Pengaruh Ekonomi Energi Terhadap Intensitas Emisi Co2
dalam Merepresentasikan Sustainable Development Goals (SGDS)
Gilang Setyo Asmoro
Universitas
Muhammadiyah Surakarta Jawa Tengah Indonesia
Gasmoro21@gmail.com
Abstrak
Tujuan penelitian ini adalah untuk
mengetahui pengaruh antara Foreign Direct Invesment, Jumlah konsumsi energi Listrik, Total populasi
penduduk, dan Gross Domestic Product (GDP) terhadap intensitas Emisi CO2
atau Emisi Karbondioksida dalam kurun waktu pada tahun 1994 sampai tahun 2019
di Negara Indonesia, yang nantinya dapat menjadi acuan dalam melakukan
Pembangunan untuk mencapai Sustainable Development
Goals (SDGs) di
Negara Indonesia. Variabel independen dalam penelitian ini yaitu Foreign Direct
Invesment, Jumlah konsumsi energi Listrik, Total populasi penduduk, dan Gross
Domestic Product kemudian variabel dependen yaitu Intensitas Emisi CO2
atau Emisi Karbondioksida. Metode dalam pengumpulan data dalam penelitian ini
menggunakan data sekunder bertipe time series pada tahun 1994 hingga tahun
2019. Metode penelitian yang digunakan adalah Ordinary
Least Square (OLS) regresi model linier. Hasil
analisis menunjukkan bahwa variabel independen jumlah konsumsi energi Listrik
berpengaruh dan signifikan terhadap intensitas karbondioksida kemudian total
populasi penduduk berpengaruh dan signifikan terhadap intensitas
karbondioksida, variabel independen Foreign Direct Invesment dan Gross Domestic
Product tidak berpengaruh signifikan terhadap intensitas Emisi CO2
atau Emisi karbondioksida.
Kata kunci: Foreign
Direct Invesment;
konsumsi energi litrik; Populasi penduduk; GDP; Emisi CO2
Abstract
The purpose
of this study is to ascertain the impact of foreign direct investment, total
electricity consumption, total population, and gross domestic product (GDP) on
the intensity of carbon dioxide emissions in Indonesia between 1994 and 2019.
This information will be useful in developing policies and programs that will
help the country meet the Sustainable Development Goals (SDGs). The dependent
variable in this study is CO2 emission intensity, also known as
carbon dioxide emissions, while the independent variables are foreign direct
investment, total electricity consumption, population, and gross domestic
product. The research employs a time series approach for gathering secondary
data, spanning the years 1994 through 2019. Regression using the Ordinary Least
Square (OLS) linear model is the study methodology.
The
analysis's findings indicate that the amount of electricity consumed has a
significant impact on carbon dioxide intensity, followed by the population as a
whole. The independent variables foreign direct investment and gross domestic
product, on the other hand, do not significantly affect the intensity of carbon
dioxide emissions.
Keywords: foreign direct investment; electricity consumption; total population;
GDP; CO2 emissions
Pendahuluan
Energi sangat dibutuhkan dalam menjalankan
aktifitas ekonomi. Sebagai sumber daya alam, energi harus dimanfaatkan
semaksimal mungkin untuk kemakmuran masyarakat dan pengelolaannya harus
disetujui dengan prinsip pembangunan berkelanjutan untuk mencapai Sustainable
Development Goals (SDGs). Potensi energi terbarukan di Indonesia sangat
besar. Tetapi belum dimanfaatkan secara maksimal. Seiring dengan meningkatnya
taraf hidup masyarakat dan pertumbuhan ekonomi maka kebutuhan energi semakin
besar, diantaranya mengakibatkan konsumsi listrik nasional semakin meningkat
sehingga tren konsumsi menyerupai negara maju (EBTKE, 2020). Energi mempunyai peranan yang sangat penting
dan menjadi kebutuhan dasar dalam pembangunan ekonomi nasional yang
berkelanjutan (Pemerintah Indonesia 2014). Energi juga memiliki peranan yang
sangat penting dan strategis untuk pencapaian tujuan sosial, ekonomi dan
lingkungan dalam pembangunan berkelanjutan serta pendorong kegiatan ekonomi dan
pertambahan jumlah penduduk (Abimanyu &
Hendrana, 2014). Kontinuitas penyaluran energi listrik
merupakan aspek utama dalam menunjang segala aktivitas baik ekonomi, sosial,
dan Pembangunan (Monantun, 2014).
Sustainable Development Goals (SDGs)
adalah sebuah perencana aksi berskala global yang disepakati oleh para pemimpin
dunia, termasuk Indonesia dengan tujuan mendorong pembangunan sosial, ekonomi
dan lingkungan hidup (Mone &
Utami, 2021). Dalam rangka mengukur sejauh mana capaian Indonesia dalam Sustainable
Development Goals (SDGs) tentu diperlukan suatu indikator (Novalia, 2019). SDGs bertujuan mengakhiri kemiskinan dan
kelaparan serta mewujudkan pembangunan berkelanjutan selama 15 tahun, baik
dalam dimensi sosial, ekonomi, maupun lingkungan (Rizqi, Palupi, Novantia, Wicaksono,
& Indrasari, 2022). Menurut Undang-Undang Republik Indonesia nomor
25 Tahun 2007 tentang Penanaman Modal Asing menyatakan bahwa “Penanaman modal
asing adalah kegiatan menanam modal untuk melakukan usaha di wilayah negara
Republik Indonesia yang dilakukan oleh penanam modal asing, baik yang
menggunakan modal asing sepenuhnya maupun yang berpatungan dengan penanam modal
dalam negeri” (Saleha,
Abrianto, & Nasution, 2021)
Indonesia Merupakan
salah satu Negara yang ikut andil dalam melaksanakan tujuan dan sasaran dari
SDGs guna mewujudkan kehidupan yang lebih baik. Pencapaian Indonesia dalam
mewujudkan SDGs telah mencapai hasil yang baik dengan berhasil mengurangi kesenjangan
melalui pertumbuhan ekonomi yang inklusif, perluasan lapangan pekerjaan dan
akses terhadap Pendidikan serta penguatan Langkah-langkah pencegahan tanggap
darurat dan ketahanan terhadap bencana, keberhasilan ini telah dipaparkan dalam
pertemuan High Level Political yang diadakan di kantor pusat PBB
di New York.
Energi sangat dibutuhkan dalam menjalankan
kegiatan ekonomi. Sebagai sumber daya alam, energi harus dimanfaatkan
semaksimal mungkin untuk kemakmuran masyarakat dan pengelolaannya harus
disetujui dengan prinsip pembangunan berkelanjutan (Afriyanti, Sasana, & Jalunggono,
2020). Namun pada kenyataannya, banyak pembangunan ekonomi yang
dilakukan seringkali hanya untuk mengejar pendapatan, tanpa memperdulikan
permasalahan lingkungan sehingga muncul kerusakan lingkungan yang
diakibatkannya. Indonesia terutama masih banyak menggunakan bahan bakar fosil
sebagai penunjang aktivitas ekonomi sehingga dapat menyebabkan intensitas
karbon CO2 tinggi yang dapat menyebabkan pencemaran udara atau
polusi udara.
Gambar Grafik
1
Intensitas
Emisi Karbon CO2 di Indonesia
Sumber:
World Bank, 2023
Menurut (Prasetyo, Lamada, & Adzillah, 2021), kualitas udara menjadi rusak dan
terkontaminasi oleh zat-zat, baik yang tidak berbahaya maupun yang membahayakan
kesehatan manusia. Beberapa gas yang berbahaya di udara seperti
: CO, CO2, O3 dan lainnya. Untuk saat ini
penggunaan Energi bahan bakar fosil masih tetap digunakan karena belum ada
pengembangan energi berkelanjutan dengan memperhatikan kondisi lingkungan alam
yang terlaksana secara efisien guna menunjang aktivitas perekonomian. Energi
listrik juga berperan dalam menghasilan emisi karbon CO2 yaitu
adanya aktivitas ekonomi berupa pembangkit listrik yang menggunakan energi
bahan bakar fosil sehingga menyebabkan pencemaran kondisi lingkungan yang dapat
merusak lingkungan dan membahayakan kesehatan manusia. Meningkatnya kebutuhan
energi listrik mengakibatkan bertambahnya penggunaan pembangkit listrik berbahan
bakar fosil yang ketersediaanya semakin lama semakin menipis (Hidayat,
Winardi, & Nugroho, 2019).
Tingkat konsumsi listrik di Indonesia semakin
meningkat dari tahun ke tahun, mayoritas pembangkit listrik di Indonesia masih
mengandalkan bahan bakar fossil (Yordani &
Sudaryanto, 2021). Pembakaran bahan bakar fosil merupakan
penyebab emisi Karbon Dioksida (CO2) terbesar di dunia saat ini (Budiman & Setiawan,
2021). Penggunaan bahan bakar untuk memasak merupakan salah satu penyumbang
emis gas karbon dioksida (CO2) pada sektor permukiman yang
menyebabkan menurunnya kualitas udara (Gobel, Tondobala, & Sela, 2019). Kegiatan pembangunan yang diiringi dengan
perkembangan teknologi pada sektor transportasi, permukiman, dan industri
menyumbangkan emisi akibat penggunaan bahan bakar fosil berupa gas Karbon
Dioksida (CO2) yang menyebabkan dampak menurunnya kualitas udara dan
lingkungan (Syafaati &
Mangkoedihardjo, 2021). Banyak dari kegiatan rumah tangga yang bisa
menghasilkan emisi CO2, ditambah lagi tidak aktifnya beberapa stasiun
Indeks Standar Pencemaran Udara (ISPU) menjadikan kurangnya data spasial
terkait paparan dan serapan emisi karbon (CO2) (Hutomo &
Susetyo, 2020). Sumber terbesar yang menghasilkan emisi Karbon Dioksida (CO2)
dipercaya berasal dari pembangkit daya yang menggunakan bahan bakar fosil (Budiman,
Setiawan, & Fauji, 2021).
Keterkaitan perekonomian dalam suatu negara
sebagai akibat dari berkurangnya batasan perdagangan dan tingginya arus modal
lintas perekonomian. Foreign Direct Investment (FDI) atau investasi
langsung menjadi salah satu modal pembiayaan yang penting terhadap suatu
negara. Foreign Direct Investment (FDI) dapat berperan negatif terhadap
lingkungan yaitu menyebabkan kerusakan kondisi lingkungan salah satunya
peningkatan emisi karbon CO2 jika investasi yang masuk berupa
teknologi yang tidak memperhatikan lingkungan (RIDA, 2023). Selain itu, tingkat populasi penduduk juga
dapat berperan dalam menghasilkan emisi karbon CO2 karena penduduk
dalam melakukan aktifitas ekonomi juga menggunakan energi bahan bakar fosil
yang dapat menghambat tercapainya Sustainable Development Goals (SDGs) (Sulasminingsih,
Juwariyah, Siahaan, Putri, & Putra, 2024).
Populasi Penduduk
adalah seluruh jumlah orang atau penduduk di suatu daerah. Melalui penjelasan
tersebut maka dapat diartikan populasi adalah sebutan untuk orang-orang atau
penduduk yang berada dalam suatu wilayah tertentu. Populasi penduduk juga dapat
berdampak terhadap Tingkat emisi karbon karena penggunakan alat ataupun
transportasi yang berbahan bakar minyak fossil yang menghasilkan emisi karbon
dioksida (Dilasari, Ani,
& Rizka, 2023).
Produk Domestik Bruto
atau Gross Domestic Product disingkat GDP adalah jumlah nilai barang dan
jasa suatu negara yang dihasilkan oleh faktor produksi milik warga negara dan
warga negara asing yang tinggal di suatu Negara (WATI, 2017). Artinya, pendapatan dari produksi barang dan
jasa yang dihasilkan oleh penduduk di luar negeri tidak masuk dalam perhitungan
GDP.Jumlah nilai barang dan jasa ini dihitung sebagai pendapatan selama satu
tahun.
Dalam konteks penelitian ini, kerangka
penelitian yang diperkuat dengan hubungan langsung antara variabel yang
diteliti dan pencapaian Sustainable Development Goals (SDGs) menjadi landasan
penting. Konsumsi energi listrik, Foreign Direct Investment (FDI), tingkat
populasi penduduk, dan Gross Domestic Product (GDP) diidentifikasi sebagai
variabel independen, sedangkan intensitas emisi karbon CO2 dianggap sebagai
variabel dependen (Daniswara, 2023). Konsumsi energi listrik yang dominan dari
bahan bakar fosil, pertumbuhan FDI yang tidak memperhatikan aspek lingkungan,
pertumbuhan populasi yang cepat, dan pertumbuhan ekonomi yang tidak
berkelanjutan dapat menyebabkan peningkatan emisi karbon CO2, yang bertentangan
dengan upaya pencapaian SDGs. Oleh karena itu, tujuan penelitian yang lebih
spesifik dan terukur adalah untuk menganalisis pengaruh variabel independen
tersebut terhadap intensitas emisi karbon CO2 di Indonesia, sebagai indikator
langsung pencapaian SDGs, dengan memperhatikan aspek ekonomi, lingkungan, dan
sosial yang relevan.
Metode Penelitian
Pendekatan penelitian kuantitatif yang digunakan
dalam studi ini memiliki keunggulan dalam mengakomodasi kompleksitas hubungan
antar variabel yang diteliti. Dengan menggunakan metode analisis regresi
berganda, kita dapat memeriksa secara simultan pengaruh variabel independen
seperti Foreign Direct Investment (FDI), konsumsi listrik, populasi penduduk,
dan Gross Domestic Product (GDP) terhadap intensitas emisi karbon dioksida
(CO2). Pendekatan ini memungkinkan kita untuk mengidentifikasi dan mengevaluasi
kontribusi relatif dari masing-masing variabel independen terhadap variabel
dependen, yaitu intensitas emisi CO2.
Metode
Pengumpulan Data
Metode pengumpulan data
yang digunakan dalam penelitian ini adalah mengguanakan data sekunder bertipe
time series dari tahun 1994 hingga tahun 2019 yang diperoleh dari instansi atau
lembaga resmi yang terkait dengan data tersebut.
Tabel 1
Variabel dan sumber Variabel
|
No. |
Variabel |
Sumber |
|
1. |
Emisi
CO2 (MtCO2) |
World
Bank, 2023 |
|
2. |
Foreign
Direct Invesment (Net Inflows) |
World
Bank, 2023 |
|
3. |
Jumlah
Konsumsi Listrik (kWh per capita) |
World
Bank, 2023 |
|
4. |
Jumlah
Total Populasi Penduduk |
World
Bank, 2023 |
|
5. |
Gross
Domestic Product (Juta
US$) |
World
Bank, 2023 |
Tabel 1.2
Variabel dan Definisi
|
No. |
Variabel |
Definisi |
|
1. |
Intensitas
Emisi CO2 (Y) |
Tingkat
Intensitas Emisi Karbon Dioksida yang dihasilkan dari berbagai kegiatan
manusia seperti pembakaran bahan bakar fossil. |
|
2. |
Foreign
Direct Invesment (X1) |
Foreign
Direct Invesment merupakan rasio pertumbuhan Investasi Asing langsung ke
negara Indonesia yang dapat berpengaruh terhadap intensitas Emisi CO2 |
|
3. |
Konsumsi
Listrik (X2) |
Jumlah
total konsumsi energi Listrik yang dapat berpengaruh terhadap intensitas
Emisi CO2 |
|
4. |
Jumlah
Total Populasi Penduduk (X3) |
Tingkat
populasi penduduk dapat berpengaruh terhadap Tingkat intensitas emisi karbon
CO2 |
|
5. |
Gross
Domestic Product (X4) |
Gross
Domestic Product memiliki tolak ukur jumlah nilai barang dan jasa suatu
negara yang dihasilkan oleh faktor produksi yang dapat berpengaruh terhadap
intensitas Emisi CO2 |
Analisis
Regresi Berganda
Analisis yang digunakan dalam penelitian ini
adalah regresi linier berganda yaitu menjelaskan hubungan antara variabel
dependen dengan variabel independen dengan tujuan untuk mendapatkan estimasi
yang didasarkan pada nilai perubah bebas yang diketahui. Dalam penelitian ini akan menggunakan metode Ordinary Least Square (OLS) regresi
model linier dengan menggunakan empat variabel independen (X) dan juga satu
variabel dependen (Y) dengan model sebagai berikut:
Keterangan :
Y : Intensitas Emisi CO2
:
Foreign Direct Invesment Net Inflows ( US$ )
:
Jumlah Konsumsi Listrik ( kWh perkapita)
:
Total Populasi Penduduk ( jiwa/km2 )
:
Gross Domestic Product ( US$ )
: Konstanta
: Koefisien
Regresi Variabel Independen
: error
term
Hasil dan Pembahasan
Model Terestimasi
|
Dependent
Variable: CE |
|
|
||
|
Method: Least
Squares |
|
|
||
|
Date:
03/27/24 Time: 10:00 |
|
|
||
|
Sample: 1994
2019 |
|
|
||
|
Included
observations: 26 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-13904855 |
36781950 |
-3.780348 |
0.0011 |
|
FDI |
0.000393 |
0.000340 |
1.154981 |
0.2611 |
|
EC |
-0.012048 |
0.006051 |
-1.991112 |
0.0596 |
|
POP |
1.292854 |
0.186215 |
6.942791 |
0.0000 |
|
GDP |
-1.891153 |
1.662971 |
-0.113721 |
0.9105 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.963343 |
Mean
dependent var |
15942349 |
|
|
Adjusted
R-squared |
0.956361 |
S.D.
dependent var |
31805669 |
|
|
S.E. of
regression |
6644171. |
Akaike info
criterion |
34.42742 |
|
|
Sum squared
resid |
92704507 |
Schwarz
criterion |
34.66936 |
|
|
Log
likelihood |
-442.5564 |
Hannan-Quinn
criter. |
34.49709 |
|
|
F-statistic |
137.9713 |
Durbin-Watson
stat |
1.629585 |
|
|
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
CE = C(1)
+ C(2)*FDI + C(3)*EC + C(4)*POP + C(5)*GDP
CE = -13904855 +
0.000393*FDI - 0.012048*EC + 1.292854*POP - 1.891153*GDP
Uji Asumsi Klasik
1.
Uji Normalitas Residual – Jarque Bera
Interpretasi: Statistik
JB terlihat memiliki nilai 0,090514 dengan probabilitas atau signifikansi
empirik JB 0,955752 (>0,10), maka H0
diterima. Kesimpulan, distribusi residual normal.
2. Uji Otokorelasi – Breusch
Godfrey
|
Breusch-Godfrey
Serial Correlation LM Test: |
|
|||
|
Null
hypothesis: No serial correlation at up to 4 lags |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
F-statistic |
0.885997 |
Prob.
F(4,17) |
0.4932 |
|
|
Obs*R-squared |
4.485192 |
Prob.
Chi-Square(4) |
0.3443 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Test
Equation: |
|
|
|
|
|
Dependent
Variable: RESID |
|
|
||
|
Method: Least
Squares |
|
|
||
|
Date:
03/27/24 Time: 10:06 |
|
|
||
|
Sample: 1994
2019 |
|
|
||
|
Included
observations: 26 |
|
|
||
|
Presample
missing value lagged residuals set to zero. |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-38705333 |
47112733 |
-0.821547 |
0.4227 |
|
FDI |
0.000283 |
0.000419 |
0.674317 |
0.5092 |
|
EC |
0.007077 |
0.009238 |
0.766124 |
0.4541 |
|
POP |
0.189492 |
0.235022 |
0.806272 |
0.4312 |
|
GDP |
-2.23E-05 |
2.36E-05 |
-0.944978 |
0.3579 |
|
RESID(-1) |
-0.050016 |
0.292233 |
-0.171150 |
0.8661 |
|
RESID(-2) |
-0.484157 |
0.303875 |
-1.593275 |
0.1295 |
|
RESID(-3) |
-0.343396 |
0.348756 |
-0.984632 |
0.3386 |
|
RESID(-4) |
-0.177455 |
0.379663 |
-0.467402 |
0.6461 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.172507 |
Mean
dependent var |
2.16E-08 |
|
|
Adjusted
R-squared |
-0.216901 |
S.D.
dependent var |
6089483. |
|
|
S.E. of
regression |
6717505. |
Akaike
info criterion |
34.54576 |
|
|
Sum squared
resid |
7.67E+14 |
Schwarz
criterion |
34.98125 |
|
|
Log
likelihood |
-440.0948 |
Hannan-Quinn
criter. |
34.67116 |
|
|
F-statistic |
0.442999 |
Durbin-Watson
stat |
1.894259 |
|
|
Prob(F-statistic) |
0.878583 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Interpretasi: Statistik
X2 [Obs*R-squared] terlihat memiliki nilai 4.485192 dengan
probabilitas atau signifikansi empirik [Prob. Chi-Square(4)]
0.3443 (>0,10), maka H0 diterima. Kesimpulan, tidak ada masalah
otokorelasi dalam estimasi model ekonometrik.
3. Uji Heteroskedastisitas –
White with Cross Term
|
Heteroskedasticity
Test: White |
|
|||
|
Null
hypothesis: Homoskedasticity |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
F-statistic |
3.328788 |
Prob.
F(14,11) |
0.0258 |
|
|
Obs*R-squared |
21.03498 |
Prob.
Chi-Square(14) |
0.1007 |
|
|
Scaled
explained SS |
13.93234 |
Prob.
Chi-Square(14) |
0.4548 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Test
Equation: |
|
|
|
|
|
Dependent
Variable: RESID^2 |
|
|
||
|
Method: Least
Squares |
|
|
||
|
Date:
03/27/24 Time: 10:08 |
|
|
||
|
Sample: 1994
2019 |
|
|
||
|
Included observations:
26 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
1.22E+16 |
2.35E+16 |
0.519535 |
0.6137 |
|
FDI^2 |
-4.32E-07 |
6.02E-07 |
-0.718730 |
0.4873 |
|
FDI*EC |
-5.34E-05 |
3.86E-05 |
-1.383809 |
0.1939 |
|
FDI*POP |
0.000883 |
0.000738 |
1.196731 |
0.2566 |
|
FDI*GDP |
7.91E-09 |
4.62E-08 |
0.171130 |
0.8672 |
|
FDI |
-174285.1 |
147661.2 |
-1.180304 |
0.2628 |
|
EC^2 |
0.001377 |
0.000976 |
1.411134 |
0.1859 |
|
EC*POP |
-0.044746 |
0.088928 |
-0.503167 |
0.6248 |
|
EC*GDP |
4.93E-06 |
5.73E-06 |
0.860900 |
0.4077 |
|
EC |
6391309. |
18110558 |
0.352905 |
0.7308 |
|
POP^2 |
0.437762 |
0.683209 |
0.640744 |
0.5348 |
|
POP*GDP |
-8.75E-05 |
4.99E-05 |
-1.752725 |
0.1074 |
|
POP |
-1.46E+08 |
2.55E+08 |
-0.573409 |
0.5779 |
|
GDP^2 |
1.37E-09 |
1.35E-09 |
1.018753 |
0.3302 |
|
GDP |
16733.37 |
8928.917 |
1.874065 |
0.0877 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.809038 |
Mean
dependent var |
3.57E+13 |
|
|
Adjusted
R-squared |
0.565995 |
S.D.
dependent var |
5.18E+13 |
|
|
S.E. of
regression |
3.41E+13 |
Akaike
info criterion |
65.45422 |
|
|
Sum squared
resid |
1.28E+28 |
Schwarz
criterion |
66.18004 |
|
|
Log
likelihood |
-835.9048 |
Hannan-Quinn
criter. |
65.66323 |
|
|
F-statistic |
3.328788 |
Durbin-Watson
stat |
2.982441 |
|
|
Prob(F-statistic) |
0.025809 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Interpretasi: Statistik
X2 [Obs*R-squared] terlihat memiliki nilai 21.03498 dengan
probabilitas atau signifikansi empirik [Prob. Chi-Square(14)]
0.1007 (>0,05), jadi H0 diterima. Kesimpulan, tidak ada masalah
heteroskedastisitas dalam estimasi model ekonometrik.
4. Uji Spesifikasi Model – Ramsey
Reset
|
Ramsey RESET
Test |
|
|
||
|
Equation:
UNTITLED |
|
|
||
|
Omitted
Variables: Squares of fitted values |
|
|||
|
Specification:
CE C FDI EC POP GDP |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Value |
df |
Probability |
|
|
t-statistic |
0.966368 |
20 |
0.3454 |
|
|
F-statistic |
0.933867 |
(1, 20) |
0.3454 |
|
|
Likelihood
ratio |
1.186536 |
1 |
0.2760 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F-test
summary: |
|
|
||
|
|
Sum of Sq. |
df |
Mean Squares |
|
|
Test SSR |
4.14E+13 |
1 |
4.14E+13 |
|
|
Restricted
SSR |
9.27E+14 |
21 |
4.41E+13 |
|
|
Unrestricted
SSR |
8.86E+14 |
20 |
4.43E+13 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
LR test
summary: |
|
|
||
|
|
Value |
|
|
|
|
Restricted
LogL |
-442.5564 |
|
|
|
|
Unrestricted
LogL |
-441.9632 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Unrestricted
Test Equation: |
|
|
||
|
Dependent
Variable: CE |
|
|
||
|
Method: Least
Squares |
|
|
||
|
Date:
03/27/24 Time: 10:10 |
|
|
||
|
Sample: 1994
2019 |
|
|
||
|
Included
observations: 26 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-3.12E+08 |
1.83E+08 |
-1.706328 |
0.1034 |
|
FDI |
0.000695 |
0.000463 |
1.502944 |
0.1485 |
|
EC |
-0.031154 |
0.020679 |
-1.506535 |
0.1476 |
|
POP |
2.368158 |
1.128250 |
2.098966 |
0.0487 |
|
GDP |
9.86E-06 |
2.06E-05 |
0.478229 |
0.6377 |
|
FITTED^2 |
-2.94E-09 |
3.04E-09 |
-0.966368 |
0.3454 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.964979 |
Mean
dependent var |
1.59E+08 |
|
|
Adjusted
R-squared |
0.956223 |
S.D.
dependent var |
31805669 |
|
|
S.E. of
regression |
6654657. |
Akaike
info criterion |
34.45871 |
|
|
Sum squared
resid |
8.86E+14 |
Schwarz
criterion |
34.74904 |
|
|
Log
likelihood |
-441.9632 |
Hannan-Quinn
criter. |
34.54231 |
|
|
F-statistic |
110.2162 |
Durbin-Watson
stat |
1.724462 |
|
|
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
Interpretasi: Statistik F [F-statistic] terlihat memiliki
nilai 0.933867 dengan nilai probabilitas atau signifikansi empirik 0.3454
(>0,10), jadi H0 diterima. Kesimpulan,
spesifikasi model ekonometrik yang digunakan sudah tepat atau linier.
Uji Parameter Model Terbaik
1. Uji t
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-13904855 |
36781950 |
-3.780348 |
0.0011 |
|
FDI |
0.000393 |
0.000340 |
1.154981 |
0.2611 |
|
EC |
-0.012048 |
0.006051 |
-1.991112 |
0.0596 |
|
POP |
1.292854 |
0.186215 |
6.942791 |
0.0000 |
|
GDP |
-1.891153 |
1.662971 |
-0.113721 |
0.9105 |
|
|
|
|
|
|
|
|
|
|
|
|
Pengaruh hasil variabel independent terhadap
variabel dependen secara parsial sebagai berikut :
a. Variabel Foreign Direct Invesment
memiliki nilai Probabilitas t-Statistic 0,2611 (> 0,10) maka H0
diterima. Kesimpulan, Foreign Direct Invesment tidak berpengaruh terhadap intensitas Emisi CO2.
b. Variabel jumlah konsumsi energi Listrik memiliki
nilai Probabilitas
t-Statistic 0,0596 (< 0,10) maka H0 ditolak.
Kesimpulan, jumlah konsumsi listrik berpengaruh terhadap intensitas Emisi CO2.
c. Variabel total populasi
penduduk memiliki nilai Probabilitas t-Statistic 0,0000 (< 0,01) maka H0
ditolak. Kesimpulan, total populasi penduduk berpengaruh terhadap
intensitas Emisi CO2.
d. Variabel Gross Domestic
Product memiliki nilai Probabilitas t-Statistic 0,9105 (> 0,10) maka H0
diterima. Kesimpulan, Gross Domestic Product tidak berpengaruh terhadap
intensitas Emisi CO2.
2. Uji F
|
|
|
|
|
|
|
R-squared |
0.963343 |
|
Adjusted
R-squared |
0.956361 |
|
S.E. of
regression |
6644171. |
|
Sum squared
resid |
92704507 |
|
Log
likelihood |
-442.5564 |
|
F-statistic |
137.9713 |
|
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
[F-statistic]
terlihat memiliki Nilai 137.9713 dengan probabilitas signifikansi empirik [Prob(F-statistic)]
0,000000 (< 0,01) maka H0 ditolak. Kesimpulan, Foreign Direct
Invesment, Jumlah konsumsi energi Listrik, Total populasi penduduk, dan Gross
Domestic Product secara Bersama-sama berpengaruh terhadap Intensitas Emisi
CO2.
3. Uji Determinan ( R2 )
|
|
|
|
|
|
|
R-squared |
0.963343 |
|
Adjusted
R-squared |
0.956361 |
|
S.E. of
regression |
6644171. |
|
Sum squared
resid |
92704507 |
|
Log
likelihood |
-442.5564 |
|
F-statistic |
137.9713 |
|
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
[R-squared] terlihat memiliki
Nilai 0,963343 atau 96,3343%. Kesimpulan, 96,3343% Intensitas Emisi CO2
dipengaruhi oleh Foreign Direct Invesment, Jumlah konsumsi energi
Listrik, Total populasi penduduk, dan Gross Domestic Product. Sisanya
dipengaruhi oleh variable lain diluar model penelitian ini.
Analisis ini menunjukkan bahwa model regresi
linier sederhana yang digunakan mungkin tidak memadai untuk menggambarkan
hubungan yang kompleks antara variabel. Meskipun model tersebut memberikan
koefisien determinasi (R-squared) yang tinggi sebesar 0.963343, menunjukkan
bahwa sekitar 96.33% dari variasi dalam intensitas emisi CO2 dapat dijelaskan
oleh variabel independen yang digunakan dalam model, namun penting untuk
diingat bahwa model tersebut hanya mampu menangkap hubungan linier antara
variabel-variabel tersebut.
Selain itu, analisis uji t menunjukkan bahwa
tidak semua variabel independen memiliki pengaruh signifikan terhadap
intensitas emisi CO2 secara parsial. Misalnya, variabel Foreign Direct
Investment (FDI) dan Gross Domestic Product (GDP) memiliki nilai probabilitas
(Prob.) t-Statistic yang lebih besar dari 0.10, sehingga hipotesis nol (H0)
diterima, yang berarti kedua variabel tersebut tidak memiliki pengaruh yang
signifikan terhadap intensitas emisi CO2 dalam model ini.
Uji F menunjukkan bahwa secara bersama-sama,
variabel independen yang digunakan dalam model memiliki pengaruh yang
signifikan terhadap intensitas emisi CO2, dengan nilai probabilitas (Prob(F-statistic)) kurang dari 0.01.
Namun demikian, terdapat beberapa keterbatasan
dalam analisis ini. Pertama, model regresi linier sederhana mungkin tidak mampu
menangkap hubungan yang kompleks antara variabel-variabel tersebut, terutama
jika hubungan tersebut tidak linier. Kedua, ada faktor-faktor lain yang dapat
memengaruhi intensitas emisi CO2 namun tidak dimasukkan dalam model ini,
seperti faktor-faktor budaya, politik, atau faktor-faktor alam yang sulit
diukur secara kuantitatif.
Oleh karena itu, meskipun model regresi linier
sederhana memberikan gambaran awal tentang hubungan antara variabel-variabel tersebut,
penelitian lebih lanjut dengan menggunakan pendekatan yang lebih kompleks dan
inklusif mungkin diperlukan untuk memahami secara menyeluruh faktor-faktor yang
memengaruhi intensitas emisi CO2.
KESIMPULAN
Penelitian ini bertujuan untuk menganalisis
pengaruh Foreign Direct Invesment, Jumlah konsumsi energi Listrik, Total populasi
penduduk, dan Gross Domestic Product terhadap Tingkat intensitas Emisi
CO2 atau karbondioksida dari tahun 1994 sampai 2019 di Indonesia.
Variabel independen dalam penelitian ini yaitu Foreign Direct Invesment,
Jumlah konsumsi energi Listrik, Total populasi penduduk, dan Gross Domestic
Product dan variable dependennya yaitu Emisi CO2 atau Emisi
karbondioksida. Model Estimasi Penelitian ini menggunakan Ordinary Least Square (OLS)
regresi model linier. Hasilnya menunjukkan dua varibel independen yang
berpengaruh secara signifikan terhadap intensitas Emisi CO2 atau
Emisi karbondioksida dari tahun 1994 sampai 2019 di Indonesia. Yaitu, jumlah
konsumsi energi Listrik berpengaruh dan signifikan terhadap intensitas
karbondioksida kemudian total populasi penduduk berpengaruh dan signifikan
terhadap intensitas karbondioksida, sedangkan dua variabel independen lainnya
yaitu Foreign Direct Invesment dan Gross Domestic Product tidak
menunjukkan pengaruh yang signifikan terhadap intensitas Emisi CO2
atau Emisi karbondioksida sehingga dari hasil penelitian tersebut dapat menjadi
acuan dalam melakukan Pembangunan guna mencapai Sustainable Development
Goals (SDGs) di Indonesia.
DFTARPUSTAKA
Abimanyu, Haznan, &
Hendrana, Sunit. (2014). Konversi biomassa untuk energi alternatif di
Indonesia: tinjauan sumber daya, teknologi, manajemen, dan kebijakan. LIPI
Press.
Afriyanti, Yulia, Sasana, Hadi, &
Jalunggono, Gentur. (2020). Analisis faktor-faktor yang mempengaruhi konsumsi
energi terbarukan di Indonesia. Dinamic, 2(3), 865–884.
Budiman, Ihsan, & Setiawan, Reza.
(2021). Simulasi Cfd Analisa Penambahan Temperatur Pada Pembakaran Oxy-Fuel
Boiler Dengan Bahan Bakar Gas Alam. Infomatek: Jurnal Informatika, Manajemen
Dan Teknologi, 23(1), 21–26.
Budiman, Ihsan, Setiawan, Reza, &
Fauji, Najmudin. (2021). Analisis komputasi perbandingan temperatur pembakaran
boiler menggunakan udara pembakaran konvensional dan pembakaran oxy-fuel. Jurnal
Teknik Mesin Indonesia, 16(1), 30–34.
Daniswara, Khrisna. (2023). Analisis
Hubungan Dinamis Antara Populasi, Emisi Karbon, Konsumsi Listrik, Dan
Pertumbuhan Ekonomi Di Asean 6. Universitas Jambi.
Dilasari, Aranta Prista, Ani, Heti
Nur, & Rizka, Rahma Jariatul Hajah. (2023). Analisis Best Practice
Kebijakan Carbon Tax Dalam Mengatasi Eksternalitas Negatif Emisi Karbon Di
Indonesia. Owner: Riset Dan Jurnal Akuntansi, 7(1), 184–194.
EBTKE, Ditjen. (2020). Buku Rencana
Strategis (Renstra) Direktorat Jenderal Energi Baru Terbarukan dan Konservasi
Energi (Ditjen EBTKE) Kementerian Energi dan Sumber Daya Mineral ahun
2020-2024. Jakarta: Direktorat Jenderal Energi Baru, Terbarukan Dan
Konservasi Energi.
Gobel, Indra Wirana Jaya, Tondobala,
Linda, & Sela, Rieneke L. E. (2019). Sebaran Spasial Emisi Gas Karbon
Dioksida (CO2) pada Kawasan Permukiman di Kecamatan Singkil Kota Manado. Spasial,
6(3), 628–636.
Hidayat, Fian, Winardi, Bambang,
& Nugroho, Agung. (2019). Analisis Ekonomi Perencanaan Pembangkit Listrik
Tenaga Surya (Plts) Di Departemen Teknik Elektro Universitas Diponegoro. Transient,
7(4), 875.
Hutomo, Baskara Adiena, &
Susetyo, Cahyono. (2020). Pola Spasial Produksi dan Serapan Emisi CO2 Primer
pada Sektor Perumahan di Kecamatan Sukomanunggal. Jurnal Teknik ITS, 8(2),
C108–C115.
Monantun, Syufrijal Readysal. (2014).
Jaringan Distribusi Tenaga Listrik. Jakarta: Kementrian pendidikan dasar
menengah dan kebudayaan republik indonesia.
Mone, Daniel M. V, & Utami, Efri
Diah. (2021). Determinan Kelaparan di Indonesia Tahun 2015-2019. Seminar
Nasional Official Statistics, 2021(1), 547–556.
Novalia, Theresa. (2019). Neraca
Lahan Indonesia. Seminar Nasional Official Statistics, 2019(1),
245–254.
Prasetyo, Dwi Prasetyo Dwi, Lamada,
Ibrahim Lamada Ibrahim, & Adzillah, Wilma Nurrul Adzillah Wilma Nurrul.
(2021). Implementasi Monitoring Kualitas Udara menggunakan Sensor MQ-7 dan
MQ-131 berbasis Internet Of Things. Electrician: Jurnal Rekayasa Dan
Teknologi Elektro, 15(3), 239–245.
RIDA, FAJRIANI. (2023). Pengaruh
Gdp, Foreign Direct Investment Dan Pertumbuhan Industri Terhadap Tingkat Emisi
Karbon Dioksida (Studi Kasus: Negara-Negara Asean).
Rizqi, Aniisa, Palupi, Hanif,
Novantia, Novantia, Wicaksono, Bayu Rhamadani, & Indrasari, R. R. Nila.
(2022). Forecasting Produksi Kayu Bulat di Indonesia. Seminar Nasional
Official Statistics, 2022(1), 285–292.
Saleha, Arti, Abrianto, Heri, &
Nasution, Mulia. (2021). Pengaruh Ekspor, Nilai Tukar, Foreign Direct
Investment Dan Utang Luar Negeri Terhadap Cadangan Devisa Indonesia Tahun
2014-2019. Account: Jurnal Akuntansi, Keuangan Dan Perbankan, 8(1).
Sulasminingsih, Sri, Juwariyah,
Tatik, Siahaan, Yehuda, Putri, Bunga Hardiyana, & Putra, Noval Aulia.
(2024). Penerapan Tema SDGs Kehidupan Sehat dan Sejahtera untuk Menangani
Polusi Udara di Jakarta. IKRA-ITH Teknologi Jurnal Sains Dan Teknologi, 8(1),
18–26.
Syafaati, Salma Nuradzkia, &
Mangkoedihardjo, Sarwoko. (2021). Evaluasi dan Perencanaan Ruang Terbuka Hijau
Berbasis Serapan Emisi Karbon Dioksida (CO2) di Zona Barat Kota Surabaya. Jurnal
Teknik ITS, 9(2), F222–F229.
Wati, I. K. A. Murnia. (2017). Analisis
Faktor-Faktor Yang Mempengaruhi Investasi Asing Langsung Di Negara Emerging
Markets Kawasan Eropa Tahun 2010-2015. Universitas Negeri Jakarta.
Yordani, Muhammad Fatih, &
Sudaryanto, Aris. (2021). Pengujian Sistem Monitoring Listrik Berbasis NodeMCU
Menggunakan Blackbox Testing. Informatics, Electrical and Electronics
Engineering (Infotron), 1(2), 50–55.