FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR
DAFTAR LAMPIRAN
2.5 Kerangka Pemikiran Konseptual
Batubara merupakan salah satu bahan bakar disamping minyak dan gas bumi serta panas bumi. Batubara saat ini banyak digunakan oleh industri-industri di dunia sebagai salah satu pilihan energi alternatif. Batubara dipilih oleh beberapa negara karena harga bahan bakar minyak yang semakin tinggi sehingga konsumsi dunia terhadap komoditi batubara pun semakin besar.
Batubara Indonesia merupakan salah satu komoditi utama barang non migas yang diekspor untuk memenuhi permintaan negara tujuan ekspor. Pada tahun 2009 sampai pertengahan tahun 2010, batubara memberikan kontribusi
21 terbesar sebesar 15,26 persen dari total komoditi utama yaitu sebesar 65,22 persen terhadap barang non migas (BPS, 2009)
Konsumsi terbesar batubara Indonesia adalah kawasan Asia yaitu 54 persen dari konsumsi batubara dunia. Tingginya permintaan batubara di Asia memberikan prospek pasar yang menarik bagi Indonesia karena selama tahun 2004 hingga 2009, Indonesia tercatat sebagai eksportir batubara kedua terbesar di dunia setelah Australia. Hal ini dibuktikan dengan sumber daya dan cadangan batubara dalam negeri yang sangat melimpah. Cadangan batubara diperkirakan sebesar 93,4 miliar ton berada di kawasan hutan Sumatera bagian selatan, Jawa Tengah, Kalimantan Timur, Kalimantan Tengah, Sulawesi Tenggara, Sulawesi Tengah, dan Papua Barat. Cadangan batubara yang besar ini menjadikan Indonesia sebagai produsen terbesar kelima di dunia yang mengalami peningkatan ekspor baik volume dan nilai ekspor. Sebagian besar hasil produksi batubara Indonesia diekspor ke negara tujuan ekspor dengan volume dan nilai ekspor batubara yang berfluktuasi.
Negara-negara tujuan ekspor batubara Indonesia didominasi oleh kawasan Asia. Jepang, India, Taiwan, Korea Selatan, dan Cina merupakan lima negara terbesar yang mengimpor batubara Indonesia. Meningkatnya permintaan batubara Indonesia dari negara-negara pengimpor tersebut akan meningkatkan peluang Indonesia untuk meningkatkan pangsa pasar ekspor melalui kelima negara tujuan ekspor.
Untuk meningkatkan ekspor batubara Indonesia, perlu diketahui beberapa faktor yang memengaruhi permintaan ekspor batubara di pasar internasional. Faktor-faktor tersebut antara lain harga ekspor batubara negara tujuan ekspor,
22 GDP perkapita negara tujuan ekspor, jumlah penduduk negara tujuan ekspor batubara Indonesia, dan nilai tukar negara tujuan ekspor terhadap mata uang masing-masing negara tujuan ekspor. Setelah dilihat faktor-faktor yang memengaruhi permintaan ekspor batubara Indonesia, diperlukan juga upaya untuk menganalisis seberapa besar pengaruh faktor-faktor tersebut dalam memengaruhi permintaan ekspor batubara Indonesia. Berdasarkan penelitian ini diharapkan pemerintah dapat mengambil kebijakan yang tepat setelah mengetahui kondisi batubara saat ini, faktor-faktor yang memengaruhi permintaan ekspor batubara dan seberapa besar pengaruhnya terhadap permintaaan ekspor batubara Indonesia di pasar internasional. Pada akhirnya rekomendasi kebijakan dari pemerintah diperlukan dalam rangka untuk meningkatkan permintaan ekspor batubara Indonesia. Secara skematis kerangka pemikiran pada penelitian ini, dapat dilihat pada Gambar 2.5.
23 Gambar 2.5 Kerangka Pemikiran Penelitian
Konsumsi dunia terhadap batubara semakin besar
Jepang, India, Korea Selatan, dan Cina sebagai tujuan
ekspor utama batubara Indonesia di dunia
Volume dan nilai ekspor batubara Indonesia berfluktuasi Peluang dan Tantangan Bagi
Indonesia untuk meningkatkan ekspor
Faktor-faktor yang memengaruhi permintaan ekspor batubara Indonesia
Harga Ekspor Batubara GDP Per Kapita Populasi penduduk Nilai Tukar Riil
Rekomendasi kebijakan yang dapat diterapkan untuk mendukung ekspor
24 2.6 Hipotesis
Berdasarkan permasalahan dan kerangka pemikiran yang telah dijelaskan sebelumnya, maka beberapa hipotesis penelitian ini yaitu :
1. Harga ekspor batubara negara tujuan ekspor berhubungan negatif dengan permintaan batubara Indonesia dari Jepang, India, Korea Selatan, dan Cina. Apabila harga ekspor meningkat maka permintaan batubara dari negara tujuan ekspor akan menurun.
2. GDP perkapita negara tujuan ekspor yaitu Jepang, India, Korea Selatan, dan Cina berpengaruh positif terhadap permintaan ekspor batubara Indonesia. Hal ini mengindikasikan bahwa apabila GDP perkapita negara tujuan ekspor meningkat maka daya beli masyarakat terhadap konsumsi batubara akan meningkat. Akibatnya tingkat konsumsi batubara pun akan meningkat sehingga permintaan ekspor batubara akan naik.
3. Jumlah penduduk negara tujuan ekspor memiliki hubungan yang positif terhadap volume ekspor batubara Indonesia. Jika jumlah penduduk negara tujuan ekspor mengalami peningkatan maka jumlah batubara yang diminta akan meningkat juga.
4. Nilai Tukar Riil berpengaruh negatif terhadap permintaan ekspor batuabara Indonesia. Apabila nilai tukar negara Indonesia terdepresiasi, maka harga domestik batubara menjadi lebih murah di mata masyarakat internasional. Hal ini akan menyebabkan permintaan akan ekspor batubara di dunia mengalami peningkatan.
25
III. METODE PENELITIAN
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan panel data dengan periode waktu 9 tahun dari tahun 2001 hingga tahun 2009. Data tersebut diperoleh dari beberapa instansi terkait seperti Kementrian Perdagangan, Kementrian ESDM, Badan Pusat Statistika, serta penelusuran internet (Uncomtrade, World Bank)
Tabel 3.1 Jenis dan Sumber Data Penelitian
No Jenis Data Sumber Data
1 Volume permintaan ekspor batubara Indonesia comtrade.un.org di Jepang, India, Korea Selatan, dan Cina (Kg)
2 Harga ekspor batubara dunia (US$/Kg) scribd.com 3 Nilai tukar nominal negara Jepang, India, Korea
Selatan, dan Cina Fx.sauder.ubc.ca
4 GDP perkapita riil negara Jepang, India, worldbank.org
Korea Selatan, dan Cina (US$)
5 Jumlah populasi Jepang, India, Korea Selatan, worldbank.org
dan Cina (Juta orang)
3.2 Metode Analisis Data
Untuk menganalisis faktor-faktor yang memengaruhi permintaan ekspor batubara Indonesia dianalisis dengan menggunakan model panel data. Panel data menggunakan kombinasi runut waktu (time series) dan kerat lintang (cross section). Proses pengolahan data dilakukan menggunakan program Eviews 6 dan Microsoft Excel 2007.
26 3.2.1 Analisis Panel Data
Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series atau cross section. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu individu.
Karena mengkombinasikan data cross section dan time series maka panel data memiliki beberapa keunggulan, antara lain (Gujarati, 2004) :
1. Mampu mengidentifikasi dan mengukur efek secara yang secara sederhana tidak dapat diatasi dalam data cross section murni atau data time series murni.
2. Mampu mengontrol heterogenitas individu atau unit cross section.
3. Memberikan data yang informatif, mengurangi kolinearitas antar peubah serta meningkatkan derajat kebebasan sehingga data menjadi lebih efisien. 4. Data panel lebih baik digunakan untuk studi dynamics of adjusment karena
terkait dengan observasi pada cross section yang sama secara berulang. 5. Mampu menguji dan mengembangkan model perilaku yang lebih
kompleks.
Estimasi model menggunakan data panel dapat dilakukan dengan tiga metode, yaitu metode kuadrat terkecil (pooled least square), metode efek tetap (fixed effect), dan metode efek random (random effect).
27 1. Metode Kuadrat Terkecil (Pooled Least Square)
Merupakan metode yang paling sederhana dalam pengolahan data panel. Misalkan dalam persamaan berikut ini :
Dimana N adalah jumlah unit cross section (individu) dan T adalah jumlah periode waktunya. Dengan mengansumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap unit cross section. Untuk periode t=1, akan diperoleh persamaan regresi cross section sebagai berikut :
Yit = α + β Xit + є Dimana : Y it it X = variabel endogen it α = intersep = variabel eksogen β = slope i = individu ke-i t = periode waktu ke-t
є = error
Dari persamaan di atas akan diperoleh parameter α dan β yang konstan dan efisien
yang melibatkan sebanyak N x T observasi, dimana N menunjukkan jumlah data cross section dan T menunjukkan jumlah data time series. Pada metode ini asumsi yang digunakan menjadi terbatas karena model tersebut mengasumsikan bahwa intersep dan koefisien dari setiap variabel sama untuk setiap individu yang diobservasi.
28 2. Metode Efek Tetap (Fixed Effect)
Kesulitan terbesar dalam pendekatan metode kuadrat terkecil adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu yang kurang sesuai dengan tujuan penggunaan data panel. Untuk mengatasi hal ini kita dapat menggunakan pendekatan model efek tetap (fixed effect).
Model fixed effect atau Least Square Dummy Variable atau disebut juga Covarians Model adalah model yang dapat digunakan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat mengakibatkan perubahan dalam intersep-intersep cross section dan time series. Untuk memungkinkan perubahan- perubahan intersep ini, dapat ditambahkan variabel dummy ke dalam model yang selanjutnya akan diduga dengan model OLS (Ordinary Least Square) yaitu :
Yit = ∑αiDi + β Xit+ є Dimana : Y it it X = variabel endogen it α = variabel eksogen i β = slope = intersep
D = variabel boneka (dummy) i = individu ke-i
t = periode waktu ke-t є = error / simpangan
Pada metode fixed effect estimasi dapat dilakukan dengan tanpa pembobot (no weighted) atau Least Square Dummy (LSDV) dan dengan pembobot (cross section weight) atau General Least Square (GLS). Tujuan dilakukan pembobotan
29 ini adalah untuk mengurangi heterogenitas antar unit cross section (Gujarati, 1995).
3. Metode Efek Acak (Random Effect)
Keputusan untuk memasukkan variabel dummy ke dalam model akan mengakibatkan berkurangnya jumlah derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Pendekatan yang digunakan untuk mengatasi hal ini adalah model random effect. Model random effect disebut juga sebagai error component model karena dalam model ini, parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error. Persamaan umum dalam model random effect yaitu :
Yit = α0+ β Xit+ є є it it = uit + Vit + W Dimana : u it it ~ N (0,δu2 v
) = komponen cross section error it ~ N (0,δv2
w
) = komponen time series error it ~ N (0,δw2
Asumsi yang digunakan dalam model ini adalah error secara individual tidak saling berkorelasi, begitu pula dengan error kombinasinya.
) = komponen combinations error
Penggunaan model random effect dapat menghemat derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model fixed effect. Hal ini berimplikasi kepada parameter hasil estimasi akan menjadi efisien. Semakin efisien maka model yang akan didapat semakin baik.
30 3.2.2 Pemilihan Model
Dugaan model yang digunakan berdasarkan pertimbangan statistik perlu dianalisis agar memperoleh dugaan model yang efisien dan paling baik di antara berbagai pilihan model. Terdapat tiga pengujian statistik yang digunakan dalam data panel untuk menentukan model mana yang paling baik untuk dipilih.
1) Chow Test
Chow test atau biasa disebut dengan uji F statistics merupakan pengujian statistik yang bertujuan untuk memilih apakah lebih baik menggunakan model Pooled Least Square atau Fixed Effect. Dalam pengujian ini dilakukan dengan hipotesa berikut :
H0
H
: model pooled square
1
Dasar penolakan terhadap hipotesis nol adalah dengan menggunakan F statistik (Uji Chow) yang dirumuskan dalam persamaan berikut ini :
: model fixed effect
Dimana: ESS1 ESS
= residual sum square hasil pendugaan model fixed effect 2
square
= residual sum square hasil pendugaan model pooled least
N = jumlah data cross section T = jumlah data time series K = jumlah variabel penjelas
Jika nilai chow statistics (F-stat) hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang
31
2) Hausmann Test
Hausmann Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan model fixed effect atau menggunakan model random effect. Pengujian ini dilakukan dengan hipotesa sebagai berikut :
H0
H
: model random effect
1
Sebagai dasar penolakan hipotesa nol tersebut digunakan statistik Hausmann dan membandingkannya dengan Chi-Square. Statistik Hausmann dirumuskan dengan:
: model fixed effect
m = ( β – b ) ( M0 – M1 )-1 – χ2
Dimana : β = vektor statistik variabel fixed effect ( K )
B = vektor statistik variabel random effect (M0
(M
) = matriks kovarian untuk dugaan model fixed effect
1
K = degrees of freedom
) = matriks kovarian untuk dugaan model random effect
Jika nilai χ2
– statistik hasil pengujian lebih besar dari χ2 – tabel maka cukup bukti
untuk melakukan penolakan terhadap H0
3) LM Test
sehingga pendekatan yang digunakan adalah fixed effect model dan sebaliknya.
LM test (The Breush – Pagan LM Test) digunakan sebagai dasar pertimbangan stastisik dalam memilih model random effect dan pooled least square. Hipotesis dari uji ini yaitu :
H0
H
: model pooled effect
32 Dasar penolakan H0 yaitu dengan cara membandingkan antara nilai statistik LM
dengan nilai Chi-square. Apabila nilai LM hasil perhitungan lebih besar dari χ2 – tabel maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model
yang akan digunakan adalah random effect dan sebaliknya.
3.2.3 Pengujian Model
Model yang dianalisis merupakan pengujian terhadap hipotesis yang dilakukan. Setelah mendapatkan paramater estimasi yang dianggap sesuai maka langkah selanjutnya adalah melakukan berbagai macam uji terhadap parameter estimasi tersebut. Terdapat tiga kriteria yang umum digunakan dalam menentukan baik tidaknya sebuah model yaitu :
3.2.3.1 Kriteria Statistik
Kriteria statistika digunakan untuk menganalisis kesesuaian model regresi yang telah diperoleh. Adapun beberapa ujinya antara lain :
A. Uji-F
Tujuan dari uji-F yaitu untuk mengetahui bagaimana pengaruh peubah bebas terhadap peubah tidak bebas secara keseluruhan. Hipotesisnya yaitu :
H0 : β1= β2 = ... = βt
terhadap variabel dependennya).
= 0 (tidak ada variabel independen yang berpengaruh
H1 : minimal ada satu βt
berpengaruh signifikan terhadap variabel dependennya).
≠ 0 (paling tidak ada satu variabel independen yang
- Probability F-stastistic < taraf nyata (α), maka tolak H0 dan dapat
disimpulkan bahwa minimal ada satu variabel independen yang mempengaruhi variabel dependennya.
33 - Probability F-statistic > taraf nyata (α), maka terima H0
B. Uji-t
dan disimpulkan bahwa tidak ada variabel independen yang mempengaruhi variabel dependennya.
Tujuan dilakukannya uji-t untuk melihat signifikansi masing-masing variabel yang terdapat di dalam model. Besaran yang digunakan dalam uji ini yaitu statistik t. Hipotesisnya adalah :
H0 : β1
H
= 0 t = 1,2,...,n
1 : β1
Rumus perhitungan statistiknya yaitu :
≠ 0
Dimana : β = parameter dugaan βt
S
= parameter hipotesis e
- Jika t-stat > t-tabel, maka tolak H
β = standard error parameter β
0
- Jika t-stat < t-tabel, maka terima H
dan dapat disimpulkan bahwa variabel yang diuji berpengaruh nyata terhadap variabel tak bebas.
0
Model yang diduga akan semakin baik apabila semakin banyak variabel bebas yang signifikan atau berpengaruh nyata terhadap variabel tak bebasnya.
dan dapat disimpulkan bahwa variabel yang diuji tidak berpengaruh nyata terhadap variabel tak bebasnya.
C. Uji R2 ataupun adj-R
Tujuan dari uji ini adalah untuk melihat sejauh mana besar keseragaman yang dapat dijelaskan oleh variabel bebas terhadap variabel tak bebas. Nilai R
2
34 atau R2
R
adjusted berkisar antara 0 sampai dengan 1, semakin mendekati satu semakin baik. Rumus perhitungannya yaitu :
2 = [ (Yt – Y) (Yt – Y) / (Yt – Y)2 (Yt – Y)2 Dimana : Y ] t = Y Y aktual t Y = Y rata-rata = Y dugaan 3.2.3.2 Kriteria Ekonometrika
Kriteria ini mengisyaratkan pengujian terhadap asumsi-asumsi dasar ekonometrika agar variabel yang diestimasi bersifat BLUE (Best Linier unbiased Estimate). Pengujian ini terdiri dari :
A. Heteroskedastisitas
Salah satu asumsi yang penting dalam regresi linier berganda yang harus dipenuhi agar model bersifat BLUE adalah Var (ui) = σ2
Untuk mendeteksi ada atau tidaknya masalah heteroskedastisitas dalam data panel digunakan metode General Least Square (Cross Section Weights). Jika sum square resid pada Weighted Statistics lebih kecil dari sum square resid
(konstan), atau semua residual atau error mempunyai varian yang sama (homoskedastisitas). Adapun yang disebut dengan heteroskedastisitas adalah sebaliknya, yaitu semua residual atau error mempunyai varian yang tidak konstan atau berubah-ubah. Pada umumnya heteroskedastisitas terjadi pada data kerat lintang (cross section). Menurut Gujarati (2004), jika pada model terjadi masalah heteroskedastisitas maka model akan menjadi tidak efisien meskipun tidak bias dan konsisten. Dan jika regresi tetap dilakukan, hasil regresi yang diperoleh menjadi “misleading”.
35 unweighted statistics dapat dikatakan bahwa dalam model panel tersebut terjadi masalah heteroskedastisitas. Cara yang dilakukan untuk menghilangkan masalah heteroskedastisitas ini adalah dengan mengestimasi GLS dengan white heteroskedasticity.
B. Autokorelasi
Suatu model dikatakan memiliki autokorelasi jika error dari periode waktu (time series) yang berbeda saling berkorelasi. Masalah autokorelasi ini akan menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh akan underestimated, sehingga R2
Tabel 3.2 Kerangka Identifikasi Autokorelasi
akan besar serta uji t dan uji F akan menjadi tidak valid. Autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Untuk mendeteksi ada tidaknya autokorelasi adalah dengan melihat nilai dari Durbin Watson (DW) statistiknya yang dibandingkan dengan nilai dari tabel DW. Berikut merupakan kerangka identifikasi dalam menentukan ada tidaknya autokorelasi.
Nilai DW Hasil
4-dl<DW<4 Tolak H0, korelasi serial negatif 4-dl<DW<4-dl Hasil tidak dapat ditentukan
2<DW<4-du Terima H0, tidak ada korelasi serial du<DW<2 Terima H0, tidak ada korelasi serial dl<DW<du Hasil tidak dapat ditentukan
0<DW<dl Tolak H0, korelasi serial positif Sumber : Gujarati, 2004
Korelasi serial terjadi apabila error dari periode waktu yang berbeda saling berkorelasi. Untuk mendeteksi hal ini yaitu dengan melihat pola random error dari hasil regresi. Dalam pendekatan fixed effect tidak mensyaratkan
36 persamaan terbebas dari masalah autokorelasi sehingga asumsi adanya autokorelasi dapat diabaikan.
C. Multikolinearitas
Multikolinearitas terjadi apabila terdapat hubungan linier antar variabel independen. Indikasi terjadinya multikolinearitas adalah dengan melihat hasil t dan F statistik hasil regresi. Apabila koefisien parameter dari t statistik banyak yang tidak signifikan sementara F hitungnya signifikan maka patut diduga terjadi masalah multikolinearitas. Masalah ini dapat diatasi dengan cara menghilangkan variabel yang tidak signifikan, mentransformasikan data, dan menambah variabel. D. Normalitas
Pengujian normalitas dilakukan untuk mengetahui apakah error term mendekati distribusi normal atau tidak. Uji normalitas error term dilakukan dengan menggunakan uji Jarque Bera dengan hipotesisnya sebagai berikut :
H0
H
: α = 0, error term terdistribusi normal
1
Wilayah penerimaan (Jarque Bera < X
: α ≠ 0, error term tidak terdistribusi normal
2
df-2 atau probabilitas (p-value) >
α) sedangkan wilayah penolakannya yaitu (Jarque Bera > X2
df-2 atau probabilitas (p-value) < α).
3.2.3.3 Kriteria Ekonomi
Kriteria ekonomi mensyaratkan penggunaan tanda dan besaran yang diperoleh dalam model sesuai dengan teori ekonomi. Apabila tanda dan besaran model yang diperoleh relevan dengan teori ekonomi maka model tersebut dapat dikatakan baik secara ekonomi.
37 3.3 Model Penelitian
Dalam penelitian ini hanya menggunakan satu persamaan umum. Sebelumnya telah dilakukan uji coba menggunakan variabel nilai tukar tetapi variabel ini tidak mendukung dengan hasil yang baik sehingga didapat model yang terbaik. Model ini digunakan untuk melihat hubungan volume permintaan ekspor dengan variabel-variabel penyusunnya. Model tersebut adalah :
VEB = α +β0HB + β1GDP + β2POP + β3
Dimana :
KURS + Ut
VEB = Volume ekspor batubara Indonesia ke negara tujuan tahun ke-t (Juta ton) HB = Harga ekspor batubara negara tujuan ekspor tahun ke-t (US$/kg)
GDP = Pendapatan per kapita negara tujuan ekspor tahun ke-t (US$) POP = Jumlah penduduk negara tujuan ekspor tahun ke-t (Juta orang) KURS = Nilai Tukar Riil negara tujuan ekspor tahun ke-t (Rp/mata uang) Ut = error term perode ke-t
α = intersep
β = slope
Nilai dalam variabel-variabel ini memiliki skala yang berbeda. Transformasi dalam bentuk ln dapat mengurangi masalah heteroskedastisitas. Hal ini disebabkan karena transformasi yang memapatkan skala untuk pengukuran variabel, mengurangi perbedaan nilai dari sepuluh kali lipat menjadi dua kali lipat (Gujarati, 2004). Untuk mengurangi perbedaan tersebut, maka model menggunakan ln sehingga didapat model penelitian sebagai berikut :
38 VEB = Volume ekspor batubara Indonesia ke negara tujuan tahun ke-t (persen) HB = Harga ekspor batubara negara tujuan ekspor tahun ke-t (persen)
GDP = Pendapatan per kapita negara tujuan ekspor tahun ke-t (persen) POP = Jumlah penduduk negara tujuan ekspor tahun ke-t (persen) KURS = Nilai Tukar Riil negara tujuan ekspor tahun ke-t (persen) Ut = error term perode ke-t
α = intersep
β = slope
3.4 Definisi Operasional
1. Volume permintaan ekspor batubara Indonesia di Jepang, India, Korea Selatan, dan Cina yang menjadi variabel tak bebas dalam model merupakan total permintaan batubara Indonesia ke Jepang, India, Korea Selatan, dan Cina yang dinyatakan dalam satuan juta ton.
2. Harga ekspor batubara negara tujuan ekspor merupakan harga masing- masing negara yang digunakan dalam transaksi perdagangan internasional. Harga ekspor dinyatakan dalam satuan dollar Amerika.
3. GDP adalah ukuran daya beli masyarakat suatu negara terhadap suatu produk. GDP perkapita yang digunakan dalam penelitian ini merupakan hasil pembagian antara GDP nominal dengan populasi penduduk negara Jepang, India, Korea Selatan, dan Cina.
4. Populasi penduduk merupakan jumlah total penduduk yang mendiami suatu wilayah atau negara. Jumlah penduduk dinyatakan dalam satuan jiwa.
39 5. Nilai Tukar Riil adalah perbandingan dari perubahan nilai tukar mata
uang negara tujuan ekspor batubara Indonesia terhadap mata uang Indonesia yang dinyatakan dengan rumus sebagai berikut :
Kurs Riil = Kurs Nominal x
IHK Indonesia
IHK negara tujuan ekspor
Nilai tukar riil dinyatakan dalam satuan rupiah per mata uang negara tujuan ekspor.
40 IV. GAMBARAN UMUM
4.1 Pertambangan Batubara Indonesia
Batubara merupakan batuan hidrokarbon padat yang terbentuk dari tumbuhan dalam lingkungan bebas oksigen, serta terkena pengaruh tekanan dan panas yang berlangsung sangat lama. Proses pembentukan (coalification) memerlukan jutaan tahun, mulai dari awal pembentukan yang menghasilkan gambut, lignit, subbituminus, bituminous, dan akhirnya terbentuk antrasit. Di Indonesia, endapan batubara yang bernilai ekonomis terdapat di cekungan Tersier, yang terletak di bagian barat Paparan Sunda (termasuk Pulau Sumatera dan Kalimantan), pada umumnya endapan batubara tersebut tergolong usia muda, yang dapat dikelompokkan sebagai batubara berumur Tersier Bawah dan Tersier Atas. Potensi batubara di Indonesia sangat melimpah, terutama di Pulau