Pengaruh DMO terhadap Ekspor CPO Indonesia

Metode Penelitian Politeknik APP Jakarta

Author

Adriansyah Prasetyo

Published

January 20, 2023

1 Pendahuluan

1.1 Latar belakang

CPO merupakan salah satu komoditas ekspor unggulan Indonesia, hal ini dibuktikan dengan Indonesia menjadi negara pengekspor CPO No. 1 di Dunia. Hal demikian sangat berarti untuk pertumbuhan ekonomi nasional, karena keterkaitannya dengan penerimaan negara, ekspor CPO serta seluruh neraca pembayarannya.

Perkembangan data ekspor CPO cenderung stabil sebagai dampak adanya kegiatan ekspor minyak sawit dan turunannya yang mengikuti skema kontrak jangka panjang.

Baru-baru ini pemerintah menerapkan pembatasan ekspor produk CPO beserta turunannya dikarenakan terjadinya kelangkaan minyak goreng di Indonesia. Awal mula hal ini terjadi adalah karena tingginya pemermintaan pasar luar negeri pada tahun 2020 yang juga menyebabkan tingginya harga jual ekspor CPO dan turunannya.

1.2 Ruang lingkup

Berdasarkan data ekspor gas dari tahun 2017 hingga 2021 dari Badan Pusat Statistik kita dapat melihat bahwa partner dagang utama dari Indonesia untuk komoditas CPO adalah India, Cina, dan Pakistan. India merupakan negara utama pengimpor CPO karena komoditas ini digunakan untuk industri yang dimiliki negara tersebut. Ekspor CPO Indonesia ke India paling tinggi di antara negara lainnya. India, Cina, dan Pakistan memiliki jumlah permintaan yang terbilang konstan setiap tahun dan secara rata – rata terus meningkat dibanding dengan negara – negara lain. Dapat disimpulkan bahwa partner dagang Indonesia adalah ketiga negara tersebut yakni India, Cina, dan Pakistan. Dalam kegiatan perdagangan mengenal teori gravity model, dimana teori tersebut diambil dan dimodifikasi dari teori gravitasi Newton. Model gravitasi merupakan suatu model untuk mengukur arus perdagangan antar daerah atau negara secara makro. Model gravitasi memuat GDP sebagai faktor penarik perdagangan dan jarak dalam gravity model merupakan proksi dari biaya transportasi, dimana dapat dilihat bahwa jarak dari ke 3 partner dagang utama meskipun berdekatan namun memiliki jarak masing – masing dan yang memiliki jarak terjauh adalah Pakistan.

1.3 Rumusan masalah

  1. Seberapa berpengaruh DMO terhadap ekspor CPO di Indonesia.
  2. Pengaruh GDP perkapita Indonesia terhadap Ekspor CPO.
  3. Pengaruh GDP Perkapita Negara Importir terhadap Ekspor CPO.
  4. Pengaruh Populasi Negara Tujuan terhadap Total Ekspor CPO
  5. Pengaruh Nilai Tukar Riil terhadap Total Ekspor CPO.
  6. Pengaruh Jarak Negara Pengekspor dengan Negara Tujuan terhadap Total Ekspor CPO.

1.4 Tujuan dan manfaat penelitian

Penelitian ini bertujuan untuk mengetahui pengaruh GDP perkapita Indonesia, GDP perkapita negara tujuan, nilai tukar riil, populasi negara tujuan, jarak antara indonesia dengan negara tujuan, dan variabel dummy Domestic Market Obligation (DMO) terhadap ekspor LNG Indonesia dengan menggunakan gravity model. Penelitian ini menggunakan model analisis regresi data panel dengan periode penelitian tahun 2017-2021. Hasil dari penelitian menunjukkan bahwa variabel GDP perkapita Indonesia memiliki pengaruh yang negatif tidak signifikan terhadap ekspor CPO Indonesia. GDP perkapita negara tujuan, populasi negara tujuan, nilai tukar riil, dan jarak memiliki pengaruh tidak signifikan terhadap ekspor LNG Indonesia. Sedangkan dummyDMO memiliki pengaruh positif signifikan terhadap ekspor CPO Indonesia.

1.5 Package

Ini tidak wajib ada di packages yang digunakan antara lain sebagai berikut:

library(tidyverse)
── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
✔ ggplot2 3.4.0      ✔ purrr   1.0.1 
✔ tibble  3.1.8      ✔ dplyr   1.0.10
✔ tidyr   1.2.1      ✔ stringr 1.5.0 
✔ readr   2.1.3      ✔ forcats 0.5.2 
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
library(readxl)
library(dplyr)
library("plm")

Attaching package: 'plm'

The following objects are masked from 'package:dplyr':

    between, lag, lead
library(performance)
library(normtest)
library(nortest)
library(pcse)
library(kableExtra)

Attaching package: 'kableExtra'

The following object is masked from 'package:dplyr':

    group_rows

2 Studi pustaka

Dummy DMO dalam uji data panel berpengaruh positif terhadap ekspor merupakan gambaran pengaruh implimentasi kebijakan pemerintah pada perdagangan di sektor LNG Indonesia dengan partner dagang utama. Seperti yang telah diteliti Juanda (2012)

GDP perkapita negara Indonesia mempunyai pengaruh negatif terhadap nilai ekspor sektor CPO dengan partner dagang utama. Hal ini sesuai dengan penelitian Sarwoko (2009).

GDP perkapita negara pengimpor memiliki pengaruh terhadap total ekspor sektor CPO di Indonesia dengan partner dagang utama sesuai dengan penelitian yang pernah dilakukan oleh Wardani dan Mulatsih (2017)

Meningkatnya jumlah penduduk di negara tujuan ekspor, akan menggeser kurva permintaan ke kanan, sehingga terjadi keseimbangan pada harga yang lebih tinggi dan jumlah permintaan akan CPO akan semakin meningkat pula. (Wardani dan Mulatsih, 2017).

terapresiasinya nilai tukar menyebabkan harga barang – barang domestik (dinegara tujuan) cenderung relatif lebih mahal dibandingkan harga barang impor, sehingga permintaan barang impor meningkat yang dimana dalam penelitian ini adalah CPO (Handayani, 2008).

Di dalam penelitian Kabir et al., (2017) menyatakan bahwa tidak semua negara akan memperhatikan jarak jika negara (Pengimpor) membutuhkan komoditi yang bersangkutan.

Secara singkat jarak sudah tidak relevan dalam perdagangan internasional, hal ini diperkuat oleh penelitian Barnes (2014) bahwa hanya hasil dari CPO dimana jarak tidak signifikan.

3 Metode penelitian

3.1 Data

lfob lgdppi lgdppm lntr ljarak lpopi dmo
3,69030242484 0,29170801362 0,584305141 2,2416587763 6,65176244738 9,13161866435 0
3,55163294868 0,29543135043 0,591307183 2,2622997238 6,65176244738 9,13640344813 0
3,35256838618 0,31127106891 0,618149008 2,2448249969 6,65176244738 9,14082218011 0
3,47527883888 0,33158948742 0,590359193 2,2087884735 6,65176244738 9,14488541829 0
3,52346031032 0,40305410595 0,636685299 2,1926141026 6,65176244738 9,14860265481 1
3,42354076627 0,79959725386 0,584305141 3,1689572433 6,62304243425 9,14488541829 0
3,42120893414 0,84879680885 0,591307183 3,4145768761 6,62304243425 9,14705767103 0
3,47996379898 1,00612555263 0,618149008 3,3942410841 6,62304243425 9,14860265481 0
3,45750342657 1,01749478204 0,590359193 3,4053708180 6,62304243425 9,14952701375 0
3,68357831842 1,09887403889 0,636685299 3,4287314963 6,62304243425 9,14983469672 1
3,16870368025 1,19412311012 0,584305141 2,0477137868 6,76693309384 8,33525725643 0
3,16007818102 0,20974191675 0,591307183 2,0261410328 6,76693309384 8,34183005692 0
3,06785166051 0,24217588396 0,618149008 1,9160641149 6,76693309384 8,34888872307 0
3,22203979716 0,26174440634 0,590359193 1,8282656990 6,76693309384 8,35640832704 0
3,44627303075 0,31560933966 0,636685299 1,7903857068 6,76693309384 8,36436335462 1

penelitian ini menggunakan data panel yang kemudian di proses menggunakan metode gravity model untuk melihat hubungan antara total ekspor (FOB = USD), terhadap variabel-variabel lainnya.

#impor dataset
dat<-read_excel('datasawit2.xlsx')
dat%>%kbl()%>%kable_styling()
negara tahun fob gdppi gdppm ntr jarak popi dmo lfob lgdppi lgdppm lntr ljarak lpopi
India 2017 4901.2 1.957528 3.839769 174.44510 4485000 1.354e+09 0 3.690302 0.2917080 0.5843051 2.241659 6.651762 9.131619
India 2018 3561.5 1.974383 3.902179 182.93623 4485000 1.369e+09 0 3.551633 0.2954314 0.5913072 2.262300 6.651762 9.136403
India 2019 2252.0 2.047722 4.150964 175.72154 4485000 1.383e+09 0 3.352568 0.3112711 0.6181490 2.244825 6.651762 9.140822
India 2020 2987.3 2.145801 3.893670 161.72921 4485000 1.396e+09 0 3.475279 0.3315895 0.5903592 2.208788 6.651762 9.144885
India 2021 3337.8 2.529613 4.331969 155.81674 4485000 1.408e+09 1 3.523460 0.4030541 0.6366853 2.192614 6.651762 9.148603
Tiongkok 2017 2651.8 6.303725 3.839769 1475.56126 4198000 1.396e+09 0 3.423541 0.7995973 0.5843051 3.168957 6.623042 9.144885
Tiongkok 2018 2637.6 7.059872 3.902179 2597.62752 4198000 1.403e+09 0 3.421209 0.8487968 0.5913072 3.414577 6.623042 9.147058
Tiongkok 2019 3019.7 10.142046 4.150964 2478.79770 4198000 1.408e+09 0 3.479964 1.0061256 0.6181490 3.394241 6.623042 9.148603
Tiongkok 2020 2867.5 10.411056 3.893670 2543.14322 4198000 1.411e+09 0 3.457503 1.0174948 0.5903592 3.405371 6.623042 9.149527
Tiongkok 2021 4825.9 12.556657 4.331969 2683.68474 4198000 1.412e+09 1 3.683578 1.0988740 0.6366853 3.428732 6.623042 9.149835
Pakistan 2017 1474.7 15.635908 3.839769 111.61274 5847000 2.164e+08 0 3.168704 1.1941231 0.5843051 2.047714 6.766933 8.335257
Pakistan 2018 1445.7 1.620847 3.902179 106.20404 5847000 2.197e+08 0 3.160078 0.2097419 0.5913072 2.026141 6.766933 8.341830
Pakistan 2019 1169.1 1.746529 4.150964 82.42598 5847000 2.233e+08 0 3.067852 0.2421759 0.6181490 1.916064 6.766933 8.348889
Pakistan 2020 1667.4 1.827025 3.893670 67.33885 5847000 2.272e+08 0 3.222040 0.2617444 0.5903592 1.828266 6.766933 8.356408
Pakistan 2021 2794.3 2.068280 4.331969 61.71429 5847000 2.314e+08 1 3.446273 0.3156093 0.6366853 1.790386 6.766933 8.364363
panel <- dat
head(panel) #liat 6 data awal
# A tibble: 6 × 15
  negara   tahun   fob gdppi gdppm   ntr  jarak   popi   dmo  lfob lgdppi lgdppm
  <chr>    <dbl> <dbl> <dbl> <dbl> <dbl>  <dbl>  <dbl> <dbl> <dbl>  <dbl>  <dbl>
1 India     2017 4901.  1.96  3.84  174. 4.49e6 1.35e9     0  3.69  0.292  0.584
2 India     2018 3562.  1.97  3.90  183. 4.49e6 1.37e9     0  3.55  0.295  0.591
3 India     2019 2252   2.05  4.15  176. 4.49e6 1.38e9     0  3.35  0.311  0.618
4 India     2020 2987.  2.15  3.89  162. 4.49e6 1.40e9     0  3.48  0.332  0.590
5 India     2021 3338.  2.53  4.33  156. 4.49e6 1.41e9     1  3.52  0.403  0.637
6 Tiongkok  2017 2652.  6.30  3.84 1476. 4.20e6 1.40e9     0  3.42  0.800  0.584
# … with 3 more variables: lntr <dbl>, ljarak <dbl>, lpopi <dbl>
str(panel)
tibble [15 × 15] (S3: tbl_df/tbl/data.frame)
 $ negara: chr [1:15] "India" "India" "India" "India" ...
 $ tahun : num [1:15] 2017 2018 2019 2020 2021 ...
 $ fob   : num [1:15] 4901 3562 2252 2987 3338 ...
 $ gdppi : num [1:15] 1.96 1.97 2.05 2.15 2.53 ...
 $ gdppm : num [1:15] 3.84 3.9 4.15 3.89 4.33 ...
 $ ntr   : num [1:15] 174 183 176 162 156 ...
 $ jarak : num [1:15] 4485000 4485000 4485000 4485000 4485000 ...
 $ popi  : num [1:15] 1.35e+09 1.37e+09 1.38e+09 1.40e+09 1.41e+09 ...
 $ dmo   : num [1:15] 0 0 0 0 1 0 0 0 0 1 ...
 $ lfob  : num [1:15] 3.69 3.55 3.35 3.48 3.52 ...
 $ lgdppi: num [1:15] 0.292 0.295 0.311 0.332 0.403 ...
 $ lgdppm: num [1:15] 0.584 0.591 0.618 0.59 0.637 ...
 $ lntr  : num [1:15] 2.24 2.26 2.24 2.21 2.19 ...
 $ ljarak: num [1:15] 6.65 6.65 6.65 6.65 6.65 ...
 $ lpopi : num [1:15] 9.13 9.14 9.14 9.14 9.15 ...

3.2 Metode analisis

Metode yang dipilih adalah regresi data panel dengan 7 variabel independen. Penelitian ini merbaksud mencari hubungan antara fob terhadap gdp perkapita indonesia, gdp perkapita negara importir, jarak, nilai tukar, dan populasi negara importir, serta pengaruh dmo terhadap total ekspor CPO dari Indonesia. Spesifikasi yang dilakukan adalah:

\[ paneldata<- pdata.frame(panel, index=c("negara", "tahun")) model<- (lfob~lgdppi+lgdppm+ljarak+lntr+lpopi+dmo) summary(model) \]

4 Pembahasan

4.1 Pembahasan masalah

Karena saya menggunakan Data Panel, maka kita harus terlebih dahulu memilih model regresi apa yang akan digunakan. Dalam hal ini saya akan menggunakan uji chow untuk menentukan metode apa yang akan digunakan antara model pooled atau fixed yang itu tergantung hasil dari H0 dan H1 yang akan dimunculkan.

dat<-read_excel('datasawit2.xlsx')
panel <- dat
paneldata<- pdata.frame(panel, index=c("negara", "tahun"))
model<- (lfob~lgdppi+lgdppm+ljarak+lntr+lpopi+dmo)
pooled<-plm(model, paneldata,model = "pooling")
summary(pooled)
Pooling Model

Call:
plm(formula = model, data = paneldata, model = "pooling")

Balanced Panel: n = 3, T = 5, N = 15

Residuals:
     Min.   1st Qu.    Median   3rd Qu.      Max. 
-0.134671 -0.049801 -0.025589  0.048964  0.168029 

Coefficients:
              Estimate Std. Error t-value Pr(>|t|)  
(Intercept) -30.058592 137.609481 -0.2184  0.83256  
lgdppi       -0.047676   0.137812 -0.3459  0.73830  
lgdppm       -3.810159   2.464477 -1.5460  0.16068  
ljarak        4.072274  17.363209  0.2345  0.82046  
lntr          0.102058   0.445215  0.2292  0.82444  
lpopi         0.931323   2.362661  0.3942  0.70374  
dmo           0.329931   0.121563  2.7141  0.02649 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Total Sum of Squares:    0.47572
Residual Sum of Squares: 0.086258
R-Squared:      0.81868
Adj. R-Squared: 0.68269
F-statistic: 6.02009 on 6 and 8 DF, p-value: 0.011865
fixed<-plm(model,paneldata,model="within", effect = "individual" ) #effect bisa time = waktu, two ways = dua-duanya 
summary(fixed)
Oneway (individual) effect Within Model

Call:
plm(formula = model, data = paneldata, effect = "individual", 
    model = "within")

Balanced Panel: n = 3, T = 5, N = 15

Residuals:
     Min.   1st Qu.    Median   3rd Qu.      Max. 
-0.135002 -0.055317 -0.019482  0.044037  0.157538 

Coefficients:
        Estimate Std. Error t-value Pr(>|t|)  
lgdppi -0.063943   0.159990 -0.3997  0.70131  
lgdppm -3.600633   2.748870 -1.3099  0.23159  
lntr    0.080135   0.481547  0.1664  0.87254  
lpopi  -0.830755   7.369652 -0.1127  0.91341  
dmo     0.339459   0.134674  2.5206  0.03978 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Total Sum of Squares:    0.1881
Residual Sum of Squares: 0.085468
R-Squared:      0.54562
Adj. R-Squared: 0.091237
F-statistic: 1.68111 on 5 and 7 DF, p-value: 0.25662
#pemilihan model
#chow test : pooled vs fixed
chow_panel<-phtest(fixed,pooled) #klo signifikan yg menang fixed
chow_panel

    Hausman Test

data:  model
chisq = 0.064664, df = 5, p-value = 0.9999
alternative hypothesis: one model is inconsistent

Berdasarkan hasil Chi-Square yang ditampilkan pada saat uji chow, disini menampilkan hasil yang signifikan. berarti model yang akan kita pilih adalah Fixed Effect

4.2 Analisis masalah

Hasil regresinya adalah

#fixed  effects
fixed<-plm(model,paneldata,model="within", effect = "individual" ) #effect bisa time = waktu, twist = dua-duanya
residfixed<-fixed$residual
plot(dat$lfob,residfixed)

jb.norm.test(residfixed)

    Jarque-Bera test for normality

data:  residfixed
JB = 0.57123, p-value = 0.664
check_autocorrelation(fixed)
OK: Residuals appear to be independent and not autocorrelated (p = 0.726).
check_heteroskedasticity(fixed)
OK: Error variance appears to be homoscedastic (p = 0.167).
pwartest(model, data=paneldata)

    Wooldridge's test for serial correlation in FE panels

data:  plm.model
F = 5.5903, df1 = 1, df2 = 10, p-value = 0.03966
alternative hypothesis: serial correlation
summary(fixed)
Oneway (individual) effect Within Model

Call:
plm(formula = model, data = paneldata, effect = "individual", 
    model = "within")

Balanced Panel: n = 3, T = 5, N = 15

Residuals:
     Min.   1st Qu.    Median   3rd Qu.      Max. 
-0.135002 -0.055317 -0.019482  0.044037  0.157538 

Coefficients:
        Estimate Std. Error t-value Pr(>|t|)  
lgdppi -0.063943   0.159990 -0.3997  0.70131  
lgdppm -3.600633   2.748870 -1.3099  0.23159  
lntr    0.080135   0.481547  0.1664  0.87254  
lpopi  -0.830755   7.369652 -0.1127  0.91341  
dmo     0.339459   0.134674  2.5206  0.03978 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Total Sum of Squares:    0.1881
Residual Sum of Squares: 0.085468
R-Squared:      0.54562
Adj. R-Squared: 0.091237
F-statistic: 1.68111 on 5 and 7 DF, p-value: 0.25662

5 Kesimpulan

Hasil penelitian variabel gdppi berepngaruh negatif tidak signifikan, setiap kenaikan pendapatan perkapita negara importir sebesar 1% maka akan mengakibatkan nilai ekspor rata-rata CPO turun sebesar 0,063%.

Pada variabel gdppm, juga menyatakan pengaruh negatif tidak signifikan. Dimana pada setiap pengkatan pendapatan perkapita penduduk Indonesia sebesar 1%, akan mengurangi nilai ekspor rata-rata sebesar 3,6%.

kemudian pada variabel nilai tukar riil, menyatakan pengaruh posotif tidak signifikan.Dimana pada variabel ini menyatakan bahwa setiap peningkatan 1% NTR baik di negara Indonesia ataupun negara Importir, akan meningkatkan ekspor rata-rata sebesar 0,0801% komoditas CPO.

Pada ariabel popi, menyatakan pengaruh negatif tidak signifikan. Dimana dapat diartikan bahwa setiap kenaikan jumlah penduduk negara importir akan mengurangi jumlah ekspor rata-rata CPO Indonesia sebesar 0,830%

Terakhir pada variabel dummy DMO, menyatakan pengarug posotif signifikan yang dapat diartikan bahwa kebijakan DMO dari pemerinatah dapat meningkatkan jumlah ekspor rata-rata produk CPO sebesar 0,339% Bagian ini berisi jawaban dari permasalahan dan tujuan yang diajukan pada laporan, yang diperoleh dari hasil pembahasan dan usulan perbaikan. Saran merupakan tindak lanjut dari kesimpulan, berupa anjuran atau rekomendasi yang disampaikan secara ringkas dan dapat diimplementasikan

6 Referensi

Achmad, F. 2011. Pengaruh port efficiency dalam perdagangan bilateral Indonesia-Uni Eropa: Pendekatan model gravity. Skripsi. Jogjakarta: Program Sarjana Jurusan Ilmu Ekonomi Universitas Gajah Mada. Amir, M.S. 2004. Strategi memasuki pasar ekspor. Jakarta: PPM Badan Pusat Statistik. 2021. Ekspor Minyak GorengMenurut Negara Tujuan Utama, 2017-2021. https://www.bps.go.id/statictable/ekspor-minyak-goreng-menurut-negara-tujuan- utama-20117-2021.html. Diakses tanggal 12 Januari 20223. Bary, P. 2010. Prospek perdagangan Indonesia, Cina, dan India melalui analisa gravity model. Buletin ilmiah Litbang Perdagangan. Vol. 4 (No.2): 194 – 209 Handayani, N. 2008. Analisis faktor-faktor yang mempengaruhi aliran perdagangan dan strategi pengembangan ekspor kertas Indonesia. Skripsi. Bogor: Program Sarjana Ekstensi Manajemen Bisnis Institut Pertanian Bogor. Iqbal, M. 2015. Regresi Data Panel (2) Tahap Analisis. https://dosen.perbanas.id/regresi-data- panel-2-tahap-analisis/. Diakses tanggal 10 Jan 2023.