ANALISIS PERMINTAAN UANG DAN DISINFLASI DI NEGARA ASEAN : ANALISIS DATA PANEL
MELIANA
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Permintaan Uang dan Disinflasi di Negara ASEAN : Analisis Data Panel adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Mei 2014 Meliana NIM H14100125
ABSTRAK MELIANA. Analisis Permintaan Uang dan Disinflasi di Negara ASEAN : Analisis Data Panel. Dibimbing oleh IMAN SUGEMA. Penelitian ini secara empiris meneliti mengenai kondisi inflasi dan faktorfaktor yang mempengaruhi permintaan uang jangka panjang di Negara ASEAN (Indonesia, Malaysia, Filipina, Singapura, dan Vietnam) selama Januari 2008 hingga Maret 2013. Penelitian ini dilakukan dengan menggunakan panel kointegrasi. Hasil penelitian menunjukkan bahwa terjadi penurunan tingkat inflasi (disinflasi) di negara tersebut sejak Januari 2009 hingga September 2009. Selain itu, hasil penelitian juga menunjukkan bahwa permintaan uang secara signifikan dipengaruhi oleh suku bunga domestik (diproksikan oleh deposit rate) dan output (diproksikan oleh manufacturing production index). Kata kunci: disinflasi, permintaan uang, panel kointegrasi, ASEAN
ABSTRACT MELIANA. Analysis of Money Demand and Disinflation in Selected ASEAN Countries : Panel Data Analysis. Supervised by IMAN SUGEMA. This study empirically examines the state of inflation and the factors that affect the long-term money demand in ASEAN countries (Indonesia, Malaysia, Philippines, Singapore, and Vietnam) during January 2008 to March 2013. This study was performed using a panel cointegration. The results showed that a decline in the rate of inflation (disinflation) in the country from January 2009 to September 2009. In addition, the results also indicate that the demand for money is significantly influenced by the domestic interest rate (proxied by the deposit rate) and output (proxied by manufacturing production index). Keywords : disinflation, money demand, panel cointegration, ASEAN
ANALISIS PERMINTAAN UANG DAN DISINFLASI DI NEGARA ASEAN : ANALISIS DATA PANEL
MELIANA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi
DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Analisis Permintaan Uang dan Disinflasi di Negara ASEAN : Analisis Data Panel Nama : Meliana NIM : H14100125
Disetujui oleh
Dr. Ir. Iman Sugema, M.Ec Pembimbing
Diketahui oleh
Dr Ir Dedi Budiman Hakim, M.Ec Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2013 ini adalah Analisis Permintaan Uang dan Disinflasi di Negara ASEAN : Analisis Data Panel. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada ayahanda Amiludin Sirait, ibunda Siti Hajar Hutagaol, kedua adik penulis Vinny dan Adhitya Sirait, Om Yusuf Sitorus, Tante Hotmaida Sirait, Alifian Akram Fahreza, Alifah Iftinan, Aliyah Dzil Izzati, serta seluruh keluarga, atas segala doa, kasih sayang, serta semangat yang terus diberikan untuk penulis. Selain itu, penulis juga mengucapkan terimakasih kepada: 1. Bapak Dr. Ir. Iman Sugema, M.Ec selaku pembimbing yang selalu memberikan arahan dan motivasi kepada penulis, 2. Bapak Dr. Alla Asmara selaku dosen penguji utama dan Ibu Widyastutik, M.Si selaku komisi pendidikan atas kritik serta saran yang membangun dan bermanfaat yang diberikan kepada penulis, 3. Kak Farhana Zahrotunnisa selaku asisten dosen yang senantiasa memberikan masukan serta semangat yang tiada hentinya, 4. Sahabat-sahabat SMA : Wenny Ayunisa, Muhammad Fakhri Nugraha, Citra Riandini, Eka Chintya Adiyanti, Ahmad Zulfahmi, Muhammad Bimo Prabowo yang selalu mengingatkan untuk selalu optimis, 5. Sahabat-sahabat semasa kuliah : Fitria Permata Sari, Elis Maisari, Selly Efriani, Ria Rosmayanti, Cynthia Putri Prameswari, Fithri Tyas Hapsari, 6. Teman satu bimbingan : Penny Septina, Muhammad Yunus Djamaluddin, Muhammad Rifki Maulana, Yohanes Putra Abadi, Erma Fatimah, serta Galishia yang selalu memberikan masukan dan motivasi selama penyusunan skripsi ini, 7. Nindya, Sasha, Chika, Uke, Fazri, Alfin, Hani, Dede Linda, Dodo, Gialdy, Nicco, dan teman-teman Ekonomi dan Studi Pembangunan Angkatan 47 lainnya yang selalu memberikan keceriaan, masukan, pelajaran, motivasi kepada penulis. Semoga kita semua sukses di jalan kita masing-masing nantinya. Aamiin. Semoga karya ilmiah ini bermanfaat.
Bogor, Mei 2014 Meliana
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
3
Tujuan Penelitian
4
Manfaat Penelitian
4
Ruang Lingkup Penelitian
4
TINJAUAN PUSTAKA METODE
4 15
Jenis dan Sumber Data
15
Metode Pengolahan Data
16
Metode Analisis Data
16
HASIL DAN PEMBAHASAN
25
Analisis Deskriptif Untuk Melihat Kondisi Disnflasi di 5 Negara ASEAN
25
Uji Stasioneritas Data Panel
29
Pemilihan Model Terbaik
31
Uji Kointegrasi Data Panel
34
SIMPULAN DAN SARAN
36
Simpulan
36
Saran
36
DAFTAR PUSTAKA
37
LAMPIRAN
39
RIWAYAT HIDUP
61
DAFTAR TABEL 1 2 3 4 5
Variabel dan Sumber Data Hasil Uji Akar Unit Pada Data Panel (Panel Unit Root Test) Uji Chow Terhadap Model Permintaan Uang Sederhana Chowdhury Uji Chow Terhadap model Permintaan Uang Sederhana Leventakis Hasil Estimasi Model Pemintaan Uang Sederhana Chowdhury Untuk Wilayah Perekonomian Terbuka 6 Kao Residual Cointegration Test
16 30 31 31 34 35
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10
Permintaan Uang Untuk Transaksi Permintaan Uang Untuk Transaksi Permintaan Uang Bermotif Spekulasi (Liquidity Preferences) Permintaan Uang Total Kerangka Pemikiran Kondisi Inflasi Indonesia Periode Januari 2008 hingga Maret 2013 Kondisi Inflasi Malaysia Periode Januari 2008 hingga Maret 2013 Kondisi Inflasi Filipina Periode Januari 2008 hingga Maret 2013 Kondisi Inflasi Singapura Periode Januari 2008 hingga Maret 2013 Kondisi Inflasi Vietnam Periode Januari 2008 hingga Maret 2013
7 7 8 9 14 27 28 28 28 29
DAFTAR LAMPIRAN Hasil Output Eviews Untuk Panel Unit Root Test Uji Normalitas Uji Chow Hasil Estimasi Model Pemintaan Uang Sederhana Chowdhury Untuk Wilayah Perekonomian Terbuka 5 Hasil Estimasi Model Pemintaan Uang Sederhana Leventakis Untuk Wilayah Perekonomian Terbuka
1 2 3 4
40 53 54 55 58
1
PENDAHULUAN
Latar Belakang Peran bank sentral dalam perekonomian suatu negara sangat penting. Bank sentral adalah mitra utama pemerintah dalam menggerakkan berbagai kegiatan ekonomi melalui kebijakan suku bunga dengan statusnya sebagai otoritas moneter. Sebagai otoritas moneter, bank sentral memiliki tujuan, tugas, maupun wewenang yang tidak dimiliki lembaga ekonomi lainnya. Bank sentral pada hakikatnya memiliki peran dan fungsi yang sama, yaitu menetapkan dan melaksanakan kebijakan moneter. Bank sentral dalam pelaksanaan tugas, fungsi, dan wewenangnya terbebas dari intervensi pemerintah. Kebijakan moneter adalah tindakan yang dilakukan oleh penguasa moneter (biasanya bank sentral) untuk mempengaruhi jumlah uang beredar dan kredit yang pada gilirannya akan mempengaruhi kegiatan ekonomi masyarakat. Kebijakan moneter merupakan salah satu bagian integral dari kebijakan ekonomi makro. Kebijakan moneter ditujukan untuk mendukung tercapainya sasaran ekonomi makro, yaitu pertumbuhan ekonomi yang tinggi, stabilitas harga, pemerataan pembangunan, dan keseimbangan neraca pembayaran. Oleh karena itu, kebijakan moneter pada dasarnya merupakan suatu kebijakan yang bertujuan untuk mencapai keseimbangan internal (pertumbuhan ekonomi yang tinggi, stabilitas harga, pemerataan pembangunan) dan keseimbangan eksternal (keseimbangan neraca pembayaran) serta tercapainya tujuan ekonomi makro, yakni menjaga stabilisasi ekonomi yang dapat diukur dengan kesempatan kerja, kestabilan harga serta neraca pembayaran internasional yang seimbang. Kebijakan moneter merupakan salah suatu ilustrasi kebijakan yang digunakan untuk mengatasi permasalahan ekonomi dengan tujuan utama adalah memelihara kestabilan mata uang. Kebijakan moneter juga merupakan salah satu kebijakan yang digunakan untuk meningkatkan dan menjaga kestabilan pertumbuhan ekonomi suatu negara. Ukuran kemajuan perekonomian dalam suatu negara akan selalu dilihat dari pertumbuhan ekonomi yang terjadi di negara tersebut. Begitu pula untuk negara-negara yang masih berkembang, seperti Indonesia dan beberapa negara ASEAN lainnya. Kebijakan moneter merupakan bagian integral kebijakan ekonomi makro yang ditunjukkan untuk mendukung tercapainya berbagai sasaran akhir pembangunan ekonomi yang pada umumnya mencakup pertumbuhan ekonomi, perluasan kesempatan kerja, kestabilan harga dan keseimbangan neraca pembayaran (Pohan 2008). Pentingnya kebijakan moneter yang efektif dalam suatu negara menyebabkan faktor-faktor penentu dan stabilitas permintaan uang menjadi semakin krusial. Stabilitas permintaan uang memainkan peran yang penting dalam efektivitas kebijakan moneter. Kestabilan harga merupakan salah satu target dari kebijakan ekonomi makro. Krisis mata uang dan krisis perbankan akan mempengaruhi ketidakstabilan permintaan uang. Penurunan kepercayaan masyarakat terhadap sektor perbankan akan mendorong masyarakat untuk menarik deposit mereka dan menginvestasikan kembali ke aset riil dan aset keuangan lainnya.
2 Dotsey dan Jornstein (2003) melihat bahwa ketidakstabilan permintaan uang dapat menjadi salah satu sumber kemungkinan terjadinya guncangan (shock). Fraga et al. (2003) juga mengemukakan bahwa permintaan uang yang tidak stabil dapat memicu guncangan moneter yang tidak terduga dan memberikan tantangan baru dalam penargetan inflasi langsung (direct inflation targeting) di negara berkembang. Oleh karena itu, stabilitas permintaan uang memegang peranan penting bagi pelaksanaan kebijakan moneter yang lebih efektif dalam menciptakan kondisi perekonomian yang lebih baik. Stabilitas permintaan uang jangka panjang suatu negara dipengaruhi oleh faktor-faktor yang menentukan permintaan uang itu sendiri. Sehingga faktorfaktor yang menentukan besar kecilnya permintaan uang suatu negara juga menjadi hal yang menarik untuk diteliti. Jumlah permintaan uang di suatu negara dipengaruhi banyak faktor, antara lain kebijakan pemerintah, politik, dan keamanan. Faktor yang paling mempengaruhi perkembangan jumlah uang antara lain pendapatan nasional, nilai tukar dan tingkat suku bunga (Boediono 1985). Faktor-faktor tersebut dapat mempengaruhi besar kecilnya permintaan uang suatu negara. Dengan adanya kenaikan dan penurunan jumlah permintaan uang mengakibatkan terjadinya fluktuasi terhadap kondisi likuiditas perekonomian suatu negara. Menurut Keynes, salah satu faktor yang dapat mempengaruhi tingkat permintaan uang adalah keinginan untuk bertransaksi. Dalam keinginan bertransaksi, hal yang berpengaruh adalah pendapatan. Tingkat pendapatan nasional merupakan salah satu indikator tingkat keberhasilan pembangunan ekonomi di suatu negara serta dapat dijadikan cerminan kesejahteraan masyarakat. Tingkat pendapatan mempengaruhi keinginan orang untuk bertransaksi. Semakin besar pendapatan maka semakin besar keinginan masyarakat untuk bertransaksi. Keinginan bertransaksi yang semakin besar akan mengakibatkan permintaan akan uang semakin meningkat. Dalam kaitannya memenuhi kebutuhan akan uang, masyarakat dipengaruhi oleh tingkat suku bunga perbankan. Menurut teori klasik, tabungan merupakan fungsi dari tingkat suku bunga dimana pergerakan suku bunga pada perekonomian akan mempengaruhi tabungan (saving) yang terjadi. Manusia dihadapkan pada pilihan antara memegang uang tunai dan menyimpannya dalam lembaga keuangan. Masyarakat juga harus mengetahui keuntungan-keuntungan yang didapat dalam memegang uang secara tunai ataupun menyimpannya guna mendapatkan pendapatan dalam bentuk bunga. Manusia dalam tujuan memegang uang di bank juga memiliki faktor-faktor lain yang mempengaruhi yakni meningkatkan kekayaan dimasa depan melalui simpanan berjangka. Masyarakat juga memiliki hubungan dengan masyarakat luar negeri dalam hal transaksi. Dalam bertransaksi dengan masyarakat luar negeri, masyarakat menggunakan sebuah mata uang yang telah ditetapkan yang biasanya memiliki nilai yang kuat. Oleh karena itu, nilai tukar atau kurs juga memiliki pengaruh dalam permintaan uang masyarakat. Jika mata uang suatu negara mengalami apresiasi (menguat), maka permintaan uang negara tersebut akan meningkat. Perhatian terhadap inflasi merupakan hal yang penting, mengingat inflasi adalah permasalahan utama yang dialami setiap negara di dunia, termasuk negaranegara di kawasan ASEAN. Sehingga inflasi selalu menjadi topik yang menarik untuk dibahas. Bagi negara yang menerapkan direct inflation targeting, seperti 5
3 negara yang menjadi objek penelitian kali ini, pencapaian inflation targeting membutuhkan adanya suatu sasaran antara. Salah satu sasaran antara dari kebijakan inflation targeting adalah broad money (M2). Kestabilan broad money sangat penting untuk merumuskan dan melaksanakan kebijakan moneter. Oleh karena itu, kondisi inflasi suatu negara menjadi sangat penting perannya dalam stabilitas kebijakan moneter. Banyak literatur yang memuat aspek teoritis maupun empiris tentang permintaan uang bagi negara-negara maju maupun berkembang dan menyimpulkan bahwa pendapatan riil (dalam penelitian ini di-proxy-kan dengan manufacturing production index), tingkat suku bunga (dalam penelitian ini digunakan deposit rate dan federal fund rate untuk menjelaskan domestic interest rate dan foreign interest rate), nilai tukar, dan tingkat inflasi merupakan variabelvariabel penting dalam fungsi permintaan uang. Perumusan Masalah Krisis ekonomi global pada tahun 2008 memberikan dampak yang cukup signifikan bagi perekonomian negara-negara di dunia, terutama Amerika dan Eropa. Kawasan ASEAN juga merasakan dampak dari krisis ekonomi global 2008 walaupun tidak separah yang dialami kawasan Eropa dan Amerika. Selain itu, berbeda dari krisis Asia pada 1997-1998 di mana pertumbuhan ekonomi yang sehat di negara maju membantu mendukung pemulihan Asia. Kali ini, Amerika Serikat, Jepang, dan Eropa justru masuk ke dalam resesi parah. Oleh karena itu, krisis yang terjadi juga memberikan pengaruh bagi negara ASEAN yang pertumbuhan ekonominya sangat tergantung pada ekspor. Akibatnya, berdasarkan data Asian Development Bank 2009, pertumbuhan ekonomi di Asia Tenggara mengalami penurunan, hanya 4.3% di tahun 2008, dibandingkan dengan 6.4% pada tahun 2007. Krisis ekonomi global juga mengakibatkan terjadinya lonjakan harga-harga komoditas. Sebagai akibat dari lonjakan harga komoditas, terutama minyak bumi yang mencapai US $148 per barel, inflasi melonjak tajam pada perekonomian ASEAN tahun 2008. Inflasi melonjak lebih dari dua kali lipat di semua kawasan kecuali Indonesia dan Laos. Inflasi yang tinggi ini dapat menjadi salah satu pemicu terjadinya ketidakstabilan permintaan uang. Ketidakstabilan permintaan uang nantinya akan menjadi pemicu terjadinya guncangan moneter sehingga kebijakan moneter tidak dapat berjalan secara maksimal. Berdasarkan uraian yang telah dijelaskan, maka permasalahan yang akan dibahas dalam penelitian ini yaitu: 1. Bagaimana kondisi inflasi di ASEAN terutama Indonesia, Malaysia, Filipina, Singapura, dan Vietnam selama periode Januari 2008 hingga Maret 2013? Apakah terjadi disinflasi di 5 Negara ASEAN selama periode tersebut? 2. Apakah model permintaan uang sederhana yang dirumuskan oleh Chowdhury dapat menjelaskan kondisi jangka panjang permintaan uang pada 5 Negara ASEAN?
4 Tujuan Penelitian Adapun tujuan yang akan dicapai dari penelitian ini terkait dengan permasalahan yang telah dijelaskan sebelumnya adalah : 1. Menganalisis kondisi inflasi di ASEAN terutama Indonesia, Malaysia, Filipina, Singapura, dan Vietnam selama periode Januari 2008 hingga Maret 2013. Terjadi disinflasi di 5 Negara ASEAN selama periode tersebut atau tidak. 2. Menganalisis kemampuan model permintaan uang sederhana yang dirumuskan oleh Chowdhury dalam menjelaskan kondisi jangka panjang permintaan uang pada 5 Negara ASEAN. Manfaat Penelitian Penelitian ini diharapkan dapat menjadi wacana bagi bank sentral atau otoritas moneter di Negara Indonesia, Malaysia, Filipina, Singapura, dan Vietnam dalam mengambil langkah dalam pencapaian inflasi yang rendah dan stabil melalui kebijakan suku bunga ataupun inflation targeting framework untuk mencapai pertumbuhan ekonomi yang lebih tinggi. Selain itu, penelitian ini juga diharapkan dapat menjadi inspirasi pembuatan kebijakan bersama di antara 5 Negara tersebut untuk mencapai stabilitas permintaan uang guna menjaga kestabilan dan efektivitas kebijakan moneter di masing-masing negara.
Ruang Lingkup Penelitian Ruang lingkup penelitian ini terbatas pada pengujian akar unit data panel (panel unit root test), panel kointegrasi, dan melihat kondisi inflasi yang terjadi di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam selama periode Januari 2008 hingga Maret 2013. Dalam penelitian ini akan dilihat hubungan jangka panjang (kointegrasi) antara permintaan uang dengan suku bunga domestik, suku bunga asing, output, dan nilai tukar nominal. Variabel yang digunakan dalam penelitian ini adalah broad money (M2), inflasi, manufacturing production index sebagai proksi untuk output, deposit rate sebagai proksi untuk suku bunga domestik, federal fund rate sebagai proksi untuk suku bunga asing, dan nilai tukar nominal.
TINJAUAN PUSTAKA Permintaan Uang Permintaan uang adalah suatu kebutuhan masyarakat akan uang tunai. Berdasarkan teorinya, permintaan uang ini dibagi menjadi dua bagian yaitu teori kuantitas uang klasik dan teori uang keynesian. Beberapa hal yang mempengaruhi permintaan uang, di antaranya sebagai berikut:
5 a) Pendapatan Rill, semakin tinggi pendapatan permintaan akan uang akan semakin besar. Ini dikarenakan konsumsi dan tabungan akan bertambah seiring dengan meningkatnya pendapatan. b) Tingkat Suku Bunga, semakin tinggi suku bunga permintaan akan uang untuk motif spekulasi akan berkurang. Hal ini dikarenakan tingginya suku bunga akan membuat biaya pinjaman uang untuk berspekulasi semakin bertambah mahal. Selain itu, jika tingkat suku bunga tinggi, orang akan lebih baik memilih untuk menabung di bank daripada untuk berspekulasi. c) Tingkat Harga Umum, semakin tinggi tingkat harga umum, permintaan akan uang akan semakin bertambah. Hal ini dikarenakan harga barang dan jasa bertambah mahal, dan untuk membelinya diperlukan uang yang lebih banyak pula dan mengakibatkan permintaan akan uang juga semakin bertambah.
Teori Kuantitas Uang Teori kuantitas uang dikembangkan oleh Irving Fisher pada awal abad dua puluh. Teori kuantitas uang tersebut disampaikan dalam bukunya The Purchasing Power of Money tahun 1911. Fisher ingin melihat hubungan antara kuantitas uang (money supply) dan PDB nominal P×Y . Konsep yang menghubungkan M dan P ×Y disebut velositas uang (velocity of money). Velositas uang adalah tingkat perputaran uang yang didefinisikan sebagai berikut : M dengan : V = velositas uang P = tingkat harga Y = pendapatan agregat M = kuantitas uang Dengan mengalikan kedua sisi dengan M , maka persamaan yang menghubungkan pendapatan nominal dengan kuantitas uang dan velositas (equation of exchange) adalah : M Irving Fisher juga mengemukakan bahwa velositas uang ditentukan oleh kelembagaan dalam ekonomi yang akan mempengaruhi cara individu melakukan transaksi. Dalam jangka pendek, aspek kelembagaan sulit berubah. Oleh karena itu, dalam jangka pendek velositas uang akan konstan. Pandangan Fisher bahwa velositas uang adalah konstan pada jangka pendek telah mentransformasi equation of exchange menjadi teori kuantitas uang yang menyebutkan bahwa pendapatan nominal ditentukan oleh pergerakan dalam kuantitas uang. Para ahli ekonomi klasik (termasuk Fisher) menganggap bahwa upah dan harga adalah fleksibel. Oleh karena itu, mereka percaya bahwa tingkat output agregat (Y ) yang diproduksi oleh perekonomian pada waktu normal akan berada pada tingkat full equilibrium, sehingga Y juga akan konstan dalam jangka pendek. Dengan demikian, teori kuantitas uang mengemukakan bahwa jika M berubah maka P juga akan berubah dalam jangka pendek (karena V dan Y konstan). Untuk para ekonom klasik, teori kuantitas uang mampu menjelaskan pergerakan dalam
6 tingkat harga, yaitu : pergerakan tingkat harga merupakan akibat dari perubahan kuantitas uang. Teori kuantitas uang menunjukkan berapa banyak uang yang dipegang untuk tingkat pendapatan tertentu, sehingga teori ini juga merupakan teori permintaan uang (theory of the demand for money). Hal tersebut dapat ditunjukkan dengan membagi kedua sisi dari persamaan teori kuantitas uang dengan V , sehingga diperoleh : M Dimana PY adalah P ×Y , yang merupakan pendapatan nominal. Ketika pasar uang dalam ekuilibrium maka kuantitas uang (M ) akan sama dengan jumlah uang yang diminta (M d), sehingga M dapat diganti dengan M d . Dengan demikian persamaan (3) dapat dituliskan : M Oleh karena itu, teori kuantitas uang dari Irving Fisher menyebutkan bahwa permintaan uang merupakan fungsi dari pendapatan dan suku bunga tidak berpengaruh terhadap permintaan uang. Fisher berkesimpulan seperti itu karena ia percaya bahwa orang memegang uang hanya untuk melakukan transaksi. Sehingga teori ini berpandangan bahwa uang hanya berfungsi sebagai alat tukar. Dengan demikian, menurut teori ini permintaan uang ditentukan oleh : (1) tingkat transaksi yang dihasilkan oleh tingkat pendapatan nominal ( PY ), dan (2) kelembagaan dalam ekonomi yang akan mempengaruhi cara individu melakukan transaksi yang menentukan velositas uang, dengan demikian juga menentukan k.
Teori Moneter Keynes Keynes sependapat dengan para ahli ekonom klasik tentang fungsi uang sebagai alat tukar. Hal ini mempunyai konsekuensi adanya permintaan uang untuk kebutuhan transaksi, sebagaimana yang diajarkan para ekonom klasik. Keynes juga sependapat dengan para ekonom Cambridge yang berpandangan bahwa uang mempunyai fungsi sebagai penyimpan kekayaan yang dipengaruhi terutama oleh tingkat bunga dan tingkat pengembalian yang diharapkan. Tetapi Keynes melangkah lebih jauh dengan menekankan sangat pentingnya peranan tingkat bunga dalam mempengaruhi perilaku masyarakat memilih memegang uang tunai atau surat-surat berharga. Penekanan faktor tingkat bunga terhadap keinginan memegang uang inilah yang memungkinkan analisis permintaan uang sebagai alat untuk memperoleh keuntungan. Permintaan uang untuk memperoleh keuntungan inilah yang disebut sebagai permintaan uang untuk spekulasi.
Permintaan Uang Sebagai Alat Transaksi Sebenarnya Keynes membedakan permintaan uang untuk transaksi menjadi dua komponen, yaitu untuk transaksi rutin dan transaksi yang tak dapat diduga sebelumnya. Permintaan uang untuk transaksi rutin ini yang disebutnya sebagai transaction motive demand for money. Sedangkan permintaan uang untuk
7 transaksi tak terduga disebutnya sebagai permintaan uang untuk berjaga-jaga (precautionary motive). Tidak ada perbedaan prinsipil antara permintaan uang untuk transaksi dan berjaga-jaga. Karenanya, permintaan uang untuk transaksi dan berjaga-jaga dapat digabungkan menjadi permintaan uang untuk transaksi. Tidak ada perbedaan antara teori Keynes tentang permintaan uang untuk transaksi dengan teori permintaan uang untuk transaksi menurut para ekonom klasik. Besarnya permintaan uang untuk transaksi berhubungan positif dengan tingkat pendapatan nasional. Jika pendapatan makin besar maka permintaan uang untuk transaksi juga makin besar. Secara grafis dapat dinyatakan seperti pada Gambar 1.
Sumber : Manurung, M. dan Pratama, R (2004)
Gambar 1 Permintaan Uang Untuk Transaksi Gambar di atas menunjukkan bila tingkat pendapatan nasional meningkat (Y) misalnya dari Y1 ke Y2, maka permintaan uang untuk transaksi juga meningkat dari MT1 ke MT2. Kegiatan yang tercakup dalam peningkatan permintaan uang untuk transaksi ini adalah untuk kegiatan rutin maupun non rutin (berjaga-jaga). Secara matematis hubungan tersebut dapat dinyatakan sebagai berikut : ( ) ( ) M ( ) dimana: M Karena hanya terkait dengan pendapatan maka permintaan uang untuk transaksi tidak sensitif terhadap tingkat bunga : berapapun tingkat bunga, jumlah permintaan uang untuk transaksi tidak berubah. Jika hal ini yang terjadi maka permintaan uang akan inelastis sempurna, seperti ditunjukkan oleh Gambar 2.
Sumber : Manurung, M. dan Pratama, R (2004)
Gambar 2 Permintaan Uang Untuk Transaksi
8 Permintaan Uang Untuk Spekulasi Permintaan uang untuk spekulasi adalah keinginan memegang uang tunai sebagai alternatif dari menyimpannya dalam bentuk obligasi konsol. Permintaan uang untuk spekulasi berhubungan erat dengan perkiraan tingkat bunga di masa mendatang. Perkiraan tingkat bunga di masa mendatang sangat ditentukan oleh persepsi seseorang tentang tingkat bunga yang dianggap normal.
Sumber : Manurung, M. dan Pratama, R (2004) Gambar 3 Permintaan Uang Bermotif Spekulasi (Liquidity Preferences) Gambar 3 menunjukkan hubungan berlawanan arah antara permintaan uang untuk spekulasi dengan tingkat bunga. Permintaan uang untuk spekulasi merupakan fungsi dari tingkat bunga yang dirumuskan sebagai berikut : M p () dengan : M p Dewasa ini pilihan selain dari memegang uang tunai bukan hanya obligasi konsol melainkan juga aset finansial non uang tunai lainnya. Jika tingkat bunga makin tinggi, maka biaya ekonomi dari menyimpan uang tunai akan semakin besar. Karenanya, masyarakat cenderung menyimpan uangnya dalam bentuk non tunai yang akan memberikan pendapatan bunga. Dengan demikian, pada tingkat bunga yang tinggi, keinginan memegang uang tunai akan semakin kecil. Sebaliknya jika tingkat bunga semakin rendah maka biaya ekonomi dari menyimpan uang tunai akan semakin kecil, sehingga masyarakat cenderung menyimpan uang tunai lebih banyak (Mandala dan Rahardja, 2004).
Permintaan Uang Total Permintaan uang total adalah permintaan uang untuk transaksi ditambah dengan permintaan uang untuk spekulasi, atau dapat dituliskan sebagai berikut : MD M M p M ( ) M p( )
9 Dari persamaan (7) dapat dinyatakan bahwa permintaan uang dalam suatu perekonomian ditentukan oleh tingkat pendapatan nasional (Y ) dan tingkat bunga (i). Tingkat pendapatan nasional akan menentukan permintaan uang untuk transaksi, sedangkan tingkat bunga menentukan permintaan uang untuk spekulasi. Secara grafis, permintaan uang untuk transaksi dan spekulasi dilukiskan oleh gambar di bawah ini.
Sumber : Manurung, M. dan Pratama, R (2004) Gambar 4 Permintaan Uang Total Gambar di atas menunjukkan bahwa permintaan uang total adalah penjumlahan horizontal permintaan uang untuk transaksi (MT) ditambah dengan permintaan uang untuk spekulasi (MSp). Karena permintaan uang untuk transaksi tidak sensitif terhadap tingkat bunga, maka perubahan jumlah uang yang diminta sangat dipengaruhi oleh perubahan jumlah uang yang diminta untuk spekulasi.
Teori Kuantitas Uang Modern Teori ini dikemukakan oleh Milton Friedman pada tahun 1956 dalam artikelnya The Quantity Theory of Money : A Restatement. Meskipun Friedman mengarah pada teori kuantitas uang Fisher, akan tetapi analisisnya lebih mendekati para ekonom Keynes dan Cambridge. Seperti teori-teori sebelumnya, Friedman juga berusaha menjawab mengapa orang memilih untuk memegang uang. Berbeda dengan Keynes, Friedman menganggap bahwa permintaan uang dipengaruhi oleh faktor-faktor yang sama dengan faktor-faktor yang mempengaruhi permintaan aset lainnya. Kemudian, Friedman mengaplikasikan teori permintaan aset tersebut terhadap uang. Teori permintaan aset mengindikasikan bahwa permintaan uang merupakan fungsi dari sumberdaya yang tersedia bagi individu (kekayaannya) dan ekspektasi pendapatan dari aset lainnya relatif terhadap ekspektasi pendapatan dari uang. Seperti halnya Keynes, Friedman juga menyadari bahwa orang ingin memegang sejumlah uang riil (real money balances) tertentu. Berdasarkan alasan ini, Friedman merumuskan permintaan uang sebagai berikut : MD⁄ r -r -r ) p r -r + dimana: d M /P = permintaan uang riil Yp = ukuran kekayaan Friedman yang disebut permanent income rm = ekspektasi pendapatan dari uang
10 rb re πe
= ekspektasi pendapatan dari obligasi = ekspekatsi pendapatan dari ekuitas = ekspektasi tingkat inflasi Tanda positif dan negatif di bawah persamaan mengindikasikan hubungan antara permintaan uang dengan variabel di atas tanda tersebut. Karena permintaan aset berhubungan positif dengan kekayaan, maka permintaan uang berhubungan positif dengan konsep kekayaan Friedman, yaitu permanent income (ditunjukkan dengan tanda positif di bawahnya). Berbeda dengan konsep pendapatan lazimnya, permanent income mempunyai fluktuasi jangka pendek yang kecil karena kebanyakan pergerakan pendapatan bersifat peralihan (transitory). Salah satu implikasi dari konsep permanent income yang digunakan Friedman sebagai determinan permintaan uang adalah bahwa permintaan uang tidak akan berfluktuasi banyak dengan adanya pergerakan siklus bisnis. Individu dapat memegang kekayaannya dalam beberapa bentuk selain uang, Friedman mengelompokkannya ke dalam tiga jenis aset yaitu : obligasi, ekuitas (saham), dan barang. Insentif untuk memegang aset-aset tersebut dibandingkan uang digambarkan dengan ekspektasi pendapatan dari masing-masing aset tersebut relatif terhadap ekspektasi pendapatan dari uang (ditunjukkan dengan tiga bagian terakhir dari fungsi permintaan uang). Menurut Friedman, bagian rb – rm dan re - rm menggambarkan ekspektasi pendapatan dari obligasi dan ekuitas relatif terhadap uang, dimana peningkatannya akan mengurangi ekspektasi pendapatan relatif dari uang sehingga akan mengurangi permintaan uang. Sedangkan bagian πe - rm menggambarkan ekspektasi pendapatan dari barang relatif terhadap uang. Jika πe rm meningkat, maka ekspektasi pendapatan dari barang relatif terhadap uang juga akan meningkat sehingga permintaan uang akan berkurang.
Inflasi Friedman menyatakan bahwa inflasi selalu dan di mana pun merupakan fenomena moneter. Ia menganggap bahwa sumber semua episode inflasi adalah tingkat pertumbuhan uang beredar yang tinggi. Hanya dengan mengurangi tingkat pertumbuhan uang beredar hingga tingkat yang rendah, inflasi dapat dihindari (Mishkin 2008). Meskipun faktor-faktor dari sisi permintaan dan penawaran dapat meningkatkan inflasi, akan tetapi money supply merupakan satu-satunya determinan inflasi pada jangka panjang. Alasannya bahwa selain pertumbuhan money supply, faktor-faktor lain tidak dapat menyebabkan persistent inflation saat tidak ada pengakomodasian pertumbuhan money supply (Mishkin 1995). Beranjak dari pandangan Mishkin (1995), Hossain dan Chowdhury (2001) menderivasi hubungan antara pertumbuhan uang dan inflasi. Dalam bukunya Open-Economy Macroeconomics for Developing Countries disebutkan bahwa dasar hubungan antara pertumbuhan money supply dan inflasi dapat dibuat berdasarkan kondisi keseimbangan di pasar uang, sebagai berikut : M⁄ ( r) dimana: M = jumlah uang (money stock)
11 P = tingkat harga m(●) = permintaan uang riil yang merupakan fungsi dari pendapatan riil (Y) dan suku bunga nominal (r) Dari persamaan (9), tingkat harga dapat dituliskan dengan persamaan (10). Persamaan ini menunjukkan bahwa, dengan asumsi elastisitas pendapatan dari permintaan uang riil adalah satu, tingkat harga akan meningkat dua kali lipat pada suatu periode waktu tertentu tanpa ada perubahan dalam money supply jika permintaan uang berkurang menjadi setengahnya karena penurunan pendapatan riil atau peningkatan suku bunga. M⁄ ( r) Dari persamaan (11), model inflasi menurut Hossain dan Chowdhury (2001) dapat diturunkan sebagai berikut : π y r r dimana: π = tingkat inflasi = tingkat pertumbuhan money supply = elastisitas pendapatan dari permintaan uang m gy = tingkat pertumbuhan pendapatan/output riil = semi-elastisitas permintaan uang terhadap suku bunga r gr r
Disinflasi Disinflasi didefinisikan sebagai sebuah perlambatan dalam laju harga inflasi. Disinflasi digunakan untuk menggambarkan contoh bila laju inflasi telah berkurang sedikit selama jangka pendek. Meskipun digunakan untuk menggambarkan periode inflasi melambat, disinflasi berbeda dengan deflasi. Kamus ekonomi modern MIT mendefinisikan deflasi sebagai "Sebuah penurunan berkelanjutan dalam tingkat harga umum." Deflasi merupakan kebalikan dari inflasi, yang didefinisikan sebagai peningkatan tingkat harga secara keseluruhan selama periode waktu. Sebaliknya, disinflasi, merupakan periode ketika tingkat inflasi adalah positif, namun menurun dari waktu ke waktu. Deflasi, inflasi, dan disinflasi merupakan perilaku yang berbeda dari tingkat harga. Tingkat harga umumnya diukur baik menggunakan Deflator Produk Domestik Bruto (GDP Deflator) atau Indeks Harga Konsumen (CPI). GDP Deflator adalah luas indeks inflasi dalam perekonomian, Indeks CPI mengukur perubahan tingkat harga yang luas dari produk konsumen.
Penelitian Terdahulu Penelitian mengenai permintaan uang dan inflasi di negara yang terdolarisasi (Rusia) dilakukan oleh Oomes dan Ohnsorge (2005). Dalam penelitiannya mereka melakukan tiga tahapan, yaitu : Pertama, dilakukan estimasi persamaan inflasi jangka panjang dengan menggunakan mark-up model dimana inflasi adalah rata-rata tertimbang dari peningkatan biaya input. Penelitian
12 tersebut menemukan bahwa pada jangka panjang nominal effective depreciation, biaya tenaga kerja dan utility price growth mengakibatkan terjadinya inflasi. Penelitian tersebut juga menguji suatu restriksi bahwa efek marjinal dari inflasi biaya input (input cost inflation) adalah satu. Selain itu, hasil penelitian juga tidak bisa menolak hipotesis bahwa persamaan inflasi bersifat linearly homogenous. Kedua, dalam penelitian tersebut juga diestimasi persamaan permintaan uang jangka panjang untuk Rusia dengan menggunakan lima macam monetary aggregates dari ruble currency in circulation sampai dengan effective broad money. Dalam hal ini, effective broad money mencakup deposito dalam mata uang asing dan estimasi dari mata uang asing dalam peredaran. Hasil penelitian menemukan bahwa seluruh ukuran permintaan uang yang tidak memasukkan mata uang asing dalam sirkulasi ternyata sangat bergantung secara negatif terhadap nominal depreciation rate. Hal tersebut menunjukkan bahwa mata uang asing merupakan substitusi penting untuk uang domestik. Terakhir, dilakukan estimasi model koreksi ekuilibrium (equilibrium correction model) untuk inflasi dengan tujuan untuk menentukan bagaimana short-term dynamics of inflation dipengaruhi oleh deviasi dari persamaan inflasi jangka panjang dan persamaan permintaan uang jangka panjang. Hasil penelitian tersebut menemukan bahwa kecepatan penyesuaian inflasi ke keseimbangan jangka panjangnya adalah lambat (berkisar antara 6-12 bulan). Inflasi juga tidak memberikan respon yang signifikan terhadap excess supplies of monetary aggregates yang tidak mencakup foreign cash holding. Akan tetapi, inflasi terlihat memberikan respon yang signifikan terhadap excess supply of effective broad money. Nassar (2005) telah melakukan penelitian mengenai permintaan uang dan inflasi di Madagaskar. Penelitian ini berusaha memodelkan determinan inflasi di Madagaskar selama periode 1982-2004. Adapun spesifikasi persamaan inflasi yang digunakan merupakan traditional extension dari model disekuilibrium moneter untuk ekonomi terbuka. Ini diturunkan dari model teoritis yang menggambarkan perekonomian kecil yang memiliki tradable goods sector dan nontradable goods sector. Variabel yang digunakan dalam penelitian ini adalah indeks harga konsumen (IHK), broad money (M3), suku bunga domestik, foreign interest rate, foreign prices, nilai tukar, dan GDP riil. Sedangkan data yang digunakan adalah data kuarter selama periode 1982-2004. Penelitian tersebut diawalinya dengan mengestimasi persamaan permintaan uang jangka panjang dengan menggunakan uji kointegrasi Johansen. Setelah itu, Nassar memprediksi Error Correction Model (ECM) untuk inflasi dengan memasukkan error correction term yang merupakan ukuran bagi ketidakseimbangan di pasar uang. Dalam mengkonstruksi ECM untuk inflasi, dimasukkan juga empat lag dari seluruh variabel yang ada dalam sistem, tiga faktor musiman, dan tiga variabel dummy. Ketiga variabel dummy tersebut dimasukkan untuk mewakili : (i) peralihan rezim nilai tukar sejak kuarter dua tahun 1994, (ii) krisis politik pada kuarter dua tahun 2002, dan (iii) krisis pada kuarter tiga tahun 2002. Hasil penelitian menemukan adanya fungsi permintaan uang yang stabil (hubungan yang dapat diprediksi antara broad money, tingkat harga, GDP riil, dan foreign interest rate) di Madagaskar. Dengan kata lain, hasil penelitian
13 menunjukkan adanya hubungan jangka panjang yang stabil antara monetary aggregates, harga domestik, pendapatan riil dan foreign interest rate di Madagaskar. Selain itu, ECM untuk inflasi memperlihatkan bahwa perubahan dalam monetary aggregates, nilai tukar dan foreign interest rate mempunyai dampak signifikan terhadap inflasi. Hasil penelitiannya juga menunjukkan bahwa ketidakseimbangan di pasar uang mempunyai lasting impact terhadap inflasi serta adanya inflation inertia dimana ekspektasi inflasi sangat ditentukan oleh kejadian sebelumnya. Penelitian mengenai permintaan uang dan disinflasi telah dilakukan di 6 negara CEECs (Central and Eastern European Countries), yaitu Republik Ceko, Hungaria, Polandia, Romania, Slovakia, dan Slovenia oleh Jarko Fidrmuc pada 2006. Dalam penelitiannya, Jarko menggunakan model permintaan uang dan inflasi yang dirumuskan oleh Chowdhury dan Leventakis. Alasan dipilihnya model tersebut adalah karena model tersebut sesuai dengan permasalahan yang diangkatnya. Adapun tujuan dari penelitian yang dilakukan oleh Jarko (2006) adalah untuk menganalisis apakah model permintaan uang sederhana yang dirumuskan oleh Chowdhury dan Leventakis dapat menjelaskan hubungan jangka panjang permintaan uang di Negara CEECs. Selain itu, dianalisis pula kondisi disinflasi yang sedang terjadi di negara CEECs sebagai akibat perluasan European Union (EU). Penelitian tersebut menggunakan data panel, di mana dilakukan pengujian stasioneritas dengan panel unit root test dan pengujian kointegrasi dengan menggunakan panel cointegration test. Data yang digunakan adalah data sekunder yang merupakan data bulanan periode September 1994 hingga Juni 2003. Dalam penelitiannya Jarko menggunakan variabel-variabel, seperti : M2, Consumer Price Index, Industrial Production Index, Deposit Rate, Euro Area Interest Rate, dan Nominal Exchange Rate. Hasil penelitiannya menunjukkan bahwa ternyata model permintaan uang sederhana yang dirumuskan oleh Chowdhury dan Leventakis dapat menjelaskan hubungan jangka panjang permintaan uang di CEECs. Selain itu didapatkan hasil pula nahwa terjadi disinflasi atau penurunan laju inflasi di 6 negara pengujian selama periode pengujian sebagai akibat bergabungnya negara-negara tersebut ke dalam EU.
Kerangka Pemikiran Bagan berikut merupakan alur pemikiran yang digunakan untuk melihat faktor-faktor yang mempengaruhi permintaan uang jangka panjang di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam. Variabel output diproksikan oleh manufacturing production index, variabel suku bunga domestik diproksikan oleh deposit rate, variabel suku bunga asing diproksikan oleh federal fund rate. Penelitian dilakukan dengan menggunakan panel unit root test dan panel cointegration.
14
Bank Sentral
Kebijakan Moneter Pentingnya efektivitas kebijakan moneter Stabilitas Permintaan Uang Faktor yang mempengaruhi
Inflasi
Output (Manufacturing Production Index)
Suku Bunga
Suku Bunga Domestik (Deposit Rate)
Nilai Tukar (Nominal Exchange Rate)
Suku Bunga Asing (Federal Fund Rate)
diuji dengan Panel Unit Root Test
Panel Cointegration Test
Gambar 5 Kerangka Pemikiran
fokus penelitian
15 Hipotesis 1. Terjadi disinflasi di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam pada awal hingga pertengahan 2009 untuk mengatasi tingginya tingkat inflasi di negara tersebut akibat krisis Eropa 2008. 2. Terdapat hubungan jangka panjang antara permintaan uang dengan manufacturing production index dan deposit rate dalam model permintaan uang jangka panjang yang dirumuskan oleh Chowdhury. 3. Model permintaan uang sederhana Chowdhury dapat menjelaskan kondisi permintaan uang jangka panjang di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam.
METODE Jenis dan Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari berbagai sumber. Jenis data yang digunakan adalah data panel, yaitu gabungan data cross section dan time series. Data panel yang dikumpulkan berupa data cross section yang terdiri dari 5 negara ASEAN yang meliputi Indonesia, Malaysia, Filipina, Singapura, dan Vietnam serta data time series bulanan (monthly time series) periode Januari 2008 hingga Maret 2013. Penggunaan periode tersebut memungkinkan penelitian dapat dilakukan dengan sampel yang seimbang. Artinya, setiap negara memiliki ketersediaan data yang sama untuk semua variabel yang akan diuji pada periode tersebut. Adapun data yang digunakan sebagai variabel penelitian meliputi Broad Money (M2), Consumer Price Index (CPI), Manufacturing Production Index, Deposit Rate, Federal Fund Rate, dan Nominal Exchang Rate. Semua variabel, kecuali Deposit Rate dan Federal Fund Rate dikonversikan ke dalam bentuk logaritma natural (ln). Sumber data yang digunakan dalam penelitian ini diperoleh dari International Financial Statistic (IFS) dari International Monetary Fund (IMF), Federal Reserve, Pasific Exchange Rate Service, serta Index Mundi. Selain itu, dilakukan juga studi pustaka dengan membaca jurnal, artikel internet, dan berbagai literatur lainnya yang berkaitan dan relevan dengan permasaahan yang diteliti. Penelitian ini dilakukan dengan bantuan software Microsoft Excel 2007 dan Eviews 8.0.
16 Secara rinci, sumber data dan variabel yang digunakan dalam penelitian ini dicantumkan dalam tabel berikut : Tabel 1 Variabel dan Sumber Data No. 1
Jenis Variabel Inflasi
Proksi Yang Digunakan Consumer Price Index
Sumber International Financial Statistic (IFS) dari International Monetary Fund (IMF)
2 3
Broad Money Output
Broad Money (M2) Manufacturing Production Index
4
Suku Bunga Domestik
Deposit Rate
5
Suku Bunga Asing
Federal Fund Rate
International Financial Statistic (IFS) dari International Monetary Fund (IMF) International Financial Statistic (IFS) dari International Monetary Fund (IMF) Federal Reserve
6
Nilai Tukar
Nominal Exchange Rate
FXSAUDER
Metode Pengolahan Data Pengolahan atas data sekunder untuk variabel Consumer Price Index (CPI), Broad Money (M2), Manufacturing Production Index (MPI), Deposit Rate (DR), Federal Fund Rate (FFR), dan Nominal Exchange Rate (NER) untuk menganalisis faktor-faktor yang mempengaruhi permintaan uang jangka panjang di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam menggunakan beberapa paket program statistik seperti Microsoft Excel 2007 dan Eviews 8.0. Kegiatan pengolahan data dengan Microsoft Office Excel 2007 meliputi input data serta pembuatan tabel dan grafik. Pengujian stasioneritas variabel dengan panel unit root test, pendugaan hubungan antar variabel, serta pengujian kointegrasi antar variabel dengan panel kointegrasi menggunakan EViews 8.0 sebagai program pengolahan datanya.
Metode Analisis Data Metode analisis data yang digunakan adalah metode kualitatif dan metode kuantitatif. Data kuantitatif diolah menggunakan program Microsoft Excel 2007 dan Eviews 8.0, sedangkan metode kualitatif berupa analisis deskriptif berbentuk narasi yang dijelaskan dari data yang ditabulasikan ke dalam grafik. Penelitian ini menggunakan data panel (pooled data). Data panel adalah gabungan antara data cross section dan time series, sehingga periode waktu yang digunakan tidak terlalu panjang dan data silangnya dapat berupa karakteristik suatu perusahaan/wilayah/negara. Jadi, data panel terdiri dari beberapa atau banyak objek yang meliputi beberapa periode. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya, jika unit-unit cross section memiliki jumlah observasi time series yang berbeda maka disebut unbalanced panel.
17 Penggunaan model data panel memungkinkan untuk menangkap karakteristik antar individu dan antar waktu. Selain itu, data panel digunakan apabila observasi dari cross section saja atau data time series saja tidak cukup untuk dilakukan analisis, karena dengan data panel observasinya akan lebih banyak. Hsiao (2004) menyatakan bahwa model regresi data panel memiliki beberapa keuntungan, antara lain: 1. Data panel mampu menyediakan data yang lebih banyak dan informasi yang lebih lengkap, karena merupakan gabungan antara data cross section dan data time series, sehingga model regresi data panel akan menghasilkan degree of freedom (df) yang lebih besar yang selanjutnya akan meningkatkan efisiensi dari estimasi regresi. 2. Penggabungan informasi dari data time series dan data cross section, dapat mengatasi masalah yang timbul akibat penghilangan variabel (ommited variable). 3. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit data lebih banyak. 4. Data panel mampu mengindikasikan dan mengukur efek yang secara sederhana tidak dapat diperoleh dengan data cross section murni atau time series murni. 5. Data panel mampu mengurangi kolinieritas antar variabel. 6. Suatu hal yang penting dalam data panel yang diabaikan dalam penggunaan OLS adalah heterogenitas antara unit-unit cross section. Asumsi yang mendasari OLS tersebut sangat jarang berlaku dalam kenyataan sehari-hari. Heterogenitas dapat terjadi pada intercept, slope, atau keduanya. Perbedaan antar individu tersebut dapat diperoleh dengan menggunakan data panel. Kelebihan analisis regresi data panel yang fundamental ditambahkan oleh Greene (2005) yaitu adanya fleksibilitas yang lebih besar bagi peneliti dalam memodelkan perbedaan perilaku diantara individu-individu. Pada model regresi klasik, gangguan (error terms) selalu dinyatakan bersifat homoskedastik dan serial uncorrelated. Kondisi ini menyebabkan penggunaan metode OLS akan menghasilkan estimator yang memiliki sifat Best Linear Unbiased Estimator (BLUE). Sedangkan dalam metode regresi data panel yang merupakan gabungan data beberapa individu dalam beberapa periode, asumsi model regresi klasik tersebut tidak dapat diterapkan. Hal ini terjadi karena dalam data panel terdapat tiga macam gangguan, yaitu: gangguan antar waktu (time series related disturbances), gangguan antar individu (cross section disturbance), serta gangguan antar waktu dan antar individu. Pengujian dalam analisis regresi data panel berbeda dengan pengujian dalam persamaan tunggal. Dalam analisis persamaan tunggal, pengujian dilakukan untuk mengetahui apakah terjadi gejala homoskedastik, heteroskedastik, atau autokorelasi untuk satu individu. Perbaikan (remidial) model dilakukan jika berdasarkan hasil pengujian terdapat asumsi regresi linier klasik yang terlanggar, sehingga diperoleh hasil estimasi yang bersifat BLUE. Kemudian pengujian dalam analisis data panel dilakukan untuk menentukan estimator yang lebih baik, disesuaikan dengan kondisi matriks varians-covarians residual. Dalam penelitian ini, dibatasi pembahasan pada data panel yang bersifat balanced panel, yang mana tiap-tiap individu (negara) memiliki jumlah observasi
18 time series yang sama. Jadi, total observasi adalah N (jumlah cross section) x T (jumlah time series).
Analisis Deskriptif Untuk Melihat Kondisi Disinflasi di 5 Negara ASEAN Analisis deskriptif digunakan untuk melihat kondisi inflasi di 5 Negara ASEAN yang diuji, yaitu Indonesia, Malaysia, Filipina, Singapura, dan Vietnam. Kondisi inflasi yang ingin dibahas adalah kondisi disinflasi yang mungkin terjadi di dalam kelima negara objek penelitian pada periode Januari 2008 hingga Maret 2013. Variabel yang digunakan untuk menganalisis terjadinya disinflasi di 5 Negara tersebut adalah Inflation Rate, Broad Money (M2), dan Deposit Rate. Variabel-variabel tersebut akan ditabulasikan ke dalam bentuk grafik kemudian dianalisis berdasarkan grafik tersebut. Panel Unit Root Test Analisis data panel pada umumnya menggunakan data dalam bentuk level dengan tujuan untuk memudahkan interpretasi model. Penelitian yang menggunakan data time series pada umumnya mengandung tren, maka sebaiknya dilakukan pengujian unit root, untuk memastikan bahwa hubungan antara peubah tak bebas dan peubah bebas tidak menunjukkan spurious regression. Bila hasil pengujian unit root menunjukkan adanya tren pada data level harus dilakukan pembedaan pertama (first differencing) untuk menghindari hasil yang misleading. Metode yang digunakan dalam penelitian ini adalah metode regresi data panel, maka pengujian unit root yang digunakan bukan menggunakan metode biasa, tetapi menggunakan panel unit root. Hipotesis nol yang digunakan dalam pengujian panel unit root sama seperti pada pengujian unit root untuk data time series, hanya saja statistik uji yang digunakan merupakan pengembangan lebih lanjut dari statistik uji Augmented Dickey-Fuller (ADF) dan Phillips-Perron (PP). Statistik uji yang digunakan dalam menguji panel unit root terdiri dari dua jenis, yaitu common unit root yan t r r ar stat st uj L v n L n an Chu LLC an Br tun ’s; s rta individual unit root yang terdiri dari statistik uji IM, Pesaran and Shin (IPS) dan PP-Fisher test. Levin dan Lin (1992) menjelaskan bahwa dengan menguji akar unit pada sejumlah data pooled cross section dibanding menguji akar unit individual series dapat meningkatkan power statistical. Artinya, panel unit root test dapat digunakan untuk meningkatkan kualitas tes dari data yang diuji secara signifikan dengan meningkatkan kualitas statistika variabel-variabel tersebut. Setelah diperoleh hasil pengujian yang menyatakan bahwa series dari data panel tidak mengandung unit root maka estimasi bisa dilakukan.
19 Model Data Panel Data panel adalah satu set observasi yang terdiri dari beberapa individu pada suatu periode tertentu. Observasi tersebut merupakan pasangan yit (variabel terikat) dengan xit (variabel bebas) dimana i menunjukkan individu, t menunjukkan waktu, dan j menunjukkan variabel bebas yang dinyatakan dalam sebuah persamaan berikut: t
t
t
Metode estimasi regresi data panel dengan menggunakan data panel dalam penelitian ini dilakukan melalui empat pendekatan, antara lain: Pooled Least Square Model Pooled Least Square Model (PLS) merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section (Common Effect). Persamaan pada estimasi menggunakan PLS dapat dituliskan dalam bentuk sebagai berikut : t
j
t
t
dimana: Yit = nilai variabel terikat (dependent variable) untuk setiap cross section Xjit = nilai variabel penjelas (explanatory variable) ke-j untuk setiap cross section = intercept yang konstan antar waktu dan cross section j = slope untuk variabel ke-j yang konstan antar waktu dan cross section = komponen error untuk setiap unit cross section ke-i pada periode waktu it t N adalah jumlah periode jumlah unit cross section, T adalah jumlah periode waktunya dan K adalah jumlah variabel penjelas. Dengan mengasumsikan komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap cross section K l ahan L n a alah u aan para t r a an as ar na t a dapat membedakan observasi yang berbeda pada periode yang sama serta tidak dapat membedakan observasi yang sama pada periode yang berbeda.
Fixed Effect Model Fixed effect model (FEM) memasukkan unsur variabel dummy sehingga intercept rvar as antar n v u aupun antar un t wa tu n unaan dummy pada metode ini mengakibatkan metode ini juga dikenal dengan sebutan Least Square Dummy Variable (LSDV). FEM lebih tepat digunakan jika data yang diteliti ada pada tingkat individu serta j a t r apat or las antara t an x t Persamaan pada estimasi menggunakan FEM dapat dituliskan dalam bentuk sebagai berikut : t
∑ D
j
j t
t
dimana: Yit = nilai vaariabel terikat (dependent variable) untuk setiap cross section j X it = nilai variabel penjelas (explanatory variable) ke-j untuk setiap cross section
20 = = = =
intercept yang berubah-ubah antar unit cross section slope untuk variabel ke-j yang konstan antar waktu dan cross section D peubah dummy komponen error untuk setiap unit cross section ke-i pada periode waktu it t i = individu ke-i; dan t = periode waktu ke-t. Dari persamaan di atas, telah ditambahkan sebanyak N-1 peubah dummy ke dalam model. Keputusan memasukkan variabel dummy harus didasarkan pada pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi banyaknya degree of freedom (NT-N-K) yang akhirnya akan memengaruhi keefisienan dari parameter yang diestimasi. Kelebihan pendekatan ini adalah apat n has l an u aan para t r yan t a as an s n tap kelemahannya jika jumlah unit observasinya besar maka akan terlihat rumit. j
Fully-Modiefied OLS (FMOLS) Phillip dan Hansen (1990) merumuskan sebuah penduga yang menggunakan koreksi semi-parametrik untuk menghilangkan masalah yang disebabkan oleh korelasi jangka panjang antara persamaan kointegrasi dan inovasi regresor stokastik. Pedroni (1996 dan 2001) mengusulkam penduga fully-modified OLS (FMOLS). FMOLS ini memperbaiki kesalahan emdogenitas dan korelasi serial pada penduga OLS nonparametrik. Penduga FMOLS menggunakan perkiraan awal dari matriks kovarian dan residual jangka panjang. Persamaan estimasi FMOLS dapat dituliskan sebagai berikut: ̂ ̂ [ ] ̂
(∑
t t)
t
(∑
t yt
[
̂
])
t
dimana Zt = (Xt' , Dt')'
Dynamic OLS (DOLS) Sebuah pendekatan sederhana untuk merumuskan sebuah penduga yang secara asimtot efisien yang menghilangkan pengaruh dalam sistem kointegrasi telah dirancang oleh Saikkonen (1992) dan Stock dan Watson (1993). Persamaan untuk DOLS dapat dituliskan sebagai berikut: r
yt
D
t
∑ j
t j
v
t
q
Kao Redisual Cointegration Test Dalam penelitiannya, Kao (1999) menjelaskan dua jenis uji dengan hipotesis nol adalah tidak ada kointegrasi untuk data panel. Kedua jenis uji tersebut adalah uji Dickey-Fuller (DF test) dan uji Augmented Dickey-Fuller (ADF test). Penelitian ini dilakukan dengan menggunakan ADF test pada Kao Residual Cointegration Test. Persamaan Kao Residual Cointegration Test untuk ADF test dapat dituliskan sebagai berikut:
21 p
̂t
̂t
∑
j
̂t
v tp
j
dengan hipotesis null tidak ada kointegrasi, uji ADF diambil dari: (̂ t
) [∑N (
)]
DF
sv kalkulasi Kao lebih jauh menunjukkan hasil berikut: t DF √ N ̂u ⁄( ̂v ) DF N( ) ̂ ̂ ̂ ̂ √ v ⁄( v ) v ⁄( v) Untuk pendugaan parameter jangka panjang ketika dimasukkan penduga untuk wit dan ̂ it maka akan didapatkan: ̂ [ ̂u ̂u dan
̂u ] ̂u
N
N
∑∑w ̂ tw ̂t t N
l
̂ [̂ u ̂ u ] ∑[ ∑w ̂ tw ̂t ∑̅ N ̂ u ̂ t dimana ̅ adalah fungsi pembobot atau kernel.
l
∑ (̂ t ̂ t
̂ t ̂ t )] (
)
t
Pengujian Model Data Panel Untuk memilih model mana yang paling tepat digunakan untuk pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain: Chow Test Chow Test merupakan pengujian untuk memilih apakah model yang digunakan Pooled Least Square Model atau Fixed Effect Model. Pengujian ini dilakukan dengan hipotesis sebagai berikut: H0 : Pooled Least Square Model H1 : Fixed Effect Model Dasar penolakan terhadap hipotesis nol (H0) tersebut adalah dengan menggunakan F-Statistik seperti yang dirumuskan oleh Chow: ( )⁄(N ) Chow F (N N N K) ⁄(N N K) dimana: RRSS = Restricted Residual Sum Square (Sum Square Residual PLS) URSS = Unrestricted Residual Sum Square (Sum Square Residual PLS) N = jumlah data cross section T = jumlah data time series K = jumlah variabel independen D ana p n uj an n n ut str us F ya tu F N-1,NT-N-K). Jika nilai Chow Statistics (F Statistik) hasil pengujian lebih besar dari F Tabel, maka
22 cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah Fixed Effect Model, begitu juga sebaliknya.
Metode Evaluasi Model Setelah hasil pengolahan data dengan metode analisis data panel selesai dilakukan, harus dilakukan evaluasi terhadap model estimasi yang dihasilkan. Metode estimasi yang dihasilkan melalui metode analisis data panel tersebut harus dievaluasi berdasarkan tiga kriteria sebagai berikut: 1. Kriteria Ekonometrika 2. Kriteria Statistik 3. Kriteria Ekonomi Kriteria Ekonometrika Model estimasi regresi linear yang ideal dan optimal harus menghasilkan estimator yang memenuhi kriteria Best Linear Unbiased Estimator (BLUE) yang antara lain sebagai berikut: a. Estimator linear artinya adalah estimator merupakan sebuah fungsi linear atas sebuah variabel dependen yang stokastik. b. Estimator tidak bias artinya nilai ekspektasi sesuai dengan nilai yang sebenarnya. c. Estimator harus mempunyai varians yang minimum. Estimator yang tidak bias dan memiliki varians minimum disebut estimator yang efisien. Terdapat beberapa permasalahan yang dapat menyebabkan sebuah estimator tidak dapat memenuhi asumsi kriteria BLUE antara lain sebagai berikut: Normalitas Pengujian asumsi normalitas dilakukan untuk melihat apakah error term mengikuti distribusi normal atau tidak. Pengujian asumsi normalitas dapat dilakukan dengan Jarque Bera Test atau dengan melihat plot dari sisaan. Hipotesis dalam pengujian normalitas adalah: H0 : Residual berdistribusi normal H1 : Residual tidak berdistribusi normal Dasar penolakan H0 dilakukan dengan membandingkan nilai probabilitas Jarque Bera n an tara nyata s sar ana j a l h sar menandakan tidak cukup bukti untuk menolak H0 sehingga residual berdistribusi normal. Multikolinearitas Istilah multikolinearitas berarti terdapat hubungan linier antar variabel independennya. Gujarati (2003) menyatakan indikasi terjadinya multikolinearitas dapat terlihat melalui: a. Nilai R-squared yang tinggi tetapi sedikit rasio yang signifikan. b. Korelasi berpasangan yang tinggi antara variabel-variabel independennya. c. Melakukan regresi tambahan (auxiliary) dengan memberlakukan variabel independen sebagai salah satu variabel dependen dan variabel independen lainnya tetap diberlakukan sebagai variabel independen. Cara untuk mendeteksi multikolinearitas adalah dengan menghitung korelasi antara dua variabel bebas. Cara mengatasi masalah multikolinearitas
23 antara lain dilakukan dengan menambah jumlah data atau mengurangi jumlah data observasi, menambah atau mengurangi jumlah variabel independennya yang memiliki hubungan linear dengan variabel lainnya, mengkombinasikan data cross section dan time series, mengganti data, dan mentransformasi variabel. Autokorelasi Gujarati (2003) menyatakan autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time series atau diurutkan menurut ruang seperti dalam data cross section. 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 underestimate, sehingga R2 akan besar tetapi di uji t-statistik dan uji Fstatistik menjadi tidak valid. Pengujian untuk masalah autokorelasi dilakukan dengan melihat DurbinWatson stat yang nilainya telah disediakan dalam program Eviews 8.0 dibandingkan dengan DW-Tabel. Sebuah model dapat dikatakan terbebas dari autokorelasi jika nilai Durbin-watson stat terletak di area non-autokorelasi. Penentuan area tersebut dibantu dengan nilai tabel DL dan DU. Jumlah observasi (N) dan jumlah variabel independen (K). Hipotesis pengujian yang digunakan adalah sebagai berikut: H0 : Tidak terdapat autokorelasi H1 : Terdapat autokorelasi Maka aturan pengujiannya adalah sebagai berikut: 0 < DW < DL : tolak H0, ada autokorelasi positif : daerah ragu-ragu, tidak ada keputusan DL W DU < DW < 4-DU : terima H0, tidak ada autokorelasi 4-D W -DL : daerah ragu-ragu, tidak ada keputusan 4-DL < DW < 4 : tolak H0, ada autokorelasi negatif Kriteria Statistik Evaluasi model berdasarkan kriteria statistik dilakukan dengan beberapa pengujian antara lain sebagai berikut: a. Koefesien Determinasi (R2) Nilai R2 digunakan untuk mengukur seberapa besar tingkat variabel independen yang digunakan dalam penelitian dapat menjelaskan variabel dependen. Nilai tersebut menunjukkan seberapa dekat garis regresi yang kita estimasi dengan data yang sesungguhnya. Nilai R2 terletak antara nol hingga satu dimana semakin mendekati satu maka model akan semakin baik. b. Uji F-statistik Uji F-statistik digunakan untuk mengetahui apakah variabel-variabel independen yang digunakan dalam penelitian secara bersama-sama signifikan memengaruhi variabel dependen. Nilai F-statistik yang besar lebih baik dibandingkan dengan F-statistik yang rendah. Nilai Probabilitas (F-statistik) merupakan tingkat signifikansi marginal dari F-statistik. Hipotesis pengujian yang digunakan adalah sebagai berikut: n
al a a salah satu j yan t a sa a
n an nol
24 Tolak H0 jika F-stat st > F -1,NT-N-K) atau Probabilitas (F-statistik < Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1ta apat menyimpulkan bahwa variabel independen yang digunakan di dalam model secara bersama-sama signifikan memengaruhi variabel dependen. c. Uji t-statistik Uji t-statistik digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. Hipotesis pengujian yang digunakan adalah sebagai berikut: H0 : j = 0 H1 : j ≠ 0 Tolak H0 jika t-statistik > t /2(NT-K-1). Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1ta apat ny pul an ahwa var a l n p n n -i secara parsial memengaruhi variabel dependen. Kriteria Ekonomi Evaluasi model estimasi berdasarkan kriteria ekonomi dilakukan dengan membandingkan kesesuaian tanda dan nilai estimator dengan teori ekonomi dan kesesuaian dengan logika.
Model Permintaan Uang Model permintaan uang yang digunakan dalam penelitian ini adalah model permintaan uang sederhana yang dijelaskan oleh Chowdhury (1995) dan model permintaan uang sederhana yang dijelaskan oleh Leventakis (1993). Fungsi permintaan uang di 5 Negara ASEAN dianalisis dengan menggunakan model yang dijelaskan oleh Chowdhury (1995) dan Leventakis (1993). Aset yang dimiliki oleh warga negara asal dan warga negara asing meliputi uang dalam negeri, uang luar negeri, obligasi dalam negeri, dan obligasi asing. Permintaan uang domestik diasumsikan tergantung pada variabel skala dan tingkat pengembalian keempat aset. Tingkat pengembalian uang domestik adalah nol, sedangkan tingkat pengembalian yang diharapkan untuk uang asing adalah depresiasi yang diharapkan dari mata uang domestik. Suku bunga domestik mewakili tingkat pengembalian nominal obligasi domestik, sedangkan suku bunga asing mengukur tingkat pengembalian nominal obligasi asing. Oleh karena itu, depresiasi mata uang domestik akan menurunkan permintaan uang dalam negeri dengan mengarahkan kepada substitusi dengan uang asing dan obligasi asing. Berdasarkan uraian tersebut, Chowdhury (1995) merumuskan model permintaan uang sederhana untuk perekonomian terbuka seperti berikut: (25) mit – pit i 1yit 2Rit it dimana: m = money p = prices y = output R = domestic interest rate Broad Money (M2) digunakan sebagai proxy untuk menjelaskan uang (money), Consumer Price Index (CPI) digunakan sebagai proxy untuk
25 menjelaskan harga (prices), Manufacturing Production Index (MPI) digunakan sebagai proxy untuk menjelaskan output, dan Deposit Rate digunakan sebagai proxy untuk menjelaskan suku bunga domestik (domestic interest rate). Leventakis (1993) kemudian memasukkan variabel tambahan yang terkait dengan kekayaan dan faktor-faktor yang menentukan permintaan uang. Peningkatan kekayaan diperkirakan akan meningkatkan permintaan untuk aset keuangan, termasuk permintaan uang. Akhirnya suku bunga luar negeri dan nilai tukar nominal dimasukkan ke dalam model permintaan uang untuk perekonomian terbuka. Model yang dikembangkan oleh Leventakis (1993) sebagai berikut: * mit – pit (26) i 1yit 2Rit 3Rit 4eit it dimana: m = money p = prices y = output R = domestic interest rate R* = foreign interest rate e = nominal exchange rate Selain variabel-variabel yang sudah dijelaskan pada model (25), terdapat 2 variabel tambahan dalam model (26), yaitu suku bunga asing dan nilai tukar nominal. Federal Fund Rate (FFR) digunakan sebagai proxy untuk menjelaskan suku bunga asing (foreign interest rate). Sedangkan Nominal Exchange Rate (NER) didefinisikan sebagai unit mata uang domestik per 1 US Dollar. Jadi, model yang digunakan dalam penelitian ini dengan mengacu pada model permintaan uang sedehana yang dirumuskan oleh Chowdhury dan Leventakis adalah sebagai berikut : Ln M2 – Ln CPI = i + 1Ln MPI + 2DR + it (27) dimana : M2 = broad money CPI = consumer price index MPI = manufacturing production index DR = deposit rate serta Ln M2 – Ln CPI = i + 1Ln MPI + 2DR + 3FFR + 4Ln NER + it (28) dimana: M2 = broad money CPI = consumer price index MPI = manufacturing production index DR = deposit rate FFR = federal fund rate NER = nominal exchange rate
26
HASIL DAN PEMBAHASAN Analisis Deskriptif Untuk Melihat Kondisi Disnflasi di 5 Negara ASEAN Inflasi merupakan permasalahan utama bagi setiap negara. Inflasi memiliki peran penting dalam stabilitas kebijakan moneter suatu negara. Secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga) pada barang lainnya. Inflasi timbul karena adanya tekanan dari sisi supply (cost push inflation), dari sisi permintaan (demand pull inflation), dan dari ekspektasi inflasi. Faktorfaktor terjadinya cost push inflation dapat disebabkan oleh depresiasi nilai tukar, dampak inflasi luar negeri terutama negara-negara mitra dagang, peningkatan harga-harga komoditi yang diatur pemerintah (administered price), dan terjadi negative supply shocks akibat bencana alam dan terganggunya distribusi. Faktor penyebab terjadi demand pull inflation adalah 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. 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 misalnya 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 regional (UMR). 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 UMR, pedagang ikut pula meningkatkan harga barang meski kenaikan upah tersebut tidak terlalu signifikan dalam mendorong peningkatan permintaan. Sedangkan disinflasi adalah istilah yang digunakan untuk menyebut perlambatan dalam tingkat inflasi. Disinflasi adalah suatu penurunan tingkat harga-harga umum yang biasanya dibarengi dengan penurunan pada tingkat pendapatan nasional. Disinflasi dilakukan oleh pemerintah untuk mengatasi tingkat inflasi yang tinggi dan menghilangkan defisit neraca pembayaran (balance of payment). Peralatan kebijakan disinflasi termasuk kebijakan fiskal, kebijakan moneter (tingkat bunga yang tinggi), dan pengawasan harga dan pendapatan. Disinflasi berbeda dengan deflasi. Disinflasi menunjukkan penurunan tingkat inflasi, yang berarti peningkatan yang lambat dalam harga. Dalam inflation targeting framework (ITF), disinflasi merupakan suatu kondisi inflasi yang baik. Strategi disinflasi dapat digunakan pemerintah untuk mencapai tingkat inflasi yang rendah dan stabil. Sedangkan deflasi adalah penurunan tingkat harga secara terus menerus yang menyebar dengan cepat sehingga menyebabkan kesulitan pada pengeluaran konsumen dan bisnis terkait penundaan untuk
27 penentuan harga (transkasi) yang terus-menerus turun. Deflasi terjadi ketika headline tahunan ekonomi terfokus pada indikator inflasi (biasanya indeks harga konsumen berada dalam area negatif) dan kadang dinyatakan sebagai suatu periode turunnya harga serta upah secara umum. Penelitian ini menganalisis kondisi inflasi dari 5 negara objek penelitian selama periode penelitian. Berdasarkan data inflation rate, M2, dan deposit rate yang digunakan terlihat bahwa selama periode Januari 2008 hingga Maret 2013 terjadi disinflasi di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam. Sepanjang tahun 2008, seluruh negara yang menjadi objek penelitian menunjukkan tingkat inflasi tertingginya. Bahkan untuk Indonesia, Filipina, dan Vietnam tingkat inflasi yang dicapai mencapai dua digit. Sedangkan untuk Malaysia dan Singapura walalupun tidak mencapai dua digit, namun tingkat inflasi sepanjang 2008 merupakan tingkat inflasi tertinggi yang dialami kedua negara tersebut. Tingkat inflasi tertinggi yang dialami Indonesia dan Vietnam selama periode penelitian terjadi pada September 2008, yaitu 12.14% dan 28.24%. Sedangkan tingkat inflasi tertinggi yang dialami Filipina terjadi pada Agustus 2008, yaitu sebesar 12.3%. Di sisi lain, Malaysia mengalami inflasi tertingginya selama Agustus-September 2008 sebesar 8.5% dan Singapura selama April-Juni 2008, yaitu sebesar 7.5%. Setelah periode tersebut (awal hingga pertengahan 2009) terjadi disinflasi di lima negara ASEAN tersebut. Selanjutnya, tingkat inflasi cenderung berada pada tingkat yang stabil. Lonjakan inflasi yang tinggi selama tahun 2008 disebabkan karena krisis global yang terjadi pada tahun 2008. Krisis ini menyebabkan terjadinya lonjakan harga komoditas, sehingga inflasi ASEAN melonjak tajam pada tahun 2008. Peningkatan inflasi terbesar terjadi pada Vietnam, Filipina, dan Singapura. Namun, memasuki triwulan IV tahun 2008 (mulai Oktober 2008), lonjakan tingkat inflasi di kawasan ASEAN mulai berkurang dan terjadi disinflasi. 40
%
30 20
inflasi
10
M2 Jul-12
Oct-11
Jan-11
Apr-10
Jul-09
Oct-08
Jan-08
0
deposit rate
Bulan Sumber: International Financial Statictic dan Trading Economics 2014 (diolah)
Gambar 6 Kondisi Inflasi Indonesia Periode Januari 2008 hingga Maret 2013 Pada Gambar 6 terlihat bahwa ketika inflasi meningkat, tingkat deposit rate juga cenderung mengalami penigkatan. Pada grafik juga terlihat disinflasi yang terjadi pada Indonesia, di mana disinflasi ini ditunjukkan ketika tingkat inflasi terus mengalami penurunan dari 9.17% pada Januari 2009 menjadi 2.71% pada Juli 2009. Kemudian tingkat inflasi kembali berada pada tingkat yang stabil mulai Agustus 2009 hingga Maret 2013.
inflasi M2 Jul-12
Oct-11
Jan-11
Apr-10
Jul-09
deposit rate Oct-08
30 25 20 15 10 5 0 -5
Jan-08
%
28
Bulan Sumber: International Financial Statictic dan Trading Economics 2014 (diolah)
35 30 25 20 15 10 5 0
inflasi
Jul-12
Oct-11
Jan-11
Apr-10
Jul-09
Oct-08
M2 Jan-08
%
Gambar 7 Kondisi Inflasi Malaysia Periode Januari 2008 hingga Maret 2013 Berdasarkan Gambar 7 juga terlihat bahwa Malaysia mengalami disinflasi pada periode yang sama dengan Indonesia, yaitu terjadi penurunan inflasi sejak Januari 2009 hingga September 2009. Tingkat inflasi pada periode tersebut turun dari 4.4% menjadi -2.4% dan tingkat inflasi pada September 2009 merupakan tingkat inflasi terendah Malaysia selama periode penelitian.
deposit rate
Bulan Sumber: International Financial Statictic dan Trading Economics 2014 (diolah)
inflasi M2 Jul-12
Oct-11
Jan-11
Apr-10
Jul-09
deposit rate Oct-08
30 25 20 15 10 5 0 -5
Jan-08
Persen
Gambar 8 Kondisi Inflasi Filipina Periode Januari 2008 hingga Maret 2013 Filipina juga mengalami hal yang sama. Disinflasi terjadi pada periode Januari 2009-September 2009. Pada Januari 2009 tingkat inflasi Filipina sebesar 8% kemudian terus mengalami penurunan hingga mencapai tingkat inflasi terendahnya pada September 2009, yaitu sebesar 0.1%.
Bulan Sumber: International Financial Statictic dan Trading Economics 2014 (diolah)
Gambar 9 Kondisi Inflasi Singapura Periode Januari 2008 hingga Maret 2013
29 Singapura juga mengalami disinflasi selama periode penelitian. Disinflasi ini terlihat ketika terjadi penurunan inflasi selama Januari 2009 hingga Oktober 2009, yaitu dari 4.3% menjadi -0.9%. Bahkan tingkat inflasi pada Oktober 2009 merupakan tingkat inflasi terendah Singapura selama periode penelitian. Setelah Oktober 2009, inflasi Singapura terlihat kembali kepada tingkatan yang stabil. 40
%
30 20
inflasi
10
M2 Jul-12
Oct-11
Jan-11
Apr-10
Jul-09
Oct-08
Jan-08
0
deposit rate
Bulan Sumber: International Financial Statictic dan Trading Economics 2014 (diolah)
Gambar 10 Kondisi Inflasi Vietnam Periode Januari 2008 hingga Maret 2013 Vietnam pun mengalami disinflasi pada periode Januari 2009 hingga September 2009, di mana hal ini ditunjukkan dari tingkat inflasi Vietnam yang turun dari 19.87% pada Januari 2009 menjadi 1.92% pada September 2009 dan merupakan tingkat inflasi terendah Vietnam pada periode penelitian ini. Berdasarkan Gambar 6-10, hampir semua negara ASEAN yang dijadikan objek penelitian, selama periode Januari 2008 hingga Maret 2013 menunjukkan bahwa tingkat suku bunga domestik yang dalam penelitian ini dijelaskan dengan deposit rate dipengaruhi oleh tingkat yang dicapai oleh inflasi. Sedangkan variabel M2 cenderung terus mengalami peningkatan sepanjang periode penelitian.
Uji Stasioneritas Data Panel Pengujian stasioneritas data merupakan tahap yang paling penting dalam menganilisis data panel. Tujuan pengujian stasioneritas data untuk melihat ada tidaknya panel unit root yang terkandung di antara variabel, sehingga hubungan di antara variabel menjadi valid. Pengujian panel unit root yang digunakan penelitian ini didasarkan pada beberapa statistik uji tingkat level dan first differencing. Panel Unit Root Test dilakukan terhadap 6 variabel yang akan diuji dalam model permintaan uang sederhana, yaitu Broad Money (M2), Manufacturing Production Index (IPI), Deposit Rates, Nominal Exchange Rate, Federal Fund Rate, dan Consumer Price Index (CPI). Semua variabel kecuali Deposit Rates dan Federal Fund Rate dikonversikan ke dalam bentuk logatima natural. Panel Unit Root Test diuji pada level dan first difference dengan metode individual intercept, individual intercept and trend, serta none. Secara umum, hasil dari Panel Unit Root Test menunjukkan bahwa variabel-variabel tersebut stasioner pada first difference.
30 Tabel 2 Hasil Uji Akar Unit Pada Data Panel (Panel Unit Root Test) Variabel
Diff1
Metode2
LLC test
P-Value Statistik Uji PPIPS test Breitung Fisher
LnM2
0
2
0.2854
0.058*
0.0145**
d(LnM2)
1
1
0.0000***
0.0000***
0.0000***
d(LnM2)
1
2
0.0000***
0.0000***
0.0000***
d(LnM2)
1
3
0.0012***
LnMPI
0
1
0.2984
0.0386**
0.0008***
LnMPI
0
2
0.0025***
0.0000***
0.0000***
1
0.0000
***
0.0000
***
0.0000
***
0.0000
***
0.0000
***
0.0000
***
0.0000
***
0.0000
***
d(LnMPI) d(LnMPI) d(LnMPI) DR
1 1 1 0
2 3 1
0.041
**
0.1489
0.7341
0.0559
*
0.1161
DR
0
2
0.0123
d(DR)
1
1
0.0000***
0.0000***
0.0000***
d(DR)
1
2
0.0000***
0.0000***
0.0000***
d(DR)
1
3
0.0000*** ***
1
1
0.0000
d(LnNER)
1
2
0.0000***
3
0.0000
*** ***
d(LnNER)
1
d(LnCPI)
1
1
0.0000
d(LnCPI)
1
2
0.0000***
3
0.0000
*** ***
d(LnCPI)
1
0.0000***
0.0000***
0.0000***
0.0000
0.0000 ***
0.0000***
0.0000***
0.0000***
0.0000
0.0000
0.0000***
FFR
0
2
0.0000***
0.0000***
0.0000***
1
0.0000
***
0.0000
***
0.0000***
0.0000
***
0.0000
***
***
0.0000
***
d(FFR) 1 Sumber: lampiran
2 3
0.0000
***
0.0000
1
0.0000
0.0347*** I(1) 0.0000***
0.0000
I(1)
I(1)
***
1
d(FFR)
I(1) ***
***
0 1
0.0003***
0.0000*** ***
FFR d(FFR)
I(1)
0.0000***
**
d(LnNER)
0.0000***
Hasil
I(1)
0.0000***
Keterangan: Differencing : 0 : Level : 1 : First Difference Metode : 0 : Dengan Intersep-Tanpa Tren : 1 : Dengan Intersep dan Tren : 2 : Tanpa Intersep-Tanpa Tren Signifikansi : * : Pada taraf nyata 10% ** : : Pada taraf nyata 5% : *** : Pada taraf nyata 1% Berdasarkan Tabel 2, terlihat bahwa seluruh variabel stasioner pada first difference. Berdasarkan berbagai uji statistik yang digunakan, data first differencing menunjukkan adanya common unit root (uji LLC dan Breitung) pada variabel M2, Manufacturing Production Index, dan Deposit Rate. Selain itu, semua variabel yang diuji pada first difference menunjukkan adanya individual unit root (uji IPS dan PP-Fiseher). Berdasarkan hasil yang didapatkan, dapat
31 disimpulkan bahwa seluruh variabel stasioner pada first difference, sehingga perlu dilakukan uji kointegrasi untuk melihat hubungan jangka panjang antar variabel. Pengujian Model Terbaik Pada tahap ini, dilakukan pengujian untuk mendapatkan model terbaik yang akan digunakan dalam penelitian ini. Pengujian dimulai dengan menguji metode terbaik antara Pooled Least Square dan Fixed Effect Model dengan menggunakan uji Chow. Selain itu, untuk menguji model terbaik antara model permintaan uang sederhana yang dirumuskan oleh Chowdhury dan Leventakis juga dilihat berdasarkan kriteria statistik dari masing-masing model, baik dari nilai koefisien determinasi (R2), uji F-statistik, maupun uji t-statistik. Uji Chow Metode Pooled Least Square (PLS) akan dipilih saat tidak terdapat perbedaan di antara data matrix pada dimensi cross section. Model ini n st as an n la yan onstan untu s ua ns cross section. Melalui pengujian statistik, pemilihan kedua metode ini dapat diselesaikan dengan pengujian F-statistik (Chow Test) dengan hipotesa berikut: H0 : Pooled Least Square (PLS) H1 : Fixed Effect Model (FEM) Tabel 3 Uji Chow Terhadap Model Permintaan Uang Sederhana Chowdhury Effects Test Cross-section F Sumber : lampiran
Statistic 25954.187755
d.f.
Prob.
(4,308)
0.0000
Tabel 4 Uji Chow Terhadap Model Permintaan Uang Sederhana Leventakis Effects Test Cross-section F Sumber : lampiran
Statistic 2176.693125
d.f.
Prob.
(4,306)
0.0000
Hasil pengujian statistik untuk kedua model pada Tabel 3 dan 4 menunjukkan nilai F-statistik yang signifikan yaitu P-value 0.000 < % sehingga tidak cukup bukti untuk terima H0, maka metode yang digunakan mengikuti Fixed Effect Model (FEM). Pengujian Kriteria Statistik Koefisien Determinasi (R2) Hasil estimasi menunjukkan bahwa nilai koefisien determinasi (R2) pada model permintaan uang sederhana yang dirumuskan oleh Chowdhury pada metode FEM adalah 0.999272. Nilai koefisien determinasi pada metode FMOLS adalah 0.999250 sedangkan pada metode DOLS adalah 0.999694. Nilai koefisien determinasi masing-masing metode ini menunjukkan menunjukkan bahwa 99.9272%, 99.925%, dan 99.9694% keragaman dari variabel dependen pada model permintaan uang sederhana yang dirumuskan Chowdhury dapat dijelaskan oleh variabel-variabel independennya, sedangkan sisanya dijelaskan oleh variabel
32 lain di luar model. Nilai R2 yang tinggi pada model permintaan uang sederhana Chowdhury menunjukkan model yang digunakan sudah cukup baik. Hasil estimasi juga menunjukkan bahwa nilai koefisien determinasi (R2) pada model permintaan uang sederhana yang dirumuskan oleh Leventakis pada metode FEM adalah 0.999498. Nilai koefisien determinasi pada metode FMOLS adalah 0.999450 sedangkan pada metode DOLS adalah 0.999833. Nilai koefisien determinasi masing-masing metode ini menunjukkan menunjukkan bahwa 99.9498%, 99.945%, dan 99.9833% keragaman dari variabel dependen pada model permintaan uang sederhana yang dirumuskan Leventakis dapat dijelaskan oleh variabel-variabel independennya, sedangkan sisanya dijelaskan oleh variabel lain di luar model. Nilai R2 yang tinggi pada model permintaan uang sederhana Leventakis menunjukkan model yang digunakan sudah cukup baik. Oleh karena itu, dapat disimpulkan berdasarkan uji nilai koefisien determinasi kedua model permintaan uang telah memiliki hasil yang baik. Uji F Uji F-statistik digunakan untuk mengetahui apakah variabel-variabel independen yang digunakan dalam penelitian secara bersama-sama signifikan memengaruhi variabel dependennya pada tingkat kepercayaan 95 persen atau pada taraf nyata 5 persen. Nilai probabilitas F statistik harus lebih kecil dari taraf nyatanya sehingga dapat diindikasikan bahwa setidaknya ada satu variabel independen berpengaruh signifikan terhadap variabel dependen. Dari hasil estimasi diketahui nilai probabilitas F statistik pada model permintaan uang sederhana yang dirumuskan Chowdhury dan Leventakis memiliki nilai 0.0000 yang lebih kecil dari taraf nyatanya 5 persen sehingga dapat disimpulkan bahwa ada setidaknya satu variabel independen yang berpengaruh signifikan terhadap permintaan uang di negara-negara objek penelitian. Oleh karena itu, berdasarkan uji F-statistik dapat disimpulkan bahwa kedua model telah memiliki hasil yang baik. Uji t Uji-t statistik digunakan untuk mengetahui apakah koefisien masing-masing variabel independen secara individu (parsial) memberikan pengaruh yang signifikan terhadap variabel dependennya. Pada model permintaan uang sederhana Chowdhury dengan menggunakan metode FEM, variabel independen MPI dan DR memiliki nilai probabilitas lebih kecil daripada taraf nyata 5 persen. Variabel MPI dan DR pada metode FMOLS juga memiliki nilai probabilitas yang lebih kecil dari taraf nyata 5 persen. Pada metode DOLS, nilai probabilitas variabel MPI dan DR juga lebih kecil dari taraf nyata 5 persen. Hal ini berarti bahwa variabel-variabel independen tersebut secara parsial berpengaruh signifikan terhadap permintaan uang di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam. Pada model permintaan uang sederhana Leventakis dengan menggunakan metode FEM, variabel independen MPI, DR, dan FFR memiliki nilai probabilitas lebih kecil daripada taraf nyata 5 persen sedangkan variabel independen NER memiliki nilai probabilitas yang lebih besar dari taraf nyata 5 persen. Variabel MPI, DR, dan FFR pada metode FMOLS juga memiliki nilai probabilitas yang lebih kecil dari taraf nyata 5 persen dan variabel NER lebih besar dari taraf nyata
33 5 persen. Pada metode DOLS, nilai probabilitas variabel MPI, DR, dan FFR juga lebih kecil dari taraf nyata 5 persen sedangkan variabel NER juga memiliki nilai probabilitas yang lebih besar dari 5 persen. Hal ini berarti bahwa variabel MPI, DR, dan FFR secara parsial berpengaruh terhadap permintaan uang di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam sedangkan variabel NER tidak berpengaruh secara signifikan. Oleh karena itu, berdasarkan uji t dapat disimpulkan bahwa model permintaan uang sederhana yang dirumuskan Chowdhury lebih baik daripada model permintaan uang sederhana yang dirumuskan Leventakis karena seluruh variabel pada model permintaan uang Chowdhury berpengaruh secara signifikan terhadap permintaan uang pada taraf nyata 5 persen. Pengujian-pengujian di atas memperlihatkan bahwa model terbaik yang dapat digunakan pada penelitian ini adalah model permintaan uang sederhana yang dirumuskan oleh Chowdhury. Hal ini dikarenakan berdasarkan berbagai uji kriteria statistika model permintaan uang Chowdhury memiliki hasil yang baik. Pertama, model ini memiliki nilai koefisien determinasi yang tinggi pada metode FEM, FMOLS, dan DOLS. Kedua, model ini juga memiliki nilai probabilitas F statististik yang lebih kecil dari taraf nyata 5 persen yang berarti bahwa ada setidaknya satu variabel independen yang berpengaruh signifikan terhadap permintaan uang di negara-negara objek penelitian. Terakhir berdasarkan uji-t, variabel-variabel independen pada model ini (MPI dan DR) memiliki nilai probabilitas yang lebih kecil dari taraf nyata 5 persen yang berarti bahwa variabelvariabel independen tersebut secara parsial berpengaruh signifikan terhadap permintaan uang di negara objek penelitian. Pengujian Asumsi Langkah yang dilakukan dalam mengevaluasi hasil regresi terhadap model permintaan uang sederhana Chowdhury adalah mendeteksi permasalahan yang mungkin terjadi dalam setiap model. Permasalahan yang mungkin terjadi pada model ini tidak terlepas dari pelanggaran asumsi, yaitu normalitas, multikolinearitas, dan autokorelasi. Uji Normalitas Pengujian asumsi normalitas dilakukan untuk melihat apakah error term mengikuti distribusi normal atau tidak yang dapat dilihat dari nilai probabilitas Jarque Bera atau dengan melihat plot dari sisaan. Hasil estimasi menunjukkan nilai probabilitas Jarque Bera kurang dari taraf nyata 5 persen (Lampiran 2) sehingga dapat disimpulkan bahwa error term belum terdistribusi secara normal dalam model. Seperti yang telah dijelaskan pada bab sebelumnya, dalam model regresi data panel asumsi regresi klasik tidak dapat diterapkan. Dengan demikian data panel tidak memerlukan terpenuhinya asumsi klasik seperti pada regresi biasa karena analisis data panel dilakukan untuk menentukan estimator yang lebih baik disesuaikan dengan kondisi matriks varians-covarians residual. Uji Multikolineritas Permasalahan multikolinearitas telah dapat diselesaikan ketika menggunakan data panel atau dengan kata lain data panel menjadi solusi jika data mengalami multikolinearitas (Gujarati 2003).
34 Uji Autokorelasi Hasil output regresi untuk model permintaan uang sederhana yang dirumuskan oleh Chowdhury dengan menggunakan Kao Residual Cointegration Test terlihat bahwa nilai Durbin-Watson statistic (DW-stat) sebesar 2.060470. Nilai batas bawah (DL) sebesar 1.80725 dan batas atas (DU) sebesar 1.82019. Agar model terbebas dari masalah autokorelasi maka nilai statistik Durbin-Watson harus berada di antara DU < DW < 4-DU atau berada di antara nilai 1.82019 dan 2.17901. Berdasarkan hasil yang didapat terlihat bahwa tidak terdapat autokorelasi dalam permintaan uang sederhana yang dirumuskan oleh Chowdhury.
Uji Kointegrasi Data Panel Uji Panel Cointegration terdiri dari 4 metode pengujian, yaitu Ordinary Least Square (OLS), Fixed Effect (FE), Fully Modified OLS (FMOLS), dan Dynamic OLS (DOLS). Hasil estimasi dari model permintaan uang standar (27) untuk wilayah perekonomian terbuka (Chowdhury, 1995) menunjukkan hasil yang cukup baik. Hasil estimasi dapat dilihat pada Tabel 5. Hampir semua variabel memiliki tanda yang tepat sesuai hipotesis. Selain itu, hampir semua variabel juga memiliki tingkat signifikan yang tinggi untuk taraf nyata 5%. Hal ini terlihat dari nilai probabilitas yang diperlihatkan baik pada uji OLS, FE, FMOLS, dan DOLS yang menunjukkan hasil yang baik. Tabel 5 Hasil Estimasi Model Pemintaan Uang Sederhana Chowdhury Untuk Wilayah Perekonomian Terbuka
manufacturing production
deposit rate Jumlah observasi tiap negara Total observasi fixed effect
FE FMOLS DOLS * * 0.0000 0.0000 0.0000* 11.03289 7.495624 10.38946 0.517207 0.705871 0.90996 0.0000* 0.0000* 0.0001* -7.21828 -4.17451 -4.10896 -0.02648 -0.03069 -0.02484 63 63 63 315 315 315 ya ya ya
Sumber: lampiran keterangan: baris pertama adalah probabilitas, baris kedua adalah t-statistic, baris ketiga adalah koefisien. * menunjukkan data stasioner pada taraf nyata 5%.
Koefisien manufacturing production menunjukkan nilai antara 0.5172070.90996. Hal ini menunjukkan bahwa output (yang diwakili manufacturing production) memiliki hubungan yang positif dengan permintaan uang. Jika ouput meningkat sebesar 1%, maka permintaan uang akan meningkat sebesar 0.52%0.91%. Hasil tersebut sesuai dengan konsep ekonomi, yaitu ketika output mengalami peningkatan, maka jumlah permintaan uang juga akan mengalami peningkatan. Ketika output meningkat maka masyarakat membutuhkan lebih banyak uang untuk melakukan konsumsi, hal ini mengakibatkan permintaan uang meningkat untuk memenuhi kebutuhan tersebut.
35 Koefisien manufacturing production tersebut juga menunjukkan elastisitas pendapatan. Pada hasil yang ditunjukkan Tabel 5 terlihat bahwa nilai elastisitas pendapatan dari permintaan uang adalah lebih kecil dari 1 sehingga permintaan akan uang naik proporsional lebih kecil dari pendapatan. Dengan kata lain terdapat skala ekonomi (economies of scale) dalam pengelolaan uang tunai/kas. Sedangkan untuk koefisien suku bunga domestik yang diwakili oleh deposit rate menunjukkan nilai antara (0.02648)-(0.03069). Hal ini menunjukkan bahwa suku bunga domestik memiliki hubungan yang negatif dengan permintaan uang. Jika suku bunga domestik meningkat sebesar 1%, maka permintaan uang akan menurun kira-kira sebesar 0.03%. Hasil ini juga sesuai dengan teori Keynes, yaitu ketika tingkat suku bunga domestik meningkat, maka permintaan akan uang untuk motif spekulasi akan berkurang. Hal ini dikarenakan tingginya tingkat suku bunga domestik akan membuat biaya pinjaman uang untuk berspekulasi semakin bertambah mahal. Selain itu, jika tingkat suku bunga tinggi, masyarakat akan lebih memilih untuk menabung di bank daripada melakukan investasi. Dengan demikian semakin tinggi tingkat bunga semakin kecil keinginan masyarakat untuk memegang uang kas. Hal ini dikarenakan semakin banyaknya alternatif bentuk kekayaan selain uang tunai yang dapat dimiliki oleh masyarakat, seperti semakin beragamnya produk-produk perbankan. Hasil analisis ini juga sesuai dengan teori Milton Friedman yang menyatakan bahwa suku bunga yang tinggi mendorong orang membeli lebih banyak obligasi dan ekuitas dan mengurangi pemegangan uang. Hal ini berarti bahwa permintaan uang berkurang bila suku bunga meningkat. Hasil penelitian ini sesuai dengan hasil yang didapatkan oleh Jarko (2006) saat menguji permintaan uang jangka panjang untuk 6 negara CEECs, yaitu Republik Ceko, Hungaria, Polandia, Romania, Slovakia, dan Slovenia. pada penelitian tersebut, Jarko memperoleh hasil bahwa output (pada Jarko diproksikan dengan industrial productioon index) secara signifikan mempengaruhi permintaan uang negara-negara CEECs. Suku bunga domestik yang diproksikan dengan deposit rate juga secara signifikan mempengaruhi permintaan uang negara-negara CEECs. Selanjutnya, dilakukan pengujian untuk melihat apakah hubungan yang diperkirakan pada model permintaan uang Chowdhury memiliki hubungan jangka panjang dengan pendekatan Kao Residual Cointegration Test. Hasil dari pengujian ini dijelaskan dalam Tabel 5. -1.678321 -0.697958 0.0466 0.2426 Tabel 6 Kao Residual Cointegration Test Variabel LnM2_LnCPI, LnMPI, DR
ADF T-statistik
-1.678321
Prob
0.0466
Sumber: lampiran
Tabel 6 menunjukkan bahwa persamaan permintaan uang sederhana yang dirumuskan oleh Chowdhury memiliki probabilitas sebesar 0.0466. Nilai probabilitas tersebut signifikan pada taraf nyata 5%. Berdasarkan nilai probabilitas tersebut dapat disimpulkan bahwa seluruh variabel penelitian yang diuji (broad money, consumer price index, manufacturing production index, dan deposit rate) berkointegrasi atau dalam jangka panjang variabel penelitian
36 memiliki arah pergerakan yang sama. Hasil yang didapatkan ini sesuai dengan hipotesis yang dituliskan sebelumnya. Hasil tersebut menunjukkan bahwa seluruh variabel dalam model permintaan uang sederhana yang dirumuskan Chowdhury dapat dioptimalkan secara bersamaan untuk mencapai permintaan uang yang diinginkan oleh suatu negara. Kebijakan moneter dapat dirumuskan dengan memperhatikan pengaruh yang akan diakibatkan oleh seluruh variabel tersebut terhadap permintaan uang. Sehingga permintaan uang dalam jangka panjang dapat menjadi lebih stabil. Implikasinya pada kebijakan moneter akan membuat kebijakan moneter menjadi lebih efektif dan tepat sasaran.
SIMPULAN DAN SARAN Simpulan Berdasarkan hasil penelitian yang telah dilakukan mengenai analisis permintaan uang dan kondisi inflasi negara ASEAN yaitu Indonesia, Malaysia, Filipina, Singapura, dan Vietnam periode Januari 2008 hingga Maret 2013, diperoleh beberapa simpulan berikut: 1. Berdasarkan analisis deskriptif dengan menggunakan inflation rate, M2, dan deposit rate didapatkan hasil bahwa Indonesia, Malaysia, Filipina, Singapura, dan Vietnam mengalami disinflasi mulai Januari 2009. 2. Berdasarkan uji akar unit pada data panel menggunakan uji LLC, IPS, PPFisher, dan Breitung didapatkan hasil bahwa seluruh variabel yang akan diuji pada model permintaan uang sederhana stasioner pada first difference. Data first differencing menunjukkan adanya common unit root (uji LLC dan Breitung) pada variabel M2, Manufacturing Production Index, dan Deposit Rate. Selain itu, semua variabel yang diuji pada first difference menunjukkan adanya individual unit root (uji IPS dan PP-Fiseher) 3. Penggunaan model permintaan uang sederhana yang dirumuskan Chowdhury ternyata dapat menjelaskan permintaan uang jangka panjang. Hasil dari uji kointegrasi menjelaskan bahwa semua variabel yang diuji dengan model permintaan uang sederhana yang dirumuskan Chowdhury saling berkointegrasi atau dalam jangka panjang seluruh variabel memiliki arah pergerakan yang sama. Saran 1. Bagi bank sentral dan otoritas moneter di Indonesia, Malaysia, Filipina, Singapura, dan Vietnam yang menerapkan inflation targeting framework (ITF), strategi disinflasi dapat digunakan untuk mencapai tingkat inflasi yang rendah dan stabil dalam jangka menengah-panjang. 2. Bank sentral dan otoritas moneter Indonesia, Malaysia, Filipina, Singapura, dan Vietnam diharapkan dapat mengoptimalkan pengaruh output, suku bunga, nilai tukar, dan inflasi dalam menjaga kestabilan permintaan uang
37 negara, meningkatkan efektivitas kebijakan moneter, dan meningkatkan pertumbuhan ekonomi negaranya. 3. Pemerintah Indonesia, malaysia, Filipina, Singapura, dan Vietnam harus cepat tanggap dalam menghadapi inflasi yang terjadi di negaranya, jangan sampai timbul inflasi yang terlalu tinggi atau deflasi yang berkepanjangan. Pemerintah harus cepat dalam menyikapi setiap kondisi permintaan uang di negaranya untuk menjaga kestabilan permintaan uang dan agar kebijakan moneter berjalan secara optimal.
DAFTAR PUSTAKA Asian Development Bank. 2009. The Global Economic Crisis Challenges for D v lop n s a an DB’s spons rs a ar www a or Baltagi, BH. 2005. Econometrics Analysis of Panel Data. England (GB): John Willey & Sons. Boediono, 1985. Teori Pertumbuhan Ekonomi. Yogyakarta (ID): BPFE. Dotsey M, Hornstein A. 2003. Should Monetrary Policymaker Look At Money?. [Jurnal]. Journal of Monetary Economics. Enders, W. 1995. Applied Econometric Time Series. Canada (US): John Willey and Sons, Inc. Fidrmuc, J. 2006. Money Demand and Disinflation in Selected CEECs during the Accession to the EU. [Jurnal]. Munich Discussion Paper No. 2006-31. University of Munich. Department of Economics. Firdaus, M. 2011. Aplikasi Ekonometrika Untuk Data Panel dan Time Series. Bogor (ID): IPB Press. Fisher, I. 1911. The Purchasing of Money. [Mei 2014]. Tersedia dari: http://www.econlib.org/library/YPDBooks/Fisher/fshPPM21.html Fraga A, Goldfajin I, Minella A. 2003. Inflation Targeting in Energing Markets Economies. [Jurnal]. Working Paper No. 10019, NBER, Cambridge. Friedman, M. 1956. The Quantity Theory of Money: A Restatement. University Chicago Press. Fx Sauder. 2011. Currency Negara-Negara di ASEAN. [Maret 2014]. Tersedia dari: www.fxsauder.com. Gujarati, DD. 2004. Basic Econometrics Fourth Edition. Boston (UD): The McGraw-Hill Companies. Hossain A, A. Chowdhury. 2001. Open-Economy Macroeconomics for Developing Countries. Edward Elgar Publishing, United Kingdom. Hossain, A. 2010. A Panel Cointegration Analysis of the Euro Area Money Demand. Lund University.
38 International Monetary Fund (IMF). International Financial Statistics (IFS). [Februari 2014]. Tersedia dari: http://www.imf.org. Kao, C. 1999. Spurious Regression and Residual-Based Tests For Cointegration in Panel Data. [Jurnal]. Journal of Econometrics. Kao C, Chiang. 2000. On the Estimation and Interference of Cointegrated Regression in Panel Data. [Jurnal]. Advances in Econometrics. Levin A, Lin CF. 1992. Unit Root Tests in Panel Data: Asymptotic and FiniteSample Properties. [Jurnal]. Working Paper No. 23, University of California, Department of Economics. Mankiw, N Gregrory. 2006. Makroekonomi. Fitria Liza, penerjemah. Jakarta (ID): Erlangga. Terjemahan dari: Macroeconomics 6th Edition. Manurung M, Pratama R. 2004. Uang, Perbankan, dan Ekonomi Moneter (Kajian Konstekstual Indonesia). FE-UI, Jakarta. Mardiati, N. 2006. Analisis Inflasi di Indonesia dari Sisi Permintaan Uang [Skripsi]. Bogor (ID): Institut Pertanian Bogor. Mishkin, F. S. 2001. The Economics of Money, Banking, and Financial Markets. 6th Edition. Columbia University, USA. Nadapdap, B. 2008. Faktor-Faktor yang Mempengaruhi Permintaan Uang di Indonesia [Skripsi]. Medan (ID): Universitas HKBP Nommensen. Nassar, K. 2005. Money Demand and Inflation in Madagascar. IMF Working Paper, WP/05/236. Oomes N, F. Ohnsorge. 2005. Money Demand and Inflation in Dollarized Economies : The Case of Russia. IMF Working Paper, WP/05/144. Pedroni, P. 1996. Fully Modified OLS for Heterogenous Cointegrated Panels and the Case of Purchasing Power Parity. [Jurnal]. Working Paper No. 96-020, Indiana University. Phillips PCB, Bruce EH. 1990. Statistical Inference in Instrumental Variables Regression with I(1) Processes. Review of Economics Studies, 57, 99-125. Pohan A. 2008. Kerangka Kebijakan Moneter dan Implementasi di Indonesia. Jakarta (ID) :Rajawali Press. Saikkonen, P. 1992. Estimation and Testing of Cointegrated Systems by an Autoregressive Approximation. Econometric Theory, 8, 1-27. Sodik J, Nuryadin D. 2008. Determinan Investasi Di Daerah: Studi Kasus Propinsi Di Indonesia. [Jurnal]. Jurnal Ekonomi Pembangunan Vol. 13 No. 1, Fakultas Ekonomi UPN “Veteran”, Yogyakarta. Stock JH, Mark W. 1993. A Simple Estimator Of Cointegrating Vectors In Higher Order Integrated Systems. Econometrica, 61, 783-820. Trading Economics. 2013. Inflation Rate Negara-Negara ASEAN. [Maret 2014]. Tersedia dari: www.tradingeconomics.com.
39
LAMPIRAN
40 Lampiran 1 Hasil Output Eviews Untuk Panel Unit Root Test Variabel LnM2 (level) Panel unit root test: Summary Series: LNM2 Date: 03/19/14 Time: 09:37 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 6 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -0.56694 0.2854 Breitung t-stat 0.21563 0.5854
Crosssections
Obs
5 5
304 299
5 5 5
304 304 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -1.57164 0.0580 ADF - Fisher Chi-square 18.1116 0.0531 PP - Fisher Chi-square 22.1234 0.0145
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnM2 (FD-intersep) Panel unit root test: Summary Series: D(LNM2) Date: 03/19/14 Time: 09:38 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 5 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -12.6762 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -13.9679 0.0000 ADF - Fisher Chi-square 162.630 0.0000 PP - Fisher Chi-square 220.549 0.0000
Crosssections
Obs
5
299
5 5 5
299 299 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
41 Variabel LnM2 (FD-Tren) Panel unit root test: Summary Series: D(LNM2) Date: 03/19/14 Time: 09:38 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 10 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -11.5723 0.0000 Breitung t-stat -9.54557 0.0000
Crosssections
Obs
5 5
294 289
5 5 5
294 294 305
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -14.8283 0.0000 ADF - Fisher Chi-square 156.403 0.0000 PP - Fisher Chi-square 201.764 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnM2 (FD-none) Panel unit root test: Summary Series: D(LNM2) Date: 03/19/14 Time: 09:39 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 1 to 5 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -3.02693 0.0012 Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 21.1890 0.0198 PP - Fisher Chi-square 237.802 0.0000
Crosssections
Obs
5
286
5 5
286 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
42 Variabel LnMPI (level-trend) Panel unit root test: Summary Series: LNMPI Date: 03/19/14 Time: 10:18 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -2.81022 0.0025 Breitung t-stat -3.44345 0.0003
Crosssections
Obs
5 5
307 302
5 5 5
307 307 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -5.00555 0.0000 ADF - Fisher Chi-square 44.9123 0.0000 PP - Fisher Chi-square 58.3321 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnMPI (level-intersep) Panel unit root test: Summary Series: LNMPI Date: 03/19/14 Time: 10:10 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 1 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -0.52902 0.2984 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -1.76739 0.0386 ADF - Fisher Chi-square 17.4205 0.0656 PP - Fisher Chi-square 30.3232 0.0008
Crosssections
Obs
5
307
5 5 5
307 307 310
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
43 Variabel LnMPI (FD-trend) Panel unit root test: Summary Series: D(LNMPI) Date: 03/19/14 Time: 10:19 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 1 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -12.0145 0.0000 Breitung t-stat -9.15066 0.0000
Crosssections
Obs
5 5
302 297
5 5 5
302 302 305
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -18.6902 0.0000 ADF - Fisher Chi-square 192.012 0.0000 PP - Fisher Chi-square 201.414 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnMPI (FD-none) Panel unit root test: Summary Series: D(LNMPI) Date: 03/19/14 Time: 10:20 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 1 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -20.9172 0.0000 Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 789.295 0.0000 PP - Fisher Chi-square 1058.23 0.0000
Crosssections
Obs
5
303
5 5
303 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
44 Variabel DR (level-intersep) Panel unit root test: Summary Series: DR Date: 03/19/14 Time: 10:22 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 1 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -1.73969 0.0410
Crosssections
Obs
5
303
5 5 5
303 303 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -1.59001 0.0559 ADF - Fisher Chi-square 15.3619 0.1194 PP - Fisher Chi-square 15.4610 0.1161
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel DR (level-trend) Panel unit root test: Summary Series: DR Date: 03/19/14 Time: 10:24 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 1 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -2.24732 0.0123 Breitung t-stat -1.81585 0.0347 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -1.04109 0.1489 ADF - Fisher Chi-square 19.1628 0.0382 PP - Fisher Chi-square 6.90802 0.7341
Crosssections
Obs
5 5
303 298
5 5 5
303 303 310
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
45 Variabel DR (FD-intersep) Panel unit root test: Summary Series: D(DR) Date: 03/19/14 Time: 10:25 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 2 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -5.37481 0.0000
Crosssections
Obs
5
303
5 5 5
303 303 305
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -7.55334 0.0000 ADF - Fisher Chi-square 78.3676 0.0000 PP - Fisher Chi-square 100.101 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel DR (FD-trend) Panel unit root test: Summary Series: D(DR) Date: 03/19/14 Time: 10:25 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 2 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -5.03776 0.0000 Breitung t-stat -4.93735 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -6.69323 0.0000 ADF - Fisher Chi-square 63.7230 0.0000 PP - Fisher Chi-square 85.9108 0.0000
Crosssections
Obs
5 5
303 298
5 5 5
303 303 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
46 Variabel DR (FD-none) Panel unit root test: Summary Series: D(DR) Date: 03/19/14 Time: 10:26 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 2 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -8.31573 0.0000
Crosssections
Obs
5
303
5 5
303 305
Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 117.845 0.0000 PP - Fisher Chi-square 144.250 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnNER (level-intersep) Panel unit root test: Summary Series: LNNER Date: 03/19/14 Time: 10:43 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 4 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -1.47422 0.0702 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat 0.10998 0.5438 ADF - Fisher Chi-square 7.45232 0.6822 PP - Fisher Chi-square 7.13770 0.7124
Crosssections
Obs
5
303
5 5 5
303 303 310
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
47 Variabel LnNER (level-trend) Panel unit root test: Summary Series: LNNER Date: 03/19/14 Time: 10:43 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -1.11443 0.1325 Breitung t-stat 0.47491 0.6826
Crosssections
Obs
5 5
306 301
5 5 5
306 306 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat 0.08644 0.5344 ADF - Fisher Chi-square 10.4889 0.3987 PP - Fisher Chi-square 9.21255 0.5121
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnNER (FD-trend) Panel unit root test: Summary Series: D(LNNER) Date: 03/19/14 Time: 10:44 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 2 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -10.3768 0.0000 Breitung t-stat -9.29145 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -8.70232 0.0000 ADF - Fisher Chi-square 83.9101 0.0000 PP - Fisher Chi-square 100.360 0.0000
Crosssections
Obs
5 5
301 296
5 5 5
301 301 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
48 Variabel LnNER (FD-none) Panel unit root test: Summary Series: D(LNNER) Date: 03/19/14 Time: 10:44 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 2 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -11.0350 0.0000
Crosssections
Obs
5
301
5 5
301 305
Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 128.597 0.0000 PP - Fisher Chi-square 150.311 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnCPI (level-intersep) Panel unit root test: Summary Series: LNCPI Date: 03/20/14 Time: 14:51 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 7 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -0.72121 0.2354 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat 2.06841 0.9807 ADF - Fisher Chi-square 6.65376 0.7577 PP - Fisher Chi-square 6.44778 0.7763
Crosssections
Obs
5
300
5 5 5
300 300 310
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
49 Variabel LnCPI (level-trend) Panel unit root test: Summary Series: LNCPI Date: 03/20/14 Time: 14:52 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* 0.67532 0.7503 Breitung t-stat -0.09870 0.4607
Crosssections
Obs
5 5
303 298
5 5 5
303 303 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -0.56020 0.2877 ADF - Fisher Chi-square 19.9153 0.0301 PP - Fisher Chi-square 12.8520 0.2321
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel LnCPI (FD-trend) Panel unit root test: Summary Series: D(LNCPI) Date: 03/20/14 Time: 14:56 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 3 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -11.7178 0.0000 Breitung t-stat -8.87903 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -11.1082 0.0000 ADF - Fisher Chi-square 108.040 0.0000 PP - Fisher Chi-square 104.715 0.0000
Crosssections
Obs
5 5
301 296
5 5 5
301 301 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
50 Variabel LnCPI (FD-none) Panel unit root test: Summary Series: D(LNCPI) Date: 03/20/14 Time: 14:56 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 to 4 Newey-West automatic bandwidth selection and Bartlett kernel
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -7.09587 0.0000
Crosssections
Obs
5
295
5 5
295 305
Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 66.5517 0.0000 PP - Fisher Chi-square 160.199 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel FFR (level-intersep) Panel unit root test: Summary Series: FFR Date: 03/20/14 Time: 15:10 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 2 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -6.71233 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -7.26969 0.0000 ADF - Fisher Chi-square 71.0101 0.0000 PP - Fisher Chi-square 165.770 0.0000
Crosssections
Obs
5
300
5 5 5
300 300 310
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
51 Variabel FFR (level-trend) Panel unit root test: Summary Series: FFR Date: 03/20/14 Time: 15:11 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 2 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -5.50772 0.0000 Breitung t-stat -0.89707 0.1848
Crosssections
Obs
5 5
300 295
5 5 5
300 300 310
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -4.73321 0.0000 ADF - Fisher Chi-square 38.9705 0.0000 PP - Fisher Chi-square 82.6569 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel FFR (FD-intersep) Panel unit root test: Summary Series: D(FFR) Date: 03/20/14 Time: 15:11 Sample: 2008M01 2013M03 Exogenous variables: Individual effects Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -9.59209 0.0000 Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -11.9050 0.0000 ADF - Fisher Chi-square 131.600 0.0000 PP - Fisher Chi-square 132.865 0.0000
Crosssections
Obs
5
305
5 5 5
305 305 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
52 Variabel FFR (FD-trend) Panel unit root test: Summary Series: D(FFR) Date: 03/20/14 Time: 15:12 Sample: 2008M01 2013M03 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -8.62079 0.0000 Breitung t-stat -0.78176 0.2172
Crosssections
Obs
5 5
305 300
5 5 5
305 305 305
Null: Unit root (assumes individual unit root process) Im, Pesaran and Shin W-stat -11.0645 0.0000 ADF - Fisher Chi-square 108.360 0.0000 PP - Fisher Chi-square 111.409 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Variabel FFR (FD-none) Panel unit root test: Summary Series: D(FFR) Date: 03/20/14 Time: 15:13 Sample: 2008M01 2013M03 Exogenous variables: None Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test
Method Statistic Prob.** Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -13.7798 0.0000 Null: Unit root (assumes individual unit root process) ADF - Fisher Chi-square 197.306 0.0000 PP - Fisher Chi-square 196.305 0.0000
Crosssections
Obs
5
305
5 5
305 305
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
53 Lampiran 2 Uji Normalitas Model Permintaan Uang Sederhana Chowdhury 40
Series: Standardized Residuals Sample 2008M01 2013M03 Observations 315 30
20
10
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
1.70e-16 -0.001241 0.523183 -0.270102 0.096734 0.694943 6.341140
Jarque-Bera Probability
171.8719 0.000000
0 -0.2
-0.1
0.0
0.1
0.2
0.3
0.4
0.5
Model Permintaan Uang Sederhana Leventakis 60
Series: Standardized Residuals Sample 2008M01 2013M03 Observations 315
50
40
30
20
10
0 -0.2
-0.1
0.0
0.1
0.2
0.3
0.4
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
2.54e-17 -0.004491 0.459787 -0.252984 0.080341 1.144018 7.819305
Jarque-Bera Probability
373.5481 0.000000
54 Lampiran 3 Uji Chow Model Permintaan Uang Sederhana Chowdhury Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square
Statistic 25954.187648 1834.322238
d.f.
Prob.
(4,308) 4
0.0000 0.0000
d.f.
Prob.
(4,306) 4
0.0000 0.0000
Model Permintaan Uang Sederhana Leventakis Redundant Fixed Effects Tests Equation: Untitled Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square
Statistic 2176.693125 1065.586068
55 Lampiran 4 Hasil Estimasi Model Pemintaan Uang Sederhana Chowdhury Untuk Wilayah Perekonomian Terbuka Metode OLS Dependent Variable: LNM2-LNCPI Method: Panel Least Squares Date: 03/19/14 Time: 12:11 Sample: 2008M01 2013M03 Periods included: 63 Cross-sections included: 5 Total panel (balanced) observations: 315 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LNMPI DR
24.58784 -0.508598 0.761000
2.756896 0.584319 0.026050
8.918668 -0.870412 29.21298
0.0000 0.3847 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.753794 0.752216 1.784304 993.3270 -627.8524 477.6151 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
25.93987 3.584526 4.005412 4.041151 4.019691 0.085580
Metode Fixed Effect Dependent Variable: LNM2-LNCPI Method: Panel Least Squares Date: 03/19/14 Time: 12:12 Sample: 2008M01 2013M03 Periods included: 63 Cross-sections included: 5 Total panel (balanced) observations: 315 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LNMPI DR
23.59490 0.517207 -0.026481
0.224806 0.046879 0.003669
104.9566 11.03289 -7.218281
0.0000 0.0000 0.0000
Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.999272 0.999258 0.097672 2.938251 289.3087 70434.79 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
25.93987 3.584526 -1.792436 -1.709046 -1.759119 0.307060
56 Metode Fully Modified OLS Dependent Variable: LNM2-LNCPI Method: Panel Fully Modified Least Squares (FMOLS) Date: 03/19/14 Time: 12:07 Sample (adjusted): 2008M02 2013M03 Periods included: 62 Cross-sections included: 5 Total panel (balanced) observations: 310 Panel method: Pooled estimation Cointegrating equation deterministics: C Coefficient covariance computed using default method Long-run covariance estimates (Bartlett kernel, User bandwidth = 6.0000) Variable
Coefficient
Std. Error
t-Statistic
Prob.
LNMPI DR
0.705871 -0.030691
0.094171 0.007352
7.495624 -4.174514
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat
0.999250 0.999235 0.099139 0.369007
Mean dependent var S.D. dependent var Sum squared resid Long-run variance
25.94284 3.585170 2.978076 0.037186
Metode Dynamic OLS Dependent Variable: LNM2-LNCPI Method: Panel Dynamic Least Squares (DOLS) Date: 03/19/14 Time: 12:10 Sample (adjusted): 2008M04 2013M02 Periods included: 59 Cross-sections included: 5 Total panel (balanced) observations: 295 Panel method: Pooled estimation Cointegrating equation deterministics: C Fixed leads and lags specification (lead=1, lag=2) Coefficient covariance computed using default method Long-run variance (Bartlett kernel, Newey-West fixed bandwidth) used for coefficient covariances Variable
Coefficient
Std. Error
t-Statistic
Prob.
LNMPI DR
0.909960 -0.024842
0.087585 0.006046
10.38946 -4.108964
0.0000 0.0001
R-squared Adjusted R-squared S.E. of regression Long-run variance
0.999694 0.999631 0.068885 0.013735
Mean dependent var S.D. dependent var Sum squared resid
25.93987 3.584526 1.233747
57 Residual Kao Residual Cointegration Test Series: LNM2_LNCPI LNMPI DR Date: 04/30/14 Time: 12:36 Sample: 2008M01 2013M03 Included observations: 315 Null Hypothesis: No cointegration Trend assumption: No deterministic trend Automatic lag length selection based on SIC with a max lag of 10 Newey-West automatic bandwidth selection and Bartlett kernel t-Statistic -1.678321
ADF Residual variance HAC variance
Prob. 0.0466
0.000321 0.000411
Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID) Method: Least Squares Date: 04/30/14 Time: 12:36 Sample (adjusted): 2008M02 2013M03 Included observations: 310 after adjustments Variable
Coefficient
Std. Error
t-Statistic
Prob.
RESID(-1)
-0.105650
0.026980
-3.915878
0.0001
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.035477 0.035477 0.044589 0.614349 524.8126 2.060470
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
0.005045 0.045402 -3.379436 -3.367383 -3.374618
58 Lampiran 5 Hasil Estimasi Model Pemintaan Uang Sederhana Leventakis Untuk Wilayah Perekonomian Terbuka Metode OLS Dependent Variable: LNM2-LNCPI Method: Panel Least Squares Date: 03/19/14 Time: 14:21 Sample: 2008M01 2013M03 Periods included: 63 Cross-sections included: 5 Total panel (balanced) observations: 315 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LNMPI DR FFR LNNER
21.26541 0.083697 -0.060978 -0.051078 0.948500
0.699184 0.147421 0.013810 0.031013 0.013874
30.41462 0.567741 -4.415350 -1.646988 68.36485
0.0000 0.5706 0.0000 0.1006 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.985204 0.985013 0.438822 59.69517 -184.9925 5160.382 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
25.93987 3.584526 1.206302 1.265866 1.230100 0.052357
Metode Fixed Effect Dependent Variable: LNM2-LNCPI Method: Panel Least Squares Date: 03/19/14 Time: 14:21 Sample: 2008M01 2013M03 Periods included: 63 Cross-sections included: 5 Total panel (balanced) observations: 315 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C LNMPI DR FFR LNNER
23.80964 0.403007 -0.019320 -0.066963 0.067787
0.436410 0.042153 0.003217 0.006094 0.069654
54.55794 9.560546 -6.006412 -10.98753 0.973198
0.0000 0.0000 0.0000 0.0000 0.3312
Effects Specification Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.999498 0.999485 0.081384 2.026759 347.8005 76103.42 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
25.93987 3.584526 -2.151115 -2.043898 -2.108278 0.213341
59 Metode Fully Modified OLS Dependent Variable: LNM2-LNCPI Method: Panel Fully Modified Least Squares (FMOLS) Date: 03/19/14 Time: 14:23 Sample (adjusted): 2008M02 2013M03 Periods included: 62 Cross-sections included: 5 Total panel (balanced) observations: 310 Panel method: Pooled estimation Cointegrating equation deterministics: C Coefficient covariance computed using default method Long-run covariance estimates (Bartlett kernel, User bandwidth = 6.0000) Variable
Coefficient
Std. Error
t-Statistic
Prob.
LNMPI DR FFR LNNER
0.551113 -0.023984 -0.045239 0.156963
0.082882 0.006358 0.014168 0.137553
6.649330 -3.772482 -3.193146 1.141111
0.0000 0.0002 0.0016 0.2547
R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat
0.999450 0.999436 0.085180 0.316768
Mean dependent var S.D. dependent var Sum squared resid Long-run variance
25.94284 3.585170 2.183921 0.024282
Metode Dynamic OLS Dependent Variable: LNM2-LNCPI Method: Panel Dynamic Least Squares (DOLS) Date: 03/19/14 Time: 14:22 Sample (adjusted): 2008M04 2013M02 Periods included: 59 Cross-sections included: 5 Total panel (balanced) observations: 295 Panel method: Pooled estimation Cointegrating equation deterministics: C Fixed leads and lags specification (lead=1, lag=2) Coefficient covariance computed using default method Long-run variance (Bartlett kernel, Newey-West fixed bandwidth) used for coefficient covariances Variable
Coefficient
Std. Error
t-Statistic
Prob.
LNMPI DR FFR LNNER
0.727404 -0.011653 -0.063460 0.015459
0.094485 0.005803 0.018906 0.132097
7.698619 -2.008310 -3.356570 0.117031
0.0000 0.0458 0.0009 0.9069
R-squared Adjusted R-squared S.E. of regression Long-run variance
0.999833 0.999772 0.054128 0.006567
Mean dependent var S.D. dependent var Sum squared resid
25.93987 3.584526 0.673857
60 Residual Kao Residual Cointegration Test Series: LNM2_LNCPI LNMPI DR FFR LNNER Date: 04/30/14 Time: 12:39 Sample: 2008M01 2013M03 Included observations: 315 Null Hypothesis: No cointegration Trend assumption: No deterministic trend Automatic lag length selection based on SIC with a max lag of 10 Newey-West automatic bandwidth selection and Bartlett kernel t-Statistic -0.697958
ADF Residual variance HAC variance
Prob. 0.2426
0.000310 0.000411
Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID) Method: Least Squares Date: 04/30/14 Time: 12:39 Sample (adjusted): 2008M02 2013M03 Included observations: 310 after adjustments Variable
Coefficient
Std. Error
t-Statistic
Prob.
RESID(-1)
-0.077175
0.026880
-2.871116
0.0044
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.024880 0.024880 0.036530 0.412341 586.6131 1.995302
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
0.001244 0.036993 -3.778149 -3.766096 -3.773331
61
RIWAYAT HIDUP
Penulis memiliki nama lengkap Meliana, lahir pada tanggal 26 Mei 1992 di Jakarta. Penulis merupakan anak pertama dari tiga bersaudara, dari pasangan Amiludin Sirait dan Siti Hajar Hutagaol. Latar belakang pendidikan penulis dimulai pada tahun 1997 di RA TK Bidayatul Hidayyah yang kemudian dilanjutkan ke SDN Harapan Jaya IX Bekasi pada tahun 1998 dan menamatkannya pada tahun 2004. Kemudian, pendidikan penulis dilanjutkan ke SMP Negeri 5 Bekasi dan menamatkannya pada tahun 2007. Pada tahun yang sama penulis diterima di SMA Negeri 4 Bekasi dan lulus pada tahun 2010. Setelah lulus SMA penulis mendapatkan kesempatan melanjutkan studi ke jenjang yang lebih tinggi melalui Selekasi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) Tertulis dan diterima sebagai mahasiswi Program Studi Ilmu Ekonomi dan Studi Pembangunan pada Fakultas Ekonomi dan Manajemen. Selama kuliah, penulis mendapatkan beasiswa dari program beasiswa Peningkatan Prestasi Akademik (PPA) selama semester 3 hingga 4 kemudian mendapatkan beasiswa dari BUMN mulai semester 5 hingga semester 8. Selama menjadi mahasiswi, penulis mendapat kesempatan untuk menjadi asisten praktikum mata kuliah Ekonomi Umum sejak semester 6 hingga semester 8 untuk mahasiswa semester 1 dan 2. Penulis juga cukup aktif dalam organisasi kampus. Dalam organisasi internal penulis pernah menjabat sebagai anggota divisi Life Academic by Learning Education (LABLE) HIPOTESA (Himpunan Profesi dan Peminat Ilmu Ekonomi dan Studi Pembangunan) FEM IPB pada periode 2011-2012 dan periode 2012-2013. Penulis juga aktif mengikuti lomba karya tulis ilmiah tingkat mahasiswa. Beberapa prestasi yang diraih oleh penulis antara lain adalah peserta Lomba karya Tulis Ilmiah dalam acara Economics Championship HIPOTESA tahun 2012 dan lolos dalam Program Kreatifitas Mahasiswa Bidang Penelitian yang dibiayai oleh Dikti tahun 2014 dengan judul “E t v tas an Da pa E st rnal tas Angkutan Perbatasan Terintegrasi (Studi Kasus: Bus APTB Terhadap Bus-Bus Terminal Baranangsiang Bogor). Selain itu, penulis juga cukup aktif dalam mengikuti berbagai pertandingan olahraga intra kampus. Beberapa prestasi yang diraih oleh penulis antara lain adalah Juara III aerobik dalam acara Sportakuler FEM IPB tahun 2012 dan Juara III aerobik dalam acara Sportakuler FEM IPB tahun 2013.