LAMPIRAN
Lampiran 1
Hasil Uji Stasioneritas BI rate pada tingkat Second Difference
Null Hypothesis: D(BI_RATE,2) has a unit root Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.485869 0.0096 Test critical values: 1% level -4.467895
5% level -3.644963
10% level -3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(BI_RATE,3) Method: Least Squares
Date: 07/09/14 Time: 09:30 Sample (adjusted): 2008Q4 2013Q4 Included observations: 21 after adjustments
Lampiran 2
Hasil Uji Stasioneritas SBI pada tingkat Second Difference
Null Hypothesis: D(SBI,2) has a unit root Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -12.77804 0.0000 Test critical values: 1% level -4.467895
5% level -3.644963
10% level -3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SBI,3)
Method: Least Squares Date: 07/09/14 Time: 09:36 Sample (adjusted): 2008Q4 2013Q4 Included observations: 21 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(SBI(-1),2) -1.796131 0.140564 -12.77804 0.0000 C 418.2020 1365.519 0.306259 0.7629 @TREND(2008Q1) -25.44550 95.21725 -0.267236 0.7923
Lampiran 3
Hasil Uji Stasioneritas SUN pada tingkat Second Difference
Null Hypothesis: D(SUN) has a unit root Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.770420 0.0007 Test critical values: 1% level -4.467895
5% level -3.644963
10% level -3.261452 *MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(SUN,2)
Method: Least Squares Date: 07/09/14 Time: 12:27 Sample (adjusted): 2008Q4 2013Q4 Included observations: 21 after adjustments
Lampiran 4 Pengujian Lag Lenght
VAR Lag Order Selection Criteria
Endogenous variables: SBI SUN BI_RATE Exogenous variables: C
Date: 07/20/14 Time: 18:36 Sample: 2008Q1 2013Q4 Included observations: 21
Lag LogL LR FPE AIC SC HQ
0 -318.5458 NA 4.00e+09 30.62341 30.77263 30.65580 1 -299.6135 30.65244 1.58e+09 29.67747 30.27434 29.80701 2 -281.2641 24.46582* 6.90e+08* 28.78706* 29.83158* 29.01374* 3 -275.8662 5.654949 1.16e+09 29.13011 30.62229 29.45395 * indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error
Lampiran 5 Hasil Uji Kointegrasi
Date: 08/04/14 Time: 03:36 Sample (adjusted): 2008Q4 2013Q4 Included observations: 21 after adjustments
Trend assumption: Linear deterministic trend (restricted) Series: BI_RATE SBI SUN
Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.581369 36.69640 42.91525 0.1820 At most 1 0.464611 18.41034 25.87211 0.3170 At most 2 0.222693 5.290331 12.51798 0.5552 Trace test indicates no cointegration at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.581369 18.28606 25.82321 0.3557 At most 1 0.464611 13.12001 19.38704 0.3184 At most 2 0.222693 5.290331 12.51798 0.5552 Max-eigenvalue test indicates no cointegration at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I): BI_RATE SBI SUN @TREND(08Q2) 123.4707 0.001334 -0.000576 0.229979 -60.28552 0.000323 0.000514 0.036769 7.806705 -0.000310 -0.000223 0.138396
Unrestricted Adjustment Coefficients (alpha):
D(BI_RATE) 1.57E-05 0.001790 0.001020 D(SBI) -502.0705 -713.4690 528.3321 D(SUN) 2062.831 705.8012 762.1931
1 Cointegrating Equation(s): Log likelihood -282.6478 Normalized cointegrating coefficients (standard error in parentheses)
1.000000 1.08E-05 -4.66E-06 0.001863 (2.6E-06) (2.4E-06) (0.00035) Adjustment coefficients (standard error in parentheses)
D(BI_RATE) 0.001933 (0.11648) D(SBI) -61990.97 (54475.6) D(SUN) 254699.1 (88937.2)
2 Cointegrating Equation(s): Log likelihood -276.0878 Normalized cointegrating coefficients (standard error in parentheses)
BI_RATE SBI SUN @TREND(08Q2) 1.000000 0.000000 -7.25E-06 0.000210
(3.5E-06) (0.00061) 0.000000 1.000000 0.239329 153.0386 (0.33702) (59.5728) Adjustment coefficients (standard error in parentheses)
Lampiran 6
Hasil Uji Granger Causality
Date: 07/11/14 Time: 16:41 Sample: 2008Q1 2013Q4 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
DSBI does not Granger Cause DBI_RATE 20 1.13102 0.3487 DBI_RATE does not Granger Cause DSBI 1.09031 0.3613
DSUN does not Granger Cause DBI_RATE 20 1.37295 0.2834 DBI_RATE does not Granger Cause DSUN 4.97981 0.0219
Lampiran 7 Hasil Uji Estimasi VAR
Vector Autoregression Estimates Date: 08/04/14 Time: 03:41 Sample (adjusted): 2009Q1 2013Q4 Included observations: 20 after adjustments Standard errors in ( ) & t-statistics in [ ]
DBI_RATE DSBI DSUN DBI_RATE(-1) 1.355534 -132901.7 -611831.9
(0.20420) (103867.) (156501.) [ 6.63837] [-1.27954] [-3.90945] DBI_RATE(-2) -0.482550 127773.4 538707.7 (0.20790) (105749.) (159336.) Log likelihood 87.85441 -174.9363 -183.1353 Akaike AIC -8.085441 18.19363 19.01353 Schwarz SC -7.736935 18.54214 19.36204 Mean dependent 0.067000 -65.80000 1420.695 S.D. dependent 0.010511 1707.796 4284.723 Determinant resid covariance (dof adj.) 2.17E+08
Lampiran 8
Data Perkembangan Capital Inflow dari sektor SUN
Periode BI rate SUN (milion US$)
2008 trwI 8.00% 2,412
trwII 8.25% 3,566
trwIII 9.00% 971
trwIV 9.42% -3,170
2009 trwI 8.25% -10,184
trwII 7.25% 14,225
trwIII 6.58% 1,496
trwIV 6.50% 1,848
2010 trwI 6.50% 4,899
trwII 6.50% 2,600
trwIII 6.50% 2,300
trwIV 6.50% 1,520
2011 trwI 6.67% 2,200
trwII 6.75% 2,900
trwIII 6.75% 2,000
trwIV 6.17% -3
2012 trwI 5.83% 300
trwII 5.75% 407
trwIII 5.75% 2
trwIV 5.75% 2.9
2013 trwI 5.75% 1,000
trwII 5.83% 3,100
trwIII 6.81% 3,500
Lampiran 9
Data Perkembangan Capital Inflow dari sektor SBI
Periode BI rate SBI (milion US$)
2008 trwI 8.00% 359
2008 trwII 8.25% 313
2008 trwIII 9.00% -1486
2008 trwIV 9.42% -1385
2009 trwI 8.25% 656
2009 trwII 7.25% 597
2009 trwIII 6.58% 1747
2009 trwIV 6.50% 926
2010 trwI 6.50% 2227
2010 trwII 6.50% -2300
2010 trwIII 6.50% 2600
2010 trwIV 6.50% -1100
2011 trwI 6.67% 2800
2011 trwII 6.75% 100
2011 trwIII 6.75% -2600
2011 trwIV 6.17% -3700
2012 trwI 5.83% -399
2012 trwII 5.75% 1.30
2012 trwIII 5.75% 0.40
2012 trwIV 5.75% 0.01
2013 trwI 5.75% 0.00
2013 trwII 5.83% 0.01
2013 trwIII 6.81% 0.10
DAFTAR PUSTAKA
Basri,Faisal dan Haris Munandar,2010. Dasar-Dasar Ekonomi Internasional:
Pengenalan dan Aplikasi Metode Kuantitatif. Kencana:Jakarta
Chandra, Sonali Jain and D Filiz Unsal,2012. The Effectiveness of Monetary
Policy Transmission Under Capital Inflows: Evidence from Asia. IMF
Working Paper, WP/12/265
Glick, Reuven dan Michael Hutchison, 2008. Navigating the Trilemma: Capital
Flows and Monetary Policy in China. IMF Working Paper
Gujarati, Damodar N,2006.Dasar-dasar Ekonometrika, jilid1.Erlangga,Jakarta
Ichsan,Dkk,2013.Dampak BI rate, Tingkat Suku Bunga, Nilai Tukar dan Inflasi
terhadap Nilai Obligasi Pemerintah. Jurnal Keuangan dan Perbankan,17:310-322
Indrawan, Fiskara, Dkk, 2013. Capital Flows di Indonesia:Perilaku, Peran, dan
OptimalitasPenggunaannya bagi Perekonomian. Buletin Ekonomi
Moneter dan Perbankan, Bank Indonesia
Mishkin,Frederic S,2009.Ekonomi Uang, Perbankan, dan Pasar Keuangan, buku
2 (terjemahan).Salemba Empat.Jakarta
Nopirin,1992.Ekonomi Moneter.Erlangga,Jakarta
Pradhan, Mahmood,Ravi Balakrishnan, Reza Baqir, 2011. Policy Response to
Capital Flows in Emerging Markets. IMF Working Paper
Pratomo,Wahyu Aryo dan Paidi Hidayat,2007.Pedoman Praktis Penggunaan
EVIEWS dalam Ekonometrika,USU Press,Medan
Puspita, W.A. & Haryono, A. 2012. Analisis Pengaruh Suku Bunga SBI terhadap
Nilai Emisi Obligasi baik dalam Jangka Pendek maupun Jangka Panjang di Pasar Modal Indonesia Periode Tahun 2007-2009. Jurnal Ekonomi dan
Studi Pembangunan, 4(1): 105 112.
Warnock, Francis E dan Veronica Cardac Warnock, 2009. International Capital
Flows and U>S Interest Rates. Journal of International Money and
Finance,28:903-919
Yuanisa, Tisa, 2013. Analisis Pengaruh BI Rate, Kurs, Inflasi, Indeks Dow Jones
di BEI periode 2006,1-2012,12 Skripsi. Program Sarjana Fakultas
Ekonomika dan Bisnis Universitas Diponegoro
Yunianto, H., Anggraeni, D.A., & Hasanudin, A. 2012. Indonesia Bond Market
Outlook 2012: Chasing corporate bond issuances.Mandiri Sekuritas
DebtResearch Strategy
BAB III
METODE PENELITIAN
Metode penelitian merupakan langkah dan prosedur yang dilaksanakan
dalam rangkaian penelitian dengan mengumpulkan berbagai data dan informasi
empiris untuk memecahkan permasalahan dalam rangka mencapai tujuan
penelitian yaitu menemukan, mengkaji dan mengembangkan kebenaran suatu
pengetahuan secara ilmiah dengan pengujian hipotesis.
3.1 Ruang Lingkup Penelitian
Penelitian ini mengkaji pengaruh kebijakan BI rate terhadap jumlah
Capital Inflow di Indonesia khususnya di sektor portofolio yang tercermin dari
pembelian Surat Berharga Negara dan Sertifikat Bank Indonesia Triwulan I 2008
hingga Triwulan IV 2013.Ruang lingkup penelitian ini dilakukan di Indonesia.
3.2 Jenis dan Sumber Data
Jenis data yang dibutuhkan dalam penelitian ini adalah data sekunder yang
diperoleh dari buku referensi, jurnal, penelitian terdahulu, berita online,website
institusi terkait dan sumber lain yang berhubungan dengan masalah penelitian.
Penelitian ini menggunakan jenis data time series yaitu data triwulanan capital
inflow di Indonesia melalui pembelian Surat Utang Negara dan Sertifikat Bank
Indonesia oleh investor asing dari tahun 2008-2013 serta data kuartalan BI rate.
Data-data tersebut diperoleh dari Neraca Pembayaran Indonesia yang dirilis oleh
3.3 Metode dan Teknik Pengumpulan Data
Untuk pengumpulan data, penulis menggunakan metode pengumpulan
data sekunder yang diperoleh dari Bank Indonesia dan Kemenkeu. Teknik
pengumpulan data yang digunakan adalah data pencatatan data dan pentabulasian.
3.4Pengolahan Data
Penelitian tersebut menggunakan program E-views 6 untuk mengolah data
3.5Model Analisis Data
Penelitian ini menggunakan analisis kausalitas Granger dimana apabila
semua variabel stasioner pada level, maka model yang digunakan adalah
unrestricted VAR (VAR biasa). Tetapi apabila terdapat variabel yang tidak
stasioner maka variabel harus didifferensikan dan dilakukan uji kointegrasi.
Apabila variabel hasil differensi tidak mengandung akar unit dan terjadi
kointegrasi, maka model yang digunakan adalah model VECM (Vector Error
Correction Model). Namun, apabila variabel dalam keadaan tidak mengandung
akar unit tetapi tidak berkointegrasi satu sama lain, maka model yang digunakan
adalah model VAR (Vector Auto Regression) bentuk differensiasi.Dengan
menggunakan model VAR atau VECM tidak perlu dibedakan antara variabel
endogen ataupun eksogen. Untuk melihat hubungan antara variabel di dalam VAR
maka kita membutuhkan sejumlah kelambanan yang ada. (Sim dalam Widarjono
2013).
Model VAR ataupun model VECM adalah model persamaan regresi yang
Gambar 3.1
Tahapan Pembentukan Model VAR
3.5.1 Uji Stasioneritas
Ujiini digunakan untuk mengidentifikasi data stasioner atau tidak. Tes
tersebut hanya merupakan pelengkap pada analisis VAR karena pada dasarnya
analisis VAR bukan bertujuan untuk tes pada data tetapi untuk menilai hubungan
timbal balik diantara variabel-variabel yang diamati. Akan tetapi, ketika data yang
diamati stasioner, maka akan meningkatkan ketepatan dari analisis VAR. Suatu
data time series dikatakan stasioner jika rata-rata variannya konstan sepanjang
waktu dan kovarian antara dua data time series hanya tergantung dari kelambanan
antara dua periode waktu tersebut. Data time series yang tidak stasioner akan
menyebabkan hasil regresi yang lancung (spurious regretion). Salah satu cara Data Time Series
Uji Stasioneritas Data
Uji Kausalitas Granger
Estimasi Model VAR Jika Tidak Terkointegrasi
Estimasi Model VECM Jika Terkointegrasi
Variance Decomposition
Penentuan Lag Optimal
untuk melakukan uji stasioneritas adalah dengan menggunakan uji akar unit (unit
root test).
Uji akar unit akan menunjukkan apakah di dalam suatu data terdapat
komponen tren yang berupa random walk dalam data. Salah satu metodenya
adalah dengan menggunakan metode Augmented Dickey-Fuller (ADF) pada
derajat yang sama (level atau difference), sehingga diperoleh suatu data yang
stasioner dengan melihat apakah terdapat akar unit di dalam model (data
integrated) atau tidak.
Bentuk persamaan Uji Stasioneritas dengan model ADF adalah:
∆�� = �+ ��+ ���−1+ ∑��=1∅�∆��−� + ��.……… (3.1)
Keterangan :
Yt = Bentuk dari first difference α0 = Intercept
Y = Variabel yang diuji Ρ = Panjang lag
ϵ = Error term
Pengujian akar unit dilakukan dengan menguji hipotesis H0: ρ = 0
diterima, maka terdapat akar unit (tidak stasioner). Apabila hipotesis H1 : ρ = 0
diterima, maka tidak terdapat akar unit (stasioner). Dalam menggunakan program
Eviews, maka ketentuan ada atau tidaknya akar unit dapat dilihat melalui Kriteria
antara ADFstatistic dan MacKinnon critical value (MCstatistic) dimana:
|ADFstatistik| > |MCstatistik| maka data bersifat stasioner
|ADFstatistik| < |MCstatistik| maka data bersifat tidak stasioner
Jika data yang diuji bersifat stasioner dan berkointegrasi satu sama
lainnya, maka model yang digunakan adalah model unrestricted VAR(vector auto
memiliki hubungan jangka panjang (berkointegrasi) satu sama lain, maka model
yang digunakan adalah model VECM (vector error correction model/restricted
VAR).
3.5.2 Penentuan Lag Length
Salah satu masalah dalam model ekonometrik adalah penentuan panjang
kelambanan (lag length), jika lag yang digunakan dalam model ekonometrik
terlalu sedikit, maka residual dalam regresi tidak akan menampilkan proses white
noise sehingga model tidak dapat mengestimasi actual error secara tepat. Namun,
apabila memasukkan terlalu banyak lag dalam model, maka dapat mengurangi
kemampuan menolak H0 karena tambahan parameter yang terlalu banyak akan
mengurangi derajat bebas.
Penentuan panjangnya kelambanan optimal dapat dilihat dengan
menggunakan beberapa kriteria seperti AIC (Akaike Information Criteria), HQC
(Hannan Quinn Criteria), SBC (Schward Bayesian Criteria) yang dirumuskan:
���(�) = log det(�(�)
P =Nilai p yang meminimumkan kriteria informasi.
Untuk menentukan panjangnya kelambanan, maka panjang kelambanan optimal
3.5.3 Uji Kointegrasi
Uji kointegrasi bertujuan untuk mengetahui apakah variabel yang
digunakan memiliki keseimbangan jangka panjang (berkointegrasi) atau tidak.
Salah satu cara untuk melakukan uji kointegrasi adalah dengan menggunakan
Johansen Cointegration Test. Untuk menentukan jumlah dari arah kointegrasi
tersebut maka Johansen menyarankan untuk melakukan dua uji statistik. Uji
pertama yaitu uji trace (trace test, λtrace ) yaitu menguji hipotesis nol (null
hypothesis) yang mensyaratkan bahwa jumlah dari arah kointegrasi adalah kurang
dari atau sama dengan p dan uji ini dapat dilakukan dengan rumus:
������(�) = −� � ��(1− �
�=�+�
��) … … … (3.5)
Dimana λr+1, … , λn adalah nilai eigen vectors terkecil (p - r). Null
hypothesis yang disepakati adalah jumlah dari arah kointegrasi adalah sama
dengan banyaknya r, dengan kata lain jumlah vektor kointegrasi lebih kecil atau
sama dengan r, dimana r = 0, 1, 2 dan seterusnya.
Uji statistik yang kedua adalah uji maksimum eigen value (λmax) yang
dilakukan dengan formula:
����(�,�+ 1) = −��� (1− ��+1) … … … .. (3.6)
Uji ini menyangkut kepada uji null hypothesis bahwa terdapat r dari vektor
kointegrasi. Untuk melihat hubungan kointegrasi tersebut, maka dapat dilihat dari
besarnya nilai trace statistic dan maximum Eigen statistik dibandingkan dengan
3.5.4 Model Vector Auto Regression
VAR digunakan sebagai sebuah sistem peramalan dari variabel time series
yang saling berhubungan dan digunakan untuk menganalisis dampak dinamis dari
gangguan yang bersifat random di dalam system VAR. VAR yang dikembangkan
oleh Sim hanya perlu memperhatikan dua hal, yaitu tidak perlu membedakan
variabel eksogen dan variabel endogen dan diperlukannya kelambanan variabel
untuk melihat hubungan antar variabel. Model yang digunakan dalam model
VARadalah:
Dimana CI adalah capital inflow dan eadalah error terms yang
diasumsikan tidak mengandung korelasi serial dan m = n = r = s. Dengan metode
VAR, dapat diamati tren data yang diamati sehingga bisa dilakukan peramalan.
Peramalan di dalam VAR merupakan sebuah ekstrapolasi nilai saat ini dan masa
depan seluruh variabel dengan menggunakan informasi yang ada dimasa yang
lalu.
3.5.5 Vector Error Correction Model (VECM)
Engel dan Granger menunjukkan bahwa walaupun data time series
seringkali tidak stasioner pada level, tetapi kombinasi linier antara dua atau lebih
data nonstasioner dapat berubah menjadi stasioner. Model VECM digunakan di
level tetapi stasioner pada data diferensi dan terkointegrasi sehingga menunjukkan
adanya hubungan teoritis antar variabel.
Spesifikasi VECM merestriksi hubungan jangka panjang antara variabel
yang ada agar kovergen ke dalam hubungan kointegrasi namun tetap membiarkan
perubahan dinamis didalam jangka pendek. Terminology kointegrasi ini dikenal
sebagai koreksi kesalahan (error correction) karena bila terjadi deviasi terhadap
keseimbangan jangka panjang akan dikoreksi secara bertahap melalui penyesuaian
parsial jangka pendek secara bertahap. Model VECM terdiri atas dua persamaan
yaitu:
∆������� = ∝+ �1�1,�−1 + �2�2,�−2 + �3∆���−1+ �4∆���−2+ �5∆���−1+ �6∆���−2… (3.9)
∆��� = ∝+ �1�1,�−1 + �2�2,�−2 + �3∆���−1+ �4∆���−2+ �5∆���−1+ �6∆���−2… … (3.10)
Dalam model VECM terdapat et-1yang merupakan koreksi kesalahan pada
jangka pendek untuk mencapai keseimbangan jangka panjangnya.
3.5.6 Variance Decomposition (Dekomposisi Varian)
Variance decomposition merupakan analisis yang digunakan untuk
melihat seberapa besar kontribusi setiap variabel karena adanya perubahan
variabel tertentu di dalam sistem VAR. Variance decomposition menguraikan
inovasi pada sebuah variabel endogen terhadap komponen goncangan(shock)dari
variabel endogen lainnya.
3.5.7 Uji Granger Causality
Uji Granger Causality digunakan untuk melihat hubungan kausalitas atau
timbal balik diantara dua variabel penelitian, sehingga dapat diketahui apakah
(tidak saling mempengaruhi). Granger dalam Kuncoro (2009) mempostulasikan
bahwa suatu variabel X dikatakan menyebabkan variabel lain (Y), apabila Y saat
ini dapat diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X.
Berdasarkan hasil regresi dari kedua bentuk model regresi linier diatas, akan
menghasilkan empat kemungkinan mengenai nilai koefisien-koefisien regresi dari
persamaan granger causality yaitu:
1. Jika ∑��=1�� ≠0 ���∑��=1�� = 0 ; terdapat kausalitas searah dari Y ke X.
2. Jika ∑��=1�� = 0 ���∑��=1�� ≠ 0; terdapat kausalitas searah dari X ke Y.
3. Jika ∑��=1�� = 0 ���∑��=1�� = 0; X dan Y bebas antara satu dengan yang
lainnya.
4. Jika ∑��=1�� ≠0 ���∑��=1�� ≠ 0; kausalitas dua arah antara X dan Y.
3.5.8 Definisi Operasional
1. Capital Inflowadalah jumlah valuta asing yang masuk ke dalam
perekonomian domestik melalui transaksi jual beli surat-surat berharga (SUN
dan SBI)
2. SUN adalah surat berharga yang berupa surat pengakuanutang dalam rupiah
maupun valuta asing yang dijamin pembayaran bunga dan pokoknya oleh
negara Republik Indonesia.
3. SBI adalah adalah surat berharga dalam mata uang rupiah yang diterbitkan
oleh Bank Indonesia sebagai pengakuan utang berjangka pendek.
4. BI rateadalah suku bunga kebijakan yang mencerminkan sikap atau
stancekebijakan moneter Bank Indonesia dalam upaya menjaga kestabilan
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1PerkembanganInstrumen Kebijakan Moneter BI rate
Pada dasarnya tujuan dari kebijakan moneter adalah mencapai kestabilan
nilai rupiah yang tercermin dari rendahnya tingkat inflasi dan nilai tukar rupiah
yang sesuai dengan sasaran dan nilai fundamentalnya. Kebijakan moneter yang
dilaksanakan Bank Indonesia sejak Juli 2005 lebih mengarahkan perekonomian
pada pencapaian inflasi yang telah ditetapkan dengan berbagai upaya yang
konsisten dan transparan agar sasaran tercapai. Perekonomian diarahkan untuk
mencapai tingkat inflasi yang telah ditetapkan dan diumumkan kepada publik
dengan upaya yang transparan dan akuntabel. Salah satu instrumen kebijakan
moneter untuk mencapai tingkat inflasi tersebut adalah dengan menerapkan
kebijakan suku bunga kebijakan BI rate.
Pengumuman BI rate sebulan sekali melalui RDG Bulanan menjadi dasar
pertimbangan bagi investor domestik dan asing mengenai bagaimana prediksi
kondisi perekonomian domestik. Hal ini disebabkan karena BI rate dapat
mencerminkan tingkat inflasi ke depan dan perkembangan ekonomi domestik dim
as mendatang sehingga investor dapat mengukur tingkat risiko dan imbal hasil
dari setiap pertimbangan keputusan investasi. BI rate merupakan dasar penetapan
Sumber: Bank Indonesia (data diolah)
Gambar 4.1 Perkembangan BI rate
Berdasarkan grafik diatas, dapat dilihat bahwa sejak pertama kali
dilaksanakan sebagai salah satu instrumen moneter BI rate mengalami dinamika
seiring dengan penyesuaian terhadap keadaan ekonomi domestik Indonesia. Saat
diterapkannya pertama kali pada 5 Juli 2005, BI menetapkan BI rate sebesar
8,50%.
Selama tahun 2008, penetapan BI rate mengalami beberapa kali kenaikan
dimana bersumber dari gejolak harga minyak dan pangan dunia, ekspektasi inflasi
yang tinggi,pelemahan rupiahserta tekanan permintaan dalam negeri,
menyebabkan BI rateharus dinaikkan. Pada awal periode 2008, BI rateditetapkan
pada level 8% dan RDG bulanan beberapa kali menetapkan kenaikan hingga
mencapai 9,25% pada akhir periode tersebu dalam hal mengantisipasi gejolak
ekonomi baik dari luar maupun dalam negri.
Selama triwulan I 2009, Bank Indonesia telahmelakukan penurunan BI
ratesebanyak tiga kali.,sehingga pada akhir triwulan laporan posisinya
menjadi7,75%, turun 150 bps. Seiring dengan membaiknya kondisi
perekonomian pada triwulan berikutnya, BI beberapa kali menetapkan penurunan
BI rate hingga mencapai 6,50% pada akhir 2009.
Pada triwulan I 2010 hingga periode awal triwulan I 2011, BI ratetetap
terjaga pada level 6,50%. Hal ini disebabkan tidak adanya gejolak ekonomi yang
berpotensi menekan perekonomian sehingga pada level ini dianggap terjaga. Lalu
pada 4 Pebruari 2011, BI menaikkan BI rate yang terus bertahan hingga 8
September 2011. Bahkan BI rate cenderung menurun hingga mencapai 5,75%
pada triwulan II 2013.
Tetapi seiring dengan isu tapering off The FED yang disebabkan
membaiknya perekonomian Amerika Serikat pada pertengahan 2013
menyebabkan meningkatnya sentimen negatif investor asing. Dalam upaya
mengantisipasi dampak negatif dari kondisi ini yaitu meningkatnya capital
outflow, BI berupaya melakukan kebijakan antisipastif dengan beberapa kali
menaikkan kembali BI rate secara berangsur-angsur hingga mencapai 7,5% pada
akhir tahun 2013.
4.2Perkembangan Capital Inflow di Indonesia
Sebagian besar capital inflow yang masuk ke Indonesia masuk melalui
jalur investasi portofolio (hot money), dimana seiring dengan berlimpahnya
likuiditas global serta membaiknya kinerja perekonomian Indonesia
terakhir ini. Secara praktiknya, ada beberapa faktor yang mempengaruhi investor
dalam berinvestasi di sektor portofolio Indonesia yaitu BI rate, nilai tukar rupiah,
defisit transaksi berjalan, imbal hasil obligasi serta dinamika perekonomian
global. Capital Inflow merupakan cerminan kepercayaan terhadap perekonomian
donestik. Totalcapital inflow yang masuk ke Indonesia per 16 Juli 2014 mencapai
Rp 53,9 triliun.Pada dasarnya sumber dari capital inflow juga termasuk dari
modal masuk dari investasi langsung asing tetapi penelitian tersebut lebih
mengutamakan pertumbuhan capital inflow dari sektor surat-surat berharga
(http://www.wartaekonomi.co.id/berita32131/ojk-capital-inflow-bentuk-kepercayaan-investor-asing.html)
4.2.1 Perkembangan Capital Inflow melalui Surat Utang Negara
SuratUtangNegara (SUN) adalah surat berharga yang berupa surat
pengakuan utang dalam mata uang Rupiah maupun valuta asing yang dijamin
pembayaran bunga dan pokoknya oleh Negara Republik Indonesia, sesuai dengan
masa berlakunya.SUN dan pengelolaannya diatur dalam Undang-Undang Nomor
24 Tahun 2002 tentang Surat Utang Negara.
Tujuan dari penerbitan SUN ialah untuk membiayai defisit APBN,
menutup kekurangan kas jangka pendek dan mengelola portofolio utang negara.
Pemerintah pusat berwenang menerbitkan SUN setelah mendapat persetujuan
DPR yang disahkan dalam kerangka pengesahan APBN dan setelah berkonsultasi
dengan Bank Indonesia. Atas penerbitan tersebut, Pemerintah berkewajiban
membayar bunga dan pokok pada saat jatuh tempo. Dana untuk pembayaran
Salah satu konsekuensi daripada postur APBN yang defisit adalah
menimbulkan utang yang merupakan bagian dari kebijakan pengelolaan ekonomi
secara keseluruhan dalam rangka menciptakan kemakmuran rakyat dan
menciptakan keamanan RI. Tetapi dalam praktiknya sumber pembiayaan defisit
APBN dari utang membutuhkan kebijakan pengelolaan dalam jangka panjang
untuk meminimalkan biaya utang dengan tingkat resiko yang semakin terkendali.
Dimana kebijakan pengelolaan utang mengutamakan penerbitan Surat Berharga
Negara.
Sumber: Bank Indonesia (data diolah)
Gambar 4.2
Perkembangan Arus Modal Masuk di sektor SUN
Perkembangan investasi investor asing di sektor SUN tiap tahun
menunjukkan peningkatan meskipun berfluktuasi. Dalam perkembangannya,
investasi di sektor SUN merupakan pilihan utama investor dalam menanamkan
modalnya karena lebih memiliki tingkat bunga yang lebih tinggi dengan resiko
yang relatif lebih kecil. Meningkatnya permintaan SUN oleh asing disebabkan
beberapa faktor antara lain: Pertama, penurunan suku bunga deposito sejalan
denganpenurunan suku bunga SBI, menyebabkan investasi di pasar uang dan
deposito perbankan menjaditidak menarik. Kedua, meningkatnya peran
industrireksadana yang menawarkan pendapatan tetapberbasis obligasi
pemerintah. Ketiga, kepercayaan pasar terhadap pemerintah makin menguat.
Dinamika pembelian SUN oleh investor asing dipengaruhi oleh
perkembangan ekonomi global karena investor asing sangat peka atas isu-isu
negatif dari luar negri. Sehingga ketika pasar SUN mengalami gejolak maka
Pemerintah dan Bank Indonesia akan berkoordinasi dalam hal pelaksanaan
kebijakan antisipatif. Dari gambar 4.2 dapat diketahui bahwa kepemilikan dan
pembelian SUN oleh asing dapat bergerak turun ataupun naik secara signifikan.
Sumber: Bank Indonesia (data diolah)
Gambar 4.3
Perkembangan pembelian asing atas SUN terhadap perubahan BI rate
Berdasarkan gambar 4.3 dapat dilihat perkembangan pembelian SUN oleh
investor asing seiring dengan perubahan BI rate yang dilakukan oleh Bank
Indonesia dalam menjaga kestabilan nilai rupiah. Konsistensi pemerintah dalam
menjaga komitmen yang tidak pernah gagal bayar serta imbal hasil yang masih
tergolong tinggi daripada obligasi negara emerging market lain menyebabkan
minat investor asing di sektor SUN masih cukup tinggi. Sejalan dengan
membaiknya perekonomian domestik, maka akan diikuti oleh peningkatan inflasi
sehingga untuk mengimbanginya BI rate juga akan dinaikkan. Di satu sisi,
membaiknya perekonomian domestik menyebabkan investor asing meningkat
dalam pembelian SUN karena pertimbangan atas dua jenis keuntungan yaitu
naiknya nilai asset dan nilai tukar rupiah.
Selain itu, prospek SUN juga dipengaruhi oleh ekspektasi inflasi dan BI
rate. Pada dasarnya tujuan Bank Indonesia melakukan perubahan BI rate adalah
untuk menjaga kestabilan nilai rupiah yang tercermin dari inflasi dan nilai tukar.
BI rate dapat memicu kenaikan nilai tukar rupiah dan dengan adanya kenaikan
ekspektasi inflasi, tekanan currency loss akan berkurang di kalangan investor
sehingga minat investor asing berinvestasi di sektor SUN akan meningkat. Seperti
diketahui bahwa salah satu alasan investor membeli SUN adalah karena imbal
hasil yang tinggi dan minim resiko.
4.2.2 Perkembangan Capital Inflow melalui Sertifikat Bank Indonesia
Sertifikat Bank Indonesia merupakan salah satu instrumen Bank Indonesia
dalam hal pengendalian jumlah uang beredar yang operasionalnya dilaksanakan di
transaksi Operasi Pasar Terbuka BI. Kinerja SBI sebagai sumber capital inflow
mengalami dinamika dimana pembelian SBI dan kepemilikan asing atas SBI
SBI yang jatuh tempo ataupun alternatif investasi lain dimana investor akan
mempertimbangkan investasi yang lebih menguntungkan dan minim resiko
Sumber: Bank Indonesia (data diolah)
Gambar 4.4
Perkembangan Arus Modal Masuk di sektor SBI
Pada gambar 4.4 dapat dilihat kinerja SBI dari triwulan I 2008 hingga
triwulan IV 2013. Pada awal periode penelitian, SBI cenderung ,menurun dan
seiring dengan membaiknya perekonomian pada 2010 SBI berangsur-angsur
meningkat meskipun terkadang menurun. Hal ini disebabkan jatuh temponya SBI
yang menyebabkan capital outflow.
Perkembangan pembelian investor asing di sektor SBI menunjukkan pola
yang berhubungan dengan BI rate. Dimana ketika BI rate diumumkan dan
dioperasionalkan dalam operasi moneter Bank Indonesia Dalam, SBI merupakan
instrument yang digunakan Bank Indonesia untuk mengurangi jumlah uang
beredar di dalam operasional operasi pasar terbuka. Sertifikat Bank Indonesia
merupakan surat berharga dalam mata uang rupiah yang diterbitkan Bank
Indonesia sebagai pengakuan utang berjangka waktu pendek. Suku bunga SBI
dihitung menggunakan metode rata-rata tertimbang dengan membobot suku
bunga dengan volume transaksi SBI di masing-masing suku buna yang tidak
melebihi stop out rate SBI. Suku bunga SBI dengan harga beragam(variabel
rate)menggunakan metode metode rata-rata tertimbang.
Sumber: Bank Indonesia (data diolah)
Gambar 4.5
Perkembangan pembelian asing atas SBI terhadap perubahan BI Rate
Dalam gambar 4.5 dapat diketahui reaksi kinerja SBI ketika terjadi
perubahan BI rate. Untuk menyerap kelebihan likuiditas maka BI rate pun
dinaikkan dimana SBI akan diterbitkan dalam upaya absorpsi likuiditas. Ketika BI
rate naik maka Bank Indonesia sedang menyampaikan sinyal bahwa
perekonomian sedang mengalami kebihan likuiditas sehingga tindakan investasi
di sektor rill perlu dipertimbangkan dengan alas an ekspektasi inflasi dan
kestabilan nilai tukar. Sehingga para investor akan cenderung mempertimbangkan
untuk berinvestasi dengan membeli SBI yang berjangka waktu pendek.
4.2.3 Hubungan Antara BI rate dan SUN
Hubungan antara BI rate dan SUN dapat dilihat melalui scatter plotberupa
gambaran grafis yang terdiri dari titik-titik dari nilai variabel X dan variabel
Y.Scatter plot berfungsi sebagai pengujian seberapa besar hubungan antara antara
dua variabel serta menentukan jenis hubungan dari dua variabel tersebut apakah
berhubungan positif, negatif atau tidak berhubungan sama sekali.
Sumber: Pengolahan Data Excel
Gambar 4.6
Pola Hubungan BI rate dan SUN melalui scatter plot
Berdasarkan hasil scatter plot diatas yang diproses dengan Microsoft Excel
seperti yang terlihat pada gambar 4.6, dapat diperoleh nilai koefisien (�2=0.004).
Artinya hubungan yang terbentukbersifat positif antara BI rate dan SUN. Semakin
tinggi BI rate, maka semakin meningkat pula pembelian asing terhadap SUN.
Atau dengan kata lain, apabila koefisien variabel BI rate meningkat, maka akan
meningkat pula variabel yang lain yaitu pembelian asing atas SUN. Sebaliknya,
apabila nilai variabel tingkat BI rate diturunkan, maka akan menyebabkan nilai
pembelian asing atas SUN menurun. Akan tetapi, korelasi positif yang terbentuk
y = -4E-07x + 0,068
-5000 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000
antara kedua variabel tersebut berada pada tingkat yang rendah, terlihat dari nilai
koefisien korelasi yang kecil mendekati nol yaitu sebesar 0,004.
4.2.4 Hubungan antara BI ratedan SBI
Berdasarkan hasil scatter plot pada gambar 4.7, dapat diperoleh nilai
koefisien (�2=0.030). Artinya hubungan yang terbentuk antara BI rate dan SBI
bersifat positif. Semakin tinggi BI rate, maka semakin meningkat pula capital
inflow di SBI. Dengan kata lain, apabila nilai variabel BI rate meningkat, maka
akan meningkat pula pembelian asing atas SBI. Sebaliknya, jika nilai variabel
tingkat BI rate diturunkan, maka akan menyebabkan capital inflow di sektor SBI
menurun.
Sumber: Pengolahan Data Excel
Gambar 4.7
Pola Hubungan BI rate dan SBI melalui scatter plot
Akan tetapi, korelasi positif yang terbentuk antara kedua variabel tersebut
berada pada tingkat yang rendah, terlihat dari nilai koefisien korelasi yang kecil
mendekati nol yaitu sebesar 0,030.
y = -5E-07x + 0,069
-15000 -10000 -5000 0 5000 10000 15000 20000
4.31 Hasil Uji Stasioneritas
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi
dengan data time series adalah dengan melakukan uji stasioneritas data untuk
melihat apakah variabel BI rate, SUN dan SBI mengandung akar unit atau
tidak.Uji stasioneritas data ini dapatdilakukan dengan uji akar unit Augmented
Dickey Fullerpada derajat yang sama (level atau different) hingga diperoleh data
yang stasioner. Hal ini dapat dilakukan dengan membandingkan antara nilai
statistik ADF dan nilai statistik Mackinnon.Jika nilai absolut statistik ADF lebih
besar dari nilai statistik Mackinnon, maka data yang diamati stationer dan jika
sebaliknya nilai absolut statistik ADF lebih kecil dari nilai statistik Mackinnon
maka data tidak stationer pada derajat level. Dengan demikian, differencing data
untuk memperoleh data yang stasioner pada derajat yang sama di first difference
harus dilakukan.
Tabel 4.1
Hasil Pengujian Stationeritas pada tingkat Level
Nilai t-statistic dan
ADFstatistic -2.970138 -4.529913* -2.342792
Probabilitas 0.1628 0.0079 0.3961
Critical value 1% -4.467895 -4.416345 -4.440739
Critical value 5% -3.644963 -3.622033 -3.632896
Critical Value 10% -3.261452 -3.248592 -3.254671
Keterangan : * signifikan pada tingkat level
Dari hasil uji stasioneritas pada tingkat level, diketahui bahwa variabel
akan stasioner jika ADF statistik yang lebih besar dari Mackinnoncritical value.
Dari tabel 4.1 diatas, tampak hanya variabel SUN saja yang stasioner pada tingkat
level karena ADF statistic=-4.529913lebih besar dariMackinnoncritical value
1%=-4.416345 sementara variabel BI rate dan SBI masih mengandung akar unit.
Sehingga untuk mendapatkan data yang stasioner, maka pada tahap berikutnya
dilakukan pengujian unit root pada data first difference. Hasil uji dengan
menggunakan ADF test seperti terlihat pada tabel 4.2 di bawah.
Tabel 4.2
Hasil Pengujian Stationeritas pada tingkat First Difference
Nilai t-statistic dan
ADF-statistic -8.543108** -5.770420** -2.542830
probabilitas 0.0000 0.0007 0.3066
Critical value 1% -4.440739 -4.467895 -4.440739
Critical value 5% -3.632896 --3.644963 -3.632896
Critical Value 10% -3.254671 -3.261452 -3.254671
Keterangan : * signifikan pada tingkat level
** signifikan pada tingkat first difference *** signifikan pada tingkat second difference Sumber: Pengolahan data Eviews
Dari tabel 4.2 diatas, tampak variabel SBI telah stasioner pada tingkat first
difference karena ADF statistik=-8.543108 lebih besar dari Mackinnoncritical
value 1% = -4.440739. Sehingga variabel SBI dan SUN telah stasioner pada
tingkat first difference, sementara variabel BI rate masih mengandung akar unit.
variabel BI rate dalam tingkatsecond difference. Hasil uji dengan menggunakan
ADF test seperti terlihat pada tabel 4.3 di bawah.
Tabel 4.3
Hasil Pengujian Stationeritas pada tingkat Second Difference
Nilai t-statistic dan
ADF-statistic -12.77804*** -7.025124*** -4.485869***
probabilitas 0.0000 0.0001 0.0096
Critical value 1% -4.467895 -4.498307 -4.467895
Critical value 5% -3.644963 --3.658446 -3.644963
Critical Value 10% -3.261452 -3.268973 -3.261452
Keterangan : * signifikan pada tingkat level
** signifikan pada tingkat first difference *** signifikan pada tingkat second difference Sumber: Pengolahan data Eviews
Dari tabel 4.3 diatas, tampak bahwa variabel BI rate telah stasioner pada
tingkat second difference yang dapat terlihat dari nilai ADF statistik=-4.485869
lebih besar dari Mackinnoncritical value 1% = -4.467895. Sehingga dapat
dikatakan ketiga variabel telah stasioner, dan untuk melakukan estimasi model var
maka terlebih dahulu data harus didiferensikan sebanyak dua kali.
4.3.2 Hasil Penentuan Lag Optimal (Lag length)
Penentuan Lag Length dalam model VAR bertujuan untuk menghindari
terjadinya korelasi antara error termsdengan variabel endogen dalam model yang
menyebabkan estimator menjadi tidak konsisten. Hal ini berarti bahwa pemilihan
lag yang tepat akan menghasilkan residual yang bersifat Gaussian, yakni terbebas
dari permasalahan autokedastisitas (Gujarati,1997). Dalam penentuan lag optimal,
correction (FPE) atau dari AIC,SIC,dan HQ yang paling kecil diantara berbagai
lag yang diajukan.
Tabel 4.4
Hasil Pengujian Panjang Lag Optimal
Lag LogL LR FPE AIC SC HQ
0 -297.0997 NA 2.17e+09 30.00997 30.15933 30.03913
1 -280.4048 26.71188 1.02e+09 29.24048 29.83792 29.35711 2 -262.4495 23.34189* 4.50e+08* 28.34495* 29.39047* 28.54905*
3 -254.4480 8.001483 6.09e+08 28.44480 29.93840 28.73637
4 -245.0490 6.579295 9.23e+08 28.40490 30.34658 28.78394
Sumber: Pengolahan data Eviews
Dari hasil ini, dapat diketahui bahwa lag yang paling optimal adalah nilai
yang paling rendah dari masing-masing criteria LR, FPE, AIC,SC dan HQ.
Sehingga lag yang paling optimal adalah berada pada lag 2 yang ditunjukkan oleh
tanda bintang.
4.3.3 Hasil Uji Kointegrasi
Berdasarkan panjang lag diatas, dilakukan uji kointegrasi untuk
mengetahui apakah terjadi keseimbangan dalam jangka panjang, yaitu terdapat
kesamaan pergerakan dan stabilitas hubungan diantara variabel-variabel di dalam
penelitian ini atau tidak. Dalam penelitian ini, uji kointegrasi dilakukan dengan
menggunakan metode Johansen’s Cointegration Test yang dilakukan untuk
melihat hubungan jangka panjang antar variabel pertumbuhan ekonomi dan
pertumbuhan ekspor. Kriteria pengujian kointegrasi pada penelitian ini didasarkan
pada trace-statisticdan nilai elgen value. Apabila nilai trace-statisticdan
max-elgen valuelebih besar daripada critical value 5%, maka hipotesis yang
menyatakan terdapat hubungan jangka panjang antara BI rate dan Capital Inflow
Berikut ini disajikan tabel hasil uji kointegrasi dengan metode Johansen’s
Cointegration Testdengan menggunakan intercept dan trend serta lag optimal 2.
Tabel 4.5
Hasil Uji Kointegrasi dengan Metode Johansen’s Cointegration Test
(trace statistic) Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.581369 36.69640 42.91525 0.1820 At most 1 0.464611 18.41034 25.87211 0.3170 At most 2 0.222693 5.290331 12.51798 0.5552
Sumber: Pengolahan data Eviews
Tabel 4.6
Hasil Uji Kointegrasi dengan Metode Johansen’s Cointegration Test
(Maximum Elgenvalue statistic) Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.581369 18.28606 25.82321 0.3557 At most 1 0.464611 13.12001 19.38704 0.3184 At most 2 0.222693 5.290331 12.51798 0.5552
Sumber: Pengolahan data Eviews
Berdasarkan tabel 4.5 di atas dapat dilihat bahwa nilai critical value lebih besar
dari nilai trace statistic pada rank 0 (42.91525>36.69640)dan juga rank 1
(25.87211>18.41034)dengan tingkat kepercayaan 95%. Dapat juga terlihat pada
tabel 4.6 bahwa critical value lebih besar dari maximum elgen value pada rank 0
(25.82321>18.28606) dan juga pada rank 1 (19.38704>13.12001).Hal ini berarti
hipotesis nol yang menyatakan bahwa tidak ada kointegrasi diterima dan hipotesis
Berdasarkan analisis ekonometrik di atas dapat dilihat bahwa di antara
variabel penelitiantidak terdapat hubungan kointegrasi. Dengan demikian, dari
hasil uji kointegrasi mengindikasikan bahwa di antara pergerakan BI rate, SUN
dan SBItidak memiliki hubungan stabilitas/keseimbangan dan kesamaan
pergerakan dalam jangka panjang. Dengan kalimat lain, dalam setiap periode
jangka pendek, variabel tidak saling menyesuaikan, untuk mencapai ekuilibrium
jangka panjangnya.Berdasarkan hasil uji kointegrasi tersebut, model var yang
digunakan adalah model VAR bentuk differensi karena data yang telah stasioner
dan tidak terkointegrasi.
4.3.4 Estimasi Model VAR
Setelah uji stasioneritas atas variabel BI rate, SUN dan SBI dilakukan,
dapat diketahui bahwa variabel SBI dan BI rate mengandung akar unit pada
derajat level sehingga perlu dilakukan transformasi differensiasi data agar data
tidak mengandung akar unit pada derajat differensiasi satu ataupun dua. Setelah
uji kointegrasi diantara variabel penelitian dilakukan, maka tahap selanjutnya
adalah membentuk model VAR. Hasil uji kointegrasi data menunjukkan hasil
bahwa pada lag optimalnya variabel BI rate, SUN dan SBI pada periode penelitian
tidak memiliki hubungan dalam jangka panjang sehingga model yang tepat untuk
mengestimasi hubungan antara BI rate dan Capital Inflow di Indonesia adalah
model VAR bentuk differensi. Hal ini sesuai dengan metode penelitian pada bab
sebelumnya, jika tidak terdapat hubungan kointegrasi diantara variabel penelitian
Tabel 4.7 Hasil Estimasi VAR
DBI_RATE DSBI DSUN
DBI_RATE(-1) 1.355534 -132901.7 -611831.9 (0.20420) (103867.) (156501.) [ 6.63837] [-1.27954] [-3.90945] DBI_RATE(-2) -0.482550 127773.4 538707.7 (0.20790) (105749.) (159336.)
Sumber: Pengolahan data Eviews
Dari hasil estimasi VAR diperoleh persamaan sebagai berikut:
BIrate = 0.007389+ 1.355534BIratet-1 –0.482550BIratet-2+ 4.60E-07SBIt-1
+2.62E07SBIt-2+ 2.07E-07SUNt-1 + 2.25E-07SUNt-2
SBI = 260.6698-132901.7BIratet-1+ 127773.4BIratet-2- 0.024447SBIt-1 +
0.288637SBIt-2- 0.045637SUNt-1-0.030671SUNt-2
SUN = 6858.840-611831.9BIratet-1+ 538707.7BIratet-2+ 0.852366SBIt-1 +
Berdasarkan tabel 4.7 di atas, tidak semua lag signifikan dalam setiap
persamaan. Pada persamaan pertama dimana BI rate sebagai variabel dependen,
pola hubungan BI rate dengan dirinya sendiri adalah negatif pada lag dua dan
berpola positif lag satu. Hasil estimasi diatas menunjukkan bahwa dalam jangka
pendek, variabel BI ratepada lag pertama memiliki pengaruh yang positif terhadap
variabel itu sendiri sebesar 1.355534 yang artinya apabila pada lag pertama BI
ratemengalami peningkatan sebesar 1%, maka akan meningkatkan variabel itu
sendiri sebesar1.355534. Namun variabel tersebut memiliki pengaruh negatif
sebesar 0.482550 pada lag kedua sehingga apabila BI ratepada lag kedua
meningkat sebesar 1%, maka akan menurunkan BI rate itu sendiri sebesar
0.482550. Variabel SBI juga memiliki pengaruh yang positif terhadap BI rate
pada lag pertama sebesar 4.60E-07 dan pada lag kedua sebesar 2.62E07.
Sedangkan hubungannya dengan SUN adalah positif sebesar2.07E-07 pada lag
satu dan2.25E-07pada lag dua. Persamaan tersebut mengindikasikan bahwa pada
saat kenaikan BI rate maka akan langsung diikuti oleh kenaikan pembelian SUN
dan pembelian SBI.
Pada persamaan kedua dengan variabel SBI sebagai variabel dependen,
variabel BI rate berpengaruh negatif terhadap SBI sebesar 132901.7 pada lag
pertama dan berpengaruh positif sebesar 127773.4 pada lag kedua.Sedangkan
hubungan SBI dengan dirinya sendiri berhubungan negatif sebesar 0.024447 pada
lag pertamadan berhubungan positif sebesar 0.288637 pada lag kedua. Hubungan
SBI dengan SUN adalah berhubungan negative sebesar 0.045637 pada lag
kedua mengindikasikan bahwa setiap ada penurunan BI rate maka akan langsung
diikuti oleh kenaikan arus modal masuk asing di sektor SUN pada trwulan
berjalan dan juga akan diikuti oleh penurunan arus modal masuk di sector SBI
pada triwulan berikutnya.
Pada persamaan ketiga dengan variabel SUN sebagai variabel dependen,
variabel BI ratememberikan pengaruh yang negative sebesar 611831,9 pada lag
pertama dan berpengaruh positif sebesar 538707,7 pada lag kedua. Adapun
hubungan SUN dengan dirinya sendiri adalah negative sebesar 0.491459 pada lag
satu dan juga negative pada lag dua sebesa 0,178164. Hubungan SUN dengan SBI
adalah positif sebesar 0.852366 pada lag pertama dan juga positif pada lag kedua
sebesar 1,063850. Persamaan ini mengindikasikan bahwa setiap kenaikan BI rate
akan dikuti oleh pembelian investor asing akan SUN dan juga SBI tetapi tidak
sebesar pembelian investor di sektor SUN.
4.3.5 Hasil Analisis Dekomposisi Varian
Dekomposisi varian merupakan analisis yang digunakan untuk melihat
seberapa besar kontribusi setiap variabel karena adanya perubahan variabel
tertentu di dalam sistem VAR. Hasil Variance Decomposition pada jalur suku
Tabel 4.8
Hasil Uji Variance Decomposition
Variance Decomposition of DBI_RATE: Variance Decomposition of
DSBI: Variance Decomposition of
DSUN: Cholesky Ordering: DBI_RATE
DSBI DSUN
Dari hasil variance decomposition tersebut, hasil analisis yang dapat
diinterpretasikan adalah sebagai berikut:
1. Tabel Pertama menjelaskan tentang variance decomposition dari variabel
DBI_RATE, yaitu variabel apa saja dan seberapa besar variabel tersebut
mempengaruhi variabel DBI_RATE. Pada periode pertama, variabel
D_BIRATE dipengaruhi oleh variabel itu sendiri (100%). Namun demikian,
pada periode selanjutnya pengaruh DBI_RATE terhadap DBI_RATE itu
sendiri berkurang hingga 75.14493% pada periode ke-10. Selanjutnya, dari
variabel analisis itu pula dapat diketahui informasi bahwa DBI_RATE
dipengaruhi variabel DSUN tidak sampai 1% dimana sebesar 0,0000% pada
peride pertama dan terus meningkat hingga 1.056421% pada periode ke-10.
Sementara itu, nampaknya variabel DSBI lebih berpengaruh dalam penjelasan
mengenai DBI_RATE daripada DSUN. Hal ini, terlihat dari dari besarnya
persentase variance decomposition DSBI terhadap DBI_RATE meskipun
hanya sebesar 0,0000% pada periode ke 1 tetapi meningkat pada periode ke 10
sebesar 23.79865% dimana masih lebih tinggi daripada persentase DSUN
terhadap DBI_RATE.
2. Tabel kedua menjelaskan tentang variance decomposition dari variabel DSBI
yaitu variabel apa saja dan seberapa besar variabel tersebut mempengaruhi
DSBI. Pada periode pertama, variabel D_SBI dipengaruhi oleh variabel itu
sendiri sebesar 99.94442%Namun demikian, pada periode selanjutnya
pengaruh DSBI terhadap DSBI itu sendiri berkurang hingga 89.65308% pada
diketahuiinformasi bahwa DSBI dapat dijelaskan oleh variabel DSUN sebesar
0,0000% pada peride pertama dan meningkat perlahan-lahan hingga
hanya 0.415686% pada periode ke-10. Meskipun pada variance
decomposition dijelaskanbahwa DSUN dapat menjelaskan DSBI, namun
besarnya tidak terlalu signifikan, yaitu dibawah 1%. Sementara itu, tampak
bahwa variabel DBI_RATE lebih berpengaruh dalam penjelasan mengenai
DSBI daripada DSUN. Hal ini, terlihat dari dari besarnya persentase variance
decomposition DBI_RATE terhadap DSBI yang terus meningkat
dari 0.055577% pada periode pertama menjadi 9.931235%pada periode ke
10.
3. Tabel ketiga menjelaskan bahwa pada periode pertama, variabel DSUN
dipengaruhi oleh variabel itu sendiri hanya sebesar 54.63913% pada periode
pertama. Namun demikian, pada periode selanjutnya pengaruh DSUN
terhadap DSUN itu sendiri berkurang hingga hanya mencapai 21.64275%
pada periode ke-10. Selanjutnya, dari variabel analisis itu pula kita dapat
mengetahui informasi bahwa DSUN dapat dijelaskan oleh variabel
DSBIsebesar 6.961113% pada peride pertama dan terus meningkat hingga
24.59808% pada periode ke-10. Meskipun pada variance decomposition
dijelaskanbahwa DSBI dapat menjelaskan DSUN, namun besarnya tidak
terlalu signifikan dibanding pengaruh DBI_RATE. Sementara itu, tampak
bahwa variabel DBI_RATE lebih berpengaruh dalam penjelasan mengenai
decomposition DBI_RATE terhadap DSUN yang terus berkisar diantara dua
digit hingga 53.75917% pada periode ke 10.
4.3.6 Hasil Uji Kausalitas Granger
Untuk melihat hubungan kausalitas antara masing-masing variabel maka
digunakan metode granger causalityterhadap data yang telah stasioner.
Berdasarkan uji stasioneritas, diketahui bahwa data BI rate, SUN dan SBI
stasioner pada tingkat second difference sehingga sebelum dilakukan uji
Grangger Causality maka terlebih dahulu data diubah ke tingkat second
difference. Setelah data stasioner, maka uji Granger Causality siap dilaksanakan.
Kriteria yang digunakan dalam penilaian hubungan kausalitas antara
masing-masing variabel penelitian adalah dengan membandingkan nilai
probability dengan α sebesar 1%, 5%, dan 10%. Apabila nilai probabilitas
f-statistik lebih kecil dari α maka hipotesis H0 ditolak sehingga terdapat hubungan
antara variabel penelitian.
Tabel 4.9
Hasil Uji Granger Causality
Null Hypothesis: Obs F-Statistic Prob
DSBI does not Granger Cause DBI_RATE 20 1.13102 0.3487 0.3613 DBI_RATE does not Granger Cause DSBI 1.09031
Sumber: Pengolahan data Eviews
Berdasarkan hasil uji Granger Causalitydengan menggunakan jumlah
lag2, maka dapatdiketahui bahwa:
1. ��: DSBI tidak mempengaruhi DBI_RATE
��: DSBI mempengaruhi DBI_RATE
Nilai probabilitas yang ditunjukkan oleh hasil uji kausalitas Granger untuk
besar dari α sebesar 10%maka ��diterima. Artinya, SBI tidak mempengaruhi
BIrate.
2. ��: DBI_RATE tidak mempengaruhi DSBI
��: DBI_RATE mempengaruhi DSBI
Nilai probabilitas dari BI rate terhadap SBI menunjukkan angka sebesar
0.3613 dan angka ini lebih besar dari α sebesar 10%., maka �� diterima.
Artinya, BI rate tidak mempengaruhi SBI
Dengan demikian dapat disimpulkan bahwa hubungan antara BI rate dan
SBI adalah independen atau tidak saling mempengaruhisatu sama lainnya pada lag
kedua. Hal ini dapat terlihat pada perkembangan investasi asing di sektor SBI
yang tetap tidak menunjukkan perbaikan selama beberapa triwulan I 2012 hingga
akhir 2013 meskipun BI rate telah dinaikkandari 5,75% pada triwulan 1 2012
hingga mencapai 7,5% pada akhir 2013. Hasil ini juga sejalan dengan penelitian
yang dilakukan oleh Indriani (2013) yang menyatakan bahwa push factor lebih
berpengaruh terhadap meningkatnya capital inflowIndonesia daripada pull factor.
Adapun pull factor diantaranya suku bunga domestik.
Tabel 4.10
Hasil Uji Granger Causality
Null Hypothesis: Obs F-Statistic Prob.
DSUN does not Granger Cause DBI_RATE 20 1.37295 0.2834 DBI_RATE does not Granger Cause DSUN 4.97981 0.0219
Sumber: Pengolahan data Eviews
Berdasarkan hasil uji Granger Causalitydengan menggunakan eviews,
dapat diketahui bahwa:
��: DSUN mempengaruhi DBI_RATE
Nilai probabilitas dari pengujian causality SUN terhadap BI rate menunjukkan
angka sebesar 0.2834 dan angka ini lebih besar dari α sebesar 10%., maka
��diterima. Artinya, SUN tidak mempengaruhi BI rate.
2. ��: DBI_RATE tidak mempengaruhi DSUN
��: DBI_RATE mempengaruhi DSUN
Dalam pengujian Granger Causality, nilai probabilitas F-statistik BI rate
terhadap SUN menunjukkan angka sebesar 0,0219 dan nilai ini lebih kecil
α=10%, maka ��ditolak. Artinya, BI rate mempengaruhi SUN
Dengan demikian dapat disimpulkan bahwa terdapat hubungan satu arah
BI rate mempengaruhi SUN.Setiap perubahan BI rate akan mempengaruhi minat
investor asing untuk berinvestasi di sektor SUN.Hal ini sesuai dengan hasil studi
dari Ichsan (2013) dan Hamadi (2013) yang menyatakan bahwa pasar obligasi
akan lebih menarik minat investor, jika BI rate naik. Obligasi yang akan lebih
diminati adalah SUN (Obligasi Korporasi), tetapi harus obligasi yang baru terbit.
Obligasi korporasi yang baru lebih diminati karena ketika BI rate naik, investor
mencari yield yang lebih besar. Oleh karena itu investor akan cenderung
menunggu BI rate naik untuk melakukan investasi.
Hal ini kemungkinan disebabkan karena kondisi perekonomian domestik
Indonesia yang lebih baik dan lebih stabil daripada perekonomian negara maju
dengan tingkat resiko lebih rendah serta tingkat pengembalian yang lebih tinggi.
Hal ini menunjukkan ekspektasi inflasi dan kondisi perekonomian Indonesia yang
pengaruh yang signifikan terhadap aliran modal asing di sektor Surat Utang
Negara yang masuk ke Indonesia
Tabel 4.11
Hasil Uji Granger Causality
Null Hypothesis: Obs F-Statistic Prob
DSUN does not Granger Cause DSBI 20 0.22796 0.7989 DSBI does not Granger Cause DSUN 2.74496 0.0964
Sumber: Pengolahan data Eviews
Berdasarkan hasil uji Granger Causality dengan menggunakan
Eviewstersebut diketahui bahwa:
1. ��: DSUN tidak mempengaruhi DSBI
��: DSUN mempengaruhi DSBI.
Pengujian Granger menunjukkan nilai probabilitas F-statistik SUN terhadap
SBI sebesar 0,3487 dan angka ini lebih besar dari α =10%, maka ��diterima.
Artinya, SUN tidak mempengaruhi SBI.
2. ��: DSBI tidak mempengaruhi DSUN
��: DSBI mempengaruhi DSUN
Dalam pengujian Granger Causality menunjukkan nilai probabilitas F-statistik
SBI terhadap SUN memiliki angka sebesar 0,0964 dan angka ini lebih kecil
dari α =10%, maka ��ditolak. Artinya, SBI mempengaruhi SUN.
Dengan demikian dapat disimpulkan bahwa hubungan antara SBI dan
SUN adalah kausalitas satu arah dimana SBI mempengaruhi SUN.Artinya, SBI
mempengaruhi minat investor asing untuk berinvestasi di sektor SUN.Hal ini
sejalan dengan penelitian yang dilakukan oleh Puspita dan Haryono (2012) yang
bungaSBI akan menurunnya minat investor asing membeli obligasi pemerintah
BAB V PENUTUP
5.1 Kesimpulan
Setelah dilakukan analisis dan pembahasan terhadap variabel-variabel
penelitian, maka dapat dirangkum kesimpulan sebagai berikut:
1. Dalam operasionalnya sejak pertama kali diterapkan sebesar 8,5% pada 5 Juli
2005 hingga akhir periode penelitian, BI ratepernah mencapai level
tertinggi(12,75%) selama hampir 5 bulan dan pada level terendahnya (5,75%)
selama hampir 15 bulan. Isu tapering offThe FED pada pertengahan 2013
menyebabkan BI rate harus dinaikkanhingga mencapai 7,5%.
2. Pembelian investor asing atas SUN dan SBI selama 2008-2013 telah
berkontribusi besar sebagai capital inflowdi Indonesia.
3. Uji kointegrasi dengan Johansen’s Cointegration Test menunjukkan bahwa
tidak ada hubungan kointegrasi diantara BI rate dan capital inflowbaik dari
sektor SUN maupun SBIselama 2008-2013. Hal ini menunjukkan bahwa
variabel-variabel penelitian tidak saling menyesuaikan dalam jangka pendek
untuk mencapai ekuilibrium jangka panjangnya.
4. Hasil pengujian hubungan kausalitas Granger dalam kerangka VAR menunjukkan
bahwa:
Terdapat hubungan kausalitas searahBI rate terhadap SUN. Artinya, BI
rate mempengaruhi aliran modal asing di sektor SUN.
Terdapat hubungan kausalitas searah SBI terhadap SUN. Artinya, SBI
5.2 Saran
Berdasarkan hasil penelitian yang telah dilakukan untuk melihat hubungan
antara BI rate dan Capital Inflow di sector SBI dan SUN, maka dapat diajukan
beberapa saran sebagai berikut::
1. Berdasarkan hasil uji kausalitas Granger, Pemerintah dapat berkoordinasi
dengan BI dalam hal pengendalian nilai tukar rupiah agar mencapai nilai
fundamentalnya karena kebijakan moneter BI rate berpengaruh terhadap
minat investor asing untuk menanamkan modalnya di sektor SUN.
2. Bank Indonesia dan Pemerintah perlu mengoptimalkan kinerja ekspor di
sektor riil karena arus modal masuk bersifat hot moneyketika terjadi gejolak
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Capital Inflow
Dewasa ini, setiap negara tidak bisa membatasi interaksinya di tengah
pergaulan internasional dengan negara lain khususnya negara maju dan negara
tetangga. Isu liberalisasi perekonomian dunia khususnya di sektor perdagangan
dunia merupakan salah satu faktor yang menyebabkan suatu negara tidak dapat
membendung pergerakan modal internasional. Sehingga tak heran lagi apabila
seluruh unit-unit ekonomi nasional kian terseret dalam percaturan ekonomi
internasional. Revolusi teknologi. telekomunikasi dan transportasi telah membuat
jarak antarnegara begitu bias sehingga investor dapat bergerak bebas melintasi
batas kenegaraan yang semakin tipis untuk melakukan investasi.
Keterbukaan perekonomian dicerminkan oleh perdagangan luar negri.
Penyerapan domestik yang lebih besar daripada produksi nasional selanjutnya
menyebabkan defisit transaksi berjalan. Selama satu dekade terakhir tren defisit
transaksi berjalan yang juga secara bersamaan dengan defisit APBN tersebut
memerlukan sumber pembiayaan untuk menutupi defisit. Peranan arus modal
masukkian meningkat untuk menutupi defisit baik berupa penanaman modal
langsung maupun tak langsung serta melalui pinjaman luar negri juga.
Pentingnya peranan arus modal masuk dapat ditinjau dari politik anggaran
berimbang yang dianut pemerintah dalam menjalankan kebijakan fiskal (G=T).
Maka dapat kita buat persamaan menjadi:
Untuk menutupi kedua kesenjangan tersebut, perekonomian harus mampu
mengupayakan terjadinya arus modal masuk. Demikianlah tampak betapa erat
keterkaitan antara perekonomian domestik terhadap perekonomian luar negri.
Makin besar ekspor dan impor suatu negara maka semakin besar pula
ketergantungan negara tersebut terhadap perkonomian global dan juga semakin
meningkatnya ketergantungan terhadap capital inflow dan pinjaman luar negri
serta fluktuasi moneter internasional.
Capital Inflow merupakan hal yang sering dibicarakan dan menjadi
perhatian di kalangan akademisi dan praktisi ekonomi, baik secara teoritis maupun
dampaknya terhadap perekonomian Indonesia. Namun demikian, belum ada suatu
konsensus yang diterima semua pihak mengenai definisi konkrit dari capital
inflow itu sendiri. Banyak pendapat dari para ahli yang berkembang tentang apa
sebenarnya capital inflow tersebut. Pentingnya capital inflow terhadap
perekonomian telah diakui dan didokumentasikan dalam World Development
Report, 1985; Report of the Research Department of the International Monetary
Fund, 1991; Final Report of the Working Party on the Measurement of
International Capital Flows, International Monetary Fund, 1992; World Bank,
1995. Banyak pendapat yang telah mendefinisikan pengertian capital inflow, tapi
masih sulit membedakan capital inflow dengan utang luar negri. Capital flows
are generally welcomed in most countries as they assist in the proper allocation
of global resources and thereby increase the availability of capital and thus
higher investment and growth. They are instrumental in the transfer of technology
risk sharing with the rest of the world, greater external market discipline on
macroeconomic policy, broader access to export markets through foreign
partners, training and broader exposure of national staff, greater liquidity to meet
domestic financing needs, broadening and deepening of national capital markets,
and improvement of financial sector skills. (World Bank, 1995) Secara umum,
capital inflow adalah peningkatan jumlah mata uang asing yang tersedia dalam
suatu negara yang berasal dari sumber luar negri yang dipergunakan untuk
membiayai pembangunan dengan pembelian barang-barang modal dalam rangka
meningkatkan pertumbuhan ekonomi
2.2Faktor Penentu Capital Inflow
Secara umum derasnya capital inflow ke negara emerging market
disebabkan oleh beberapafaktor. Pengembangan infrastruktur pasarmodal dan tren
liberalisasi pasar modal seperti pengurangan hambatan pastisipasi dan
kepemilikan pihak asing berperan besar terhadapperluasan capital flow ke pasar
emerging market. Selain itu, tingginya peningkatan mobilitas capital inflow secara
umum disebabkan tingkat integrasi keuangan seiring dengan pesatnya
perkembanganteknologi terutama teknologi informasi dan komunikasi.
Secara umum capital inflow dipengaruhi oleh dua faktor(Agenor, 2004;
Calvo et al,1994):
1. Faktor Penarik (pull factor), yang terkait dengan kebijakan dalam negeri,
seperti tingginyatingkat produktivitas dan tingkat pertumbuhan, kuatnya
fundamental makroekonomi,stabilisasi makroekonomi, reformasi yang bersifat