Abstract
This paper aims to
analyze the relationship between variables that become determinants of the
current account in Indonesia. By using the model of vector autoregression
(VAR), a dynamic system of six variables has been estimated: the current
account, the index of economic growth in major trading partners (MTP), the commodity price index (COMPI), real effective exchange
rate (REER), domestic demand (DOMD) and the central bank's
interest rate policy (BIR) as a determinant of
the current account. Analysis using the impulse response function shows that
the response of the current account tends to be negative over the shock of
variable MTP, COMPI, REER and DOMD. As
against shock BIR variable, the current account has a positive reaction. Analysis
using the forecast error variance decomposition shows that the current account
shock explains most of the fluctuations in the current account which is
followed by domestic demand, commodity prices, and the monetary policy rate.
The existence of inter-relationship variables be determinant in the current
account shows the growing importance of economic policy coordination to improve the current
account.
Keywords: balance
of payment, current account balance, external sector, vector
autoregressive
Abstrak
Tulisan ini bertujuan untuk menganalisis hubungan
antar variabel yang menjadi determinan neraca transaksi berjalan di Indonesia. Dengan menggunakan model vector autoregression (VAR), telah
diestimasi sistem dinamis atas enam variabel yaitu neraca transaksi berjalan,
indeks pertumbuhan ekonomi mitra dagang utama (MTP), indeks harga komoditas
(COMPI), nilai tukar efektif riil (REER), permintaan domestik (DOMD) dan suku
bunga kebijakan bank sentral (BIR) sebagai determinan neraca transaksi
berjalan. Analisa dengan menggunakan impulse
response function menunjukkan bahwa respons neraca transaksi berjalan
cenderung negatif atas shok dari variabel MTP, COMPI, REER dan DOMD. Sedangkan terhadap shok
variabel BIR, neraca transaksi berjalan bereaksi positif. Analisa
dengan menggunakan forecast error
variance decomposition menunjukkan bahwa shok neraca transaksi berjalan menjelaskan
sebagian besar fluktuasi neraca transaksi berjalan yang diikuti oleh permintaan
domestik, harga komoditas, dan suku bunga kebijakan moneter. Adanya keterkaitan
hubungan variabel-variabel yang menjadi determinan neraca transaksi berjalan
menunjukkan semakin pentingnya sinkroninasi kebijakan ekonomi untuk memperbaiki
kinerja neraca transaksi berjalan.
Kata
kunci: neraca
pembayaran, neraca transaksi berjalan, sektor eksternal, vector auto regression
JEL Classifications: C32, F32, F41
I. PENDAHULUAN
Gejolak
ekonomi global yang diawali dengan krisis keuangan global pada tahun 2008-2009
dan berlanjut dengan krisis utang Eropa pada tahun 2010-2013 telah mendorong
terjadinya ketidakseimbangan eskternal (external
imbalance) di beberapa negara tidak terkecuali Indonesia yang merupakan
konsekuensi dari small open economy.
Ketidakseimbangan eksternal ini bersumber dari melemahnya ekspor Indonesia yang
disebabkan oleh lemahnya permintaan mitra dagang Indonesia atas produk ekspor
dan lemahnya harga komoditas ekspor.
Dampak krisis utang Eropa dapat dilihat pada porsi
ekspor Indonesia ke Eropa pada tahun 2010 mencapai 10,9% dari total ekspor yang
kemudian mengalami penurunan menjadi
9,2% dari total ekspor pada tahun 2013. Dampak krisis utang Eropa juga dapat dilihat
melalui keterbukaan (exposure) sektor
finansial Indonesia terhadap sumber dana dari luar negeri. Menurut data Coordinated Portfolio Investment Survey (CPIS)
IMF, per Desember 2013 investasi portofolio negara-negara Eropa di Indonesia mencapai
25% dari total investasi portofolio.
Nilai ini mengalami penurunan dibandingkan posisi per Desember 2011 yang
mencapai 28% dari total portofolio.
Di
sisi lain, aktivitas perekonomian domestik yang masih kuat, baik konsumsi
maupun investasi, telah mendorong permintaan barang impor yang tinggi terutama
impor bahan baku dan barang modal. Kondisi-kondisi tersebut di atas telah
mendorong terjadinya defisit transaksi berjalan yang telah berlangsung selama
12 triwulan berturut-turut (Q4-2011 s.d. Q3-2014).
Untuk
merespon defisit transaksi berjalan tersebut, otoritas fiskal dan moneter
mengeluarkan beberapa kebijakan yang diperkirakan dapat mengurangi tekanan
defisit transaksi berjalan. Beberapa kebijakan Pemerintah yang diarahkan untuk
mengurangi pelebaran defisit transaksi berjalan antara lain adalah menaikkan
harga BBM bersubsidi pada Juni 2013, meningkatkan porsi biodiesel dalam porsi
solar, mengenakan tambahan Pajak Penjualan Barang Mewah pada produk tertentu,
melakukan penyesuaian tarif PPh 22 impor atas barang tertentu dan penyesuaian
fasilitas pembebasan Impor barang untuk tujuan ekspor. Sementara itu, otoritas
moneter mengeluarkan beberapa kebijakan seperti menaikkan BI rate, stabilisasi
nilai tukar, dan kebijakan makroprudensial dengan pengendalian pertumbuhan
kredit melalui kebijakan rasio loan to
value (LTV).
Berdasarkan
uraian di atas, tulisan ini berusaha untuk menjawab permasalahan terkait dengan
neraca transaksi berjalan, yaitu 1) variabel-variabel apa saja yang mempengaruhi
(determinan) neraca transaksi berjalan? 2) bagaimana variabel-variabel tersebut
neraca transaksi berjalan saling berinteraksi?
Tulisan ini bertujuan untuk menganalisis hubungan
antar variabel yang menjadi determinan neraca transaksi berjalan serta memberikan rekomendasi kebijakan.
II. TINJAUAN PUSTAKA
2.1. Determinan Neraca Transaksi Berjalan
Menurut
Ang dan Sek (2012) serta Yang (2011), ada tiga pendekatan yang dapt menjelaskan
determinan neraca transaksi berjalan yaitu pendekatan elastisitas (elasticity approach), pendekatan absorpsi
(absorption approach) dan pendekatan
antarwaktu (intertemporal approach).
Pendekatan elastisitas menekankan pada peranan harga internasional dan nilai
tukar yang mempengaruhi neraca perdagangan suatu negara serta melihat
faktor-faktor yang mempengaruhi harga dan nilai tukar.
Pendekatan
absorpsi melihat neraca transaksi berjalan (CA) sebagai selisih antara pendapatan
(gross national disposable income =
GNDI) dan absorpsi (A = C + I, dimana C= konsumsi dan I = investasi) yang dapat
ditulis sebagai
CA = GNDI – A
sehingga
defisit neraca transaksi berjalan terjadi jika absorpsi (permintaan domestik)
melebihi pendapatan dan sebaliknya surplus neraca transaksi berjalan terjadi
jika absorpsi lebih rendah dibandingkan pendapatan.
Pendekatan
antarwaktu melihat neraca transaksi berjalan sebagai selisih (gap) antara tabungan (S) dan investasi
(I) serta faktor-faktor ekonomi makro yang mempengaruhi keduanya atau dapat
dinotasikan sebagai berikut
CA
= S – I
sehingga
defisit neraca transaksi berjalan terjadi jika belanja investasi melebihi
tabungan yang tersedia dan sebaliknya surplus neraca transaksi berjalan terjadi
jika tabungan yang ada dapat menutupi kebutuhan belanja investasi.
2.2. Studi Empiris Tentang Determinan
Neraca Transaksi Berjalan
Lee
dan Chinn (1998) melakukan penelitian analisis neraca transaksi berjalan dengan
menggunakan model structural VAR.
Dengan menggunakan sampel tujuh negara industri (AS, Kanada, Inggris, Jepang,
Jerman, Perancis dan Itali) selama periode triwulan 2 1979 s.d. triwulan 4 1994
disimpulkan bahwa shok permanen (inovasi teknologi) mendorong apreasiasi nilai
tukar riil yang permanen akan tetapi pengaruhnya pada neraca transaksi berjalan
tidak signifikan. Sementara, shok temporer (inovasi moneter) berperan besar dalam
menjelaskan variasi neraca transaksi berjalan karena shok temporer menyebabkan
depresiasi nilai tukar dan secara bersamaan memperbaiki neraca transaksi
berjalan.
Bitzis,
Paleologos dan Papazoglou (2008) melakukan penelitian terhadap faktor-faktor
yang mempengaruhi neraca transaksi berjalan Yunani dengan menggunakan data
triwulanan untuk periode 1995Q1-2006Q4 dengan metode multivariate vector
autoregressive (MVAR). Variabel independen pada penelitian ini adalah defisit
anggaran, nilai tukar efektif riil, output
gap Yunani, suku bunga riil, terms of
trade, output gap Uni Eropa,
harga minyak dan ongkos angkut (freight
prices). Hasil studi Bitzis, Paleologos dan Papazoglou (2008) menunjukkan
bahwa nilai tukar efektif riil dan suku bunga riil sangat besar pengaruhnya
pada neraca transaksi berjalan di Yunani. Faktor-faktor lainnya yang
berpengaruh adalah output gap Uni Eropa
dan terms of trade. Sedangkan
variabel defisit anggaran tidak cukup kuat mempengaruhi neraca transaksi
berjalan Yunani.
Hung
dan Gamber (2010) dengan menggunakan model vector error correction model (VECM)
membandingkan dua pendekatan (absorption
dan elasticity) untuk memodelkan
determinan neraca transaksi berjalan Amerika Serikat (AS). Untuk pendekatan absorption, variabel yang menjadi
determinan adalah nilai tukar riil, pertumbuhan PDB AS, indeks pertumbuhan PDB
15 negara mitra dagang utama AS, suku bunga riil, rasio dependensi, kekayaan
swasta AS, laba bersih korporasi, dan anggaran belanja pemerintah AS.Untuk
pendekatan elasticity hanya memasukkan tiga variabel yaitu nilai tukar riil,
pertumbuhan PDB AS, dan indeks pertumbuhan PDB 15 negara mitra dagang utama AS.
Hasilnya adalah bahwa kemampuan proyeksi pendekatan absorption mengungguli pendekatan elasticity. Tiga variabel yang secara signifikan berpengaruh
negatif terhadap neraca transaksi berjalan adalah nilai tukar riil, pertumbuhan
ekonomi AS, dan kekayaan swasta. Sementara itu, variabel pertumbuhan mitra
dagang AS dan anggaran belanja AS berpengaruh positif terhadap neraca transaksi
berjalan.
Yang
(2011) melakukan kajian determinan neraca transaksi berjalan delapan besar
ekonomi Asia (Tiongkok, Hong Kong, India, Korea, Malaysia, Philipina, Singapura
dan Thailand) untuk periode 1980-2009 dengan data triwulanan menggunakan metode
vector autoregression (VAR). Variabel yang menjelaskan neraca transaksi
berjalan adalah stok awal aktiva asing bersih (initial stock of net foreign assets), keterbukaan perdagangan (trade opennes), nilai tukar efektif
riil, dan pendapatan relatif domestik (domestic
relative income). Hasil kajian Yang (2011) menunjukkan bahwa stok awal
aktiva asing bersih dan keterbukaan perdagangan berperan penting menjelaskan
perilaku jangka panjang neraca transaksi berjalan tetapi kurang berperan dalam
jangka pendek. Sementara itu, nilai tukar efektif riil kurang berperan
menjelaskan perilaku baik jangka panjang maupun jangka pendek neraca transaksi berjalan.
Kayikci
(2012) melakukan penelitian determinan neraca transaksi berjalan Turki periode
1987-2009 dengan menggunakan model VAR dengan memasukkan variabel rasio neraca
transaksi berjalan terhadap PDB, tingkat pertumbuhan PDB, rasio PMTB terhadap
PDB, rasio tabungan terhadap PDB, rasion ekspor dan impor terhadap PDB,
pertumbuhan harga minyak Brent, inflasi, dan nilai tukar efektif riil sebagai
variabel endogen. Hasilnya adalah bahwa pertumbuhan PDB, investasi, harga
minyak dan nilai tukar riil berdampak negatif terhadap neraca transaksi
berjalan sedangkan inflasi dan tabungan berdampak positif.
Ang
dan Sek (2012) dengan menggunakan Generalized
Method of Moment (GMM) melakukan penelitian atas dinamika neraca transaksi
berjalan di negara-negara Asia yang terkena krisis (Indonesia, Korea, Filipina,
dan Thailand). Variabel yang menjadi determinan neraca transaksi berjalan
adalah nilai tukar efektif nominal, indeks harga konsumen (IHK), suku bunga, terms of trade, keterbukaan perdagangan,
cadangan devisa, serta dua variabel dummy
yaitu krisis dan perubahan kebijakan. Hasilnya adalah bahwa determinan neraca
transaksi berjalan memiliki dampak yang berbeda-beda untuk setiap negara karena
perbedaan struktur ekonomi. Untuk Indonesia, variabel yang signifikan mempengaruhi
neraca transaksi berjalan adalah IHK, terms
of trade, cadangan devisa (negatif), nilai tukar, dan perubahan kebijakan
(negatif) sedangkan variabel keterbukaan perdagangan, suku bunga dan krisis
sama sekali tidak signifikan.
III. METODOLOGI
3.1 Alat Analisis
Tulisan
ini menggunakan pendekatan analisis kuantitatif yaitu model
vector autoregression (VAR) karena dengan
model VAR kita
dapat menganalisis
hubungan antar variabel yang menjadi determinan neraca
transaksi berjalan,
baik itu hubungan simultanitas maupun hubungan dinamis.
Menurut
Asteriou dan Hall (2007) model VAR merupakan jawaban atas kritikan Sims (1980)
yang menyatakan bahwa jika ada simultanitas di antara sejumlah variabel maka
semua variabel tersebut harus diperlakukan sama atau dengan kata lain tidak
perlu adanya perbedaan perlakuan antara variabel endogen dan eksogen.
Menurut
Diebold (2007) model VAR yang terdiri dari N-variabel
dengan ordo p atau VAR(p) adalah mengestimasi sejumlah N persamaan yang berbeda dimana pada
setiap persamaan dilakukan regresi variabel sisi kiri terhadap p lag variabel itu sendiri dan p lag setiap variabel lainnya sehingga
variabel sisi kanan adalah sama untuk semua persamaan (p lag dari setiap variabel). Nizar (2012) menyusun persamaan model
VAR(p) sebagai berikut:
dimana
adalah vektor (n x 1) dari variabel time series pada waktu t,
adalah n x 1 vektor intersep model VAR,
adalah matriks n x n koefisien otoregresif vektor,
adalah variabel
lag dengan ordo i untuk i = 1,2, ... p,
adalah n x 1 vektor disturbance.
Menurut
Nizar (2012) ada dua pengujian yang harus dilakukan sebelum mengestimasi model
VAR yaitu uji akar unit (uji stasionaritas) dan penentuan panjang lag optimal.
Pengujian akar unit bertujuan untuk menguji apakah variabel stasioner atau
tidak sehingga terhindar dari regresi palsu (spurious
regression). Dua alat uji yang umum digunakan untuk uji akar unit adalah
uji Augmented Dickey-Fuller (ADF) dan uji Phillips-Perron (PP). Sementara itu, penentuan panjang lag yang
optimal bertujuan untuk memperoleh gangguan (disturbance/error terms) yang white noise.
Penentuan lag akan menggunakan kriteria Likelihood
Ratio (LR), Final Prediction Error
(FPE), Akaike Information Criterion
(AIC), Schwarz information criterion
(SC), dan Hannan-Quinn information
criterion (HQ). Akan tetapi, penentuan lag juga harus memperhatikan ukuran
sampel. Untuk ukuran sampel yang relatif kecil, degree of freedom akan terkuras habis jika menggunakan lag yang
panjang sehingga justru menghasilkan standard
error yang besar (Brooks, 2007).
Menurut
Diebold (2007) impulse-response function
adalah alat yang digunakan untuk mempelajari sifat dinamis model VAR yaitu
bagaimana suatu unit inovasi mempengaruhi suatu variabel, saat ini dan yang
akan datang. Cara lain untuk melihat sifat dinamis model VAR adalah melalui variance decomposition yang berusaha
menjawab “Berapa banyak varians dari kesalahan forecast variabel i yang
dijelaskan oleh inovasi terhadap variabel j?
3.2 Data
Data
yang digunakan adalah data sekunder dengan teknik pengumpulan data melalui
dokumentasi yang bersumber dari Bank Indonesia, BPS, Bank Dunia, Bank for International
Settlements (BIS) dan CEIC. Tulisan ini menggunakan data triwulanan untuk
periode triwulan III 1997 s.d. triwulan III 2014 yang meliputi:
1.
CA = rasio neraca transaksi
berjalan terhadap PDB (%).
2.
MTP = indeks pertumbuhan
triwulanan ekonomi negara-negara mitra dagang utama (major trading partners) Indonesia
yang meliputi 13 negara mitra dagang Indonesia (Australia, Tiongkok,
Jerman, India, Itali, Jepang, Korea, Malaysia, Filipina, Singapura, Taiwan,
Thailand dan AS) yang dibobot dengan menggunakan ekspor Indonesia ke
negara-negara tersebut. Ke-13 negara tersebut mencerminkan 78% dari total
ekspor pada tahun 2013. Variabel ini mencerminkan permintaan dunia atas produk
ekspor Indonesia.
3.
COMPI = indeks harga komoditas
dunia yang mencerminkan harga enam komoditas utama Indonesia (batu bara, LNG,
minyak sawit, karet, tembaga dan minyak bumi) yang dibobot dengan ekspornya.
Ke-6 komoditas ekspor tersebut mencerminkan 50% dari total ekspor pada tahun
2013.
4.
REER = indeks nilai tukar
efektif riil yang bersumber dari Bank for International Settlements (BIS).
Kenaikan indeks nilai tukar efektif riil menunjukkan apresiasi nilai tukar dan
sebaliknya penurunan indeks menunjukkan depresiasi.
5.
DOMD = permintaan domestik
yang merupakan penjumlahan pengeluaran konsumsi swasta dan Pembentukan Modal
Tetap Bruto (PMTB) pada PDB (Rp miliar, harga konstan tahun 2000).
6.
BIR = suku bunga kebijakan
Bank Indonesia (%). Variabel BIR ini mencerminkan transmisi kebijakan moneter
ke neraca transaksi berjalan.
7.
CRISIS = variabel dummy yang mencerminkan dua krisis yaitu
krisis keuangan Asia (Q3-1997 s.d. Q4-1998) dan krisis keuangan global (Q3-2008
s.d. Q2-2009). Variabel dummy ini
digunakan untuk menangkap adanya outlier
atau stuctural break pada data.
Variabel dummy bersama dengan
konstanta akan diperlakukan sebagai variabel eksogen pada model VAR.
IV. HASIL ANALISIS DAN PEMBAHASAN
4.1. Uji Akar Unit (Stasioneritas)
a. Uji Augmented Dickey- Fuller
Tabel 4.1 menunjukkan hasil uji
ADF dengan angka-angka yang merupakan angka statistik ADF. Jika angka statistik
ADF lebih kecil dibandingkan nilai kritis pada tingkat signifikan 1%, 5%, dan
10% maka variabel yang diuji adalah stasioner. Angka statistik ADF pada Tabel 4.1 menunjukkan
bahwa secara umum variabel-variabel yang diuji tidak stasioner pada level kecuali
variabel BIR sedangkan jika diuji pada diferensi pertama maka semua variabel
tersebut telah stasioner.
Table 4.1. Hasil Uji Augmented Dickey-Fuller
Uji Akar Unit pada Level
|
|||
Variabel
|
Intercept
|
Trend and Intercept
|
None
|
CA
|
-1.769
(1)
|
-6.266***
(0)
|
-1.6247*
(1)
|
MTP
|
0.956
(1)
|
-3.075
(1)
|
3.537
(1)
|
COMPI
|
-0.605
(2)
|
-2.363
(2)
|
0.7515
(2)
|
REER
|
-2.577
(0)
|
-4.902***
(0)
|
-0.705
(0)
|
DOMD
|
3.163
(0)
|
-4.009**
(0)
|
5.320
(0)
|
BIR
|
-12.397***
(4)
|
-13.451***
(4)
|
-7.319***
(4)
|
Uji Akar Unit pada Diferensi Pertama
|
|||
Variabel
|
Intercept
|
Trend and Intercept
|
None
|
ΔCA
|
-7.888***
(1)
|
-7.876***
(1)
|
-7.914***(1)
|
ΔMTP
|
-4.636***
(0)
|
-4.858***
(0)
|
-2.949***
(0)
|
ΔCOMPI
|
-6.489***
(1)
|
-6.493***
(1)
|
-6.360***
(1)
|
ΔREER
|
-7.136***
(0)
|
-7.040***
(0)
|
-7.203***
(0)
|
ΔDOMD
|
-5.069***
(0)
|
-6.148***
(0)
|
-2.828***
(1)
|
ΔBIR
|
-10.583***
(3)
|
-12.322***
(3)
|
-9.940***
(3)
|
Sumber:
Hasil EViews
Keterangan:
-
***,
**, dan * menunjukkan tingkat signifikansi pada masing-masing 1%, 5% dan 10%
dan penolakan hipotesis null bahwa variabel tidak stasioner.
-
Angka
dalam kurung adalah pemilihan panjang lag secara otomatis berdasarkan Schwarz
information criterion (SIC), yang dihitung oleh EViews 8.0 dengan maksimum lag
= 10.
b. Phillips-Perron Test
Sebagai perbandingan atas uji ADF, dilakukan uji Phillips-Perron
(PP). Jika angka statistik PP lebih kecil dibandingkan nilai kritis pada
tingkat signifikan 1%, 5%, dan 10% maka variabel yang diuji adalah stasioner. Secara
umum, uji PP menunjukkan bahwa variabel yang diuji tidak stasioner pada level.
Sementara itu, uji pada diferensi pertama menunjukkan bahwa variabel telah
stasioner.
Berdasarkan hasil uji ADF
dan PP serta untuk menghindari kesalahan dalam menolak hipotesis null maka dapat
disimpulkan bahwa semua variabel stasioner pada diferensi pertama.
Table 4.2. Hasil Uji Phillips-Perron
Uji Akar Unit pada Level
|
|||
Variabel
|
Intercept
|
Trend and Intercept
|
None
|
CA
|
-2.879*
(1)
|
-6.248***
(2)
|
-2.461**
(1)
|
MTP
|
1.485
(2)
|
-2.400
(3)
|
6.835
(2)
|
COMPI
|
-0.148
(6)
|
-2.278
(4)
|
1.304
(6)
|
REER
|
-2.963**
(2)
|
-5.313***
(4)
|
-0.711
(2)
|
DOMD
|
2.170
(4)
|
-4.108***
(4)
|
3.691
(4)
|
BIR
|
-2.422
(1)
|
-3.278*
(2)
|
-1.488
(0)
|
Uji Akar Unit pada Diferensi Pertama
|
|||
Variabel
|
Intercept
|
Trend and Intercept
|
None
|
ΔCA
|
-15.623***
(14)
|
-17.562***
(16)
|
-15.378***(13)
|
ΔMTP
|
-4.636***
(0)
|
-4.858***
(0)
|
-2.834***
(2)
|
ΔCOMPI
|
-4.413***
(13)
|
-4.441***
(14)
|
-4.339***
(13)
|
ΔREER
|
-9.682***
(20)
|
-10.368***
(22)
|
-9.409***
(18)
|
ΔDOMD
|
-5.038***
(2)
|
-6.129***
(1)
|
-4.180***
(3)
|
ΔBIR
|
-5.069***
(6)
|
-5.004***
(6)
|
-5.156***
(5)
|
Sumber:
Hasil EViews
Keterangan:
-
***,
**, dan * menunjukkan tingkat signifikansi pada masing-masing 1%, 5% dan 10%
dan penolakan hipotesis null bahwa variabel tidak stasioner.
-
Angka
dalam kurung adalah pemilihan panjang bandwith
secara otomatis berdasarkan Newey-West,
yang dihitung oleh EViews 8.0 dengan metode estimasi spektral, fungsi kernel Bartlett.
3.2. Penentuan
Panjang Lag Optimal
Penentuan panjang lag optimal pada sampel yang
relatif kecil cukup menyulitkan karena terlalu banyak lag akan menyebabkan
hilangnya degree of freedom dan
sebaliknya terlalu sedikit lag akan menyebabkan hasil estimasi kurang tepat. Menurut
Brooks (2007) jika ada g persamaan,
satu untuk setiap g variabel dan
dengan k lag dari setiap variabel
pada setiap persamaan maka perlu (g + kg2)
parameter yang harus diestimasi. Jika g = 8 dan k = 4 maka ada 264 parameter
yang harus diestimasi yang tentunya jumlah yang besar ini akan menghilangkan degree of freedom. Petunjuk umum
berdasarkan pengalaman (rule of thumb)
adalah untuk data tahunan, lag-nya adalah 1 atau 2 sedangkan untuk data
triwulanan, lag-nya adalah 4 atau 8. Alternatif lain adalah penentuan panjang
lag optimal berdasarkan panjang lag yang meminimalkan kriteria informasi
(Brooks, 2007). Karena keterbatasan jumlah sampel kecil dan untuk menghindari
hilangnya degree of freedom jika
menggunakan lag yang panjang sehingga justru menghasilkan standard error yang besar maka diputuskan untuk menggunakan 4 lag
yang didukung oleh kriteria informasi berikut:
Tabel 4.3. Kriteria Pemilihan Panjang
Lag Optimal
Lag
|
LogL
|
LR
|
FPE
|
AIC
|
SC
|
HQ
|
0
|
-1343.235
|
NA
|
1.95e+11
|
43.02333
|
43.43155*
|
43.18388
|
1
|
-1271.855
|
124.6315
|
6.39e+10
|
41.90016
|
43.53303
|
42.54237*
|
2
|
-1236.901
|
54.37339
|
6.86e+10
|
41.93336
|
44.79087
|
43.05723
|
3
|
-1197.398
|
53.92465
|
6.72e+10
|
41.82215
|
45.90431
|
43.42769
|
4
|
-1133.637
|
74.89400*
|
3.33e+10*
|
40.94085
|
46.24766
|
43.02804
|
5
|
-1089.020
|
43.90871
|
3.45e+10
|
40.66729*
|
47.19875
|
43.23615
|
* indicates lag order selected by the criterion
|
||||||
LR: sequential modified LR test statistic (each test at 5%
level)
|
||||||
FPE: Final prediction error
|
||||||
AIC: Akaike information criterion
|
||||||
SC: Schwarz information criterion
|
||||||
HQ: Hannan-Quinn information criterion
|
||||||
Sumber: Hasil EViews
3.3. Estimasi
Model VAR
Hasil estimasi model VAR dengan lag empat triwulan
disajikan pada Tabel 4.4. Koefisien determinasi (adjusted R-squared) untuk persamaan neraca transaksi berjalan hanya
0,23 yang menunjukkan bahwa variabel-variabel yang ada tidak cukup kuat untuk
menjelaskan fluktuasi neraca transaksi berjalan. Hal ini tidak mengherankan
karena fluktuasi variabel neraca transaksi berjalan dipengaruhi oleh banyak
variabel baik yang bersumber dari eksternal maupun domestik.
Tabel 4.4.
Hasil Estimasi Model VAR
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
||
D(CA(-1))
|
-0.604291
|
0.056263
|
0.329053
|
-0.312887
|
578.0223
|
0.000384
|
|
(0.16243)
|
(0.09252)
|
(0.75652)
|
(0.31931)
|
(251.531)
|
(0.12318)
|
||
[-3.72031]
|
[ 0.60809]
|
[ 0.43496]
|
[-0.97989]
|
[ 2.29801]
|
[ 0.00311]
|
||
D(CA(-2))
|
-0.420023
|
0.138622
|
0.884257
|
0.242413
|
177.4442
|
-0.116474
|
|
(0.17942)
|
(0.10220)
|
(0.83564)
|
(0.35271)
|
(277.840)
|
(0.13606)
|
||
[-2.34101]
|
[ 1.35635]
|
[ 1.05817]
|
[ 0.68729]
|
[ 0.63866]
|
[-0.85603]
|
||
D(CA(-3))
|
-0.342388
|
0.161913
|
0.789886
|
0.092803
|
314.5343
|
-0.029160
|
|
(0.17537)
|
(0.09989)
|
(0.81678)
|
(0.34474)
|
(271.569)
|
(0.13299)
|
||
[-1.95238]
|
[ 1.62084]
|
[ 0.96707]
|
[ 0.26919]
|
[ 1.15821]
|
[-0.21926]
|
||
D(CA(-4))
|
-0.007186
|
0.077008
|
0.820766
|
-0.209794
|
174.8677
|
-0.100477
|
|
(0.15728)
|
(0.08959)
|
(0.73251)
|
(0.30918)
|
(243.550)
|
(0.11927)
|
||
[-0.04569]
|
[ 0.85958]
|
[ 1.12048]
|
[-0.67856]
|
[ 0.71800]
|
[-0.84243]
|
||
D(MTP(-1))
|
0.155446
|
0.155005
|
-0.080515
|
0.075408
|
246.9353
|
0.118110
|
|
(0.28185)
|
(0.16055)
|
(1.31270)
|
(0.55406)
|
(436.453)
|
(0.21374)
|
||
[ 0.55153]
|
[ 0.96548]
|
[-0.06134]
|
[ 0.13610]
|
[ 0.56578]
|
[ 0.55259]
|
||
D(MTP(-2))
|
-0.222108
|
-0.019051
|
-1.057677
|
-0.583402
|
242.2465
|
-0.166156
|
|
(0.24763)
|
(0.14106)
|
(1.15333)
|
(0.48679)
|
(383.466)
|
(0.18779)
|
||
[-0.89694]
|
[-0.13506]
|
[-0.91706]
|
[-1.19846]
|
[ 0.63173]
|
[-0.88480]
|
||
D(MTP(-3))
|
0.087568
|
0.168091
|
2.368435
|
-0.501369
|
108.4572
|
-0.112627
|
|
(0.25247)
|
(0.14381)
|
(1.17585)
|
(0.49630)
|
(390.955)
|
(0.19146)
|
||
[ 0.34685]
|
[ 1.16884]
|
[ 2.01422]
|
[-1.01021]
|
[ 0.27742]
|
[-0.58826]
|
||
D(MTP(-4))
|
-0.074442
|
-0.208716
|
-2.012753
|
-0.244352
|
-201.9673
|
-0.107624
|
|
(0.22344)
|
(0.12728)
|
(1.04068)
|
(0.43925)
|
(346.011)
|
(0.16945)
|
||
[-0.33316]
|
[-1.63984]
|
[-1.93408]
|
[-0.55630]
|
[-0.58370]
|
[-0.63514]
|
||
D(COMPI(-1))
|
-0.033258
|
0.004935
|
0.619407
|
0.038182
|
57.62103
|
-0.025185
|
|
(0.03297)
|
(0.01878)
|
(0.15356)
|
(0.06481)
|
(51.0560)
|
(0.02500)
|
||
[-1.00874]
|
[ 0.26276]
|
[ 4.03370]
|
[ 0.58911]
|
[ 1.12859]
|
[-1.00729]
|
||
D(COMPI(-2))
|
0.021886
|
-0.001089
|
-0.463635
|
-0.034507
|
-13.81641
|
0.004651
|
|
(0.03759)
|
(0.02141)
|
(0.17507)
|
(0.07389)
|
(58.2098)
|
(0.02851)
|
||
[ 0.58222]
|
[-0.05086]
|
[-2.64822]
|
[-0.46697]
|
[-0.23736]
|
[ 0.16317]
|
||
D(COMPI(-3))
|
-0.010324
|
-0.004708
|
-0.040844
|
0.041174
|
-35.31028
|
-0.032946
|
|
(0.03709)
|
(0.02112)
|
(0.17272)
|
(0.07290)
|
(57.4283)
|
(0.02812)
|
||
[-0.27840]
|
[-0.22288]
|
[-0.23647]
|
[ 0.56477]
|
[-0.61486]
|
[-1.17147]
|
||
D(COMPI(-4))
|
-0.036269
|
0.001983
|
-0.197723
|
0.101260
|
42.72531
|
-0.001749
|
|
(0.03379)
|
(0.01925)
|
(0.15736)
|
(0.06642)
|
(52.3187)
|
(0.02562)
|
||
[-1.07351]
|
[ 0.10303]
|
[-1.25653]
|
[ 1.52462]
|
[ 0.81663]
|
[-0.06827]
|
||
D(REER(-1))
|
-0.087834
|
0.109625
|
0.004426
|
-0.178808
|
29.64572
|
-0.005536
|
|
(0.07809)
|
(0.04448)
|
(0.36370)
|
(0.15351)
|
(120.924)
|
(0.05922)
|
||
[-1.12480]
|
[ 2.46453]
|
[ 0.01217]
|
[-1.16482]
|
[ 0.24516]
|
[-0.09348]
|
||
D(REER(-2))
|
0.001224
|
0.021503
|
-0.077519
|
0.045413
|
72.03350
|
-0.001514
|
|
(0.08257)
|
(0.04703)
|
(0.38455)
|
(0.16231)
|
(127.856)
|
(0.06261)
|
||
[ 0.01483]
|
[ 0.45720]
|
[-0.20159]
|
[ 0.27979]
|
[ 0.56339]
|
[-0.02418]
|
||
D(REER(-3))
|
0.066232
|
-0.060658
|
0.066216
|
0.280305
|
-178.4771
|
0.001310
|
|
(0.06587)
|
(0.03752)
|
(0.30677)
|
(0.12948)
|
(101.998)
|
(0.04995)
|
||
[ 1.00555]
|
[-1.61672]
|
[ 0.21585]
|
[ 2.16482]
|
[-1.74981]
|
[ 0.02622]
|
||
D(REER(-4))
|
0.063710
|
-0.030884
|
-0.077167
|
-0.076758
|
0.732201
|
0.131855
|
|
(0.07735)
|
(0.04406)
|
(0.36028)
|
(0.15206)
|
(119.787)
|
(0.05866)
|
||
[ 0.82362]
|
[-0.70091]
|
[-0.21419]
|
[-0.50477]
|
[ 0.00611]
|
[ 2.24772]
|
||
D(DOMD(-1))
|
-0.000133
|
8.32E-05
|
-3.68E-05
|
-0.000683
|
0.293547
|
9.51E-05
|
|
(0.00011)
|
(6.3E-05)
|
(0.00052)
|
(0.00022)
|
(0.17140)
|
(8.4E-05)
|
||
[-1.20521]
|
[ 1.31969]
|
[-0.07130]
|
[-3.13836]
|
[ 1.71264]
|
[ 1.13352]
|
||
D(DOMD(-2))
|
-4.18E-05
|
5.89E-05
|
0.000305
|
0.000136
|
0.149242
|
0.000164
|
|
(0.00012)
|
(6.9E-05)
|
(0.00056)
|
(0.00024)
|
(0.18779)
|
(9.2E-05)
|
||
[-0.34461]
|
[ 0.85274]
|
[ 0.53948]
|
[ 0.57027]
|
[ 0.79475]
|
[ 1.78868]
|
||
D(DOMD(-3))
|
-9.63E-05
|
-9.77E-06
|
0.000370
|
0.000570
|
-0.076410
|
-1.09E-05
|
|
(0.00011)
|
(6.5E-05)
|
(0.00053)
|
(0.00023)
|
(0.17744)
|
(8.7E-05)
|
||
[-0.84064]
|
[-0.14969]
|
[ 0.69355]
|
[ 2.52902]
|
[-0.43063]
|
[-0.12538]
|
||
D(DOMD(-4))
|
0.000150
|
-4.77E-05
|
-0.000198
|
-0.000483
|
0.272349
|
0.000192
|
|
(0.00011)
|
(6.1E-05)
|
(0.00050)
|
(0.00021)
|
(0.16539)
|
(8.1E-05)
|
||
[ 1.40908]
|
[-0.78465]
|
[-0.39878]
|
[-2.30132]
|
[ 1.64672]
|
[ 2.37037]
|
||
D(BIR(-1))
|
0.075771
|
0.047703
|
-0.585581
|
-0.137309
|
-79.86351
|
0.300001
|
|
(0.16089)
|
(0.09165)
|
(0.74934)
|
(0.31628)
|
(249.144)
|
(0.12201)
|
||
[ 0.47095]
|
[ 0.52051]
|
[-0.78146]
|
[-0.43414]
|
[-0.32055]
|
[ 2.45882]
|
||
D(BIR(-2))
|
-0.095013
|
0.027969
|
0.247244
|
0.593988
|
-350.3658
|
-0.296793
|
|
(0.12369)
|
(0.07045)
|
(0.57606)
|
(0.24314)
|
(191.533)
|
(0.09380)
|
||
[-0.76818]
|
[ 0.39699]
|
[ 0.42920]
|
[ 2.44297]
|
[-1.82928]
|
[-3.16421]
|
||
D(BIR(-3))
|
0.001590
|
-0.036696
|
0.115140
|
-0.018856
|
-32.00582
|
0.289467
|
|
(0.07248)
|
(0.04128)
|
(0.33756)
|
(0.14247)
|
(112.233)
|
(0.05496)
|
||
[ 0.02193]
|
[-0.88887]
|
[ 0.34110]
|
[-0.13235]
|
[-0.28517]
|
[ 5.26665]
|
||
D(BIR(-4))
|
-0.004446
|
0.000224
|
-0.042523
|
0.106254
|
169.3150
|
-0.184039
|
|
(0.05948)
|
(0.03388)
|
(0.27703)
|
(0.11693)
|
(92.1086)
|
(0.04511)
|
||
[-0.07475]
|
[ 0.00660]
|
[-0.15350]
|
[ 0.90872]
|
[ 1.83821]
|
[-4.08003]
|
||
C
|
0.436526
|
1.118989
|
0.447533
|
4.541483
|
1554.051
|
-1.979113
|
|
(0.61846)
|
(0.35229)
|
(2.88046)
|
(1.21577)
|
(957.712)
|
(0.46901)
|
||
[ 0.70583]
|
[ 3.17634]
|
[ 0.15537]
|
[ 3.73547]
|
[ 1.62267]
|
[-4.21978]
|
||
CRISIS
|
0.572787
|
-2.563173
|
2.986788
|
-1.700852
|
-286.3175
|
-0.675698
|
|
(1.12690)
|
(0.64191)
|
(5.24851)
|
(2.21527)
|
(1745.06)
|
(0.85459)
|
||
[ 0.50829]
|
[-3.99305]
|
[ 0.56907]
|
[-0.76778]
|
[-0.16407]
|
[-0.79067]
|
||
R-squared
|
0.533394
|
0.658577
|
0.516295
|
0.686965
|
0.678354
|
0.923483
|
|
Adj. R-squared
|
0.226416
|
0.433956
|
0.198068
|
0.481022
|
0.466745
|
0.873143
|
|
Sum sq. resids
|
113.1823
|
36.72450
|
2455.166
|
437.3840
|
2.71E+08
|
65.09084
|
|
S.E. equation
|
1.725828
|
0.983074
|
8.038012
|
3.392655
|
2672.526
|
1.308785
|
|
F-statistic
|
1.737564
|
2.931951
|
1.622413
|
3.335693
|
3.205698
|
18.34492
|
|
Log likelihood
|
-109.0558
|
-73.03802
|
-207.5182
|
-152.3138
|
-579.1405
|
-91.35289
|
|
Akaike AIC
|
4.220493
|
3.094938
|
7.297444
|
5.572306
|
18.91064
|
3.667278
|
|
Schwarz SC
|
5.097540
|
3.971984
|
8.174490
|
6.449352
|
19.78769
|
4.544324
|
|
Mean dependent
|
-0.182466
|
1.464708
|
1.399844
|
0.645104
|
4790.256
|
-0.978125
|
|
S.D. dependent
|
1.962202
|
1.306655
|
8.975941
|
4.709394
|
3659.778
|
3.674611
|
|
Determinant resid covariance (dof adj.) 1.37E+10
|
|||||||
Determinant resid covariance
|
5.99E+08
|
||||||
Log likelihood
|
-1191.630
|
||||||
Akaike information criterion
|
42.11342
|
||||||
Schwarz criterion
|
47.37570
|
||||||
Sumber: Hasil EViews
4.4. Uji Residual Model VAR
Hasil uji residual model VAR untuk uji serial korelasi
Lagrance Multiplier (LM) disajikan pada Tabel 4.5 yang secara umum tidak
menolak hipotesis nul bahwa tidak ada serial korelasi.
Tabel 4.5. Uji
Serial Korelasi Lagrance Multiplier (LM)
Lags
|
LM-Stat
|
Prob
|
1
|
49.74604
|
0.0634
|
2
|
70.91282
|
0.0005
|
3
|
40.24001
|
0.2880
|
4
|
33.36213
|
0.5947
|
5
|
25.56117
|
0.9021
|
6
|
27.95980
|
0.8286
|
Probs from chi-square with 36 df.
|
||
Sumber:
Hasil EViews
Sementara itu, untuk uji residual model VAR untuk uji White Heteroskedasticity disajikan pada Tabel 4.6 yang menunjukkan bahwa tidak menolak hipotesis nul bahwa tidak heteroskedastisitas.
Tabel 4.6. Uji
White Heteroskedasticity
Joint test:
|
||
Chi-sq
|
df
|
Prob.
|
1008.355
|
1029
|
0.6713
|
Sumber:
Hasil EViews
4.4. Uji Stabilitas Model VAR
Uji
ini untuk mengetahui apakah hasil estimasi model VAR stabil atau stasioner.
Jika model VAR tidak stabil maka analisis yang menggunakan model ini seperti impulse response functions dan variance decomposition menjadi tidak
absah (valid). Jika semua akar (root) mempunyai modulus kurang dari satu
dan berada di dalam lingkarang unit (unit
circle) maka model telah stabil. Tabel 4.7 dan Gambar 4.1
menunjukkan bahwa akar memiliki modulus kurang dari satu dan berada dalam
lingkaran unit sehingga model VAR telah stabil.
Tabel 4.7. Uji
Kondisi Stabilitas VAR
Root
|
Modulus
|
0.598285 + 0.556106i
|
0.816822
|
0.598285 - 0.556106i
|
0.816822
|
-0.511133 + 0.632580i
|
0.813274
|
-0.511133 - 0.632580i
|
0.813274
|
-0.049925 + 0.781928i
|
0.783520
|
-0.049925 - 0.781928i
|
0.783520
|
0.520085 + 0.582047i
|
0.780556
|
0.520085 - 0.582047i
|
0.780556
|
-0.710505 - 0.245404i
|
0.751691
|
-0.710505 + 0.245404i
|
0.751691
|
0.104596 + 0.743353i
|
0.750676
|
0.104596 - 0.743353i
|
0.750676
|
-0.355105 - 0.657554i
|
0.747313
|
-0.355105 + 0.657554i
|
0.747313
|
0.738926 + 0.029965i
|
0.739533
|
0.738926 - 0.029965i
|
0.739533
|
0.541576 - 0.436830i
|
0.695791
|
0.541576 + 0.436830i
|
0.695791
|
-0.433755 - 0.312601i
|
0.534661
|
-0.433755 + 0.312601i
|
0.534661
|
0.153208 - 0.472042i
|
0.496283
|
0.153208 + 0.472042i
|
0.496283
|
-0.303822 - 0.081329i
|
0.314519
|
-0.303822 + 0.081329i
|
0.314519
|
No root lies outside the unit circle.
|
|
VAR satisfies the stability condition.
|
|
Sumber: Hasil EViews
Sumber:
Hasil EViews
Gambar 4.1. Uji Stabilitas Model VAR.
4.5. Impulse
Response Function (IRF)
Efek shock
terhadap model VAR dapat dilihat dengan menggunakan impulse response function. Fungsi ini dapat menentukan tanda efek
inovasi setiap variabel terhadap variabel yang lain (Kayikci 2012). Gambar 4.2
menunjukkan impulse response function
variabel neraca transaksi berjalan (CA) terhadap shok satu standar deviasi
setiap variabel. Gambar 4.2 menunjukkan berapa
besar neraca transaksi berjalan akan berubah sampai dengan 10 triwulan setelah
adanya shok. Dampak shok dari variabel MTP, COMPI, REER dan DOMD adalah negatif
terhadap neraca transaksi berjalan pada triwulan kedua. Dampak MTP dan COMPI yang negatif menunjukkan
masalah struktural (jangka panjang) neraca transaksi berjalan yaitu bahwa
ekspor Indonesia belum terdiversifikasi dengan baik dalam hal negara-negara
tujuan ekspor dan produk ekspor yang berbasis komoditas.
Dampak shock REER yang negatif sesuai dengan
teori yaitu kenaikan REER menunjukkan nilai tukar efektif riil yang apresiasi
sehingga mendorong turunnya ekspor dan kenaikan impor sehingga dapat
memperburuk kinerja neraca transaksi berjalan. Dampak shock DOMD yang negatif
ini sesuai teori bahwa kenaikan permintaan domestik mendorong turunnya tabungan
atau kenaikan investasi sehingga memperburuk kinerja neraca transaksi berjalan.
Sementara itu, dampak shock dari variabel BIR adalah positif
pada triwulan kedua. Hal ini konsisten dengan teori dimana jika suku bunga
mengalami kenaikan (kontraksi kebijakan moneter) maka tabungan akan naik atau
investasi turun sehingga kinerja neraca transaksi berjalan akan membaik. Selain
itu, kenaikan suku bunga akan mendorong kenaikan arus modal masuk (capital inflow) sehingga terjadi
apresiasi nilai tukar yang pada gilirannya dapat memperburuk neraca perdagangan
(neraca transaksi berjalan).
Sumber:
Hasil EViews
Gambar 4.2. Respon Variabel Neraca
Transaksi Berjalan (CA) terhadap Shok Variabel-Variabel CA, MTP, COMPI, REER, DOMD,
dan BIR.
Gambar 4.3 menunjukkan impulse response function variabel indeks
pertumbuhan ekonomi mitra dagang utama (MTP) terhadap shok satu standar deviasi
setiap variabel sampai dengan 10 triwulan setelah adanya shok. Dampak shok dari
variabel CA, COMPI, REER, DOMD dan BIR adalah positif terhadap MTP pada
triwulan kedua dan ketiga.
Gambar 4.3. Respon Variabel MTP
terhadap Shok Variabel-Variabel CA, MTP, COMPI, REER, DOMD, dan BIR.
Gambar 4.4 menunjukkan impulse response function variabel
indeks harga komoditas (COMPI) terhadap shok satu standar deviasi setiap
variabel serta berapa besar COMPI akan berubah sampai dengan 10 triwulan
setelah adanya shok. Dampak shok dari variabel MTP adalah positif terhadap
COMPI pada triwulan pertama dan kedua.
Sumber:
Hasil EViews
Gambar 4.4.
Respon Variabel COMPI terhadap Shok Variabel-Variabel CA, MTP, COMPI, REER,
DOMD, dan BIR.
Gambar 4.5 menunjukkan impulse response function variabel
indeks nilai tukar efektif riil (REER) terhadap shok satu standar deviasi
setiap variabel serta berapa besar REER akan berubah sampai dengan 10 triwulan
setelah adanya shok. Dampak shok dari semua variabel adalah negatif terhadap REER
pada triwulan kedua dengan dampak terbesar dari variabel DOMD.
Sumber:
Hasil EViews
Gambar 4.5.
Respon Variabel REER terhadap Shok Variabel-Variabel CA, MTP, COMPI, REER,
DOMD, dan BIR.
Gambar 4.6 menunjukkan impulse response function variabel
permintaan domestik (DOMD) terhadap shok satu standar deviasi setiap variabel
dan berapa besar DOMD akan berubah sampai dengan 10 triwulan setelah adanya
shok. Dampak shok dari variabel MTP dan COMPI adalah positif terhadap DOMD
selama tiga triwulan pertama. Sementara itu Dampak shock dari variabel REER dan
BIR adalah negatif.
Sumber:
Hasil EViews
Gambar 4.6. Respon Variabel DOMD
terhadap Shok Variabel-Variabel CA, MTP, COMPI, REER, DOMD, dan BIR.
Gambar 4.7 menunjukkan impulse response function variabel buku
bunga kebijakan bank sentral (BIR) terhadap shok satu standar deviasi setiap
variabel serta berapa besar BIR akan berubah sampai dengan 10 triwulan setelah
adanya shok. Variabel yang memberikan dampak shok negatif terhadap BIR pada
triwulan pertama adalah CA, MTP dan DOMD.
4.6. Forecast
Error Variance Decomposition
(FEVD) pada Variabel
Dekomposisi
varian (variance decomposition) menunjukkan
proporsi varian kesalahan prakiraan (forecast
error variance) untuk setiap variabel pada VAR yang dapat dikaitkan dengan
inovasi variabel itu sendiri dan variabel lainnya (Kayikci 2012). Dekomposisi
varian untuk setiap variabel pada sistem VAR disajikan pada Tabel 4.8 yang dapat
ditafsirkan dengan membacanya secara horizontal sebagai berikut:
-
Varian
kesalahan prakiraan neraca transaksi berjalan (CA) pada triwulan ke-20, 83%
disebabkan oleh inovasi variabel itu sendiri dan 17% oleh inovasi variabel lainnya
(MTP (2,3%), COMPI (5,2%), REER (2,1%), DOMD (7,1%) dan BIR (0,8%)). Variabel
DOMD cukup dominan menjelaskan varians CA karena mencerminkan penurunan
tabungan dan kenaikan investasi yang dapat mendorong peningkatan impor barang
konsumsi, bahan baku dan barang modal. Variabel COMPI juga cukup dominan yang
mencerminkan permasalahan struktur neraca transaksi berjalan dimana ekspor
masih didominasi oleh ekspor berbasis komoditas yang rentan terhadap fluktuasi
harga. Kecilnya dampak inovasi variabel BIR menunjukkan bahwa kebijakan moneter
berupa suku bunga tidak cukup kuat untuk memperbaiki kondisi kinerja neraca
transaksi berjalan. Hal ini tidak mengherankan karena suku bunga kebijakan (BI
rate) memang diarahkan sebagai alat untuk mengendalikan inflasi dan bukan alat
untuk mengendalikan defisit neraca transaksi berjalan. Kenaikan suku bunga
kebijakan akan mempengaruhi neraca transaksi berjalan secara tidak langsung
melalu jalur transmisi berupa turunnya kegiatan domestik (DOMD) yang pada
gilirannya mengurangi impor.
-
Varian
kesalahan prakiraan indeks pertumbuhan mitra dagang utama (MTP) pada triwulan
ke-20, 75% disebabkan oleh inovasi variabel itu sendiri dan 25% oleh inovasi
variabel lainnya.
-
Varian
kesalahan prakiraan indeks harga komoditas (COMPI) pada triwulan ke-20, 85%
disebabkan oleh inovasi variabel itu sendiri dan 15% oleh inovasi variabel
lainnya.
-
Varian
kesalahan prakiraan indeks nilai tukar efektif riil (REER) pada triwulan ke-20,
52% disebabkan oleh inovasi variabel itu sendiri dan 48% oleh inovasi variabel
lainnya (CA (7,7%), MTP (10,2%), COMPI (6,1%), DOMD (18,9%) dan BIR (4,7%)). Penyebab
varians variabel REER cukup berimbang baik oleh inovasi variabel itu sendiri
maupun variabel lainnya. Yang menarik adalah dampak inovasi variabel CA
terhadap REER lebih besar dibandingkan dampak inovasi variabel REER terhadap CA
(7,7% vs 2,1%). Hal ini menunjukkan bahwa pengaruh kinerja neraca transaksi
berjalan lebih dominan mempengaruhi nilai tukar dibandingkan sebaliknya
(memburuknya kinerja neraca transaksi berjalan selalu diikuti dengan
terdepresiasinya nilai tukar karena kekhawatiran investor dengan kondisi
stabilitas makroekonomi).
-
Varian
kesalahan prakiraan permintaan domestik (DOMD) pada triwulan ke-20, 51%
disebabkan oleh inovasi variabel itu sendiri dan 49% oleh inovasi variabel
lainnya (CA (10,6%), MTP (15,1%), COMPI (11,5%), REER (7,9%), dan BIR (3,8%)).
-
Varian
kesalahan prakiraan suku bunga kebijakan BI (BIR) pada triwulan ke-20, 57%
disebabkan oleh inovasi variabel itu sendiri dan 43% oleh inovasi variabel
lainnya.
Tabel 4.8. Dekomposisi Varian
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(CA):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
2.161095
|
88.47171
|
1.080983
|
3.190564
|
1.919075
|
4.945776
|
0.391894
|
|
8
|
2.260964
|
83.20119
|
2.187807
|
5.025765
|
2.081955
|
6.828784
|
0.674499
|
|
12
|
2.271521
|
82.75821
|
2.225929
|
5.131012
|
2.137524
|
7.000825
|
0.746497
|
|
16
|
2.274357
|
82.56966
|
2.262118
|
5.215398
|
2.135448
|
7.051742
|
0.765634
|
|
20
|
2.274793
|
82.54653
|
2.268720
|
5.219256
|
2.134714
|
7.061203
|
0.769578
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(MTP):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
1.156987
|
7.729073
|
78.63583
|
1.494737
|
9.320802
|
2.461888
|
0.357666
|
|
8
|
1.210473
|
9.026451
|
75.51594
|
2.133031
|
8.836036
|
3.661766
|
0.826778
|
|
12
|
1.217459
|
8.927916
|
75.33123
|
2.218784
|
8.802562
|
3.740095
|
0.979417
|
|
16
|
1.219088
|
8.944521
|
75.15366
|
2.291035
|
8.785777
|
3.834814
|
0.990192
|
|
20
|
1.219240
|
8.944879
|
75.13835
|
2.302304
|
8.783979
|
3.836678
|
0.993810
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(COMPI):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
10.25516
|
3.237688
|
5.427117
|
89.18909
|
0.750452
|
0.560470
|
0.835184
|
|
8
|
11.25767
|
5.044794
|
6.431653
|
85.49949
|
0.858017
|
1.400588
|
0.765459
|
|
12
|
11.52835
|
5.257134
|
6.735583
|
84.97711
|
0.834981
|
1.419356
|
0.775836
|
|
16
|
11.57609
|
5.326667
|
6.863459
|
84.77222
|
0.830597
|
1.432301
|
0.774753
|
|
20
|
11.58696
|
5.338132
|
6.885938
|
84.73812
|
0.830196
|
1.432591
|
0.775018
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(REER):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
4.100749
|
6.586681
|
9.214714
|
1.096307
|
61.91754
|
16.77685
|
4.407911
|
|
8
|
4.442605
|
7.560257
|
10.07730
|
5.809556
|
53.18708
|
18.78754
|
4.578273
|
|
12
|
4.473036
|
7.701195
|
10.16095
|
5.917586
|
52.59515
|
18.93874
|
4.686373
|
|
16
|
4.480147
|
7.688782
|
10.14166
|
6.102076
|
52.44067
|
18.93608
|
4.690732
|
|
20
|
4.481258
|
7.693327
|
10.15198
|
6.115481
|
52.41608
|
18.93186
|
4.691273
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(DOMD):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
3271.413
|
10.69262
|
15.33437
|
11.46922
|
7.720524
|
51.73214
|
3.051122
|
|
8
|
3385.971
|
10.64157
|
14.97024
|
11.35067
|
7.978828
|
51.30722
|
3.751474
|
|
12
|
3402.242
|
10.57379
|
15.07212
|
11.41312
|
7.930871
|
51.23451
|
3.775585
|
|
16
|
3405.794
|
10.57299
|
15.08795
|
11.46680
|
7.936887
|
51.16144
|
3.773932
|
|
20
|
3406.179
|
10.57419
|
15.08487
|
11.47471
|
7.935517
|
51.15666
|
3.774058
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variance Decomposition of D(BIR):
|
|||||||
|
Period
|
S.E.
|
D(CA)
|
D(MTP)
|
D(COMPI)
|
D(REER)
|
D(DOMD)
|
D(BIR)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4
|
1.563513
|
2.628005
|
5.530736
|
0.836029
|
2.998960
|
17.36464
|
70.64163
|
|
8
|
1.739751
|
2.814700
|
6.454176
|
4.988807
|
3.883608
|
21.83192
|
60.02679
|
|
12
|
1.775983
|
3.061648
|
6.527221
|
7.122925
|
4.339097
|
21.20839
|
57.74072
|
|
16
|
1.782799
|
3.118139
|
6.596435
|
7.560262
|
4.336309
|
21.07579
|
57.31307
|
|
20
|
1.785039
|
3.148939
|
6.627228
|
7.672860
|
4.338941
|
21.04138
|
57.17065
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Cholesky Ordering: D(CA) D(MTP)
D(COMPI) D(REER) D(DOMD) D(BIR)
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sumber: Hasil EViews
4.7. Perbandingan Peran Shock pada Forecast Error Variance
Tabel 4.8 juga dapat dibaca secara vertikal sebagai
perbandingan peran shock pada varian
kesalahan prakiraan (forecast error
variance) sebagai berikut:
Shock Neraca Transaksi Berjalan
Shock neraca transaksi berjalan
(CA) menjelaskan 83% varian kesalahan prakiraan variabel itu sendiri, 9% varian
kesalahan prakiraan MTP, 5% varian kesalahan prakiraan COMPI, 8% varian
kesalahan prakiraan REER, 11% varian kesalahan prakiraan DOMD dan 3% varian
kesalahan prakiraan BIR. Impulse CA
berperan lebih besar pada varian kesalahan prakiraan DOMD dibandingkan variabel
yang lain.
Shock Indeks Pertumbuhan Ekonomi
Mitra Dagang Utama
Shock indeks pertumbuhan
ekonomi mitra dagang utama (MTP) menjelaskan 75% varian kesalahan prakiraan variabel
itu sendiri, 2% varian kesalahan prakiraan CA, 7% varian kesalahan prakiraan COMPI,
10% varian kesalahan prakiraan REER, 15% varian kesalahan prakiraan DOMD, dan
7% varian kesalahan prakiraan BIR. Impulse
MTP berperan lebih besar pada varian kesalahan prakiraan DOMD dibandingkan
variabel yang lain.
Shock Indeks Harga Komoditas
Shock harga komoditas (COMPI) menjelaskan
85% varian kesalahan prakiraan variabel itu sendiri, 5% varian kesalahan
prakiraan CA, 2% varian kesalahan prakiraan MTP, 6% varian kesalahan prakiraan REER,
11% varian kesalahan prakiraan DOMD dan 8% varian kesalahan prakiraan BIR. Impulse COMPI berperan lebih besar pada varian
kesalahan prakiraan DOMD dibandingkan variabel yang lain.
Shock Nilai Tukar Efektif Riil
Shock indeks nilai tukar
efektif riil (REER) menjelaskan 52% varian kesalahan prakiraan variabel itu
sendiri, 2% varian kesalahan prakiraan CA, 9% varian kesalahan prakiraan MTP,
1% varian kesalahan prakiraan COMPI, 8% varian kesalahan prakiraan DOMD, dan 4%
varian kesalahan prakiraan BIR. Impulse
REER berperan lebih besar pada varian kesalahan prakiraan MTP dibandingkan
variabel yang lain.
Shock Permintaan Domestik
Shock permintaan domestik (DOMD)
menjelaskan 51% varian kesalahan prakiraan variabel itu sendiri, 7% varian
kesalahan prakiraan CA, 4% varian kesalahan prakiraan MTP, 1% varian kesalahan
prakiraan COMPI, 19% varian kesalahan prakiraan REER, dan 21% varian kesalahan
prakiraan BIR. Impulse DOMD berperan
lebih besar pada varian kesalahan prakiraan BIR dibandingkan variabel yang
lain.
Shock Suku Bunga Kebijakan Bank
Sentral
Shock BI rate (BIR) menjelaskan
57% varian kesalahan prakiraan variabel itu sendiri, masing-masing di bawah 1% varian
kesalahan prakiraan variabel CA, MTP, dan COMPI, 5% varian kesalahan prakiraan REER,
dan 4% varian kesalahan prakiraan DOMD. Impulse
BIR berperan lebih besar pada varian kesalahan prakiraan REER dibandingkan
variabel yang lain.
Akhirnya
bahwa impulse CA, MTP, COMPI, REER
DOMD dan BIR berperan lebih merata pada REER, DOMD, dan BIR dibandingkan dengan
variabel lainnya. Hal ini menunjukkan bahwa shock
dari REER, DOMD dan BIR tidak terlalu berperan terhadap variabel itu sendiri.
V. KESIMPULAN DAN REKOMENDASI
Tujuan kajian ini adalah untuk menganalisis hubungan
antar variabel yang menjadi determinan neraca transaksi berjalan. Dengan
menggunakan model vector autoregression
(VAR), telah diestimasi sistem dinamis atas enam variabel yaitu neraca
transaksi berjalan, indeks pertumbuhan ekonomi mitra dagang utama, indeks harga
komoditas, nilai tukar efektif riil, permintaan domestik dan suku bunga
kebijakan bank sentral.
Analisa dengan menggunakan impulse response function menunjukkan bahwa respons neraca
transaksi berjalan cenderung negatif atas shok dari variabel MTP, COMPI, REER dan DOMD.
Sedangkan terhadap shok variabel BIR, neraca transaksi berjalan bereaksi
positif.
Analisa dengan menggunakan forecast error variance decomposition menunjukkan bahwa shock
neraca transaksi berjalan menjelaskan sebagian besar fluktuasi neraca transaksi
berjalan yang diikuti oleh permintaan domestik, harga komoditas, dan suku bunga
kebijakan moneter.
Adanya keterkaitan hubungan
variabel-variabel yang menjadi determinan neraca transaksi berjalan menunjukkan
semakin pentingnya sinkroninasi kebijakan ekonomi untuk memperbaiki kinerja
neraca transaksi berjalan. Bank Indonesia yang berwenang dalam kebijakan moneter
(BI rate) dan kebijakan stabilisasi nilai tukar harus memperhatikan bagaimana
dampaknya terhadap sektor riil. Dalam rangka mengendalikan defisit neraca
transaksi berjalan, kebijakan moneter ketat mungkin dapat mengendalikan
tingginya impor. Akan tetapi kebijakan suku bunga tinggi ini dapat menghambat
perkembangan sektor riil yang pada gilirannya menghambat percepatan pertumbuhan
ekonomi.
DAFTAR
PUSTAKA
Ang, Hong Ying dan
Sek, Siok Kun (2012), Investigating the Current Account Dynamics in Crisis-Hit
Asia, International Journal of Humanities
and Applied Sciences, Vol. 1, No.1, 22-26.
Asteriou, Dimitrios dan Hall,
Stephen G. (2007), “Applied Econometrics:
A Modern Approach,” Revised Edition, New York: Palgrave Macmillan.
Bitzis, Grigorius;
Paleologos, John M.; dan Papazoglou, Christos (2008), Journal of International and Global Economic Studies, I (1) (Juni),
105-122.
Brooks, Chris
(2007), “Introductory Econometrics for
Finance” Cambridge: Cambridge University Press.
Diebold, Francis X. (2007), “Elements of Forecasting,” Fourth
Edition, Ohio: Thomson South-Western.
Hung, Juann H. dan Gamber, Edward N.
(2010), An Absorption Approach to Modeling the US Current Account, Review of International Economics,
18(2), 334-350.
Kayikci, Fazil
(2012), Determinants of the Current Account Balance in Turkey: Vector Auto
Regression (VAR) Approach, African
Journal of Business Management, Vol. 6 (17), 5725-5736.
Lee, Jaewoo dan
Chinn, Menzie D. (1998), The Current Account and the Real Exchange Rate: A
Structural VAR Analysis of Major Currencies, NBER Working Paper, No. 6495, April.
Nizar, Muhammad
Afdi (2012), Dampak Fluktuasi Harga Minyak Dunia Terhadap Perekonomian
Indonesia, Buletin Ilmiah Litbang
Perdagangan, Vol. 6 No. 2 (Desember), 189-209.
Vredin, Anders
(1988), Macroeconomic Policies and the
Balance of Payments, Disertasi Doktor, Stockholm School of Economics.
Yang, Lucun (2011),
An Empirical Analysis of Current Account Determinants in Emerging Asian
Economies, Cardiff Economics Working
Paper, Maret.
No comments:
Post a Comment