ii
ABSTRAK Ari Nur Setyaningsih. 2016. PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR EKSPOR. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret. Indonesia telah berkali-kali mengalami krisis keuangan sejak tahun 1970. Krisis keuangan yang terjadi di Indonesia pada tahun 1997 dan 2008 merupakan dampak dari krisis keuangan di Asia dan krisis keuangan global di Amerika Serikat. Krisis keuangan Asia terjadi pada pertengahan tahun 1997 yang berawal dari jatuhnya nilai mata uang Baht di Thailand. Sedangkan krisis keuangan global terjadi pada bulan Agustus 2007 sampai dengan tahun 2009 yang berawal dari macetnya pembayaran cicilan kredit perumahan di Amerika Serikat. Dampak krisis keuangan tahun 1997 yang demikian parah membuat IMF menganggap perlu adanya sistem pendeteksian krisis keuangan. Pendeteksian krisis keuangan dapat dilakukan berdasarkan indikator ekonomi yaitu nilai ekspor. Nilai ekspor yang lebih rendah dari pada nilai impor mengakibatkan cadangan devisa suatu negara semakin merosot sehingga dapat menyebabkan terjadinya krisis. Penelitian ini bertujuan untuk menentukan model yang sesuai untuk digunakan dalam melakukan pendeteksian krisis yang terjadi di Indonesia menggunakan gabungan model volatilitas dan Markov switching berdasarkan indikator ekspor. Tujuan penelitian selanjutnya untuk mendeteksi krisis keuangan yang terjadi di Indonesia pada data ramalan nilai ekspor periode Januari 2015 sampai dengan Desember 2015. Hasil penelitian menunjukkan bahwa data nilai ekspor periode Januari 1990 sampai dengan Desember 2014 mempunyai efek heteroskedastisitas dan mengalami perubahan struktur, sehingga dapat dimodelkan menggunakan SWARCH (2,1 ) dan SWARCH (3,1 ). Model SWARCH (2,1 ) berdasarkan indikator ekspor dapat mendeteksi krisis keuangan di Indonesia pada bulan Februari 2009 sampai dengan Juni 2009 dan bulan Desember 2009. Model SWARCH (3,1 ) berdasarkan indikator ekspor dapat mendeteksi krisis keuangan di Indonesia pada bulan Desember 1990, Januari 1991, Februari 1991 dan bulan Maret 2009 sampai dengan Mei 2009. Kemudian hasil peramalan data ekspor diperoleh kesimpulan bahwa periode Januari 2015 sampai dengan Desember 2015 tidak terjadi krisis keuangan di Indonesia berdasarkan indikator ekspor. Kata kunci: pendeteksian krisis, ekspor, SWARCH, dua states, tiga states.
iii
ABSTRACT Ari Nur Setyaningsih. 2016. DETECTION OF THE FINANCIAL CRISIS IN INDONESIA USING A COMBINATION MODEL OF VOLATILITY AND MARKOV SWITCHING BASED ON THE INDICATORS OF EXPORT. Faculty of Mathematics and Natural Sciences. Sebelas Maret University. Indonesia has repeatedly experienced financial crisies since 1970. The financial crisies that occurred in Indonesia in 1997 and 2008 were the impact of the Asian financial crisis and the global financial crisis in the United States. The Asian financial crisis occurred in mid-1997 that started by the fall of the value of the currency of Baht in Thailand. While the global financial crisis occurred in August 2007 until the year 2009, which began with the breakdown of housing loan repayments in the United States. The impact of the 1997 financial crisis that severe made the IMF considered the necessary of the financial crisis detection system. Detection of the financial crisis can be based on the economic indicators of the value of exports. Value of exports lower than the value imports caused the foreign exchange reserve of a country is more decline made the crisis occured. The purposes of this research are determine the appropriate model to be used to detect of the crisis in Indonesia used a combination of volatility and Markov switching models based on indicators of export. The other purpose of the research is to detect the crisis in Indonesia on the data of the export value forecasted in periods of January 2015 to the December 2015. The results showed that the export value data on periods of January 1990 to December 2014 have the effects of heteroskedasticity and structural changes, so it can be modeled by SWARCH(2,1) and SWARCH(3,1). Based on the export indicator SWARCH(2,1) model can detect the financial crisis in Indonesia in the periods of February 2009 to June 2009 and December 2009. While, SWARCH (3,1) model can detect the financial crisis in Indonesia In December 1990, January 1991, February 1991 and March 2009 until May 2009. Then the results of the export data forecasted can be concluded that the periods of January 2015 to the December 2015 financial crisis did not occur in Indonesia based on indicators of export. Keywords: detection of crisis, export, SWARCH, two state, three state.
iv
MOTTO
”Man Jadda Wajada” Allah tidak akan mengubah nasib suatu kaum sampai kaum itu mengubah nasib mereka sendiri -QS Al-Anfal (8): 53
Bersama kesulitan ada kemudahan Bersama kesulitan ada kemudahan -QS Al-Insyirah (94): 5-6
v
PERSEMBAHAN
Karya ini kupersembahkan untuk Kedua orang tua saya Bapak Harto Surip dan Ibu Dalinem, keempat kakak saya Rio, Rahayu, Budi, Eni dan keempat keponakan saya Rahma, Sasa, Rifan, Brillyant serta teman-teman Matematika FMIPA UNS angkatan 2011, sebagai wujud atas doa, semangat dan pengorbanan yang diberikan.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan penulisan skripsi ini. Penyusunan skripsi ini tidak akan berhasil dengan baik tanpa bantuan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penulisan ini, terutama kepada: 1. Bapak Drs. Sugiyanto, M.Si. selaku Pembimbing I yang telah mengarahkan dan memberikan bimbingan dalam menyelesaiakn skripsi ini, dan 2. Bapak Supriyadi Wibowo, S.Si., M.Si. selaku Pembimbing II yang telah memberikan arahan dan masukan dalam penulisan skripsi. 3. Semua pihak yang telah membantu penulis. Penulis berharap semoga skripsi ini bermanfaat.
Surakarta, Januari 2016
Penulis
vii
DAFTAR ISI
HALAMAN JUDUL . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii
ABSTRACT
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iv
MOTTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
v
PERSEMBAHAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
vi
KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . .
vii
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
DAFTAR TABEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xii
DAFTAR NOTASI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii I
PENDAHULUAN
1
1.1
Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2
Perumusan Masalah
. . . . . . . . . . . . . . . . . . . . . . . . .
4
1.3
Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.4
Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . .
4
II LANDASAN TEORI
6
2.1
Tinjauan Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.2
Teori-Teori Penunjang . . . . . . . . . . . . . . . . . . . . . . . .
9
2.2.1
Indikator Ekspor . . . . . . . . . . . . . . . . . . . . . . .
9
2.2.2
Model Runtun Waktu dan Stasioner . . . . . . . . . . . .
9
2.2.3
Uji Augmented Dickey Fuller (ADF) . . . . . . . . . . . .
10
2.2.4
Log Return . . . . . . . . . . . . . . . . . . . . . . . . . .
10
viii
2.2.5
Autocorrelation Function (ACF ) dan Partial Autocorrelation Function (PACF ) . . . . . . . . . . . . . . . . . . . .
11
2.2.6
Model Autoregressive Moving Average (ARMA) . . . . . .
12
2.2.7
Identifikasi Model ARMA . . . . . . . . . . . . . . . . . .
13
2.2.8
Estimasi Parameter Model ARMA . . . . . . . . . . . . .
13
2.2.9
Uji Efek Heteroskedastisitas . . . . . . . . . . . . . . . . .
16
2.2.10 Model Autoregressive Conditional Heteroscedasticity (ARCH ) 17 2.2.11 Estimasi Parameter ARCH
2.3
. . . . . . . . . . . . . . . . .
17
2.2.12 Kriteria Informasi . . . . . . . . . . . . . . . . . . . . . . .
22
2.2.13 Uji Diagnostik Model . . . . . . . . . . . . . . . . . . . . .
23
2.2.14 Uji Perubahan Struktur . . . . . . . . . . . . . . . . . . .
24
2.2.15 Model Markov Switching . . . . . . . . . . . . . . . . . . .
25
2.2.16 Model SWARCH . . . . . . . . . . . . . . . . . . . . . . .
28
2.2.17 Filtered Probabilities . . . . . . . . . . . . . . . . . . . . .
31
Kerangka Pemikiran . . . . . . . . . . . . . . . . . . . . . . . . .
34
III METODE PENELITIAN
36
IV HASIL DAN PEMBAHASAN
39
4.1
Deskripsi Data . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
4.2
Log Return . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
4.3
Pembentukan Model ARMA . . . . . . . . . . . . . . . . . . . . .
41
4.3.1
Identifikasi Model ARMA . . . . . . . . . . . . . . . . . .
41
4.3.2
Estimasi Parameter Model ARMA . . . . . . . . . . . . .
42
4.3.3
Uji Efek Heteroskedastisitas . . . . . . . . . . . . . . . . .
43
Pembentukan Model Volatilitas . . . . . . . . . . . . . . . . . . .
44
4.4.1
Model ARCH . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.4.2
Model GARCH . . . . . . . . . . . . . . . . . . . . . . . .
45
4.4.3
Uji Diagnostik Model ARCH (1 ) . . . . . . . . . . . . . . .
46
4.4.4
Pemilihan Model Terbaik . . . . . . . . . . . . . . . . . . .
48
Uji Perubahan Struktur . . . . . . . . . . . . . . . . . . . . . . .
49
4.4
4.5
ix
4.6
Pembentukan Model SWARCH . . . . . . . . . . . . . . . . . . .
50
4.6.1
Pembentukan Model SWARCH (2,1 ) . . . . . . . . . . . .
50
4.6.2
Pembentukan Model SWARCH (3,1 ) . . . . . . . . . . . .
51
4.7 Filtered Probabilities . . . . . . . . . . . . . . . . . . . . . . . . .
53
4.8
4.7.1
Filtered Probabilities Berdasarkan Model SWARCH (2,1 ) .
54
4.7.2
Filtered Probabilities Berdasarkan Model SWARCH (3,1 ) .
55
Pendeteksian Krisis Keuangan di Indonesia . . . . . . . . . . . . .
57
4.8.1
Pendeteksian Krisis Keuangan di Indonesia Berdasarkan Model SWARCH (2,1 ) . . . . . . . . . . . . . . . . . . . .
4.8.2
4.9
57
Pendeteksian Krisis Keuangan di Indonesia Berdasarkan Model SWARCH (3,1 ) . . . . . . . . . . . . . . . . . . . .
58
Peramalan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
4.9.1
Peramalan Volatilitas . . . . . . . . . . . . . . . . . . . . .
60
4.9.2
Peramalan Rata-Rata Bersyarat . . . . . . . . . . . . . . .
60
4.9.3
Pendeteksian Krisis Keuangan di Indonesia . . . . . . . . .
62
V PENUTUP
66
5.1
Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
5.2
Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
LAMPIRAN
70
LAMPIRAN 1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
LAMPIRAN 2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
x
DAFTAR TABEL
2.1
Karakteristik plot ACF dan PACF . . . . . . . . . . . . . . . . .
4.1
Hasil estimasi parameter model ARMA pada data log return ekspor 42
4.2
Hasil estimasi parameter model ARCH . . . . . . . . . . . . . . .
44
4.3
Hasil estimasi parameter model GARCH . . . . . . . . . . . . . .
45
4.4
Hasil estimasi parameter model ARCH (1 ) dengan metode QMLE
48
4.5
Hasil uji Chow breakpoint
. . . . . . . . . . . . . . . . . . . . . .
49
4.6
Hasil estimasi parameter model SWARCH (2,1 ) . . . . . . . . . .
50
4.7
Hasil estimasi parameter model SWARCH (3,1 ) . . . . . . . . . .
52
4.8
Nilai filtered probabilities pada periode data yang mengalami perubahan struktur untuk dua state
4.9
. . . . . . . . . . . . . . . . . .
13
58
Nilai filtered probabilities pada periode data yang mengalami perubahan struktur untuk tiga state . . . . . . . . . . . . . . . . . .
59
4.10 Hasil ramalan volatilitas log return periode Januari 2015 - Desember 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
4.11 Hasil ramalan log return nilai ekspor periode Januari 2015 - Desember 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12 Hasil ramalan nilai ekspor periode Januari 2015 - Desember 2015
61 62
4.13 Hasil uji Chow breakpoint data ramalan nilai ekspor periode Januari 2015 - Desember 2015 . . . . . . . . . . . . . . . . . . . . . .
63
4.14 Nilai filtered probabilities data ramalan nilai ekspor untuk dua state 64 4.15 Nilai filtered probabilities data ramalan nilai ekspor untuk tiga state 65
xi
DAFTAR GAMBAR
0.1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ii
4.1
Plot data nilai ekspor
. . . . . . . . . . . . . . . . . . . . . . . .
39
4.2
Plot log return nilai ekspor . . . . . . . . . . . . . . . . . . . . . .
40
4.3
Plot ACF dan PACF log return nilai ekspor . . . . . . . . . . . .
41
4.4
Plot residu model ARMA(1,0 ) . . . . . . . . . . . . . . . . . . . .
43
4.5
Plot ACF dan PACF residu model ARCH (1 ) sampai lag ke-20 .
46
4.6
Plot filtered probabilities tiap data nilai ekspor . . . . . . . . . . .
54
4.7
Plot nilai filtered probabilities data yang lebih dari 0,5 . . . . . . .
55
4.8
Plot filtered probabilities tiap data nilai ekspor . . . . . . . . . . .
55
4.9
Plot nilai filtered probabilities data diantara 0,4 dan 0,6 . . . . . .
56
4.10 Plot nilai filtered probabilities lebih dari 0,6 . . . . . . . . . . . . .
56
xii
DAFTAR NOTASI
Pt
:
data nilai ekspor pada waktu ke-t
Rt
:
return pada waktu ke-t
rt
:
log return pada waktu ke-t
T
:
jumlah observasi
E(.)
:
harga harapan
µ
:
rata-rata
:
variansi
γk
:
autokovariansi pada lag-k
ρk
: autokorelasi pada lag-k
ϕkk
: autokorelasi parsial
ϕ
: parameter autoregressive
θ
:
parameter moving average
p
:
orde dari autoregressive
q
:
orde dari moving average
x
:
variabel bebas
S∗ ∑
:
jumlah kuadrat residu
:
notasi penjumlahan
εt
:
residu model rata-rata bersyarat pada waktu ke-t
ut
:
deret white noise berdistribusi normal dengan variansi satu
σ
2
dan rata-rata nol ψt
: himpunan semua informasi sampai waktu ke-t
m
: orde dari ARCH
α
: parameter ARCH
f (.)
:
fungsi densitas probabilitas
xiii
ω ¯
:
vektor parameter ARCH
θ¯
:
vektor parameter SWARCH
H0
:
hipotesis nol
H1
:
hipotesis alternatif
ξ
:
statistik uji pengali Lagrange
Q
:
statistik uji Ljung-Box
JB
:
statistik uji Jarque-Bera
ˆ t) S(r
:
koefisien skewness data log return pada waktu ke-t
ˆ t ) : koefisien kurtosis data log return pada waktu ke-t K(r F
:
statistik uji Chow breakpoint
st
:
state pada waktu ke-t
pij
:
probabilitas transisi state i akan diikuti state j
pjt
:
probabilitas state j waktu ke-t berdasarkan informasi ψt
L ∏
:
fungsi likelihood
:
notasi perkalian
ℓ
:
fungsi log likelihood
k
:
banyaknya parameter
xiv
BAB I PENDAHULUAN 1.1
Latar Belakang
Krisis keuangan adalah keadaan dimana terdapat serangan terhadap mata uang yang mengakibatkan terjadinya penurunan nilai mata uang lokal terhadap mata uang asing sehingga mengakibatkan cadangan devisa menurun secara signifikan (Kaminsky et al. [21]). Krisis keuangan yang melanda Asia pada pertengahan tahun 1997 diawali dengan jatuhnya nilai mata uang Bath di Thailand kemudian merembet ke berbagai Negara Asia lainnya seperti Indonesia, Malaysia, Philipina dan Korea Selatan. Krisis keuangan ini memberikan dampak yang luar biasa bagi perekonomian Indonesia. Akibatnya Indonesia mengalami krisis keuangan pada pertengahan Juli 1997. Indonesia telah berkali-kali mengalami krisis keuangan sejak tahun 1970 tepatnya pada tahun 1978, 1983, 1986, 1997 (Abimanyu dan Imansyah [1]). Selanjutnya menjelang akhir triwulan III-2008 Indonesia kembali mengalami krisis pasar modal akibat dampak krisis keuangan global. Krisis keuangan global muncul sejak bulan Agustus 2007 sampai dengan tahun 2009 yang berawal dari macetnya pembayaran cicilan kredit perumahan di Amerika Serikat (Bank Indonesia [2]). Krisis keuangan dunia tersebut telah berimbas ke perekonomian Indonesia sebagaimana tercemin dari gejolak di pasar modal dan pasar uang. Nilai tukar Rupiah yang naik menjadi Rp.10.900/USD pada akhir Desember 2008 membuat neraca pembayaran mengalami penurunan. Hal ini membuat peningkatan defisit transaksi berjalan yang terutama bersumber dari anjloknya kinerja ekspor sejalan dengan kontraksi perekonomian global yang diiringi dengan merosostnya harga berbagai komoditas ekspor seperti industri kayu, tekstil dan pengalengan ikan. Namun, krisis keuangan yang terjadi di Indonesia pada tahun 2008 1
memberikan dampak yang relatif kecil daripada krisis keuangan pada tahun 1997 (Bank Indonesia [2]). Krisis keuangan yang terjadi sebelum tahun 1997 lebih dikenal dengan krisis moneter karena terjadi krisis pada nilai tukar dan neraca perdagangan sehingga mengakibatkan merosotnya cadangan devisa (Abimanyu dan Imansyah [1]). Cadangan devisa yang dimiliki oleh suatu negara semakin merosot karena lebih tingginya nilai impor dari pada nilai ekspor sehingga perbaikan dalam neraca perdagangan sangat penting bagi Indonesia karena beberapa alasan. Salah satunya peningkatan ekspor akan berdampak pada meningkatnya cadangan devisa yang dapat menopang nilai rupiah yang stabil dan akan berdampak pada meningkatnya lapangan pekerjaan yang sangat sedikit tersedia akibat krisis keuangan. Menurut Abimanyu dan Imansyah [1], setelah terjadinya krisis Asia pada pertengahan tahun 1997 yang memberikan dampak demikian parah, maka International Monetary Fund (IMF ) menganggap perlu adanya sistem pendeteksian dini (early warning system). Sistem pendeteksian didefinisikan sebagai mekanisme/sistem atau cara untuk memprediksi krisis yang akan datang (Edison [12]). Banyak cara yang dapat dilakukan dalam pendeteksian krisis keuangan, salah satunya dengan cara pemantauan secara sederhana terhadap berbagai indikator ekonomi. Menurut Kaminsky et al. [21], dalam melakukan sistem pendeteksian dini dengan menitikberatkan pada monitoring sejumlah indikator (15 indikator) salah satunya adalah indikator ekspor. Ekspor dapat diartikan sebagai kegiatan yang menyangkut produksi barang dan jasa yang diproduksi pada suatu negara untuk dikonsumsikan diluar batas negara tersebut (Triyoso [26]). Menurut Gujarati [16], data runtun waktu didefinisikan sebagai himpunan observasi yang terurut terhadap dimensi waktu. Data bulanan ekspor merupakan data runtun waktu, sebab observasi diamati terurut berdasarkan waktu. Cryer [11] menyatakan bahwa model runtun waktu yang umum digunakan untuk data stasioner adalah autoregressive moving average (ARMA). Model ARMA memiliki asumsi residu model berdistribusi normal, tidak terdapat autokorelasi, dan
2
variansi residu konstan (homoskedastisitas). Sedangkan fakta di lapangan menunjukkan bahwa data finansial umumnya tidak stasioner yang bersifat heteroskedastisitas karena kecenderungan berfluktuasi secara cepat dari waktu ke waktu sehingga variansi residu akan selalu berubah dari waktu ke waktu. Engle [13] memperkenalkan model autoregressive conditional heteroscedasticity (ARCH ) untuk memodelkan data yang memiliki variansi residu yang tidak konstan. Model ARCH ini akan menghasilkan estimasi parameter yang bias ketika modelnya berorde tinggi. Kemudian Bollerslev [3] memperkenalkan generalized autoregressive conditional heteroscedasticity (GARCH ) yang merupakan penyederhanaan dari model ARCH dengan mengikutsertakan variansi masa lalu. Kedua model tersebut mempunyai asumsi bahwa kondisi bad news dan good news memberikan pengaruh yang simetris terhadap volatilitasnya. Chen [8] mengungkapkan bahwa data finansial sering mengalami suatu keadaan dimana kondisi bad news dan good news memberikan pengaruh yang tidak simetris terhadap volatilitasnya disebut dengan leverage effect. Oleh karena itu, Nelson [24] memperkenalkan model exponential generalized autoregressive conditional heteroscedasticity (EGARCH ) untuk mengatasi kelemahan model ARCH dan GARCH dalam menangkap keasimetrisan dalam kondisi bad news dan good news. Namun, model ARCH, GARCH dan EGARCH tidak dapat memperhitungkan perubahan struktur yang terjadi pada data. Data runtun waktu dapat mengalami perubahan struktur yang disebabkan oleh perubahan kebijakan, perang atau bencana alam. Perubahan struktur juga dapat disebabkan oleh kejadian krisis di mana kejadian tersebut menyebabkan volatilitas bereaksi sangat berbeda. Oleh sebab itu, volatilitas berhubungan dengan perubahan struktur. Sebagai alternatif pemodelan data runtun waktu yang mengalami perubahan struktur akibat dari variabel random tidak teramati (state), Hamilton [17] memperkenalkan model Markov switching dalam proses autoregressive. Model Markov switching ini dapat menjelaskan perubahan struktur dengan baik tetapi tidak dapat menjelaskan adanya volatilitas data. Kemudian Hamilton dan Susmel [18] memperkenalkan model Markov switching ARCH (SWARCH ). Gray [15] memperkenal-
3
kan model Markov switching GARCH (MS-GARCH ) yang mempunyai karakteristik sama dengan SWARCH tetapi melibatkan karakteristik yang lebih sederhana, dan Henry [19] memperkenalkan model Markov switching EGARCH (MSEGARCH ). Ketiga model tersebut dapat menjelaskan perubahan struktur dengan baik dan mendeteksi pergeseran volatilitas pada data. Beberapa penelitian dalam melakukan pendeteksian krisis keuangan telah dikembangkan di beberapa negara, salah satunya Chang et al. [7] menggunakan model SWARCH untuk meneliti dampak dari krisis keuangan global di Korea. Pada penelitian ini dilakukan pendeteksian krisis keuangan di Indonesia menggunakan indikator ekspor dengan menggunakan model SWARCH. Data ekspor diindikasikan memiliki efek heteroskedastisitas dan mengalami perubahan struktur sehingga dapat dimodelkan menggunakan model SWARCH dengan asumsi dua state dan tiga state. Dua state terbagai menjadi dua kondisi yaitu kondisi volatil dan kondisi stabil. Selanjutnya tiga state terbagai menjadi tiga kondisi yaitu volatilitas rendah, volatilitas sedang, dan volatilitas tinggi.
1.2
Perumusan Masalah
Berdasarkan latar belakang masalah, dapat disusun rumusan masalah yakni bagaimana melakukan pendeteksian krisis keuangan di Indonesia menggunakan gabungan model volatilitas dan Markov switching berdasarkan indikator ekspor.
1.3
Tujuan Penelitian
Berdasarkan perumusan masalah, tujuan dari penelitian ini adalah mendeteksi krisis keuangan di Indonesia menggunakan gabungan model volatilitas dan Markov switching berdasarkan indikator ekspor.
1.4
Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah dapat memberikan pemahaman mengenai pemodelan data runtun waktu yang mempunyai variansi 4
yang tidak konstan, adanya perubahan struktur dan dapat mengetahui probabilitas sinyal adanya krisis di Indonesia pada periode mendatang melalui indikator ekspor.
5
