PERILAKU DINAMIS NILAI TUKAR DAN PERDAGANGAN

(1)

(2)

LAPORAN PENELITIAN

PERILAKU DINAMIS NILAI TUKAR

DAN PERDAGANGAN

Oleh:

Ketua : DR. Agung Nusantara, SE., MSi.

NIDN: 0618066401 – SINTA ID: 6025701

Anggota : DR. Sri Nawatmi, SE.,MSi

NIDN: 0627046701 – SINTA ID: 6025671 DR. Agus Budi Santosa, SE., MSi

NIDN: 061126701 – SINTA ID: 6025726 Faisal Riza Rahman, SE.

NIM: 1852020056

PROGRAM PASCASARJANA

UNIVERSITAS STIKUBANK SEMARANG

Januari 2020

(3)

(4)

ABSTRAK

Penelitian ini dilatar belakangi oleh sangat lambatnya perekonomian Indoneia , khususnya dikaitkan dengan perkembangan internasional. Pada saat nilai tukar menguat kinerja perdagangan internasional nampaknya tidak terlalu responsive. Dengan mempertimbangkan perekonomian Indonesia yang terbuka maka menarik untuk mengetahui dampak hubungan ekonomi luar negeri Indonesia secara makro dibandingkan dengan hubungan bilateral antara Indonesia-China dan Indonesia-Amerika Serikat sebagai dua negeri penting dalam perekonomian Indonesia

Metode yang digunakan adalah Granger-Cusality dan Impulse Response Function. Granger-Causality mampu mendeteksi hubungan antar dua variable sedangkan Impulse Response Function, yang berdasarkan Vector AutoRegressive Model (VAR) mampu melngetahui sensitivitas tiap variable jika variable lain mengalami perubahan.

Bukti empiris yang diperoleh adalah, fenomena makro perkonomian luar negeri Indonesia (terhadap dunia) mampu mengidentifikasi fenomena J-Curve, dimana pergerakan nilai tukar berdampak pada ekspor maupun impor. Sedangkan kajian hubungan bilateral Indonesia-China dan Indonesia-Amerika Serikat sulit untuk menghasilkan identifikasi J-Curve.

(5)

KATA PENGANTAR

Alhamdullilah kami ucapkan syukur padaMU, ya ALLAH, dengan dapat diselesaikannya laporan penelitian sederhana ini.

Penelitian ini mengangkat isu sederhana, dengan alat sederhana, dan dilaporkan dengan cara yang ringkas. Namun dibalik kesederhanaan dan keringkasan ini, penelitian ini memberikan pelajaran bahwa isu-isu besar, seperti pergerakan nilai tukar – ekspor-impor dan hubungan dagang bilateral.

Penelitian ini memanfaatkan teknik Impulse Response Function, yang merupakan model analisis rentang waktu (time series). Analisis time series merupakan analisis yang bermanfaat untuk mengidentifikasi perilaku variable ekonomi dalam rentang waktu tertentu. Pentingnya analisis ini terletak pada dinamika yang melekat pada sector finansial maupun riil. Sehingga waktu menjadi aspek penting untuk dipahami. Sekumpulan data tentang ekspor-impor perekonomian Indonesia, ekspor-impor pada hubungan bilateral Indonesia-China dan Indonesia-Amerika Serikat digunakan untuk menguji teori J-Curve.

Diskusi-diskusi kecil, informal maupun formal, langsung ataupun tidak langsung, memberikan nilai tambah yang didapat peneliti untuk penelitian ini. Akhirnya, kepada semua rekan sejawat, peneliti mengucapkan terimakasih.

Semarang, 7 Januari 2020

(6)

DAFTAR ISI

HALAMAN JUDUL

HALAMAN PENGESAHAN ……… i

ABSTRAK ……… ii

KATA PENGANTAR ………..……….………. iii

DAFTAR TABEL …………..………...…...……… iv DAFTAR LAMPIRAN ………..………..……… v ABSTRAKSI ………..…. vi BAB I : PENDAHULUAN 1.1. Latar Belakang ……….……….……… 1 1.2. Permasalahan ……….………. 7 1.3. Tujuan Penelitian ……….………...……… 7 1.4. Manfaat Penelitian ……… 7

BAB II : KERANGKA PEMIKIRAN 2.1. Konsep Dasar Nilai Tukar ………. 8

2.2. Ekspor-Impor dan Kinerja Perdagangan ……… 10

2.3. Konsep Dasar J-Curve ………. 12

BAB III: METODE ANALISIS 3.1. Spesifikasi Variabel dan Sumber Data .………..……….. 19

3.2. Teknik Analisis ………..… 19

BAB IV: HASIL PERHITUNGAN DAN PEMBAHASAN 4.1. Uji Stasioneritas dan Kointegrasi ………... 24

4.2. Engle-Granger Causality ……… 26

4.3. Impulse Response Function dan Variance Decomposition ……… 29

BAB V: KESIMPULAN 5.1. Kesimpulan ………..………...… 33

KEPUSTAKAAN ……….……. 34 LAMPIRAN

(7)

DAFTAR TABEL

TABEL 1.1: Perdagangan Luar Negeri Indonesia terhadap Amerika

Serikat 3

TABEL 1.2: Perdagangan Luar Negeri Indonesia terhadap China 6

TABEL 3.1: Variabel, Spesifikasi Variabel dan Sumber Data 19

TABEL 4.1: Stasioneritas: ADF dan KPSS 25

TABEL 4.2: Engle-Granger Causality 26

TABEL 4.3: Akaike Information Criteria 26

TABEL 4.4: VAR Granger Causality – RP/USD-TOTEX-TOTIM 27

TABEL 4.5: VAR Granger Causality – RPCNY-EXCHINA-IMCHINA 28

(8)

DAFTAR GAMBAR

GAMBAR-1.1: Kurs Transaksi USD 2

GAMBAR-1.2: Perkembangan Neraca Perdagangan Indonesia-USA 4

GAMBAR-1.3: Kurs Transaksi CNY 5

GAMBAR-1.4: Defisit/Surplus Neraca Perdagangan Indonesia-China 6

GAMBAR-2.1: Perubahan Permintaan Produk Ekspor karena Apresiasi

Nilai Tukar Mata Uang Negara Eksportir 11

GAMBAR-2.2: Kurva J-Curve 12

GAMBAR-3.1: Diagram Alir Metode Analisis 18

GAMBAR-4.1: Response to Cholesky – RPUSA-TOTEX-TOTIM 30

GAMBAR-4.2: Response to Cholesky – RPCNY-EXCHINA-IMCHINA 31

(9)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page 1

BAB I:

PENDAHULUAN

1.1. Latar Belakang

Nilai tukar merupakan topik yang sering dibahas dalam ekonomi makro terkait pengaruhnya terhadap perekonomian secara keseluruhan. Fluktuasi nilai tukar memiliki pengaruh besar pada upah, suku bunga, harga, tingkat produksi, dan lapangan kerja, yang kesemuanya merupakan variable makro. Variabel-variabel ini berdampak besar pada kehidupan sehari-hari dan standar hidup masyarakat. Nilai tukar dan dampak utamanya pada perdagangan, pendapatan nasional, dan kesejahteraan negara sangat penting bagi pembuat kebijakan. Efek dari pergerakan nilai tukar terhadap mata uang dunia maupun mata uang negara partner dagangnya, merupakan informasi penting bagi pemerintah dalam membuat kebijakan perdagangan dan nilai tukar (Demirden & Pastine, 1995).

Para ekonom selama periode waktu yang lama, memberi tekanan penting terhadap hubungan keduanya, yaitu: nilai tukar dan neraca perdagangan. Sejak pertengahan abad kedua puluh, masalah tersebut sudah banyak dikaji dan menghasilkan kesimpulan yang mengarah pada satu pemahaman. Untuk perekonomian terbuka, reaksi dari fluktuasi nilai tukar pada neraca perdagangan, merupakan persoalan yang penting untuk dipahami karena kemungkinan untuk dijadikan indicator target neraca perdagangan untuk mendapatkan pendapatan nasional yang optimal.

(10)

Bank Indonesia menyatakan tingkat volatilitas nilai

tukar Rupiah sepanjang tahun ini berada di kisaran 7-8 persen. Sementara kurs

referensi bank sentral nasional pada hari terakhir perdagangan pasar keuangan

sebelum tutup tahun menempatkan Rupiah di posisi Rp14.542 per dolar AS.

Gubernur BI mengatakan bahwa tingkat volatilitas ini terus membaik sejak awal

tahun ketika Rupiah mulai melemah akibat berbagai sentimen. Volatilitas Rupiah

juga sudah membaik dalam dua bulan terakhir ketika Rupiah bahkan sempat

menyentuh kisaran Rp15 ribu per dolar AS. Volatilitas ini rendah, Rupiah

bergerak stabil dan menguat sampai hari ini di kisaran Rp14.500 per dolar AS.

Meski dilihat masih undervalue dari sisi fundamental.

Gambar 1.1:

Tren perubahan nilai tukar Rupiah terhadap US Dollar telah berlangsung

sejak akhir tahun 2017 dan Bank Indonesia memiliki dugaan tren perubahan

berlanjut hingga akhir 2018. Pergerakan nilai tukar Rupiah menurut Bank Dunia

(11)

dan memiliki tendensi pergerakan yang lebih besar dibandingkan dengan mata

uang negara lain di Asia. Berdasarkan Gambar 1.1 di atas, terlihat dugaan tersebut

tidak meleset. Pergerakan masih atraktif sampai periode Agustus 2018, namun

setelahnya mengalami fluktuasi yang relative stabil.

Tabel 1.1:

Perdagangan Luar Negeri Indonesia terhadap Amerika Serikat (Nilai : Ribu US$)

URAIAN 2014 2015 2016 2017 2018 ₂₀₁₈Jan-Sep ₂₀₁₉ TOTAL PERDAGANGAN 24.700.210,70 23.833.999,30 23.439.852,90 25.916.152,40 28.615.987,40 21.433.446,60 19.965.152,40 MIGAS 740.834,70 975.050,60 548.347,20 1.082.783,80 1.840.275,00 1.387.736,80 849.308,50 NON MIGAS 23.959.376,00 22.858.948,70 22.891.505,70 24.833.368,50 26.775.712,40 20.045.709,80 19.115.843,90 EKSPOR 16.530.103,00 16.240.798,20 16.141.412,20 17.794.523,00 18.439.760,70 13.901.421,20 13.036.674,90 MIGAS 673.123,40 932.623,80 456.452,30 660.104,00 772.065,60 706.032,90 38.355,50 NON MIGAS 15.856.979,60 15.308.174,40 15.684.959,80 17.134.419,10 17.667.695,10 13.195.388,30 12.998.319,40 IMPOR 8.170.107,70 7.593.201,20 7.298.440,70 8.121.629,30 10.176.226,70 7.532.025,40 6.928.477,50 MIGAS 67.711,40 42.426,80 91.894,90 422.679,90 1.068.209,40 681.703,90 810.953,00 NON MIGAS 8.102.396,30 7.550.774,30 7.206.545,80 7.698.949,50 9.108.017,30 6.850.321,40 6.117.524,50 NERACA PERDAGANGAN 8.359.995,30 8.647.597,00 8.842.971,40 9.672.893,70 8.263.534,00 6.369.395,90 6.108.197,40 MIGAS 605.412,00 890.196,90 364.557,40 237.424,10 -296.143,80 24.329,00 -772.597,50 NON MIGAS 7.754.583,30 7.757.400,10 8.478.414,00 9.435.469,60 8.559.677,80 6.345.066,90 6.880.794,90

Sumber: BPS, diolah Pusat Data dan Sistem Informasi, Kementerian Perdagangan Keterangan: *) Angka Sementara

Stabilitas pergerakan nilai tukar Rp/USD ini mempengaruhi stabilitas

perdagangan antar kedua Negara. Pada Tabel 1.1 memperlihatkan bahwa

Indonesia memiliki neraca perdagangan yang positif sejak 2014-2019 (sampai

dengan September 2019). Besarnya surplus perdagangan Indonesia terhadap

perekonomian Amerika Serikat juga relative stabil. Sepanjang Januari-September

2018 relatif sebanding dengan periode yang sama pada tahun 2019. Perbedaan

menyolok hanyalah pada sisi pengelompokan komoditasnya, migas dan

non-migas, yang sangat mungkin memiliki elastisitas yang berbeda terhadap

(12)

Gambar 1.2:

Perkembangan neraca perdagangan Indo US

Pola pergerakan Rupiah sedikit berbeda dengan Yuan China. Pergerakan

sepanjang 2017 hingga 2019 menunjukkan fluktuasi yang relative tinggi. Rupiah

memiliki kecenderungan menguat terhadap mata uang China (Gambar 2). Hal ini

karena kebijakan devaluasi yang dibuat oleh pemerintah China. Devaluasi mata

uang Yuan akan berdampak pada semaikin membanjirnya produk impor asal

China ke Indonesia. Kondisi ini dikhawatirkan pengusaha karena berpotensi

membuat neraca perdagangan semakin defisit. Secara mengejutkan, Bank Sentral

China pada Senin (5/8/2019), menetapkan nilai tengah kurs yuan sebesar CNY

6,922/US$ yang merupakan terendah sejak 3 Desember 2018.

2014 2015 2016 2017 2018 2019 TOTAL 33.85% 36.28% 37.73% 37.32% 28.88% 30.59% MIGAS 2.45% 3.73% 1.56% 0.92% -1.03% -3.87% NON-MIGAS 31.39% 32.55% 36.17% 36.41% 29.91% 34.46% -10% -5% 0% 5% 10% 15% 20% 25% 30% 35% 40% D E FIS IT /S U R PL U S N E R A C A PE R D A GA N GA N

DEFISIT/SURPLUS NERACA PERDAGANGAN INDONESIA-USA

(13)

Gambar 1.3:

Bagi konsumen perorangan bisa menggunakan fasilitas bebas masuk untuk

barang dari China asal harga barang tidak lebih dari US$75 dalam satu hari.

Kebijakan ini berlaku sejak September 2018. Artinya, konsumen yang membeli

barang senilai kurang dari US$ 75 (Rp 1.072.500; asumsi kurs Rp 14.300/US$)

tidak akan dikenakan pajak. Kombinasi antara kemudahan, bebas pajak, dan harga

murah akibat devaluasi yuan akan semakin mendorong minat konsumen untuk

belanja barang-barang langsung dari China. Pada saat yang bersamaan dengan

yuan yang lebih murah, ada indikasi ekspor Indonesia ke China akan terkoreksi,

karena permintaan produk asal Indonesia seperti komoditas minyak sawit mentah

(crude palm oil/CPO), batu bara akan berkurang, karena China harus membeli

(14)

Tabel 1.2:

Perdagangan Luar Negeri Indonesia terhadap China (Nilai : Ribu US$)

Uraian 2014 2015 2016 2017 2018 Jan-Sep 2018 2019 TOTAL PERDAGANGAN 48.230.279,90 44.457.320,90 47.591.263,50 58.849.923,50 72.670.066,40 52.782.367,70 52.394.880,60 MIGAS 1.309.636,80 1.971.828,00 1.783.674,90 1.988.304,40 3.010.801,20 1.761.672,60 1.694.402,40 NON MIGAS 46.920.643,20 42.485.492,90 45.807.588,70 56.861.619,20 69.659.265,20 51.020.695,10 50.700.478,20 EKSPOR 17.605.944,50 15.046.433,80 16.790.801,30 23.083.091,20 27.132.234,10 20.130.782,20 19.813.037,60 MIGAS 1.146.855,30 1.785.748,80 1.672.752,50 1.733.417,20 2.724.143,70 1.597.094,20 1.458.486,60 NON MIGAS 16.459.089,20 13.260.684,90 15.118.048,80 21.349.674,00 24.408.090,40 18.533.688,10 18.354.551,00 IMPOR 30.624.335,50 29.410.887,10 30.800.462,30 35.766.832,30 45.537.832,30 32.651.585,50 32.581.843,00 MIGAS 162.781,50 186.079,20 110.922,30 254.887,20 286.657,50 164.578,40 235.915,80 NON MIGAS 30.461.554,00 29.224.807,90 30.689.539,90 35.511.945,20 45.251.174,80 32.487.007,10 32.345.927,20 NERACA PERDAGANGAN -13.018.391,00 -14.364.453,40 -14.009.661,00 -12.683.741,10 -18.405.598,20 -12.520.803,30 -12.768.805,40 MIGAS 984.073,80 1.599.669,60 1.561.830,20 1.478.530,00 2.437.486,20 1.432.515,70 1.222.570,80 NON MIGAS -14.002.464,90 -15.964.123,00 -15.571.491,20 -14.162.271,20 -20.843.084,30 -13.953.319,00 -13.991.376,20

Pergerakan nilai tukar antar Negara partner dagang dan berimbas pada

pergerakan nilai perdagangan kedua Negara memang bukan fenomena ekonomi

baru, namun seberapa besar dampak yang ditimbulkan dari pergerakan nilai tukar

Rupiah tersebut, khususnya pada dinamika ekspor dan impor nasional perlu dikaji

secara lebih mendalam.

2014 2015 2016 2017 2018 2019 TOTAL -26.99% -32.31% -29.44% -21.55% -25.33% -24.37% MIGAS 2.04% 3.60% 3.28% 2.51% 3.35% 2.33% NON-MIGAS -29.03% -35.91% -32.72% -24.07% -28.68% -26.70% -40% -35% -30% -25% -20% -15% -10% -5% 0% 5% 10% % DE F ISI T /SU RPL US N E R A C A PE R D A GA N GA N Gambar 1.4:

Defisit/Surplus Neraca Perdagangan Indonesia-China

(15)

1.2. Permasalahan

Terdapat dua preposisi terhadap dampak pergerakan nilai tukar Rupiah.

Pertama, depresiasi nilai tukar Rupiah mempunyai dampak positif terhadap

permintaan ekspor sehingga neraca perdagangan meningkat. Secara komparatif,

produk Indonesia akan lebih murah dibandingkan negara pesaing. Leigh et. al

(2016) mengestimasi dampak depresiasi nilai tukar sebesar 10%, akan

menyebabkan kenaikan neraca perdagangan secara rata-rata sebesar 1,5%.

Kedua, nilai tukar Rupiah yang mengalami depresiasi akan berdampak

negatif terhadap neraca perdagangan. Ini disebabkan oleh tingginya kandungan

impor pada industri yang berorientasi ekspor, sehingga depresiasi nilai tukar

Rupiah menurunkan kemampuan produksi dan ekspor produk ke pasar global.

Dua ekspektasi yang bersifat inkonklusif ini menghendaki pembuktian

secara empirik dan akurat, sehingga kesahihan dampak pergerakan nilai tukar

Rupiah terhadap perdaangan luar negeri, baik ekspor maupun impor dapat

diperoleh jawabannya. Beberapa studi terdahulu masih memberikan kesimpulan

yang inkonklusif. Analisis dengan menggunakan metode kuantitatif perlu

dilakukan secara mendalam, baik secara agregat maupun sektoral.

1.3. Tujuan Penelitian

Menganalisis dan mengukur dampak pergerakan Rupiah terhadap kinerja

perdagangan internasional (ekspor dan impor)

1.4. Manfaat Penelitian

Penelitian ini diharapkan mampu memberikan gambaran alternative dan

(16)

BAB II:

KERANGKA PEMIKIRAN

2.1. Konsep Dasar Nilai Tukar

Nilai tukar didefinisikan sebagai harga dari mata uang asing dalam mata

uang domestik, sehingga peningkatan nilai tukar berarti meningkatnya harga dari

valuta asing yang menyebabkan mata uang domestik relatif murah atau terjadi

depresiasi, se-baliknya jika terjadipenurunan jumlah unit mata uang domestik

yang diperlukan untuk membeli satu unit valuta asing, berarti terjadi peningkatan

relatif nilai mata uang domestik atau terjadi apresiasi. Di dalam sistem mata uang

mengambang (floating exchange rate), nilai tukar valuta asing (valas) ditentukan

oleh kekuatan permintaan dan penawaran di pasar valas. Pasar valas merupakan

pasar mata uang dari berbagai negara.

Terdapat tiga jenis nilai tukar valas yaitu Nilai Tukar Spot (Spot Exchange

Rate) atau Nilai tukar yang berlaku adalah nilai tukar pada saat transaksi jual beli

terjadi, delivery asset serta pembayaran dilaku-kan pada saat yang sama. Yang

kedua Nilai Tukar Forward (Foward Exchange Rate) yaitu nilai tukar yang

berlaku adalah nilai tukar pada perjanjian awal, delivery asset dan pembayaran

akan dilakukan pada waktu yang akan datang. Yang ketiga Nilai Tukar Future

(Future Exchange Rate) yaitu nilai tukar yang berlaku adalah nilai tukar yang

telah disesuaikan setiap hari selama periode kontrak (marking to market), delivery

(17)

Sifat nilai tukar dibedakan menjadi dua yaitu volatile dan vis a vis. Nilai

tukar dikatakan volatile jika nilai tukar tersebut peka untuk bergerak atau mudah

naik atau turun tergantung pada perekonomian suatu negara. Perubahan yang

terjadi pada harga valas dalam sistem nilai tukar tetap disebut revaluasi atau

devaluasi, sedangkan pada system nilai tukar mengambang berarti terjadi apresiasi

atau depresiasi. Nilai tukar yang relatif stabil disebut hard currency sedangkan

mata uang yang tidak stabil disebut soft currency. Akibat nilai tukar yang volatile

me-nimbulkan tiga macam tindakan, pertama hedging yaitu pelaku lebih

menyukai untuk menghindari fluktuasi nilai tukar (risk averter). Kedua,

spekulasi yaitu pelaku lebih menyukai fluktuasi nilai tukar (risk lover) dan

terakhir adalah arbitrase yaitu pelaku yang mengambil keuntungan dengan adanya

perbedaan nilai tukar, harga aset finansial dan tingkat bunga antar Negara. Nilai

tukar dikatakan vis a vis jika nilai tukar tersebut dinyatakan secara berhadapan.

Penentuan nilai tukar juga terbagi menjadi tiga macam:

1. Nilai Tukar Tetap (Fixed Exchange Rate)

Negara mengumumkan suatu nilai tukar tertentu atas mata uangnya dan

menjaga nilai tukar ini dengan menyetujui untuk membeli atau menjual valas

dalam jumlah yang tak terbatas pada nilai tukar tersebut. Kebanyakan negara

industri utama memiliki nilai tukar tetap mulai akhir perang dunia kedua sampai

tahun 1973. Dalam sistem ini, bank sentral harus membiayai setiap surplus atau

(18)

2. Nilai Tukar Mengambang (Floating Exchange Rate)

Dalam sistem ini, bank sentral sama sekali tidak ikut campur tangan dan

memperkenankan nilai tukar secara bebas ditentukan di pasar valas. Jadi, tingkat

keseimbangan ditentukan oleh kekuatan permintaan dan penawaran.

Ada dua pengertian dalam sistem ini yaitu clean float dan dirty float.

Clean float adalah nilai tukar dibiarkan bebas tanpa campur tangan pemerintah

sedangkan dirty float, pemerintah melakukan intervensi di pasar valas. Dibawah

sistem mengambang murni, cadangan valas konstan. Ke-untungan sistem ini

adalah tidak terjadi deficit atau surplus neraca pembayaran, karena nilai tukar

akan menyesuaikan diri sampai jumlah current account dan capital account

menjadi nol. Di sisi lain, nilai tukar yang tidak stabil sangat peka terhadap

perubahan.

3. Nilai Tukar Mengambang Terkendali (Managed Floating Exchange Rate)

Nilai tukar tidak secara bebas berfluktuasi sesuai kekuatan pasar, tetapi

tinggi rendahnya nilai tukar ditetapkan dalam batas-batas tertentu (band

intervention). Di samping itu, tinggi rendahnya nilai tukar tergantung seberapa

besar intervensi pemerintah dalam mempengaruhi nilai tukar. Intervensi

pemerintah berupa pembelian atau penjualan valas. Besarnya intervensi

pemerintah sangat bervariasi.

2.2. Ekspor-Impor dan Kinerja Perdagangn

Neraca perdagangan dan nilai ukar berjalan beriringan (comovement) di

(19)

perdagangan, begitu sebaliknya perubahan neraca perdagangan akan berakibat

pada naik/turunnya nilai tukar suatu negara.

Gambar 2.1:

Perubahan permintaan produk ekspor karena apresiasi nilai tukar mata uang negara eksportir

Gambar 2.1 mengilustrasikan dampak apresiasi nilai tukar mata uang

negara eksportir yang menyebabkan harga produk negara tersebut menjadi lebih

tinggi. Peningkatan harga tersebut menyebabkan menurunnya permintaan ekspor

dikarenakan pasar dunia mengharapkan harga yang lebih rendah. Apresiasi nilai

tukar memberi dampak harga produk impor menjadi lebih murah dibandingkan

harga sebelum terjadinya apresiasi. Akibatnya permintaan terhadap barang impor

akan semakin tinggi. Sebaliknya, pada saat terjadi depresiasi nilai tukar,

permintaan barang ekspor akan meningkat akibat dari harga barang ekspor yang

lebih rendah. Sedangkan permintaan akan barang impor menjadi menurun karena

depresiasi nilai tukar menyebabkan harga barang impor menjadi lebih tinggi.

(20)

mata uang dalam negeri akibat dari transaksi ekspor dan impor yang

menyebabkan keluar masuknya mata uang.

2.3. Konsep Dasar J-Curve

Fenomena J-Curve menjelaskan depresiasi nilai tukar akan memperburuk

neraca perdagangan dalam jangka pendek, namun seiring dengan berjalannya

waktu, depresiasi tersebut membawa neraca perdagangan ke keadaan lebih baik

pada jangka panjang. Depresiasi mengakibatkan harga barang impor relatif lebih

mahal dan harga barang ekspor relatif lebih murah, dengan asumsi bahwa

perubahan volume ekspor dan impor berubah secara lamban, maka hal ini akan

menyebabkan deficit perdagangan yang semakin besar atau surplus perdagangan

yang menurun. Setelah beberapa waktu, volume ekspor akan mulai meningkat

seiring dengan harga produk ekspor yang relatif lebih murah dan diikuti dengan

penurunan volume impor akibat dari harga produk impor yang relatif lebih mahal.

Sehingga mengakibatkan surplus neraca perdagangan semakin meningkat di mana

adanya kemungkinan surplus perdagangan yang melebihi kondisi surplus sebelum

terjadinya depresiasi nilai tukar.

Gambar 2.2 Kurva J-Curve

(21)

Fenomena memburuknya di awal dan peningkatan selanjutnya dari neraca perdagangan setelah depresiasi adalah dikenal sebagai efek J-curve (Levi, 2005). Secara teori, menurunnya neraca perdagangan setelah depresiasi mata uang mungkin tidak permanen untuk dua alasan utama. Pertama, butuh waktu bagi orang untuk mengalihkan preferensi barang impor ke dalam negeri pengganti yang diproduksi. Dengan demikian, secara umum diyakini bahwa permintaan lebih tidak elastis dalam jangka pendek daripada dalam jangka panjang istilah. Kedua, komoditi pengganti domestik belum diproduksi tepat setelah depresiasi mata uang lokal (kurva penawaran domestik tidak elastis). Karena itu, hanya setelah produsen mulai memasok apa yang sebelumnya diimpor dan setelah konsumen memutuskan untuk membeli pengganti impor, dapat mengimpor permintaan sepenuhnya, dan impor menurun setelah depresiasi. Demikian pula, ekspor berkembang hanya setelah pemasok dapat memproduksi lebih banyak untuk ekspor dan setelah konsumen asing menyesuaikan preferensi mereka ke produk lain.

Gambar 2.2 mengasumsikan bahwa penyusutan terjadi pada t0, dan itu

karena masyarakat untuk sementara masih menghabiskan komoditas impor serta

karena ekspor tidak mencukupi peningkatannya, neraca perdagangan memburuk

segera setelah terjadi penyusutan. Baru kemudian, ketika elastisitas impor dan

ekspor meningkat, neraca perdagangan berbalik dan berubah membaik.

Untuk studi empiris, beberapa peneliti merilis hasil analisis berdasarkan

situasi spesifik negara mereka. Secara khusus, Onafowora (2003) menggunakan

(22)

untuk menyelidiki efek jangka panjang, dari perdagangan bilateral antara

Thailand, Malaysia, dan Indonesia dengan AS dan Jepang. Dalam studinya,

Onafowora menemukan hasil yang beragam. Sementara ada peningkatan jangka

panjang dalam neraca perdagangan, untuk enam pasang negara.

Thailand menunjukkan bukti untuk kurva J hanya dengan AS. Indonesia

dan Malaysia menunjukkan kurva-J pola dengan kedua mitra dagang. Dalam studi

lain, Hsing (2005) menggunakan IRF untuk mengevaluasi makalah Hsing dan

Savvides (1996) yang menggunakan metode OLS untuk mencari bukti kurva-J.

Neraca perdagangan agregat Korea, Jepang, dan Taiwan, serta perdagangan

bilateral dengan AS dimodelkan, tetapi hanya Jepang yang menunjukkan pola

kurva-J dalam arus perdagangan agregatnya.

Ada beberapa penelitian yang berfokus pada perdagangan agregat

negara-negara Asia. Akbostanci (2004) gagal menemukan bukti pola kurva-J

untuk neraca perdagangan Turki selama 1987-2000. Singh (2004) menunjukkan

tidak ada efek J-curve untuk India dari 1975 hingga 1996. De Silva dan Zhu

(2004) menggunakan fungsi Impuls Respons Function (IRF) untuk mencoba

berbagai urutan kombinasi variabel yang berbeda (termasuk suku bunga, jumlah

uang beredar, dan pengeluaran pemerintah). Mereka menemukan bahwa secara

keseluruhan, perdagangan membaik, tetapi PDB tidak merespons positif untuk

devaluasi.

Studi lebih lanjut menunjukkan kombinasi dalam penerapan metodologi

dengan menggunakan IRF dan kointegrasi untuk menguji perdagangan satu

(23)

Rahman dan Islam (2006) menggunakan pendekatan kointegrasi Engle-Granger

dan fungsi impuls-respons (IRF) untuk menganalisis keseimbangan perdagangan

Bangladesh; Halicioglu (2007) mempelajari perdagangan Turkey dengan sembilan

mitra dagang dengan menggunakan Vector Error Model koreksi, General IRF, dan

kointegrasi Johansen. Kesimpulan secara umum dari studi mereka adalah mereka

tidak menemukan bukti fenomena J-curve.

Karena beberapa kelemahan metode sebelumnya, maka beberapa peneliti

mempelajari efek J-curve dengan menggunakan metode kointegrasi dan ECM,

pendekatan ini dikembangkan dengan menggunakan model ARDL dalam banyak

penelitian selanjutnya.Misalnya, studi Rehman at.el di Pakistan, efeknya diukur

dengan menggunakan koefisien jangka pendek. Mereka menemukan bahwa

tanda-tanda koefisien pada jangka pendek bertolak belakang dengan tanda-tanda pada jangka

panjang.

Studi lain dari Arora et Al. (2003) meneliti perdagangan India dengan

tujuh mitra dagang industri. Hasilnya adalah tidak ditemukannya bukti efek dalam

jangka panjang di empat negara dan dengan demikian tidak ada kurva J yang

diilustrasikan. Namun, Bahmani-Oskooee et al. (2006) menemukan bukti kuat

efek dinamis untuk perdagangan antara Inggris dan dua puluh mitra dagang teratas

selama 1973-2001. Perdagangan Kanada-AS menampilkan pola yang mirip

dengan kurva J, sementara tiga negara lain menunjukkan efek berosilasi yang

digambarkan sebagai kurva-W. Studi-studi ini, menerapkan teknik kointegrasi

(24)

membuktikan fenomena kurva-J. Kemungkinan disebabkan oleh perilaku industri

yang berbeda-beda, dan data agregat menyembunyikan pergerakan yang terjadi

dalam bentukharian. Akibatnya, disagregasi data arus perdagangan negara

mungkin mampu mengungkapkan keberadaan kurva J khusus industri

(25)

BAB 3:

METODE ANALISIS

Penelitian ini menggunakan serangkaian prosedur ekonometrika untuk

mengestimasi dinamika peran variabel bebas terhadap variabel tak bebas, serta

untuk mengetahui respon variabel tak bebas terhadap external shock. Prosedur

ekonometrika yang akan digunakan untuk menjawab permasalahan penelitian

disertasi ini adalah:

1. Pengujian sifat stasioner terhadap data runtun waktu, beserta optimal

lag-nya untuk memastikan bahwa variabel yang teramati memiliki

sifat stasioner.

2. Pengujian kointegrasi bisa dianggap sebagai pengujian awal untuk

menghindari situasi spurious regression. Disamping itu, persamaan

yang terbentuk pada pengujian kointegrasi dapat dianggap sebagai

gambaran hubungan jangka panjang antar variabel bebas dan

variabel tak bebasnya (Green, 2000: hal.790) dan mengindikasikan

proses penyesuaian yang dinamis (Wang, 2009: hal. 59)

3. Estimasi model Vector Autoregressive (VAR) jenis Vector Error

Correction (VEC). Model VAR untuk jenis VEC adalah jenis yang

restriktif dengan menentukan variabel endogen dan eksogennya

(26)

4. Estimasi Impulse Response Function (IRF) dan Variance

Decomposition (VD) untuk menganalisis dampak perubahan yang

terjadi sebagai akibat adanya faktor inovasi (external shock). IRF

dan VD merupakan konsekuensi logis dari model VAR.

Gambar 3.1:

Diagram Alir Metode Analisis

UJI INTEGRASI DATA

UJI KOINTEGRASI

MODEL GRANGER-CAUSALITY

IMPULSE RESPONSE FUNCTION / VARIANCE DECOMPOSITION

(27)

3.1. Spesifikasi variabel dan Sumber Data

Sebagai hasil turunan dari kerangka teoritikal dasar, maka dapat disusun

kebutuhan data untuk variabel penelitian ini.

Tabel 3.1:

Variabel, Spesifikasi Variabel dan Sumber Data

NO VAR KETERANGAN SUMBER

1

Nilai Tukar: RPUSA RPCNY

Ukuran terhadap nilai tukar, bisa dalam bentuk Nominal Exchange Rate (NER), Effective Exchange Rate (EER) atau Real Effective Exchange Rate (REER), untuk Rp/USD dan Rp/CNY  International Financial Statistic, IMF  Bank Indonesia  Badan Pusat Statitik  Perode pengamatan 2012-Januari sampai dengan 2019-Oktober 2 Export: TOTEX EXCHINA EXUSA

Nilai export Indonesia CIF dalam bentuk US Dollar

3 Import: TOTIM IMCHINA

IMUSA

Nilai Import Indonesia CIF dalam bentuk US Dollar

3.2. Teknik Analisis

Prosedur ekonometrika yang akan digunakan untuk menjawab

permasalahan penelitian ini adalah:

1. Pengujian sifat stasioner data time series, beserta optimal lag-nya untuk

(28)

2. Pengujian Cointegration bisa dianggap sebagai pengujian awal untuk

menghindari situasi spurious regression. (Green, 2000: hal.790 dan

Wang, 2009: hal. 59)

3. Estimasi model Vector Error Correction (VEC) sebagai variasi dari

Vector Autoregression (VAR)

4. Estimasi Impulse Response Function (IRF) dan Variance Decomposition

(VD) untuk menganalisis perubahan yang terjadi sebagai akibat adanya

faktor inovasi (external shock).

Pengujian Stasioneritas Variabel. Stationary process pada data time series

dikenal sebagai weak stationary, memiliki tiga (3) kelengkapan, yaitu:

1. Mean : E(Yt) = 

2. Variance : var (Yt) = E(Yt -)² = ²

3. Covariance : k = E[(Yt - )(Yt+k - )]

Apabila data memiliki sifat stasioner maka mean, variance, dan covariance akan

sama tanpa tergantung pada ukuran data tersebut, inilah yang disebut dengan time

invariant. Data time series dikatakan memiliki sifat stasioner pada derajad satu

atau I(1) berarti data tersebut memiliki unit root derajad satu (1) atau terintegrasi

pada derajad satu.

Secara umum digunakan symbol I(d), secara matematis dapat dirumuskan

sebagai berikut:

( )

Penelitian ini akan menggunakan teknik pengujian stasioner Kwiatkowski,

(29)

lanjut dari model Dickey-Fuller. Sehingga memahami teknik pengujian KPSS

akan lebih mudah jika memahami konsep Dickey-Fuller terlebih dahulu.

Augmented Dickey-Fuller Test. Berawal dari model pengujian stasioneritas

Dickey-Fuller yang didasarkan atas persamaan:

;

Hipotesis yang diterapkan pada persamaan tersebut adalah:

H0 :  = 0; dan Ha :  < 1

Nilai  dievaluasi dengan menggunakan : _{( )}̂_̂

Namun demikian, pengujian dengan menggunakan distribusi-t tidak menunjukkan

konsistensi hasil.

Standar unit-root Dickey-Fuller ternyata hanya memiliki validitas jika

data berada dalam proses AR(1). Jika data berada dalam order yang lebih tinggi

maka asumsi white-noise untuk kesalahan pengganggu akan terlanggar. Oleh

sebab itu pengujian Dickey-Fuller standar diperbaiki prosesnya menjadi

Augmented Dickey-Fuller (ADF). Konstruksi pengujian ADF menggunakan

faktor koreksi parametric untuk order tinggi dengan menerapkan asumsi bahwa

data yang bersangkutan mengikuti pola AR(p) dan ditambahkan lag operator pada

perubahan data. Secara matematis dirumuskan sebagai berikut:

Disamping keunggulan dari sisi operator lag untuk autoregressive yang lebih

longgar, ternyata ADF juga bersifat asimptotik pada eksistensi proses moving

(30)

The Kwiatkowski, Phillips, Schmidt dan Shin test (KPSS) melakukan

pengujian stasioneritas dengan menggunakan asumsi bahwa data yang diuji

memiliki trend stationary (hipotesis nol). Perhitungan KPSS didasarkan pada nilai

residual OLS dari regresi terhadap yt terhadap variabel eksogen xt.

Evaluasi terhadap  didasarkan atas statistik LM: ∑ ( )

VAR sering digunakan untuk sistem peramalan pada data time series dan

untuk menganalisis dampak dinamis yang ditimbulkan oleh keslahan penggangu

dalam sistem persamaan. Secara matematis sistem VAR dapat dirumuskan

sebagai berikut:

dimana merupakan vector inovasi yang non-autocorrelated, E( ) = 0

(white-noise innovation). Vector inovasi merupakan independent Gaussian, karena

memiliki means = 0 dengan variance = ². Implikasinya adalah tidak memiliki kecenderungan terjadi korelasi serial tetapi dimungkinkan memiliki korelasi lintas

persamaan.

Vector Error Correction Model (VEC) merupakan restricted VAR yang

didisain untuk digunakan dalam kondisi data non-stasioner yang dapat

menghasilkan model yang terkointegrasi (WMS, 2009.p. 478).

(31)

Dalam model sederhana tersebut error correction term (ECT) adalah

yang berada di sisi kanan persamaan, ( ). Jika variabel y dan x menyimpang dari keseimbangan jangka panjang maka nilai ECT ≠ 0 dan jika

berada dalam jalur jangka panjang maka ECT = 0. Koefisien  mengukur

penyesuaian atau speed of adjustment dari variabel endogen untuk mengarah ke

jalur keseimbangan jangka panjang.

Berawal dari model VEC, yang mampu menggambarkan adanya shock

sehingga menempatkan persamaan pada interpretasi jangka pendek, maka Impulse

Response Function (IRF) digunakan untuk menangkap variabel mana yang

responsive terhadap terjadinya external shock. IRF dibangun dari model VAR,

dengan berbagai modifikasinya, termasuk VEC.

Dalam penelitian ini model IRF akan dibangun berdasarkan VEC karena

IRF akan menjadi lebih konsisten (Ben-Kaabia,2002). Secara umum model IRF

adalah:

( )

∑

IRF ditunjukkan oleh besaran  yang menggambarkan response variabel y

(32)

BAB 4:

HASIL PERHITUNGAN DAN PEMBAHASAN

Hasil perhitungan dan pembahasan akanmerupakan bahasan yang

dilakukan untuk setiap tahap perhitungan. Dimulai dari pengujian

stasioneritas-kointegrasi-kausalitas Engle Granger dan Impulse Response.

4.1. Uji Stasioneritas dan Kointegrasi

Sebelum membangun sebuah mdel statistik time-series, maka harus

dipastikan variabel yang terlibat di dalamnya harus besifat stasioner. Adapun

ketyika variabel-variabel tersebut membentuk persamaan, maka dilanjutan dengan

uji kointegrasi.

Berdasarkan bangun persamaan berikut ini, maka akan dilakukan kedua

uji tersebut secara bersamaan:

Model 1:

Model 2:

Model 3:

Hasil pengujian stasioneritas menggunakan dua metode, yaitu ADF dan KPSS,

hasilnya dapat dilihat pada tabel 4.1. Pengujian ADF mensyaratkan statistik-T

harus signifikan untuk disebut bersifat stasioner. Hasil pengjan menunjukkan

semua variabel memiliki kederungan signifiann pada derajad pertama, I(1).

Sedangkan untuk model pengujian KPSS mensyaratkan LM-Statistik harus tidak

(33)

dengan hasil pengujian ADF kecuali variabel impor Indonesia dari China

(IMCHINA) yang kecenderungannya stasioner pada derajad dua, I(2).

Tabel 4.1:

Stasioneritas: ADF dan KPSS VARIABEL &

TEST TYPE

ADF (Prob) KPSS (LM Stat) Level 1st Difference Level 1st Difference TOTEX Contant: Constant Linear Trend:

0.146 0.412 0.000 0.000 0.353*** 0.263* 0.209 (ts) 0.192 (ts) TOTIM Contant: Constant Linear Trend:

0.389 0.767 0.000 0.000 0.305 (ts) 0.251 * 0.103 (ts) 0.066 (ts) EXCHINA Contant: Constant Linear Trend:

0.013 0.063 0.000 0.000 0.308 (ts) 0.241 * 0.189 (ts) 0.109 (ts) IMCHINA Contant: Constant Linear Trend:

1.000 1.000 0.013 0.012 0.958* 0.239* 0.500 ** 0.500* RPCNY Contant: Constant Linear Trend:

0.019 0.053 0.197 0.169 0.224 (ts) 0.210 ** 0.115 (ts) 0.088 (ts) EXUSA Contant: Constant Linear Trend:

0.043 0.000 0.000 0.000 0.881* 0.099 (ts) 0.034 (ts) 0.032 (ts) IMUSA Contant: Constant Linear Trend:

0.054 0.079 0.000 0.000 0.656 ** 0.253 * 0.243 (ts) 0.245 * RPUSA Contant: Constant Linear Trend:

0.321 0.085 0.024 0.097 1.106 * 0.223 * 0.048 (ts) 0.023 (ts)

Berdasarkan pengujian stasioneritas di atas, mka terbuka peluang untuk

membangun model persamaa yang terkointegrasi. Hasil pengujian kointegrasi

menggunakan Single Equation Cointegration.

Hasil penguja kointegrasi menunjukkan, Model-1 semua variabel

berpotens untuk menjadi variabel dependent (dan sekaligus independent),

sedangkan Model-2 hanya variabel IMCHINA dan Model-2 hnya terbentuk sat

(34)

Tabel 4.2:

Single Equation Cointegration Test

DEPENDENT  STATISTIC PROB Z-STATISTIC PROB MODEL-1 D(RPUSA) -9.99573 0.000 -96.3054 0.000 D(TOTEX) -10.2472 0.000 -209.423 0.000 D(TOTIM) -12.1388 0.000 -298.631 0.000 MODEL-2 D(RPCNY) -2.329612 0.579 -32.5328 0.007 D(EXCHINA) -9.845123 0.000 -190.623 0.000 D(DIMCHINA) -6.03259 0.000 19.7804 0.999 MODEL-3 D(RPUSA) -3.20257 0.185 454.404 0.999 D(EXUSA) -16.2024 0.000 -541.623 0.000 D(IMUSA) -7.96929 0.000 105.936 0.999 4.2. Engle-Granger Causality

Pada bagian ini akan diuji apakah ada hubungan kausalitas, baik yang

bersifat hubungan searah (one-directional) maupun hubungan dua arah

(bi-directional) antar variabel dalam Model-1; Model-2; maupun Model-3. Pengujan

akan menggnakan Engle-Granger Causality. Namun sebelumnya akan ditentukan

lag-optimum berdasarkan Akakike Information Criteria (AIC) yang memiliki

stabilitas hasil pengkuran lebih baik untuk sampel kecil.

Hasil pengukuran Lag-Optimum adalah sebagai berikut:

Tabel 4.3:

Akake Information Crieria

MODEL AIC LAG

MODEL-1 49.01237* 2

MODEL-2 43.03245* 8

(35)

Berdasarkan hasil Granger-Causality pada tabel 4.4 terlihat bahwa

terdapat hubungan dua arah antara nilai tukar Rp/USD dengan Total Export,

sedangkan Total Impor memiliki hubungan searah dengan Total Export dan nilai

tukar Rp/USD

Tabel 4.4:

VAR Granger Causality/Block Exogeneity Wald Tests Date: 11/01/06 Time: 11:05

Sample: 2012M01 2019M10 Included observations: 91

Dependent variable: D(RPUSA)

Excluded Chi-sq df Prob.

D(TOTEX) 3.638013 2 0.1622

D(TOTIM) 7.018148 2 0.0299

All 7.124516 4 0.1295

Dependent variable: D(TOTEX)

D(RPUSA) 4.301145 2 0.1164

D(TOTIM) 8.160558 2 0.0169

All 10.32099 4 0.0354

Dependent variable: D(TOTIM)

D(RPUSA) 4.648788 2 0.0978

D(TOTEX) 13.83983 2 0.0010

All 16.50039 4 0.0024

Sedangkan untuk kasus hubungan ekonomi Indonesia China tidak terdapat

hubungan antara ketiga variabel. Perlu mendapat catatan disini bahwa China

memiliki kebijakan nilai tukar yang bersifat manage floating exchange rate yang

sangat ketat dan nyaris menyerupai fixed exchange rate. Baru sekitar 2019an

(36)

nilai tukarnya, dan disampaikan oleh IMF bahwa China semakin mendekatkan diri

dengan nilai pasar.

Tabel 4.5:

VAR Granger Causality/Block Exogeneity Wald Tests Sample: 2012M01 2019M10

Included observations: 90

Dependent variable: D(RPCNY)

D(EXCHINA) 3.249826 2 0.1969

D(DIMCHINA) 1.236822 2 0.5388

All 4.526613 4 0.3394

Dependent variable: D(EXCHINA)

D(RPCNY) 3.840361 2 0.1466

D(DIMCHINA) 0.479266 2 0.7869

All 4.213382 4 0.3779

Dependent variable: D(DIMCHINA)

D(RPCNY) 0.757031 2 0.6849

D(EXCHINA) 2.555714 2 0.2786

All 3.241430 4 0.5183

Sedangkan hubungan ekonomi antara Indonesia dan USA yang

menunjukkan hubungan hanyalah import Indonesia yang berasal dari Amerika

Serikat dipengaruhi oleh ekspor Indonesia ke Amerika Serikat.

Secara umum, terdapat kecenderungan analisis terhadap hubungan

dagang antar dua negara lebih didominasi oleh hubungan imbal beli, sehingga

terdapat kecenderungan tidak ada hubungan yang kuat antara nilai tukar dengan

(37)

kecenderungan pemerintah Indonesia menerapkan kebijakan impor sebagai reaksi

atas pergerakan nilai tukar dan pergerakan ekspor.

Tabel 4.6:

VAR Granger Causality/Block Exogeneity Wald Tests Date: 11/01/06 Time: 10:41

Sample: 2012M01 2019M10 Included observations: 91

Dependent variable: D(RPUSA)

D(EXUSA) 2.227448 2 0.3283

D(IMUSA) 0.984511 2 0.6112

All 3.905360 4 0.4190

Dependent variable: D(EXUSA)

D(RPUSA) 3.372205 2 0.1852

D(IMUSA) 1.374305 2 0.5030

All 4.883977 4 0.2994

Dependent variable: D(IMUSA)

D(RPUSA) 8.628178 2 0.0134

D(EXUSA) 1.334645 2 0.5131

All 10.45251 4 0.0335

4.3. Impulse Response Function dan Variance Decomposition

Dengan mendasarkan diri pada model Granger-Causality maka relevansi

model Impulse Response hanya untuk model-1. Untuk Model-2 dan Model-3

hampir dipastikan dampaknya sangat kecil. Namun tidak menutup kemungkinan

(38)

Dampak pergerakan rupiah terhadap Total Ekspor masih menunjukkan

dampak besar sampai pada lag 2 namun semakin mengecil sampai. Dan pada lag 8

semakin netral dampaknya. Sedangkan dampak perubahan Total Ekspor terhadap

nilai tukar Rp/USD membesar pada lag 2 dan semakin netarl pada lag 6.

Tabel 4.7: -400 -200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(RPUSA)

-400 -200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(TOTEX)

-400 -200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(TOTIM)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTEX) to D(RPUSA)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTEX) to D(TOTEX)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTEX) to D(TOTIM)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTIM) to D(RPUSA)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTIM) to D(TOTEX)

-1,000 -500 0 500 1,000 1,500 1 2 3 4 5 6 7 8 9 10

Response of D(TOTIM) to D(TOTIM) Response to Cholesky One S.D. Innovations ± 2 S.E.

Untuk hubungan perdagangan antara Indonesia dan China, yang menarik

adalah dampak antara nilai tukar Rp/CNY terhadap ekspor maupun impor.

Dampak pergerakan nilai tukar lebih lama bertahan untuk impor Indonesia ke

(39)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page 31 Tabel 4.8: -100 0 100 200 1 2 3 4 5 6 7 8 9 10

Response of D(RPCNY) to D(RPCNY)

-100 0 100 200

1 2 3 4 5 6 7 8 9 10

Response of D(RPCNY) to D(EXCHINA)

-100 0 100 200

1 2 3 4 5 6 7 8 9 10

Response of D(RPCNY) to D(DIMCHINA)

-200 0 200 400 600 1 2 3 4 5 6 7 8 9 10

Response of D(EXCHINA) to D(RPCNY)

-200 0 200 400 600 1 2 3 4 5 6 7 8 9 10

Response of D(EXCHINA) to D(EXCHINA)

-200 0 200 400 600 1 2 3 4 5 6 7 8 9 10

Response of D(EXCHINA) to D(DIMCHINA)

-1,200 -800 -400 0 400 800 1 2 3 4 5 6 7 8 9 10

Response of D(DIMCHINA) to D(RPCNY)

-1,200 -800 -400 0 400 800 1 2 3 4 5 6 7 8 9 10

Response of D(DIMCHINA) to D(EXCHINA)

-1,200 -800 -400 0 400 800 1 2 3 4 5 6 7 8 9 10

Response of D(DIMCHINA) to D(DIMCHINA) Response to Cholesky One S.D. Innovations ± 2 S.E.

Untuk hubungan dagang antara Indonesia dan Amerika Serikat,

menunjukkan dampak pergerakan Rp/USD lebih lama bertahan untuk ekspor

Indonesia ke Amerika daripada impor. Namun dampak yang paling bertahan lama

(40)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page 32 Tabel 4.9 -200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(RPUSA)

-200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(EXUSA)

-200 0 200 400 600 800 1 2 3 4 5 6 7 8 9 10

Response of D(RPUSA) to D(IMUSA)

-200 -100 0 100 200 1 2 3 4 5 6 7 8 9 10

Response of D(EXUSA) to D(RPUSA)

-200 -100 0 100 200 1 2 3 4 5 6 7 8 9 10

Response of D(EXUSA) to D(EXUSA)

-200 -100 0 100 200 1 2 3 4 5 6 7 8 9 10

Response of D(EXUSA) to D(IMUSA)

-150 -100 -50 0 50 100 150 1 2 3 4 5 6 7 8 9 10

Response of D(IMUSA) to D(RPUSA)

-150 -100 -50 0 50 100 150 1 2 3 4 5 6 7 8 9 10

Response of D(IMUSA) to D(EXUSA)

-150 -100 -50 0 50 100 150 1 2 3 4 5 6 7 8 9 10

Response of D(IMUSA) to D(IMUSA) Response to Cholesky One S.D. Innovations ± 2 S.E.

(41)

BAB 5:

KESIMPULAN

1. Hubungan ekonomi secara makro antara Indonesia dengan dunia

internasional dengan menggunakan standar nilai tukar yang paling banyak

digunakan dalam perekonomian Indonesia (Rp/USD), maka terdapat bukti

empiric fenomena J-Curve

2. Namun dalam kajian hubungan dagang bilateral, hubungan J-curve tidak

ditemukan bukti yang memadai karena adanya kecenderungan hubungan

(42)

KEPUSTAKAAN

Begovic. S., and S. Kreso, 2017. TheAdverse Effect of Real Effective Exchange Rate Change on Trade Balance in European Transiton Countries. https://doi.org/10.18045/zbefri.2017.2.277

Ben-Kaabia, M., J.M. Gill, dan H. Chebbi, 2002. The Effect of Long-Run Identification on Impulse Response Functions: An Application tothe Relationship between Macroeconomics and Agriculture in Tunisia.

Agricultural Economics Review, Vol.3 No.2 August: 36-48.

Choudhri, E.U. and D.S. Hakura , 2012. The Exchange Rate Pass-Through to

Import and

Export Prices: The Role of Nominal Rigidities and Currency Choice WP/12/226

Choudhri, EU and D.S.Hakura, 2012. The Exchange Rate Pass-Through to Import and Export Prices: The Role o Nominl Rigidities and Currency Choice. IMF orking Paper, WP/12/226.

Elsadig, A., 2014. The Real Effective Exchange Rate Impact on ASEAN-5 Economic Growth; https://www.researchgate.net/publication/268801311 Firdaus, M. , 2018. Dampak Pergeakan Nilai Tukar Rupiah tehadap Aktivtas

Ekpor dan Impor Nasiona. Kerjasama antara: Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor dan Indonesia EXIM Bank.

Green, W.H., 2000. Econometric Analysis. Prentice Hall.

Leigh, D., et.al. , 2017. Exchange Rates and Trade: A Disconnect? WP/17/58 Nawatmi, S., 2012. Volatilitas Nilai Tukar Dan Perdagangan Interasional (The

Exchange Rate Volatility and International Trade)

Dinamika Akuntansi, Keuangan dan Perbankan, Mei 2012, Hal: 41 - 56 Vol. 1, No. 1

Putra, A.A, H. Lindawati, S.F Sari, 2016. Are The ASEAN-5 Foreign Exchange Markets Effcient? Evidence from Indonesia, Thailand, Malaysia, Singapore, and Philippines: Post-Global Economic Crisis 2008 Indonesian Capital Market Review 8 (2016) 83-93

(43)

(44)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page i

LAMPIRAN: Uji Stasioneritas ADF & KPSS

1. TOTAL EXPORT INDONESIA (TOTEX) A. ADF - Level

Null Hypothesis: TOTEX has a unit root Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.395475 0.1458 Test critical values: 1% level -3.503049

5% level -2.893230 10% level -2.583740 *MacKinnon (1996) one-sided p-values.

Null Hypothesis: TOTEX has a unit root Exogenous: Constant, Linear Trend

B. ADF – 1st DIFFERENCE

Null Hypothesis: D(TOTEX) has a unit root Exogenous: Constant

(45)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page ii

Null Hypothesis: D(TOTEX) has a unit root Exogenous: Constant, Linear Trend

C. KPSS – Level

Null Hypothesis: TOTEX is stationary Exogenous: Constant

Bandwidth: 7 (Newey-West automatic) using Bartlett kernel

LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.353696 Asymptotic critical values*: 1% level 0.739000 5% level 0.463000 10% level 0.347000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Null Hypothesis: TOTEX is stationary Exogenous: Constant, Linear Trend

D. KPSS-1st DIFFERENCE

Null Hypothesis: D(TOTEX) is stationary Exogenous: Constant

(46)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page iii

Null Hypothesis: D(TOTEX) is stationary Exogenous: Constant, Linear Trend

2. EXPORT-OIL INDONESIA (OILEX) A. ADF - Level

Null Hypothesis: OILEX has a unit root Exogenous: Constant

Null Hypothesis: OILEX has a unit root Exogenous: Constant, Linear Trend

Null Hypothesis: D(OILEX) has a unit root Exogenous: Constant

t-Statistic Prob.* Augmented Dickey-Fuller test statistic -17.41954 0.0001

(47)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page iv

Test critical values: 1% level -3.503049 5% level -2.893230 10% level -2.583740 *MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(OILEX) has a unit root Exogenous: Constant, Linear Trend

C. KPSS - Level

Null Hypothesis: OILEX is stationary Exogenous: Constant

Null Hypothesis: OILEX is stationary Exogenous: Constant, Linear Trend

(48)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page v Null Hypothesis: D(OILEX) is stationary

Exogenous: Constant

LM-Stat.

Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.102213

Asymptotic critical values*: 1% level 0.739000

5% level 0.463000

10% level 0.347000

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Null Hypothesis: D(OILEX) is stationary Exogenous: Constant, Linear Trend

LM-Stat.

5% level 0.146000

10% level 0.119000

3. EXPORT-NON-OIL INDONESIA (NOILEX) A. ADF - Level

Null Hypothesis: NOILEX has a unit root Exogenous: Constant

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.747860 0.0700

Test critical values: 1% level -3.503049

5% level -2.893230

10% level -2.583740

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: NOILEX has a unit root Exogenous: Constant, Linear Trend

t-Statistic Prob.*

(49)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page vi

5% level -3.459397

10% level -3.155786

Null Hypothesis: D(NOILEX) has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.893589

10% level -2.583931

Null Hypothesis: D(NOILEX) has a unit root Exogenous: Constant, Linear Trend

t-Statistic Prob.*

5% level -3.459950

10% level -3.156109

B. KPSS - Level

Null Hypothesis: NOILEX is stationary Exogenous: Constant

LM-Stat.

5% level 0.463000

10% level 0.347000

Null Hypothesis: NOILEX is stationary Exogenous: Constant, Linear Trend

(50)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page vii Bandwidth: 6 (Newey-West automatic) using Bartlett kernel

LM-Stat.

5% level 0.146000

10% level 0.119000

D. KPSS – 1st DIFFERENCE

Null Hypothesis: D(NOILEX) is stationary Exogenous: Constant

LM-Stat.

5% level 0.463000

10% level 0.347000

Null Hypothesis: D(NOILEX) is stationary Exogenous: Constant, Linear Trend

LM-Stat.

5% level 0.146000

10% level 0.119000

EXPORT INDONESIA KE CHINA (EXCHINA) A. ADF - Level

Null Hypothesis: EXCHINA has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.892879

10% level -2.583553

(51)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page viii Null Hypothesis: EXCHINA has a unit root

Exogenous: Constant, Linear Trend

t-Statistic Prob.*

5% level -3.458856

10% level -3.155470

Null Hypothesis: D(EXCHINA) has a unit root Exogenous: Constant

t-Statistic Prob.*

5% level -2.893589

10% level -2.583931

Null Hypothesis: D(EXCHINA) has a unit root Exogenous: Constant, Linear Trend

t-Statistic Prob.*

5% level -3.459950

10% level -3.156109

KPSS – Level

Null Hypothesis: EXCHINA is stationary Exogenous: Constant

LM-Stat.

(52)

LAPORAN PENELITIAN: Perilaku Dinamis Nilai Tukar dan Perdagangan – Nusantara, et.al. Page ix

5% level 0.463000

10% level 0.347000

Null Hypothesis: EXCHINA is stationary Exogenous: Constant, Linear Trend

LM-Stat.

5% level 0.146000

10% level 0.119000

C. KPSS – 1ST DIFFERENCE

Null Hypothesis: D(EXCHINA) is stationary Exogenous: Constant

LM-Stat.

5% level 0.463000

10% level 0.347000

Null Hypothesis: D(EXCHINA) is stationary Exogenous: Constant, Linear Trend

LM-Stat.

5% level 0.146000

10% level 0.119000

4. EXPORT INDONESIA KE USA (EXUSA) A. ADF - Level

Null Hypothesis: EXUSA has a unit root Exogenous: Constant