PENGARUH FLUKTUASI HARGA KOMODITAS PANGAN TERHADAP INFLASI DI PROVINSI SUMATERA UTARA (Studi Kasus : Kota Medan Dan Kota Pematangsiantar)

TESIS

Oleh

Emma Fadhilah 177039005 / MAG

PROGRAM STUDI MAGISTER AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS SUMATERA UTARA MEDAN 2020

PENGARUH FLUKTUASI HARGA KOMODITAS PANGAN TERHADAP INFLASI DI PROVINSI SUMATERA UTARA (Studi Kasus : Kota Medan Dan Kota Pematangsiantar)

TESIS

Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Magister Pertanian dalam Program Studi Magister Agribisnis pada Fakultas Pertanian Universitas Sumatera Utara

Oleh:

Emma Fadhilah / MAG 177039005

PROGRAM STUDI MAGISTER AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS SUMATERA UTARA MEDAN 2020

Telah diuji dan dinyatakan LULUS di depan Tim Penguji pada Jum,at, 24

Januari 2020

Tim Penguji :

Ketua : Dr. Ir. Rahmanta, M.Si.

Anggota : Sri Fajar Ayu, S.P., M.M., DBA

Ir. Iskandarini, M.M., Ph.D

Dr. Ir. Hasman Hasyim, M.Si.

ABSTRAK

Emma Fadhilah (177039005) dengan judul tesis “Pengaruh Fluktuasi Harga Komoditas Pangan Terhadap Inflasi di Provinsi Sumatera Utara (Studi Kasus : Kota Medan dan Kota Pematangsiantar)”. Inflasi dapat berdampak positif dan berdampak negatif, tergantung tinggi tidaknya inflasi tersebut. Apabila inflasi pada suatu daerah tinggi maka mempunyai pengaruh negatif, yaitu keadaan perekonomian dirasakan lesu. Sebaliknya, apabila inflasi pada suatu daerah rendah maka mempunyai pengaruh positif yang artinya dapat mendorong perekonomian menjadi lebih baik. Basis perhitungan inflasi untuk Provinsi Sumatera Utara dihitung berdasarkan empat kota yaitu Kota Medan, Kota Pematangsiantar, Kota Sibolga, dan Kota Padangsidempuan. Pada penelitian ini menggunakan dua kota basis perhitungan inflasi Provinsi Sumatera Utara, yaitu Kota Medan dan Kota Pematangsiantar. Penelitian ini bertujuan untuk menganalisis : (1) Kontribusi inflasi Kota Medan dan Kota Pematangsiantar sebelumnya, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras serta harga jagung terhadap inflasi Kota Medan dan Kota Pematangsiantar; (2) Kontribusi harga beras sebelumnya, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga beras; (3) Kontribusi harga daging ayam ras sebelumnya, harga beras, harga cabai merah, harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga daging ayam ras; (4) Kontribusi harga cabai merah sebelumnya, harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga cabai merah; (5) Kontribusi harga minyak goreng sebelumnya, harga beras, harga daging ayam ras, harga cabai merah, harga telur ayam ras, harga jagung serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga beras; (6) Kontribusi harga telur ayam ras sebelumnya, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga jagung serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga telur ayam ras; (7) Kontribusi harga jagung sebelumnya, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras serta inflasi Kota Medan dan Kota Pematangsiantar terhadap harga jagung; dan (8) Keterkaitan inflasi antar wilayah Kota Medan dan Kota Pematangsiantar. Metode analisis data yang digunakan adalah Analisis VAR dan Analisis Kausalitas Granger. Hasil menunjukkan bahwa : (1) kontribusi yang paling besar dan positif terhadap inflasi adalah inflasi itu sendiri dan harga cabai merah; (2) kontribusi yang paling besar terhadap harga beras adalah harga beras itu sendiri dan harga minyak goreng; (3) kontribusi yang paling besar terhadap harga daging ayam ras adalah harga daging ayam ras itu sendiri dan inflasi; (4) kontribusi yang paling besar terhadap harga cabai merah adalah harga telur ayam ras dan harga minyak goreng; (5) kontribusi yang paling besar terhadap harga minyak goreng adalah harga minyak goreng itu sendiridan harga telur ayam ras; (6) kontribusi yang paling besar terhadap harga telur ayam ras adalah harga telur ayam ras itu sendiri dan harga daging ayam ras; (7) kontribusi yang paling besar terhadap harga jagung adalah harga jagung itu sendiri dan harga beras; dan (8) pada uji kausalitas Granger dinyatakan bahwa tidak ada keterkaitan antara inflasi Kota Medan dan inflasi Kota Pematangsiantar. Kata kunci : fluktuasi harga pangan, inflasi, VAR, Kausalitas Granger

ABSTRACT

Emma Fadhilah (177039005) with the title of the thesis "The Effect of Food Commodity Price Fluctuations on Inflation in North Sumatra Province (Case Study : Medan City and Pematangsiantar City)". Inflation can have positive and negative impacts. When it comes to a high area, it has a negative influence, which is a condition that is estimated to have sluggish. Asking, lending to a low-level area has a positive effect that can encourage improvement for the better. The calculation basis for the Province of North Sumatra is calculated based on four cities namely Medan City, Pematangsiantar City, Sibolga City, and Padangsidempuan City. In this study, using two cities based on the experimental calculations of North Sumatra Province, namely Medan City and Pematangsiantar City. This study aims to analyze: (1) Contribution of inflation in Medan City and Pematangsiantar City before, the price of rice, the price of broiler chicken meat, the price of red chili, the price of cooking oil, the price of broiler eggs and the price of corn to the inflation of Medan City and Pematangsiantar City; (2) The contribution of the price of rice before, the price of chicken meat, the price of red chili, the price of cooking oil, the price of chicken eggs, the price of corn and the inflation of Medan City and Pematangsiantar City to the price of rice; (3) The contribution of the price of chicken meat before, the price of rice, the price of red chili, the price of cooking oil, the price of chicken eggs, the price of corn and the inflation of Medan City and Pematangsiantar City to the price of broiler chicken meat; (4) The contribution of the previous price of red chili, the price of rice, the price of chicken meat, the price of cooking oil, the price of eggs, the price of corn and the inflation of Medan City and Pematangsiantar City to the price of red chili; (5) The contribution of the price of cooking oil before, the price of rice, the price of broiler chicken meat, the price of red chili, the price of broiler eggs, the price of corn and the inflation of Medan City and Pematangsiantar City to the price of rice; (6) The contribution of the price of chicken eggs before, the price of rice, the price of chicken meat, the price of red chili, the price of cooking oil, the price of corn and the inflation of Medan City and Pematangsiantar City to the price of broiler eggs; (7) The contribution of the previous price of corn, the price of rice, the price of broiler chicken meat, the price of red chili, the price of cooking oil, the price of broiler eggs and the inflation of Medan City and Pematangsiantar City to the price of corn; and (8) Linkages of inflation between the regions of Medan City and Pematangsiantar City. Data analysis methods used are VAR Analysis and Granger Causality Analysis. The results show that : (1) the biggest and most positive contribution to inflation is inflation itself and the price of red chili; (2) the biggest contribution to the price of rice is the price of rice itself and the price of cooking oil; (3) the biggest contribution to the price of chicken meat is the price of chicken itself and inflation; (4) the biggest contribution to the price of red chili is the price of chicken eggs and the price of cooking oil; (5) the biggest contribution to the price of cooking oil is the price of cooking oil itself and the price of eggs; (6) the biggest contribution to the price of broiler eggs is the price of broiler eggs themselves and the price of broiler chicken meat; (7) the biggest contribution to the price of corn is the price of corn itself and the price of rice; and (8) in the Granger causality test it is stated that there is no relationship between inflation in Medan City and Pematangsiantar City inflation. Keywords: fluctuations in food prices, inflation, VAR, Granger Causality

RIWAYAT HIDUP

EMMA FADHILAH, lahir di Kecamatan Stabat, Kabupaten Langkat pada tanggal 06 Juli 1994, anak ketiga dari tiga bersaudara dari pasangan Drs. H.

Mahruddin Andry. M.H dan Hj. Aisyah.

Pendidikan formal yang pernah ditempuh penulis adalah sebagai berikut :

1. Tahun 1999 masuk Sekolah Dasar Negeri 023893 Kota Binjai

2. Tahun 2005 masuk Madrasyah Tsanawiyah Negeri Kota Binjai

3. Tahun 2008 masuk Sekolah Menengah Atas Negeri 3 Kota Binjai

4. Tahun 2011 diterima di Program Studi Agribisnis, Fakultas Pertanian,

Universitas Malikussaleh, Kabupaten Aceh Utara, Provinsi Aceh dan tamat

pada tahun 2015

5. Tahun 2017 melanjutkan pendidikan S2 di Program Studi Magister Agribisnis

Universitas Sumatera Utara, Kota Medan, Provinsi Sumatera Utara

KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tesis ini dengan baik.

Dalam penyelesaian tesis ini penulis ingin mengucapkan terimakasih kepada :

1. Almarhum Abah (Drs. H. Mahruddin Andry, M.H.), Mama (Hj. Aisyah),

Suami (Thariq Farline, S.P.), Kakak (Azizah Mahary S.Pi., M.Si.) dan Abang

(A. Haikal Andry, S.H., M.Kn) tercinta yang telah mendukung secara materil

dan spiritual, memberi do’a serta motivasi sehingga saya dapat menyelesaikan

Tesis dengan baik.

2. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum, selaku Rektor Universitas

Sumatera Utara.

3. Bapak Dr. Ir. Hasanuddin, MS selaku Dekan Fakultas Pertanian Universitas

Sumatera Utara.

4. Bapak Dr. Ir. Rahmanta, M.Si. selaku Ketua Program Studi Magister

Agribisnis Fakultas Pertanian Universitas Sumatera Utara sekaligus Ketua

Komisi Pembimbing yang telah memberikan bimbingan, pengarahan, dan

motivasi dalam menyususn Tesis ini.

5. Ibu Sri Fajar Ayu, S.P., M.P., DBA selaku Sekretaris Program Studi Magister

Agribisnis Fakultas Pertanian Universitas Sumatera Utara sekaligus Anggota

Komisi Pembimbing yang telah memberikan bimbingan, pengarahan, dan

motivasi dalam menyususn Tesis ini.

6. Ibu Ir. Iskandarini, M.M., Ph.D selaku dosen penguji yang telah memberi

banyak saran dan kritik serta motivasi dalam menyusun Tesis ini.

7. Bapak Dr. Ir. Hasman Hasyim, M.Si selaku dosen penguji yang telah memberi

banyak saran dan kritik serta motivasi dalam menyusun Tesis ini.

8. Kepada rekan – rekan Pascasarjana Agribisnis USU 2017, khususnya Tim

PTM-Dikti yang telah membantu dalam proses pembuatan Tesis ini.

9. Seluruh civitas akademik USU, khususnya civitas akademik Pascasarjana

Agribisnis USU, atas segala dedikasinya sehingga penulis lebih mudah dalam

mengurus administrasi terkait dengan persiapan penelitian dan mencari

referensi – referensi terkait dengan penyusunan Tesis.

Akhir kata penulis sangat berharap semoga Tesis ini bermanfaat untuk khalayak dan penulis mohon maaf apabila masih ada kekurangan dalam penulisan

Tesis ini. Besar harapan penulis semoga penelitian ini ada yang melanjutkan dan menulisnya lebih baik lagi.

Medan, Januari 2020

Penulis

DAFTAR ISI

Halaman

ABSTRAK ...... i ABSTRACT ...... ii RIWAYAT HIDUP ...... iii KATA PENGANTAR ...... iv DAFTAR ISI ...... vi DAFTAR TABEL ...... viii DAFTAR GAMBAR ...... x DAFTAR LAMPIRAN ...... xii I. PENDAHULUAN ...... 1 1.1. Latar Belakang ...... 1 1.2. Rumusan Masalah ...... 6 1.3. Tujuan Penelitian ...... 7 1.4. Kegunaan Penelitian ...... 8 II. TINJAUAN PUSTAKA ...... 9 2.1. Fluktuasi ...... 9 2.2. Harga Pangan ...... 10 2.2.1. Harga Beras ...... 12 2.2.2. Harga Cabai Merah ...... 13 2.2.3. Harga Minyak Goreng ...... 13 2.2.4. Harga Daging Ayam Ras ...... 14 2.2.5. Harga Telur Ayam Ras ...... 14 2.2.6. Harga Jagung ...... 15 2.3. Inflasi ...... 15 2.4. Landasan Teori ...... 16 2.4.1. Teori Inflasi ...... 16 2.4.2. Pengelompokan Inflasi Berdasarkan Penyebab Terjadinya Inflasi ...... 22 2.4.3. Pengelompokan Disagregasi Inflasi ...... 24 2.4.4. Pengelompokan Inflasi Berdasarkan COICOP ...... 26 2.4.5. Indikator Inflasi ...... 27 2.4.6. Fluktuasi Harga Komoditas Pangan ...... 28 2.4.7. Keterkaitan Harga Komoditas Pangan Dengan Inflasi ...... 30 2.5. Penelitian Terdahulu ...... 31 2.6. Kerangka Pemikiran ...... 39 2.7. Hipotesis Penelitian ...... 40 III. METODE PENELITIAN ...... 42 3.1. Metode Pemilihan Lokasi ...... 42 3.2. Metode Pengumpulan Data ...... 42

Lanjutan

3.3. Metode Analisis Data ...... 43 3.3.1. VAR (Vector Autoregression) ...... 43 3.3.2. Uji Kausalitas Granger ...... 49 3.4. Definisi dan Batasan Operasional ...... 51 3.4.1. Defenisi ...... 51 3.4.2. Batasan Operasional ...... 52 IV. HASIL DAN PEMBAHASAN ...... 54 4.1. Deskripsi Kota Medan dan Kota Pematangsiantar ...... 54 4.2. Perkembangan Harga Komoditas Pangan di Kota Medan dan Kota Pematangsiantar ...... 54 4.2.1. Perkembangan Harga Beras ...... 56 4.2.2. Perkembangan Harga Daging Ayam Ras ...... 58 4.2.3. Perkembangan Harga Cabai Merah ...... 59 4.2.4. Perkembangan Harga Minyak Goreng ...... 61 4.2.5. Perkembangan Harga Telur Ayam Ras ...... 62 4.2.6. Perkembangan Harga Jagung ...... 63 4.3. Hasil dan Pembahasan ...... 65 4.3.1. Pengaruh Fluktuasi Harga Pangan (Beras, Daging Ayam Ras, Cabai Merah, Minyak Goreng, Telur Ayam Ras dan Jagung) Terhadap Inflasi di Kota Medan dan Kota Pematangsiantar ... 65 4.3.1.1 Uji Stasioneritas Data ...... 66 4.3.1.2. Penentuan Lag Optimal ...... 66 4.3.1.3. Uji Stabilitas Model VAR ...... 67 4.3.1.4. Uji Kointegrasi ...... 69 4.3.1.5. Estimasi Vector Autoregressive (VAR) ...... 70 4.3.1.6. Analisis Impulse Response Fuction (IRF) ...... 76 4.3.1.7. Analisis Forecast Error Variance Decomposition (FEDV) ...... 85 4.3.2. Keterkaitan Inflasi Antara Wilayah Kota Medan dan Kota Pematangsiantar ...... 89

V. KESIMPULAN DAN SARAN ...... 94 5.1. Kesimpulan ...... 94 5.2. Saran ...... 95

DAFTAR PUSTAKA ...... 97 LAMPIRAN ...... 100

DAFTAR TABEL

No Tabel. Judul Halaman

1.1. Persentase Inflasi / Deflasi di Empat Kota Provinsi Sumatera Utara .... 3

s 1.2. Persentase Perubahan IHK di Kota Medan 2013 /d 2017 ...... 4

s 1.3. Persentase Perubahan IHK di Kota Pematangsiantar 2013 /d 2017 ...... 4

3.1. Metode Pengumpulan Data ...... 42

3.2. Matrik Analisis Data ...... 43

4.1. Perkembangan Jumlah Penduduk di Kota Medan dan Kota Pematangsiantar Tahun 2013-2017 ...... 54

4.2. Rata-Rata Perubahan Harga Komoditi Pangan (Beras, Daging Ayam Ras, Cabai Merah, Minyak Goreng, Telur Ayam Ras dan Jagung) di Kota Medan dan Kota Pematangsiantar Tahun 2013-2017 ...... 55

4.3. Hasil Uji Stasioneritas Pada Tingkat Level ...... 66

4.4. Hasil Uji Lag Optimal ...... 67

4.5. Hasil Uji Stabilitas VAR ...... 68

4.6. Hasil Kointegrasi Dengan Metode Johansen Cointegration Test ...... 69

4.7. Estimasi Model VAR ...... 71

4.8. Hasil Signifikan Variabel VAR ...... 76

4.9. Impulse Response Function Inflasi (INF) ...... 77

4.10. Impulse Response Function Harga Beras (HBRS)...... 79

4.11. Impulse Response Function Harga Daging Ayam Ras (HDAR) ...... 80

4.12. Impulse Response Function Harga Cabai Merah (HCAM) ...... 81

4.13. Impulse Response Function Harga Minyak Goreng (HMKG) ...... 82

4.14. Impulse Response Function Harga Telur Ayam Ras (HTAR) ...... 84

4.15. Impulse Response Function Harga Jagung (HJGG) ...... 85

Lanjutan

4.16. Variance Decomposition of INF ...... 86

4.17. Variance Decomposition of HBRS ...... 86

4.18. Variance Decomposition of HDAR ...... 87

4.19. Variance Decomposition of HCAM ...... 87

4.20. Variance Decomposition of HMKG ...... 88

4.21. Variance Decomposition of HTAR ...... 89

4.22. Variance Decomposition of HJGG ...... 89

4.23. Hasil Uji Kausalitas Granger Inflasi Kota Medan dan Kota

Pematangsiantar ...... 91

4.24. Produsen Komoditi Pangan di Provinsi Sumatera Utara ...... 93

DAFTAR GAMBAR

No Gambar. Judul Halaman

2.1. Proses Terjadinya Inflasi ...... 27

2.2. Ilustrasi Perubahan Harga Komoditas Pangan Dari Sisi Penawaran .... 31

2.3. Ilustrasi Perubahan Harga Komoditas Pangan Dari Sisi Permintaan .... 32

2.4. Kerangka Pemikiran ...... 41

3.1. Tahapan Analisis VAR ...... 51

4.1. Perkembangan Harga Beras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 59

4.2. Perkembangan Harga Daging Ayam Ras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 60

4.3. Perkembangan Harga Cabai Merah di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 62

4.4. Perkembangan Harga Minyak Goreng di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 63

4.5. Perkembangan Harga Telur Ayam Ras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 64

4.6. Perkembangan Harga Jagung di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017 ...... 66

4.7. Hasil Pengujian Stabilitas VAR Bentuk Diagram ...... 68

4.8. Response Variabel INF Pada Perubahan Variabel Lain ...... 78

4.9. Response Variabel HBRS Pada Perubahan Variabel Lain ...... 79

4.10. Response Variabel HDAR Pada Perubahan Variabel Lain ...... 80

4.11. Response Variabel HCAM Pada Perubahan Variabel Lain ...... 81

4.12. Response Variabel HMKG Pada Perubahan Variabel Lain ...... 83

4.13. Response Variabel HTAR Pada Perubahan Variabel Lain ...... 84

4.14. Response Variabel HJGG Pada Perubahan Variabel Lain ...... 85

Lanjutan

4.15. Perbandingan perkembangan Inflasi Kota Medan dan Kota Pematangsiantar Periode Januari 2013 – Desember 2017 ...... 90

DAFTAR LAMPIRAN

No Lampiran. Judul Halaman

1. Harga Komoditas Pangan di Kota Medan ...... 100

2. Harga Komoditas Pangan di Kota Pematangsiantar ...... 102

3. Perubahan Harga Beras, Harga Daging Ayam Ras, Harga Cabai Merah, Harga Minyak Goreng, Harga Telur Ayam Ras dan Harga Jagung Pada Periode Januari 2013 – Desember 2017 di Kota Medan dan Kota Pematangsiantar ...... 104

4. Inflasi di Kota Medan dan Kota Pematangsiantar ...... 107

5. Inflasi dan Perubahan Harga Komoditas Pangan di Kota Medan dan Kota Pematangsiantar ...... 109

6. Uji Stasioner Data Pada Tingkat Level ...... 112

7. Hasil Penentuan Lag Optimal ...... 115

8. Uji Stabilitas Model VAR ...... 116

9. Uji Kointegrasi ...... 117

10. Hasil Estimasi VAR ...... 122

11. Hasil Estimasi IRF ...... 124

12. Hasil Estimasi FEDV ...... 133

13. Uji Kausalitas Granger ...... 142

I. PENDAHULUAN

1.1. Latar Belakang

Fenomena-fenomena yang terjadi di Provinsi Sumatera Utara seperti ekonomi, politik, gejolak masyarakat, dan perubahan harga barang / jasa yang cukup besar selama beberapa tahun dapat mengakibatkan perubahan pola konsumsi masyarakat yang signifikan. Salah satu permasalahan yang sangat komplek adalah pada saat pemerintah menaikkan harga Bahan Bakar Minyak

(BBM). Naiknya harga BBM berpengaruh kepada stabilitas harga sejumlah barang, terutama komoditas pangan seperti beras, cabai merah, daging ayam ras, minyak goreng, telur ayam ras dan jagung, sementara daya beli masyarakat relatif menurun drastis (khususnya masyarakat dengan pendapatan rendah).

Salah satu faktor keberhasilan dalam pengendalian laju inflasi adalah pengendalian harga pangan (Prastowo et al., 2008). Pendapatan riil masyarakat menurun disebabkan karena inflasi yang tinggi, sehingga daya beli masyarakat menurun. Ketidakstabilan inflasi membuat pelaku ekonomi ragu dalam pengambilan keputusan (Riyadh et al., 2009).

Stabilitas harga kerap menjadi animo utama selama ini, baik pemerintah, ekonom dan masyarakat umum. Sejauh ini pelaksanaan kebijakan harga pangan hanya terlihat dalam jangka pendek, namun dalam jangka panjang harga komoditi domestik terus naik. Naiknya harga komoditi pangan secara terus - menerus dapat memicu inflasi.

Inflasi sangat berpengaruh terhadap perekonomian suatu daerah. Inflasi dapat berdampak positif dan berdampak negatif, tergantung tinggi tidaknya inflasi tersebut. Apabila inflasi pada suatu daerah tinggi maka mempunyai pengaruh

negatif, yaitu keadaan perekonomian dirasakan lesu. Sebaliknya, apabila inflasi pada suatu daerah rendah maka mempunyai pengaruh positif yang artinya dapat mendorong perekonomian menjadi lebih baik, seperti membuat masyarakat lebih semangat bekerja, menabung dan berinvestasi, serta dapat meningkatkan pendapatan nasional. Inflasi diukur dengan menggunakan Indeks Harga

Konsumen (IHK).

IHK merupakan gambaran dalam kurun waktu tertentu untuk melihat rata- rata perubahan harga suatu barang / jasa yang dikonsumsi masyarakat. Perubahan tersebut merefleksikan tingkat kenaikan (inflasi) atau penurunan (deflasi) dari barang / jasa kebutuhan rumah tangga sehari-hari. Nilai IHK diperoleh menggunakan data harga konsumen yang mencangkup barang / jasa yang dikelompokkan ke dalam tujuh kelompok pengeluaran (berdasarkan the

Classification of Individual Consumption by Purpuse - COICOP), yaitu :

1. Kelompok bahan makanan

2. Kelompok makanan jadi, minuman, rokok, dan tembakau

3. Kelompok perumahan, air, listrik, gas, dan bahan bakar

4. Kelompok sandang

5. Kelompok kesehatan

6. Kelompok pendidikan, rekreasi, dan olahraga

7. Kelompok transport, komunikasi dan jasa keuangan.

Pada penelitian ini pengelompokkan pengeluaran IHK kelompok bahan makanan dan kelompok makanan jadi, minuman, rokok dan tembakau digabung menjadi satu. Hal ini dikarenakan kedua kelompok tersebut merupakan kelompok makanan.

Ada beberapa indikator perhitungan inflasi namun di Indonesia memakai

Indeks Harga Konsumen (IHK) sebagai parameter inflasi. Perhitungan IHK didasarkan atas dasar Survei Biaya Hidup (SHB) rumah tangga yang disurvei oleh

Badan Pusat Statisti (BPS).

Tingkat perubahan IHK yang terjadi dapat mencerminkan daya beli dari uang yang dipakai masyarakat untuk memenuhi kebutuhan sehari-hari. Apabila semakin tinggi inflasi maka semakin rendah daya beli masyarakat. Pada Tabel 1.1 memaparkan persentase perubahan inflasi / deflasi tahun ke tahun di empat kota yang berfluktuatif cenderung menurun.

Tabel 1.1. Persentase Inflasi/Deflasi di Empat Kota Provinsi Sumatera Utara Tahun (%) Kota 2013 2014 2015 2016 2017 Medan 10,09 8,24 3,32 6,60 3,18 Pematangsiantar 12,00 7,94 3,36 4,76 3,10 Sibolga 10,08 8,36 3,34 7,39 3,08 Padangsidempuan 7,82 7,38 1,66 4,28 3,82 Sumber : BPS Provinsi Sumatera Utara

Inflasi/deflasi tahun ke tahun (year on year) adalah hasil perbandingan IHK bulanan berjalan terhadap IHK dengan bulan yang sama tahun sebelumnya.

Secara spasial selama kurun waktu 2013 – 2017, inflasi tahun ke tahun di Kota

Medan, Pematangsiantar, Sibolga dan Padangsidempuan cukup fluktuatif.

Komoditas pangan termasuk kedalam kelompok bahan makanan.

Komoditas pangan menjadi animo yang penting karena kelompok ini berkontributor inflasi yang cukup besar. Kenaikan atau penurunan harga komoditas pangan mempunyai ikatan yang kuat dengan kemampuan daya beli dari uang yang dimiliki masyarakat, terutama masyarakat yang memiliki penghasilan yang pasti.

Berdasarkan barang dan jasa, persentase IHK kelompok bahan makanan di

Kota Medan meningkat dari 2013 sampai 2016, yaitu dari 18,16% meningkat

28,84%, sedangkan pada tahun 2017 persentase perubahan IHK bahan makanan menurun yaitu sebesar 4,84%. Penjelasan ini dipaparkan pada Tabel 1.2.

s Tabel 1.2. Persentase Perubahan IHK di Kota Medan 2013 /d 2017 Tahun (%) No. Kelompok Pengeluaran 2013 2014 2015 2016 2017 1. Bahan Makanan 18,16 13,86 10,59 28,84 4,84 2. Perumahan, Air, Gas & Bahan Bakar 8,43 5,93 4,18 2,64 6,44 3. Sandang 2,71 2,40 3,33 2,66 1,12 4. Kesehatan 1,80 4,94 6,23 4,86 1,61 5. Pendidikan, Rekreasi & Olahraga 8,94 7,20 6,77 4,70 0,41 6. Transpor, Komunikasi & Jasa Keuangan 19,51 15,90 -2,48 -1,89 2,79 Sumber : BPS Provinsi Sumatera Utara, (diolah, 2018)

Sedangkan di Kota Pematangsiantar, berdasarkan barang dan jasa, persentase perubahan IHK bahan makanan menurun dari 2013 ke 2017, yaitu dari

28,62% menurun 3,82%. Penjelasan ini dipaparkan pada Tabel 1.3.

s Tabel 1.3. Persentase Perubahan IHK Pematangsiantar 2013 /d 2017 IHK Tahunan No. Kelompok Pengeluaran 2013 2014 2015 2016 2017 1. Bahan Makanan 28,62 10,72 12,67 16,50 3,82 2. Perumahan, Air, Gas & Bahan Bakar 8,43 5,93 4,18 2,64 6,44 3. Sandang 2,71 2,40 3,33 2,66 1,12 4. Kesehatan 1,80 4,94 6,23 4,86 1,61 5. Pendidikan, Rekreasi & Olahraga 8,94 7,20 6,77 4,70 0,41 6. Transpor, Komunikasi & Jasa Keuangan 19,51 15,90 -2,48 -1,89 2,79 Sumber : BPS Provinsi Sumatera Utara, (diolah, 2019)

Dasar kalkulasi inflasi di Provinsi Sumatera Utara dihitung bersumber dari data empat kota yaitu Kota Medan, Kota Pematangsiantar, Kota Sibolga, dan Kota

Padangsidempuan. Pemilihan empat kota tersebut sebagai sampel kota IHK berdasarkan kepada tingkat pembangunan di bidang perekonomian yang relatif pesat apabila dibandingkan dengan kota - kota lain. Sedangkan kriteria untuk pemilihan pasar sebagai tempat pemantauan data harga konsumen yaitu pasar yang terletak di daerah kota, berbagai komoditas dapat dijumpai, dominan

masyarakat berbelanja di pasar tersebut, waktu keramaian berbelanja panjang, relatif besar serta menjadi patokan atau pembanding baik harga, komoditas, dan kualitas / merk dari pasar lainnya di kota bersangkutan.

Berdasarkan kondisi letak dan kondisi alam, Kota Medan berada di kawasan pantai timur, Kota Pematangsiantar berada di kawasan dataran tinggi, serta Kota

Sibolga dan Kota Padangsidempuan berada di kawasan pantai barat. Pada penelitian ini lokasi penelitian berada di dua kota, yaitu Kota Medan dan Kota

Pematangsiantar. Hal ini dikarenakan Kota Medan adalah center Indonesia bagian barat, kota terbesar ketiga di Indonesia setelah Kota Jakarta dan Kota Surabaya, serta merupakan ibukota Provinsi Sumatera Utara. Sedangkan Kota

Pematangsiantar adalah kota terbesar kedua di Provinsi Sumatera Utara dan yang paling dekat dengan Kota Medan dibandingkan dengan dua kota IHK lainnya, yaitu berjarak 128 km. Jarak tempuh Kota Medan-Kota Pematangsiantar hanya berkisar 3-4 jam. Kota Pematangsiantar merupakan kota yang memiliki potensi seperti karet, sawit, teh dan aneka hasil pertanian lainnya, serta adanya potensi industri seperti pabrik rokok putih filter dan nonfilter dan pabrik tepung tapioka.

Produk - produk yang dihasilkan Kota Pematangsiantar yang akan diekspor harus melalui pelabuhan Belawan.

Sehingga Kota Medan dan Kota Pematangsiantar sangat erat kaitannya.

Oleh karena itu, peneliti tertarik melakukan penelitian tentang pengaruh fluktuasi harga komoditas pangan terhadap inflasi di Kota Medan dan Kota

Pematangsiantar.

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahan penelitian sebagai berikut :

1. Apakah inflasi Kota Medan dan Kota Pematangsiantar sebelumnya, harga

beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga

telur ayam ras serta harga jagung berkontribusi terhadap inflasi Kota Medan

dan Kota Pematangsiantar?

2. Apakah harga beras sebelumnya, harga daging ayam ras, harga cabai merah,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar berkontribusi terhadap harga beras?

3. Apakah harga daging ayam ras sebelumnya, harga beras, harga cabai merah,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar berkontribusi terhadap harga daging ayam

ras?

4. Apakah harga cabai merah sebelumnya, harga beras, harga daging ayam ras,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar berkontribusi terhadap harga cabai merah?

5. Apakah harga minyak goreng sebelumnya, harga beras, harga daging ayam ras,

harga cabai merah, harga telur ayam ras, harga jagung serta inflasi Kota Medan

dan Kota Pematangsiantar berkontribusi terhadap harga beras?

6. Apakah harga telur ayam ras sebelumnya, harga beras, harga daging ayam ras,

harga cabai merah, harga minyak goreng, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar berkontribusi terhadap harga telur ayam ras?

7. Apakah harga jagung sebelumnya, harga beras, harga daging ayam ras, harga

cabai merah, harga minyak goreng, harga telur ayam ras serta inflasi Kota

Medan dan Kota Pematangsiantar berkontribusi terhadap harga jagung?

8. Bagaimana keterkaitan inflasi antar wilayah Kota Medan dan Kota

Pematangsiantar?

1.3. Tujuan Permasalahan

Berdasarkan rumusan masalah di atas maka penelitian ini bertujuan untuk menganalisis :

1. Kontribusi inflasi Kota Medan dan Kota Pematangsiantar sebelumnya, harga

beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga

telur ayam ras serta harga jagung terhadap inflasi Kota Medan dan Kota

Pematangsiantar.

2. Kontribusi harga beras sebelumnya, harga daging ayam ras, harga cabai merah,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar terhadap harga beras.

3. Kontribusi harga daging ayam ras sebelumnya, harga beras, harga cabai merah,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar terhadap harga daging ayam ras.

4. Kontribusi harga cabai merah sebelumnya, harga beras, harga daging ayam ras,

harga minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar terhadap harga cabai merah.

5. Kontribusi harga minyak goreng sebelumnya, harga beras, harga daging ayam

ras, harga cabai merah, harga telur ayam ras, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar terhadap harga beras.

6. Kontribusi harga telur ayam ras sebelumnya, harga beras, harga daging ayam

ras, harga cabai merah, harga minyak goreng, harga jagung serta inflasi Kota

Medan dan Kota Pematangsiantar terhadap harga telur ayam ras.

7. Kontribusi harga jagung sebelumnya, harga beras, harga daging ayam ras,

harga cabai merah, harga minyak goreng, harga telur ayam ras serta inflasi

Kota Medan dan Kota Pematangsiantar terhadap harga jagung.

8. Keterkaitan inflasi antar wilayah Kota Medan dan Kota Pematangsiantar.

1.4. Kegunaan Penelitian

Adapun kegunaan penelitian ini adalah sebagai berikut :

1. Bagi peneliti, penelitian ini berguna untuk menambah pengetahuan yang

berkaitan dengan Pengaruh Fluktuasi Harga Komoditas Pangan Terhadap

Inflasi di Provinsi Sumatera Utara (Kota Medan dan Kota Pematangsiantar dan

mengaplikasikan ilmu – ilmu yang selama ini didapatkan di bangku kuliah

serta sebagai salah satu syarat guna mendapatkan gelar Master di Pascasarjana

Agribisnis USU.

2. Bagi pemerintah, penelitian ini sebagai bahan informasi dan masukkan bagi

pemerintah, baik pemerintah pusat maupun pemerintah Provinsi Sumatera

Utara dan instansi terkait mengenai pengaruh harga komoditas pangan

terutama harga beras, harga daging ayam ras, harga cabai merah, harga minyak

goreng, harga telur ayam ras dan harga jagung, serta keterkaitan inflasi antar

wilayah Kota Medan dan Kota Pematangsiantar.

3. Bagi akademik, penelitian ini dapat memberikan sumber informasi dan

referensi bagi pihak – pihak yang membutuhkan.

II. TINJAUAN PUSTAKA

2.1. Fluktuasi

Wikipedia menjelaskan bahwa fluktuasi adalah ketidaktetapan suatu hal seperti ketidaktetapan harga pangan dan sebagainya yang memaparkan dalam sebuah grafik. Kemudian di dalam Kamus Besar Bahasa Indonesia (KBBI), fluktuasi adalah gejala turun-naiknya harga pangan dan sebagainya. Perubahan harga tersebut dikarenakan pengaruh permintaan dan penawaran.

Terdapat empat faktor yang mempengaruhi terjadinya fluktuasi pasar pada jangka pendek ataupun jangka panjag, yaitu :

A. Pemerintah

Kebijakan fiskal dan moneter dari pemerintah berefek yang signifikan dalam pasar keuangan. Dua kebijakan tersebut dapat mengatur perekonomian dan mengatasi kondisi ekonomi seperti krisis ekonomi atau inflasi yang terlalu tinggi.

B. Spekulasi dan Ekspektasi

Spekulasi dan ekspektasi adalah bagian yang tidak dapat dipisahkan dari sistem keuangan. Eskpektasi adalah langkah dimasa yang akan datang yang masih tergantung dari tindakan saat ini dan membentuk fluktuasi di masa yang akan datang.

C. Transaksi Internasional

Aliran dana yang datang dari luar negeri akan berimbas kepada kekuatan ekonomi sebuah negara dan mata uangnya. Negara yang lebih dominan mengekspor barang akan selalu membawa uang ke dalam negara tersebut. Uang yang masuk tersebut bisa diinvestasikan dan menstimulasi pasar keuangan di dalam negara.

D. Penawaran dan Permintaan

Penawaran dan permintaan barang / produk dapat menciptakan dinamika tarik-dorong pada harga. Harga dan suku bunga akan berubah seiring berjalannya waktu dengan adanya penawaran dan permintaan. Apabila penawaran melemah, maka harga akan naik. Sedangkan apabila penawaran naik melebihi permintaan, maka harga akan turun. Apabila penawaran cenderung stabil, maka harga bisa berfluktuasi naik dan turun seiring dengan perubahan tingkat permintaan.

2.2. Harga Pangan

Menurut BPS, yang termasuk dalam kelompok bahan makanan dikelompokkan menjadi beberapa sub-kelompok yaitu : padi-padian, umbi- umbian dan hasilnya, daging dan hasil-hasilnya, ikan segar, ikan diawetkan, telur, susu dan hasil-hasilnya, sayur-sayuran, kacang-kacangan, buah-buahan, bumbu- bumbuan, lemak dan minyak, serta bahan makanan lainnya.

Penggelompokan pangan menurut Food Agriculture Organization

(FAO) yang dikenal sebagai Desirable Dietary Pattern (PPH = Pola Pangan

Harapan) ada Sembilan macam, yaitu padi-padian, umbi-umbian, sayur dan buah- buahan, bumbu (rempah-rempah), gula, pangan hewani, minyak dan lemak, buah atau biji berminyak, dan kacang-kacangan (Tirtawinata 2006).

Berdasarkan pola makan masyarakat Indonesia, ada tujuh kelompok makanan, yaitu : (Anonimous, 2013)

A. Kelompok makanan yang berasal dari susu. Kelompok makanan ini

mengandung karbohidrat, protein, lemak, mineral terutama kalsium dan fosfor,

serta vitamin A, B1, dan B2. Misalnya susu UHT, susu bubuk, keju, dan

yoghurt.

B. Kelompok makanan yang berasal dari daging. Kelompok makanan ini

mengandung sumber protein hewani. Misalnya ikan, telur, dan daging ternak

(daging ayam ras, daging ayam kampung, dan daging sapi, dll).

C. Kelompok makanan yang dari biji – bijian atau sereal. Kelompok makanan ini

mengandung sumber karbohidrat dan vitamin B. Misalnya padi, jagung,

gandum, tepung tapioka, dan tepung maizena.

D. Kelompok makanan dari minyak. Kelompok makanan ini mengandung zat

lemak dan vitamin A. Misalnya minyak kelapa, minyak kelapa sawit, minyak

kedelai, minyak biji bunga matahari, minyak kapas, kacang tanah dan mentega

yang terbuat dari lemak susu.

E. Kelompok sayur – sayuran. Kelompok makanan ini mengandung zat besi,

vitamin dan mineral lainnya. Misalnya bayam, wortel, brokoli dan kangkung.

F. Kelompok buah – buahan berwarna dan berair. Kelompok makanan ini

mengandung banyak vitamin dan mineral.

G. Kelompok kacang – kacangan. Kelompok makanan ini mengandung protein

nabati, sumber vitamin A dan mineral. Misalnya taoge, tahu, tempe, tauco,

kecap, dan susu kedelai.

Fluktuasi harga pangan di Provinsi Sumatera Utara selama tahun 2013 sampai 2017 kecenderungan meningkat. Komoditas pangan mengalami fluktuasi harga seperti beras, cabai merah, minyak goreng, daging ayam, telur ayam ras.

Selama lima tahun terakhir, komoditas beras mengalami peningkatan harga, sedangkan komoditas cabai merah, minyak goreng, daging ayam, telur ayam ras mengalami fluktuasi harga meningkat.

2.2.1. Harga Beras

Menurut BI, 2013, sejak tahun 1950 beras sudah menjadi makanan pokok utama masyarakat Indonesia yang perannya tidak tergantikan dengan komoditas pangan lainnya. Hal tersebut terlihat dengan semakin meningkatnya konsumsi beras nasional dari 54% pada tahun 1950 menjadi 95% pada tahun 2011. Pada tahun 2011 BPS mengekspos bahwa tingkat konsumsi beras mencapai 139 kg/kapita/tahun. Angka tersebut lebih tinggi dibandingkan dengan Malaysia dan

Thailaind yang hanya berkisar 65-70 kg/kapita/tahun.

Di Indonesia beras memberikan peran sekitar 80% dari sumber karbohidrat utama dalam pola konsumsi masyarakat Indonesia. Pengeluaran konsumsi masyarakat Indonesia beras mempunyai bobot yang paling tinggi. Oleh karena itu, harga beras sangat mempengaruhi inflasi. Melonjaknya harga beras disebabkan tingginya permintaan terhadap beras, akibatnya laju inflasi meningkat (And,

2014). Selain itu yang menyebabkan harga ecer beras di beberapa daerah berbeda- beda adalah perubahan biaya angkut ke daerah-daerah. Faktor utama terjadinya peningatan biaya angkutan adalah kenaikan harga Bahan Bakar Minyak (BI,

2013).

Pada tahun 2012 produksi padi terpusat di Pulau Jawa dengan lahan yang subur dan juga infrastruktur pertanian yang memadai, yaitu mencapai 52,90%.

Sedangkan di Provinsi Sumatera Utara hanya 5,38%. (BI, 2013).

2.2.2. Harga Cabai Merah

Yura A Djanalis, Kepala Divisi Asesmen Ekonomi dan Keuangan BI Kantor

Wilayah Sumatera Utara menyampaikan bahwa dampak dari pasokan cabai di pasar dapat mempengaruhi harga cabai merah. Meskipun produksi cabai merah di

Provinsi Sumatera Utara cukup, namun Provinsi Sumatera Utara tetap mengalami supply di pasar. Hal ini dikarenakan Provinsi Sumatera Utara menjadi salah satu sentra produksi cabai merah di Indonesia. Dengan demikian pada saat provinsi lain mengalami kelangkaan cabai merah maka akan diserap dari Provinsi

Sumatera Utara (Anonimous, 2018).

Penurunan harga cabai merah di Provinsi Sumatera Utara pada Juni 2017 yang cukup signifikan membuat komoditas ini menjadi kontributor penurunan tekanan inflasi terbesar, yaitu 0,48%. Kemudian pada bulan Agustus – November

2017, cabai merah di Provinsi Sumatera Utara menyumbang inflasi terbesar. Hal ini dikarenakan penurunan luas tanam cabai merah di bulan Mei 2017 dan disebabkan Gunung Sinabung kembali meletus. Sehingga pasokan cabai merah di pasaran yang sedikit yang akhirnya memicu naiknya harga cabai merah di

Provinsi Sumatera Utara di kurun waktu tersebut (BPS, 2018).

2.2.3. Harga Minyak Goreng

Salah satu kebutuhan primer rumah tangga adalah minyak goreng. Pada hari besar keagamaan harga minyak goreng curah signifikan naik. Hal ini dikarenakan tingginya permintaan minyak goreng curah (Shavana, 2013).

Struktur pasar minyak goreng yang terintegrasi dalam pasar input-nya berimplikasi pada pentingnya peran pemerintah dalam pengendalian harga di tingkat konsumen. Sebelum tahun 1998, harga minyak goreng eceran cenderung stabil, akan tetapi seiring dengan dilepasnya peran Bulog sebagai stabilator harga, perkembangan harga minyak goreng pada tingkat konsumen menjadi lebih fluktuatif dengan tren yang terus menerus meningkat. Sejak Maret 2006 sampai

Desember 2007 terjadi lonjakkan harga yang tajam yang dipicu oleh kenaikan

harga CPO di pasar internasional seiring dengan meningkatnya permintaan CPO untuk biodisel.

2.2.4. Harga Daging Ayam Ras

Daging ayam ras atau daging ayam boiler adalah salah satu dari kelompok makanan yang berasal dari daging yang mengandung sumber protein hewani.

Selain harga daging ayam ras relatif terjangkau dan mudah diperoleh, daging ayam ras juga sangat mudah diolah menjadi berbagai jenis masakan. Hal ini yang menjadikan daging ayam ras tetap menjadi pilihan untuk disantap (Setiawan, et al., 2006).

Naiknya harga daging ayam ras awalnya disebabkan oleh kelangkaan jagung serta pembatasan impor dan produksi jagung yang tidak sesuai.

Kelangkaan jagung sangat mempengaruhi harga pakan ternak ayam ras karena

70% bahan baku pakan ternak adalah jagung. Naiknya harga pakan ternak ayam ras menyebabkan harga jual ternak ayam ras naik, sehingga harga jual daging ayam ras naik (Kemendag, 2016).

2.2.5. Harga Telur Ayam Ras

Banyaknya pihak yang terlibat dalam pendistribusian membuat kurang efesien pemasaran telur ayam ras sehingga mempengaruhi fluktuasi harga telur ayam ras. Aspek – aspek yang mempengaruhi pembentukan harga telur ayam ras yaitu penawaran dan permintaan, hari - hari besar, transportasi/infrastruktur dan harga kebutuhan pokok lain.

Sebagai barometer harga telur ayam ras di Indonesia, jumlah telur ayam ras di Jakarta melebihi kapasitas yang akan mempengaruhi akses pasar dan penurunan harga telur ayam ras di tingkat peternak di wilayah produsen. Pada sisi

penawaran, pasokan telur ayam ras dari Jawa Timur yang harganya relatif murah dapat mempengaruhi ketersediaan di pasar. Murahnya harga telur ayam ras dari

Jawa Timur karena para peternak mengelola pakan ayam dengan ramuan sendiri

(BI, 2013)

Kebutuhan telur ayam ras yang terus bertambah tidak diimbangi dengan produksi telur ayam ras yang besar sehingga terjadilah keterbatasan stok telur ayam ras yang mengakibatkan harganya menjadi mahal. Banyaknya stok telur ayam ras di Provinsi Sumatera Utara sehingga dapat mencukupi permintaan di daerah tersebut (Sitompul, 2013).

2.2.6. Harga Jagung

Harga jagung pipil pada bulan April 2014 mengalami kenaikan sebesar

0,73% dari bulan Maret 2014. Dikarenakan musim panen pada akhir bulan April

2014 dapat memicu harga jagung pipil turun. Sedangkan meningkatnya permintaan jagung pipil dapat memicu harga jagung pipil naik. Selain meningkatnya permintaan, naiknya harga disebabkan bertepatan dengan penyelengaraan Pemilu pada bulan April 2014 (Tim Komoditi Analis, 2014).

2.3. Inflasi

Di Cina hubungan antara inflasi harga konsumen dan harga pangan telah melemah. Inflasi harga pangan tetap menjadi pendorong yang signifikan untuk inflasi harga konsumen secara keseluruhan dan harga pangan internasional juga berperan penting dalam menentukan dinamika inflasi di Cina (Zhang, et al.,

2014).

Penentu utama inflasi di Vietnam adalah pasokan uang, harga minyak dan beras (Nguyen, et al., 2012). Nilai tukar nominal yang efektif menjadi pendorong

utama inflasi di Vietnam. Pertumbuhan kredit menjadi penggerak yang signifikan dalam jangka menengah. Namun, suku bunga tidak memiliki dampak yang signifikan terhadap inflasi, yang menyiratkan bahwa mekanisme transmisi kebijakan moneter yang lemah di Vietnam (Bhattacharya, 2013).

Faktor pendorong yang mempengaruhi inflasi harga konsumen dan inflasi harga produsen di 10 negara Asia selama kurun waktu 2000 – 2015 adalah harga minyak global, harga pangan global, dan nilai tukar ke produsen domestik dan harga konsumen. Para peneliti berpendapat bahwa faktor dorongan biaya seperti harga minyak dan makanan lebih penting dalam menjelaskan indeks harga produsen daripada indeks harga konsumen di 10 negara Asia. Di sisi lain, untuk harga konsumen, faktor penarik permintaan masih menjelaskan banyak inflasi

(Jongwanich, et al., 2016).

2.4. Landasan Teori

2.4.1. Teori Inflasi

Dalam kondisi dimana kenaikan harga dari beragam jenis produk secara umum dan berkesinambungan disebut dengan inflasi (Rahardja dan Manurung,

2008). Akan tetapi jika kenaikan harga pada satu atau dua barang saja tidak bisa disebut dengan inflasi terkecuali pada produk yang mengalami kenaikan secara meluas ataupun barang tersebut bisa mengakibatkan kenaikan harga pada barang lain (Santoso, 2011).

Adanya tekanan dari penawaran (cost push inflation), dari sisi permintaan

(demand pull inflation) dan dari ekspektasi inflasi dapat menyebabkan lahirnya inflasi. Aspek – aspek cost push inflation dipicu oleh depresiasi nilai tukar, dampak inflasi luar negeri terutama negara-negara partner dagang, peningkatan

harga-harga komoditi yang diatur pemerintah (administered price), dan terjadi negative supply shocks akibat bencana alam dan terganggunya distribusi.

Sedangkan aspek – aspek demand pull inflation dipicu oleh tingginya permintaan barang dan jasa relatif terhadap ketersediaannya. Dalam konteks makroekonomi, kondisi ini digambarkan oleh output riil yang melebihi output potensialnya atau permintaan total (agregate demand) lebih besar dari pada kapasitas perekonomian

(BI, 2018).

Sementara itu, faktor ekspektasi inflasi dipengaruhi oleh perilaku masyarakat dan pelaku ekonomi dalam menggunakan ekspektasi angka inflasi dalam keputusan kegiatan ekonominya. Ekspektasi inflasi tersebut apakah lebih cenderung bersifat adaptif atau forward looking. Hal ini tercermin dari perilaku pembentukan harga di tingkat produsen dan pedagang terutama pada saat menjelang hari-hari besar keagamaan (lebaran, natal, dan tahun baru) dan penentuan Upah Minimum Provinsi (UMP). Meskipun ketersediaan barang secara umum diperkirakan mencukupi dalam mendukung kenaikan permintaan, namun harga barang dan jasa pada saat-saat hari raya keagamaan meningkat lebih tinggi dari kondisi supply-demand tersebut. Demikian halnya pada saat penentuan UMP, pedagang ikut pula meningkatkan harga barang meski kenaikan upah tersebut tidak terlalu signifikan dalam mendorong peningkatan permintaan (BI, 2018).

Secara umum ada tiga kelompok teori mengenai inflasi, yaitu teori kuantitas, teori keynes dan teori strukturalis (Suseno et al. 2019).

A. Teori Kuantitas

Pada awalnya teori tentang inflasi berkembang dari teori kuantitas (tentang uang). Teori kuantitas pada dasarnya merupakan suatu hipotesis tentang faktor

yang menyebabkan perubahan tingkat harga ketika kenaikan jumlah uang beredar merupakan faktor penentu atau faktor yang mempengaruhi kenaikan tingkat harga. Teori ini tidak hanya menyatakan bahwa jumlah uang beredar sebagai faktor penyebab perubahan tingkat harga. Teori kuantitas uang juga terkait dengan teori tentang (1) proporsionalitas jumlah uang dengan tingkat harga, (2) mekanisme transmisi moneter, (3) netralitas uang, dan (4) teori moneter tentang tingkat harga.

Milton Friedman adalah ekonom yang menyempurnakan teori kuantitas dan memformulasikan lebih lanjut teori kuantitas uang serta menyusun teori tentang permintaan uang. Pada dasarnya teori permintaan uang menjelaskan bahwa permintaan uang masyarakat ditentukan oleh sejumlah variabel ekonomi yang antara lain pertumbuhan ekonomi, suku bunga dan tingkat harga. Sejalan dengan teori permintaan uang, tingkat harga atau laju inflasi akan berubah apabila jumlah uang beredar tidak sesuai dengan jumlah yang diminta atau diperlukan oleh suatu perekonomian. Apabila jumlah uang beredar lebih besar dibandingkan dengan jumlah uang yang diminta atau diperlukan oleh masyarakat, maka tingkat harga akan turun dan terjadi apa yang disebut dengan deflasi.

B. Teori Keynes

Ekonom Keynesian menyatakan bahwa teori kuantitas tidak valid karena teori tersebut mengasumsikan ekonomi dalam kondisi full employment (kapasitas ekonomi penuh). Dalam kondisi tersebut yang belum penuh, maka ekspandi

(pertambahan) uang beredar justru akan menambah output (meningkatkan pertumbuhan ekonomi dan kesempatan kerja) dan tidak akan meningkatkan harga.

Lebih lanjut dikatakan bahwa uang tidak sepenuhnya netral, pertambahan uang

beredar dapat mempunyai pengaruh tetap (permanen) terhadap variabel-variabel riil seperti output dan suku bunga.

Pendekatan keynes menyatakan bahwa teori kuantitas yang mengasumsikan elastisitas dan perputaran uang (velocity of circulation) adalah tetap juga tidak benar. Elastisitas dan perputaran uang sangat sulit diprediksi dan banyak dipengaruhi oleh ekspektasi masyrakat serta perubahan barang-barang yang merupakan substitusi uang (finansial assets). Hal ini terbukti bahwa dalam suatu perekonomian yang sektor keuangannya telah maju dan terdapat instrumen- instrumen keuangan yang berfungsi sebagai substitusi uang, maka perputaran uang akan menjadi semakin sulit diprediksi.

Dalam teori Keynes tersebut, inflasi terjadi karena pola konsumsi masyarakat yang berlebihan terhadap banyak barang dan jasa. Meningkatnya permintaan akan berakibat naiknya harga barang dan jasa sehingga terjadilah inflasi. Sebaliknya, dalam cost-push theory, terjadinya inflasi karena biaya produksi sehingga terjadi penurunan dalam penawaran total (BPS, 2018).

Mishkin ( 1984, 2001) menyatakan bahwa sepanjang inflasi dilihat sebagai sustained inflation atau inflasi yang terus menerus dan berjangka panjang, maka baik ekonom aliran monetaris maupun ekonom aliran Keynesian sependapat bahwa inflasi adalah suatu gelaja moneter. Untuk membuktikan bahwa inflasi adalah suatu gejala moneter, berbagai kajian yang dipelopori Friedman (1963) dan dilanjutkan oleh berbagai kajian selanjutnya, telah dapat menguji bahwa dalam jangka panjang memang terdapat keterkaitan yang erat antara inflasi dan jumlah uang yang beredar. Dalam pengertian umum dapat dikatakan bahwa inflasi timbul karena jumlah uang yang beredar dalam suatu perekonomian melebihi jumlah

uang beredar yang diminta atau diperlukan oleh ekonom yang bersangkutan.

Pengertian terebut tidak mengatakan bahwa tidak terdapat faktor-faktor lain yang dapat menimbulkan laju inflasi. Akan tetapi yang terjadi di lapangan banyak faktor yang menyebabkan timbulnya inflasi, salah satunya disebabkan oleh jumlah uang beredar atau likuiditas yang berlebihan.

C. Teori Struktural

Menurut teori struktural ada dua masalah struktural di dalam perekonomian negara berkembang yang dapat mengakibatkan inflasi. Pertama, penerimaan ekspor tidak elastis, yaitu pertumbuhan nilai ekspor yang lebih lambat dibandingkan dengan pertumbuhan sektor lainnya.

Hal tersebut disebabkan oleh terms of trade yang memburuk dan produksi barang ekspor yang kurang responsif terhaadap kenaikan harga. Melambatnya pertumbuhan ekspor, maka akan memperlambat kemampuan untuk mengimpor barang-barang yang dibutuhkan. Seringkali negara berkembang melakukan kebijakan substitusi impor meskipun dengan biaya yang tinggi dan mengakibatkan harga barang yang tinggi sehingga menimbulkan inflasi.

Kedua, produksi bahan makanan dalam negeri yang tidak elastis, yaitu pertumbuhan produksi makanan dalam negeri tidak secepat pertambahan penduduk dan pendapatan per kapita sehingga harga makanan dalam negeri cenderung meningkat lebih tinggi daripada kenaikan harga barang-barang lainnya.

Hal ini mendorong timbulnya tuntutan kenaikan upah dari pekerja sektor industri yang selanjutnya akan meningkatkan biaya produksi dan pada gilirannya akan menimbulkan inflasi. Sementara itu, proses inflasi, dalam prakteknya, kemungkinan dapat mengandung aspek-aspek dari ketiga teori inflasi tersebut.

Pengukuran inflasi berdasarkan Indeks Harga Konsumen (IHK). Persentase perubahan indeks atau laju inflasi setiap bulan diperoleh dengan mengurangkan

IHK suatu bulan dengan IHK bulan sebelumnya, kemudian hasilnya dibagi dengan IHK sebelumnya dan dikalikan 100. Perhitungan tersebut dapat ditulis sebagai berikut (BPS, 2018) :

Keterangan :

Infn = laju inflasi bulan ke-n

IHKn = indeks bulan ke-n

IHK(n-1) = indeks bulan ke- (n-1)

Adapun rumus yang digunakan untuk mendapatkan angka IHK menggunakan rumus Modified Laspeyers adalah sebagai berikut :

∑ ( ) ( )

∑

Keterangan :

In = Indeks bulan ke-n

= Relatif Harga (RH) yang terjadi pada bulan ke-n dibandingkan ( )

bulan sebelumnya (n-1) untuk suatu jenis barang

Pni = Harga suatu jenis barang pada bulan berjalan

P(n-1)i = Harga suatu jenis barang pada bulan sebelumnya

P(n-1)i Qoi = Nilai Konsumsi (NK) suatu jenis barang bulan ke n-1

K = Jumlah jenis barang/jasa termasuk dalam paket komoditas IHK

2.4.2. Pengelompokan Inflasi Berdasarkan Penyebab Terjadinya Inflasi

Menurut pendapat Supriana (2013), penyebab terjadinya inflasi dapat diidentifikasi dari sumber terjadinya inflasi. Seluruh faktor yang mendorong

(shifter) permintaan agregat ke kanan atas maupun penawaran agregat ke kiri adalah faktor yang menyebabkan inflasi. Ada beberapa pengelompokkan inflasi berdasarkan penyebab terjadinya inflasi, yaitu sebagai berikut:

A. Inflasi Karena Tarikan Permintaan (Demand Pull Inflation)

Inflasi karena tarikan permintaan biasanya terjaadi pada masa perekonomian berkembang dengan pesat. Kesempatan kerja yang tinggi menciptakan tingkat pendapatan yang tiggi dan selanjutnya menimbulkan pengeluaran yang melebihi kemampuan ekonomi memproduksi barang dan jasa. Pengeluaran yang berlebihan ini akan menimbulkan inflasi.

B. Inflasi Karena Desakan Biaya (Cost Push Inflation)

Inflasi karena desakan biaya (cost push inflation) adalah inflasi yang terjadi sebagai akibat dari adanya penurunan penawaran agregat atau inflasi yang terjadi apabila harga dari satu atau lebih sumberdaya mengalami kenaikan atau dinaikkan.

C. Inflasi Karena Ketidakseimbangan Neraca Pembayaran (Balance of Payment)

Inflasi karena ketidakseimbangan neraca pembayaran dapat terjadi karena :

1. Neraca pembayaran yang defisit

2. Kebijakan devaluasi

3. Inflasi yang diimpor (Imported inflation)

D. Inflasi Karena Faktor Non Ekonomi

Inflasi karena faktor non ekonomi umumnya terjadi karena :

1. Situasi politik yang tidak stabil (perang)

2. Meningkatnya sifat konsumerisme atau investasi masyarakat dan sebagainya

3. Administered inflation. Hal ini terjadi akibat adanya komoditi tertentu yang

dilindungi pemerintah, dimana pelindungan bagi komoditi tersebut

mempunyai pengaruh meningkatnya harga dari komoditi lainnya, kemudian

meningkatkan harga umum.

E. Inflasi Karena Ekspektasi

Menurut Utari et al,. (2015), perilaku masyarakat dan para pelaku ekonomi dalam menggunakan ekspektasi angka inflasi dalam keputusan kegiatan ekonominya yang menyebabkan ekspektasi inflasi. Hal tersebut apakah lebih cenderung bersifat adaptif atau forward looking. Dapat dilihat dari perilaku pembentukan harga di tingkat produsen dan pedagang terutama pada saat menjelang hari besar keagamaan dan penentuan Upah Minimum Regional

(UMR).

Pada saat hari raya keagamaan atau pada saat penentuan UMR, harga produk dan jasa tetap lebih tinggi dari kondisi supply-demand meskipun stok produk diperkirakan mencukupi permintaan.

2.4.3. Pengelompokan Disagregasi Inflasi

Disagresi inflasi dilakukan untuk menghasilkan suatu indikator inflasi yang lebih menggambarkan pengaruh dari faktor yang bersifat fundamental. Di

Indonesia, disagregasi inflasi IHK dikelompokkan menjadi (BI, 2018) :

A. Inflasi Inti

Inflasi inti yaitu komponen yang cenderung menetap atau persisten (persistent

component) di dalam pergerakan inflasi dan dipengaruhi oleh faktor

fundamental, seperti interaksi permintaan-penawaran, lingkungan ekternal

(nilai tukar, harga komoditi internasional, inflasi mitra dagang), dan ekspektasi

inflasii dari pedagang dan konsumen.

B. Inflasi Non Inti

Inflasi non inti yaitu komponen inflasi yang cenderung tinggi volatilitasnya

karena dipengaruhi oleh selain faktor fundamental. Komponen inflasi non inti

terdiri dari :

1. Inflasi komponen bergejolak (volatile food) yaitu inflasi yang dominan

dipengaruhi oleh shocks dalam kelompok bahan makanan seperti panen,

gangguan alam, atau faktor pertumbuhan harga komoditas pangan

internasional.

2. Inflasi komponen harga yang diatur pemerintah (administered prices) yaitu

inflasi yang dominan dipengaruhi oleh shocks berupa kebijakan harga

pemerintah seperti harga BBM bersubsidi, tarif listrik, tarif angkutan, dll.

Timbulnya inflasi disebabkan karena adanya tekanan dari sisi supply (cost push inflation), dari sisi permintaan (demand pull inflation), dan dari ekspektasi inflasi. Faktor terjadinya cost push inflation dapat disebabkan oleh depresiasi nilai tukar, dampak inflasi luar negeri terutama negara-negara partner dagang, meningkatnya harga-harga komoditi yang diatur pemerintah (administered price), dan terjadi negative-supply-shocks akibat bencana alam dan terganggunya distribusi. Sedangkan faktor yang menyebabkan terjadi demand pull inflation adalah tingginya permintaan barang/jasa relatif terhadap ketersediaannya. Dalam konteks makroekonomi, kondisi ini digambarkan oleh output riil yang melebihi

output potensialnya atau permintaan total (agregate demand) lebih besar dari pada kapasitas perekonomian.

Gambar 2.1. Proses Terjadinya Inflasi

2.4.4. Pengelompokan Inflasi Berdasarkan COICOP

Menurut BI (2018), Inflasi di Indonesia yang dihitung dengan IHK dikelompokkan ke dalam tujuh kelompok pengeluaran berdasarkan The

Classification of Individual Consumption by Purpose (COICOP), yaitu :

1. Kelompok bahan makanan

Kelompok ini berupa padi-padian, umbi-umbian dan hasilnya, daging dan

hasilnya, ikan segar, ikan diawetkan, telur, susu dan hasilnya, sayur-mayur,

kacang-kacangan, buah-buahan, bumbu-bumbuan, lemak dan minyak, serta

bahan makanan lainnya.

2. Kelompok makanan jadi, minuman, rokok dan tembakau

Kelompok ini berupa makanan jadi, minuman tidak beralkohol, tembakau dan

minuman beralkohol.

3. Kelompok perumahan, air, listrik, gas dan bahan bakar

Kelompok ini berupa biaya tempat tinggal, bahan bakar, penerangan dan air,

perlengkapan rumah tangga, serta penyelenggaraan rumah tangga.

4. Kelompok sandang

Kelompok ini berupa sandang laki-laki, sandang wanita, sandang anak-anak,

serta barang pribadi dan sandang lain.

5. Kelompok kesehatan

Kelompok ini berupa jasa kesehatan, obat-obatan, jasa perawatan jasmani, serta

perawatan jasmani dan kosmetika

6. Kelompok pendidikan, rekreasi dan olahraga

Kelompok ini berupa pendidikan, pelatihan, perlengkapan pendidikan, rekreasi

serta olahraga.

7. Kelompok transport, komunikasi dan jasa keuangan

Kelompok ini berupa transportasi, komunikasi dan pengiriman, sarana dan

penunjang transportasi serta jasa keuangan.

2.4.5. Indikator Inflasi

Menurut BI (2018), Indeks Harga Konsumen (IHK) merupakan indikator yang sering digunakan untuk mengukur tingkat inflasi di Indonesia. IHK dapat dihitung per komoditas, sub kelompok komoditas, maupun gabungan seluruh komoditas. Perubahan IHK dari waktu ke waktu menunjukkan pergerakan harga dari barang dan jasa yang dikonsumsi oleh masyarakat. Penentuan barang dan jasa

dalam kerangjang IHK dilaksanakan oleh Badan Pusat Statistik (BPS) yang dilakukan atas dasar Survei Biaya Hidup (SBH). Selanjutnya BPS akan memantau perkembangan harga dari barang dan jasa secara bulanan di beberapa kota, di pasar tradisional dan modern terhadap beberapa jenis barang/jasa di setiap kota.

Selain IHK, indikator inflasi lainnya berdasarkan international best practice antara lain :

1. Indeks Harga Perdagangan Besar (IHPB)

Harga perdagangan besar dari suatu komoditas adalah harga transaksi yang

terjadi antara pedagang besar pertama (penjual) dengan pedagang besar

berikutnya (pembeli) dalam jumlah besar pada pasar pertama atas suatu

komoditas.

2. Indeks Harga Produsen

IHP mengukur perubahan rata-rata harga yang diterima produsen domestik

untuk barang yang mereka hasilkan.

3. Deflator Produk Domestik Bruto (PDB)

PDB mengukur besarnya perubahan harga dari semua barang baru, barang

produksi lokal, barang jadi, dan jasa. Deflator PDB didapatkan dari hasil

membagi PDB atas dasar harga nominal dengan PDB atas dasar harga konstan.

4. Indeks Harga Aset

Indeks harga aset mengukur pergerakan harga aset, seperti properti dan saham

yang dapat dijadikan indikator adanya tekanan terhadap harga secara

keseluruhan.

2.4.6. Fluktuasi Harga Komoditas Pangan

Pembentukan harga suatu barang tercipta dari hasil interaksi antara penjual dan pembeli. Dilihat dari dua sisi yaitu sisi pembeli (demand) dan penjual

(supply). Apabila semakin banyak barang yang dibeli maka akan membuat harga naik (sisi demand) dan apabila semakin banyak barang yang dijual maka akan membuat harga menurun (sisi supply).

Salah satu factor pembentukan harga pada komoditas pangan diduga lebih dipengaruhi oleh sisi penawaran (supply shock). Hal ini dikarenakan permintaan cenderung stabil mengikuti perkembangan (Prastowo, et al., 2008).

Harga pangan yang relatif berfluktuatif karena komoditas pangan mempunyai beberapa sifat, yaitu (Anindita, 2008):

1. Keadaan biologi di lingkungan pertanian, seperti iklim, cuaca, penyakit dan

hama

2. Adanya time lags ketika keputusan dalam menggunakan input dan menjual

output

3. Keadaan pasar, khususnya struktural pasar

4. Dampak dari institusi seperti BULOG

Selain itu ada juga faktor yang menyebabkan fluktuasi harga komoditas pangan dapat dibedakan menjadi dua, yaitu (Firdaus, 2009):

1. Fluktuasi penawaran

Kondisi alam dapat mempengaruhi produksi hasil pertanian. Permintaan akan

komoditas pangan yang in-elastik akan mengakibatkan harga mengalami

perubahan yang sangat besar apabila penawaran hasil pertanian mengalami

perubahan yang sangat besar jika penawaran hasil pertanian mengalami

perubahan. Pada gambar 2.2 memaparkan ilustrasi mengenai fluktuasi harga

komoditas pangan dari sisi perubahan penawaran.

Harga S S1

E P

E’

D Jumlah 0 Q Q1

Gambar 2.2. Ilustrasi Perubahan Harga Komoditas Pangan Dari Sisi Penawaran

2. Fluktuasi permintaan

Pada jangka pendek maupun jangka panjang, permintaan komoditas pangan

bersifat inelastik. Hal ini dikarenakan elastisitas pendapatan dari permintaan

komoditas pangan rendah, yaitu kenaikan pendapatan hanya menimbulkan

kenaikan yang kecil atas permintaan. Secara umum sebagian besar komoditas

pertanian merupakan barang kebutuhan pokok yang digunakan untuk

kehidupan masyarakat sehari-hari. Meskipun harganya tinggi maupun rendah,

jumlah yang dikonsumsi relatif tetap. Ketidakstabilan penawaran komoditas

pertanian yang diikuti dengan inelastisitas permintaan menyebabkan perubahan

harga yang sangat besar apabila terjadi perubahan permintaan. Pada gambar 2.3

memaparkan ilustrasi mengenai fluktuasi harga komoditas pangan dari sisi

perubahan permintaan.

Harga S

P E

P1 E’

D1 D

0 Q1 Q

Gambar 2.3. Ilustrasi Perubahan Harga Komoditas Pangan Dari Sisi Permintaan

2.4.7. Keterkaitan Harga Komoditas Pangan Dengan Inflasi

Faktor kontribusi penting terhadap perubahan harga pangan dunia adalah peningkatan besar dalam produksi biofuel di Amerika Serikat dan Uni Eropa.

Selain itu disebabkan perubahan iklim, pemanasan global, perubahan dalam preferensi dan pertumbuhan ekonomi di Cina, Rusia, Brasil atau India (Devlin, et al., 2006).

Masyarakatnya akan mengalokasikan sebagian besar pendapatannya untuk memenuhi kebutuhan pangan. Kenaikan harga komoditas mampun menurunkan daya beli masyarakat terhadap konsumsi komoditas tersebut sehingga akan menyebabkan rendahnya tingkat kesejahteraan masyarakat. Oleh sebab itu, perubahan harga komoditas merupakan salah satu faktor dominan yang menjadi penyumbang inflasi (Moshin dan Zaman, 2012).

2.5. Penelitian Terdahulu

Penelitian yang berhubungan tentang pengaruh fluktuasi harga komoditas pangan terhadap inflasi sebelumnya telah dilakukan oleh beberapa peneliti

terdahulu yaitu Ilham et al. (2007), Leoning et al. (2009), Anand and Prasad

(2010), Rahma (2013), Santoso et al. (2013), Zhang et al. (2014), Hasanah

(2014), Nair (2014), Setiawan (2015), Jongwanich, et al. (2016), Irawati (2018).

Ilham dan Siregar (2007), dengan judul Dampak Kebijakan Harga Pangan dan Kebijakan Moneter Terhadap Stabilitas Ekonomi Makro, bertujuan untuk menganalisis dampak kebijakan harga pangan dan kebijakan moneter terhadap keseimbangan dan stabilitas ekonomi makro. Alat analisis yang digunakan adalah

VECM (Vector Error Correction Model) dan teknik IRF (Impulse Response

Function). Dari hasil analisis menunjukkan bahwa Baik jangka pendek maupun jangka panjang, kebijakan harga pangan yang merupakan kebijakan harga input- output menyebabkan PDB kontraksi dan inflasi, namun tidak menyebabkan naiknya tingkat pengangguran. Serta Kebijakan moneter awalnya meningkatkan inflasi, namun pada triwulan kedua setelah kebijakan mampu menurunkan inflasi.

Penurunan inflasi tersebut menyebabkan perekonomian mengalami kontraksi sehingga meningkatkan angka pengangguran.

Leoning et al. (2009), yang berjudul Inflation Dynamic and Food Price In

An Agricultural Economy The Case of Ethiopia, dengan tujuan untuk menganalisis faktor – faktor penentu inflasi di Ethiopia (dengan memperkirakan model koreksi kesalahan untuk harga konsumen sereal, makanan dan non- makanan dan CPI. Alat analisis yang digunakan adalah VAR (Vector

Autoregressive) dan ECM (Error Corector Model). Dari hasil analisis menunjukkan bahwa di Ethiopia inflasi sangat terkait dengan peran dari pertanian dan pangan. Faktanya, inflasi di Ethiopia secara praktis identik dengan inflasi harga makanan, dan harga untuk biji-bijian utama , seperti gandum, jagung, tef,

sorgum dan barley. Namun bertentangan dengan pandangan yang berlaku, kami menemukan bahwa pertumbuhan harga pangan ditentukan di sektor eksternal.

Dengan kata lain, nilai tukar dan harga internasional menjelaskan sebagian besar inflasi Ethiopia : kenaikan 1% dalam harga pangan dunia akhirnya meningkatkan harga pangan domestik hingga 1%, kecuali nilai tukar berubah. Jangka waktu yang realistis adalah sekitar 3 tahun. Demikian pula, inflasi harga non-makanan tampaknya ditentukan di sektor eksternal, tetapi bukti untuk jangka panjang tidak kuat.

Nizar (2012), yang berjudul Dampak Fluktuasi Harga Minyak Dunia

Terhadap Perekonomian Indonesia, dengan tujuan mengetahui dampak fluktuasi harga minyak di pasar dunia terhadap perekonomian Indonesia periode tahun

2000-2011. Alat analisis yang digunakan adalah Model VAR. Hasil analisis menuukkan bahwa fluktuasi harga minyak di pasar dunia : (i) berdampak positif terhadap pertumbuhan ekonomi selama 3 bulan (satu kuartal); (ii) mendorong laju inflasi domestik selama satu tahun; (iii) meningkatkan jumlah uang beredar di dalam negeri, penambahan jumlah uang beredar berlangsung selama 5 bulan; (iv) berdampak negative terhadap nilai tukar riil rupiah selama 10 bulan dan (v) menyebabkan naiknya suku bunga di dalam negeri (efek ini berlangsung selama

10 bulan).

Musa, et. al.(2013), yang berjudul Effect of Monetary-Fiscal Policies

Interaction on Price and Output Growth in Nigeria, dengan tujuan menganalisis efektivitas interaksi kebijakan moneter-fiskal terhadap harga dan pertumbuhan output di Nigeria. Alat analisis yang digunakan adalah VECM. Hasil analisis menunjukkan bahwa jumlah uang yang beredar dan pendapatan pemerintah

berdampak positif pada harga dan pertumbuhan ekonomi di Nigeria khususnya dalam jangka panjang. Meskipun variabel kebijakan moneter dan fiskal memiliki efek dominan pada aktivitas ekonomi, membuktikan bahwa kegiatan ekonomi didominasi oleh dinamika ekonomi sendiridi sebagian besar periode. Perkiraan yang disajikan dalam penelitian ini menunjukkan bahwa baik kebijakan moneter dan fiskal memberikan dampak yang lebih besar pada GDP riil dan inflasi di

Nigeria,

Rahma (2013), yang berjudul Analisis Fluktuasi Harga Komoditas Pangan dan Pengaruhnya Terhadap Inflasi di Jawa Barat, dengan tujuan menjelaskan perkembangan harga komoditi pangan di jawa Barat, menganalisis kecenderungan harga komoditas pangan di masa mendatang di Jawa Barat, dan menganalisis pengaruh fluktuasi harga komoditas pangan terhadap inflasi di Jawa Barat. Alat analisis yang digunakan adalah analisis deskriptif, ARIMA (Autoregresion

Integrated Moving Average) dengan perangkat lunak Minitab 14, dan VAR

(Vector Autoregressive) dengan perangkat lunak Eviews 6. Dari hasil analisis menunjukkan bahwa perkembangan harga beras, kedelai dan gula pasir selama tahun 2009 – 2012 memiliki kecenderungan yang meningkat; kecenderungan harga komoditas pangan menunjukkan bahwa selama 12 periode ke depan

(Januari – Desember 2013), harga beras dan kedelai cenderung meningkat sementara itu harga gula pasir berfluktuasi dengan rentang harga yang relative kecil; serta pengaruh harga komoditas pangan terhadap inflasi di Jawa Barat menunjukkan ketiga komoditas pangan yang dianalisis berpengaruh positif terhadap IHK Jawa Barat dalam jangka panjang. Analisis IRF (Impluse Response

Function) menunjukkan pada jangka panjang, respon IHK Jawa Barat terhadap

guncangan harga komoditas pangan terus mengalami peningkatan. Analisis FEVD

(Forecast Error Variance Decomposition) menunjukkan bahwa harga gula pasir berkontribusi paling besar dalam menjelaskan keragaman inflasi di Jawa Barat, kemudian diikuti oleh harga beras dan harga kedelai.

Santoso et al. (2013), yang berjudul Pengaruh Hari Besar Pada Komoditas

Utama Inflasi di Indonesia, dengan tujuan untuk mengkaji pengaruh Bulan

Ramadhan terhadap enam komoditas utama penyumbang inflasi, yakni daging sapi, daging ayam ras, minyak goreng, dan emas perhiasan, baik secara nasional maupun di tujuh kota utama dalam perhitungan inflasi di Indonesia, yakni Jakarta,

Bandung, Surabaya, Semarang, Medan, Palembang dan Makasar. Alat analisis yang digunakan adalah metode ARMA. Dari hasil analisis menunjukkan bahwa.

Berdasarkan hasil penelitian menunjukkan bahwa pada Bulan Ramadhan berpengaruh signifikan pada komoditas daging sapi, daging ayam ras, dan telur ayam ras, serta Inflasi di setiap kota berbeda – beda pada saaat Bulan Ramadhan, tetapi komoditas yang selalu signifikan di enam kota adalah daging sapi.

Zhang et al. (2014), yang berjudul Food Price and Inflation Dynamics in

China, dengan tujuan menjelaskan hubungan antara indeks harga konsumen dengan variabel penggerak potensialnya. Alat analisis yang digunakan adalah metode kointegrasi Johanes. Berdasarkan hasil penelitian menunjukkan bahwa di

Cina hubungan antara inflasi harga konsumen dan harga pangan telah melemah,

Inflasi harga pangan tetap menjadi pendorong yang signifikan untuk inflasi harga konsumen secara keseluruhan dan harga pangan internasional juga berperan penting dalam menentukan dinamika inflasi di Cina.

Hasanah (2014), yang berjudul Dampak Fluktuasi Harga Pangan Hewani

Asal Ternak Terhadap Inflasi di Kabupaten Bogor, dengan tujuan menjelaskan perkembangan harga komoditas pangan hewani asal ternak di Kabupaten Bogor dan menganalisis dampak fluktuasi harga komoditas pangan hewani asal ternak terhadap inflasi di Kabupaten Bogor. Alat analisis yang digunakan adalah analisis deskriptif dan VAR (Vector Autoregressive). Berdasarkan Hasil dari analisis deskriptif menunjukkan bahwa selama 2010 – 2013, perkembangan harga komoditas daging ayam boiler (karkas), daging sapi khas, daging sapi bistik, daging sapi murni, hati sapi, daging kambing/domba, dan telur ayam ras cenderung meningkat, sedangkan komoditas telur ayam buras, telur itik dan susu segar cenderung stabil. Serta hasil analisis VAR menunjukkan bahwa pada jangka panjang, fluktuasi harga berdampak terhadap inflasi terutama pada komoditas daging sapi murni dan telur ayam ras, diikuti oleh telur ayam buras, daging ayam boiler (karkas), daging sapi khas, susu segar, telur itik, dan daging kambing/domba. Adapun komoditas daging sapi bistik dan hati sapi tidak berdampak secara signifikan terhadap inflasi.

Nair (2014), yang berjudul Inflation Dynamics in India : An Analysis, dengan tujuan menganalisis dinamika inflasi di India. Alat analisis yang digunakan adalah VAR (Vector Autoregressive). Berdasarkan hasil dan pembahasan dapat disimpulkan bahwa terdapat hubungan kointegrasi antara inflasi dan determinannya dan dalam jangka pendek inflasi menyesuaikan dengan perubahan dan kebijakan di masa lalu sebagaimana disimpulkan dari Error

Corector Model. Analisis IRF melacak hubungan stabil inflasi dengan determinan

yang diidentifikasi. Artinya produksi industri memiliki efek negatif pada inflasi dalam jangka panjang, sedangkan uang beredar memiliki efek positif.

Setiawan (2015), yang berjudul Dampak Fluktuasi Harga Komoditas

Pangan Terhadap Inflasi di Provinsi Banten, dengan tujuan menjelaskan perkembangan harga komoditi pangan di Provinsi Banten; menganalisis dampak fluktuasi harga komoditas pangan terhadap inflasi di Provinsi Banten; dan menganalisis keterkaitan inflasi antar wilayah Provinsi Banten. Alat analisis yang digunakan adalah deskriptif, model VAR atau VECM, dan Uji kausalitas Granger.

Berdasarkan hasil dan pembahasan maka dapat disimpulkan bahwa

Perkembangan harga komoditas beras, jagung,cabai merah keriting, bawang merah, daging sapi murni, daging ayam ras dan telur ayam raas menunjukkan kecenderungan yang meningkat. Hasil analisis VAR menunjukkan bahwa dalam jangka pendek hanya komoditas cabai merah kriting yang berdampak secara signifikan terhadap inflasi di Provinsi Banten. Pada jangka panjang terdapat enam komoditas yang berdampak secara signifikan terhadap inflasi di Provinsi Banten, yaitu daging sapi murni, jagung, beras, daging ayam ras, telur yam ras serta cabai merah keriting. Serta Hasil Uji kausalitas granger menunjukkan bahwa hanya terdapat hubungan satu arah, yaitu inflasi Provinsi Banten mempengaruhi inflasi

Lampung.

Hassan, et. al (2016), yang berjudul Inflasi in Pakistan : Evidence From

ARDL Bounds Testing Approach, dengan tujuan untuk mengetahui hubungan

jangka panjang dan jangka pendek antara ekspor per kapita, pajak tidak langsung

per kapita, utang luar negeri per kapita, nilai tukar, harga minyak mentah dan

inflasi di Pakistan selama periode 1976-2011. Alat analisis yang digunakan adalah

ARDL bound testing approach. Berdasarkan hasil dan pembahasan maka dapat

disimpulkan bahwa dampak dari ekspor, nilai tukar dan harga minyak mentah

pada inflasi berdampak positif dan sangat signifikan tetapi dampak pajak tidak

langsung berdampak positif, hanya signifikan pada tingkat 10%. Dampak utang

luar negeri berdampak negatif tetapi tidak signifikan secara statistic. Sehingga

berdasarkan CUSUM dan CUSUM square graphs, penelitian ini mengkonfirmasi

perkiraan secara structural stabil.

Jongwanich, et al.(2016), yang berjudul Determinats of Consumer Price

Inflation Versus Producer Price Inflation in Asia. Asian Development Bank,

ADB Economic Working paper Series No. 491. Manila, Philippines, dengan

tujuan mengidentifikasi sumber – sumber yang mendasari inflasi di Asia. Alat

analisis yang digunakan adalah VAR (Vector Autoregressive). Berdasarkan hasil

dan pembahasan maka dapat disimpulkan bahwa faktor pendorong yang

mempengaruhi indek harga konsumen dan indeks harga produsen di 10 Negara

Asia selama kurun waktu 2000 – 2015 adalah harga minyak global, harga pangan

global, dan nilai tukar ke produsen domestik dan harga konsumen. Faktor

dorongan biaya seperti harga minyak dan makanan lebih penting dalam

menjelaskan indeks harga produsen daripada indeks harga konsumen di 10 negara

Asia. Di sisi lain, untuk harga konsumen, faktor penarik permintaan masih

menjelaskan banyak inflasi.

Irawati (2018), yang berjudul Dampak Fluktuasi Harga Komoditas Pangan

Terhadap Inflasi di Provinsi Sumatera Utara, dengan tujuan mengetahui perkembangan harga komoditas pangan (beras, cabai merah, bawang merah dan bawang putih) di Provinsi Sumatera Utara periode Januari 2000 sampai Desember

2017; mengetahui kecenderungan harga pangan (beras, cabai merah, bawang merah dan bawang putih) di Provinsi Sumatera Utara pada masa mendatang selama 12 bulan di tahun 2018; dan menganalisis dampak fluktuasi harga komoditas pangan (beras, cabai merah, bawang merah dan bawang putih) terhadap inflasi di Provinsi Sumatera Utara. Alat analisis yang digunakan adalah deskriftif, VAR dan Regresi Robust. Berdasarkan hasil dan pembahasan maka dapat disimpulkan bahwa dalam kurun waktu Januari 2000 sampai Desember

2017 perkembangan harga komoditas beras, cabai merah, bawang merah, bawang putih di Provinsi Sumatera Utara cenderung meningkat. Kecenderungan harga komoditas beras, cabai merah, bawang merah dan bawang putih di Provinsi

Sumatera Utara pada masa mendatang yaitu selama 12 bulan di tahun 2018 cenderung meningkat. Dimana laju rata – rata perubahan harga beras sebesar

0,732%; cabai merah sebesar 2,327%; bawang merah sebesar 0,743%; dan bawang putih sebesar 0,438%. Komoditas beras, cabai merah dan bawang merah berdampak positif dan signifikan terhadap inflasi di Provinsi Sumatera Utara.

Sedangkan untuk komoditi bawang putih tidak berdampak signifikan terhadap inflasi di Provinsi Sumatera Utara. Apabila harga beras meningkat 1%, maka akan menyebabkan peningkata inflasi di Provinsi Sumatera Utara sebesar 0,115701%.

Begitu juga dengan cabai merah, apabila harga cabai merah meingkat 1%, maka akan menyebabkan peningkata inflasi di Provinsi Sumatera Utara sebesar

0,025602%. Sedangkan apabila harga bawang merah meningkat 1%, maka akan menyebabkan peningkata inflasi di Provinsi Sumatera Utara sebesar 0,025212%.

Sebaliknya pada komoditi bawang putih, apabila terjadi peningkatan harga

bawang putih sebesar 1%, maka akan menyebabkan penurunan inflasi di Provinsi

Sumatera Utara sebesar –0,009409%.

Perbedaan penelitian ini dengan penelitian terdahulu meliputi penggunaan variabel, periode, dan lokasi penelitian. Penelitian ini menggunakan variabel inflasi, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung. Penelitian pada periode Januari

2013 sampai Desember 2017. Lokasi penelitian di Kota Medan dan Kota

Pematangsiantar.

Selain itu, persamaan penelitian ini dengan penelitian terdahulu adalah sama-sama membahas tentang inflasi dan alat analisis yang digunakan. Alat analisis yang digunakan adalah Analisis Vector Autoregressive (VAR) dan

Analisis Kausalitas Granger.

2.6. Kerangka Pemikiran

Kota acuan pengukuran inflasi di Provinsi Sumatera Utara ada empat kota yaitu Kota Medan, Kota Pematangsiantar, Kota Padangsidempuan dan Kota

Sibolga. Namun, pada penelitian ini menganalisis pada dua kota, yaitu Kota

Medan dan Kota Pematangsiantar.

Inflasi pada kedua kota tersebut saling berpengaruh dengan fluktuasi harga pangan. Fluktuasi harga pangan pada penelitian ini dilihat dari perkembangan harga komoditas pangan berupa harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung pada periode

Januari 2013 sampai Desember 2017. Apabila fluktuasi harga komoditas pangan cenderung meningkat secara terus menerus maka akan menyebabkan inflasi di

kedua kota tersebut meningkat. Begitu juga sebaliknya, apabila inflasi meningkat maka harga komoditas pangan akan meningkat.

Inflasi Kota Inflasi Kota Medan Pematangsiantar

Harga Komoditi Pangan

Harga Beras Harga Daging Ayam Harga Cabai Merah Ras

Harga Minyak Goreng Harga Telur Ayam Harga Jagung Goreng Ras Goreng

Gambar 2.4. Kerangka Penelitian

2.7. Hipotesis Penelitian

Berdasarkan teori dan kerangka pemikiran, maka hipotesis penelitian adalah sebagai berikut :

1. Inflasi Kota Medan dan Kota Pematangsiantar sebelumnya, harga beras, harga

daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam

ras serta harga jagung berpengaruh positif terhadap inflasi Kota Medan dan

Kota Pematangsiantar.

2. Harga beras sebelumnya, harga daging ayam ras, harga cabai merah, harga

minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan

dan Kota Pematangsiantar berpengaruh positif terhadap harga beras.

3. Harga daging ayam ras sebelumnya, harga beras, harga cabai merah, harga

minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan

dan Kota Pematangsiantar berpengaruh positif terhadap harga daging ayam ras.

4. Harga cabai merah sebelumnya, harga beras, harga daging ayam ras, harga

minyak goreng, harga telur ayam ras, harga jagung serta inflasi Kota Medan

dan Kota Pematangsiantar berpengaruh positif terhadap harga cabai merah.

5. Harga minyak goreng sebelumnya, harga beras, harga daging ayam ras, harga

cabai merah, harga telur ayam ras, harga jagung serta inflasi Kota Medan dan

Kota Pematangsiantar berpengaruh positif terhadap harga beras.

6. Harga telur ayam ras sebelumnya, harga beras, harga daging ayam ras, harga

cabai merah, harga minyak goreng, harga jagung serta inflasi Kota Medan dan

Kota Pematangsiantar berpengaruh positif terhadap harga telur ayam ras.

7. Harga jagung sebelumnya, harga beras, harga daging ayam ras, harga cabai

merah, harga minyak goreng, harga telur ayam ras serta inflasi Kota Medan

dan Kota Pematangsiantar berpengaruh positif terhadap harga jagung.

8. Keterkaitan inflasi antar wilayah Kota Medan dan Kota Pematangsiantar

berpengaruh negatif.

III. METODE PENELITIAN

3.1. Metode Pemilihan Lokasi

Lokasi penelitian dilakukan secara sengaja (purposive), yaitu dilakukan di dua kota acuan pengukuran inflasi Provinsi Sumatera Utara yaitu Kota Medan dan Kota Pematangsiantar.

3.2. Metode Pengumpulan Data

Data yang digunakan adalah data skunder paralel periode Januari 2013 hingga Desember 2017. Data yang digunakan merupakan data sekunder berupa perkembangan harga pangan bulanan di tingkat konsumen yang merupakan rata- rata harga di tingkat Kota Medan dan Kota Pematangsiantar, serta inflasi bulanan di tingkat Kota Medan dan Kota Pematangsiantar.

Data tersebut diperoleh dari BPS Provinsi Sumatera Utara, dan Pusat

Informasi Harga Pangan Strategi (PIHPS). Selain itu, berbagai data penunjang diperoleh dari artikel terkait seperti, Kajian Ekonomi dan Keuangan Regional

(KEKR) Provinsi Sumatera Utara, Working Paper Bank Indonesia, buku bacaan, jurnal ilmiah dan artikel dari internet yang terpercaya dan sesuai dengan topik penelitian. Adapun rincian data yang dibutuhkan dalam penelitian dan sumbernya adalah sebagai berikut :

Tabel 3.1. Metode Pengumpulan Data No. Data yang Dibutuhkan Frekuensi Sumber 1. Perkembangan harga pangan (beras, cabai merah, minyak goreng, daging ayam, telur ayam PIHPS Provinsi Bulanan ras, dan jagung) bulanan di tingkat Sumatera Utara konsumen Kota Medan dan Kota Pematangsiantar 2. Inflasi bulanan Kota Medan dan BPS Provinsi Bulanan Kota Pematangsiantar Sumatera Utara Sumber : Penulis, 2019

3.3. Metode Analisis Data

Data yang diperoleh dianalisis menggunakan metode dan alat analisis yang sesuai. Adapun rincian matrik analisis adalah sebagai berikut .

Tabel 3.2. Matrik Analisis Data Metode No. Tujuan Permasalahan Data yang Dibutuhkan Analisis Data 1. Menganalisis kontribusi 1. Data time series Analisis VAR inflasi Kota Medan dan bulanan harga (Vector Kota Pematangsiantar komoditas pangan di Autoregressio) sebelumnya, harga Kota Medan dan Kota menggunakan beras, harga daging Pematangsiantar software Eviews 8 ayam ras, harga cabai periode Januari 2013 merah, harga minyak hingga Desember goreng, harga telur 2017. ayam ras serta harga jagung terhadap inflasi 2. Data time series Kota Medan dan Kota bulanan inflasi Kota Pematangsiantar Medan dan Kota Pematangsiantar (tujuan permasalahan periode Januari 2013 nomor 1 s/d 7 hingga Desember 2017 membutuhkan data yang sama) 2. Mengidentifikasi Data time series bulanan Analisis Kausalitas keterkaitan inflasi antar inflasi Kota Medan dan Granger wilayah Kota Medan Kota Pematangsiantar menggunakan dan Kota periode Januari 2013 software Eviews 8 Pematangsiantar hingga Desember 2017 Sumber : Penulis, 2019

3.3.1. VAR (Vector Autoregressive)

Pada penelitian ini analisis VAR digunakan untuk menjawab tujuan pertama yaitu mengidentifikasi pengaruh fluktuasi harga komoditas bahan pangan terhadap inflasi di Kota Medan dan Kota Pematangsiantar. Komoditas yang akan dianalisis yaitu harga beras, harga daging ayam, harga cabai merah, harga minyak goreng, harga telur ayam ras, harga jagung dan inflasi Kota Medan dan Kota

Pematangsiantar.

Analisis VAR dilakukan dengan menggunakan perangkat lunak Eviews 8.

Masing-masing variabel menggunakan logaritma natural untuk memudahkan perhitungan. Model penelitian dapat ditulis sebagai berikut :

INFt = a0 + a1INFt-1 + a2HBRSt + a3HCAMt + a4HMKGt + a5HDARt +

a6HTARt + a7HJGGt + et1…...... (3.1)

HBRSt = b0 + b1HBRSt-1 + b2INFt + b3HCAMt + b4HMKGt + b5HDARt +

b6HTARt + b7HJGGt + et2...... (3.2)

HDARt = c0 + c1HDARt-1 +c2INFt + c3HBRSt + c4HCAMt + c5HMKGt +

c6HTARt + c7HJGGt + et3...... (3.3)

HCAMt = d0 + d1HCAMt-1 + d2INFt + d3HBRSt + d4HMKGt + d5HDARt +

d6HTARt + d7HJGGt + et4...... (3.4)

HMKGt = e0 + e1HMKGt-1 + e2INFt + e3HBRSt + e4HCAMt + e5HDARt +

e6HTARt + e7HJGGt + et5...... (3.5)

HTARt = f0 + f1HTARt-1 + f2INFt + f3HBRSt + f4HCAMt + f5HMKGt +

f6HDARt + f7HJGGt + et6...... (3.6)

HJGGt = g0 + g1HJGGt-1 + g2INFt + g3HBRSt + g4HCAMt + g5HMKGt +

g6HDARt + g7HTARt + et7...... (3.7)

Dimana :

INFt = Inflasi pada bulan sekarang

INFt-1 = Inflasi pada bulan sebelumnya

HBRSt = Harga beras pada bulan sekarang

HBRSt-1 = Harga beras pada bulan sebelumnya

HDARt = Harga daging ayam ras pada bulan sekarang

HDARt-1 = Harga daging ayam ras pada bulan sebelumnya

HCAMt = Harga cabai merah pada bulan sekarang

HCAMt-1 = Harga cabai merah pada bulan sebelumnya

HMKGt = Harga minyak goreng pada bulan sekarang

HMKGt-1 = Harga minyak goreng pada bulan sebelumnya

HTARt = Harga telur ayam ras pada bulan sekarang

HTARt-1 = Harga telur ayam ras pada bulan sebelumnya

HJGGt = Harga jagung pada bulan sekarang

HJGGt-1 = Harga jagung pada bulan sebelumnya

A0 … G7 = Parameter estimasi

Et1 … Et7 = Error term

Adapun tahapan analisis VAR ditampilkan sebagai berikut :

1. Uji Stasioner Data

Uji Stasioner data dalam penelitian ini dilakukan pada seluruh variabel dalam

model VAR, meliputi masing-masing harga komoditas pangan dan inflasi. Uji

Stasioner untuk melihat apakah data yang digunakan bersifat stasioner atau

tidak stasioner. Apabila data yang digunakan tidak stasioner pada tingkat level,

maka dilakukan proses derivasi hingga data pada akhirnya bersifat stasioner

(maksimal derivasi derajat kedua). Masing-masing variabel akan diuji satu per

satu melalui uji ADF apakah stasioner pada tingkat level atau pada tingkat first

difference. Kriteria yang digunakan adalah ADF (Augmented Dickey-Fuller),

dengan selang kepercayaan 5%. Hipotesis yang diuji yaitu :

H0 = tidak stasioner atau terdapat unit root

H1 = stasioner atau tidak terdapat unit root

Jika nilai ADF statistik lebih kecil dari MacKinnon critical value, maka

keputusannya adalah tolak H0 atau data dinyatakan stasioner, sebaliknya jika

nilai ADF statistik lebih besar dari MacKinnon critical value maka terima H0

sehingga data dinyatakan tidak stasioner.

2. Penentuan Panjang Lag

Sebagai konsekuensi dari penggunaan model dinamis dengan data time series,

efek perubahan unit dalam variabel penjelas dirasakan selama sejumlah periode

waktu (Gujarati,2010). Dengan kata lain, perubahan pada suatu variabel

penjelas kemungkinan dapat dirasakan pengaruhnya setelah periode tertentu

(time lag). Dalam melakukan analisis VAR hal penting yang harus dilakukan

adalah menentukan lag. Penentuan Lag optimal dalam penelitian ini dapat

ditentukan dengan menggunakan berbagai kriteria, yaitu : Likelihood Ratio

(LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC),

Schwarz Information Criterion (SC), dan Hannan-quinn Information Criterion

(HQ).

3. Uji Stabilitas Model VAR

Uji stabilitas dilakukan untuk menguji apakah model VAR tersebut sudah

stabil atau belum. Uji stabilitas model VAR disusun dengan mengunakan AR

Roots Table. Stabilitas sistem VAR dapat diketahui dari nilai inverse roots

karakteristik nilai polinominalnya, apabila nilai modulus di bawah nilai roots-

nya atau nilai modulus seluruhnya <1, maka sistem disebut stabil. Sehingga

IRF dan FEVD akan dianggap valid. Jika sistem VAR sudah stabil, di bawah

hasil pengujian akan tertera kalimat: No root lies outside the unit circle dan

VAR satisfies the stability condition.

4. Uji Kointegrasi

Kointegrasi merupakan suatu hubungan jangka panjang atau ekuilibrium antara

variabel-variabel yang tidak stasioner (Widarjono, 2007). Dengan kata lain,

walaupun secara individual variabel-variabel tersebut tidak stasioner, namun

kombinasi antar variabel tersebut dapat menjadi stasioner. Uji kointegrasi yang

digunakan adalah Uji Johansen Cointegration Test. Ada tidaknya kointegrasi

didasarkan pada uji likelihood ratio (LR). Jika nilai hitung LR lebih besar dari

nilai kritis LR maka terima adanya kointegrasi pada sejumlah variabel dan

sebaliknya jika nilai hitung LR lebih kecil dari nilai kritisnya maka tidak ada

kointegrasi. Hasil uji kointegrasi untuk mengetahui keberadaan informasi

hubungan jangka panjang antar variabel. Apabila terdapat kointegrasi pada

model yang diuji, maka analisis selanjutnya menggunakan VECM, Model

dinyatakan memiliki kointegrasi sehingga signifikan pada selang kepercayaan

5%, apabila nilai trace statistic lebih besar daripada critical value.

5. Estimasi Model VAR / VECM

Salah satu kegunaan pengujian stasioneritas dan kointegrasi sebelumnya adalah

untuk menentukan metode VAR yang akan dipakai dalam estimasi apakah

metode VAR in level ataukah menggunakan metode Vector Error Correction

Model (VECM). Apabila data stasioner pada level, maka yang digunakan

adalah estimasi model VAR, tetapi ababila data stasioner pada first difference

dan terdapat kointegrasi, maka yang digunakan adalah estimasi model VECM.

6.A. Analisis Impulse Responden Function (IRF)

Analisis IRF digunakan untuk melihat pergerakan efek atau dampak dari

adanya shock pada salah satu variabel dan pengaruhnya terhadap variabel itu

sendiri ataupun variabel yang lain dalam periode sekarang dan yang akan

dating. Shock pada variabel ke-i bukan hanya langsung mempengaruhi pada

variabel ke-i saja, tetapi akan disalurkan ke semua variabel endogen melalui

struktur lag yang dinamis pada VAR juga. Selain itu IRF juga melacak

dampak dari satu kali shock pada satu inovasi nilai sekarang dan yang akan

dating pada variabel endogen. Apabila inovasi tersebut tidak berhubungan

sementara maka interpretasi dari IRF akan tepat. Hasil analisis berupa tabel

dan grafik yang akan menggambarkan lintasan dimana suatu variabel akan

kembali kepada keseimbangannya setelah mengalami guncangan dari variabel

lain.

6.B. Analisis Forecast Error Variance Decomposition (FEVD)

FEVD digunakan untuk mengukur perkiraan varians error suatu variabel yaitu

seberapa besar kemampuan satu variabel dalam memberikan penjelasan pada

variabel lainnya atau pada variabel itu sendiri. Dengan menggunakan metode

ini dapat melihat proporsi dampak perubahan terhadap variabel itu sendiri

dalam suatu periode. Dapat disimpulkan bahwa dengannmenganalisis hasil

FEVD maka kita dapat mengukur perkiraan varians error suatu variabel, yaitu

seberapa besar perbedaan antara sebelum dan sesudah terjadi shocks, baik itu

berasal dari variabel itu sendiri maupun dari variabel lain. Adapun tahapan

analisis VAR tersebut dipaparkan pada Gambar 3.1.

Tahap 1 : Augmented Dickey Uji Stasioneritas :Uji Root Test dari variabel yang diteliti Fuller Test

Tahap 2 : Penentuan Panjang Lag

Tahap 3 : Uji stabilitas model VAR

Tahap 4 : Johansens’

Uji Kointegrasi cointegration

Tahap 5 : Estimasi Model VAR / VECM

Tahap 6 : A. Analisis IRF (Impulse Response Function) B. Analisis FEVD (Forecast Error Variance Decomposition)

Gambar 3.1. Tahapan Analisis VAR

3.3.2. Uji Kausalitas Granger

Menurut Juanda (2012), uji kausalitas adalah pengujian untuk menentukan hubungan sebab dan akibat antara peubah dalam system VAR (Vector

Autoregressive). Model kausalitas granger diformulasikan sebagai berikut:

∑ ∑ ( )

Dari persamaan 1 san 2, Grenger membentuk empat model regresi sebagai berikut: a. Persamaan untuk menguji apakah X yang mempengaruhi Y:

Unrestricted: ∑ ∑ ( )

Restricted: ∑ ( ) b. Persamaan untuk menguji apakah Y yang mempengaruhi X:

Unrestricted: ∑ ∑ ( )

Restricted: ∑ ( )

Pada penelitian ini uji kausalitas granger digunakan untuk melihat keterkaitan inflasi antara Kota Medan dengan Kota Pematangsiantar. Dengan Uji

Kausalitas Grenger ini dapat dilihat adanya pengaruh masa lalu terhadap kondisi sekarang, sehingga diperlukan data time series. Hipotesis pada Uji Kausalitas

Grenger adalah sebagai berikut :

H0 = suatu variabel tidak mempengaruhi variabel lainnya

H1 = suatu variabel mempengaruhi suatu variabel lainnya

Dalam penelitian ini hipotesis yang digunakan adalah inflasi Kota Medan tidak mempunyai keterkaitan kausalitas dengan inflasi Kota Pematangsiantar dan sebaliknya inflasi Kota Pematangsiantar tidak mempunyai keterkaitan kausalitas dengan inflasi Kota Medan. Apabila nilai probabilitas dari kedua hipotesis tesebut memiliki nilai lebih kecil dari 5% maka keputusannya adalah tolak H0. Hal ini diintepretasikan bahwa apabila antara satu variabel dengan satu variabel lainnya saling terkait, maka hanya terjadi hubungan kausalitas satu arah. Selanjutnya, apabila nilai probabilitasnya lebih besar dari 5% maka keputusannya terima H0 sehingga tidak memiliki hubungan kausalitas.

3.4. Definisi dan Batasan Operasional

3.4.1. Definisi

1. Fluktuasi harga komoditas pangan adalah suatu kondisi dimana terjadi

instabilitas harga komoditas pangan di dua kota acuan perhitungan inflasi

Provinsi Sumatera Utara, yaitu Kota Medan dan Kota Pematangsiantar yang

disebabkan oleh peningkatan permintaan tidak diimbangi dengan penawaran

yang cukup, lingkungan eksternal, supply shocks, dan pergerakan harga yang

ditetapkan oleh pemerintah.

2. Perkembangan harga komoditas pangan adalah suatu kondisi trend

perkembangan harga komoditas pangan bulanan di Kota Medan dan Kota

Pematangsiantar dalam periode Januari 2013 sampai Desember 2017, dalam

satuan persen.

3. Keterkaitan inflasi antar wilayah adalah pengaruh inflasi anatar Kota Medan

dengan Kota Pematangsiantar dalam periode Januari 2013 sampai Desember

2017.

4. Inflasi adalah kondisi terjadinya kenaikan harga komoditas pangan secara terus

menerus di Kota Medan dan Kota Pematangsiantar dalam periode Januari 2013

sampai Desember 2017, dalam satuan persen.

5. Harga beras adalah harga ecer beras per kilogram di Kota Medan dan Kota

Pematangsiantar pada periode Januari 2013 sampai Desember 2017, dalam

satuan rupiah.

6. Harga cabai merah adalah harga ecer cabai merah biasa per kilogram di Kota

Medan dan Kota Pematangsiantar pada periode Januari 2013 sampai Desember

2017, dalam satuan rupiah.

7. Harga daging ayam ras adalah harga daging ayam ras potong per kilogram di

Kota Medan dan Kota Pematangsiantar pada periode Januari 2013 sampai

Desember 2017, dalam satuan rupiah.

8. Harga minyak goreng adalah harga minyak kemasan merk bimoli ukuran 2 liter

di Kota Medan dan Kota Pematangsiantar pada periode Januari 2013 sampai

Desember 2017, dalam satuan rupiah.

9. Harga telur ayam ras adalah harga telur ras per kilo di Kota Medan dan Kota

Pematangsiantar pada periode Januari 2013 sampai Desember 2017, dalam

satuan rupiah.

10. Harga jagung adalah harga ecer jagung pipil di Kota Medan dan Kota

Pematangsiantar pada periode Januari 2013 sampai Desember 2017, dalam

satuan rupiah.

3.4.2. Batas Operasional

1. Daerah penelitian berada di dua kota acuan pengukuran inflasi Provinsi

Sumatera Utara yaitu Kota Medan dan Kota Pematangsiantar.

2. Komoditas pangan yang diteliti adalah beras, cabai merah, daging ayam ras,

minyak goreng, telur ayam ras, dan jagung.

3. Periode data untuk mengetahui perkembangan harga komoditaas pangan adalah

selama enam puluh bulan yaitu dari Januari 2013 sampai Desember 2017.

4. Periode data untuk menganalisis pengaruh fluktuasi harga komoditas pangan

terhadap inflasi adalah selama enam puluh bulan yaitu dari Januari 2013

sampai Desember 2017.

5. Periode data untuk mengetahui keterkaitan inflasi antar wilayah Kota Medan

dan Kota Pematangsiantar adalah selama enam puluh bulan, dimulai dari

Januari 2013 sampai Desember 2017.

IV. HASIL DAN PEMBAHASAN

4.1. Deskripsi Kota Medan dan Kota Pematangsiantar

Berdasarkan data dari Badan Pusat Statisti (BPS), Kota Medan berada diantara 3o.27’ Lintang Utara dan 98o.35’ – 98o.44’ Bujur Timur, ketinggian 2,5 –

37,5 meter di atas permukaan laut dan memiliki luas wilayah 26.510 km2. Secara administratif Kota Medan berbatasan dengan Kabupaten Deli Serdang di sebelah selatan, barat serta timur dan berbatasan dengan Selat Malaka di sebelah utara.

Sedangkan Kota Pematangsiantar berada pada 2o53’20” – 3o01’00” Lintang

Utara dan 99o1’00” – 99o6’35” Bujur Timur, ketinggian sekitar 400 – 500 meter di atas permukaan laut, dan memiliki luas 79,971 km2. Secara administratif, Kota

Pematangsiantar dikelilingi Kabupaten Simalungun.

Sebagai kota terbesar pertama dan kedua di Provinsi Sumatera Utara, jumlah penduduk Kota Medan dan Kota Pematangsiantar dari tahun 2013 – 2017 terus meningkat. Peningkatan jumlah penduduk di Kota Medan dan Kota

Pematangsiantar dipaparkan pada Tabel 4.1.

Tabel 4.1. Perkembangan Jumlah Penduduk di Kota Medan dan Kota Pematangsiantar Tahun 2013 -2017 Tahun Kota Medan Kota Pematangsiantar 2013 2.135.516 237.434 2014 2.191.140 245.104 2015 2.210.624 247.411 2016 2.229.408 249.505 2017 2.247.425 251.513 Sumber : BPS Provinsi Sumatera Utara, 2018

4.2. Perkembangan Harga Komoditas Pangan di Kota Medan dan Kota

Pematangsiantar

Perkembangan harga komoditas pangan di Kota Medan dan Kota

Pematangsiantar dalam penelitian ini dijelaskan dengan mendeskripsikan melalui

laju perubahan harga komoditas pangan selama periode Januari 2013 sampai

Desember 2017. Untuk mempermudah menjelaskan kondisi atau gejala yang terjadi di Kota Medan dan Kota Pematangsiantar maka dibantu dengan tabel dan grafik.

Tabel 4.2. Rata-Rata Perubahan Harga Komoditi Pangan (Beras, Daging Ayam Ras, Cabai Merah, Minyak Goreng, Telur Ayam Ras dan Jangung) di Kota Medan dan Kota Pematangsiantar Tahun 2013 - 2017 Perubahan Harga (%) Telur Daging Cabai Minyak Tahun Beras Ayam Jagung Ayam Ras Merah Goreng Ras Kota Medan 2013 0,681 -1,198 11,097 1,321 0,503 1,431 2014 0,488 0,999 4,702 -0,932 0,691 0,354 2015 0,338 1,581 9,74 4,772 1,353 0,658 2016 -0,022 6,938 7,44 -1,158 0,039 0,494 2017 0,056 -0,463 0,903 0,847 0,376 -0,160 Jumlah 1,541 7,857 33,882 4,85 2,962 2,777 Rata-Rata 0,3082 1,5714 6,7764 0,97 0,5924 0,5554 Kota Pematangsiantar 2013 -0,189 -2,056 10,481 1,001 0,882 3,907 2014 0,542 0,8 10,357 0,606 -0,375 -1,322 2015 0,244 3,052 5,004 -0,28 1,901 1,873 2016 0 1,056 9,281 0,256 0,367 1,465 2017 0,354 -0,475 3,822 0 0 0,091 Jumlah 0,951 2,377 38,945 1,583 2,775 6,014 Rata-Rata 0,1902 0,475 7,789 0,3166 0,555 1,2028 Sumber : PIHPS, 2018 (diolah)

Rata – rata harga komoditas pangan selama tahun 2013 – 2017 berfluktuasi.

Hal ini ditunjukkan bahwa semua komoditi bernilai positif dan negatif, kecuali komoditi cabai merah. Perubahan harga komoditi cabai merah bernilai positif.

Perkembangan rata-rata harga komoditi cabai merah bernilai positif. Rata – rata perubahan harga terbesar di Kota Medan adalah cabai merah (6,7764) dan yang terkecil adalah beras (0,3082). Sedangkan rata – rata perubahan harga terbesar di

Kota Pematangsiantar adalah cabai merah (7,789) dan yang terkecil adalah beras

(0,1902).

Naiknya harga komoditi cabai merah di Kota Medan dan Kota

Pematangsiantar dikarenakan penurunan luas tanam komoditi cabai merah di bulan Mei 2017 dan erupsi Gunung Sinabung (BPS, 2017). Hal ini yang membuat terbatasnya pasokan cabai merah di pasar Kota Medan dan Kota Pematangsiantar, yang pada akhirnya memicu kenaikan harga. Selain itu ada beberapa bulan harga cabai merah anjlok sehingga petani enggan untuk menanam cabai merah. Kondisi seperti ini akan mempengaruhi pasokan di bulan-bulan berikutnya. Selain keterbatasan stok cabai merah, kelangkaan LPG 3 Kg di Provinsi Sumatera Utara akibat penentuan jumlah kuota LPG subsidi dari pemerintah juga ikut menggerakkan inflasi, terutama di Kota Medan dan Kota Pematangsiantar.

Perubahan harga beras memiliki perubahan yang paling kecil dibandingkan dengan lima komoditi lainnya. Meskipun begitu, sedikit saja harga beras berubah akan berpengaruh signifikan terhadap inflasi pada umumnya.

4.2.1. Perkembangan Harga Beras

Beras merupakan makanan pokok utama masyarakat Indonesia terutama masyarakat Kota Medan dan Kota Pematangsiantar yang perannya tidak dapat digantikan dengan komoditas pangan lainnya. Sehingga permintaan beras dari tahun 2013 sampai 2017 semakin meningkat. Hal ini yang memicu naiknya harga komoditi beras di Kota Medan dan Kota Pematangsiantar. Perkembangan harga beras di Kota Medan dan Kota Pematangsiantar dipaparkan pada Gambar 4.1.

Gambar 4.1. Perkembangan Harga Beras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga beras di Kota Medan dan Kota Pematangsiantar selama periode Januari 2013 sampai Desember 2017 mengalami fluktuasi cenderung meningkat. Peningkatan ini karena rata-rata perubahan harga beras di

Kota Medan dan Kota Pematangsiantar bernilai positif. Rata-rata perubahan harga beras di Kota Medan lebih besar dibandingkan perubahan harga di Kota

Pematangsiantar yaitu, Kota Medan sebesar 0,308% dan Kota Pematangsiantar sebesar 0,190%.

Peningkatan perubahan harga beras di Kota Medan pada titik tertinggi pada bulan Februari 2014 yaitu sebesar 12,388% dan penurunan perubahannya pada titik terendah pada bulan Januari 2014 yaitu sebesar -8,847%. Sedangkan peningkatan perubahan harga beras di Kota Pematangsiantar pada titik tertinggi pada bulan Juli 2013 yaitu sebesar 22,566% dan penurunan perubahannya pada titik terendah pada bulan Maret 2013 yaitu sebesar -6,916%.

Meningkatnya harga beras di Kota Medan dan Kota Pematangsiantar diduga disebabkan karena tidak lancanya jalur distribusi dari petani di daerah produksi ke pasar tradisional dan karena penumpukkan stok yang dilakukan oleh oknum yang

tidak bertanggung jawab. Selain itu, ada lahan sawah yang beralih fungsi lahan sehingga produksi padi sawah menurun.

4.2.2. Perkembangan Harga Daging Ayam Ras

Daging ayam ras merupakan salah satu sumber protein hewani yang banyak dikonsumsi masyarakat Indonesia terutama masyarakat Kota Medan dan Kota

Pematangsiantar. Masyarakat mengkonsumsi daging ayam ras karena harganya relatif terjangkau dan mudah diperoleh. Perkembangan harga daging ayam ras di

Kota Medan dan Kota Pematangsiantar dipaparkan pada Gambar 4.2.

Gambar 4.2. Perkembangan Harga Daging Ayam Ras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga daging ayam ras di Kota Medan dan Kota

Pematangsiantar selama periode Januari 2013 sampai Desember 2017 cenderung meningkat. Peningkatan ini karena rata-rata perubahan harga daging ayam ras di

Kota Medan dan Kota Pematangsiantar bernilai positif. Rata-rata perubahan di

Kota Medan yaitu 1,571% dan di Kota Pematangsiantar yaitu 0,475%.

Peningkatan perubahan harga daging ayam ras di Kota Medan pada titik tertinggi pada bulan Januari 2016 yaitu sebesar 124,073% dan penurunan perubahannya pada titik terendah pada bulan Februari 2016 yaitu sebesar -

52,471%. Sedangkan penurunan perubahannya harga daing ayam ras di Kota

Pematangsiantar pada titik terendah pada bulan September 2015 yaitu sebesar -

27,595% dan peningkatan perubahan pada titik tertinggi pada bulan Mei 2016 yaitu sebesar 32,526%.

Langkanya jagung dan naiknya harga BBM menyebabkan naiknya harga daging ayam ras. Selain itu menurut mantan Menteri Perdagangan (Enggartiasto

Lukita), penurunan produktivitas ayam diakibatkan karena pengurangan obat- obatan (mengurangi kadar obat agar ayam ras sehat namun beresiko pada tingkat kematian ayam ras), cuaca ekstem di sejumlah wilayah sentra peternakan ayam dan sifat daging ayam ras yang tidak tahan lama. Apabila ayam ras disimpan harus memerlukan biaya untuk menahannya di dalam peternakan atau gudang.

Penyimpanan ayam ras tersebut membutuhkan pakan yang lebih banyak lagi, sehingga biaya produksi meningkat.

Selain itu penurunan penawaran ke pasaran lantaran ada masa libur lebaran.

Dimana para pekerja mengambil cuti libur lebaran dan adanya pihak tertentu menaikkan harga untuk mendapatkan margin keuntungan yang lebih besar.

4.2.3. Perkembangan Harga Cabai Merah

Cabai merah merupakan salah satu bumbu dapur yang memiliki nilai jual tinggi. Harga cabai merah dipengaruhi oleh ketersediaan yang ada di pasar.

Pergerakan harga cabai merah juga mampu mempengaruhi pergerakan inflasi di

Kota Medan dan Kota Pematangsiantar. Perkembangan harga cabai merah di Kota

Medan dan Kota Pematangsiantar dipaparkan pada Gambar 4.3.

Gambar 4.3. Perkembangan Harga Cabai Merah di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga cabai merah di Kota Medan dan Kota Pematangsiantar selama periode Januari 2013 sampai Desember 2017 cenderung meningkat.

Peningkatan ini karena rata-rata perubahan harga cabai merah di Kota Medan dan

Kota Pematangsiantar bernilai positif. Rata-rata perubahan di Kota Medan yaitu

6,776% dan di Kota Pematangsiantar yaitu 7,789%.

Peningkatan perubahan harga cabai merah di Kota Medan pada titik tertinggi pada bulan Oktober 2013 yaitu sebesar 97,276% dan penurunan perubahannya pada titik terendah pada bulan Desember 2014 yaitu sebesar -

48,174%. Sedangkan peningkatan perubahan harga cabai merah di Kota

Pematangsiantar pada titik tertinggi pada bulan Mei 2015 yaitu sebesar 96,706% dan penurunan perubahannya pada titik terendah pada bulan Februari 2015 yaitu sebesar -56,149%.

Penyebab terjadinya harga cabai merah adalah menurunnya luasa tanam komoditas cabai merah di bulan Mei 2017 dan erupsi Gunung Sinabung (BPS,

2017). Sehingga beberapa bulan di tahun 2017 harga cabai anjlok sehingga petani

enggan menanam cabai merah. Dengan demikian akan mempengaruhi pasokan di bulan berikutnya yang mengakibatkan naiknya harga cabai merah.

4.2.4. Perkembangan Harga Minyak Goreng

Minyak goreng berfungsi sebagai media penghantar panas, menambah rasa gurih, menambah nilai nilai gizi dan kalori dalam makanan (Kataren, 2008). Pada penelitian ini harga minyak goreng yang diteliti adalah minyak goreng bimoli ukuran 1 liter. Hal ini dikarenakan minyak goreng bimoli banyak dikonsumsi masyarakat Kota Medan dan Kota Pematangsiantar. Perkembangan harga minyak goreng di Kota Medan dan Kota Pematangsiantar dipaparkan pada Gambar 4.4.

Gambar 4.4. Perkembangan Harga Minyak Goreng di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga minyak goreng di Kota Medan dan Kota

Pematangsiantar selama periode Januari 2013 sampai Desember 2017 cenderung meningkat. Peningkatan ini karena rata-rata perubahan harga minyak goreng di

Kota Medan dan Kota Pematangsiantar bernilai positif. Rata-rata perubahan di

Kota Medan yaitu 0,970% dan di Kota Pematangsiantar yaitu 0,317%.

Peningkatan perubahan harga minyak goreng di Kota Medan pada titik tertinggi pada bulan Januari 2015 yaitu sebesar 56,660% dan penurunan

perubahannya pada titik terendah pada bulan Desember 2014 yaitu sebesar -

36,167%. Sedangkan peningkatan perubahan harga minyak goreng di Kota

Pematangsiantar pada titik tertinggi pada bulan Mei 2014 yaitu sebesar 4,937% dan penurunan perubahannya pada titik terendah pada bulan September 2014 yaitu sebesar -2,926%.

Penyebab turunnya harga minyak goreng dikarenakan turunnya harga minyak dunia. Hal ini dikarenakan harga minyak bumi dan CPO memiliki hubungan erat. Selain itu disebabkan lesunya perekonomian Cina dan nilai dolar

Amerika Serikat naik,

4.2.5. Perkembangan Harga Telur Ayam Ras

Telur ayam ras merupakan salah satu sumber protein hewani yang harganya cukup terjangkau bagi masyarakat. Kebutuhan telur ayam ras di Provinsi

Sumatera Utara khususnya Kota Medan dan Kota Pematangsiantar terus meningkat, namun tidak diimbangi dengan produksi telur ayam ras. Sehingga terjadilah kekurangan persediaan telur ayam ras yang mengakibatkan harga telur ayam ras naik. Perkembangan harga telur ayam ras di Kota Medan dan Kota

Pematangsiantar dipaparkan pada Gambar 4.5.

Gambar 4.5. Perkembangan Harga Telur Ayam Ras di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga telur ayam ras di Kota Medan dan Kota

Pematangsiantar selama periode Januari 2013 sampai Desember 2017 cenderung meningkat. Peningkatan ini karena rata-rata perubahan harga telur ayam ras di

Kota Medan dan Kota Pematangsiantar bernilai positif. Rata-rata perubahan di

Kota Medan 0,592% dan di Kota Pematangsiantar yaitu 0,555%.

Peningkatan perubahan harga telur ayam ras di Kota Medan pada titik tertinggi pada bulan September 2014 yaitu sebesar 9,803% dan penurunan perubahannya pada titik terendah pada bulan Oktober 2014 yaitu sebesar -

12,683%. Sedangkan peningkatan perubahan harga telur ayam ras di Kota

Pematangsiantar pada titik tertinggi pada bulan Juni 2015 yaitu sebesar 8,908% dan penurunan perubahannya pada titik terendah pada bulan Maret 2016 yaitu sebesar -11,518%.

Sama halnya dengan penyebab naiknya harga daging ayam ras, harga telur ayam ras naik disebabkan karena langkanya jagung dan naiknya harga BBM.

Selain itu menurunnya produktivitas telur ayam ras diakibatkan karena pengurangan obat-obatan (mengurangi kadar obat agar ayam ras dan telurnya sehat namun beresiko pada tingkat kematian ayam ras), cuaca ekstem di sejumlah wilayah sentra peternakan ayam petelur, dan tidak dapat disimpan terlal lama.

4.2.6. Perkembangan Harga Jagung

Pada penelitian ini komoditi jagung yang diamati adalah jagung pipil.

Jagung pipil merupakan salah satu pakan ternak seperti ayam ras, ayam kampong, dan lain-lain. Langkanya jagung pipil mengakibatkan naiknya harga jagung pipil di Kota Medan dan Kota Pematangsiantar. Perkembangan harga jagung di Kota

Medan dan Kota Pematangsiantar dipaparkan pada Gambar 4.6.

Gambar 4.6. Perkembangan Harga Jagung di Kota Medan dan Kota Pematangsiantar Periode Januari 2013 sampai Desember 2017

Perkembangan harga jagung di Kota Medan dan Kota Pematangsiantar selama periode Januari 2013 sampai Desember 2017 cenderung meningkat.

Peningkatan ini karena rata-rata perubahan harga jagung di Kota Medan dan Kota

Pematangsiantar bernilai positif. Rata-rata perubahan di Kota Medan 0,555% dan di Kota Pematangsiantar yaitu 1,203%.

Peningkatan perubahan harga jaung di Kota Medan pada titik tertinggi pada bulan November 2014 yaitu sebesar 20,710% dan penurunan perubahannya pada titik terendah pada bulan Januari 2014 yaitu sebesar -24,528%. Sedangkan peningkatan perubahan harga jagung di Kota Pematangsiantar pada titik tertinggi pada bulan Desember 2013 yaitu sebesar 42,857% dan penurunan perubahannya pada titik terendah pada bulan Februari 2013 yaitu sebesar -16,649%.

Dikarenakan jagung berhubungan dengan pakan ternak, maka perlu pengontrolan agar cukup memenuhi permintaan dipasar. Tingginya permintaan jagung akan mengakibatkan naiknya harga jagung, namun naiknya tidak besar.

Walaupun begitu bagi pemilik usaha peternakan akan terasa imbasnya kepada

produktivitas peternakan, khususnya peternakan ayam ras pedaging dan peternakan ayam ras petelur.

Dari keenam perkembangan komoditas tersebut dapat disimpulkan bahwa perkembangan harga yang paling tinggi perubahannya adalah harga cabai merah.

Rata-rata perubahan harga pada tahun 2013 sampai 2017 di Kota Medan sebesar

6,77764% sedangkan di Kota Pematangsiantar sebesar 7,789%. Perkembangan perubahan harga cabai merah yang paling berpengaruh terhadap perekonomian di

Provinsi Sumatera Utara, khususnya Kota Medan dan Kota Pematangsiantar.

4.3. Hasil dan Pembahasan

Pada bagian ini akan dijelaskan analisa dan pembahasan yang telah dicapai selama penelitian. Metode yang digunakan dalam penelitian ini adalah analisis analisis VAR (Vector Autoregressive) dan analisis Kausalitas Granger (Granger causality). Variabel yang digunakan dalam penelitian ini adalah harga beras

(HBRS), harga daging ayam ras (HDAR), harga cabai merah (HCAM), harga minyak goreng (HMKG), harga telur ayam ras (HTAR), harga jagung (HJGG) dan inflasi (INF).

4.3.1. Pengaruh Fluktuasi Harga Pangan (Beras, Daging Ayam Ras, Cabai Merah, Minyak Goreng, Telur Ayam Ras dan Jagung) Terhadap Inflasi di Kota Medan dan Kota Pematangsiantar

Menganalisis pengaruh fluktuasi harga komoditas pangan (beras, daging ayam ras, cabai merah, minyak goreng, telur ayam ras dan jagung) terhadap inflasi di Kota Medan dan Kota Pematangsiantar menggunakan model Vector

Autoregressive (VAR). Identifikasi model berkaitan dengan identifikasi persamaan yang digunakan. Adapun tahapan dalam menggunakan analisis VAR, yaitu : 1. Uji stasioneritas (uji root test dari variabel yang diteliti); 2. Penentuan

panjang lag ; 3. Uji stabilitas model VAR; 4. Uji Kointegrasi; 5. Estimasi Model

VAR; 6A. Analisis IRF (impulse response function); 6B. Analisis FEVD.

4.3.1.1. Uji Stasioneritas Data

Uji stasioneritas dilakukan untuk memastikan pada variable penelitian tidak terdapat unit root. Kriteria yang digunakan adalah Augmented Dickey-Fuller

(ADF), dengan selang kepercayaan 5%. Hipotesis yang diuji yaitu H0 = tidak stasioner atau terdapat unit root, sedangkan H1 = stasioner atau tidak terdapat unit root. Jika nilai ADF statistic lebih kecil dari MacKinnon critical value, maka keputusannya adalah tolak H0 atau data dinyatakan stasioner, sebaliknya jika nilai

ADF statistic lebih besar dari MacKinnon critical value maka terima H0 sehingga data dinyatakan tidak stasioner. Hasil uji stasioneritas data di Kota Medan dan

Kota Pematangsiantar dipaparkan pada Tabel 4.3.

Tabel 4.3. Hasil Uji Stasioneritas Pada Tingkat Level ADF MacKinnon Critical Value Variabel Keterangan Statistic 1% 5% 10% LnINF -8.549528 -3.486064 -2.885863 -2.579818 Stasioner LnHBRS -14.68554 -3.486064 -2.885863 -2.579818 Stasioner LnHDA -9.783261 -3.487550 -2.886509 -2.580163 Stasioner LnHCA -9.783463 -3.486064 -2.885863 -2.579818 Stasioner LnHMK -5.018770 -3.487046 -2.886290 -2.580046 Stasioner LnHTAR -12.49210 -3.486064 -2.885863 -2.579818 Stasioner LnHJGG -11.60900 -3.486551 -2.886074 -2.579931 Stasioner Sumber : Data diolah dengan Eviews10

Berdasarkan hasil uji stasioneritas pada tingkat level pada Tabel 4.3 di atas menunjukkan hasil nilai ADF statistic pada semua variabel lebih kecil daripada

MacKinnon critical value, maka tolak H0 yang artinya stasioner pada tingkat level.

4.3.1.2. Penentuan Lag Optimal

Dalam metode analisis VAR penentuan lag optimal sangat penting karena penentuan lag optimal digunakan untuk menghilangkan masalah autokorelasi

dalam sebuah sistem VAR. Penentuan Lag optimal didasarkan nilai dari

Likelihood Ratio (LR) yang paling besar dan Final Prediction Error (FPE),

Akeike Information Criteria (AIC), Schwarz Information Criteria (SC), dan

Hannan-Quinn Information Criteria (HQ) yang bernilai paling kecil. Atau pada output eviews pilih lag yang paling banyak kode *.

Tabel 4.4. Hasil Uji Lag Optimal Lag LogL LR FPE AIC SC HQ 0 -2602.262 NA 1.20e+11 45.37847 45.54555* 45.44629 1 -2523.815 145.9800 7.22e+10* 44.86635* 46.20301 45.40889* 2 -2486.895 64.20774 8.99e+10 45.07644 47.58268 46.09371 3 -2446.870 64.73711 1.08e+11 45.23252 48.90834 46.72452 4 -2396.198 75.78706 1.09e+11 45.20345 50.04885 47.17017 5 -2331.445 88.96485* 8.94e+10 44.92948 50.94446 47.37093 Sumber : Data diolah dengan Eviews10

Berdasarkan output pada Tabel 4.4 dinyatakan bahwa lag optimal yang akan digunakan adalah lag optimal pertama. Hasil estimasi ini digunakan untuk menjawab permasalahan penelitian ini.

4.3.1.3. Uji Stabilitas Model VAR

Hasil estimasi sistem persamaan VAR perlu diuji karena apabila hasil estimasi VAR tidak stabil maka analisis Impulse Response Function (IRF) dan

Forecast Error Varian Decomposition (FEVD) menjadi tidak valid. Pengujian stabilitas VAR dilakukan dengan menguji akar-akar dari fungsi polinominal atau roots of characterstic polinominal. Estimasi VAR stabil apabila seluruh roots memiliki modulus < 1 dan berada dalam unit circle. Kestabilan model VAR akan menghasilkan estimasi Impulse Response Functions (IRF) dan Eorecast Error

Variance Decomposition (FEVD) dianggap valid.

Tabel 4.5. Hasil Uji Stabilitas VAR Root Modulus 0.326049 - 0.521078i 0.614679 0.326049 + 0.521078i 0.614679 -0.448178 - 0.370147i 0.581268 -0.448178 + 0.370147i 0.581268 0.068442 - 0.542712i 0.547010 0.068442 + 0.542712i 0.547010 0.538705 0.538705 -0.188111 - 0.454938i 0.492295 -0.188111 + 0.454938i 0.492295 -0.462887 0.462887 -0.152111 - 0.395525i 0.423766 -0.152111 + 0.395525i 0.423766 -0.254923 - 0.237026i 0.348091 -0.254923 + 0.237026i 0.348091 Sumber : Data diolah dengan Eviews10

Berdasarkan Tabel 4.5 maka nilai modulus seluruh akar unit diketahui bahwa seluruh akar-akar unit hasil pengujian stabil estimasi VAR karena memiliki modulus < 1. Maka estimasi VAR yang digunakan untuk analisis Impulse

Response Function (IRF) dan Eorecast Error Variance Decomposition (FEVD) adalah estimasi VAR dengan menggunakan lag 1. Hasil uji stabilitas tersebut dipaparkan pada Gambar 4.7.

Inverse Roots of AR Characteristic Polynomial

1.5

1.0

0.5

0.0

-0.5

-1.0

-1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Gambar 4.7. Hasil Pengujian Stabilitas VAR Bentuk Diagram

Berdasarkan Gambar 4.7 bahwa spesifikasi model diperoleh hasil stabil.

Hal ini dikarenkana dengan semua unit roots berada dalam lingkaran gambar

Inverse Roots of AR Characteristic Polynominal.

4.3.1.4. Uji Kointegrasi

Hasil uji kointegrasi untuk mengetahui apakah akan terjadi keseimbangan dalam jangka panjang antar variabel. Jika terdapat kointegrasi, maka analisis selanjutnya menggunakan VECM. Namun, apabila tidak terdapat kointegrasi maka analisis dilanjutkan dengan menggunakan VAR. Kriteria yang digunakan dalam uji kointegrasi pada penelitian ini adalah Johansen Cointegration Test.

Suatu model dinyatakan memiliki kointegrasi apabila nilai trace statistic lebih besar daripada critical value.

Tabel 4.6. Hasil Kointegrasi Dengan Metode Johansen’s Cointegration Test Hypothesized 0.05 Critical No. of CE(s) Eigenvalue Trace Statistic Value Prob.** None * 0.538707 340.5261 125.6154 0.0000 At most 1 * 0.433449 250.0008 95.75366 0.0000 At most 2 * 0.371269 183.5227 69.81889 0.0000 At most 3 * 0.294688 129.2286 47.85613 0.0000 At most 4 * 0.285406 88.38220 29.79707 0.0000 At most 5 * 0.244432 49.06544 15.49471 0.0000 At most 6 * 0.129840 16.27210 3.841466 0.0001 Sumber : Data diolah dengan Eviews10

Berdasarkan hasil Tabel 4.6 menunjukkan bahwa pada selang kepercayaan

5% semua persamaan memiliki nilai trace statistic yang lebih besar dari critical value. Dengan demikian terdapat tujuh persamaan yang kointegrasi, sehingga ada hubungan jangka panjang diantara variable.

Dengan adanya kointegrasi pada Uji Johansen dapat dilihat indikasi awal hubungan jangka panjang antar variabel (cointegrated) sehingga antar variabel tersebut membentuk suatu hubungan yang linear. Hasil uji kointegrasi

menunjukkan bahwa variabel inflasi (INF) dengan harga beras (HBRS), harga cabai merah (HCAM), harga daging ayam ras (HDAR), harga minyak goreng

(HMKG), harga telur ayam ras (HTAR), dan harga jagung (HJGG) terjadi keseimbangan dalam jangka panjang.

4.3.1.5. Estimasi Vector Autoregressive (VAR)

Model VAR merupakan sistem persamaan simultan, namun dikarenakan peubah bebas yang ada di semua persamaan adalah sama, maka estimasi dapat dilakukan dengan menerapkan metode OLS terhadap setiap persamaan.

Model unrestricted VAR sendiri memiliki dua bentuk yaitu VAR in level dan VAR in defference. VAR in level digunakan jika data stasioner pada level.

Sedangkan VAR in defference digunakan apabila data tidak stasioner pada level dan tidak memiliki hubungan kointegrasi, maka VAR dilakukan dalam bentuk data deferens. Apabila stasioner pada tingkat level maka digunakan estimasi model VAR, sedangkan stasioner pada tingkat defference maka digunakan estimasi model VECM.

Pada penelitian ini digunakan estimasi model VAR dikarenakan pada uji stasioneritas data stasioner pada level. Hasil estimasi model VAR dipaparkan pada

Tabel 4.7.

Tabel 4.7. Estimasi Model VAR INF HBRS HDAR HCAM HMKG HTAR HJGG 0.120481 0.253047 2.137142 -0.918034 0.631586 0.297060 0.142654 INF(-1) (0.06991) (0.27929) (1.54671) (3.15817) (0.72590) (0.37518) (0.60840) [ 1.72333] [ 0.90602] [ 1.38173] [-0.29069] [ 0.87007] [ 0.79177] [ 0.23448] -0.032982 -0.049201 -0.027706 -1.059716 0.208683 0.200260 0.000986 INF(-2) (0.04422) (0.17614) (0.97548) (1.99131) (0.45779) (0.23662) (0.38370) [-0.74584] [-0.27933] [-0.02840] [-0.53217] [ 0.45585] [ 0.84635] [ 0.00257] -0.020941 -0.161728 -0.296173 -0.396901 -0.019501 -0.071869 -0.188996 HBRS(-1) (0.01704) (0.06876) (0.37896) (0.77355) (0.17786) (0.09192) (0.14907) [-1.22860] [-2.35207] [-0.78155] [-0.51309] [-0.10964] [-0.78182] [-1.26780] -0.004828 -0.015702 0.054399 -0.468234 -0.037967 0.002512 0.023807 HBRS(-2) (0.01092) (0.04419) (0.24282) (0.49566) (0.11396) (0.05890) (0.09552) [-0.44204] [-0.35530] [ 0.22403] [-0.94467] [-0.33317] [ 0.04265] [ 0.24924] -0.002305 0.009670 -0.114643 -0.058100 0.000970 0.021548 -0.014759 HDAR(-1) (0.00306) (0.01229) (0.06841) (0.13897) (0.03195) (0.01652) (0.02678) [-0.75290] [ 0.78660] [-1.67591] [-0.41807] [ 0.03036] [ 1.30469] [-0.55112] -0.000552 -0.003860 -0.022742 0.002823 -0.007437 0.001119 -0.000802 HDAR(-2) (0.00197) (0.00791) (0.04415) (0.08942) (0.02056) (0.01063) (0.01723) [-0.28027] [-0.48807] [-0.51511] [ 0.03157] [-0.36178] [ 0.10528] [-0.04656] 0.002110 0.000784 0.003904 0.067040 -0.002320 0.008238 0.009502 HCAM(-1) (0.00155) (0.00621) (0.03437) (0.07051) (0.01613) (0.00834) (0.01352) [ 1.36485] [ 0.12630] [ 0.11360] [ 0.95079] [-0.14385] [ 0.98805] [ 0.70284] 0.000980 0.001604 0.005694 -0.022756 0.005773 0.001689 0.004104 HCAM(-2) (0.00097) (0.00390) (0.02158) (0.04441) (0.01013) (0.00524) (0.00849) [ 1.00977] [ 0.41155] [ 0.26383] [-0.51241] [ 0.56995] [ 0.32256] [ 0.48335] 0.007545 -0.042602 -0.083567 -0.321338 -0.227432 0.004625 -0.038491 HMKG(-1) (0.00637) (0.02557) (0.14158) (0.28903) (0.06676) (0.03435) (0.05570) [ 1.18475] [-1.66631] [-0.59023] [-1.11180] [-3.40688] [ 0.13465] [-0.69109] 0.000971 -0.007430 -0.002940 0.108460 0.048813 -0.023465 -0.014552 HMKG(-2) (0.00417) (0.01675) (0.09277) (0.18937) (0.04388) (0.02250) (0.03649) [ 0.23274] [-0.44356] [-0.03169] [ 0.57274] [ 1.11242] [-1.04277] [-0.39878] 0.015183 0.052248 -0.337249 -0.984221 -0.299368 -0.091081 -0.117052 HTAR(-1) (0.01272) (0.05106) (0.28282) (0.57724) (0.13271) (0.06892) (0.11123) [ 1.19376] [ 1.02322] [-1.19246] [-1.70503] [-2.25577] [-1.32148] [-1.05230] -0.002882 0.009322 -0.035823 -0.144771 0.085426 -0.029236 0.017713 HTAR(-2) (0.00821) (0.03297) (0.18260) (0.37273) (0.08569) (0.04465) (0.07182) [-0.35095] [ 0.28274] [-0.19619] [-0.38841] [ 0.99689] [-0.65483] [ 0.24661] 0.005171 -0.022792 0.020013 0.017873 -0.125514 -0.017043 -0.282510 HJGG(-1) (0.00743) (0.02983) (0.16517) (0.33715) (0.07752) (0.04007) (0.06526) [ 0.69610] [-0.76412] [ 0.12117] [ 0.05301] [-1.61919] [-0.42539] [-4.32869] -0.001217 -0.006551 0.059857 -0.085540 0.003634 0.002316 -0.025051 HJGG(-2) (0.00493) (0.01981) (0.10970) (0.22393) (0.05148) (0.02661) (0.04349) [-0.24657] [-0.33069] [ 0.54564] [-0.38200] [ 0.07059] [ 0.08705] [-0.57605] 0.468467 0.182651 0.598640 8.780055 0.527320 0.389289 1.117438 C (0.08275) (0.33183) (1.83765) (3.75119) (0.86243) (0.44577) (0.72288) [ 5.66103] [ 0.55044] [ 0.32576] [ 2.34060] [ 0.61144] [ 0.87329] [ 1.54581] R-squared 0.163039 0.154940 0.106779 0.109436 0.295883 0.115653 0.252138 Adj. R-squared 0.049277 0.040077 -0.014630 -0.011612 0.200177 -0.004550 0.150487 Sum sq. resids 60.16894 1008.917 31414.55 125110.6 6615.735 1792.428 5289.158 S.E. equation 0.764307 3.129745 17.46412 34.85205 8.014390 4.171597 7.165965 F-statistic 1.433164 1.348916 0.879501 0.904072 3.091603 0.962151 2.480426 Mean dependent 0.546186 0.258255 1.377223 6.786944 0.623121 0.638106 0.857659 S.D. dependent 0.783864 3.194412 17.33776 34.65145 8.961354 4.162139 7.774807 Sumber : Data diolah dengan Eviews10

Berdasarkan hasil estimasi model VAR yang diambil dari koefisien (baris pertama), hasil pada Tabel VAR dengan dasar Lag = 1 untuk data paralel Kota

Medan dan Kota Pematangsiantar periode Januari 2013 – Desember 2017, model

VAR untuk INF, HBRS, HDAR, HCAM, HMKG, HTAR, dan HJGG masing – masing adalah sebagai berikut :

INF = 0.468467+ 0.120481 (INFt-1) - 0.032982 (INFt-2) - 0.020941 (HBRSt-1) - 0.004828 (HBRSt-2) - 0.002305 (HDARt-1) - 0.000552 (HDARt-2) + 0.002110 (HCAMt-1) + 0.000980 (HCAMt-2) + 0.007545 (HMKGt-1) + 0.000971 (HMKGt-2) + 0.015183 (HTARt-1) - 0.002882 (HTARt-2) + 0.005171 (HJGGt-1) - 0.001217 (HJGGt-2) + et1

HBRS = 0.182651 - 0.161728 (HBRSt-1) - 0.015702 (HBRSt-2) + 0.253047 (INFt-1) - 0.049201 (INFt-2) + 0.009670 (HDARt-1) - 0.003860 (HDARt-2) - 0.000784 (HCAMt-1) + 0.001604 (HCAMt-2) - 0.042602 (HMKGt-1) - 0.007430 (HMKGt-2) + 0.052248 (HTARt-1) + 0.009322 (HTARt-2) - - 0.022792 (HJGGt-1) - 0.006551 (HJGGt-2) + et2

HDAR = 0.598640 - 0.114643 (HDARt-1) - 0.022742 (HDARt-2) + 2.137142 (INFt-1) - 0.027706 (INFt-2) - 0.296173 (HBRSt-1) + 0.054399 (HBRSt-2) + 0.003904 (HCAMt-1) + 0.005694 (HCAMt-2) - 0.083567 (HMKGt-1) - 0.002940 (HMKGt-2) - 0.337249 (HTARt-1) - 0.035823 (HTARt-2) + 0.020013 (HJGGt-1) + 0.059857 (HJGGt-2) + et3

HCAM = 8.780055 + 0.067040 (HCAMt-1) -0.022756 (HCAMt-2) - 0.918034 (INFt-1) - 1.059716 (INFt-2) - 0.396901 (HBRSt-1) -0.468234 (HBRSt-2) - 0.058100 (HDARt-1) + 0.002823 (HDARt-2) - 0.321338 (HMKGt-1) + 0.108460 (HMKGt-2) - 0.984221 (HTARt-1) - 0.144771 (HTARt-2) + 0.017873 (HJGGt-1) - 0.085540 (HJGGt-2) + et4

HMKG = 0.527320 - 0.227432 (HMKGt-1) + 0.048813 (HMKGt-2) + 0.631586 (INFt-1) + 0.208683 (INFt-2) - 0.019501 (HBRSt-1) - 0.037967 (HBRSt-2) + 0.000970 (HDARt-1) - 0.007437 (HDARt-2) - 0.002320 (HCAMt-1) + 0.005773 (HCAMt-2) - 0.299368 (HTARt-1) + 0.085426 (HTARt-2) - 0.125514 (HJGGt-1) + 0.003634 (HJGGt-2) + et5

HTAR = 0.389289 - 0.091081 (HTARt-1) - 0.029236 (HTARt-2) + 0.297060 (INFt-1) + 0.200260 (INFt-2) - 0.071869 (HBRSt-1) + 0.002512 (HBRSt-2) + 0.021548 (HDARt-1) + 0.001119 (HDARt-2) + 0.008238 (HCAMt-1) + 0.001689 (HCAMt-2) + 0.004625 (HMKGt-1) - 0.023465 (HMKGt-2) - 0.017043 (HJGGt-1) + 0.002316 (HJGGt-2) + et6

HJGG = 1.117438 - 0.282510 (HJGGt-1) - 0.025051 (HJGGt-2) + 0.142654 (INFt-1) + 0.000986 (INFt-2) - 0.188996 (HBRSt-1) + 0.023807 (HBRSt-2) - 0.014759 (HDARt-1) - 0.000802 (HDARt-2) + 0.009502 (HCAMt-1) + 0.004104 (HCAMt-2) - 0.038491 (HMKGt-1) - 0.014552 (HMKGt-2) - 0.117052 (HTARt-1) + 0.017713 (HTARt-2) + et7

Berdasarkan hasil estimasi model VAR inflasi yang diambil dari nilai t- statistik (baris ketiga), harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung, masing – masing sebagai berikut :

1. Variabel Inflasi

Kontribusi yang paling besar dan positif terhadap inflasi adalah inflasi itu

sendiri sebesar 1.72333 dan harga cabai merah sebesar 1.36485. Sedangkan

lima variabel lain seperti harga beras, harga telur ayam ras, harga minyak

goreng, harga daging ayam ras, dan harga jagung tidak terlalu besar

pengaruhnya terhadap inflasi Kota Medan dan Kota Pematangsiantar.

2. Variabel Harga Beras

Kontribusi yang paling besar terhadap harga beras adalah harga beras itu

sendiri sebesar 2.35207 dan harga minyak goreng sebesar 1.66631. Sedangkan

lima variabel lain seperti harga telur ayam ras, inflasi, harga daging ayam ras,

harga jagung dan harga cabai merah tidak terlalu besar pengaruhnya terhadap

harga beras.

3. Variabel Harga Daging Ayam Ras

Kontribusi yang paling besar terhadap harga daging ayam ras adalah harga

daging ayam ras itu sendiri sebesar 1.675911 dan inflasi sebesar 1.38173.

Sedangkan lima variabel lain seperti harga telur ayam ras, harga beras, harga

minyak goreng, harga jagung dan harga cabai merah tidak terlalu besar

pengaruhnya terhadap harga daging ayam ras.

4. Variabel Harga Cabai Merah

Kontribusi yang paling besar terhadap harga cabai merah adalah harga telur

ayam ras sebesar 1.70503 dan harga minyak goreng sebesar 1.11180.

Sedangkan lima variabel lain seperti harga cabai merah, harga beras, harga

daging ayam ras, inflasi dan harga jagung tidak terlalu besar pengaruhnya

terhadap harga cabai merah.

5. Variabel Harga Minyak Goreng

Kontribusi yang paling besar terhadap harga minyak goreng adalah harga

minyak goreng itu sendiri sebesar 3.40688 dan harga telur ayam ras sebesar

2.25577. Sedangkan lima variabel lain seperti harga jagung, inflasi, harga cabai

merah, harga beras dan harga daging ayam ras tidak terlalu besar pengaruhnya

terhadap harga minyak goreng.

6. Variabel Harga Telur Ayam Ras

Kontribusi yang paling besar terhadap harga telur ayam ras adalah harga telur

ayam ras itu sendiri sebesar 1.32148 dan harga daging ayam ras sebesar

1.30469. Sedangkan lima variabel lain seperti harga cabai merah, inflasi, harga

beras, harga jagung dan harga minyak goreng tidak terlalu besar pengaruhnya

terhadap harga telur ayam ras.

7. Variabel Harga Jagung

Kontribusi yang paling besar terhadap harga jagung adalah harga jagung itu

sendiri sebesar 4.32869 dan harga beras sebesar 1.26780. sedangkan lima

variabel lain seperti harga telur ayam ras, harga cabai merah, harga minyak

goreng, harga daging ayam ras dan inflasi tidak terlalu besar pengaruhnya

terhadap harga jagung.

Komoditi jagung sangat dibutuhkan oleh masyarakat untuk konsumsi, industri

dan hewan ternak. Sehinga walaupun harga komoditi jagung naik sedikit saja

dapat mempengaruhi inflasi dan naiknya harga komoditi lainnya seperti harga

ayam ras dan telur ayam ras.

Berdasarkan penjelasan di atas bahwa kontribusi yang paling besar dan positif terhadap inflasi adalah harga komoditas cabai merah. Hal ini diduga komoditas cabai merah merupakan komoditas yang sangat dibutuhkan bagi masyarakat Kota Medan dan Kota Pematangsiantar terutama pada saat Hari Besar

Keagamaan Nasional (HBKN). Konsumsi komoditas cabai merah meningkat sehingga pedagang menaikkan harga. Selain itu, naiknya harga komoditas cabai merah dikarenakan erupsi Gunung Sinabung. Naiknya harga tersebut akan mempengaruhi inflasi di Kota Medan dan Kota Pematangsiantar.

Berdasarkan Tabel 4.7 terlihat bahwa adanya hubungan antara inflasi Kota

Medan dan Kota Pematangsiantar, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras, dan harga jagung.

Namun perlu pengujian signifikan dengan cara membandingkan T-Statistik dengan T-Tabel dengan taraf 5% (0.05). Apabila T-Hitung > T-Tabel maka memiliki pengaruh yang signifikan dan sebaliknya apabila T-Hitung < T-Tabel maka tidak memiliki pengaruh yang signifikan.

Sebelumnya diketahui bahwa penelitian ini ada tujuh variabel yang diteliti

(k=7). Nilai pada masing – masing variabel tersebut diambil berdasarkan data time series bulanan yaitu Januari 2013 – Desember 2017 di dua Kota. Kurun waktu

penelitian ini memiliki jumlah observasi sebanyak 120 (n=120). Maka db = n - k yaitu 120 - 7 = 113. Nilai – nilai statistik tabel tersebut ditentukan berdasarkan asumsi pengujian hipotesis 2 sisi (two-tail) dengan taraf 5%. Sehingga diperoleh nilai T-Tabel sebesar 1.65845. dengan demikian variabel yang memberikan kontribusi yang signifikan untuk masing – masing variabel dapat disajikan sebagai berikut :

Tabel 4.8. Hasil Signifikan Variabel VAR Variabel INF HBRS HDAR HCAM HMKG HTAR HJGG INF t-1 ------HBRS - t-1 - - - - - HDAR - - t-1 - - - - HCAM ------HMKG - t-1 - - t-1 - - HTAR - - - t-1 t-1 - - HJGG ------t-1 Sumber : Data diolah dengan Eviews10

4.3.1.6. Analisis Impulse Response Function (IRF)

Impulse Response Function (IRF) digunakan untuk melihat efek dari gejolak

(shock) suatu standar deviasi dari variabel baru terhadap nilai sekarang (current time values) dan nilai yang akan datang (future values) dari model yang diamati.

Pada peneltian ini hasil uji IRF akan ditampilkan dalam bentuk tabel yang dijelaskan dalam jangka waktu 60 periode ke depan dari periode penelitian.

Kemudian akan dilihat dalam tiga periode jangka waktu yaitu jangka pendek

(bulan ke-1 sampai ke-20), jangka menengah (bulan ke-21 sampai ke-40) dan jangka panjag (bulan ke-41 sampai ke-60). Perbedaan setiap jangka waktu berjumlah 20 periode.

A. Impulse Response Function Inflasi

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi, harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras, dan harga jagung adalah positif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi inflasi, harga cabai merah, harga telur ayam ras dan harga jagung adalah positif.

Sedangkan pengaruh satu unit standar devisiasi harga beras, harga daging ayam ras, dan harga minyak goreng adalah negatif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi inflasi, dan harga cabai merah adalah positif. Sedangkan harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras dan harga jagung negatif.

Tabel 4.9. Impulse Response Function Inflasi (INF) Response of INF: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 0.723331 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 20 9.37E-11 5.61E-11 2.17E-11 -5.57E-12 9.23E-12 8.43E-11 3.99E-11 21 3.79E-11 -1.44E-11 -1.71E-12 2.27E-11 -9.67E-12 4.96E-14 -1.69E-12 40 1.13E-20 -1.61E-21 -9.96E-22 5.87E-21 -2.25E-21 2.17E-21 1.15E-21 41 1.66E-21 -1.44E-21 -1.09E-21 2.52E-21 -2.87E-22 -8.31E-22 2.10E-22 60 5.77E-31 -4.73E-31 -2.95E-31 7.19E-31 -2.02E-31 -2.67E-31 -2.83E-32 Sumber : Data diolah dengan Eviews10

Gambar 4.8. Respon Variabel INF Pada Perubahan Variabel Lain

B. Impulse Response Function Harga Beras (HBRS)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi, dan harga daging ayam ras adalah positif. Sedangkan pengaruh satu standar devisiasi harga beras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi inflasi, harga daging ayam ras, dan harga cabai merah adalah positif. Sedangkan pengaruh satu unit standar devisiasi harga beras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Tabel 4.10. Impulse Response Function Harga Beras (HBRS) Response of HBRS: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 0.273821 2.949273 0.000000 0.000000 0.000000 0.000000 0.000000 20 1.04E-10 -8.50E-11 4.53E-11 -2.25E-11 -1.32E-10 -3.95E-11 -1.20E-10 21 5.51E-11 3.86E-11 -9.88E-12 2.94E-11 2.86E-11 5.18E-11 5.31E-11 40 1.36E-20 -7.13E-21 1.76E-21 6.29E-21 -4.93E-21 -1.23E-21 -3.54E-21 41 2.99E-21 -8.68E-22 -2.09E-21 3.53E-21 -5.47E-22 -1.65E-22 1.07E-21 60 8.31E-31 -4.26E-31 -3.09E-31 9.32E-31 -2.85E-32 -1.14E-31 1.80E-31 Sumber : Data diolah dengan Eviews10

Gambar 4.9. Respon Variabel HBRS Pada Perubahan Variabel Lain

C. Impulse Response Function Harga Daging Ayam Ras (HDAR)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi, harga daging ayam ras, dan harga cabai merah adalah positif. Sedangkan pengaruh satu standar devisiasi harga beras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi inflasi, harga cabai merah, harga minyak goreng dan harga jagung adalah positif.

Sedangkan harga beras, harga daging ayam ras, dan harga telur ayam ras adalah negatif.

Tabel 4.11. Impulse Response Function Harga Daging Ayam Ras (HDAR) Response of HDAR: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 2.306593 0.614947 16.35455 0.000000 0.000000 0.000000 0.000000 20 6.37E-10 -7.89E-10 1.70E-10 6.69E-12 -1.02E-09 -5.26E-10 -9.21E-10 21 2.63E-10 2.89E-10 -7.61E-11 1.66E-10 2.48E-10 3.46E-10 3.82E-10 40 6.24E-20 -5.83E-20 9.39E-21 3.65E-20 -3.47E-20 -2.76E-20 -3.48E-20 41 1.19E-20 -7.92E-22 -1.27E-20 1.71E-20 -9.62E-22 7.00E-22 8.19E-21 60 3.00E-30 -2.16E-30 -1.53E-30 4.45E-30 3.70E-31 -9.19E-31 9.45E-31 Sumber : Data diolah dengan Eviews10

Gambar 4.10. Respon Variabel HDAR Pada Perubahan Variabel Lain

D. Impulse Response Function Harga Cabai Merah (HCAM)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi dan harga cabai merah adalah positif. Sedangkan pengaruh satu standar devisiasi harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi inflasi dan harga cabai merah adalah positif. Sedangkan pengaruh satu unit standar devisiasi harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi harga cabai merah dan harga minyak goreng adalah positif. Sedangkan inflasi, harga beras, harga daging ayam ras, harga telur ayam ras dan harga jagung adalah negatif.

Tabel 4.12. Impulse Response Function Harga Cabai Merah (HCAM) Response of HCAM: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 15.87345 -3.026890 -0.522490 28.74920 0.000000 0.000000 0.000000 20 4.60E-09 -2.30E-09 -1.61E-09 4.12E-09 -1.56E-09 -7.69E-10 -1.31E-11 21 -1.49E-10 -5.84E-10 -5.90E-10 9.28E-10 1.29E-10 -6.27E-10 1.22E-10 40 2.45E-20 -2.79E-19 -1.68E-19 2.90E-19 -8.65E-20 -2.63E-19 -7.56E-20 41 -1.22E-19 -1.21E-20 -3.29E-20 -5.96E-21 2.24E-20 -5.68E-20 -3.47E-21 60 -3.14E-29 -1.13E-29 -8.95E-30 2.00E-30 2.38E-30 -2.17E-29 -6.04E-30 Sumber : Data diolah dengan Eviews10

Gambar 4.11. Respon Variabel HCAM Pada Perubahan Variabel Lain

E. Impulse Response Function Harga Minyak Goreng (HMKG)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi daging ayam ras adalah positif. Sedangkan pengaruh satu unit standar devisiasi inflasi, harga beras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi inflasi, harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah positif. Sedangkan harga cabai merah adalah negatif.

Tabel 4.13. Impulse Response Function Harga Minyak Goreng (HMKG) Response of HMKG: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 -0.260581 1.369326 0.318596 1.218713 7.348361 0.000000 0.000000 20 -7.90E-11 -8.62E-10 -4.38E-11 -1.38E-10 -1.08E-09 -8.87E-10 -1.07E-09 21 2.23E-11 4.29E-10 4.23E-12 -2.69E-11 3.77E-10 4.08E-10 4.25E-10 40 -6.24E-21 -5.64E-20 2.46E-20 -1.38E-20 -3.87E-20 -4.78E-20 -6.14E-20 41 8.78E-21 1.64E-20 -5.50E-21 2.52E-21 6.15E-21 1.60E-20 1.53E-20 60 1.02E-30 2.62E-31 1.07E-30 -3.61E-32 9.70E-31 9.55E-31 5.01E-31 Sumber : Data diolah dengan Eviews10

Gambar 4.12. Respon Variabel HMKG Pada Perubahan Variabel Lain

F. Impulse Response Function Harga Telur Ayam Ras (HTAR)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi harga beras, harga daging ayam ras, harga minyak goreng, harga telur ayam ras dan harga jagung adalah positif. Sedangkan pengaruh satu unit standar devisiasi harga cabai merah adalah negatif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi Inflasi harga beras, harga daging ayam ras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung adalah positif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi inflasi, harga cabai merah, harga telur ayam ras dan harga jagung adalah positif.

Sedangkan harga beras, harga daging ayam ras, dan harga minyak goreng adalah negatif.

Tabel 4.14. Impulse Response Function Harga Telur Ayam Ras (HTAR) Response of HTAR: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 0.013659 0.444081 1.114351 -0.050821 0.519151 3.724924 0.000000 20 3.44E-11 1.84E-10 2.32E-10 -1.87E-10 1.94E-10 2.36E-10 1.00E-10 21 1.23E-10 -5.30E-11 -9.17E-12 3.53E-11 -1.01E-10 -1.55E-11 -5.49E-11 40 3.03E-20 2.33E-20 2.05E-21 6.05E-21 1.33E-20 3.18E-20 2.45E-20 41 8.37E-21 -9.56E-21 -8.13E-22 6.88E-21 -6.25E-21 -5.78E-21 -5.40E-21 60 2.82E-30 -2.34E-31 -7.68E-31 1.95E-30 -3.69E-31 5.93E-31 7.36E-31 Sumber : Data diolah dengan Eviews10

Gambar 4.13. Respon Variabel HTAR Pada Perubahan Variabel Lain

G. Impulse Response Function Harga Jagung (HJGG)

Dalam periode jangka pendek, pengaruh satu unit standar devisiasi Inflasi harga daging ayam ras, dan harga cabai merah adalah positif. Sedangkan pengaruh satu unit standar devisiasi harga cabai merah adalah negatif.

Dalam periode jangka menengah, pengaruh satu unit standar defisiasi Inflasi harga daging ayam ras, harga cabai merah, dan harga minyak goreng adalah positif. Sedangkan pengaruh satu unit standar devisiasi harga beras, harga telur ayam ras dan harga jagung adalah negatif.

Dalam periode jangka panjang, pengaruh satu unit standar devisiasi harga beras, harga cabai merah, harga minyak goreng, harga telur ayam ras dan harga jagung adalah positif. Sedangkan inflasi dan harga daging ayam ras adalah negatif.

Tabel 4.15. Impulse Response Function Harga Jagung (HJGG) Response of HJGG: Period INF HBRS HDAR HCAM HMKG HTAR HJGG 1 0.017787 1.689277 0.042903 -0.937407 0.843915 0.657938 6.411947 20 1.11E-10 -8.31E-10 1.29E-10 7.09E-11 -6.25E-10 -6.92E-10 -7.78E-10 21 5.44E-11 2.01E-10 -8.24E-11 5.42E-11 1.30E-10 1.82E-10 2.18E-10 40 2.56E-21 -1.98E-20 5.65E-21 9.09E-21 3.67E-22 -1.36E-20 -9.27E-21 41 -6.41E-22 -2.01E-21 -4.22E-21 2.17E-21 -4.15E-21 -3.39E-21 -1.72E-21 60 -4.57E-31 7.32E-31 -4.31E-31 5.32E-31 1.29E-30 5.30E-31 1.27E-30 Sumber : Data diolah dengan Eviews10

Gambar 4.14. Respon Variabel JGG Pada Perubahan Variabel Lain

4.3.1.7. Analisis Forecast Error Variance Decomposition (FEVD)

Analisis FEVD bertujuan untuk memprediksi kontribusi persentase varian setiap komoditas pangan karena adanya guncangan harga yang diteliti dalam menjelaskan keragaman inflasi. Selain itu dapat diketahui komoditas pangan mana yang paling dominan dalam mempengaruhi inflasi di Kota Medan dan Kota

Pematangsiantar pada 60 periode kedepan dari periode penelitian. Kemudian akan dilihat dalam tiga periode jangka waktu yaitu jangka pendek (20 bulan awal),

jangka menengah (bulan ke-21 sampai ke-40) dan jangka panjag (bulan ke-41 sampai ke-60). Perbedaan setiap jangka waktu berjumlah 20 periode.

A. Analisis Forecast Error Variance Decomposition INF

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh inflasi sebesar 96.295%, diikuti oleh harga cabai merah sebesar 1.141%, harga minyak goreng sebesar 0.827%, harga telur ayam ras sebesar 0.819%, harga beras sebesar 0.520%, harga jagung sebesar

0.258 dan harga daging ayam ras sebesar 0.139.

Tabel 4.16. Variance Decomposition of INF Variance Decomposition of INF: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 0.723331 100.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 20 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 21 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 40 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 41 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 60 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 Sumber : Data diolah dengan Eviews10

B. Analisis Forecast Error Variance Decomposition HBRS

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga beras sebesar 96.461%, diikuti oleh inflasi sebesar 1.173%, harga minyak goreng sebesar 1.123%, harga daging ayam ras sebesar 0.501%, harga telur ayam ras sebesar 0.408%, harga jagung sebesar 0.2773% dan harga cabai merah sebesar 0.059%.

Tabel 4.17. Variance Decomposition of HBRS Variance Decomposition of BRS: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 2.961957 0.854628 99.14537 0.000000 0.000000 0.000000 0.000000 0.000000 20 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 21 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 40 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 41 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 60 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 Sumber : Data diolah dengan Eviews10

C. Analisis Forecast Error Variance Decomposition HDAR

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga daging ayam ras sebesar 95.760%, diikuti oleh inflasi sebesar 2.448%, harga beras sebesar 0.748%, harga telur ayam ras sebesar 0.585%, harga minyak goreng sebesar 0.299%, harga jagung sebesar

0.144% dan harga cabai merah sebesar 0.014%.

Tabel 4.18. Variance Decomposition of HDAR Variance Decomposition of HDAR: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 16.52785 1.947642 0.138434 97.91392 0.000000 0.000000 0.000000 0.000000 20 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 21 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 40 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 41 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 60 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 Sumber : Data diolah dengan Eviews10

D. Analisis Forecast Error Variance Decomposition HCAM

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga cabai merah sebesar 73.465%, diikuti oleh inflasi sebesar 22.712%, harga telur ayam ras sebesar 1.193%, harga beras sebesar 1.314%, harga minyak goreng sebesar 0.853%, harga daging ayam ras sebesar 0.454% dan harga jagung sebesar 0.007%.

Tabel 4.19. Variance Decomposition of HCAM Variance Decomposition of HCAM: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 32.98360 23.16043 0.842165 0.025093 75.97231 0.000000 0.000000 0.000000 20 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 21 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 40 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 41 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 60 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 Sumber : Data diolah dengan Eviews10

E. Analisis Forecast Error Variance Decomposition HMKG

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga minyak goreng sebesar 88.265%, diikuti harga beras sebesar 3.834%, harga telur ayam ras sebesar 3.304%, harga cabai merah sebesar 2.337%, harga jagung sebesar 1.434%, inflasi sebesar

0.435% dan harga daging ayam ras sebesar 0.388%.

Tabel 4.20. Variance Decomposition of HMKG Variance Decomposition of HMKG: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 7.584730 0.118033 3.259366 0.176441 2.581799 93.86436 0.000000 0.000000 20 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 21 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 40 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 41 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 60 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 Sumber : Data diolah dengan Eviews10

F. Analisis Forecast Error Variance Decomposition HTAR

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga telur ayam ras sebesar 86.55%, diikuti oleh harga daging ayam ras sebesar 8.146%, harga minyak goreng sebesar

1.915%, harga beras sebesar 1.727%, inflasi sebesar 1.099%, harga cabai merah sebesar 0.448% dan harga jagung sebesar 0.114%.

Tabel 4.21. Variance Decomposition of HTAR Variance Decomposition of HTAR: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 3.947953 0.001197 1.265262 7.967101 0.016571 1.729190 89.02068 0.000000 20 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 21 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 40 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 41 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 60 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 Sumber : Data diolah dengan Eviews10

G. Analisis Forecast Error Variance Decomposition HJGG

Dalam periode jangka pendek, jangka menengah dan jangka panjang perkiraan error variance dijelaskan oleh harga jagung sebesar 85.071%, diikuti oleh harga beras sebesar 8.599%, harga cabai merah sebesar 2.148%, harga minyak goreng sebesar 2.069%, harga telur ayam ras sebesar 1.721%, harga daging ayam ras sebesar 0.322%, dan inflasi sebesar 0.067%.

Tabel 4.22. Variance Decomposition of HJGG Variance Decomposition of JGG: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG 1 6.781790 0.000688 6.204589 0.004002 1.910591 1.548490 0.941200 89.39044 20 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 21 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 40 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 41 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 60 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 Sumber : Data diolah dengan Eviews10

4.3.2. Keterkaitan Antara Inflasi Kota Medan Dengan Inflasi Kota

Pematangsiantar

Pada Gambar 4.15. memaparkan bahwa inflasi di Kota Medan dan Kota

Pematangsiantar memiliki pergerakan yang hampir sama. Pada Januari 2013 hingga Desember 2013 pergerakan inflasi di kedua kota tersebut sama. Memasuki bulan Januari 2014 inflasi di kedua kota tersebut meningkat dari bulan lalu.

Namun menurun kembali dari Februari 2014 hinga November 2014.

Pada akhir tahun 2014 dan 2015 inflasi di kedua kota tersebut selalu naik dibandingkan bulan sebelumnya. Hal ini diduga disebabkan banyaknya permintaan di akhir tahun. Namun pada akhir tahun 2013, 2016, dan 2017 inflasi di kedua kota tersebut menurun. Hal ini diduga bahwa pemerintah telah berhasil menekan tingginya inflasi di sepanjang tahun dan akhir tahun.

Inflasi paling tinggi di Kota Medan pada bulan Juli 2013, yaitu sebesar

2,74% dan yang paling rendah pada bulan Februari 2014, yaitu sebesar -0,59%.

Sedangkan inflasi paling tinggi di Kota Pematangsiantar pada bulan Desember

2015, yaitu sebesar 3,36% dan yang paling rendah pada bulan April 2014 yaitu sebesar -0,66%.

Gambar 4.15. Perbandingan Perkembangan Inflasi Kota Medan dan Kota Pematangsiantar Periode Januari 2013 – Desember 2017

Untuk melihat keterkaitan inflasi Kota Medan dan Kota Pematangsiantar dengan cara uji kausalitas granger (granger cause test). Keterkaitan tersebut dibuat dalam bentuk hipotesis nol (Ho) adalah tidak terdapat keterkaitan antara variabel, sedangkan hipotesis alternatif (H1) menyatakan adanya keterkaitan antar variabel.

Uji Kausalitas Granger untuk melihat hubungan kausalitas diantara variabel- variabel yang ada di dalam model. H0 yang diuji adalah tidak ada hubungan kausalitas dan H1 adalah adanya hubungan kausalitas. Untuk menerima atau menolak H0 maka digunakan nilai probabilitas yang dibandingkan dengan nilai kritis. Jika nilai probabilitas < nilai kritis, maka tolak H0 dengan kata lain terdapat hubungan kausalitas pada variabel-variabel yang diuji.

Tabel 4.23. Hasil Uji Kausalitas Granger Inflasi Kota Medan dan Kota Pematangsiantar

Null Hypothesis: Obs F-Statistic Prob.

INFLASI KOTA PEMATANGSIANTAR does not Granger Cause INFLASI KOTA MEDAN 58 0.19902 0.8201 INFLASI KOTA MEDAN does not Granger Cause INFLASI KOTA PEMATANGSIANTAR 1.46519 0.2402

Sumber : Data diolah dengan Eviews 10

Berdasarkan Tabel 4.23 memaparkan bahwa hasil dari pengujian Granger diketahui bahwa :

1. Hasil untuk inflasi Kota Pematangsiantar yang memiliki keterkaitan dengan

inflasi Kota Medan

H0 = Inflasi Kota Pematangsiantar tidak memiliki keterkaitan dengan Inflasi

Kota Medan

H1 = Inflasi Kota Pematangsiantar memiliki keterkaitan dengan Inflasi Kota

Medan

Hasil dari Tabel 4.23 menunjukkan 0.8201 > 0.05, maka terima H0. Berarti

inflasi Kota Pematangsiantar tidak mempengaruhi Inflasi Kota Medan.

2. Hasil untuk inflasi Kota Medan yang memiliki keterkaitan dengan inflasi Kota

Pematangsiantar

H0 = Inflasi Kota Medan tidak memiliki keterkaitan dengan Inflasi Kota

Pematangsiantar

H1 = Inflasi Kota Medan memiliki keterkaitan dengan Inflasi Kota

Pematangsiantar

Hasil dari Tabel 4.23 menunjukkan 0.2402 > 0.05, maka terima H0. Berarti

inflasi Kota Medan tidak mempengaruhi Inflasi Kota Pematangsiantar.

Hasil uji kausalitas Granger dinyatakan bahwa tidak ada keterkaitan antara inflasi Kota Medan dan inflasi Kota Pematangsiantar. Apabila tidak ada kaitan satu sama lain, maka diduga Kota Medan bukan menjadi pemasok / produsen komoditas pangan bagi Kota Pematangsiantar, begitu juga sebaliknya, Kota

Pematangsiantar bukan mejadi pemasok / produsen komoditas pangan bagi Kota

Medan. Hal tersebut ditunjukkan dengan nilai probabilitas tidak signifikan pada selang kepercayaan 5%. Sehingga tidak ada keterkaitan antara inflasi Kota Medan dengan inflasi Kota Pematangsiantar.

Seperti dikutip pada penelitian Setiawa (2015), menyatakan bahwa tidak ada keterkaitan antara inflasi Banten dan DKI Jakarta. Hal ini diduga bahwa Provinsi

DKI Jakarta bukan menjadi pemasok komoditas pangan bagi Provinsi Banten maupun sebaliknya, sehingga antara kedua provinsi tersebut tidak ada integritas pasar karena memiliki pelaku pasar yang berbeda. Akan tetapi diindikasi Provinsi

Jakarta berperan sebagai acuan harga bagi daerah Provinsi Banten. Namun secara kedekatan wilayah antara kedua provinsi tersebut terindikasi adanya pelaku pasar yang sama karena kenaikan harga relatif sama.

Meskipun Kota Medan dan Kota Pematangsiantar tidak ada integritas pasar, namun diindikasikan Kota Medan berperan sebagai acuan harga komoditi di Kota

Pematangsiantar. Selain itu, dikarenakan jarak antara kedua kota tersebut dekat diindikasi adanya pelaku pasar / pemasok yang sama.

Kedua kota tersebut membutuhkan wilayah disekitarnya untuk menyediakan komoditas. Akan tetapi ketersediaan di Kota Medan bukan dari Kota

Pematangsiantar, begitu juga sebaliknya.

Dilansir dari Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, pemasok

/ produsen komoditas pangan seperti beras, daging ayam ras, minyak goreng, cabai merah, telur ayam ras dan jagung berasal dari beberapa daerah di Provinsi

Sumatera Utara. Pengelompokan produsen komoditi tersebut dipaparkan pada

Tabel 4.24.

Dari Tabel 4.24 memaparkan bahwa Kota Medan dan Kota Pematangsiantar bukan menjadi pemasok / produsen komoditi pangan. Dengan demikian dapat disimpulkan bahwa kedua kota tersebut tidak ada integritas pasar.

Tabel 4.24. Produsen Komoditi Pangan di Provinsi Sumatera Utara No. Kabupaten Komoditi 1. Asahan . Cabai merah, minyak goreng 2. Batu Bara Beras, daging ayam ras, telur ayam ras, 3. Dairi Cabai merah, jagung Beras, daging ayam ras, cabai merah, telur ayam 4. Deli Serdang ras, minyak goreng, jagung 5. Humbang Hasundutan Daging ayam ras, jagung 6. Karo Beras, jagung 7. Labuhanbatu Beras, 8. Labuhanbatu Utara Beras, cabai merah, jagung Beras, daging ayam ras, telur ayam ras, minyak 9. Langkat goreng, jagung Daging ayam ras, cabai merah, telur ayam ras, 10. Mandailing Natal jagung 11. Nias Cabai merah, 12. Padang Lawas . Cabai merah, telur ayam ras, 13. Serdang Bedagai Daging ayam ras, cabai merah, telur ayam ras, 14. Samosir Jagung Daging ayam ras, cabai merah, minyak goreng, 15. Simalungun jagung 16. Tanjung balai Minyak goreng Daging ayam ras, cabai merah, telur ayam ras, 17. Tapanuli Selatan jagung 18. Tapanuli Utara Cabai merah, minyak goreng, jagung 19. Toba Samosir Beras, daging ayam ras, cabai merah, jagung Sumber : BPS Provinsi Sumatera Utara (diolah, 2018)

V. KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan, diperoleh beberapa kesimpulan sebagai berikut :

1. Kontribusi yang paling besar dan positif terhadap inflasi adalah inflasi itu

sendiri sebesar 1.72333 dan harga cabai merah sebesar 1.36485. Sedangkan

lima variabel lain seperti harga beras, harga telur ayam ras, harga minyak

goreng, harga daging ayam ras, dan harga jagung tidak terlalu besar

pengaruhnya terhadap inflasi Kota Medan dan Kota Pematangsiantar.

2. Kontribusi yang paling besar terhadap harga beras adalah harga beras itu

sendiri sebesar 2.35207 dan harga minyak goreng sebesar 1.66631. Sedangkan

lima variabel lain seperti harga telur ayam ras, inflasi, harga daging ayam ras,

harga jagung dan harga cabai merah tidak terlalu besar pengaruhnya terhadap

harga beras.

3. Kontribusi yang paling besar terhadap harga daging ayam ras adalah harga

daging ayam ras itu sendiri sebesar 1.675911 dan inflasi sebesar 1.38173.

Sedangkan lima variabel lain seperti harga telur ayam ras, harga beras, harga

minyak goreng, harga jagung dan harga cabai merah tidak terlalu besar

pengaruhnya terhadap harga daging ayam ras.

4. Kontribusi yang paling besar terhadap harga cabai merah adalah harga telur

ayam ras sebesar 1.70503 dan harga minyak goreng sebesar 1.11180.

Sedangkan lima variabel lain seperti harga cabai merah, harga beras, harga

daging ayam ras, inflasi dan harga jagung tidak terlalu besar pengaruhnya

terhadap harga cabai merah.

5. Kontribusi yang paling besar terhadap harga minyak goreng adalah harga

minyak goreng itu sendiri sebesar 3.40688 dan harga telur ayam ras sebesar

2.25577. Sedangkan lima variabel lain seperti harga jagung, inflasi, harga cabai

merah, harga beras dan harga daging ayam ras tidak terlalu besar pengaruhnya

terhadap harga minyak goreng.

6. Kontribusi yang paling besar terhadap harga telur ayam ras adalah harga telur

ayam ras itu sendiri sebesar 1.32148 dan harga daging ayam ras sebesar

1.30469. Sedangkan lima variabel lain seperti harga cabai merah, inflasi, harga

beras, harga jagung dan harga minyak goreng tidak terlalu besar pengaruhnya

terhadap harga telur ayam ras.

7. Kontribusi yang paling besar terhadap harga jagung adalah harga jagung itu

sendiri sebesar 4.32869 dan harga beras sebesar 1.26780. Sedangkan lima

variabel lain seperti harga telur ayam ras, harga cabai merah, harga minyak

goreng, harga daging ayam ras dan inflasi tidak terlalu besar pengaruhnya

terhadap harga jagung.

8. Pada uji kausalitas Granger dinyatakan bahwa tidak ada keterkaitan antara

inflasi Kota Medan dan inflasi Kota Pematangsiantar.

5.2. Saran

1. Disarankan kepada peneliti selanjutnya, apabila ingin meneliti pengaruh

fluktuasi harga pangan terhadap inflasi di Provinsi Sumatera Utara harus

memakai data di tahun yang lebih terbaru, agar dapat dilihat perubahannya dari

tahun penelitian saya dengan tahun penelitian peneliti selanjutnya.

2. Disarankan kepada petani, disamping menanan beras harus disertai menanam

jagung.

DAFTAR PUSTAKA

Anindita, R. 2008. Pendekatan Ekonomi untuk Analisis Harga. Jakarta (ID): Kencana

And. 2014. Harga Beras dan Inflasi. Ilmuandinformasi.blogspot.com/2014/10/harga-beras-dan- inflasi.html?m=1.

Anonimous. 2013. Tujuh Kelompok Bahan Pokok Makanan. http://masterblogpelajar.blogspot.com/2013/05/tujuh-kelompok-bahan- pokok-makanan.html

Anonimous. 2018. Inflasi Lebaran, Cabain Merah Jadi “Kunci”. Disperindag.sumutprov.go.id/berita-218/inflasi-lebaran-cabai-merah- jadi-kunci.html.

Bank Indonesia. 2016. Kajian Ekonomi dan Keuangan Regional Provinsi Sumatera Utara. Bank Indonesia.

Bank Indonesia. 2018. Inflasi. Bank Indonesia. https://bi.go.id/id/moner/inflasi/pengenalan/Contents/Default.aspx

Bank Indonesia. 2018. Inflasi. Bank Indonesia. https://www.bi.go.id/id/moneter/inflasi/pengenalan/Contents/Disagregasi .aspx

Bhattacharya, Rina. 2013. Inflation Dynamics and Monetary Policy Transmission in Vietnam and Emerging Asia. IMF Workhing Paper 13/155.

BPS. 2018. Indeks Harga Konsumen di Empat Kota Provinsi Sumatera Utara2017. Katalog : 7102023.12. Badan Pusat Statistik Provinsi Sumatera Utara. Medan

BPS 2018. Statistik Harga Produsen Sektor Pertanian di Provinsi Sumatera Utara. Katalog : 7103004.12. Badan Pusat Statistik Provinsi Sumatera Utara. Medan

Devlin, R., Estevadeordal, A. and Rodriguez-Clare, A. 2006. The Emergence of China: Opportunities and Challenges for Latin America and the Caribbean. Inter-American Development Bank, David Rockefeller Center for Latin American Studies, Harvard University. Washington, DC.

Firdaus, M. 2009. Manajemen Agribisnis. Jakarta (ID): Bumi Aksara

Gelos, Gaston, and Yulia Ustyugova. 2012. Inflation Responses to Commodity Price Shocks : How and Why Do Countries Differ. IMF Working Paper 12/225.

Gujarati, Damodar N. 2004. Basic Econometrics, Fourth edition. Singapore. McGraw-Hill Inc.

Gujarati, Dawn C. dan Porter, Dawn C. 2012. Dasar – Dasar Ekonometrika Buku 1 Edisi 5. Selemba Empat. Jakarta

Hasanah, F.N. 2014. Pengaruh Fluktuasi Harga Pangan Hewani Asal Ternak Terhadap Inflasi di Kabupaten Bogor. Skripsi Departemen Ekonomi Sumberdaya dan Lingkungan, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Bogor.

Hassan, Muhammad Shahid, et. al. 2016. Inflasi in Pakistan : Evidence From ARDL Bounds Testing Approach. Int. J. Management Development, Vol 1, No. 3. Pp. 181-195.

Ilham, N. dan Siregar, H. 2007. Pengaruh Kebijakan Harga Pangan dan Kebijakan Moneter Terhadap Stabilitas Ekonomi Makro. Jurnal Agro Ekonomi. Vol : 25 No.1 : 55 – 83. Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian. Bogor.

Irawati, Denti Juli. 2018. Pengaruh Fluktuasi Harga Pangan Terhadap Inflasi di Provinsi Sumatera Utara. Tesis Program Studi Magister Agribisnis, Universitas Sumatera Utara. Medan.

Jongwanich, Juthathip, Petchthrin Wongcharoen, and Donghyun Park. 2016. Determinats of Consumer Price Inflation Versus Producer Price Inflation in Asia. Asian Development Bank, ADB Economic Working paper Series No. 491. Manila, Philippines.

Juanda, Bambang dan Junaidi 2012 Ekonometrika Deret Waktu Teori dan Aplikasi Bogor (PT Penerbit IPB Press)

Kataren, S. 2008. Minyak dan Lemak Pangan. Cetakkan Pertama. Jakarta : Universitas Indonesia Press.

Kemendag. 2016. Infografis Produksi Daging Ayam Ras. https://ews.kemendag.go.id

KBBI. Fluktuasi. diakses 31 Oktober 2019. Tersedia dari https://kbbi.web.id/fluktuasi

Loening, J., Durevall, D. and Ayalew Birru, Y. 2009. Inflation Dynamic and Food Prices In An Agricultural Economy: The Case of Ehiopia. Working Paper ini Economic No. 347, University of Gothenburg. Gothenburg.

Lubis, Khairunnisak. 2018. Tahun 2017, Inflasi Sumut 3,20 Persen.Warta Ekonomi.co.id. https://m.wartaekonomi.co.id/berita166143/tahun-2017- inflasi-sumut-320-persen.html.

Moshin A dan Zaman K. 2012. Distributional effects of rising food prices in Pakistan: evidence from HIES 2001-02 and 2005-06 survey. Economic Modelling. Surabaya.

Musa, Yakubu, et. Al. 2013. Effect of Monetary-Fiscal Policies Interaction on Price and Output Growth in Nigeria. CBN Journal of Appllied Statistics Vol. 4 No.1. pp. 55-74

Nair, M.S. 2014. Inflation Dynamics in India : An Analysis. Economic Journal. Vol : No. 57110, posted 5. Departement of Economics, University of Kerala. India.

Nizar, Muhammad Afdi. 2012. Dampak Fluktuasi Harga Minyak Dunia Terhadap Perekonomian Indonesia. MPRA Paper No. 65770. Pp. 1C-4C.

Nguyen, Huu Minh, Tony Cavoli, and John K. Wilson. 2012. The Determinants of Inflation in Vietnam, 2001-09. ASEAN Economic Bulletin 29 (1):1-14

Nurgiantoro, Burhan, Gunawan, dan Marzuki. 2009. Statistik Terapan. Yogyakarta (ID): Gajah Mada University Press.

Prasetyo, P. Eko. 2009. Fundamental Makro Ekonomi. Yogyakarta.

Prastowo NJ, Yanuarti T, Depari Y. 2008. Pengaruh Distribusi Dalam Pembentukan Harga Komoditas Dan Implikasinya Terhadap Inflasi. Working Paper Bank Indonesia. WP/07/2008.

Rahardja, P dan Manurung, M. 2008. Pengantar Ilmu Ekonomi (Mikroekonomi dan Makroekonomi). Edisi Ke-3. Jakarta (ID) : Lembaga Penerbit Fakultas Ekonomi UI.

Rahmah, L.N.A. 2013. Analisis Fluktuasi Harga Komoditas Pangan dan Pengaruhnya Terhadap Inflasi di Jawa Barat. Skripsi Departemen Ekonomi Sumberdaya dan Lingkungan, Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor.

Riyadh MI, Oktaviani R, Siregar H. 2009. Analisis Fluktuasi Nilai Tukar Rupiah dan Inflasi Indonesia Periode 1999-2006. Jurnal Form Pascasarjana IPB. 32(3):1-18.

Santoso,T. 2011. Aplikasi Model GARCH Pada Data Inflasi Bahan Makanan Indonesia Periode 2005. Jurnal Organisasi dan Manajemen. 5(1):38-52.

Santosos, W., Susilo S.L., Nurhemi, R., Suryani, G. 2013. Pengaruh Hari Besar Pada Komoditas Utama Inflasi di Indonesia Barat. Working Paper : WP/16/2013. bank Indonesia. Jakarta

Setiawan, A.F. 2015. pengaruh Fluktuasi harga Komoditas Pangan Terhadap Inflasi di Provinsi Banten. Skripsi Departemen Ekonomi Sumberdaya dan Lingkungan, Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Bogor.

Setiawan, B M, W Roessali dan S N Asiyah, 2006. Analisis Permintaan Daging Ayam Pedaging Pada Pasar Tradisional di Kecamatan Mranggen Kabupaten Demak. J. Sos.Ek.Peternakan, Yogyakarta.

Shavana, Berry Dhiya. 2013. Faktor – Faktor Yang Mempengaruhi Permintaan Dan Penawaran Minyak Goreng Curah di Kota Medan. Skripsi. Program Studi Agribisnis Universitas Sumatera Utara.

Sitompul, Nurhidayati Ma’rifah. 2013. Analisis Penawaran Dan Permintaan Telur Ayam Ras Di Sumarera Utara. Skripsi. Program Studi Agribisnis Universitas Sumatera Utara.

Supriana, Tavi. 2013. Ekonomi Makro. Edisi Revisi. USU Press. Medan.

Suseno dan Siti Astiyah. 2009. Inflasi. Seri Kebangsentralan. Pusat Pendidikan dan Studi Kebanksentralan (PPSK) Bank Indonesia.

Tim Komoditi Analis. 2014. Tinjauan Pasar Jagung Pipilan. Kementrian Perdagangan Republik Indonesia.

Tirtawinata, Tien Ch. 2006. Makanan Dalam Perspektif Al-Qur’an dan Ilmu Gizi. Balai penerbit FKUI. Jakarta.

Utari G.A.D, S. Retni Cristina, Pambudi S. 2015. Inflasi di Indonesia : Karakteristik dan Pengendaliannya. Bank Indonesia Institute. Jakarta.

Widarjono, Agus. 2007. Ekonometrika Teori dan Aplikasi. Ekonisia FE UII. Yogjakarta

Wikipedia. Fluktuasi. diakses 31 Oktober 2019. Tersedia dari https://id.wikipedia.org/wiki/Fluktuasi

Zhang, Chengsi, Chunming Meng,and Lisa Gets. 2014. Food Price and Inflation Dynamics in China. Emeraldinsight, China Agricultural Economic Review Vol. 6 No. 3, 2014 pp. 395-412, 1756-137X DOI 10.1108/CAER-12-P2012-0140.

LAMPIRAN

Lampiran 1. Harga Komoditas Pangan di Kota Medan HARGA KOMODITI PANGAN (Rp) NO. PERIODE HBRS HDAR HCAM HMKG HTAR HJGG 1. Januari'13 8611 27260 18920 12000 14764 4489 2. Februari'13 8692 22900 24900 12500 15253 4726 3. Maret'13 8683 22050 19000 12500 15306 4758 4. April'13 8683 23640 23080 12500 14778 4850 5. Mei'13 8683 22950 37200 13000 14800 4850 6. Juni'13 8696 25750 41400 14000 15442 4927 7. Juli'13 8500 24400 30400 14000 15681 5086 8. Agustus'13 8500 26267 30667 14000 15726 5000 9. September'13 8549 28750 20800 14000 15500 5000 10. Oktober'13 8703 25767 41033 14000 15300 5000 11. November'13 9171 25200 51600 14000 15300 4900 12. Desember'13 9325 22567 34133 14000 15642 5300 13. Januari'14 8500 22032 28451 9000 15019 4000 14. Februari'14 9553 26892 18071 9700 16000 5464 15. Maret'14 9612 25258 16000 9700 16929 5177 16. April'14 9583 24800 13900 9700 16960 5250 17. Mei'14 9500 25516 20000 9700 17083 5500 18. Juni'14 9500 30233 27700 9200 17053 5500 19. Juli'14 9854 28483 18774 9700 17600 5145 20. Agustus'14 9629 29741 16677 9700 16903 5387 21. September'14 9766 28566 26633 9700 18560 4800 22. Oktober'14 9500 21612 36161 9700 16206 4225 23. November'14 9783 24733 53466 14806 17333 5100 24. Desember'14 9758 23258 27709 9451 16619 4854 25. Januari'15 10048 28174 41225 14806 16619 4806 26. Februari'15 9946 25392 19428 14582 18057 4928 27. Maret'15 9822 23129 17419 14580 16819 5129 28. April'15 9776 23333 18900 14686 16520 5150 29. Mei'15 9780 25832 33419 14974 16490 5096 30. Juni'15 9773 25966 38133 14980 17840 5183 31. Juli'15 9948 26322 39774 15000 18141 5161 32. Agustus'15 9709 30709 36709 14890 18219 5258 33. September'15 9766 25924 22500 14940 19093 5250 34. Oktober'15 9741 22800 17400 14967 18746 5083 35. November'15 10066 24266 23233 15000 19020 5166 36. Desember'15 10145 26129 37903 14890 19335 5241 37. Januari'16 10290 58548 32741 14935 20335 5370

Lanjutan lampiran 1 38. Februari'16 10258 27827 32172 14793 20220 5172 39. Maret'16 10145 25483 43000 12129 19845 5548 40. April'16 10362 22241 24551 12551 18296 5357 41. Mei'16 10225 25967 30322 12483 18219 5209 42. Juni'16 10266 29300 27600 12133 18133 5433 43. Juli'16 10177 31709 27419 12161 18064 5129 44. Agustus'16 10129 32548 33483 12322 19096 5258 45. September'16 10133 25344 49482 12433 19227 5310 46. Oktober'16 10225 27387 65580 13193 19303 5258 47. November'16 10150 26100 82900 12800 19253 5333 48. Desember'16 10112 29000 59000 12677 19303 5516 49. Januari'17 10241 31064 41161 12951 19354 5322 50. Februari'17 10267 27928 26071 13196 19742 5535 51. Maret'17 10193 28290 22000 12564 20309 5290 52. April'17 10066 25800 17566 12333 20346 5275 53. Mei'17 10145 25580 19354 12967 19870 5645 54. Juni'17 10050 25700 14966 12400 19840 5566 55. Juli'17 10080 26580 15741 13419 19354 5193 56. Agustus'17 10129 28903 24322 14000 19432 5266 57. September'17 10066 26900 32433 14000 19413 5166 58. Oktober'17 10080 27064 37677 14000 19303 5096 59. November'17 10200 25500 42500 13916 19360 5266 60. Desember'17 10177 26838 44193 13919 20154 5366

Lampiran 2. Harga Komoditas Pangan di Pematangsiantar HARGA KOMODITI PANGAN (Rp) NO. PERIODE HBRS DAR HCAM HMKG HTAR HJGG 1. Januari'13 9525 26903 20000 12000 15456 3467 2. Februari'13 9485 24892 24714 12500 15760 3928 3. Maret'13 8829 18467 14709 13000 15920 3274 4. April'13 8383 21100 18133 13000 14336 3550 5. Mei'13 8000 20387 31967 13000 14400 3612 6. Juni'13 7343 24333 39000 13000 16128 3783 7. Juli'13 9000 24741 37129 13000 16464 3758 8. Agustus'13 8500 22928 28612 13500 15840 3500 9. September'13 8500 25666 20500 13500 16000 3500 10. Oktober'13 9000 22483 39258 13500 16000 3500 11. November'13 8964 20928 54285 13500 16000 3500 12. Desember'13 9000 19129 25741 13500 16928 5000 13. Januari'14 8983 23580 35225 13441 16574 3645 14. Februari'14 9200 23571 22607 13557 16942 4000 15. Maret'14 9300 21645 16451 13467 16000 4193 16. April'14 9040 21066 13833 13833 16000 3816 17. Mei'14 9019 21354 16838 14516 15612 4016 18. Juni'14 9033 26266 11400 14500 16213 4066 19. Juli'14 9009 25322 14225 14516 16154 4016 20. Agustus'14 9106 26806 16580 14387 16103 4000 21. September'14 9260 24233 25433 13966 16000 4016 22. Oktober'14 9241 18193 35000 13933 16219 4016 23. November'14 9123 18400 47600 14190 16000 4000 24. Desember'14 9583 19129 51709 14483 16129 4032 25. Januari'15 9603 24548 42677 14467 17390 4032 26. Februari'15 9596 20500 18714 14482 17542 4000 27. Maret'15 9564 17774 14225 14500 17032 4000 28. April'15 9570 19416 15300 14500 15786 4000 29. Mei'15 9148 23967 30096 14483 16748 4000 30. Juni'15 9200 22600 35100 14500 18240 4000 31. Juli'15 9200 24225 32967 14500 18400 4000 32. Agustus'15 9403 28451 34677 14500 18667 4000 33. September'15 9500 20600 19900 14500 19200 4000 34. Oktober'15 9780 18129 15677 14500 19948 4451 35. November'15 9816 20666 21700 14333 20000 4650 36. Desember'15 9850 23161 35387 14000 20000 5000 37. Januari'16 9859 24612 28870 14000 20051 5000 38. Februari'16 10000 25241 30068 14068 20386 5103

Lanjutan lampiran 2 39. Maret'16 10000 21903 39967 14500 18038 6000 40. April'16 10000 18450 21933 14500 16000 6000 41. Mei'16 10000 24451 28774 14500 18245 6000 42. Juni'16 10000 26933 27400 14500 18400 6000 43. Juli'16 10000 31032 25903 14500 18658 6000 44. Agustus'16 10000 27596 30516 14500 19200 6000 45. September'16 10000 22000 47833 14500 19200 6000 46. Oktober'16 10000 25000 67032 14500 19200 6000 47. November'16 10000 22566 77966 14500 19946 6000 48. Desember'16 10000 25096 55838 14500 20774 6000 49. Januari'17 10000 28838 40645 14500 22400 5935 50. Februari'17 10000 24000 25142 14500 22400 6000 51. Maret'17 10000 24870 20710 14500 22400 6000 52. April'17 10000 20233 17466 14500 22400 6000 53. Mei'17 10000 21870 17838 14500 22400 6000 54. Juni'17 10000 21866 12533 14500 22400 6000 55. Juli'17 10000 25225 16677 14500 22400 6000 56. Agustus'17 10000 26580 25193 14500 22400 6000 57. September'17 9953 25500 35400 14500 22400 6000 58. Oktober'17 10000 23387 38451 14500 22400 6000 59. November'17 10000 22966 44200 14500 22400 6000 60. Desember'17 10425 25592 42740 14500 22400 6000

Lampiran 3. Perubahan Harga Beras, Harga Daging Ayam Ras, Harga Cabai Merah, Harga Minyak Goreng, Harga Telur Ayam Ras dan Harga Jagung Pada Periode Januari 2013 – Desember 2017 di Kota Medan dan Kota Pematangsiantar Kota Medan Periode HBRS HDAR HCAM HMKG HTAR HJGG Januari'13 0 0 0 0 0 0 Februari'13 0,940657299 -15,99413059 31,60676533 4,166666667 3,312110539 5,279572288 Maret'13 -0,103543488 -3,711790393 -23,69477912 0 0,347472628 0,677105375 April'13 0 7,210884354 21,47368421 0 -3,449627597 1,93358554 Mei'13 0 -2,918781726 61,17850953 4 0,148869942 0 Juni'13 0,149717839 12,20043573 11,29032258 7,692307692 4,337837838 1,587628866 Juli'13 -2,253909844 -5,242718447 -26,57004831 0 1,547726978 3,227115892 Agustus'13 0 7,650273224 0,877192982 0 0,286971494 -1,690916241 September'13 0,576470588 9,454314721 -32,17391304 0 -1,437110518 0 Oktober'13 1,801380278 -10,37681159 97,27564103 0 -1,290322581 0 November'13 5,37745605 -2,199223803 25,75142161 0 0 -2 Desember'13 1,679206193 -10,44973545 -33,8501292 0 2,235294118 8,163265306 Januari'14 -8,847184987 -2,369276219 -16,64746094 -35,71428571 -3,982866641 -24,52830189 Februari'14 12,38823529 22,05882353 -36,48377913 7,777777778 6,53172648 36,6 Maret'14 0,617607034 -6,076156478 -11,46035084 0 5,80625 -5,252562225 April'14 -0,301706201 -1,813286879 -13,125 0 0,183117727 1,41008306 Mei'14 -0,866117082 2,887096774 43,88489209 0 0,725235849 4,761904762 Juni'14 0 18,48643988 38,5 -5,154639175 -0,175613183 0 Juli'14 3,726315789 -5,788376939 -32,22382671 5,434782609 3,207646748 -6,454545455 Agustus'14 -2,283336716 4,416669592 -11,16970278 0 -3,960227273 4,703595724 September'14 1,422785336 -3,950775024 59,69898663 0 9,802993551 -10,89660293 Oktober'14 -2,723735409 -24,34362529 35,77516615 0 -12,68318966 -11,97916667 November'14 2,978947368 14,44105127 47,85542435 52,63917526 6,954214488 20,71005917 Desember'14 -0,255545334 -5,963692233 -48,17454083 -36,16776982 -4,119309987 -4,823529412 Januari'15 2,971920476 21,13681314 48,77837526 56,66067083 0 -0,988875155 Februari'15 -1,015127389 -9,87435224 -52,87325652 -1,512900176 8,652746856 2,53849355 Maret'15 -1,246732355 -8,912255829 -10,34074532 -0,01371554 -6,856066899 4,078733766 April'15 -0,468336388 0,882009598 8,50221023 0,72702332 -1,777751353 0,409436537 Mei'15 0,04091653 10,710153 76,82010582 1,961051341 -0,181598063 -1,048543689 Juni'15 -0,071574642 0,518736451 14,10574823 0,040069454 8,186779867 1,70722135 Juli'15 1,790647703 1,371023646 4,303359295 0,133511348 1,687219731 -0,424464596 Agustus'15 -2,402492963 16,66666667 -7,706039121 -0,733333333 0,429965272 1,879480721 September'15 0,587084149 -15,58175128 -38,70712904 0,335795836 4,797189747 -0,152149106 Oktober'15 -0,25599017 -12,05060947 -22,66666667 0,180722892 -1,817419997 -3,180952381 November'15 3,336413099 6,429824561 33,52298851 0,220485067 1,461645151 1,63289396 Desember'15 0,784820187 7,67740872 63,14294323 -0,733333333 1,65615142 1,451800232 Januari'16 1,429275505 124,0728692 -13,61897475 0,302216253 5,171967934 2,461362335 Februari'16 -0,310981535 -52,4714764 -1,737882166 -0,950786743 -0,565527416 -3,687150838

Lanjutan lampiran 3 Maret'16 -1,101579255 -8,423473605 33,6565958 -18,00851754 -1,854599407 7,269914927 April'16 2,138984722 -12,72220696 -42,90465116 3,479264573 -7,805492567 -3,442682048 Mei'16 -1,322138583 16,75284385 23,50617083 -0,541789499 -0,420857018 -2,76274034 Juni'16 0,400977995 12,83552201 -8,97698041 -2,803813186 -0,472034689 4,300249568 Juli'16 -0,866939412 8,221843003 -0,655797101 0,230775571 -0,380521701 -5,595435303 Agustus'16 -0,471651764 2,645936485 22,11605091 1,323904284 5,713020372 2,515110158 September'16 0,039490572 -22,13346442 47,78245677 0,900827788 0,686007541 0,98896919 Oktober'16 0,907924603 8,061079545 32,53304232 6,112764417 0,395277474 -0,979284369 November'16 -0,733496333 -4,699309892 26,410491 -2,978852422 -0,259027094 1,42639787 Desember'16 -0,374384236 11,11111111 -28,82991556 -0,9609375 0,259699787 3,431464467 Januari'17 1,275712025 7,117241379 -30,23559322 2,161394652 0,264207636 -3,517041334 Februari'17 0,253881457 -10,09528715 -36,66091689 1,891745811 2,004753539 4,002254791 Maret'17 -0,72075582 1,29 6190203 -15,61505121 -4,7893301 2,872049438 -4,426377597 April'17 -1,245953105 -8,801696713 -20,15454545 -1,838586437 0,182185238 -0,283553875 Mei'17 0,784820187 -0,852713178 10,17875441 5,140679478 -2,339526197 7,014218009 Juni'17 -0,936421883 0,469116497 -22,6723158 -4,372638236 -0,150981379 -1,399468556 Juli'17 0,298507463 3,424124514 5,178404383 8,217741935 -2,449596774 -6,701401365 Agustus'17 0,486111111 8,739653875 54,51369036 4,329681794 0,403017464 1,405738494 September'17 -0,621976503 -6,930076463 33,34840885 0 -0,097776863 -1,898974554 Oktober'17 0,139082058 0,609665428 16,16871705 0 -0,566630608 -1,35501355 November'17 1,19047619 -5,778894472 12,80091302 -0,6 0,295290887 3,335949765 Desember'17 -0,225490196 5,247058824 3,983529412 0,021557919 4,101239669 1,898974554 Kota Januari'13 0 0 0 0 0 0 Pematangsiantar Februari'13 -0,419947507 -7,475002788 23,57 4,166666667 1,966873706 13,29679838 Maret'13 -6,916183448 -25,8115057 -40,48312697 4 1,015228426 -16,6496945 April'13 -5,051534715 14,25786538 23,27826501 0 -9,949748744 8,430054979 Mei'13 -4,56877013 -3,379146919 76,2918436 0 0,446428571 1,746478873 Juni'13 -8,2125 19,35547162 22,00081334 0 12 4,734219269 Juli'13 22,56570884 1,676735298 -4,797435897 0 2,083333333 -0,660851176 Agustus'13 -5,555555556 -7,327917222 -22,93894261 3,846153846 -3,790087464 -6,865353912 September'13 0 11,94173064 -28,35174053 0 1,01010101 0 Oktober'13 5,882352941 -12,40162082 91,50243902 0 0 0 November'13 -0,4 -6,916336788 38,27754853 0 0 0 Desember'13 0,401606426 -8,596139144 -52,5817445 0 5,8 42,85714286 Januari'14 -0,188888889 23,26833603 36,84394546 -0,437037037 -2,09120983 -27,1 Februari'14 2,415674051 -0,038167939 -35,82114975 0,863031024 2,220345119 9,739368999 Maret'14 1,086956522 -8,171057656 -27,23050383 -0,663863687 -5,560146382 4,825

April'14 -2,795698925 -2,674982675 -15,91392621 2,717754511 0 -8,991175769 Mei'14 -0,232300885 1,367131871 21,72341502 4,937468373 -2,425 5,241090147 Juni'14 0,155227852 23,00271612 -32,29599715 -0,110223202 3,84960287 1,24501992 Juli'14 -0,265692461 -3,593999848 24,78070175 0,110344828 -0,363905508 -1,229709788

Lanjutan lampiran 3 Agustus'14 1,076701077 5,860516547 16,55536028 -0,888674566 -0,315711279 -0,398406375 September'14 1,69119262 -9,598597329 53,39565742 -2,926252867 -0,639632367 0,4 Oktober'14 -0,205183585 -24,92468947 37,61648252 -0,236288128 1,36875 0 November'14 -1,276918082 1,137800253 36 1,844541735 -1,350268204 -0,398406375 Desember'14 5,04220103 3,961956522 8,632352941 2,06483439 0,80625 0,8 Januari'15 0,208702911 28,32871556 -17,46697867 -0,110474349 7,818215636 0 Februari'15 -0,072893887 -16,49014176 -56,1496825 0,103684247 0,874065555 -0,793650794 Maret'15 -0,33347228 -13,29756098 -23,98738912 0,124292225 -2,907308175 0 April'15 0,062735257 9,23821312 7,55711775 0 -7,315641146 0 Mei'15 -4,409613375 23,4394314 96,70588235 -0,117241379 6,094007348 0 Juni'15 0,568430258 -5,703675888 16,62679426 0,117378996 8,908526391 0 Juli'15 0 7,190265487 -6,076923077 0 0,877192982 0 Agustus'15 2,206521739 17,44478844 5,187005187 0 1,451086957 0 September'15 1,031585664 -27,59481213 -42,61325951 0 2,855306155 0 Oktober'15 2,947368421 -11,99514563 -21,22110553 0 3,895833333 11,275 November'15 0,36809816 13,99415301 38,41934044 -1,151724138 0,260677762 4,470905415 Desember'15 0,346373268 12,0729701 63,07373272 -2,323309844 0 7,52688172 Januari'16 0,091370558 6,26484176 -18,41636759 0 0,255 0 Februari'16 1,430165331 2,555663904 4,149636301 0,485714286 1,670739614 2,06 Maret'16 0 -13,22451567 32,92204337 3,070798976 -11,51770823 17,57789536 April'16 0 -15,7649637 -45,12222584 0 -11,29837011 0 Mei'16 0 32,52574526 31,19044362 0 14,03125 0 Juni'16 0 10,15091407 -4,775144227 0 0,849547821 0 Juli'16 0 15,21924776 -5,46350365 0 1,402173913 0 Agustus'16 0 -11,07244135 17,80874802 0 2,904920141 0 September'16 0 -20,2783012 56,74728012 0 0 0 Oktober'16 0 13,63636364 40,13756193 0 0 0 November'16 0 -9,736 16,31161236 0 3,885416667 0 Desember'16 0 11,21155721 -28,38160224 0 4,151208262 0 Januari'17 0 14,91074275 -27,20906909 0 7,827091557 -1,083333333 Februari'17 0 -16,77647548 -38,14245295 0 0 1,095197978 Maret'17 0 3,625 -17,62787368 0 0 0 April'17 0 -18,64495376 -15,66393047 0 0 0 Mei'17 0 8,090742846 2,129852284 0 0 0 Juni'17 0 -0,018289895 -29,73988115 0 0 0 Juli'17 0 15,36174883 33,06470917 0 0 0 Agustus'17 0 5,371655104 51,06434011 0 0 0 September'17 -0,47 -4,063205418 40,51522248 0 0 0 Oktober'17 0,472219431 -8,28627451 8,618644068 0 0 0 November'17 0 -1,80014538 14,95149671 0 0 0 Desember'17 4,25 11,43429417 -3,303167421 0 0 0

Lampiran 4. Inflasi di Kota Medan dan Kota Pematangsiantar Periode Kota Medan Kota Pematangsiantar Januari'13 1,21 1,21 Februari'13 0,8 0,8 Maret'13 0,42 0,42 April'13 0,74 0,74 Mei'13 0,34 0,34 Juni'13 1,28 1,28 Juli'13 2,74 2,74 Agustus'13 0,5 0,5 September'13 0,12 0,12 Oktober'13 1 1 November'13 0,61 0,61 Desember'13 -0,07 -0,07 Januari'14 1 1,12 Februari'14 -0,59 -0,76 Maret'14 -0,34 0,59 April'14 0,34 -0,66 Mei'14 0,3 1,61 Juni'14 0,6 -0,09 Juli'14 0,8 0,29 Agustus'14 0,67 0,13 September'14 0,23 0,57 Oktober'14 0,71 0,28 November'14 1,75 1,95 Desember'14 2,53 2,69 Januari'15 -0,35 -0,61 Februari'15 -1,36 -1,38 Maret'15 -0,01 0,17 April'15 0,96 0,56 Mei'15 1,01 1,11 Juni'15 0,77 1,44 Juli'15 0,82 1,33 Agustus'15 0,59 1,12 September'15 -0,7 0,84 Oktober'15 -0,33 1,28 November'15 0,53 1,56 Desember'15 1,37 3,36 Januari'16 0,91 0,44 Februari'16 0,38 -0,33 Maret'16 0,88 0,66 April'16 -1,22 -0,66 Mei'16 0,44 0,82

100

Lanjutan lampiran 4 Juni'16 0,81 0,65 Juli'16 0,07 0,17 Agustus'16 0,82 0,66 September'16 1,32 0,29 Oktober'16 1,11 0,63 November'16 0,74 0,8 Desember'16 0,16 0,54 Januari'17 0,38 0,72 Februari'17 -0,64 -0,17 Maret'17 -0,2 0,17 April'17 -0,53 -0,17 Mei'17 0,08 -0,01 Juni'17 0,24 -0,07 Juli'17 0,31 0,26 Agustus'17 1,06 0,83 September'17 1,08 0,55 Oktober'17 0,24 0,15 November'17 0,4 0,32 Desember'17 0,73 0,46

101

Lampiran 5. Inflasi dan Perubahan Harga Komoditas Pangan di Kota Medan dan Kota Pematangsiantar Kota Medan Periode INF HBRS HDAR HCAM HMKG HTAR HJGG

Januari'13 1,21 0 0 0 0 0 0

Februari'13 0,8 0,940657299 -15,99413059 31,60676533 4,166666667 3,312110539 5,279572288

Maret'13 0,42 -0,103543488 -3,711790393 -23,69477912 0 0,347472628 0,677105375

April'13 0,74 0 7,210884354 21,47368421 0 -3,449627597 1,93358554

Mei'13 0,34 0 -2,918781726 61,17850953 4 0,148869942 0

Juni'13 1,28 0,149717839 12,20043573 11,29032258 7,692307692 4,337837838 1,587628866

Juli'13 2,74 -2,253909844 -5,242718447 -26,57004831 0 1,547726978 3,227115892 - Agustus'13 0,5 0 7,650273224 0,877192982 0 0,286971494 1,690916241 September'13 0,12 0,576470588 9,454314721 -32,17391304 0 -1,437110518 0

Oktober'13 1 1,801380278 -10,37681159 97,27564103 0 -1,290322581 0

November'13 0,61 5,37745605 -2,199223803 25,75142161 0 0 -2

Desember'13 -0,07 1,679206193 -10,44973545 -33,8501292 0 2,235294118 8,163265306 - - Januari'14 1 -8,847184987 -2,369276219 -16,64746094 -3,982866641 35,71428571 24,52830189 Februari'14 -0,59 12,38823529 22,05882353 -36,48377913 7,777777778 6,53172648 36,6 - Maret'14 -0,34 0,617607034 -6,076156478 -11,46035084 0 5,80625 5,252562225 April'14 0,34 -0,301706201 -1,813286879 -13,125 0 0,183117727 1,41008306

Mei'14 0,3 -0,866117082 2,887096774 43,88489209 0 0,725235849 4,761904762 - Juni'14 0,6 0 18,48643988 38,5 -0,175613183 0 5,154639175 - Juli'14 0,8 3,726315789 -5,788376939 -32,22382671 5,434782609 3,207646748 6,454545455 Agustus'14 0,67 -2,283336716 4,416669592 -11,16970278 0 -3,960227273 4,703595724 - September'14 0,23 1,422785336 -3,950775024 59,69898663 0 9,802993551 10,89660293 - Oktober'14 0,71 -2,723735409 -24,34362529 35,77516615 0 -12,68318966 11,97916667 November'14 1,75 2,978947368 14,44105127 47,85542435 52,63917526 6,954214488 20,71005917 - - Desember'14 2,53 -0,255545334 -5,963692233 -48,17454083 -4,119309987 36,16776982 4,823529412 - Januari'15 -0,35 2,971920476 21,13681314 48,77837526 56,66067083 0 0,988875155 - Februari'15 -1,36 -1,015127389 -9,87435224 -52,87325652 8,652746856 2,53849355 1,512900176 Maret'15 -0,01 -1,246732355 -8,912255829 -10,34074532 -0,01371554 -6,856066899 4,078733766

April'15 0,96 -0,468336388 0,882009598 8,50221023 0,72702332 -1,777751353 0,409436537 - Mei'15 1,01 0,04091653 10,710153 76,82010582 1,961051341 -0,181598063 1,048543689 Juni'15 0,77 -0,071574642 0,518736451 14,10574823 0,040069454 8,186779867 1,70722135 - Juli'15 0,82 1,790647703 1,371023646 4,303359295 0,133511348 1,687219731 0,424464596 - Agustus'15 0,59 -2,402492963 16,66666667 -7,706039121 0,429965272 1,879480721 0,733333333 - September'15 -0,7 0,587084149 -15,58175128 -38,70712904 0,335795836 4,797189747 0,152149106 - Oktober'15 -0,33 -0,25599017 -12,05060947 -22,66666667 0,180722892 -1,817419997 3,180952381 November'15 0,53 3,336413099 6,429824561 33,52298851 0,220485067 1,461645151 1,63289396 - Desember'15 1,37 0,784820187 7,67740872 63,14294323 1,65615142 1,451800232 0,733333333 Januari'16 0,91 1,429275505 124,0728692 -13,61897475 0,302216253 5,171967934 2,461362335 - - Februari'16 0,38 -0,310981535 -52,4714764 -1,737882166 -0,565527416 0,950786743 3,687150838

102

Lanjutan lampiran 5 - Maret'16 0,88 -1,101579255 -8,423473605 33,6565958 -1,854599407 7,269914927 18,00851754

April'16 -1,22 2,138984722 -12,72220696 -42,90465116 3,479264573 -7,805492567 -3,442682048 - Mei'16 0,44 -1,322138583 16,75284385 23,50617083 0,541789499 -0,420857018 -2,76274034 - Juni'16 0,81 0,400977995 12,83552201 -8,97698041 2,803813186 -0,472034689 4,300249568

Juli'16 0,07 -0,866939412 8,221843003 -0,655797101 0,230775571 -0,380521701 -5,595435303

Agustus'16 0,82 -0,471651764 2,645936485 22,11605091 1,323904284 5,713020372 2,515110158

September'16 1,32 0,039490572 -22,13346442 47,78245677 0,900827788 0,686007541 0,98896919

Oktober'16 1,11 0,907924603 8,061079545 32,53304232 6,112764417 0,395277474 -0,979284369 - November'16 0,74 -0,733496333 -4,699309892 26,410491 2,978852422 -0,259027094 1,42639787

Desember'16 0,16 -0,374384236 11,11111111 -28,82991556 -0,9609375 0,259699787 3,431464467

Januari'17 0,38 1,275712025 7,117241379 -30,23559322 2,161394652 0,264207636 -3,517041334

Februari'17 -0,64 0,253881457 -10,09528715 -36,66091689 1,891745811 2,004753539 4,002254791

Maret'17 -0,2 -0,72075582 1,296190203 -15,61505121 -4,7893301 2,872049438 -4,426377597 - April'17 -0,53 -1,245953105 -8,801696713 -20,15454545 1,838586437 0,182185238 -0,283553875

Mei'17 0,08 0,784820187 -0,852713178 10,17875441 5,140679478 -2,339526197 7,014218009 - Juni'17 0,24 -0,936421883 0,469116497 -22,6723158 4,372638236 -0,150981379 -1,399468556

Juli'17 0,31 0,298507463 3,424124514 5,178404383 8,217741935 -2,449596774 -6,701401365

Agustus'17 1,06 0,486111111 8,739653875 54,51369036 4,329681794 0,403017464 1,405738494

September'17 1,08 -0,621976503 -6,930076463 33,34840885 0 -0,097776863 -1,898974554

Oktober'17 0,24 0,139082058 0,609665428 16,16871705 0 -0,566630608 -1,35501355

November'17 0,4 1,19047619 -5,778894472 12,80091302 -0,6 0,295290887 3,335949765

Desember'17 0,73 -0,225490196 5,247058824 3,983529412 0,021557919 4,101239669 1,898974554 Kota Pematangsiantar Januari'13 1,21 0 0 0 0 0 0

Februari'13 0,8 -0,419947507 -7,475002788 23,57 4,166666667 1,966873706 13,29679838

Maret'13 0,42 -6,916183448 -25,8115057 -40,48312697 4 1,015228426 -16,6496945

April'13 0,74 -5,051534715 14,25786538 23,27826501 0 -9,949748744 8,430054979

Mei'13 0,34 -4,56877013 -3,379146919 76,2918436 0 0,446428571 1,746478873

Juni'13 1,28 -8,2125 19,35547162 22,00081334 0 12 4,734219269

Juli'13 2,74 22,56570884 1,676735298 -4,797435897 0 2,083333333 -0,660851176

Agustus'13 0,5 -5,555555556 -7,327917222 -22,93894261 3,846153846 -3,790087464 -6,865353912

September'13 0,12 0 11,94173064 -28,35174053 0 1,01010101 0

Oktober'13 1 5,882352941 -12,40162082 91,50243902 0 0 0

November'13 0,61 -0,4 -6,916336788 38,27754853 0 0 0

Desember'13 -0,07 0,401606426 -8,596139144 -52,5817445 0 5,8 42,85714286 - Januari'14 1,12 -0,188888889 23,26833603 36,84394546 0,437037037 -2,09120983 -27,1

Februari'14 -0,76 2,415674051 -0,038167939 -35,82114975 0,863031024 2,220345119 9,739368999 - Maret'14 0,59 1,086956522 -8,171057656 -27,23050383 0,663863687 -5,560146382 4,825

April'14 -0,66 -2,795698925 -2,674982675 -15,91392621 2,717754511 0 -8,991175769

Mei'14 1,61 -0,232300885 1,367131871 21,72341502 4,937468373 -2,425 5,241090147 - Juni'14 -0,09 0,155227852 23,00271612 -32,29599715 0,110223202 3,84960287 1,24501992

Juli'14 0,29 -0,265692461 -3,593999848 24,78070175 0,110344828 -0,363905508 -1,229709788

103

Lanjutan lampiran 5 - - Agustus'14 0,13 1,076701077 5,860516547 16,55536028 0,888674566 -0,315711279 0,398406375 - September'14 0,57 1,69119262 -9,598597329 53,39565742 2,926252867 -0,639632367 0,4 - Oktober'14 0,28 -0,205183585 -24,92468947 37,61648252 0,236288128 1,36875 0 - November'14 1,95 -1,276918082 1,137800253 36 1,844541735 -1,350268204 0,398406375

Desember'14 2,69 5,04220103 3,961956522 8,632352941 2,06483439 0,80625 0,8 - Januari'15 -0,61 0,208702911 28,32871556 -17,46697867 0,110474349 7,818215636 0 - Februari'15 -1,38 -0,072893887 -16,49014176 -56,1496825 0,103684247 0,874065555 0,793650794

Maret'15 0,17 -0,33347228 -13,29756098 -23,98738912 0,124292225 -2,907308175 0

April'15 0,56 0,062735257 9,23821312 7,55711775 0 -7,315641146 0 - Mei'15 1,11 -4,409613375 23,4394314 96,70588235 0,117241379 6,094007348 0

Juni'15 1,44 0,568430258 -5,703675888 16,62679426 0,117378996 8,908526391 0

Juli'15 1,33 0 7,190265487 -6,076923077 0 0,877192982 0

Agustus'15 1,12 2,206521739 17,44478844 5,187005187 0 1,451086957 0

September'15 0,84 1,031585664 -27,59481213 -42,61325951 0 2,855306155 0

Oktober'15 1,28 2,947368421 -11,99514563 -21,22110553 0 3,895833333 11,275 - November'15 1,56 0,36809816 13,99415301 38,41934044 1,151724138 0,260677762 4,470905415 - Desember'15 3,36 0,346373268 12,0729701 63,07373272 2,323309844 0 7,52688172

Januari'16 0,44 0,091370558 6,26484176 -18,41636759 0 0,255 0

Februari'16 -0,33 1,430165331 2,555663904 4,149636301 0,485714286 1,670739614 2,06

Maret'16 0,66 0 -13,22451567 32,92204337 3,070798976 -11,51770823 17,57789536

April'16 -0,66 0 -15,7649637 -45,12222584 0 -11,29837011 0

Mei'16 0,82 0 32,52574526 31,19044362 0 14,03125 0

Juni'16 0,65 0 10,15091407 -4,775144227 0 0,849547821 0

Juli'16 0,17 0 15,21924776 -5,46350365 0 1,402173913 0

Agustus'16 0,66 0 -11,07244135 17,80874802 0 2,904920141 0

September'16 0,29 0 -20,2783012 56,74728012 0 0 0

Oktober'16 0,63 0 13,63636364 40,13756193 0 0 0

November'16 0,8 0 -9,736 16,31161236 0 3,885416667 0

Desember'16 0,54 0 11,21155721 -28,38160224 0 4,151208262 0 - Januari'17 0,72 0 14,91074275 -27,20906909 0 7,827091557 1,083333333

Februari'17 -0,17 0 -16,77647548 -38,14245295 0 0 1,095197978

Maret'17 0,17 0 3,625 -17,62787368 0 0 0

April'17 -0,17 0 -18,64495376 -15,66393047 0 0 0

Mei'17 -0,01 0 8,090742846 2,129852284 0 0 0

Juni'17 -0,07 0 -0,018289895 -29,73988115 0 0 0

Juli'17 0,26 0 15,36174883 33,06470917 0 0 0

Agustus'17 0,83 0 5,371655104 51,06434011 0 0 0

September'17 0,55 -0,47 -4,063205418 40,51522248 0 0 0

Oktober'17 0,15 0,472219431 -8,28627451 8,618644068 0 0 0

November'17 0,32 0 -1,80014538 14,95149671 0 0 0

Desember'17 0,46 4,25 11,43429417 -3,303167421 0 0 0

104

Lampiran 6. Uji Stasioner Data Pada Tingkat Level

1. Inflasi Null Hypothesis: INFLASI has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -8.549528 0.0000 Test critical values: 1% level -3.486064 5% level -2.885863 10% level -2.579818

*MacKinnon (1996) one-sided p-values.

2. Harga Beras Null Hypothesis: HBRS has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -14.68554 0.0000 Test critical values: 1% level -3.486064 5% level -2.885863 10% level -2.579818

*MacKinnon (1996) one-sided p- values.

3. Daging ayam ras Null Hypothesis: HDAR has a unit root Exogenous: Constant Lag Length: 3 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -9.783261 0.0000 Test critical values: 1% level -3.487550 5% level -2.886509 10% level -2.580163

*MacKinnon (1996) one-sided p-values.

105

Lanjutan lampiran 6

4. Harga Cabai Merah Null Hypothesis: HCAM has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -9.783463 0.0000 Test critical values: 1% level -3.486064 5% level -2.885863 10% level -2.579818

*MacKinnon (1996) one-sided p-values.

5. Minyak Null Hypothesis: HMKG has a unit root Exogenous: Constant Lag Length: 2 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -5.018770 0.0000 Test critical values: 1% level -3.487046 5% level -2.886290 10% level -2.580046

*MacKinnon (1996) one-sided p-values.

6. Harga Telur Ayam Ras

Null Hypothesis: HTAR has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -12.49210 0.0000 Test critical values: 1% level -3.486064 5% level -2.885863 10% level -2.579818

*MacKinnon (1996) one-sided p-values.

106

Lanjutan lampiran 6

7. Harga Jagung Null Hypothesis: HJGG has a unit root Exogenous: Constant Lag Length: 1 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey -Fuller test statistic -11.60900 0.0000 Test critical values: 1% level -3.486551 5% level -2.886074 10% level -2.579931

*MacKinnon (1996) one-sided p-values.

107

Lampiran 7. Hasil Penentuan Lag Optimal

VAR Lag Order Selection Criteria Endogenous variables: INFLASI HBRS HDAR HCAM HMKG HTAR HJGG Exogenous variables: C Date: 10/03/19 Time: 14:32 Sample: 1 120 Included observations: 119

Lag LogL LR FPE AIC SC HQ

0 -2602.262 NA 1.20e+11 45.37847 45.54555* 45.44629 1 -2523.815 145.9800 7.22e+10* 44.86635* 46.20301 45.40889* 2 -2486.895 64.20774 8.99e+10 45.07644 47.58268 46.09371 3 -2446.870 64.73711 1.08e+11 45.23252 48.90834 46.72452 4 -2396.198 75.78706 1.09e+11 45.20345 50.04885 47.17017 5 -2331.445 88.96485* 8.94e+10 44.92948 50.94446 47.37093

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

108

Lampiran 8. Uji Stabilitas Model VAR

Roots of Characteristic Polynomial Endogenous variables: INFLASI HBRS HDAR HCAM HMKG HTAR HJGG Exogenous variables: C Lag specification: 1 2 Date: 10/03/19 Time: 14:06

Root Modulus

0.326049 - 0.521078i 0.614679 0.326049 + 0.521078i 0.614679 -0.448178 - 0.370147i 0.581268 -0.448178 + 0.370147i 0.581268 0.068442 - 0.542712i 0.547010 0.068442 + 0.542712i 0.547010 0.538705 0.538705 -0.188111 - 0.454938i 0.492295 -0.188111 + 0.454938i 0.492295 -0.462887 0.462887 -0.152111 - 0.395525i 0.423766 -0.152111 + 0.395525i 0.423766 -0.254923 - 0.237026i 0.348091 -0.254923 + 0.237026i 0.348091

No root lies outside the unit circle. VAR satisfies the stability condition.

109

Lampiran 9. Uji Kointegrasi

Included observations: 117 after adjustments Trend assumption: Linear deterministic trend Series: INFLASI HBRS HDAR HCAM HMKG HTAR HJGG Lags interval (in first differences): 1 to 2

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05 No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.538707 340.5261 125.6154 0.0000 At most 1 * 0.433449 250.0008 95.75366 0.0000 At most 2 * 0.371269 183.5227 69.81889 0.0000 At most 3 * 0.294688 129.2286 47.85613 0.0000 At most 4 * 0.285406 88.38220 29.79707 0.0000 At most 5 * 0.244432 49.06544 15.49471 0.0000 At most 6 * 0.129840 16.27210 3.841466 0.0001

Trace test indicates 7 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05 No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.538707 90.52538 46.23142 0.0000 At most 1 * 0.433449 66.47808 40.07757 0.0000 At most 2 * 0.371269 54.29404 33.87687 0.0001 At most 3 * 0.294688 40.84644 27.58434 0.0006 At most 4 * 0.285406 39.31676 21.13162 0.0001 At most 5 * 0.244432 32.79334 14.26460 0.0000 At most 6 * 0.129840 16.27210 3.841466 0.0001

Max-eigenvalue test indicates 7 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

INFLASI HBRS HDAR HCAM HMKG HTAR HJGG -0.304635 0.018183 -0.107807 -0.003109 -0.030993 -0.126070 0.029135 1.850137 -0.049743 0.029200 -0.042235 -0.090336 -0.380873 -0.134120 -0.485614 -0.421126 0.035527 0.034813 -0.070606 -0.204566 0.090448 0.185839 -0.436250 -0.046784 -0.002814 -0.092956 0.358052 -0.167896 0.365171 -0.339990 0.010796 -0.029473 -0.027568 0.082274 0.295601 -1.559604 -0.117379 0.053258 -0.013377 0.063844 -0.082367 -0.114954 0.758023 -0.332478 -0.020886 -0.012707 0.225390 -0.016958 -0.012266

Lanjutan lampiran 9

110

Lanjutan lampiran 9

Unrestricted Adjustment Coefficients (alpha):

D(INFLASI) 0.261385 -0.252365 0.075222 0.092283 0.016694 0.276501 -0.054551 D(BRS) -0.114329 0.502631 1.269617 1.110061 0.527491 0.041101 0.319439 D(DAR) 13.95713 -0.251731 -0.242032 1.018499 -0.468002 -2.425548 1.729538 D(CAM) 9.349505 6.033382 -8.391178 1.012918 8.770230 12.48849 -0.960725 D(MKG) 1.351643 2.369061 1.003437 1.110329 0.688560 -0.686893 -1.954268 D(TAR) 1.252387 1.610088 1.640305 -0.890797 -0.698271 0.350754 0.081884 D(JGG) -0.167892 1.895493 -0.170542 2.205435 -2.833146 0.309658 0.138069

1 Cointegrating Equation(s): Log likelihood -2610.317

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM HMKG HTAR HJGG 1.000000 -0.059688 0.353888 0.010206 0.101739 0.413840 -0.095641 (0.23536) (0.04182) (0.01640) (0.08413) (0.17276) (0.11920)

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.079627 (0.02321) D(HBRS) 0.034828 (0.10001) D(HDAR) -4.251830 (0.44808) D(HCAM) -2.848186 (1.07881) D(HMKG) -0.411758 (0.22360) D(HTAR) -0.381521 (0.13395) D(HJGG) 0.051146

(0.22184)

2 Cointegrating Equation(s): Log likelihood -2577.078

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM HMKG HTAR HJGG 1.000000 0.000000 -0.261349 -0.049904 -0.172240 -0.713808 -0.053517 (0.03761) (0.01473) (0.07566) (0.15317) (0.10620) 0.000000 1.000000 -10.30759 -1.007078 -4.590202 -18.89247 0.705726 (1.30102) (0.50942) (2.61730) (5.29848) (3.67374)

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.546537 0.017306 (0.13487) (0.00381) D(HBRS) 0.964764 -0.027081 (0.60837) (0.01718) D(HDAR) -4.717566 0.266304 (2.75754) (0.07789) D(HCAM) 8.314395 -0.130117 (6.54404) (0.18484) D(HMKG) 3.971328 -0.093267 (1.30338) (0.03681) D(HTAR) 2.597361 -0.057319 (0.76779) (0.02169) D(HJGG) 3.558068 -0.097340 (1.31884) (0.03725)

111

Lanjutan lampiran 9

3 Cointegrating Equation(s): Log likelihood -2549.930

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM HMKG HTAR HJGG 1.000000 0.000000 0.000000 -0.025520 -0.049160 -0.212164 -0.074843 (0.00343) (0.01773) (0.03374) (0.02489) 0.000000 1.000000 0.000000 -0.045368 0.264077 0.892341 -0.135357 (0.01759) (0.09080) (0.17275) (0.12744) 0.000000 0.000000 1.000000 0.093301 0.470942 1.919441 -0.081598 (0.04975) (0.25688) (0.48874) (0.36054)

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.583066 -0.014372 -0.032876 (0.13857) (0.03036) (0.00838) D(HBRS) 0.348221 -0.561750 0.072108 (0.57884) (0.12684) (0.03503) D(HDAR) -4.600032 0.368230 -1.520620 (2.84814) (0.62412) (0.17234) D(HCAM) 12.38927 3.403625 -1.129875 (6.56365) (1.43832) (0.39718) D(HMKG) 3.484046 -0.515841 -0.040890 (1.33242) (0.29198) (0.08063) D(HTAR) 1.800807 -0.748093 -0.029726 (0.72739) (0.15940) (0.04402) D(HJGG) 3.640885 -0.025521 0.067390 (1.36196) (0.29845) (0.08241)

4 Cointegrating Equation(s): Log likelihood -2529.507

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM HMKG HTAR HJGG 1.000000 0.000000 0.000000 0.000000 -0.150144 -1.869353 0.335133 (0.12350) (0.23727) (0.17480) 0.000000 1.000000 0.000000 0.000000 0.084551 -2.053729 0.593478 (0.15948) (0.30639) (0.22572) 0.000000 0.000000 1.000000 0.000000 0.840140 7.978094 -1.580462 (0.58743) (1.12852) (0.83140) 0.000000 0.000000 0.000000 1.000000 -3.957063 -64.93656 16.06480 (4.62064) (8.87686) (6.53974)

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.565916 -0.054630 -0.037193 0.012205 (0.13805) (0.04318) (0.00895) (0.00389) D(HBRS) 0.554513 -1.046014 0.020175 0.020203 (0.54033) (0.16902) (0.03504) (0.01524) D(HDAR) -4.410756 -0.076091 -1.568269 -0.044055 (2.85441) (0.89288) (0.18513) (0.08053) D(HCAM) 12.57751 2.961739 -1.177263 -0.578862 (6.59087) (2.06166) (0.42746) (0.18594) D(HMKG) 3.690388 -1.000222 -0.092836 -0.072450 (1.32116) (0.41327) (0.08569) (0.03727) D(HTAR) 1.635262 -0.359483 0.011949 -0.012283 (0.71008) (0.22212) (0.04605) (0.02003) D(HJGG) 4.050740 -0.987642 -0.035789 -0.091677 (1.29988) (0.40661) (0.08430) (0.03667)

112

Lanjutan lampiran 9

5 Cointegrating Equation(s): Log likelihood -2509.849

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM HMKG HTAR HJGG 1.000000 0.000000 0.000000 0.000000 0.000000 2.296007 -1.529664 (0.42768) (0.31525) 0.000000 1.000000 0.000000 0.000000 0.000000 -4.399378 1.643605 (0.65467) (0.48256) 0.000000 0.000000 1.000000 0.000000 0.000000 -15.32941 8.854111 (2.66165) (1.96191) 0.000000 0.000000 0.000000 1.000000 0.000000 44.84182 -33.08206 (8.92015) (6.57506) 0.000000 0.000000 0.000000 0.000000 1.000000 27.74239 -12.42003 (4.26825) (3.14614)

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.559820 -0.060306 -0.037013 0.011713 0.000347 (0.14042) (0.04945) (0.00898) (0.00442) (0.01087) D(HBRS) 0.747138 -1.225356 0.025870 0.004656 -0.249234 (0.53985) (0.19011) (0.03454) (0.01699) (0.04181) D(HDAR) -4.581657 0.083025 -1.573322 -0.030261 -0.474521 (2.90278) (1.02222) (0.18571) (0.09135) (0.22480) D(HCAM) 15.78014 -0.020051 -1.082577 -0.837343 -0.578273 (6.47956) (2.28178) (0.41454) (0.20392) (0.50180) D(HMKG) 3.941830 -1.234325 -0.085402 -0.092744 -0.448947 (1.33736) (0.47095) (0.08556) (0.04209) (0.10357) D(HTAR) 1.380274 -0.122078 0.004410 0.008296 -0.198025 (0.70926) (0.24977) (0.04538) (0.02232) (0.05493) D(HJGG) 3.016157 -0.024401 -0.066376 -0.008177 -0.280892 (1.19904) (0.42224) (0.07671) (0.03773) (0.09286)

6 Cointegrating Equation(s): Log likelihood -2493.452

Normalized cointegrating coefficients (standard error in parentheses) INFLASI HBRS HDAR HCAM MKG HTAR HJGG 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.593017 (0.10004) 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 -2.423662 (0.36928) 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 -5.318076 (0.86138) 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 8.374639 (1.61963) 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 13.22807 (2.04217) 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 -0.924510 (0.16745)

113

Lanjutan lampiran 9

Adjustment coefficients (standard error in parentheses) D(INFLASI) -0.991052 -0.092761 -0.022287 0.008014 0.018000 0.059420 (0.16476) (0.04622) (0.00898) (0.00417) (0.01086) (0.03837) D(HBRS) 0.683036 -1.230180 0.028059 0.004106 -0.246610 0.000726 (0.68716) (0.19276) (0.03746) (0.01737) (0.04528) (0.16004) D(HDAR) -0.798762 0.367734 -1.702501 0.002185 -0.629379 -1.088233 (3.64489) (1.02246) (0.19871) (0.09216) (0.24019) (0.84892) D(HCAM) -3.696965 -1.485939 -0.417464 -1.004399 0.219046 -1.704500 (7.63092) (2.14062) (0.41602) (0.19295) (0.50286) (1.77729) D(HMKG) 5.013112 -1.153699 -0.121984 -0.083556 -0.492801 -0.767200 (1.69375) (0.47513) (0.09234) (0.04283) (0.11161) (0.39449) D(HTAR) 0.833236 -0.163249 0.023090 0.003604 -0.175631 -1.511971 (0.89861) (0.25208) (0.04899) (0.02272) (0.05922) (0.20929) D(HJGG) 2.533212 -0.060748 -0.049885 -0.012320 -0.261122 -0.134830 (1.52442) (0.42763) (0.08311) (0.03854) (0.10046) (0.35505)

114

Lampiran 10. Hasil Estimasi VAR Bayesian VAR Estimates Date: 01/05/20 Time: 21:09 Sample (adjusted): 3 120 Included observations: 118 after adjustments Prior type: Litterman/Minnesota Initial residual covariance: Univariate AR Hyper-parameters: Mu: 0, L1: 0.1, L2: 0.99, L3: 1 Standard errors in ( ) & t-statistics in [ ]

INF HBRS HDAR HCAM HMKG HTAR HJGG

INF( -1) 0.120481 0.253047 2.137142 -0.918034 0.631586 0.297060 0.142654 (0.06991) (0.27929) (1.54671) (3.15817) (0.72590) (0.37518) (0.60840) [ 1.72333] [ 0.90602] [ 1.38173] [-0.29069] [ 0.87007] [ 0.79177] [ 0.23448]

INF(-2) -0.032982 -0.049201 -0.027706 -1.059716 0.208683 0.200260 0.000986 (0.04422) (0.17614) (0.97548) (1.99131) (0.45779) (0.23662) (0.38370) [-0.74584] [-0.27933] [-0.02840] [-0.53217] [ 0.45585] [ 0.84635] [ 0.00257]

HBRS(-1) -0.020941 -0.161728 -0.296173 -0.396901 -0.019501 -0.071869 -0.188996 (0.01704) (0.06876) (0.37896) (0.77355) (0.17786) (0.09192) (0.14907) [-1.22860] [-2.35207] [-0.78155] [-0.51309] [-0.10964] [-0.78182] [-1.26780]

HBRS(-2) -0.004828 -0.015702 0.054399 -0.468234 -0.037967 0.002512 0.023807 (0.01092) (0.04419) (0.24282) (0.49566) (0.11396) (0.05890) (0.09552) [-0.44204] [-0.35530] [ 0.22403] [-0.94467] [-0.33317] [ 0.04265] [ 0.24924]

HDAR(-1) -0.002305 0.009670 -0.114643 -0.058100 0.000970 0.021548 -0.014759 (0.00306) (0.01229) (0.06841) (0.13897) (0.03195) (0.01652) (0.02678) [-0.75290] [ 0.78660] [-1.67591] [-0.41807] [ 0.03036] [ 1.30469] [-0.55112]

HDAR(-2) -0.000552 -0.003860 -0.022742 0.002823 -0.007437 0.001119 -0.000802 (0.00197) (0.00791) (0.04415) (0.08942) (0.02056) (0.01063) (0.01723) [-0.28027] [-0.48807] [-0.51511] [ 0.03157] [-0.36178] [ 0.10528] [-0.04656]

HCAM(-1) 0.002110 0.000784 0.003904 0.067040 -0.002320 0.008238 0.009502 (0.00155) (0.00621) (0.03437) (0.07051) (0.01613) (0.00834) (0.01352) [ 1.36485] [ 0.12630] [ 0.11360] [ 0.95079] [-0.14385] [ 0.98805] [ 0.70284]

HCAM(-2) 0.000980 0.001604 0.005694 -0.022756 0.005773 0.001689 0.004104 (0.00097) (0.00390) (0.02158) (0.04441) (0.01013) (0.00524) (0.00849) [ 1.00977] [ 0.41155] [ 0.26383] [-0.51241] [ 0.56995] [ 0.32256] [ 0.48335]

HMKG(-1) 0.007545 -0.042602 -0.083567 -0.321338 -0.227432 0.004625 -0.038491 (0.00637) (0.02557) (0.14158) (0.28903) (0.06676) (0.03435) (0.05570) [ 1.18475] [-1.66631] [-0.59023] [-1.11180] [-3.40688] [ 0.13465] [-0.69109]

HMKG(-2) 0.000971 -0.007430 -0.002940 0.108460 0.048813 -0.023465 -0.014552 (0.00417) (0.01675) (0.09277) (0.18937) (0.04388) (0.02250) (0.03649) [ 0.23274] [-0.44356] [-0.03169] [ 0.57274] [ 1.11242] [-1.04277] [-0.39878]

HTAR(-1) 0.015183 0.052248 -0.337249 -0.984221 -0.299368 -0.091081 -0.117052 (0.01272) (0.05106) (0.28282) (0.57724) (0.13271) (0.06892) (0.11123) [ 1.19376] [ 1.02322] [-1.19246] [-1.70503] [-2.25577] [-1.32148] [-1.05230]

115

Lanjutan lampiran 10

HTAR(-2) -0.002882 0.009322 -0.035823 -0.144771 0.085426 -0.029236 0.017713 (0.00821) (0.03297) (0.18260) (0.37273) (0.08569) (0.04465) (0.07182) [-0.35095] [ 0.28274] [-0.19619] [-0.38841] [ 0.99689] [-0.65483] [ 0.24661]

HJGG(-1) 0.005171 -0.022792 0.020013 0.017873 -0.125514 -0.017043 -0.282510 (0.00743) (0.02983) (0.16517) (0.33715) (0.07752) (0.04007) (0.06526) [ 0.69610] [-0.76412] [ 0.12117] [ 0.05301] [-1.61919] [-0.42539] [-4.32869]

HJGG(-2) -0.001217 -0.006551 0.059857 -0.085540 0.003634 0.002316 -0.025051 (0.00493) (0.01981) (0.10970) (0.22393) (0.05148) (0.02661) (0.04349) [-0.24657] [-0.33069] [ 0.54564] [-0.38200] [ 0.07059] [ 0.08705] [-0.57605]

C 0.468467 0.182651 0.598640 8.780055 0.527320 0.389289 1.117438 (0.08275) (0.33183) (1.83765) (3.75119) (0.86243) (0.44577) (0.72288) [ 5.66103] [ 0.55044] [ 0.32576] [ 2.34060] [ 0.61144] [ 0.87329] [ 1.54581]

R-squared 0.163039 0.154940 0.106779 0.109436 0.295883 0.115653 0.252138 Adj. R-squared 0.049277 0.040077 -0.014630 -0.011612 0.200177 -0.004550 0.150487 Sum sq. resids 60.16894 1008.917 31414.55 125110.6 6615.735 1792.428 5289.158 S.E. equation 0.764307 3.129745 17.46412 34.85205 8.014390 4.171597 7.165965 F-statistic 1.433164 1.348916 0.879501 0.904072 3.091603 0.962151 2.480426 Mean dependent 0.546186 0.258255 1.377223 6.786944 0.623121 0.638106 0.857659 S.D. dependent 0.783864 3.194412 17.33776 34.65145 8.961354 4.162139 7.774807

116

Lampiran 11. Hasil Estimasi IRF

Response of INF: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 0.723331 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.107928 -0.043757 -0.019263 0.064247 0.067687 0.059957 0.033156 3 0.005551 -0.031160 -0.019685 0.046882 -0.003101 -0.030494 -0.017898 4 -0.006025 0.001902 -0.003667 0.001806 0.000394 -0.005216 0.003343 5 -0.004589 -0.001264 0.000755 -0.002692 0.001752 -0.000467 -0.001581 6 -0.000624 0.000851 0.000248 -0.000870 4.26E-05 0.000217 4.20E-05 7 0.000260 0.000182 0.000173 -0.000107 6.80E-05 0.000269 0.000107 8 0.000134 -4.76E-05 -9.76E-06 6.27E-05 -4.12E-05 1.98E-05 -1.90E-05 9 2.49E-05 -6.47E-06 -1.38E-05 3.35E-05 2.92E-06 -2.42E-06 1.32E-05 10 -4.47E-06 -9.05E-06 -3.78E-06 4.55E-06 -3.55E-06 -1.03E-05 -4.94E-06 11 -4.15E-06 1.13E-06 -4.88E-07 -1.40E-06 1.59E-06 -2.12E-07 5.76E-07 12 -1.02E-06 2.22E-07 4.64E-07 -9.87E-07 1.69E-08 -1.41E-07 -3.73E-07 13 9.94E-08 2.53E-07 1.13E-07 -1.94E-07 4.93E-08 2.72E-07 1.00E-07 14 1.15E-07 -3.57E-09 2.41E-08 2.60E-08 -1.08E-08 4.38E-08 6.28E-09 15 3.63E-08 -1.39E-08 -1.18E-08 3.03E-08 -1.15E-08 -3.25E-09 1.93E-09 16 -1.17E-10 -4.72E-09 -4.13E-09 7.24E-09 9.30E-10 -4.46E-09 8.75E-10 17 -3.39E-09 -1.35E-09 -7.59E-10 -3.13E-10 -3.88E-10 -2.48E-09 -1.27E-09 18 -1.18E-09 6.32E-10 1.96E-10 -8.40E-10 4.66E-10 1.86E-10 1.72E-10 19 -8.43E-11 9.70E-11 1.60E-10 -2.65E-10 -2.33E-11 7.96E-11 -7.95E-11 20 9.37E-11 5.61E-11 2.17E-11 -5.57E-12 9.23E-12 8.43E-11 3.99E-11 21 3.79E-11 -1.44E-11 -1.71E-12 2.27E-11 -9.67E-12 4.96E-14 -1.69E-12 22 5.05E-12 -4.59E-12 -5.08E-12 8.96E-12 -1.56E-12 -3.17E-12 9.40E-13 23 -2.36E-12 -1.30E-12 -8.77E-13 7.09E-13 2.98E-13 -2.02E-12 -4.44E-13 24 -1.21E-12 9.13E-14 6.43E-15 -5.95E-13 7.09E-14 -3.48E-13 -2.22E-13 25 -2.12E-13 2.14E-13 1.30E-13 -2.87E-13 1.11E-13 1.40E-13 3.98E-14 26 4.99E-14 2.64E-14 3.87E-14 -3.91E-14 -1.66E-14 4.45E-14 -8.04E-15 27 3.83E-14 5.11E-15 7.80E-17 1.47E-14 -2.13E-16 1.77E-14 1.13E-14 28 8.00E-15 -6.88E-15 -2.96E-15 8.80E-15 -3.33E-15 -3.78E-15 -1.43E-15 29 -7.97E-16 -1.05E-15 -1.46E-15 1.70E-15 1.07E-16 -1.42E-15 1.97E-16 30 -1.15E-15 -1.69E-16 -5.11E-17 -3.16E-16 1.15E-16 -5.37E-16 -2.45E-16 31 -2.93E-16 1.48E-16 7.31E-17 -2.65E-16 5.64E-17 3.83E-17 -1.45E-17 32 3.78E-18 5.44E-17 4.54E-17 -6.43E-17 1.61E-17 5.69E-17 1.02E-17 33 3.22E-17 2.48E-18 4.99E-18 4.69E-18 -6.95E-18 1.34E-17 1.72E-18 34 1.04E-17 -2.23E-18 -2.12E-18 7.82E-18 -7.83E-19 1.36E-18 2.26E-18 35 4.73E-19 -2.14E-18 -1.26E-18 2.26E-18 -7.63E-19 -1.93E-18 -5.96E-19 36 -8.46E-19 -9.81E-20 -2.70E-19 2.21E-20 1.80E-19 -4.09E-19 8.45E-21 37 -3.53E-19 4.04E-20 5.71E-20 -2.21E-19 3.86E-20 -7.52E-20 -7.44E-20 38 -3.35E-20 6.18E-20 3.52E-20 -7.65E-20 1.78E-20 4.76E-20 9.79E-21 39 2.12E-20 8.58E-21 1.05E-20 -5.60E-21 -9.97E-22 1.65E-20 2.71E-21 40 1.13E-20 -1.61E-21 -9.96E-22 5.87E-21 -2.25E-21 2.17E-21 1.15E-21 41 1.66E-21 -1.44E-21 -1.09E-21 2.52E-21 -2.87E-22 -8.31E-22 2.10E-22 42 -5.02E-22 -4.62E-22 -3.38E-22 3.11E-22 -8.76E-23 -6.33E-22 -1.93E-22 43 -3.43E-22 5.34E-23 -3.66E-24 -1.43E-22 8.01E-23 -6.79E-23 -8.53E-24 44 -7.01E-23 3.47E-23 3.39E-23 -8.06E-23 9.36E-24 1.14E-23 -1.46E-23 45 1.03E-23 1.68E-23 1.05E-23 -1.35E-23 3.08E-24 1.97E-23 5.83E-24 46 1.01E-23 -5.37E-25 1.05E-24 3.09E-24 -1.73E-24 3.13E-24 6.17E-25 47 2.64E-24 -1.11E-24 -9.45E-25 2.47E-24 -5.60E-25 -2.32E-25 3.20E-25 48 -1.27E-25 -4.76E-25 -3.46E-25 5.33E-25 -4.51E-26 -5.06E-25 -7.17E-26 49 -2.92E-25 -4.21E-26 -5.01E-26 -5.33E-26 1.98E-26 -1.45E-25 -5.04E-26 50 -9.17E-26 3.78E-26 2.20E-26 -7.23E-26 2.45E-26 6.02E-27 -2.58E-27 51 -2.53E-27 1.29E-26 1.18E-26 -1.96E-26 9.33E-28 1.20E-26 -9.24E-28

117

Lanjutan lampiran 11

52 8.16E-27 2.72E-27 1.89E-27 3.18E-28 -1.32E-28 5.46E-27 2.04E-27 53 3.04E-27 -1.04E-27 -4.15E-28 2.03E-27 -7.27E-28 5.15E-29 7.06E-29 54 2.75E-28 -4.09E-28 -3.79E-28 6.84E-28 -8.71E-29 -3.23E-28 4.08E-29 55 -2.15E-28 -9.83E-29 -7.15E-29 3.29E-29 9.84E-30 -1.68E-28 -4.85E-29 56 -9.83E-29 1.92E-29 6.25E-30 -5.47E-29 1.59E-29 -1.59E-29 -9.47E-30 57 -1.39E-29 1.45E-29 1.10E-29 -2.26E-29 5.29E-30 9.79E-30 2.02E-31 58 5.11E-30 3.00E-30 2.78E-30 -2.36E-30 -5.12E-31 4.72E-30 6.86E-31 59 3.10E-30 -1.38E-31 -4.44E-32 1.39E-30 -3.26E-31 9.34E-31 5.19E-31 60 5.77E-31 -4.73E-31 -2.95E-31 7.19E-31 -2.02E-31 -2.67E-31 -2.83E-32

Response of HBRS: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 0.273821 2.949273 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.184908 -0.547041 0.201412 -0.010677 -0.305166 0.179625 -0.146138 3 -0.015869 0.035467 -0.078561 0.073430 0.095637 0.048537 0.061214 4 -0.001918 -0.014081 0.005441 -0.003943 -0.048097 -0.057178 -0.018688 5 -0.005027 0.005061 -0.001017 -0.004228 0.012496 0.013897 0.006436 6 -0.002343 -0.001111 0.000943 -0.001028 -0.001730 -0.002762 -0.002665 7 0.000660 0.000926 3.67E-05 -0.000132 6.34E-05 0.000772 0.000769 8 0.000111 -0.000167 6.97E-05 1.85E-05 3.28E-05 3.62E-05 -8.92E-05 9 4.05E-05 -1.43E-05 -3.82E-05 5.49E-05 -4.21E-05 -2.76E-05 -3.83E-06 10 -3.57E-06 2.95E-06 -1.03E-06 5.77E-06 1.15E-05 3.96E-07 1.11E-05 11 -5.49E-06 -5.92E-06 -9.35E-07 -1.67E-06 -3.98E-06 -5.96E-06 -6.51E-06 12 -1.41E-06 2.72E-06 2.57E-07 -1.14E-06 1.92E-06 1.73E-06 1.93E-06 13 3.17E-08 -3.90E-07 3.23E-07 -3.32E-07 -4.63E-07 -3.11E-07 -5.91E-07 14 1.68E-07 1.98E-07 -2.66E-08 3.27E-08 1.08E-07 2.46E-07 1.94E-07 15 3.93E-08 -6.03E-08 7.12E-09 3.46E-08 -3.22E-08 -4.17E-08 -3.72E-08 16 5.33E-09 8.92E-10 -1.14E-08 1.15E-08 -8.15E-10 1.50E-10 6.91E-09 17 -5.04E-09 -1.96E-09 3.31E-10 -3.69E-10 1.88E-09 -2.79E-09 -9.73E-10 18 -1.44E-09 2.97E-11 -9.90E-11 -9.49E-10 -6.14E-10 -6.68E-10 -7.03E-10 19 -1.81E-10 5.40E-10 2.36E-10 -3.78E-10 4.35E-10 4.90E-10 3.43E-10 20 1.04E-10 -8.50E-11 4.53E-11 -2.25E-11 -1.32E-10 -3.95E-11 -1.20E-10 21 5.51E-11 3.86E-11 -9.88E-12 2.94E-11 2.86E-11 5.18E-11 5.31E-11 22 6.17E-12 -2.17E-11 -2.19E-12 1.11E-11 -1.19E-11 -1.73E-11 -1.37E-11 23 -1.88E-12 1.94E-12 -2.79E-12 1.66E-12 1.98E-12 5.99E-13 2.97E-12 24 -1.83E-12 -6.75E-13 4.14E-13 -7.87E-13 2.47E-14 -1.11E-12 -8.89E-13 25 -2.55E-13 3.23E-13 3.84E-14 -3.51E-13 2.40E-14 1.80E-13 5.44E-14 26 3.43E-14 7.61E-14 8.01E-14 -6.87E-14 5.77E-14 9.93E-14 3.76E-14 27 5.16E-14 -1.66E-14 -1.70E-15 1.69E-14 -3.12E-14 -2.10E-16 -1.40E-14 28 1.17E-14 2.55E-15 -3.87E-15 1.15E-14 6.31E-15 6.38E-15 1.01E-14 29 -7.79E-16 -5.42E-15 -1.41E-15 2.41E-15 -3.12E-15 -5.38E-15 -3.69E-15 30 -1.31E-15 8.99E-16 -4.02E-16 -2.38E-16 9.29E-16 3.07E-16 8.49E-16 31 -4.66E-16 -1.34E-16 1.88E-16 -3.61E-16 -8.45E-17 -2.45E-16 -3.17E-16 32 6.61E-18 1.39E-16 2.56E-17 -8.42E-17 4.00E-17 1.25E-16 6.88E-17 33 3.42E-17 -2.99E-18 1.79E-17 1.61E-19 -2.78E-18 1.32E-17 -3.21E-18 34 1.56E-17 -3.63E-18 -4.56E-18 1.03E-17 -5.65E-18 7.84E-19 8.48E-19 35 8.76E-19 -1.30E-18 -1.23E-18 3.05E-18 1.05E-18 -8.26E-19 1.06E-18 36 -9.82E-19 -9.33E-19 -4.11E-19 1.52E-19 -5.58E-19 -1.27E-18 -7.79E-19 37 -4.62E-19 3.11E-19 2.88E-20 -2.62E-19 2.87E-19 1.34E-19 1.85E-19 38 -6.70E-20 -8.84E-21 6.25E-20 -1.08E-19 -3.90E-20 -2.35E-20 -7.75E-20 39 2.75E-20 3.76E-20 7.52E-21 -9.23E-21 1.37E-20 4.35E-20 2.67E-20 40 1.36E-20 -7.13E-21 1.76E-21 6.29E-21 -4.93E-21 -1.23E-21 -3.54E-21

41 2.99E-21 -8.68E-22 -2.09E-21 3.53E-21 -5.47E-22 -1.65E-22 1.07E-21

118

Lanjutan lampiran 11 42 -6.24E-22 -6.60E-22 -2.82E-22 4.65E-22 1.23E-22 -7.88E-22 -1.79E-22 43 -4.21E-22 -3.45E-23 -5.96E-23 -1.48E-22 -3.82E-23 -1.96E-22 -1.15E-22 44 -1.06E-22 8.97E-23 4.51E-23 -1.06E-22 6.70E-23 5.39E-23 3.13E-23 45 8.48E-24 3.77E-24 1.56E-23 -2.08E-23 -1.28E-23 7.38E-24 -1.29E-23 46 1.33E-23 6.49E-24 8.18E-25 3.26E-24 2.93E-24 1.05E-23 7.37E-24 47 3.50E-24 -3.21E-24 -6.24E-25 3.06E-24 -1.95E-24 -1.75E-24 -1.37E-24 48 7.02E-26 -1.71E-25 -6.41E-25 8.14E-25 1.34E-25 -2.29E-25 3.60E-25 49 -3.89E-25 -1.68E-25 -2.48E-26 -4.93E-26 7.55E-27 -2.76E-25 -1.43E-25 50 -1.19E-25 5.29E-26 9.38E-27 -8.72E-26 1.86E-26 4.73E-27 -1.62E-27 51 -9.70E-27 2.10E-26 1.87E-26 -2.84E-26 1.06E-26 1.89E-26 3.58E-27 52 1.01E-26 1.24E-27 2.40E-27 -5.05E-28 -3.62E-27 4.53E-27 -6.90E-28 53 4.11E-27 1.16E-28 -4.21E-28 2.48E-27 3.38E-28 1.52E-27 1.51E-27 54 4.68E-28 -9.99E-28 -4.25E-28 9.25E-28 -5.14E-28 -8.01E-28 -4.04E-28 55 -2.32E-28 -1.74E-30 -1.37E-28 8.21E-29 1.03E-28 -9.72E-29 8.00E-29 56 -1.37E-28 -1.90E-29 1.59E-29 -6.73E-29 -3.09E-31 -6.04E-29 -4.92E-29 57 -2.00E-29 2.68E-29 9.75E-30 -2.94E-29 9.73E-30 1.78E-29 6.98E-30 58 4.88E-30 3.20E-30 5.09E-30 -4.31E-30 1.09E-31 5.40E-30 1.82E-33 59 4.18E-30 -9.19E-32 -1.87E-31 1.64E-30 -9.09E-31 1.23E-30 4.73E-31 60 8.31E-31 -4.26E-31 -3.09E-31 9.32E-31 -2.85E-32 -1.14E-31 1.80E-31

Response of HDAR: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 2.306593 0.614947 16.35455 0.000000 0.000000 0.000000 0.000000 2 1.279830 -1.186201 -2.278560 0.008785 -0.772271 -1.243059 0.128321 3 -0.097400 0.538183 -0.319817 0.190288 0.481924 0.314965 0.551530 4 -0.074741 -0.229797 0.077055 0.061587 -0.148593 -0.143555 -0.291674 5 -0.019156 0.066902 -0.004570 -0.020135 0.041366 0.042714 0.070455 6 -0.003948 -0.015393 0.004793 -0.009521 -0.008357 -0.014325 -0.015037 7 0.002014 0.005703 -0.001135 0.000147 0.001939 0.005352 0.003670 8 0.000590 -0.000875 0.000690 0.000440 -0.000157 -0.000340 -0.000557 9 0.000243 -0.000113 -0.000249 0.000214 -0.000236 -9.36E-05 6.06E-06 10 -5.65E-05 2.28E-05 -2.15E-06 1.62E-05 0.000104 1.49E-05 6.23E-05 11 -2.52E-05 -3.16E-05 -3.27E-06 -8.78E-06 -3.62E-05 -4.15E-05 -4.22E-05 12 -5.35E-06 1.77E-05 1.93E-06 -6.19E-06 1.47E-05 1.51E-05 1.47E-05 13 3.48E-07 -3.85E-06 1.61E-06 -1.33E-06 -3.74E-06 -3.15E-06 -4.72E-06 14 9.78E-07 1.50E-06 -2.94E-07 3.11E-07 8.39E-07 1.59E-06 1.52E-06 15 1.42E-07 -4.67E-07 7.12E-08 1.62E-07 -2.24E-07 -3.39E-07 -3.29E-07 16 1.58E-08 3.76E-08 -7.21E-08 5.38E-08 7.95E-09 2.15E-08 5.88E-08 17 -2.91E-08 -1.13E-08 7.78E-09 -6.42E-09 1.13E-08 -1.60E-08 -7.43E-09 18 -5.84E-09 1.80E-10 -1.06E-09 -4.99E-09 -4.76E-09 -2.90E-09 -4.18E-09 19 -5.54E-10 3.26E-09 1.35E-09 -1.70E-09 2.97E-09 3.16E-09 2.47E-09 20 6.37E-10 -7.89E-10 1.70E-10 6.69E-12 -1.02E-09 -5.26E-10 -9.21E-10 21 2.63E-10 2.89E-10 -7.61E-11 1.66E-10 2.48E-10 3.46E-10 3.82E-10 22 1.22E-11 -1.47E-10 -4.83E-12 4.95E-11 -8.63E-11 -1.27E-10 -1.09E-10 23 -1.14E-11 2.26E-11 -1.57E-11 5.40E-12 1.72E-11 1.32E-11 2.52E-11 24 -9.49E-12 -5.36E-12 3.67E-12 -4.93E-12 -8.21E-13 -6.97E-12 -6.74E-12 25 -6.75E-13 2.13E-12 -7.74E-14 -1.59E-12 5.98E-14 1.44E-12 7.06E-13 26 2.56E-13 3.09E-13 4.54E-13 -2.59E-13 3.62E-13 4.92E-13 2.08E-13 27 2.70E-13 -1.35E-13 -4.32E-14 1.16E-13 -2.16E-13 -5.47E-14 -1.12E-13 28 4.50E-14 2.95E-14 -1.99E-14 5.59E-14 5.53E-14 4.39E-14 7.03E-14 29 -8.33E-15 -3.39E-14 -5.94E-15 9.00E-15 -2.24E-14 -3.48E-14 -2.73E-14 30 -6.67E-15 7.96E-15 -1.92E-15 -2.06E-15 7.02E-15 4.64E-15 7.10E-15

31 -2.11E-15 -1.39E-15 1.25E-15 -1.89E-15 -9.91E-16 -1.74E-15 -2.35E-15

119

Lanjutan lampiran 11 32 2.14E-16 8.82E-16 3.79E-17 -3.22E-16 2.80E-16 8.29E-16 5.58E-16 33 1.76E-16 -7.93E-17 9.81E-17 2.73E-17 -2.87E-17 1.65E-17 -5.34E-17 34 7.36E-17 -1.77E-17 -3.35E-17 5.59E-17 -3.28E-17 -2.91E-19 5.46E-18 35 -9.53E-19 -4.79E-18 -4.50E-18 1.28E-17 9.43E-18 -3.64E-18 6.69E-18 36 -5.54E-18 -5.21E-18 -1.87E-18 -2.08E-19 -4.11E-18 -7.17E-18 -5.26E-18 37 -2.15E-18 2.26E-18 2.84E-19 -1.46E-18 1.99E-18 1.41E-18 1.54E-18 38 -2.08E-19 -2.46E-19 3.41E-19 -4.95E-19 -3.81E-19 -2.56E-19 -5.74E-19 39 1.75E-19 2.33E-19 1.24E-20 -1.12E-20 1.05E-19 2.67E-19 1.97E-19 40 6.24E-20 -5.83E-20 9.39E-21 3.65E-20 -3.47E-20 -2.76E-20 -3.48E-20 41 1.19E-20 -7.92E-22 -1.27E-20 1.71E-20 -9.62E-22 7.00E-22 8.19E-21 42 -4.50E-21 -3.42E-21 -5.84E-22 1.24E-21 1.01E-21 -4.29E-21 -1.42E-21 43 -2.03E-21 9.13E-25 -2.75E-22 -9.45E-22 -3.62E-22 -8.37E-22 -6.22E-22 44 -4.31E-22 5.33E-22 2.72E-22 -5.25E-22 4.24E-22 3.96E-22 2.52E-22 45 8.23E-23 -2.82E-23 6.85E-23 -7.55E-23 -1.10E-22 4.45E-24 -9.94E-23 46 6.89E-23 4.02E-23 -1.70E-24 2.48E-23 2.57E-23 6.02E-23 5.08E-23 47 1.41E-23 -2.16E-23 -3.21E-24 1.53E-23 -1.30E-23 -1.49E-23 -1.19E-23 48 -7.36E-25 7.38E-25 -3.42E-24 3.38E-24 1.70E-24 -1.46E-25 2.94E-24 49 -2.15E-24 -9.72E-25 1.45E-25 -5.58E-25 -4.77E-26 -1.52E-24 -1.00E-24 50 -4.97E-25 3.62E-25 4.20E-26 -4.49E-25 9.26E-26 1.35E-25 5.48E-26 51 -1.39E-26 9.53E-26 1.02E-25 -1.24E-25 5.74E-26 1.02E-25 2.20E-26 52 5.82E-26 -2.60E-27 5.66E-27 7.23E-27 -2.65E-26 1.57E-26 -7.51E-27 53 1.86E-26 1.34E-27 -3.02E-27 1.35E-26 4.33E-27 7.73E-27 9.63E-27 54 1.10E-27 -5.88E-27 -2.11E-27 4.13E-27 -3.29E-27 -5.26E-27 -3.17E-27 55 -1.40E-27 4.84E-28 -6.19E-28 1.31E-28 8.48E-28 -1.13E-28 7.21E-28 56 -6.62E-28 -1.45E-28 1.44E-28 -3.94E-28 -6.39E-29 -3.30E-28 -3.34E-28 57 -5.86E-29 1.61E-28 4.29E-29 -1.35E-28 5.71E-29 1.26E-28 6.42E-29 58 3.25E-29 6.06E-30 2.53E-29 -1.34E-29 -2.88E-30 2.14E-29 -4.01E-30 59 2.11E-29 -1.45E-30 -3.09E-30 1.04E-29 -5.29E-30 4.84E-30 2.57E-30 60 3.00E-30 -2.16E-30 -1.53E-30 4.45E-30 3.70E-31 -9.19E-31 9.45E-31

Response of HCAM: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 15.87345 -3.026890 -0.522490 28.74920 0.000000 0.000000 0.000000 2 0.228028 -2.256118 -2.183603 1.568987 -2.857187 -3.654388 0.114598 3 -2.027687 -0.707698 -0.272536 -0.566796 1.199828 -0.175937 -0.186897 4 -0.550987 0.258490 0.088716 -0.394243 -0.139340 -0.252767 -0.162583 5 0.026500 0.137468 0.088922 -0.114253 0.076483 0.166954 0.074900 6 0.045324 -0.016219 0.009474 0.004846 -0.018651 0.010878 -0.017107 7 0.018833 0.002269 -0.004718 0.013867 -3.67E-05 0.004654 0.008824 8 0.001012 -0.004672 -0.001549 0.003578 -0.001558 -0.003682 -0.001823 9 -0.001382 -9.19E-05 -0.000623 0.000136 0.000317 -0.000562 7.87E-05 10 -0.000606 8.02E-05 0.000121 -0.000360 9.10E-05 -0.000150 -0.000101 11 -5.66E-05 8.57E-05 5.32E-05 -0.000131 9.34E-06 6.66E-05 -2.40E-06 12 3.22E-05 2.28E-05 1.83E-05 -1.09E-05 8.29E-06 3.55E-05 1.26E-05 13 1.90E-05 -5.37E-06 -1.14E-06 9.50E-06 -6.93E-06 6.83E-07 -1.26E-06 14 3.08E-06 -1.33E-06 -1.96E-06 4.25E-06 3.81E-07 -2.31E-07 1.47E-06 15 -8.34E-07 -1.12E-06 -5.00E-07 5.54E-07 -3.57E-07 -1.35E-06 -6.36E-07 16 -5.54E-07 1.63E-07 -4.33E-08 -2.18E-07 1.65E-07 -5.71E-08 6.09E-08 17 -1.27E-07 4.05E-08 6.48E-08 -1.37E-07 1.50E-08 4.70E-09 -3.84E-08 18 1.63E-08 2.99E-08 1.52E-08 -2.33E-08 3.16E-09 3.33E-08 9.92E-09 19 1.65E-08 1.23E-10 2.57E-09 4.58E-09 -1.35E-09 6.24E-09 2.01E-09 20 4.60E-09 -2.30E-09 -1.61E-09 4.12E-09 -1.56E-09 -7.69E-10 -1.31E-11 21 -1.49E-10 -5.84E-10 -5.90E-10 9.28E-10 1.29E-10 -6.27E-10 1.22E-10

120

Lanjutan lampiran 11

22 -4.83E-10 -1.58E-10 -8.00E-11 -7.64E-11 -3.48E-11 -3.21E-10 -1.64E-10 23 -1.54E-10 8.52E-11 2.93E-11 -1.18E-10 5.76E-11 2.86E-11 1.88E-11 24 -7.37E-12 1.53E-11 2.18E-11 -3.42E-11 -1.52E-12 1.40E-11 -7.83E-12 25 1.36E-11 6.22E-12 2.66E-12 2.12E-13 2.60E-13 1.04E-11 4.61E-12 26 5.05E-12 -1.86E-12 -4.30E-13 3.27E-12 -1.11E-12 5.84E-14 6.45E-15 27 5.47E-13 -7.04E-13 -6.78E-13 1.18E-12 -2.44E-13 -5.51E-13 3.63E-14 28 -3.49E-13 -1.43E-13 -1.16E-13 6.74E-14 5.49E-14 -2.54E-13 -4.57E-14 29 -1.65E-13 1.48E-14 7.82E-15 -8.82E-14 1.08E-14 -4.35E-14 -3.20E-14 30 -2.49E-14 2.96E-14 1.77E-14 -3.81E-14 1.39E-14 2.07E-14 5.84E-15 31 7.86E-15 3.42E-15 5.12E-15 -4.46E-15 -2.06E-15 6.30E-15 -6.90E-16 32 5.25E-15 3.62E-16 -1.51E-16 2.25E-15 -2.33E-16 2.09E-15 1.36E-15 33 9.88E-16 -9.00E-16 -4.31E-16 1.19E-15 -3.88E-16 -5.18E-16 -1.47E-16 34 -1.48E-16 -1.53E-16 -1.90E-16 2.05E-16 5.70E-18 -2.14E-16 2.46E-18 35 -1.59E-16 -1.11E-17 -4.01E-18 -5.12E-17 2.10E-17 -6.29E-17 -2.73E-17 36 -3.74E-17 1.97E-17 1.15E-17 -3.66E-17 6.76E-18 5.85E-18 -2.94E-18 37 1.85E-18 7.48E-18 5.90E-18 -8.02E-18 2.04E-18 8.20E-18 1.78E-18 38 4.52E-18 1.26E-19 5.95E-19 9.08E-19 -9.62E-19 1.69E-18 2.19E-19 39 1.36E-18 -3.54E-19 -3.35E-19 1.10E-18 -1.32E-19 1.10E-19 2.80E-19 40 2.45E-20 -2.79E-19 -1.68E-19 2.90E-19 -8.65E-20 -2.63E-19 -7.56E-20 41 -1.22E-19 -1.21E-20 -3.29E-20 -5.96E-21 2.24E-20 -5.68E-20 -3.47E-21 42 -4.66E-20 8.42E-21 8.83E-21 -3.15E-20 6.54E-21 -6.97E-21 -8.29E-21 43 -3.44E-21 7.95E-21 4.95E-21 -1.00E-20 1.94E-21 6.47E-21 1.03E-21 44 3.18E-21 1.14E-21 1.28E-21 -4.76E-22 -1.33E-22 2.30E-21 5.03E-22 45 1.51E-21 -2.97E-22 -1.63E-22 8.52E-22 -3.21E-22 2.15E-22 1.24E-22 46 1.94E-22 -1.95E-22 -1.56E-22 3.36E-22 -3.63E-23 -1.25E-22 2.68E-23 47 -7.87E-23 -5.87E-23 -4.25E-23 3.38E-23 -8.30E-24 -8.52E-23 -2.66E-23 48 -4.66E-23 8.43E-24 6.43E-25 -2.15E-23 1.04E-23 -8.12E-24 -1.58E-24 49 -8.59E-24 5.17E-24 4.82E-24 -1.09E-23 1.46E-24 2.33E-24 -1.56E-24 50 1.73E-24 2.08E-24 1.38E-24 -1.60E-24 2.64E-25 2.61E-24 7.19E-25 51 1.40E-24 -9.24E-26 9.65E-26 4.95E-25 -2.22E-25 4.11E-25 1.15E-25 52 3.32E-25 -1.69E-25 -1.34E-25 3.38E-25 -8.00E-26 -5.74E-26 3.02E-26 53 -2.79E-26 -6.02E-26 -4.68E-26 6.62E-26 -3.28E-27 -6.85E-26 -8.83E-27 54 -4.12E-26 -4.52E-27 -5.32E-27 -9.80E-27 3.16E-27 -1.89E-26 -7.19E-27 55 -1.18E-26 5.52E-27 3.22E-27 -1.00E-26 3.22E-27 1.38E-27 -2.36E-28 56 -4.30E-30 1.74E-27 1.60E-27 -2.51E-27 1.20E-28 1.75E-27 -5.25E-29 57 1.17E-27 3.06E-28 2.20E-28 1.24E-28 -5.44E-29 6.99E-28 2.61E-28 58 4.00E-28 -1.47E-28 -6.75E-29 2.87E-28 -9.27E-29 -3.83E-30 1.38E-29 59 2.66E-29 -5.78E-29 -5.15E-29 8.90E-29 -1.23E-29 -4.95E-29 1.77E-30 60 -3.14E-29 -1.13E-29 -8.95E-30 2.00E-30 2.38E-30 -2.17E-29 -6.04E-30

Response of HMKG: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 -0.260581 1.369326 0.318596 1.218713 7.348361 0.000000 0.000000 2 0.469853 -0.706292 -0.394366 -0.211014 -1.932594 -1.197704 -0.804787 3 0.028786 0.358174 0.039012 0.161725 0.981568 0.817612 0.490061 4 0.015542 -0.212958 0.002931 0.025839 -0.281199 -0.299587 -0.242293 5 0.013587 0.073118 -0.013288 0.003998 0.079949 0.083917 0.089537 6 -0.007481 -0.026674 0.004106 -0.001486 -0.016538 -0.025084 -0.027728 7 0.000818 0.007579 -0.001860 0.000354 0.003716 0.005871 0.006733 8 -0.000333 -0.001499 0.000835 -0.000368 -0.000382 -0.001072 -0.001340 9 0.000160 0.000219 -0.000213 6.50E-05 -7.61E-05 0.000183 0.000154 10 -2.93E-06 1.54E-05 4.81E-05 5.92E-06 8.27E-05 2.41E-05 4.15E-05 11 7.32E-06 -3.40E-05 -1.18E-05 6.73E-06 -4.30E-05 -3.15E-05 -3.55E-05

121

Lanjutan lampiran 11 12 -2.54E-06 1.45E-05 -5.92E-08 2.28E-08 1.63E-05 1.31E-05 1.59E-05 13 -8.64E-07 -5.60E-06 6.21E-07 -5.28E-07 -5.03E-06 -5.53E-06 -6.04E-06 14 8.19E-08 1.99E-06 -2.72E-07 -9.57E-08 1.45E-06 1.81E-06 1.89E-06 15 -3.50E-08 -5.14E-07 1.70E-07 -4.43E-08 -3.24E-07 -4.37E-07 -5.09E-07 16 5.13E-08 1.26E-07 -5.40E-08 2.35E-08 4.77E-08 1.13E-07 1.20E-07 17 -4.72E-09 -2.63E-08 1.37E-08 1.52E-09 -5.62E-10 -1.93E-08 -1.83E-08 18 1.26E-09 2.76E-10 -4.88E-09 1.72E-09 -5.02E-09 -1.23E-09 -6.69E-10 19 -1.20E-09 1.54E-09 8.63E-10 -4.94E-10 2.89E-09 1.43E-09 1.86E-09 20 -7.90E-11 -8.62E-10 -4.38E-11 -1.38E-10 -1.08E-09 -8.87E-10 -1.07E-09 21 2.23E-11 4.29E-10 4.23E-12 -2.69E-11 3.77E-10 4.08E-10 4.25E-10 22 1.17E-11 -1.37E-10 2.30E-11 1.53E-12 -1.11E-10 -1.17E-10 -1.36E-10 23 1.04E-11 3.85E-11 -1.18E-11 7.24E-12 2.56E-11 3.59E-11 4.05E-11 24 -2.06E-12 -1.15E-11 2.99E-12 3.26E-13 -5.28E-12 -1.00E-11 -9.91E-12 25 2.62E-14 2.06E-12 -1.30E-12 1.79E-13 4.85E-13 1.44E-12 1.75E-12 26 -3.71E-13 -1.76E-13 3.71E-13 -2.24E-13 2.76E-13 -1.47E-13 -1.49E-13 27 3.43E-14 -3.03E-14 -5.13E-14 -2.38E-14 -1.66E-13 -4.94E-14 -9.26E-14 28 8.75E-15 6.17E-14 1.67E-14 -3.18E-15 7.45E-14 6.75E-14 6.86E-14 29 6.83E-15 -2.83E-14 -8.70E-16 4.25E-15 -2.81E-14 -2.46E-14 -2.79E-14 30 1.12E-15 8.83E-15 -1.89E-15 1.67E-15 7.97E-15 8.26E-15 1.00E-14 31 -7.28E-16 -3.27E-15 4.80E-16 -4.96E-17 -2.14E-15 -3.09E-15 -3.12E-15 32 -7.69E-17 8.68E-16 -2.47E-16 -5.22E-17 4.99E-16 6.88E-16 7.71E-16 33 -7.59E-17 -1.59E-16 1.09E-16 -6.71E-17 -5.29E-17 -1.38E-16 -1.68E-16 34 2.33E-17 3.62E-17 -1.94E-17 3.67E-19 -7.75E-18 3.17E-17 2.35E-17 35 2.97E-18 4.42E-19 6.29E-18 1.26E-18 9.14E-18 4.21E-18 4.15E-18 36 1.98E-18 -4.07E-18 -1.82E-18 1.80E-18 -5.34E-18 -3.76E-18 -3.83E-18 37 -2.77E-19 1.48E-18 -1.08E-19 2.18E-19 1.88E-18 1.35E-18 1.84E-18 38 -2.12E-19 -6.86E-19 4.13E-20 -7.13E-20 -5.86E-19 -7.05E-19 -7.35E-19 39 -2.90E-20 2.50E-19 -2.39E-20 -3.74E-20 1.81E-19 2.12E-19 2.23E-19 40 -6.24E-21 -5.64E-20 2.46E-20 -1.38E-20 -3.87E-20 -4.78E-20 -6.14E-20 41 8.78E-21 1.64E-20 -5.50E-21 2.52E-21 6.15E-21 1.60E-20 1.53E-20 42 6.75E-22 -3.57E-21 1.52E-21 9.14E-22 -5.03E-22 -2.35E-21 -2.26E-21 43 3.12E-22 -7.95E-23 -7.28E-22 4.82E-22 -5.94E-22 -2.03E-22 -7.11E-24 44 -2.16E-22 1.23E-22 7.33E-23 -3.46E-23 3.35E-22 8.97E-23 1.88E-22 45 -4.73E-23 -9.27E-23 -5.79E-24 -3.46E-23 -1.21E-22 -1.11E-22 -1.27E-22 46 -4.36E-24 5.54E-23 5.02E-24 -1.24E-23 4.68E-23 5.10E-23 4.95E-23 47 2.99E-24 -1.48E-23 3.77E-24 -1.05E-24 -1.34E-23 -1.20E-23 -1.59E-23 48 2.42E-24 4.61E-24 -1.33E-24 1.30E-24 2.98E-24 4.71E-24 5.04E-24 49 2.19E-26 -1.55E-24 2.45E-25 3.20E-25 -7.34E-25 -1.29E-24 -1.20E-24 50 -2.31E-26 2.10E-25 -1.96E-25 7.48E-26 6.67E-26 1.27E-25 2.15E-25 51 -7.95E-26 -2.82E-26 4.13E-26 -3.60E-26 3.30E-26 -3.66E-26 -2.77E-26 52 -5.33E-27 2.12E-27 -3.72E-27 -1.12E-26 -1.67E-26 -3.65E-27 -1.03E-26 53 1.09E-27 8.59E-27 3.45E-27 -2.44E-27 8.94E-27 9.37E-27 7.98E-27 54 1.83E-27 -3.11E-27 3.50E-29 6.45E-28 -3.43E-27 -2.36E-27 -3.10E-27 55 4.58E-28 9.34E-28 -2.78E-28 4.40E-28 8.93E-28 9.86E-28 1.22E-27 56 -6.78E-29 -4.44E-28 1.31E-29 6.71E-29 -2.73E-28 -4.17E-28 -3.78E-28 57 -3.62E-29 9.75E-29 -3.66E-29 -5.42E-30 6.44E-29 6.68E-29 8.99E-29 58 -2.00E-29 -1.74E-29 1.44E-29 -1.48E-29 -5.36E-30 -1.87E-29 -2.22E-29 59 1.62E-30 6.33E-30 -1.11E-30 -2.40E-30 -1.50E-31 5.35E-30 3.21E-30 60 1.02E-30 2.62E-31 1.07E-30 -3.61E-32 9.70E-31 9.55E-31 5.01E-31

Response of HTAR: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 0.013659 0.444081 1.114351 -0.050821 0.519151 3.724924 0.000000 2 0.372904 -0.286549 0.247351 0.263066 -0.027685 -0.350484 -0.109280

122

Lanjutan lampiran 11 3 0.194198 -0.013150 -0.127343 0.018828 -0.180288 -0.122384 0.076018 4 -0.029969 -0.004575 -0.007254 0.021268 0.082364 0.044915 0.013197 5 -0.013683 -0.012666 -0.000836 0.001843 -0.023790 -0.027361 -0.021425 6 -0.001633 0.007866 0.000931 -0.003462 0.007091 0.007372 0.008061 7 -0.000434 -0.002042 0.000615 -0.000950 -0.001508 -0.001541 -0.002517 8 0.000418 0.000845 -9.65E-05 0.000130 0.000374 0.000743 0.000741 9 9.69E-05 -0.000214 5.24E-05 6.37E-05 -0.000106 -0.000133 -0.000149 10 1.53E-05 1.25E-05 -3.66E-05 2.99E-05 3.80E-06 1.30E-05 2.65E-05 11 -1.19E-05 -5.47E-06 2.60E-06 -3.01E-07 4.48E-06 -9.08E-06 -2.71E-06 12 -3.05E-06 -4.79E-07 -7.21E-07 -2.11E-06 -2.30E-06 -1.80E-06 -2.19E-06 13 -6.18E-07 1.56E-06 6.07E-07 -9.11E-07 1.50E-06 1.43E-06 1.14E-06 14 2.35E-07 -3.32E-07 1.11E-07 -6.79E-08 -4.81E-07 -2.54E-07 -4.42E-07 15 1.33E-07 1.51E-07 -2.56E-08 6.31E-08 1.21E-07 1.84E-07 1.85E-07 16 1.43E-08 -6.95E-08 -1.19E-09 2.59E-08 -4.18E-08 -5.67E-08 -5.11E-08 17 -2.68E-09 9.77E-09 -8.22E-09 4.85E-09 7.37E-09 5.92E-09 1.22E-08 18 -4.52E-09 -2.98E-09 1.41E-09 -1.82E-09 -3.88E-10 -3.68E-09 -3.21E-09 19 -5.87E-10 9.44E-10 -9.15E-11 -7.79E-10 3.56E-11 5.28E-10 2.71E-10 20 3.44E-11 1.84E-10 2.32E-10 -1.87E-10 1.94E-10 2.36E-10 1.00E-10 21 1.23E-10 -5.30E-11 -9.17E-12 3.53E-11 -1.01E-10 -1.55E-11 -5.49E-11 22 2.83E-11 1.69E-11 -7.56E-12 2.63E-11 2.62E-11 2.60E-11 3.52E-11 23 -1.04E-12 -1.69E-11 -3.08E-12 6.04E-12 -1.12E-11 -1.63E-11 -1.28E-11 24 -2.83E-12 3.37E-12 -1.26E-12 -3.22E-13 3.22E-12 1.92E-12 3.39E-12 25 -1.18E-12 -7.49E-13 5.21E-13 -8.45E-13 -4.57E-13 -9.77E-13 -1.15E-12 26 9.61E-15 4.29E-13 2.15E-14 -1.99E-13 1.44E-13 3.72E-13 2.52E-13 27 6.86E-14 -2.35E-14 5.62E-14 -8.43E-15 -7.67E-15 1.68E-14 -2.45E-14 28 3.89E-14 -5.63E-15 -1.31E-14 2.38E-14 -1.60E-14 4.00E-15 2.91E-15 29 2.42E-15 -2.23E-15 -2.11E-15 7.21E-15 4.20E-15 -7.03E-16 3.72E-15 30 -2.04E-15 -2.90E-15 -1.14E-15 5.68E-16 -2.14E-15 -3.61E-15 -2.52E-15 31 -1.09E-15 9.71E-16 3.42E-17 -5.73E-16 9.41E-16 5.39E-16 7.24E-16 32 -1.84E-16 -1.23E-16 1.56E-16 -2.60E-16 -1.71E-16 -1.57E-16 -2.86E-16 33 6.09E-17 1.21E-16 1.23E-17 -2.55E-17 5.46E-17 1.29E-16 9.23E-17 34 3.02E-17 -2.37E-17 7.68E-18 1.26E-17 -1.57E-17 -8.92E-18 -1.59E-17 35 8.06E-18 -1.05E-19 -5.63E-18 8.49E-18 -8.26E-19 1.44E-18 4.15E-18 36 -1.36E-18 -1.86E-18 -4.44E-19 1.18E-18 3.59E-19 -2.00E-18 -5.68E-19 37 -9.32E-19 -1.39E-19 -2.27E-19 -2.81E-19 -2.10E-19 -5.24E-19 -3.19E-19 38 -2.70E-19 2.40E-19 1.11E-19 -2.49E-19 2.10E-19 1.51E-19 1.13E-19 39 1.30E-20 -8.17E-21 3.65E-20 -5.26E-20 -4.81E-20 -1.55E-21 -5.09E-20 40 3.03E-20 2.33E-20 2.05E-21 6.05E-21 1.33E-20 3.18E-20 2.45E-20 41 8.37E-21 -9.56E-21 -8.13E-22 6.88E-21 -6.25E-21 -5.78E-21 -5.40E-21 42 4.89E-22 2.19E-22 -1.69E-21 2.05E-21 6.58E-22 8.64E-23 1.48E-21 43 -9.00E-22 -5.76E-22 -1.66E-23 -7.58E-23 -5.42E-23 -7.91E-22 -4.69E-22 44 -2.76E-22 1.42E-22 -4.71E-24 -1.91E-22 4.19E-23 1.99E-23 1.53E-23 45 -3.25E-23 4.81E-23 4.84E-23 -7.01E-23 3.20E-23 4.22E-23 8.27E-24 46 2.26E-23 1.91E-24 5.19E-24 -2.60E-24 -1.15E-23 8.87E-24 -4.13E-24 47 9.65E-24 1.74E-24 -6.16E-25 5.43E-24 2.18E-24 5.03E-24 4.87E-24 48 1.29E-24 -2.80E-24 -9.44E-25 2.21E-24 -1.68E-24 -2.24E-24 -1.42E-24 49 -4.71E-25 1.38E-25 -3.62E-25 2.47E-25 3.60E-25 -7.97E-26 3.60E-25 50 -3.25E-25 -1.04E-25 4.14E-26 -1.48E-25 -3.44E-26 -1.95E-25 -1.64E-25 51 -5.02E-26 7.40E-26 1.71E-26 -6.84E-26 2.93E-26 4.93E-26 2.71E-26 52 8.63E-27 5.56E-27 1.37E-26 -1.18E-26 1.89E-28 1.05E-26 -2.33E-27 53 9.86E-27 3.74E-28 -5.86E-28 3.47E-27 -2.35E-27 3.31E-27 1.26E-27 54 2.05E-27 -8.64E-28 -5.83E-28 2.15E-27 1.33E-28 -6.28E-29 5.66E-28 55 -1.43E-28 -6.17E-28 -3.56E-28 4.54E-28 -3.14E-28 -6.68E-28 -3.09E-28 56 -2.71E-28 7.07E-29 -3.63E-29 -6.23E-29 1.23E-28 -2.86E-29 6.19E-29 57 -8.01E-29 -1.64E-30 2.52E-29 -6.66E-29 -1.03E-29 -2.60E-29 -4.01E-29 58 7.97E-31 2.33E-29 8.07E-30 -1.61E-29 9.15E-30 2.20E-29 1.13E-29

123

Lanjutan lampiran 11 59 7.13E-30 -1.14E-30 2.48E-30 5.10E-31 -2.12E-30 1.84E-30 -1.32E-30 60 2.82E-30 -2.34E-31 -7.68E-31 1.95E-30 -3.69E-31 5.93E-31 7.36E-31

Response of HJGG: Period INF HBRS HDAR HCAM HMKG HTAR HJGG

1 0.017787 1.689277 0.042903 -0.937407 0.843915 0.657938 6.411947 2 0.171626 -1.177162 -0.401158 0.497036 -0.582029 -0.621885 -1.811437 3 -0.072382 0.489423 0.070387 -0.014300 0.174759 0.270538 0.426439 4 -0.017543 -0.163012 0.025502 -0.018253 -0.056370 -0.096283 -0.120198 5 -0.000545 0.043338 -0.015652 -0.004325 0.012079 0.022562 0.032270 6 -0.000508 -0.006380 0.005862 -0.000822 -0.000335 -0.002860 -0.005929 7 0.001039 0.000569 -0.001131 0.000478 -0.001127 0.000489 0.000280 8 1.30E-05 0.000183 0.000176 8.48E-05 0.000584 0.000232 0.000429 9 5.29E-06 -0.000233 -6.13E-05 2.75E-05 -0.000271 -0.000237 -0.000249 10 -2.14E-05 9.48E-05 -1.17E-06 -4.81E-06 9.90E-05 8.53E-05 9.79E-05 11 -6.13E-06 -3.20E-05 5.87E-06 -5.26E-06 -2.84E-05 -3.17E-05 -3.54E-05 12 1.44E-06 1.16E-05 -1.70E-06 -5.25E-07 7.71E-06 1.07E-05 1.08E-05 13 4.38E-08 -2.85E-06 9.98E-07 -8.66E-08 -1.64E-06 -2.29E-06 -2.70E-06 14 3.26E-07 5.91E-07 -3.46E-07 2.04E-07 1.63E-07 5.27E-07 5.90E-07 15 -4.40E-08 -1.25E-07 6.78E-08 1.30E-08 2.80E-08 -9.36E-08 -7.17E-08 16 -3.26E-09 -8.52E-09 -2.54E-08 4.35E-09 -3.56E-08 -1.91E-08 -1.64E-08 17 -7.84E-09 1.35E-08 5.03E-09 -4.75E-09 1.89E-08 1.19E-08 1.38E-08 18 -1.69E-10 -5.40E-09 3.49E-10 -1.12E-09 -6.52E-09 -5.27E-09 -6.75E-09 19 4.68E-10 2.58E-09 -7.29E-11 -9.55E-12 2.12E-09 2.53E-09 2.58E-09 20 1.11E-10 -8.31E-10 1.29E-10 7.09E-11 -6.25E-10 -6.92E-10 -7.78E-10 21 5.44E-11 2.01E-10 -8.24E-11 5.42E-11 1.30E-10 1.82E-10 2.18E-10 22 -2.10E-11 -6.03E-11 1.72E-11 -1.05E-12 -2.24E-11 -5.53E-11 -5.17E-11 23 -2.04E-12 1.05E-11 -6.61E-12 -1.06E-12 1.02E-12 6.33E-12 7.36E-12 24 -1.96E-12 2.05E-13 2.32E-12 -1.71E-12 2.29E-12 3.32E-13 3.61E-14 25 4.19E-13 -3.92E-13 -1.98E-13 -1.01E-13 -1.14E-12 -3.87E-13 -7.37E-13 26 1.38E-13 3.89E-13 5.54E-14 4.80E-14 4.43E-13 4.40E-13 4.59E-13 27 3.73E-14 -1.88E-13 -7.73E-15 3.92E-14 -1.67E-13 -1.64E-13 -1.72E-13 28 5.32E-16 5.05E-14 -1.45E-14 9.70E-15 4.50E-14 4.43E-14 5.72E-14 29 -7.02E-15 -1.77E-14 3.62E-15 -2.13E-15 -1.08E-14 -1.75E-14 -1.76E-14 30 -6.08E-16 5.04E-15 -1.19E-15 -8.52E-16 2.51E-15 3.93E-15 4.05E-15 31 -2.57E-16 -6.81E-16 6.93E-16 -4.13E-16 -1.54E-16 -5.08E-16 -7.64E-16 32 2.15E-16 1.34E-16 -1.12E-16 4.79E-17 -1.08E-16 1.42E-16 8.36E-17 33 3.02E-17 8.85E-18 2.33E-17 2.70E-17 6.18E-17 3.26E-17 4.22E-17 34 6.19E-18 -3.11E-17 -1.13E-17 1.19E-17 -3.33E-17 -3.02E-17 -2.76E-17 35 -3.94E-18 9.88E-18 -1.09E-18 1.68E-19 1.16E-17 8.04E-18 1.13E-17 36 -1.78E-18 -3.76E-18 6.45E-19 -1.05E-18 -3.19E-18 -3.99E-18 -4.37E-18 37 -5.35E-20 1.53E-18 -9.18E-20 -2.98E-19 9.86E-19 1.33E-18 1.29E-18 38 3.94E-20 -3.06E-19 1.52E-19 -5.30E-20 -2.03E-19 -2.28E-19 -3.19E-19 39 6.94E-20 7.40E-20 -3.92E-20 3.35E-20 1.96E-20 7.81E-20 7.76E-20 40 2.56E-21 -1.98E-20 5.65E-21 9.09E-21 3.67E-22 -1.36E-20 -9.27E-21 41 -6.41E-22 -2.01E-21 -4.22E-21 2.17E-21 -4.15E-21 -3.39E-21 -1.72E-21 42 -1.85E-21 1.37E-21 4.92E-22 -7.37E-22 2.30E-21 8.97E-22 1.40E-21 43 -2.92E-22 -5.15E-22 9.34E-23 -3.49E-22 -7.13E-22 -6.06E-22 -8.04E-22 44 4.60E-23 3.48E-22 3.07E-23 -6.21E-23 2.63E-22 3.41E-22 3.09E-22 45 3.82E-23 -9.30E-23 2.06E-23 9.43E-24 -7.80E-23 -6.82E-23 -8.92E-23 46 1.57E-23 2.19E-23 -1.11E-23 1.26E-23 1.44E-23 2.29E-23 2.75E-23 47 -1.66E-24 -8.85E-24 9.46E-25 1.95E-24 -3.29E-24 -7.94E-24 -6.46E-24 48 -8.80E-25 1.08E-24 -1.03E-24 -1.61E-26 2.46E-25 3.60E-25 8.59E-25 49 -5.39E-25 4.61E-26 3.05E-25 -3.72E-25 3.00E-25 -4.17E-26 -5.90E-26

124

Lanjutan lampiran 11 50 8.99E-27 5.62E-27 6.19E-27 -8.02E-26 -1.17E-25 -9.49E-27 -7.98E-26 51 3.13E-26 5.42E-26 1.62E-26 -1.83E-27 5.15E-26 6.58E-26 5.57E-26 52 1.40E-26 -2.28E-26 -1.31E-27 8.94E-27 -2.12E-26 -1.67E-26 -1.91E-26 53 1.80E-27 4.71E-27 -2.56E-27 3.33E-27 4.96E-27 4.62E-27 6.89E-27 54 -1.14E-27 -2.49E-27 1.13E-28 9.41E-29 -1.35E-27 -2.57E-27 -2.20E-27 55 -3.59E-28 6.15E-28 -1.55E-28 -1.99E-28 3.55E-28 3.84E-28 4.62E-28 56 -9.83E-29 -5.16E-29 1.07E-28 -1.17E-28 -8.68E-30 -5.42E-29 -1.02E-28 57 3.03E-29 3.06E-29 -3.57E-30 -8.14E-30 -9.52E-30 3.28E-29 1.42E-29 58 1.18E-29 1.16E-30 3.99E-30 5.02E-30 5.91E-30 6.92E-30 5.52E-30 59 3.19E-30 -4.48E-30 -2.02E-30 3.44E-30 -4.38E-30 -3.56E-30 -2.92E-30 60 -4.57E-31 7.32E-31 -4.31E-31 5.32E-31 1.29E-30 5.30E-31 1.27E-30

Cholesky Ordering: INF BRS DAR CAM MKG TAR JGG

125

Lampiran 12. Hasil Estimasi FEDV

Variance Decompositi on of INF: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 0.723331 100.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2 0.741988 97.15023 0.347783 0.067402 0.749749 0.832186 0.652967 0.199679 3 0.745247 96.30795 0.519565 0.136585 1.138941 0.826656 0.814692 0.255612 4 0.745311 96.29799 0.520127 0.138983 1.139333 0.826542 0.819450 0.257580 5 0.745335 96.29549 0.520380 0.139076 1.140562 0.827040 0.819435 0.258013 6 0.745336 96.29522 0.520509 0.139087 1.140694 0.827038 0.819441 0.258013 7 0.745336 96.29519 0.520515 0.139092 1.140696 0.827038 0.819454 0.258015 8 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 9 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 10 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 11 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 12 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 13 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 14 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 15 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 16 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 17 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 18 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 19 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 20 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 21 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 22 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 23 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 24 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 25 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 26 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 27 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 28 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 29 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 30 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 31 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 32 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 33 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 34 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 35 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 36 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 37 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 38 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 39 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 40 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 41 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 42 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 43 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 44 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 45 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 46 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 47 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 48 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 49 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 50 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015

126

Lanjutan lampiran 12 51 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 52 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 53 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 54 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 55 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 56 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 57 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 58 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 59 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015 60 0.745337 96.29519 0.520515 0.139092 1.140697 0.827039 0.819454 0.258015

Variance Decompositi on of HBRS: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 2.961957 0.854628 99.14537 0.000000 0.000000 0.000000 0.000000 0.000000 2 3.048616 1.174612 96.80874 0.436481 0.001226 1.001998 0.347160 0.229785 3 3.053258 1.173744 96.52811 0.501360 0.059062 1.097065 0.371377 0.269283 4 3.054270 1.173006 96.46630 0.501346 0.059189 1.121136 0.406177 0.272848 5 3.054345 1.173219 96.46181 0.501332 0.059378 1.122755 0.408227 0.273279 6 3.054349 1.173275 96.46155 0.501340 0.059389 1.122784 0.408308 0.273354 7 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 8 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 9 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 10 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 11 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 12 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 13 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 14 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 15 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 16 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 17 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 18 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 19 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 20 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 21 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 22 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 23 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 24 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 25 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 26 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 27 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 28 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 29 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 30 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 31 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 32 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 33 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 34 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 35 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 36 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 37 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 38 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 39 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 40 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360

127

Lanjutan lampiran 12 41 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 42 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 43 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 44 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 45 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 46 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 47 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 48 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 49 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 50 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 51 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 52 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 53 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 54 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 55 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 56 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 57 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 58 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 59 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360 60 3.054350 1.173279 96.46153 0.501340 0.059390 1.122784 0.408314 0.273360

Variance Decompositi on of HDAR: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 16.52785 1.947642 0.138434 97.91392 0.000000 0.000000 0.000000 0.000000 2 16.83939 2.453878 0.629567 96.15548 2.72E-05 0.210323 0.544917 0.005807 3 16.87123 2.447958 0.728951 95.82885 0.012748 0.291125 0.577715 0.112652 4 16.87703 2.448236 0.746989 95.76503 0.014071 0.298676 0.584553 0.142443 5 16.87744 2.448246 0.748524 95.76041 0.014213 0.299263 0.585165 0.144179 6 16.87746 2.448244 0.748605 95.76013 0.014245 0.299286 0.585235 0.144257 7 16.87747 2.448245 0.748616 95.76010 0.014245 0.299288 0.585245 0.144262 8 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 9 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 10 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 11 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 12 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 13 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 14 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 15 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 16 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 17 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 18 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 19 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 20 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 21 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 22 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 23 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 24 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 25 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 26 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 27 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 28 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 29 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262

128

Lanjutan lampiran 12 30 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 31 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 32 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 33 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 34 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 35 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 36 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 37 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 38 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 39 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 40 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 41 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 42 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 43 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 44 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 45 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 46 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 47 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 48 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 49 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 50 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 51 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 52 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 53 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 54 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 55 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 56 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 57 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 58 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 59 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262 60 16.87747 2.448245 0.748617 95.76010 0.014245 0.299288 0.585245 0.144262

Variance Decompositi on of HCAM: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 32.98360 23.16043 0.842165 0.025093 75.97231 0.000000 0.000000 0.000000 2 33.49360 22.46512 1.270446 0.449369 73.89575 0.727702 1.190435 0.001171 3 33.59069 22.69983 1.307500 0.453358 73.49766 0.851087 1.186307 0.004260 4 33.60027 22.71378 1.312673 0.453797 73.46954 0.852321 1.191290 0.006599 5 33.60146 22.71224 1.314254 0.454465 73.46549 0.852779 1.193674 0.007095 6 33.60150 22.71236 1.314273 0.454472 73.46529 0.852807 1.193681 0.007121 7 33.60151 22.71237 1.314273 0.454473 73.46526 0.852807 1.193683 0.007128 8 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 9 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 10 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 11 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 12 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 13 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 14 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 15 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 16 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 17 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 18 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128

129

Lanjutan lampiran 12 19 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 20 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 21 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 22 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 23 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 24 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 25 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 26 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 27 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 28 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 29 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 30 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 31 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 32 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 33 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 34 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 35 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 36 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 37 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 38 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 39 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 40 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 41 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 42 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 43 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 44 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 45 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 46 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 47 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 48 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 49 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 50 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 51 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 52 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 53 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 54 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 55 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 56 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 57 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 58 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 59 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128 60 33.60151 22.71237 1.314275 0.454474 73.46526 0.852807 1.193684 0.007128

Variance Decompositi on of HMKG: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 7.584730 0.118033 3.259366 0.176441 2.581799 93.86436 0.000000 0.000000 2 8.016539 0.449179 3.693932 0.399951 2.380440 89.83651 2.232161 1.007832 3 8.142101 0.436682 3.774394 0.390007 2.347040 88.54040 3.172220 1.339253 4 8.158898 0.435249 3.826998 0.388415 2.338389 88.29501 3.294001 1.421935 5 8.160563 0.435348 3.833465 0.388522 2.337459 88.26858 3.303231 1.433393 6 8.160713 0.435416 3.834391 0.388533 2.337376 88.26573 3.304054 1.434494 7 8.160723 0.435416 3.834469 0.388537 2.337371 88.26555 3.304098 1.434559

130

Lanjutan lampiran 12 8 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434561 9 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 10 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 11 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 12 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 13 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 14 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 15 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 16 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 17 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 18 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 19 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 20 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 21 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 22 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 23 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 24 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 25 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 26 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 27 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 28 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 29 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 30 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 31 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 32 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 33 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 34 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 35 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 36 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 37 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 38 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 39 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 40 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 41 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 42 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 43 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 44 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 45 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 46 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 47 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 48 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 49 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 50 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 51 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 52 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 53 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 54 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 55 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 56 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 57 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 58 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 59 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562 60 8.160723 0.435417 3.834472 0.388538 2.337371 88.26554 3.304100 1.434562

131

Lanjutan lampiran 12

Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 3.947953 0.001197 1.265262 7.967101 0.016571 1.729190 89.02068 0.000000 2 4.009169 0.866298 1.737763 8.106304 0.446616 1.681556 87.08717 0.074297 3 4.022580 1.093597 1.727263 8.152558 0.445834 1.871236 86.60000 0.109515 4 4.023873 1.098441 1.726283 8.147647 0.448341 1.911932 86.55684 0.110520 5 4.024137 1.099453 1.727047 8.146582 0.448303 1.915176 86.55010 0.113341 6 4.024168 1.099453 1.727403 8.146463 0.448370 1.915457 86.54911 0.113740 7 4.024170 1.099453 1.727427 8.146457 0.448375 1.915469 86.54904 0.113779 8 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 9 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 10 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 11 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 12 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 13 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 14 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 15 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 16 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 17 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 18 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 19 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 20 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 21 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 22 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 23 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 24 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 25 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 26 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 27 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 28 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 29 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 30 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 31 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 32 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 33 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 34 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 35 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 36 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 37 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 38 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 39 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 40 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 41 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 42 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 43 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 44 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 45 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 46 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 47 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 48 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 49 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 50 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 51 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 52 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 53 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783

132

Lanjutan lampiran 12 54 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 55 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 56 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 57 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 58 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 59 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783 60 4.024170 1.099454 1.727431 8.146456 0.448375 1.915470 86.54903 0.113783

Variance Decompositi on of HJGG: Period S.E. INF HBRS HDAR HCAM HMKG HTAR HJGG

1 6.781790 0.000688 6.204589 0.004002 1.910591 1.548490 0.941200 89.39044 2 7.198793 0.057450 8.180535 0.314088 2.172366 2.027974 1.581595 85.66599 3 7.235892 0.066869 8.554359 0.320338 2.150537 2.065562 1.705208 85.13713 4 7.239675 0.067386 8.596120 0.321244 2.148926 2.069467 1.721114 85.07574 5 7.239940 0.067381 8.599074 0.321688 2.148805 2.069593 1.721959 85.07150 6 7.239949 0.067382 8.599132 0.321753 2.148801 2.069589 1.721970 85.07137 7 7.239949 0.067384 8.599132 0.321755 2.148801 2.069591 1.721971 85.07137 8 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 9 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 10 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 11 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 12 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 13 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 14 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 15 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 16 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 17 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 18 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 19 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 20 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 21 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 22 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 23 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 24 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 25 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 26 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 27 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 28 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 29 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 30 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 31 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 32 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 33 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 34 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 35 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 36 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 37 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 38 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 39 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 40 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 41 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 42 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 43 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136

133

Lanjutan lampiran 12 44 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 45 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 46 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 47 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 48 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 49 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 50 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 51 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 52 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 53 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 54 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 55 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 56 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 57 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 58 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 59 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136 60 7.239949 0.067384 8.599132 0.321755 2.148801 2.069592 1.721971 85.07136

Cholesky Ordering: INF HBRS HDAR HCAM HMKG HTAR HJGG

134

Lampiran 13. Uji Kausalitas Granger Pairwise Granger Causality Tests Sample: 2013M01 2017M12 Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

INFLASI_KOTA_PEMATANGSIANTAR does not Granger Cause INFLASI_KOTA_MEDAN 58 0.19902 0.8201 INFLASI_KOTA_MEDAN does not Granger Cause INFLASI_KOTA_PEMATANGSIANTAR 1.46519 0.2402

135