Working Paper | Carbon Pricing Indonesia: Regulatory Architecture vs Market Effectiveness

Working Paper Interaktif • Carbon Pricing Indonesia • 2026

Regulasi Lengkap, Pasar Belum Sepenuhnya Dalam

Carbon Pricing Indonesia: Menilai Gap antara Regulatory Architecture dan Market Effectiveness. Working paper ini membangun kerangka penelitian skala project untuk membaca paradoks Indonesia: fondasi kebijakan karbon semakin lengkap, tetapi efektivitas pasar karbon masih perlu diuji melalui likuiditas, partisipasi, integritas, penggunaan unit karbon, dan daya dorong fiskal-pembiayaan hijau.

Tesis utama: regulatory architecture adalah prasyarat, bukan bukti akhir keberhasilan. Pasar karbon yang efektif menuntut transaksi yang berkelanjutan, sinyal harga yang kredibel, integritas MRV, proyek yang beragam, dan keterhubungan dengan pembiayaan hijau.

World Bank 2026: > US$107 miliar Perpres 110/2025 POJK 14/2023 IDXCarbon ML: KNN • SVM • RF • AdaBoost • Gradient Boost

Abstract

Regulasi karbon Indonesia berkembang cepat, tetapi pasar karbon perlu diuji lebih ketat

World Bank dalam State and Trends of Carbon Pricing 2026 melaporkan bahwa pendapatan carbon pricing global telah meningkat hampir tiga kali lipat dalam satu dekade, dari di bawah US$30 miliar pada 2016 menjadi lebih dari US$107 miliar pada 2025. Dalam konteks Indonesia, arsitektur kebijakan juga berkembang: UU HPP meletakkan dasar pajak karbon, POJK 14/2023 mengatur perdagangan karbon melalui bursa, Permen ESDM 16/2022 membuka penyelenggaraan NEK subsektor pembangkit listrik, Perpres 110/2025 memperbarui kerangka Nilai Ekonomi Karbon, dan perdagangan karbon internasional mulai dibuka pada 20 Januari 2025.

Namun, pertanyaan strategisnya bukan lagi apakah Indonesia sudah memiliki regulasi, melainkan apakah regulasi itu sudah terkonversi menjadi pasar karbon yang efektif. Working paper ini mengusulkan desain penelitian berbasis Market Effectiveness Index (MEI), Regulatory Architecture Index (RAI), dan Regulatory–Market Gap Index (RMGI). Untuk memprediksi fase efektivitas pasar, penelitian dirancang membandingkan lima pendekatan machine learning: KNN, SVM, Random Forest, AdaBoost, dan Gradient Boosting.

Kontribusi: paper ini tidak jatuh pada narasi dikotomis “pasar karbon Indonesia sukses” atau “pasar karbon Indonesia gagal”. Ia membangun pembacaan yang lebih presisi: Indonesia berhasil membangun arsitektur, tetapi efektivitas pasar harus diukur, bukan diasumsikan.

1. Introduction

Dari harga karbon global menuju ujian implementasi Indonesia

Carbon pricing semakin bergerak dari kebijakan lingkungan menuju instrumen pembangunan. Ketika pendapatan carbon pricing global telah menembus lebih dari US$107 miliar pada 2025, isu ini tidak lagi semata-mata tentang penurunan emisi, tetapi juga tentang kapasitas negara memobilisasi penerimaan, mendisiplinkan sinyal harga, mendorong inovasi rendah karbon, dan membiayai transisi yang adil.

Indonesia bukan negara yang tertinggal dari sisi perumusan kebijakan. Dalam beberapa tahun terakhir, pemerintah membangun fondasi yang relatif lengkap: pajak karbon melalui UU HPP, perdagangan karbon di sektor pembangkit listrik, Bursa Karbon Indonesia, integrasi dengan pengawasan OJK, pembukaan akses perdagangan internasional, dan pembaruan pengaturan NEK melalui Perpres 110/2025. Pada level kelembagaan, ini menunjukkan bahwa Indonesia telah memasuki fase institutional build-up.

Namun, arsitektur kebijakan tidak otomatis menyelesaikan persoalan efektivitas pasar. Pasar yang efektif harus memperlihatkan transaksi yang konsisten, volume yang bertumbuh, proyek yang terdiversifikasi, partisipasi pelaku yang bermakna, pengajuan retirement yang sehat, dan tata kelola yang mencegah fraud, misstatement, maupun greenwashing. Di sinilah gap penelitian berada: bagaimana mengukur jarak antara kemajuan regulasi dan kematangan pasar karbon Indonesia?

Masalah 1

Regulasi dianggap sama dengan keberhasilan pasar

Padahal aturan menciptakan fondasi, bukan otomatis likuiditas dan integritas pasar.

Masalah 2

Transaksi rendah sering dibaca sebagai kegagalan total

Padahal pasar baru sering membutuhkan fase pembentukan supply, trust, MRV, dan demand.

Masalah 3

Debat publik belum memisahkan quantity dan quality

Volume transaksi penting, tetapi retirement, diversifikasi proyek, dan kredibilitas data sama pentingnya.

Framing working paper:
“Regulatory architecture is necessary; market effectiveness must still be demonstrated.”

2. Tujuan & Hipotesis

Tujuan riset: mengukur gap, bukan sekadar menyusun daftar regulasi

Tujuan Utama

Menilai apakah Indonesia, meskipun telah memiliki kerangka regulasi carbon pricing yang semakin lengkap, masih menghadapi kesenjangan antara regulatory architecture dan market effectiveness.

Pertanyaan Riset

Apakah peningkatan jumlah aturan, peluncuran bursa karbon, dan pembukaan transaksi internasional telah diikuti oleh peningkatan efektivitas pasar yang sepadan?

Hipotesis Penelitian

Regulatory architecture berkembang lebih cepat daripada market effectiveness

RAI meningkat signifikan setelah 2021–2025, tetapi MEI tidak selalu meningkat dalam kecepatan yang sama.

Partisipasi pengguna tidak otomatis meningkatkan kedalaman pasar

Kenaikan jumlah pengguna jasa dapat terjadi bersamaan dengan pertumbuhan volume transaksi yang relatif lambat.

Integritas pasar menjadi penentu efektivitas, bukan sekadar volume

Retirement ratio, diversifikasi proyek, dan tata kelola greenwashing memengaruhi kualitas pasar karbon.

Model ensemble berpotensi lebih baik untuk klasifikasi fase efektivitas pasar

Karena hubungan kebijakan–pasar bersifat nonlinear dan threshold-based, Random Forest atau Gradient Boosting diperkirakan relevan untuk diuji bersama KNN, SVM, dan AdaBoost.

3. Counter Narrative

Mengakomodasi kontra-narasi: tidak simplistis, tidak defensif

Paper ini secara eksplisit mengakomodasi counter narrative agar pembacaan terhadap pasar karbon Indonesia tidak jatuh pada dua ekstrem: “Indonesia sudah selesai karena regulasinya lengkap” atau “Indonesia gagal karena transaksi belum besar”.

Narasi yang perlu dikoreksi #1

“Regulasinya sudah lengkap, berarti pasar karbon sudah efektif.”

Keliru. Regulasi menciptakan permission structure, sementara efektivitas pasar ditentukan oleh likuiditas, kualitas proyek, mekanisme MRV, kepastian registry, demand yang stabil, dan kredibilitas klaim emisi.

Narasi yang perlu dikoreksi #2

“Kalau transaksinya belum meledak, berarti bursa karbon gagal.”

Terlalu cepat. Pasar karbon awal membutuhkan pembentukan ekosistem. OJK menunjukkan peningkatan pengguna jasa, retirement yang besar, serta penguatan akses internasional. Yang perlu diuji adalah apakah momentum itu berlanjut menjadi pasar yang dalam.

Narasi yang perlu dikoreksi #3

“Yang penting transaksi tinggi.”

Tidak cukup. Transaksi tanpa integritas hanya memindahkan label hijau. OJK menggarisbawahi risiko fraud, misstatement, dan greenwashing; karena itu indikator efektivitas harus memasukkan kualitas, bukan volume saja.

Narasi yang perlu dikoreksi #4

“Carbon pricing Indonesia pasti tertinggal dari dunia.”

Tidak sepenuhnya. Indonesia telah membangun payung regulasi yang penting. Gap-nya bukan nihil kebijakan, melainkan konversi kebijakan menjadi pasar yang efektif, kredibel, dan produktif.

Posisi analitis paper: Indonesia tidak dibaca sebagai “tanpa kemajuan”, tetapi juga tidak dibebaskan dari evaluasi. Kemajuan regulasi harus diapresiasi; efektivitas pasar tetap harus diukur dengan data.

4. Data & Variabel

Rancangan dataset: dari timeline regulasi ke efektivitas pasar

Unit analisis utama disarankan berbentuk bulanan sejak peluncuran Bursa Karbon Indonesia, kemudian diperkaya dengan seri regulasi, indikator harga, komposisi proyek, dan benchmark global. Jika jumlah observasi bulanan masih terbatas, dataset dapat diperluas secara kuartalan atau menjadi panel-jurisdiction benchmark untuk tahap lanjutan.

Blok Data	Variabel Utama	Frekuensi	Sumber	Fungsi Analitis
Regulatory Architecture	UU HPP, Permen ESDM 16/2022, POJK 14/2023, launch IDXCarbon, internasionalisasi Januari 2025, Perpres 110/2025	Event/dummy	JDIH, OJK, BPK, ESDM	Membangun RAI dan event study
Market Activity	Volume transaksi, nilai transaksi, frekuensi, pengguna jasa, proyek terdaftar	Bulanan	IDXCarbon, OJK	Membangun MEI dan depth proxy
Market Quality	Retirement, retirement ratio, diversifikasi proyek, kategori unit karbon	Bulanan/periodik	IDXCarbon, OJK	Menghindari bias “volume-only”
Price Signal	Harga unit karbon IDTBS/IDTBS-RE, benchmark harga karbon global	Periodik	OJK, World Bank	Diagnostik gap sinyal harga
Fiscal-Revenue Context	Tarif pajak karbon, penerimaan potensial, eligible emissions, recycling scenario	Skenario/tahunan	Kemenkeu, UU HPP	Simulasi penerimaan dan transisi fiskal hijau

87kebijakan carbon pricing global pada 2026

≈29%emisi global tercakup direct carbon pricing

113pengguna jasa Bursa Karbon Indonesia per 14 Juli 2025

980.475tCO₂e retirement diajukan per 14 Juli 2025

5. Metode & Modeling Lengkap

Modeling komparatif untuk mengukur regulatory architecture–market effectiveness gap

Working paper ini memakai pendekatan supervised machine learning komparatif yang mengadaptasi kerangka pembandingan KNN, SVM, AdaBoost, Gradient Boosting, dan Random Forest dari studi perbandingan metode machine learning yang Bapak berikan. Struktur dasarnya dipertahankan: feature engineering, tuning hyperparameter, pembandingan performa, confusion matrix, precision, recall, dan pemilihan model terbaik. Namun, karena objek kajian di sini adalah pasar karbon Indonesia yang bergerak secara runtut waktu, desain validasi dimodifikasi menjadi rolling-origin validation agar tidak terjadi look-ahead bias.

Unit analisis: bulan, $t=1,\ldots,T$ Target: rezim pasar karbon periode $t+1$ Tugas model: klasifikasi 3 rezim Validasi: expanding-window time series CV

5.1. Arsitektur umum model

Pertanyaan inti yang dimodelkan adalah: apakah pasar karbon Indonesia bergerak dari fase regulasi kuat tetapi pasar tipis menuju fase pasar yang lebih efektif? Secara formal, model memprediksi rezim efektivitas pasar karbon pada periode berikutnya:

$$\widehat{Y}_{t+1}=f\left(X_t;\theta\right), \qquad X_t = \{RAI_t,MEI_t,RMGI_t,\Delta V_t,\Delta U_t,RR_t,PS_t,\text{PolicyShock}_t,\ldots\}$$

$Y_{t+1}$ adalah kelas rezim pasar karbon, $X_t$ adalah vektor fitur periode $t$, dan $\theta$ adalah parameter atau struktur model yang dipelajari.

5.2. Struktur data, transformasi, dan pencegahan kebocoran informasi

Kelompok fitur	Variabel mentah	Transformasi model	Makna analitis
Regulasi	UU HPP, Permen ESDM 16/2022, POJK 14/2023, IDXCarbon launch, perdagangan internasional 2025, Perpres 110/2025	Dummy kumulatif dan bobot kebijakan	Mengukur kedalaman arsitektur kelembagaan
Likuiditas transaksi	Volume transaksi, nilai transaksi, frekuensi transaksi	$\log(1+x)$, pertumbuhan bulanan, normalisasi	Apakah pasar hidup secara aktual?
Partisipasi	Jumlah pengguna jasa, jumlah proyek/unit terdaftar	Growth rate dan indeks diversifikasi	Apakah pasar meluas ke lebih banyak pelaku?
Utilisasi	Retired carbon units, listed units, traded units	Retirement ratio, utilization ratio	Apakah unit karbon digunakan, bukan sekadar dipajang?
Sinyal harga	Harga rata-rata per tCO₂e, benchmark internasional, Net Effective Carbon Rate	Price index, relative gap, standardized score	Apakah sinyal harga memberi insentif dekarbonisasi?

Transformasi skala untuk transaksi

$$V_t^{*}=\log(1+Volume_t), \qquad A_t^{*}=\log(1+Value_t)$$

Transformasi log menahan dominasi bulan dengan transaksi ekstrem.

Pertumbuhan bulanan

$$g(X_t)=\frac{X_t-X_{t-1}}{X_{t-1}+\varepsilon}\times 100$$

$\varepsilon$ dipakai agar tidak bermasalah ketika nilai periode sebelumnya nol.

Min–max normalization

$$N(X_t)=100\times\frac{X_t-\min(X)}{\max(X)-\min(X)+\varepsilon}$$

Semua subindikator dibawa ke skala 0–100 agar dapat digabungkan menjadi indeks.

Prinsip anti-leakage. Fitur yang dipakai untuk memprediksi $Y_{t+1}$ hanya boleh berasal dari informasi yang tersedia pada periode $t$ atau sebelumnya. Karena itu, model utama memakai $X_t$ untuk memprediksi kelas pasar karbon bulan berikutnya, bukan memakai informasi masa depan.

5.3. Regulatory Architecture Index (RAI)

RAI mengukur seberapa lengkap landasan kebijakan. Setiap kebijakan $k$ diberi indikator kumulatif $P_{k,t}\in\{0,1\}$ yang bernilai 1 sejak kebijakan berlaku. Bobot $\omega_k$ mencerminkan relevansi kebijakan terhadap kapasitas pasar karbon.

$$RAI_t = 100\times\frac{\sum_{k=1}^{K}\omega_k P_{k,t}}{\sum_{k=1}^{K}\omega_k}$$

Contoh kebijakan: dasar pajak karbon, ETS sektor listrik, regulasi Bursa Karbon, akses perdagangan internasional, dan pembaruan tata kelola NEK nasional.

Alternatif: indeks regulasi dengan depresiasi efektivitas

Untuk menguji apakah kebijakan lama tetap relevan bila implementasinya lemah, working paper menyediakan spesifikasi alternatif:

$$RAI_t^{adj}=100\times\frac{\sum_{k=1}^{K}\omega_k P_{k,t}\delta_k^{(t-t_k)}}{\sum_{k=1}^{K}\omega_k}, \qquad 0<\delta_k\le 1$$

Jika $\delta_k=1$, kebijakan mempertahankan nilai penuh. Jika $\delta_k<1$, kontribusi kebijakan akan menurun bila tidak diikuti perkembangan pelaksanaan.

5.4. Market Effectiveness Index (MEI)

MEI tidak disusun hanya dari volume transaksi. Untuk menangkap tesis utama penelitian, MEI dibangun sebagai indeks gabungan dari market depth, liquidity, participation, utilization, dan price signal.

1. Market Depth Score

$$D_t=0.50\,N\!\left(\log(1+Volume_t)\right)+0.50\,N\!\left(\log(1+Value_t)\right)$$

2. Liquidity Score

$$L_t=0.60\,N(Frequency_t)+0.40\,N\!\left(\frac{Volume_t}{TradingDays_t+\varepsilon}\right)$$

3. Participation Score

$$P_t=0.60\,N(Users_t)+0.40\,N(Projects_t)$$

4. Utilization Score

$$RR_t=\frac{Retired_t}{Traded_t+\varepsilon}\times100, \qquad U_t=N(RR_t)$$

5. Price Signal Score

$$PS_t=100\times\left[1-\frac{|Price_t-Price_t^{bench}|}{Price_t^{bench}+\varepsilon}\right]_+$$

$[x]_+=\max(x,0)$. Skor tinggi berarti harga domestik lebih dekat ke benchmark analitis yang dipilih.

$$MEI_t=\lambda_1D_t+\lambda_2L_t+\lambda_3P_t+\lambda_4U_t+\lambda_5PS_t, \qquad \sum_{j=1}^{5}\lambda_j=1$$

Bobot $\lambda_j$ dapat dibuat sama rata, berdasarkan expert judgement, atau diuji secara robust melalui PCA / entropy weighting.

5.5. Regulatory–Market Gap Index (RMGI) dan dua ukuran gap

Gap absolut

$$RMGI_t=RAI_t-MEI_t$$

Positif tinggi = regulasi melaju lebih cepat daripada pasar.

Gap relatif

$$RMGI_t^{rel}=100\times\frac{RAI_t-MEI_t}{RAI_t+\varepsilon}$$

Memudahkan pembacaan jika skala RAI berubah dari waktu ke waktu.

5.6. Rekayasa label: klasifikasi tiga rezim pasar

Untuk menghindari pembacaan biner yang terlalu kasar, model utama memakai tiga kelas rezim: high-gap regime, transition regime, dan effective regime.

$$Y_t= \begin{cases} 0, & RMGI_t\ge \gamma_H \text{ dan } MEI_t<\tau_L \\ 1, & \gamma_L < RMGI_t < \gamma_H \text{ atau } \tau_L\le MEI_t<\tau_H \\ 2, & RMGI_t\le \gamma_L \text{ dan } MEI_t\ge \tau_H \end{cases}$$

Kelas	Nama rezim	Interpretasi	Implikasi kebijakan
$Y=0$	High-Gap	Regulasi sudah berkembang, tetapi pasar tipis atau belum efektif.	Perkuat demand, proyek berkualitas, transparansi harga, dan MRV.
$Y=1$	Transition	Pasar mulai bergerak, tetapi kedalaman dan penggunaan unit belum stabil.	Perlu perluasan sektor, intermediasi pembiayaan, dan kualitas registry.
$Y=2$	Effective	Regulasi dan efektivitas pasar bergerak lebih seimbang.	Fokus pada integritas, interoperabilitas, dan fiscalization.

5.7. Matriks fitur prediktif

Model inti dibuat untuk memprediksi $Y_{t+1}$ memakai fitur periode $t$. Bentuk ringkasnya:

$$X_t=[RAI_t,MEI_t,RMGI_t,g(Volume_t),g(Value_t),g(Users_t),RR_t,PS_t,Projects_t,D_{Intl,t},D_{Perpres,t},NetECR_t]$$

Dalam implementasi penuh, fitur dapat dilengkapi dengan lag satu hingga tiga bulan, misalnya $RMGI_{t-1}$, $MEI_{t-1}$, dan $RR_{t-1}$ untuk menangkap persistensi pasar.

5.8. Protokol train–validation–test berbasis waktu

$$\mathcal{T}_1=[1,\ldots,t_0],\; \mathcal{V}_1=[t_0+1,\ldots,t_1],\qquad \mathcal{T}_2=[1,\ldots,t_1],\; \mathcal{V}_2=[t_1+1,\ldots,t_2]$$

Prosedur ini diperluas secara bertahap sampai seluruh horizon validasi selesai. Skor final dihitung sebagai rata-rata antarfold:

$$\overline{Score}(m)=\frac{1}{K}\sum_{k=1}^{K}Score\left(m;\mathcal{V}_k\right)$$

Prinsip ini mempertahankan urutan waktu dan lebih tepat daripada random split murni untuk data pasar karbon.

5.9. Formulasi lima algoritme pembanding

K-Nearest Neighbor (KNN)

$$d_1(x,z)=\sum_{j=1}^{p}|x_j-z_j|, \qquad d_2(x,z)=\sqrt{\sum_{j=1}^{p}(x_j-z_j)^2}$$ $$\widehat{Y}(x)=\operatorname{mode}\left\{Y_{(1)},\ldots,Y_{(k)}\right\}$$

Dipakai sebagai baseline kedekatan profil bulan-ke-bulan. Sangat sensitif terhadap skala fitur.

Support Vector Machine (SVM)

$$\min_{w,b,\xi}\;\frac{1}{2}\lVert w\rVert^2+C\sum_{i=1}^{n}\xi_i$$ $$y_i(w^\top\phi(x_i)+b)\ge 1-\xi_i,\qquad \xi_i\ge 0$$ $$K_{RBF}(x_i,x_j)=\exp(-\gamma\lVert x_i-x_j\rVert^2)$$

Menguji apakah gap vs efektivitas dipisahkan oleh batas keputusan yang tegas.

Random Forest

$$Gini(S)=1-\sum_{c=1}^{C}p_c^2$$ $$\Delta Gini=Gini(S)-\sum_{r\in\{L,R\}}\frac{|S_r|}{|S|}Gini(S_r)$$ $$\widehat{Y}(x)=\operatorname{mode}\{T_b(x)\}_{b=1}^{B}$$

Menangkap interaksi nonlinear antara regulasi, kedalaman transaksi, dan pemakaian unit karbon.

AdaBoost – SAMME multiclass

$$\varepsilon_m=\sum_{i=1}^{n}w_i^{(m)}I(y_i\ne h_m(x_i))$$ $$\alpha_m=\ln\left(\frac{1-\varepsilon_m}{\varepsilon_m}\right)+\ln(C-1)$$ $$w_i^{(m+1)}\propto w_i^{(m)}\exp\left(\alpha_m I(y_i\ne h_m(x_i))\right)$$

Memberi perhatian lebih besar pada periode yang sulit diklasifikasi.

Gradient Boosting

$$F_0(x)=\arg\min_{\gamma}\sum_{i=1}^{n}L(y_i,\gamma)$$ $$r_{im}=-\left[\frac{\partial L(y_i,F(x_i))}{\partial F(x_i)}\right]_{F=F_{m-1}}$$ $$F_m(x)=F_{m-1}(x)+\nu\gamma_m h_m(x)$$

Baik untuk mendeteksi ambang kebijakan dan koreksi residual secara bertahap.

5.10. Hyperparameter tuning dan pencarian konfigurasi optimal

Setiap model diestimasi melalui pencarian hyperparameter pada ruang parameter $\Theta_m$. Konfigurasi terbaik dipilih dari skor validasi rata-rata:

$$\theta_m^{*}=\arg\max_{\theta\in\Theta_m}\frac{1}{K}\sum_{k=1}^{K}MacroF1_{k}(m,\theta)$$

Model	Ruang tuning utama	Alasan
KNN	$k\in\{3,5,7,9\}$; metric = Manhattan/Euclidean; weights = uniform/distance	Menguji sensitivitas kedekatan lokal.
SVM	$C\in\{0.1,1,10\}$; kernel = linear/RBF; $\gamma$ = scale/auto	Menguji margin dan nonlinieritas.
Random Forest	n_estimators = 200–1000; max_depth; max_features; class_weight	Mengendalikan kompleksitas dan ketidakseimbangan kelas.
AdaBoost	n_estimators; learning_rate; kedalaman base learner	Menguji boosting atas kasus sulit.
Gradient Boosting	n_estimators; learning_rate; max_depth; subsample	Menguji trade-off fleksibilitas dan overfitting.

5.11. Metrik evaluasi model

Metrik dasar

$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$ $$Precision=\frac{TP}{TP+FP},\qquad Recall=\frac{TP}{TP+FN}$$ $$F1=2\cdot\frac{Precision\times Recall}{Precision+Recall}$$

Balanced accuracy untuk kelas tidak seimbang

$$BalancedAccuracy=\frac{1}{C}\sum_{c=1}^{C}Recall_c$$

Macro-F1 sebagai skor utama

$$MacroF1=\frac{1}{C}\sum_{c=1}^{C}F1_c$$

Dipakai agar kelas high-gap, transition, dan effective memperoleh perhatian seimbang.

Matthews Correlation Coefficient – biner / one-vs-rest

$$MCC=\frac{TP\cdot TN-FP\cdot FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$$

5.12. Interpretasi model dan policy explainability

Setelah model terbaik dipilih, pembacaan kebijakan tidak berhenti pada skor akurasi. Working paper ini mengusulkan tiga keluaran interpretatif:

Permutation importance

$$PI_j=Score(X)-Score(X^{\pi(j)})$$

Mengukur seberapa besar skor model turun saat satu fitur diacak.

Partial dependence

$$PD_j(z)=\frac{1}{n}\sum_{i=1}^{n}\hat f(z,x_{i,-j})$$

Menunjukkan pola respon model saat satu indikator dinaikkan.

Scenario attribution

$$\Delta p=p(Y=2|X^{shock})-p(Y=2|X^{base})$$

Mengukur dampak simulatif kebijakan atau peningkatan efektivitas pasar.

5.13. Tahapan penelitian operasional

Bangun panel bulanan IDXCarbon, OJK, kebijakan, dan benchmark harga.

Lakukan cleaning, transformasi log, growth rate, dan normalisasi 0–100.

Estimasi RAI, MEI, RMGI absolut, dan RMGI relatif.

Bentuk label high-gap, transition, effective secara transparan.

Latih lima model, tuning hyperparameter, dan rolling-origin validation.

Bandingkan Macro-F1, balanced accuracy, confusion matrix, dan model explainability.

Posisi metodologis working paper: bagian ini menyusun research-grade modeling protocol. Hasil final machine learning memerlukan dataset bulanan lengkap yang dikompilasi dari sumber resmi. Sampai tahap itu, analisis pada Bagian 6 ditempatkan sebagai preliminary empirical diagnostics, bukan klaim estimasi final.

6. Result & Discussion

Diagnosis awal: regulasi sudah naik, efektivitas pasar harus dibuktikan lewat model

Status temuan. Bagian ini menyajikan pembacaan awal yang bersumber dari data publik resmi: World Bank, regulasi Indonesia, OJK, dan IDXCarbon. Dalam desain penelitian penuh, seluruh diagnosis ini akan diuji melalui model komparatif pada Bagian 5.

6.1. Temuan awal A — Regulatory Architecture Index cenderung melonjak bertahap

Secara institusional, Indonesia sudah keluar dari fase regulatory vacuum. Dasar fiskal, kerangka perdagangan, penyelenggaraan bursa, perdagangan karbon luar negeri, serta penyempurnaan tata kelola NEK telah tersedia. Dalam bahasa modeling, kondisi ini akan menaikkan $RAI_t$ secara bertahap.

$$RAI_{2021}

Hipotesis model: kenaikan $RAI_t$ belum otomatis menaikkan $MEI_t$ dalam besaran yang sama.

6.2. Temuan awal B — Pertumbuhan partisipasi lebih cepat daripada kedalaman transaksi

OJK dan BEI menunjukkan bahwa jumlah pengguna jasa Bursa Karbon meningkat cukup tajam sejak peluncuran. Namun, snapshot Juli–Oktober 2025 mengindikasikan bahwa kenaikan jumlah pengguna tidak diikuti akselerasi volume transaksi yang setara. Dalam model, gejala ini tercermin sebagai kondisi ketika $P_t$ meningkat tetapi $D_t$ dan $L_t$ bergerak lebih lambat.

$$g(Users_t)\gg g(Volume_t) \quad \Rightarrow \quad P_t\uparrow \; \text{lebih cepat daripada} \; D_t,L_t$$

Grafik 1. Pertumbuhan pengguna jasa vs volume dan nilai transaksi

Indeks Juli 2025 = 100; pembacaan ini dipakai sebagai diagnostic signal, bukan estimasi kausal.

6.3. Temuan awal C — Retirement ratio penting untuk membedakan pasar aktif dan pasar berguna

Volume transaksi tidak cukup untuk menyatakan pasar efektif. Unit yang diajukan untuk retirement memberi sinyal bahwa karbon dipakai untuk pemenuhan tujuan tertentu, bukan semata diperdagangkan. Karena itu, $RR_t$ diperlakukan sebagai fitur inti dalam model.

$$RR_t=\frac{Retired_t}{Traded_t+\varepsilon}\times100$$

Grafik 2. Retirement ratio sebagai indikator utilisasi

6.4. Temuan awal D — Harga karbon dan Net Effective Carbon Rate menegaskan perlunya pembacaan efektivitas yang lebih luas

World Bank melaporkan pendapatan carbon pricing global melampaui US$107 miliar pada 2025, sedangkan OECD menunjukkan bahwa sinyal harga karbon bersih Indonesia pada 2023 masih sangat lemah ketika pajak energi, carbon pricing, ETS, dan subsidi fosil dibaca bersama. Bagi model, hal ini berarti $PS_t$ tidak boleh hanya membaca harga transaksi domestik, tetapi juga relative price signal dan konteks kebijakan harga energi.

$$PS_t=f\left(Price_t,Price_t^{bench},NetECR_t\right)$$

Grafik 3. Diagnostic price comparison

Perbandingan ini bersifat analitis, bukan penyamaan satu-banding-satu antarjenis harga karbon.

6.5. Baseline ilustratif — Mengapa tesis “regulasi lengkap, pasar belum efektif” layak diuji

Dengan skenario awal ilustratif $RAI=82$ dan $MEI=48$, maka:

$$RMGI=82-48=34$$

Nilai tersebut masuk high-gap regime pada ambang ilustratif. Bukan berarti angka 82 dan 48 sudah menjadi hasil empiris final, melainkan menunjukkan bentuk pembacaan yang akan dilakukan setelah indeks dibangun dari data resmi bulanan.

6.6. Interpretasi hasil model yang mungkin muncul

Jika model terbaik adalah…	Makna empiris	Implikasi substantif
Random Forest / Gradient Boosting	Gap pasar ditentukan oleh interaksi nonlinear: regulasi, retirement, dan likuiditas tidak bekerja secara terpisah.	Kebijakan tidak cukup menambah aturan; perlu kombinasi demand, kualitas proyek, dan harga yang kredibel.
SVM	Ada batas pemisah yang cukup jelas antara fase gap dan fase transisi/efektif.	Threshold kebijakan dapat dirumuskan lebih tegas.
KNN	Bulan-bulan dengan profil pasar serupa cenderung berakhir pada rezim yang sama.	Pola pasar bersifat lokal dan bergantung pada episode tertentu.
AdaBoost	Periode yang sulit diklasifikasi sangat menentukan pembacaan pasar.	Perlu memeriksa episode kebijakan/market shock tertentu secara mendalam.

6.7. Counter narrative yang diakomodasi dalam model

Narasi yang terlalu lemah

“Transaksi belum besar, berarti Bursa Karbon gagal.”

Model menolak simplifikasi ini. $MEI_t$ memasukkan retirement, partisipasi, proyek, dan price signal, bukan volume transaksi semata.

Narasi yang lebih presisi

“Pasar belum dapat disebut gagal, tetapi efektivitasnya harus diuji secara multidimensi.”

Kinerja pasar harus dibuktikan dengan data, bukan hanya melalui keberadaan regulasi atau headline transaksi.

Narasi yang terlalu defensif

“Karena regulasi lengkap, berarti persoalan selesai.”

$RMGI_t$ justru dibuat untuk menguji kesenjangan antara kelengkapan regulasi dan konversinya menjadi pasar efektif.

Narasi yang lebih akademik

“Indonesia telah membangun fondasi; tantangan berikutnya adalah market effectiveness dan fiscalization.”

Regulasi dibaca sebagai prasyarat, bukan sebagai bukti final keberhasilan pasar.

6.8. Temuan yang ingin diuji secara final

Apakah peningkatan RAI benar-benar menurunkan RMGI?
Apakah retirement ratio lebih penting daripada jumlah pengguna jasa?
Apakah perdagangan karbon internasional menggeser probabilitas menuju transition/effective regime?
Apakah model ensemble lebih baik daripada KNN dan SVM dalam memetakan pasar karbon Indonesia?

7. Kalkulator & Simulator Model

Laboratorium interaktif untuk membaca indeks, klasifikasi, dan skenario kebijakan

Simulator berikut dirancang sebagai alat pemahaman modeling. Beberapa nilai default memakai angka ilustratif atau snapshot kebijakan; keluaran tidak boleh dibaca sebagai hasil estimasi final sebelum dataset lengkap diolah.

Lab 1 — Carbon Tax Revenue Simulator

Menghitung potensi penerimaan dari skema pajak karbon berbasis emisi kena pajak.

Emisi kena pajak (MtCO₂e)

Tarif (Rp/kg CO₂e)

Cakupan (%)

Nilai: 60%

Kepatuhan (%)

Nilai: 80%

Potensi penerimaan Rp1,44 triliun Rumus: emisi × tarif × cakupan × kepatuhan.

$$Revenue_T=\frac{E_{Mt}\times\tau_{Rp/kg}\times Coverage\times Compliance}{1000}$$

Lab 2 — Regulatory–Market Gap Simulator

Menghitung $RMGI=RAI-MEI$ dan mengklasifikasikan besaran gap.

Regulatory Architecture Index (RAI)

RAI: 82/100

Market Effectiveness Index (MEI)

MEI: 48/100

Regulatory–Market Gap Index 34 Gap cukup tinggi: arsitektur lebih cepat daripada efektivitas pasar.

Lab 3 — Participation vs Market Depth

Menguji divergensi pertumbuhan pengguna dibandingkan pertumbuhan volume.

Pertumbuhan pengguna (%)

Pertumbuhan volume (%)

Participation–Depth Divergence 20,78 poin persentase Indikasi bahwa adopsi kelembagaan bergerak lebih cepat daripada kedalaman transaksi.

Lab 4 — Retirement Ratio Calculator

Mengukur utilisasi unit karbon melalui rasio retirement terhadap volume transaksi.

Volume transaksi (tCO₂e)

Retirement diajukan (tCO₂e)

Retirement ratio 61,31% Semakin tinggi rasio, semakin kuat indikasi unit karbon digunakan secara substansial.

Lab 5 — Confusion Matrix Metric Calculator

Membaca performa model klasifikasi melalui accuracy, precision, recall, dan F1.

True Positive

False Positive

True Negative

False Negative

Accuracy 76,92% • F1 78,57% Precision 81,48% • Recall 75,86%

Lab 6 — ML Stage Classifier Prototype

Klasifikasi konseptual high-gap, transition, atau effective regime.

Pilih skenario

Klasifikasi konseptual Gap regime — perlu konversi aturan ke likuiditas dan integritas Prioritas: proyek berkualitas, demand, transparansi harga, dan MRV.

Lab 7 — Market Effectiveness Index Builder

Menyusun $MEI_t=\lambda_1D_t+\lambda_2L_t+\lambda_3P_t+\lambda_4U_t+\lambda_5PS_t$ dari lima skor subindeks.

Depth score

Nilai: 42

Liquidity score

Nilai: 36

Participation score

Nilai: 66

Utilization score

Nilai: 61

Price signal score

Nilai: 34

Market Effectiveness Index 47,80 Bobot sama rata: masing-masing 20%.

Lab 8 — Forward Regime Probability Prototype

Simulator heuristik untuk membaca bagaimana kombinasi RAI, MEI, retirement, dan price signal memengaruhi peluang menuju effective regime. Ini bukan hasil model final, tetapi ilustrasi struktur probabilitas.

RAI

Nilai: 82

MEI

Nilai: 48

Utilization / retirement

Nilai: 61

Price signal

Nilai: 34

Peluang heuristik menuju effective regime 33,61% MEI dan sinyal harga masih perlu naik agar probabilitas pasar efektif meningkat.

$$p_{eff}=\frac{1}{1+e^{-z}}, \qquad z=-3+0.018RAI+0.030MEI+0.020U+0.018PS$$

8. Implikasi Kebijakan

Dari “aturan tersedia” menuju “pasar bekerja”

1. Ukur efektivitas pasar secara berkala

OJK, KLH/BPLH, dan penyelenggara bursa dapat melaporkan dashboard yang lebih terstruktur: volume, nilai, retirement, jumlah proyek, sebaran sektor, pengguna aktif, dan kualitas unit.

2. Perluas supply, tetapi dengan integritas

Market depth tidak hanya membutuhkan banyak proyek, tetapi proyek yang kredibel, diverifikasi dengan MRV kuat, dan memiliki klaim pengurangan emisi yang dapat dipercaya.

3. Bangun demand domestik

Pembeli karbon perlu tumbuh dari kepatuhan, strategi dekarbonisasi korporasi, supply chain requirement, dan kemungkinan integrasi kebijakan fiskal.

4. Hubungkan carbon pricing dengan green finance

Unit karbon, transisi energi, green sukuk, sustainability-linked instruments, dan pembiayaan proyek rendah karbon perlu dibaca sebagai ekosistem, bukan kebijakan terpisah.

5. Gunakan ML sebagai sistem peringatan dini

Model dapat mengidentifikasi kondisi ketika pasar terlihat aktif secara regulasi tetapi belum efektif secara transaksi, integritas, atau penggunaan unit.

6. Jaga kontra-narasi tetap proporsional

Kritik terhadap pasar karbon harus berbasis indikator, bukan sentimen; dukungan terhadap pasar karbon juga harus berbasis bukti, bukan euforia regulasi.

9. Kesimpulan

Indonesia telah membangun arsitektur; pekerjaan berikutnya adalah membuktikan efektivitas

Working paper ini menegaskan bahwa Indonesia tidak berada dalam kekosongan kebijakan carbon pricing. Sebaliknya, Indonesia telah membangun kerangka kelembagaan yang semakin lengkap. Namun, bukti awal dari data OJK memperlihatkan bahwa peningkatan jumlah pengguna jasa belum selalu diikuti pertumbuhan volume transaksi yang sepadan. Pada saat yang sama, retirement ratio yang cukup besar menunjukkan bahwa pasar karbon tidak boleh dinilai semata-mata dari transaksi, melainkan dari kegunaan, integritas, dan kualitas klaim.

Karena itu, gap antara regulatory architecture dan market effectiveness merupakan isu riset yang kuat. Ia cukup tajam untuk menjawab debat publik, cukup terukur untuk diolah secara empiris, dan cukup relevan untuk menjadi dasar kebijakan karbon Indonesia pada fase berikutnya.

Kontribusi ilmiah utama: membangun Regulatory–Market Gap Index dan mengujinya melalui komparasi lima metode machine learning agar pembacaan terhadap pasar karbon Indonesia bergerak dari narasi menuju diagnosis berbasis data.

Referensi & Sumber Model

Sumber kebijakan, data, dan metodologi

Tombol berikut disiapkan sebagai pintu masuk ke laporan, regulasi, dan sumber metodologis utama.

Sumber kebijakan dan data carbon pricing

World Bank — State and Trends of Carbon Pricing 2026↗ World Bank — Press Release 19 May 2026↗ Perpres 110 Tahun 2025↗ POJK 14 Tahun 2023↗ Permen ESDM 16 Tahun 2022↗ UU 7 Tahun 2021 tentang HPP↗ OJK — Bursa Karbon per 14 Juli 2025↗ OJK — Perkembangan Bursa Karbon Oktober 2025↗ IDXCarbon — Data Bulanan↗ Kemenkeu — Pengaturan Pajak Karbon↗

Sumber metodologi machine learning

Breiman (2001) — Random Forests↗ Friedman (2001) — Gradient Boosting Machine↗ Freund & Schapire — AdaBoost↗ Cortes & Vapnik (1995) — Support Vector Networks↗ Cover & Hart (1967) — Nearest Neighbor Pattern Classification↗

Catatan penggunaan: Dokumen ini dirancang untuk dikembangkan menjadi working paper akademik, policy brief, artikel blog pembaca umum, atau dashboard HTML interaktif untuk laman institusi/pribadi.