endogen. Variabel PDB tersebut
diproyeksi untuk mendapatkan besaran perubahan ekspor pada masa
yang akan datang.
Berdasarkan hasil proyeksi, terlihat bahwa pada hingga akhir 2014
ini, ekspor non migas diperkirakan akan menurun (yoy) sebesar 0,69
persen. Demikian pula pada ekspor migas yang juga akan menurun
sebesar 0,83 persen. Sehingga ekspor total pada tahun 2014 ini
diperkirakan akan menurun 0,72 persen.
Selanjutnya, pada tahun 2015 hingga 2019, pertumbuhan ekspor
migas dan non migas diperkirakan akan kembali kondusif, terlihat dari
hasil proyeksi yang menunjukkan peningkatan pada setiap tahunnya.
69 Puska Daglu, BP2KP, Kementerian Perdagangan
Rata-rata pertumbuhan ekspor non migas selama 2015 hingga 2019
diperkirakan akan mencapai 5,76 persen. Sementara rata-rata
pertumbuhan ekspor migas diperkirakan akan mencapai 1,34 persen.
Sehingga rata-rata pertumbuhan total ekspor selama 2015 hingga 2019
diperkirakan akan mencapai 5,03 persen. Puncak pertumbuhan tertinggi
pada ekspor non migas diperkirakan akan terjadi pada 2019, dimana
pertumbuhan yang terjadi diperkirakan sebesar 6,75 persen. Sementara,
puncak pertumbuhan ekspor tertinggi pada sektor migas terjadi pada
tahun 2018, dimana pertumbuhan ekspor yang terjadi diperkirakan
sebesar 1,94 persen.
Tabel 5.3 Proyeksi Ekspor Migas dan Non Migas 2015-2019
Tahun
Migas Non Migas Total*
Nilai (miliar USD)
Pert (%)
Nilai (miliar USD)
Pert (%)
Nilai (miliar USD)
Pert (%)
2013 32,63 149,92 182,55
2014 32,36 -0,83 148,88 -0,69 181,25 -0,72
2015 32,45 0,26 157,67 5,90 190,12 4,90
2016 32,84 1,21 166,84 5,81 199,68 5,03
2017 33,29 1,38 175,42 5,15 208,72 4,53
2018 33,94 1,94 184,53 5,19 218,47 4,67
2019 34,59 1,93 196,99 6,75 231,59 6,00 Rata-rata
(2015-2019) 1,35 5,76 5,03
Sumber: Estimasi proyeksi pada EViews 6.0
5.2.2 Proyeksi Impor Indonesia Metodel analisis VAR juga digunakan untuk menganalisis proyeksi
pertumbuhan impor. Berdasarkan hasil proyeksi, diperkirakan bahwa
hingga akhir 2014 ini. Impor non migas mengalami penurunan sebesar
3,31 persen, sementara impor migas akan meningkat sebesar 0,15
persen. Sehingga hingga akhir 2014, impor total Indonesia diperkirakan
akan menurun sebesar 2,47 persen.
70 Puska Daglu, BP2KP, Kementerian Perdagangan
Lebih lanjut, rata-rata pertumbuhan impor sektor non migas selama
2015-2019 diperkirakan akan mencapai 4,54 persen. Sementara impor
migas diperkirakan akan tumbuh lebih tingga, dimana rata-rata mencapai
5,43 persen. Sehingga rata-rata total impor Indonesia untuk periode 2015-
2019 diperkirakan akan mencapai 4,7 persen, dimana impor migas akan
selalu mengalami pertumbuhan yang lebih tinggi daripada impor non
migas.
Puncak pertumbuhan tertinggi pada impor non migas diperkirakan
akan terjadi pada 2016, dimana pertumbuhan yang terjadi diperkirakan
sebesar 5,030 persen. Sementara, puncak pertumbuhan impor tertinggi
pada sektor migas juga terjadi pada tahun 2018, dimana pertumbuhan
impor yang terjadi diperkirakan sebesar 5,73 persen.
Tabel 5.4 Proyeksi Impor Migas dan Non Migas Indonesia 2015-2019
Tahun
Migas Non Migas Total
Nilai (miliar USD)
Pert (%)
Nilai (miliar USD
Pert (%)
Nilai (miliar USD)
Pert (%)
2013 45,27 - 141,36 186,63 - 2014 45,34 0,15 136,68 -3,31 182,02 2,47 2015 47,56 4,91 141,22 3,32 188,79 3,72 2016 50,17 5,49 148,33 5,03 198,50 5,14 2017 52,90 5,44 155,76 5,01 208,66 5,12 2018 55,93 5,73 162,89 4,58 218,83 4,87 2019 59,06 5,59 170,62 4,74 229,68 4,96
Rata-rata (2015-2019)
5,43 4,54 4,76
Sumber: Estimasi proyeksi pada EViews 6.0
5.3 Proyeksi Ekspor dan Impor Menurut Sektor dan Kategori Barang
Ekspor dan impor merupakan instrumen dalam necara
perdagangan yang memegang peranan penting sebagai indikator
pertumbuhan ekonomi suatu negara. Di era globalisasi dan pemberlakuan
perdagangan bebas saat ini, kinerja ekpor untuk meningkatkan
71 Puska Daglu, BP2KP, Kementerian Perdagangan
pendapatan negara (GDP) menjadi sangat penting untuk terus didorong.
Di lain sisi, arus impor perlu diwaspadai karena dapat menambah beban
neraca perdagangan jika tidak dikendalikan dengan baik terutama oleh
pemerintah. Mendorong kinerja ekspor, khususnya ekspor non migas
adalah suatu keniscayaan bagi Indonesia mengingat sumber daya dan
pasar tujuan ekspor masih sangat potensial. Selain itu, perlu adanya
pengendalian impor baik barang migas maupun non migas yang pada
dasarnya hanya bersifat konsumtif dan kurang bernilai tambah. Oleh
karena itu, diperlukan adanya sebuah penetapan target ekspor dan impor
barang Indonesia dalam kurun waktu lima tahun ke depan.
Penetapan target yang dimaksud dalam penelitian ini
menggunakan metode proyeksi yang didasarkan pada analisis deret
waktu (time series). Seperti yang telah dijelaskan dalam bagian metode
penelitian maka metode yang akan digunakan untuk memproyeksi adalah
analisis univariate dan analisis kausal. Metode univariate yang digunakan
beberapa diantaranya adalah exponential smoothing dan Box-Jenkins.
Sedangkan untuk proyeksi menggunakan metode kausal digunakan
metode Vector Autoregressive (VAR). Sampel dan ruang lingkup metode
yang telah disebutkan di atas tidak sama satu lain. Metode univariate
untuk exponential smoothing dan Box-Jenkins menggunakan data bulanan
denga maksud mendapat trend dan varians data yang lebih beragam.
Ruang lingkup analisis metode univariate adalah proyeksi ekspor
berdasarkan sektor (migas dan non-migas) dan kelompok komoditi
(pertanian, industri, dan pertambangan) serta impor berdasarkan sektor
(migas dan non migas) dan kelompok barang (konsumsi, bahan
baku/penolong, dan modal). Di sisi lain, metode kausal yaitu VAR
digunakan data kuartalan dan khusus untuk memproyeksi ekspor dan
impor berdasarkan sektor (migas dan non-migas) dikarenakan mayoritas
data variabel eksogen adalah kuartalan.
Analisis proyeksi berkaitan erat dengan keakuratan dari metode
yang digunakan. Keakuratan metode dan data proyeksi yang dihasilkan
digunakan uji statistik diantaranya adalah Root Mean Square Error
72 Puska Daglu, BP2KP, Kementerian Perdagangan
(RMSE) dan Mean Absolute Percentage Error (MAPE). Lebih lanjut,
sesuai dengan tujuan penelitian makan hasil akhir dari proyeksi adalah
data nilai dalam kurun waktu dan laju pertumbuhan. Pada kajian ini
sepenuhnya digunakan alat bantu software Microsoft Excel 2010 dan
EViews 6.0.
5.3.1 Proyeksi Ekspor dan Impor menggunakan Metode Exponential Smoothing Pada umumnya metode proyeksi exponential smoothing memiliki
lima macam metode yang seringkali digunakan dalam penelitian. Lima
macam metode tersebut adalah Single Smoothing (SS), Double
Smoothing (DS), Holt-Winter Non Seasonal (HW), Holt-Winters Additive
Seasonal (HWA), dan Holt-Winters Multilicative Seasonal (HWM). Kelima
jenis metode exponential smoothing tersebut selanjutnya akan diuji tingkat
akurasi menggunakan uji Root Mean Square Error (RMSE) berdasarkan
data in sample. Metode yang terbaik memberikan nilai RMSE yang
cenderung lebih kecil.
Pada pengujian RMSE untuk proyeksi ekspor didapatkan bahwa
masing-masing sektor dan kelompok komoditi memiliki karakteristik
masing-masing. Secara umum data ekspor menurut sektor dan kelompok
komoditi tidak terlalu dapat menunjukkan adanya faktor musiman. Meski
demikian, hasil exponential smoothing menujukkan bahwa metode yang
berkaitan dengan pengaruh musiman yaitu HWA dan HWM merupakan
metode yang cenderung lebih akurat dibanding metode non-musiman
seperti SS, DS dam bahkan HW. Tabel 5.5 menunjukkan bahwa metode
Holt Winters Multiplicative (HWM) cocok untuk diaplikasikan pada proyeksi
ekspor migas dan ekspor komoditi pertanian. Di lain sisi, metode Holt
Winters Additive (HWA) cocok untuk diaplikasikan pada proyeksi ekspor
non migas, komoditi industri dan pertambangan.
Tabel 5.5 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode
Exponential Smoothing
No Ekspor RMSE
73 Puska Daglu, BP2KP, Kementerian Perdagangan
SS DS HW HWA HWM
1 Migas 246,61 263,47 246,03 221,02 213,97
2 Non Migas 665,66 678,13 651,23 585,43 594,69
3 Pertanian 48,75 49,37 48,50 39,67 39,54
4 Industri 553,28 562,78 544,39 505,55 517,47
5 Pertambangan 229,69 235,25 226,18 201,96 208,67
Sumber: Hasil Olahan EViews 6.0
Sama halnya dengan ekspor, data impor menurut sektor dan
kelompok barang secara agregat tidak terlalu menampakkan adanya
faktor musiman. Namun demikian, uji statistik RMSE menunjukkan bahwa
metode proyeksi dengan mengikutsertakan komponen musiman lebih baik
dibanding non-musiman. Tabel 5.6 memperlihatkan metode Holt Winters
Additive (HWA) cocok untuk diterapkan pada proyeksi impor kecuali impor
bahan baku yang lebih cocok menggunakan metode Holt Winters
Multiplicative (HWM).
Tabel 5.6 Tingkat Akurasi Proyeksi Impor Menggunakan Metode Exponential Smoothing
No Impor RMSE
SS DS HW HWA HWM
1 Migas 300,12 325,57 297,04 285,77 296,79
2 Non Migas 763,46 788,95 755,71 717,60 726,84
3 Konsumsi 84,93 87,79 83,80 80,50 84,01
4 Bahan Baku 725,17 765,32 716,82 678,00 674,07
5 Modal 233,22 235,18 231,70 215,05 217,90
Sumber: Hasil Olahan EViews 6.0
5.3.2 Proyeksi Ekspor dan Impor menggunakan Metode Box-Jenkins Metode Box-Jenkins (ARIMA) merupakan metode yang seringkali
digunakan dalam kajian peramalan selain metode exponential smoothing.
Seperti yang telah dijelaskan pada bagian metode penelitian bahwa dalam
74 Puska Daglu, BP2KP, Kementerian Perdagangan
menentukan model proyeksi ARIMA diperlukan beberapa tahapan yaitu
identifikasi model, estimasi model dan uji diagnostik residual. Tahap
identifikasi dilakukan dengan mengecek stasioneritas data dan kemudian
menguji plot ACF dan PACF untuk menentukan model yang sesuai
apakah Autoregressive (AR), Moving Average (MA), maupun kombinasi
ARMA. Pada tahap estimasi, dicari model terbaik berdasarkan uji
signifikansi t. Pada tahap uji diagnostik residual, model yang lolos untuk
proyeksi adalah model dengan residual white noise (acak). Secara
ringkas, model yang digunakan dalam penelitian ini telah melalui
prosedur-prosedur di atas dan lolos uji residual. Sebagaimana diketahui
bahwa fokus penelitian ini lebih ke proyeksi, maka pengujian di tiap
prosedur tidak ditampilkan secara khusus melainkan fokus pada tingkat
akurasi proyeksi.
Secara umum metode Box-Jenkins terbagi menjadi dua kategori
model yaitu model ARIMA yang tidak memperhitungkan faktor musiman
dan model ARIMA yang memperhitungkan faktor musiman atau dikenal
Seasonal ARIMA (SARIMA). Untuk mendapatkan hasil yang lebih
komprehensif maka kedua model tersebut digunakan dalam penelitian ini.
Selanjutnya untuk mengukut tingkat akurasi proyeksi digunakan uji
statistik Root Mean Square Error (RMSE), Mean Absolut Error (MAE), dan
Mean Absolut Percentage Error (MAPE) yang langsung ditampilkan oleh
software EViews 6.0. Di samping itu, disertakan pula banyaknya
parameter yang digunakan dalam estimasi model sebagai indikator
kesederhanaan model.
Hasil uji tingkat akurasi menunjukkan bahwa model SARIMA lebih
tepat digunakan untuk memproyeksi ekspor dibanding model ARIMA non-
musiman. Statistik RMSE maupun MAPE menunjukkan bahwa error
model SARIMA lebih kecil dibandingkan dengan error ARIMA non-
musiman. Pengaruh musiman di sini dilihat dari karakteristik data yang
digunakan yaitu data bulanan sehingga dapat dilihat bahwa semua model
SARIMA dipengaruhi oleh Seasonal Moving Average (SMA) 12. Artinya,
ekspor setiap bulan dalam setiap tahun membentuk pola yang berbeda
75 Puska Daglu, BP2KP, Kementerian Perdagangan
dari bulan-bulan sebelumnya. Hal itu dikarenakan kinerja ekspor sangat
dipengaruhi oleh kondisi perekonmian global, terutama negara tujuan
ekspor dan sulit untuk diprediksi pola musimannya. Tabel 5.7 dengan
ringkas menampilkan parameter dan uji akurasi model ARIMA non
musiman dan SARIMA.
Tabel 5.7 Tingkat Akurasi Proyeksi Ekspor Menggunakan Metode Box-Jenkins (ARIMA/SARIMA)
No Ekspor Model
ARIMA/SARIMA Parameter RMSE MAE MAPE
1 Migas
ARIMA (11,1,11) 3 772,166 647,876 37,623
ARIMA (0,1,8) SMA(12) 2 487,511 361,321 20,621
2 Non Migas
ARIMA (12,1,2) 4 2.180,994 1.765,978 23,824
ARIMA (0,1,1) SMA(12) 2 1470,097 1109,024 14,196
3 Pertanian
ARIMA (12,1,1) 2 157,933 119,861 30,872
ARIMA (1,1,2) SMA(12) 3 51,409 44,058 16,025
4 Industri
ARIMA (12,1,0) 2 3.925,143 3.061,305 39,877
ARIMA (2,1,1) SMA(12) 3 2.190,879 1.656,829 21,827
5 Pertambangan
ARIMA (11,1,0) 3 1.317,851 964,578 61,236
ARIMA (6,1,6) SMA(12) 4 445,526 307,225 23,162
Sumber: Hasil Olahan EViews 6.0
Hasil yang tidak jauh berbeda ditunjukkan oleh uji tingkat akurasi
pada metode Box-Jenkins untuk proyeksi impor (Tabel 5.8). Statistik
RMSE dan MAPE menunjukkan bahwa model Seasonal ARIMA lebih baik
dibandingkan model ARIMA non-musiman. Karakteristik pengaruh
musiman impor dapat diakibatkan data yang digunakan dalam estimasi
76 Puska Daglu, BP2KP, Kementerian Perdagangan
adalah data bulanan. Pengaruh musiman impor mengandung arti bahwa
pola impor bulanan selalu berbeda setiap tahunnya. Hal itu disebabkan
kinerja impor barang bergantung pada kondisi domestik dan
perekonomian global.
Tabel 5.8 Tingkat Akurasi Proyeksi Impor Menggunakan Metode Box-Jenkins (ARIMA/SARIMA)
No Impor Model
ARIMA/SARIMA Parameter RMSE MAE MAPE
1 Migas
ARIMA (1,1,1) 2 1.806,933 1.383,157 61,788
ARIMA (12,1,1) SMA(12) 3 751,166 581,522 28,14
2 Non Migas
ARIMA (12,1,0) 2 5.017,276 3.611,449 46,848
ARIMA (0,1,2) SMA(12) 3 1.582,819 1.430,816 38,328
3 Konsumsi
ARIMA (1,1,0) 1 557,049 417,293 61,241
ARIMA (1,1,0) SMA (12) 2 235,321 169,767 26,722
4 Bahan Baku
ARIMA (1,1,0) 1 5.439,474 4.116,393 55,198
ARIMA (0,1,2) SMA(12) 3 1.824,524 1.337,946 20,459
5 Modal
ARIMA (2,1,1) 2 1.479,442 1089,762 63,216
ARIMA (0,1,1) SMA(12) 2 1.120,486 794,359 45,057
Sumber: Hasil Olahan EViews 6.0
5.3.3 Proyeksi Ekspor dan Impor dengan Model Terbaik Berdasarkan metode yang telah dipaparkan pada bagian
sebelumnya maka perlu dilihat metode manakah yang paling baik untuk
dapat memproyeksikan ekspor dan impor Indonesia berdasarkan sektor
migas dan non migas serta kelompok komoditi dan kelompok barang.
Metode terbaik adalah metode yang menghasilkan error terkecil dilihat dari
77 Puska Daglu, BP2KP, Kementerian Perdagangan
nilai statistik Root Mean Square Erros (RMSE) serta Mean Absolute
Percentage Error (MAPE) dari data in sample. Tabel 5.9 berikut
memberikan hasil rekapitulasi uji RMSE dan MAPE proyeksi ekspor untuk
metode exponential smoothing Holt dan metode Box-Jenkins. Hasil
menunjukkan bahwa metode yang paling baik dalam memproyeksi ekspor
Indonesia adalah metode exponential smoothing.
Tabel 5.9 Uji Tingkat Akurasi Model Proyeksi Ekspor
Unit Exponential Smoothing ARIMA Model Terbaik Model RMSE MAPE Model RMSE MAPE
Migas HWM 213,975 0,077 ARIMA (0,1,8) SMA (12)
487,511 20,621 HWM
Non Migas HWA 585,434 0,059 ARIMA (0,1,1) SMA(12)
1.470,097 14,196 HWA
Pertanian HWM 39,545 0,094 ARIMA (1,1,2) SMA(12)
51,409 16,025 HWM
Industri HWA 505,551 0,062 ARIMA (2,1,1) SMA(12)
2.190,879 21,827 HWA
Pertambangan HWA 201,966 0,199 ARIMA (6,1,6) SMA(12)
445,526 23,162 HWA
Sumber: Hasil Olahan EViews 6.0
Tidak jauh berbeda dengan ekspor, pada proyeksi impor metode
exponential smoothing dianggap paling baik untuk digunakan karena
menghasilkan error yang kecil tercermin dari stastistik RMSE dan MPE.
Tabel 5.10 menampilkan rangkuman uji akurasi proyeksi untuk impor.
Secara keseluruhan dapat disimpulkan bahwa proyeksi ekspor dan impor
barang Indonesia dipengaruhi oleh trend dan faktor musiman yang tidak
menentu. Hal itu dikarenakan kondisi perdagangan internasional yang
sangat berkaitan dengan perekonomian global serta isu geopolitik. Oleh
sebab itu, proyeksi ekspor dan impor Indonesia lebih baik menggunakan
trend dan karakteristik data musiman itu sendiri karena telah dibuktikan
dengan uji statistik MAPE exponential smoothing yang di bawah 50
persen.
78 Puska Daglu, BP2KP, Kementerian Perdagangan
Tabel 5.10 Uji Tingkat Akurasi Model Proyeksi Impor
Unit Exponential Smoothing ARIMA Model Terbaik Model RMSE MAPE Model RMSE MAPE
Migas HWA 285,77 0,144 ARIMA (12,1,1) SMA(12) 751,17
28,14
HWA
Non Migas HWA 717,605 0,095 ARIMA (0,1,2) SMA(12)
1.582,82
38,328 HWA
Konsumsi HWA 80,509 0,127 ARIMA (1,1,0) SMA (12)
235,32
26,722 HWA
Bahan Baku HWM
674,075
0,080 ARIMA (0,1,2) SMA(12)
1.824,52
20,459 HWM
Modal HWA
215,053
0,145 ARIMA (0,1,1) SMA(12)
1.120,49
45,057 HWA
Sumber: Hasil Olahan EViews 6.0
5.4 Proyeksi Nilai dan Pertumbuhan Ekspor dan Impor Indonesia 2015-2019 Berdasarkan uji tingkat akurasi yang telah dilakukan diperoleh
bahwa metode exponential smoothing dengan masing-masing model
musiman (HWA dan HWM) merupakan model terbaik untuk digunakan
sebagai proyeksi nilai ekspor dan impor barang Indonesia dalam kurun
waktu 2015-2019. Di samping nilai, perlu juga dilihat pertumbuhan setiap
tahun dan rata-rata pertumbuhan ekspor maupun impor dalam rentang
waktu tersebut.
Tabel 5.11 menunjukkan bahwa secara umum nilai ekspor
berdasarkan sektor dan kelompok komoditi dalam kurun waktu 2015-2019
diproyeksikan meningkat. Meski begitu, jika dilihat pertumbuhan ekspor
maka cenderung menurun. Pertumbuhan rata-rata ekspor migas dalam
kurun waktu tersebut adalah 3,4 persen dan ekspor non migas rata-rata
4,44 persen. Selanjutnya, ekspor pertanian diproyeksi tumbuh rata-rata
sebesar 3,56 persen, ekspor industri tumbuh rata-rata sebesar 4,17
persen, dan ekspor pertambangan tumbuh rata-rata 5,59 persen.
79 Puska Daglu, BP2KP, Kementerian Perdagangan
Tabel 5.11 Proyeksi Nilai dan Pertumbuhan Ekspor Barang Indonesia 2015-2019
Ekspor Keterangan Proyeksi Pertumbuhan
rata-rata 2015-2019 2015 2016 2017 2018 2019
Migas Nilai
(miliar USD) 40,00 41,41 42,81 44,22 45,62 3,40 Pertumbuhan
(%) 3,64 3,51 3,39 3,28 3,18
NonMigas Nilai
(miliar USD) 169,75 177,61 185,47 193,33 201,19 4,44 Pertumbuhan
(%) 4,85 4,63 4,42 4,24 4,06
Pertanian Nilai
(miliar USD) 6,27 6,51 6,74 6,97 7,19 3,56 Pertumbuhan
(%) 3,82 3,68 3,55 3,43 3,32
Industri Nilai
(miliar USD) 126,11 131,57 137,03 142,49 147,96 4,17 Pertumbuhan
(%) 4,53 4,33 4,15 3,99 3,83
Pertambangan Nilai
(miliar USD) 36,78 38,95 41,11 43,27 45,44 5,59 Pertumbuhan
(%) 6,25 5,88 5,55 5,26 5,00
Sumber: Hasil Olahan EViews 6.0
Di sisi lain, Tabel 5.12 menunjukkan bahwa secara umum proyeksi
nilai impor berdasarkan sektor dan kelompok barang dalam kurun waktu
2015-2019 juga memperlihatkan adanya peningkatan serta pertumbuhan
yang semakin melambat. Meski begitu, laju pertumbuhan impor lebih
tinggi dibandingkan pertumbuhan ekspor. Hal itu tentu menjadi sinyal
darurat apabila skema proyeksi univariat yang berasumsikan bussines as
ussual ini tidak segera ditindak lanjuti oleh pemerintah. Statisik
menunjukkan bahwa pertumbuhan rata-rata ekspor migas dalam kurun
waktu 2015-2019 adalah 5,2 persen dan ekspor non migas rata-rata 5,53
persen. Selanjutnya impor barang konsumsi diproyeksi tumbuh rata-rata
sebesar 5,39 persen, impor bahan baku tumbuh rata-rata sebesar 5,15
persen, dan impor barang modal tumbuh rata-rata 5,82 persen.
80 Puska Daglu, BP2KP, Kementerian Perdagangan
Tabel 5.12 Proyeksi Nilai dan Pertumbuhan Impor Barang Indonesia 2015-2019
Ekspor Keterangan Proyeksi Pertumbuhan
rata-rata 2015-2019 2015 2016 2017 2018 2019
Migas Nilai
(miliarUSD) 55,37 58,39 61,41 64,42 67,44 5,20 Pertumbuhan
(%) 5,77 5,45 5,17 4,92 4,69
NonMigas Nilai
(miliarUSD) 150,52 159,28 168,04 176,80 185,56 5,53 Pertumbuhan
(%) 6,18 5,82 5,50 5,21 4,95
Barang Konsumsi
Nilai (miliarUSD) 15,12 15,98 16,83 17,69 18,55
5,39 Pertumbuhan (%) 6,00 5,66 5,36 5,08 4,84
Bahan Baku
Nilai (miliarUSD) 159,74 168,36 176,99 185,62 194,25
5,15 Pertumbuhan (%) 5,71 5,40 5,12 4,87 4,65
Barang Modal
Nilai (miliarUSD) 33,41 35,46 37,51 39,56 41,61
5,82 Pertumbuhan (%) 6,54 6,14 5,78 5,47 5,18
Sumber: Hasil Olahan EViews 6.0
5.5 Penyusunan Target Ekspor Impor Negara Lain (Studi Kasus Filipina)
Dalam rangka mencapai hasil penelitian yang lebih baik terkait
penyusunan target ekspor dan impor, tim peneliti melakukan survei ke
negara tetangga yaitu Filipina. Pada kesempatan tersebut dilakukan
diskusi dengan beberapa lembaga pemerintah serta lembaga penelitian
untuk memotret bagaimana gambaran studi penyusunan target ekspor
dan impor di negara tersebut. Berdasarkan pemaparan National Economic
and Development Authority (NEDA), penyusunan target ekspor di Filipina
dilakukan oleh otoritas khusus yang bernama Export Development Council
(EDC) dengan beranggotakan pemerintah dan pihak swasta. EDC
kemudian menyusun Rencana Pengembangan Ekspor Filipina (Philipine
Export Development Plan-PEDP) dengan periode 2014-2016. Hasilnya,
ekspor barang Filipinan ditargetkan tumbuh sebesar 10 persen atau
81 Puska Daglu, BP2KP, Kementerian Perdagangan
senilai (US$90 miliar) di tahun 2016. Dalam PEDP dirinci secara detil
target dan strategi berdasarkan produk dan pasar ekspor utama (prioritas).
PEDP nantinya menjadi bagian dari (input) rencana pembangunan Filipina
yang disebut sebagai Philippine Development Plan (PDP) 2011-2016.
PDP disusun oleh Development & Budget Coordination Committee
(DBCC) yang beranggotakan institusi pemerintah. PDP merupakan
dokumen perencanaan jangka menengah (6 tahun) dan di-update pada
pertengahan periode (3 tahun). Pada tahun 2014 ini tengah dilakukan
update PDP dengan menekankan pada aspek pembangunan spasial.
Dalam hal ini, dirumuskan pula target di tingkat regional. Target
pertumbuhan ekonomi regional disusun berdasarkan hasil proyeksi
menggunakan factor production function dengan variabel seperti jumlah
tenaga kerja, jumlah lapangan pekerjaan, GDP regional, dan kapital.
Penyusunan target ekspor dilakukan oleh EDC, sedangkan penetapannya
dilakukan oleh DBCC. Angka proyeksi ekspor dari EDC menjadi masukan
bagi BSP untuk memproyeksikan neraca pembayaran (BOP). Dalam hal
ini BSP juga memproyeksikan nilai ekspor barang sebagai bagian dari
komponen BOP serta mengestimasi nilai tukar, harga minyak, dan inflasi.
Hasil estimasi BSP kemudian dijadikan referensi bagi NEDA untuk
memproyeksikan GDP. Selanjutnya, berdasarkan proyeksi NEDA, DBM
akan melakukan proyeksi penerimaan negara sedangkan DOF akan
melakukan proyeksi pengeluaran negara. Secara sederhana, alur
penyusunan target pembangunan ekonomi dapat diilustrasikan sebagai
berikut:
82 Puska Daglu, BP2KP, Kementerian Perdagangan
Gambar 5.1 Alur Penyusunan Target Ekspor dan Pembangunan
Ekonomi Filipina
Sumber: Hasil Survei Tim (2014)
Selanjutnya, Philipine Institute for Development Studies (PDIS)
menyatakan bahwa proses penyusunan target ekspor didasarkan pada
mekanisme konsultasi antara pemerintah dan swasta (bisnis). Dalam hal
ini Departement of Trade and Industry (DTI) memiliki target yang
dikonsultasikan ke dunia usaha. Dalam menetapkan target ekspor perlu
memperhatikan pasar atau negara tujuan utama ekspor serta faktor
eksternal yang diperkirakan berpengaruh. Di samping itu, sektor internal
juga perlu diperhatikan seperti kondisi industri, kebijakan perdagangan,
infrastruktur, serta tingkat suku bunga. Cara sederhana untuk menyusun
target ekspor dalam nilai atau tingkat pertumbuhan adalah dengan
memperhatikan kinerja historis selama 3-5 tahun terakhir, termasuk kinerja
ekspor masing-masing sektor/industri. Informasi dan penelitian empiris
pada level perusahaan/industri (yang melakukan ekspor) juga dapat
bermanfaat dalam penyusunan target ekspor. Informasi tersebut antara
Export Development Council (EDC)
• DTI (ketua) • NEDA • PilExport
Development & Budget Coordination Committee (DBCC)
• BSP : proyeksi BOP
• NEDA: proyeksi GDP
• DBM: proyeksi penerimaan
• DOF: proyeksi pengeluaran
proyeksi ekspor
Keterangan: DTI : Department of Trade and Industry BSP : Bangko Sentral ng Pilipinas NEDA : National Economic and Development Authority DOF : Department of Finance PilExport: Philippine Exporters Confederation, Inc. BOP : Balance of Payment DBM : Department of Budget and Management GDP : Gross Domestic Product
83 Puska Daglu, BP2KP, Kementerian Perdagangan
lain mengenai daya saing perusahaan, tingkat produktivitas, sumber daya
manusia, dan biaya logistik.
Berkaitan dengan hal tersebut, pada dasarnya model statistik dapat
digunakan sebagai panduan dalam penyusunan target, namun angka
proyeksi yang dihasilkan dari model tersebut harus disesuaikan dengan
beragam skenario seperti business as usual maupun kebijakan pro-aktif
atau ekspansif dengan dukungan kebijakan dan rencana program kerja
pemerintah. Secara umum, untuk menentukan target suatu indikator perlu
diperhatikan aspek-aspek berikut:
1. Aspek teknis (model statistik) dan asumsi yang digunakan;
2. Supervisi dari staf/peneliti senior (sense of logic);
3. Justifikasi ahli mengenai variabel-variabel yang diperkirakan
berpengaruh signifikan namun tidak dapat dimasukkan dalam
model (wisdom).
Meski para teknokrat dan tenaga ahli menyusun target indikator ekonomi
dengan kaidah-kaidah keilmuan, namun pada akhirnya penetapan target
berada di tangan Menteri dan bersifat politis (political decision)
Terakhir, Asian Development Bank (ADB) mengemukakan bahwa
mereka tidak memiliki model khusus mengenai ekspor dan impor. ADB
memiliki Global Projection Model (GPM) yang berbasis pada model
keseimbangan stokastik dinamis (Dynamic Stochastic General
Equilibrium-DSGE) untuk memproyeksikan pertumbuhan ekonomi dunia,
inflasi, maupun variabel makroekonomi lainnya. Meski demikian, proyeksi
yang dilakukan maksimal sampai dua tahun ke depan. Selain
menggunakan model GPM, ADB juga memperhatikan masukan dari
country economist (perwakilan ADB di suatu negara) dalam rangka
menentukan angka proyeksi pada suatu negara. Country economist
tersebut pada umumnya juga melihat angka proyeksi yang telah disusun
pemerintah dan bukan semata-mata menggunakan model sendiri.
Menurut ADB, penetapan target ekspor seharusnya diarahkan pada
kondisi tertentu yang ingin dicapai, misalnya perubahan struktur ekspor
atau bauran produk ekspor (diversifikasi) dan bukan pada penetapan
84 Puska Daglu, BP2KP, Kementerian Perdagangan
angka pertumbuhan atau nilai ekspor. Hal tersebut dikarenakan
banyaknya faktor-faktor yang sulit untuk diprediksi (unpredictable) di masa
mendatang. Selain itu, sebaiknya peramalan atau proyeksi ekspor tidak
dilakukan untuk rentang waktu yang panjang, cukup memproyeksikan 1-2
tahun ke depan saja. Penetapan angka target kurang bermakna dan tidak
fokus pada tujuan yang ingin dicapai. Selain itu, dalam membangun model
ekspor maupun impor harus konsisten dengan model makroekonomi.
Perkiraan pertumbuhan ekspor harus sejalan dengan perkiraan
pertumbuhan ekonomi domestik maupun global. Hal yang penting lagi
adalah perlunya memperhatikan kondisi buyer atau mitra dagang tujuan
ekspor. Untuk Indonesia, apa yang sedang dan diperkirakan terjadi di
mitra dagang utama seperti AS dan Eropa menjadi sangat relevan untuk
dicermati.
Beberapa kesimpulan yang dapat dijadikan pertimbangan
penyusunan target ekspor impor Indonesia berdasarkan pengalaman
Filipina seperti yang telah diulas adalah sebagai berikut:
1) Penyusunan target ekspor maupun impor dikoordinasikan oleh
otoritas khusus yang terdiri dari pihak pemerintah maupun swasta.
2) Dalam menetapkan target ekspor perlu memperhatikan pasar atau
negara tujuan utama ekspor serta faktor eksternal yang
diperkirakan berpengaruh.
3) Pada dasarnya model statistik dapat digunakan sebagai panduan
dalam penyusunan target, namun angka proyeksi yang dihasilkan
dari model tersebut harus disesuaikan dengan beragam skenario
seperti business as usual maupun kebijakan pro-aktif atau
ekspansif dengan dukungan kebijakan dan rencana program kerja
pemerintah.
4) Secara umum, untuk menentukan target suatu indikator perlu
diperhatikan aspek-aspek berikut: aspek teknis (model statistik) dan
asumsi yang digunakan; supervisi dari staf/peneliti senior (sense of
logic); serta justifikasi ahli mengenai variabel-variabel yang
85 Puska Daglu, BP2KP, Kementerian Perdagangan
diperkirakan berpengaruh signifikan namun tidak dapat dimasukkan
dalam model (wisdom).
5) Penetapan target ekspor seharusnya diarahkan pada kondisi
tertentu yang ingin dicapai, misalnya perubahan struktur ekspor
atau bauran produk ekspor (diversifikasi) dan bukan pada
penetapan angka pertumbuhan atau nilai ekspor. Selain itu,
peramalan atau proyeksi ekspor sebaiknya tidak dilakukan untuk
rentang waktu yang panjang, cukup memproyeksikan satu atau dua
tahun ke depan saja.
86 Puska Daglu, BP2KP, Kementerian Perdagangan
BAB VI
PENUTUP
6.1 Kesimpulan Berdasarkan hasil OLS, diketahui bahwa determinan ekspor dan
impor barang Indonesia dipengaruhi oleh beberapa variabel eksternal
(exogenous variable). Ekspor total Indonesia terutama sangat dipengaruhi
oleh GDP per kapita negara-negara mitra dagang utama Indonesia
(traditional market). PDB negara mitra tersebut menunjukkan seberapa
kuat permintaan dunia dalam memengaruhi ekspor Indonesia. Ekspor
barang Indonesia juga dipengaruhi oleh impor barang dengan asumsi jika
impor bahan baku tersebut selanjutnya akan digunakan untuk produksi
yang berorientasi ekspor, maka ekspor barang Indonesia akan semakin
meningkat. Selanjutnya, nilai tukar Rupiah terhadap Dollar AS juga
berpengaruh terhadap ekspor. Apabila rupiah menguat, maka harga
barang Indonesia di luar negeri menjadi relatif lebih mahal (meningkat),
sehingga menurunkan daya saing produk Indonesia di pasar internasional.
Lebih lanjut, variabel harga minyak dunia dan suku bunga kredit juga
menunjukkan adanya pengaruh terhadap ekspor barang Indonesia.
Di sisi lain, berdasarkan analisis determinan impor menunjukkan
bahwa variabel GDP per kapita Indonesia berpengaruh terhadap impor.
Hal itu menggambarkan kondisi ekonomi dan tingkat kesejahteraan
masyarakat berpengaruh pada tingginya impor di dalam negeri. Ekspor
barang secara total juga menujukkan pengaruh positif signifikan terhadap
impor. Semakin besar nilai ekspor, maka kebutuhan impor khususnya
terhadap bahan baku dan penolong semakin besar. Sama halnya dengan
model ekspor, variabel nilai tukar juga memiliki pengaruh terhadap impor.
Nilai tukar Rupiah terhadap US Dollar yang mengalami peningkatan
(apresiasi), mendorong produsen maupun konsumen domestik untuk
mengimpor barang lebih banyak. Terakhir, harga minyak dunia
87 Puska Daglu, BP2KP, Kementerian Perdagangan
berpengaruh terhadap impor Indonesia karena tingginya impor minyak
dalam rangka pemenuhan kebutuhan bahan bakar domestik.
Sejalan dengan hasil analisis determinan ekspor, proyeksi ekspor
Indonesia yang dilakukan dengan pedekatan VAR menunjukkan bahwa
pertumbuhan ekspor Indonesia ke depan juga masih dipengaruhi oleh
PDB negara-negara mitra utama. Rata-rata pertumbuhan ekspor
Indonesia pada 2015-2019 sebesar 5,03 persen per tahun akan tecapai
apabila diasumsikan pertumbuhan ekonomi negara-negara mitra dagang
utama tersebut tumbuh dengan kisaran 1,5 persen - 2,0 persen.
Selebihnya pertumbuhan ekspor migas dan non migas pada 2015-2019
diperkirakan akan kondusif dan mengalami peningkatan. Rata-rata
pertumbuhan ekspor non migas selama 2015 hingga 2019 diperkirakan
akan mencapai 5,76 persen per tahun. Sementara rata-rata pertumbuhan
ekspor migas diperkirakan akan mencapai 1,34 persen per tahun.
Sementara itu, dalam proyeksi impor menggunakan pendekatan
VAR juga digunakan variabel yang paling berpengaruh dalam analisis
determinan impor sebelumnya yaitu investasi. Rata-rata pertumbuhan
impor Indonesia untuk periode 2015-2019 diperkirakan mencapai 4,7
persen per tahun apabila diasumsikan investasi yang masuk ke Indonesia
mencapai 5 persen. Impor migas diperkirakan akan tumbuh lebih tinggi
mencapai rata-rata 5,43 persen per tahun sedangkan impor non migas
diperkirakan akan tumbuh rata-rata mencapai 4,54 persen per tahun
dalam kurun 2015-2019. Hal itu menunjukkan bahwa ketergantungan
impor migas masih akan berlanjut dalam lima tahun ke depan.
Lebih lanjut, analisis univariate yang tepat dalam memproyeksi
ekspor berdasarkan kelompok komoditi dan impor berdasarkan kelompok
barang adalah menggunakan pendekatan exponential smoothing holt-
winters baik additive (HWA) maupun multiplicative (HWM). Hasil uji
keakuratan proyeksi root mean square error (RMSE) dan mean absolute
percentage error (MAPE) menunjukkan bahwa pendekatan HWA dan
HWM memberikan tingkat akurasi yang lebih baik ketimbang pendekatan
ARIMA/SARIMA. Analisis HWA dan HWM menunjukkan bahwa baik
88 Puska Daglu, BP2KP, Kementerian Perdagangan
pertumbuhan ekspor maupun impor diproyeksikan tumbuh melambat
dalam kurun waktu 2015-2019. Hal itu disebabkan dalam analisis
univariate cenderung mengikuti trend data ke bawah sehingga wajar
apabila pertumbuhan ekspor berdasarkan komoditi dan impor berdasarkan
kategori barang cenderung semakin rendah.
Hasil analisis HWA dan HWM menunjukkan bahwa rata-rata ekspor
pertanian dalam kurun waktu 2015-2019 hanya tumbuh sebesar 3,56
persen per tahun. Selain itu, ekspor industri tumbuh rata-rata 4,17 persen
per tahun dan ekspor tambang diproyeksikan meningkat cukup tinggi
sebesar 5,59 persen per tahun. Di sisi lain, impor barang konsumsi
diproyeksi tumbuh rata-rata sebesar 5,2 persen per tahun dalam kurun
waktu 2015-2019. Selanjutnya impor bahan baku tumbuh rata-rata 5,15
persen per tahun dan impor barang modal tumbuh rata-rata 5,82 persen
per tahun. Hasil tersebut menunjukkan bahwa laju pertumbuhan impor
lebih tinggi dibandingkan pertumbuhan ekspor. Hal itu tentu menjadi sinyal
darurat apabila skema proyeksi univariate yang berasumsikan bussines as
ussual ini tidak segera ditindak lanjuti oleh pemerintah.
6.2 Saran Ekspor dan impor Indonesia sangat dipengaruhi oleh berbagai
faktor. Terkait dengan ekspor, variabel yang memiliki pengaruh kuat
terhadap tingkat ekspor Indonesia selama ini ditentukan oleh faktor
eksogen yang menandakan bahwa ekspor Indonesia masih bergantung
pada kondisi permintaan dunia, terutama pada mitra dagarng utama. Oleh
karena itu, intensifikasi perdagangan ke negara tujuan ekspor utama perlu
terus ditingkatkan baik melalui kegiatan promosi maupun secara proaktif
menanggulangi isu-isu perdagangan yang berpotensi negatif terhadap
kinerja ekspor Indonesia. Selain itu, ekspor Indonesia ke depan juga harus
didorong oleh perbaikan sisi penawaran, misalnya dengan memperkuat
daya saing produk dan diversifikasi produk serta memperluas pasar
ekspor.
89 Puska Daglu, BP2KP, Kementerian Perdagangan
Dari sisi metode, penyusunan target ekspor dan impor
menggunakan model statistik dapat digunakan sebagai panduan dalam
penyusunan target, namun angka proyeksi yang dihasilkan dari model
tersebut harus disesuaikan dengan beragam skenario seperti business as
usual maupun kebijakan pro-aktif atau ekspansif dengan dukungan
kebijakan dan rencana program kerja pemerintah.
Secara umum, untuk menentukan target suatu indikator perlu
diperhatikan aspek-aspek seperti aspek teknis (model statistik) dan
asumsi yang digunakan, supervisi dari staf/peneliti senior (sense of logic),
serta justifikasi ahli mengenai variabel-variabel yang diperkirakan
berpengaruh signifikan namun tidak dapat dimasukkan dalam model
(wisdom). Selain itu, ada baiknya apabila penyusunan target ekspor
maupun impor dikoordinasikan oleh otoritas khusus yang terdiri dari pihak
pemerintah maupun swasta.
xi Puska Daglu, BP2KP, Kementerian Perdagangan
DAFTAR PUSTAKA
Ali, Ridwan; Alwang, Jeffrey; dan Siegel, Paul B. (1991). Is Export
Diversification The Best Way to Achieve Export Growth and
Stability? A Look at Three African Countries. World Bank Working
Papers No. 729, 1991.
Aydin, M. Faruk; Çiplak, Uğur; dan Yücel, M. Eray. (June 2004). Export
Supply and Import Demand Models for the Turkish Economy.
Research Departement Working Paper No:04/09. The Central Bank
of The Republic of Turkey.
Berthelemy, J.C. dan Chauvin, S. (2000). Structural Changes In Asia And
Growth Prospects After The Crisis. CEPII Working Papers No. 00-
09, 2000.
Bhagwati, Jagdish, V.K Ramaswami, dan T.N Srinivasan. (1969).
Domestic Distortions, Tariffs, and the Theory of Optimum Subsidy:
Some Further Results. Journal of Political Economy Vol 77, No 6
(November-December), pages 1005-1010.
Bhagwati, Jagdish. (1990). Export-Promotion Trade Strategy: Issues and
Evidence," in Export Promotion Strategies: Theory and Evidence
from Developing Countries. England: Harvester Wheat Sheaf.
Chani, Muhammad Irfan; Pervaiz, Zahid; dan Chaudhary, Amatul R..
(2011). Determination of Import Demand in Pakistan: The Role of
Expenditure Components. Theoritical and Applied Economics
Volume XVIII, No. 8(561), pp 93-110.
Enders, W. (2004). Applied Econometric Time Series (Second edition).
Wiley.
xii Puska Daglu, BP2KP, Kementerian Perdagangan
Gujarati, Damodar N. (2004). Basic Econometric (Fourth edition). The
McGraw-Hill Companies.
Kementerian Perdagangan Republik Indonesia. (2011). Penetapan Target
Pertumbuhan Ekspor Non Migas Sebagai Salah Satu Indikator
Kinerja Utama. Jakarta: Kementerian Perdagangan Republik
Indonesia.
Khan,Tanvir. (June 2011). Identifying an Appropriate Forecasting Model
for Forecasting Total Import of Bangladesh. International Journal of
Trade, Economics, and Finance, Vol.2, No.3.
Krueger, Anne O. (1983). Trade and Employment in Developing Countries.
Chicago: University of Chicago Press.
Krugman, Paul R. dan Obstfeld, Maurice. (2003). “International
Economics: Theory and Policy”. Pearson Education Internasional.
Kuncoro, Mudrajad. (2011). Metode Kuantitatif: Teori dan Aplikasi Untuk
Bisnis dan Ekonomi. STIE-YKPN. Yogyakarta.
Lindert, Peter H. dan Kindleberger, Charles P. (1982). International
Economics (International ed). Homewood.
Lipsey, dkk. (1995). Pengantar Mikroekonomi. Jilid 2. Jaka Wasana dan
Kirbrandoko [Penerjemah] Binarupa Aksara, Jakarta.
Nachrowi, Djalal Nachrowi dan Usman, Hardius. (2006). Pendekatan
Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan
Keuangan. Lembaga Penerbit Fakultas Ekonomi Universitas
Indonesia. Jakarta.
Octrianto, Dimas. (2006). Dampak Liberalisasi Perdagangan Cina-ASEAN
dan Faktor-faktor yang Mempengaruhi Ekspor Sayuran Penting
Indonesia ke Malaysia [Skripsi]. Fakultas Pertanian, Institut
Pertanian Bogor, Bogor.
xiii Puska Daglu, BP2KP, Kementerian Perdagangan
Pindyck, Robert S. dan Rubinfeld, Dabiel L. (1998). Econometric Models
and Economic Forecasts (Fourth edition). Irwin/McGraw-Hill.
Rahmaddi, Rudi dan Ichihashi, Masaru. (January 2012). How Do Foreign
and Domestic Demand Affect Exports Performance? An
Econometric Investigation of Indonesia’s Exports. Modern
Economy,2012, 3, 32-42.
Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtut Waktu Terapan
dengan Eviews. Penerbit Andi. Yogyakarta.
Salvatore, D. (1997). Ekonomi Internasional. Haris Munandar
[Penerjemah]. Jakarta (ID): Erlangga.
Samuelson, Paul A. (1983). Economics. Singapore: MC.Graw - Hill
Publishing Company.
Seringhaus, F. H. Rolf, and Rosson, Philip J. (1990). Government export
promotion: A global perspective. Routledge (London and New
York).
Siddique, M.A.B. (1997). Estimation of an Import Demand Function for
Indonesia: 1971-93. International Congress on Modelling and
Simulation 97, Perth, 3, pp. 1361-1366.
Sukirno, S. (2000), Pengantar Teori Makroekonomi, PT. Raja Grafindo
Persada, Jakarta.
Surachman, Hamdani dkk. (2009). Kajian Pengembangan Model Proyeksi
Jangka Pendek Pasar Komoditas Pangan Pokok. Pusat Penelitian
dan Pengembangan Perdagangan Dalam Negeri, Badan Penelitian
dan Pengembangan Perdagangan Kementerian Perdagangan.
Wardhani, Shita Lusi dan Algifari. (2007).Teknik Proyeksi Untuk Bisnis dan
Ekonomi. BPFE. Yogyakarta.
xiv Puska Daglu, BP2KP, Kementerian Perdagangan
Winarno, Wing Wahyu. (2011). Analisis Ekonometrika dan Statistika
dengan Eviews. UPP STIM YKPN. Yogyakarta.
xv Puska Daglu, BP2KP, Kementerian Perdagangan
LAMPIRAN
1. Uji Heteroskedastisitas menggunakan Uji White untuk Ekspor
Heteroskedasticity Test: White F-statistic 1.178285 Prob. F(27,27) 0.3365
Obs*R-squared 29.75078 Prob. Chi-Square(27) 0.3255
Scaled explained SS 28.17606 Prob. Chi-Square(27) 0.4019
2. Uji Autokorelasi menggunakan Uji Durbin Watson untuk Ekspor
Dependent Variable: LOG(XT) Method: Least Squares Date: 27/10/14 Time: 08:53 Sample: 2000Q1 2013Q4 Included observations: 56 Variable Coefficient Std. Error t-Statistic Prob. C -0.201306 2.210501 -0.091068 0.9278 LOG(GDPW_CPT) 0.645158 0.188037 3.431016 0.0012 LOG(MT) 0.469939 0.051633 9.101504 0.0000 LOG(EX) -0.339228 0.099536 -3.408078 0.0013 LOG(OILP) 0.133927 0.055180 2.427102 0.0189 LEND_R 0.028390 0.007998 3.549630 0.0009 R-squared 0.985919 Mean dependent var 10.15371 Adjusted R-squared 0.984511 S.D. dependent var 0.463455 S.E. of regression 0.057679 Akaike info criterion -2.766884 Sum squared resid 0.166344 Schwarz criterion -2.549882 Log likelihood 83.47275 Hannan-Quinn criter. -2.682753 F-statistic 700.1827 Durbin-Watson stat 1.040851 Prob(F-statistic) 0.000000
3. Hasil Estimasi OLS Ekspor Total
Dependent Variable: LOG(XT) Method: Least Squares Date: 27/10/14 Time: 08:54 Sample (adjusted): 2000Q2 2013Q4 Included observations: 55 after adjustments
xvi Puska Daglu, BP2KP, Kementerian Perdagangan
Convergence achieved after 9 iterations Variable Coefficient Std. Error t-Statistic Prob. C -1.534297 2.577867 -0.595181 0.5545 LOG(GDPW_CPT) 0.750198 0.227871 3.292199 0.0019 LOG(MT) 0.414013 0.069892 5.923621 0.0000 LOG(EX) -0.287713 0.141259 -2.036773 0.0472 LOG(OILP) 0.162383 0.066971 2.424681 0.0191 LEND_R 0.029597 0.012317 2.402865 0.0202 AR(1) 0.489694 0.132337 3.700362 0.0006 R-squared 0.989049 Mean dependent var 10.16456 Adjusted R-squared 0.987680 S.D. dependent var 0.460487 S.E. of regression 0.051112 Akaike info criterion -2.991197 Sum squared resid 0.125395 Schwarz criterion -2.735718 Log likelihood 89.25791 Hannan-Quinn criter. -2.892401 F-statistic 722.5301 Durbin-Watson stat 1.749385 Prob(F-statistic) 0.000000 Inverted AR Roots .49
4. Uji Heteroskedastisitas menggunakan Uji White untuk Impor
Heteroskedasticity Test: White F-statistic 0.597139 Prob. F(20,34) 0.8875 Obs*R-squared 14.29720 Prob. Chi-Square(20) 0.8151 Scaled explained SS 10.74049 Prob. Chi-Square(20) 0.9527
5. Uji Autokorelasi menggunakan Uji Durbin Watson untuk Impor
Dependent Variable: LOG(MT)
Method: Least Squares
Date: 27/10/14 Time: 08:58 Sample: 2000Q1 2013Q4 Included observations: 56 Variable Coefficient Std. Error t-Statistic Prob.
xvii Puska Daglu, BP2KP, Kementerian Perdagangan
C -8.739375 1.874194 -4.663004 0.0000 LOG(GDPIND_CPT) 0.232641 0.112952 2.059648 0.0446 LOG(EX) 0.619072 0.169076 3.661510 0.0006 LOG(XT) 1.052541 0.184202 5.714065 0.0000 LOG(OILP) 0.118653 0.094947 1.249677 0.2171 R-squared 0.979975 Mean dependent var 9.815450 Adjusted R-squared 0.978405 S.D. dependent var 0.692621
S.E. of regression 0.101783 Akaike info criterion -1.646898
Sum squared resid 0.528351 Schwarz criterion -1.466063
Log likelihood 51.11315 Hannan-Quinn criter. -1.576789
F-statistic 623.9595 Durbin-Watson stat 0.771786
Prob(F-statistic) 0.000000
6. Hasil Estimasi OLS Model Ekspor Total Dependent Variable: LOG(MT) Method: Least Squares Date: 27/10/14 Time: 12:10 Sample (adjusted): 2000Q2 2013Q4 Included observations: 55 after adjustments Convergence achieved after 26 iterations Variable Coefficient Std. Error t-Statistic Prob. C -5.426821 2.531855 -2.143417 0.0371 LOG(GDPIND_CPT) 0.313581 0.133795 2.343743 0.0232 LOG(XT) 0.771925 0.191380 4.033466 0.0002 LOG(EX) 0.436579 0.248528 1.756657 0.0852 LOG(OILP) 0.269290 0.110250 2.442543 0.0182 AR(1) 0.671618 0.119613 5.614916 0.0000 R-squared 0.987675 Mean dependent var 9.834131 Adjusted R-squared 0.986417 S.D. dependent var 0.684618 S.E. of regression 0.079789 Akaike info criterion -2.116195 Sum squared resid 0.311948 Schwarz criterion -1.897213 Log likelihood 64.19535 Hannan-Quinn criter. -2.031513 F-statistic 785.3245 Durbin-Watson stat 1.759504 Prob(F-statistic) 0.000000 Inverted AR Roots .67
7. Hasil Estimasi VAR Ekspor Migas Vector Error Correction Estimates Date: 10/17/14 Time: 02:37 Sample (adjusted): 2000Q4 2014Q2 Included observations: 55 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
xviii Puska Daglu, BP2KP, Kementerian Perdagangan
EXP_MIG(-1) 1.000000
GDP_W(-1) 3.441680 (2.46875) [ 1.39410]
EX_RATE(-1) 3.507486 (1.85383) [ 1.89202]
INVEST(-1) 0.151511 (0.04647) [ 3.26045]
IMP_NONMIG(-1) -2.852467 (0.62915) [-4.53382]
OIL_P(-1) -270.6684 (144.476) [-1.87345]
POP(-1) -244.4656 (99.4230) [-2.45884]
C 642558.6
Error Correction: D(EXP_MIG) D(GDP_W) D(EX_RATE) D(INVEST) D(IMP_NONMI
G) D(OIL_P) D(POP) CointEq1 0.071067 0.006971 -0.036753 -1.286228 0.038850 0.000846 4.57E-05 (0.02175) (0.00312) (0.01198) (0.44116) (0.04905) (0.00019) (1.6E-05) [ 3.26787] [ 2.23680] [-3.06726] [-2.91557] [ 0.79206] [ 4.51338] [ 2.82452]
D(EXP_MIG(-1)) -0.519254 0.107662 0.006508 0.561175 0.196968 -0.000732 0.000131 (0.19199) (0.02751) (0.10579) (3.89471) (0.43303) (0.00166) (0.00014) [-2.70454] [ 3.91318] [ 0.06152] [ 0.14409] [ 0.45486] [-0.44202] [ 0.91929]
D(EXP_MIG(-2)) -0.218664 0.045695 -0.096667 -1.528170 0.380828 0.003035 3.34E-05 (0.21167) (0.03033) (0.11663) (4.29384) (0.47741) (0.00183) (0.00016) [-1.03305] [ 1.50650] [-0.82886] [-0.35590] [ 0.79770] [ 1.66271] [ 0.21227]
D(GDP_W(-1)) 1.072790 0.412412 0.116162 34.71325 1.069171 0.000917 -0.000842 (1.09887) (0.15747) (0.60546) (22.2913) (2.47844) (0.00948) (0.00082) [ 0.97626] [ 2.61902] [ 0.19186] [ 1.55725] [ 0.43139] [ 0.09673] [-1.03095]
D(GDP_W(-2)) 0.071080 0.337707 -0.452264 -32.60255 1.545125 0.005900 0.000397 (0.95344) (0.13663) (0.52533) (19.3411) (2.15043) (0.00822) (0.00071) [ 0.07455] [ 2.47174] [-0.86091] [-1.68566] [ 0.71852] [ 0.71756] [ 0.56063]
D(EX_RATE(-1)) 0.329913 -0.063020 -0.178707 -6.014993 -0.233582 0.005863 0.000469 (0.26693) (0.03825) (0.14707) (5.41486) (0.60205) (0.00230) (0.00020) [ 1.23595] [-1.64753] [-1.21507] [-1.11083] [-0.38798] [ 2.54679] [ 2.36270]
D(EX_RATE(-2)) 0.162215 -0.021743 -0.116843 -1.615246 0.277062 0.003853 0.000584 (0.30662) (0.04394) (0.16894) (6.21999) (0.69156) (0.00264) (0.00023) [ 0.52904] [-0.49485] [-0.69161] [-0.25969] [ 0.40063] [ 1.45721] [ 2.56262]
xix Puska Daglu, BP2KP, Kementerian Perdagangan
D(INVEST(-1)) -0.009960 0.001781 0.010803 -0.087936 -0.016970 -0.000187 3.64E-06
(0.00921) (0.00132) (0.00507) (0.18674) (0.02076) (7.9E-05) (6.8E-06) [-1.08198] [ 1.35039] [ 2.12981] [-0.47091] [-0.81733] [-2.35489] [ 0.53205]
D(INVEST(-2)) 0.000613 0.002695 -0.001489 -0.703172 0.021494 -6.13E-06 7.87E-06 (0.00935) (0.00134) (0.00515) (0.18965) (0.02109) (8.1E-05) (7.0E-06) [ 0.06561] [ 2.01172] [-0.28906] [-3.70769] [ 1.01933] [-0.07604] [ 1.13280]
D(IMP_NONMIG(-1)) 0.278890 -0.003785 -0.159735 -2.596019 -0.140243 0.005602 6.50E-05 (0.12392) (0.01776) (0.06828) (2.51376) (0.27949) (0.00107) (9.2E-05) [ 2.25061] [-0.21318] [-2.33951] [-1.03273] [-0.50178] [ 5.24170] [ 0.70511]
D(IMP_NONMIG(-2)) 0.158598 -0.017216 -0.026777 3.907959 -0.069255 0.001248 -2.44E-05 (0.10717) (0.01536) (0.05905) (2.17399) (0.24171) (0.00092) (8.0E-05) [ 1.47989] [-1.12101] [-0.45347] [ 1.79759] [-0.28652] [ 1.34996] [-0.30592]
D(OIL_P(-1)) 60.89906 3.402239 -9.562242 -108.8786 127.8861 0.181757 0.003204 (16.1356) (2.31223) (8.89051) (327.322) (36.3930) (0.13915) (0.01200) [ 3.77420] [ 1.47141] [-1.07556] [-0.33263] [ 3.51403] [ 1.30618] [ 0.26707]
D(OIL_P(-2)) -9.157912 -5.823993 24.03253 -876.2356 -40.48452 -0.784781 0.040464 (19.8833) (2.84927) (10.9554) (403.346) (44.8456) (0.17147) (0.01478) [-0.46058] [-2.04403] [ 2.19366] [-2.17242] [-0.90275] [-4.57676] [ 2.73740]
D(POP(-1)) -384.7393 61.37395 247.1013 -1032.245 -295.7590 -6.503002 0.044888 (256.681) (36.7823) (141.428) (5206.95) (578.929) (2.21358) (0.19082) [-1.49890] [ 1.66857] [ 1.74719] [-0.19824] [-0.51087] [-2.93777] [ 0.23523]
D(POP(-2)) -447.1125 -109.6250 319.9668 3832.691 -90.04129 -6.430774 -0.129220 (346.025) (49.5853) (190.655) (7019.34) (780.438) (2.98407) (0.25724) [-1.29214] [-2.21084] [ 1.67825] [ 0.54602] [-0.11537] [-2.15503] [-0.50232]
C 5337.016 383.3042 -3802.233 2480.137 2233.682 88.15808 7.418006 (2953.74) (423.270) (1627.47) (59918.6) (6661.98) (25.4727) (2.19589) [ 1.80687] [ 0.90558] [-2.33629] [ 0.04139] [ 0.33529] [ 3.46089] [ 3.37813] R-squared 0.523854 0.847912 0.482394 0.517569 0.552297 0.687614 0.586518
Adj. R-squared 0.340721 0.789416 0.283315 0.332019 0.380103 0.567465 0.427486 Sum sq. resids 26396885 542054.6 8013710. 1.09E+10 1.34E+08 1963.163 14.58914 S.E. equation 822.7048 117.8933 453.2987 16689.11 1855.561 7.094894 0.611621 F-statistic 2.860508 14.49534 2.423126 2.789372 3.207421 5.723027 3.688056 Log likelihood -437.7808 -330.9258 -404.9982 -603.3260 -482.5147 -176.3535 -41.54758 Akaike AIC 16.50112 12.61548 15.30903 22.52095 18.12781 6.994674 2.092639 Schwarz SC 17.08507 13.19944 15.89298 23.10490 18.71176 7.578626 2.676591 Mean dependent 67.86927 345.3420 54.07855 11614.14 539.1418 1.381273 6.997336 S.D. dependent 1013.233 256.9075 535.4517 20419.77 2356.761 10.78786 0.808331
Determinant resid covariance (dof adj.) 5.96E+30
Determinant resid covariance 5.37E+29 Log likelihood -2428.849 Akaike information criterion 92.64904 Schwarz criterion 96.99218
8. Hasil Estimasi VAR Ekspor Non Migas Vector Autoregression Estimates Date: 10/17/14 Time: 01:59 Sample (adjusted): 2000Q3 2014Q2
xx Puska Daglu, BP2KP, Kementerian Perdagangan
Included observations: 56 after adjustments Standard errors in ( ) & t-statistics in [ ]
EXP_NONMIG EX_RATE INVEST IMP_NONMIG OIL_P POP EXP_NONMIG(-1) 0.479125 -0.053353 -4.601574 -0.069370 -0.001258 0.000102 (0.18560) (0.05385) (2.23674) (0.20478) (0.00085) (7.6E-05) [ 2.58146] [-0.99074] [-2.05727] [-0.33875] [-1.47333] [ 1.33553]
EXP_NONMIG(-2) 0.440326 -0.058577 2.995311 0.185583 0.001832 -0.000172 (0.19913) (0.05778) (2.39972) (0.21970) (0.00092) (8.2E-05) [ 2.21129] [-1.01387] [ 1.24819] [ 0.84471] [ 1.99971] [-2.10242]
EX_RATE(-1) 0.029433 0.549755 -10.85376 -0.411571 0.007646 0.000494 (0.53973) (0.15660) (6.50444) (0.59550) (0.00248) (0.00022) [ 0.05453] [ 3.51053] [-1.66867] [-0.69114] [ 3.07857] [ 2.22196]
EX_RATE(-2) -0.081566 0.043522 10.72641 0.351640 -0.001456 -0.000452 (0.56675) (0.16444) (6.82999) (0.62530) (0.00261) (0.00023) [-0.14392] [ 0.26467] [ 1.57049] [ 0.56235] [-0.55816] [-1.93941]
INVEST(-1) 0.025315 0.007711 0.797684 0.000694 -3.99E-05 1.13E-05 (0.01695) (0.00492) (0.20424) (0.01870) (7.8E-05) (7.0E-06) [ 1.49373] [ 1.56816] [ 3.90560] [ 0.03712] [-0.51161] [ 1.62648]
INVEST(-2) -0.024707 -0.004147 -0.122332 0.008728 -5.98E-05 3.46E-06 (0.01583) (0.00459) (0.19074) (0.01746) (7.3E-05) (6.5E-06) [-1.56103] [-0.90310] [-0.64137] [ 0.49985] [-0.82115] [ 0.53145]
IMP_NONMIG(-1) -0.104164 -0.037662 2.174298 0.433018 0.001775 -0.000138 (0.15494) (0.04496) (1.86727) (0.17095) (0.00071) (6.4E-05) [-0.67227] [-0.83774] [ 1.16442] [ 2.53296] [ 2.48882] [-2.15774]
IMP_NONMIG(-2) -0.083937 0.049503 1.687185 0.035257 -0.002621 -6.46E-05 (0.16443) (0.04771) (1.98161) (0.18142) (0.00076) (6.8E-05) [-0.51046] [ 1.03760] [ 0.85142] [ 0.19434] [-3.46373] [-0.95474]
OIL_P(-1) 87.75186 1.817670 133.5418 120.4055 0.726580 0.009981 (30.8786) (8.95932) (372.125) (34.0689) (0.14210) (0.01271) [ 2.84183] [ 0.20288] [ 0.35886] [ 3.53418] [ 5.11320] [ 0.78521]
OIL_P(-2) -137.8500 27.68841 -408.4643 -107.9506 -0.527946 0.024373 (32.4947) (9.42824) (391.602) (35.8520) (0.14954) (0.01338) [-4.24223] [ 2.93675] [-1.04306] [-3.01101] [-3.53055] [ 1.82197]
POP(-1) -116.9777 210.7645 234.2665 -76.43984 -3.821968 1.080749 (412.551) (119.700) (4971.75) (455.175) (1.89850) (0.16983) [-0.28355] [ 1.76077] [ 0.04712] [-0.16794] [-2.01315] [ 6.36354]
POP(-2) 109.4069 -215.0860 -276.8157 30.31641 3.531363 -0.104900 (399.609) (115.945) (4815.78) (440.895) (1.83894) (0.16451) [ 0.27379] [-1.85507] [-0.05748] [ 0.06876] [ 1.92032] [-0.63766]
C 12361.70 14869.74 -30374.90 114530.9 618.6278 73.79673 (73453.1) (21312.2) (885200.) (81042.1) (338.021) (30.2383) [ 0.16829] [ 0.69771] [-0.03431] [ 1.41323] [ 1.83015] [ 2.44050]
GDP_W 0.772678 0.005037 9.861436 1.190807 0.012231 0.000171 (0.84706) (0.24577) (10.2081) (0.93457) (0.00390) (0.00035)
xxi Puska Daglu, BP2KP, Kementerian Perdagangan
[ 0.91219] [ 0.02050] [ 0.96604] [ 1.27417] [ 3.13777] [ 0.49095] R-squared 0.984794 0.801933 0.995421 0.985097 0.963388 0.999976
Adj. R-squared 0.980087 0.740626 0.994004 0.980484 0.952056 0.999969 Sum sq. resids 95813751 8066092. 1.39E+10 1.17E+08 2029.057 16.23768 S.E. equation 1510.391 438.2349 18202.07 1666.440 6.950603 0.621781 F-statistic 209.2308 13.08070 702.3443 213.5503 85.01342 136731.2 Log likelihood -481.3324 -412.0397 -620.7257 -486.8384 -179.9798 -44.79607 Akaike AIC 17.69044 15.21571 22.66878 17.88709 6.927852 2.099860 Schwarz SC 18.19678 15.72204 23.17511 18.39342 7.434190 2.606198 Mean dependent 23709.37 9520.086 334022.8 18694.63 65.95911 3080.672 S.D. dependent 10703.35 860.4861 235062.2 11928.64 31.74358 111.7806
Determinant resid covariance (dof adj.) 2.40E+27
Determinant resid covariance 4.27E+26 Log likelihood -2193.679 Akaike information criterion 81.34568 Schwarz criterion 84.38371
9. Hasil Estimasi VAR Impor Migas Vector Error Correction Estimates Date: 04/22/14 Time: 11:24 Sample (adjusted): 2004Q4 2013Q4 Included observations: 37 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1 IMPMIG(-1) 1.000000
GDP(-1) 1236.745 (499.872) [ 2.47412]
I(-1) -3946.557 (1645.59) [-2.39827]
OILP(-1) -735784.3 (271335.) [-2.71172]
C -1.15E+08 Error Correction: D(IMPMIG) D(GDP) D(I) D(OILP) CointEq1 0.014872 -0.000189 1.83E-05 2.18E-07 (0.01285) (7.8E-05) (3.4E-05) (1.3E-07) [ 1.15704] [-2.42911] [ 0.53379] [ 1.70635]
D(IMPMIG(-1)) -0.737590 0.002074 -0.000458 -1.15E-06 (0.32119) (0.00194) (0.00086) (3.2E-06) [-2.29641] [ 1.06676] [-0.53552] [-0.35944]
D(IMPMIG(-2)) -0.422313 0.000931 0.000537 9.92E-08 (0.34669) (0.00210) (0.00092) (3.5E-06) [-1.21813] [ 0.44374] [ 0.58168] [ 0.02875]
xxii Puska Daglu, BP2KP, Kementerian Perdagangan
D(GDP(-1)) -34.68397 -0.489218 0.297692 -0.000753 (25.8397) (0.15643) (0.06885) (0.00026) [-1.34227] [-3.12731] [ 4.32364] [-2.92537]
D(GDP(-2)) -58.99590 -0.127772 0.079623 -0.000759 (34.2425) (0.20730) (0.09124) (0.00034) [-1.72289] [-0.61635] [ 0.87266] [-2.22689]
D(I(-1)) 146.6353 -0.969251 -0.496595 0.002066 (78.6718) (0.47628) (0.20963) (0.00078) [ 1.86389] [-2.03504] [-2.36894] [ 2.63709]
D(I(-2)) 33.13838 -1.891041 -0.304168 0.000223 (48.8009) (0.29544) (0.13003) (0.00049) [ 0.67905] [-6.40072] [-2.33914] [ 0.45872]
D(OILP(-1)) 100531.9 26.71881 85.67742 0.516563 (30524.3) (184.795) (81.3346) (0.30396) [ 3.29351] [ 0.14459] [ 1.05339] [ 1.69947]
D(OILP(-2)) 9693.004 -203.5779 -17.05335 -0.328975 (35343.9) (213.972) (94.1768) (0.35195) [ 0.27425] [-0.95142] [-0.18108] [-0.93473]
C 584729.8 18890.77 1152.326 7.940313 (339212.) (2053.60) (903.859) (3.37781) [ 1.72379] [ 9.19888] [ 1.27490] [ 2.35073] R-squared 0.474214 0.761017 0.732173 0.450489
Adj. R-squared 0.298952 0.681356 0.642897 0.267319 Sum sq. resids 3.38E+13 1.24E+09 2.40E+08 3355.845 S.E. equation 1119578. 6777.950 2983.213 11.14857 F-statistic 2.705746 9.553180 8.201263 2.459403 Log likelihood -562.0248 -373.0646 -342.6997 -135.8902 Akaike AIC 30.92026 20.70620 19.06485 7.885959 Schwarz SC 31.35565 21.14158 19.50023 8.321342 Mean dependent 227815.7 7460.838 2369.324 1.729459 S.D. dependent 1337152. 12007.30 4992.151 13.02452
Determinant resid covariance (dof adj.) 8.88E+27
Determinant resid covariance 2.52E+27 Log likelihood -1377.228 Akaike information criterion 76.82314 Schwarz criterion 78.73882
10. Hasil Estimasi VAR Impor Non Migas Vector Autoregression Estimates Date: 6/22/14 Time: 17:04 Sample (adjusted): 2004Q3 2013Q4 Included observations: 38 after adjustments Standard errors in ( ) & t-statistics in [ ]
IMPNONMIG GDP I IMPNONMIG(-1) 1.015750 0.002289 0.000337 (0.18862) (0.00074) (0.00020) [ 5.38524] [ 3.10469] [ 1.72293]
xxiii Puska Daglu, BP2KP, Kementerian Perdagangan
IMPNONMIG(-2) -0.244025 -0.001519 0.000139 (0.21242) (0.00083) (0.00022) [-1.14877] [-1.82919] [ 0.62851]
GDP(-1) 66.94228 0.739664 0.362744 (38.2740) (0.14958) (0.03975) [ 1.74903] [ 4.94508] [ 9.12593]
GDP(-2) -0.966930 0.673699 -0.097149 (68.9865) (0.26960) (0.07164) [-0.01402] [ 2.49888] [-1.35599]
I(-1) -354.9445 -2.289257 -0.078417 (181.842) (0.71064) (0.18885) [-1.95194] [-3.22139] [-0.41524]
I(-2) 224.9135 0.716508 0.025181 (131.770) (0.51496) (0.13685) [ 1.70686] [ 1.39138] [ 0.18401]
C -13011881 -26625.87 -18190.43 (8386092) (32773.1) (8709.21) [-1.55160] [-0.81243] [-2.08864] R-squared 0.952689 0.989248 0.991943
Adj. R-squared 0.943532 0.987167 0.990384 Sum sq. resids 2.00E+14 3.05E+09 2.15E+08 S.E. equation 2537651. 9917.204 2635.427 F-statistic 104.0403 475.3654 636.1144 Log likelihood -610.4278 -399.7283 -349.3697 Akaike AIC 32.49620 21.40675 18.75630 Schwarz SC 32.79786 21.70841 19.05796 Mean dependent 22782095 548262.6 129779.7 S.D. dependent 10679028 87543.76 26875.09
Determinant resid covariance (dof adj.) 2.25E+27
Determinant resid covariance 1.22E+27 Log likelihood -1346.787 Akaike information criterion 71.98878 Schwarz criterion 72.89376
11. Hasil Exponential Smoothing Holt Winters Multiplicative Seasonal Ekspor Migas
Date: 27/10/14 Time: 14:02 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: EKS_MIGAS Forecast Series: EKS_MISM Parameters: Alpha 0.9400 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 7691983. Root Mean Squared Error 213.9757
xxiv Puska Daglu, BP2KP, Kementerian Perdagangan
12. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Non-Migas
Date: 27/10/14 Time: 14:05 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_NONMIGAS Forecast Series: EKS_NOSM Parameters: Alpha 0.5600 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 57579093 Root Mean Squared Error 585.4338 13. Hasil Exponential Smoothing Holt Winters Multiplicative Seasonal
Ekspor Pertanian Date: 27/10/14 Time: 13:29 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: EKS_AGRI Forecast Series: EKS_AGSM Parameters: Alpha 0.2200 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 262721.4 Root Mean Squared Error 39.54513
14. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Industri
Date: 27/10/14 Time: 14:06 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_INDUSTRI Forecast Series: EKS_INSM Parameters: Alpha 0.5000 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 42937754 Root Mean Squared Error 505.5511
xxv Puska Daglu, BP2KP, Kementerian Perdagangan
15. Hasil Exponential Smoothing Holt Winters Additive Seasonal Ekspor Pertambangan
Date: 27/10/14 Time: 14:07 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: EKS_MINING Forecast Series: EKS_MISM Parameters: Alpha 0.5200 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 6852739. Root Mean Squared Error 201.9656 16. Hasil Exponential Smoothing Holt Winters Additive Seasonal
Impor Migas Date: 27/10/14 Time: 14:08 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_MIGAS Forecast Series: IMP_MISM Parameters: Alpha 0.8000 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 13719635 Root Mean Squared Error 285.7700
17. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Non-Migas
Date: 27/10/14 Time: 14:08 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_NONMIGAS Forecast Series: IMP_NOSM Parameters: Alpha 0.5800 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 86512848 Root Mean Squared Error 717.6053
xxvi Puska Daglu, BP2KP, Kementerian Perdagangan
18. Hasil Exponential Smoothing Holt Winters Additive Seasonal Impor Barang Konsumsi
Date: 27/10/14 Time: 14:09 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_KONSUMSI Forecast Series: IMP_KOSM Parameters: Alpha 0.5000 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 1088915. Root Mean Squared Error 80.50862
19. Hasil Exponential Smoothing Holt Winters Multiplicative Seasonal Impor Barang Bahan Baku
Date: 27/10/14 Time: 14:10 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Multiplicative Seasonal Original Series: IMP_BHNBAKU Forecast Series: IMP_BHSM Parameters: Alpha 0.7300 Beta 0.0000 Gamma 0.0000 Sum of Squared Residuals 76335357 Root Mean Squared Error 674.0750 20. Hasil Exponential Smoothing Holt Winters Additive Seasonal
Impor Barang Modal Date: 27/10/14 Time: 14:10 Sample: 2000M01 2013M12 Included observations: 168 Method: Holt-Winters Additive Seasonal Original Series: IMP_MODAL Forecast Series: IMP_MOSM
Parameters: Alpha 0.4200 Beta 0.0000 Gamma 0.0000
Sum of Squared Residuals 7769621. Root Mean Squared Error 215.0529
xxvii Puska Daglu, BP2KP, Kementerian Perdagangan
21. Hasil Model SARIMA Ekspor Migas
Dependent Variable: D(DLOG(EKS_MIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 12:13 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 8 iterations MA Backcast: 1999M06 2001M01
Variable Coefficient Std. Error t-Statistic Prob. MA(8) -0.244243 0.079261 -3.081486 0.0024
SMA(12) -0.908175 0.023199 -39.14670 0.0000 R-squared 0.553637 Mean dependent var 0.000504
Adjusted R-squared 0.550720 S.D. dependent var 0.156197 S.E. of regression 0.104696 Akaike info criterion -1.662685 Sum squared resid 1.677083 Schwarz criterion -1.623415 Log likelihood 130.8581 Hannan-Quinn criter. -1.646735 Durbin-Watson stat 2.101709
Inverted MA Roots .99 .86+.50i .86-.50i .84 .59+.59i .59-.59i .50+.86i .50-.86i .00+.99i -.00-.99i -.00+.84i -.00-.84i -.50+.86i -.50-.86i -.59-.59i -.59-.59i -.84 -.86+.50i -.86-.50i -.99
22. Hasil Model SARIMA Ekspor Non Migas
Dependent Variable: D(DLOG(EKS_NONMIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 12:45 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 2000M01 2001M01
Variable Coefficient Std. Error t-Statistic Prob. MA(1) -0.378280 0.074663 -5.066482 0.0000
SMA(12) -0.891143 0.022362 -39.85029 0.0000 R-squared 0.470961 Mean dependent var -0.000230
Adjusted R-squared 0.467503 S.D. dependent var 0.098454 S.E. of regression 0.071844 Akaike info criterion -2.415822 Sum squared resid 0.789717 Schwarz criterion -2.376552 Log likelihood 189.2262 Hannan-Quinn criter. -2.399871 Durbin-Watson stat 2.123063
Inverted MA Roots .99 .86+.50i .86-.50i .50-.86i .50+.86i .38 .00-.99i -.00+.99i -.50-.86i -.50+.86i -.86+.50i -.86-.50i -.99
xxviii Puska Daglu, BP2KP, Kementerian Perdagangan
23. Hasil Model SARIMA Ekspor Pertanian
Dependent Variable: D(DLOG(EKS_AGRI,0,12)) Method: Least Squares Date: 07/10/14 Time: 13:21 Sample (adjusted): 2001M03 2013M12 Included observations: 154 after adjustments Convergence achieved after 10 iterations MA Backcast: 2000M01 2001M02
Variable Coefficient Std. Error t-Statistic Prob. AR(1) -0.768051 0.064974 -11.82098 0.0000
MA(2) -0.486011 0.088621 -5.484177 0.0000 SMA(12) -0.913816 0.019075 -47.90617 0.0000
R-squared 0.616274 Mean dependent var -0.000323
Adjusted R-squared 0.611192 S.D. dependent var 0.197768 S.E. of regression 0.123317 Akaike info criterion -1.328823 Sum squared resid 2.296283 Schwarz criterion -1.269661 Log likelihood 105.3193 Hannan-Quinn criter. -1.304791 Durbin-Watson stat 1.917217
Inverted AR Roots -.77
Inverted MA Roots .99 .86-.50i .86+.50i .70 .50-.86i .50+.86i .00+.99i -.00-.99i -.50+.86i -.50-.86i -.70 -.86+.50i -.86-.50i -.99
24. Hasil Model SARIMA Ekspor Industri
Dependent Variable: D(DLOG(EKS_INDUSTRI,0,12)) Method: Least Squares Date: 07/10/14 Time: 14:28 Sample (adjusted): 2001M04 2013M12 Included observations: 153 after adjustments Convergence achieved after 8 iterations MA Backcast: 2000M03 2001M03
Variable Coefficient Std. Error t-Statistic Prob. AR(2) 0.252692 0.088868 2.843455 0.0051
MA(1) -0.527676 0.078180 -6.749501 0.0000 SMA(12) -0.893885 0.022553 -39.63557 0.0000
R-squared 0.521676 Mean dependent var 0.000716
Adjusted R-squared 0.515299 S.D. dependent var 0.112060 S.E. of regression 0.078016 Akaike info criterion -2.244381 Sum squared resid 0.912985 Schwarz criterion -2.184961 Log likelihood 174.6952 Hannan-Quinn criter. -2.220244 Durbin-Watson stat 1.981901
Inverted AR Roots .50 -.50
xxix Puska Daglu, BP2KP, Kementerian Perdagangan
Inverted MA Roots .99 .86-.50i .86+.50i .53 .50-.86i .50+.86i .00+.99i -.00-.99i -.50+.86i -.50-.86i -.86+.50i -.86-.50i -.99
25. Hasil Model SARIMA Ekspor Pertambangan
Dependent Variable: D(DLOG(EKS_MINING,0,12)) Method: Least Squares Date: 07/10/14 Time: 16:48 Sample (adjusted): 2001M08 2013M12 Included observations: 149 after adjustments Convergence achieved after 14 iterations MA Backcast: 2000M02 2001M07
Variable Coefficient Std. Error t-Statistic Prob. AR(6) 0.460831 0.044579 10.33729 0.0000
MA(1) -0.635830 0.047957 -13.25835 0.0000 MA(6) -0.357108 0.046513 -7.677541 0.0000
SMA(12) -0.940561 0.019036 -49.41057 0.0000 R-squared 0.578566 Mean dependent var -0.000866
Adjusted R-squared 0.569847 S.D. dependent var 0.307363 S.E. of regression 0.201587 Akaike info criterion -0.338708 Sum squared resid 5.892438 Schwarz criterion -0.258065 Log likelihood 29.23376 Hannan-Quinn criter. -0.305944 Durbin-Watson stat 1.830751
Inverted AR Roots .88 .44-.76i .44+.76i -.44-.76i -.44+.76i -.88
Inverted MA Roots 1.00 .99 .86-.50i .86+.50i .53-.69i .53+.69i .50+.86i .50-.86i .00+.99i -.00-.99i -.33-.71i -.33+.71i -.50+.86i -.50-.86i -.76 -.86+.50i -.86-.50i -.99
26. Hasil Model SARIMA Impor Migas
Dependent Variable: D(DLOG(IMP_MIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 17:06 Sample (adjusted): 2002M02 2013M12 Included observations: 143 after adjustments Convergence achieved after 8 iterations MA Backcast: 2001M01 2002M01
Variable Coefficient Std. Error t-Statistic Prob. AR(12) -0.156677 0.077229 -2.028731 0.0444
MA(1) -0.244220 0.082470 -2.961320 0.0036 SMA(12) -0.937054 0.017042 -54.98361 0.0000
xxx Puska Daglu, BP2KP, Kementerian Perdagangan
R-squared 0.600991 Mean dependent var -0.002963 Adjusted R-squared 0.595291 S.D. dependent var 0.249262 S.E. of regression 0.158573 Akaike info criterion -0.824451 Sum squared resid 3.520343 Schwarz criterion -0.762293 Log likelihood 61.94825 Hannan-Quinn criter. -0.799193 Durbin-Watson stat 1.995278
Inverted AR Roots .83+.22i .83-.22i .61+.61i .61-.61i .22+.83i .22-.83i -.22-.83i -.22+.83i -.61+.61i -.61-.61i -.83+.22i -.83-.22i
Inverted MA Roots .99 .86+.50i .86-.50i .50+.86i .50-.86i .24 .00+.99i -.00-.99i -.50+.86i -.50-.86i -.86-.50i -.86+.50i -.99
27. Hasil Model SARIMA Impor Non Migas
Dependent Variable: D(DLOG(IMP_NONMIGAS,0,12)) Method: Least Squares Date: 07/10/14 Time: 17:39 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 9 iterations MA Backcast: 1999M12 2001M01
Variable Coefficient Std. Error t-Statistic Prob. MA(1) -0.419176 0.080007 -5.239229 0.0000
MA(2) 0.185513 0.080244 2.311877 0.0221 SMA(12) -0.900902 0.022443 -40.14252 0.0000
R-squared 0.453109 Mean dependent var -0.003201
Adjusted R-squared 0.445913 S.D. dependent var 0.150055 S.E. of regression 0.111696 Akaike info criterion -1.526900 Sum squared resid 1.896365 Schwarz criterion -1.467995 Log likelihood 121.3347 Hannan-Quinn criter. -1.502974 Durbin-Watson stat 1.994920
Inverted MA Roots .99 .86+.50i .86-.50i .50+.86i .50-.86i .21+.38i .21-.38i -.00-.99i -.00+.99i -.50-.86i -.50+.86i -.86+.50i -.86-.50i -.99
28. Hasil Model SARIMA Impor Konsumsi Dependent Variable: D(DLOG(IMP_KONSUMSI,0,12)) Method: Least Squares Date: 07/10/14 Time: 18:07 Sample (adjusted): 2001M03 2013M12 Included observations: 154 after adjustments Convergence achieved after 8 iterations MA Backcast: 2000M03 2001M02
Variable Coefficient Std. Error t-Statistic Prob.
xxxi Puska Daglu, BP2KP, Kementerian Perdagangan
AR(1) -0.356099 0.073022 -4.876615 0.0000
MA(12) -0.907929 0.017419 -52.12424 0.0000 R-squared 0.505049 Mean dependent var -0.000664
Adjusted R-squared 0.501792 S.D. dependent var 0.192781 S.E. of regression 0.136072 Akaike info criterion -1.138358 Sum squared resid 2.814384 Schwarz criterion -1.098917 Log likelihood 89.65358 Hannan-Quinn criter. -1.122337 Durbin-Watson stat 2.024267
Inverted AR Roots -.36
Inverted MA Roots .99 .86+.50i .86-.50i .50+.86i .50-.86i .00+.99i -.00-.99i -.50+.86i -.50-.86i -.86-.50i -.86+.50i -.99
29. Hasil Model SARIMA Impor Bahan Baku Dependent Variable: D(DLOG(IMP_BHNBAKU,0,12)) Method: Least Squares Date: 07/10/14 Time: 20:13 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 10 iterations MA Backcast: 1999M12 2001M01
Variable Coefficient Std. Error t-Statistic Prob. MA(1) -0.295496 0.079290 -3.726784 0.0003
MA(2) 0.170663 0.078944 2.161832 0.0322 SMA(12) -0.920887 0.018176 -50.66596 0.0000
R-squared 0.501296 Mean dependent var -0.001007
Adjusted R-squared 0.494734 S.D. dependent var 0.152419 S.E. of regression 0.108342 Akaike info criterion -1.587879 Sum squared resid 1.784181 Schwarz criterion -1.528974 Log likelihood 126.0606 Hannan-Quinn criter. -1.563953 Durbin-Watson stat 1.965992
Inverted MA Roots .99 .86-.50i .86+.50i .50-.86i .50+.86i .15+.39i .15-.39i .00+.99i -.00-.99i -.50+.86i -.50-.86i -.86+.50i -.86-.50i -.99
30. Hasil Model SARIMA Impor Modal Dependent Variable: D(DLOG(IMP_MODAL,0,12)) Method: Least Squares Date: 07/10/14 Time: 20:30 Sample (adjusted): 2001M02 2013M12 Included observations: 155 after adjustments Convergence achieved after 10 iterations MA Backcast: 2000M01 2001M01
Variable Coefficient Std. Error t-Statistic Prob.
xxxii Puska Daglu, BP2KP, Kementerian Perdagangan
MA(1) -0.558773 0.067462 -8.282815 0.0000 SMA(12) -0.914365 0.021757 -42.02657 0.0000
R-squared 0.581646 Mean dependent var -0.002246
Adjusted R-squared 0.578911 S.D. dependent var 0.249712 S.E. of regression 0.162042 Akaike info criterion -0.789108 Sum squared resid 4.017395 Schwarz criterion -0.749838 Log likelihood 63.15586 Hannan-Quinn criter. -0.773157 Durbin-Watson stat 1.941969
Inverted MA Roots .99 .86+.50i .86-.50i .56 .50+.86i .50-.86i .00+.99i -.00-.99i -.50+.86i -.50-.86i -.86+.50i -.86-.50i -.99