commit to user
PENDETEKSIAN KRISIS KEUANGAN DI INDONESIA
MENGGUNAKAN GABUNGAN MODEL VOLATILITAS DAN
MARKOV
SWITCHING
BERDASARKAN INDIKATOR
CADANGAN DEVISA
Indah Rahmawati, Sugiyanto, dan Bowo Winarno
Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta
Abstrak. Krisis keuangan yang terjadi di Indonesia pada pertengahan tahun 1997
me-rupakan dampak dari krisis keuangan di Asia yang diawali dengan jatuhnya nilai mata uang Bath di Thailand. Sehingga perlu dilakukan pendeteksian krisis keuangan di Indo-nesia. Pada penelitian ini pendeteksian krisis dilakukan berdasarkan indikator cadangan devisa. Data cadangan devisa mengindikasikan terdapat efek heteroskedastisitas dan mengalami perubahan struktur sehingga dapat dimodelkan dengan modelSWARCH de-ngan asumsi duastatedan tigastate. Model yang diperoleh yaitu modelSWARCH(2,1) dan SWARCH(3,1). Model SWARCH(2,1) dapat mendeteksi krisis pada bulan April 1998, Mei 1998, Juli 1998, Agustus 1998 dan September 1998 sedangkan model SWAR-CH(3,1) dapat mendeteksi krisis pada bulan April 1998 dan Mei 1998. Selanjutnya berdasarkan indikator cadangan devisa pada tahun 2015 tidak terjadi krisis.
Kata kunci: pendeteksian krisis, cadangan devisa, SWARCH, dua state, tiga state.
1.
PENDAHULUAN
Indonesia mengalami krisis keuangan pada pertengahan tahun 1997. Krisis
tersebut terjadi akibat dari krisis keuangan di Asia yang diawali dengan jatuhnya
nilai mata uang baht di Thailand. Tahun 2008 Indonesia kembali mengalami krisis
keuangan sebagai dampak dari krisis keuangan global yang bermula dari macetnya
pembayaran cicilan kredit perumahan di Amerika Serikat. Menurut Abimanyu dan
Imansyah [1], perlu dilakukan pendeteksian krisis keuangan di Indonesia, salah satu
indikator yang dapat digunakan untuk mendeteksi krisis adalah cadangan devisa.
Cadangan devisa merupakan stok mata uang asing yang dimiliki yang
sewaktu-waktu dapat digunakan untuk transaksi atau pembayaran internasional. Cadangan
devisa yang semakin menipis mengakibatkan perekonomian negara semakin
mem-buruk sehingga rawan terjadi krisis (Nilawati [10]).
Menurut Cryer [4], model runtun waktu yang umum digunakan adalah
auto-regressive moving average
(
ARMA
) yang mengasumsikan homoskedastisitas. Data
cadangan devisa merupakan salah satu data runtun waktu yang cenderung
meng-alami fluktuasi secara cepat dari waktu ke waktu sehingga mengindikasikan terdapat
efek heteroskedastisitas oleh karena itu model
ARMA
kurang tepat untuk
digunak-an. Guna mengatasi masalah heteroskedastisitas, Engle [5] memperkenalkan model
commit to user
menjelaskan perubahan struktur. Hamilton [7] memperkenalkan model Markov
swit-ching
pada model
autoregressive
dan menghasilkan model yang dapat menjelaskan
perubahan struktur dengan baik tetapi belum bisa menjelaskan adanya pergeseran
volatilitas.
Hamilton dan Susmel [8] mengkombinasikan model Markov
switching
dengan
model
ARCH
yang dikenal dengan model Markov
switching ARCH (SWARCH)
.
Model
SWARCH
dapat menjelaskan adanya perubahan struktur pada volatilitas.
Beberapa peneliti telah menerapkan model
SWARCH
untuk mendeteksi krisis
ke-uangan yang terjadi pada suatu negara. Chang
et al.
[3] menggunakan model
SWARCH
untuk meneliti dampak dari krisis keuangan global pada harga saham
dan nilai tukar mata uang asing di Korea.
Pada penelitian ini dilakukan pendeteksian krisis keuangan di Indonesia
ber-dasarkan indikator cadangan devisa menggunakan model
SWARCH
dengan asumsi
dua
state
dan tiga
state
. Dua
state
terbagi menjadi dua kondisi yaitu kondisi
vo-latil dan kondisi stabil. Sedangkan tiga
state
terbagi menjadi tiga kondisi yaitu
volatilitas rendah, volatilitas sedang dan volatilitas tinggi.
2.
MODEL
ARMA
Menurut Tsay [12], model
ARMA
(p, q) dirumuskan sebagai
r
t=
φ
1r
t−1+
φ
2r
t−2+
· · ·
+
φ
pr
t−p+
ε
t−
θ
1ε
t−1−
θ
2ε
t−2− · · · −
θ
qε
t−q,
dengan
r
tadalah log
return
pada waktu
t,
ε
tadalah residu pada waktu
t,
p
adalah
orde dari model
autoregreesive
(
AR
) dan
q
adalah orde dari model
moving average
(
MA
) .
3.
MODEL
ARCH
Menurut Tsay [12], model
ARCH
(m) dirumuskan sebagai
σ
t2=
α
0+
α
1ε
2t−1+
· · ·
+
α
mε
2
t−m
=
α
0+
m
∑
i=1
α
iε
2t−i,
dengan
σ
2t
adalah variansi bersyarat dari residu pada waktu ke-t,
ε
tadalah residu
pada waktu
t.
4.
MODEL
SWARCH
Menurut Hamilton dan Susmel [8], model
SWARCH
dirumuskan sebagai
commit to user
σ
t,s2 t=
β
0,st+
m
∑
i=1
α
i,stσ
2
t−i
,
(4.2)
dengan
r
tadalah log
return
pada waktu
t, variansi bersyarat dari
ε
tdimodelkan
se-bagai proses
ARCH
(m) atau
ε
t∼
ARCH
(m). Persaman (4.1) dan (4.2) dikatakan
sebagai proses Markov
switching ARCH state
k
order
m
dan dinotasikan sebagai
ε
t∼
SW ARCH
(k, m).
5.
METODE PENELITIAN
Penelitian ini merupakan penelitian terapan berdasarkan data cadangan
de-visa periode Januari 1990 sampai dengan Desember 2014. Langkah-langkah yang
dilakukan dalam penelitian ini.
(1) Membuat plot data dan melihat kestasioneran data menggunakan uji
Aug-mented
Dickey Fuller (
ADF
).
(2) Jika data belum stasioner, maka dilakukan transformasi log
return
.
(3) Membentuk model
ARMA
.
(4) Menganalisis adanya efek heteroskedastisitas dalam residu model
ARMA
menggunakan uji pengali Lagrange.
(5) Membentuk model volatilitas.
(6) Memeriksa ada atau tidaknya perubahan struktur dengan menggunakan uji
Chow
breakpoint
.
(7) Membentuk model
SWARCH
.
(8) Mendeteksi krisis keuangan di Indonesia berdasarkan indikator cadangan
devisa,
(a) menentukan nilai
filtered probabilities
pada setiap periode data,
(b) untuk dua
state
periode data dikatakan terindikasi terjadi krisis jika
memiliki nilai
filtered probabilities
yang lebih dari 0,5 (Ford
et al.
[6])
sedangkan untuk tiga
state
periode data dikatakan terindikasi terjadi
krisis jika memiliki nilai
filtered probabilities
yang lebih dari 0,6
(Her-mosillo dan Hesse [9]).
(9) Melakukan peramalan serta pendeteksian krisis keuangan berdasarkan data
peramalan.
6.
HASIL DAN PEMBAHASAN
6.1.
Plot Data.
Plot data cadangan devisa dan plot log
return
cadangan devisa
commit to user
Gambar 1. (a) Plot data cadangan devisa (b) Plot log return cadangan devisa
Berdasarkan plot data cadangan devisa pada Gambar 1(a) terlihat bahwa data
cadangan devisa mengindikasikan tidak stasioner dalam rata-rata maupun variansi.
Untuk memperkuat indikasi data cadangan devisa tidak stasioner dapat digunakan
uji
ADF
. Berdasarkan uji
ADF
diperoleh nilai probabilitas uji
ADF
sebesar 0,9962.
Nilai ini lebih besar dari tingkat signifikansi
α
= 0,
05 sehingga dapat disimpulkan
data tidak stasioner. Data cadangan devisa yang tidak stasioner dapat
distasioner-kan dengan menggunadistasioner-kan transformasi log
return
.
Berdasarkan Gambar 1(b) data log
return
cadangan devisa sudah stasioner
terhadap rata-rata tetapi variansinya tidak konstan. Kestasioneran log
return
dapat
diperkuat dengan melihat nilai uji
ADF
yaitu 0,0000. Nilai ini lebih kecil dari
tingkat signifikansi
α
= 0,
05 sehingga dapat disimpulkan data stasioner.
6.2.
Pembentukan Model
ARMA
.
Identifikasi model
ARMA
dapat dilakukan
dengan melihat pola dari plot
ACF
dan
PACF
. Berdasarkan hasil estimasi model
ARMA
diperoleh model yang sesuai yaitu
ARMA
(
1,0
). Model
ARMA
(
1,0
) dapat
dituliskan sebagai
r
t= 0,
169190
r
t−1+
ε
t, dengan
r
tadalah log
return
pada waktu
t
dan
ε
tadalah residu yang dihasilkan model pada waktu
t
.
6.3.
Uji Efek Heteroskedastisitas.
Hasil uji pengali Lagrange dari model
AR-MA
(
1,0
) diperoleh nilai probabilitas sebesar 0,004515 yang lebih kecil dari tingkat
signifikansi
α
= 0,
05. Jadi, dapat disimpulkan bahwa terdapat efek
heteroskedas-tisitas pada residu model
ARMA
(
1,0
). Karena terdapat efek heteroskedastisitas,
sehingga residu model
ARMA
(
1,0
) dapat dimodelkan menggunakan model
ARCH
.
6.4.
Pembentukan Model Volatilitas.
Hasil estimasi model
ARCH
dengan
rata-rata bersyarat
ARMA
(
1,0
) menunjukkan bahwa model yang terbaik yaitu
ARCH
(
1
)
yang dituliskan sebagai
σ
2 [image:4.595.102.522.73.497.2]commit to user
waktu
t
. Selanjutnya dari hasil estimasi model
GARCH
tidak diperoleh model
GARCH
(
p
,
q
) yang dapat digunakan sehingga model volatilitas terbaiknya adalah
model
ARCH
(
1
).
Selanjutnya untuk mengetahui kelayakan model, dilakukan uji diagnostik
re-sidu. Berdasarkan uji Ljung-Box residu model
ARCH
(
1
) sampai dengan
lag
ke-20
diperoleh bahwa nilai probabilitas seluruh
lag
lebih dari
α
= 0,
05 sehingga residu
model
ARCH
(
1
) tidak terdapat autokorelasi.
Berdasarkan hasil uji pengali Lagrange diperoleh nilai probabilitas sebesar
0,145654. Nilai ini lebih besar dari
α
= 0,
05 sehingga dapat disimpulkan bahwa
tidak terdapat efek heteroskedastisitas dalam residu model
ARCH
(
1
). Berdasarkan
hasil uji Jarque Bera diperoleh nilai probabilitas sebesar 0,000000. Nilai tersebut
lebih kecil dari
α
= 0,
05 sehingga dapat disimpulkan bahwa residu model
ARCH
(
1
)
tidak berdistribusi normal. Untuk mengatasi residu yang tidak normal, model
AR-CH
(
1
) dilakukan estimasi ulang dengan pilihan metode
QMLE
(Bollerslev dan
Wo-oldrige [2]). Mengacu pada Rosadi [11] diperoleh kesimpulan bahwa model terbaik
adalah
ARCH
(
1
) dengan model rata-rata bersyarat
ARMA
(
1,0
).
6.5.
Uji Perubahan Struktur.
Uji perubahan struktur dilakukan menggunakan
uji Chow
breakpoint
. Berdasarkan hasil uji Chow
breakpoint
diperoleh nilai
proba-bilitas yang lebih kecil dari
α
= 0,
05 untuk periode data ke-100, ke-101, ke-103,
ke-104 dan ke-105. Jadi, dapat disimpulkan bahwa terdapat perubahan struktur
pada data cadangan devisa.
6.6.
Pembentukan Model
SWARCH
.
Berdasarkan hasil dari identifikasi model
pada pembahasan sebelumnya diperoleh model
ARMA
(
1,0
) sebagai model rata-rata
bersyarat dan model
ARCH
(
1
) sebagai model variansi bersyarat. Sehingga
mo-del yang akan dibentuk yaitu
SWARCH
(
2,1
) dan
SWARCH
(
3,1
). Model
SWAR-CH
(
2,1
) dengan rata-rata bersyarat
ARMA
(
1,0
) dinyatakan
r
t=
0,
0000240287
,
untuk
state
0
0,
0000401985
,
untuk
state
1
.
Nilai tersebut menunjukkan bahwa rata-rata data log
return
cadangan devisa
per bulan pada kondisi stabil sebesar 0,0000240287 dan pada kondisi volatil sebesar
0,0000401985. Model heteroskedastisitas
SWARCH
(
2,1
) dinyatakan
σ
t2=
0,
00029326118 + 0,
22591682
ε
2t−1
, state
0
0,
00162529194 + 0,
22591682
ε
2t−1
, state
1
commit to user
Matriks probabilitas transisi data cadangan devisa dinyatakan
P
=
0,
968469400 0,
048559984
0,
031530605 0,
951440020
.
Berdasarkan matriks
P
dapat diketahui bahwa probabilitas untuk bertahan
dalam
state
stabil sebesar 0,968469400 dan probabilitas untuk bertahan dalam
state
volatil sebesar 0,951440020. Selanjutnya model
SWARCH
(
3,1
) dengan rata-rata
bersyarat
ARMA
(
1,0
) dinyatakan
r
t=
0,
0000356986
,
untuk
state
0
0,
0000248708
,
untuk
state
1
0,
0000374558
,
untuk
state
2
.
Nilai tersebut menunjukkan bahwa rata-rata data log
return
cadangan
devi-sa per bulan pada volatilitas rendah sebedevi-sar 0,0000356986, pada volatiltas sedang
sebesar 0,0000248708 dan pada volatilitas tinggi sebesar 0,0000374558. Model
he-teroskedastisitas
SWARCH
(
3,1
) dinyatakan
σ
t2=
0,
00033051288 + 0,
25204424
ε
2t−1
, state
0
0,
00011793527 + 0,
25204424
ε
2t−1
, state
1
0,
00241708072 + 0,
25204424
ε
2t−1
, state
2
.
Matriks probabilitas transisi data cadangan devisa dinyatakan
P
=
0,
65383412 3,
2663846e
−
012
0,
37820164
0,
14884144
0,
76816959
8,
7608548e
−
012
0,
19732444
0,
23183041
0,
62179836
.
Berdasarkan matriks
P
dapat diketahui bahwa probabilitas untuk bertahan
da-lam
state
volatilitas rendah sebesar 0,65383412, probabilitas untuk bertahan dalam
state
volatilitas sedang sebesar 0,76816959 dan probabilitas untuk bertahan dalam
state
volatilitas tinggi sebesar 0,62179836.
6.7.
Filtered Probabilities
.
Nilai
filtered probabilities
model
SWARCH
dapat
di-gunakan untuk mendeteksi terjadinya krisis keuangan di Indonesia. Plot
filtered
probabilities
lebih dari 0,5 dan lebih dari 0,6 dapat dilihat pada Gambar 2.
Gambar 2(a) menunjukkan periode data yang memiliki nilai
filtered
[image:6.595.97.525.242.503.2]commit to user
Sedangkan Gambar 2(b) menunjukkan periode data yang memiliki nilai
filtered
pro-babilities
lebih dari 0,6 (tiga
state
) yang diindikasikan berada pada kondisi volatilitas
[image:7.595.99.524.141.489.2]tinggi.
Gambar 2. Plot nilai filtered probabilities (a) lebih dari 0,5 (b) lebih dari 0,6
Terjadinya krisis dapat dideteksi dari nilai
filtered probabilities
yang tinggi dan
adanya perubahan struktur pada suatu periode data. Berdasarkan uji perubahan
struktur, diketahui bahwa pada April 1998, Mei 1998, Juli 1998, Agustus 1998 dan
September 1998 terjadi perubahan struktur pada data cadangan devisa. Kemudian
berdasarkan Gambar 2(a) pada bulan April 1998, Mei 1998, Juli 1998, Agustus
1998 dan September 1998 memiliki nilai
filtered probabilities
yang lebih dari 0,5
atau berada pada kondisi volatil yang mengindikasikan terjadinya krisis. Selanjutnya
berdasarkan Gambar 2(b) pada bulan April 1998 dan Mei 1998 memiliki nilai
filtered
probabilities
yang lebih dari 0,6 atau berada pada kondisi volatilitas tinggi yang
mengindikasikan terjadinya krisis.
6.8.
Peramalan Cadangan Devisa.
Hasil peramalan cadangan devisa periode
Januari 2015 sampai dengan Desember 2015 disajikan pada Tabel 1.
Tabel 1. Hasil peramalan cadangan devisa periode Januari 2015 - Desember 2105
Bulan
Nilai Peramalan
Januari 2015
112068,5193
Februari 2015
112127,7455
Maret 2015
112144,7162
April 2015
112149,5779
Mei 2015
112150,9705
Juni 2015
112151,3694
Bulan
Nilai Peramalan
Juli 2015
112151,4836
Agustus 2015
112151,5164
September 2015
112151,5257
Oktober 2015
112151,5284
November 2015
112151,5292
Desember 2015
112151,5294
6.9.
Pendeteksian Krisis Keuangan Berdasarkan Hasil Peramalan.
Terja-dinya krisis dapat dideteksi dari nilai
filtered probabilities
yang tinggi dan adanya
perubahan struktur pada suatu periode data. Dari hasil perhitungan
filtered
[image:7.595.122.501.591.694.2]commit to user
memiliki nilai
filtered probabilities
yang rendah untuk dua
state
maupun tiga
state
.
Selanjutnya berdasarkan uji perubahan struktur diperoleh hasil bahwa semua data
peramalan periode Januari 2015 sampai dengan Desember 2015 memiliki nilai
pro-babilitas yang lebih besar dari
α
= 0,
05 sehingga dapat disimpulkan bahwa tidak
terdapat perubahan struktur pada data peramalan cadangan devisa. Karena pada
data peramalan memiliki nilai
filtered probabilities
yang rendah dan tidak terdapat
perubahan struktur maka pada tahun 2015 tidak terjadi krisis.
7.
Kesimpulan
(1) Model yang sesuai pada data bulanan cadangan devisa periode Januari 1990
sampai dengan Desember 2014 yang terdapat efek heteroskedastisitas dan
mengalami perubahan struktur adalah model
SWARCH
(
2,1
) dan model
SWARCH
(
3,1
) dengan
ARMA
(
1,0
) sebagai model rata-rata bersyarat.
(2) Model
SWARCH
(
2,1
) dapat mendeteksi krisis keuangan di Indonesia
berda-sarkan indikator cadangan devisa pada bulan April 1998, Mei 1998, Juli 1998,
Agustus 1998 dan September 1998. Sedangkan model
SWARCH
(
3,1
) dapat
mendeteksi krisis keuangan di Indonesia berdasarkan indikator cadangan
de-visa pada bulan April 1998 dan Mei 1998. Selanjutnya berdasarkan indikator
cadangan devisa, tahun 2015 tidak terjadi krisis.
DAFTAR PUSTAKA
[1] Abimanyu, A. dan M.H. Imansyah,Sistem Pendeteksian Dini Krisis Keuangan di Indonesia, Fakultas Ekonomi. Universitas Gadjah Mada, Yogyakarta, 2008.
[2] Bollerslev, T. and J.M. Wooldridge,Quasi Maximum Likelihood Estimation and Inference in Dynamic Models with Time Varying Covariances, Econometric Reviews11(1992), 143-172.
[3] Chang, K., K. Y.Cho, and M.Hong, Stock Volatility, Foreign Exchange Rate Volatility and The Global Financial Crisis, Journal of Economic Research15(2010), 249-272.
[4] Cryer, J. D.,Time Series Analysis, PWS Publishers Duxbury Press, Boston, 1986.
[5] Engle, R. F., Autoregressive Conditional Heteroscedasticity With Estimates of The Variance of United Kingdom Inflation, Econometrica50(1982), 987-1006.
[6] Ford, J. L., B. Santoso dan N. J. Horsewood,Asian Currency Crisis: Do Fundamentals Still Matter? A Markov-Switching Approach to Causes and Timming, Working Papers, 2007. [7] Hamilton, J. D., A New Approach to The Economic Analysis of Nonstationary Time Series
and The Business Cycle, Econometrics57(1989), 357-384.
[8] Hamilton, J. D. and R. Susmel,Autoregressive Conditional Heteroscedasticity and Changes in Regime, Journal of Econometrics64(1994), 307-333.
[9] Hermosillo, B.G, and H. Hesse,Global Market Condition and Systemic Risk: IMF, IMF Work-ing Paper, 2009.
[10] Nilawati,Pengaruh Pengeluaran Pemerintah, Cadangan Devisa Dan Angka Pengganda Uang Terhadap Perkembangan Jumlah Uang Beredar Di Indonesia, Jurnal Bisnis dan Akuntansi2
(2000), 162.
[11] Rosadi, D.,Ekonometrika dan Analisis Runtun Waktu Terapan dengan Eviews, Yogyakarta, 2012.