iii
ABSTRAK
Ihsan Fathoni Amri. 2016. PENDETEKSIAN KRISIS PERBANKAN DI INDONESIA MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN MARKOV SWITCHING BERDASARKAN INDIKATOR BANK DEPOSITS. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret. Surakarta.
Indonesia telah mengalami beberapa kali krisis yang terjadi sejak tahun 1970. Krisis terparah terjadi pada tahun 1997 yang berawal dari jatuhnya mata uang Baht Thailand. Krisis keuangan terbagi menjadi tiga tipe yaitu krisis perbankan, krisis mata uang dan krisis hutang. Krisis perbankan dapat dideteksi dengan memantau indikator perbankan seperti bank deposits, rasio tingkat bunga pinjaman dengan tabungan, spread tingkat bunga riil, dan tingkat bunga riil tabungan. Pada penelitian ini pendeteksian krisis perbankan dilakukan berdasarkan indikator bank
deposits.
Penelitian ini bertujuan untuk menentukan model terbaik yang sesuai untuk mendeteksi krisis perbankan di Indonesia berdasarkan indikator bank deposits dan kemudian meramalkan nilai bank deposits untuk dua belas periode ke depan. Pada penelitian ini digunakan gabungan model volatilitas dan Markov switching dengan asumsi dua state dan tiga state.
Hasil penelitian ini menunjukkan bahwa data bank deposits periode Juni 1989 sampai dengan Februari 2015 tidak stasioner, mempunyai efek heteroskedastisitas, dan mengalami perubahan struktur. Oleh karena itu model yang digunakan model SWARCH untuk mendeteksi krisis perbankan. Diperoleh model
SWARCH(2,1) dan SWARCH(3,1) yang dapat mendeteksi krisis perbankan pada April 1998 dan November 1998 sampai dengan Oktober 2000. Model
SWARCH(2,1) dan SWARCH(3,1) digunakan untuk mendeteksi krisis periode Maret 2015 sampai dengan Februari 2016. Berdasarkan hasil pendeteksian pada penelitian ini diperoleh bahwa indonesia tidak akan mengalami krisis perbankan pada periode Maret 2015 sampai dengan Februari 2016 berdasarkan indikator bank
deposits, karena data peramalan tidak mengalami perubahan struktur dan mempunyai nilai filtered probabilities yang kecil.
iv
ABSTRACT
Ihsan Fathoni Amri. 2016 DETECTION OF BANKING CRISIS IN INDONESIA USING COMBINATION OF VOLATILITY MODEL AND MARKOV SWITCHING BASED ON BANK DEPOSITS INDICATOR. Faculty of Mathematics and Natural Sciences. Sebelas Maret University.
Indonesia has suffered several crises that have occurred since 1970. The crisis is most severe in 1997 that began with the collapse of the Thai Baht currency. The financial crisis is divided into three types: banking crisis, currency crisis and sovereign debt crisis. The banking crisis can be detected by monitoring the banking indicators such as bank deposits, the ratio of loans to savings interest rate, real interest rate spread, and the real interest rate savings. In this study the detection of the banking crisis is based on indicators of bank deposits.
This purpose of this study is to determine the appropriate model to detect banking crisis in Indonesia based on bank deposits indicator and then forecast the value of bank deposits to twelve period ahead. In this study used a combination of volatility and Markov switching models assuming two state and three state.
The results showed that the data bank deposits with the period from June 1989 to February 2015 is not stationary, have the effect of heteroskedastisity, and switching regime. Therefore the model used to detect the model SWARCH banking crisis. SWARCH model is obtained (2.1) and SWARCH (3.1) can detect the banking crisis in April 1998 and November 1998 to October 2000. Model SWARCH (2.1) and SWARCH (3.1) were used to detect the crisis period March 2015 to February 2016. From detection results in this study obtained that Indonesia will not happen banking crisis in the period March 2015 to February 2016 based on indicators of bank deposits, because the prediction data did not show any structure change and the filtered probabilities value was low.
v MOTO
“Barang siapa bersungguh-sungguh, sesungguhnya kesungguhannya itu adalah untuk dirinya sendiri.”
vi
PERSEMBAHAN
Karya ini saya persembahkan untuk
Kedua orangtua tercinta saya Ibunda Marsi Sugiyanti dan Ayahanda Sugiyanto. Istri, kakak dan adik saya, Sepvia Hera Permata, Yahya Fathoni Amri, Maryam,
serta
Aryan Fathoni Amri.
Tim Krisis dan keluarga besar Matematika 2011. Terima kasih atas bantuan, do’a serta dukungannya.
vii
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Alloh SWT atas segala rahmat dan karunia yang telah diberikan, sehingga penulis dapat menyelesaikan penulisan skripsi ini. Selesainya penulisan skripsi ini tidak lepas dari bantuan berbagai pihak. Ucapan terima kasih penulis sampaikan kepada
1. Drs. Sugiyanto, M.Si., Pembimbing I, atas pengarahan dan motivasi yang diberikan dalam membimbing penulis.
2. Supriyadi Wibowo, S.Si., M.Si., Pembimbing II yang telah memberikan saran dan bimbingan dalam penulisan skripsi ini.
3. Semua pihak yang berperan dalam penulisan skripsi ini. Penulis berharap semoga skripsi ini bermanfaat.
Surakarta, Januari 2016
viii DAFTAR ISI HALAMAN JUDUL ... i HALAMAN PENGESAHAN ... ii ABSTRAK ... iii ABSTRACT ... iv MOTO ... v PERSEMBAHAN ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... viii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR NOTASI ... xiii
I. PENDAHULUAN 1 1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 3
1.3 Tujuan Penelitian ... 4
1.4 Manfaat Penelitian ... 4
II. LANDASAN TEORI 5 2.1 Tinjauan Pustaka... 5
2.2 Teori-Teori Penunjang ... 7
2.2.1 Bank Deposits ... 7
2.2.2 Konsep Dasar Analisis Runtun Waktu ... 7
2.2.3 Uji Kestasioneran ... 7
2.2.4 Log Return ... 8
2.2.5 ACF dan PACF ... 9
2.2.6 Model ARMA ... 10
2.2.7 Uji Efek Heteroskedastisitas ... 13
2.2.8 Model ARCH ... 13
2.2.9 Kriteria Informasi ... 17
ix
2.2.11 Uji Perubahan Struktur ... 19
2.2.12 Model Markov Switching ... 20
2.2.13 Model SWARCH ... 21
2.2.14 Filtered Probabilities ... 24
2.3 Kerangka Pemikiran ... 27
III. METODE PENELITIAN 29 IV. HASIL DAN PEMBAHASAN 31 4.1 Deskripsi Data ... 31
4.2 Uji ADF ... 31
4.3 Log Return ... 32
4.4 Uji ADF ... 32
4.5 Pembentukan Model ARMA ... 33
4.5.1 Identifikasi Model ARMA ... 33
4.5.2 Estimasi Parameter Model ARMA ... 33
4.6 Uji Efek Heteroskedastisitas ... 35
4.7 Pembentukan Model Volatilitas ... 35
4.7.1 Estimasi Parameter Model ARCH ... 35
4.7.2 Model GARCH ... 36
4.7.3 Uji Diagnostik Model ARCH(3) ... 37
4.7.4 Pemilihan Model Terbaik ... 39
4.8 Uji Perubahan Struktur ... 40
4.9 Pembentukan Model SWARCH ... 40
4.9.1 Model SWARCH(2,1) ... 41
4.9.2 Model SWARCH(3,1) ... 42
4.10 Filtered Probabilities ... 44
4.11 Pendeteksian Krisis Perbankan ... 45
4.12 Pendeteksian Krisis Perbankan di Masa yang Akan Datang ... 46
4.12.1 Peramalan Volatilitas ... 46
4.12.2 Peramalan Log Return ... 47
x V. PENUTUP 51 5.1 Kesimpulan ... 51 5.2 Saran ... 51 DAFTAR PUSTAKA 52 LAMPIRAN 53 Lampiran 1 ... 54 Lampiran 2 ... 58
xi
DAFTAR TABEL
Tabel 2.1 Ciri-Ciri Plot ACF dan PACF Model ARMA ... 11
Tabel 4.1 Estimasi Parameter Model ARMA... 33
Tabel 4.2 Estimasi Parameter Model ARCH ... 36
Tabel 4.3 Estimasi Parameter Model GARCH ... 36
Tabel 4.4 Estimasi Parameter Model ARCH Menggunakan Metode QMLE . 39 Tabel 4.5 Uji Chow Breakpoint Berdasarkan Model ARMA(1,0) ... 41
Tabel 4.6 Estimasi Parameter Model SWARCH(2,1) ... 42
Tabel 4.7 Hasil Estimasi Parameter Model SWARCH(3,1) ... 43
Tabel 4.8 Nilai Filtered Probabilities Pada Periode yang Mengalami Perubahan Struktur ... 47
Tabel 4.9 Nilai Peramalan Volatilitas Periode Maret 2015-Februari 2016 ... 47
Tabel 4.10 Nilai Peramalan Log Retrun Periode Maret 2015-Februari 2016 .. 48
Tabel 4.11 Nilai Peramalan Bank Deposits Periode Maret 2015-Februari 2016 ... 48
Tabel 4.12 Probabilitas Uji Chow breakpoint Periode Maret 2015-Februari 2016 ... 49
Tabel 4.13 Nilai Filtered Probabilities untuk kondisi dua state dan tiga state periode Maret 2015-Februari 2016 ... 50
xii
DAFTAR GAMBAR
Gambar 4.1 Plot data dari indikator bank deposits ... 31 Gambar 4.2 Plot log return data bank deposits ... 32 Gambar 4.3 Plot ACF dan PACF data bank deposits... 34 Gambar 4.4 Plot ACF dan PACF residu model ARCH(3) dengan model
rata-rata bersyarat ARMA(1,0) ... 38 Gambar 4.5 Plot nilai filtered probabilities kondisi dua state ... 44 Gambar 4.6 Plot nilai filtered probabilities kondisi tiga state ... 45
xiii
DAFTAR NOTASI
𝑃𝑡 : data pada waktu ke-t 𝑅𝑡 : return pada waktu ke-t
𝑟𝑡 : log return pada waktu ke-t
𝑟̅ : rata-rata sampel
𝛾𝑘 : autokovariansi lag ke-𝑘 𝜌𝑘 : autokorelasi lag ke-𝑘
𝜙𝑘𝑘 : autokorelasi parsial lag ke-𝑘 𝜀𝑡 : residu pada waktu ke-t
𝑆∗ : jumlah kuadrat residu ℓ : fungsi log likelihood
𝑄(𝑚) : statistik uji Ljung-Box sampai dengan lag ke-𝑚 𝑆̂(𝑟𝑡) : koefisien skewness pada waktu ke-𝑡
𝐾̂(𝑟𝑡) : koefisien kurtosis pada waktu ke-𝑡 𝜉 : statistik uji pengali Lagrange
𝑢𝑡 : suatu proses white noise pada waktu ke-𝑡 dengan mean nol dan variansinya satu
𝜓𝑡 : suatu himpunan informasi sampai waktu ke-t
𝜎𝑡2 : variansi bersyarat pada waktu ke-𝑡
𝑥𝑡𝜇 : rata-rata dari return sebagai kombinasi linear dari variable eksogen 𝜇 : sebuah vektor dari parameter yang tidak diketahui
𝝎 : vektor parameter model ARCH
𝐾 : matriks yang berukuran T x 1
𝐹 : statistik uji Chow breakpoint
𝑠𝑡 : state
𝜇𝑠𝑡 : rata-rata model Markov switching yang bergantung pada suatu state 𝑝𝑖𝑗 : probabilitas transisi state i diikuti state j
1 Bab I PENDAHULUAN
1.1Latar Belakang
Suatu negara dikatakan mengalami krisis keuangan ketika sistem keuangan negara tersebut mengalami gangguan sehingga berdampak sistem tersebut tidak lagi bisa berfungsi secara efisien. Krisis keuangan merupakan suatu istilah yang digunakan untuk situasi dimana beberapa aset keuangan tiba-tiba kehilangan sebagian besar dari nilai nominalnya. Menurut Lestano et al. [19], krisis keuangan terbagi menjadi tiga tipe yaitu krisis perbankan (banking crisis), krisis mata uang (currency crisis) dan krisis hutang (debt crisis). Menurut Waibot [33] krisis keuangan telah berkali-kali menerpa ekonomi Indonesia sejak tahun 1970 tepatnya pada tahun 1978, 1983, 1986, 1997, dan 2008.
Krisis terparah di Indonesia terjadi pada tahun 1997. Menurut Abimanyu dan Imansyah [1], jatuhnya nilai tukar Baht Thailand merupakan awal terjadinya krisis pada tahun 1997 di Indonesia. Dampaknya adalah terjadi krisis keuangan dan krisis perbankan di Indonesia. Menurut Kaminsky et al. [17], krisis perbankan adalah apabila kredit macet lebih besar daripada rata-rata selama masa tidak krisis ditambah 2 standar deviasi. Krisis perbankan dimulai dengan mencuatnya nilai tukar dan nilai mata uang rupiah merosot tajam. Akibat krisis yang terjadi beban hutang perusahaan yang menggunakan mata uang asing, sedangkan pembiayaannya tergantung oleh bank membengkak secara tajam. Akibat lebih lanjut, timbulnya kredit macet yang secara tidak langsung akan mengganggu (dalam jumlah yang besar bahkan akan menghentikan) operasional bank. Padahal bagian perbankan merupakan salah satu sektor untuk menutupi terjadinya krisis ekonomi. Tornell [30] berpendapat apabila pemerintah tidak bersedia membiarkan mata uangnya terdepresiasi maka pemerintah harus siap untuk meng-cover semua kebijakan (liabilities) sistem perbankan dengan cadangan. Oleh karena itu pemerintah mengeluarkan beberapa kebijakan pada bagian perbankan digunakan untuk menutupi sektor ekonomi yang terkena dampak adanya krisis. Berdasarkan kebijakan-kebijakan yang ada membuat bagian perbankan juga mengalami krisis
2
perbankan. Beberapa indikator yang dapat digunakan untuk mendeteksi adanya krisis perbankan yaitu bank deposits, rasio tingkat bunga pinjaman dengan tabungan, spread tingkat bunga riil, dan tingkat bunga riil tabungan. Menurut Abimanyu dan Imansyah [1], bank deposits merupakan salah satu indikator penting yang digunakan untuk mendeteksi adanya krisis. Untuk itulah bank deposits dipilih sebagai indikator untuk mendeteksi krisis perbankan di Indonesia. Menurut Undang-Undang Republik Indonesia Nomor 10 Tahun 1998, Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan mengatakan bahwa bank deposits adalah simpanan yang penarikannya hanya dapat dilakukan pada waktu tertentu berdasarkan perjanjian nasabah penyimpanan dengan bank. Beberapa indikator sudah digunakan pada penelitian sebelumnya untuk mendeteksi krisis keuangan di Indonesia, antara lain Retnosari [26] dan Pudyastuti [25] menggunakan indikator nilai tukar riil, Pitaningsih [24] dan Sagitania [28] menggunakan indicator pertumbuhan kredit domestik, Utami [32] dan Mustikasari [21] menggunakan indikator rasio cadangan internasional terhadap M2, Marlina [20] menggunakan indikator harga saham, dan Ananda [2] menggunakan indikator tekanan pasar. Oleh karena itu dalam penelitian akan digunakan indikator bank
deposits yang belum digunakan pada penelitian sebelumnya untuk mendeteksi krisis perbankan di Indonesia.
Data bank deposits merupakan data runtun waktu karena dikumpulkan, dicatat, dan diamati berdasarkan urutan waktu. Data yang didapatkan mengalami fluktuasi yang signifikan sehingga mengindikasikan data tidak stasioner. Data yang tidak stasioner perlu dilakukan transformasi log return untuk menjadikannya data stasioner. Menurut Cryer [8], salah satu model yang digunakan untuk data stasioner adalah model Autoregressive Moving Average (ARMA). Asumsi yang harus dipenuhi model ARMA adalah variansi residu yang konstan (homoskedastisitas). Karena data bank deposits yang didapatkan memiliki efek heteroskedastisitas, sehingga asumsi homoskedastisitas tidak dipenuhi.
Guna mengatasi efek heteroskedastisitas tersebut, Engle [9] memperkenalkan model Autoregressive Conditional Heteroscedasticity (ARCH). Bollerslev [3] memperkenalkan model generalized autoregressive conditional
3
heteroscedasticity (GARCH), Nelson [23] memperkenalkan model exponential generalized autoregressive conditional heteroscedasticity (EGARCH), dan Glosten
et al. [10] memperkenalkan model threshold generalized autoregressive conditional heteroscedasticity (TGARCH). Namun data bank deposits mengalami perubahan struktur sehingga model ARCH, GARCH, dan EGARCH tidak dapat digunakan. Hamilton [13], memperkenalkan model Markov switching (MS)untuk memodelkan data runtun waktu yang mengalami perubahan struktur. Model Markos switching tidak dapat mengatasi masalah efek heteroskedastisitas dan perubahan struktur. Hamilton dan Susmel [14] pada tahun 1994 menggabungkan model volatilitas ARCH dengan model Markov switching yang kemudian dikenal dengan model Markov switching ARCH (SWARCH), Gray [11] memperkenalkan kombinasi model Markov switching dengan model volatilitas GARCH
(MSGARCH), dan Henry [15] memperkenalkan kombinasi model Markov
switching dengan model volatilitas EGARCH (MS-EGARCH). Gabungan model volatilitas dan Markov switching telah diterapkan oleh beberapa peneliti untuk mendeteksi krisis keuangan yang terjadi pada suatu negara. Misalnya Chang et al. [6] yang menerapkan model SWARCH untuk mengidentifkasi volatilitas mata uang asing dan krisis keuangan global di Korea menggunakan tiga state, yaitu volatilitas rendah, volatilitas sedang dan volatilitas tinggi.
Pada penelitian ini dilakukan pendeteksian krisis perbankan di Indonesia menggunakan gabungan model volatilitas dan Markov switching berdasarkan indikator bank deposits. Data bank deposits mengindikasikan terdapat efek heteroskedastisitas dan mengalami perubahan struktur, sehingga dapat dimodelkan dengan model SWARCH berdasarkan asumsi dua state dan tiga state.
1.2PERUMUSAN MASALAH
Berdasarkan latar belakang masalah yang diuraikan sebelumnya, dapat dituliskan rumusan masalah berikut
a. Bagaimana model yang sesuai untuk mendeteksi krisis perbankan di Indonesia berdasarkan indikator bank deposits?
4
b. Apakah pada Maret 2015 sampai dengan Februari 2016 Indonesia akan mengalami krisis berdasarkan indikator bank deposits?
1.3TUJUAN PENELITIAN
Berdasarkan perumusan masalah, penelitian ini bertujuan
a. menentukan model yang sesuai untuk mendeteksi krisis perbankan di Indonesia berdasarkan indikator bank deposits, dan
b. mendeteksi krisis perbankan di Indonesia pada bulan Maret 2015 sampai dengan Februari 2016 berdasarkan indikator bank deposits.
1.4MANFAAT PENELITIAN
Hasil dari penelitian ini diharapkan dapat memberikan manfaat untuk mendeteksi sinyal krisis perbankan di Indonesia berdasarkan indikator bank
