EFEKTIVITAS PENGGUNAAN TRANSMISI KEBIJAKAN MONETER (SUKU BUNGA DAN NILAI TUKAR) TERHADAP TARGET PENCAPAIAN INFLASI SERTA DAMPAKNYA PADA PENGANGGURAN DAN PRODUK DOMESTIK
BRUTO: STUDI DI INDONESIA
JURNAL ILMIAH
Disusun oleh :
Nina Asri Kusumaningtyas 175020401111010
JURUSAN ILMU EKONOMI FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA MALANG
2021
EFEKTIVITAS PENGGUNAAN TRANSMISI KEBIJAKAN MONETER (SUKU BUNGA DAN NILAI TUKAR) TERHADAP TARGET PENCAPAIAN INFLASI SERTA DAMPAKNYA PADA
PENGANGGURAN DAN PRODUK DOMESTIK BRUTO: STUDI DI INDONESIA Nina Asri Kusumaningtyas
Fakultas Ekonomi dan Bisnis, Universitas Brawijaya Email: [email protected]
ABSTRAK
Penelitian ini bertujuan untuk menganalisis efektivitas mekanisme transmisi kebijakan moneter di Indonesia melalui jalur suku bunga dan nilai tukar terhadap sasaran akhir kebijakan moneter serta dampaknya lebih lanjut ke makroekonomi. Penelitian ini menggunakan data pada periode 2000-2019. Data yang digunakan adaah data sekunder yang diambil dari Laporan Tahunan Bank Indonesia, Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia, situs Bank Indonesia dan situs Biro Pusat Statistik. Teknik analisis yang digunakan adalah pendekatan VECM dan Model Threshold. Hasil penelitian menunjukkan bahwa jalur suku bunga efektif dengan time lag 5 bulan terhadap inflasi dengan kontribusi 2,60%. Sedagkan jalur nilai tukar efektif terhadap inflasi dengan time lag 6 bulan kontribusi yang lebih tinggi yaitu 8,02%. Selain itu, inflasi dapat memberikan dampak lanjutan ke pengangguran dan PDB dengan ambang batas 8,87% dan 7,17%. Hasil penelitian ini bermanfaat bagi Pemerintah dan Bank Indonesia untuk merumuskan dan melaksanakan kebijakan moneter secara efektif. Selain itu juga dapat dijadikan acuan bagi peneliti yang ingin melakukan penelitian lebih lanjut.
Key words: efektivitas, mekanisme transmisi dan kebijakan moneter.
A. PENDAHULUAN
Kebijakan moneter merupakan berbagai tindakan oleh bank sentral salah satunya untuk mengendalikan tingkat suku bunga agar tercipta pengembangan ekonomi sesuai dengan yang ditargetkan (Warjiyo &
Solikin, 2003). Hal yang perlu dipahami saat membahas sasaran dari kebijakan moneter adalah Mekanisme Transmisi Kebijakan Moneter (MTKM). Menurut (Taylor, 1995) MTKM sendiri memiliki arti sebagai suatu proses pengimplementasian kebijakan moneter bank sentral yang saat itu diterapkan, ditransmisikan atau diubah dalam bentuk PDB riil dan inflasi. Tak hanya itu, MTKM sebenarnya tidak hanya untuk mengetahui dua variabel seperti PDB riil dan inflasi, tetapi juga berbagai variabel ekonomi dan keuangan lainya (Wajriyo, 2004).
Setiap negara memiliki realisasi pelaksanaan MTKM berbeda-beda. Hal ini disesuaikan dengan struktur perekonomian dari negara tersebut, perkembangan pasar keuangan serta system nilai tukar yang diterapkan di negara tersebut. Beberapa jalur yang digunakan untuk mempengaruhi tujuan akhir kebijakan moneter antara lain : jalur uang, jalur suku bunga, jalur kredit, jalu nilai tukar, jalur harga asset, dan jalur ekspektasi.
Menurut (Erawati, 2012), pemerintah Indonesia sering menggunakan jalur suku bunga dalam menggunakan kebijakan moneternya. Namun pada kenyataanya, masih ditemukan volatilitas suku bunga di Indonesia. Pada tahun 2005 terlihat suku bunga Indonesia masih tergolong tinggi sebesar 12,75%.
Sedangkan titik terendahnya berada di tahun 2017, dengan tingkat inflasi sebesar 4,25%. Volatilitas yang tinggi akan menyebabkan ketidakpastian makroekonomi dan kekhawatiran publik (Wongsoatmojo &
Rizkianto, 2014).
Banyak literatur penelitian yang telah dilakukan untuk mengetahui efektiitas penggunaan jalur suku bunga. (Herianingrum & Syapriatama, 2016) melakukan penelitianya mengenai hal serupa, dengan hasil bahwa suku bunga memiliki cara yang sulit untuk mencapi tujuan makroekonomi. Hal ini dikarenakan adanya trade-off, motif pelaku ekonomi yang berbeda, dan suku bunga sangat lemah.
Tetapi, banyak juga berbagai penelitian yang membuktikan bahwa suku bunga memiliki peran penting dan signifikan untuk mempengarui tujuan makroekonomi. (Stockhammer & Sturn, 2018) juga menambah pernyataan mengenai efektifitas penggunaan jalur suku bunga terhadap pengangguran di 19 negara anggota OECD. Tak hanya untuk pengangguran, tetapi suku bunga ini juga dianggap relevan untuk digunakan sebagai instrument kebijakan moneter karena memberikan efek output (regional) menjadi meningkat.
Di luar perdebatan mengenai jalur bunga, terdapat hal yang tidak kalah penting dibahas mengenai salah satu jalur yang berpotensi memberikan pengaruh terhadap perekonomian Indonesia. Jalur tersebut adalah jalur nilai tukar, yang menekankan aspek perubahan harga asset finansial terhadap aktivitas perekonomian. Menurut (Mohanty & Turner, 2018), pengaruh nilai tukar terhadap permintaan di small open economic memiliki tendensi sangat tinggi. Meskipun banyak yang mempertanyakan efektivitas jalur ini karena Indonesia memiliki tingkat keterbukaan terhadap perdagangan dan arus modal yang rendah. Tetapi, penjelasan dari (Mohanty & Turner, 2018) menjadi dasaran jalur nilai tukar berperan penting.
Kesimpulan akhir mengenai penggunaan jalur yang dirasa akan memberikan dampak terbaik atau efektif dalam mencapai tujuan kebiakan moneter yaitu inflasi masih belum terselesaikan. Penelitian ini berusaha untuk memberikan informasi mengenai efektivitas suku bunga dan nilai tukar terhadap sasaran akhir inflasi di Indonesia. Tak cukup di situ, penelitian ini juga akan membahas mengenai dampak dari inflasi terhadap dua variabel makroekonomi yaitu PDB dan pengangguran.
B. LITERATUR REVIEW
Kebijakan moneter dapat mempengaruhi dan menggeser permintaan agregat dengan menggunakan mekanisme transmisi kebijakan moneter. Hal tersebut akan memberikan perubahan pada keseimbangan tingkat pendapatan nasional dan variabel ekonomi lainya. Jalur transmisi kebijakan moneter pada awalnya megacu pada penjelasan Quantity Theori of Money (Fisher, 1911) dan akhirnya berkembang menjadi lima jalur transmisi kebijakan moneter (monetary policy transmission channels).
Jalur pertama yang diterangkan oleh (Fisher, 1911) yaitu mengenai jalur uang (money channel).
Selanjutnya, Keynesian memberikan pandangan baru mengenai transmisi kebijakan moneter yang akhirnya memunculkan berbagai jalur seperti jalur kredit, jalur suku bunga, jalur nilai tukar, jalur harga asset dan jalur ekpektasi.
Menurut (Erawati, 2012), pemerintah Indonesia sering menggunakan jalur suku bunga dalam menggunakan kebijakan moneternya. Penelitian mengenai efektivitas penggunaan jalur suku bunga telah dilakukan oleh berbagai peneliti. Hasil penelitian tersebut memberikan penegasan mengenai peranan penting dari jalur suku bunga dalam mengendalikan inflasi serta GDP di Indonesia. (Wulandari, 2012), (Hasibuan & Pratomo, 2015).
BI Rate 7 Day dapat diturunkan menjadi suku bunga kredit sehingga akan mempengaruhi permintaan investasi para investor. Jalur suku bunga efek biaya modal efektif dalam mentransmisikan kebijakan moneter ke perekonomian riil dibandingkan dengan mekanisme transmisi kebijakan moneter jalur kuantitas uang dan saluran suku bunga efek substitusi dan pendapatan. Suku bunga melalui efek biaya modal tersebut bisa dikatakan sebagai suku bunga kredit (Herlina, 2018).
Pemahaman alur transmisi kebijakan moneter diawali dengan bank sentarl yang menggunakan instrumenya seperti suku bunga ke perbankan. Langkah tersebut dapat mengubah neraca sistem perbankan. Perubahan yang terjadi di erbankan akan menentukan suplai uang di pasar uang. Artinya, kenaikan dan penurunan suku bunga akan berkontraksi dalam jumlah uang beredar.
Sehingga, berbagai pengeluaran yang berhubungan atau sensitive terhadap suku bunga (komponen permintaan agregat seperti investasi) akan terdampak. Investasi dan pengeluaran otonom yang berubah akan memberikan reaksi kepada variable output serta kesempatan kerja. Tak hanya itu, pada keadaan seperti gambaran tersebut maka harga akan mengalami kecenderungan untuk naik maupun turun sehingga inflasi dalam hal ini juga akan terpengaruh.
Selain itu, sebagian dari para peneliti mengesampingkan efektivitas dari segala sesuatu yang berhubungan dengan luar negeri. Hal ini dikarenakan perdagangan luar negeri Indonesia belum dapat bersaing jika dibandingkan dengan China dan berbagai negara lain. Selain itu, arus modal di Indonesia juga masih tergolong rendah. Begitu pula pada penerapan di transmisi kebijakan moneter, nilai tukar mungkin dianggap kurang signifikan untuk peneltian. Tetapi (Mohanty & Turner, 2018) menemukan sebuah fakta bahwa pengaruh nilai tukar terhadap permintaan di small open economic memiliki tendensi sangat tinggi.
Penelitian lain menambah pembuktian mengenai efektivitas penggunaan jalur nilai tukar dan suku bunga. (Pratomo & Togatorop, 2014) meneliti di tiga Negara Asia yaitu Indonesia, Malaysia, dan Singapura. Hasil dari penelitian tersebut menjelaskan bahwa Indonesia dan Malaysia memiliki sedikit persamaan perkembangan ekonomi. Sehingga hasil yang didapatkan saat melakukan pengujian Indonesia dan Malaysia memiliki keefektifan dalam penerapan suku bunga maupun nilai tukar untuk mencapai tujuan atau sasaran akhir yaitu GDP. Sedangkan untuk Singapura, hasil yang didapatkan dari pengujian yaitu nilai tukar lebih efektif dibandingkan dengan suku bunga dalam mencapai GDP.
Transmisi pada jalur nilai tukar ini dapat dipahami dari awal mengenai penetapan kebijakan moneter.
Bank sentral dapat melakukan pengaruh terhadap perkemangan suku bunga di pasar, sehingga akan memberikan pembeda antara suku bunga dalam negeri dan luar negeri. Hal ini akan memicu aliran dana luar negeri serta permintaan dan penawaran valas yang cukup tinggi. Pada tahapan selanjutnya perubahan nilai tukar tersebut akan memberikan pengaruh terhadap perkembangan harga-harga barang dan jasa di dalam negeri. Selain itu, pengaruh dari perubahan nilai tukar terhadap komponen ekspor dan impor akan meningkatkan permintaan agregat. Dampak lebih lanjut dari hal ini akan berkembang ke besarnya output riil (Wajriyo, 2004). Dan juga, fenomena tersebut akan meningkatkan produk marjinal tenaga kerja dan memperluas lapangan kerja secara keseluruhan (Ocampo, S, & Khan, 2007)
C. DATA DAN METODE
Peneliti menggunakan jenis data sekunder dari tahun 2000 hingga 2019 yang bersumber dan telah tersedia dari Laporan Tahunan Bank Indonesia, Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia (SEKI), situs Bank Indonesia dan situs Biro Pusat Statistik (BPS). Penggunaan data sekunder didasarkan atas kredibilitas sumber data sekunder dan efisiensi waktu pengambilan data.
Metode analisis pada penelitian ini menggunakan pendekatan VAR/VECM untuk mengukur efektivitas transmisi kebijakan moneter dan dilanjutkan dengan Model Treshold untuk mengetahui dampak inflasi terhadap pengangguran dan PDB beserta ambang batasnya. Penggunaan VAR menurut Basuki (2016) sering digunakan para ekonom untuk meneliti suatu data time series. Pendekatan VAR yang digunakan di penelitian ini untuk mengetahui respon dinamis suatu variabel terhadap variabel tertentu (Sinaga H., 2016). Metode estimasi VAR/VECM juga melalui tahapan yang sama, hal yang membedakan antara VAR dan VECM yaitu VECM terdapat kointegrasi antar variabel. Pengestimasian menggunakan VAR/VECM diharapkan dapat memberikan penjelasan mengenai kecepatan atau target waktu (time lag) dan kekuatan variabel-variabel pada mekanisme transmisi kebijakan moneter tersebut.
Model umum ekonometrika yang digunakan dalam pendekatan VAR/VECM adalah:
1. Mekanisme transmisi kebijakan moneter jalur suku bunga
INFt = 𝛼0 + ∑ 𝛼1𝐵𝐼7𝐷𝑅𝑡−𝑗 + ∑ 𝛼2𝑅𝐷𝐸𝑃𝑂𝑡−𝑗 + ∑ 𝛼3𝑅𝐾𝑅𝐸𝐷𝐼𝑇𝑡−𝑗 + ∑ 𝛼4𝐼𝑁𝐹𝑡−𝑗 2. Mekanisme tranmisi kebijakan moneter jalur nilai tukar
INFt = 𝛼0 + ∑ 𝛼1𝐵𝐼7𝐷𝑅𝑡−𝑗 + ∑ 𝛼2𝑃𝑆𝐵𝑡−𝑗 + ∑ 𝛼3𝐶𝐼𝑡−𝑗 + ∑ 𝛼4𝐾𝑈𝑅𝑆𝑡−𝑗 + ∑ 𝛼5𝐼𝑁𝐹𝑡−𝑗
Setelah mengetahui dampak shock yang ditimbulkan dari suku bunga dan nilai tukar, maka penelitian ini dilanjutkan dengan mengetahui dampak dari inflasi terhadap PDB dan pengangguran menggunakan model threshold. Model ini digunakan untuk mengetahui lebih jauh mengenai pengaruh dari suatu variabel dalam nilai tertentu memiliki pengaruh positif dan dalam ambang waktu tertentu dapat juga memiliki pengaruh negatif.
D. HASIL PENELITIAN
Langkah pertama dalam pengestimasian data time series yaitu melakukan uji stationer dengan menggunakan metode uji Augmented Dickey-Fuller. Pengujian akar unit dilakukan terhadap seluruh variable yang digunakam dalam penelitian, yang antara lain yaitu suku bunga kredit, nilai tukar, inflasi, pengangguran, dan PDB.
Tabel 1.
Hasil Uji Root Test
Variabel Uji Akar Unit
Level 1st Difference
ADF Prob ADF Prob
BI7DR -2.533731 0.1158 -4.291119 0.0017
RDEPO -2.609341 0.0999 -4.101903 0.0032
RKREDIT -0.633864 0.8510 -7.716854 0.0000
PSB -3.053805 0.3389 -4.365425 0.0014
CI -1.560406 0.4929 -6.179751 0.0000
Kurs -0.716426 0.8308 -7.815395 0.0000
Inflasi -1.978038 0.2948 -7.291243 0.0000
Pengangguran -1.173481 0.6762 -5.285376 0.0001
PDB 0.261816 0.9731 -5.911836 0.0000
Sumber : Hasil Pengolahan Eviews 10 (2021)
Hasil pengujian stasioner yang disajikan dalam tabel diatas memperlihatkan bahwa semua variabel yang dimasukkan dalam model pada tingkat level dengan signifikansi 5% belum mencapai kestasioneran.
Namun tingkat stasioner dicapai pada uji ADF yaitu pada tingkat first difference untuk semua variabel.
Setelah dilakukan stasioneritas data, langkah selanjutnya menentukan lag length optimal, digunakan pemilihan criteria informasi dengan metode Final Prediction Error (FPE), Likelihood Ratio (LR), Aike Information Criterion (AIC), Schwarz Criterion (SC), dan Hannon-Quinn (HQ).
Tabel 2.
Panjang Lag Optimal Jalur Suku Bunga
Lag LogL LR FPE AIC SC HQ
0 -221.5443 NA 3.250430 12.53024 12.70619* 12.59165
1 -206.7459 25.48604 3.499840 12.59700 13.47673 12.90405 2 -182.0397 37.05933 2.236948 12.11332 13.69684 12.66601 3 -158.4380 30.15774* 1.609475* 11.69100* 13.97831 12.48933*
Sumber : Hasil Pengolahan Eviews 10 (2021) Tabel 3.
Panjang Lag Optimal Jalur Nilai Tukar
Lag LogL LR FPE AIC SC HQ
0 -1279.266 NA 5.12e+25 73.38662 73.60882* 73.46332 1 -1250.521 47.63424 4.20e+25 73.17264 74.50579 73.63284 2 -1222.878 37.91091 3.97e+25 73.02159 75.46570 73.86529 3 -1199.168 25.74195 5.51e+25 73.09532 76.65040 74.32253 4 -1145.726 42.75369* 1.91e+25* 71.47005* 76.13610 73.08077*
Sumber: Hasil Pengolahan Eviews 10 (2021)
Dari kedua tabel diatas menunjukan hasil uji Lag Optimum yang ditunjukkan oleh kriteria Likelihood Ratio (LR), Dinal Prediction Error (FPE), Aike Information Criterion (AIC), dan Hannon-Quinn (HQ) yaitu lag 3 pada jalur suku bunga. Sedangkan untuk jalur nilai tukar berada di lag 4. pada jalur suku bunga berada di lag 3 dan pada jalur nilai tukar berada di lag 4.
Tahap ketiga adalah melakukan pengujian kointegrasi untuk mengetahui hubungan antar variabel.
Penelitian ini menggunakan pengujian kointegrasi dengan metode Johansen dengan membandingkan nilai trace statistic atau Max-Eigen value dengan nilai kritis 5%.
Tabel 4.
Uji Kointegrasi Jalur Suku Bunga Hypothesized
No. of CE(s) Trace Statistic Critical Value (0,05) Prob.**
None* 85.46496 47.85613 0.0000
At most 1* 51.70957 29.79707 0.0000
At most 2* 25.59415 15.49471 0.0011
At most 3* 11.07195 3.841466 0.0009
Sumber : Hasil Pengolahan Eviews 10 (2021) Tabel 5.
Uji Kointegrasi Jalur Nilai Tukar Hypothesized
No. of CE(s) Trace Statistic Critical Value (0,05) Prob.**
None* 77.94315 33.87687 0.0000
At most 1* 31.43327 27.58434 0.0152
At most 2* 17.82604 21.13162 0.1365
At most 3* 9.817494 14.26460 0.2242
At most 4* 8.848114 3.841466 0.0029
Sumber : Hasil Pengolahan Eviews 10 (2021)
Berdasarkan analisis ekonometrik dapat dilihat bahwa diantara keempat variabel dalam penelitian ini terdapat empat kointegrasi pada tingkat signifikansi 5%. Hal ini bisa dijelaskan melalui bahwa nilai trace statistic lebih besar dibandingkan dengan nilai kritis. Dengan demikian hal tersebut mengindikasikan bahwa diatara bi7dr, rdepo, rkredit, dan inflasi memiliki hubungan stabilitas atau keseimbangan dan kesamaan pergerakan dalam jangka panjang. Begitupun dengan bi7dr, psb, ci, nilai tukar, dan inflasi di mana kelima variabelnya juga memiliki hubungan stabilitas atau keseimbangan serta kesamaan pergerakan dalam jangka panjang. Oleh karena ada pengaruh jangka panjang untuk variable, maka tahapan VECM dapat digunakan untuk langkah selanjutnya.
Langkah keempat adalh melakukan pengujian stabilitas VECM untuk mengetahui kestabilan model koreksi kesalahan pada saat hasil esitimasi VAR dikombinasikan.
Tabel 6.
Stabilitas VECM Jalur Suku Bunga Modulus
0.874481 0.874481 0.866899 0.866899 0.817277 0.817277 0.793231 0.793231 0.699418 0.699418 0.567433 0.567433
Sumber : Hasil Pengolahan Eviews 10 (2021) Tabel 7.
Stabilitas VECM Jalur Nilai Tukar Modulus
0.963111 0.963111 0.955285 0.955285 0.929770 0.929770 0.909313 0.909313 0.899866 0.899866 0.785617 0.785617 0.779906 0.779906 0.740441 0.714382 0.714382 0.687484 0.687484 0.401945
Sumber : Hasil Pengolahan Eviews 10 (2021)
Berdasarkan dua tabel di atas memperlihatkan bahwa nilai Modulus pada jalur suku bunga kredit maupun nilai tukar berada di bawah satu. Sehingga model VECM tersebut bersifat stabil dan Impulse Respon Function serta Variance Decompotition yang dihasilkan dianggap valid.
Langkah kelima yaitu melakukan pengujian kausalitas granger. Pengujian ini dilakukan untuk mengetahui bahwa satu variabel dependen dapatdiengaruhi oleh variabel independen pada sisi lain variable dependen tersebut dapat menempati posisi variabel dependen.
Tabel 8.
Uji Kausalitas Granger Jalur Suku Bunga
Null Hypothesis: Obs F-Statistic Prob.
RDEPO does not Granger Cause BI7DR 37 0.66736 0.5787
BI7DR does not Granger Cause RDEPO 4.98263 0.0064
RKREDIT does not Granger Cause BI7DR 37 1.86285 0.1572
BI7DR does not Granger Cause RKREDIT 4.17771 0.0138
INF does not Granger Cause BI7DR 37 0.66796 0.5783
BI7DR does not Granger Cause INF 0.87963 0.4627
RKREDIT does not Granger Cause RDEPO 37 4.93199 0.0067
RDEPO does not Granger Cause RKREDIT 3.62131 0.0242
INF does not Granger Cause RDEPO 37 0.54137 0.6577
RDEPO does not Granger Cause INF 0.22913 0.8754
INF does not Granger Cause RKREDIT 37 1.93555 0.1451
RKREDIT does not Granger Cause INF 2.70305 0.0431
Sumber : Hasil Pengolahan Eviews 10 (2021)
Uji Granger menunjukkan bahwa pada jalur suku bunga terdapat 3 variabel yang memiliki kausalitas searah dan 1 variabel saling mempengaruhi. Sedangkan untuk jalur nilai tukar terdapat 3 variabel yang memiliki kausalitas searah. Dari hasil di atas, diketahui bahwa yang memiliki hubungan kausalitas adalah yang memiliki nilai probabilitas lebih kecil dari 0,05. Sehingga, penjelasan yang dapat diambil dari hasil di atas adalah :
- Variabel BI7DR secara statistik signifikan mempengaruhi RDEPO, nemun sebaliknya variabel RDEPO tidak signifikan mempengaruhi BI7DR. Begitupun dengan hubungan antara BI7DR dengan RKREDIT, bahwa BI7DR memiliki hubungan searah terhadap RKREDIT. Selanjutnya, RKREDIT signifikan dalam mempengaruhi inflasi. Sedangkan RKREDIT dan RDEPO memiliki kausalitas dua arah, jadi diantara variabel bisa saling mempengaruhi..
- Sedangkan variabel yang lain BI7DR dengan inflasi, serta RDEPO dengan inflasi secara statistik tidak signifikan mempengaruhi satu sama lain. Sehingga, tidak terjadi kausalitas apapun untuk kedua variabel tersebut.
Tabel 9
Uji Kointegrasi Jalur Nilai Tukar
Null Hypotesis: Obs F-Statistic Prob.
PSB does not Granger Cause BI7DR 36 0.98450 0.4326
BI7DR does not Granger Cause PSB 0.37905 0.8216
CI does not Granger Cause BI7DR 36 1.00095 0.4242
BI7DR does not Granger Cause CI 1.81497 0.0250
KURS does not Granger Cause BI7DR 36 0.85307 0.5044
BI7DR does not Granger Cause KURS 0.90194 0.4766
INF does not Granger Cause BI7DR 36 0.33922 0.8491
BI7DR does not Granger Cause INF 0.89291 0.4817
CI does not Granger Cause PSB 36 0.41598 0.7956
PSB does not Granger Cause CI 0.69027 0.6051
KURS does not Granger Cause PSB 36 1.53844 0.2193
PSB does not Granger Cause KURS 0.52773 0.7163
INF does not Granger Cause PSB 36 0.64996 0.6318
PSB does not Granger Cause INF 1.17179 0.3453
KURS does not Granger Cause CI 36 0.95395 0.4485
CI does not Granger Cause KURS 1.22447 0.0237
INF does not Granger Cause CI 36 1.68594 0.1823
CI does not Granger Cause INF 0.43432 0.7826
INF does not Granger Cause KURS 36 1.68000 0.1837
KURS does not Granger Cause INF 0.96622 0.0342
Sumber : Hasil Pengolahan Eviews 10 (2021)
Dari hasil di atas, diketahui bahwa yang memiliki hubungan kausalitas adalah yang memiliki nilai probabilitas lebih kecil dari 0,05. Sehingga, penjelasan yang dapat diambil dari hasil di atas adalah : - Variabel BI7DR secara statistik signifikan mempengaruhi CI, namun sebaliknya variabel CI tidak
signifikan mempengaruhi BI7DR. Dengan demikian disimpulkan bahwa terjadi kausalitas searah
antara variabel Kurs dengan Inflasi. Begitupun dengan variabel CI secara statistik signifikan mempengaruhi KURS, nemun sebaliknya variabel KURS tidak signifikan mempengaruhi CI.
Selanjutnya KURS signifikan dalam mempengaruhi inflasi
- Sedangkan variabel yang lain BI7DR dengan PSB, BI7DR dengan KURS, BI7DR dengan inflasi, CI dengan PSB, PSB dengan KURS, PSB dengan inflasi dan CI dengan inflasi secara statistik tidak signifikan mempengaruhi satu sama lain. Sehingga, tidak terjadi kausalitas apapun untuk kedua variabel tersebutSetelah melakukan berbagai pengujian VECM, hingga akhirnya didapatkan hasil estimasi. Pada estimasi VECM jalur suku bunga menunjukkan terdapat 4 persamaan dengan 16 variabel eksogen.
Tabel 10.
Output Estimasi Model VECM Jalur Suku Bunga Cointegrating Eq: CointEq1
INF(-1) 1.000000
BI7DR(-1) -4.363684 (0.67254) [-6.48837]
RDEPO(-1) 2.691280
(0.65350) [ 4.11824]
RKREDIT(-1) 1.421838 (0.45692) [ 3.11179]
C -11.93388
Error Correction: D(INF) D(BI7DR) D(RDEPO) D(RKREDIT)
CointEq1 0.152870 0.253001 0.161053 -0.114191 (0.03988) (0.09560) (0.10976) (0.05361) [ 0.63729] [ 2.64633] [ 1.46735] [-2.13023]
D(INF(-1)) -0.395077 -0.167886 -0.062523 -0.047266 (0.34804) (0.13871) (0.15925) (0.07778) [-1.13515] [-1.21031] [-0.39262] [-0.60771]
D(INF(-2)) -0.843417 -0.257906 -0.139962 -0.136800 (0.27290) (0.10877) (0.12487) (0.06099) [-3.09054] [-2.37117] [-1.12087] [-2.24315]
D(INF(-3)) -0.021742 0.016429 0.120299 -0.094320 (0.26080) (0.10394) (0.11933) (0.05828) [-0.08337] [ 0.15806] [ 1.00812] [-1.61838]
D(BI7DR(-1)) 0.987839 0.899591 0.878446 -0.155517 (0.99423) (0.39626) (0.45492) (0.22218) [ 0.99357] [ 2.27022] [ 1.93099] [-0.69996]
D(BI7DR(-2)) 0.980147 0.506977 0.474547 -0.009211 (0.99885) (0.39810) (0.45704) (0.22321) [ 0.98127] [ 1.27349] [ 1.03832] [-0.04127]
D(BI7DR(-3)) -0.484288 0.193426 0.303220 0.062140 (0.91908) (0.36631) (0.42053) (0.20539) [-0.52693] [ 0.52805] [ 0.72103] [ 0.30255]
D(RDEPO(-1)) -0.481929 -0.369961 -0.390451 0.569366 (0.81692) (0.32559) (0.37379) (0.18256)
[-0.58994] [-1.13629] [-1.04458] [ 3.11885]
D(RDEPO(-2)) -0.712282 -0.458749 -0.728276 0.137282 (0.88973) (0.35461) (0.40711) (0.19883) [-0.80056] [-1.29368] [-1.78891] [ 0.69045]
D(RDEPO(-3)) -0.217041 -0.272245 -0.440049 -0.130689 (0.73402) (0.29255) (0.33586) (0.16403) [-0.29569] [-0.93059] [-1.31022] [-0.79673]
D(RKREDIT(-1)) 0.948052 0.410212 0.715875 -0.498105 (0.69307) (0.27623) (0.31712) (0.15488) [ 1.36790] [ 1.48505] [ 2.25742] [-3.21607]
D(RKREDIT(-2)) 1.390380 0.235321 0.589912 -0.153528 (0.79139) (0.31541) (0.36211) (0.17685) [ 1.75689] [ 0.74607] [ 1.62910] [-0.86812]
D(RKREDIT(-3)) -0.845501 -0.706994 -0.574059 -0.192925 (0.76366) (0.30436) (0.34942) (0.17066) [-1.10717] [-2.32287] [-1.64289] [-1.13049]
C -0.137305 -0.249007 -0.031397 -0.288858
(0.51273) (0.20435) (0.23460) (0.11458) [-0.26779] [-1.21852] [-0.13383] [-2.52102]
R-squared 0.597673 0.654008 0.637320 0.701567
Adj. R-squared 0.359935 0.449559 0.423009 0.525220
Sum sq. resids 129.0319 20.49639 27.01427 6.443719
S.E. equation 2.421794 0.965222 1.108116 0.541199
F-statistic 2.513997 3.198874 2.973809 3.978334
Log likelihood -74.05952 -40.94292 -45.91302 -20.11435
Akaike AIC 4.892195 3.052385 3.328501 1.895242
Schwarz SC 5.508008 3.668198 3.944314 2.511055
Mean dependent -0.251667 -0.338056 -0.267222 -0.188611
S.D. dependent 3.027089 1.300984 1.458817 0.785436
Determinant resid covariance (dof adj.) 0.195648 Determinant resid covariance 0.027287
Log likelihood -139.5029
Akaike information criterion 11.08350
Schwarz criterion 13.72269
Number of coefficients 60
Sumber: Hasil Pengolahan Eviews 10 (2021)
Hasil estimasi VECM menunjukkan terdapat 3 persamaan dengan 12 variabel eksogen. Hasil model persamaan suku bunga didapatkan nilai Rsquared 0.654 dengan F-stats sebesar 3.198 dengan demikian model dengan 12 variabel eksogen tersebut merupakan model predictor yang tepat menjelaskan perubahan suku bunga dikarenakan mampu menjelaskan 65,4%. Pada persamaan RDEPO memiliki nilai R-Squared 0.637 dengan F-Statist 2.97 sehingga dirasa tepat menjadi predictor inflasi, dengan kemampuan mode menjelaskan variabel inflasi sebesar 63,7%.
Pada RKREDIT didapatkan nilai R-Squared lebih tinggi dibandingkan model sebelumnya, yaitu 0.701 dan F-Statist 3.978. Hal ini menunjukkan bahwa model persamaan mampu menjelaskan variabel RKREDIT mencapai 70,1%. Sedangkan untuk inflasi memiliki nilai R-Square 0.597 dengan F-Statist 2.513, sehingga bisa dikatakan model persamaan dapat menjelaskan perubahan PDB sebesar 59,7%.
Selain itu berdasarkan hasil estimasi didapatkan informasi bahwa terdapat hubungan jangka panjang dan signifikan antara penggunaan BI7DR, RDEPO dan RKREDIT dengan inflasi. Hal ini dikarenakan t hitung dari BI7DRATE, RDEPO dan RKREDIT secara berturut-turut adalah 7,93147, 3,61969, 4,34697 yang benilai lebih besar dari t hitung sebesar 1,683851.
Sedangkan estimasi VECM pada jalur nilai tukar menunjukkan terdapat 4 persamaan dengan 20 variabel eksogen.
Tabel 11
Output Estimasi Model VECM Jalur Nilai Tukar Cointegrating Eq: CointEq1
INF(-1) 1.000000
BI7DR(-1) 2.640500 (1.19188) [ 2.21542]
PSB(-1) -1.915321
(0.96926) [-1.97606]
CI(-1) 1.13E-09
(2.6E-10) [ 4.34343]
KURS(-1) -0.000246
(0.00037) [-2.66772]
C -26.77465
Error Correction: D(INF) D(BI7DR) D(PSB) D(CI) D(KURS)
CointEq1 -0.098672 -0.002987 0.066692 -3.31E+08 108.4172 (0.11882) (0.04869) (0.06583) (2.9E+08) (26.9306) [-0.83046] [-0.06134] [ 1.01316] [-1.15774] [ 4.02579]
D(INF(-1)) 0.279927 -0.050824 -0.059689 -2.73E+08 94.89659 (0.37971) (0.15561) (0.21036) (9.1E+08) (86.0642) [ 0.73722] [-0.32661] [-0.28374] [-0.29908] [ 1.10263]
D(INF(-2)) -0.569592 -0.095053 -0.251754 -6.75E+08 -187.4407 (0.32258) (0.13220) (0.17872) (7.8E+08) (73.1161) [-1.76573] [-0.71901] [-1.40868] [-0.86959] [-2.56360]
D(INF(-3)) -0.495106 -0.269700 -0.270244 7.80E+08 175.6894 (0.31167) (0.12773) (0.17267) (7.5E+08) (70.6417) [-1.58858] [-2.11156] [-1.56511] [ 1.04018] [ 2.48705]
D(INF(-4)) -0.001004 0.082949 0.007414 5.05E+08 -142.6478 (0.26207) (0.10740) (0.14519) (6.3E+08) (59.4010) [-0.00383] [ 0.77232] [ 0.05106] [ 0.80152] [-2.40144]
D(BI7DR(-1)) -3.300725 -0.334624 -0.858010 1.84E+09 -442.8221 (1.37556) (0.56373) (0.76208) (3.3E+09) (311.782) [-2.39955] [-0.59359] [-1.12588] [ 0.55647] [-1.42029]
D(BI7DR(-2)) 3.168072 0.459079 0.385279 2.37E+09 -414.7184 (1.40633) (0.57634) (0.77913) (3.4E+09) (318.758) [ 2.25272] [ 0.79654] [ 0.49450] [ 0.70150] [-1.30105]
D(BI7DR(-3)) 2.480845 1.248716 0.891047 -5.28E+09 -493.2998 (1.53137) (0.62758) (0.84840) (3.7E+09) (347.098) [ 1.62002] [ 1.98973] [ 1.05026] [-1.43262] [-1.42121]
D(BI7DR(-4)) -2.376278 -1.230654 -0.892767 2.72E+09 257.1818 (1.38388) (0.56714) (0.76669) (3.3E+09) (313.668)
[-1.71711] [-2.16994] [-1.16444] [ 0.81793] [ 0.81992]
D(PSB(-1)) 2.012967 0.290030 0.606220 -93215971 -211.8061 (0.79519) (0.32588) (0.44055) (1.9E+09) (180.238) [ 2.53142] [ 0.88998] [ 1.37605] [-0.04872] [-1.17515]
D(PSB(-2)) -3.070236 -0.670574 -0.466359 -4.43E+08 392.7156 (1.02834) (0.42143) (0.56972) (2.5E+09) (233.083) [-2.98561] [-1.59118] [-0.81858] [-0.17909] [ 1.68487]
D(PSB(-3)) -1.352695 -0.719569 -0.519097 2.81E+09 14.31114 (1.14087) (0.46755) (0.63206) (2.7E+09) (258.589) [-1.18567] [-1.53903] [-0.82128] [ 1.02554] [ 0.05534]
D(PSB(-4)) 1.362257 0.534096 0.229619 -2.84E+09 -460.6961 (1.05059) (0.43055) (0.58205) (2.5E+09) (238.126) [ 1.29665] [ 1.24050] [ 0.39450] [-1.12379] [-1.93467]
D(CI(-1)) 1.95E-10 5.85E-11 3.67E-12 0.049331 -4.73E-08 (1.6E-10) (6.7E-11) (9.0E-11) (0.39230) (3.7E-08) [ 1.19660] [ 0.87470] [ 0.04062] [ 0.12575] [-1.27983]
D(CI(-2)) 3.26E-10 8.99E-11 7.48E-11 -0.301160 5.59E-09 (1.5E-10) (6.2E-11) (8.3E-11) (0.36129) (3.4E-08) [ 2.17019] [ 1.46130] [ 0.89944] [-0.83357] [ 0.16428]
D(CI(-3)) 1.53E-11 4.18E-11 1.62E-11 0.116464 1.25E-08 (1.4E-10) (5.7E-11) (7.8E-11) (0.33694) (3.2E-08) [ 0.10955] [ 0.72828] [ 0.20888] [ 0.34566] [ 0.39509]
D(CI(-4)) 1.55E-10 1.76E-11 2.05E-11 -0.007240 1.40E-08 (1.2E-10) (4.7E-11) (6.4E-11) (0.27786) (2.6E-08) [ 1.33936] [ 0.37201] [ 0.32075] [-0.02606] [ 0.53557]
D(KURS(-1)) 0.000140 0.000353 0.000124 -2558595. -0.081766 (0.00060) (0.00025) (0.00033) (1449041) (0.13651) [ 0.23306] [ 1.43144] [ 0.37166] [-1.76572] [-0.59896]
D(KURS(-2)) 0.001985 0.000617 0.000552 -1408406. -0.093066 (0.00082) (0.00034) (0.00046) (1977718) (0.18632) [ 2.41431] [ 1.83008] [ 1.21127] [-0.71214] [-0.49949]
D(KURS(-3)) 0.001715 0.000619 0.000517 -3235129. 0.459683 (0.00089) (0.00036) (0.00049) (2130743) (0.20074) [ 1.93605] [ 1.70435] [ 1.05305] [-1.51831] [ 2.28998]
D(KURS(-4)) -0.000139 -8.03E-05 -0.000152 1683625. 0.370437 (0.00084) (0.00035) (0.00047) (2030967) (0.19134) [-0.16429] [-0.23199] [-0.32421] [ 0.82898] [ 1.93604]
C -1.420450 -0.723400 -0.722303 2.10E+09 -289.0365
(0.68919) (0.28244) (0.38182) (1.7E+09) (156.211) [-2.06104] [-2.56123] [-1.89172] [ 1.26947] [-1.85029]
R-squared 0.838116 0.852997 0.718615 0.612465 0.890812
Adj. R-squared 0.576611 0.615531 0.264070 -0.013553 0.714430 Sum sq. resids 51.65067 8.674696 15.85336 2.99E+20 2653508.
S.E. equation 1.993271 0.816875 1.104305 4.80E+09 451.7920
F-statistic 3.204971 3.592084 1.580954 0.978351 5.050484
Log likelihood -56.47306 -25.25144 -35.80344 -812.5146 -246.2936
Akaike AIC 4.484175 2.700082 3.303053 47.68655 15.33106
Schwarz SC 5.461822 3.677729 4.280701 48.66420 16.30871
Mean dependent -0.215429 -0.324571 -0.296000 7.10E+08 116.2286 S.D. dependent 3.063349 1.317422 1.287273 4.76E+09 845.4391
Determinant resid covariance (dof adj.) 5.22E+23 Determinant resid covariance 3.69E+21
Log likelihood -1117.370
Akaike information criterion 70.42112
Schwarz criterion 75.53155
Number of coefficients 115
Sumber: Pengolahan Eviews 10 (2021)
Hasil model persamaan BI7DR didapatkan nilai Rsquared 0,852 dengan F-stats sebesar 3,59 dengan demikian model dengan 16 variabel eksogen tersebut merupakan model predictor yang tepat menjelaskan perubahan BI7DR dikarenakan mampu menjelaskan 85,2%. Pada persamaan PSB memiliki nilai R-Squared 0,718 dengan F-Statist 1,58 sehingga dirasa tepat menjadi predictor PSB, dengan kemampuan mode menjelaskan variabel PSB sebesar 71,8%.
Pada CI didapatkan nilai R-Squared lebih rendah dibandingkan model sebelumnya, yaitu 0,612 dan F- Statist 0,978. Hal ini menunjukkan bahwa model persamaan mampu menjelaskan variabel CI mencapai 61,2%. Sedangkan untuk KURS memiliki nilai R-Square 0,890 dengan F-Statist 5,05 sehingga bisa dikatakan model persamaan dapat menjelaskan perubahan KURS sebesar 8,90%. Selanjutnya, inflasi memiliki R-Squared 0,838 dengan F-Statistik 3,204 sehingga dapat dikatakan inflasi dapat menjelaskan model persamaan sebesar 8,38%.
Selain itu berdasarkan hasil estimasi didapatkan informasi bahwa terdapat hubungan jangka panjang dan signifikan antara penggunaan jalur transmisi nilai tukar dengan perubahan variabel inflasi. Hal ini dikarenakan nilai t hitung dari BI7DR, PSB, CI, KURS secara berturut-turut adalah sebagai berikut 2,21542, 1,97606, 4,34343, 2,66772, di mana lebih besar dari t tabel yaitu sebesar 1,683851.
Langkah selnjutnya adalah melakukan pengujian impulse response untuk mengetahui respon jalur transmisi suku bunga dan nilai tukar terhadap inflasi. Hasil analisis pengujian IRF suku bunga didapatkan sebagai berikut
Grafik 1.
Hasil Respons Variabel Inflasi, Pengangguran, dan PDB terhadap Shock Suku Bunga
Sumber: Hasil Pengolahan Eviews 10 (2021)
Impulse response dari estimasi VECM di atas menunjukkan bahwa response inflasi dari shock yang disebabkan oleh BI7DR menunjukkan respon positif dari awal periode hingga akhir periode. Sedangkan
response inflasi dari shock suku bunga deposito pada periode ke-1 hingga ke-3 direspon negatif, periode ke-3 hingga ke-5 direspon positif, periode ke-5 hingga ke-7 kembali direspon negatif hingga period eke- 7 hingga 9 direspon positif kembali dan akhirnya di period eke-10 negatif. Sementara itu respon inflasi dari shock yang dtimbulkan dari suku bunga kredit di periode pertama hingga kedua direspon negative, respon di periode ke-2 hingga periode ke-4 positif, hingga akhirnya direspon negative kembali sampai periode ke-7, dan positif kembali hingga periode ke-9, dan akhirnya di periode ke-10 direspon negative.
Sedangkan hasil IRF pada jalur nilai tukar adalah sebagai berikut:
Grafik 2.
Hasil Respon Variabel Inflasi, Pengangguran dan PDB terhadap Shock Nilai Tukar
Sumber: Hasil Pengolahan Eviews 10 (2021)
Impulse response dari estimasi VECM di atas menunjukkan bahwa response inflasi terhadap shock BI7DR menunjukkan respon positif dari awal periode hingga periode ke-7, pada periode ke-7 hingga periode ke-9 direspon negative, dan akhirnya di periode-ke 10 direspon positif. Begitupun dengan response inflasi dari shock yang terjadi pada nilai tukar direspon negative, hanya pada periode kedua direspon positif. Response inflasi dari shock yang ditimbulkan dari CI juga sebagian besar negative, pada periode ke-2 hingga ke-4, dan periode 7 yang direspons positif oleh inflasi. Selain itu, respon inflasi yang berasal dari shock nilai tukar direspons negative dari awal periode hingga periode ke-3, selanjutnya direspons positif hingga periode ke-5, pada periode 5 hingga periode ke-7 kembali direspons negative, selanjutnya di periode 7 hingga akhir direspons positif.
Untuk memberikan informasi mengenai seberapa besar kontribusi yang dihasilkan dari variabel suku bunga dan nilai tukar terhadap inflasi, pengangguran, dan PDB didapatkan dari hasil estimasi Variance Decomposition. Hasil estimasi jalur suku bunga didapatkan sebagai berikut:
Grafik 3.
Hasil Estimsi Variance Decomposition Jalur Suku Bunga
Sumber: Hasil Pengolahan Eviews 10 (2021)
Analisis dari dekomposisi dari variasi inflasi menunjukkan bahwa pada periode pertama variabel inflasi ditentukan oleh inflasi itu sendiri sebesar 100% dan terus mengalami penurunana hingga periode ke-10 menjadi 81,15%%. Variabel BI7DR memberikan kontribusi untuk menjelaskan variabel inflasi pada periode pertama sebesar 71,87% hingga terus mengalami peningkatan sampai periode ke 10 mejadi 33,86%.
Kontribusi variabel RDEPO terhadap inflasi sebesar 31,46% pada periode ke-2. Kontribusi terus mengalami penurunan hingga berada pada nilai 18,55%. Begitupun dengan variabel RKREDIT memberikan kontribusi terhadap inflasi sebesar 1,31% di periode ke-2 dan terus mengalami peningkatan hingga periode ke-10 sebesar 3,53%. Tetapi kontribusi yang dihasilkan oleh suku bunga kredit lebih kecil jika dibandingkan dengan variabel yang lain.
Sedangkan untuk jalur nilai tukar didapatkan hasil estimasi Variance Decomposition sebagai berikut:
Grafik 4.
Hasil Estimsi Variance Decomposition Jalur Nilai Tukar
Sumber: Pengolahan Eviews 10 (2021)
Analisis dari dekomposisi dari variasi KURS menunjukkan bahwa pada periode pertama variabel inflasi ditentukan oleh variabel itu sendiri sebesar 100% dan terus mengalami penurunana hingga periode ke- 10 menjadi 50,72%. Variabel BI7DR memberikan kontribusi untuk menjelaskan variabel inflasi pada periode pertama sebesar 45,54% hingga terus mengalami peningkatan sampai periode ke-10 mejadi 21,51%. Sedangkan kontribusi variabel PSB terhadap inflasi sebesar 19,02% pada periode pertama dan terus mengalami penurunan hingga periode ke-10 sebesar 8,04%. Selanjutnya variabel CI memberikan kontribusi pada periode pertama 11,33% dan terus mengalami peningkatan 18,49%. Dan yang terakhir variabel kurs memberikan kontribusi terhadap inflasi di periode pertama sebesar 10,75% dan terus mengalami peningkatan mencapai 21,26%.
Selain melakukan pengujian dengan pendekatan VECM, penelitian ini juga menggunakan metode threshold untuk mengetahui tingkat nilai dari variabel threshold yang digunakan mempengaruhi dependen variabel. Hasil yang didapatkan dari pengujian adalah sebagai berikut:
Tabel 12
Hasil Estimasi Model Threshold terhadap PDB Nilai
Threshold
Koefisien Prob
≥ Inflasi 7,17 -1096,05 0,044 Sumber: Hasil Pengolahan Eviews 10 (2021)
Dari hasil di atas dapat diketahui bahwa titik balik (threshold) hubungan antara inflasi dan PDB pada nilai 7,17%. Artinya, inflasi memiliki pengaruh postif terhadap PDB pada inflasi paling tinggi 7,17%.
Sedangkan, inflasi secara umum memberikan perilaku tertentu saat di atas ambang batas, hal ini karena pada beberapa kasus menimbulkan dampak negative.
Tabel 13
Hasil Estimasi Model Threshold terhadap Variabel Pengangguran Nilai
Threshold
Koefisien Prob.
≥ Inflasi 8,87 0,441018 0,001 Sumber: Hasil Pengolahan Eviews 10 (2021)
Dari hasil di atas dapat diketahui bahwa titik balik (threshold) hubungan antara inflasi dan pengangguran pada nilai 8,78%. Artinya, inflasi memiliki pengaruh terhadap penurunan tingkat pengangguran pada tangkat inflasi kurang dari 8,78%.
Dampak Perubahan Suku Bunga terhadap Inflasi
Hasil Impulse Response Function dapat memberikan informasi bagaimana dampak dari shock perubahan jalur suku bunga terhadap Inflasi. Shock suku bunga direspons dengan oleh variabel inflasi dengan time
lag 5 peiode. Respons positif inflasi terhadap shock suku bunga menunjukkan bahwa perubahan yang terjadi pada suku bunga mampu mendorong kestabilan inflasi.
Hasil tersebut memberikan konfirmasi di teori bahwa keadaan suku bunga yang terjadi pada masa penelitian sesuai dengan teori. Pada saat suku bunga mengalami perubahan maka pengeluaran yang berhubungan atau sensitive terhadap suku bunga akan terdampak. Oleh Karena itu, inflasi sebagai parameter suatu harga di sini akan terpengaruh (Samuelson, 2001). Hasil Variance Decomposition menunjukkan bahwa shock suku bunga dapat dijelaskan oleh inflasi sebesar 2,60%. Hal ini dikarenakan suku bunga kredit memiliki pengaruh yang besar terhadap pertimbangan investor dalam menyimpan modal.
Dampak Perubahan Nilai Tukar terhadap Inflasi
Shock dari jalur nilai tukar direspons dengan cepat oleh variabel inflasi dengan time lag 6 periode.
Respons positif inflasi terhadap shock nilai tukar menunjukkan bahwa perubahan yang terjadi pada nilai tukar mampu mendorong kestabilan inflasi. Hasil Variance Decomposition menunjukkan bahwa shock nilai tukar dapat dijelaskan oleh inflasi sebesar 8,02%. Kontribusi oleh guncangan yang terjadi di nilai tukar lebih besar daripada suku bunga, hal ini sejalan dengan penelitian dari (Sholeh, 2010). Sistem nilai tukar mengambang penuh yang ditetapkan oleh kebijakan moneter yang ada di Indonesia akan semakin memberikan keefektifan, terlebih jika diikuti dengan mobilitas modal secara internasional yang baik.
Pernyataan tersebut jelas menandakan bahwa jalur nilai tukar paling berpengaruh terhadap pertumbuhan ekonomi dan laju inflasi dengan sistem nilai tukar yang fleksibel.
Dampak Inflasi terhadap PDB
Seperti yang dihasilkan oleh hasil estimasi Threshold, bahwa nilai ambang batas hubungan inflasi dengan pertumbuhan ekonomi adalah sebesar 7,17%. Artinya, inflasi dapat memberikan pengaruh positif terhadap perekonomian jika berada pada nilai di bawah ambang batas atau sama dengan nilai ambang batas. Sebaliknya jika nilai inflasi berada di atas ambang batas akan berdampak negative terhadap pertumbuhan ekonomi.
Keadaan ini dapat dibuktikan pada sekitar tahun 1998 di mana terjadi krisis ekonomi di Indonesia.
Keadaan krisis tersebut tengah memburuk dengan tingkat inflasi berada di sekitar 77,63%, di lain sisi pertumbuhan ekonomi pada saat itu menjadi menurun hingga -13,13%.
Dampak Inflasi terhadap Pengangguran
Menurut hasil estimasi threshold, ditemukan bahwa nilai ambang batas inflasi dapat berpengaruh terhadap pengangguran di nilai 8,87%. Artinya, inflasi dapat memberikan pengaruh baik terhadap pengangguran jika nilai inflasi berada di kurang dari atau sama dengan 8,87%. Hal ini sesuai dengan penelitian yang dilakukan oleh (Thanh, 2015), bahwa inflasi yang melebihi 10-20% per tahun umumnya merugikan.
Inflasi yang sangat tinggi akan mempengaruhi produk marjinal modal juga akan terpengaruh. Pada saat tingkat inflasi melampaui ambang batas tertentu, hal ini dapat memberikan dampak ke pemberian kredit yang buruk untuk pinjaman kredit, sehingga akan mempengaruhi modal akumulasi ke para investor.
Investasi yang berkurang oleh para investor akan memberikan dampak terhadap sedikitnya peluang atau kesempatan kerja yang tersedia. Keadaan tersebut dapat dijelaskan lebih mudah dengan melihat perbandingan grafik inflasi dan pengangguran.
E. KESIMPULAN
Jalur suku bunga dan nilai tukar signifikan untuk digunakan oleh bank sentral untuk mempengaruhi tujuan akhir kebijakan moneter. Terbukti dari adanya response dari semua variabel yang diteliti terhadap jalur suku bunga maupun nilai tukar. Selain itu, kontribusi nilai tukar mendapatkan hasil yang lebih besar untuk mempengaruhi inflasi, pengangguran dan PDB dibandingkan dengan suku bunga.
Ambang batas variabel untuk mempengaruhi variabel yang diteliti perlu juga diperhatikan untuk mengetahui nilai variabel tersebut dapat memberikan dampak positif. Karena, jika berada di luar ambang batas tersebut ada kemungkinan dapat memberikan efek negative terhadap variabel penelitian.
F. REFERENSI
Ahiabor, G. (2013). The Effects of Monetary Policy on Inflation in Ghana. Developing Country Studies.
Alaabed, A., & Masih, M. (2016). Finance-growth nexus: Insights from an application of threshold regression model to Malaysia's dual financial system. Bosa Instabul Review, 63-71.
Amarasekara, C. (2018). The Impact of Monetary Policy on Economic Growth and Inflation. Munich Personal RePEc Archive.
Aoeye, B., & Shobande, A. O. (2017). MONETARY POLICY TRANSMISSION MECHANISM AND MACROECONOMIC AGGREGATES IN NIGERIA. Caleb Journal of Social and Management Sciences, 2.
Arno, A. K., Halide, N., Purnama, I., & Sabani, A. (2020). Empirical Evidence on the Impact of Monetary Policy on National Economic Growth. I-FINANCE.
Asari, F. F., Baharuddin, N. S., Jusoh, N., Mohamad, Z., Shamsudin, N., & Jusoff, K. (2011). A VECM Approach in Explaining the Relationship Between Interest Rate and Inflation Toward Exchange Rate Volaitility in Malaysia. World Applied Sciences Journal, 49-56.
Barlow, D. (2010). How did structural influence in trantition economics. Economic System , 198-200.
Basuki, A. T. (2006). Analisis Permintaan dan Penawaran Uang Pendekatan Persamaan Simultan (Studi Kasus Indonesia tahun 2000.1 - 2004.4). 7 : 13.
Basuki, A. T. (2016). Analisis Regresi Dalam Penelitian Ekonomi dan Bisnis . Jakarta: PT Raja Gafindo.
Ekananda, M. (2015). Ekonometrika Dasar. Jakarta: Mitra Wacana Media.
Erawati, N. (2012). Analisa Pergerakan Suku Bunga dan Laju Ekspektasi Inflasi. Jurnal Manajemen dan Kewirausahaan.
Fauziah, F. (2015). Kebijakan Moneter dalam Mengatasi Inflasi di Indonesia. Signifikan Jurnal Ilmu Ekonomi.
Fisher, I. (1911). The Purchasing Power of Money,2nd Edition. New York: reprinted by Augustus Kelley.
Hansen, B. E. (2011). Threshold Autoregression in Economics. Statistics and Its Interface, 123-127.
Hasibuan, S., & Pratomo, W. A. (2015). . Mekanisme Transmisi Kebijakan Moneter Melalui Suku Bunga SBI Sebagai Sasaran Operasional Kebijakan Moneter dan Variabel Makroekonomi Indonesia.
Jurnal Ekonomi dan Keuangan.
Herianingrum, S., & Syapriatama, I. (2016). DUAL MONETARY SYSTEM AND MACROECONOMIC . Journal of Islamic Economics, 65-80.
Herlina, D. (2018). IDENTIFIKASI MEKANISME TRANSMISI KEBIJAKAN MONETER SALURAN UANG DAN SALURAN SUKU BUNGA DI INDONESIA. Jurnal Ekonomi-Qu.
Husnayah, F. (2016). Analisis Efektivitas Transmisi Kebijakan Moneter melalui Interest Rate Channel dan Asset Price Channel di Indonesia pada masa Inflation Targeting Framework (ITF). JIM FEB UB.
Kamber, G., & Mohanty, M. (2018). Do interest rates play a major role in monetary policy transmission in China? Bank for International Settlements Working Paper.
Kevin, Situngkir, E. S., Tenrigangka, R., Syaputri, A. R., Diana, E. S., Hartanti, D., & Kurniadi, A.
(2019). EFEKTIVITAS BANK SENTRAL DALAM MENJAGA KESTABILAN NILAI TUKAR.
Equity : Jurnal Ekonomi.
M, A. K., Priyo R, W., & R, G. S. (2008). Penerapan Kebijakan Moneter dalam Kerangka Inflation Targeting di Indonesia. Pusat Pendidikan dan Studi Kebanksentralan (PPSK) BI, 54.
Mankiw, N. G. (2009). Macroeconomics 7th ed. New York: Worth Publisher.
Mankiw, N. G. (2014). Ekonomi Makro Edisi Asia. Jakarta: Salemba Empat.
Mishkin, F. S. (2008). Ekonomi Uang, Perbanan, dan Pasar Keuangan. Jakarta: Salemba Empat.
Mohanty, M. S., & Turner, P. (2018). Monetary policy transmission in emerging market economic : what is new? Bank for International Settements Papers, 1-59.
Munawwaroh, I. (2017). THE EFFECTIVENESS OF MONETARY POLICY TRANSMISSION MECHANISM UNDER DUAL FINANCIAL SYSTEM IN INDONESIA. Jurnal of Department of Islamic Economic UNIDA GONTOR.
Natsir, M. (2012). Ekonomi Moneter Teori dan Kebijakan. Semarang: Penerbit Polines Semarang.
Nuryati, Y., Siregar, H., & Rahmawati, A. (2006). Dampak Kebijakan Inflation Targting terhadap Beberapa Variabel Makroekonomi di Indonesia. Buletin Ekonomi Moneter dan Perbankan.
Ocampo, J. A., S, J. K., & Khan, S. (2007). Policy Matters Economic and Social Policies to Sustain Equitable Development. USA: United Nation Publications.
Oktaviani, S., & Aimon, H. (2019). Analisis Variabel Moneter Amerika Serikat terhadap Pertumbuhan Ekonomi Negara Emerging Market. Jurnal Kajian Ekonomi dan Pembangunan.
Pratomo, W. A., & Togatorop, `. (2014). Analisis Perbandingan Peranan Jalur Suku Bunga dan Jalur Nilai Tukar pada Mekanisme Transmisi Kebijakan Moneter di ASEAN : Studi Komparatif (Indonesia, Malaysia, Singapura). Jurnal Ekonomidan Keuangan.
Ridhwan, M. M., de Groot, H., Nijkamp, P., & Rietveld, P. (2010). The Impact of Monetary Policy on.
Tinbergen Institute Discussion Paper .
Samuelson, P. A. (2001). Ilmu Makroekonomi edisi 17. Jakarta: Erlangga.
Santoso, W., & Anglingkusumo. (2018). Under Inflation sebagai Indikator Harga yang Relevan dengan Kebijakan Moneter : Sebuah Tinjauan Untuk Indonesia. Buletin Ekonomi Moneter dan Perbankan.
Simanjutak, M., & Sentosa, B. (2017). Perbandingan Efektivitas Mekanisme Transmisi Kebijakan Moneter antara Jalur Suku Bunga dengan Jalur Nilai Tukar terhadap Sasaran Akhir Inflasi. Jurnal Media Ekonomi, 1-14.
Sinaga, H. F. (2016). Dampak Kebijakan Moneter Terhadap Variabel Makroekonomi.
Sinaga, T. T. (2018). Mekanisme Transmisi Kebijakan Moneter dalam Perekonomian Indonesia. E- Jurnal Ekonomi dan Bisnis Universitas Udayana.
Siregar, H., & Ward, B. (2012). Can Money Policy/Shock Stabilize Indonesia Macroeconomic Fluctuation? World Scientific Publishing Co. Pte. Ltd.
Stockhammer, E., & Sturn, S. (2010). The Impact of Monetary Policy on Unemployment Hysteresis.
Institus fur Makrookonmie und Konjunkturforschung Working Paper.
Stockhammer, E., & Sturn, S. (2018). The Impact of Monetary Policy on. Institute fur Makrookonomie und Konjunkturforschung Working Paper.
Taylor, J. (1995). The Monetary Transmission Mechanism : An Empirical Framework. . Journal of Economic Perspective.
Thomas, R. (1997). Modern Econometrics : An Introduction. New York: Addison-Wesley.
Usman, O., & Elsalih, O. M. (2018). Effect of Real Exchange Rate Pass-Through to Unemployment.
MPDI Journal Economies.
Wajriyo, P. (2004). Mekanisme Transmisi Kebijakan Moneter di Indonesia. Buku Seri Kebanksentralan No. 11 Pusat Pendidikan dan Studi Kebanksentralan (PPSK) BI.
Warjiyo, P., & Solikin. (2003). Kebijakan Moneter di Indonesia. Pusat Pendidikan dan Studi Kebanksentralan BI, 82.
Wimanda, R. (2010). Inflation and Monetary Policy Rules : Evidance from Indonesia. Doctoral Thesis, Loghborough University.
Wongsoatmojo, P., & Rizkianto, E. (2014). Pengaruh Volatilitas Tingkat Bunga dan Nilai Tukar terhadap Volatilitas Imbal Hasil Saham Sub Sektor Perbankan di BEI. Jurnal Ilmiah FE UI.
Wulandari, R. (2012). Do Credit Channel and Interest Rate Channel Play Important Role in Monetary Transmission Mechanism in Indonesia? 557-563.
Yusuf, M. (2014). Analisis Efektivitas Jalur-Jalur Transmisi Kebijakan Moneter dengan Sasaran Tunggal Inflasi di Indonesia. Jurnal Ilmiah Ekonomi Universitas Brawijaya
