EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : PENDEKATAN BUSINESS CYCLE THEORY OLEH: ILLINIA AYUDHIA RIYADI H

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : PENDEKATAN BUSINESS CYCLE THEORY

OLEH: ILLINIA AYUDHIA RIYADI H14080003

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI MANAJEMEN INSTITUT PERTANIAN BOGOR 2012

RINGKASAN

ILLINIA AYUDHIA RIYADI. Early Warning System Krisis Utang di Indonesia: Pendekatan Business Cycle Theory (dibimbing oleh DENIEY ADI PURWANTO).

Sejak tahun 1998 hingga 2009, kondisi anggaran pendapatan belanja negara (APBN) Indonesia selalu mengalami budget deficit dalam rangka membiayai program pembangunan. Untuk menutupi defisit anggaran tersebut, pemerintah mengandalkan berbagai sumber pembiayaan sumber yang berasal dari perbankan dalam negeri, privatisasi, penjualan aset program restrukturisasi, dana penerbitan obligasi negara, dan pinjaman luar negeri. Dari beberapa sumber pembiayaan yang ada, porsi terbesar untuk menutupi defisit anggaran yang terjadi berasal dari obligasi negara. Proporsi pembiayaan defisit anggaran yang sebagian besar berasal dari dana penerbitan obligasi pada akhirnya menyebabkan pemerintah memutuskan untuk meningkatkan penawaran obligasi di pasar sekuritas secara terus menerus. Selama periode Agustus 2004 hingga Agustus 2010, kepemilikan asing terhadap SBN menunjukkan trend yang terus meningkat. Hal ini mengindikasikan bahwa ketergantungan pemerintah semakin kuat terhadap pihak asing dalam hal memperoleh pendanaan yang dibutuhkan untuk menutupi defisit anggaran yang terjadi. Dengan demikian, akumulasi utang luar negeri Indonesia terus meningkat dari tahun ke tahun. Secara substansi, utang luar negeri merupakan sumber pembiayaan uang digunakan untuk menutupi kebutuhan investasi di suatu negara. Pembiayaan yang bersumber dari utang luar negeri ini harus dikelola dengan baik dan dialokasikan untuk kegiatan investasi sektor riil yang produktif sehingga dapat memberikan rate of return yang tinggi di kemudian hari. Alokasi penggunaan utang luar negeri untuk kegiatan yang tidak produktif tanpa pengawasan yang baik dapat menyebabkan terjadinya krisis utang seperti yang saat ini melanda negara-negara di kawasan Uni Eropa (European Union/EU). Berdasarkan pengalaman yang dialami oleh negara-negara di kawasan Uni Eropa, maka sumber pembiayaan yang berasal dari utang luar negeri dalam jumlah yang besar perlu diwaspadai sedini mungkin. Suatu sistem deteksi dini perlu untuk dibangun agar pemerintah dapat memperkirakan periode waktu kemungkinan terjadinya krisis utang secara tepat. Hal ini penting bagi pemerintah sehingga dapat merumuskan dan mengimplementasikan kebijakan-kebijakan yang bersifat antisipastif. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang dapat menjadi Coincident, Leading, dan Lagging Indicators dalam rangka menyusun instrumen deteksi dini terjadinya krisis utang di Indonesia. Selain itu, akan diidentifikasi sistem bekerjanya faktor-faktor tersebut sebagai instrument sistem suatu deteksi dini.

Pada penelitian ini, pembangunan early warning system krisis utang di Indonesia dilakukan dengan menggunakan pendekatan business cycle theory. Data yang digunakan adalah data sekunder dengan periode bulanan dari bulan Januari 1998 hingga Desember 2011. Adapun jumlah variabel makroekonomi yang berhasil dikumpulkan dalam penelitian ini adalah sebanyak 111 variabel. Dalam rangka memperoleh kandidat Coincident, Leading, dan Lagging Indicators, maka dilakukan tiga tahap seleksi terhadap 111 variabel makroekonomi yang berhasil dikumpulkan. Adapun tiga tahap seleksi tersebut adalah uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang (cross correlation test), dan uji granger causality (granger causality test). Dari tahap seleksi tersebut, diperoleh hasil bahwa terdapat 8 variabel yang menjadi kandidat Coincident Indicator, yakni suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran, suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum, laju inflasi Indonesia, ekspor barang Amerika Serikat (free on board price), harga komoditi mentah pertanian dunia, SBI 1 bulan, interest rate spread, dan Indeks Harga Saham Gabungan (IHSG). Sementara itu, kandidat Leading Indicator yang diperoleh sebanyak 6 variabel, yaitu suku bunga LIBOR 6 bulan, laju inflasi Jepang, M2/Cadangan Devisa, Loan to GDP, LQ 45, dan Nominal Effective Exchange Rate. Adapun kandidat Lagging Indicators terdiri dari suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero, suku bunga pinjaman berjangka 24 bulan (rupiah) di Bank Umum, Import Merchandise Constant (US$ Dollar), dan Local Equity Market Index. Melalui proses trial and error, maka diperoleh kombinasi variabel terbaik dalam penyusunan Coincident Debt Index, Leading Debt Index, dan Lagging Debt Index. Komponen penyusun Coincident Debt Index terbaik adalah interest rate spread (59 persen), suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum (23 persen), suku bunga pinjaman untuk modal kerja (rupiah) berjangka 6 bulan di Bank Umum(10 persen) dan SBI 1 bulan (8 persen). Komponen penyusunan Leading Debt Index yang dianggap terbaik adalah variabel suku bunga LIBOR 6 bulan (54 persen), laju inflasi Jepang (42 persen), dan variabel M2/Cadangan Devisa (2 persen) serta Nominal Effective Exchange Rate (2 persen). Adapun komponen penyusun Lagging Debt Index adalah dari suku bunga pinjaman modal kerja rupiah yang diberikan Bank Persero (42 persen), suku bunga pinjaman rupiah berjangka 24 bulandi Bank Umum (50 persen), Import Merchandise Constant (4 persen), dan Local Equity Market Index (3 persen). Dari hasil tersebut disimpulkan bahwa kemungkinan terjadinya krisis utang di Indonesia pada periode waktu mendatang sangatlah dipengaruhi oleh faktor eksternal seperti suku bunga LIBOR 6 bulan dan laju inflasi Jepang. Hal ini membuktikan bahwa Indonesia merupakan negara dengan perekonomian terbuka kecil (small open economy) yang masih rentan terhadap goncangan makroekonomi global. Model early warning system yang terbentuk dari penelitian ini dapat bekerja dengan cukup baik dalam memprediksi kemungkinan terjadinya krisis utang di Indonesia meskipun proses kaliberasi terhadap variabel-variabel penyusunnya masih perlu dilakukan secara berkala.

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : PENDEKATAN BUSINESS CYCLE

Oleh ILLINIA AYUDHIA RIYADI H14080003

Skripsi Sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi

DEPARTEMEN ILMU EKONOMI FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR

Judul Skripsi : EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA: PENDEKATAN BUSINESS CYCLE Nama : Illinia Ayudhia Riyadi NIM

: H14080003

Menyetujui, Dosen Pembimbing

Deniey Adi Purwanto, MSE NIP. 19771208 200912 1 001

Mengetahui, Ketua Departemen Ilmu Ekonomi

Dedi Budiman Hakim, Ph.D NIP. 19641022 198903 1 003

Tanggal Kelulusan :

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI ADALAH BENAR-BENAR HASIL KARYA SAYA SENDIRI YANG BELUM PERNAH DIGUNAKAN SEBAGAI SKRIPSI ATAU KARYA TULIS ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Bogor, Mei 2012

Illinia Ayudhia Riyadi H14080003

RIWAYAT HIDUP

Penulis bernama Illinia Ayudhia Riyadi lahir pada tanggal 9 Februari 1991 di Jakarta. Penulis anak kedua dari tiga bersaudara, dari pasangan Ir. Slamet Riyadi, M.Sc, dan Dra. Ani Widiastuti. Jenjang pendidikan penulis dilalui tanpa hambatan, penulis menamatkan sekolah dasar pada SD Islam Panglima Besar Jenderal Soedirman, kemudian melanjutkan ke SMP Negeri 103 Jakarta dan lulus tahun 2005. Pada tahun yang sama penulis diterima di SMA Negeri 39 Jakarta dan lulus pada tahun 2008. Pada tahun 2008 penulis meninggalkan kota tercinta untuk melanjutkan studinya ke jenjang yang lebih tinggi. Institut Pertanian Bogor menjadi pilihan penulis dengan harapan besar agar dapat memperoleh ilmu dan mengembangkan pola pikir, sehingga bisa menjadi sumber daya yang berguna bagi pembangunan Kota Jakarta tercinta. Penulis masuk IPB melalui jalur USMI dan diterima sebagai mahasiswa Program Studi Ilmu Ekonomi dan Studi Pembangunan pada Fakultas Ekonomi dan Manajemen. Selama menjadi mahasiswa, penulis aktif dalam kegiatan organisasi sebagai staf pelaksana divisi DNA (Discussion and Analysis) Himpunan Profesi Ilmu Ekonomi dan Studi Pembangunan (HIPOTESA) IPB. Selain itu, penulis juga aktif sebagai asisten dosen di Departemen Ilmu Ekonomi IPB dan bertanggung jawab atas penyelenggaraan responsi mata kuliah Ekonomi Umum, Teori Mikroekonomi I, dan Teori Makroekonomi dari tahun 2010 hingga sekarang.

KATA PENGANTAR

Puji syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan penyusunan skripsi ini. Judul skripsi ini adalah ”Early Warning System Krisis Utang di Indonesia: Pendekatan Business Cycle Theory”. Krisis utang merupakan topik yang sangat menarik dan hangat menjadi perbincangan karena saat ini tengah terjadi krisis utang yang melanda negara-negara di kawasan Uni Eropa sehingga menimbulkan guncangan bagi perekonomian secara global, termasuk Indonesia. Oleh karena itu, penulis tertarik untuk melakukan penelitian dengan topik ini sebagai upaya menghindari kemungkinan terjadinya krisis utang melalui pembangunan early warning system di Indonesia. Disamping hal tersebut, skripsi ini juga merupakan salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Penulis mengucapkan terima kasih yang sebesar-besarnya, terutama kepada Bapak Deniey Adi Purwanto, MSE, yang telah memberikan bimbingan baik secara teknis maupun teoritis dalam proses pembuatan skripsi ini sehingga dapat terselesaikan dengan baik. Penulis juga sangat terbantu oleh kritik dan saran dari para peserta pada Seminar Hasil Penelitian Skripsi ini. Oleh karena itu, penulis sangat berterima kasih kepada pihak-pihak lain yang telah membantu penulis dalam penyelesaian skripsi ini namun tidak bisa penulis sebutkan satu persatu. Ucapan terima kasih juga penulis sampaikan kepada orangtua penulis, yaitu Bapak Ir. Slamet Riyadi, M.Sc, dan Ibu Dra. Ani Widiastuti atas dukungan material maupun spiritual yang diberikan kepada penulis selama ini. Penulis juga berterimakasih kepada kakak dan adik penulis, yaitu Arief Nugroho Riyadi, SH, dan Gliddheo Algifariyano Riyadi. Penulis juga mengucapkan terimakasih kepada rekan-rekan sejawat mahasiswa IE 45 atas dukungan moral yang diberikan kepada penulis selama ini, khususnya teman-teman dalam satu kelompok bimbingan skripsi, yaitu Ayu Budiarti, Oktya Setya Pratidina, Dhany Subangun, dan Teuku Arif Pahlevi. Tak lupa, ucapan terimakasih juga penulis tujukan kepada para

sahabat mahasiswa IE 45 yang selalu menemani penulis selama empat tahun menuntut ilmu bersama di IPB, yaitu Fiona Rebecca Hutagaol, Lusiana Manik, Shanty Nathalia, Henny Prischilia, Hairul, Diyah Nugraheni dan Masyitha Mutiara. Akhir kata, semoga karya ini dapat bermanfaat bagi penulis dan pihak lain yang membutuhkan.

Bogor, Mei 2012

Illinia Ayudhia Riyadi H14080003

DAFTAR ISI

Halaman I.

PENDAHULUAN................................................................................1 1.1 Latar Belakang.................................................................................1 1.2 Perumusan Masalah.......................................................................12 1.3 Tujuan Penelitian...........................................................................13 1.4 Manfaat Penelitian.........................................................................14 1.5 Ruang Lingkup..............................................................................14

II.

TINJAUAN PUSTAKA.....................................................................15 2.1 Tinjauan Konsep dan Teori...........................................................15 2.1.1

Teori Siklus Bisnis......................................................15

2.1.2

Model Early Warning System.....................................16

2.1.3

Definisi Business Cycle..............................................18

2.1.4

Tahapan Business Cycle.............................................19

2.1.5

Business Cycle Indicators...........................................20

2.1.6

Leading Economic Indicators dan Peramalan Aktivitas Ekonomi......................................................22

2.2 Penelitian Terdahulu.....................................................................24 2.3 Kerangka Pemikiran.....................................................................38 III.

METODE PENELITIAN 3.1 Jenis Data dan Metode Pengumpulan Data..................................40 3.2 Metode Analisis............................................................................40 3.2.1 Tahapan Penyusunan Leading Economic Indicator...42 3.2.2 Metode Penyusunan Early Warning Indicators…….45 3.3 Definisi Operasional…………………………………………..56

IV.

HASIL DAN PEMBAHAHASAN 4.1 Gambaran Umum Utang Luar Negeri Indonesia........................59 4.2 Penyusunan Early Warning System..............................................65 4.2.1 Identifikasi Variabel-variabel yang menjadi Leading, Lagging, dan Coincident Indicator...............66

4.2.2 Penyusunan Composite Coincident, Leading dan Lagging Debt Index…............................108 4.3 Pembahasan Hasil Penyusunan Early Warning System…….…118 4.3.1 Analisis Hasil Early Warning System Secara Empiris..118 4.3.2 Operasionalisasi dan Pengelolaan Early Warning System di Indonesia…..........................122 4.3.3 Implikasi Kebijakan Pengelolaan Utang Luar Negeri Indonesia…....................................126 V.

KESIMPULAN DAN SARAN 5.1 Kesimpulan.................................................................................129 5.2 Saran...........................................................................................130

DAFTAR PUSTAKA………………………………………………………….131 LAMPIRAN…………………………………………………………………...134

DAFTAR TABEL

Halaman 2.1 Kelebihan Masing-masing Model Early Warning System...............................17 2.2 Kekurangan Masing-masing Model Early Warning System............................18 2.3 Leading Indicators Krisis Nilai Tukar dan Alasan Ekonomi…………….…..28 2.4 Hasil-hasil Penelitian Terdahulu......................................................................30 2.5 Periode Waktu Pelaksanaan Debt Rescheduling Atas Pembayaran Utang Luar Negeri Indonesia.............................................37 4.1 Nilai Net Resource Flow Indonesia Periode Tahun 2006-2011......................63 4.2 Kombinasi Terbaik Penyusun Coincident Debt Index Beserta Bobotnya.......................................................109 4.3 Kombinasi Terbaik Penyusun Leading Debt Index Beserta Bobotnya..........................................................112 4.4 Perhitungan Selang Waktu Perbedaan Pergerakan LDI Mendahului CDI………….…………………………...….113 4.5 Kombinasi Terbaik Penyusun Lagging Debt Index Beserta Bobotnya...........................................................115 4.6 Perhitungan Selang Waktu Perbedaan Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index ............117

DAFTAR GAMBAR

Halaman 1.1 Besarnya Defisit Anggaran Pendapatan Belanja Negara Periode 1998 hingga 2009 (dalam miliar rupiah).............................................1 1.2 Proporsi Sumber Pembiayaan Defisit Anggaran Pendapatan Belanja Negara Periode Tahun 2011..............................................2 1.3 Posisi Surat Berharga Negara (SBN) Domestikyang Dimiliki Bukan Penduduk (Asing) Periode Tahun 2006 Hingga 2011 (dalam Juta Dollar).......4 1.4 Posisi Utang Luar Negeri Indonesia Pemerintah Per Triwulan Keempat Periode 1999 Hingga 2010 (dalam juta USD)...................................................5 1.5 Posisi Utang Luar Negeri Indonesia Sektor Swasta Per Kuartal Keempat Periode 1999 hingga 2010 (dalam juta USD).................6 2.1 Bagan Kerangka Pemikiran..............................................................................39 3.1 Alur Penyusunan Komponen Early Warning System......................................55 4.1 Debt To Export Indonesia Periode Tahun 2006 Hingga 2011……………….60 4.2 Debt Service Ratio Indonesia Periode Tahun 2006 Hingga 2011…………....61 4.3 Pergerakan Coincident Debt Index (CDI) Seiring Dengan Variabel Debt to GDP..........................................................110 4.4 Pergerakan Leading Debt Index (LDI) Mendahului Coincident Debt Index (CDI).....................................................112 4.5 Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index..............116 4.6 Perbandingan Pergerakan Coincident Debt Index (CDI) Dengan Kurs Rupiah Terhadap Dollar...........................................................118 4.7 Skematik Penggunaan Instrumen Leading Debt Index Dalam Operasionalisasi Early Warning System Krisis Utang.......................123 4.8 Skematik Penggunaan Instrumen Lagging Debt Index Dalam Operasionalisasi Early Warning System Krisis Utang.......................124

DAFTAR LAMPIRAN

Halaman 1. Variabel yang digunakan dalam penelitian…………………...……….……134 2. Hasil Cross Correlation Test Kandidat Coincident Indicator......................138 3. Hasil Cross Correlation Test Kandidat Leading Indicator..........................141 4. Hasil Cross Correlation Test Kandidat Lagging Indicator..........................144 5. Hasil Pengujian Granger Causality Test Kandidat Coincident Indicator…148 6. Hasil Pengujian Granger Causality Test Kandidat Leading Indicator…….152 7. Hasil Pengujian Granger Causality Test Kandidat Lagging Indicator…….158 8. Perbandingan Grafik Variabel Kandidat Coincident Indicator Sebelum dan Sesudah Melalui X-12 ARIMA………………….………….162 9. Perhitungan Composite Coincident Debt Index…………………………....164 10. Perbandingan Grafik Variabel Kandidat Leading Indicator Sebelum dan Sesudah Melalui X-12 ARIMA………………….………….171 11. Perhitungan Composite Leading Debt Index……………………………....174 12. Perbandingan Grafik Variabel Kandidat Lagging Indicator Sebelum dan Sesudah Melalui X-12 ARIMA………………….………….181 13. Perhitungan Composite Lagging Debt Index……………………………....183

1

BAB I PENDAHULUAN

1.1 Latar Belakang Sebagai negara sedang berkembang yang tengah menuju tahap kemapanan ekonomi, Indonesia membutuhkan anggaran belanja dalam jumlah besar untuk membiayai berbagai program pembangunan yang direncanakan. Oleh karena itu, kondisi anggaran pendapatan belanja negara (APBN) selalu mengalami budget deficit, yakni kondisi dimana jumlah anggaran belanja lebih besar daripada pendapatannya. Adapun besarnya defisit anggaran yang dialami Indonesia selama kurun waktu 13 tahun terakhir dapat dilihat pada Gambar 1.1.

Sumber: Bank Indonesia, 2011 diolah Gambar 1.1. Besarnya Defisit Anggaran Pendapatan Belanja Negara Periode 1998 hingga 2009 (dalam miliar rupiah) Gambar 1.1 menunjukkan bahwa selama periode tahun 1998 hingga 2011, besarnya defisit anggaran yang terjadi menunjukkan trend yang terus meningkat. Pada periode tahun 1999, besarnya defisit anggaran sempat mengalami penurunan bila dibandingkan dengan tahun 1998, kemudian terus mengalami kenaikan

2

hingga mencapai angka defisit anggaran sebesar 40.485 miliar rupiah pada tahun 2001. Defisit anggaran yang begitu besar di tahun 2001 tersebut merupakan dampak akibat krisis moneter yang terjadi di tahun 1998. Pada periode tahun 2002 hingga 2008, besarnya defisit anggaran berfluktuasi hingga mencapai angka tertinggi di tahun 2011. Defisit anggaran pada tahun tersebut mencapai angka 124.656 miliar rupiah. Besarnya defisit anggaran yang terjadi ditutupi baik dari pembiayaan dalam negeri maupun luar negeri dengan proporsi tertentu. Adapun besarnya porsi pembiayaan dalam maupun luar negeri untuk menutupi defisit anggaran yang terjadi pada tahun 2011 dapat dilihat pada Gambar 1.2 berikut.

Sumber : Bank Indonesia Indonesia, 2011, diolah Gambar 1.2 Proporsi Sumber Pembiayaan Defisit Anggaran Pendapatan Belanja Negara Periode Tahun 2011 Gambar 1.2 menunjukkan bahwa untuk menutupi defisit anggaran yang terjadi selama periode tahun 2005 hingga 2010, pemerintah mengandalkan sumber pembiayaan yang berasal dari perbankan dalam negeri, privatisasi, penjualan aset

3

program restrukturisasi, dana penerbitan obligasi negara, dan pinjaman luar negeri. Dari beberapa sumber pembiayaan yang ada, porsi terbesar untuk menutupi defisit anggaran yang terjadi berasal dari obligasi negara yakni sebesar 74 persen. Dana penerbitan obligasi baru digunakan secara efektif dan menjadi instrumen utama pembiayaan APBN sejak tahun 2005. Hal ini menunjukan betapa pentingnya dana penerbitan obligasi pemerintah sebagai andalan demi terlaksananya kebijakan ekspansi fiskal dengan pola deficit budget yang diterapkan oleh pemerintah Indonesia selama ini. Proporsi pembiayaan defisit anggaran yang sebagian besar berasal dari dana penerbitan obligasi pada akhirnya menyebabkan pemerintah memutuskan untuk meningkatkan penawaran obligasi di pasar sekuritas secara terus menerus. Dana dari penerbitan obligasi ini kemudian digunakan untuk beberapa hal, di antaranya adalah refinancing utang lama yang jatuh tempo dan refinancing dilakukan dengan utang baru yang mempunyai term dan condition yang lebih baik. Ditinjau dari kepemilikannya, obligasi yang diterbitkan oleh pemerintah dapat dibedakan menjadi tiga, yakni obligasi yang dimiliki oleh pihak bank, non-bank, dan asing. Adapun data mengenai posisi kepemilikan asing atas obligasi tersebut dapat dilihat pada Gambar 1.3.

4

Sumber : Bank Indonesia, 2011, diolah Gambar 1.3 Posisi Surat Berharga Negara (SBN) Domestik yang Dimiliki Bukan Penduduk (Asing) Periode Tahun 2006 Hingga 2011 (dalam Juta Dollar) Gambar 1.3 menunjukkan bahwa kepemilikan asing terhadap SBN menunjukkan trend yang terus meningkat selama periode Agustus 2004 hingga Agustus 2010. Hal ini mengindikasikan bahwa ketergantungan pemerintah semakin kuat terhadap pihak asing dalam hal memperoleh pendanaan yang dibutuhkan untuk menutupi defisit anggaran yang terjadi. Porsi kepemilikan asing terhadap SBN yang terus meningkat perlu diwaspadai sebab hal tersebut berdampak pada jumlah utang luar negeri pemerintah yang semakin besar. Apabila penerbitan SBN dan kepemilikan asing terhadap SBN tersebut tidak dibatasi, maka kondisi ini akan memicu semakin besarnya jumlah utang luar negeri pemerintah sehingga tidak menutup kemungkinan, di masa mendatang, pemerintah akan terjerat krisis utang yang akan berdampak buruk bagi perekonomian Indonesia secara keseluruhan. Defisit APBN yang terjadi menuntut adanya sumber pembiayaan untuk menutupinya, baik yang berasal dari dalam maupun luar negeri. Pembiayaan yang

5

berasal dari luar negeri dapat berupa pinjaman bilateral atau multilateral maupun SBN yang dimiliki oleh asing. Pembiayaan dari luar negeri yang semakin meningkat berdampak pula semakin besarnya posisi utang luar negeri pemerintah. Secara keseluruhan, posisi utang luar negeri pemerintah juga mengindikasikan adanya potensi krisis utang yang mungkin melanda Indonesia di waktu mendatang. Hal ini diilustrasikan pada Gambar 1.4.

Sumber : Bank Indonesia, 2011, diolah Gambar 1.4 Posisi Utang Luar Negeri Indonesia Pemerintah Per Triwulan Keempat Periode 1999 Hingga 2010 (dalam juta USD) Gambar 1.4 menunjukkan bahwa selama periode tahun 1999 hingga 2010, posisi utang luar negeri pemerintah menunjukkan trend yang terus meningkat. Hal ini mengindikasikan bahwa kondisi keuangan pemerintah semakin menunjukkan ketergantungan yang semakin besar terhadap pembiayaan dari pihak asing, berupa pinjaman bilateral atau multilateral maupun dari dana hasil penerbitan Surat Berharga Negara (SBN) yang kemudian dimiliki oleh pihak asing. Kondisi ketergantungan tersebut dikhawatirkan dapat berdampak buruk pada kesehatan

6

keuangan pemerintah apabila terjadi guncangan (shock) sebagai dampak ketidakpastian lingkungan perekonomian global yang terjadi saat ini. Jika ketergantungan yang semakin kuat tersebut terus terjadi dalam periode waktu yang lama, maka tidak menutup kemungkinan bila di masa yang akan datang pemerintah akan terjerat krisis utang seperti yang dialami negara-negara Uni Eropa saat ini. Utang luar negeri Indonesia selain dimiliki oleh sektor publik, juga dimiliki oleh sektor swasta. Sektor swasta yang memiliki utang luar negeri ini mencakup sektor lembaga keuangan (bank dan nonbank) serta sektor bukan lembaga keuangan. Adapun posisi utang luar sektor swasta dapat dilihat pada Gambar 1.5.

Sumber : Bank Indonesia, 2011,diolah Gambar 1.5 Posisi Utang Luar Negeri Indonesia Sektor Swasta Per Kuartal Keempat Periode 1999 hingga 2010 (dalam juta USD)

Gambar 1.5 menunjukkan bahwa posisi utang luar negeri pihak swasta menunjukkan trend yang terus meningkat selama periode tahun 1999 hingga 2010. Posisi utang luar negeri sektor swasta mencapai nilai tertinggi pada periode tahun 2011 yakni mencapai 106.114 juta USD. Utang luar negeri tersebut

7

mencakup pinjaman, utang dagang, serta surat utang yang diterbitkan luar negeri dan dalam negeri yang dimiliki bukan oleh penduduk. Apabila jumlah utang luar negeri sektor swasta terus meningkat dari waktu ke waktu tanpa diiringi peningkatan produktivitas sektor riil dalam negeri, maka pada jangka panjang sektor swasta akan mengalami kesulitan dalam hal pembayaran kembali utangutang tersebut yang akan berdampak pada terjadinya guncangan perekonomian. Secara substansi, utang luar negeri merupakan sumber pembiayaan uang digunakan untuk menutupi kebutuhan investasi di suatu negara. Kegiatan investasi sangat penting untuk dilakukan di suatu negara demi menggiatkan perekonomian sehingga dapat mendorong pertumbuhan ekonomi lebih tinggi. Kegiatan tersebut membutuhkan dana dalam jumlah yang cukup besar, sehingga di beberapa negara tertentu sumber pembiayaan dalam negeri yang tersedia, misalnya dari tabungan domestik, tidak mampu mencukupi kebutuhan dana investasi yang akan dilakukan. Untuk mencukupi kebutuhan pembiayaan tersebut, maka utang luar negeri dilakukan. Adanya utang luar negeri ini menimbulkan kewajiban bagi negara debitur untuk mengembalikan utang tersebut beserta bunganya di masa mendatang. Oleh karena itu, pembiayaan yang bersumber dari utang luar negeri ini harus dikelola dengan baik dan dialokasikan untuk kegiatan investasi sektor riil yang produktif sehingga dapat memberikan rate of return yang tinggi di kemudian hari. Hal ini penting untuk mendukung kemampuan likuiditas negara debitur dalam melakukan pembayaran kembali atas jumlah pokok dan bunga dari utang luar negeri tersebut, sehingga negara debitur akan terhindar dari jeratan krisis utang seperti yang melanda Uni Eropa saat ini.

8

Penggunaaan utang luar negeri yang dialokasikan untuk kegiatan yang tidak produktif tanpa pengawasan yang baik dapat menyebabkan terjadinya krisis utang seperti yang saat ini melanda negara-negara di kawasan Uni Eropa (European Union/EU). Krisis utang yang berdampak sistemik tersebut diawali dengan kondisi gagal bayar yang dialami negara Yunani. Hal ini disebabkan karena ketiadaan pengawasan yang ketat dalam alokasi penggunaan utang luar negeri di negara tersebut. Defisit APBN Yunani mencapai 13,6 persen dari produk domestik bruto (PDB). Nilai ini melebihi batas ketentuan yang tercantum dalam Maastricht Treaty (Undang-Undang Dasar anggota Uni Eropa), yang menyatakan bahwa negara-negara anggota Uni Eropa harus memiliki defisit APBN maksimum 3 persen dari PDB nya. Defisit APBN yang dialami Yunani tersebut selanjutnya dibiayai dari dari dana yang bersumber dari penerbitan obligasi oleh pemerintah sehingga menyebabkan utang luar negeri Yunani terus terakumulasi mencapai 172 persen dari PDB per Juni 2011. Nilai ini melebihi batas ketentuan yang tercantum dalam Maastricht Treaty yang menyatakan bahwa negara-negara anggota Uni Eropa harus memiliki total utang luar negeri maksimum 60 persen dari PDB nya (Quéré, Bénassy dan Boone, 2010). Dana yang bersumber dari penerbitan obligasi pemerintah sebagian besar digunakan untuk berbagai program yang sifatnya konsumtif dan pembiayaan sosial bagi masyarakat Yunani. Dana tersebut tidak digunakan untuk membiayai kegiatan investasi produktif, sehingga tidak memberikan dampak multiplier effect yang besar bagi pertumbuhan ekonomi Yunani sehingga tidak memberikan rate of return bagi pemerintah. Akibatnya, pada saat sebagian besar obligasi pemerintah

9

mengalami jatuh tempo pada periode bulan Mei tahun 2010, pemerintah Yunani mengalami kesulitan likuiditas sehingga terjadi kondisi gagal bayar yang dialami negara tersebut. Kondisi krisis utang yang dialami Yunani tersebut memicu terjadinya krisis perbankan di kawasan Uni Eropa. Hal ini disebabkan karena sebagian besar pemegang obligasi Yunani adalah bank-bank di negara-negara Uni Eropa. Dengan demikian, krisis utang Yunani berdampak luas dan sistemik terhadap perekonomian negara-negara lain di kawasan Uni Eropa. Oleh karena itu, negara-negara yang tergabung dalam Uni Eropa memutuskan melakukan bail out dengan menggelontorkan dana sebesar 14.5 miliar Euro dalam rangka melakukan pembayaran atas obligasi-obligasi pemerintah Yunani yang jatuh tempo tersebut. Jumlah itu masih akan ditambah dengan komitmen dari IMF dan tambahan dana talangan dari Uni Eropa untuk membayar utang-utang jatuh tempo lainnya (Arghyrou dan Tsoukalas, 2010). Selain Yunani, bank-bank di negara kawasan Uni Eropa juga banyak yang memegang obligasi-obligasi yang diterbitkan oleh pemerintah negara Irlandia, Italia, Portugal, dan Spanyol. Meskipun hanya Yunani yang mengalami gagal bayar dan membutuhkan restrukturisasi untuk pembayaran obligasi-obligasi yang telah jatuh tempo tersebut, namun kondisi gagal bayar dan restrukturisasi meluas terjadi pada beberapa negara lainnya. Hal ini memicu terjadinya krisis perbankan dengan dampak lebih besar. Kondisi ini berakibat buruk pada perekonomian negara-negara Uni Eropa sehingga secara keseluruhan, kawasan tersebut mengalami perlambatan pertumbuhan ekonomi sejak tahun 2009 hingga saat ini.

10

Berdasarkan pengalaman yang dialami oleh negara-negara di kawasan Uni Eropa, maka sumber pembiayaan yang berasal dari utang luar negeri dalam jumlah yang besar perlu diantisipasi sedini mungkin. Suatu sistem deteksi dini perlu untuk dibangun agar pemerintah dapat memperkirakan periode waktu kemungkinan terjadinya krisis utang secara tepat. Hal ini penting bagi pemerintah sehingga dapat merumuskan dan mengimplementasikan kebijakan-kebijakan yang bersifat antisipatif. Dengan adanya impelementasi kebijakan-kebijakan ekonomi secara tepat, maka diharapkan krisis utang dapat diantisipasi dengan baik sehingga mengurangi kemungkinan dampak sistemik yang terjadi secara meluas akibat krisis utang tersebut. Berdasarkan data yang telah ditunjukkan sebelumnya, terlihat bahwa komposisi utang luar negeri pemerintah dan swasta menunjukkan trend yang terus meningkat pada tiap periodenya. Hal ini mengakibatkan akumulasi utang luar negeri Indonesia dalam jumlah yang besar. Kondisi tersebut dapat meningkatkan eksposur bagi perekonomi Indonesia apabila terjadi guncangan ekonomi yang dipengaruhi oleh lingkungan eksternal perekonomian global. Guncangan tersebut dapat mengarahkan perekonomian Indonesia pada kondisi krisis utang luar negeri. Hal ini disebabkan karena adanya guncangan eksternal dapat meningkatkan eksposur utang luar negeri. Eksposur utang luar negeri yang berlebihan dapat memberikan tekanan depresiatif terutama karena faktor sentimen negatif. Utang luar negeri yang tidak terkendali dan bermasalah secara berkepanjangan (misalnya harus melalui proses rescheduling berulang-ulang) akan meningkatkan premi risiko dan biaya pinjaman yang pada akhirnya akan menurunkan credit rating dan

11

memberi tekanan pada nilai tukar. Depresiasi rupiah akan memberikan tekanan terhadap inflasi melalui pass through effect, sehingga akan mengurangi dampak positif depresiasi rupiah terhadap transaksi berjalan (current account). Padahal, peningkatan surplus transaksi berjalan sangat diperlukan untuk menutupi kewajiban pembayaran utang luar negeri. Dengan demikian, jelas bahwa risiko yang ditimbulkan akibat ketidakmampuan pembayaran utang luar negeri akan berimplikasi negatif pada aspek moneter berupa tekanan terhadap nilai tukar dan mengancam stabilitas makroekonomi secara keseluruhan yang bahkan dapat menghambat pertumbuhan ekonomi. Dengan mempertimbangkan berbagai dampak yang dapat terjadi akibat krisis utang luar negeri, maka perlu adanya suatu sistem deteksi dini yang dapat menandai kemungkinan terjadinya krisis utang di Indonesia. Terdapat dua fungsi utama dalam suatu sistem deteksi dini. Pertama adalah mengantisipasi terjadinya krisis utang luar negeri dan yang kedua adalah mengantisipasi dampak akibat krisis utang luar negeri. Fungsi pertama berperan sebagai pertimbangan pemerintah untuk melakukan kebijakan-kebijakan antisipatif agar krisis yang diprediksi akan terjadi, dapat dihindari. Fungsi kedua adalah jika kemudian krisis utang luar negeri tidak terhindarkan, maka sistem deteksi dini ini berperan sebagai dasar pertimbangan merumuskan dan melaksanakan kebijakan penanggulangan serta antisipasi penyebaran dampak krisis. Dengan demikian, pembangunan sistem deteksi dini ini menjadi sangat penting sebagai peringatan kemungkinan terjadinya krisis utang di Indonesia.

12

1.2 Permasalahan Kondisi APBN Indonesia selalu mengalami defisit sehingga membutuhkan pembiayaan untuk menutupi defisit tersebut. Sejak tahun 2005, sumber utama pembiayaan untuk menutupi defisit tersebut berasal dari penerbitan obligasi. Dari waktu ke waktu, porsi kepemilikan obligasi semakin besar dikuasai oleh pihak asing. Hal ini secara tidak langsung mengindikasikan bahwa salah satu sumber pembiayaan APBN utama adalah utang luar negeri. Bila kondisi ini terus berlangsung dalam jangka waktu yang panjang, maka utang luar negeri pemerintah akan terakumulasi dalam jumlah yang besar. Utang luar negeri pihak swasta juga menunjukkan trend yang terus meningkat dari waktu ke waktu. Peningkatan eksposur juga terjadi seiring dengan semakin kurangnya pengawasan terhadap alokasi penggunaan utang luar negeri sektor swasta tersebut. Berbagai kegiatan perekonomian yang digerakkan sektor swasta sebagian besar didanai dari pembiayaan utang luar negeri. Kondisi tersebut semakin menguatkan indikasi adanya ketergantungan Indonesia terhadap sumber pembiayaan dari pihak asing dalam bentuk utang luar negeri. Hal ini akan menyebabkan perekonomian Indonesia semakin rentan terhadap perubahan eksternal yang terjadi. Dengan demikian, tidak menutup kemungkinan bila di masa mendatang Indonesia bisa mengalami krisis utang luar negeri. Oleh karena itu, sangatlah penting untuk mengembangkan suatu mekanisme deteksi kemungkinan terjadinya krisis utang di Indonesia. Hal ini dimaksudkan agar langkah-langkah preventif dan antisipatif dapat segera diimplementasikan untuk membenahi perekonomian secara keseluruhan supaya terhindar dari krisis utang yang mungkin melanda Indonesia.

13

Berdasarkan uraian di atas, maka penting artinya bagi Indonesia untuk memiliki suatu sistem deteksi dini krisis utang di Indonesia. Oleh karena itu, permasalahan yang akan diteliti adalah : 1.

Apa saja indikator-indikator yang dapat menjadi Coincident, Leading dan Lagging Indicators terjadinya krisis utang luar negeri di Indonesia?

2.

Bagaimana rancang bangun dan mekanisme bekerjanya early warning system krisis utang di Indonesia?

3.

Apa saja kebijakan yang diperlukan dalam rangka menghindari dan menanggulangi terjadinya krisis utang di Indonesia ?

1.3 Tujuan Adapun tujuan yang hendak dicapai dalam skripsi ini adalah : 1.

Untuk menentukan indikator-indikator yang dapat menjadi Coincident, Leading dan Lagging Indicators terjadinya krisis utang luar negeri di Indonesia

2.

Untuk menentukan rancang bangun dan mekanisme bekerjanya early warning system krisis utang di Indonesia

3.

Untuk mengidentifikasi kebijakan-kebijakan yang diperlukan dalam rangka menghindari dan menanggulangi terjadinya krisis utang di Indonesia

14

1.4 Manfaat Secara khusus, manfaat yang dapat diperoleh melalui skripsi yang membahas penyusunan sistem deteksi dini krisis utang di Indonesia adalah sebagai berikut : 1. Manfaat bagi penulis, yakni dapat mengembangkan pemahaman dan kemampuan dalam menganalisis fenomena ekonomi, khususnya dalam hal ini krisis utang yang mungkin melanda Indonesia pada periode waktu mendatang. 2. Manfaat bagi pengambil kebijakan, yakni dapat dengan segera merancang dan mengimplementasikan

kebijakan

ekonomi

yang

tepat

dalam

rangka

memperkuat perekonomian dari sisi fiskal. Pemerintah diharapkan secara tepat dapat menggunakan sistem deteksi dini ini untuk memprediksi kemungkinan terjadinya krisis utang di masa mendatang. Langkah kebijakan pemerintah yang tepat waktu dan sasaran sangat penting untuk dilakukan untuk mengantisipasi krisis utang di Indonesia.

1.5 Ruang Lingkup Dalam penelitian ini, dilakukan proses seleksi terhadap berbagai macam variabel ekonomi dalam rangka penyusunan sistem deteksi dini krisis utang di Indonesia. Variabel ekonomi yang diseleksi mencakup variabel makroekonomi domestik dan variabel makroekonomi global selama periode bulan Januari 1990 hingga Desember 2011.

15

BAB II TINJAUAN PUSTAKA

2.1 Tinjauan Konsep dan Teori Penelitian ini dilakukan untuk mengembangkan sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia pada waktu mendatang dengan didasarkan pada berbagai teori dan konsep ekonomi yang berkaitan satu sama lain. Teori dan konsep yang mendasari penelitian ini sangat terkait dengan variabel utang pemerintah dan variabel-variabel makroekonomi lainnya yang berkaitan satu dengan lainnya. Pemahaman terhadap berbagai konsep dan teori terkait dengan utang pemerintah merupakan hal yang penting karena menjadi dasar dalam penetapan masalah yang dibahas dalam penelitian. Selain itu, penggunaan konsep dan teori yang tepat juga sangat berperan dalam upaya memperoleh validitas dan reabilitas data yang tinggi dalam penelitian yang dilakukan. Adapun teori dan konsep ekonomi terkait dengan utang luar negeri yang digunakan dalam penelitian ini diuraikan pada sub bab selanjutnya berikut ini.

2.1.1 Teori Siklus Bisnis Teori Siklus Bisnis menyatakan bahwa fluktuasi dalam perekonomian dapat terjadi akibat adanya guncangan pada salah satu variabel makroekonomi tertentu. Misalnya saja bila terjadi guncangan terhadap kemampuan dalam memproduksi barang dan jasa, maka hal tersebut dapat mengubah tingkat output dan kesempatan kerja alamiah. Guncangan ini tidak diinginkan, namun tidak dapat

16

dihindari. Begitu guncangan terjadi, GDP, kesempatan kerja, dan variabelvariabel makroekonomi lain akan berfluktuasi. Guncangan yang terjadi pada suatu variabel makroekonomi tertentu berdampak pula pada terjadinya perubahan dalam defisit anggaran pemerintah. Hal tersebut terjadi secara otomatis untuk menanggapi perekonomian yang berfluktuasi. Sebagai ilustrasi, ketika perekonomian mengalami resesi, pendapatan akan turun, sehingga kemampuan seseorang untuk membayar pajak menjadi berkurang. Tingkat laba yang diperoleh juga menurun, sehingga perusahaan membayar lebih sedikit pajak pendapatan. Kondisi resesi ini juga berdampak pada semakin meningkatnya jumlah masyarakat yang bergantung pada bantuan pemerintah, sehingga pengeluaran pemerintah juga mengalami peningkatan secara signifikan.

2.1.2 Model Early Warning System (EWS) Model Early Warning System (EWS) merupakan suatu model yang digunakan untuk mengantisipasi apakah dan kapan suatu negara dipengaruhi oleh krisis dan ketidakstabilan ekonomi. Model ini dibangun terkait dengan siklus perekonomian khususnya pada saat krisis keuangan yang terjadi seperti di Eropa (1992-1993), Turki (1994), Amerika Latin (1994-1995) dan Asia (1997-1998). EWS pada siklus perekonomian sangat penting bagi pemerintah serta sektor riil dalam kerangka perencanaan dan formulasi kebijakan serta pengambilan keputusan. Menurut Nasution (2007), pendekatan metode untuk model EWS dapat dikelompokkan menjadi dua, yaitu : 1.

Macroeconometric model dan time series analysis

17

2.

Business cycle analysis

Kedua pendekatan tersebut memiliki kelebihan dan kekurangan, di antaranya dapat dilihat pada tabel berikut. Tabel 2.1. Kelebihan Masing-Masing Model Early Warning System Macroeconometric Model &Time Series Business cycle analysis (Composite Model

Leading & Coincident Indicators)

Pembentukan model didasarkan pada teori Data tersedia lebih cepat (timeliness) ekonomi dan diestimasi berdasarkan dan high frequency (monthly basis). prinsip-prinsip ekonometrika

Berdasarkan model dapat dilakukan Tidak ada hubungan fungsional simulasi dengan berbagai skenario antara leading dengan coincident index maupun reference series, sehingga tidak diperlukan proyeksi atau pengasumsian nilai variable bebas.

Model dapat menjelaskan hubungan antar Leading index dapat memberikan variabel secara kuantitatif deteksi dini (early warning system) tentang arah pergerakan perekonomian secara gregat baik level maupun laju pertumbuhannya. Dengan kata lain, metode ini dapat memberikn signal tentang kemungkinan terjadinya turningpoint dalam beberapa periode mendatang. Sumber : InterCafe (2007)

18

Tabel 2.2. Kekurangan Masing-Masing Model Early Warning System Macroeconometric Model &Time Series Business cycle analysis (Composite Model

Leading & Coincident Indicators)

Pembentukan model dengan frekuensi tinggi Komponen pembentuk indeks dipilih seringkali sulit karena keterbatasan data berdasarkan judgment, studi literatur serta statistical test. Sehingga, beberapa ahli mengatakan metode ini atheoritical. Untuk membuat proyeksi nilai-nilai variabel Tidak dapat digunakan untuk mebuat eksogen harus terlebih dahulu simulasi dengan berbagai skenario diprediksi/diasumsikan. Kesalahan dalam serta tidak dapat menunjukkan prediksi ini akan terbawa secara kumulatif variabel ekonomi dalam bentuk dalam proyeksi nilai variabel endogen. persamaan matematika. Sumber : InterCafe (2007)

2.1.3 Definisi Business Cycle Burns dan W. Mitchel dalam bukunya Business Cycle Analysis yang terbit tahun 1946 berpendapat bahwa business cycle terjadi pada orientasi pasar ekonomi dan terlibat sepanjang waktu, tapi tidak berakibat secara berkala dari ekspansi dan kontraksi dalam sebagian besar kegiatan ekonomi. Business cyle adalah suatu jenis fluktuasi ekonomi yang terjadi pada suatu kegiatan ekonomi agregat di suatu negara. Suatu siklus terdiri dari ekspansi yang terjadi pada waktu bersamaan dalam berbagai kegiatan ekonomi, demikian pula resesi dan kontraksi yang muncul ke dalam fase ekspansi pada siklus selanjutnya. Perubahan urutan ini terjadi secara berulang tetapi tidak pada waktu-waktu tertentu. Durasi dari suatu siklus bisnis bisa bervariasi, mulai lebih dari satu tahun hingga sepuluh atau dua belas tahun. Siklus bisnis ini tidak bisa dibagi ke dalam siklus-siklus dengan karakter serupa yang lebih pendek (Zhang dan Zhuang, 2002).

19

Menurut National Bureau of Economic Research (NBER), siklus bisnis mengacu pada kegiatan ekonomi secara agregat yang titik utamanya yaitu menyatukan pergerakan dari banyak variabel ekonomi atau proses pada banyak siklusnya tersebut. Beberapa ada yang menjadi lead dan ada yang menjadi lag. Mereka cenderung untuk selalu bergerak bersama sehingga tidak bisa dihilangkan menjadi single aggregate.

2.1.4 Tahapan Business Cycle Definisi klasik business cycle oleh NBER memiliki dua fase, yaitu ekspansi dan kontraksi. Berakhirnya ekspansi dan dimulainya kontraksi dalam titik puncak (peak) sebagai waktu yang menandai tingkat yang tertinggi (kulminasi) dari penurunan secara umum kegiatan perekonomian. Berakhirnya kontraksi dan dimulainya ekspansi dalam titik trough (lembah) sebagai waktu yang menandai tingkat tertinggi dari peningkatannya. Dalam siklus perekonomian, terdapat empat tahapan business cycle, yaitu : 1. Masa depresi (depression), yaitu suatu periode penurunan permintaan agregat yang cepat dan diiringi rendahnya tingkat output dan pengangguran yang tinggi secara bertahap mencapai dasar yang paling rendah 2. Masa pemulihan (recovery), yaitu peningkatan permintaan agregat yang diiringi peningkatan output dan penurunan tingkat pengangguran 3. Masa kemakmuran (prosperity), yaitu permintaan agregat yang mencapai dan kemudian melewati taraf output yang terus menerus (PDB Potensial) pada saat puncak siklus telah dicapai, dimana tingkat pengangguran tenaga kerja penuh

20

dicapai dan adanya kelebihan permintaan mengakibatkan naiknya tingkat harga-harga umum (inflasi) 4. Masa resesi (recession), yaitu suatu masa dimana permintaan agregat menurun yang mengakibatkan penurunan kecil dari output dan tenaga kerja, seperti yang terjadi pada tahap awal.Seiring dengan hal ini, maka akan muncul masa depresi.

2.1.5

Business Cycle Indicators

Business Cycle Indicators (BCI) merupakan salah satu bentuk indikator yang biasa digunakan untuk meramalkan keadaan ekonomi di masa depan atau trend ekonomi. Indikator ekonomi mempunyai dampak besar terhadap pasar, bagaimana mengetahui, menginterpretasi dan menganalisis indikator tersebut merupakan hal yang sangat penting bagi para pelaku ekonomi. Setiap indikator harus memenuhi beberapa aturan kriteria, dimana ada tiga kategori timing indicator yang diklasifikasikan menurut tipe peramalan yang dihasilkannya, yaitu coincident, leading, dan lagging. Variabel-variabel ekonomi yang termasuk dalam setiap jenis indikator bisa berbeda-beda untuk tiap negara, baik negara maju maupun negara berkembang. Hal ini dikarenakan perbedaan sistem dan kondisi ekonomi yang dianut suatu negara, respon dari setiap kebijakan yang dikeluarkan pemerintah di masing-masing negara, dan lain sebagainya.

21

Coincident, Leading dan Lagging Indicators yang dihasilkan dari pendekatan business cycle memiliki fungsi dan karakteristik masing-masing. Adapun penjelasan mengenai ketiga indikator tersebut dapat diuraikan sebagai berikut : 1.

Coincident Indicators Coincident Indicators memiliki ketepatan waktu dengan variabel reference

yang menunjukkan business cycle-nya. Bila dilihat dari pergerakan siklusnya, Coincident Indicators bergerak seiring dengan variabel reference. Keduanya secara grafis bergerak bersamaan, bila siklus variabel reference berada di titik puncak, maka siklus dari Coincident Indicators berada di titik puncak pula, begitu juga sebaliknya. 2.

Leading Indicators Time series yang dipilih cenderung bergerak lebih dulu dari variabel reference

dan Leading Indicators-nya juga mencapai perputaran pergantian poin terlebih dahulu terhadap posisi business cycle (puncak dan lembah). Oleh karena itu, Leading Indicators ini cikal bakal dari early warning system. Series-nya lebih sensitif dan volatile daripada Coincident Indicators, serta banyak dari mereka yang memiliki trend yang sangat lemah. Leading Indicators jarang kehilangan banyak resesi tapi indikator tersebur memiliki lebih banyak fluktuasi daripada Coincident Indicators. 3.

Lagging Indicators Lagging Indicators menguatkan pergerakan dari Coincident dan Leading

Indicators. Indikator ini dapat memeratakan dari kedua indikator lainnya. Bila dilihat dari siklus pergerakannya, Lagging Indicators bergerak mengikuti variabel

22

reference. Oleh karena itu, Lagging Indicators kurang berpengaruh dalam pembagunan early warning system. Hal ini disebabkan karena pergerakan indikator ini hanya memprediksi dampak penyebaran akibat terjadinya suatu fenoma ekonomi yang menjadi fokus penelitian. Coincident, Leading dan Lagging Indicators merupakan instrumen yang penting dalam pembangunan suatu early warning system. Dalam upaya mendapatkan kemungkinan sinyal-sinyal yang benar dan lebih kuat dalam mengurangi kesalahan, maka perlu disusun suatu indeks gabungan. Composite Index lebih baik daripada Individual Index, karena dalam business cycle tidak ada pembuktian dari rantai tunggal dalam menjawab permasalahan yang terjadi , yaitu gejala-gejala resesi atau ekspansi. Dengan adanya Composite Index, maka kemampuan prediksi potensial dalam Leading Indicators akan semakin optimal.

2.1.6 Leading Economic Indicators dan Peramalan Aktivitas Ekonomi Penyusunan Leading Economic Indicators (LEI) pertama kali dirintis pada tahun 1920-an oleh Badan Statistik Amerika, yang dikenal dengan Bureau of Economic Research (NBER). Pada saat itu, ilmu ekonometrika masih belum berkembang, sehingga metode penyusunan LEI pun lebih bersifat analisis deskriptif. Selain itu, karena keterbatasan dalam penyusunannya, LEI hanya disajikan dalam bentuk tabel angka-angka statistik. Pada masa itu, terdapat LEI saja dan belum memiliki composite index. Pada perkembangan selanjutnya, LEI mengalami kemajuan yang begitu pesat dalam berbagai penelitian yang dilakukan. Indikator ini mulai dikaitkan dengan

23

berbagai teori ekonomi yang relevan untuk menyusun suatu EWS yang lebih akurat. Salah satu teori ekonomi yang kini mulai banyak dikaitkan dengan LEI untuk keperluan pembangunan EWS adalah teori siklus bisnis (business cycle). Pembentukan

LEI

dengan

pendekatan

siklus

bisnis

mulai

banyak

dikembangkan didasarkan atas perhatian pada shock yang banyak terjadi berasal dari faktor internal maupun eksternal. Shock tersebut menyebabkan terjadinya fluktuasi (volatilitas) dalam perekonomian. Dalam jangka panjang, fluktuasi tersebut akan mengakibatkan naik atau turunnya aktivitas perekonomian. Perilaku naik turunnya (rebounds dan declines, atau recoveries dan recessions) perekonomian seringkali berulang pada masa-masa sesudahnya dan membentuk suatu siklus. Karena sifatnya yang terus berulang, maka adanya deteksi dini atau peramalan siklus perekonomian menjadi sangat penting, baik bagi pemerintah mapupun dunia usaha dalam rangka perencanaan dan formulasi kebijakan di bidang ekonomi serta pengambilan keputusan bisnis. Dalam analisis business cycle, dikenal tiga indikator komposit, yaitu Leading, Coincident, dan Lagging Indicators. Selain ketiga indikator komposit tersebut, dalam analisis business cycle terdapat pula reference series yang merupakan variabel untuk menggambarkan kondisi perekonomian secara keseluruhan seperti Debt to GDP, PDB, inflasi, nilai tukar, saham, indeks produksi industri, dan sebagainya. Coincident Indicators merupakan variabel yang menggambarkan kondisi perekonomian saat ini dan bergerak seiring dengan reference series. Leading Indicators merupakan variabel yang menggambarkan keadaan ekonomi dalam beberapa bulan ke depan dan bergerak mendahului coincident indicators

24

maupun reference series. Lagging Indicators adalah variabel yang mengikuti (lag) pergerakan Coincident maupun Leading Indicators. Dari ketiga indikator tersebut, Leading Indicators mendapatkan perhatian khusus karena fungsinya yang mampu memberikan deteksi dini (early warning system) tentang arah pergerakan perekonomian secara keseluruhan. Sejak awal perkembangannya, analisis business cycle ini terutama penyusunan Leading Indicators sangat populer dalam mendeteksi siklus perekonomian. Penyusunan Leading Indicators memerlukan data dengan frekuensi yang tinggi, umumnya berupa data bulanan dengan frekuensi dan time series yang panjang. Oleh karena itu, penggunaannya masih sangat terbatas untuk penelitian yang dilakukan di negara berkembang. Hal ini disebabkan karena ketersediaan data di negara berkembang pada umumnya masih belum terdokumentasi dengan baik.

2.2

Penelitian Terdahulu Terdapat begitu banyak penelitian yang dilakukan dari waktu ke waktu

untuk memberikan penilaian terhadap suatu negara mengenai kemungkinan terjadinya krisis utang. Lembaga pemeringkat utang internasional menilai kemungkinan terjadinya krisis utang di suatu negara tertentu melalui kemampuannya dalam membayar kembali obligasi. Namun, dalam studi-studi selanjutnya, penilaian terhadap kemungkinan terjadinya krisis utang di suatu negara dapat dikaitkan dengan GDP per kapita, inflasi, utang eksternal,

25

pembangunan ekonomi dan sejarah negara tersebut (Cantor& Packer, 1996; Lee, 1993). Pada penelitian lebih lanjut, mulai dikembangkan early warning system (EWS) yang bertujuan untuk menghasilkan suatu sinyal yang dapat mendeteksi kesulitan pembayaran kembali utang suatu negara (debt repayment). Hampir semua literatur studi menyatakan bahwa EWS yang dibentuk pada suatu penelitian tertentu dapat digunakan untuk mendeteksi krisis utang pada suatu negara dalam jangka waktu satu tahun sebelumnya. Waktu yang lebih panjang memang berdampak pada lebih sedikit kegagalan, karena semakin panjang waktu signaling, semakin panjang pula waktu untuk mengambil langkah-langkah antisipatif untuk menghindari terjadinya krisis utang (Berg & Pattillo 1999; Kamin, 1999; Kumar et al., 2003). Bussière and Fratzscher (2002) menunjukkan metode penentuan panjang waktu yang optimal dalam sinyal peringatan dini. Dalam upaya untuk menaksir kecukupan dari suatu EWS, kemungkinan prakiraan biasanya ditransformasikan ke dalam peramalan dan dibandingkan denan indikator EWS yit. Untuk tujuan tersebut, pembuat keputusan harus menggunakan suatu cut-off atau probabilitas threshold λ yang konsisten dengan besarnya kehilangan fungsi yang terjadi. A.-M. Fuertes, E. Kalotychou (2007) berupaya menyusun suatu model EWS yang optimal dalam upaya mendeteksi kemungkinan terjadinya krisis utang di negara-negara OECD dengan cara mengeksplorasi hubungan antara EWS dengan fungsi objektif pembuat keputusan. Dengan demikian, penelitian yang dilakukan tersebut memiliki dua komponen utama. Pertama, adanya unsur preferensi

26

pembuat keputusan (dirumuskan dalam bentuk loss function dan risk-aversion parameter) yang digabungkan ke dalam pengujian optimal dari classifier dan penilaian dari peramalan sampel. Kedua, penelitian ini berupaya menginvestigasi kombinasi peramalan yang dilakukan. Adapun pendekatan yang dilakukan adalah logit M dan logit R, K-Clustering, serta pendekatan ketiga menggunakan kombinasi keduanya (menginvestigasi tentang forecast combining). Pokok permasalahan pada fungsi objektif dan kombinasi peramalan masih kurang dibahas dalam berbagai literatur, sehingga penelitian ini lebih menekankan pada kedua hal tersebut. Adapun hasil penelitian ini menunjukkan bahwa preferensi pembuat keputusan mempengaruhi pemilihan dari metodologi peramalan dan pengujian optimalnya. LOGIT-M menunjukkan non-parametric (clustering) dan judgmental (LOGIT-R) classifier dengan menghasilkan false alarms yang lebih sedikit. Lebih lanjut, ditemukan bahwa dua classifier menguasai LOGIT-M dalam kehilangan kegagalan yang lebih sedikit. Untuk keperluan pembentukan early warning system yang akurat, maka dalam penelitian ini dilakukan pemilihan variabel-variabel yang dianggap sesuai. Pemilihan variabel-variabel tersebut didasarkan pada pendekatan LOGIT-M dan K-clustering sehingga diperoleh sepuluh variabel terpilih. Adapun variabel yang terpilih tersebut adalah sebagai berikut. 1. volatilitas pertumbuhan ekspor dan rasio neraca perdagangan terhadap GDP (menjadi sinyal bagi aktivitas ekonomi eksternal);

27

2. rasio total utang luar negeri terhadap GDP, rasio official debt terhadap total debt, dan rasio kredit IMF terhadap ekspor (menjadi sinyal bagi aktivitas external credit exposure) 3. credit to private sector/GDP, pertumbuhan GDP, volatilitas pertumbuhan GDP, dan nilai tukar riil (menjadi sinyal untuk menggambarkan kondisi domestik) 4. trade/GDP (menjadi sinyal mata rantai perekonomian global) Goldstein, Kaminsky, dan Reinhart (2000) juga telah mengupayakan pembentukan suatu early warning system dengan pendekatan leading indicators. Adapun perbedaannya dengan penelitian ini adalah bahwa penelitian tersebut dilakukan untuk membangun alat deteksi dini kemungkinan terjadinya krisis nilai tukar. Dalam penelitian tersebut, telah ditetapkan beberapa leading indicator baku yang digunakan sebagai acuan utama dalam pembuatan model EWS sebagaimana terlihat pada Tabel 2.3.

28

Tabel 2.3 Leading Indicators Krisis Nilai Tukar dan Alasan Ekonomi Leading Indicators NERACA PERDAGANGAN Keseimbangan neraca perdagangan / Investasi lokal kotor -Ekspor -Impor Nilai tukar efektif riil Nilai tukar terhadap US Dollar Keseimbangan Neraca Perdagangan/ Pendapatan Regional Bruto

NERACA KEUANGAN Simpanan di BIS/cadangan devisa Perbedaan tingkat suku bunga di dalam negeri dengan Amerika Kewajiban asing atau harta pihak asing di sektor perbankan Cadangan Devisa -M2/cadangan devisa -Aliran modal jangka pendek/GDP -Hutang luar negeri jangka pendek/cadangan devisa SEKTOR KEUANGAN -Deposito/M2 -Kredit dalam negeri/GDP -Perbedaan tingkat suku bunga deposito -Pinjaman/deposito -M1/PDB -Pengganda M2 -Deposito di bank-bank komersial -Tingkat suku bunga domestik

SEKTOR RIIL -Indeks Harga Konsumen -Indeks Pembangunan Industri

Alasan Ekonomi Ekspor yang melemah dan pertumbuhan impor yang berlebihan dan nilai tukar yang terlampau kuat dapat memperburuk neraca perdagangan, dan dalam sejarah sangat berkaitan dengan terjadinya krisis keuangan dibanyak negara. Kelemahan eksternal dan nilai tukar yang terlampau kuat dapat juga menyebabkan kerawanan sektor perbankan seperti kehilangan daya kompetisi di pasar eksternal yang dapat menimbulkan krisis keuangan, kegagalan bisnis, dan penurunan kualitas pinjaman. Akhirnya, krisis perbankan dapat menyebabkan krisis keuangan. Dengan terjadinya globalisasi dan integrasi sektor keuangan, masalah neraca keuangan dapat membuat suatu negara menjadi mudah terkena guncangan. Perwujudan masalah neraca keuangan dapat berupa penurunan cadangan devisa, hutang luar negeri jangka pendek yang berlebihan, jatuh tempo pinjaman dan keridakseimbangan nilai tukar, pelarian modal ke luar negeri Krisis keuangan dan perbankan berkaitan erat dengan terjadinya pertumbuhan kredit yang sangat cepat terkait dengan kebijakan ekspansi moneter di banyak negara, sementara terjadinya penyusutan deposito perbankan, tingginya tingkat suku bunga dalam negeri, dan besarnya tingkat suku bunga deposito sering merupakan suatu gambaran terjadinya kesulitan dan masalah di sektor perbankan Terjadinya resesi dan kenaikan harga yang drastis sering mendahului terjadinya krisis perbankan dan krisis

29

-Indeks Harga Saham Gabungan SEKTOR FISKAL -Kredit BI kepada sektor pemerintahan -APBN terhadap PDB -Pengeluaran pemerintah/GDP -Kredit bersih ke sektor publik/GDP

keuangan. Terjadinya defisit yang besar pada APBN, dapat memicu memburuknya posisi neraca keuangan yang akhirnya dapat menekan nilai tukar.

EKONOMI GLOBAL Krisis ekonomi yang terjadi di luar -Harga minyak dunia negeri dapat menyebar pada -Nilai tukar riil antara US Dollar $ perekonomian dalam negeri. Tingginya dengan Yen Jepang harga minyak dunia merupakan suatu -Tigkat suku bunga federal pertanda bahaya bagi neraca keuangan -Pertumbuhan ekonomi Amerika dan dapat menyebabkan terjadinya krisis di dalam negeri. Tingginya tingkat suku bunga dunia sering menjadi penyebab terjadinya pelarian modal ke luar negeri. Untuk beberapa negara Asia Timur, terjadinya penurunan nilai tukar Yen Jepang terhadap Dollar Amerika dapat menyebabkan nilai tukar mata uang domestik terhadap Dollar Amerika juga tertekan. Sumber : Juzhong Zhuang. BIS= Bank International Settlement M2=Broad Mone GDI=Gross Domestic Investment

M1=Narrow Money CPI=Consumer Price Index GDP=Gross Domestic Product

Berbagai penelitian juga telah banyak dilakukan untuk menganalisis indikator-indikator variabel makroekonomi yang mungkin dapat menjadi sinyal kemungkinan terjadinya krisis finansial. Dalam berbagai penelitian tersebut, pengukuran kemungkinan terjadinya krisis finansial didasarkan pada analisis terhadap krisis nilai tukar, krisis perbankan, dan krisis utang. Adapun hasil dari penelitian tersebut disajikan pada dalam Tabel 2.4.

30

Tabel 2.4 Hasil-hasil Penelitian Terdahulu Indikator

Interpretasi

CC

BC

+

+

DC

Referensi

External Sector (Current Account) Nilai tukar riil

Ukuran untuk perubahan daya saing internasional dan proksi untuk lebih dari (bawah) penilaian.Nilai tukar riil yang overvalued adalah diduga dapat memperbesar probabilitas terjadinya krisis financial.

Pertumbuhan ekspor

Indikator yang menunjukkan terjadinya kehilangan daya saing pada pasar dunia internasional market. pasar. Penurunan pertumbuhan ekspor dapat disebabkan oleh terlalu tinggi mata uang domestik dan karenanya indicator ini menjadi proxy untuk terjadinya mata uang yang overvalue. Di sisi lain, jika pertumbuhan ekspor melambat karena alasan yang tidak terkait untuk nilai tukar, ini dapat menyebabkan tekanan devaluasi. Lemahnya sektor eksternal adalah bagian dari krisis mata uang. Besar pertumbuhan impor dapat mengakibatkan memburuknya transaksi berjalan sudah sering berhubungan dengan krisis mata uang

Pertumbuhan Impor

-

Kaminsky et al. (1998); Berg and Pattillo (1999); Kamin et al. (2001); Edison (2003); DermirgüçKunt and Detragiache (2000); Eichengreen and Arteta (2000) -

+

Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003); Marchesi (2003)

Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003)

31

Terms of Trade

Peningkatan dalam Terms of Trade (ToT) harus memperkuat posisi dari neraca pembayaran suatu negara dan karenanya menurunkan probabilitas krisis. Kemunduran dari ToT dapat mendahului terjadinya krisis mata uang.

-

-

-

Rasio Current Account terhadap GDP

Kenaikan rasio ini umumnya dikaitkan dengan aliran modal masuk secara besar-besaran yang diintermediasi oleh sistem finansial domestik dan dapat memfasilitasi harga asset dan credit boom. Peningkatan surplus pada current diperkirakan akan menunjukkan kemampuan untuk mendevaluasi dan dengan demikian untuk menurunkan kemungkinan krisis.

-

-

-

+

+

Kaminsky et al. (1998); Berg and Pattillo (1999); Kamin et al. (2001); Dermirg üç-Kunt and Detragiache (2000); Lanoie and Lemarbre (1996) Berg and Pattillo (1999); Kamin et al. (2001); Eichengreen and Arteta (2000); Lanoie and Lemarbre (1996); Marchesi (2003)

External Sector (Capital Account) Rasio M2 terhadap cadangan devisa

Menangkap sejauh mana kewajiban sistem perbankan didukung oleh cadangan devisa. Dalam hal krisis mata uang, tiap individu mungkin terburu-buru untuk mengkonversi deposito mereka dari mata uang domestik ke mata uang asing, sehingga rasio ini menangkap kemampuan pusat bank untuk memenuhi tuntutan mereka.

Kaminsky et al. (1998); Berg and Pattillo (1999); Kamin et al. (2001); Edison (2003); DermirgüçKunt and Detragiache (2000); Eichengreen and Arteta (2000)

32

Pertumbuhan Cadangan Devisa

Penurunan cadangan devisa merupakan indikator yang handal sebuah mata uang di bawah tekanan devaluasi. Penurunan cadangan belum tentu diikuti oleh devaluasi, bank sentral mungkin bisa berhasil dalam mempertahankanpasak, menghabiskan jumlah besar cadangan dalam proses. Pada sisi lain, runtuh mata uang yang paling didahului oleh periode meningkatkan upayaupaya untuk mempertahankan nilai tukar, yang ditandai dengan penurunan cadangan devisa. Total nilai cadangan devisa juga digunakan sebagai indikator kesulitan keuangan negara berurusan dengan pembayaran kembali utang

-

Indikator-indikator ini merupakan ukuran likuiditas. Tingginya tingkat pertumbuhan ini mungkin menunjukkan kelebihan likuiditas yang mungkin menjadi alasan untuk melakukan serangan spekulatif terhadap mata uang sehingga mengarah ke krisis mata uang.

+

-

Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003); Marchesi (2003)

Financial Sector Pertumbuhan M1 dan M2

M2 money multiplier

Sebuah indikator yang terkait dengan liberalisasi finansial. Peningkatan yang besar pada money multiplier dapat dijelaskan oleh adanya penurunan besarnya persyaratan cadangan.

+

Kamin et al. (2001)


33

Rasio utang domestik terhadap GDP

Pertumbuhan kredit domestik yang sangat tinggi dapat berfungsi sebagai indikator kasar dari kerapuhan sistem perbankan. Rasio ini biasanya terbit di tahap awal krisis perbankan. Ini mungkin bahwa krisis terungkap, bank sentral dapat menyuntik uang ke bank untuk memperbaiki situasi keuangan mereka.

+

Excess real M1 Balance

Kebijakan moneter yang longgar dapat menyebabkan krisis mata uang.

+

Tingkat bunga riil dalam negeri (domestik)

Tingkat bunga riil dapat dianggap sebagai proksi dari liberalisasi keuangan di mana proses liberalisasi itu sendiri cenderung mengarah pada tingginya tingkat bunga riil domestik. Tingginya suku bunga menandakan bahwa likuiditas ditingkatkan untuk mengantisipasi terjadinya serangan spekulatif. Kenaikan indikator ini atas beberapa tingkat ambang mungkin mencerminkan penurunan risiko kredit

+

+


Penurunan dalam hal kualitas kredit Bank domestik melakukan

-


Lending and deposit rate spread

Simpanan Bank Komersial

tindakan pengambilan uang simpanannya secara bersamasama dan pelarian modal terjadi sebagai awal terjadinya krisis

+

Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003); DermirgüçKunt and Detragiache (2000); Eichengreen and Arteta (2000) Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003)

+

Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003); DermirgüçKunt and Detragiache (2000)

34

Rasio Cadangan Bank terhadap Aset Bank

Guncangan makroekonomi yang merugikan kemungkinan besar sedikit mengarah pada terjadinya krisis di negara dimana system perbankan nya bersifat likuid.

-

Dermirgüç-Kunt and Detragiache (1997)

Defisit yang lebih tinggi diprediksi dapat meningkatkan probabilitas krisis, karena terjadinya defisit meningkatkan

+

Dermirgüç-Kunt and Detragiache (2000); Eichengreen and Arteta (2000)

Domestic real and public sector Rasio Keseimbangan Fiskal Terhadap GDP

kerentanan terhadap guncangan dan kepercayaan investor Rasio Utang Tingginya utang diprediksi dapat Publik meningkatkan kerentanan Terhadap GDP terhadap pembalikan dalam arus masuk modal dan maka untuk meningkatkan kemungkinan krisis.

+

Pertumbuhan Produksi Industri

Resesi sering mendahului terjadinya krisis keuangan

-

Perubahan Dalam Harga Saham

Ledakan harga aset yang gelembung sering mendahului krisis keuangan.

-

Tingkat Inflasi

Tingkat inflasi mungkin terkait dengan tingkat bunga nominal yang tinggi dan mungkin menjadi sautu proksi terhadap terjadinya kesalahahan penanganan ekonomi sehingga berpengaruh negative terhadap ekonomi dan sistem perbankan

+

+

+

+

Kamin et al., (2001); Lanoie and Lemarbre (1996); Eichengreen and Arteta (2000) Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003) Kaminsky et al. (1998); Berg and Pattillo (1999); Edison (2003) Dermirgüç-Kunt and Detragiache (1997); Lanoie and Lemarbre (1996); Marchesi (2003)

35

GDP Per Kapita

Negara berpendapatan tinggi kemungkinannya kecil untuk melakukan penjadwalan ulang utang mereka dibandingkan dengan negara-negara miskin karena biaya penjadwalan ulang akan cenderung lebih berat bagi ekonomi yang lebih maju. Kemerosotan kegiatan ekonomi domestik diprediksi dapat meningkatkan kemungkinan terjadinya krisis perbankan.

Pertumbuhan Tabungan Nasional

Tabungan nasional yang tinggi diprediksi dapat menurunkan kemungkinan dilakukannya penjadwalan hutang

-

-

Dermirgüç-Kunt and Detragiache (1997); Eichengreen and Arteta (2000); Lanoie and Lemarbre (1996); Marchesi (2003)

-

Lanoie and Lemarbre (1996)

Global Economy Pertumbuhan

Harga minyak yang tinggi terkait

Harga Minyak

dengan terjadinya resesi

+

Edison (2003)

Dunia Tingkat Bunga Peningkatan suku bunga Amerika Internasional sering dikaitkan Serikat dengan terjadinya aliran modal keluar

+

+

Pertumbuhan PDB OECD

-

-

Pertumbuhan output yang lebih tinggi asing harus memperkuat ekspor dan dengan demikian mengurangi kemungkinan krisis.

Edison (2003); Kamin et al. (2001); Eichengreen and Arteta (2000) Edison (2003); Kamin et al. (2001); Eichengreen and Arteta (2000)

Catatan: CC, BC dan DC merupakan krisis mata uang, krisis perbankan, dan krisis utang, masingmasing. Positif (negatif) diharapkan tanda berarti bahwa nilai (rendah) yang tinggi indikator menyebabkan probabilitas yang lebih tinggi dari krisis.

36

Beberapa penelitian terdahulu telah melakukan berbagai pendefinisian berbeda atas interpretasi kondisi krisis utang yang melanda suatu negara. Secara khusus, suatu negara dikategorikan sedang mengalami krisis utang bila negara tersebut melakukan perjanjan penjadwalan ulang pembayaran utang atau negosiasi (debt rescheduling agreement or negotiation). Ada beberapa penelitian yang menggunakan kombinasi dari beberapa definisi krisis utang, dan ada juga penelitian yang menggunakan suatu peristiwa atau pengukuran tertentu dari debt rescheduling yang dilakukan suatu negara. Sebagai contoh, penelitian yang dilakukan Berg and Sachs (1988), Lee (1991), Balkan (1992), Lanoie and Lemarbre (1996), and Marchesi (2003), mendefinisikan krisis utang hanya menggunakan konsep debt rescheduling yang dilakukan suatu negara. Penggunaan konsep debt rescheduling ini dimaksudkan untuk mengidentifikasi secara tepat kapan periode waktu suatu negara tertentu melakukan penjadwalan ulang atas pembayaran utang luar negerinya. Dengan menggunakan klasifikasi tersebut, maka dapat dinyatakan bahwa Indonesia pernah mengalami krisis utang. Hal ini didasarkan pada terjadinya debt rescheduling yang dilakukan Indonesia pada periode waktu tertentu sebagaimana ditampilkan pada Tabel 2.5.

37

Tabel 2.5 Periode Waktu Pelaksanaan Debt Rescheduling Atas Pembayaran Utang Luar Negeri Indonesia Debt Rescheduling Periode Waktu Desember 1966

Oktober 1967

Oktober 1968

April 1970

Juni 1998

September 1998 April 2000

April 2002

Sumber : Marcheisie, 2003

Pembayaran utang publik dan nonpublik dijadwal ulang pada tingkat pasar yang sesuai dengan profil pembayaran kembali berdasarkan hasil negosiasi Pembayaran utang publik dan nonpublik dijadwal ulang pada tingkat pasar yang sesuai dengan profil pembayaran kembali berdasarkan hasil negosiasi Pembayaran utang publik dan nonpublik dijadwal ulang pada tingkat pasar yang sesuai dengan profil pembayaran kembali berdasarkan hasil negosiasi Pembayaran utang publik dan nonpublik dijadwal ulang pada tingkat pasar yang sesuai dengan profil pembayaran kembali berdasarkan hasil negosiasi Kerangka kesepakatan untuk melakukan restrukturisasi atas utang swasta sebesar 80,23 miliar USD. Jatuh Tempo Utang dari 6Agustus 1998 hingga 31 Maret 2000 Pembayaran utang non-publik dan publik dijadwal ulang kembali pada tingkat pasar yang sesuai Pembayaran utang non-publik dan publik dijadwal ulang kembali pada tingkat pasar yang sesuai

38

2.3 Kerangka Pemikiran Berbagai fenomena yang terjadi di Indonesia menimbulkan adanya kekhawatiran mengenai kemungkinan terjadinya krisis utang di Indonesia. Fenomena-fenomena tersebut di antaranya adalah adanya kecenderungan Penelitian ini menekankan pada upaya pembentukan suatu sistem deteksi dini yang dapat mengukur kemungkinan terjadinya krisis utang di Indonesia secara tepat. Dalam upaya pembentukan alat deteksi dini tersebut, digunakan pendekatan leading economic indicators (LEI). Pendekatan tersebut digunakan berdasarkan suatu pemikiran bahwa pada suatu perekonomian global, variabel-variabel ekonomi saling trekait satu sama lain. Dengan demikian, bila terjadi suatu shock (guncangan) pada salah satu variabel, maka hal tersebut akan berpengaruh pada variabel lain. Shock tersebut dapat berupa guncangan internal maupun eksternal.yang berdampak pada fluktuasi ekonomi. Adanya fluktuasi yang terjadi kemungkinan memiliki pola berulang sehingga dapat membentuk suatu siklus yang disebut dengan siklus bisnis (business cycle). Berdasarkan alur pemikiran seperti yang diuraikan sebelumnya, maka kerangka pemikiran dalam pelaksanaan penelitian ini dapat dideskripsikan sebagai berikut.

39

Fenomena yang terjadi : •Kecenderungan peningkatan sumber pembiayaan eksternal (utang luar negeri) untuk menutupi defisit anggaran •Kecenderungan peningkatan posisi utang luar negeri sektor publik (pemerintah) • Kecenderungan peningkatan posisi utang luar negeri sektor swasta

MENIMBULKAN KEKHAWATIRAN TERJADINYA KRISIS UTANG DI INDONESIA PADA PERIODE WAKTU MENDATANG

Pembangunan early warning system (EWS) dengan pendekatan business cycle analysis

Teori Siklus Bisnis •trade/GDP

•nilai tukar •tingkat inflasi •cadangan devisa •dan lain-lain

Teori Ricardian Tentang Utang •Konsumsi

Rumah Tangga

Teori Keynesian •Tabungan

Masyarakat •Tabungan Nasional

Dapat dibentuk Coincident Debt Index, Leading Debt Index dan Lagging Debt Index

Gambar 2.1 Bagan Kerangka Pemikiran

40

BAB III METODOLOGI PENELITIAN 3.1 Jenis Data dan Metode Pengumpulan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, dengan deret waktu bulanan. Data tersebut akan dikumpulkan dari berbagai sumber, seperti Bank Indonesia, Badan Pusat Statistik, IMF dan sumber-sumber publikasi lainnya. Adapun jumlah variabel makroekonomi yang berhasil dikumpulkan dalam penelitian ini adalah sebanyak 111 variabel, sebagaimana yang terlampir pada Lampiran 1.

3.2 Metode Analisis Penelitian ini menggunakan metode analisis siklus bisnis (business cycle analysis).

Dalam

prosesnya,

pengolahan

data

akan

dilakukan

dengan

menggunakan Eviews 6. Penyusunan leading indicator merupakan adopsi dari analisis business cycle yang dibangun untuk mendeteksi siklus perekonomian. Hal yang mendasari analisis business cycle adalah bahwa shock (guncangan) yang berasal dari internal maupun eksternal menyebabkan volatilitas (fluktuasi) aktifitas perekonomian. Dalam jangka panjang, fluktuasi tersebut akan membentuk suatu siklus (business cycle)

perekonomian

dimana

pergerakan

naik

dan

turunnya

aktivitas

perekonomian tersebut berada dalam level absolut. Untuk menjelaskan turning point dari terjadinya fenomena krisis utang di Indonesia, maka penelitian ini menggunakan variabel ekonomi rasio utang luar

41

negeri terhadap Produk Domestik Bruto (PDB) Indonesia (debt to GDP ratio). Varibel ekonomi ini digunakan sebagai reference series karena mampu memberikan penilaian tepat atas tingkat solvabilitas suatu negara, sehingga dapat menggambarkan tingkat indebtness suatu negara. Adapun nilai threshold variabel ekonomi debt to GDP ratio yang digunakan untuk menggambarkan terjadinya krisis utang mengacu pada ketentuan dari salah satu lembaga keuangan internasional, yaitu IMF (International Monetary Fund). IMF menetapkan bahwa suatu negara dikategorikan menghadapi beban utang yang tinggi bila variabel ekonomi debt to GDP ratio mencapai nilai yang lebih tinggi dari 60 persen. Dengan mengamati pergerakan variabel makroekonomi terhadap reference series, maka dapat ditentukan apakah variabel tersebut termasuk Coincident, Leading atau Lagging Indicators. Suatu variabel makroekonomi dikategorikan sebagai Leading Indicator bila memiliki pergerakan yang mendahului reference series, sehingga variabel tersebut dapat menggambarkan kondisi perekonomian apakah berpotensi mengalami krisis utang dalam beberapa bulan ke depan. Sementara itu, suatu variabel dikategorikan sebagai Lagging Indicator apabila pergerakannya (lag) mengikuti reference series. Apabila suatu variabel makroekonomi bergerak seiring dengan reference series sehingga mampu menggambarkan kondisi perekonomian saat ini, maka variabel tersebut dikategorikan sebagai Coincident Indicator.

42

3.2.1 Tahapan Penyusunan Leading Economic Indicators Secara umum, tahapan-tahapan untuk membangun Leading Indicators dengan analisis business cycle adalah sebagai berikut. 1. Pengumpulan Data Sekunder Adapun tahap pertama yang dilakukan adalah dengan mengumpulkan datadata sekunder yang dipelukan dari berbagai sumber. Idealnya, jumlah data yang diperlukan

dapat

mencapai

ratusan

variabel.

Variabel-variabel

tersebut

diperkirakan dapat menjadi kandidat komponen leading, coincident dan lagging index. Data yang dikumpulkan sebaiknya memiliki periode yang panjang dengan frekuensi tinggi (data bulanan) agar dapat diperoleh hasil yang baik. Kriteria pemilihan variabel harus dilihat dari aspek ekonomi dan perilaku data secara statistika. 2. Disagregasi Data Tahap kedua adalah melakukan disagregasi data dengan menggunakan metode Qubic Splines atau dapat pula digunakan metode interpolasi lainnya. Hal ini dilakukan apabila data yang tersedia memiliki frekuensi observasi tahunan atau kuartalan untuk disesuaikan menjadi data bulanan. 3. Mengisolir Pengaruh Musiman Tahap ketiga adalah membersihkan data dengan mengisolir pengaruh musim sehingga tidak menyebabkan misleading dan indeks yang diperoleh tidak volatile. Pada banyak negara, faktor musim biasanya bersifat fix (tetap) seperti pada peristiwa hari raya (lebaran, natal, tahun baru atau lainnya) maupun musim yang ekstrem (musim hujan, kemarau, dingin, dan panas). Untuk kasus Indonesia,

43

selain faktor musim yang tetap, juga ada faktor yang bergerak seperti Idul Fitri dan Tahun Baru Imlek. 4. Pemilihan Kandidat Variabel Coincident , Leading dan Lagging Indicators Tahap keempat adalah pemilihan kandidat variabel Coincident, Leading dan Lagging Indicators. Ada beberapa metode yang digunakan untuk memilih suat variabel menjadi kandidat Leading Indicators, yaitu dengan pendekatan grafis, uji granger causality, dan uji cross-correlation. Oleh karena Leading Indicators bergerak mendahului reference series, maka kandidat Leading Indicators secara visual melalui grafis seharusnya bergerak mendahului reference series. Adapun kriteria penentuan Leading Indicators berdasarkan uji cross correlation dapat dilihat dari adanya korelasi yang cukup tinggi dengan lag yang cukup jauh. Pada uji granger causality, dapat dilihat dari adanya hubungan kausalitas yang sifatnya satu arah pada lag yang cukup jauh pula. Pengujian koefisien korelasi antara reference series dengan variabel-variabel yang diperkirakan akan menjadi Leading Indicators dilakukan secara terpisah-pisah untuk masing-masing periode leading yang ingin kita bentuk. Untuk mencari kandidat Leading Indicators 3 bulan maka kita harus mencari korelasi antara reference series dengan seluruh variabel pada tiga bulan berikutnya. Begitu pula halnya jika kita ingin mencari kandidat Leading Indicators 6 dan 12 bulan. Sebaliknya, karena sifatnya yang bergerak sejalan kandidat Coincident Indicators secara grafis haruslah berjalan sejalan dengan variabel reference dengan korelasi tinggi di sekitar lag nol. Causality antara Coincident Indicators dan variabel reference haruslah bersifat dua arah dengan lag yang pendek.

44

5. Penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI)

Tahap kelima adalah penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI) dengan basis indicators yang diperoleh dari tahap keempat dengan cara menggabungkan (compose) variabel-variabel kandidat. Akan tetapi, karena amplitudo dari masing-masing variabel atau series bisa jadi berbeda-beda, maka penyusunan indeks tanpa terlebih dahulu dilakukan standardisasi data bisa mengakibatkan terjadinya distorsi pada index yang terbentuk. Untuk menghindari distorsi tersebut, perlu dilakukan normalisasi terhadap semua komponen siklikal yang diturunkan dari variabel-variabel kandidat serta reference series. Pada prinsipnya, proses standardisasi diarahkan agar semua variabel kandidat memiliki mean 100 serta varian yang sama. Proses penggabungan (compose) variabel-variabel kandidat untuk mendapatkan Coincident Debt Index (CDI) dan Leading Debt Index (LDI) terbaik dilakukan dengan cara trial-error. Indikator baiknya Coincident Debt Index didasarkan pada persamaan pergerakannya dengan variabel reference, sementara untuk LDI didasarkan pada kemampuannya untuk memprediksi CI dan Reference Series. Setiap indikator atau variabel untuk pembentuk CDI dan LDI terbaik tersebut memilki bobot tertentu yang mencerminkan tingkat kemiripan pola antara variabel tersebut dengan indeks yang terbentuk. Dari ketiga indeks tersebut, Leading Debt Index lebih menarik perhatian, karena dapat memberikan deteksi dini (early warning system) tentang kemungkinan terjadinya krisis utang di

45

Indonesia secara agregat. Sementara Coincident Debt Index dapat memberikan gambaran tentang kondisi beban utang Indonesia yang terjadi saat ini.

3.2.2 Metode Penyusunan Early Warning Indicators Metode-metode yang digunakan dalam proses penyusunan Early Warning Indicators dapat dijelaskan seperti berikut ini. 1. Metode Cubic-Spline Data sekunder yang dipublikasi umumnya memiliki frekuensi release yang tahunan. Dalam penyusunan Leading Indicator, data yang digunakan umumnya berupa data bulanan. Apabila data yang tersedia memiliki frekuensi kuartalan, maka perlu dilakukan disagregasi menjadi bulanan, sehingga diperlukan metode khusus yang dapat memberikan hasil optimal, salah satunya adalah metode CubicSpline. 2. X12-ARIMA Fluktuasi data yang bersifat musiman dan periodik sepanjang waktu seringkali mengganggu pergerakan siklikal. Oleh karena itu, hal tersebut perlu dihilangkan terlebih dahulu. Metode X-12 ARIMA adalah salah satu metode yang dapat digunakan untuk de-seasonality data. Penelitian ini menggunakan X-12 ARIMA karena sifatnya yang lebih sesuai dengan kondisi di Indonesia. Menurut pandangan Jackson dan Leonard (2001), penyesuaian musiman (seasonal adjustment) dari sebuah series didasarkan pada asumsi bahwa fluktuasifluktuasi musiman dapat diukur dari series awal (xt, t=1,2,...,n) dan dipisahkan dari trend cycle component (Ct), trading day component(Dt), dan flukutuasi

46

irregular (It). Komponen musiman atau seasonal (St) dapat didefinisikan sebagai variasi dalam setahun yang berulang secara konstan dari tahun ke tahun. Ct mengukur variasi variabel menuju faktor siklus jangka panjang, siklus bisnis, dan faktor-faktor jangka panjang lainnya. Dt adalah variasi yang ditunjukkan pada komposisi dari kalender. Sebagai tambahan, It adalah variasi residual. Banyak variabel makroekonomi yang time series mempunyai bentuk hubungn multiplicative (xt=CtDtSt) dan lainnya berbentuk additivr (xt=Ct+Dt+St+It). Sebuah time series yang disesuaikan secara musiman hanya terdiri atas trend cycle dan komposisi irregular. X-12 ARIMA merupakan sebuah model yang dapat digunakan untuk mendekomposisi sebuah time series baik dengan asumsi additive ataupun multiplicative untuk memperoleh komponen-komponen Ct, Dt, St, ataupun It. Model ARIMA (Autoregressive Integrated Moving Average) umumnya digunakan untuk seasonal time series. Model ARIMA dengan asumsi multiplicative seasonal times series, xt dapat dituliskan menjadi : ø(B)Φ(Bs)(1-B)d (1-Bs)D xt = θ (B)Ө (Bs)at

……………………………………… (3.1)

dimana : B adalah operator lag (Bxt=xt-1) s adalah periode musiman, ø(B) = (1 - ø1B -...- øpBp) adalah operator non seasonal autoregressive (AR), Φ(B) = (1 - Φ1Bs -...- ΦPBPs) adalah operator seasonal AR, θ(B) = (1 - ø1B -...- øqBq) adalah operator non seasonal moving average (MA), Φ(Bs) = (1 - Φ1Bs -...- ΦQBQs) adalah opeartor seasonal moving average

47

ats i.i.d dengan rata-rata nol dan varian σ2.(1 – B)d (1 – Bs)D mengimplikasikan perbedaan non seasonal orde ke-d dan perbedaan seasonal orde ke-D. Jika d=D=0 (tidak ada perbedaan), maka pada umunya dilakukan perhitungan kembali xt pada persamaan di atas dengan mengurangkannya terhadap rata-ratanya, yaitu : dengan xt-μ dimana μ = E[xt]. 3. Cross Correlation Metode ini digunakan untuk menganalisis dan menentukan apakah variabelvariabel ekonomi dan keuangan lainnya, jika dikorelasi silangkan dengan reference series akan menjadi Leading Indicators, Coincident Indicators, atau Lagging Indicators. Jika ternyata ada beberapa variabel yang dapat dijadikan Leading Indicators, maka bisa dibentuk Composite Leading Indicators (CLI). Korelasi silang (cross correlation) antara dua variabel, katakan x dan y dapat dihitung :

…………….. (3.2) dan

(3.3)

Periode waktu yang digunakan untuk menguji korelasi adalah 12 periode atau selama satu tahun dengan data bulanan. Untuk dapat dijadikan sebagai indicators

48

maka nilai rxy yang dicari adalah nilai yang paling tinggi selama periode pengujian. Kriteria pemilihan kandidat leading pada uji cross correlation (korelasi silang) adalah dengan melihat korelasi tinggi pada lag yang cukup jauh. Pemilihan kandidat lagging berdasarkan korelasi tertinggi pada lead yang cukup jauh. Sementara itu, penetuan kandidat coincident dilakukan dengan melihat korelasi tertinggi pada lead dan lag nol. 4. Granger Causality Test Salah satu tahap dalam analisis siklus bisnis adalah penggunanaan metode ekonometrik dalam pemilihan kandidat leading indicators. Langkah pertama dalam pemilihan komponen LEI adalah uji kointegrasi setiap calon komponen LEI dengan reference series untuk melihat ada tidaknya hubungan jangka panjang. Kemudian, dilakukan pengujian Granger Causality Test antara calon komponen LEI (dengan berbagai spesifikasi lag) dengan reference series. Uji granger yang dilakukan dalam penelitian ini menggunakan 4 spesifikasi lag, yaitu 1, 3, 6, dan 12. Berdasarkan penelitian yang dilakukan, penentuan lag tersebut diasumsikan telah mampu memberikan hasil yang cukup akurat dan mewakili keseluruhan lag. Penggunaan 4 spesifikasi lag tersebut dilakukan untuk mengetahui perbandingan tingkat spesifikasi pada lag yang semakin jauh. Dengan pengujian ini, dapat diperoleh variable-variabel yang tergolong sebagai leading indicators. Granger Causality Test dilakukan untuk melihat adanya hubungan sebab-akibat (kausalitas) dan arah kausalitas di antara variabel-variabel yang digunakan dalam analisis. Uji kausalitas dilakukan karena terdapat tiga

49

kemungkinan arah kausalitas yang terjadi antara dua variabel, yakni variabel reference dan variabel tertentu yang diuji (misalnya variabel X), yaitu : 1.) Variabel reference menyebabkan (granger cause) variabel X 2.) Variabel X menyebabkan (granger cause) variabel reference 3.) Variabel reference dan variabel X memiliki hubungan timbal balik yang terjadi apabila variabel reference menyebabkan variabel X dan pada saat yang bersamaan variabel X juga menyebabkan variabel reference . Dengan menggunakan Granger Causality Test, maka dapat diketahui apakah antara X dan Y memiliki hubungan kausalitas dan bagaimana arah kausalitas di antara kedua variabel tersebut. Nilai probabilitas (P value) yang dihasilkan menentukan signifikansi arah hubungan kausalitas antar variabel. Ketentuan yang secara konvensional disepakati adalah jika probabilitas lebih kecil dari 5 persen, maka dikatakan terjadi kausalitas yang signifikan. Kriteria kandidat leading pada granger causality ini adalah adanya hubungan kausalitas satu arah pada lag cukup jauh yang menunjukkan bahwa variabel X menyebabkan (granger cause) variabel reference. Sementara itu, kriteria kandidat lagging didasarkan pada adanya hubugan kausalitas satu arah pada lag cukup jauh yang menunjukkan bahwa variabel reference menyebabkan (granger cause) variabel X. Adapun pemilihan kandidat Coincident Indicators dilihat dari adanya hubungan kausalitas dua arah dengan lag di sekitar nol. 5. Metode Penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI) Setelah berbagai data variabel makroekonomi yang tersedia dikelompokkan ke dalam kandidat Coincident Indicator, Leading Indicator dan Lagging Indicator,

50

langkah selanjutnya adalah menyusun composite CI dan LI dengan prosedur sebagai berikut : Untuk setiap variabel, lakukan perhitungan : 1. Hitung perubahan persentase simetris month-on-month (MoM) untuk setiap variabel atau komponen dengan rumus : xt = 200* (Xt-Xt-1)/(Xt-Xt-1) ...................................................................(3.4) dimana Xt adalah nilai observasi komponen X pada waktu t. Jika satuan pengukuran untuk komponen X berupa presentasi (seperti suku bunga), maka month-on-month dihitung dengan formula : xt = (Xt-Xt-1)............................................................................................(3.5) 2. Lakukan adjustement terhadap MoM change dari setiap komponen. Hal ini dimaksudkan untuk menyamakan volatilitas MoM change dari semua komponen. Adjustement tersebut dilakukan dengan prosedur sebagai berikut : a) Hitung standard deviation MoM change dari setiap komponen (misalkan = σx) b) Hitung inverse dari σx (misalkan wx = 1/σx) c) Jumlahkan semua wx (misalkan = k) d) Hitung faktor standarisasi (weight) untuk setiap komponen dengan rumus: rx = (1/k)*wx .....................................................................................(3.6) Adjustment terhadap MoM change dari setiap komponen dihitung dengan rumus : mt = rx*xt .........................................................................................(3.7)

51

3. Jumlahkan MoM change yang telah di-adjust (langkah 2); misalkan = it 4. Lakukan adjustment terhadap it untuk menyamakan volatilitas dengan reference

series;

untuk

Coincident

Economic

Indicator

(CEI)

menggunakan reference series yakni debt to GDP, serta untuk Leading Economic Indicator (LEI) dan Lagging Economic Indicator menggunakan reference series CEI atau reference series debt to GDP. 5. Hitung angka preliminary leading dan Coincident Debt Index dengan menetapkan nilai indeks awal sama dengan 100. Nilai indeks berikutnya dihitung dengan menggunakan rumus : It = It-1 * (200 + it) / (200-it) ..................................................................(3.8) Kombinasi variabel yang menghasilkan composite CI dan LI terbaik diperoleh dengan cara trial and error. Ukuran kebaikan CI didasarkan pada kesamaan pergerakannya dengan debt to GDP (reference series), sementara untuk LI didasarkan pada kemampuannya memprediksi pergerakan CI. 6. Penentuan Turning Point Coincident, Leading dan Lagging Debt Index dengan Metode Bry Boschan Procedure Setelah proses seleksi selesai dilakukan, maka selanjutnya variabel-variabel yang menjadi kandidat Coincident, Leading dan Lagging Indicators akan melalui suatu proses perhitungan sehingga dihasilkan suatu indeks bagi masing-masing indikator tersebut. Pada tahap selanjutnya, dilakukan penentuan turning point pada ketiga indeks yang dihasilkan, yakni Coincident Debt Index, Leading Debt Index dan Lagging Debt Index. Penentuan turning points dimaksudkan untuk menetapkan waktu (bulan dan tahun) dimana ketiga indeks tersebut mengalami pembalikan dari fase

52

ekspansi ke kontraksi atau sebaliknya. Penentuan turning points ini penting untuk menyusun kronologi siklus bisnis di Indonesia. Adapun metode yang digunakan untuk melakukan penentuan turning point tersebut adalah metode Bry Boschan Procedure. Metode ini telah dikembangkan sejak lama oleh NBER dan masih digunakan secara luas hingga saat ini. Secara visual, grafik Leading Debt Index bergerak mendahului Coincident Debt Index dengan selang waktu tertentu. Selang waktu Leading Debt Index bergerak mendahului Coincident Debt Index tersebut dapat ditentukan secara akurat dengan menghitung rata-rata perbedaan antar titik puncak dan lembah dari kedua indeks tersebut. Perbedaan rata-rata selang waktu Leading Debt Index mendahului Coincident Debt Index selanjutnya ditetapkan sebagai jangka waktu kemungkinan terjadinya krisis utang setelah munculnya sinyal pada system deteksi dini yang telah dibuat. Dengan demikian, pihak pengambil kebijakan memiliki

waktu

dalam

periode

tertentu

untuk

merumuskan

dan

mengimplementasikan kebijakan yang penting dalam rangka menghindari kemungkinan terjadinya krisis utang. Adapun Lagging Debt Index secara visual pergerakan grafiknya mengikuti Coincident Debt Index. Selang waktu Lagging Debt Index bergerak mengikuti Coincident Debt Index tersebut dapat ditentukan secara akurat dengan menghitung rata-rata perbedaan antar titik puncak dan lembah dari kedua indeks tersebut. Perbedaan rata-rata selang waktu Lagging Debt Index mendahului Coincident Debt Index selanjutnya ditetapkan sebagai jangka waktu dampak penyebaran (contagion effect) akibat terjadinya krisis utang setelah munculnya sinyal. Dengan

53

demikian, pihak pengambil kebijakan memiliki waktu dalam periode tertentu untuk merumuskan dan mengimplementasikan kebijakan yang penting dalam rangka menghindari dampak penyebaran secara luas terhadap perekonomian secara agregat akibat terjadinya krisis utang yang tidak dapat terhindarkan lagi. Pengujian secara grafis dengan metode Bry Boschan Procedure ini diawali dengan penentuan titik puncak (peak) dan lembah (trough) pada grafik dari masing-masing indeks yang telah dihasilkan. Penentuan titik puncak (peak) dan lembah (trough) tersebut menjadi hal yang sangat penting untuk dilakukan mengingat langkah ini akan memudahkan penentuan selang waktu perbedaan antara Coincident Debt Index dengan Leading Debt Index dan Lagging Debt Index. Titik puncak suatu indeks ditentukan pada periode tertentu dimana indeks tersebut mencapai nilai tertinggi, sedangkan titik lembah suatu indeks ditentukan pada periode tertentu dimana indeks tersebut mencapai nilai terendah. Suatu indeks tertentu dikatakan memiliki satu siklus bila pada rentang periode tertentu memiliki satu titik puncak dan satu titik lembah. Metode Bry Boschan Procedure menetapkan bahwa jarak perbedaan waktu antara titik puncak terhadap lembah (peak to trough) atau titik lembah terhadap puncak (trough to peak) dalam satu siklus minimal enam bulan. Bila suatu variabel memiliki lebih dari satu siklus dalam rentang periode tertentu, ditetapkan pula bahwa jarak antar titik puncak (peak to peak) atau antar titik lembah (trough to trough) minimal lima belas bulan.

54

Setelah menetapkan peak dan trough dari masing-masing indeks, maka selang waktu perbedaan pergerakan Leading Debt Index dan Lagging Debt Index terhadap Coincident Debt Index dapat dihitung secara tepat.

55

Pengumpulan variabel/data sekunder Kompilasi Data

1. 2. 3.

Berdasarkan ketersediaan data Kriteria ekonomi Kriteria statistik

Data hasil seleksi Metode : 1. Disagregasi data (Cubic Splines)

Generating Data Data siap digunakan

Metode : 1. Cross-Correlation Test 2. Granger Causality Test

Seleksi Kandidat Composite Index

Kandidat Coincident Indicators

Metode X-12 ARIMA

Kandidat Leading Indicators

Kandidat LaggingIndicators

Metode X-12 ARIMA

Penyusunan Composite Index

Metode X-12 ARIMA

Metode Indeksasi

Coincident Debt Index

Leading Debt Index

Lagging Debt Index

Metode Bry Boschan Procedure



Penentuan Turning Point dan Perbedaan Selang Waktu Antara Coincident Debt Index dengan Leading Debt Index dan Lagging Debt Index

Gambar 3.1 Alur Penyusunan Komponen Early Warning System

56

3.3 Definisi Operasional Adapun beberapa definisi operasional yang penting untuk dipahami dalam penelitian ini adalah sebagai berikut. 1. Utang luar negeri Indonesia adalah posisi kewajiban aktual penduduk Indonesia kepada bukan penduduk pada suatu waktu, tidak termasuk kontinjen, yang membutuhkan pembayaran kembali bunga dan/atau pokok pada waktu yang akan datang. 2. Utang luar negeri pemerintah adalah utang yang dimiliki oleh pemerintah pusat, terdiri dari utang bilateral atau multilateral, fasilitas kredit ekspor (FKE), utang komersial, dan leasing, termasuk pula Surat Berharga Negara (SBN) (yang diterbitkan di luar maupun di dalam negeri) yang dimiliki oleh bukan penduduk. SBN terdiri dari Surat Utang Negara (SUN) dan Surat Berharga Syariah Negara (SBSN). SUN terdiri dari Obligasi Negara yang berjangka waktu lebih dari 12 bulan dan Surat Perbendaharaan Negara (SPN) yang berjangka waktu sampai dengan 12 bulan. SBSN terdiri SBSN jangka panjang (Ijarah Fixed Rate/IFR) dan Global Sukuk. 3. Utang luar negeri bank sentral adalah utang yang dimiliki oleh Bank Indonesia dalam rangka mendukung neraca pembayran dan cadangan devisa. Termasuk dalam utang luar negeri Bank Indonesia adalah kewajiban dalam bentuk Sertifikat Bank Indonesia (SBI) yang dimiliki oleh bukan penduduk serta simpanan (deposits) bukan penduduk di Bank Indonesia. 4. Pendapatan Negara dan Hibah adalah seluruh penerimaan negara yang terdiri dari Penerimaan Dalan Negeri dan Hibah.

57

5. Belanja Negara adalah seluruh pengeluaran negara berupa belanja pemerintah pusat dan transfer ke daerah. 6. Surplus adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang lebih besar dari belanja negara. 7. Defisit adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang lebih rendah dari belanja negara. 8. Total Pembiayaan adalah pembiayaan yang dapat diterima/dibentuk untuk menutupi defisit yang terjadi/membiayai Anggaran Pendapatan dan Belanja Negara (APBN). Pembiayaan mencakup transaksi penjualan asset negara, penerimaan pinjaman pemerintah dari luar negeri dan dalam negeri, dan rekening-rekening pemerintah. 9. Balance of Payment (BoP) atau Neraca Pembayaran Indonesia (NPI) adalah catatan transaksi ekonomu yang terjadi antara penduduk dengan bukan penduduk Indonesia pada suatu periode waktu tertentu. 10. Transaksi berjalan mencakup ekspor dan impor barang, jasa, pendapatan, serta transfer berjalan. Transaksi finansial meliputi investasi langsung, investasi portofolio, derivatif finansial, dan investasi lainnya di luar cadangan devisa dan kredit/pinjaman IMF yang disajikan sebagai komponen sendiri. 11. Transaksi ekspor dan impor barang masing-masing dikelompokkan atsa ransaksi ekspor dan impor migas dan nonmigas. 12. Cadangan devisa resmi Indonesia (Indonesian official reserve assets) merupakan aset eksternal yang dapat langsung tersedua bagi dan berada di bawah kontrol Bank Indonesia selaku otoritas moneter untuk membiayai

58

ketidakseimbangan neraca pembayaran, melakukan intervensi pasar, dalam rangka memelihara kestabilan nilai tukar, dan/atau tujuan lainnya (antara lain menjaga ketahan perekonomian daan nilai tukar serta sebagai bantalan terhadap net kewajiban Indonesia). 13. Hak Tarik Khusus (Special Drawing Rights – SDR) merupakan cadangan devisa internasional yang diciptakan oleh IMF untuk menambah cadangan devisA negara anggota dan secara periodik dialokasikan kepada anggota secara proporsional sesuai dengan kuotanya. Walaupun tidak memiliki jangka waktu jatuh tempo, anggota IMF yang menerima alokasi SDR tersebut memiliki kewajiban untuk embayar kembali saat keluar dari keanggotaan IMF. 14. Debt Service Payment adalah jumlah pembayaran pokok dan bunga utang luar negeri, termasuk fee. 15. Debt Service Ratio adalah rasio pembayaran pokok dan bunga utang luar negeri terhadap penerimaan hasil ekspor suatu negara. 16. Debt to Export Ratio adalah rasio total utang luar negeri terhadap penerimaan hasil ekspor suatu negara. 17. Debt to GDP Ratio adalah rasio total utang luar negeri terhadap Produk Domestik (PDB) suatu negara.

59

BAB IV HASIL DAN PEMBAHASAN 4.1 Gambaran Umum Utang Luar Negeri Indonesia Dilihat dari sisi komposisi dan distribusinya, posisi utang luar negeri Indonesia secara nominal terus mengalami peningkatan dari tahun ke tahun. Kondisi ini perlu diwaspadai karena pertumbuhan utang luar negeri yang tidak terkendali dapat berdampak buruk dan memicu terjadinya krisis utang di Indonesia. Sejauh ini, mulai tahun 2001 hingga kini, kemampuan dalam melakukan pembayaran utang luar negeri (solvabilitas) Indonesia menunjukkan kondisi yang terus membaik. Hal ini dapat dilihat dari indikator debt to GDP yang menunjukkan trend terus menurun dari tahun 2001 hingga kini. Selain mengacu kepada debt to GDP, penilaian solvabilitas Indonesia juga dapat dilihat dari indikator debt to export. Ukuran ini dihitung dari rasio posisi utang luar negeri secara keseluruhan terhadap penerimaan ekspor yang diperoleh suatu negara. Dari tahun 2006 hingga 2011 saat ini, debt to export Indonesia menunjukkan trend yang mengalami penurunan. Hal ini dapat dilihat pada Gambar 4.1.

60

Sumber : Bank Indonesia, 2011 Gambar 4.1 Debt To Export Indonesia Periode Tahun 2006 Hingga 2011

Gambar 4.1 menunjukkan bahwa indikator debt to export Indonesia menunjukkan trend yang terus menurun selama periode waktu tersebut. Debt to export merupakan indikator yang merefleksikan kapasitas pembayaran kembali utang luar negeri (debt repayment capacity) suatu negara. Nilai debt to export Indonesia yang masih berada pada kisaran di bawah 200 persen menunjukkan bahwa profil utang luar negeri Indonesia dari tahun 2006 hingga 2011 masih dinilai aman. Meskipun demikian, nilai debt to export Indonesia sempat mencapai angka tertinggi yakni 121,8 persen pada tahun 2009. Namun, kondisi itu terjadi lebih disebabkan karena penurunan penerimaan ekspor Indonesia sebagai dampak krisis ekonomi global yang terjadi di Amerika pada tahun 2008, bukan karena terjadi peningkatan utang luar negeri Indonesia secara signifikan. Dengan demikian, dapat dinyatakan bahwa sejauh ini kondisi beban utang luar negeri Indonesia masih dinilai aman dan

tidak berpotensi mengalami masalah

61

solvabilitas sehingga mampu menyelesaikan berbagai kewajiban terkait pembayaran kembali utang luar negeri Indonesia sesuai tenggat waktu (grace period) yang disepakati sebelumnya. Meskipun solvabilitas Indonesia dinilai baik dan tidak berpotensi mengalami krisis utang yang ditandai dengan kondisi gagal bayar, namun posisi utang luar negeri yang terus meningkat tetap saja menimbulkan beban tersendiri bagi negara akibat beban pembayaran cicilan pokok utang dan bunganya dari tahun ke tahun. Salah satu indikator yang digunakan untuk menilai beban pembayaran cicilan pokok utang luar negeri dan bunga yang harus ditanggung suatu negara adalah nilai debt service ratio (DSR). Nilai ini merupakan rasio besarnya pembayaran cicilan pokok dan bunga utang luar negeri terhadap penerimaan ekspor suatu negara. Adapun nilai DSR Indonesia selama periode tahun 2006 hingga 2011 dapat dilihat pada Gambar 4.2.

Sumber : Bank Indonesia, 2011 Gambar 4.2 Debt Service Ratio Indonesia Periode Tahun 2006 Hingga 2011

62

Gambar 4.2 menunjukkan bahwa nilai DSR Indonesia memiliki trend yang cenderung menurun selama periode tahun 2006 hingga 2011, meskipun nilai DSR ini sempat mengalami kenaikan di tahun 2009 menjadi 23,2 persen. Nilai DSR merefleksikan beban penerimaan ekspor yang harus dialokasikan untuk pembayaran cicilan pokok dan bunga utang luar negeri. Suatu negara dianggap memiliki profil utang luar negeri yang aman apabila nilai DSR nya berada di bawah 25 persen. Dengan demikian, pembayaran cicilan pokok dan bunga utang luar negeri sempat memberikan beban yang besar terhadap penerimaan ekspor Indonesia pada tahun 2006 karena DSR di tahun tersebut mencapai 25 persen. Kondisi DSR Indonesiadapat dikatakan cukup rawan karena nilainya yang hampir mendekati batas aman 25 persen. Hal ini terjadi sebagai dampak akumulasi total utang luar negeri Indonesia yang terus meningkat dari tahun ke tahun sehingga memberikan tekanan yang besar terhadap penerimaan ekspor Indonesia. Padahal, jika posisi utang luar negeri Indonesia terkendali, maka potensi penerimaan ekspor Indonesia dapat dialokasikan untuk mendukung pembangunan ekonomi di dalam negeri demi meningkatkan kesejahteraan dan kemakmuran rakyat secara luas. Terjadinya peningkatan posisi utang luar negeri Indonesia tidak terlepas dari dilakukannya penarikan utang luar negeri baru secara terus menerus dari tahun ke tahun. Salah satu indikator yang digunakan untuk mengukur aliran utang luar negeri (debt flow) adalah Net Resource Flow (NRF). Nilai NRF diperoleh dengan cara menghitung selisih besarnya penarikan terhadap pembayaran utang luar negeri. Adapun nilai NRF Indonesia dapat dilihat pada

63

Tabel 4.1 Nilai Net Resource Flow Indonesia Periode Tahun 2006-2011

Tahun

Total Penarikan ULN Baru (Dollar)

Pembayaran Pokok & Bunga ULN Indonesia (Dollar)

Net Resource Flow (Dollar)

2006 2007 2008 2009 2010 2011

28.677.000.000 33.267.000.000 46.149.000.000 47.344.000.000 53.626.000.000 95.312.000.000

38.933.100.000 36.652.160.000 44.926.000.000 41.380.000.000 54.347.000.000 63.592.000.000

-10.256.100.000 -3.385.160.000 1.223.000.000 5.964.000.000 -721.000.000 31.720.000.000

Sumber : Bank Indonesia, 2011, diolah Tabel 4.1 menunjukkan bahwa selama periode tahun 2006 hingga 2011, nilai NRF Indonesia bervariasi. Pada tahun 2008, 2009, 2011, NRF Indonesia menunjukkan nilai yang positif. Kondisi ini mengindikasikan bahwa total penarikan utang luar negeri baru lebih besar dibandingkan pembayaran cicilan pokok dan bunganya sehingga likuiditas dalam perekonomian dalam negeri cenderung positif. Hal inilah yang menyebabkan pada periode tersebut posisi utang luar negeri Indonesia mengalami trend yang terus meningkat. Sementara itu, pada periode tahun 2006, 2007, dan 2010, NRF Indonesia menunjukkan nilai yang negatif. Kondisi ini mengindikasikan bahwa total pembayaran cicilan pokok dan bunga lebih besar dibandingkan penarikan utang luar negeri baru. Secara teoritis, nilai NRF yang negatif akan berdampak pada penurunan akumulasi utang luar negeri Indonesia. Namun, fakta dan data yang ada menunjukkan bahwa pada periode tersebut, posisi utang luar negeri Indonesia terus mengalami peningkatan. Dengan demikian, dapat dinyatakan bahwa utang luar negeri baru yang ditarik Indonesia tidak digunakan untuk pembiayaan aktivitas produktif sehingga tidak memberikan rate of return yang tinggi. Nilai

64

NRF yang negatif akibat pembayaran cicilan pokok dan bunga yang lebih besar dibandingkan penarikan utang luar negeri baru hanya menyebabkan likuiditas dalam perekonomian menjadi negatif. Hal ini perlu diwaspadai karena kurangnya likuiditas dalam negeri akan berpengaruh buruk terhadap prospek investasi sehingga penciptaan output nasional akan mengalami penurunan. Pengelolaan utang luar negeri Indonesia saat ini masih begitu buruk. Hal ini disebabkan karena pengelolaan tersebut masih belum dilakukan secara terpusat. Institusi yang mencatat pelaporan penerimaan utang luar negeri tersebut adalah Bank Indonesia. Sementara itu, alokasi penggunaan utang luar negeri tersebut direncanakan dan dilaksanakan oleh Badan Perencanaan dan Pembangunan Nasional (BAPPENAS). Adapun institusi yang bertanggung jawab dalam melakukan pembayaran kembali cicilan pokok dan bunga utang luar negeri tersebut adalah Kementerian Keuangan. Pengelolaan utang luar negeri yang dilakukan secara tidak terpusat ini menyebabkan penilaian efisiensi atas alokasi penggunaannya tidak dapat terukur dengan baik. Besarnya imbal hasil (rate of return) yang diperoleh dari penggunaan sumber pembiayaan utang luar negeri iu tidak dapat diketahui secara akurat. Oleh karena itu, penyelewengan penggunaan utang luar negeri tersebut sangat berpotensi untuk terjadi sehingga hanya menimbulkan kerugian dan menambah beban pembayarannya. Pengelolaan utang luar negeri yang masih dilakukan secara terpisah menyebabkan alokasi penggunaannya tidak tercatat secara sistematis. Dalam laporan APBN, tidak terdapat rincian mengenai bidang, program, kegiatan dan jenis pengeluaran apa yang sumber pembiayaannya bersumber dari utang luar

65

negeri. Hal ini menyebabkan semakin sulitnya penilaian untuk mengukur tingkat efisiensi dan efektivitas penggunaan utang luar negeri dalam mendukung pembangunan ekonomi di Indonesia. Dari uraian di atas, diketahui bahwa sejauh ini profil utang luar negeri Indonesia masih menunjukkan kondisi yang aman. Namun, seiring dengan semakin besarnya beban pembayaran cicilan pokok dan bunganya, maka utang luar negeri tersebut berpotensi menimbulkan polemik bagi perekonomian Indonesia secara agregat. Dengan demikian, pada periode mendatang potensi terjadinya krisis utang di Indonesia sangatlah besar sehingga perlu dibangun suatu early warning system yang mampu memprediksi kemungkinan terjadinya krisis tersebut secara akurat.

4.2 Penyusunan Early Warning System Penyusunan suatu sistem deteksi dini yang baik sangatlah ditentukan oleh ketepatan dalam menentukan variabel-variabel makroekonomi yang menjadi kandidat leading, lagging, dan coincident indicators. Penentuan kandidat tersebut diperoleh dari hasil seleksi terhadap 111 variabel makroekonomi dengan periode bulanan yang telah berhasil dikumpulkan. Proses seleksi tersebut dilakukan berdasarkan tiga uji yang ditetapkan, yakni uji secara grafis dengan prosedur Bry Boschan,

cross correlation test, dan granger causality test. Dari hasil yang

diperoleh berdasarkan ketiga uji tersebut,

maka selanjutnya suatu variabel

makroekonomi tertentu dapat ditentukan apakah termasuk sebagai kandidat, atau Coincident, Leading, dan Lagging indicators.

66

4.2.1 Identifikasi Variabel-variabel yang Menjadi Kandidat Coincident, Leading, dan Lagging Indicator Leading Debt Index merupakan instrumen terpenting dalam pembangunan early warning system krisis utang di Indonesia. Hal ini disebabkan karena pergerakan indeks ini memiliki kemampuan dalam memprediksi kondisi beban utang luar negeri yang dialami oleh Indonesia pada periode waktu mendatang. Oleh karena itu, dalam pembangunan early warning system ini, penyusunan Leading Debt Index menjadi salah satu perhatian utama di samping coincident dan Lagging Debt Index. Dalam rangka menyusun Coincident, Leading dan Lagging Debt Index, maka penentuan variabel-variabel yang menjadi kandidat Coincident, Leading, dan Lagging Indicator menjadi hal yang sangat penting untuk dilakukan. Hal ini disebabkan karena Coincident, Leading dan Lagging Debt Index yang terbentuk disusun oleh kandidat-kandidat tersebut dengan bobot tertentu.Oleh karena itu, proses seleksi untuk memperoleh variabel-variabel yang menjadi kandidat tersebut perlu dilakukan secara cermat dan akurat. Proses seleksi dilakukan berdasarkan dua uji statistik yang dilakukan, yakni uji cross correlation dan granger causality. Dari hasil yang diperoleh berdasarkan ketiga uji tersebut, maka selanjutnya suatu variabel makroekonomi tertentu dapat ditentukan apakah termasuk sebagai kandidat Coincident, Leading, atau Lagging Indicators.

67

4.2.1.1 Identifikasi Variabel-variabel yang Menjadi Kandidat Coincident Indicator Coincident Indicator (CI) adalah indikator siklus bisnis yang pergerakannya seiring dengan variabel yang menjadi acuan (reference series). Indikator ini dapat memberikan gambaran tentang situasi ekonomi saat ini (current economic situation). Kandidat CI diperoleh dengan bantuan peralatan statistik berupa analisis korelasi silang (cross correlation) dan granger causality. Berdasarkan analisis korelasi silang, kandidat CI diperoleh dengan melihat korelasi paling tinggi pada lag dan lead nol. Meskipun demikian, suatu variabel dapat dipertimbangkan untuk diklasifikasikan sebagai kandidat Coincident Indicator jika hasil uji korelasi silang yang dilakukan menunjukkan adanya nilai korelasi tertinggi pada lead atau lag dengan ukuran kurang dari enam. Adapun kriteria Coincident Indicators berdasarkan uji granger causality adalah dengan melihat hubungan kausalitas dua arah yang signifikan dari variabel-variabel yang diuji dengan variabel acuan debt to GDP pada lag yang cukup jauh. Tingkat signifikansi yang disepakati adalah nilai probabilitasnya harus lebih kecil dari 0,05 (alpha = 5 persen). Uji secara statistika dengan cross correlation test dan granger causality test merupakan hal yang juga penting dilakukan dalam melakukan penyeleksian variabel-variabel yang menjadi kandidat Coincident Indicators. Berdasarkan seleksi yang dilakukan dengan menggunakan kedua uji statistik tersebut, pada akhirnya diperoleh hasil berupa enam variabel yang menjadi kandidat Coincident Indicators. Adapun keenam variabel tersebut disertai dengan hasil ujinya masingmasing dapat disimak sebagai berikut.

68

1. Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Dari Bank Asing dan Campuran (Kode : Var38) Variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui ketiga tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena memiliki korelasi paling tinggi pada lag 1 terhadap reference variabel debt to GDP dimana ukuran lag tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel suku bunga suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran dapat dilihat pada Lampiran 2. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.7894 pada lag 1. Hal ini menunjukkan bahwa variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran bergerak sebulan lebih awal mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Meskipun demikian, karena nilai korelasi tertingginya berada pada ukuran lag yang kurang dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai kandidat Coincident

69

Indicator. Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan adanya hubungan kausalitas dua arah signifikan yang mengindikasikan adanya hubungan sebab akibat antara variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati.

70

Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 3,6, dan 12 menunjukkan bahwa terdapat hubungan kausalitas dua arah yang mengindikasikan adanya hubungan sebab akibat antara variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran dengan variabel debt to GDP sebagai variabel reference. Hasil ini menyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Merujuk pada hasil seleksi yang diperoleh dari kedua uji statistik yang telah dilakukan, maka dapat dinyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran sebagai kandidat Coincident Indicators yang bergerak seiring dengan variabel debt to GDP. 2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum (Kode: Var62) Variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik dilakukan terhadap variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum. Berdasarkan hasil uji korelasi

71

silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena memiliki korelasi paling tinggi pada lead dan lag 0 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum dapat dilihat pada Lampiran 2. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.7486 pada lead dan lag 0. Hal ini menunjukkan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum bergerak seiring dengan variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan adanya hubungan kausalitas dua arah signifikan yang mengindikasikan adanya hubungan sebab akibat antara variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk

72

domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 3,6, dan 12 menunjukkan bahwa terdapat hubungan kausalitas dua arah yang mengindikasikan adanya hubungan sebab akibat antara variabel suku bunga simpanan Rupiah berjangka 6 bulan di Bank Umum dengan variabel debt to GDP sebagai reference series. Hasil ini menyatakan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari kedua uji statistik yang telah dilakukan, maka dapat dinyatakan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum sebagai kandidat Coincident Indicators yang bergerak seiring dengan variabel debt to GDP.

73

3. Variabel Laju Inflasi Indonesia (Kode : Var76) Variabel laju inflasi Indonesia merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabel laju inflasi Indonesia. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena memiliki korelasi paling tinggi pada lag 1 terhadap reference variabel debt to GDP dimana ukuran lag tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel laju inflasi Indonesia dapat dilihat pada Lampiran 2. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.4335 pada lag 1. Hal ini menunjukkan bahwa variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran bergerak sebulan lebih awal mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Meskipun demikian, karena nilai korelasi tertingginya berada pada ukuran lag yang kurang dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai kandidat Coincident Indicator. Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel laju inflasi Indonesia dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia.

74

b.

Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga

dilakukan dengan menggunakan granger causality test terhadap variabel laju inflasi Indonesia. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan

adanya

hubungan

kausalitas

dua

arah

signifikan

yang

mengindikasikan adanya hubungan sebab akibat antara variabel laju inflasi Indonesia dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian dengan spesifikasi lag 6 menyatakan bahwa terdapat hubungan kausalitas satu arah dimana variabel debt to GDP mengakibatkan variabel laju inflasi Indonesia, tetapi tidak sebaliknya.

Adapun hasil pengujian granger causality yang dilakukan

dengan spesifikasi lag 3 dan 12 menunjukkan bahwa terdapat hubungan kausalitas

75

dua arah yang mengindikasikan adanya hubungan sebab akibat antara variabel laju inflasi Indonesia dengan variabel debt to GDP sebagai variabel reference. Hasil ini menyatakan bahwa variabel laju inflasi Indonesia merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel laju inflasi Indonesia sebagai kandidat Coincident Indicator yang bergerak seiring dengan variabel debt to GDP. 4. Variabel Harga Komoditi Mentah Pertanian Dunia (Kode : Var 94) Variabel harga komoditi mentah pertanian dunia merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabel harga komoditi mentah pertanian dunia. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicator karena memiliki korelasi paling tinggi pada lead 5 terhadap reference variabel debt to GDP dimana ukuran lead tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel harga komoditi mentah pertanian dunia dapat dilihat pada output e-views berikut.

76

Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar -0.7352 pada lead 5. Tanda negatif yang muncul pada hasil cross correlation test tersebut mengindikasikan bahwa variabel harga komoditi mentah pertanian dunia dengan variabel debt to GDP berkorelasi negatif atau berbanding terbalik. Hasil ini menunjukkan bahwa variabel harga komoditi mentah pertanian dunia memiliki pergerakan yang mengikuti variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP) dengan selang waktu 5 bulan. Meskipun begitu, variabel ini masih dapat dipertimbangkan sebagai kandidat Coincident Indicator karena nilai korelasi tertingginya berada pada lead yang kurang dari 6. Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel harga komoditi mentah pertanian dunia dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel harga komoditi mentah pertanian dunia. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan adanya hubungan kausalitas dua arah signifikan yang mengindikasikan adanya hubungan sebab akibat antara variabel harga komoditi mentah pertanian dunia dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag,

77

yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 3 menunjukkan bahwa terdapat hubungan kausalitas satu arah. Adapun pengujian granger causality yang dilakukan dengan spesifikasi 1 menunjukkan bahwa terdapat hubungan kausalitas dua arah yang menunjukkan adanya hubungan sebab akibat antara variabel harga komoditi mentah pertanian dunia dengan variabel debt to GDP. Hasil ini menyatakan bahwa variabel harga komoditi mentah pertanian dunia merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel harga komoditi mentah pertanian dunia sebagai kandidat Coincident Indicators yang bergerak seiring dengan variabel debt to GDP.

78

5. Variabel SBI 1 Bulan Variabel SBI 1 bulan merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel SBI 1 bulan. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena memiliki korelasi paling tinggi pada lag 2 terhadap variabel reference yaitu debt to GDP dimana ukuran lag tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel reference (debt to GDP) dengan variabel SBI 1 bulan dapat dilihat pada output e-views berikut. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.7378 pada lag 2. Hal ini menunjukkan bahwa variabel SBI 1 bulan bergerak dua bulan lebih awal mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Meskipun demikian, karena nilai korelasi tertingginya berada pada ukuran lag yang kurang dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai kandidat Coincident Indicator. Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel SBI 1 bulan

79

dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel SBI 1 bulan. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel

ini

menunjukkan

terseleksi adanya

sebagai hubungan

kandidat kausalitas

Coincident dua

arah

Indicators signifikan

karena yang

mengindikasikan adanya hubungan sebab akibat antara variabel SBI 1 bulan dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1 dan 6, diperoleh hasil bahwa terdapat hubungan kausalitas satu arah antara kedua variabel yang diuji. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 3 dan 12 menunjukkan bahwa terdapat hubungan kausalitas dua arah yang mengindikasikan adanya hubungan sebab akibat antara

80

variabel SBI 1 bulan dengan variabel debt to GDP sebagai variabel reference. Hasil ini menyatakan bahwa variabel SBI 1 bulan merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel SBI 1 bulan sebagai kandidat Coincident Indicators yang bergerak seiring dengan variabel debt to GDP. 6. Interest Rate Spread (Lending Rate Minus Deposit Rate) (Kode : Var102) Variabel interest rate spread merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel interest rate spread. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicator karena memiliki korelasi paling tinggi pada lead dan lag 0 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel debt to GDP dengan variabel interest rate spread dapat dilihat pada output e-views yang terdapat di Lampiran 5. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar -0.7209 pada lead dan lag 0. Tanda negatif

81

yang muncul pada hasil cross correlation test tersebut mengindikasikan bahwa variabel interest rate spread dengan variabel debt to GDP berkorelasi negatif atau berbanding terbalik. Hasil ini menunjukkan bahwa variabel ini memiliki pergerakan yang seiring dengan debt to GDP. Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel interest rate spread dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel interest rate spread. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan

adanya

hubungan

kausalitas

dua

arah

signifikan

yang

mengindikasikan adanya hubungan sebab akibat antara variabel interest rate spread dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 5. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan

82

penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1, tidak terdapat hubungan kausalitas antara kedua variabel yang diuji. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 12 menunjukkan bahwa terdapat hubungan kausalitas satu arah antara kedua variabel yang diuji. Adapun pengujian granger causality yang dilakukan dengan spesifikasi lag 3 dan 6 menunjukkan bahwa terdapat hubungan kausalitas dua arah yang mengindikasikan adanya hubungan sebab akibat antara variabel interest rate spread dengan variabel debt to GDP. Hasil ini menyatakan bahwa variabel interest rate spread merupakan kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel interest rate spread sebagai kandidat Coincident Indicator yang bergerak seiring dengan variabel debt to GDP.

4.2.1.2 Identifikasi Variabel-variabel yang Menjadi Kandidat Leading Indicators Leading Indicators (LI) merupakan indikator business cycle analysis yang pergerakannya mendahului variabe acuan (reference series). Indikator ini merupakan indikator komposit yang paling banyak mendapatkan perhatian, karena kemampuannya sebagai early warning indicators untuk melakukan peramalan kondisi perekonomian ke depan. Dengan kata lain, Leading Indicators memiliki kemampuan dalam melakukan peramalan tentang perubahan yang

83

terjadi pada periode mendatang serta dapat memprediksi siklus perekonomian. Siklus perekonomian yang dimaksud yakni terkait dengan kapan periode terjadinya kondisi perekonomian yang mencapai puncak (peak), masih berlanjut (steady), mulai menurun (contraction), sampai titik terendah (trough), dan kembali naik (expansion). Early Warning System (EWS) pada siklus perekonomian sangat penting bagi pemerintah serta sektor riil dalam kerangka perencanaan dan formulasi kebijakan serta pengambilan keputusan. Dalam pembangunan sistem deteksi dini krisis utang di Indonesia, penyusunan Leading Indicators menjadi suatu bagian yang sangat penting karena indikator ini akan mampu memberikan prakiraan secara akurat mengenai bagaimana kondisi beban utang Indonesia pada periode waktu mendatang. Leading indicators tersebut akan mampu melakukan peramalan tentang perubahan beban utang yang dialami Indonesia yang terjadi sehingga dapat membantu untuk memprediksi secara dini kemungkinan Indonesia menghadapi krisis utang pada periode waktu ke depan. Menurut Nasution (2007), kandidat LI diperoleh dengan bantuan peralatan statistika yakni analisis korelasi silang (cross correlation), dan uji granger causality. Berdasarkan analisis korelasi silang, kandidat LI diperoleh dengan melihat korelasi yang paling tinggi pada lag yang cukup jauh. Kriteria leading indicators berdasarkan uji granger causality adalah dengan melihat hubungan kausalitas satu arah signifikan pada lag yang cukup jauh yang mengindikasikan bahwa variabel yang diuji mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Tingkat

84

signifikansi yang disepakati adalah nilai probabilitasny harus lebih kecil dari 0,05 (alpha=5 persen). Dalam rangka melakukan seleksi untuk memperoleh variabel-variabel yang menjadi kandidat Leading Indicators, maka dilakukan ketiga tahap pengujian terhadap 111 variabel makroekonomi yang berhasil dikumpulkan, yakni uji korelasi silang dan granger causality. Dari tahap seleksi tersebut, pada akhirnya diperoleh enam variabel yang ditetapkan sebagai kandidat Leading Indicators. Adapun keenam variabel tersebut beserta hasil pengujiannya dapat disimak pada uraian berikut ini. 1. Suku Bunga LIBOR 6 Bulan Variabel suku bunga LIBOR 6 bulan merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabel suku bunga LIBOR 6 bulan. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling tinggi pada lag 8 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel suku bunga LIBOR 6 bulan dapat dilihat pada output eviews di Lampiran 3.

85

Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.486 pada lag 8. Hal ini menunjukkan bahwa variabel suku bunga LIBOR 6 bulan bergerak mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga LIBOR 6 bulan dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel suku bunga LIBOR 6 bulan. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel suku bunga LIBOR 6 bulan mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati.

86

Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3 dan 6, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 12 menunjukkan bahwa terdapat hubungan kausalitas satu arah dimana variabel debt to GDP mengakibatkan variabel suku bunga LIBOR 6 bulan. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel suku bunga LIBOR 6 bulan mengakibatkan variabel debt to GDP sebagai reference series. Hasil ini menyatakan bahwa variabel suku bunga LIBOR 6 bulan merupakan kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan pada hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel suku bunga LIBOR 6 bulan sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP. 2. Variabel Laju Inflasi Jepang (Kode : Var66) Variabel laju inflasi Jepang merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini.

87

a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabellaju inflais Jepang. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling tinggi pada lag 11 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel laju inflasi Jepang dapat dilihat pada output e-views yang terdapat di Lampiran 3. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.2207 pada lag 11. Hal ini menunjukkan bahwa variabel laju inflasi Indonesia bergerak mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel laju inflasi Jepang dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel laju inflasi Jepang. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan

adanya

hubungan

kausalitas

satu

arah

signifikan

yang

mengindikasikan variabel laju inflasi Jepang mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to

88

GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3,6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel laju inflasi Jepang mengakibatkan variabel debt to GDP sebagai reference series. Hasil ini menyatakan bahwa variabel laju inflasi Jepang merupakan kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel laju inflasi Jepang sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP.

89

3. Variabel M2/Cadangan Devisa Variabel M2/Cadangan Devisa merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik juga dilakukan terhadap variabel M2/Cadangan Devisa. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling tinggi pada lag 12 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel M2/Cadangan Devisa dapat dilihat pada output eviews di Lampiran 3. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.2109 pada lag 12. Hal ini menunjukkan bahwa variabel M2/Cadangan Devisa bergerak mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel M2/Cadangan Devisa dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test)

90

Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel M2/Cadangan Devisa. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel M2/Cadanan Devisa mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3 dan 6, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 12 menunjukkan adanya hubungan kausalitas satu arah dimana varaibel debt to GDP signifikan mengakibatkan variabel M2/Cadangan Devisa. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel M2/Cadangan Devisa mengakibatkan variabel debt to

91

GDP sebagai reference series. Hasil ini menyatakan bahwa variabel M2/Cadangan Devisa merupakan kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel M2/Cadangan Devisa sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP. 4. Loan to GDP (Kode : Var105) Variabel Loan to GDP merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik dilakukan terhadap variabel Loan to GDP. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling tinggi pada lag 12 terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel Loan to GDP dapat dilihat pada output e-views di Lampiran 3. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.5039 pada lag 12. Hal ini menunjukkan bahwa variabel Loan to GDP bergerak mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian,

92

berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel Loan to GDP dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel Loan to GDP. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel Loan to GDP mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas baik searah maupun dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 12 menunjukkan bahwa terdapat hubungan kausalitas dua

93

arah di antara kedua variabel yang diuji. Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag 1 dan 6 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel Loan to GDP mengakibatkan variabel debt to GDP sebagai variabel reference. Hasil ini menyatakan bahwa variabel Loan to GDP merupakan kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel Loan to GDP sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP. 5. Variabel LQ 45 (Kode : Var107) Variabel LQ 45 merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik dilakukan terhadap variabel LQ 45. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel LQ 45 dapat dilihat pada output e-views sebagaimana yang tercantum di Lampiran 3. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar -0.2920 pada lead 6. Tanda negatif yang muncul

94

ini mengindikasikan bahwa kedua variabel yang diuji saling berkorelasi negatif. Hasil ini menunjukkan bahwa variabel LQ 45 bergerak mengikuti

variabel

reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel LQ 45 tidak dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. Namun, variabel ini dapat tetap dipertimbangkan sebagai kandidat Leading Indicator berdasarkan hasil yang diperoleh dari kedua uji lainnya. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel LQ 45. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel LQ 45 mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan

95

penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Pengujian granger causality yang dilakukan dengan spesifikasi lag 1, 3, 6 dan 12 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel LQ 45 mengakibatkan variabel debt to GDP sebagai variabel

reference. Hasil ini menyatakan bahwa variabel LQ 45 merupakan

kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel LQ 45 sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP. 6. Nominal Effective Exchange Rate (Kode : Var111) Variabel Nominal Effective Exchange Rate merupakan salah satu variabel yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel Nominal Effective Exchange Rate. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling tinggi pada lag 12 terhadap reference variabel debt to GDP.

96

Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel Nominal Effective Exchange Rate dapat dilihat pada output eviews di Lampiran 3. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.2129 pada lag 12. Hal ini menunjukkan bahwa variabel Nominal Effective Exchange Rate bergerak mendahului variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel Nominal Effective Exchange Rate dapat dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel Nominal Effective Exchange Rate. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel Loan to GDP mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 6. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu

97

lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3, 6, dan 12, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel Nominal Effective Exchange Rate mengakibatkan variabel debt to GDP sebagai variabel

reference. Hasil ini

menyatakan bahwa variabel Nominal Effective Exchange Rate merupakan kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel Nominal Effective Exchange Rate sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP. Dari hasil seleksi yang dilakukan dengan menggunakan ketiga uji sebagaimana yang telah diuraikan sebelumnya, maka pada akhirnya diperoleh enam variabel yang menjadi kandidat Coincident Indicators. Pada tahap selanjutnya, keenam variabel tersebut akan mengalami proses pembobotan dalam rangka pembentukan Leading Debt Index yang merupakan instrument terpenting dalam pembangunan early warning system karena pergerakannya yang mampu memprediksi kemungkinan terjadinya krisis utang di Indonesia.

98

4.2.1.3 Identifikasi Variabel-variabel yang Menjadi Kandidat Lagging Indicators Lagging Indicators adalah variabel yang mengikuti (lag) pergerakan Coincident maupun Leading Indicators. Sama halnya dengan Leading dan Coincident Indicators, kandidat Lagging diperoleh dengan bantuan peralatan statistik berupa grafik, analisis korelasi silang (cross correlation), dan granger causality. Berdasarkan analisis korelasi silang, kandidat Lagging Indicators diperoleh dengan melihat korelasi paling tinggi pada lead yang cukup jauh. Kriteria coincident indicators berdasarkan uji granger causality yakni dengan melihat hubungan kausalitas satu arah signifikan yang mengindikasikan bahwa variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel yang diuji. Tingkat signifikansi yang disepakati adalah nilai probabilitasnya harus lebih kecil dari 0,05 (alpha=5 persen). Dalam rangka melakukan seleksi untuk memperoleh variabel-variabel yang menjadi kandidat Lagging Indicators, maka dilakukan dua tahap pengujian statistic terhadap 111 variabel makroekonomi yang berhasil dikumpulkan, yakni uji korelasi silang dan granger causality. Dari tahap seleksi tersebut, pada akhirnya diperoleh empat variabel yang ditetapkan sebagai kandidat Lagging Indicators. Adapun keempat variabel tersebut beserta hasil pengujiannya dapat disimak pada uraian berikut ini.

99

1. Suku Bunga Pinjaman (Modal Kerja) Rupiah Yang Diberikan Bank Persero (Kode : Var 34) Variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero merupakan salah satu variabel yang menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yaitu uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Uji korelasi silang secara statistik dilakukan terhadap variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero dapat dilihat pada output e-views di Lampiran 4. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.8297 pada lead 2. Hal ini menunjukkan bahwa variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero bergerak mengikuti variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia.

100

b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views sebagaimana yang tercantum dalam Lampiran 7. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 3, 6, dan 12 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel debt to GDP sebagai variabel

reference

101

mengakibatkan variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Hasil ini menyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero merupakan kandidat Lagging Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero sebagai kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP 2.

Variabel Suku Bunga Simpanan Rupiah Berjangka 24 Bulan di Bank Umum (Kode : Var 64) Variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum

merupakan salah satu variabel yang menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistic yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum dapat dilihat pada output e-views di Lampiran 4.

102

Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar 0.6063 pada lead 4. Hal ini menunjukkan bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum bergerak mengikuti variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Pengujian granger causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 7. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan

103

penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas. Adapun pengujian yang dilakukan dengan spesifikasi lag 1 dan 3 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel debt to GDP sebagai variabel reference mengakibatkan variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Hasil ini menyatakan bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum merupakan kandidat Lagging Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum sebagai kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP. 3. Imports Merchandise Constant (US$, millions) (Kode : Var97) Variabel import merchandise constant merupakan salah satu variabel yang menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistic yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini.

104

a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel import merchandise constant. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan variabel import merchandise constant dapat dilihat pada output eviews di Lampiran 4. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar -0.6870 pada lead 6. Tanda negatif yang muncul ini mengindikasikan bahwa kedua variabel yan diuji berkorelasi negatif. Hasil ini menunjukkan bahwa variabel import merchandise constant bergerak mengikuti variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel import merchandise constant dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap variabel import merchandise constant. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel import merchandise

constant.

Pengujian

granger

causality

dilakukan

dengan

105

menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 7. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 3, 6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan kausalitas. Adapun pengujian yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas dua arah. Hasil dari uji granger causality ini menyatakan bahwa variabel import merchandise constant bukan merupakan kandidat Lagging Indicator bagi penyusunan sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel import merchandise constant sebagai kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP. 4. Local Equity Market Index (US$) Variabel Local Equity Market Index merupakan salah satu variabel yang menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini. a. Uji Korelasi Silang (Cross Correlation Test) Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang secara statistik juga dilakukan terhadap variabel Local Equity Market Index. Adapun hasil uji korelasi silang antara variabel reference series (debt to

106

GDP) dengan variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero dapat dilihat pada output e-views di Lampiran 4. Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi yang paling tinggi adalah sebesar -0.6950 pada lead 6. Tanda negatif ini menunjukkan bahwa kedua variabel yang diuji berkorelasi negatif. Hasil ini menunjukkan bahwa variabel Local Equity Market Index bergerak mengikuti variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel Local Equity Market Index dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia. b. Uji Granger Causality (Granger Causality Test) Selain dengan menggunakan cross correlation test, uji secara statistik juga dilakukan dengan menggunakan granger causality test terhadap Local Equity Market Index. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators karena menunjukkan

adanya

hubungan

kausalitas

satu

arah

signifikan

yang

mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel Local Equity

Market

Index.

Pengujian

granger

causality

dilakukan

dengan

menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views di Lampiran 7. Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu

107

lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya kurang dari tingkat signifikansi yang disepakati. Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi lag 1 dan 6, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi 3 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel debt to GDP sebagai variabel reference mengakibatkan variabel Local Equity Market Index. Hasil ini menyatakan bahwa variabel Local Equity Market Index merupakan kandidat Lagging Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia. Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan, maka dapat dinyatakan bahwa variabel Local Equity Market Index sebagai kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP. Dari tahap seleksi yang dilakukan dengan menggunakan uji secara grafis maupun statisik, maka diperoleh empat variabel kandidat Lagging Indicator, yaitu variabel suku bunga pinjaman rupiah untuk modal kerja yang diberikan Bank Persero, suku bunga simpanan rupiah berjangkan 24 bulan di Bank Umum, import merchandise constant dan Local Equity Market. Pada tahap selanjutnya, keempat variabel tersebut akan melalui proses pembobotan dalam rangka pembentukan Lagging Debt Index.

108

4.2.2 Penyusunan Composite Coincident, Leading dan Lagging Debt Index Dari langkah sebelumnya, telah diperoleh enam variabel yang menjadi kandidat Leading Indicator dan enam variabel yang menjadi kandidat Coincident Indicator. Selanjutnya, akan disusun suatu composite index yang merupakan penggabungan dari variabel-variabel kandidat tersebut. Proses penggabungan (compose) variabel-variabel kandidat untuk mendapatkan Coincident Debt Index (CI) dan Leading Debt Index (LI) terbaik dilakukan dengan cara trial-error. Indikator

baiknya

Coincident

Debt

Index

didasarkan

pada

persamaan

pergerakannya dengan Reference Series, sementara untuk LI didasarkan pada kemampuannya untuk memprediksi CI dan Reference Series. Sebelum melalui proses perhitungan dalam rangka memperoleh Coincident Debt Index, keenam variabel yang terseleksi sebagai kandidat Coincident Indicators perlu mengalami proses penyesuaian dari faktor musiman (seasonal adjustmen). Hal ini dilakukan agar variabel tersebut merepresentasikan nilai yang tidak dipengaruhi oleh kondisi musiman seperti Tahun Baru China ataupun Hari Raya Idul Fitri. Dengan demikian, pergerakan variabel-variabel tersebut tidak akan menimbulkan missleading dalam mendeskribsikan kondisi beban utang luar negeri Indonesia. Adapun hasil seasonal adjustment yang dilakukan terhadap keenam variabel yang telah terseleksi sebagai kandidat Coincident Indicators dapat disimak pada Lampiran 8. 4.2.2.1 Penyusunan Coincident Debt Index (CDI) Beberapa tahapan yang perlu dilakukan untuk menyusun CDI tersebut adalah sebagai berikut :

109

1. Perhitungan Month-on-Month (MoM) Symmetric Percent Change 2. Adjustment MoM 3. Penjumlahan Adjustment MoM (it) 4. Adjustment it 5. Perhitungan Prelimanary Leading (perhitungan secara lengkap dapat dilihat pada Lampiran 9) Composite CDI terbaik diperoleh secara trial-error dengan mengombinasikan berbagai kemungkinan variabel kandidat coincident indicator sampai terbentuk grafik CI terbaik. Setelah melalui proses trial-error, maka diperoleh kombinasi CDI terbaik berikut ukuran bobotnya sebagaimana terlihat pada Tabel 4.2. Tabel 4.2 Kombinasi Terbaik Penyusun Coincident Debt Index Beserta Bobotnya Kode Nama Variabel Bobot Var38 Var62 Var103 Var102

Suku Bunga Pinjaman Rupiah (Modal Kerja) Yang 9,65% Diberikan Bank Asing dan Campuran Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank 23,78% Umum 7,76% SBI 1 Bulan Interest rate spread (lending rate minus deposit rate) 58,81% Total

100,00%

Kombinasi penyusunan CDI sebagaimana yang terlihat di Tabel 4.2 merupakan kombinasi yang terbaik. Hal ini didasarkan pada penilaian secara visual melalui grafik yang memperlihatkan bahwa grafik CDI tersebut bergerak seiring variabel reference yaitu debt to GDP sebagaimana yang terlihat pada Gambar 4.3.

110


Persentase Debt To GDP

Debt to GDP CDI

Gambar 4.3 Pergerakan Coincident Debt Index (CDI) Seiring Dengan Variabel Debt to GDP

Gambar 4.3 menunjukkan grafik CDI yang memiliki beberapa titik lembah dan puncak. Pergerakan grafik CDI tersebut merefleksikan kondisi beban utang luar negeri yang dihadapi oleh Indonesi selama periode waktu pengamatan dimana pergerakannya seiring dengan variabel reference debt to GDP Berdasarkan hasil penelitian, diperoleh bahwa variabel interest rate spread (selisih suku bunga pinjaman dengan suku bunga simpanan) memberikan kontribusi sebesar 58,81 persen terhadap penyusunan Coincident Debt Index. Hasil ini menunjukkan bahwa grafik interest rate spread memiliki pola kemiripan yang besar terhadap grafik CDI yang terbentuk. Hasil ini mengindikasikan pergerakan grafik variabel interest rate spread dapat merefleksikan kondisi beban utang luar negeri yang ditanggung oleh Indonesia. 4.2.2.2 Penyusunan Leading Debt Index (LDI) Dari hasil seleksi yang dilakukan terhadap 111 variabel makroekonomi, diperoleh hasil bahwa terdapat enam variabel yang dapat dijadikan sebagai

111

kandidat Leading Indicator. Keenam variabel tersebut selanjutnya mengalami seasonal adjustment dengan X-12 ARIMA untuk menghilangkan faktor musiman yang ada. Adapun hasil dari X-12 ARIMA tersebut dapat dilihat pada Lampiran 10. Selanjutnya, dilakukan penyusunan composite Leading Debt Index melalui proses penggabungan dengan beberapa tahapan tertentu. Adapun beberapa tahapan yang perlu dilakukan untuk menyusun LDI tersebut adalah sebagai berikut : 1. Perhitungan Month-on-Month (MoM) Symmetric Percent Change 2. Adjustment MoM 3. Penjumlahan Adjustment MoM (it) 4. Adjustment it 5. Perhitungan Prelimanary Leading (Perhitungan Leading Debt Index secara lengkap dapat disimak pada Lampiran 11) Composite LDI terbaik diperoleh secara trial-error dengan mengombinasikan berbagai kemungkinan variabel kandidat leading indicator sampai terbentuk grafik LDI terbaik. Setelah melalui proses trial-error, maka diperoleh kombinasi LDI terbaik berikut ukuran bobotnya sebagaimana terlihat pada Tabel 4.3.

112

Tabel 4.3 Kombinasi Terbaik Penyusun Leading Debt Index Beserta Bobotnya Kode Nama Variabel Bobot Var07

LIBOR 6 bulan

54%

Var66

Laju Inflasi Jepang

42%

Var96

M2/Cadangan Devisa

2%

Var111

Nominal Effective Exchange Rate

2%

Total

100%

Kombinasi penyusunan Leading Debt Index sebagaimana yang terlihat pada Tabel 4.3 merupakan kombinasi yang terbaik. Hal ini didasarkan pada penilaian secara visual melalui grafik yang memperlihatkan bahwa grafik Leading Debt Index tersebut bergerak lebih awal mendahului Coincident Debt Index sebagaimana yang terlihat pada Gambar 4.4.

Leading Debt Index


CDI LDI

Gambar 4.4 Pergerakan Leading Debt Index (LDI) Mendahului Coincident Debt Index (CDI)

113

Gambar 4.4 menunjukkan bahwa grafik LDI memiliki 3 titik lembah dan 3 titik puncak yang mendahului titik-titik lembah maupun puncak yang dimiliki grafik CDI. Penentuan titik puncak dan lembah dilakukan terhadap LDI maupun CDI berdasarkan metode Bry Boschan Procedure. Pergerakan grafik LDI yang mendahului CDI mengindikasikan bahwa LDI memiliki kemampuan dalam memprediksi kemungkinan terjadinya krisis utang yang dihadapi Indonesia di periode waktu mendatang. Berdasarkan penentuan titik peak dan trough yang dilakukan baik terhadap CDI maupun LDI, maka selang waktu pergerakan LDI mendahului CDI dapat dihitung secara akurat, sebagaimana ditunjukkan pada Tabel 4.4. Tabel 4.4 Perhitungan Selang Waktu Perbedaan Pergerakan LDI Mendahului CDI Nama Variabel Trough Peak Trough Peak Trough Peak Leading Apr-93 Jan-95 Feb-96 Jun-97 Jun-98 Mar-00 Debt Index Coindicent Apr-94 Jul-95 Aug-96 Sep-98 Aug-99 Apr-01 Debt Index Selang 12 bulan 6 bulan 6 bulan 15 bulan 14 bulan 13 bulan Waktu Berdasarkan perhitungan peak dan trough grafik CDI dan LDI, maka diperoleh hasil bahwa grafik LDI bergerak mengikuti CDI dengan selang waktu rata-rata 11 bulan. Dengan demikian, melalui pengamatan terhadap pergerakan grafik LDI ini, maka kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi pada kurun waktu 11 bulan sebelumnya. Berdasarkan hasil penelitian, diperoleh bukti empiris bahwa beban utang Indonesia sangatlah dipengaruhi oleh besarnya suku bunga LIBOR 6 bulan dan laju inflasi negara Jepang. Hasil ini menunjukkan bahwa grafik dari kedua

114

variabel tersebut memiliki pola kemiripan yang besar terhadap grafik LDI yang terbentuk. Hal ini mengindikasikan pergerakan grafik dari kedua variabel tersebut memiliki kemampuan dalam memprediksi kemungkinan terjadinya perubahan kondisi beban utang luar negeri yang ditanggung oleh Indonesia pada periode waktu mendatang. 4.2.2.3 Penyusunan Lagging Debt Index Dari hasil seleksi yang dilakukan terhadap 111 variabel makroekonomi, diperoleh hasil bahwa terdapat empat variabel yang dapat dijadikan sebagai kandidat Lagging Indicators. Kempat variabel tersebut selanjutnya mengalami seasonal adjustment dengan X-12 ARIMA untuk menghilangkan faktor musiman yang ada. Adapun hasil dari X-12 ARIMA tersebut dapat dilihat pada Lampiran 12. Selanjutnya, dilakukan penyusunan composite Lagging Debt Index melalui proses penggabungan dengan beberapa tahapan tertentu. Adapun beberapa tahapan yang perlu dilakukan untuk menyusun Lagging Debt Index tersebut adalah sebagai berikut : 1. Perhitungan Month-on-Month (MoM) Symmetric Percent Change 2. Adjustment MoM 3. Penjumlahan Adjustment MoM (it) 4. Adjustment it 5. Perhitungan Prelimanary Leading (Perhitungan Lagging Debt Index secara lengkap dapat disimak pada Lampiran 13).

115

Composite Lagging Debt Index terbaik diperoleh secara trial-error dengan mengombinasikan berbagai kemungkinan variabel kandidat lagging indicator sampai terbentuk grafik Lagging Debt Index terbaik. Setelah melalui proses trialerror, maka diperoleh kombinasi Lagging Debt Index terbaik berikut ukuran bobotnya sebagaimana terlihat pada Tabel 4.5. Tabel 4.5 Kombinasi Terbaik Penyusun Lagging Debt Index Beserta Bobotnya Kode Nama Variabel Bobot Var34 Var64 Var97 Var81

Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan Bank Persero Suku Bunga Simpanan Berjangka (Rupiah) Di Bank Umum24 Bulan Imports Merchandise, constant US$, millions Local equity market index valued in US$ terms Total

42% 50% 4% 3% 100%

Kombinasi penyusunan Lagging Debt Index sebagaimana yang terlihat pada Tabel 4.5 merupakan kombinasi yang terbaik. Hal ini didasarkan pada penilaian secara visual melalui grafik yang memperlihatkan bahwa grafik Lagging Debt Index tersebut bergerak mengikuti Coincident Debt Index sebagaimana yang terlihat pada Gambar 4.5.

116

Lagging Debt Index


Coincident Debt Index Lagging Debt Index

Gambar 4.5 Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index

Gambar 4.5 terlihat bahwa grafik Lagging Debt Index memiliki 3 titik lembah dan 3 titik puncak yang mengikuti titik-titik lembah maupun puncak yang dimiliki grafik Coincident Debt Index. Penentuan titik puncak dan lembah dilakukan terhadap Lagging Debt Index berdasarkan metode Bry Boschan Procedure Pergerakan grafik Lagging Debt Index yang mengikuti Coincident Debt Index mengindikasikan bahwa Lagging Debt Index memiliki kemampuan dalam memprediksi kemungkinan terjadinya penyebaran dampak secara meluas akibat kondis krisis utang yang dihadapi Indonesia terhadap variabel-variabel makroekonomi lainnya secara keseluruhan. Berdasarkan penentuan titik peak dan trough yang dilakukan baik terhadap Coincident Debt Index maupun Lagging Debt Index, maka selang waktu pergerakan Lagging Debt Index mengikuti Coincident Debt Index dapat dihitung secara akurat, sebagaimana ditunjukkan pada Tabel 4.6.

117

Tabel 4.6 Perhitungan Selang Waktu Perbedaan Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index Nama Variabel Coindicent Index Lagging Index Selang Waktu

Trough

Peak

Trough

Peak

Trough

Peak

Apr-94

Jul-95

Aug-96

Sep-98

Aug-99

Apr-01

Nov-94

May-96

Jan-98

May-99

Apr-01

Jun-02

7 bulan

10 bulan

17 bulan

8 bulan

20 bulan

14 bulan

Berdasarkan perhitungan peak dan trough grafik Coincident Debt Index dan Lagging Debt Index, maka diperoleh hasil bahwa grafik Lagging Debt Index bergerak mengikuti Coincident Debt Index dengan selang waktu rata-rata 13 bulan. Dengan demikian, melalui pengamatan terhadap pergerakan grafik LDI ini, maka

dampak

penyebaran

(contagion

effect)

terhadap

variabel-variabel

makeroekonomi lain akibat terjadinya krisis utang di Indonesia dapat dicegah pada kurun waktu 13 bulan sebelumnya. Berdasarkan perhitungan, diperoleh hasil bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum dan suku bunga pinjamanmodal kerja (rupiah) yang diberikan Bank Persero memberikan kontribusi yang besar terhadap pembentukan Lagging Debt Index. Hal ini menunjukkan bahwa pola grafik kedua variabel tersebut memiliki kemiripan yang besar terhadap pergerakan grafik Lagging Debt Index. Dengan demikian, pergerakan kedua variabel itu dapat merefleksikan periode waktu kemungkinan terjadinya contagion effect akibat terjadinya krisis utang di Indonesia.

118

4.3

Pembahasan Hasil Penyusunan Early Warning System

4.3.1 Analisis Hasil Early Warning System Secara Empiris Penyusunan hasil early warning sytem menghasilkan tiga instrumen penting, yakni Coincident, Leading, dan Lagging Debt Index. Adapun instrumen yang digunakan untuk mendeskripsikan kondisi beban utang luar negeri Indonesia adalah Coincident Debt Index. Sebagaimana yang terlihat pada gambar 4.58, salah satu titik puncak Coincident Debt Index tercapai pada periode bulan September 1998. Kondisi ini terjadi tidak terlepas dari pengaruh krisis nilai tukar yang melanda negara-negara di Asia secara luas, termasuk

Indonesia. Hal ini


Kurs Rupiah Terhadap Dollar Coincident Debt Index

Gambar 4.6 Perbandingan Pergerakan Grafik Coincident Debt Index dengan Kurs Rupiah Terhadap Dollar

Gambar 4.6 bahwa rupiah mengalami depresiasi yang begitu hebat sejak periode bulan Juni 1998. Kepercayaan terhadap mata uang rupiah semakin menurun, sehingga terjadi capital outflow secara besar-besaran pada periode waktu tersebut.

Kurs Rupiah Terhadap Dollar

sebagaimana digambarkan pada Gambar 4.6.

119

Hal ini berdampak pada beban utang luar negeri Indonesia semakin besar yang digambarkan dari titik puncak grafik Coincident Debt Index pada periode bulan September 1998. Kondisi ini semakin parah sehingga menyebabkan kurangnya likuiditas dalam perekonomian dan berakibat pada kenaikan suku bunga dalam negeri secara signifikan. Terjadinya capital outflow dalam jumlah besar pada akhirnya berdampak pada kurangnya likuiditas dalam perekonomian secara signifikan. Kondisi ini menyebabkan pemerintah mengambil kebijakan untuk menaikkan suku bunga SBI 3 bulan sehingga berdampak pada suku bunga simpanan dalam negeri yang juga mengalami kenaikan. Kebijakan ini dilakukan oleh pemerintah dengan tujuan untuk menarik minat investor luar negeri agar tetap menginvestasikan dana mereka di Indonesia sehingga likuiditas dalam negeri akan terjaga dan nilai rupiah tidak akan mengalami depresiasi lebih buruk lagi. Hal ini penting bagi pemerintah agar solvabilitas Indonesia tetap dalam kondisi baik sehingga mampu membayar cicilan pokok dan bunga utang luar negeri pada periode tersebut. Kebijakan pemerintah yang memutuskan untuk menaikkan suku bunga dalam negeri juga memiliki tujuan lainnya yakni untuk meredam tingginya lonjakan inflasi yang terjadi pada periode krisis tersebut. Meskipun demikian, kebijakan yang dilakukan pemerintah tersebut pada akhirnya kurang efektif dan tidak berhasil menahan capital flight yang terjadi sehingga hanya menambah beban biaya yang harus ditanggung oleh pemerintah. Kebijakan pemerintah yang menaikkan suku bunga SBI 3 bulan berdampak pada tingginya suku bunga simpanan dalam negeri melebihi suku bunga

120

pinjamannya. Hal ini menyebabkan interest rate spread Indonesia menunjukkan nilai negatif dan mencapai titik trough pada periode November 1998 dimana periode tersebut bertepatan dengan tercapainya titik peak variabel reference debt to GDP yang menandakan terjadinya masalah solvabilitas Indonesia. Dengan demikian, karena variabel interest rate spread, suku bunga simpanan, suku bunga pinjaman, dan suku bunga SBI 3 bulan merupakan komponen penyusun Coincident Debt Index dengan bobot yang cukup besar, maka peningkatan variabel-variabel tersebut menyebabkan nilai Coincident Debt Index mencapai puncaknya pada periode bulan September 1998. Titik puncak Coincident Debt Index pada bulan September 1998 selain dipengaruhi oleh krisis nilai tukar yang melanda Asia, juga disebabkan karena pada periode tersebut hampir sebagian besar utang luar negeri Indonesia mencapai jatuh tempo secara bersamaan. Kondisi ini semakin menambah beban utang luar negeri Indonesia

yang semakin diperparah dengan kesulitan likuiditas

perekonomian dalam negeri akibat capital flight yang terjadi secara besar-besaran. Selain Coincident Debt Index, penyusunan early warning system ini juga menghasilkan instrumen Leading Debt Index. Indeks ini merupakan instrumen yang penting karena pergerakannya mampu memprediksi kemungkinan terjadinya krisis utang di Indonesia secara akurat. Berdasarkan gambar 4.59, diketahui bahwa Leading Debt Index ini memiliki beberapa titik puncak dan lembah. Salah satu titik puncaknya terjadi pada periode bulan Juni 1997. Pergerakan Leading Debt Index yang mencapai titik puncaknya pada periode tersebut telah memberikan sinyal yang kuat bahwa akan terjadi krisis

121

utang di pada selang waktu 15 bulan kemudian (ditandai dengan Coincident Debt Index yang mencapai titik puncak). Tercapainya titik puncak Leading Debt Index pada periode bulan Juni 1997 banyak dipengaruhi oleh dinamika pergerakan variabel suku bunga LIBOR 6 Bulan dan laju inflasi Jepang. Hal ini disebabkan karena kedua variabel tersebut merupakan komponen penyusun Leading Debt Index dengan bobot yang cukup besar. Variabel suku bunga LIBOR 6 Bulan memiliki beberapa titik puncak dan lembah. Salah satu titik puncak variabel ini tercapai pada periode bulan April 1997. Titik puncak yang terjadi pada periode tersebut menjadi sinyal kuat terjadinya beban utang luar negeri Indonesia yang semakin besar pada selang waktu 19 bulan kemudian. Suku bunga LIBOR 6 Bulan yang mencapai titik puncak di bulan April 1997 mengindikasikan terjadinya penurunan likuiditas sumber pendanaan di pasar uang internasional pada periode waktu tersebut. Oleh karena suku bunga LIBOR banyak digunakan sebagai acuan dalam penentuan suku bunga utang luar negeri, maka peningkatan suku bunga LIBOR akan berdampak pada semakin besarnya devisa yang harus dialokasikan untuk melakukan pembayaran bunga utang. Pergerakan suku bunga LIBOR memberikan pengaruh yang besar terhadap kondisi beban utang luar negeri yang harus ditanggung oleh Indonesia. Hal ini disebabkan karena cukup besar jumlah utang luar negeri Indonesia yang pembayaran bunganya ditetapkan berdasarkan floating interest rate. Semakin tinggi suku bunga LIBOR, maka semakin besar pula beban pembayaran utang luar

122

negeri Indonesia, demikian pula sebaliknya. Oleh karena itu, peningkatan suku bunga LIBOR 6 bulan yang mencapai titik puncaknya pada periode April 1997 berdampak pada semakin besarnya beban utang luar negeri Indonesia pada kurun waktu 19 bulan kemudian, tepatnya bulan November 1998. Selain variabel suku bunga LIBOR 6 Bulan, pergerakan Leading Debt Index yang mencapai titik puncak di periode Juni 1997 juga dipengaruhi oleh variabel laju inflasi Jepang. Variabel ini mencapai titik puncaknya pada periode bulan Agustus 1997 akibat krisis nilai tukar yang melanda Asia, termasuk Jepang. Pada periode tersebut, mata uang yen juga mengalami depresiasi yang hebat sehingga berdampak pada kemunduran perekonomian di negara tersebut. Hal ini ditandai dengan inflasi yang terus mengalami peningkatan. Dengan demikian, pergerakan laju inflasi Jepang telah memberikan sinyal yang kuat dalam memprediksi kondisi beban utang luar negeri yang harus ditanggung Indonesia. 4.3.2 Operasionalisasi dan Pengelolaan Early Warning System Krisis Utang di Indonesia Dengan menggunakan instrumen Leading Debt Index yang dihasilkan dari penyusunan early warning system ini, maka kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi pada periode 11 bulan sebelumnya. Prediksi tersebut dapat dilakukan dengan mengobservasi pergerakan Leading Debt Index yang dihasilkan. Adapun skematik operasionalisasi early warning system krisis utang di Indonesia dapat dijelaskan pada Gambar 4.7.

123

Gambar 4.7 Skematik Penggunaan Instrumen Leading Debt Index Dalam Operasionalisasi Early Warning System Krisis Utang Pada Gambar 4.7, dimisalkan bahwa krisis utang di Indonesia akan terjadi pada periode waktu t yang ditunjukkan dengan tercapainya titik puncak pada grafik CDI. Terjadinya krisis utang di periode t tersebut telah dapat diprediksi 11 bulan sebelumnya. Ketika grafik LDI menunjukkan tanda-tanda pergerakan yang mengalami peningkatan, maka saat itu sinyal peringatan kemungkinan terjadinya krisis utang perlu diwaspadai. Sebelum LDI ini mencapai titik puncaknya pada periode 11 bulan sebelum terjadinya krisis utang, maka kebijakan yang bersifat preventif dan antisipatif harus segera diimplementasikan untuk mengendalikan beban utang luar negeri Indonesia. Hal ini perlu dilakukan secara cermat dan akurat untuk menghindari kemungkinan terjadinya krisis utang di Indonesia. Selain dengan instrumen LDI, operasionalisasi early warning system krisis utang di Indonesia juga dilakukan dengan menggunakan instrumen Lagging Debt Index. Dengan menggunakan instrumen Lagging Debt Index yang dihasilkan dari penyusunan early warning system ini, maka kemungkinan terjadinya contagion effect akibat krisis utang di Indonesia dapat dicegah pada periode 13 bulan setelah

124

terjadinya krisis utang. Prediksi tersebut dapat dilakukan dengan mengobservasi pergerakan

Lagging

Debt

Index

yang

dihasilkan.

Adapun

skematik

operasionalisasi early warning system krisis utang di Indonesia dapat dijelaskan pada Gambar 4.8.

Gambar 4.8 Skematik Penggunaan Instrumen Lagging Debt Index Dalam Operasionalisasi Early Warning System Krisis Utang

Pada Gambar 4.8, dimisalkan bahwa krisis utang di Indonesia akan terjadi pada periode waktu t yang ditunjukkan dengan tercapainya titik puncak pada grafik CDI. Dampak dari terjadinya krisis utang di periode t tersebut akan menyebar secara luas ke variabel-variabel makroekonomi lainnya dalam kurun waktu 13 bulan. Hal ini direfleksikan dengan tercapainya titik puncak grafik Lagging Debt Index pada periode 13 bulan setelah terjadinya krisis. Oleh karena itu, selama periode 13 bulan setelah terjadinya krisis, perlu dilakukan sejumlah kebijakan tertentu yang diimplementasikan dalam rangka mencegah penyebaran contagion effect secara meluas akibat terjadinya krisis utang.

125

Model early warning system yang terbentuk dalam penelitian ini sudah cukup baik untuk digunakan dalam memprediksi kemungkinan terjadinya krisis utang di Indonesia pada kurun waktu 5 tahun ke depan. Hal ini dikarenakan model early warning system dengan instrument utama Leading Debt Index ini disusun oleh leading indicators yang memiliki rentang waktu yang cukup panjang, yakni dari periode bulan Januari 1990 hingga Desember 2011. Dengan demikian, siklus bisnisnya tidak akan banyak mengalami perubahan secara signifikan karena durasi suatu siklus bisnis bisa berlangsung lebih dari sepuluh sampai dua belas tahun. Meskipun model early warning system yang terbentuk dalam penelitian ini sudah cukup baik, namun proses kaliberasi tetap perlu dilakukan secara berkala tiap lima tahun sekali. Hal ini dilakukan untuk mengantisipasi kemungkinan terjadinya perubahan komponen penyusun Coincident, Leading, maupun Lagging Debt Index akibat perubahan struktur perekonomian Indonesia. Misalnya saja, ketika model early warning system debt crises dibuat pada saat ini, variabel laju inflasi Jepang merupakan kandidat leading indicator yang pergerakannya memberikan sinyal kuat terhadap kondisi beban utang luar negeri Indonesia. Namun, tidak menutup kemungkinan pada kurun waktu 5 tahun mendatang, pergerakan variabel ini tidak lagi mampu memprediksi kondisi beban utang luar negeri Indonesia. Oleh karena itu, proses kaliberasi sangat penting untuk dilakukan agar sinyal yang dihasilkan dari model early warning system ini selalu akurat dalam memprediksi kemungkinan terjadinya krisis utang di Indonesia.

126

4.3.3 Implikasi Kebijakan Pengelolaan Utang Luar Negeri Indonesia Melalui operasionalisasi early warning system dengan menggunakan instrument Leading Debt Index, maka periode kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi 11 bulan sebelumnya. Dengan demikian, pemerintah beserta instansi terkait lainnya memiliki waktu selama 11 bulan untuk mengimplementasikan suatu paket kebijakan khusus dengan tujuan menghindari terjadinya krisis utang di Indonesia. Dalam upaya penyelematan untuk menghindari kemungkinan terjadinya krisis utang di Indonesia, maka pemerintah perlu menerapkan suatu paket kebijakan yang efektif, cepat dan tepat. Hal ini disebabkan karena pemerintah hanya memiliki waktu 11 bulan sebelum terjadinya krisis utang di Indonesia. Dengan demikian, diperlukan implementasi sejumlah kebijakan yang tidak mengandung time lag maupun decision lag. Sejumlah kebijakan dapat diimplementasikan oleh pemerintah pada kurun waktu 11 bulan sebelum terjadinya krisis utang. Salah satu kebijakan yang dapat dilakukan yakni dengan melakukan debt rescheduling atau penjadwalan kembali periode waktu pembayaran utang. Untuk melakukan debt rescheduling ini, perlu dilakukan negosiasi yang kuat dengan pihak kreditur agar pengajuan perpanjangan tenggat waktu pembayaran utang dapat disetujui sehingga utang luar negeri Indonesia memiliki masa jatuh tempo (grace periode) yang lebih lama. Kebijakan ini penting untuk dilakukan agar utang luar negeri Indonesia tidak jatuh tempo pada periode bersamaan yang dapat berpotensi menyebabkan terjadinya krisis utang di Indonesia.

127

Selain kebijakan debt rescheduling, pemerintah juga dapat melakukan kebijakan debt swap. Kebijakan ini dilakukan sebagai upaya untuk menukar kewajiban pembayaran utang luar negeri dengan hal-hal lain yang diinginkan oleh pihak kreditur untuk dilakukan oleh Indonesia. Pemerintah dapat bernegosiasi dengan pihak kreditur agar Indonesia dapat membayar utang luar negeri melalui peningkatan komitmen pelestarian hutan lindung. Apabila kebijakan debt swap tersebut disepakati dengan pihak kreditur, maka beban utang luar negeri Indonesia akan berkurang sehingga kemungkinan terjadinya krisis utang dapat dihindari. Kebijakan debt cutting juga merupakan salah satu alternatif kebijakan yang dapat ditempuh oleh pemerintah selama periode 11 bulan sebelum terjadinya krisis utang di Indonesia. Kebijakan debt cutting merupakan kebijakan dimana pemerintah bernegosiasi kepada pihak kreditur untuk menyetujui pemotongan jumlah nominal utang luar negeri yang harus dibayar oleh Indonesia. Kebijakan debt cutting ini memang merupakan kebijakan yang kurang popular. Perlu adanya negosiasi dan alasan kuat yang dikemukakan pemerintah dalam pengajuan permohonan debt cutting ini. Instrumen lain yang digunakan dalam operasionalisasi early warning system krisis utang di Indonesia adalah Lagging Debt Index. Pergerakan Lagging Debt Index ini memberikan sinyal penyebaran contagion effect akibat terjadinya krisis utang di Indonesia. Melalui operasionalisasi early warning system dengan menggunakan instrument Lagging Debt Index, maka diketahui bahwa dampak akibat terjadinya krisis utang di Indonesia akan meluas dalam kurun waktu 13 bulan setelah terjadinya krisis tersebut. Dengan demikian, pemerintah beserta

128

instansi terkait lainnya memiliki waktu selama 13 bulan setelah krisis untuk mengimplementasikan suatu paket kebijakan khusus dengan tujuan mencegah dampak contagion effect yang semakin meluas akibat krisis utang yang terjadi. Apabila krisis utang terjadi di Indonesia, maka likuiditas perekonomian akan terganggu sehingga berdampak pada aktivitas perekonomian yang semakin menurun. Kondisi ini akan berdampak luas dan mempengaruhi kesejahteraan masyarakat. Oleh karena itu, selama periode 13 bulan setelah terjadinya krisis, pemerintah perlu merumuskan suatu kebijakan dengan tujuan untuk meredam dampak terjadinya krisis utang terhadap kesejahteraan masyarakat. Adapun salah satu kebijakan yang dapat diimplementasikan yakni dengan menyalurkan dana bantuan jaminan sosial kepada masyarakat. Hal ini penting untuk dilakukan agar masyarakat tidak terlalu merasakan shock yang besar akibat terjadinya krisis utang di Indonesia.

129

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian yang dilakukan, diperoleh enam kandidat yang menjadi leading indicators dan delapan kandidat coincident indicators dalam rangka penyusunan sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia. Penyusunan Composite Leading Debt Index dilakukan secara trial and error dengan mengombinasikan berbagai kemungkinan variabel kandidat hingga diperoleh bentuk Leading Debt Index yang terbaik dalam memprediksi beban utang luar negeri Indonesia di periode waktu mendatang. Demikian pula penyusunan Composite Coincident Debt Index dilakukan secara trial and error dengan mengombinasikan berbagai kemungkinan variabel kandidat hingga diperoleh bentuk Coincident Debt Index yang terbaik dalam menggambarkan beban utang luar negeri Indonesia di periode saat ini. Komponen penyusunan Leading Debt Index yang dianggap terbaik adalah variabel suku bunga LIBOR 6 bulan (54 persen), laju inflasi Jepang (42 persen), dan variabel M2/Cadangan Devisa (2 persen) serta Nominal Effective Exchange Rate (2 persen). Sedangkan komponen penyusun Coincident Debt Index terbaik adalah interest rate spread (59 persen), suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum (23 persen), suku bunga pinjaman untuk modal kerja (rupiah) berjangka 6 bulan di Bank Umum(10 persen) dan SBI 1 bulan (8 persen).

130

Melalui penggunaan instrument Leading Debt Index yang merupakan bagian dari operasionalisasi early warning system yang telah terbentuk ini, maka kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi 11 bulan sebelumnya.

Dengan

demikian,

pemerintah

dapat

mengimplementasikan

kebijakan tertentu untuk menghindari terjadinya krisis utang, di antaranya dengan melakukan debt rescheduling, debt swap dan debt cutting. Pergerakan

Instrumen

Lagging

Debt

Index

sebagai

bagian

dari

operasionalisasi early warning system memberikan sinyal bahwa dampak akibat terjadinya krisis utang di Indonesia akan menimbulkan contagion effect dalam kurun waktu 13 bulan setelah terjadinya krisis tersebut. Dalam rangka meredam shock yang dialami oleh masyarakat akibat dampak krisis utang yang terjadi, maka pemerintah dapat mengimplementasikan kebijakan berupa penyaluran dana bantuan sosial agar tingkat kesejahteraan tetap terjaga. 5.2 Saran Adapun beberapa saran yang diberikan penulis adalah sebagai berikut : 1. Untuk melengkapi penelitian ini, diperlukan perhitungan diffusion index (menggambarkan proporsi komponen CI dan LI yang mengalami kenaikan). 2. Untuk penelitian selanjutnya, diharapkan menggunakan variabel reference yang

berbeda,

menambah

variabel

penyusun

reference

series

dan

memperpanjang periode series data yang digunakan agar diperoleh indeks peramalan yang lebih baik.

131

DAFTAR PUSTAKA Abiad, Abdul. 2003. “Early Warning System : A Survey and Regime-Switching Approach”. IMF Working Paper, No. 03/32 Andrew Berg dan Jeffrey Sachs. 1988. "The Debt Crisis: Structural Explanations of Country Performance," NBER Working Papers 2607, National Bureau of Economic Research, Inc Arghyrou, Michael G. dan John D. Tsoukalas. 2010. “The Greek Debt Crisis : Likely Cause, Mechanics and Outcomes”. Cardiff Economics Working Papers, E2010/3 Arifin, Sjamsul dan D.E. Rae. 2008. Manajemen Pinjaman Luar Negeri Swasta Indonesia: Pelajaran Berharga Dari Krisis Keuangan Indonesia. Elex Media Komputindo, Jakarta Balkan, E.M. 1992. “Political Instability, Country Risk and Probability of Default”. Applied Economics, 24(9): 999-1008 Basri, Y. Z. dan Mulyadi Subri. 2003. Keuangan Negara dan Analisis Kebijakan Utang Luar Negeri. Raja Grafindo Persada, Jakarta Benazir, A. D. 2008. Analisis Leading Dan Coincident Indicators Pergerakan Kurs di Indonesia : Pendekatan Business Cycle Analysis [Skripsi]. Fakultas Ekonomi Manajemen. Institut Pertanian Bogor Berg, A. dan C. Patillo. 1999. “Predicting Currency Crises: The Indicators Approach and An Alternative”. Journal of International Money and Finance. 18(4): 561-586 Berg, A. dan J. Sachs. 1988. “The Debt Crisis Structural Explainations of Country Performance”. Journal of Development Economics, 29(3): 271-306 Bhattacharyay, Biswa, et all. 2009. “Early Warning System for Economic and Financial Risks in Kazakhstan”. CESIFO WORKING PAPER, No. 2832 Burkart, O. dan V. Coudert. 2002. “Leading Indicators of Currency Crises for Emerging Countries. Emerging Market Reviews, 3(2): 107-133 Bussiere, Matthieu and Marcel Fratzscher. 2002. Towards A New Early Warning System Of Financial Crises. European Central Bank Bustelo, P. 2000. “Novelties of Financial Crises In The 1990s and The Search for New Indicators”. Emerging Market Reviews, 1(3): 229-251

132

Cantor, R., dan Packer, F. 1996. “Determinants and Impact of Sovereign Credit Rating”. Federal Reserve Bank of New York Economic Policy Review 10: 1-15 Cencini, Alvaro and Bernard Schmitt. 1991. External Debt Servicing: A Vicious Circle. Pinter Publishers Limited, London Ciarlone, A. dan G. Trebeschi. 2006. “A Multinomial Approach to Early Warning System for Debt Crises”. Emerging Market Review, 6: 376-395 Departemen Akuntansi Umum Singapura. 2011. Singapore Government Borrowings. Accountant-General’s Department, Singapore Dreher, A., Bernard, H., and Volker, K. 2005. Is There a Causal Link Between Currency and Debt Crises?. Thurgauer Wirtschaf Institute Edison, H. J. (2003), “Do indicators of financial crises work? An evaluation of an early warning system”. International Journal of Finance and Economics, 8(1): 11–53. Fuertes, A.M. dan Kalotychou, E. 2007. “Optimal Design Of Early Warning System for Sovereign Debt Crises”. International Journal of Forecasting, 23(1): 85-100 InterCAFE. 2007. Materi Penyusunan Leading dan Coincident Indicators. Bogor Tambunan, Tulus. 2003. An Early Warning System For Indonesia With Signal Approaach. Thailand Development Research Institute Lanoie, P. dan S. Lemarbre. 1996. “Three Approaches to Predict The Timing and Quantity of LDC Debt Rescheduling”. Applied Economics, 28(2): 241-246 Lee, S.H. 1991. “Ability and Willingness to Service Debt As Explaination for Commercial and Official Rescheduling Cases”. Journal of Banking and Finance, 15(1): 5-27 Lestano, Jan Jacobs and Gerard H. Kuper. 2003. An early-warning system for six Asian countries. Department of Economics, University of Groningen Kamin, S.B. 1999. “The Current International Financial Crisis: How Much Is New?”. Journal of International Money and Finance 18: 501-514 Kaminsky, G.L., S. Lizondo, and C.M. Reinhart . 1998. Leading indicators of currency crisis, IMF Staff Papers 45/1, International Monetary Fund, Washington, D.C.

133

Kibritcioglu, B., B. Kose dan G. Ugur. 1999. A Leading Indicators Approach to The Predictabiluty of Currency Crises: The Case of Turkey. (General Directorate of Economic Research, Ankara. Turkey) Kumar, Kuldeep dan Haynes, John D. 2003. “Forecasting Credit Ratings Using An ANN and Statistical Techniques”. International Journal Of Business Studies, 11(1): 91-108 Mankiw, G. 2003. Teori Makroekonomi (Macroeconomics). Edisi Kelima. Erlangga, Jakarta Marchesi, S. 2003. “Adoption of An IMF Programme and Debt Rescheduling”. Journal of Development Economics, 70(2): 403-423 Nasution, D. 2007. “Penyusunan Coincident dan Leading Economic Indicators”. Materi Presentasi InterCAFE. Bogor Permatasari, Ery. 2008. Membangun Leading dan Coincident Indicators untuk Inflasi di Indonesia [Skripsi]. Fakultas Ekonomi Manajemen. Institut Pertanian Bogor Reinhart, Carmen M., Kenneth S. Rogoff dan Miguel A. Savastano. 2003. “Debt Intolerance”. Brookings Papers on Economic Activity 34: 1-74 Singgalingging, Hotbin. 2001. Profil Pinjaman Luar Negeri Indonesia dan Permasalahannya. Pusat Pendidikan dan Studi Kebanksentralan Bank Indonesia, Jakarta Su, Chi Wei, Hsu Ling Chang, Meng Nan Zhu and Zhang Qiao. 2010. “An Evaluation of Leading Indicators of Currency Crises”. African Journal of Business Management, 4(15): 3321-3331 Sugema, Iman. 2001. “Utang Luar Negeri: Good Time Friend, Bad Time Enemy”. AGRIMEDIA, 7(1): 30-35 Quéré, Agnès Bénassy dan Laurence Boone. 2010. “Eurozone Crisis: Debts, Institutions and Growth”. LA LATTRE DU CEPII, No. 300 Zhang, W. and J. Zhuang. 2002. “Leading Indicators of Business Cycle in Malaysia and Philippines”. ERD Working Paper No. 32

LAMPIRAN

134

LAMPIRAN

Lampiran 1. Variabel yang digunakan dalam penelitian Kode

Nama Variabel

Sumber

Var01

M2 (Uang Beredar Luas)

Bank Indonesia

Var02

M1

Bank Indonesia

Var03

Uang Kuasi

Bank Indonesia

Var04

Aktiva Luar Negeri Bersih

Bank Indonesia

Var05

Tagihan Bersih Kepada Pemerintah Pusat

Bank Indonesia

Var06

Suku Bunga LIBOR 3 bulan

Bank Indonesia

Var07

Suku Bunga LIBOR 6 bulan

Bank Indonesia

Var08

Suku Bunga LIBOR 1 tahun

Bank Indonesia

Var09

US Prime Rates

Bank Indonesia

Var10

Japan Prime Rates

Bank Indonesia

Var11

Produk Domestik Bruto (berdasarkan harga konstan)

Bank Indonesia

Var12

Pengeluaran Konsumsi Total

Bank Indonesia

Var13

Pengeluaran Konsumsi Rumah Tangga

Bank Indonesia

Var14

Pengeluaran Konsumsi Pemerintah

Bank Indonesia

Var15

Pembentukan Modal Tetap Domestik Bruto

Bank Indonesia

Var16

Perubahan Stok

Bank Indonesia

Var17

Ekspor Barang dan Jasa

Bank Indonesia

Var18

Impor Barang dan Jasa

Bank Indonesia

Var19

Posisi Giro Rupiah Bank Umum yang Dimiliki Bukan Penduduk

Bank Indonesia

Var20

Posisi Giro Rupiah Bank Umum yang Dimiliki Perseorangan

Bank Indonesia

Var21

Posisi Giro Rupiah Bank Umum yang dimiliki Pemerintah Pusat

Bank Indonesia

Var22

Posisi Giro Rupiah Bank Umum yang dimiliki Perusahaan Asuransi Swasta

Bank Indonesia

Var23

Kurs Tengah Mata Uang AUD Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var24

Kurs Tengah Mata Uang CAD Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var25

Kurs Tengah Mata Uang CHF Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var26

Kurs Tengah Mata Uang GBP Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var27

Kurs Tengah Mata Uang HKD Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var28

Kurs Tengah Mata Uang JPY-100 Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var29

Kurs Tengah Mata Uang MYR Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var30

Kurs Tengah Mata Uang SGD Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var31

Kurs Tengah Mata Uang USD Terhadap Rupiah di Bank Indonesia

Bank Indonesia

Var32

Posisi Simpanan Masyarakat (Rupiah) di Bank Umum&BPR

Bank Indonesia

Var33

Posisi Simpanan Masyarakat (Valas) di Bank Umum&BPR Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan Bank Persero

Bank Indonesia

Var34

Bank Indonesia

135

Var35

Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan Bank Persero

Bank Indonesia

Var36

Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan BPD

Bank Indonesia

Var37

Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan BPD Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan Bank Asing dan Campuran Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan Bank Asing dan Campuran

Bank Indonesia

Bank Indonesia

Var45

Posisi Simpanan Berjangka (Rupiah Dan Valas) Bank Umum Dan BPR Posisi Simpanan Berjangka 1 bulan (Rupiah Dan Valas) Bank Umum Dan BPR Posisi Simpanan Berjangka 3 bulan (Rupiah Dan Valas) Bank Umum Dan BPR Posisi Simpanan Berjangka 6 bulan (Rupiah Dan Valas) Bank Umum Dan BPR Posisi Simpanan Berjangka 12 bulan (Rupiah Dan Valas) Bank Umum Dan BPR Posisi Simpanan Berjangka 24 bulan (Rupiah Dan Valas) Bank Umum Dan BPR

Var46

Suku Bunga Simpanan Berjangka (Rupiah) di Bank Persero - 1 Bulan

Bank Indonesia

Var47


Bank Indonesia

Var48


Bank Indonesia

Var49


Bank Indonesia

Var50


Bank Indonesia

Var38 Var39 Var40 Var41 Var42 Var43 Var44

Bank Indonesia Bank Indonesia

Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia

Var59

Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 1 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 3 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 6 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 12 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 24 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Asing dan Campuran - 1 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Asing dan Campuran - 3 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Asing dan Campuran - 6 Bulan Suku Bunga Simpanan Berjangka (Rupiah) di Bank Asing dan Campuran - 12 Bulan

Var60

Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum - 1 Bulan

Bank Indonesia

Var61


Bank Indonesia

Var62


Bank Indonesia

Var63


Bank Indonesia

Var64


Bank Indonesia

Var65

Laju Inflasi Amerika Serikat

Bank Indonesia

Var66

Laju Inflasi Jepang

Bank Indonesia

Var67

Laju Inflasi Jerman

Bank Indonesia

Var68

Laju Inflasi Inggris

Bank Indonesia

Var51 Var52 Var53 Var54 Var55 Var56 Var57 Var58

Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia Bank Indonesia

136

Var69

Laju Inflasi Italia

Bank Indonesia

Var70

Laju Inflasi Perancis

Bank Indonesia

Var71

Laju Inflasi Kanada

Bank Indonesia

Var72

Laju Inflasi Korea Selatan

Bank Indonesia

Var73

Laju Inflasi Hongkong

Bank Indonesia

Var74

Laju Inflasi Taiwan

Bank Indonesia

Var75

Laju Inflasi Singapura

Bank Indonesia

Var76

Laju Inflasi Indonesia

Bank Indonesia

Var77

Laju Inflasi Malaysia

Bank Indonesia

Var78

Laju Inflasi Thailand

Bank Indonesia

Var79

Laju Inflasi Filipina

Bank Indonesia

Var80

Local equity market index of Indonesia (valued in Rupiah)

World Bank

Var81

Local equity market index of Indonesia (valued in Dollar)

World Bank

Var82

Total Reserve Indonesia

World Bank

Var83

Total Reserve USA

World Bank

Var84

Stock Markets USA (dollar)

World Bank

Var85

Exports Merchandise USA,

World Bank

Var86

Imports Merchandise USA

World Bank

Var87

Industrial Production USA

World Bank

Var88

Agriculture, 2005=100, nominal$

World Bank

Var89

Agr: Food, 2005=100, nominal$

World Bank

Var90

Crude oil, avg, spot, $/bbl, nominal$

World Bank

Var91

Energy, 2005=100, nominal$

World Bank

Var92

Gold, $/toz, nominal$

World Bank

Var93

Palm oil, $/mt, nominal$

World Bank

Var94

Agr: Raw materials, 2005=100, nominal$

World Bank

Var95

Penerimaan Perpajakan

Bank Indonesia

Var96

M2/Cadangan Devisa

Bank Indonesia

Var97

Merchandise Imports of Indonesia, insurance and freight basis (c.i.f.) basis

World Bank

Var98

Merchandise Exports Indonesia, insurance and freight (f.o.b) basis

World Bank

Var99

Merchandise Exports USA, insurance and freight (f.o.b) basis

World Bank

Var100

Merchandise Imports of USA, insurance and freight basis (c.i.f.) basis

World Bank

Var101

Real Effective Exchange Rate

World Bank

Var102

Interest rate spread (lending rate minus deposit rate, %)

World Bank

Var103

SBI 1 Bulan

Bank Indonesia

Var104

Private Saving to GDP

Bank Indonesia

Var105

Loan to GDP

Var106

IHSG

Bank Indonesia Bursa Efek Jakarta

Var107

LQ 45

Bursa Efek

137

Jakarta Var108

Nilai Ekspor Indonesia ke Amerika Serikat

Bank Indonesia

Var109

Nilai Ekspor Indonesia ke Jepang

Bank Indonesia

Var110

Harga Beras Internasional Bangkok

World Bank

Var111

Nominal Effective Exchange Rate

World Bank

138

Lampiran 2. Hasil Cross Correlation Test Kandidat Coincident Indicator

1. Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Dari Bank Asing dan Campuran (Kode : Var38)

2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum (Kode : Var62)

139

3. Variabel Laju Inflasi Indonesia (Kode : Var76)

4. Variabel Harga Komoditi Mentah Pertanian Dunia (Kode : Var 94)

140

5. Variabel SBI 1 Bulan (Kode : Var103)

6. Interest rate spread (lending rate minus deposit rate) (Kode : Var102)

141

Lampiran 3. Hasil Cross Correlation Test Kandidat Leading Indicator 1. Suku Bunga LIBOR 6 Bulan (Kode : Var07)

2. Variabel Laju Inflasi Jepang (Kode : Var66)

142

3. Variabel M2/Cadangan Devisa (Kode : Var 96)

4. Loan to GDP (Kode : Var105)

143

5. Variabel LQ 45 (Kode : Var107)

6. Nominal Effective Exchange Rate (Kode : Var111)

144

Lampiran 4. Hasil Cross Correlation Test Kandidat Kandidat Lagging Indicator 1. Suku Bunga Pinjaman (Modal Kerja) Rupiah Yang Diberikan Persero (Kode : Var 34)

Bank

2. Variabel Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum 24 Bulan (Kode : Var 64)

145

3. Imports Merchandise constant (US$, millions) (Kode : Var97)

4. Local equity market index (valued in US$ terms) (Kode : Var81)

146

Lampiran 5. Hasil Pengujian Granger Causality Test Kandidat Coincident Indicator 1. Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Dari Bank Asing dan Campuran (Kode : Var38)

147

2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum (Kode : Var62)

148

3. Variabel Laju Inflasi Indonesia (Kode : Var76)

149

4. Variabel Harga Komoditi Mentah Pertanian Dunia (Kode : Var 94)

150

5. Variabel SBI 1 Bulan (Kode : Var103)

151

6. Interest rate spread (lending rate minus deposit rate) (Kode : Var102)

152

Lampiran 6. Hasil Pengujian Granger Causality Test Kandidat Leading Indicator 1. Suku Bunga LIBOR 6 Bulan (Kode : Var07)

153

2. Variabel Laju Inflasi Jepang (Kode : Var66)

154

3. Variabel M2/Cadangan Devisa (Kode : Var 96)

155

4. Loan to GDP (Kode : Var105)

156

5. Variabel LQ 45 (Kode : Var107)

157

6. Nominal Effective Exchange Rate (Kode : Var111)

158

Lampiran 7. Hasil Pengujian Granger Causality Test Kandidat Laggging Indicator 1. Suku Bunga Pinjaman (Modal Kerja) Rupiah Yang Diberikan Persero (Kode : Var 34)

Bank

159

2. Variabel Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum - 24 Bulan (Kode : Var 64)

160

3. Imports Merchandise constant (US$, millions) (Kode : Var97)

161

4. Local equity market index (valued in US$ terms) (Kode : Var81)

162

Lampiran 8. Perbandingan Grafik Variabel Kandidat Coincident Indicator Sebelum dan Sesudah Melalui X-12 ARIMA

Sebelum Mengalami Proses X-12 ARIMA

Sesudah Mengalami X-12ARIMA

Perbandingan Grafik Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Yang Diberikan Bank Asing dan Campuran Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman



Perbandingan Grafik Variabel Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

163



Perbandingan Grafik Variabel Harga Komoditi Mentah Pertanian Dunia Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman



Perbandingan Grafik Variabel SBI 1 Bulan Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

164

Lampiran 9. Perhitungan Composite Coincident Debt Index Periode

mt var38

mt var62

mt var103

mt var102

Feb-90

-0.02898

-0.05583

-0.01729

0.0419

Mar-90

-0.02898

-0.05816

-0.0172

Apr-90

-0.01932

-0.07677

May-90

-0.00966

Jun-90 Jul-90

it

200+it

200-it

It

-0.0602

199.9398

200.0602

99.93981

0.039192

-0.06515

199.9349

200.0651

99.87472

-0.01707

0.035131

-0.07803

199.922

200.078

99.79683

-0.06514

-0.01689

0.029716

-0.06197

199.938

200.062

99.735

0.057963

0.002326

-0.01666

0.022947

0.066572

200.0666

199.9334

99.80142

0.048303

0.009306

-0.0164

0.014824

0.056035

200.056

199.944

99.85735

Aug-90

0.135248

0.123301

-0.01609

0.005348

0.24781

200.2478

199.7522

100.1051

Sep-90

-0.01932

0.141912

-0.01573

-0.00548

0.101378

200.1014

199.8986

100.2067

Oct-90

0.106266

0.116322

-0.01533

-0.01767

0.189592

200.1896

199.8104

100.3968

Nov-90

-0.00966

0.160524

-0.01489

-0.0312

0.104774

200.1048

199.8952

100.5021

Dec-90

0.096606

0.223337

-0.0144

-0.0461

0.259452

200.2595

199.7405

100.7632

Jan-91

0.086945

0.193094

-0.01414

-0.04511

0.220796

200.2208

199.7792

100.9859

Jan-90

Feb-91

-0.00966

0.160524

-0.01368

-0.05794

0.079241

200.0792

199.9208

101.0659

Mar-91

0.33812

0.535079

-0.0133

-0.06737

0.79253

200.7925

199.2075

101.8701

Apr-91

0

0.169829

-0.01299

-0.07339

0.083447

200.0834

199.9166

101.9551

May-91

-0.11593

-0.00233

-0.01276

-0.076

-0.20702

199.793

200.207

101.7443

Jun-91

-0.0483

0.127954

-0.01261

-0.0752

-0.00816

199.9918

200.0082

101.736

Jul-91

0

-0.07212

-0.01253

-0.071

-0.15565

199.8444

200.1556

101.5778

Aug-91

0

0.030244

-0.01253

-0.06338

-0.04567

199.9543

200.0457

101.5314

Sep-91

-0.25117

-0.22334

-0.01261

-0.05235

-0.53948

199.4605

200.5395

100.9851

Oct-91

0.106266

-0.10934

-0.01276

-0.03792

-0.05376

199.9462

200.0538

100.9308

Nov-91

-0.00966

-0.06514

-0.01299

-0.02008

-0.10787

199.8921

200.1079

100.822

Dec-91

-0.00966

-0.04188

-0.0133

0.001171

-0.06366

199.9363

200.0637

100.7579

Jan-92

0

-0.06747

-0.01342

0.03242

-0.04847

199.9515

200.0485

100.709

Feb-92

-0.00966

-0.05351

-0.0137

0.054616

-0.02225

199.9778

200.0222

100.6866

Mar-92

-0.02898

-0.03955

-0.01387

0.07435

-0.00805

199.992

200.008

100.6785

Apr-92

0

-0.04653

-0.01393

0.091621

0.031158

200.0312

199.9688

100.7099

May-92

0

-0.10934

-0.0139

0.10643

-0.01681

199.9832

200.0168

100.693

Jun-92

-0.09661

-0.14191

-0.01375

0.118776

-0.1335

199.8665

200.1335

100.5586

Jul-92

-0.05796

-0.05351

-0.01351

0.128659

0.003682

200.0037

199.9963

100.5624

Aug-92

-0.01932

-0.11632

-0.01315

0.136079

-0.01272

199.9873

200.0127

100.5496

Sep-92

-0.05796

-0.1582

-0.01269

0.141037

-0.08782

199.9122

200.0878

100.4613

Oct-92

-0.0483

-0.12795

-0.01213

0.143532

-0.04486

199.9551

200.0449

100.4162

Nov-92

-0.03864

-0.13493

-0.01147

0.143564

-0.04148

199.9585

200.0415

100.3746

Dec-92

-0.06762

-0.08375

-0.01069

0.141134

-0.02093

199.9791

200.0209

100.3536

Jan-93

-0.01932

-0.15354

-0.00959

0.114242

-0.06821

199.9318

200.0682

100.2852

Feb-93

-0.02898

-0.07445

-0.00879

0.109018

-0.0032

199.9968

200.0032

100.282

Mar-93

-0.06086

-0.1233

-0.00806

0.103462

-0.08876

199.9112

200.0888

100.193

165

Apr-93

0.023185

-0.06514

-0.05167

0.097574

0.003948

200.0039

199.9961

100.1969

May-93

0

-0.07212

-0.05233

0.091356

-0.03309

199.9669

200.0331

100.1638

Jun-93

-0.06086

-0.04653

-0.08513

0.084805

-0.10772

199.8923

200.1077

100.056

Jul-93

-0.05893

-0.06049

-0.15543

0.077923

-0.19692

199.8031

200.1969

99.85911

Aug-93

-0.09081

-0.06979

-0.10154

0.07071

-0.19143

199.8086

200.1914

99.66814

Sep-93

-0.10144

-0.09306

0.129655

0.063166

-0.00167

199.9983

200.0017

99.66647

Oct-93

0.019321

-0.114

0.045301

0.05529

0.005917

200.0059

199.9941

99.67237

Nov-93

-0.03091

-0.114

-0.01328

0.047082

-0.1111

199.8889

200.1111

99.56169

Dec-93

-0.03768

-0.10702

-0.05389

0.038543

-0.16004

199.84

200.16

99.40248

Jan-94

0.016423

-0.09306

0

0.022377

-0.05426

199.9457

200.0543

99.34856

Feb-94

-0.04734

-0.08608

-0.04843

0.012931

-0.16891

199.8311

200.1689

99.18089

Mar-94

-0.00097

-0.08608

0.018745

0.002909

-0.06539

199.9346

200.0654

99.11606

Apr-94

0.00483

-0.02792

0.021088

-0.00769

-0.00969

199.9903

200.0097

99.10646

May-94

0.015457

-0.00698

0.073419

-0.01886

0.063037

200.063

199.937

99.16895

Jun-94

0.008695

0.023264

0.02187

-0.03061

0.02322

200.0232

199.9768

99.19198

Jul-94

0.026084

0.034896

0.058579

-0.04293

0.076628

200.0766

199.9234

99.26802

Aug-94

0.028016

0.053508

0.014059

-0.05583

0.039752

200.0398

199.9602

99.30749

Sep-94

0.007728

0.069793

0.053112

-0.06931

0.061328

200.0613

199.9387

99.36841

Oct-94

0.037676

0.062814

0.034366

-0.08336

0.051501

200.0515

199.9485

99.4196

Nov-94

-0.02222

0.039549

0.014059

-0.09798

-0.06659

199.9334

200.0666

99.35341

Dec-94

0.04154

0.074446

0.021088

-0.11318

0.023892

200.0239

199.9761

99.37716

Jan-95

0.069556

0.062814

0.047644

-0.11624

0.063776

200.0638

199.9362

99.44055

Feb-95

0.035744

0.102363

0.047644

-0.12991

0.055846

200.0558

199.9442

99.4961

Mar-95

0

0.123301

0

-0.14146

-0.01816

199.9818

200.0182

99.47803

Apr-95

0.049269

0.083752

0

-0.15091

-0.01789

199.9821

200.0179

99.46024

May-95

0.03671

0.086078

0

-0.15825

-0.03546

199.9645

200.0355

99.42498

Jun-95

0.021253

0.100037

0

-0.16348

-0.04219

199.9578

200.0422

99.38304

Jul-95

-0.00676

0.088404

0

-0.1666

-0.08495

199.915

200.085

99.29865

Aug-95

-0.00773

0.090731

0

-0.1676

-0.0846

199.9154

200.0846

99.21467

Sep-95

0.00483

0.051181

0

-0.1665

-0.11049

199.8895

200.1105

99.10511

Oct-95

0.002898

0.025591

0

-0.16329

-0.1348

199.8652

200.1348

98.9716

Nov-95

-0.00869

0.018611

0

-0.15797

-0.14806

199.8519

200.1481

98.82518

Dec-95

0.02705

0.009306

0

-0.15054

-0.11419

199.8858

200.1142

98.71239

Jan-96

-0.00386

-0.01163

-0.0906

-0.10827

-0.21437

199.7856

200.2144

98.50101

Feb-96

-0.01256

-0.00698

0

-0.09675

-0.11629

199.8837

200.1163

98.38653

Mar-96

-0.00483

0.002326

0

-0.08324

-0.08575

199.9143

200.0857

98.3022

Apr-96

0.005796

0.002326

0

-0.06775

-0.05963

199.9404

200.0596

98.2436

May-96

-0.01159

0.004653

0

-0.05028

-0.05722

199.9428

200.0572

98.18741

Jun-96

-0.02222

-0.00233

0

-0.03082

-0.05536

199.9446

200.0554

98.13306

Jul-96

0

0.011632

0

-0.00937

0.002261

200.0023

199.9977

98.13528

Aug-96

-0.02319

-0.00233

0

0.014057

-0.01145

199.9885

200.0115

98.12404

166

Sep-96

-0.0029

-0.00233

0

0.03947

0.034245

200.0342

199.9658

98.15765

Oct-96

-0.00676

-0.00233

0

0.066866

0.057778

200.0578

199.9422

98.21438

Nov-96

-0.01449

-0.00698

0

0.096247

0.074777

200.0748

199.9252

98.28785

Dec-96

-0.01159

-0.02559

0

0.127612

0.090429

200.0904

199.9096

98.37677

Jan-97

-0.02319

-0.02326

0.585791

0.082653

0.621994

200.622

199.378

98.99058

Feb-97

-0.02995

-0.03955

0

0.10451

0.035013

200.035

199.965

99.02524

Mar-97

-0.01932

-0.03257

0

0.114875

0.062984

200.063

199.937

99.08763

Apr-97

0.033812

-0.04653

0

0.113748

0.101032

200.101

199.899

99.18779

May-97

0.006762

-0.04188

0

0.101129

0.066016

200.066

199.934

99.25329

Jun-97

-0.03478

-0.03722

0

0.077019

0.005018

200.005

199.995

99.25827

Jul-97

0.042506

-0.02792

0

0.041416

0.056005

200.056

199.944

99.31388

Aug-97

1.2665

0.060487

0

-0.00568

1.321308

201.3213

198.6787

100.6348

Sep-97

-0.33812

0.093057

0

-0.06427

-0.30933

199.6907

200.3093

100.324

Oct-97

-0.1565

0.067466

0

-0.13434

-0.22338

199.7766

200.2234

100.1002

Nov-97

-0.06569

0.002326

0

-0.21592

-0.27928

199.7207

200.2793

99.82101

Dec-97

-0.33136

0.067466

0

-0.30898

-0.57287

199.4271

200.5729

99.2508

Jan-98

0.938041

0.079099

0

-0.33814

0.679

200.679

199.321

99.92701

Feb-98

0.230888

0.141912

0.156211

-0.42244

0.106571

200.1066

199.8934

100.0336

Mar-98

0.216397

0.265213

1.796425

-0.48648

1.79155

201.7915

198.2085

101.8419

Apr-98

0.296579

0.041876

0.390527

-0.53028

0.198707

200.1987

199.8013

102.0445

May-98

0.552584

0.583934

0.624843

-0.55381

1.207551

201.2076

198.7924

103.2842

Jun-98

0.158433

0.458307

0

-0.55709

0.059649

200.0596

199.9404

103.3458

Jul-98

0.203838

0.867759

0.559235

-0.54012

1.090715

201.0907

198.9093

104.4792

Aug-98

0.256971

0.772375

0.412397

-0.50289

0.938855

200.9389

199.0611

105.4648

Sep-98

0.221227

0.888697

-0.4452

-0.4454

0.21932

200.2193

199.7807

105.6963

Oct-98

-0.10047

0.395493

-0.66858

-0.36766

-0.74122

199.2588

200.7412

104.9158

Nov-98

-0.33812

0.237296

-0.74669

-0.26967

-1.11718

198.8828

201.1172

103.7502

Dec-98

-0.44922

-0.12097

-0.86697

-0.15142

-1.58858

198.4114

201.5886

102.115

Jan-99

-0.15457

-0.24428

0.078886

0.025528

-0.29443

199.7056

200.2944

101.8148

Feb-99

-0.02029

-0.26987

0.061703

0.149311

-0.07914

199.9209

200.0791

101.7342

Mar-99

-0.06666

-0.46529

0.007811

0.258374

-0.26576

199.7342

200.2658

101.4642

Apr-99

-0.11496

-0.31639

-0.32882

0.352716

-0.40746

199.5925

200.4075

101.0516

May-99

-0.39995

-0.46761

-0.55377

0.432338

-0.98899

199.011

200.989

100.0572

Jun-99

-0.58929

-0.69793

-0.56861

0.497239

-1.35859

198.6414

201.3586

98.70697

Jul-99

-0.54389

-0.74678

-0.39365

0.547419

-1.13691

198.8631

201.1369

97.59111

Aug-99

-0.29272

-0.3606

-0.0578

0.582879

-0.12823

199.8718

200.1282

97.46605

Sep-99

-0.08984

-0.17448

-0.00469

0.603618

0.334606

200.3346

199.6654

97.79272

Oct-99

-0.05023

-0.19542

0.004686

0.609637

0.368668

200.3687

199.6313

98.15392

Nov-99

-0.02512

-0.96314

-0.00859

0.600935

-0.39592

199.6041

200.3959

97.76608

Dec-99

1.01919

-0.33966

-0.07967

0.577513

1.177377

201.1774

198.8226

98.92397

Jan-00

-1.19308

-0.20007

-0.06014

0.420127

-1.03317

198.9668

201.0332

97.90718

167

Feb-00

-0.03864

-0.0884

-0.01093

0.381503

0.243521

200.2435

199.7565

98.14589

Mar-00

-0.0454

-0.0349

-0.00859

0.342397

0.253504

200.2535

199.7465

98.39501

Apr-00

-0.01739

-0.02559

-0.00234

0.30281

0.257487

200.2575

199.7425

98.64869

May-00

-0.03864

-0.06747

0.01484

0.262741

0.171472

200.1715

199.8285

98.81799

Jun-00

0.016423

-0.01396

0.098413

0.22219

0.323068

200.3231

199.6769

99.13776

Jul-00

0.03188

0

0.093726

0.181158

0.306765

200.3068

199.6932

99.44234

Aug-00

-0.00386

0.03257

0.002343

0.139645

0.170694

200.1707

199.8293

99.61223

Sep-00

-0.08984

0.027917

0.004686

0.09765

0.04041

200.0404

199.9596

99.65249

Oct-00

0

0.023264

0.009373

0.055174

0.087811

200.0878

199.9122

99.74004

Nov-00

0.008695

0.093057

0.032023

0.012216

0.145991

200.146

199.854

99.88575

Dec-00

0.052167

0.034896

0.02968

-0.03122

0.08552

200.0855

199.9145

99.97121

Jan-01

-0.01449

0.055834

0.016402

-0.0335

0.024246

200.0242

199.9758

99.99545

Feb-01

0.008695

0.088404

0.003905

-0.07186

0.029144

200.0291

199.9709

100.0246

Mar-01

0.037676

0.137259

0.061703

-0.10466

0.131981

200.132

199.868

100.1567

Apr-01

0.115927

0.076772

0.039834

-0.1319

0.100637

200.1006

199.8994

100.2575

May-01

-0.03574

0.037223

0.018745

-0.15357

-0.13335

199.8667

200.1333

100.1239

Jun-01

0.090809

0

0.024994

-0.16969

-0.05388

199.9461

200.0539

100.07

Jul-01

0.056997

-0.01861

0.040615

-0.18024

-0.10124

199.8988

200.1012

99.96875

Aug-01

0.015457

0.053508

0.039053

-0.18523

-0.07722

199.9228

200.0772

99.89159

Sep-01

0.042506

0.06514

-0.00781

-0.18466

-0.08483

199.9152

200.0848

99.80689

Oct-01

-0.00676

0.069793

0.000781

-0.17853

-0.11472

199.8853

200.1147

99.69245

Nov-01

0.010627

0.062814

0.001562

-0.16684

-0.09184

199.9082

200.0918

99.60094

Dec-01

-0.01836

0.039549

0.001562

-0.14959

-0.12683

199.8732

200.1268

99.47469

Jan-02

-0.01063

0.034896

-0.05389

-0.08925

-0.11887

199.8811

200.1189

99.35651

Feb-02

0.034778

0.009306

-0.00547

-0.06718

-0.02856

199.9714

200.0286

99.32814

Mar-02

0.008695

-0.02559

-0.00781

-0.04584

-0.07055

199.9295

200.0705

99.25809

Apr-02

-0.07825

-0.05816

-0.01172

-0.02525

-0.17337

199.8266

200.1734

99.08615

May-02

0.013525

-0.04188

-0.08592

-0.00539

-0.11966

199.8803

200.1197

98.96765

Jun-02

-0.08405

-0.02326

-0.03124

0.013726

-0.12483

199.8752

200.1248

98.84419

Jul-02

0.007728

-0.04188

-0.01406

0.032104

-0.0161

199.9839

200.0161

98.82828

Aug-02

-0.03768

-0.08608

-0.0453

0.049742

-0.11931

199.8807

200.1193

98.71043

Sep-02

-0.05023

-0.08608

-0.08826

0.066642

-0.15793

199.8421

200.1579

98.55466

Oct-02

-0.08308

-0.08143

-0.00937

0.082801

-0.09108

199.9089

200.0911

98.46494

Nov-02

-0.02029

-0.07677

-0.00312

0.098222

-0.00196

199.998

200.002

98.46301

Dec-02

-0.02705

-0.0791

-0.01015

0.112903

-0.0034

199.9966

200.0034

98.45966

Jan-03

-0.00193

-0.03955

-0.01875

0.107174

0.046947

200.0469

199.9531

98.5059

Feb-03

0.001932

-0.02559

-0.03515

0.119416

0.06061

200.0606

199.9394

98.56562

Mar-03

-0.07825

-0.06747

-0.06561

0.129959

-0.08137

199.9186

200.0814

98.48545

Apr-03

-0.03671

-0.04886

-0.02656

0.138802

0.026681

200.0267

199.9733

98.51173

May-03

-0.03188

-0.0884

-0.04843

0.145945

-0.02276

199.9772

200.0228

98.48931

Jun-03

-0.07632

-0.09771

-0.07108

0.151389

-0.09372

199.9063

200.0937

98.39705

168

Jul-03

-0.06859

-0.13493

-0.03359

0.155133

-0.08198

199.918

200.082

98.31642

Aug-03

-0.04154

-0.1233

-0.01484

0.157177

-0.0225

199.9775

200.0225

98.2943

Sep-03

-0.03574

-0.14657

-0.01953

0.157522

-0.04431

199.9557

200.0443

98.25075

Oct-03

-0.03478

-0.14424

-0.01406

0.156167

-0.03691

199.9631

200.0369

98.2145

Nov-03

-0.03478

-0.14889

0.000781

0.153113

-0.02978

199.9702

200.0298

98.18526

Dec-03

-0.01449

-0.22334

-0.01406

0.148359

-0.10353

199.8965

200.1035

98.08366

Jan-04

-0.00676

-0.14424

-0.03515

0.121669

-0.06448

199.9355

200.0645

98.02044

Feb-04

-0.02898

-0.114

-0.02968

0.114368

-0.05829

199.9417

200.0583

97.96332

Mar-04

-0.03381

-0.08143

-0.00469

0.106219

-0.0137

199.9863

200.0137

97.94989

Apr-04

-0.0058

-0.0791

-0.00703

0.097222

0.005298

200.0053

199.9947

97.95508

May-04

-0.02608

-0.02326

-0.00078

0.087378

0.03725

200.0372

199.9628

97.99158

Jun-04

-0.00097

0.002326

0.001562

0.076687

0.079609

200.0796

199.9204

98.06962

Jul-04

-0.01063

0.016285

0.001562

0.065148

0.072368

200.0724

199.9276

98.14062

Aug-04

-0.01642

0.062814

0.000781

0.052761

0.099933

200.0999

199.9001

98.23874

Sep-04

0.058929

0.044202

0.001562

0.039526

0.14422

200.1442

199.8558

98.38052

Oct-04

-0.06859

0.023264

0.001562

0.025445

-0.01832

199.9817

200.0183

98.3625

Nov-04

-0.01063

0.016285

0

0.010515

0.016173

200.0162

199.9838

98.37841

Dec-04

-0.01352

0.013959

0.001562

-0.00526

-0.00327

199.9967

200.0033

98.3752

Jan-05

-0.01352

-0.00931

-0.00078

-0.01945

-0.04306

199.9569

200.0431

98.33284

Feb-05

0.026084

0.037223

0.000781

-0.03497

0.029121

200.0291

199.9709

98.36148

Mar-05

-0.03188

0.025591

0.000781

-0.04937

-0.05488

199.9451

200.0549

98.30752

Apr-05

0.018355

-0.05816

0.020307

-0.06266

-0.08216

199.9178

200.0822

98.22678

May-05

0.012559

0.002326

0.019526

-0.07484

-0.04043

199.9596

200.0404

98.18708

Jun-05

0.015457

0

0.023432

-0.08591

-0.04702

199.953

200.047

98.14092

Jul-05

0.024151

0.041876

0.018745

-0.09587

-0.0111

199.9889

200.0111

98.13002

Aug-05

0.045405

0.034896

0.079668

-0.10472

0.05525

200.0552

199.9448

98.18426

Sep-05

0.214465

0.132607

0.038272

-0.11246

0.272887

200.2729

199.7271

98.45255

Oct-05

0.049269

0.141912

0.078105

-0.11908

0.150205

200.1502

199.8498

98.60055

Nov-05

0.079217

0.179135

0.097632

-0.1246

0.231387

200.2314

199.7686

98.82896

Dec-05

0.059896

0.181462

0.039053

-0.129

0.151409

200.1514

199.8486

98.97871

Jan-06

-0.00097

0.23497

0

-0.10512

0.128888

200.1289

199.8711

99.10636

Feb-06

-0.01159

0.120974

0

-0.10615

0.003236

200.0032

199.9968

99.10957

Mar-06

-0.01642

0.093057

0

-0.10491

-0.02828

199.9717

200.0283

99.08155

Apr-06

-0.01352

0.023264

0

-0.10142

-0.09168

199.9083

200.0917

98.99075

May-06

0.001932

0

-0.01953

-0.09566

-0.11326

199.8867

200.1133

98.8787

Jun-06

-0.04251

-0.02559

0

-0.08764

-0.15574

199.8443

200.1557

98.72482

Jul-06

-0.0029

-0.02792

-0.01953

-0.07736

-0.12771

199.8723

200.1277

98.59883

Aug-06

-0.01932

-0.04188

-0.03905

-0.06482

-0.16507

199.8349

200.1651

98.4362

Sep-06

-0.06762

-0.06281

-0.03905

-0.05001

-0.2195

199.7805

200.2195

98.22037

Oct-06

-0.01352

-0.06049

-0.03905

-0.03294

-0.14601

199.854

200.146

98.07706

Nov-06

-0.07535

-0.06514

-0.03905

-0.01361

-0.19316

199.8068

200.1932

97.8878

169

Dec-06

-0.03574

-0.06514

-0.03905

0.007979

-0.13196

199.868

200.132

97.75871

Jan-07

-0.05603

-0.10004

-0.01953

0.020031

-0.15556

199.8444

200.1556

97.60676

Feb-07

-0.03864

-0.10934

-0.01953

0.040271

-0.12724

199.8728

200.1272

97.48264

Mar-07

0.009661

-0.11865

-0.01953

0.056895

-0.07162

199.9284

200.0716

97.41285

Apr-07

-0.01836

-0.09306

0

0.069905

-0.04151

199.9585

200.0415

97.37242

May-07

-0.01836

-0.06979

-0.01953

0.079298

-0.02838

199.9716

200.0284

97.3448

Jun-07

-0.02898

-0.0442

-0.01953

0.085077

-0.00763

199.9924

200.0076

97.33737

Jul-07

0

-0.04653

-0.01953

0.087239

0.021184

200.0212

199.9788

97.35799

Aug-07

-0.00097

-0.04653

0

0.085787

0.038292

200.0383

199.9617

97.39528

Sep-07

0.018355

-0.04653

0

0.080718

0.052545

200.0525

199.9475

97.44647

Oct-07

0.014491

-0.00931

0

0.072035

0.07722

200.0772

199.9228

97.52174

Nov-07

0.005796

-0.01396

0

0.059735

0.051573

200.0516

199.9484

97.57205

Dec-07

-0.00193

-0.01163

-0.01953

0.043821

0.01073

200.0107

199.9893

97.58252

Jan-08

-0.0058

-0.00698

0

0.01458

0.001804

200.0018

199.9982

97.58428

Feb-08

-0.01546

-0.00698

-0.00547

-0.00267

-0.03057

199.9694

200.0306

97.55445

Mar-08

0.000966

-0.00465

0.002343

-0.01764

-0.01899

199.981

200.019

97.53593

Apr-08

0.086945

0

0.002343

-0.03034

0.058951

200.059

199.941

97.59344

May-08

-0.03671

0.016285

0.024994

-0.04075

-0.03618

199.9638

200.0362

97.55814

Jun-08

0.043473

0.034896

0.032804

-0.04889

0.062286

200.0623

199.9377

97.61892

Jul-08

0.028982

0.067466

0.039053

-0.05474

0.080757

200.0808

199.9192

97.69779

Aug-08

0.03671

0.081425

0.003905

-0.05832

0.063719

200.0637

199.9363

97.76006

Sep-08

0.089843

0.165177

0.033585

-0.05962

0.228984

200.229

199.771

97.98417

Oct-08

0.116893

0.083752

0.099194

-0.05864

0.241198

200.2412

199.7588

98.22079

Nov-08

0.072454

0.109342

0.020307

-0.05538

0.146722

200.1467

199.8533

98.36501

Dec-08

0.001932

0.086078

-0.03202

-0.04984

0.006143

200.0061

199.9939

98.37105

Jan-09

-0.01159

0.051181

-0.10388

-0.02754

-0.09183

199.9082

200.0918

98.28076

Feb-09

-0.03091

0.013959

-0.05936

-0.02013

-0.09645

199.9036

200.0964

98.18602

Mar-09

-0.0029

-0.03955

-0.0414

-0.01314

-0.09698

199.903

200.097

98.09084

Apr-09

-0.03671

-0.0349

-0.04843

-0.00656

-0.12659

199.8734

200.1266

97.96674

May-09

-0.02705

-0.06049

-0.02656

-0.00039

-0.11448

199.8855

200.1145

97.85465

Jun-09

-0.01739

-0.06747

-0.02343

0.005368

-0.10292

199.8971

200.1029

97.75399

Jul-09

-0.03574

-0.06979

-0.01875

0.010714

-0.11357

199.8864

200.1136

97.64304

Aug-09

-0.03188

-0.0791

-0.01015

0.015648

-0.10548

199.8945

200.1055

97.54009

Sep-09

-0.02222

-0.09306

-0.00781

0.02017

-0.10292

199.8971

200.1029

97.43976

Oct-09

-0.01352

-0.05583

0.000781

0.02428

-0.0443

199.9557

200.0443

97.3966

Nov-09

-0.0029

-0.05816

-0.00156

0.027978

-0.03464

199.9654

200.0346

97.36287

Dec-09

-0.04251

-0.08143

-0.00078

0.031265

-0.09345

199.9066

200.0934

97.27193

Jan-10

-0.03768

-0.06514

-0.00078

0.031782

-0.07182

199.9282

200.0718

97.2021

Feb-10

-0.02898

-0.05118

-0.00312

0.034763

-0.04852

199.9515

200.0485

97.15494

Mar-10

-0.00193

-0.01396

-0.01093

0.037851

0.011025

200.011

199.989

97.16565

Apr-10

-0.01932

-0.03955

-0.00547

0.041045

-0.02329

199.9767

200.0233

97.14302

170

May-10

-0.01449

-0.02326

0.007811

0.044345

0.0144

200.0144

199.9856

97.15701

Jun-10

-0.01449

-0.01163

-0.00312

0.047751

0.018504

200.0185

199.9815

97.17499

Jul-10

0.003864

0

0.018745

0.051264

0.073874

200.0739

199.9261

97.24681

Aug-10

-0.00097

-0.00233

0

0.054883

0.051591

200.0516

199.9484

97.29699

Sep-10

-0.02512

-0.00465

0

0.058609

0.028838

200.0288

199.9712

97.32505

Oct-10

-0.01449

0.004653

0

0.062441

0.052603

200.0526

199.9474

97.37626

Nov-10

0.011593

0.013959

0

0.066379

0.09193

200.0919

199.9081

97.46582

Dec-10

-0.0029

0.037223

0

0.070423

0.104748

200.1047

199.8953

97.56797

Jan-11

-0.07632

-0.05816

0

0.072582

-0.0619

199.9381

200.0619

97.50759

Feb-11

-0.00966

0.011632

0.019526

0.076387

0.097885

200.0979

199.9021

97.60309

Mar-11

0.010627

0.023264

0

0.079847

0.113737

200.1137

199.8863

97.71416

Apr-11

0.000966

0.004653

0

0.08296

0.088579

200.0886

199.9114

97.80075

May-11

-0.00386

0.006979

0

0.085727

0.088842

200.0888

199.9112

97.88768

Jun-11

0.012559

0

0

0.088148

0.100707

200.1007

199.8993

97.98631

Jul-11

0

-0.00233

0

0.090224

0.087897

200.0879

199.9121

98.07248

Aug-11

-0.02029

0.002326

0

0.091953

0.073993

200.074

199.926

98.14507

Sep-11

-0.01932

0.055834

0

0.093337

0.12985

200.1299

199.8701

98.27259

Oct-11

-0.01063

0.006979

-0.01953

0.094375

0.071201

200.0712

199.9288

98.34259

Nov-11

-0.01642

-0.01163

-0.03905

0.095067

0.027959

200.028

199.972

98.37009

Dec-11

-0.01449

-0.04188

0

0.095413

0.039046

200.039

199.961

98.40851

171

Lampiran 10. Perbandingan Grafik Variabel Kandidat Leading Indicator Sebelum dan Sesudah Melalui X-12 ARIMA

Sebelum Mengalami Proses X-12 ARIMA Sesudah Mengalami X-12 ARIMA Perbandingan Grafik Variabel Suku Bunga LIBOR 6 Bulan Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

Sebelum Mengalami Proses X-12 ARIMA Sesudah Mengalami X-12 ARIMA Perbandingan Grafik Variabel M2/Cadangan Devisa Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

172



Perbandingan Grafik Variabel Loan to GDP Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman


Sesudah Mengalami X-12 ARIMA

Perbandingan Grafik Variabel LQ 45 Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

173


Sesudah Mengalami Proses X-12 ARIMA

Perbandingan Grafik Variabel Nominal Effective Exchange Rate Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

174

Lampiran 11. Perhitungan Composite Leading Index Periode

mt Var07

mt Var66

mt Var96

mt Var111

it

200+it

200-it

It

Jan-90 Feb-90

0.031975

0.04618

0.104368

-0.00758

0.174947

200.1749

199.8251

100.1751

Mar-90

0.010923

0.063966

0.150208

-0.00624

0.218856

200.2189

199.7811

100.3946

Apr-90

-0.08232

-0.14863

0.149451

-0.00775

-0.08926

199.9107

200.0893

100.305

May-90

-0.00982

-0.13243

0.133209

-0.00549

-0.01453

199.9855

200.0145

100.2904

Jun-90

-0.25653

-0.10003

0.083639

-0.00678

-0.2797

199.7203

200.2797

100.0103

Jul-90

-0.0599

-0.03748

0.078701

-0.00678

-0.02547

199.9745

200.0255

99.98485

Aug-90

0.017544

0.023951

0.071216

-0.00918

0.103533

200.1035

199.8965

100.0884

Sep-90

0.051852

0.098217

0.069754

-0.00846

0.211359

200.2114

199.7886

100.3002

Oct-90

-0.05219

0.149117

0.058747

-0.00166

0.154019

200.154

199.846

100.4548

Nov-90

-0.13739

0.1755

0.118205

-0.01392

0.142402

200.1424

199.8576

100.5979

Dec-90

-0.04422

0.141166

0.086026

-0.01311

0.169854

200.1699

199.8301

100.769

Jan-91

-0.06926

0.04423

0.337545

-0.00612

0.306397

200.3064

199.6936

101.0782

Feb-91

-0.28593

-0.02329

-0.24412

-0.00739

-0.56073

199.4393

200.5607

100.513

Mar-91

-0.23091

-0.06328

-0.00893

-0.00955

-0.31267

199.6873

200.3127

100.1992

Apr-91

-0.1629

-0.05904

0.057473

-0.00581

-0.17028

199.8297

200.1703

100.0287

May-91

-0.1112

-0.06022

-0.01516

-0.00798

-0.19456

199.8054

200.1946

99.83431

Jun-91

0.034299

-0.05011

-0.01141

-0.00737

-0.03458

199.9654

200.0346

99.79979

Jul-91

0.026238

-0.02847

0.062883

-0.00275

0.0579

200.0579

199.9421

99.85759

Aug-91

-0.18051

-0.01235

0.00985

-0.00786

-0.19088

199.8091

200.1909

99.66716

Sep-91

-0.11017

-0.00152

0.001931

-0.00478

-0.11453

199.8855

200.1145

99.55308

Oct-91

-0.16109

-0.01915

-0.01787

-0.0048

-0.20292

199.7971

200.2029

99.35127

Nov-91

-0.27937

-0.04574

-0.07431

-0.00768

-0.4071

199.5929

200.4071

98.94763

Dec-91

-0.21884

-0.10448

-0.01786

-0.00441

-0.3456

199.6544

200.3456

98.60626

Jan-92

-0.11098

-0.14944

0.001068

-0.00549

-0.26484

199.7352

200.2648

98.34546

Feb-92

0.022999

-0.15536

0.061659

-0.01034

-0.08104

199.919

200.081

98.26579

Mar-92

0.114567

-0.0763

-0.06677

-0.00147

-0.02998

199.97

200.03

98.23633

Apr-92

-0.13757

0.041512

-0.0342

-0.00563

-0.13589

199.8641

200.1359

98.10293

May-92

-0.13354

0.093729

-0.04767

-0.00471

-0.0922

199.9078

200.0922

98.01253

Jun-92

-0.03848

0.034134

0.025046

-0.00232

0.018385

200.0184

199.9816

98.03055

Jul-92

-0.22894

-0.08275

-0.04795

-0.00447

-0.36411

199.6359

200.3641

97.67426

Aug-92

-0.02245

-0.11647

-0.01154

-0.0006

-0.15105

199.8489

200.1511

97.52683

Sep-92

-0.10109

-0.0125

0.092959

-0.00413

-0.02475

199.9752

200.0248

97.50269

Oct-92

0.057532

0.159278

0.057348

-0.00852

0.265641

200.2656

199.7344

97.76204

Nov-92

0.142164

0.227267

0.002117

-0.0092

0.362349

200.3623

199.6377

98.11692

Dec-92

-0.00468

0.121583

0.032906

-0.00033

0.14948

200.1495

199.8505

98.2637

Jan-93

-0.05566

-0.13064

-0.03818

-0.00173

-0.22621

199.7738

200.2262

98.04167

Feb-93

-0.07033

-0.28246

0.05556

0.001246

-0.29598

199.704

200.296

97.75191

175

Mar-93

-0.06234

-0.30675

0.004589

-0.00145

-0.36595

199.634

200.366

97.39484

Apr-93

-0.02968

-0.16056

-0.04221

-0.00516

-0.23761

199.7624

200.2376

97.1637

May-93

0.022346

-0.05667

0.057286

-0.00474

0.018223

200.0182

199.9818

97.18141

Jun-93

0.02786

0.047854

0.012663

-0.00609

0.082283

200.0823

199.9177

97.2614

Jul-93

0.027559

0.109442

0.0313

-0.00733

0.160968

200.161

199.839

97.41809

Aug-93

-0.00313

0.148925

0.029008

-0.00623

0.168572

200.1686

199.8314

97.58245

Sep-93

-0.02411

0.122728

-0.001

-0.00715

0.090464

200.0905

199.9095

97.67076

Oct-93

-0.00517

0.027188

0.007752

0.002385

0.032159

200.0322

199.9678

97.70218

Nov-93

0.029759

-0.03734

0.070625

0.001574

0.064614

200.0646

199.9354

97.76533

Dec-93

0.016996

-0.07453

0.027628

-0.00303

-0.03293

199.9671

200.0329

97.73314

Jan-94

0.009543

-0.06571

0.02129

-0.00688

-0.04176

199.9582

200.0418

97.69233

Feb-94

0.209837

-0.06123

0.021607

-0.01015

0.160062

200.1601

199.8399

97.84882

Mar-94

0.154245

-0.04243

-0.04576

-0.00576

0.060297

200.0603

199.9397

97.90784

Apr-94

0.150397

-0.03288

0.156241

-0.0039

0.269853

200.2699

199.7301

98.1724

May-94

0.264385

-0.04228

0.026751

-0.00624

0.242615

200.2426

199.7574

98.41087

Jun-94

-0.02362

-0.09421

-0.01745

-0.00465

-0.13992

199.8601

200.1399

98.27327

Jul-94

0.156425

-0.14138

0.043729

-0.00697

0.051809

200.0518

199.9482

98.3242

Aug-94

0.044269

-0.14364

-0.06625

-0.00393

-0.16955

199.8304

200.1696

98.15763

Sep-94

0.143183

-0.12327

-0.00524

-0.00816

0.006512

200.0065

199.9935

98.16402

Oct-94

0.199714

0.152533

-0.00083

-0.00381

0.347603

200.3476

199.6524

98.50583

Nov-94

0.120648

0.150959

-0.0955

-0.0045

0.171602

200.1716

199.8284

98.67502

Dec-94

0.414379

0.104795

0.098919

-0.0036

0.614495

200.6145

199.3855

99.28324

Jan-95

0.004996

-0.04186

0.069152

-0.00234

0.029947

200.0299

199.9701

99.31298

Feb-95

-0.0981

-0.12464

0.043758

-0.00415

-0.18313

199.8169

200.1831

99.13127

Mar-95

-0.0707

-0.1299

-0.04161

-0.00181

-0.24403

199.756

200.244

98.88965

Apr-95

-0.1404

-0.04529

-0.0151

-0.01

-0.21079

199.7892

200.2108

98.68142

May-95

-0.12278

0.006739

0.000285

-0.00466

-0.12042

199.8796

200.1204

98.56266

Jun-95

-0.14032

0.038556

0.009303

-0.0097

-0.10216

199.8978

200.1022

98.46202

Jul-95

-0.04368

0.025078

-0.04222

-0.00819

-0.06901

199.931

200.069

98.39409

Aug-95

0.082011

0.00917

0.051864

-0.00958

0.133464

200.1335

199.8665

98.5255

Sep-95

-0.01323

-0.03425

0.002459

-0.00783

-0.05285

199.9472

200.0528

98.47345

Oct-95

-0.00651

-0.08082

0.014091

-0.00769

-0.08092

199.9191

200.0809

98.3938

Nov-95

-0.08208

-0.10145

0.009191

-0.00796

-0.1823

199.8177

200.1823

98.21459

Dec-95

-0.08032

-0.0718

0.056351

-0.0053

-0.10107

199.8989

200.1011

98.11538

Jan-96

-0.0401

0.004076

0.014721

0.004491

-0.01682

199.9832

200.0168

98.09888

Feb-96

-0.15204

0.052764

-0.09993

-0.01261

-0.21182

199.7882

200.2118

97.89131

Mar-96

0.101739

0.070192

-0.00942

-0.00561

0.156902

200.1569

199.8431

98.04502

Apr-96

0.052682

0.040413

0.034128

-0.00407

0.12315

200.1231

199.8769

98.16584

May-96

0.036716

0.01829

0.013518

-0.01274

0.055787

200.0558

199.9442

98.22062

Jun-96

0.05131

-0.01212

0.005751

0.006539

0.051475

200.0515

199.9485

98.27119

Jul-96

0.032025

-0.02283

0.009425

-0.00575

0.012867

200.0129

199.9871

98.28383

176

Aug-96

-0.01819

-0.01538

0.007422

-0.0115

-0.03765

199.9623

200.0377

98.24684

Sep-96

0.050982

0.038211

0.029604

0.01438

0.133178

200.1332

199.8668

98.37777

Oct-96

-0.08365

0.101442

0.019872

-0.00884

0.028827

200.0288

199.9712

98.40613

Nov-96

-0.04368

0.12334

-0.07891

-0.00836

-0.00761

199.9924

200.0076

98.39865

Dec-96

0.00459

0.067391

-0.05792

-0.00675

0.00731

200.0073

199.9927

98.40584

Jan-97

0.093501

-0.02168

-0.03602

-0.00435

0.031454

200.0315

199.9685

98.4368

Feb-97

0.045504

-0.04945

0.01311

-0.00721

0.001946

200.0019

199.9981

98.43871

Mar-97

0.028107

0.028786

-0.02075

-0.00715

0.02899

200.029

199.971

98.46725

Apr-97

0.055453

0.184153

-0.04787

-0.01194

0.179794

200.1798

199.8202

98.64445

May-97

0.007556

0.272065

-0.05086

-0.00823

0.220524

200.2205

199.7795

98.86223

Jun-97

-0.07649

0.263629

0.053663

-0.00779

0.233015

200.233

199.767

99.09286

Jul-97

-0.05952

0.128824

-0.11335

-0.09971

-0.14376

199.8562

200.1438

98.9505

Aug-97

-0.00339

0.027182

-0.14649

-0.2591

-0.3818

199.6182

200.3818

98.57343

Sep-97

0.017596

-0.07132

-0.24425

-0.12259

-0.42056

199.5794

200.4206

98.15974

Oct-97

0.040988

-0.10686

0.033777

-0.19065

-0.22275

199.7773

200.2227

97.94133

Nov-97

0.029326

-0.11407

-0.00653

0.011508

-0.07977

199.9202

200.0798

97.86324

Dec-97

0.020657

-0.03313

-0.09948

-0.38391

-0.49587

199.5041

200.4959

97.37916

Jan-98

-0.03494

0.072683

-1.14712

-1.26572

-2.3751

197.6249

202.3751

95.09346

Feb-98

-0.03148

0.102786

0.53928

0.333755

0.944337

200.9443

199.0557

95.99572

Mar-98

-0.01209

-0.00609

0.090379

0.058637

0.13083

200.1308

199.8692

96.12139

Apr-98

-0.00829

-0.21637

-0.04343

0.053619

-0.21447

199.7855

200.2145

95.91546

May-98

-0.0329

-0.33836

-0.52316

-0.46715

-1.36158

198.6384

201.3616

94.61833

Jun-98

-0.01904

-0.33449

-0.31457

-0.55389

-1.22198

198.778

201.222

93.46912

Jul-98

-0.02877

-0.16589

0.029245

0.197

0.031585

200.0316

199.9684

93.49865

Aug-98

-0.0179

-0.04079

0.249301

0.25673

0.447336

200.4473

199.5527

93.91784

Sep-98

-0.141

0.079647

-0.01052

0.062898

-0.00898

199.991

200.009

93.90941

Oct-98

-0.13245

0.128298

0.502242

0.580583

1.078669

201.0787

198.9213

94.92788

Nov-98

0.042975

0.145709

0.060487

0.059574

0.308745

200.3087

199.6913

95.22141

Dec-98

-0.01144

0.064745

-0.12621

-0.14368

-0.21658

199.7834

200.2166

95.01541

Jan-99

0.021838

-0.08553

-0.16891

-0.17295

-0.40554

199.5945

200.4055

94.63086

Feb-99

0.044822

-0.17208

0.088729

0.050208

0.011683

200.0117

199.9883

94.64192

Mar-99

-0.07917

-0.16584

-0.11526

0.012782

-0.34749

199.6525

200.3475

94.31362

Apr-99

-0.02431

-0.05223

0.092466

0.057437

0.073367

200.0734

199.9266

94.38284

May-99

0.006098

0.022286

0.046207

0.019867

0.094457

200.0945

199.9055

94.47203

Jun-99

0.111182

0.072284

0.263763

0.310227

0.757456

200.7575

199.2425

95.19033

Jul-99

0.099514

0.055941

-0.07007

-0.04353

0.041854

200.0419

199.9581

95.23018

Aug-99

0.106486

0.030942

-0.17

-0.1642

-0.19677

199.8032

200.1968

95.04299

Sep-99

0.088912

-0.04454

-0.14248

-0.16955

-0.26767

199.7323

200.2677

94.78893

Oct-99

0.131168

-0.12524

0.305515

0.340567

0.652005

200.652

199.348

95.40898

Nov-99

0.015806

-0.15808

-0.09812

-0.11167

-0.35207

199.6479

200.3521

95.07367

Dec-99

0.0499

-0.09777

0.122103

0.072546

0.146774

200.1468

199.8532

95.21331

177

Jan-00

0.047955

0.034888

-0.03356

-0.0666

-0.01731

199.9827

200.0173

95.19683

Feb-00

0.038384

0.110597

-0.10173

-0.02761

0.019637

200.0196

199.9804

95.21552

Mar-00

0.092591

0.108579

-0.05756

-0.01235

0.13126

200.1313

199.8687

95.34059

Apr-00

-0.00425

0.019122

-0.03879

-0.09652

-0.12044

199.8796

200.1204

95.22583

May-00

0.188747

-0.03633

-0.09307

-0.13533

-0.07598

199.924

200.076

95.1535

Jun-00

0.016355

-0.06748

-0.01812

-0.03025

-0.09949

199.9005

200.0995

95.05888

Jul-00

-0.10711

-0.04658

-0.10013

-0.04448

-0.29831

199.7017

200.2983

94.77573

Aug-00

-0.03267

-0.02395

0.133197

0.130443

0.207027

200.207

199.793

94.97215

Sep-00

-0.02616

0.028181

-0.14005

-0.08549

-0.22352

199.7765

200.2235

94.7601

Oct-00

0.04626

0.080777

-0.09864

-0.07864

-0.05024

199.9498

200.0502

94.7125

Nov-00

0.092935

0.104115

-0.00561

-0.03355

0.157887

200.1579

199.8421

94.86216

Dec-00

-0.16375

0.069172

0.027975

-0.01852

-0.08513

199.9149

200.0851

94.78144

Jan-01

-0.44646

-0.00732

0.110426

0.040076

-0.30328

199.6967

200.3033

94.49442

Feb-01

-0.18775

-0.04631

-0.04532

-0.06981

-0.34919

199.6508

200.3492

94.16503

Mar-01

-0.25677

-0.03106

-0.03925

-0.10104

-0.42811

199.5719

200.4281

93.76276

Apr-01

-0.24311

0.009806

-0.14694

-0.2151

-0.59535

199.4046

200.5954

93.2062

May-01

-0.21935

0.009238

0.047841

0.078138

-0.08413

199.9159

200.0841

93.12782

Jun-01

-0.14876

-0.06139

-0.02231

-0.05187

-0.28434

199.7157

200.2843

92.8634

Jul-01

-0.0596

-0.1175

0.171594

0.317982

0.312471

200.3125

199.6875

93.15402

Aug-01

-0.08849

-0.0963

0.177813

0.112193

0.105214

200.1052

199.8948

93.25208

Sep-01

-0.31594

0.086773

-0.17711

-0.1433

-0.54958

199.4504

200.5496

92.74099

Oct-01

-0.28523

0.302905

0.00441

-0.06611

-0.04402

199.956

200.044

92.70017

Nov-01

-0.13372

0.373685

0.022887

-0.02141

0.241442

200.2414

199.7586

92.92426

Dec-01

-0.04759

0.170289

0.091894

-0.00827

0.206317

200.2063

199.7937

93.11618

Jan-02

-0.05503

-0.21951

0.008094

0.009757

-0.25669

199.7433

200.2567

92.87747

Feb-02

0.077173

-0.42833

0.062437

0.017929

-0.27079

199.7292

200.2708

92.6263

Mar-02

0.121606

-0.36841

0.087947

0.079572

-0.07928

199.9207

200.0793

92.55289

Apr-02

-0.07994

-0.0528

0.072506

0.054218

-0.00602

199.994

200.006

92.54731

May-02

-0.05235

0.121897

0.037417

0.080358

0.187324

200.1873

199.8127

92.72084

Jun-02

-0.04495

0.142626

-0.02055

0.007503

0.084629

200.0846

199.9154

92.79934

Jul-02

-0.08153

0.007044

-0.14776

-0.03708

-0.25932

199.7407

200.2593

92.55901

Aug-02

-0.04595

-0.05272

0.053093

0.037325

-0.00825

199.9917

200.0083

92.55137

Sep-02

-0.00506

-0.03901

-0.02304

-0.02552

-0.09263

199.9074

200.0926

92.46567

Oct-02

-0.02507

0.047615

0.002284

-0.00334

0.021493

200.0215

199.9785

92.48555

Nov-02

-0.09898

0.097217

0.060476

0.033926

0.092643

200.0926

199.9074

92.57127

Dec-02

-0.04738

0.109232

-0.09028

-0.00284

-0.03127

199.9687

200.0313

92.54233

Jan-03

-0.00051

0.065354

0.015307

-0.00091

0.07924

200.0792

199.9208

92.61569

Feb-03

-0.04078

0.031117

-0.00335

-0.01188

-0.02489

199.9751

200.0249

92.59264

Mar-03

-0.01977

-0.01178

0.029737

-0.00499

-0.0068

199.9932

200.0068

92.58635

Apr-03

-0.01843

-0.04108

0.015646

0.038323

-0.00555

199.9945

200.0055

92.58121

May-03

-0.04864

-0.05492

0.031256

0.071729

-0.00057

199.9994

200.0006

92.58068

178

Jun-03

-0.05372

-0.03103

-0.01042

0.001941

-0.09323

199.9068

200.0932

92.49441

Jul-03

-0.01154

0.017648

-0.05878

-0.02714

-0.07981

199.9202

200.0798

92.42062

Aug-03

0.049687

0.040989

0.012612

-0.00127

0.102021

200.102

199.898

92.51495

Sep-03

0.003584

0.02605

0.00655

0.040418

0.076603

200.0766

199.9234

92.58585

Oct-03

0.015861

-0.01829

-0.00732

-0.00669

-0.01644

199.9836

200.0164

92.57062

Nov-03

0.003747

-0.03905

-0.01438

-0.0292

-0.07888

199.9211

200.0789

92.49763

Dec-03

0.003436

-0.02735

0.020113

0.025526

0.021724

200.0217

199.9783

92.51773

Jan-04

0.00948

0.017813

-0.03834

-0.02346

-0.03452

199.9655

200.0345

92.4858

Feb-04

-0.0238

0.04725

0.028244

-0.01312

0.038576

200.0386

199.9614

92.52148

Mar-04

0.015473

0.061969

-0.05468

-0.01073

0.012036

200.012

199.988

92.53262

Apr-04

0.04526

0.051778

-0.00316

-0.02833

0.065547

200.0655

199.9345

92.59329

May-04

0.105932

0.028874

-0.06339

-0.10369

-0.03228

199.9677

200.0323

92.56341

Jun-04

0.163581

0.014503

0.050569

-0.02593

0.202718

200.2027

199.7973

92.75124

Jul-04

0.039712

0.005492

0.019568

0.054473

0.119245

200.1192

199.8808

92.86191

Aug-04

-0.01938

-0.00016

-0.02073

-0.00951

-0.04979

199.9502

200.0498

92.81569

Sep-04

0.075086

-0.00371

0.019058

0.019525

0.109964

200.11

199.89

92.91781

Oct-04

0.110385

-0.00593

0.022565

0.022497

0.149519

200.1495

199.8505

93.05684

Nov-04

0.167293

-0.00733

-0.00141

0.014366

0.172923

200.1729

199.8271

93.2179

Dec-04

0.125903

0.043504

-0.02477

-0.05757

0.087069

200.0871

199.9129

93.2991

Jan-05

0.114506

-0.0486

0.019421

0.001383

0.086713

200.0867

199.9133

93.38004

Feb-05

0.156456

-0.05449

0.000524

-0.02056

0.081932

200.0819

199.9181

93.45657

Mar-05

0.089079

-0.06629

0.035009

-0.04115

0.016649

200.0166

199.9834

93.47214

Apr-05

0.036263

-0.06551

0.041647

-0.015

-0.0026

199.9974

200.0026

93.46971

May-05

0.026254

-0.05256

0.047266

0.015118

0.036079

200.0361

199.9639

93.50344

Jun-05

0.053342

-0.00896

0.022573

-0.03535

0.031602

200.0316

199.9684

93.53299

Jul-05

0.055987

0.034992

0.082742

-0.01316

0.160563

200.1606

199.8394

93.68329

Aug-05

0.086426

0.04848

0.047023

-0.02848

0.153454

200.1535

199.8465

93.82716

Sep-05

0.108415

0.001216

0.029961

-0.02827

0.11132

200.1113

199.8887

93.93167

Oct-05

0.087358

-0.07222

-0.0499

0.023742

-0.01102

199.989

200.011

93.92132

Nov-05

0.161153

-0.09799

-0.00225

0.023682

0.084596

200.0846

199.9154

94.00081

Dec-05

0.116715

-0.04151

-0.01832

0.025658

0.082547

200.0825

199.9175

94.07843

Jan-06

0.056327

0.088599

0.062363

0.049222

0.256511

200.2565

199.7435

94.32006

Feb-06

0.130105

0.173277

0.062593

0.03231

0.398285

200.3983

199.6017

94.69648

Mar-06

0.083143

0.203908

-0.13797

0.032163

0.181245

200.1812

199.8188

94.86826

Apr-06

0.057058

0.149056

-0.04402

0.041549

0.203642

200.2036

199.7964

95.06165

May-06

-0.0134

0.105512

-0.11481

-0.06662

-0.08931

199.9107

200.0893

94.97679

Jun-06

0.067009

0.041839

0.126369

-0.02041

0.214811

200.2148

199.7852

95.18103

Jul-06

-0.01819

-0.02333

0.003419

0.049974

0.011872

200.0119

199.9881

95.19233

Aug-06

-0.07276

-0.06913

-0.03519

0.014957

-0.16212

199.8379

200.1621

95.03813

Sep-06

0.053633

-0.07692

-0.04734

-0.0238

-0.09442

199.9056

200.0944

94.94843

Oct-06

-0.03596

-0.04687

0.198436

0.002025

0.117626

200.1176

199.8824

95.06018

179

Nov-06

-0.03759

-0.03592

-0.05267

0.006274

-0.11991

199.8801

200.1199

94.94626

Dec-06

0.086311

-0.04424

0.007114

0.01694

0.066129

200.0661

199.9339

95.00907

Jan-07

0.119781

-0.06178

-0.03871

-0.01738

0.001904

200.0019

199.9981

95.01088

Feb-07

0.004166

-0.06469

-0.05424

-0.01762

-0.13238

199.8676

200.1324

94.88519

Mar-07

-0.05402

-0.04291

-0.00341

0.000411

-0.09992

199.9001

200.0999

94.79043

Apr-07

-0.01846

-0.01234

-0.04293

0.011594

-0.06213

199.9379

200.0621

94.73155

May-07

-0.06374

-0.00206

-0.01705

0.036845

-0.046

199.954

200.046

94.68798

Jun-07

-0.09129

-0.02795

-0.02833

-0.02723

-0.17481

199.8252

200.1748

94.5226

Jul-07

-0.04737

-0.04736

-0.0574

-0.03995

-0.19208

199.8079

200.1921

94.34122

Aug-07

0.019898

-0.02736

-0.00306

-0.00357

-0.01409

199.9859

200.0141

94.32793

Sep-07

0.092766

0.074723

-0.01691

0.03558

0.18616

200.1862

199.8138

94.50369

Oct-07

-0.18495

0.171784

0.030703

0.001368

0.01891

200.0189

199.9811

94.52157

Nov-07

-0.14162

0.18426

-0.06863

-0.04778

-0.07377

199.9262

200.0738

94.45187

Dec-07

0.087973

0.025051

0.000417

0.003423

0.116864

200.1169

199.8831

94.56231

Jan-08

-0.47662

-0.19762

0.023475

0.015386

-0.63538

199.3646

200.6354

93.96339

Feb-08

-0.51196

-0.28033

0.080002

0.032037

-0.68025

199.3197

200.6803

93.32636

Mar-08

-0.15235

-0.11487

-0.05987

-0.03016

-0.35725

199.6427

200.3573

92.99355

Apr-08

0.060057

0.243483

0.036702

-0.00344

0.336801

200.3368

199.6632

93.30728

May-08

-0.02626

0.450102

0.010277

-0.0229

0.411214

200.4112

199.5888

93.69176

Jun-08

0.066071

0.449701

-0.02132

0.016475

0.510925

200.5109

199.4891

94.17168

Jul-08

0.014463

0.18936

-0.03413

0.015414

0.185112

200.1851

199.8149

94.34617

Aug-08

-0.00506

0.006071

0.054885

0.027544

0.083438

200.0834

199.9166

94.42492

Sep-08

0.202043

-0.15309

0.065536

-0.06278

0.051712

200.0517

199.9483

94.47376

Oct-08

0.28937

-0.22169

0.005775

-0.25416

-0.1807

199.8193

200.1807

94.3032

Nov-08

-0.69084

-0.26914

-0.13462

-0.14928

-1.24388

198.7561

201.2439

93.13743

Dec-08

-0.23163

-0.22902

0.144925

0.188379

-0.12734

199.8727

200.1273

93.01891

Jan-09

-0.23921

-0.12359

-0.03948

-0.07247

-0.47475

199.5252

200.4748

92.57834

Feb-09

0.051831

-0.07308

-0.01865

-0.08704

-0.12694

199.8731

200.1269

92.4609

Mar-09

-0.07105

-0.09974

-0.05293

0.029245

-0.19449

199.8055

200.1945

92.28125

Apr-09

-0.17752

-0.18884

0.11139

0.126706

-0.12826

199.8717

200.1283

92.16297

May-09

-0.02979

-0.23196

0.000905

0.054977

-0.20587

199.7941

200.2059

91.97342

Jun-09

-0.10872

-0.21436

0.046399

0.03135

-0.24534

199.7547

200.2453

91.74805

Jul-09

-0.09742

-0.12213

0.050667

0.022032

-0.14685

199.8532

200.1468

91.61342

Aug-09

-0.06902

-0.0533

-0.00428

0.012298

-0.1143

199.8857

200.1143

91.50877

Sep-09

-0.06908

0.00605

-0.06823

0.044798

-0.08646

199.9135

200.0865

91.42968

Oct-09

-0.0473

0.04207

-0.02757

0.035593

0.002794

200.0028

199.9972

91.43224

Nov-09

-0.04616

0.075913

0.026708

0.009316

0.065778

200.0658

199.9342

91.4924

Dec-09

-0.0301

0.093737

0.009373

0.023663

0.096675

200.0967

199.9033

91.58089

Jan-10

-0.02018

0.087763

-0.11771

0.017637

-0.03249

199.9675

200.0325

91.55114

Feb-10

-0.00542

0.085908

0.051898

-0.00141

0.130975

200.131

199.869

91.67112

Mar-10

0.00381

0.080393

0.051185

0.028546

0.163933

200.1639

199.8361

91.82153

180

Apr-10

0.028172

0.068542

-0.15241

-0.00311

-0.0588

199.9412

200.0588

91.76755

May-10

0.091751

0.057186

0.094276

-0.03862

0.204592

200.2046

199.7954

91.95549

Jun-10

0.041197

0.043648

0.007166

0.039615

0.131626

200.1316

199.8684

92.07661

Jul-10

-0.00729

0.028079

-0.04493

0.007367

-0.01678

199.9832

200.0168

92.06116

Aug-10

-0.07371

0.013676

-0.06917

0.00893

-0.12027

199.8797

200.1203

91.9505

Sep-10

-0.03455

0.000588

-0.06227

0.002981

-0.09325

199.9068

200.0932

91.8648

Oct-10

-0.01818

-0.01265

-0.0752

0.004452

-0.10157

199.8984

200.1016

91.77154

Nov-10

-0.01187

-0.02728

0.012499

0.003838

-0.02281

199.9772

200.0228

91.75061

Dec-10

0.009515

-0.04476

-0.04303

0.012838

-0.06544

199.9346

200.0654

91.69059

Jan-11

0.006122

-0.04196

0.0612

-0.00534

0.020017

200.02

199.98

91.70895

Feb-11

0.002759

-0.02616

-0.09859

0.013075

-0.10892

199.8911

200.1089

91.60911

Mar-11

-0.00668

0.025778

-0.02894

0.026306

0.016464

200.0165

199.9835

91.62419

Apr-11

-0.01728

0.106329

-0.07929

0.010815

0.020576

200.0206

199.9794

91.64305

May-11

-0.02199

0.165048

-0.0581

0.010608

0.095571

200.0956

199.9044

91.73067

Jun-11

-0.00427

0.194407

-0.02641

-0.01715

0.146571

200.1466

199.8534

91.86522

Jul-11

0.007233

0.13506

-0.00177

0.009416

0.149935

200.1499

199.8501

92.00307

Aug-11

0.030309

0.037987

0.018376

-0.0086

0.078073

200.0781

199.9219

92.07492

Sep-11

0.046846

-0.05743

0.10027

-0.02002

0.069673

200.0697

199.9303

92.1391

Oct-11

0.038941

-0.09534

0.059599

-0.01498

-0.01177

199.9882

200.0118

92.12825

Nov-11

0.070011

-0.06951

0.002247

-0.03936

-0.03662

199.9634

200.0366

92.09452

Dec-11

0.036043

-0.01307

0.081159

0.016148

0.120284

200.1203

199.8797

92.20536

181

Lampiran 12. Perbandingan Grafik Variabel Kandidat Lagging Indicator Sebelum dan Sesudah Melalui X-12 ARIMA



Perbandingan Grafik Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Yang Diberikan Bank Persero Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman



Perbandingan Grafik Variabel Suku Bunga Simpanan Rupiah Berjangka 24 Bualn di Bank Umum Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

182



Perbandingan Grafik Variabel Import Merchandise Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman



Perbandingan Grafik Variabel Local Equity Market Index Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

183

Lampiran 13. Perhitungan Composite Lagging Debt Index Periode

mt 34

mt 64

mt 97

mt 81

it

200+it

200-it

It

Jan-90 Feb-90

-0.1272

0.0952

0.3971

0.0818

0.4469

200.4469

199.5531

100.4479

Mar-90

-0.1272

-0.0451

0.0545

0.0797

-0.0381

199.9619

200.0381

100.4097

Apr-90

-0.2968

-0.0851

-0.0167

0.0777

-0.3210

199.6790

200.3210

100.0879

May-90

-0.0424

-0.0351

0.0745

0.0757

0.0728

200.0728

199.9272

100.1608

Jun-90

0.0000

-0.1202

-0.3478

0.0739

-0.3941

199.6059

200.3941

99.7668

Jul-90

-0.0424

-0.1002

0.0932

0.0721

0.0227

200.0227

199.9773

99.7895

Aug-90

0.1272

0.0351

-0.2298

0.0705

0.0029

200.0029

199.9971

99.7925

Sep-90

0.5937

0.0551

-0.4910

0.0689

0.2267

200.2267

199.7733

100.0189

Oct-90

0.1272

0.0901

0.7704

0.0674

1.0552

201.0552

198.9448

101.0799

Nov-90

0.1272

0.1152

-0.1488

0.0659

0.1595

200.1595

199.8405

101.2413

Dec-90

0.3392

0.0250

0.2592

0.0645

0.6880

200.6880

199.3120

101.9402

Jan-91

1.5690

0.1052

-0.4162

0.0632

1.3212

201.3212

198.6788

103.2960

Feb-91

-1.1450

0.1252

0.3971

0.0634

-0.5592

199.4408

200.5592

102.7200

Mar-91

0.3817

0.6961

0.0545

0.0265

1.1588

201.1588

198.8412

103.9172

Apr-91

0.3817

0.0300

-0.0167

0.0921

0.4871

200.4871

199.5129

104.4247

May-91

0.0848

-0.4007

0.0745

-0.1111

-0.3524

199.6476

200.3524

104.0573

Jun-91

0.0000

0.5559

-0.3478

-0.2316

-0.0234

199.9766

200.0234

104.0330

Jul-91

0.0000

-0.0701

0.0932

-0.4810

-0.4580

199.5420

200.4580

103.5576

Aug-91

0.0000

0.0601

-0.2298

-0.1224

-0.2921

199.7079

200.2921

103.2556

Sep-91

-1.0177

0.0351

-0.4910

-0.6617

-2.1354

197.8646

202.1354

101.0739

Oct-91

0.0848

0.1102

0.7704

-0.5786

0.3868

200.3868

199.6132

101.4657

Nov-91

0.0848

-0.2304

-0.1488

0.2399

-0.0545

199.9455

200.0545

101.4104

Dec-91

1.2298

0.0050

0.2592

0.1360

1.6300

201.6300

198.3700

103.0770

Jan-92

-0.0848

0.2204

0.3200

0.0835

0.5391

200.5391

199.4609

103.6342

Feb-92

-1.1450

-0.3706

-0.0258

0.3412

-1.2002

198.7998

201.2002

102.3978

Mar-92

0.0000

0.2154

-0.3773

-0.0865

-0.2484

199.7516

200.2484

102.1437

Apr-92

0.0424

0.0401

0.2773

-0.0741

0.2857

200.2857

199.7143

102.4359

May-92

-0.0424

-0.0901

-0.1212

0.2264

-0.0273

199.9727

200.0273

102.4079

Jun-92

-0.0848

0.0100

-0.2040

0.2801

0.0013

200.0013

199.9987

102.4093

Jul-92

0.0000

-0.0351

-0.0164

-0.1158

-0.1672

199.8328

200.1672

102.2383

Aug-92

-0.0848

-0.0200

0.0711

-0.1307

-0.1644

199.8356

200.1644

102.0703

Sep-92

0.0424

-0.0351

0.1040

-0.1449

-0.0336

199.9664

200.0336

102.0360

Oct-92

-0.0424

0.2304

-0.3839

0.0336

-0.1622

199.8378

200.1622

101.8706

Nov-92

-0.1272

-0.3355

0.5225

-0.1880

-0.1283

199.8717

200.1283

101.7400

Dec-92

-0.1272

-0.1553

0.1774

-0.2756

-0.3806

199.6194

200.3806

101.3535

Jan-93

-0.0848

-0.1102

-0.1031

0.0052

-0.2929

199.7071

200.2929

101.0571

Feb-93

-0.1272

-0.0501

-0.3662

0.2166

-0.3269

199.6731

200.3269

100.7273

184

Mar-93

-0.1569

-0.1703

0.0856

0.0826

-0.1590

199.8410

200.1590

100.5673

Apr-93

-0.0806

-0.1052

0.1788

0.0117

0.0047

200.0047

199.9953

100.5720

May-93

-0.1145

-0.0801

-0.2521

0.2052

-0.2415

199.7585

200.2415

100.3294

Jun-93

-0.1145

-0.1603

0.5258

0.3059

0.5570

200.5570

199.4430

100.8898

Jul-93

-0.2205

0.1803

-0.0208

0.0098

-0.0513

199.9487

200.0513

100.8381

Aug-93

-0.1103

-0.3155

-0.5766

0.2768

-0.7256

199.2744

200.7256

100.1090

Sep-93

-0.1696

-0.4858

0.9393

0.3161

0.6000

200.6000

199.4000

100.7115

Oct-93

-0.0721

-0.1502

-0.4003

-0.0200

-0.6426

199.3574

200.6426

100.0663

Nov-93

-0.1569

-0.0250

-0.0685

0.2945

0.0441

200.0441

199.9559

100.1104

Dec-93

0.1357

-0.4457

-0.0594

0.1545

-0.2149

199.7851

200.2149

99.8955

Jan-94

-0.1018

-0.2354

-0.1841

0.3418

-0.1794

199.8206

200.1794

99.7164

Feb-94

-0.0382

0.0701

0.4356

-0.1087

0.3589

200.3589

199.6411

100.0749

Mar-94

-0.2078

-0.2554

0.3064

-0.3738

-0.5306

199.4694

200.5306

99.5453

Apr-94

-0.2035

-0.0100

-0.4409

-0.3372

-0.9917

199.0083

200.9917

98.5630

May-94

-0.0848

-0.1302

0.3672

0.0520

0.2042

200.2042

199.7958

98.7645

Jun-94

-0.0170

-0.2504

-0.2592

0.0384

-0.4882

199.5118

200.4882

98.2835

Jul-94

-0.0170

0.1853

0.1750

-0.1628

0.1805

200.1805

199.8195

98.4612

Aug-94

-0.0466

-0.1452

0.1474

0.1928

0.1484

200.1484

199.8516

98.6074

Sep-94

-0.0297

0.6410

-0.1566

0.2025

0.6572

200.6572

199.3428

99.2575

Oct-94

-0.0975

-0.6561

0.3954

-0.1056

-0.4638

199.5362

200.4638

98.7982

Nov-94

-0.6743

0.0751

-0.0528

-0.0795

-0.7314

199.2686

200.7314

98.0782

Dec-94

0.3774

0.0701

0.3055

-0.3857

0.3673

200.3673

199.6327

98.4391

Jan-95

0.3392

-0.0501

-0.4401

-0.1038

-0.2548

199.7452

200.2548

98.1886

Feb-95

0.0721

-0.2103

0.4693

0.0664

0.3975

200.3975

199.6025

98.5797

Mar-95

-0.0254

0.0851

-0.0953

-0.1062

-0.1418

199.8582

200.1418

98.4400

Apr-95

0.1272

-0.2654

-0.1200

-0.1027

-0.3610

199.6390

200.3610

98.0854

May-95

0.0297

-0.2154

0.1690

0.2228

0.2061

200.2061

199.7939

98.2877

Jun-95

-0.0212

0.0901

0.4800

0.2540

0.8030

200.8030

199.1970

99.0801

Jul-95

0.0466

0.0751

-0.2758

0.0900

-0.0640

199.9360

200.0640

99.0167

Aug-95

0.0382

0.0200

0.4246

-0.0722

0.4107

200.4107

199.5893

99.4241

Sep-95

0.0763

0.3005

-0.0996

-0.1576

0.1197

200.1197

199.8803

99.5432

Oct-95

0.0466

0.0601

-0.3993

0.0173

-0.2753

199.7247

200.2753

99.2695

Nov-95

-0.0212

0.2103

-0.0107

-0.1665

0.0120

200.0120

199.9880

99.2814

Dec-95

0.0254

0.2254

-0.1949

0.2076

0.2635

200.2635

199.7365

99.5434

Jan-96

-0.0042

0.0901

0.3033

0.2953

0.6845

200.6845

199.3155

100.2271

Feb-96

0.0212

-0.1653

-0.2022

0.2623

-0.0839

199.9161

200.0839

100.1430

Mar-96

0.0212

0.0451

0.2327

-0.0959

0.2031

200.2031

199.7969

100.3466

Apr-96

-0.0466

0.0401

0.3630

0.1858

0.5423

200.5423

199.4577

100.8922

May-96

-0.0085

0.0351

0.2261

0.0097

0.2624

200.2624

199.7376

101.1573

Jun-96

-0.1187

0.1202

-0.1584

-0.1308

-0.2877

199.7123

200.2877

100.8667

Jul-96

-0.0551

0.0401

-0.3034

-0.1068

-0.4253

199.5747

200.4253

100.4386

185

Aug-96

0.0382

-0.0050

-0.1757

-0.1693

-0.3119

199.6881

200.3119

100.1259

Sep-96

-0.0127

0.0100

0.0810

0.1121

0.1904

200.1904

199.8096

100.3167

Oct-96

0.0085

0.0150

-0.1339

0.1376

0.0273

200.0273

199.9727

100.3441

Nov-96

0.0382

0.0300

0.3081

0.1585

0.5348

200.5348

199.4652

100.8822

Dec-96

-0.0339

-0.4107

-0.1029

0.1069

-0.4406

199.5594

200.4406

100.4387

Jan-97

0.0085

0.4357

0.5256

0.1448

1.1146

201.1146

198.8854

101.5644

Feb-97

0.0254

0.0451

-0.3108

0.0424

-0.1979

199.8021

200.1979

101.3636

Mar-97

-0.0382

-0.0751

0.3717

-0.1495

0.1089

200.1089

199.8911

101.4740

Apr-97

-0.0678

0.0050

-0.2049

-0.1375

-0.4053

199.5947

200.4053

101.0636

May-97

0.0170

-0.4457

0.0973

0.0338

-0.2977

199.7023

200.2977

100.7632

Jun-97

0.0721

0.3406

-0.2967

0.1768

0.2927

200.2927

199.7073

101.0585

Jul-97

-0.0551

-0.0952

0.2516

-0.0993

0.0021

200.0021

199.9979

101.0606

Aug-97

1.1746

0.0000

-0.4668

-0.7457

-0.0378

199.9622

200.0378

101.0224

Sep-97

0.6022

0.2304

0.0788

-0.6362

0.2752

200.2752

199.7248

101.3008

Oct-97

-0.1018

-0.1803

0.0309

-0.5972

-0.8483

199.1517

200.8483

100.4451

Nov-97

0.0551

-0.1102

-0.2359

-0.3733

-0.6643

199.3357

200.6643

99.7801

Dec-97

-1.0093

0.0100

-0.0977

-1.4050

-2.5020

197.4980

202.5020

97.3144

Jan-98

0.6827

-0.0851

-0.3626

-1.7598

-1.5249

198.4751

201.5249

95.8417

Feb-98

-0.1357

0.0401

-0.2354

0.5977

0.2667

200.2667

199.7333

96.0976

Mar-98

0.4834

0.3255

-0.2278

-0.0321

0.5491

200.5491

199.4509

96.6268

Apr-98

0.4834

-0.2454

-0.9044

0.4727

-0.1937

199.8063

200.1937

96.4398

May-98

0.9584

0.4557

0.3487

-1.2854

0.4774

200.4774

199.5226

96.9014

Jun-98

0.1908

-0.2103

0.2019

-0.9581

-0.7757

199.2243

200.7757

96.1526

Jul-98

0.0933

0.2154

0.5636

0.4526

1.3249

201.3249

198.6751

97.4350

Aug-98

0.8396

-0.2103

-0.4788

-0.2130

-0.0624

199.9376

200.0624

97.3742

Sep-98

0.3901

-0.1402

-0.0916

-0.9880

-0.8297

199.1703

200.8297

96.5696

Oct-98

0.2544

0.2805

0.4141

0.8636

1.8127

201.8127

198.1873

98.3361

Nov-98

0.1272

0.1302

-0.0535

1.1404

1.3443

201.3443

198.6557

99.6671

Dec-98

-1.5690

0.0200

0.1498

0.3466

-1.0526

198.9474

201.0526

98.6235

Jan-99

1.6581

0.3205

-1.0515

-0.0385

0.8885

200.8885

199.1115

99.5036

Feb-99

-0.0127

0.0200

0.3961

-0.2450

0.1584

200.1584

199.8416

99.6614

Mar-99

-0.2926

0.7011

-0.0543

-0.1467

0.2076

200.2076

199.7924

99.8685

Apr-99

0.1654

0.0150

0.2170

0.6105

1.0079

201.0079

198.9921

100.8802

May-99

-0.2502

0.0901

-0.2225

1.1328

0.7503

200.7503

199.2497

101.6399

Jun-99

-0.4453

-0.5509

-0.1786

0.6709

-0.5039

199.4961

200.5039

101.1290

Jul-99

-0.7251

-0.3105

0.0962

0.0862

-0.8533

199.1467

200.8533

100.2698

Aug-99

-0.4071

-0.2704

-0.0461

-0.6973

-1.4209

198.5791

201.4209

98.8552

Sep-99

-0.3605

0.0050

0.0294

-0.5842

-0.9102

199.0898

200.9102

97.9594

Oct-99

-0.0424

0.2504

-0.2033

0.5235

0.5282

200.5282

199.4718

98.4782

Nov-99

-0.4792

-0.4507

-0.0434

0.3388

-0.6346

199.3654

200.6346

97.8553

Dec-99

1.6708

1.0667

0.2242

0.0174

2.9792

202.9792

197.0208

100.8147

186

Jan-00

-2.1542

-2.9699

0.3472

0.0292

-4.7478

195.2522

204.7478

96.1392

Feb-00

-0.0085

-0.0300

-0.0841

-0.4058

-0.5284

199.4716

200.5284

95.6325

Mar-00

-0.3223

0.8113

0.0219

-0.1601

0.3509

200.3509

199.6491

95.9687

Apr-00

-0.0551

-0.0351

0.2712

-0.2971

-0.1161

199.8839

200.1161

95.8573

May-00

-0.2502

0.0851

0.0665

-0.4821

-0.5807

199.4193

200.5807

95.3023

Jun-00

-0.2756

-0.4307

0.1456

-0.4101

-0.9709

199.0291

200.9709

94.3815

Jul-00

0.2968

0.0050

0.2935

-0.0545

0.5409

200.5409

199.4591

94.8934

Aug-00

-0.4877

0.5609

0.6655

0.1390

0.8778

200.8778

199.1222

95.7300

Sep-00

0.0339

0.0000

0.0994

-0.4103

-0.2769

199.7231

200.2769

95.4653

Oct-00

0.0212

-0.0451

0.0571

-0.3382

-0.3050

199.6950

200.3050

95.1746

Nov-00

-0.0042

0.0050

0.0912

-0.1436

-0.0516

199.9484

200.0516

95.1255

Dec-00

0.5046

0.0100

-0.0255

-0.1555

0.3337

200.3337

199.6663

95.4434

Jan-01

-0.5810

0.8814

-0.1677

-0.0387

0.0941

200.0941

199.9059

95.5332

Feb-01

-0.0170

0.1202

0.3080

0.2588

0.6700

200.6700

199.3300

96.1755

Mar-01

0.0127

0.0451

-0.1836

-0.5784

-0.7043

199.2957

200.7043

95.5005

Apr-01

0.0212

-0.0100

-0.2577

-0.5830

-0.8295

199.1705

200.8295

94.7116

May-01

0.0424

-0.0050

0.0223

0.1466

0.2063

200.2063

199.7937

94.9072

Jun-01

0.0085

-0.0050

-0.2118

0.3328

0.1244

200.1244

199.8756

95.0254

Jul-01

0.0382

-0.2003

-0.5059

0.3444

-0.3236

199.6764

200.3236

94.7183

Aug-01

0.0382

0.7112

-0.3591

0.4954

0.8857

200.8857

199.1143

95.5609

Sep-01

0.0382

0.0601

-0.4496

-0.1865

-0.5378

199.4622

200.5378

95.0484

Oct-01

0.0806

0.2554

0.0774

-0.6659

-0.2525

199.7475

200.2525

94.8086

Nov-01

0.0212

0.0401

0.1747

-0.2341

0.0019

200.0019

199.9981

94.8105

Dec-01

0.0000

-0.0250

-0.0314

0.0325

-0.0239

199.9761

200.0239

94.7878

Jan-02

-0.0297

0.0701

0.2547

0.4021

0.6973

200.6973

199.3027

95.4511

Feb-02

-0.0127

-0.0050

0.1019

0.3569

0.4411

200.4411

199.5589

95.8731

Mar-02

-0.0254

0.0150

0.0872

0.2877

0.3644

200.3644

199.6356

96.2231

Apr-02

0.0000

-0.0150

0.0117

0.5617

0.5584

200.5584

199.4416

96.7619

May-02

0.0127

-0.0250

0.2483

0.1048

0.3408

200.3408

199.6592

97.0923

Jun-02

0.0424

-0.0150

0.0238

0.1136

0.1648

200.1648

199.8352

97.2524

Jul-02

-0.0212

0.0050

0.1266

-0.3749

-0.2645

199.7355

200.2645

96.9955

Aug-02

-0.0212

-0.0901

0.1121

-0.1378

-0.1371

199.8629

200.1371

96.8626

Sep-02

-0.0042

0.0651

-0.0514

-0.2793

-0.2698

199.7302

200.2698

96.6016

Oct-02

-0.0170

-0.0100

0.4163

-0.5376

-0.1482

199.8518

200.1482

96.4585

Nov-02

0.0042

0.0000

-0.0740

0.0961

0.0264

200.0264

199.9736

96.4840

Dec-02

-0.0551

-0.0100

-0.1374

0.4024

0.1999

200.1999

199.8001

96.6770

Jan-03

0.0085

-0.0250

-0.3400

-0.0966

-0.4532

199.5468

200.4532

96.2399

Feb-03

-0.0254

0.0000

-0.0731

-0.0758

-0.1744

199.8256

200.1744

96.0722

Mar-03

-0.0042

0.0050

-0.0317

-0.0293

-0.0602

199.9398

200.0602

96.0144

Apr-03

-0.0297

0.0000

-0.1031

0.4396

0.3068

200.3068

199.6932

96.3094

May-03

-0.0254

-0.0100

-0.0830

0.4395

0.3210

200.3210

199.6790

96.6191

187

Jun-03

-0.1018

-0.0050

-0.1803

0.3154

0.0283

200.0283

199.9717

96.6464

Jul-03

-0.1696

-0.4808

0.0785

-0.0204

-0.5923

199.4077

200.5923

96.0757

Aug-03

-0.2799

0.1252

0.0076

-0.1775

-0.3245

199.6755

200.3245

95.7644

Sep-03

-0.0891

0.0150

0.1513

0.4012

0.4784

200.4784

199.5216

96.2237

Oct-03

-0.1272

-1.9432

0.0625

0.3252

-1.6827

198.3173

201.6827

94.6180

Nov-03

-0.1442

0.7713

-0.0077

-0.1229

0.4965

200.4965

199.5035

95.0889

Dec-03

-0.1442

0.6010

0.0940

0.1918

0.7425

200.7425

199.2575

95.7976

Jan-04

-0.0636

-0.0801

0.6489

0.4988

1.0039

201.0039

198.9961

96.7642

Feb-04

-0.0382

-0.3005

-0.0309

0.0114

-0.3582

199.6418

200.3582

96.4182

Mar-04

-0.0636

-0.4407

-0.2101

-0.1536

-0.8680

199.1320

200.8680

95.5849

Apr-04

-0.0594

-1.0567

0.1337

0.2330

-0.7493

199.2507

200.7493

94.8713

May-04

-0.1145

-0.1553

-0.2870

-0.3197

-0.8765

199.1235

200.8765

94.0434

Jun-04

-0.1484

-1.3823

0.6432

-0.2348

-1.1223

198.8777

201.1223

92.9939

Jul-04

-0.0466

-0.1502

0.2139

0.3679

0.3849

200.3849

199.6151

93.3526

Aug-04

-0.0636

-0.1753

-0.3017

-0.1130

-0.6536

199.3464

200.6536

92.7444

Sep-04

-0.0509

0.1402

0.2129

0.2826

0.5848

200.5848

199.4152

93.2884

Oct-04

-0.0254

-0.3155

-0.0807

0.2245

-0.1971

199.8029

200.1971

93.1046

Nov-04

-0.0339

-0.0150

-0.2018

0.3235

0.0728

200.0728

199.9272

93.1724

Dec-04

-0.0806

-0.0801

1.1591

0.1177

1.1161

201.1161

198.8839

94.2182

Jan-05

0.0000

-0.0851

-0.8008

0.1579

-0.7280

199.2720

200.7280

93.5348

Feb-05

-0.0170

0.0050

0.1159

0.0780

0.1819

200.1819

199.8181

93.7051

Mar-05

-0.0254

0.7312

0.4790

0.0672

1.2520

201.2520

198.7480

94.8856

Apr-05

0.0170

-0.7663

-0.0477

-0.1231

-0.9200

199.0800

200.9200

94.0166

May-05

-0.0212

-0.0050

-0.1270

-0.0146

-0.1678

199.8322

200.1678

93.8590

Jun-05

0.0127

0.0851

-0.1379

0.1652

0.1252

200.1252

199.8748

93.9766

Jul-05

-0.0127

-0.0050

-0.1018

0.0455

-0.0740

199.9260

200.0740

93.9071

Aug-05

-0.0042

0.1002

0.1616

-0.1403

0.1172

200.1172

199.8828

94.0172

Sep-05

0.4113

0.2905

-0.4064

-0.2384

0.0571

200.0571

199.9429

94.0709

Oct-05

0.1230

0.5860

0.2454

0.0604

1.0147

201.0147

198.9853

95.0303

Nov-05

0.0551

0.4908

-0.7975

-0.0592

-0.3108

199.6892

200.3108

94.7354

Dec-05

0.0509

0.9816

0.7714

0.3797

2.1836

202.1836

197.8164

96.8269

Jan-06

0.0339

-0.1502

-0.4828

0.3196

-0.2794

199.7206

200.2794

96.5567

Feb-06

0.0297

-0.0351

0.2777

0.0950

0.3673

200.3673

199.6327

96.9119

Mar-06

0.0127

0.0401

-0.3837

0.1665

-0.1645

199.8355

200.1645

96.7527

Apr-06

-0.0466

0.0100

0.1614

0.3901

0.5149

200.5149

199.4851

97.2521

May-06

-0.0085

0.0050

0.1750

-0.0057

0.1659

200.1659

199.8341

97.4136

Jun-06

-0.0212

-0.0300

0.7003

-0.4352

0.2138

200.2138

199.7862

97.6221

Jul-06

-0.0042

-0.0300

-0.5450

0.1619

-0.4174

199.5826

200.4174

97.2155

Aug-06

-0.0042

0.0100

0.0615

0.2359

0.3032

200.3032

199.6968

97.5106

Sep-06

-0.0212

-0.0501

0.3414

0.1106

0.3807

200.3807

199.6193

97.8825

Oct-06

-0.0466

-0.0601

-0.6062

0.1094

-0.6035

199.3965

200.6035

97.2936

188

Nov-06

-0.0085

-0.0751

0.8994

0.2432

1.0590

201.0590

198.9410

98.3294

Dec-06

-0.0636

-0.1803

-0.7392

0.1805

-0.8027

199.1973

200.8027

97.5433

Jan-07

-0.0678

0.0050

0.5356

-0.0218

0.4509

200.4509

199.5491

97.9841

Feb-07

-0.0382

-0.0451

-0.5232

-0.0622

-0.6686

199.3314

200.6686

97.3311

Mar-07

-0.0933

-0.0150

0.5264

-0.0323

0.3858

200.3858

199.6142

97.7074

Apr-07

-0.0551

-0.0100

-0.1650

0.3115

0.0813

200.0813

199.9187

97.7868

May-07

-0.0678

-0.0050

0.4660

0.1612

0.5544

200.5544

199.4456

98.3304

Jun-07

-0.1442

0.0150

-0.2418

0.0225

-0.3485

199.6515

200.3485

97.9884

Jul-07

0.0000

-0.0050

-0.0950

0.2679

0.1679

200.1679

199.8321

98.1531

Aug-07

0.1187

-0.2103

0.2569

-0.2612

-0.0960

199.9040

200.0960

98.0589

Sep-07

-0.2714

-0.0300

-0.0568

0.2541

-0.1041

199.8959

200.1041

97.9569

Oct-07

-0.0933

-0.0401

-0.2933

0.5407

0.1141

200.1141

199.8859

98.0687

Nov-07

-0.0170

-0.0200

0.4691

0.0674

0.4995

200.4995

199.5005

98.5597

Dec-07

-0.0721

-0.1452

-0.3899

0.0788

-0.5284

199.4716

200.5284

98.0404

Jan-08

0.0212

-0.1703

1.5594

-0.1294

1.2809

201.2809

198.7191

99.3042

Feb-08

-0.0254

-0.1502

0.1988

0.2169

0.2400

200.2400

199.7600

99.5429

Mar-08

-0.0509

-0.0651

-0.3359

-0.2890

-0.7408

199.2592

200.7408

98.8081

Apr-08

-0.0254

-0.0501

0.4106

-0.2331

0.1019

200.1019

199.8981

98.9089

May-08

-0.0254

-0.0300

-0.3879

0.1830

-0.2604

199.7396

200.2604

98.6517

Jun-08

-0.0254

0.0050

0.1138

-0.1244

-0.0311

199.9689

200.0311

98.6211

Jul-08

0.0127

0.0200

0.0143

-0.1550

-0.1079

199.8921

200.1079

98.5147

Aug-08

0.0594

-0.0100

-0.0385

-0.1911

-0.1802

199.8198

200.1802

98.3373

Sep-08

0.1187

-0.0501

0.1570

-0.4362

-0.2106

199.7894

200.2106

98.1305

Oct-08

0.2248

-0.1052

0.4525

-1.0251

-0.4530

199.5470

200.4530

97.6870

Nov-08

0.1611

-0.1052

-0.4165

-0.9386

-1.2992

198.7008

201.2992

96.4260

Dec-08

0.0382

-0.3956

-0.3575

0.2886

-0.4264

199.5736

200.4264

96.0157

Jan-09

-0.0085

-0.0150

-0.2844

0.1403

-0.1677

199.8323

200.1677

95.8549

Feb-09

-0.0466

-0.1502

-0.1781

-0.3324

-0.7074

199.2926

200.7074

95.1792

Mar-09

-0.0127

0.0200

0.0022

0.1380

0.1475

200.1475

199.8525

95.3197

Apr-09

-0.0297

0.0050

-0.0097

0.6915

0.6571

200.6571

199.3429

95.9482

May-09

-0.0424

0.2304

0.2200

0.6367

1.0446

201.0446

198.9554

96.9557

Jun-09

-0.0509

0.1152

0.0020

0.3152

0.3814

200.3814

199.6186

97.3263

Jul-09

0.0042

0.0000

0.2505

0.2059

0.4606

200.4606

199.5394

97.7756

Aug-09

-0.0382

0.0551

0.2864

0.4154

0.7187

200.7187

199.2813

98.4808

Sep-09

-0.0212

0.0000

-0.2443

0.1281

-0.1373

199.8627

200.1373

98.3457

Oct-09

-0.0127

-0.0501

0.3250

0.2098

0.4720

200.4720

199.5280

98.8109

Nov-09

-0.0424

0.0100

-0.4332

-0.0621

-0.5277

199.4723

200.5277

98.2909

Dec-09

-0.1145

0.0200

0.7194

0.0976

0.7226

200.7226

199.2774

99.0037

Jan-10

-0.2460

-0.7112

-0.0783

0.1706

-0.8648

199.1352

200.8648

98.1512

Feb-10

-0.0127

-0.0952

0.3170

-0.1580

0.0512

200.0512

199.9488

98.2014

Mar-10

0.2587

0.4958

0.1299

0.2236

1.1080

201.1080

198.8920

99.2955

189

Apr-10

-0.0466

-0.0751

-0.0422

0.2213

0.0573

200.0573

199.9427

99.3525

May-10

-0.0806

-0.3005

-0.4975

-0.2154

-1.0940

198.9060

201.0940

98.2714

Jun-10

-0.0212

0.1903

0.7899

0.0921

1.0511

201.0511

198.9489

99.3099

Jul-10

0.0339

-0.0451

0.0231

0.1638

0.1758

200.1758

199.8242

99.4846

Aug-10

0.1187

0.2855

-0.2136

0.0443

0.2349

200.2349

199.7651

99.7185

Sep-10

-0.1866

-0.3355

-0.8164

0.2146

-1.1239

198.8761

201.1239

98.6040

Oct-10

0.0127

0.2805

0.7696

0.2140

1.2768

201.2768

198.7232

99.8710

Nov-10

-0.0254

-0.0601

0.2553

0.0156

0.1853

200.1853

199.8147

100.0563

Dec-10

-0.0466

-0.1252

-0.1852

-0.1209

-0.4779

199.5221

200.4779

99.5792

Jan-11

-0.0170

-0.1102

0.0459

-0.1687

-0.2499

199.7501

200.2499

99.3306

Feb-11

-0.0127

0.0801

-0.1959

-0.0334

-0.1619

199.8381

200.1619

99.1699

Mar-11

-0.5555

-0.0501

0.3186

0.2039

-0.0832

199.9168

200.0832

99.0875

Apr-11

-0.0127

-0.0952

-0.0325

0.2209

0.0806

200.0806

199.9194

99.1674

May-11

-0.0254

-0.1853

0.0295

0.0749

-0.1064

199.8936

200.1064

99.0619

Jun-11

-0.0297

-0.0601

0.1178

-0.0299

-0.0019

199.9981

200.0019

99.0600

Jul-11

0.4665

-0.0050

-0.0039

0.1992

0.6568

200.6568

199.3432

99.7128

Aug-11

-0.0042

-0.2704

-0.1454

-0.0885

-0.5086

199.4914

200.5086

99.2069

Sep-11

-0.0424

-0.0451

0.3077

-0.2522

-0.0320

199.9680

200.0320

99.1752

Oct-11

-0.0170

-0.0100

0.0248

-0.1045

-0.1067

199.8933

200.1067

99.0695

Nov-11

-0.0254

-0.0250

-0.0434

0.0966

0.0027

200.0027

199.9973

99.0722

Dec-11

-0.0170

-0.1152

0.2353

-0.0085

0.0946

200.0946

199.9054

99.1660

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : PENDEKATAN BUSINESS CYCLE THEORY OLEH: ILLINIA AYUDHIA RIYADI H

Recommend Documents