EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA ... · EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : ... Sejak tahun 1998 hingga 2009, ... Umum, laju inflasi Indonesia, ekspor barang

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA :

PENDEKATAN BUSINESS CYCLE THEORY

OLEH:

ILLINIA AYUDHIA RIYADI

H14080003

DEPARTEMEN ILMU EKONOMI

FAKULTAS EKONOMI MANAJEMEN

INSTITUT PERTANIAN BOGOR

2012

RINGKASAN

ILLINIA AYUDHIA RIYADI. Early Warning System Krisis Utang di

Indonesia: Pendekatan Business Cycle Theory (dibimbing oleh DENIEY ADI

PURWANTO).

Sejak tahun 1998 hingga 2009, kondisi anggaran pendapatan belanja

negara (APBN) Indonesia selalu mengalami budget deficit dalam rangka

membiayai program pembangunan. Untuk menutupi defisit anggaran tersebut,

pemerintah mengandalkan berbagai sumber pembiayaan sumber yang berasal dari

perbankan dalam negeri, privatisasi, penjualan aset program restrukturisasi, dana

penerbitan obligasi negara, dan pinjaman luar negeri.

Dari beberapa sumber pembiayaan yang ada, porsi terbesar untuk

menutupi defisit anggaran yang terjadi berasal dari obligasi negara. Proporsi

pembiayaan defisit anggaran yang sebagian besar berasal dari dana penerbitan

obligasi pada akhirnya menyebabkan pemerintah memutuskan untuk

meningkatkan penawaran obligasi di pasar sekuritas secara terus menerus. Selama

periode Agustus 2004 hingga Agustus 2010, kepemilikan asing terhadap SBN

menunjukkan trend yang terus meningkat. Hal ini mengindikasikan bahwa

ketergantungan pemerintah semakin kuat terhadap pihak asing dalam hal

memperoleh pendanaan yang dibutuhkan untuk menutupi defisit anggaran yang

terjadi. Dengan demikian, akumulasi utang luar negeri Indonesia terus meningkat

dari tahun ke tahun.

Secara substansi, utang luar negeri merupakan sumber pembiayaan uang

digunakan untuk menutupi kebutuhan investasi di suatu negara. Pembiayaan yang

bersumber dari utang luar negeri ini harus dikelola dengan baik dan dialokasikan

untuk kegiatan investasi sektor riil yang produktif sehingga dapat memberikan

rate of return yang tinggi di kemudian hari. Alokasi penggunaan utang luar negeri

untuk kegiatan yang tidak produktif tanpa pengawasan yang baik dapat

menyebabkan terjadinya krisis utang seperti yang saat ini melanda negara-negara

di kawasan Uni Eropa (European Union/EU).

Berdasarkan pengalaman yang dialami oleh negara-negara di kawasan Uni

Eropa, maka sumber pembiayaan yang berasal dari utang luar negeri dalam

jumlah yang besar perlu diwaspadai sedini mungkin. Suatu sistem deteksi dini

perlu untuk dibangun agar pemerintah dapat memperkirakan periode waktu

kemungkinan terjadinya krisis utang secara tepat. Hal ini penting bagi pemerintah

sehingga dapat merumuskan dan mengimplementasikan kebijakan-kebijakan yang

bersifat antisipastif.

Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang

dapat menjadi Coincident, Leading, dan Lagging Indicators dalam rangka

menyusun instrumen deteksi dini terjadinya krisis utang di Indonesia. Selain itu,

akan diidentifikasi sistem bekerjanya faktor-faktor tersebut sebagai instrument

sistem suatu deteksi dini.

Pada penelitian ini, pembangunan early warning system krisis utang di

Indonesia dilakukan dengan menggunakan pendekatan business cycle theory. Data

yang digunakan adalah data sekunder dengan periode bulanan dari bulan Januari

1998 hingga Desember 2011. Adapun jumlah variabel makroekonomi yang

berhasil dikumpulkan dalam penelitian ini adalah sebanyak 111 variabel.

Dalam rangka memperoleh kandidat Coincident, Leading, dan Lagging

Indicators, maka dilakukan tiga tahap seleksi terhadap 111 variabel

makroekonomi yang berhasil dikumpulkan. Adapun tiga tahap seleksi tersebut

adalah uji secara grafis dengan prosedur Bry Boschan, uji korelasi silang (cross

correlation test), dan uji granger causality (granger causality test). Dari tahap

seleksi tersebut, diperoleh hasil bahwa terdapat 8 variabel yang menjadi kandidat

Coincident Indicator, yakni suku bunga pinjaman modal kerja (rupiah) dari Bank

Asing dan Campuran, suku bunga simpanan rupiah berjangka 6 bulan di Bank

Umum, laju inflasi Indonesia, ekspor barang Amerika Serikat (free on board

price), harga komoditi mentah pertanian dunia, SBI 1 bulan, interest rate spread,

dan Indeks Harga Saham Gabungan (IHSG). Sementara itu, kandidat Leading

Indicator yang diperoleh sebanyak 6 variabel, yaitu suku bunga LIBOR 6 bulan,

laju inflasi Jepang, M2/Cadangan Devisa, Loan to GDP, LQ 45, dan Nominal

Effective Exchange Rate. Adapun kandidat Lagging Indicators terdiri dari suku

bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero, suku bunga

pinjaman berjangka 24 bulan (rupiah) di Bank Umum, Import Merchandise

Constant (US$ Dollar), dan Local Equity Market Index. Melalui proses trial and

error, maka diperoleh kombinasi variabel terbaik dalam penyusunan Coincident

Debt Index, Leading Debt Index, dan Lagging Debt Index. Komponen penyusun

Coincident Debt Index terbaik adalah interest rate spread (59 persen), suku bunga

simpanan rupiah berjangka 6 bulan di Bank Umum (23 persen), suku bunga

pinjaman untuk modal kerja (rupiah) berjangka 6 bulan di Bank Umum(10 persen)

dan SBI 1 bulan (8 persen). Komponen penyusunan Leading Debt Index yang

dianggap terbaik adalah variabel suku bunga LIBOR 6 bulan (54 persen), laju

inflasi Jepang (42 persen), dan variabel M2/Cadangan Devisa (2 persen) serta

Nominal Effective Exchange Rate (2 persen). Adapun komponen penyusun

Lagging Debt Index adalah dari suku bunga pinjaman modal kerja rupiah yang

diberikan Bank Persero (42 persen), suku bunga pinjaman rupiah berjangka 24

bulandi Bank Umum (50 persen), Import Merchandise Constant (4 persen), dan

Local Equity Market Index (3 persen).

Dari hasil tersebut disimpulkan bahwa kemungkinan terjadinya krisis

utang di Indonesia pada periode waktu mendatang sangatlah dipengaruhi oleh

faktor eksternal seperti suku bunga LIBOR 6 bulan dan laju inflasi Jepang. Hal ini

membuktikan bahwa Indonesia merupakan negara dengan perekonomian terbuka

kecil (small open economy) yang masih rentan terhadap goncangan

makroekonomi global.

Model early warning system yang terbentuk dari penelitian ini dapat

bekerja dengan cukup baik dalam memprediksi kemungkinan terjadinya krisis

utang di Indonesia meskipun proses kaliberasi terhadap variabel-variabel

penyusunnya masih perlu dilakukan secara berkala.

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA :

PENDEKATAN BUSINESS CYCLE

Oleh

ILLINIA AYUDHIA RIYADI

H14080003

Skripsi

Sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi

pada Departemen Ilmu Ekonomi

DEPARTEMEN ILMU EKONOMI

FAKULTAS EKONOMI DAN MANAJEMEN

INSTITUT PERTANIAN BOGOR

Judul Skripsi : EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA:

PENDEKATAN BUSINESS CYCLE

Nama : Illinia Ayudhia Riyadi

NIM : H14080003

Menyetujui,

Dosen Pembimbing

Deniey Adi Purwanto, MSE

NIP. 19771208 200912 1 001

Mengetahui,

Ketua Departemen Ilmu Ekonomi

Dedi Budiman Hakim, Ph.D

NIP. 19641022 198903 1 003

Tanggal Kelulusan :

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI ADALAH

BENAR-BENAR HASIL KARYA SAYA SENDIRI YANG BELUM PERNAH

DIGUNAKAN SEBAGAI SKRIPSI ATAU KARYA TULIS ILMIAH PADA

PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Bogor, Mei 2012

Illinia Ayudhia Riyadi

H14080003

RIWAYAT HIDUP

Penulis bernama Illinia Ayudhia Riyadi lahir pada tanggal 9 Februari 1991

di Jakarta. Penulis anak kedua dari tiga bersaudara, dari pasangan Ir. Slamet

Riyadi, M.Sc, dan Dra. Ani Widiastuti. Jenjang pendidikan penulis dilalui tanpa

hambatan, penulis menamatkan sekolah dasar pada SD Islam Panglima Besar

Jenderal Soedirman, kemudian melanjutkan ke SMP Negeri 103 Jakarta dan lulus

tahun 2005. Pada tahun yang sama penulis diterima di SMA Negeri 39 Jakarta dan

lulus pada tahun 2008.

Pada tahun 2008 penulis meninggalkan kota tercinta untuk melanjutkan

studinya ke jenjang yang lebih tinggi. Institut Pertanian Bogor menjadi pilihan

penulis dengan harapan besar agar dapat memperoleh ilmu dan mengembangkan

pola pikir, sehingga bisa menjadi sumber daya yang berguna bagi pembangunan

Kota Jakarta tercinta. Penulis masuk IPB melalui jalur USMI dan diterima sebagai

mahasiswa Program Studi Ilmu Ekonomi dan Studi Pembangunan pada Fakultas

Ekonomi dan Manajemen. Selama menjadi mahasiswa, penulis aktif dalam

kegiatan organisasi sebagai staf pelaksana divisi DNA (Discussion and Analysis)

Himpunan Profesi Ilmu Ekonomi dan Studi Pembangunan (HIPOTESA) IPB.

Selain itu, penulis juga aktif sebagai asisten dosen di Departemen Ilmu Ekonomi

IPB dan bertanggung jawab atas penyelenggaraan responsi mata kuliah Ekonomi

Umum, Teori Mikroekonomi I, dan Teori Makroekonomi dari tahun 2010 hingga

sekarang.

KATA PENGANTAR

Puji syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan

hidayah-Nya sehingga penulis dapat menyelesaikan penyusunan skripsi ini. Judul

skripsi ini adalah ”Early Warning System Krisis Utang di Indonesia:

Pendekatan Business Cycle Theory”. Krisis utang merupakan topik yang sangat

menarik dan hangat menjadi perbincangan karena saat ini tengah terjadi krisis

utang yang melanda negara-negara di kawasan Uni Eropa sehingga menimbulkan

guncangan bagi perekonomian secara global, termasuk Indonesia. Oleh karena itu,

penulis tertarik untuk melakukan penelitian dengan topik ini sebagai upaya

menghindari kemungkinan terjadinya krisis utang melalui pembangunan early

warning system di Indonesia. Disamping hal tersebut, skripsi ini juga merupakan

salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen

Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.

Penulis mengucapkan terima kasih yang sebesar-besarnya, terutama

kepada Bapak Deniey Adi Purwanto, MSE, yang telah memberikan bimbingan

baik secara teknis maupun teoritis dalam proses pembuatan skripsi ini sehingga

dapat terselesaikan dengan baik. Penulis juga sangat terbantu oleh kritik dan saran

dari para peserta pada Seminar Hasil Penelitian Skripsi ini. Oleh karena itu,

penulis sangat berterima kasih kepada pihak-pihak lain yang telah membantu

penulis dalam penyelesaian skripsi ini namun tidak bisa penulis sebutkan satu

persatu.

Ucapan terima kasih juga penulis sampaikan kepada orangtua penulis,

yaitu Bapak Ir. Slamet Riyadi, M.Sc, dan Ibu Dra. Ani Widiastuti atas dukungan

material maupun spiritual yang diberikan kepada penulis selama ini. Penulis juga

berterimakasih kepada kakak dan adik penulis, yaitu Arief Nugroho Riyadi, SH,

dan Gliddheo Algifariyano Riyadi. Penulis juga mengucapkan terimakasih kepada

rekan-rekan sejawat mahasiswa IE 45 atas dukungan moral yang diberikan kepada

penulis selama ini, khususnya teman-teman dalam satu kelompok bimbingan

skripsi, yaitu Ayu Budiarti, Oktya Setya Pratidina, Dhany Subangun, dan Teuku

Arif Pahlevi. Tak lupa, ucapan terimakasih juga penulis tujukan kepada para

sahabat mahasiswa IE 45 yang selalu menemani penulis selama empat tahun

menuntut ilmu bersama di IPB, yaitu Fiona Rebecca Hutagaol, Lusiana Manik,

Shanty Nathalia, Henny Prischilia, Hairul, Diyah Nugraheni dan Masyitha

Mutiara. Akhir kata, semoga karya ini dapat bermanfaat bagi penulis dan pihak

lain yang membutuhkan.

Bogor, Mei 2012

Illinia Ayudhia Riyadi

H14080003

DAFTAR ISI

Halaman

I. PENDAHULUAN................................................................................1

1.1 Latar Belakang.................................................................................1

1.2 Perumusan Masalah.......................................................................12

1.3 Tujuan Penelitian...........................................................................13

1.4 Manfaat Penelitian.........................................................................14

1.5 Ruang Lingkup..............................................................................14

II. TINJAUAN PUSTAKA.....................................................................15

2.1 Tinjauan Konsep dan Teori...........................................................15

2.1.1 Teori Siklus Bisnis......................................................15

2.1.2 Model Early Warning System.....................................16

2.1.3 Definisi Business Cycle..............................................18

2.1.4 Tahapan Business Cycle.............................................19

2.1.5 Business Cycle Indicators...........................................20

2.1.6 Leading Economic Indicators dan Peramalan

Aktivitas Ekonomi......................................................22

2.2 Penelitian Terdahulu.....................................................................24

2.3 Kerangka Pemikiran.....................................................................38

III. METODE PENELITIAN

3.1 Jenis Data dan Metode Pengumpulan Data..................................40

3.2 Metode Analisis............................................................................40

3.2.1 Tahapan Penyusunan Leading Economic Indicator...42

3.2.2 Metode Penyusunan Early Warning Indicators…….45

3.3 Definisi Operasional…………………………………………..56

IV. HASIL DAN PEMBAHAHASAN

4.1 Gambaran Umum Utang Luar Negeri Indonesia........................59

4.2 Penyusunan Early Warning System..............................................65

4.2.1 Identifikasi Variabel-variabel yang menjadi

Leading, Lagging, dan Coincident Indicator...............66

4.2.2 Penyusunan Composite Coincident,

Leading dan Lagging Debt Index…............................108

4.3 Pembahasan Hasil Penyusunan Early Warning System…….…118

4.3.1 Analisis Hasil Early Warning System Secara Empiris..118

4.3.2 Operasionalisasi dan Pengelolaan

Early Warning System di Indonesia…..........................122

4.3.3 Implikasi Kebijakan Pengelolaan

Utang Luar Negeri Indonesia…....................................126

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan.................................................................................129

5.2 Saran...........................................................................................130

DAFTAR PUSTAKA………………………………………………………….131

LAMPIRAN…………………………………………………………………...134

DAFTAR TABEL

Halaman

2.1 Kelebihan Masing-masing Model Early Warning System...............................17

2.2 Kekurangan Masing-masing Model Early Warning System............................18

2.3 Leading Indicators Krisis Nilai Tukar dan Alasan Ekonomi…………….…..28

2.4 Hasil-hasil Penelitian Terdahulu......................................................................30

2.5 Periode Waktu Pelaksanaan Debt Rescheduling

Atas Pembayaran Utang Luar Negeri Indonesia.............................................37

4.1 Nilai Net Resource Flow Indonesia Periode Tahun 2006-2011......................63

4.2 Kombinasi Terbaik Penyusun

Coincident Debt Index Beserta Bobotnya.......................................................109


Leading Debt Index Beserta Bobotnya..........................................................112

4.4 Perhitungan Selang Waktu Perbedaan

Pergerakan LDI Mendahului CDI………….…………………………...….113


Lagging Debt Index Beserta Bobotnya...........................................................115

4.6 Perhitungan Selang Waktu Perbedaan

Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index ............117

DAFTAR GAMBAR

Halaman

1.1 Besarnya Defisit Anggaran Pendapatan Belanja Negara

Periode 1998 hingga 2009 (dalam miliar rupiah).............................................1

1.2 Proporsi Sumber Pembiayaan Defisit Anggaran

Pendapatan Belanja Negara Periode Tahun 2011..............................................2

1.3 Posisi Surat Berharga Negara (SBN) Domestikyang Dimiliki Bukan

Penduduk (Asing) Periode Tahun 2006 Hingga 2011 (dalam Juta Dollar).......4

1.4 Posisi Utang Luar Negeri Indonesia Pemerintah Per Triwulan Keempat

Periode 1999 Hingga 2010 (dalam juta USD)...................................................5

1.5 Posisi Utang Luar Negeri Indonesia Sektor Swasta

Per Kuartal Keempat Periode 1999 hingga 2010 (dalam juta USD).................6

2.1 Bagan Kerangka Pemikiran..............................................................................39

3.1 Alur Penyusunan Komponen Early Warning System......................................55

4.1 Debt To Export Indonesia Periode Tahun 2006 Hingga 2011……………….60

4.2 Debt Service Ratio Indonesia Periode Tahun 2006 Hingga 2011…………....61

4.3 Pergerakan Coincident Debt Index (CDI)

Seiring Dengan Variabel Debt to GDP..........................................................110

4.4 Pergerakan Leading Debt Index (LDI)

Mendahului Coincident Debt Index (CDI).....................................................112

4.5 Pergerakan Lagging Debt Index Mengikuti Coincident Debt Index..............116

4.6 Perbandingan Pergerakan Coincident Debt Index (CDI)

Dengan Kurs Rupiah Terhadap Dollar...........................................................118

4.7 Skematik Penggunaan Instrumen Leading Debt Index

Dalam Operasionalisasi Early Warning System Krisis Utang.......................123

4.8 Skematik Penggunaan Instrumen Lagging Debt Index

Dalam Operasionalisasi Early Warning System Krisis Utang.......................124

DAFTAR LAMPIRAN

Halaman

1. Variabel yang digunakan dalam penelitian…………………...……….……134

2. Hasil Cross Correlation Test Kandidat Coincident Indicator......................138

3. Hasil Cross Correlation Test Kandidat Leading Indicator..........................141

4. Hasil Cross Correlation Test Kandidat Lagging Indicator..........................144

5. Hasil Pengujian Granger Causality Test Kandidat Coincident Indicator…148

6. Hasil Pengujian Granger Causality Test Kandidat Leading Indicator…….152

7. Hasil Pengujian Granger Causality Test Kandidat Lagging Indicator…….158

8. Perbandingan Grafik Variabel Kandidat Coincident Indicator

Sebelum dan Sesudah Melalui X-12 ARIMA………………….………….162

9. Perhitungan Composite Coincident Debt Index…………………………....164

10. Perbandingan Grafik Variabel Kandidat Leading Indicator


11. Perhitungan Composite Leading Debt Index……………………………....174

12. Perbandingan Grafik Variabel Kandidat Lagging Indicator


13. Perhitungan Composite Lagging Debt Index……………………………....183

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sebagai negara sedang berkembang yang tengah menuju tahap kemapanan

ekonomi, Indonesia membutuhkan anggaran belanja dalam jumlah besar untuk

membiayai berbagai program pembangunan yang direncanakan. Oleh karena itu,

kondisi anggaran pendapatan belanja negara (APBN) selalu mengalami budget

deficit, yakni kondisi dimana jumlah anggaran belanja lebih besar daripada

pendapatannya. Adapun besarnya defisit anggaran yang dialami Indonesia selama

kurun waktu 13 tahun terakhir dapat dilihat pada Gambar 1.1.

Sumber: Bank Indonesia, 2011 diolah

Gambar 1.1. Besarnya Defisit Anggaran Pendapatan Belanja Negara Periode

1998 hingga 2009 (dalam miliar rupiah)

Gambar 1.1 menunjukkan bahwa selama periode tahun 1998 hingga 2011,

besarnya defisit anggaran yang terjadi menunjukkan trend yang terus meningkat.

Pada periode tahun 1999, besarnya defisit anggaran sempat mengalami penurunan

bila dibandingkan dengan tahun 1998, kemudian terus mengalami kenaikan

2

hingga mencapai angka defisit anggaran sebesar 40.485 miliar rupiah pada tahun

2001. Defisit anggaran yang begitu besar di tahun 2001 tersebut merupakan

dampak akibat krisis moneter yang terjadi di tahun 1998. Pada periode tahun 2002

hingga 2008, besarnya defisit anggaran berfluktuasi hingga mencapai angka

tertinggi di tahun 2011. Defisit anggaran pada tahun tersebut mencapai angka

124.656 miliar rupiah.

Besarnya defisit anggaran yang terjadi ditutupi baik dari pembiayaan dalam

negeri maupun luar negeri dengan proporsi tertentu. Adapun besarnya porsi

pembiayaan dalam maupun luar negeri untuk menutupi defisit anggaran yang

terjadi pada tahun 2011 dapat dilihat pada Gambar 1.2 berikut.

Sumber : Bank Indonesia Indonesia, 2011, diolah

Gambar 1.2 Proporsi Sumber Pembiayaan Defisit Anggaran Pendapatan

Belanja Negara Periode Tahun 2011

Gambar 1.2 menunjukkan bahwa untuk menutupi defisit anggaran yang terjadi

selama periode tahun 2005 hingga 2010, pemerintah mengandalkan sumber

pembiayaan yang berasal dari perbankan dalam negeri, privatisasi, penjualan aset

3

program restrukturisasi, dana penerbitan obligasi negara, dan pinjaman luar

negeri.

Dari beberapa sumber pembiayaan yang ada, porsi terbesar untuk menutupi

defisit anggaran yang terjadi berasal dari obligasi negara yakni sebesar 74 persen.

Dana penerbitan obligasi baru digunakan secara efektif dan menjadi instrumen

utama pembiayaan APBN sejak tahun 2005. Hal ini menunjukan betapa

pentingnya dana penerbitan obligasi pemerintah sebagai andalan demi

terlaksananya kebijakan ekspansi fiskal dengan pola deficit budget yang

diterapkan oleh pemerintah Indonesia selama ini.

Proporsi pembiayaan defisit anggaran yang sebagian besar berasal dari dana

penerbitan obligasi pada akhirnya menyebabkan pemerintah memutuskan untuk

meningkatkan penawaran obligasi di pasar sekuritas secara terus menerus. Dana

dari penerbitan obligasi ini kemudian digunakan untuk beberapa hal, di antaranya

adalah refinancing utang lama yang jatuh tempo dan refinancing dilakukan

dengan utang baru yang mempunyai term dan condition yang lebih baik.

Ditinjau dari kepemilikannya, obligasi yang diterbitkan oleh pemerintah dapat

dibedakan menjadi tiga, yakni obligasi yang dimiliki oleh pihak bank, non-bank,

dan asing. Adapun data mengenai posisi kepemilikan asing atas obligasi tersebut

dapat dilihat pada Gambar 1.3.

4

Sumber : Bank Indonesia, 2011, diolah

Gambar 1.3 Posisi Surat Berharga Negara (SBN) Domestik yang Dimiliki

Bukan Penduduk (Asing) Periode Tahun 2006 Hingga 2011

(dalam Juta Dollar)

Gambar 1.3 menunjukkan bahwa kepemilikan asing terhadap SBN menunjukkan

trend yang terus meningkat selama periode Agustus 2004 hingga Agustus 2010.

Hal ini mengindikasikan bahwa ketergantungan pemerintah semakin kuat

terhadap pihak asing dalam hal memperoleh pendanaan yang dibutuhkan untuk

menutupi defisit anggaran yang terjadi. Porsi kepemilikan asing terhadap SBN

yang terus meningkat perlu diwaspadai sebab hal tersebut berdampak pada jumlah

utang luar negeri pemerintah yang semakin besar. Apabila penerbitan SBN dan

kepemilikan asing terhadap SBN tersebut tidak dibatasi, maka kondisi ini akan

memicu semakin besarnya jumlah utang luar negeri pemerintah sehingga tidak

menutup kemungkinan, di masa mendatang, pemerintah akan terjerat krisis utang

yang akan berdampak buruk bagi perekonomian Indonesia secara keseluruhan.

Defisit APBN yang terjadi menuntut adanya sumber pembiayaan untuk

menutupinya, baik yang berasal dari dalam maupun luar negeri. Pembiayaan yang

5

berasal dari luar negeri dapat berupa pinjaman bilateral atau multilateral maupun

SBN yang dimiliki oleh asing. Pembiayaan dari luar negeri yang semakin

meningkat berdampak pula semakin besarnya posisi utang luar negeri pemerintah.

Secara keseluruhan, posisi utang luar negeri pemerintah juga mengindikasikan

adanya potensi krisis utang yang mungkin melanda Indonesia di waktu

mendatang. Hal ini diilustrasikan pada Gambar 1.4.


Gambar 1.4 Posisi Utang Luar Negeri Indonesia Pemerintah Per Triwulan

Keempat Periode 1999 Hingga 2010 (dalam juta USD)

Gambar 1.4 menunjukkan bahwa selama periode tahun 1999 hingga 2010, posisi

utang luar negeri pemerintah menunjukkan trend yang terus meningkat. Hal ini

mengindikasikan bahwa kondisi keuangan pemerintah semakin menunjukkan

ketergantungan yang semakin besar terhadap pembiayaan dari pihak asing, berupa

pinjaman bilateral atau multilateral maupun dari dana hasil penerbitan Surat

Berharga Negara (SBN) yang kemudian dimiliki oleh pihak asing. Kondisi

ketergantungan tersebut dikhawatirkan dapat berdampak buruk pada kesehatan

6

keuangan pemerintah apabila terjadi guncangan (shock) sebagai dampak

ketidakpastian lingkungan perekonomian global yang terjadi saat ini. Jika

ketergantungan yang semakin kuat tersebut terus terjadi dalam periode waktu

yang lama, maka tidak menutup kemungkinan bila di masa yang akan datang

pemerintah akan terjerat krisis utang seperti yang dialami negara-negara Uni

Eropa saat ini.

Utang luar negeri Indonesia selain dimiliki oleh sektor publik, juga dimiliki

oleh sektor swasta. Sektor swasta yang memiliki utang luar negeri ini mencakup

sektor lembaga keuangan (bank dan nonbank) serta sektor bukan lembaga

keuangan. Adapun posisi utang luar sektor swasta dapat dilihat pada Gambar 1.5.

Sumber : Bank Indonesia, 2011,diolah

Gambar 1.5 Posisi Utang Luar Negeri Indonesia Sektor Swasta Per Kuartal

Keempat Periode 1999 hingga 2010 (dalam juta USD)

Gambar 1.5 menunjukkan bahwa posisi utang luar negeri pihak swasta

menunjukkan trend yang terus meningkat selama periode tahun 1999 hingga

2010. Posisi utang luar negeri sektor swasta mencapai nilai tertinggi pada periode

tahun 2011 yakni mencapai 106.114 juta USD. Utang luar negeri tersebut

7

mencakup pinjaman, utang dagang, serta surat utang yang diterbitkan luar negeri

dan dalam negeri yang dimiliki bukan oleh penduduk. Apabila jumlah utang luar

negeri sektor swasta terus meningkat dari waktu ke waktu tanpa diiringi

peningkatan produktivitas sektor riil dalam negeri, maka pada jangka panjang

sektor swasta akan mengalami kesulitan dalam hal pembayaran kembali utang-

utang tersebut yang akan berdampak pada terjadinya guncangan perekonomian.

Secara substansi, utang luar negeri merupakan sumber pembiayaan uang

digunakan untuk menutupi kebutuhan investasi di suatu negara. Kegiatan investasi

sangat penting untuk dilakukan di suatu negara demi menggiatkan perekonomian

sehingga dapat mendorong pertumbuhan ekonomi lebih tinggi. Kegiatan tersebut

membutuhkan dana dalam jumlah yang cukup besar, sehingga di beberapa negara

tertentu sumber pembiayaan dalam negeri yang tersedia, misalnya dari tabungan

domestik, tidak mampu mencukupi kebutuhan dana investasi yang akan

dilakukan. Untuk mencukupi kebutuhan pembiayaan tersebut, maka utang luar

negeri dilakukan. Adanya utang luar negeri ini menimbulkan kewajiban bagi

negara debitur untuk mengembalikan utang tersebut beserta bunganya di masa

mendatang. Oleh karena itu, pembiayaan yang bersumber dari utang luar negeri

ini harus dikelola dengan baik dan dialokasikan untuk kegiatan investasi sektor

riil yang produktif sehingga dapat memberikan rate of return yang tinggi di

kemudian hari. Hal ini penting untuk mendukung kemampuan likuiditas negara

debitur dalam melakukan pembayaran kembali atas jumlah pokok dan bunga dari

utang luar negeri tersebut, sehingga negara debitur akan terhindar dari jeratan

krisis utang seperti yang melanda Uni Eropa saat ini.

8

Penggunaaan utang luar negeri yang dialokasikan untuk kegiatan yang tidak

produktif tanpa pengawasan yang baik dapat menyebabkan terjadinya krisis utang

seperti yang saat ini melanda negara-negara di kawasan Uni Eropa (European

Union/EU). Krisis utang yang berdampak sistemik tersebut diawali dengan

kondisi gagal bayar yang dialami negara Yunani. Hal ini disebabkan karena

ketiadaan pengawasan yang ketat dalam alokasi penggunaan utang luar negeri di

negara tersebut. Defisit APBN Yunani mencapai 13,6 persen dari produk

domestik bruto (PDB). Nilai ini melebihi batas ketentuan yang tercantum dalam

Maastricht Treaty (Undang-Undang Dasar anggota Uni Eropa), yang menyatakan

bahwa negara-negara anggota Uni Eropa harus memiliki defisit APBN maksimum

3 persen dari PDB nya. Defisit APBN yang dialami Yunani tersebut selanjutnya

dibiayai dari dari dana yang bersumber dari penerbitan obligasi oleh pemerintah

sehingga menyebabkan utang luar negeri Yunani terus terakumulasi mencapai 172

persen dari PDB per Juni 2011. Nilai ini melebihi batas ketentuan yang tercantum

dalam Maastricht Treaty yang menyatakan bahwa negara-negara anggota Uni

Eropa harus memiliki total utang luar negeri maksimum 60 persen dari PDB nya

(Quéré, Bénassy dan Boone, 2010).

Dana yang bersumber dari penerbitan obligasi pemerintah sebagian besar

digunakan untuk berbagai program yang sifatnya konsumtif dan pembiayaan

sosial bagi masyarakat Yunani. Dana tersebut tidak digunakan untuk membiayai

kegiatan investasi produktif, sehingga tidak memberikan dampak multiplier effect

yang besar bagi pertumbuhan ekonomi Yunani sehingga tidak memberikan rate of

return bagi pemerintah. Akibatnya, pada saat sebagian besar obligasi pemerintah

9

mengalami jatuh tempo pada periode bulan Mei tahun 2010, pemerintah Yunani

mengalami kesulitan likuiditas sehingga terjadi kondisi gagal bayar yang dialami

negara tersebut. Kondisi krisis utang yang dialami Yunani tersebut memicu

terjadinya krisis perbankan di kawasan Uni Eropa. Hal ini disebabkan karena

sebagian besar pemegang obligasi Yunani adalah bank-bank di negara-negara Uni

Eropa. Dengan demikian, krisis utang Yunani berdampak luas dan sistemik

terhadap perekonomian negara-negara lain di kawasan Uni Eropa. Oleh karena

itu, negara-negara yang tergabung dalam Uni Eropa memutuskan melakukan bail

out dengan menggelontorkan dana sebesar 14.5 miliar Euro dalam rangka

melakukan pembayaran atas obligasi-obligasi pemerintah Yunani yang jatuh

tempo tersebut. Jumlah itu masih akan ditambah dengan komitmen dari IMF dan

tambahan dana talangan dari Uni Eropa untuk membayar utang-utang jatuh tempo

lainnya (Arghyrou dan Tsoukalas, 2010).

Selain Yunani, bank-bank di negara kawasan Uni Eropa juga banyak yang

memegang obligasi-obligasi yang diterbitkan oleh pemerintah negara Irlandia,

Italia, Portugal, dan Spanyol. Meskipun hanya Yunani yang mengalami gagal

bayar dan membutuhkan restrukturisasi untuk pembayaran obligasi-obligasi yang

telah jatuh tempo tersebut, namun kondisi gagal bayar dan restrukturisasi meluas

terjadi pada beberapa negara lainnya. Hal ini memicu terjadinya krisis perbankan

dengan dampak lebih besar. Kondisi ini berakibat buruk pada perekonomian

negara-negara Uni Eropa sehingga secara keseluruhan, kawasan tersebut

mengalami perlambatan pertumbuhan ekonomi sejak tahun 2009 hingga saat ini.

10

Berdasarkan pengalaman yang dialami oleh negara-negara di kawasan Uni

Eropa, maka sumber pembiayaan yang berasal dari utang luar negeri dalam

jumlah yang besar perlu diantisipasi sedini mungkin. Suatu sistem deteksi dini

perlu untuk dibangun agar pemerintah dapat memperkirakan periode waktu

kemungkinan terjadinya krisis utang secara tepat. Hal ini penting bagi pemerintah

sehingga dapat merumuskan dan mengimplementasikan kebijakan-kebijakan yang

bersifat antisipatif. Dengan adanya impelementasi kebijakan-kebijakan ekonomi

secara tepat, maka diharapkan krisis utang dapat diantisipasi dengan baik

sehingga mengurangi kemungkinan dampak sistemik yang terjadi secara meluas

akibat krisis utang tersebut.

Berdasarkan data yang telah ditunjukkan sebelumnya, terlihat bahwa

komposisi utang luar negeri pemerintah dan swasta menunjukkan trend yang terus

meningkat pada tiap periodenya. Hal ini mengakibatkan akumulasi utang luar

negeri Indonesia dalam jumlah yang besar. Kondisi tersebut dapat meningkatkan

eksposur bagi perekonomi Indonesia apabila terjadi guncangan ekonomi yang

dipengaruhi oleh lingkungan eksternal perekonomian global. Guncangan tersebut

dapat mengarahkan perekonomian Indonesia pada kondisi krisis utang luar negeri.

Hal ini disebabkan karena adanya guncangan eksternal dapat meningkatkan

eksposur utang luar negeri. Eksposur utang luar negeri yang berlebihan dapat

memberikan tekanan depresiatif terutama karena faktor sentimen negatif. Utang

luar negeri yang tidak terkendali dan bermasalah secara berkepanjangan (misalnya

harus melalui proses rescheduling berulang-ulang) akan meningkatkan premi

risiko dan biaya pinjaman yang pada akhirnya akan menurunkan credit rating dan

11

memberi tekanan pada nilai tukar. Depresiasi rupiah akan memberikan tekanan

terhadap inflasi melalui pass through effect, sehingga akan mengurangi dampak

positif depresiasi rupiah terhadap transaksi berjalan (current account). Padahal,

peningkatan surplus transaksi berjalan sangat diperlukan untuk menutupi

kewajiban pembayaran utang luar negeri. Dengan demikian, jelas bahwa risiko

yang ditimbulkan akibat ketidakmampuan pembayaran utang luar negeri akan

berimplikasi negatif pada aspek moneter berupa tekanan terhadap nilai tukar dan

mengancam stabilitas makroekonomi secara keseluruhan yang bahkan dapat

menghambat pertumbuhan ekonomi.

Dengan mempertimbangkan berbagai dampak yang dapat terjadi akibat krisis

utang luar negeri, maka perlu adanya suatu sistem deteksi dini yang dapat

menandai kemungkinan terjadinya krisis utang di Indonesia. Terdapat dua fungsi

utama dalam suatu sistem deteksi dini. Pertama adalah mengantisipasi terjadinya

krisis utang luar negeri dan yang kedua adalah mengantisipasi dampak akibat

krisis utang luar negeri. Fungsi pertama berperan sebagai pertimbangan

pemerintah untuk melakukan kebijakan-kebijakan antisipatif agar krisis yang

diprediksi akan terjadi, dapat dihindari. Fungsi kedua adalah jika kemudian krisis

utang luar negeri tidak terhindarkan, maka sistem deteksi dini ini berperan sebagai

dasar pertimbangan merumuskan dan melaksanakan kebijakan penanggulangan

serta antisipasi penyebaran dampak krisis. Dengan demikian, pembangunan

sistem deteksi dini ini menjadi sangat penting sebagai peringatan kemungkinan

terjadinya krisis utang di Indonesia.

12

1.2 Permasalahan

Kondisi APBN Indonesia selalu mengalami defisit sehingga membutuhkan

pembiayaan untuk menutupi defisit tersebut. Sejak tahun 2005, sumber utama

pembiayaan untuk menutupi defisit tersebut berasal dari penerbitan obligasi. Dari

waktu ke waktu, porsi kepemilikan obligasi semakin besar dikuasai oleh pihak

asing. Hal ini secara tidak langsung mengindikasikan bahwa salah satu sumber

pembiayaan APBN utama adalah utang luar negeri. Bila kondisi ini terus

berlangsung dalam jangka waktu yang panjang, maka utang luar negeri

pemerintah akan terakumulasi dalam jumlah yang besar.

Utang luar negeri pihak swasta juga menunjukkan trend yang terus meningkat

dari waktu ke waktu. Peningkatan eksposur juga terjadi seiring dengan semakin

kurangnya pengawasan terhadap alokasi penggunaan utang luar negeri sektor

swasta tersebut. Berbagai kegiatan perekonomian yang digerakkan sektor swasta

sebagian besar didanai dari pembiayaan utang luar negeri. Kondisi tersebut

semakin menguatkan indikasi adanya ketergantungan Indonesia terhadap sumber

pembiayaan dari pihak asing dalam bentuk utang luar negeri. Hal ini akan

menyebabkan perekonomian Indonesia semakin rentan terhadap perubahan

eksternal yang terjadi. Dengan demikian, tidak menutup kemungkinan bila di

masa mendatang Indonesia bisa mengalami krisis utang luar negeri. Oleh karena

itu, sangatlah penting untuk mengembangkan suatu mekanisme deteksi

kemungkinan terjadinya krisis utang di Indonesia. Hal ini dimaksudkan agar

langkah-langkah preventif dan antisipatif dapat segera diimplementasikan untuk

membenahi perekonomian secara keseluruhan supaya terhindar dari krisis utang

yang mungkin melanda Indonesia.

13

Berdasarkan uraian di atas, maka penting artinya bagi Indonesia untuk

memiliki suatu sistem deteksi dini krisis utang di Indonesia. Oleh karena itu,

permasalahan yang akan diteliti adalah :

1. Apa saja indikator-indikator yang dapat menjadi Coincident, Leading dan

Lagging Indicators terjadinya krisis utang luar negeri di Indonesia?

2. Bagaimana rancang bangun dan mekanisme bekerjanya early warning

system krisis utang di Indonesia?

3. Apa saja kebijakan yang diperlukan dalam rangka menghindari dan

menanggulangi terjadinya krisis utang di Indonesia ?

1.3 Tujuan

Adapun tujuan yang hendak dicapai dalam skripsi ini adalah :

1. Untuk menentukan indikator-indikator yang dapat menjadi Coincident,

Leading dan Lagging Indicators terjadinya krisis utang luar negeri di

Indonesia

2. Untuk menentukan rancang bangun dan mekanisme bekerjanya early

warning system krisis utang di Indonesia

3. Untuk mengidentifikasi kebijakan-kebijakan yang diperlukan dalam

rangka menghindari dan menanggulangi terjadinya krisis utang di

Indonesia

14

1.4 Manfaat

Secara khusus, manfaat yang dapat diperoleh melalui skripsi yang membahas

penyusunan sistem deteksi dini krisis utang di Indonesia adalah sebagai berikut :

1. Manfaat bagi penulis, yakni dapat mengembangkan pemahaman dan

kemampuan dalam menganalisis fenomena ekonomi, khususnya dalam hal ini

krisis utang yang mungkin melanda Indonesia pada periode waktu mendatang.

2. Manfaat bagi pengambil kebijakan, yakni dapat dengan segera merancang dan

mengimplementasikan kebijakan ekonomi yang tepat dalam rangka

memperkuat perekonomian dari sisi fiskal. Pemerintah diharapkan secara tepat

dapat menggunakan sistem deteksi dini ini untuk memprediksi kemungkinan

terjadinya krisis utang di masa mendatang. Langkah kebijakan pemerintah

yang tepat waktu dan sasaran sangat penting untuk dilakukan untuk

mengantisipasi krisis utang di Indonesia.

1.5 Ruang Lingkup

Dalam penelitian ini, dilakukan proses seleksi terhadap berbagai macam

variabel ekonomi dalam rangka penyusunan sistem deteksi dini krisis utang di

Indonesia. Variabel ekonomi yang diseleksi mencakup variabel makroekonomi

domestik dan variabel makroekonomi global selama periode bulan Januari 1990

hingga Desember 2011.

15

BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Konsep dan Teori

Penelitian ini dilakukan untuk mengembangkan sistem deteksi dini

kemungkinan terjadinya krisis utang di Indonesia pada waktu mendatang dengan

didasarkan pada berbagai teori dan konsep ekonomi yang berkaitan satu sama

lain. Teori dan konsep yang mendasari penelitian ini sangat terkait dengan

variabel utang pemerintah dan variabel-variabel makroekonomi lainnya yang

berkaitan satu dengan lainnya. Pemahaman terhadap berbagai konsep dan teori

terkait dengan utang pemerintah merupakan hal yang penting karena menjadi

dasar dalam penetapan masalah yang dibahas dalam penelitian. Selain itu,

penggunaan konsep dan teori yang tepat juga sangat berperan dalam upaya

memperoleh validitas dan reabilitas data yang tinggi dalam penelitian yang

dilakukan. Adapun teori dan konsep ekonomi terkait dengan utang luar negeri

yang digunakan dalam penelitian ini diuraikan pada sub bab selanjutnya berikut

ini.

2.1.1 Teori Siklus Bisnis

Teori Siklus Bisnis menyatakan bahwa fluktuasi dalam perekonomian dapat

terjadi akibat adanya guncangan pada salah satu variabel makroekonomi tertentu.

Misalnya saja bila terjadi guncangan terhadap kemampuan dalam memproduksi

barang dan jasa, maka hal tersebut dapat mengubah tingkat output dan

kesempatan kerja alamiah. Guncangan ini tidak diinginkan, namun tidak dapat

16

dihindari. Begitu guncangan terjadi, GDP, kesempatan kerja, dan variabel-

variabel makroekonomi lain akan berfluktuasi.

Guncangan yang terjadi pada suatu variabel makroekonomi tertentu berdampak

pula pada terjadinya perubahan dalam defisit anggaran pemerintah. Hal tersebut

terjadi secara otomatis untuk menanggapi perekonomian yang berfluktuasi.

Sebagai ilustrasi, ketika perekonomian mengalami resesi, pendapatan akan turun,

sehingga kemampuan seseorang untuk membayar pajak menjadi berkurang.

Tingkat laba yang diperoleh juga menurun, sehingga perusahaan membayar lebih

sedikit pajak pendapatan. Kondisi resesi ini juga berdampak pada semakin

meningkatnya jumlah masyarakat yang bergantung pada bantuan pemerintah,

sehingga pengeluaran pemerintah juga mengalami peningkatan secara signifikan.

2.1.2 Model Early Warning System (EWS)

Model Early Warning System (EWS) merupakan suatu model yang digunakan

untuk mengantisipasi apakah dan kapan suatu negara dipengaruhi oleh krisis dan

ketidakstabilan ekonomi. Model ini dibangun terkait dengan siklus perekonomian

khususnya pada saat krisis keuangan yang terjadi seperti di Eropa (1992-1993),

Turki (1994), Amerika Latin (1994-1995) dan Asia (1997-1998). EWS pada

siklus perekonomian sangat penting bagi pemerintah serta sektor riil dalam

kerangka perencanaan dan formulasi kebijakan serta pengambilan keputusan.

Menurut Nasution (2007), pendekatan metode untuk model EWS dapat

dikelompokkan menjadi dua, yaitu :

1. Macroeconometric model dan time series analysis

17

2. Business cycle analysis

Kedua pendekatan tersebut memiliki kelebihan dan kekurangan, di antaranya

dapat dilihat pada tabel berikut.

Tabel 2.1. Kelebihan Masing-Masing Model Early Warning System

Sumber : InterCafe (2007)

Macroeconometric Model &Time Series

Model

Business cycle analysis (Composite

Leading & Coincident Indicators)

Pembentukan model didasarkan pada teori

ekonomi dan diestimasi berdasarkan

prinsip-prinsip ekonometrika

Data tersedia lebih cepat (timeliness)

dan high frequency (monthly basis).

Berdasarkan model dapat dilakukan

simulasi dengan berbagai skenario

Tidak ada hubungan fungsional

antara leading dengan coincident

index maupun reference series,

sehingga tidak diperlukan proyeksi

atau pengasumsian nilai variable

bebas.

Model dapat menjelaskan hubungan antar

variabel secara kuantitatif

Leading index dapat memberikan

deteksi dini (early warning system)

tentang arah pergerakan

perekonomian secara gregat baik

level maupun laju pertumbuhannya.

Dengan kata lain, metode ini dapat

memberikn signal tentang

kemungkinan terjadinya turning-

point dalam beberapa periode

mendatang.

18

Tabel 2.2. Kekurangan Masing-Masing Model Early Warning System

Macroeconometric Model &Time Series

Model

Business cycle analysis (Composite

Leading & Coincident Indicators)

Pembentukan model dengan frekuensi tinggi

seringkali sulit karena keterbatasan data

Komponen pembentuk indeks dipilih

berdasarkan judgment, studi literatur

serta statistical test. Sehingga,

beberapa ahli mengatakan metode ini

atheoritical.

Untuk membuat proyeksi nilai-nilai variabel

eksogen harus terlebih dahulu

diprediksi/diasumsikan. Kesalahan dalam

prediksi ini akan terbawa secara kumulatif

dalam proyeksi nilai variabel endogen.

Tidak dapat digunakan untuk mebuat

simulasi dengan berbagai skenario

serta tidak dapat menunjukkan

variabel ekonomi dalam bentuk

persamaan matematika.

Sumber : InterCafe (2007)

2.1.3 Definisi Business Cycle

Burns dan W. Mitchel dalam bukunya Business Cycle Analysis yang terbit

tahun 1946 berpendapat bahwa business cycle terjadi pada orientasi pasar

ekonomi dan terlibat sepanjang waktu, tapi tidak berakibat secara berkala dari

ekspansi dan kontraksi dalam sebagian besar kegiatan ekonomi. Business cyle

adalah suatu jenis fluktuasi ekonomi yang terjadi pada suatu kegiatan ekonomi

agregat di suatu negara. Suatu siklus terdiri dari ekspansi yang terjadi pada waktu

bersamaan dalam berbagai kegiatan ekonomi, demikian pula resesi dan kontraksi

yang muncul ke dalam fase ekspansi pada siklus selanjutnya. Perubahan urutan ini

terjadi secara berulang tetapi tidak pada waktu-waktu tertentu. Durasi dari suatu

siklus bisnis bisa bervariasi, mulai lebih dari satu tahun hingga sepuluh atau dua

belas tahun. Siklus bisnis ini tidak bisa dibagi ke dalam siklus-siklus dengan

karakter serupa yang lebih pendek (Zhang dan Zhuang, 2002).

19

Menurut National Bureau of Economic Research (NBER), siklus bisnis

mengacu pada kegiatan ekonomi secara agregat yang titik utamanya yaitu

menyatukan pergerakan dari banyak variabel ekonomi atau proses pada banyak

siklusnya tersebut. Beberapa ada yang menjadi lead dan ada yang menjadi lag.

Mereka cenderung untuk selalu bergerak bersama sehingga tidak bisa dihilangkan

menjadi single aggregate.

2.1.4 Tahapan Business Cycle

Definisi klasik business cycle oleh NBER memiliki dua fase, yaitu ekspansi

dan kontraksi. Berakhirnya ekspansi dan dimulainya kontraksi dalam titik puncak

(peak) sebagai waktu yang menandai tingkat yang tertinggi (kulminasi) dari

penurunan secara umum kegiatan perekonomian. Berakhirnya kontraksi dan

dimulainya ekspansi dalam titik trough (lembah) sebagai waktu yang menandai

tingkat tertinggi dari peningkatannya. Dalam siklus perekonomian, terdapat empat

tahapan business cycle, yaitu :

1. Masa depresi (depression), yaitu suatu periode penurunan permintaan agregat

yang cepat dan diiringi rendahnya tingkat output dan pengangguran yang

tinggi secara bertahap mencapai dasar yang paling rendah

2. Masa pemulihan (recovery), yaitu peningkatan permintaan agregat yang

diiringi peningkatan output dan penurunan tingkat pengangguran

3. Masa kemakmuran (prosperity), yaitu permintaan agregat yang mencapai dan

kemudian melewati taraf output yang terus menerus (PDB Potensial) pada saat

puncak siklus telah dicapai, dimana tingkat pengangguran tenaga kerja penuh

20

dicapai dan adanya kelebihan permintaan mengakibatkan naiknya tingkat

harga-harga umum (inflasi)

4. Masa resesi (recession), yaitu suatu masa dimana permintaan agregat menurun

yang mengakibatkan penurunan kecil dari output dan tenaga kerja, seperti

yang terjadi pada tahap awal.Seiring dengan hal ini, maka akan muncul masa

depresi.

2.1.5 Business Cycle Indicators

Business Cycle Indicators (BCI) merupakan salah satu bentuk indikator yang

biasa digunakan untuk meramalkan keadaan ekonomi di masa depan atau trend

ekonomi. Indikator ekonomi mempunyai dampak besar terhadap pasar, bagaimana

mengetahui, menginterpretasi dan menganalisis indikator tersebut merupakan hal

yang sangat penting bagi para pelaku ekonomi.

Setiap indikator harus memenuhi beberapa aturan kriteria, dimana ada tiga

kategori timing indicator yang diklasifikasikan menurut tipe peramalan yang

dihasilkannya, yaitu coincident, leading, dan lagging. Variabel-variabel ekonomi

yang termasuk dalam setiap jenis indikator bisa berbeda-beda untuk tiap negara,

baik negara maju maupun negara berkembang. Hal ini dikarenakan perbedaan

sistem dan kondisi ekonomi yang dianut suatu negara, respon dari setiap

kebijakan yang dikeluarkan pemerintah di masing-masing negara, dan lain

sebagainya.

21

Coincident, Leading dan Lagging Indicators yang dihasilkan dari pendekatan

business cycle memiliki fungsi dan karakteristik masing-masing. Adapun

penjelasan mengenai ketiga indikator tersebut dapat diuraikan sebagai berikut :

1. Coincident Indicators

Coincident Indicators memiliki ketepatan waktu dengan variabel reference

yang menunjukkan business cycle-nya. Bila dilihat dari pergerakan siklusnya,

Coincident Indicators bergerak seiring dengan variabel reference. Keduanya

secara grafis bergerak bersamaan, bila siklus variabel reference berada di titik

puncak, maka siklus dari Coincident Indicators berada di titik puncak pula, begitu

juga sebaliknya.

2. Leading Indicators

Time series yang dipilih cenderung bergerak lebih dulu dari variabel reference

dan Leading Indicators-nya juga mencapai perputaran pergantian poin terlebih

dahulu terhadap posisi business cycle (puncak dan lembah). Oleh karena itu,

Leading Indicators ini cikal bakal dari early warning system.

Series-nya lebih sensitif dan volatile daripada Coincident Indicators, serta

banyak dari mereka yang memiliki trend yang sangat lemah. Leading Indicators

jarang kehilangan banyak resesi tapi indikator tersebur memiliki lebih banyak

fluktuasi daripada Coincident Indicators.

3. Lagging Indicators

Lagging Indicators menguatkan pergerakan dari Coincident dan Leading

Indicators. Indikator ini dapat memeratakan dari kedua indikator lainnya. Bila

dilihat dari siklus pergerakannya, Lagging Indicators bergerak mengikuti variabel

22

reference. Oleh karena itu, Lagging Indicators kurang berpengaruh dalam

pembagunan early warning system. Hal ini disebabkan karena pergerakan

indikator ini hanya memprediksi dampak penyebaran akibat terjadinya suatu

fenoma ekonomi yang menjadi fokus penelitian.

Coincident, Leading dan Lagging Indicators merupakan instrumen yang

penting dalam pembangunan suatu early warning system. Dalam upaya

mendapatkan kemungkinan sinyal-sinyal yang benar dan lebih kuat dalam

mengurangi kesalahan, maka perlu disusun suatu indeks gabungan. Composite

Index lebih baik daripada Individual Index, karena dalam business cycle tidak ada

pembuktian dari rantai tunggal dalam menjawab permasalahan yang terjadi , yaitu

gejala-gejala resesi atau ekspansi. Dengan adanya Composite Index, maka

kemampuan prediksi potensial dalam Leading Indicators akan semakin optimal.

2.1.6 Leading Economic Indicators dan Peramalan Aktivitas Ekonomi

Penyusunan Leading Economic Indicators (LEI) pertama kali dirintis pada

tahun 1920-an oleh Badan Statistik Amerika, yang dikenal dengan Bureau of

Economic Research (NBER). Pada saat itu, ilmu ekonometrika masih belum

berkembang, sehingga metode penyusunan LEI pun lebih bersifat analisis

deskriptif. Selain itu, karena keterbatasan dalam penyusunannya, LEI hanya

disajikan dalam bentuk tabel angka-angka statistik. Pada masa itu, terdapat LEI

saja dan belum memiliki composite index.

Pada perkembangan selanjutnya, LEI mengalami kemajuan yang begitu pesat

dalam berbagai penelitian yang dilakukan. Indikator ini mulai dikaitkan dengan

23

berbagai teori ekonomi yang relevan untuk menyusun suatu EWS yang lebih

akurat. Salah satu teori ekonomi yang kini mulai banyak dikaitkan dengan LEI

untuk keperluan pembangunan EWS adalah teori siklus bisnis (business cycle).

Pembentukan LEI dengan pendekatan siklus bisnis mulai banyak

dikembangkan didasarkan atas perhatian pada shock yang banyak terjadi berasal

dari faktor internal maupun eksternal. Shock tersebut menyebabkan terjadinya

fluktuasi (volatilitas) dalam perekonomian. Dalam jangka panjang, fluktuasi

tersebut akan mengakibatkan naik atau turunnya aktivitas perekonomian. Perilaku

naik turunnya (rebounds dan declines, atau recoveries dan recessions)

perekonomian seringkali berulang pada masa-masa sesudahnya dan membentuk

suatu siklus. Karena sifatnya yang terus berulang, maka adanya deteksi dini atau

peramalan siklus perekonomian menjadi sangat penting, baik bagi pemerintah

mapupun dunia usaha dalam rangka perencanaan dan formulasi kebijakan di

bidang ekonomi serta pengambilan keputusan bisnis.

Dalam analisis business cycle, dikenal tiga indikator komposit, yaitu Leading,

Coincident, dan Lagging Indicators. Selain ketiga indikator komposit tersebut,

dalam analisis business cycle terdapat pula reference series yang merupakan

variabel untuk menggambarkan kondisi perekonomian secara keseluruhan seperti

Debt to GDP, PDB, inflasi, nilai tukar, saham, indeks produksi industri, dan

sebagainya. Coincident Indicators merupakan variabel yang menggambarkan

kondisi perekonomian saat ini dan bergerak seiring dengan reference series.

Leading Indicators merupakan variabel yang menggambarkan keadaan ekonomi

dalam beberapa bulan ke depan dan bergerak mendahului coincident indicators

24

maupun reference series. Lagging Indicators adalah variabel yang mengikuti (lag)

pergerakan Coincident maupun Leading Indicators. Dari ketiga indikator tersebut,

Leading Indicators mendapatkan perhatian khusus karena fungsinya yang mampu

memberikan deteksi dini (early warning system) tentang arah pergerakan

perekonomian secara keseluruhan.

Sejak awal perkembangannya, analisis business cycle ini terutama

penyusunan Leading Indicators sangat populer dalam mendeteksi siklus

perekonomian. Penyusunan Leading Indicators memerlukan data dengan

frekuensi yang tinggi, umumnya berupa data bulanan dengan frekuensi dan time

series yang panjang. Oleh karena itu, penggunaannya masih sangat terbatas untuk

penelitian yang dilakukan di negara berkembang. Hal ini disebabkan karena

ketersediaan data di negara berkembang pada umumnya masih belum

terdokumentasi dengan baik.

2.2 Penelitian Terdahulu

Terdapat begitu banyak penelitian yang dilakukan dari waktu ke waktu

untuk memberikan penilaian terhadap suatu negara mengenai kemungkinan

terjadinya krisis utang. Lembaga pemeringkat utang internasional menilai

kemungkinan terjadinya krisis utang di suatu negara tertentu melalui

kemampuannya dalam membayar kembali obligasi. Namun, dalam studi-studi

selanjutnya, penilaian terhadap kemungkinan terjadinya krisis utang di suatu

negara dapat dikaitkan dengan GDP per kapita, inflasi, utang eksternal,

25

pembangunan ekonomi dan sejarah negara tersebut (Cantor& Packer, 1996; Lee,

1993).

Pada penelitian lebih lanjut, mulai dikembangkan early warning system

(EWS) yang bertujuan untuk menghasilkan suatu sinyal yang dapat mendeteksi

kesulitan pembayaran kembali utang suatu negara (debt repayment). Hampir

semua literatur studi menyatakan bahwa EWS yang dibentuk pada suatu

penelitian tertentu dapat digunakan untuk mendeteksi krisis utang pada suatu

negara dalam jangka waktu satu tahun sebelumnya. Waktu yang lebih panjang

memang berdampak pada lebih sedikit kegagalan, karena semakin panjang waktu

signaling, semakin panjang pula waktu untuk mengambil langkah-langkah

antisipatif untuk menghindari terjadinya krisis utang (Berg & Pattillo 1999;

Kamin, 1999; Kumar et al., 2003).

Bussière and Fratzscher (2002) menunjukkan metode penentuan panjang

waktu yang optimal dalam sinyal peringatan dini. Dalam upaya untuk menaksir

kecukupan dari suatu EWS, kemungkinan prakiraan biasanya ditransformasikan

ke dalam peramalan dan dibandingkan denan indikator EWS yit. Untuk tujuan

tersebut, pembuat keputusan harus menggunakan suatu cut-off atau probabilitas

threshold λ yang konsisten dengan besarnya kehilangan fungsi yang terjadi.

A.-M. Fuertes, E. Kalotychou (2007) berupaya menyusun suatu model EWS

yang optimal dalam upaya mendeteksi kemungkinan terjadinya krisis utang di

negara-negara OECD dengan cara mengeksplorasi hubungan antara EWS dengan

fungsi objektif pembuat keputusan. Dengan demikian, penelitian yang dilakukan

tersebut memiliki dua komponen utama. Pertama, adanya unsur preferensi

26

pembuat keputusan (dirumuskan dalam bentuk loss function dan risk-aversion

parameter) yang digabungkan ke dalam pengujian optimal dari classifier dan

penilaian dari peramalan sampel. Kedua, penelitian ini berupaya menginvestigasi

kombinasi peramalan yang dilakukan. Adapun pendekatan yang dilakukan adalah

logit M dan logit R, K-Clustering, serta pendekatan ketiga menggunakan

kombinasi keduanya (menginvestigasi tentang forecast combining). Pokok

permasalahan pada fungsi objektif dan kombinasi peramalan masih kurang

dibahas dalam berbagai literatur, sehingga penelitian ini lebih menekankan pada

kedua hal tersebut.

Adapun hasil penelitian ini menunjukkan bahwa preferensi pembuat

keputusan mempengaruhi pemilihan dari metodologi peramalan dan pengujian

optimalnya. LOGIT-M menunjukkan non-parametric (clustering) dan judgmental

(LOGIT-R) classifier dengan menghasilkan false alarms yang lebih sedikit. Lebih

lanjut, ditemukan bahwa dua classifier menguasai LOGIT-M dalam kehilangan

kegagalan yang lebih sedikit.

Untuk keperluan pembentukan early warning system yang akurat, maka dalam

penelitian ini dilakukan pemilihan variabel-variabel yang dianggap sesuai.

Pemilihan variabel-variabel tersebut didasarkan pada pendekatan LOGIT-M dan

K-clustering sehingga diperoleh sepuluh variabel terpilih. Adapun variabel yang

terpilih tersebut adalah sebagai berikut.

1. volatilitas pertumbuhan ekspor dan rasio neraca perdagangan terhadap GDP

(menjadi sinyal bagi aktivitas ekonomi eksternal);

27

2. rasio total utang luar negeri terhadap GDP, rasio official debt terhadap total

debt, dan rasio kredit IMF terhadap ekspor (menjadi sinyal bagi aktivitas

external credit exposure)

3. credit to private sector/GDP, pertumbuhan GDP, volatilitas pertumbuhan

GDP, dan nilai tukar riil (menjadi sinyal untuk menggambarkan kondisi

domestik)

4. trade/GDP (menjadi sinyal mata rantai perekonomian global)

Goldstein, Kaminsky, dan Reinhart (2000) juga telah mengupayakan

pembentukan suatu early warning system dengan pendekatan leading indicators.

Adapun perbedaannya dengan penelitian ini adalah bahwa penelitian tersebut

dilakukan untuk membangun alat deteksi dini kemungkinan terjadinya krisis nilai

tukar. Dalam penelitian tersebut, telah ditetapkan beberapa leading indicator baku

yang digunakan sebagai acuan utama dalam pembuatan model EWS sebagaimana

terlihat pada Tabel 2.3.

28

Tabel 2.3 Leading Indicators Krisis Nilai Tukar dan Alasan Ekonomi

Leading Indicators Alasan Ekonomi

NERACA PERDAGANGAN

Keseimbangan neraca perdagangan /

Investasi lokal kotor

-Ekspor

-Impor

Nilai tukar efektif riil

Nilai tukar terhadap US Dollar

Keseimbangan Neraca Perdagangan/

Pendapatan Regional Bruto

Ekspor yang melemah dan

pertumbuhan impor yang berlebihan

dan nilai tukar yang terlampau kuat

dapat memperburuk neraca

perdagangan, dan dalam sejarah sangat

berkaitan dengan terjadinya krisis

keuangan dibanyak negara. Kelemahan

eksternal dan nilai tukar yang

terlampau kuat dapat juga

menyebabkan kerawanan sektor

perbankan seperti kehilangan daya

kompetisi di pasar eksternal yang dapat

menimbulkan krisis keuangan,

kegagalan bisnis, dan penurunan

kualitas pinjaman. Akhirnya, krisis

perbankan dapat menyebabkan krisis

keuangan.

NERACA KEUANGAN

Simpanan di BIS/cadangan devisa

Perbedaan tingkat suku bunga di dalam

negeri dengan Amerika

Kewajiban asing atau harta pihak asing

di sektor perbankan

Cadangan Devisa

-M2/cadangan devisa

-Aliran modal jangka pendek/GDP

-Hutang luar negeri jangka

pendek/cadangan devisa

Dengan terjadinya globalisasi dan

integrasi sektor keuangan, masalah

neraca keuangan dapat membuat suatu

negara menjadi mudah terkena

guncangan. Perwujudan masalah

neraca keuangan dapat berupa

penurunan cadangan devisa, hutang

luar negeri jangka pendek yang

berlebihan, jatuh tempo pinjaman dan

keridakseimbangan nilai tukar, pelarian

modal ke luar negeri

SEKTOR KEUANGAN

-Deposito/M2

-Kredit dalam negeri/GDP

-Perbedaan tingkat suku bunga

deposito

-Pinjaman/deposito

-M1/PDB

-Pengganda M2

-Deposito di bank-bank komersial

-Tingkat suku bunga domestik

Krisis keuangan dan perbankan

berkaitan erat dengan terjadinya

pertumbuhan kredit yang sangat cepat

terkait dengan kebijakan ekspansi

moneter di banyak negara, sementara

terjadinya penyusutan deposito

perbankan, tingginya tingkat suku

bunga dalam negeri, dan besarnya

tingkat suku bunga deposito sering

merupakan suatu gambaran terjadinya

kesulitan dan masalah di sektor

perbankan

SEKTOR RIIL

-Indeks Harga Konsumen

-Indeks Pembangunan Industri

Terjadinya resesi dan kenaikan harga

yang drastis sering mendahului

terjadinya krisis perbankan dan krisis

29

-Indeks Harga Saham Gabungan keuangan.

SEKTOR FISKAL

-Kredit BI kepada sektor pemerintahan

-APBN terhadap PDB

-Pengeluaran pemerintah/GDP

-Kredit bersih ke sektor publik/GDP

Terjadinya defisit yang besar pada

APBN, dapat memicu memburuknya

posisi neraca keuangan yang akhirnya

dapat menekan nilai tukar.

EKONOMI GLOBAL

-Harga minyak dunia

-Nilai tukar riil antara US Dollar $

dengan Yen Jepang

-Tigkat suku bunga federal

-Pertumbuhan ekonomi Amerika

Krisis ekonomi yang terjadi di luar

negeri dapat menyebar pada

perekonomian dalam negeri. Tingginya

harga minyak dunia merupakan suatu

pertanda bahaya bagi neraca keuangan

dan dapat menyebabkan terjadinya

krisis di dalam negeri. Tingginya

tingkat suku bunga dunia sering

menjadi penyebab terjadinya pelarian

modal ke luar negeri. Untuk beberapa

negara Asia Timur, terjadinya

penurunan nilai tukar Yen Jepang

terhadap Dollar Amerika dapat

menyebabkan nilai tukar mata uang

domestik terhadap Dollar Amerika juga

tertekan.

Sumber : Juzhong Zhuang.

BIS= Bank International Settlement M1=Narrow Money

M2=Broad Mone CPI=Consumer Price Index

GDI=Gross Domestic Investment GDP=Gross Domestic Product

Berbagai penelitian juga telah banyak dilakukan untuk menganalisis

indikator-indikator variabel makroekonomi yang mungkin dapat menjadi sinyal

kemungkinan terjadinya krisis finansial. Dalam berbagai penelitian tersebut,

pengukuran kemungkinan terjadinya krisis finansial didasarkan pada analisis

terhadap krisis nilai tukar, krisis perbankan, dan krisis utang. Adapun hasil dari

penelitian tersebut disajikan pada dalam Tabel 2.4.

30

Tabel 2.4 Hasil-hasil Penelitian Terdahulu

Indikator Interpretasi CC BC DC Referensi

External

Sector

(Current

Account)

Nilai tukar riil Ukuran untuk perubahan daya

saing internasional dan proksi

untuk lebih dari (bawah)

penilaian.Nilai tukar riil yang

overvalued adalah diduga dapat

memperbesar probabilitas

terjadinya krisis financial.

+ + Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Kamin

et al. (2001);

Edison

(2003);

Dermirgüç-

Kunt and

Detragiache

(2000);

Eichengreen

and Arteta (2000)

Pertumbuhan

ekspor

Indikator yang menunjukkan

terjadinya kehilangan daya saing

pada pasar dunia internasional

market. pasar. Penurunan

pertumbuhan ekspor dapat

disebabkan oleh terlalu tinggi

mata uang domestik dan

karenanya indicator ini menjadi

proxy untuk terjadinya mata uang

yang overvalue. Di sisi lain, jika

pertumbuhan ekspor melambat

karena alasan yang tidak terkait

untuk nilai tukar, ini dapat

menyebabkan tekanan devaluasi.

- - Kaminsky et al.

(1998); Berg and

Pattillo (1999);

Edison

(2003); Marchesi

(2003)

Pertumbuhan

Impor

Lemahnya sektor eksternal adalah

bagian dari krisis mata uang.

Besar pertumbuhan impor dapat

mengakibatkan memburuknya

transaksi berjalan sudah sering

berhubungan dengan krisis mata

uang

+ Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

31

Terms of

Trade

Peningkatan dalam Terms of

Trade (ToT) harus memperkuat

posisi dari neraca pembayaran

suatu negara dan karenanya

menurunkan probabilitas krisis.

Kemunduran dari ToT

dapat mendahului terjadinya

krisis mata uang.

- - - Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Kamin

et al. (2001);

Dermirg

üç-Kunt and

Detragiache

(2000);

Lanoie and

Lemarbre

(1996)

Rasio Current

Account

terhadap GDP

Kenaikan rasio ini umumnya

dikaitkan dengan aliran modal

masuk secara besar-besaran yang

diintermediasi oleh sistem

finansial domestik dan dapat

memfasilitasi harga asset dan

credit boom. Peningkatan surplus

pada current diperkirakan akan

menunjukkan kemampuan untuk

mendevaluasi dan dengan

demikian untuk menurunkan

kemungkinan krisis.

- - - Berg and Pattillo

(1999); Kamin et

al.

(2001);

Eichengreen

and Arteta (2000);

Lanoie and

Lemarbre

(1996); Marchesi

(2003)

External

Sector

(Capital

Account)

Rasio M2

terhadap

cadangan

devisa

Menangkap sejauh mana

kewajiban sistem perbankan

didukung oleh cadangan devisa.

Dalam hal krisis mata uang, tiap

individu mungkin terburu-buru

untuk mengkonversi deposito

mereka dari mata uang domestik

ke mata uang asing, sehingga

rasio ini menangkap kemampuan

pusat bank untuk memenuhi

tuntutan mereka.

+

+

Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Kamin

et al. (2001);

Edison

(2003);

Dermirgüç-

Kunt and

Detragiache

(2000);

Eichengreen and

Arteta (2000)

32

Pertumbuhan

Cadangan

Devisa

Penurunan cadangan devisa

merupakan indikator yang handal

sebuah mata uang

di bawah tekanan devaluasi.

Penurunan cadangan belum tentu

diikuti oleh devaluasi, bank

sentral mungkin bisa berhasil

dalam mempertahankan-

pasak, menghabiskan jumlah

besar cadangan dalam proses.

Pada sisi lain, runtuh mata uang

yang paling didahului oleh

periode meningkatkan upaya-

upaya untuk mempertahankan

nilai tukar, yang ditandai dengan

penurunan cadangan devisa. Total

nilai cadangan devisa juga

digunakan sebagai indikator

kesulitan keuangan negara

berurusan dengan

pembayaran kembali utang

- - Kaminsky et al.

(1998); Berg and

Pattillo (1999);

Edison

(2003); Marchesi

(2003)

Financial

Sector

Pertumbuhan

M1 dan M2

Indikator-indikator ini merupakan

ukuran likuiditas. Tingginya

tingkat pertumbuhan ini mungkin

menunjukkan kelebihan likuiditas

yang mungkin menjadi alasan

untuk melakukan serangan

spekulatif terhadap mata uang

sehingga mengarah ke krisis mata

uang.

+ Kamin et al. (2001)

M2 money

multiplier

Sebuah indikator yang terkait

dengan liberalisasi finansial.

Peningkatan yang besar pada

money multiplier dapat dijelaskan

oleh adanya penurunan besarnya

persyaratan cadangan.

+ Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

33

Rasio utang

domestik

terhadap GDP

Pertumbuhan kredit domestik

yang sangat tinggi dapat

berfungsi sebagai indikator kasar

dari kerapuhan sistem perbankan.

Rasio ini biasanya terbit di

tahap awal krisis perbankan. Ini

mungkin bahwa krisis

terungkap, bank sentral dapat

menyuntik uang ke bank untuk

memperbaiki situasi keuangan

mereka.

+ + Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003);

Dermirgüç-

Kunt and

Detragiache

(2000);

Eichengreen

and Arteta (2000)

Excess real

M1

Balance

Kebijakan moneter yang longgar

dapat menyebabkan krisis mata

uang.

+ Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

Tingkat bunga

riil dalam

negeri

(domestik)

Tingkat bunga riil dapat dianggap

sebagai proksi dari liberalisasi

keuangan

di mana proses liberalisasi itu

sendiri cenderung mengarah pada

tingginya

tingkat bunga riil domestik.

Tingginya suku bunga

menandakan bahwa likuiditas

ditingkatkan untuk

mengantisipasi terjadinya

serangan spekulatif.

+ + Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003);

Dermirgüç-

Kunt and

Detragiache

(2000)

Lending and

deposit

rate spread

Kenaikan indikator ini atas

beberapa tingkat ambang

mungkin mencerminkan

penurunan risiko kredit

+

Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

Simpanan

Bank

Komersial

Penurunan dalam hal kualitas

kredit

Bank domestik melakukan

tindakan pengambilan uang

simpanannya secara bersama-

sama dan pelarian modal terjadi

sebagai awal terjadinya krisis

- Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

34

Rasio

Cadangan

Bank terhadap

Aset Bank

Guncangan makroekonomi yang

merugikan kemungkinan besar

sedikit mengarah pada terjadinya

krisis di negara dimana system

perbankan nya bersifat likuid.

- Dermirgüç-Kunt

and

Detragiache (1997)

Domestic real

and public

sector

Rasio

Keseimbangan

Fiskal

Terhadap GDP

Defisit yang lebih tinggi

diprediksi dapat meningkatkan

probabilitas krisis, karena

terjadinya defisit meningkatkan

kerentanan terhadap guncangan

dan kepercayaan investor

+ Dermirgüç-Kunt

and

Detragiache

(2000);

Eichengreen and

Arteta (2000)

Rasio Utang

Publik

Terhadap GDP

Tingginya utang diprediksi dapat

meningkatkan kerentanan

terhadap pembalikan

dalam arus masuk modal dan

maka untuk meningkatkan

kemungkinan krisis.

+ + + Kamin et al.,

(2001);

Lanoie and

Lemarbre

(1996);

Eichengreen

and Arteta (2000)

Pertumbuhan

Produksi

Industri

Resesi sering mendahului

terjadinya krisis keuangan

- Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

Perubahan

Dalam Harga

Saham

Ledakan harga aset yang

gelembung sering mendahului

krisis keuangan.

- Kaminsky et al.

(1998); Berg and

Pattillo

(1999); Edison

(2003)

Tingkat Inflasi Tingkat inflasi mungkin terkait

dengan tingkat bunga nominal

yang tinggi

dan mungkin menjadi sautu

proksi terhadap terjadinya

kesalahahan penanganan ekonomi

sehingga berpengaruh negative

terhadap ekonomi dan sistem

perbankan

+ + Dermirgüç-Kunt

and

Detragiache

(1997);

Lanoie and

Lemarbre

(1996); Marchesi

(2003)

35

GDP Per

Kapita

Negara berpendapatan tinggi

kemungkinannya kecil untuk

melakukan penjadwalan ulang

utang mereka dibandingkan

dengan negara-negara miskin

karena biaya penjadwalan ulang

akan cenderung lebih berat bagi

ekonomi yang lebih maju.

Kemerosotan kegiatan ekonomi

domestik diprediksi dapat

meningkatkan kemungkinan

terjadinya krisis perbankan.

- - Dermirgüç-Kunt

and

Detragiache

(1997);

Eichengreen and

Arteta (2000);

Lanoie

and Lemarbre

(1996);

Marchesi (2003)

Pertumbuhan

Tabungan

Nasional

Tabungan nasional yang tinggi

diprediksi dapat menurunkan

kemungkinan dilakukannya

penjadwalan hutang

- Lanoie and

Lemarbre

(1996)

Global

Economy

Pertumbuhan

Harga Minyak

Dunia

Harga minyak yang tinggi terkait

dengan terjadinya resesi

+ Edison (2003)

Tingkat Bunga

Amerika

Serikat

Peningkatan suku bunga

Internasional sering dikaitkan

dengan terjadinya aliran modal

keluar

+ + Edison (2003);

Kamin

et al. (2001);

Eichengreen

and Arteta

(2000)

Pertumbuhan

PDB OECD

Pertumbuhan output yang lebih

tinggi asing harus memperkuat

ekspor dan dengan demikian

mengurangi kemungkinan krisis.

- - Edison (2003);

Kamin

et al. (2001);

Eichengreen

and Arteta

(2000) Catatan: CC, BC dan DC merupakan krisis mata uang, krisis perbankan, dan krisis utang, masing-

masing. Positif (negatif) diharapkan tanda berarti bahwa nilai (rendah) yang tinggi indikator

menyebabkan probabilitas yang lebih tinggi dari krisis.

36

Beberapa penelitian terdahulu telah melakukan berbagai pendefinisian

berbeda atas interpretasi kondisi krisis utang yang melanda suatu negara. Secara

khusus, suatu negara dikategorikan sedang mengalami krisis utang bila negara

tersebut melakukan perjanjan penjadwalan ulang pembayaran utang atau negosiasi

(debt rescheduling agreement or negotiation). Ada beberapa penelitian yang

menggunakan kombinasi dari beberapa definisi krisis utang, dan ada juga

penelitian yang menggunakan suatu peristiwa atau pengukuran tertentu dari debt

rescheduling yang dilakukan suatu negara. Sebagai contoh, penelitian yang

dilakukan Berg and Sachs (1988), Lee (1991), Balkan (1992), Lanoie and

Lemarbre (1996), and Marchesi (2003), mendefinisikan krisis utang hanya

menggunakan konsep debt rescheduling yang dilakukan suatu negara.

Penggunaan konsep debt rescheduling ini dimaksudkan untuk mengidentifikasi

secara tepat kapan periode waktu suatu negara tertentu melakukan penjadwalan

ulang atas pembayaran utang luar negerinya.

Dengan menggunakan klasifikasi tersebut, maka dapat dinyatakan bahwa

Indonesia pernah mengalami krisis utang. Hal ini didasarkan pada terjadinya debt

rescheduling yang dilakukan Indonesia pada periode waktu tertentu sebagaimana

ditampilkan pada Tabel 2.5.

37

Tabel 2.5 Periode Waktu Pelaksanaan Debt Rescheduling Atas Pembayaran

Utang Luar Negeri Indonesia

Periode Waktu Debt Rescheduling

Desember 1966 Pembayaran utang publik dan non-

publik dijadwal ulang pada tingkat

pasar yang sesuai dengan profil

pembayaran kembali berdasarkan hasil

negosiasi

Oktober 1967 Pembayaran utang publik dan non-




negosiasi

Oktober 1968 Pembayaran utang publik dan non-




negosiasi

April 1970 Pembayaran utang publik dan non-




negosiasi

Juni 1998 Kerangka kesepakatan untuk

melakukan restrukturisasi atas utang

swasta sebesar 80,23 miliar USD.

September 1998 Jatuh Tempo Utang dari 6Agustus 1998

hingga 31 Maret 2000

April 2000 Pembayaran utang non-publik dan

publik dijadwal ulang kembali pada

tingkat pasar yang sesuai

April 2002 Pembayaran utang non-publik dan

publik dijadwal ulang kembali pada

tingkat pasar yang sesuai

Sumber : Marcheisie, 2003

38

2.3 Kerangka Pemikiran

Berbagai fenomena yang terjadi di Indonesia menimbulkan adanya

kekhawatiran mengenai kemungkinan terjadinya krisis utang di Indonesia.

Fenomena-fenomena tersebut di antaranya adalah adanya kecenderungan

Penelitian ini menekankan pada upaya pembentukan suatu sistem deteksi dini

yang dapat mengukur kemungkinan terjadinya krisis utang di Indonesia secara

tepat. Dalam upaya pembentukan alat deteksi dini tersebut, digunakan pendekatan

leading economic indicators (LEI). Pendekatan tersebut digunakan berdasarkan

suatu pemikiran bahwa pada suatu perekonomian global, variabel-variabel

ekonomi saling trekait satu sama lain. Dengan demikian, bila terjadi suatu shock

(guncangan) pada salah satu variabel, maka hal tersebut akan berpengaruh pada

variabel lain. Shock tersebut dapat berupa guncangan internal maupun

eksternal.yang berdampak pada fluktuasi ekonomi. Adanya fluktuasi yang terjadi

kemungkinan memiliki pola berulang sehingga dapat membentuk suatu siklus

yang disebut dengan siklus bisnis (business cycle).

Berdasarkan alur pemikiran seperti yang diuraikan sebelumnya, maka

kerangka pemikiran dalam pelaksanaan penelitian ini dapat dideskripsikan sebagai

berikut.

39

Gambar 2.1 Bagan Kerangka Pemikiran

Fenomena yang terjadi :

•Kecenderungan peningkatan sumber pembiayaan eksternal (utang luar negeri)

untuk menutupi defisit anggaran

•Kecenderungan peningkatan posisi utang luar negeri sektor publik (pemerintah)

• Kecenderungan peningkatan posisi utang luar negeri sektor swasta

MENIMBULKAN KEKHAWATIRAN TERJADINYA KRISIS

UTANG DI INDONESIA PADA PERIODE WAKTU MENDATANG

Pembangunan early warning system (EWS)

dengan pendekatan business cycle analysis

•trade/GDP

•nilai tukar

•tingkat inflasi

•cadangan devisa

•dan lain-lain

•Tabungan

Masyarakat

•Tabungan Nasional

•Konsumsi

Rumah Tangga

Dapat dibentuk Coincident Debt Index, Leading Debt Index dan Lagging Debt Index

Teori Ricardian

Tentang Utang

Teori Siklus

Bisnis Teori Keynesian

40

BAB III

METODOLOGI PENELITIAN

3.1 Jenis Data dan Metode Pengumpulan Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder, dengan

deret waktu bulanan. Data tersebut akan dikumpulkan dari berbagai sumber,

seperti Bank Indonesia, Badan Pusat Statistik, IMF dan sumber-sumber publikasi

lainnya. Adapun jumlah variabel makroekonomi yang berhasil dikumpulkan

dalam penelitian ini adalah sebanyak 111 variabel, sebagaimana yang terlampir

pada Lampiran 1.

3.2 Metode Analisis

Penelitian ini menggunakan metode analisis siklus bisnis (business cycle

analysis). Dalam prosesnya, pengolahan data akan dilakukan dengan

menggunakan Eviews 6.

Penyusunan leading indicator merupakan adopsi dari analisis business cycle

yang dibangun untuk mendeteksi siklus perekonomian. Hal yang mendasari

analisis business cycle adalah bahwa shock (guncangan) yang berasal dari internal

maupun eksternal menyebabkan volatilitas (fluktuasi) aktifitas perekonomian.

Dalam jangka panjang, fluktuasi tersebut akan membentuk suatu siklus (business

cycle) perekonomian dimana pergerakan naik dan turunnya aktivitas

perekonomian tersebut berada dalam level absolut.

Untuk menjelaskan turning point dari terjadinya fenomena krisis utang di

Indonesia, maka penelitian ini menggunakan variabel ekonomi rasio utang luar

41

negeri terhadap Produk Domestik Bruto (PDB) Indonesia (debt to GDP ratio).

Varibel ekonomi ini digunakan sebagai reference series karena mampu

memberikan penilaian tepat atas tingkat solvabilitas suatu negara, sehingga dapat

menggambarkan tingkat indebtness suatu negara.

Adapun nilai threshold variabel ekonomi debt to GDP ratio yang digunakan

untuk menggambarkan terjadinya krisis utang mengacu pada ketentuan dari salah

satu lembaga keuangan internasional, yaitu IMF (International Monetary Fund).

IMF menetapkan bahwa suatu negara dikategorikan menghadapi beban utang

yang tinggi bila variabel ekonomi debt to GDP ratio mencapai nilai yang lebih

tinggi dari 60 persen.

Dengan mengamati pergerakan variabel makroekonomi terhadap reference

series, maka dapat ditentukan apakah variabel tersebut termasuk Coincident,

Leading atau Lagging Indicators. Suatu variabel makroekonomi dikategorikan

sebagai Leading Indicator bila memiliki pergerakan yang mendahului reference

series, sehingga variabel tersebut dapat menggambarkan kondisi perekonomian

apakah berpotensi mengalami krisis utang dalam beberapa bulan ke depan.

Sementara itu, suatu variabel dikategorikan sebagai Lagging Indicator apabila

pergerakannya (lag) mengikuti reference series. Apabila suatu variabel

makroekonomi bergerak seiring dengan reference series sehingga mampu

menggambarkan kondisi perekonomian saat ini, maka variabel tersebut

dikategorikan sebagai Coincident Indicator.

42

3.2.1 Tahapan Penyusunan Leading Economic Indicators

Secara umum, tahapan-tahapan untuk membangun Leading Indicators dengan

analisis business cycle adalah sebagai berikut.

1. Pengumpulan Data Sekunder

Adapun tahap pertama yang dilakukan adalah dengan mengumpulkan data-

data sekunder yang dipelukan dari berbagai sumber. Idealnya, jumlah data yang

diperlukan dapat mencapai ratusan variabel. Variabel-variabel tersebut

diperkirakan dapat menjadi kandidat komponen leading, coincident dan lagging

index. Data yang dikumpulkan sebaiknya memiliki periode yang panjang dengan

frekuensi tinggi (data bulanan) agar dapat diperoleh hasil yang baik. Kriteria

pemilihan variabel harus dilihat dari aspek ekonomi dan perilaku data secara

statistika.

2. Disagregasi Data

Tahap kedua adalah melakukan disagregasi data dengan menggunakan metode

Qubic Splines atau dapat pula digunakan metode interpolasi lainnya. Hal ini

dilakukan apabila data yang tersedia memiliki frekuensi observasi tahunan atau

kuartalan untuk disesuaikan menjadi data bulanan.

3. Mengisolir Pengaruh Musiman

Tahap ketiga adalah membersihkan data dengan mengisolir pengaruh musim

sehingga tidak menyebabkan misleading dan indeks yang diperoleh tidak volatile.

Pada banyak negara, faktor musim biasanya bersifat fix (tetap) seperti pada

peristiwa hari raya (lebaran, natal, tahun baru atau lainnya) maupun musim yang

ekstrem (musim hujan, kemarau, dingin, dan panas). Untuk kasus Indonesia,

43

selain faktor musim yang tetap, juga ada faktor yang bergerak seperti Idul Fitri

dan Tahun Baru Imlek.

4. Pemilihan Kandidat Variabel Coincident , Leading dan Lagging Indicators

Tahap keempat adalah pemilihan kandidat variabel Coincident, Leading dan

Lagging Indicators. Ada beberapa metode yang digunakan untuk memilih suat

variabel menjadi kandidat Leading Indicators, yaitu dengan pendekatan grafis, uji

granger causality, dan uji cross-correlation. Oleh karena Leading Indicators

bergerak mendahului reference series, maka kandidat Leading Indicators secara

visual melalui grafis seharusnya bergerak mendahului reference series.

Adapun kriteria penentuan Leading Indicators berdasarkan uji cross

correlation dapat dilihat dari adanya korelasi yang cukup tinggi dengan lag yang

cukup jauh. Pada uji granger causality, dapat dilihat dari adanya hubungan

kausalitas yang sifatnya satu arah pada lag yang cukup jauh pula. Pengujian

koefisien korelasi antara reference series dengan variabel-variabel yang

diperkirakan akan menjadi Leading Indicators dilakukan secara terpisah-pisah

untuk masing-masing periode leading yang ingin kita bentuk. Untuk mencari

kandidat Leading Indicators 3 bulan maka kita harus mencari korelasi antara

reference series dengan seluruh variabel pada tiga bulan berikutnya. Begitu pula

halnya jika kita ingin mencari kandidat Leading Indicators 6 dan 12 bulan.

Sebaliknya, karena sifatnya yang bergerak sejalan kandidat Coincident Indicators

secara grafis haruslah berjalan sejalan dengan variabel reference dengan korelasi

tinggi di sekitar lag nol. Causality antara Coincident Indicators dan variabel

reference haruslah bersifat dua arah dengan lag yang pendek.

44

5. Penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt

Index (LDI)

Tahap kelima adalah penyusunan Composite Coincident Debt Index (CDI) dan

Leading Debt Index (LDI) dengan basis indicators yang diperoleh dari tahap

keempat dengan cara menggabungkan (compose) variabel-variabel kandidat.

Akan tetapi, karena amplitudo dari masing-masing variabel atau series bisa jadi

berbeda-beda, maka penyusunan indeks tanpa terlebih dahulu dilakukan

standardisasi data bisa mengakibatkan terjadinya distorsi pada index yang

terbentuk. Untuk menghindari distorsi tersebut, perlu dilakukan normalisasi

terhadap semua komponen siklikal yang diturunkan dari variabel-variabel

kandidat serta reference series. Pada prinsipnya, proses standardisasi diarahkan

agar semua variabel kandidat memiliki mean 100 serta varian yang sama.

Proses penggabungan (compose) variabel-variabel kandidat untuk

mendapatkan Coincident Debt Index (CDI) dan Leading Debt Index (LDI) terbaik

dilakukan dengan cara trial-error. Indikator baiknya Coincident Debt Index

didasarkan pada persamaan pergerakannya dengan variabel reference, sementara

untuk LDI didasarkan pada kemampuannya untuk memprediksi CI dan Reference

Series.

Setiap indikator atau variabel untuk pembentuk CDI dan LDI terbaik

tersebut memilki bobot tertentu yang mencerminkan tingkat kemiripan pola antara

variabel tersebut dengan indeks yang terbentuk. Dari ketiga indeks tersebut,

Leading Debt Index lebih menarik perhatian, karena dapat memberikan deteksi

dini (early warning system) tentang kemungkinan terjadinya krisis utang di

45

Indonesia secara agregat. Sementara Coincident Debt Index dapat memberikan

gambaran tentang kondisi beban utang Indonesia yang terjadi saat ini.

3.2.2 Metode Penyusunan Early Warning Indicators

Metode-metode yang digunakan dalam proses penyusunan Early Warning

Indicators dapat dijelaskan seperti berikut ini.

1. Metode Cubic-Spline

Data sekunder yang dipublikasi umumnya memiliki frekuensi release yang

tahunan. Dalam penyusunan Leading Indicator, data yang digunakan umumnya

berupa data bulanan. Apabila data yang tersedia memiliki frekuensi kuartalan,

maka perlu dilakukan disagregasi menjadi bulanan, sehingga diperlukan metode

khusus yang dapat memberikan hasil optimal, salah satunya adalah metode Cubic-

Spline.

2. X12-ARIMA

Fluktuasi data yang bersifat musiman dan periodik sepanjang waktu seringkali

mengganggu pergerakan siklikal. Oleh karena itu, hal tersebut perlu dihilangkan

terlebih dahulu. Metode X-12 ARIMA adalah salah satu metode yang dapat

digunakan untuk de-seasonality data. Penelitian ini menggunakan X-12 ARIMA

karena sifatnya yang lebih sesuai dengan kondisi di Indonesia.

Menurut pandangan Jackson dan Leonard (2001), penyesuaian musiman

(seasonal adjustment) dari sebuah series didasarkan pada asumsi bahwa fluktuasi-

fluktuasi musiman dapat diukur dari series awal (xt, t=1,2,...,n) dan dipisahkan

dari trend cycle component (Ct), trading day component(Dt), dan flukutuasi

46

irregular (It). Komponen musiman atau seasonal (St) dapat didefinisikan sebagai

variasi dalam setahun yang berulang secara konstan dari tahun ke tahun. Ct

mengukur variasi variabel menuju faktor siklus jangka panjang, siklus bisnis, dan

faktor-faktor jangka panjang lainnya. Dt adalah variasi yang ditunjukkan pada

komposisi dari kalender. Sebagai tambahan, It adalah variasi residual. Banyak

variabel makroekonomi yang time series mempunyai bentuk hubungn

multiplicative (xt=CtDtSt) dan lainnya berbentuk additivr (xt=Ct+Dt+St+It).

Sebuah time series yang disesuaikan secara musiman hanya terdiri atas trend

cycle dan komposisi irregular.

X-12 ARIMA merupakan sebuah model yang dapat digunakan untuk

mendekomposisi sebuah time series baik dengan asumsi additive ataupun

multiplicative untuk memperoleh komponen-komponen Ct, Dt, St, ataupun It.

Model ARIMA (Autoregressive Integrated Moving Average) umumnya

digunakan untuk seasonal time series. Model ARIMA dengan asumsi

multiplicative seasonal times series, xt dapat dituliskan menjadi :

ø(B)Φ(Bs)(1-B)

d (1-B

s)D xt = θ (B)Ө (B

s)at

dimana :

B adalah operator lag (Bxt=xt-1)

s adalah periode musiman,

ø(B) = (1 - ø1B -...- øpBp) adalah operator non seasonal autoregressive (AR),

Φ(B) = (1 - Φ1Bs -...- ΦPB

Ps) adalah operator seasonal AR,

θ(B) = (1 - ø1B -...- øqBq) adalah operator non seasonal moving average (MA),

Φ(Bs) = (1 - Φ1B

s -...- ΦQB

Qs) adalah opeartor seasonal moving average

……………………………………… (3.1)

47

ats i.i.d dengan rata-rata nol dan varian σ2.(1 – B)

d (1 – B

s)D mengimplikasikan

perbedaan non seasonal orde ke-d dan perbedaan seasonal orde ke-D. Jika d=D=0

(tidak ada perbedaan), maka pada umunya dilakukan perhitungan kembali xt pada

persamaan di atas dengan mengurangkannya terhadap rata-ratanya, yaitu : dengan

xt-μ dimana μ = E[xt].

3. Cross Correlation

Metode ini digunakan untuk menganalisis dan menentukan apakah variabel-

variabel ekonomi dan keuangan lainnya, jika dikorelasi silangkan dengan

reference series akan menjadi Leading Indicators, Coincident Indicators, atau

Lagging Indicators. Jika ternyata ada beberapa variabel yang dapat dijadikan

Leading Indicators, maka bisa dibentuk Composite Leading Indicators (CLI).

Korelasi silang (cross correlation) antara dua variabel, katakan x dan y dapat

dihitung :

dan

Periode waktu yang digunakan untuk menguji korelasi adalah 12 periode atau

selama satu tahun dengan data bulanan. Untuk dapat dijadikan sebagai indicators

…………….. (3.2)

(3.3)

48

maka nilai rxy yang dicari adalah nilai yang paling tinggi selama periode

pengujian.

Kriteria pemilihan kandidat leading pada uji cross correlation (korelasi silang)

adalah dengan melihat korelasi tinggi pada lag yang cukup jauh. Pemilihan

kandidat lagging berdasarkan korelasi tertinggi pada lead yang cukup jauh.

Sementara itu, penetuan kandidat coincident dilakukan dengan melihat korelasi

tertinggi pada lead dan lag nol.

4. Granger Causality Test

Salah satu tahap dalam analisis siklus bisnis adalah penggunanaan metode

ekonometrik dalam pemilihan kandidat leading indicators. Langkah pertama

dalam pemilihan komponen LEI adalah uji kointegrasi setiap calon komponen

LEI dengan reference series untuk melihat ada tidaknya hubungan jangka

panjang. Kemudian, dilakukan pengujian Granger Causality Test antara calon

komponen LEI (dengan berbagai spesifikasi lag) dengan reference series. Uji

granger yang dilakukan dalam penelitian ini menggunakan 4 spesifikasi lag, yaitu

1, 3, 6, dan 12. Berdasarkan penelitian yang dilakukan, penentuan lag tersebut

diasumsikan telah mampu memberikan hasil yang cukup akurat dan mewakili

keseluruhan lag. Penggunaan 4 spesifikasi lag tersebut dilakukan untuk

mengetahui perbandingan tingkat spesifikasi pada lag yang semakin jauh. Dengan

pengujian ini, dapat diperoleh variable-variabel yang tergolong sebagai leading

indicators. Granger Causality Test dilakukan untuk melihat adanya hubungan

sebab-akibat (kausalitas) dan arah kausalitas di antara variabel-variabel yang

digunakan dalam analisis. Uji kausalitas dilakukan karena terdapat tiga

49

kemungkinan arah kausalitas yang terjadi antara dua variabel, yakni variabel

reference dan variabel tertentu yang diuji (misalnya variabel X), yaitu :

1.) Variabel reference menyebabkan (granger cause) variabel X

2.) Variabel X menyebabkan (granger cause) variabel reference

3.) Variabel reference dan variabel X memiliki hubungan timbal balik yang terjadi

apabila variabel reference menyebabkan variabel X dan pada saat yang bersamaan

variabel X juga menyebabkan variabel reference .

Dengan menggunakan Granger Causality Test, maka dapat diketahui apakah

antara X dan Y memiliki hubungan kausalitas dan bagaimana arah kausalitas di

antara kedua variabel tersebut. Nilai probabilitas (P value) yang dihasilkan

menentukan signifikansi arah hubungan kausalitas antar variabel. Ketentuan yang

secara konvensional disepakati adalah jika probabilitas lebih kecil dari 5 persen,

maka dikatakan terjadi kausalitas yang signifikan.

Kriteria kandidat leading pada granger causality ini adalah adanya hubungan

kausalitas satu arah pada lag cukup jauh yang menunjukkan bahwa variabel X

menyebabkan (granger cause) variabel reference. Sementara itu, kriteria kandidat

lagging didasarkan pada adanya hubugan kausalitas satu arah pada lag cukup jauh

yang menunjukkan bahwa variabel reference menyebabkan (granger cause)

variabel X. Adapun pemilihan kandidat Coincident Indicators dilihat dari adanya

hubungan kausalitas dua arah dengan lag di sekitar nol.

5. Metode Penyusunan Composite Coincident Debt Index (CDI) dan Leading

Debt Index (LDI)

Setelah berbagai data variabel makroekonomi yang tersedia dikelompokkan ke

dalam kandidat Coincident Indicator, Leading Indicator dan Lagging Indicator,

50

langkah selanjutnya adalah menyusun composite CI dan LI dengan prosedur

sebagai berikut :

Untuk setiap variabel, lakukan perhitungan :

1. Hitung perubahan persentase simetris month-on-month (MoM) untuk setiap

variabel atau komponen dengan rumus :

xt = 200* (Xt-Xt-1)/(Xt-Xt-1) ...................................................................(3.4)

dimana Xt adalah nilai observasi komponen X pada waktu t. Jika satuan

pengukuran untuk komponen X berupa presentasi (seperti suku bunga), maka

month-on-month dihitung dengan formula :

xt = (Xt-Xt-1)............................................................................................(3.5)

2. Lakukan adjustement terhadap MoM change dari setiap komponen. Hal ini

dimaksudkan untuk menyamakan volatilitas MoM change dari semua

komponen. Adjustement tersebut dilakukan dengan prosedur sebagai berikut :

a) Hitung standard deviation MoM change dari setiap komponen

(misalkan = σx)

b) Hitung inverse dari σx (misalkan wx = 1/σx)

c) Jumlahkan semua wx (misalkan = k)

d) Hitung faktor standarisasi (weight) untuk setiap komponen dengan

rumus:

rx = (1/k)*wx .....................................................................................(3.6)

Adjustment terhadap MoM change dari setiap komponen dihitung

dengan rumus :

mt = rx*xt .........................................................................................(3.7)

51

3. Jumlahkan MoM change yang telah di-adjust (langkah 2); misalkan = it

4. Lakukan adjustment terhadap it untuk menyamakan volatilitas dengan

reference series; untuk Coincident Economic Indicator (CEI)

menggunakan reference series yakni debt to GDP, serta untuk Leading

Economic Indicator (LEI) dan Lagging Economic Indicator menggunakan

reference series CEI atau reference series debt to GDP.

5. Hitung angka preliminary leading dan Coincident Debt Index dengan

menetapkan nilai indeks awal sama dengan 100. Nilai indeks berikutnya

dihitung dengan menggunakan rumus :

It = It-1 * (200 + it) / (200-it) ..................................................................(3.8)

Kombinasi variabel yang menghasilkan composite CI dan LI terbaik diperoleh

dengan cara trial and error. Ukuran kebaikan CI didasarkan pada kesamaan

pergerakannya dengan debt to GDP (reference series), sementara untuk LI

didasarkan pada kemampuannya memprediksi pergerakan CI.

6. Penentuan Turning Point Coincident, Leading dan Lagging Debt Index

dengan Metode Bry Boschan Procedure

Setelah proses seleksi selesai dilakukan, maka selanjutnya variabel-variabel

yang menjadi kandidat Coincident, Leading dan Lagging Indicators akan melalui

suatu proses perhitungan sehingga dihasilkan suatu indeks bagi masing-masing

indikator tersebut.

Pada tahap selanjutnya, dilakukan penentuan turning point pada ketiga indeks

yang dihasilkan, yakni Coincident Debt Index, Leading Debt Index dan Lagging

Debt Index. Penentuan turning points dimaksudkan untuk menetapkan waktu

(bulan dan tahun) dimana ketiga indeks tersebut mengalami pembalikan dari fase

52

ekspansi ke kontraksi atau sebaliknya. Penentuan turning points ini penting untuk

menyusun kronologi siklus bisnis di Indonesia.

Adapun metode yang digunakan untuk melakukan penentuan turning point

tersebut adalah metode Bry Boschan Procedure. Metode ini telah dikembangkan

sejak lama oleh NBER dan masih digunakan secara luas hingga saat ini.

Secara visual, grafik Leading Debt Index bergerak mendahului Coincident

Debt Index dengan selang waktu tertentu. Selang waktu Leading Debt Index

bergerak mendahului Coincident Debt Index tersebut dapat ditentukan secara

akurat dengan menghitung rata-rata perbedaan antar titik puncak dan lembah dari

kedua indeks tersebut. Perbedaan rata-rata selang waktu Leading Debt Index

mendahului Coincident Debt Index selanjutnya ditetapkan sebagai jangka waktu

kemungkinan terjadinya krisis utang setelah munculnya sinyal pada system

deteksi dini yang telah dibuat. Dengan demikian, pihak pengambil kebijakan

memiliki waktu dalam periode tertentu untuk merumuskan dan

mengimplementasikan kebijakan yang penting dalam rangka menghindari

kemungkinan terjadinya krisis utang.

Adapun Lagging Debt Index secara visual pergerakan grafiknya mengikuti

Coincident Debt Index. Selang waktu Lagging Debt Index bergerak mengikuti

Coincident Debt Index tersebut dapat ditentukan secara akurat dengan menghitung

rata-rata perbedaan antar titik puncak dan lembah dari kedua indeks tersebut.

Perbedaan rata-rata selang waktu Lagging Debt Index mendahului Coincident

Debt Index selanjutnya ditetapkan sebagai jangka waktu dampak penyebaran

(contagion effect) akibat terjadinya krisis utang setelah munculnya sinyal. Dengan

53

demikian, pihak pengambil kebijakan memiliki waktu dalam periode tertentu

untuk merumuskan dan mengimplementasikan kebijakan yang penting dalam

rangka menghindari dampak penyebaran secara luas terhadap perekonomian

secara agregat akibat terjadinya krisis utang yang tidak dapat terhindarkan lagi.

Pengujian secara grafis dengan metode Bry Boschan Procedure ini diawali

dengan penentuan titik puncak (peak) dan lembah (trough) pada grafik dari

masing-masing indeks yang telah dihasilkan. Penentuan titik puncak (peak) dan

lembah (trough) tersebut menjadi hal yang sangat penting untuk dilakukan

mengingat langkah ini akan memudahkan penentuan selang waktu perbedaan

antara Coincident Debt Index dengan Leading Debt Index dan Lagging Debt

Index. Titik puncak suatu indeks ditentukan pada periode tertentu dimana indeks

tersebut mencapai nilai tertinggi, sedangkan titik lembah suatu indeks ditentukan

pada periode tertentu dimana indeks tersebut mencapai nilai terendah. Suatu

indeks tertentu dikatakan memiliki satu siklus bila pada rentang periode tertentu

memiliki satu titik puncak dan satu titik lembah.

Metode Bry Boschan Procedure menetapkan bahwa jarak perbedaan waktu

antara titik puncak terhadap lembah (peak to trough) atau titik lembah terhadap

puncak (trough to peak) dalam satu siklus minimal enam bulan. Bila suatu

variabel memiliki lebih dari satu siklus dalam rentang periode tertentu, ditetapkan

pula bahwa jarak antar titik puncak (peak to peak) atau antar titik lembah (trough

to trough) minimal lima belas bulan.

54

Setelah menetapkan peak dan trough dari masing-masing indeks, maka selang

waktu perbedaan pergerakan Leading Debt Index dan Lagging Debt Index

terhadap Coincident Debt Index dapat dihitung secara tepat.

55

Gambar 3.1 Alur Penyusunan Komponen Early Warning System

Pengumpulan variabel/data sekunder

Data hasil seleksi

1. Berdasarkan ketersediaan data

2. Kriteria ekonomi

3. Kriteria statistik

Kompilasi

Data

Data siap digunakan

Metode :

1. Disagregasi data (Cubic Splines) Generating

Data

Metode :

1. Cross-Correlation Test

2. Granger Causality Test

Seleksi Kandidat

Composite Index

Kandidat Leading Indicators Kandidat LaggingIndicators Kandidat Coincident Indicators

Coincident Debt Index Leading Debt Index Lagging Debt Index

Penyusunan

Composite

Index

Metode Indeksasi

Metode X-12 ARIMA Metode X-12 ARIMA Metode X-12 ARIMA

Metode Bry

Boschan Procedure

Metode Bry

Boschan Procedure Metode Bry

Boschan Procedure

Penentuan Turning Point dan Perbedaan Selang Waktu

Antara Coincident Debt Index dengan Leading Debt

Index dan Lagging Debt Index

56

3.3 Definisi Operasional

Adapun beberapa definisi operasional yang penting untuk dipahami dalam

penelitian ini adalah sebagai berikut.

1. Utang luar negeri Indonesia adalah posisi kewajiban aktual penduduk

Indonesia kepada bukan penduduk pada suatu waktu, tidak termasuk

kontinjen, yang membutuhkan pembayaran kembali bunga dan/atau pokok

pada waktu yang akan datang.

2. Utang luar negeri pemerintah adalah utang yang dimiliki oleh pemerintah

pusat, terdiri dari utang bilateral atau multilateral, fasilitas kredit ekspor

(FKE), utang komersial, dan leasing, termasuk pula Surat Berharga Negara

(SBN) (yang diterbitkan di luar maupun di dalam negeri) yang dimiliki oleh

bukan penduduk. SBN terdiri dari Surat Utang Negara (SUN) dan Surat

Berharga Syariah Negara (SBSN). SUN terdiri dari Obligasi Negara yang

berjangka waktu lebih dari 12 bulan dan Surat Perbendaharaan Negara (SPN)

yang berjangka waktu sampai dengan 12 bulan. SBSN terdiri SBSN jangka

panjang (Ijarah Fixed Rate/IFR) dan Global Sukuk.

3. Utang luar negeri bank sentral adalah utang yang dimiliki oleh Bank Indonesia

dalam rangka mendukung neraca pembayran dan cadangan devisa. Termasuk

dalam utang luar negeri Bank Indonesia adalah kewajiban dalam bentuk

Sertifikat Bank Indonesia (SBI) yang dimiliki oleh bukan penduduk serta

simpanan (deposits) bukan penduduk di Bank Indonesia.

4. Pendapatan Negara dan Hibah adalah seluruh penerimaan negara yang terdiri

dari Penerimaan Dalan Negeri dan Hibah.

57

5. Belanja Negara adalah seluruh pengeluaran negara berupa belanja pemerintah

pusat dan transfer ke daerah.

6. Surplus adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang

lebih besar dari belanja negara.

7. Defisit adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang

lebih rendah dari belanja negara.

8. Total Pembiayaan adalah pembiayaan yang dapat diterima/dibentuk untuk

menutupi defisit yang terjadi/membiayai Anggaran Pendapatan dan Belanja

Negara (APBN). Pembiayaan mencakup transaksi penjualan asset negara,

penerimaan pinjaman pemerintah dari luar negeri dan dalam negeri, dan

rekening-rekening pemerintah.

9. Balance of Payment (BoP) atau Neraca Pembayaran Indonesia (NPI) adalah

catatan transaksi ekonomu yang terjadi antara penduduk dengan bukan

penduduk Indonesia pada suatu periode waktu tertentu.

10. Transaksi berjalan mencakup ekspor dan impor barang, jasa, pendapatan, serta

transfer berjalan. Transaksi finansial meliputi investasi langsung, investasi

portofolio, derivatif finansial, dan investasi lainnya di luar cadangan devisa

dan kredit/pinjaman IMF yang disajikan sebagai komponen sendiri.

11. Transaksi ekspor dan impor barang masing-masing dikelompokkan atsa

ransaksi ekspor dan impor migas dan nonmigas.

12. Cadangan devisa resmi Indonesia (Indonesian official reserve assets)

merupakan aset eksternal yang dapat langsung tersedua bagi dan berada di

bawah kontrol Bank Indonesia selaku otoritas moneter untuk membiayai

58

ketidakseimbangan neraca pembayaran, melakukan intervensi pasar, dalam

rangka memelihara kestabilan nilai tukar, dan/atau tujuan lainnya (antara lain

menjaga ketahan perekonomian daan nilai tukar serta sebagai bantalan

terhadap net kewajiban Indonesia).

13. Hak Tarik Khusus (Special Drawing Rights – SDR) merupakan cadangan

devisa internasional yang diciptakan oleh IMF untuk menambah cadangan

devisA negara anggota dan secara periodik dialokasikan kepada anggota

secara proporsional sesuai dengan kuotanya. Walaupun tidak memiliki jangka

waktu jatuh tempo, anggota IMF yang menerima alokasi SDR tersebut

memiliki kewajiban untuk embayar kembali saat keluar dari keanggotaan

IMF.

14. Debt Service Payment adalah jumlah pembayaran pokok dan bunga utang luar

negeri, termasuk fee.

15. Debt Service Ratio adalah rasio pembayaran pokok dan bunga utang luar

negeri terhadap penerimaan hasil ekspor suatu negara.

16. Debt to Export Ratio adalah rasio total utang luar negeri terhadap penerimaan

hasil ekspor suatu negara.

17. Debt to GDP Ratio adalah rasio total utang luar negeri terhadap Produk

Domestik (PDB) suatu negara.

59

BAB IV

HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Utang Luar Negeri Indonesia

Dilihat dari sisi komposisi dan distribusinya, posisi utang luar negeri

Indonesia secara nominal terus mengalami peningkatan dari tahun ke tahun.

Kondisi ini perlu diwaspadai karena pertumbuhan utang luar negeri yang tidak

terkendali dapat berdampak buruk dan memicu terjadinya krisis utang di

Indonesia. Sejauh ini, mulai tahun 2001 hingga kini, kemampuan dalam

melakukan pembayaran utang luar negeri (solvabilitas) Indonesia menunjukkan

kondisi yang terus membaik. Hal ini dapat dilihat dari indikator debt to GDP yang

menunjukkan trend terus menurun dari tahun 2001 hingga kini.

Selain mengacu kepada debt to GDP, penilaian solvabilitas Indonesia juga

dapat dilihat dari indikator debt to export. Ukuran ini dihitung dari rasio posisi

utang luar negeri secara keseluruhan terhadap penerimaan ekspor yang diperoleh

suatu negara. Dari tahun 2006 hingga 2011 saat ini, debt to export Indonesia

menunjukkan trend yang mengalami penurunan. Hal ini dapat dilihat pada

Gambar 4.1.

60

Sumber : Bank Indonesia, 2011

Gambar 4.1 Debt To Export Indonesia Periode Tahun 2006 Hingga 2011

Gambar 4.1 menunjukkan bahwa indikator debt to export Indonesia

menunjukkan trend yang terus menurun selama periode waktu tersebut. Debt to

export merupakan indikator yang merefleksikan kapasitas pembayaran kembali

utang luar negeri (debt repayment capacity) suatu negara. Nilai debt to export

Indonesia yang masih berada pada kisaran di bawah 200 persen menunjukkan

bahwa profil utang luar negeri Indonesia dari tahun 2006 hingga 2011 masih

dinilai aman. Meskipun demikian, nilai debt to export Indonesia sempat mencapai

angka tertinggi yakni 121,8 persen pada tahun 2009. Namun, kondisi itu terjadi

lebih disebabkan karena penurunan penerimaan ekspor Indonesia sebagai dampak

krisis ekonomi global yang terjadi di Amerika pada tahun 2008, bukan karena

terjadi peningkatan utang luar negeri Indonesia secara signifikan. Dengan

demikian, dapat dinyatakan bahwa sejauh ini kondisi beban utang luar negeri

Indonesia masih dinilai aman dan tidak berpotensi mengalami masalah

61

solvabilitas sehingga mampu menyelesaikan berbagai kewajiban terkait

pembayaran kembali utang luar negeri Indonesia sesuai tenggat waktu (grace

period) yang disepakati sebelumnya.

Meskipun solvabilitas Indonesia dinilai baik dan tidak berpotensi mengalami

krisis utang yang ditandai dengan kondisi gagal bayar, namun posisi utang luar

negeri yang terus meningkat tetap saja menimbulkan beban tersendiri bagi negara

akibat beban pembayaran cicilan pokok utang dan bunganya dari tahun ke tahun.

Salah satu indikator yang digunakan untuk menilai beban pembayaran cicilan

pokok utang luar negeri dan bunga yang harus ditanggung suatu negara adalah

nilai debt service ratio (DSR). Nilai ini merupakan rasio besarnya pembayaran

cicilan pokok dan bunga utang luar negeri terhadap penerimaan ekspor suatu

negara. Adapun nilai DSR Indonesia selama periode tahun 2006 hingga 2011

dapat dilihat pada Gambar 4.2.

Sumber : Bank Indonesia, 2011

Gambar 4.2 Debt Service Ratio Indonesia Periode Tahun 2006 Hingga 2011

62

Gambar 4.2 menunjukkan bahwa nilai DSR Indonesia memiliki trend yang

cenderung menurun selama periode tahun 2006 hingga 2011, meskipun nilai DSR

ini sempat mengalami kenaikan di tahun 2009 menjadi 23,2 persen. Nilai DSR

merefleksikan beban penerimaan ekspor yang harus dialokasikan untuk

pembayaran cicilan pokok dan bunga utang luar negeri. Suatu negara dianggap

memiliki profil utang luar negeri yang aman apabila nilai DSR nya berada di

bawah 25 persen. Dengan demikian, pembayaran cicilan pokok dan bunga utang

luar negeri sempat memberikan beban yang besar terhadap penerimaan ekspor

Indonesia pada tahun 2006 karena DSR di tahun tersebut mencapai 25 persen.

Kondisi DSR Indonesiadapat dikatakan cukup rawan karena nilainya yang

hampir mendekati batas aman 25 persen. Hal ini terjadi sebagai dampak

akumulasi total utang luar negeri Indonesia yang terus meningkat dari tahun ke

tahun sehingga memberikan tekanan yang besar terhadap penerimaan ekspor

Indonesia. Padahal, jika posisi utang luar negeri Indonesia terkendali, maka

potensi penerimaan ekspor Indonesia dapat dialokasikan untuk mendukung

pembangunan ekonomi di dalam negeri demi meningkatkan kesejahteraan dan

kemakmuran rakyat secara luas.

Terjadinya peningkatan posisi utang luar negeri Indonesia tidak terlepas dari

dilakukannya penarikan utang luar negeri baru secara terus menerus dari tahun ke

tahun. Salah satu indikator yang digunakan untuk mengukur aliran utang luar

negeri (debt flow) adalah Net Resource Flow (NRF). Nilai NRF diperoleh dengan

cara menghitung selisih besarnya penarikan terhadap pembayaran utang luar

negeri. Adapun nilai NRF Indonesia dapat dilihat pada

63

Tabel 4.1 Nilai Net Resource Flow Indonesia Periode Tahun 2006-2011

Tahun

Total Penarikan

ULN Baru

(Dollar)

Pembayaran Pokok & Bunga

ULN Indonesia (Dollar)

Net Resource

Flow (Dollar)

2006 28.677.000.000 38.933.100.000 -10.256.100.000

2007 33.267.000.000 36.652.160.000 -3.385.160.000

2008 46.149.000.000 44.926.000.000 1.223.000.000

2009 47.344.000.000 41.380.000.000 5.964.000.000

2010 53.626.000.000 54.347.000.000 -721.000.000

2011 95.312.000.000 63.592.000.000 31.720.000.000


Tabel 4.1 menunjukkan bahwa selama periode tahun 2006 hingga 2011, nilai

NRF Indonesia bervariasi. Pada tahun 2008, 2009, 2011, NRF Indonesia

menunjukkan nilai yang positif. Kondisi ini mengindikasikan bahwa total

penarikan utang luar negeri baru lebih besar dibandingkan pembayaran cicilan

pokok dan bunganya sehingga likuiditas dalam perekonomian dalam negeri

cenderung positif. Hal inilah yang menyebabkan pada periode tersebut posisi

utang luar negeri Indonesia mengalami trend yang terus meningkat.

Sementara itu, pada periode tahun 2006, 2007, dan 2010, NRF Indonesia

menunjukkan nilai yang negatif. Kondisi ini mengindikasikan bahwa total

pembayaran cicilan pokok dan bunga lebih besar dibandingkan penarikan utang

luar negeri baru. Secara teoritis, nilai NRF yang negatif akan berdampak pada

penurunan akumulasi utang luar negeri Indonesia. Namun, fakta dan data yang

ada menunjukkan bahwa pada periode tersebut, posisi utang luar negeri Indonesia

terus mengalami peningkatan. Dengan demikian, dapat dinyatakan bahwa utang

luar negeri baru yang ditarik Indonesia tidak digunakan untuk pembiayaan

aktivitas produktif sehingga tidak memberikan rate of return yang tinggi. Nilai

64

NRF yang negatif akibat pembayaran cicilan pokok dan bunga yang lebih besar

dibandingkan penarikan utang luar negeri baru hanya menyebabkan likuiditas

dalam perekonomian menjadi negatif. Hal ini perlu diwaspadai karena kurangnya

likuiditas dalam negeri akan berpengaruh buruk terhadap prospek investasi

sehingga penciptaan output nasional akan mengalami penurunan.

Pengelolaan utang luar negeri Indonesia saat ini masih begitu buruk. Hal ini

disebabkan karena pengelolaan tersebut masih belum dilakukan secara terpusat.

Institusi yang mencatat pelaporan penerimaan utang luar negeri tersebut adalah

Bank Indonesia. Sementara itu, alokasi penggunaan utang luar negeri tersebut

direncanakan dan dilaksanakan oleh Badan Perencanaan dan Pembangunan

Nasional (BAPPENAS). Adapun institusi yang bertanggung jawab dalam

melakukan pembayaran kembali cicilan pokok dan bunga utang luar negeri

tersebut adalah Kementerian Keuangan. Pengelolaan utang luar negeri yang

dilakukan secara tidak terpusat ini menyebabkan penilaian efisiensi atas alokasi

penggunaannya tidak dapat terukur dengan baik. Besarnya imbal hasil (rate of

return) yang diperoleh dari penggunaan sumber pembiayaan utang luar negeri iu

tidak dapat diketahui secara akurat. Oleh karena itu, penyelewengan penggunaan

utang luar negeri tersebut sangat berpotensi untuk terjadi sehingga hanya

menimbulkan kerugian dan menambah beban pembayarannya.

Pengelolaan utang luar negeri yang masih dilakukan secara terpisah

menyebabkan alokasi penggunaannya tidak tercatat secara sistematis. Dalam

laporan APBN, tidak terdapat rincian mengenai bidang, program, kegiatan dan

jenis pengeluaran apa yang sumber pembiayaannya bersumber dari utang luar

65

negeri. Hal ini menyebabkan semakin sulitnya penilaian untuk mengukur tingkat

efisiensi dan efektivitas penggunaan utang luar negeri dalam mendukung

pembangunan ekonomi di Indonesia.

Dari uraian di atas, diketahui bahwa sejauh ini profil utang luar negeri

Indonesia masih menunjukkan kondisi yang aman. Namun, seiring dengan

semakin besarnya beban pembayaran cicilan pokok dan bunganya, maka utang

luar negeri tersebut berpotensi menimbulkan polemik bagi perekonomian

Indonesia secara agregat. Dengan demikian, pada periode mendatang potensi

terjadinya krisis utang di Indonesia sangatlah besar sehingga perlu dibangun suatu

early warning system yang mampu memprediksi kemungkinan terjadinya krisis

tersebut secara akurat.

4.2 Penyusunan Early Warning System

Penyusunan suatu sistem deteksi dini yang baik sangatlah ditentukan oleh

ketepatan dalam menentukan variabel-variabel makroekonomi yang menjadi

kandidat leading, lagging, dan coincident indicators. Penentuan kandidat tersebut

diperoleh dari hasil seleksi terhadap 111 variabel makroekonomi dengan periode

bulanan yang telah berhasil dikumpulkan. Proses seleksi tersebut dilakukan

berdasarkan tiga uji yang ditetapkan, yakni uji secara grafis dengan prosedur Bry

Boschan, cross correlation test, dan granger causality test. Dari hasil yang

diperoleh berdasarkan ketiga uji tersebut, maka selanjutnya suatu variabel

makroekonomi tertentu dapat ditentukan apakah termasuk sebagai kandidat, atau

Coincident, Leading, dan Lagging indicators.

66

4.2.1 Identifikasi Variabel-variabel yang Menjadi Kandidat Coincident,

Leading, dan Lagging Indicator

Leading Debt Index merupakan instrumen terpenting dalam pembangunan

early warning system krisis utang di Indonesia. Hal ini disebabkan karena

pergerakan indeks ini memiliki kemampuan dalam memprediksi kondisi beban

utang luar negeri yang dialami oleh Indonesia pada periode waktu mendatang.

Oleh karena itu, dalam pembangunan early warning system ini, penyusunan

Leading Debt Index menjadi salah satu perhatian utama di samping coincident dan

Lagging Debt Index.

Dalam rangka menyusun Coincident, Leading dan Lagging Debt Index, maka

penentuan variabel-variabel yang menjadi kandidat Coincident, Leading, dan

Lagging Indicator menjadi hal yang sangat penting untuk dilakukan. Hal ini

disebabkan karena Coincident, Leading dan Lagging Debt Index yang terbentuk

disusun oleh kandidat-kandidat tersebut dengan bobot tertentu.Oleh karena itu,

proses seleksi untuk memperoleh variabel-variabel yang menjadi kandidat

tersebut perlu dilakukan secara cermat dan akurat.

Proses seleksi dilakukan berdasarkan dua uji statistik yang dilakukan, yakni uji

cross correlation dan granger causality. Dari hasil yang diperoleh berdasarkan

ketiga uji tersebut, maka selanjutnya suatu variabel makroekonomi tertentu dapat

ditentukan apakah termasuk sebagai kandidat Coincident, Leading, atau Lagging

Indicators.

67

4.2.1.1 Identifikasi Variabel-variabel yang Menjadi Kandidat Coincident

Indicator

Coincident Indicator (CI) adalah indikator siklus bisnis yang pergerakannya

seiring dengan variabel yang menjadi acuan (reference series). Indikator ini dapat

memberikan gambaran tentang situasi ekonomi saat ini (current economic

situation). Kandidat CI diperoleh dengan bantuan peralatan statistik berupa

analisis korelasi silang (cross correlation) dan granger causality. Berdasarkan

analisis korelasi silang, kandidat CI diperoleh dengan melihat korelasi paling

tinggi pada lag dan lead nol. Meskipun demikian, suatu variabel dapat

dipertimbangkan untuk diklasifikasikan sebagai kandidat Coincident Indicator

jika hasil uji korelasi silang yang dilakukan menunjukkan adanya nilai korelasi

tertinggi pada lead atau lag dengan ukuran kurang dari enam. Adapun kriteria

Coincident Indicators berdasarkan uji granger causality adalah dengan melihat

hubungan kausalitas dua arah yang signifikan dari variabel-variabel yang diuji

dengan variabel acuan debt to GDP pada lag yang cukup jauh. Tingkat

signifikansi yang disepakati adalah nilai probabilitasnya harus lebih kecil dari

0,05 (alpha = 5 persen).

Uji secara statistika dengan cross correlation test dan granger causality test

merupakan hal yang juga penting dilakukan dalam melakukan penyeleksian

variabel-variabel yang menjadi kandidat Coincident Indicators. Berdasarkan

seleksi yang dilakukan dengan menggunakan kedua uji statistik tersebut, pada

akhirnya diperoleh hasil berupa enam variabel yang menjadi kandidat Coincident

Indicators. Adapun keenam variabel tersebut disertai dengan hasil ujinya masing-

masing dapat disimak sebagai berikut.

68

1. Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah) Dari Bank Asing

dan Campuran (Kode : Var38)

Variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan

Campuran merupakan salah satu variabel yang menjadi kandidat Coincident

Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian

statistik yang dilakukan, yakni uji cross correlation dan granger causality.

Adapun hasil seleksi melalui ketiga tahap pengujian tersebut dapat disimak pada

uraian berikut ini.

a. Uji Korelasi Silang (Cross Correlation Test)

Uji korelasi silang secara statistik juga dilakukan terhadap variabel suku bunga

pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran. Berdasarkan hasil

uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai

kandidat Coincident Indicators karena memiliki korelasi paling tinggi pada lag 1

terhadap reference variabel debt to GDP dimana ukuran lag tersebut kurang dari

6. Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP)

dengan variabel suku bunga suku bunga pinjaman modal kerja (rupiah) dari Bank

Asing dan Campuran dapat dilihat pada Lampiran 2.

Berdasarkan tampilan output e-views tersebut, dapat dilihat bahwa korelasi

yang paling tinggi adalah sebesar 0.7894 pada lag 1. Hal ini menunjukkan bahwa

variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan

Campuran bergerak sebulan lebih awal mendahului variabel reference yakni rasio

utang luar negeri terhadap produk domestik bruto (debt to GDP). Meskipun

demikian, karena nilai korelasi tertingginya berada pada ukuran lag yang kurang

dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai kandidat Coincident

69

Indicator. Dengan demikian, berdasarkan hasil uji cross correlation yang

dilakukan, maka dapat disimpulkan bahwa variabel suku bunga pinjaman modal

kerja (rupiah) dari Bank Asing dan Campuran dapat dikategorikan sebagai

kandidat Coincident Indicator krisis utang di Indonesia.

b. Uji Granger Causality (Granger Causality Test)

Selain dengan menggunakan cross correlation test, uji secara statistik juga

dilakukan dengan menggunakan granger causality test terhadap variabel suku

bunga pinjaman modal kerja (rupiah) dari Bank Asing dan Campuran.

Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel

ini terseleksi sebagai kandidat Coincident Indicators karena menunjukkan adanya

hubungan kausalitas dua arah signifikan yang mengindikasikan adanya hubungan

sebab akibat antara variabel suku bunga pinjaman modal kerja (rupiah) dari Bank

Asing dan Campuran dengan variabel acuan, yakni rasio posisi utang luar negeri

Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian Granger

Causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1,

3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada

Lampiran 5.

Tampilan granger causality tersebut menunjukkan bahwa adanya hubungan

kausalitas dua arah yang signifikan dengan signifikansi yang disepakati yaitu

lebih kecil dari 0.05. Tampak pada contoh di atas terdapat pola yang menunjukkan

penolakan hipotesis nol yang ditandai dengan nilai probabilitas yang besarnya

kurang dari tingkat signifikansi yang disepakati.

70

Berdasarkan pengujian granger causality yang dilakukan dengan spesifikasi

lag 1, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki hubungan

kausalitas baik searah maupun dua arah. Sementara itu, pengujian granger

causality yang dilakukan dengan spesifikasi lag 3,6, dan 12 menunjukkan bahwa

terdapat hubungan kausalitas dua arah yang mengindikasikan adanya hubungan

sebab akibat antara variabel suku bunga pinjaman modal kerja (rupiah) dari Bank

Asing dan Campuran dengan variabel debt to GDP sebagai variabel reference.

Hasil ini menyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah)

dari Bank Asing dan Campuran merupakan kandidat Coincident Indicator bagi

penyusunan sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia.

Merujuk pada hasil seleksi yang diperoleh dari kedua uji statistik yang telah

dilakukan, maka dapat dinyatakan bahwa variabel suku bunga pinjaman modal

kerja (rupiah) dari Bank Asing dan Campuran sebagai kandidat Coincident

Indicators yang bergerak seiring dengan variabel debt to GDP.

2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum

(Kode: Var62)

Variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum

merupakan salah satu variabel yang menjadi kandidat Coincident Indicator. Hal

ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang

dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi

melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut ini.


Uji korelasi silang secara statistik dilakukan terhadap variabel suku bunga

simpanan rupiah berjangka 6 bulan di Bank Umum. Berdasarkan hasil uji korelasi

71

silang, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat

Coincident Indicators karena memiliki korelasi paling tinggi pada lead dan lag 0

terhadap reference variabel debt to GDP. Adapun hasil uji korelasi silang antara

variabel reference series (debt to GDP) dengan variabel suku bunga simpanan

rupiah berjangka 6 bulan di Bank Umum dapat dilihat pada Lampiran 2.


yang paling tinggi adalah sebesar 0.7486 pada lead dan lag 0. Hal ini

menunjukkan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di

Bank Umum bergerak seiring dengan variabel reference yakni rasio utang luar

negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian,

berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan

bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum

dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di

Indonesia.




bunga simpanan rupiah berjangka 6 bulan di Bank Umum. Berdasarkan hasil uji

granger causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai

kandidat Coincident Indicators karena menunjukkan adanya hubungan kausalitas

dua arah signifikan yang mengindikasikan adanya hubungan sebab akibat antara

variabel suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum dengan

variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk

72

domestik bruto (debt to GDP). Pengujian granger causality dilakukan dengan

menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji

granger causality tersebut dapat disimak Lampiran 5.






Berdasarkan pengujian granger causality yang dilakukan dengan

spesifikasi lag 1, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki

hubungan kausalitas baik searah maupun dua arah. Sementara itu, pengujian

granger causality yang dilakukan dengan spesifikasi lag 3,6, dan 12 menunjukkan

bahwa terdapat hubungan kausalitas dua arah yang mengindikasikan adanya

hubungan sebab akibat antara variabel suku bunga simpanan Rupiah berjangka 6

bulan di Bank Umum dengan variabel debt to GDP sebagai reference series. Hasil

ini menyatakan bahwa variabel suku bunga simpanan rupiah berjangka 6 bulan di

Bank Umum merupakan kandidat Coincident Indicator bagi penyusunan sistem

deteksi dini kemungkinan terjaidnya krisis utang di Indonesia.

Berdasarkan hasil seleksi yang diperoleh dari kedua uji statistik yang telah

dilakukan, maka dapat dinyatakan bahwa variabel suku bunga simpanan rupiah

berjangka 6 bulan di Bank Umum sebagai kandidat Coincident Indicators yang

bergerak seiring dengan variabel debt to GDP.

73

3. Variabel Laju Inflasi Indonesia (Kode : Var76)

Variabel laju inflasi Indonesia merupakan salah satu variabel yang menjadi

kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua

tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan granger

causality. Adapun hasil seleksi melalui kedua pengujian tersebut dapat disimak

pada uraian berikut ini.


Uji korelasi silang secara statistik juga dilakukan terhadap variabel laju inflasi

Indonesia. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa

variabel ini terseleksi sebagai kandidat Coincident Indicators karena memiliki

korelasi paling tinggi pada lag 1 terhadap reference variabel debt to GDP dimana

ukuran lag tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel

reference series (debt to GDP) dengan variabel laju inflasi Indonesia dapat dilihat

pada Lampiran 2.



variabel suku bunga pinjaman modal kerja (rupiah) dari Bank Asing dan

Campuran bergerak sebulan lebih awal mendahului variabel reference yakni rasio

utang luar negeri terhadap produk domestik bruto (debt to GDP). Meskipun

demikian, karena nilai korelasi tertingginya berada pada ukuran lag yang kurang

dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai kandidat Coincident

Indicator. Dengan demikian, berdasarkan hasil uji cross correlation yang

dilakukan, maka dapat disimpulkan bahwa variabel laju inflasi Indonesia dapat

dikategorikan sebagai kandidat Coincident Indicator krisis utang di Indonesia.

74



dilakukan dengan menggunakan granger causality test terhadap variabel laju

inflasi Indonesia. Berdasarkan hasil uji granger causality, maka dapat dinyatakan

bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena

menunjukkan adanya hubungan kausalitas dua arah signifikan yang

mengindikasikan adanya hubungan sebab akibat antara variabel laju inflasi

Indonesia dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality

dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan

12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 5.








kausalitas baik searah maupun dua arah. Sementara itu, pengujian dengan

spesifikasi lag 6 menyatakan bahwa terdapat hubungan kausalitas satu arah

dimana variabel debt to GDP mengakibatkan variabel laju inflasi Indonesia, tetapi

tidak sebaliknya. Adapun hasil pengujian granger causality yang dilakukan

dengan spesifikasi lag 3 dan 12 menunjukkan bahwa terdapat hubungan kausalitas

75

dua arah yang mengindikasikan adanya hubungan sebab akibat antara variabel

laju inflasi Indonesia dengan variabel debt to GDP sebagai variabel reference.

Hasil ini menyatakan bahwa variabel laju inflasi Indonesia merupakan kandidat

Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya

krisis utang di Indonesia.

Berdasarkan hasil seleksi yang diperoleh dari ketiga uji yang telah dilakukan,

maka dapat dinyatakan bahwa variabel laju inflasi Indonesia sebagai kandidat

Coincident Indicator yang bergerak seiring dengan variabel debt to GDP.

4. Variabel Harga Komoditi Mentah Pertanian Dunia (Kode : Var 94)

Variabel harga komoditi mentah pertanian dunia merupakan salah satu

variabel yang menjadi kandidat Coincident Indicator. Hal ini didasarkan pada

hasil seleksi melalui dua tahap pengujian statistik yang dilakukan, yakni uji cross

correlation dan granger causality. Adapun hasil seleksi melalui kedua tahap

pengujian tersebut dapat disimak pada uraian berikut ini.


Uji korelasi silang secara statistik juga dilakukan terhadap variabel harga

komoditi mentah pertanian dunia. Berdasarkan hasil uji korelasi silang, maka

dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident

Indicator karena memiliki korelasi paling tinggi pada lead 5 terhadap reference

variabel debt to GDP dimana ukuran lead tersebut kurang dari 6. Adapun hasil uji

korelasi silang antara variabel reference series (debt to GDP) dengan variabel

harga komoditi mentah pertanian dunia dapat dilihat pada output e-views berikut.

76


yang paling tinggi adalah sebesar -0.7352 pada lead 5. Tanda negatif yang muncul

pada hasil cross correlation test tersebut mengindikasikan bahwa variabel harga

komoditi mentah pertanian dunia dengan variabel debt to GDP berkorelasi negatif

atau berbanding terbalik. Hasil ini menunjukkan bahwa variabel harga komoditi

mentah pertanian dunia memiliki pergerakan yang mengikuti variabel reference

yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP)

dengan selang waktu 5 bulan. Meskipun begitu, variabel ini masih dapat

dipertimbangkan sebagai kandidat Coincident Indicator karena nilai korelasi

tertingginya berada pada lead yang kurang dari 6. Dengan demikian, berdasarkan

hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa

variabel harga komoditi mentah pertanian dunia dapat dikategorikan sebagai

kandidat Coincident Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel harga

komoditi mentah pertanian dunia. Berdasarkan hasil uji granger causality, maka

dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat Coincident

Indicators karena menunjukkan adanya hubungan kausalitas dua arah signifikan

yang mengindikasikan adanya hubungan sebab akibat antara variabel harga

komoditi mentah pertanian dunia dengan variabel acuan, yakni rasio posisi utang

luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian

Granger Causality dilakukan dengan menggunakan beberapa spesifikasi lag,

77

yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality tersebut dapat

disimak pada Lampiran 5.







lag 6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki


granger causality yang dilakukan dengan spesifikasi lag 3 menunjukkan bahwa

terdapat hubungan kausalitas satu arah. Adapun pengujian granger causality yang

dilakukan dengan spesifikasi 1 menunjukkan bahwa terdapat hubungan kausalitas

dua arah yang menunjukkan adanya hubungan sebab akibat antara variabel harga

komoditi mentah pertanian dunia dengan variabel debt to GDP. Hasil ini

menyatakan bahwa variabel harga komoditi mentah pertanian dunia merupakan

kandidat Coincident Indicator bagi penyusunan sistem deteksi dini kemungkinan

terjaidnya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel harga komoditi mentah pertanian dunia

sebagai kandidat Coincident Indicators yang bergerak seiring dengan variabel

debt to GDP.

78

5. Variabel SBI 1 Bulan

Variabel SBI 1 bulan merupakan salah satu variabel yang menjadi kandidat

Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap

pengujian statistik yang dilakukan, yakni uji cross correlation dan granger

causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut dapat

disimak pada uraian berikut ini.


Selain melakukan uji secara grafis dengan prosedur Bry Boschan, uji korelasi

silang secara statistik juga dilakukan terhadap variabel SBI 1 bulan. Berdasarkan

hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini terseleksi

sebagai kandidat Coincident Indicators karena memiliki korelasi paling tinggi

pada lag 2 terhadap variabel reference yaitu debt to GDP dimana ukuran lag

tersebut kurang dari 6. Adapun hasil uji korelasi silang antara variabel reference

(debt to GDP) dengan variabel SBI 1 bulan dapat dilihat pada output e-views

berikut.



variabel SBI 1 bulan bergerak dua bulan lebih awal mendahului variabel reference

yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP).

Meskipun demikian, karena nilai korelasi tertingginya berada pada ukuran lag

yang kurang dari 6, maka variabel ini dapat tetap dipertimbangkan sebagai

kandidat Coincident Indicator. Dengan demikian, berdasarkan hasil uji cross

correlation yang dilakukan, maka dapat disimpulkan bahwa variabel SBI 1 bulan

79

dapat dikategorikan sebagai kandidat Coincident Indicator krisis utang di

Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel SBI 1

bulan. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa

variabel ini terseleksi sebagai kandidat Coincident Indicators karena


mengindikasikan adanya hubungan sebab akibat antara variabel SBI 1 bulan

dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap

produk domestik bruto (debt to GDP). Pengujian Granger Causality dilakukan

dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun

hasil uji granger causality tersebut dapat disimak pada Lampiran 5.







lag 1 dan 6, diperoleh hasil bahwa terdapat hubungan kausalitas satu arah antara

kedua variabel yang diuji. Sementara itu, pengujian granger causality yang

dilakukan dengan spesifikasi lag 3 dan 12 menunjukkan bahwa terdapat hubungan

kausalitas dua arah yang mengindikasikan adanya hubungan sebab akibat antara

80

variabel SBI 1 bulan dengan variabel debt to GDP sebagai variabel reference.

Hasil ini menyatakan bahwa variabel SBI 1 bulan merupakan kandidat Coincident

Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis

utang di Indonesia.


maka dapat dinyatakan bahwa variabel SBI 1 bulan sebagai kandidat Coincident

Indicators yang bergerak seiring dengan variabel debt to GDP.

6. Interest Rate Spread (Lending Rate Minus Deposit Rate) (Kode : Var102)

Variabel interest rate spread merupakan salah satu variabel yang menjadi

kandidat Coincident Indicator. Hal ini didasarkan pada hasil seleksi melalui dua






silang secara statistik juga dilakukan terhadap variabel interest rate spread.

Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini

terseleksi sebagai kandidat Coincident Indicator karena memiliki korelasi paling

tinggi pada lead dan lag 0 terhadap reference variabel debt to GDP. Adapun hasil

uji korelasi silang antara variabel debt to GDP dengan variabel interest rate

spread dapat dilihat pada output e-views yang terdapat di Lampiran 5.


yang paling tinggi adalah sebesar -0.7209 pada lead dan lag 0. Tanda negatif

81

yang muncul pada hasil cross correlation test tersebut mengindikasikan bahwa

variabel interest rate spread dengan variabel debt to GDP berkorelasi negatif atau

berbanding terbalik. Hasil ini menunjukkan bahwa variabel ini memiliki

pergerakan yang seiring dengan debt to GDP. Dengan demikian, berdasarkan

hasil uji cross correlation yang dilakukan, maka dapat disimpulkan bahwa

variabel interest rate spread dapat dikategorikan sebagai kandidat Coincident

Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel interest

rate spread. Berdasarkan hasil uji granger causality, maka dapat dinyatakan

bahwa variabel ini terseleksi sebagai kandidat Coincident Indicators karena


mengindikasikan adanya hubungan sebab akibat antara variabel interest rate

spread dengan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP). Pengujian Granger Causality


12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views

di Lampiran 5.




82




lag 1, tidak terdapat hubungan kausalitas antara kedua variabel yang diuji.

Sementara itu, pengujian granger causality yang dilakukan dengan spesifikasi lag

12 menunjukkan bahwa terdapat hubungan kausalitas satu arah antara kedua

variabel yang diuji. Adapun pengujian granger causality yang dilakukan dengan

spesifikasi lag 3 dan 6 menunjukkan bahwa terdapat hubungan kausalitas dua arah

yang mengindikasikan adanya hubungan sebab akibat antara variabel interest rate

spread dengan variabel debt to GDP. Hasil ini menyatakan bahwa variabel

interest rate spread merupakan kandidat Coincident Indicator bagi penyusunan

sistem deteksi dini kemungkinan terjadinya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel interest rate spread sebagai kandidat

Coincident Indicator yang bergerak seiring dengan variabel debt to GDP.

4.2.1.2 Identifikasi Variabel-variabel yang Menjadi Kandidat Leading

Indicators

Leading Indicators (LI) merupakan indikator business cycle analysis yang

pergerakannya mendahului variabe acuan (reference series). Indikator ini

merupakan indikator komposit yang paling banyak mendapatkan perhatian,

karena kemampuannya sebagai early warning indicators untuk melakukan

peramalan kondisi perekonomian ke depan. Dengan kata lain, Leading Indicators

memiliki kemampuan dalam melakukan peramalan tentang perubahan yang

83

terjadi pada periode mendatang serta dapat memprediksi siklus perekonomian.

Siklus perekonomian yang dimaksud yakni terkait dengan kapan periode

terjadinya kondisi perekonomian yang mencapai puncak (peak), masih berlanjut

(steady), mulai menurun (contraction), sampai titik terendah (trough), dan

kembali naik (expansion). Early Warning System (EWS) pada siklus

perekonomian sangat penting bagi pemerintah serta sektor riil dalam kerangka

perencanaan dan formulasi kebijakan serta pengambilan keputusan.

Dalam pembangunan sistem deteksi dini krisis utang di Indonesia, penyusunan

Leading Indicators menjadi suatu bagian yang sangat penting karena indikator ini

akan mampu memberikan prakiraan secara akurat mengenai bagaimana kondisi

beban utang Indonesia pada periode waktu mendatang. Leading indicators

tersebut akan mampu melakukan peramalan tentang perubahan beban utang yang

dialami Indonesia yang terjadi sehingga dapat membantu untuk memprediksi

secara dini kemungkinan Indonesia menghadapi krisis utang pada periode waktu

ke depan.

Menurut Nasution (2007), kandidat LI diperoleh dengan bantuan peralatan

statistika yakni analisis korelasi silang (cross correlation), dan uji granger

causality. Berdasarkan analisis korelasi silang, kandidat LI diperoleh dengan

melihat korelasi yang paling tinggi pada lag yang cukup jauh. Kriteria leading

indicators berdasarkan uji granger causality adalah dengan melihat hubungan

kausalitas satu arah signifikan pada lag yang cukup jauh yang mengindikasikan

bahwa variabel yang diuji mengakibatkan variabel acuan, yakni rasio posisi utang

luar negeri Indonesia terhadap produk domestik bruto (debt to GDP). Tingkat

84

signifikansi yang disepakati adalah nilai probabilitasny harus lebih kecil dari 0,05

(alpha=5 persen).

Dalam rangka melakukan seleksi untuk memperoleh variabel-variabel yang

menjadi kandidat Leading Indicators, maka dilakukan ketiga tahap pengujian

terhadap 111 variabel makroekonomi yang berhasil dikumpulkan, yakni uji

korelasi silang dan granger causality. Dari tahap seleksi tersebut, pada akhirnya

diperoleh enam variabel yang ditetapkan sebagai kandidat Leading Indicators.

Adapun keenam variabel tersebut beserta hasil pengujiannya dapat disimak pada

uraian berikut ini.

1. Suku Bunga LIBOR 6 Bulan

Variabel suku bunga LIBOR 6 bulan merupakan salah satu variabel yang

menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui

dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan

granger causality. Adapun hasil seleksi melalui kedua tahap pengujian tersebut

dapat disimak pada uraian berikut ini.


Uji korelasi silang secara statistik juga dilakukan terhadap variabel suku

bunga LIBOR 6 bulan. Berdasarkan hasil uji korelasi silang, maka dapat

dinyatakan bahwa variabel ini terseleksi sebagai kandidat Leading Indicators

karena memiliki korelasi paling tinggi pada lag 8 terhadap reference variabel debt

to GDP. Adapun hasil uji korelasi silang antara variabel reference series (debt to

GDP) dengan variabel suku bunga LIBOR 6 bulan dapat dilihat pada output e-

views di Lampiran 3.

85



variabel suku bunga LIBOR 6 bulan bergerak mendahului variabel reference

yakni rasio utang luar negeri terhadap produk domestik bruto (debt to GDP).

Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka

dapat disimpulkan bahwa variabel suku bunga LIBOR 6 bulan dapat

dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia.


Uji secara statistik juga dilakukan dengan menggunakan granger causality test

terhadap variabel suku bunga LIBOR 6 bulan. Berdasarkan hasil uji granger

causality, maka dapat dinyatakan bahwa variabel ini terseleksi sebagai kandidat

Leading Indicators karena menunjukkan adanya hubungan kausalitas satu arah

signifikan yang mengindikasikan variabel suku bunga LIBOR 6 bulan

mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP). Pengujian granger causality


12. Adapun hasil uji granger causality tersebut dapat disimak pada Lampiran 6.


kausalitas satu arah yang signifikan dengan signifikansi yang disepakati yaitu




86



hubungan kausalitas baik searah maupun dua arah. Adapun pengujian yang

dilakukan dengan spesifikasi lag 12 menunjukkan bahwa terdapat hubungan

kausalitas satu arah dimana variabel debt to GDP mengakibatkan variabel suku

bunga LIBOR 6 bulan. Sementara itu, pengujian granger causality yang

dilakukan dengan spesifikasi lag 1 menunjukkan bahwa terdapat hubungan

kausalitas satu arah signifikan yang mengindikasikan variabel suku bunga LIBOR

6 bulan mengakibatkan variabel debt to GDP sebagai reference series. Hasil ini

menyatakan bahwa variabel suku bunga LIBOR 6 bulan merupakan kandidat

Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya


Berdasarkan pada hasil seleksi yang diperoleh dari ketiga uji yang telah

dilakukan, maka dapat dinyatakan bahwa variabel suku bunga LIBOR 6 bulan

sebagai kandidat Leading Indicators yang bergerak mendahului variabel debt to

GDP.

2. Variabel Laju Inflasi Jepang (Kode : Var66)

Variabel laju inflasi Jepang merupakan salah satu variabel yang menjadi

kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi melalui dua




87


Uji korelasi silang secara statistik juga dilakukan terhadap variabellaju inflais

Jepang. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa

variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki

korelasi paling tinggi pada lag 11 terhadap reference variabel debt to GDP.

Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP)

dengan variabel laju inflasi Jepang dapat dilihat pada output e-views yang terdapat

di Lampiran 3.



variabel laju inflasi Indonesia bergerak mendahului variabel reference yakni rasio

utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan

demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat

disimpulkan bahwa variabel laju inflasi Jepang dapat dikategorikan sebagai

kandidat Leading Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel laju

inflasi Jepang. Berdasarkan hasil uji granger causality, maka dapat dinyatakan

bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena

menunjukkan adanya hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel laju inflasi Jepang mengakibatkan variabel acuan, yakni

rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to

88

GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa

spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger causality

tersebut dapat disimak pada output e-views di Lampiran 6.







lag 3,6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki


granger causality yang dilakukan dengan spesifikasi lag 1 menunjukkan bahwa

terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel

laju inflasi Jepang mengakibatkan variabel debt to GDP sebagai reference series.

Hasil ini menyatakan bahwa variabel laju inflasi Jepang merupakan kandidat

Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya



maka dapat dinyatakan bahwa variabel laju inflasi Jepang sebagai kandidat

Leading Indicators yang bergerak mendahului variabel debt to GDP.

89

3. Variabel M2/Cadangan Devisa

Variabel M2/Cadangan Devisa merupakan salah satu variabel yang menjadi


tahap pengujian yang dilakukan, yakni uji cross correlation dan granger




Uji korelasi silang secara statistik juga dilakukan terhadap variabel

M2/Cadangan Devisa. Berdasarkan hasil uji korelasi silang, maka dapat


karena memiliki korelasi paling tinggi pada lag 12 terhadap reference variabel

debt to GDP. Adapun hasil uji korelasi silang antara variabel reference series

(debt to GDP) dengan variabel M2/Cadangan Devisa dapat dilihat pada output e-




variabel M2/Cadangan Devisa bergerak mendahului variabel reference yakni rasio

utang luar negeri terhadap produk domestik bruto (debt to GDP). Dengan

demikian, berdasarkan hasil uji cross correlation yang dilakukan, maka dapat

disimpulkan bahwa variabel M2/Cadangan Devisa dapat dikategorikan sebagai

kandidat Leading Indicator krisis utang di Indonesia.


90


dilakukan dengan menggunakan granger causality test terhadap variabel

M2/Cadangan Devisa. Berdasarkan hasil uji granger causality, maka dapat


karena menunjukkan adanya hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel M2/Cadanan Devisa mengakibatkan variabel acuan,

yakni rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto

(debt to GDP). Pengujian granger causality dilakukan dengan menggunakan

beberapa spesifikasi lag, yakni lag 1, 3, 6, dan 12. Adapun hasil uji granger

causality tersebut dapat disimak pada output e-views di Lampiran 6.







lag 3 dan 6, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan

kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 12

menunjukkan adanya hubungan kausalitas satu arah dimana varaibel debt to GDP

signifikan mengakibatkan variabel M2/Cadangan Devisa. Sementara itu,

pengujian granger causality yang dilakukan dengan spesifikasi lag 1

menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel M2/Cadangan Devisa mengakibatkan variabel debt to

91

GDP sebagai reference series. Hasil ini menyatakan bahwa variabel

M2/Cadangan Devisa merupakan kandidat Leading Indicator bagi penyusunan

sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel M2/Cadangan Devisa sebagai kandidat

Leading Indicators yang bergerak mendahului variabel debt to GDP.

4. Loan to GDP (Kode : Var105)

Variabel Loan to GDP merupakan salah satu variabel yang menjadi


tahap pengujian yang dilakukan, yakni uji cross correlation dan granger




Uji korelasi silang secara statistik dilakukan terhadap variabel Loan to GDP.

Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan bahwa variabel ini

terseleksi sebagai kandidat Leading Indicators karena memiliki korelasi paling

tinggi pada lag 12 terhadap reference variabel debt to GDP. Adapun hasil uji


Loan to GDP dapat dilihat pada output e-views di Lampiran 3.



variabel Loan to GDP bergerak mendahului variabel reference yakni rasio utang

luar negeri terhadap produk domestik bruto (debt to GDP). Dengan demikian,

92

berdasarkan hasil uji cross correlation yang dilakukan, maka dapat disimpulkan

bahwa variabel Loan to GDP dapat dikategorikan sebagai kandidat Leading

Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel Loan to

GDP. Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa

variabel ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan

adanya hubungan kausalitas satu arah signifikan yang mengindikasikan variabel

Loan to GDP mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri

Indonesia terhadap produk domestik bruto (debt to GDP). Pengujian granger

causality dilakukan dengan menggunakan beberapa spesifikasi lag, yakni lag 1, 3,

6, dan 12. Adapun hasil uji granger causality tersebut dapat disimak pada output

e-views di Lampiran 6.








kausalitas baik searah maupun dua arah. Adapun pengujian yang dilakukan

dengan spesifikasi lag 12 menunjukkan bahwa terdapat hubungan kausalitas dua

93

arah di antara kedua variabel yang diuji. Sementara itu, pengujian granger

causality yang dilakukan dengan spesifikasi lag 1 dan 6 menunjukkan bahwa

terdapat hubungan kausalitas satu arah signifikan yang mengindikasikan variabel

Loan to GDP mengakibatkan variabel debt to GDP sebagai variabel reference.

Hasil ini menyatakan bahwa variabel Loan to GDP merupakan kandidat Leading

Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya krisis

utang di Indonesia.


maka dapat dinyatakan bahwa variabel Loan to GDP sebagai kandidat Leading

Indicators yang bergerak mendahului variabel debt to GDP.

5. Variabel LQ 45 (Kode : Var107)

Variabel LQ 45 merupakan salah satu variabel yang menjadi kandidat Leading

Indicator. Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian

statistik yang dilakukan, uji cross correlation dan granger causality. Adapun hasil

seleksi melalui kedua tahap pengujian tersebut dapat disimak pada uraian berikut

ini.


Uji korelasi silang secara statistik dilakukan terhadap variabel LQ 45. Adapun

hasil uji korelasi silang antara variabel reference series (debt to GDP) dengan

variabel LQ 45 dapat dilihat pada output e-views sebagaimana yang tercantum di

Lampiran 3.



94

ini mengindikasikan bahwa kedua variabel yang diuji saling berkorelasi negatif.

Hasil ini menunjukkan bahwa variabel LQ 45 bergerak mengikuti variabel

reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to

GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan,

maka dapat disimpulkan bahwa variabel LQ 45 tidak dapat dikategorikan sebagai

kandidat Leading Indicator krisis utang di Indonesia. Namun, variabel ini dapat

tetap dipertimbangkan sebagai kandidat Leading Indicator berdasarkan hasil yang

diperoleh dari kedua uji lainnya.



dilakukan dengan menggunakan granger causality test terhadap variabel LQ 45.

Berdasarkan hasil uji granger causality, maka dapat dinyatakan bahwa variabel

ini terseleksi sebagai kandidat Leading Indicators karena menunjukkan adanya

hubungan kausalitas satu arah signifikan yang mengindikasikan variabel LQ 45

mengakibatkan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP). Pengujian granger causality


12. Adapun hasil uji granger causality tersebut dapat disimak pada output e-views

di Lampiran 6.




95



Pengujian granger causality yang dilakukan dengan spesifikasi lag 1, 3, 6 dan

12 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel LQ 45 mengakibatkan variabel debt to GDP sebagai

variabel reference. Hasil ini menyatakan bahwa variabel LQ 45 merupakan

kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan



maka dapat dinyatakan bahwa variabel LQ 45 sebagai kandidat Leading

Indicators yang bergerak mendahului variabel debt to GDP.

6. Nominal Effective Exchange Rate (Kode : Var111)

Variabel Nominal Effective Exchange Rate merupakan salah satu variabel

yang menjadi kandidat Leading Indicator. Hal ini didasarkan pada hasil seleksi

melalui dua tahap pengujian yang dilakukan, yakni uji cross correlation dan





silang secara statistik juga dilakukan terhadap variabel Nominal Effective

Exchange Rate. Berdasarkan hasil uji korelasi silang, maka dapat dinyatakan

bahwa variabel ini terseleksi sebagai kandidat Leading Indicators karena memiliki

korelasi paling tinggi pada lag 12 terhadap reference variabel debt to GDP.

96

Adapun hasil uji korelasi silang antara variabel reference series (debt to GDP)

dengan variabel Nominal Effective Exchange Rate dapat dilihat pada output e-




variabel Nominal Effective Exchange Rate bergerak mendahului variabel

reference yakni rasio utang luar negeri terhadap produk domestik bruto (debt to

GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang dilakukan,

maka dapat disimpulkan bahwa variabel Nominal Effective Exchange Rate dapat

dikategorikan sebagai kandidat Leading Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel Nominal

Effective Exchange Rate. Berdasarkan hasil uji granger causality, maka dapat



mengindikasikan variabel Loan to GDP mengakibatkan variabel acuan, yakni

rasio posisi utang luar negeri Indonesia terhadap produk domestik bruto (debt to

GDP). Pengujian granger causality dilakukan dengan menggunakan beberapa





97





lag 3, 6, dan 12, diperoleh hasil bahwa kedua variabel yang diuji memiliki

hubungan kausalitas dua arah. Adapun pengujian yang dilakukan dengan

spesifikasi lag 1 menunjukkan bahwa terdapat hubungan kausalitas satu arah

signifikan yang mengindikasikan variabel Nominal Effective Exchange Rate

mengakibatkan variabel debt to GDP sebagai variabel reference. Hasil ini

menyatakan bahwa variabel Nominal Effective Exchange Rate merupakan

kandidat Leading Indicator bagi penyusunan sistem deteksi dini kemungkinan

terjaidnya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel Nominal Effective Exchange Rate sebagai

kandidat Leading Indicators yang bergerak mendahului variabel debt to GDP.

Dari hasil seleksi yang dilakukan dengan menggunakan ketiga uji

sebagaimana yang telah diuraikan sebelumnya, maka pada akhirnya diperoleh

enam variabel yang menjadi kandidat Coincident Indicators. Pada tahap

selanjutnya, keenam variabel tersebut akan mengalami proses pembobotan dalam

rangka pembentukan Leading Debt Index yang merupakan instrument terpenting

dalam pembangunan early warning system karena pergerakannya yang mampu

memprediksi kemungkinan terjadinya krisis utang di Indonesia.

98

4.2.1.3 Identifikasi Variabel-variabel yang Menjadi Kandidat Lagging

Indicators

Lagging Indicators adalah variabel yang mengikuti (lag) pergerakan

Coincident maupun Leading Indicators. Sama halnya dengan Leading dan

Coincident Indicators, kandidat Lagging diperoleh dengan bantuan peralatan

statistik berupa grafik, analisis korelasi silang (cross correlation), dan granger

causality. Berdasarkan analisis korelasi silang, kandidat Lagging Indicators

diperoleh dengan melihat korelasi paling tinggi pada lead yang cukup jauh.

Kriteria coincident indicators berdasarkan uji granger causality yakni dengan

melihat hubungan kausalitas satu arah signifikan yang mengindikasikan bahwa

variabel acuan, yakni rasio posisi utang luar negeri Indonesia terhadap produk

domestik bruto (debt to GDP), mengakibatkan variabel yang diuji. Tingkat

signifikansi yang disepakati adalah nilai probabilitasnya harus lebih kecil dari

0,05 (alpha=5 persen).

Dalam rangka melakukan seleksi untuk memperoleh variabel-variabel yang

menjadi kandidat Lagging Indicators, maka dilakukan dua tahap pengujian

statistic terhadap 111 variabel makroekonomi yang berhasil dikumpulkan, yakni

uji korelasi silang dan granger causality. Dari tahap seleksi tersebut, pada

akhirnya diperoleh empat variabel yang ditetapkan sebagai kandidat Lagging

Indicators. Adapun keempat variabel tersebut beserta hasil pengujiannya dapat


99

1. Suku Bunga Pinjaman (Modal Kerja) Rupiah Yang Diberikan Bank

Persero (Kode : Var 34)

Variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank

Persero merupakan salah satu variabel yang menjadi kandidat Lagging Indicator.

Hal ini didasarkan pada hasil seleksi melalui dua tahap pengujian statistik yang

dilakukan, yaitu uji cross correlation dan granger causality. Adapun hasil seleksi



Uji korelasi silang secara statistik dilakukan terhadap variabel suku bunga

pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Adapun hasil uji


suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero dapat

dilihat pada output e-views di Lampiran 4.


yang paling tinggi adalah sebesar 0.8297 pada lead 2. Hal ini menunjukkan bahwa

variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero

bergerak mengikuti variabel reference yakni rasio utang luar negeri terhadap

produk domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji

cross correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku

bunga pinjaman modal kerja (rupiah) yang diberikan Bank Persero dapat

dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia.

100



dilakukan dengan menggunakan granger causality test terhadap suku bunga

pinjaman modal kerja (rupiah) yang diberikan Bank Persero. Berdasarkan hasil uji


kandidat Lagging Indicators karena menunjukkan adanya hubungan kausalitas

satu arah signifikan yang mengindikasikan variabel acuan, yakni rasio posisi

utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP),

mengakibatkan variabel suku bunga pinjaman modal kerja (rupiah) yang

diberikan Bank Persero. Pengujian granger causality dilakukan dengan


granger causality tersebut dapat disimak pada output e-views sebagaimana yang

tercantum dalam Lampiran 7.







lag 1, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan

kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi lag 3, 6,

dan 12 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan

yang mengindikasikan variabel debt to GDP sebagai variabel reference

101

mengakibatkan variabel suku bunga pinjaman modal kerja (rupiah) yang

diberikan Bank Persero. Hasil ini menyatakan bahwa variabel suku bunga

pinjaman modal kerja (rupiah) yang diberikan Bank Persero merupakan kandidat

Lagging Indicator bagi penyusunan sistem deteksi dini kemungkinan terjaidnya



maka dapat dinyatakan bahwa variabel suku bunga pinjaman modal kerja (rupiah)

yang diberikan Bank Persero sebagai kandidat Lagging Indicators yang bergerak

mengikuti variabel debt to GDP

2. Variabel Suku Bunga Simpanan Rupiah Berjangka 24 Bulan di Bank

Umum (Kode : Var 64)

Variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum

merupakan salah satu variabel yang menjadi kandidat Lagging Indicator. Hal ini

didasarkan pada hasil seleksi melalui dua tahap pengujian statistic yang

dilakukan, yakni uji cross correlation dan granger causality. Adapun hasil seleksi




silang secara statistik juga dilakukan terhadap variabel suku bunga simpanan

rupiah berjangka 24 bulan di Bank Umum. Adapun hasil uji korelasi silang antara

variabel reference series (debt to GDP) dengan variabel suku bunga simpanan

rupiah berjangka 24 bulan di Bank Umum dapat dilihat pada output e-views di

Lampiran 4.

102


yang paling tinggi adalah sebesar 0.6063 pada lead 4. Hal ini menunjukkan bahwa

variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum bergerak

mengikuti variabel reference yakni rasio utang luar negeri terhadap produk

domestik bruto (debt to GDP). Dengan demikian, berdasarkan hasil uji cross

correlation yang dilakukan, maka dapat disimpulkan bahwa variabel suku bunga

simpanan rupiah berjangka 24 bulan di Bank Umum dapat dikategorikan sebagai

kandidat Lagging Indicator krisis utang di Indonesia.




bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Berdasarkan hasil uji


kandidat Lagging Indicators karena menunjukkan adanya hubungan kausalitas

satu arah signifikan yang mengindikasikan variabel acuan, yakni rasio posisi

utang luar negeri Indonesia terhadap produk domestik bruto (debt to GDP),

mengakibatkan variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank

Umum. Pengujian granger causality dilakukan dengan menggunakan beberapa






103





hubungan kausalitas. Adapun pengujian yang dilakukan dengan spesifikasi lag 1

dan 3 menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel debt to GDP sebagai variabel reference mengakibatkan

variabel suku bunga simpanan rupiah berjangka 24 bulan di Bank Umum. Hasil

ini menyatakan bahwa variabel suku bunga simpanan rupiah berjangka 24 bulan

di Bank Umum merupakan kandidat Lagging Indicator bagi penyusunan sistem

deteksi dini kemungkinan terjaidnya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel suku bunga simpanan rupiah berjangka 24

bulan di Bank Umum sebagai kandidat Lagging Indicators yang bergerak

mengikuti variabel debt to GDP.

3. Imports Merchandise Constant (US$, millions) (Kode : Var97)

Variabel import merchandise constant merupakan salah satu variabel yang

menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui

dua tahap pengujian statistic yang dilakukan, yakni uji cross correlation dan



104



silang secara statistik juga dilakukan terhadap variabel import merchandise

constant. Adapun hasil uji korelasi silang antara variabel reference series (debt to

GDP) dengan variabel import merchandise constant dapat dilihat pada output e-




ini mengindikasikan bahwa kedua variabel yan diuji berkorelasi negatif. Hasil ini

menunjukkan bahwa variabel import merchandise constant bergerak mengikuti

variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto

(debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang

dilakukan, maka dapat disimpulkan bahwa variabel import merchandise constant

dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap variabel import

merchandise constant. Berdasarkan hasil uji granger causality, maka dapat

dinyatakan bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators


mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel import

merchandise constant. Pengujian granger causality dilakukan dengan

105


granger causality tersebut dapat disimak pada output e-views di Lampiran 7.


lag 3, 6 dan 12, diperoleh hasil bahwa kedua variabel yang diuji tidak memiliki

hubungan kausalitas. Adapun pengujian yang dilakukan dengan spesifikasi lag 1

menunjukkan bahwa terdapat hubungan kausalitas dua arah. Hasil dari uji granger

causality ini menyatakan bahwa variabel import merchandise constant bukan

merupakan kandidat Lagging Indicator bagi penyusunan sistem deteksi dini

kemungkinan terjadinya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel import merchandise constant sebagai

kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP.

4. Local Equity Market Index (US$)

Variabel Local Equity Market Index merupakan salah satu variabel yang

menjadi kandidat Lagging Indicator. Hal ini didasarkan pada hasil seleksi melalui

dua tahap pengujian statistik yang dilakukan, yakni uji cross correlation dan





silang secara statistik juga dilakukan terhadap variabel Local Equity Market

Index. Adapun hasil uji korelasi silang antara variabel reference series (debt to

106

GDP) dengan variabel suku bunga pinjaman modal kerja (rupiah) yang diberikan

Bank Persero dapat dilihat pada output e-views di Lampiran 4.


yang paling tinggi adalah sebesar -0.6950 pada lead 6. Tanda negatif ini

menunjukkan bahwa kedua variabel yang diuji berkorelasi negatif. Hasil ini

menunjukkan bahwa variabel Local Equity Market Index bergerak mengikuti

variabel reference yakni rasio utang luar negeri terhadap produk domestik bruto

(debt to GDP). Dengan demikian, berdasarkan hasil uji cross correlation yang

dilakukan, maka dapat disimpulkan bahwa variabel Local Equity Market Index

dapat dikategorikan sebagai kandidat Lagging Indicator krisis utang di Indonesia.



dilakukan dengan menggunakan granger causality test terhadap Local Equity

Market Index. Berdasarkan hasil uji granger causality, maka dapat dinyatakan

bahwa variabel ini terseleksi sebagai kandidat Lagging Indicators karena

menunjukkan adanya hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel acuan, yakni rasio posisi utang luar negeri Indonesia

terhadap produk domestik bruto (debt to GDP), mengakibatkan variabel Local

Equity Market Index. Pengujian granger causality dilakukan dengan


granger causality tersebut dapat disimak pada output e-views di Lampiran 7.



107





lag 1 dan 6, diperoleh hasil bahwa kedua variabel yang diuji memiliki hubungan

kausalitas dua arah. Adapun pengujian yang dilakukan dengan spesifikasi 3

menunjukkan bahwa terdapat hubungan kausalitas satu arah signifikan yang

mengindikasikan variabel debt to GDP sebagai variabel reference mengakibatkan

variabel Local Equity Market Index. Hasil ini menyatakan bahwa variabel Local

Equity Market Index merupakan kandidat Lagging Indicator bagi penyusunan

sistem deteksi dini kemungkinan terjaidnya krisis utang di Indonesia.


maka dapat dinyatakan bahwa variabel Local Equity Market Index sebagai

kandidat Lagging Indicators yang bergerak mengikuti variabel debt to GDP.

Dari tahap seleksi yang dilakukan dengan menggunakan uji secara grafis

maupun statisik, maka diperoleh empat variabel kandidat Lagging Indicator, yaitu

variabel suku bunga pinjaman rupiah untuk modal kerja yang diberikan Bank

Persero, suku bunga simpanan rupiah berjangkan 24 bulan di Bank Umum, import

merchandise constant dan Local Equity Market. Pada tahap selanjutnya, keempat

variabel tersebut akan melalui proses pembobotan dalam rangka pembentukan

Lagging Debt Index.

108

4.2.2 Penyusunan Composite Coincident, Leading dan Lagging Debt Index

Dari langkah sebelumnya, telah diperoleh enam variabel yang menjadi

kandidat Leading Indicator dan enam variabel yang menjadi kandidat Coincident

Indicator. Selanjutnya, akan disusun suatu composite index yang merupakan

penggabungan dari variabel-variabel kandidat tersebut. Proses penggabungan

(compose) variabel-variabel kandidat untuk mendapatkan Coincident Debt Index

(CI) dan Leading Debt Index (LI) terbaik dilakukan dengan cara trial-error.

Indikator baiknya Coincident Debt Index didasarkan pada persamaan

pergerakannya dengan Reference Series, sementara untuk LI didasarkan pada

kemampuannya untuk memprediksi CI dan Reference Series.

Sebelum melalui proses perhitungan dalam rangka memperoleh Coincident

Debt Index, keenam variabel yang terseleksi sebagai kandidat Coincident

Indicators perlu mengalami proses penyesuaian dari faktor musiman (seasonal

adjustmen). Hal ini dilakukan agar variabel tersebut merepresentasikan nilai yang

tidak dipengaruhi oleh kondisi musiman seperti Tahun Baru China ataupun Hari

Raya Idul Fitri. Dengan demikian, pergerakan variabel-variabel tersebut tidak

akan menimbulkan missleading dalam mendeskribsikan kondisi beban utang luar

negeri Indonesia. Adapun hasil seasonal adjustment yang dilakukan terhadap

keenam variabel yang telah terseleksi sebagai kandidat Coincident Indicators

dapat disimak pada Lampiran 8.

4.2.2.1 Penyusunan Coincident Debt Index (CDI)

Beberapa tahapan yang perlu dilakukan untuk menyusun CDI tersebut adalah

sebagai berikut :

109

1. Perhitungan Month-on-Month (MoM) Symmetric Percent Change

2. Adjustment MoM

3. Penjumlahan Adjustment MoM (it)

4. Adjustment it

5. Perhitungan Prelimanary Leading

(perhitungan secara lengkap dapat dilihat pada Lampiran 9)

Composite CDI terbaik diperoleh secara trial-error dengan mengombinasikan

berbagai kemungkinan variabel kandidat coincident indicator sampai terbentuk

grafik CI terbaik. Setelah melalui proses trial-error, maka diperoleh kombinasi

CDI terbaik berikut ukuran bobotnya sebagaimana terlihat pada Tabel 4.2.

Tabel 4.2 Kombinasi Terbaik Penyusun Coincident Debt Index Beserta

Bobotnya

Kode Nama Variabel Bobot

Var38 Suku Bunga Pinjaman Rupiah (Modal Kerja) Yang

Diberikan Bank Asing dan Campuran 9,65%

Var62 Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank

Umum 23,78%

Var103 SBI 1 Bulan

7,76%

Var102 Interest rate spread (lending rate minus deposit rate) 58,81%

Total 100,00%

Kombinasi penyusunan CDI sebagaimana yang terlihat di Tabel 4.2 merupakan

kombinasi yang terbaik. Hal ini didasarkan pada penilaian secara visual melalui

grafik yang memperlihatkan bahwa grafik CDI tersebut bergerak seiring variabel

reference yaitu debt to GDP sebagaimana yang terlihat pada Gambar 4.3.

110

Gambar 4.3 Pergerakan Coincident Debt Index (CDI) Seiring Dengan

Variabel Debt to GDP

Gambar 4.3 menunjukkan grafik CDI yang memiliki beberapa titik lembah dan

puncak. Pergerakan grafik CDI tersebut merefleksikan kondisi beban utang luar

negeri yang dihadapi oleh Indonesi selama periode waktu pengamatan dimana

pergerakannya seiring dengan variabel reference debt to GDP

Berdasarkan hasil penelitian, diperoleh bahwa variabel interest rate spread

(selisih suku bunga pinjaman dengan suku bunga simpanan) memberikan

kontribusi sebesar 58,81 persen terhadap penyusunan Coincident Debt Index.

Hasil ini menunjukkan bahwa grafik interest rate spread memiliki pola kemiripan

yang besar terhadap grafik CDI yang terbentuk. Hasil ini mengindikasikan

pergerakan grafik variabel interest rate spread dapat merefleksikan kondisi beban

utang luar negeri yang ditanggung oleh Indonesia.

4.2.2.2 Penyusunan Leading Debt Index (LDI)

Dari hasil seleksi yang dilakukan terhadap 111 variabel makroekonomi,

diperoleh hasil bahwa terdapat enam variabel yang dapat dijadikan sebagai

Debt to GDP

CDI

Per

senta

se D

ebt

To G

DP

Coin

ciden

t D

ebt

Index

111

kandidat Leading Indicator. Keenam variabel tersebut selanjutnya mengalami

seasonal adjustment dengan X-12 ARIMA untuk menghilangkan faktor musiman

yang ada. Adapun hasil dari X-12 ARIMA tersebut dapat dilihat pada Lampiran

10.

Selanjutnya, dilakukan penyusunan composite Leading Debt Index melalui

proses penggabungan dengan beberapa tahapan tertentu. Adapun beberapa

tahapan yang perlu dilakukan untuk menyusun LDI tersebut adalah sebagai

berikut :


2. Adjustment MoM


4. Adjustment it


(Perhitungan Leading Debt Index secara lengkap dapat disimak pada Lampiran

11)

Composite LDI terbaik diperoleh secara trial-error dengan mengombinasikan

berbagai kemungkinan variabel kandidat leading indicator sampai terbentuk grafik

LDI terbaik. Setelah melalui proses trial-error, maka diperoleh kombinasi LDI

terbaik berikut ukuran bobotnya sebagaimana terlihat pada Tabel 4.3.

112

Tabel 4.3 Kombinasi Terbaik Penyusun Leading Debt Index Beserta

Bobotnya


Var07 LIBOR 6 bulan 54%

Var66 Laju Inflasi Jepang 42%

Var96 M2/Cadangan Devisa 2%

Var111 Nominal Effective Exchange Rate 2%

Total 100%

Kombinasi penyusunan Leading Debt Index sebagaimana yang terlihat pada

Tabel 4.3 merupakan kombinasi yang terbaik. Hal ini didasarkan pada penilaian

secara visual melalui grafik yang memperlihatkan bahwa grafik Leading Debt

Index tersebut bergerak lebih awal mendahului Coincident Debt Index

sebagaimana yang terlihat pada Gambar 4.4.

Gambar 4.4 Pergerakan Leading Debt Index (LDI) Mendahului Coincident

Debt Index (CDI)

Lea

din

g D

ebt

Index

Coin

ciden

t D

ebt

Index

CDI

LDI

113

Gambar 4.4 menunjukkan bahwa grafik LDI memiliki 3 titik lembah dan 3 titik

puncak yang mendahului titik-titik lembah maupun puncak yang dimiliki grafik

CDI. Penentuan titik puncak dan lembah dilakukan terhadap LDI maupun CDI

berdasarkan metode Bry Boschan Procedure. Pergerakan grafik LDI yang

mendahului CDI mengindikasikan bahwa LDI memiliki kemampuan dalam

memprediksi kemungkinan terjadinya krisis utang yang dihadapi Indonesia di

periode waktu mendatang.

Berdasarkan penentuan titik peak dan trough yang dilakukan baik terhadap

CDI maupun LDI, maka selang waktu pergerakan LDI mendahului CDI dapat

dihitung secara akurat, sebagaimana ditunjukkan pada Tabel 4.4.

Tabel 4.4 Perhitungan Selang Waktu Perbedaan Pergerakan LDI

Mendahului CDI

Berdasarkan perhitungan peak dan trough grafik CDI dan LDI, maka diperoleh

hasil bahwa grafik LDI bergerak mengikuti CDI dengan selang waktu rata-rata 11

bulan. Dengan demikian, melalui pengamatan terhadap pergerakan grafik LDI ini,

maka kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi pada

kurun waktu 11 bulan sebelumnya.

Berdasarkan hasil penelitian, diperoleh bukti empiris bahwa beban utang

Indonesia sangatlah dipengaruhi oleh besarnya suku bunga LIBOR 6 bulan dan

laju inflasi negara Jepang. Hasil ini menunjukkan bahwa grafik dari kedua

Nama

Variabel Trough Peak Trough Peak Trough Peak

Leading

Debt Index Apr-93 Jan-95 Feb-96 Jun-97 Jun-98 Mar-00

Coindicent

Debt Index Apr-94 Jul-95 Aug-96 Sep-98 Aug-99 Apr-01

Selang

Waktu 12 bulan 6 bulan 6 bulan 15 bulan 14 bulan 13 bulan

114

variabel tersebut memiliki pola kemiripan yang besar terhadap grafik LDI yang

terbentuk. Hal ini mengindikasikan pergerakan grafik dari kedua variabel tersebut

memiliki kemampuan dalam memprediksi kemungkinan terjadinya perubahan

kondisi beban utang luar negeri yang ditanggung oleh Indonesia pada periode

waktu mendatang.

4.2.2.3 Penyusunan Lagging Debt Index

Dari hasil seleksi yang dilakukan terhadap 111 variabel makroekonomi,

diperoleh hasil bahwa terdapat empat variabel yang dapat dijadikan sebagai

kandidat Lagging Indicators. Kempat variabel tersebut selanjutnya mengalami

seasonal adjustment dengan X-12 ARIMA untuk menghilangkan faktor musiman

yang ada. Adapun hasil dari X-12 ARIMA tersebut dapat dilihat pada Lampiran

12.

Selanjutnya, dilakukan penyusunan composite Lagging Debt Index melalui

proses penggabungan dengan beberapa tahapan tertentu. Adapun beberapa

tahapan yang perlu dilakukan untuk menyusun Lagging Debt Index tersebut

adalah sebagai berikut :


2. Adjustment MoM


4. Adjustment it


(Perhitungan Lagging Debt Index secara lengkap dapat disimak pada Lampiran

13).

115

Composite Lagging Debt Index terbaik diperoleh secara trial-error dengan

mengombinasikan berbagai kemungkinan variabel kandidat lagging indicator

sampai terbentuk grafik Lagging Debt Index terbaik. Setelah melalui proses trial-

error, maka diperoleh kombinasi Lagging Debt Index terbaik berikut ukuran

bobotnya sebagaimana terlihat pada Tabel 4.5.

Tabel 4.5 Kombinasi Terbaik Penyusun Lagging Debt Index Beserta

Bobotnya


Var34 Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang

Diberikan Bank Persero 42%

Var64 Suku Bunga Simpanan Berjangka (Rupiah) Di Bank Umum-

24 Bulan 50%

Var97 Imports Merchandise, constant US$, millions 4%

Var81 Local equity market index valued in US$ terms 3%

Total 100%

Kombinasi penyusunan Lagging Debt Index sebagaimana yang terlihat pada

Tabel 4.5 merupakan kombinasi yang terbaik. Hal ini didasarkan pada penilaian

secara visual melalui grafik yang memperlihatkan bahwa grafik Lagging Debt

Index tersebut bergerak mengikuti Coincident Debt Index sebagaimana yang

terlihat pada Gambar 4.5.

116

Gambar 4.5 Pergerakan Lagging Debt Index Mengikuti Coincident Debt

Index

Gambar 4.5 terlihat bahwa grafik Lagging Debt Index memiliki 3 titik lembah

dan 3 titik puncak yang mengikuti titik-titik lembah maupun puncak yang dimiliki

grafik Coincident Debt Index. Penentuan titik puncak dan lembah dilakukan

terhadap Lagging Debt Index berdasarkan metode Bry Boschan Procedure

Pergerakan grafik Lagging Debt Index yang mengikuti Coincident Debt Index

mengindikasikan bahwa Lagging Debt Index memiliki kemampuan dalam

memprediksi kemungkinan terjadinya penyebaran dampak secara meluas akibat

kondis krisis utang yang dihadapi Indonesia terhadap variabel-variabel

makroekonomi lainnya secara keseluruhan.

Berdasarkan penentuan titik peak dan trough yang dilakukan baik terhadap

Coincident Debt Index maupun Lagging Debt Index, maka selang waktu

pergerakan Lagging Debt Index mengikuti Coincident Debt Index dapat dihitung

secara akurat, sebagaimana ditunjukkan pada Tabel 4.6.

Laggin

g D

ebt

Index

Coin

ciden

t D

ebt

Index

Coincident Debt Index

Lagging Debt Index

117

Tabel 4.6 Perhitungan Selang Waktu Perbedaan Pergerakan Lagging Debt

Index Mengikuti Coincident Debt Index

Berdasarkan perhitungan peak dan trough grafik Coincident Debt Index dan

Lagging Debt Index, maka diperoleh hasil bahwa grafik Lagging Debt Index

bergerak mengikuti Coincident Debt Index dengan selang waktu rata-rata 13

bulan. Dengan demikian, melalui pengamatan terhadap pergerakan grafik LDI ini,

maka dampak penyebaran (contagion effect) terhadap variabel-variabel

makeroekonomi lain akibat terjadinya krisis utang di Indonesia dapat dicegah

pada kurun waktu 13 bulan sebelumnya.

Berdasarkan perhitungan, diperoleh hasil bahwa variabel suku bunga

simpanan rupiah berjangka 24 bulan di Bank Umum dan suku bunga

pinjamanmodal kerja (rupiah) yang diberikan Bank Persero memberikan

kontribusi yang besar terhadap pembentukan Lagging Debt Index. Hal ini

menunjukkan bahwa pola grafik kedua variabel tersebut memiliki kemiripan yang

besar terhadap pergerakan grafik Lagging Debt Index. Dengan demikian,

pergerakan kedua variabel itu dapat merefleksikan periode waktu kemungkinan

terjadinya contagion effect akibat terjadinya krisis utang di Indonesia.

Nama

Variabel Trough Peak Trough Peak Trough Peak

Coindicent

Index Apr-94 Jul-95 Aug-96 Sep-98 Aug-99 Apr-01

Lagging

Index Nov-94 May-96 Jan-98 May-99 Apr-01 Jun-02

Selang

Waktu 7 bulan 10 bulan 17 bulan 8 bulan 20 bulan 14 bulan

118

4.3 Pembahasan Hasil Penyusunan Early Warning System

4.3.1 Analisis Hasil Early Warning System Secara Empiris

Penyusunan hasil early warning sytem menghasilkan tiga instrumen penting,

yakni Coincident, Leading, dan Lagging Debt Index. Adapun instrumen yang

digunakan untuk mendeskripsikan kondisi beban utang luar negeri Indonesia

adalah Coincident Debt Index. Sebagaimana yang terlihat pada gambar 4.58, salah

satu titik puncak Coincident Debt Index tercapai pada periode bulan September

1998. Kondisi ini terjadi tidak terlepas dari pengaruh krisis nilai tukar yang

melanda negara-negara di Asia secara luas, termasuk Indonesia. Hal ini

sebagaimana digambarkan pada Gambar 4.6.

Gambar 4.6 Perbandingan Pergerakan Grafik Coincident Debt Index dengan

Kurs Rupiah Terhadap Dollar

Gambar 4.6 bahwa rupiah mengalami depresiasi yang begitu hebat sejak periode

bulan Juni 1998. Kepercayaan terhadap mata uang rupiah semakin menurun,

sehingga terjadi capital outflow secara besar-besaran pada periode waktu tersebut.

Coin

ciden

t D

ebt

Index

Kurs

Rupia

h T

erh

adap

Doll

ar

Kurs Rupiah Terhadap Dollar

Coincident Debt Index

119

Hal ini berdampak pada beban utang luar negeri Indonesia semakin besar yang

digambarkan dari titik puncak grafik Coincident Debt Index pada periode bulan

September 1998. Kondisi ini semakin parah sehingga menyebabkan kurangnya

likuiditas dalam perekonomian dan berakibat pada kenaikan suku bunga dalam

negeri secara signifikan.

Terjadinya capital outflow dalam jumlah besar pada akhirnya berdampak pada

kurangnya likuiditas dalam perekonomian secara signifikan. Kondisi ini

menyebabkan pemerintah mengambil kebijakan untuk menaikkan suku bunga SBI

3 bulan sehingga berdampak pada suku bunga simpanan dalam negeri yang juga

mengalami kenaikan. Kebijakan ini dilakukan oleh pemerintah dengan tujuan

untuk menarik minat investor luar negeri agar tetap menginvestasikan dana

mereka di Indonesia sehingga likuiditas dalam negeri akan terjaga dan nilai rupiah

tidak akan mengalami depresiasi lebih buruk lagi. Hal ini penting bagi pemerintah

agar solvabilitas Indonesia tetap dalam kondisi baik sehingga mampu membayar

cicilan pokok dan bunga utang luar negeri pada periode tersebut.

Kebijakan pemerintah yang memutuskan untuk menaikkan suku bunga dalam

negeri juga memiliki tujuan lainnya yakni untuk meredam tingginya lonjakan

inflasi yang terjadi pada periode krisis tersebut. Meskipun demikian, kebijakan

yang dilakukan pemerintah tersebut pada akhirnya kurang efektif dan tidak

berhasil menahan capital flight yang terjadi sehingga hanya menambah beban

biaya yang harus ditanggung oleh pemerintah.

Kebijakan pemerintah yang menaikkan suku bunga SBI 3 bulan berdampak

pada tingginya suku bunga simpanan dalam negeri melebihi suku bunga

120

pinjamannya. Hal ini menyebabkan interest rate spread Indonesia menunjukkan

nilai negatif dan mencapai titik trough pada periode November 1998 dimana

periode tersebut bertepatan dengan tercapainya titik peak variabel reference debt

to GDP yang menandakan terjadinya masalah solvabilitas Indonesia. Dengan

demikian, karena variabel interest rate spread, suku bunga simpanan, suku bunga

pinjaman, dan suku bunga SBI 3 bulan merupakan komponen penyusun

Coincident Debt Index dengan bobot yang cukup besar, maka peningkatan

variabel-variabel tersebut menyebabkan nilai Coincident Debt Index mencapai

puncaknya pada periode bulan September 1998.

Titik puncak Coincident Debt Index pada bulan September 1998 selain

dipengaruhi oleh krisis nilai tukar yang melanda Asia, juga disebabkan karena

pada periode tersebut hampir sebagian besar utang luar negeri Indonesia mencapai

jatuh tempo secara bersamaan. Kondisi ini semakin menambah beban utang luar

negeri Indonesia yang semakin diperparah dengan kesulitan likuiditas

perekonomian dalam negeri akibat capital flight yang terjadi secara besar-besaran.

Selain Coincident Debt Index, penyusunan early warning system ini juga

menghasilkan instrumen Leading Debt Index. Indeks ini merupakan instrumen

yang penting karena pergerakannya mampu memprediksi kemungkinan terjadinya

krisis utang di Indonesia secara akurat.

Berdasarkan gambar 4.59, diketahui bahwa Leading Debt Index ini memiliki

beberapa titik puncak dan lembah. Salah satu titik puncaknya terjadi pada periode

bulan Juni 1997. Pergerakan Leading Debt Index yang mencapai titik puncaknya

pada periode tersebut telah memberikan sinyal yang kuat bahwa akan terjadi krisis

121

utang di pada selang waktu 15 bulan kemudian (ditandai dengan Coincident Debt

Index yang mencapai titik puncak).

Tercapainya titik puncak Leading Debt Index pada periode bulan Juni 1997

banyak dipengaruhi oleh dinamika pergerakan variabel suku bunga LIBOR 6

Bulan dan laju inflasi Jepang. Hal ini disebabkan karena kedua variabel tersebut

merupakan komponen penyusun Leading Debt Index dengan bobot yang cukup

besar.

Variabel suku bunga LIBOR 6 Bulan memiliki beberapa titik puncak dan

lembah. Salah satu titik puncak variabel ini tercapai pada periode bulan April

1997. Titik puncak yang terjadi pada periode tersebut menjadi sinyal kuat

terjadinya beban utang luar negeri Indonesia yang semakin besar pada selang

waktu 19 bulan kemudian. Suku bunga LIBOR 6 Bulan yang mencapai titik

puncak di bulan April 1997 mengindikasikan terjadinya penurunan likuiditas

sumber pendanaan di pasar uang internasional pada periode waktu tersebut. Oleh

karena suku bunga LIBOR banyak digunakan sebagai acuan dalam penentuan

suku bunga utang luar negeri, maka peningkatan suku bunga LIBOR akan

berdampak pada semakin besarnya devisa yang harus dialokasikan untuk

melakukan pembayaran bunga utang.

Pergerakan suku bunga LIBOR memberikan pengaruh yang besar terhadap

kondisi beban utang luar negeri yang harus ditanggung oleh Indonesia. Hal ini

disebabkan karena cukup besar jumlah utang luar negeri Indonesia yang

pembayaran bunganya ditetapkan berdasarkan floating interest rate. Semakin

tinggi suku bunga LIBOR, maka semakin besar pula beban pembayaran utang luar

122

negeri Indonesia, demikian pula sebaliknya. Oleh karena itu, peningkatan suku

bunga LIBOR 6 bulan yang mencapai titik puncaknya pada periode April 1997

berdampak pada semakin besarnya beban utang luar negeri Indonesia pada kurun

waktu 19 bulan kemudian, tepatnya bulan November 1998.

Selain variabel suku bunga LIBOR 6 Bulan, pergerakan Leading Debt Index

yang mencapai titik puncak di periode Juni 1997 juga dipengaruhi oleh variabel

laju inflasi Jepang. Variabel ini mencapai titik puncaknya pada periode bulan

Agustus 1997 akibat krisis nilai tukar yang melanda Asia, termasuk Jepang. Pada

periode tersebut, mata uang yen juga mengalami depresiasi yang hebat sehingga

berdampak pada kemunduran perekonomian di negara tersebut. Hal ini ditandai

dengan inflasi yang terus mengalami peningkatan. Dengan demikian, pergerakan

laju inflasi Jepang telah memberikan sinyal yang kuat dalam memprediksi kondisi

beban utang luar negeri yang harus ditanggung Indonesia.

4.3.2 Operasionalisasi dan Pengelolaan Early Warning System Krisis Utang

di Indonesia

Dengan menggunakan instrumen Leading Debt Index yang dihasilkan dari

penyusunan early warning system ini, maka kemungkinan terjadinya krisis utang

di Indonesia dapat diprediksi pada periode 11 bulan sebelumnya. Prediksi tersebut

dapat dilakukan dengan mengobservasi pergerakan Leading Debt Index yang

dihasilkan. Adapun skematik operasionalisasi early warning system krisis utang di

Indonesia dapat dijelaskan pada Gambar 4.7.

123

Gambar 4.7 Skematik Penggunaan Instrumen Leading Debt Index Dalam

Operasionalisasi Early Warning System Krisis Utang

Pada Gambar 4.7, dimisalkan bahwa krisis utang di Indonesia akan terjadi pada

periode waktu t yang ditunjukkan dengan tercapainya titik puncak pada grafik

CDI. Terjadinya krisis utang di periode t tersebut telah dapat diprediksi 11 bulan

sebelumnya. Ketika grafik LDI menunjukkan tanda-tanda pergerakan yang

mengalami peningkatan, maka saat itu sinyal peringatan kemungkinan terjadinya

krisis utang perlu diwaspadai. Sebelum LDI ini mencapai titik puncaknya pada

periode 11 bulan sebelum terjadinya krisis utang, maka kebijakan yang bersifat

preventif dan antisipatif harus segera diimplementasikan untuk mengendalikan

beban utang luar negeri Indonesia. Hal ini perlu dilakukan secara cermat dan

akurat untuk menghindari kemungkinan terjadinya krisis utang di Indonesia.

Selain dengan instrumen LDI, operasionalisasi early warning system krisis

utang di Indonesia juga dilakukan dengan menggunakan instrumen Lagging Debt

Index. Dengan menggunakan instrumen Lagging Debt Index yang dihasilkan dari

penyusunan early warning system ini, maka kemungkinan terjadinya contagion

effect akibat krisis utang di Indonesia dapat dicegah pada periode 13 bulan setelah

124

terjadinya krisis utang. Prediksi tersebut dapat dilakukan dengan mengobservasi

pergerakan Lagging Debt Index yang dihasilkan. Adapun skematik

operasionalisasi early warning system krisis utang di Indonesia dapat dijelaskan

pada Gambar 4.8.

Gambar 4.8 Skematik Penggunaan Instrumen Lagging Debt Index Dalam

Operasionalisasi Early Warning System Krisis Utang

Pada Gambar 4.8, dimisalkan bahwa krisis utang di Indonesia akan terjadi pada

periode waktu t yang ditunjukkan dengan tercapainya titik puncak pada grafik

CDI. Dampak dari terjadinya krisis utang di periode t tersebut akan menyebar

secara luas ke variabel-variabel makroekonomi lainnya dalam kurun waktu 13

bulan. Hal ini direfleksikan dengan tercapainya titik puncak grafik Lagging Debt

Index pada periode 13 bulan setelah terjadinya krisis. Oleh karena itu, selama

periode 13 bulan setelah terjadinya krisis, perlu dilakukan sejumlah kebijakan

tertentu yang diimplementasikan dalam rangka mencegah penyebaran contagion

effect secara meluas akibat terjadinya krisis utang.

125

Model early warning system yang terbentuk dalam penelitian ini sudah cukup

baik untuk digunakan dalam memprediksi kemungkinan terjadinya krisis utang di

Indonesia pada kurun waktu 5 tahun ke depan. Hal ini dikarenakan model early

warning system dengan instrument utama Leading Debt Index ini disusun oleh

leading indicators yang memiliki rentang waktu yang cukup panjang, yakni dari

periode bulan Januari 1990 hingga Desember 2011. Dengan demikian, siklus

bisnisnya tidak akan banyak mengalami perubahan secara signifikan karena durasi

suatu siklus bisnis bisa berlangsung lebih dari sepuluh sampai dua belas tahun.

Meskipun model early warning system yang terbentuk dalam penelitian ini

sudah cukup baik, namun proses kaliberasi tetap perlu dilakukan secara berkala

tiap lima tahun sekali. Hal ini dilakukan untuk mengantisipasi kemungkinan

terjadinya perubahan komponen penyusun Coincident, Leading, maupun Lagging

Debt Index akibat perubahan struktur perekonomian Indonesia. Misalnya saja,

ketika model early warning system debt crises dibuat pada saat ini, variabel laju

inflasi Jepang merupakan kandidat leading indicator yang pergerakannya

memberikan sinyal kuat terhadap kondisi beban utang luar negeri Indonesia.

Namun, tidak menutup kemungkinan pada kurun waktu 5 tahun mendatang,

pergerakan variabel ini tidak lagi mampu memprediksi kondisi beban utang luar

negeri Indonesia. Oleh karena itu, proses kaliberasi sangat penting untuk

dilakukan agar sinyal yang dihasilkan dari model early warning system ini selalu

akurat dalam memprediksi kemungkinan terjadinya krisis utang di Indonesia.

126

4.3.3 Implikasi Kebijakan Pengelolaan Utang Luar Negeri Indonesia

Melalui operasionalisasi early warning system dengan menggunakan

instrument Leading Debt Index, maka periode kemungkinan terjadinya krisis

utang di Indonesia dapat diprediksi 11 bulan sebelumnya. Dengan demikian,

pemerintah beserta instansi terkait lainnya memiliki waktu selama 11 bulan untuk

mengimplementasikan suatu paket kebijakan khusus dengan tujuan menghindari


Dalam upaya penyelematan untuk menghindari kemungkinan terjadinya krisis

utang di Indonesia, maka pemerintah perlu menerapkan suatu paket kebijakan

yang efektif, cepat dan tepat. Hal ini disebabkan karena pemerintah hanya

memiliki waktu 11 bulan sebelum terjadinya krisis utang di Indonesia. Dengan

demikian, diperlukan implementasi sejumlah kebijakan yang tidak mengandung

time lag maupun decision lag.

Sejumlah kebijakan dapat diimplementasikan oleh pemerintah pada kurun

waktu 11 bulan sebelum terjadinya krisis utang. Salah satu kebijakan yang dapat

dilakukan yakni dengan melakukan debt rescheduling atau penjadwalan kembali

periode waktu pembayaran utang. Untuk melakukan debt rescheduling ini, perlu

dilakukan negosiasi yang kuat dengan pihak kreditur agar pengajuan

perpanjangan tenggat waktu pembayaran utang dapat disetujui sehingga utang

luar negeri Indonesia memiliki masa jatuh tempo (grace periode) yang lebih

lama. Kebijakan ini penting untuk dilakukan agar utang luar negeri Indonesia

tidak jatuh tempo pada periode bersamaan yang dapat berpotensi menyebabkan


127

Selain kebijakan debt rescheduling, pemerintah juga dapat melakukan

kebijakan debt swap. Kebijakan ini dilakukan sebagai upaya untuk menukar

kewajiban pembayaran utang luar negeri dengan hal-hal lain yang diinginkan oleh

pihak kreditur untuk dilakukan oleh Indonesia. Pemerintah dapat bernegosiasi

dengan pihak kreditur agar Indonesia dapat membayar utang luar negeri melalui

peningkatan komitmen pelestarian hutan lindung. Apabila kebijakan debt swap

tersebut disepakati dengan pihak kreditur, maka beban utang luar negeri Indonesia

akan berkurang sehingga kemungkinan terjadinya krisis utang dapat dihindari.

Kebijakan debt cutting juga merupakan salah satu alternatif kebijakan yang

dapat ditempuh oleh pemerintah selama periode 11 bulan sebelum terjadinya

krisis utang di Indonesia. Kebijakan debt cutting merupakan kebijakan dimana

pemerintah bernegosiasi kepada pihak kreditur untuk menyetujui pemotongan

jumlah nominal utang luar negeri yang harus dibayar oleh Indonesia. Kebijakan

debt cutting ini memang merupakan kebijakan yang kurang popular. Perlu adanya

negosiasi dan alasan kuat yang dikemukakan pemerintah dalam pengajuan

permohonan debt cutting ini.

Instrumen lain yang digunakan dalam operasionalisasi early warning system

krisis utang di Indonesia adalah Lagging Debt Index. Pergerakan Lagging Debt

Index ini memberikan sinyal penyebaran contagion effect akibat terjadinya krisis

utang di Indonesia. Melalui operasionalisasi early warning system dengan

menggunakan instrument Lagging Debt Index, maka diketahui bahwa dampak

akibat terjadinya krisis utang di Indonesia akan meluas dalam kurun waktu 13

bulan setelah terjadinya krisis tersebut. Dengan demikian, pemerintah beserta

128

instansi terkait lainnya memiliki waktu selama 13 bulan setelah krisis untuk

mengimplementasikan suatu paket kebijakan khusus dengan tujuan mencegah

dampak contagion effect yang semakin meluas akibat krisis utang yang terjadi.

Apabila krisis utang terjadi di Indonesia, maka likuiditas perekonomian akan

terganggu sehingga berdampak pada aktivitas perekonomian yang semakin

menurun. Kondisi ini akan berdampak luas dan mempengaruhi kesejahteraan

masyarakat. Oleh karena itu, selama periode 13 bulan setelah terjadinya krisis,

pemerintah perlu merumuskan suatu kebijakan dengan tujuan untuk meredam

dampak terjadinya krisis utang terhadap kesejahteraan masyarakat. Adapun salah

satu kebijakan yang dapat diimplementasikan yakni dengan menyalurkan dana

bantuan jaminan sosial kepada masyarakat. Hal ini penting untuk dilakukan agar

masyarakat tidak terlalu merasakan shock yang besar akibat terjadinya krisis utang

di Indonesia.

129

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan, diperoleh enam kandidat yang

menjadi leading indicators dan delapan kandidat coincident indicators dalam

rangka penyusunan sistem deteksi dini kemungkinan terjadinya krisis utang di

Indonesia. Penyusunan Composite Leading Debt Index dilakukan secara trial and

error dengan mengombinasikan berbagai kemungkinan variabel kandidat hingga

diperoleh bentuk Leading Debt Index yang terbaik dalam memprediksi beban

utang luar negeri Indonesia di periode waktu mendatang. Demikian pula

penyusunan Composite Coincident Debt Index dilakukan secara trial and error

dengan mengombinasikan berbagai kemungkinan variabel kandidat hingga

diperoleh bentuk Coincident Debt Index yang terbaik dalam menggambarkan

beban utang luar negeri Indonesia di periode saat ini. Komponen penyusunan

Leading Debt Index yang dianggap terbaik adalah variabel suku bunga LIBOR 6

bulan (54 persen), laju inflasi Jepang (42 persen), dan variabel M2/Cadangan

Devisa (2 persen) serta Nominal Effective Exchange Rate (2 persen). Sedangkan

komponen penyusun Coincident Debt Index terbaik adalah interest rate spread

(59 persen), suku bunga simpanan rupiah berjangka 6 bulan di Bank Umum (23

persen), suku bunga pinjaman untuk modal kerja (rupiah) berjangka 6 bulan di

Bank Umum(10 persen) dan SBI 1 bulan (8 persen).

130

Melalui penggunaan instrument Leading Debt Index yang merupakan bagian

dari operasionalisasi early warning system yang telah terbentuk ini, maka

kemungkinan terjadinya krisis utang di Indonesia dapat diprediksi 11 bulan

sebelumnya. Dengan demikian, pemerintah dapat mengimplementasikan

kebijakan tertentu untuk menghindari terjadinya krisis utang, di antaranya dengan

melakukan debt rescheduling, debt swap dan debt cutting.

Pergerakan Instrumen Lagging Debt Index sebagai bagian dari

operasionalisasi early warning system memberikan sinyal bahwa dampak akibat

terjadinya krisis utang di Indonesia akan menimbulkan contagion effect dalam

kurun waktu 13 bulan setelah terjadinya krisis tersebut. Dalam rangka meredam

shock yang dialami oleh masyarakat akibat dampak krisis utang yang terjadi,

maka pemerintah dapat mengimplementasikan kebijakan berupa penyaluran dana

bantuan sosial agar tingkat kesejahteraan tetap terjaga.

5.2 Saran

Adapun beberapa saran yang diberikan penulis adalah sebagai berikut :

1. Untuk melengkapi penelitian ini, diperlukan perhitungan diffusion index

(menggambarkan proporsi komponen CI dan LI yang mengalami kenaikan).

2. Untuk penelitian selanjutnya, diharapkan menggunakan variabel reference

yang berbeda, menambah variabel penyusun reference series dan

memperpanjang periode series data yang digunakan agar diperoleh indeks

peramalan yang lebih baik.

131

DAFTAR PUSTAKA

Abiad, Abdul. 2003. “Early Warning System : A Survey and Regime-Switching

Approach”. IMF Working Paper, No. 03/32

Andrew Berg dan Jeffrey Sachs. 1988. "The Debt Crisis: Structural Explanations

of Country Performance," NBER Working Papers 2607, National Bureau

of Economic Research, Inc

Arghyrou, Michael G. dan John D. Tsoukalas. 2010. “The Greek Debt Crisis :

Likely Cause, Mechanics and Outcomes”. Cardiff Economics Working

Papers, E2010/3

Arifin, Sjamsul dan D.E. Rae. 2008. Manajemen Pinjaman Luar Negeri Swasta

Indonesia: Pelajaran Berharga Dari Krisis Keuangan Indonesia. Elex

Media Komputindo, Jakarta

Balkan, E.M. 1992. “Political Instability, Country Risk and Probability of

Default”. Applied Economics, 24(9): 999-1008

Basri, Y. Z. dan Mulyadi Subri. 2003. Keuangan Negara dan Analisis Kebijakan

Utang Luar Negeri. Raja Grafindo Persada, Jakarta

Benazir, A. D. 2008. Analisis Leading Dan Coincident Indicators Pergerakan

Kurs di Indonesia : Pendekatan Business Cycle Analysis [Skripsi].

Fakultas Ekonomi Manajemen. Institut Pertanian Bogor

Berg, A. dan C. Patillo. 1999. “Predicting Currency Crises: The Indicators

Approach and An Alternative”. Journal of International Money and

Finance. 18(4): 561-586

Berg, A. dan J. Sachs. 1988. “The Debt Crisis Structural Explainations of Country

Performance”. Journal of Development Economics, 29(3): 271-306

Bhattacharyay, Biswa, et all. 2009. “Early Warning System for Economic and

Financial Risks in Kazakhstan”. CESIFO WORKING PAPER, No. 2832

Burkart, O. dan V. Coudert. 2002. “Leading Indicators of Currency Crises for

Emerging Countries. Emerging Market Reviews, 3(2): 107-133

Bussiere, Matthieu and Marcel Fratzscher. 2002. Towards A New Early Warning

System Of Financial Crises. European Central Bank

Bustelo, P. 2000. “Novelties of Financial Crises In The 1990s and The Search for

New Indicators”. Emerging Market Reviews, 1(3): 229-251

http://ideas.repec.org/p/nbr/nberwo/2607.html

http://ideas.repec.org/p/nbr/nberwo/2607.html

http://ideas.repec.org/s/nbr/nberwo.html

132

Cantor, R., dan Packer, F. 1996. “Determinants and Impact of Sovereign Credit

Rating”. Federal Reserve Bank of New York Economic Policy Review 10:

1-15

Cencini, Alvaro and Bernard Schmitt. 1991. External Debt Servicing: A Vicious

Circle. Pinter Publishers Limited, London

Ciarlone, A. dan G. Trebeschi. 2006. “A Multinomial Approach to Early Warning

System for Debt Crises”. Emerging Market Review, 6: 376-395

Departemen Akuntansi Umum Singapura. 2011. Singapore Government

Borrowings. Accountant-General’s Department, Singapore

Dreher, A., Bernard, H., and Volker, K. 2005. Is There a Causal Link Between

Currency and Debt Crises?. Thurgauer Wirtschaf Institute

Edison, H. J. (2003), “Do indicators of financial crises work? An evaluation of an

early warning system”. International Journal of Finance and Economics,

8(1): 11–53.

Fuertes, A.M. dan Kalotychou, E. 2007. “Optimal Design Of Early Warning

System for Sovereign Debt Crises”. International Journal of Forecasting,

23(1): 85-100

InterCAFE. 2007. Materi Penyusunan Leading dan Coincident Indicators. Bogor

Tambunan, Tulus. 2003. An Early Warning System For Indonesia With Signal

Approaach. Thailand Development Research Institute

Lanoie, P. dan S. Lemarbre. 1996. “Three Approaches to Predict The Timing and

Quantity of LDC Debt Rescheduling”. Applied Economics, 28(2): 241-246

Lee, S.H. 1991. “Ability and Willingness to Service Debt As Explaination for

Commercial and Official Rescheduling Cases”. Journal of Banking and

Finance, 15(1): 5-27

Lestano, Jan Jacobs and Gerard H. Kuper. 2003. An early-warning system for six

Asian countries. Department of Economics, University of Groningen

Kamin, S.B. 1999. “The Current International Financial Crisis: How Much Is

New?”. Journal of International Money and Finance 18: 501-514

Kaminsky, G.L., S. Lizondo, and C.M. Reinhart . 1998. Leading indicators of

currency crisis, IMF Staff Papers 45/1, International Monetary Fund,

Washington, D.C.

133

Kibritcioglu, B., B. Kose dan G. Ugur. 1999. A Leading Indicators Approach to

The Predictabiluty of Currency Crises: The Case of Turkey. (General

Directorate of Economic Research, Ankara. Turkey)

Kumar, Kuldeep dan Haynes, John D. 2003. “Forecasting Credit Ratings Using

An ANN and Statistical Techniques”. International Journal Of Business

Studies, 11(1): 91-108

Mankiw, G. 2003. Teori Makroekonomi (Macroeconomics). Edisi Kelima.

Erlangga, Jakarta

Marchesi, S. 2003. “Adoption of An IMF Programme and Debt Rescheduling”.

Journal of Development Economics, 70(2): 403-423

Nasution, D. 2007. “Penyusunan Coincident dan Leading Economic Indicators”.

Materi Presentasi InterCAFE. Bogor

Permatasari, Ery. 2008. Membangun Leading dan Coincident Indicators untuk

Inflasi di Indonesia [Skripsi]. Fakultas Ekonomi Manajemen. Institut

Pertanian Bogor

Reinhart, Carmen M., Kenneth S. Rogoff dan Miguel A. Savastano. 2003. “Debt

Intolerance”. Brookings Papers on Economic Activity 34: 1-74

Singgalingging, Hotbin. 2001. Profil Pinjaman Luar Negeri Indonesia dan

Permasalahannya. Pusat Pendidikan dan Studi Kebanksentralan Bank

Indonesia, Jakarta

Su, Chi Wei, Hsu Ling Chang, Meng Nan Zhu and Zhang Qiao. 2010. “An

Evaluation of Leading Indicators of Currency Crises”. African Journal of

Business Management, 4(15): 3321-3331

Sugema, Iman. 2001. “Utang Luar Negeri: Good Time Friend, Bad Time Enemy”.

AGRIMEDIA, 7(1): 30-35

Quéré, Agnès Bénassy dan Laurence Boone. 2010. “Eurozone Crisis: Debts,

Institutions and Growth”. LA LATTRE DU CEPII, No. 300

Zhang, W. and J. Zhuang. 2002. “Leading Indicators of Business Cycle in

Malaysia and Philippines”. ERD Working Paper No. 32

LAMPIRAN

134

LAMPIRAN

Lampiran 1. Variabel yang digunakan dalam penelitian

Kode Nama Variabel Sumber

Var01 M2 (Uang Beredar Luas) Bank Indonesia

Var02 M1 Bank Indonesia

Var03 Uang Kuasi Bank Indonesia

Var04 Aktiva Luar Negeri Bersih Bank Indonesia

Var05 Tagihan Bersih Kepada Pemerintah Pusat Bank Indonesia

Var06 Suku Bunga LIBOR 3 bulan Bank Indonesia

Var07 Suku Bunga LIBOR 6 bulan Bank Indonesia

Var08 Suku Bunga LIBOR 1 tahun Bank Indonesia

Var09 US Prime Rates Bank Indonesia

Var10 Japan Prime Rates Bank Indonesia

Var11 Produk Domestik Bruto (berdasarkan harga konstan) Bank Indonesia

Var12 Pengeluaran Konsumsi Total Bank Indonesia

Var13 Pengeluaran Konsumsi Rumah Tangga Bank Indonesia

Var14 Pengeluaran Konsumsi Pemerintah Bank Indonesia

Var15 Pembentukan Modal Tetap Domestik Bruto Bank Indonesia

Var16 Perubahan Stok Bank Indonesia

Var17 Ekspor Barang dan Jasa Bank Indonesia

Var18 Impor Barang dan Jasa Bank Indonesia

Var19 Posisi Giro Rupiah Bank Umum yang Dimiliki Bukan Penduduk Bank Indonesia

Var20 Posisi Giro Rupiah Bank Umum yang Dimiliki Perseorangan Bank Indonesia

Var21 Posisi Giro Rupiah Bank Umum yang dimiliki Pemerintah Pusat Bank Indonesia

Var22 Posisi Giro Rupiah Bank Umum yang dimiliki Perusahaan Asuransi Swasta Bank Indonesia

Var23 Kurs Tengah Mata Uang AUD Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var24 Kurs Tengah Mata Uang CAD Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var25 Kurs Tengah Mata Uang CHF Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var26 Kurs Tengah Mata Uang GBP Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var27 Kurs Tengah Mata Uang HKD Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var28 Kurs Tengah Mata Uang JPY-100 Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var29 Kurs Tengah Mata Uang MYR Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var30 Kurs Tengah Mata Uang SGD Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var31 Kurs Tengah Mata Uang USD Terhadap Rupiah di Bank Indonesia Bank Indonesia

Var32 Posisi Simpanan Masyarakat (Rupiah) di Bank Umum&BPR Bank Indonesia

Var33 Posisi Simpanan Masyarakat (Valas) di Bank Umum&BPR Bank Indonesia

Var34

Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan Bank

Persero Bank Indonesia

135

Var35

Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan Bank

Persero Bank Indonesia

Var36 Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan BPD Bank Indonesia

Var37 Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan BPD Bank Indonesia

Var38

Suku Bunga Pinjaman Rupiah (Modal Kerja) Rupiah Yang Diberikan Bank

Asing dan Campuran Bank Indonesia

Var39

Suku Bunga Pinjaman Rupiah (Investasi) Rupiah Yang Diberikan Bank

Asing dan Campuran Bank Indonesia

Var40 Posisi Simpanan Berjangka (Rupiah Dan Valas) Bank Umum Dan BPR Bank Indonesia

Var41

Posisi Simpanan Berjangka 1 bulan (Rupiah Dan Valas) Bank Umum Dan

BPR Bank Indonesia

Var42


BPR Bank Indonesia

Var43


BPR Bank Indonesia

Var44


BPR Bank Indonesia

Var45


BPR Bank Indonesia

Var46 Suku Bunga Simpanan Berjangka (Rupiah) di Bank Persero - 1 Bulan Bank Indonesia





Var51

Suku Bunga Simpanan Berjangka (Rupiah) di Bank Pemerintah Daerah - 1

Bulan Bank Indonesia

Var52



Var53



Var54



Var55



Var56

Suku Bunga Simpanan Berjangka (Rupiah) di Bank Asing dan Campuran - 1


Var57



Var58



Var59



Var60 Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum - 1 Bulan Bank Indonesia





Var65 Laju Inflasi Amerika Serikat Bank Indonesia

Var66 Laju Inflasi Jepang Bank Indonesia

Var67 Laju Inflasi Jerman Bank Indonesia

Var68 Laju Inflasi Inggris Bank Indonesia

136

Var69 Laju Inflasi Italia Bank Indonesia

Var70 Laju Inflasi Perancis Bank Indonesia

Var71 Laju Inflasi Kanada Bank Indonesia

Var72 Laju Inflasi Korea Selatan Bank Indonesia

Var73 Laju Inflasi Hongkong Bank Indonesia

Var74 Laju Inflasi Taiwan Bank Indonesia

Var75 Laju Inflasi Singapura Bank Indonesia

Var76 Laju Inflasi Indonesia Bank Indonesia

Var77 Laju Inflasi Malaysia Bank Indonesia

Var78 Laju Inflasi Thailand Bank Indonesia

Var79 Laju Inflasi Filipina Bank Indonesia

Var80 Local equity market index of Indonesia (valued in Rupiah) World Bank

Var81 Local equity market index of Indonesia (valued in Dollar) World Bank

Var82 Total Reserve Indonesia World Bank

Var83 Total Reserve USA World Bank

Var84 Stock Markets USA (dollar) World Bank

Var85 Exports Merchandise USA, World Bank

Var86 Imports Merchandise USA World Bank

Var87 Industrial Production USA World Bank

Var88 Agriculture, 2005=100, nominal$ World Bank

Var89 Agr: Food, 2005=100, nominal$ World Bank

Var90 Crude oil, avg, spot, $/bbl, nominal$ World Bank

Var91 Energy, 2005=100, nominal$ World Bank

Var92 Gold, $/toz, nominal$ World Bank

Var93 Palm oil, $/mt, nominal$ World Bank

Var94 Agr: Raw materials, 2005=100, nominal$ World Bank

Var95 Penerimaan Perpajakan Bank Indonesia

Var96 M2/Cadangan Devisa Bank Indonesia

Var97 Merchandise Imports of Indonesia, insurance and freight basis (c.i.f.) basis World Bank

Var98 Merchandise Exports Indonesia, insurance and freight (f.o.b) basis World Bank

Var99 Merchandise Exports USA, insurance and freight (f.o.b) basis World Bank

Var100 Merchandise Imports of USA, insurance and freight basis (c.i.f.) basis World Bank

Var101 Real Effective Exchange Rate World Bank

Var102 Interest rate spread (lending rate minus deposit rate, %) World Bank

Var103 SBI 1 Bulan Bank Indonesia

Var104 Private Saving to GDP Bank Indonesia

Var105 Loan to GDP Bank Indonesia

Var106 IHSG

Bursa Efek

Jakarta

Var107 LQ 45 Bursa Efek

137

Jakarta

Var108 Nilai Ekspor Indonesia ke Amerika Serikat Bank Indonesia

Var109 Nilai Ekspor Indonesia ke Jepang Bank Indonesia

Var110 Harga Beras Internasional Bangkok World Bank

Var111 Nominal Effective Exchange Rate World Bank

138

Lampiran 2. Hasil Cross Correlation Test Kandidat Coincident Indicator



2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum (Kode :

Var62)

139



140

5. Variabel SBI 1 Bulan (Kode : Var103)

6. Interest rate spread (lending rate minus deposit rate) (Kode : Var102)

141

Lampiran 3. Hasil Cross Correlation Test Kandidat Leading Indicator

1. Suku Bunga LIBOR 6 Bulan (Kode : Var07)


142

3. Variabel M2/Cadangan Devisa (Kode : Var 96)


143



144

Lampiran 4. Hasil Cross Correlation Test Kandidat Kandidat Lagging

Indicator



2. Variabel Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum -

24 Bulan (Kode : Var 64)

145

3. Imports Merchandise constant (US$, millions) (Kode : Var97)

4. Local equity market index (valued in US$ terms) (Kode : Var81)

146

Lampiran 5. Hasil Pengujian Granger Causality Test Kandidat Coincident

Indicator



147

2. Suku Bunga Simpanan Rupiah Berjangka 6 Bulan di Bank Umum (Kode :

Var62)

148


149


150

5. Variabel SBI 1 Bulan (Kode : Var103)

151

6. Interest rate spread (lending rate minus deposit rate) (Kode : Var102)

152

Lampiran 6. Hasil Pengujian Granger Causality Test Kandidat Leading

Indicator

1. Suku Bunga LIBOR 6 Bulan (Kode : Var07)

153


154

3. Variabel M2/Cadangan Devisa (Kode : Var 96)

155


156


157


158

Lampiran 7. Hasil Pengujian Granger Causality Test Kandidat Laggging

Indicator



159

2. Variabel Suku Bunga Simpanan Berjangka (Rupiah) di Bank Umum - 24

Bulan (Kode : Var 64)

160

3. Imports Merchandise constant (US$, millions) (Kode : Var97)

161

4. Local equity market index (valued in US$ terms) (Kode : Var81)

162

Lampiran 8. Perbandingan Grafik Variabel Kandidat Coincident Indicator

Sebelum dan Sesudah Melalui X-12 ARIMA

Sebelum Mengalami Proses X-12 ARIMA Sesudah Mengalami X-12ARIMA

Perbandingan Grafik Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah)

Yang Diberikan Bank Asing dan Campuran Sebelum dan Sesudah

Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman


Perbandingan Grafik Variabel Suku Bunga Simpanan Rupiah Berjangka 6

Bulan di Bank Umum Sebelum dan Sesudah Mengalami Proses X-12

ARIMA Untuk Mengisolir Faktor Musiman

163


Perbandingan Grafik Variabel Harga Komoditi Mentah Pertanian Dunia

Sebelum dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir

Faktor Musiman


Perbandingan Grafik Variabel SBI 1 Bulan Sebelum dan Sesudah


164

Lampiran 9. Perhitungan Composite Coincident Debt Index

Periode mt var38 mt var62 mt var103 mt var102 it 200+it 200-it It

Jan-90

Feb-90 -0.02898 -0.05583 -0.01729 0.0419 -0.0602 199.9398 200.0602 99.93981

Mar-90 -0.02898 -0.05816 -0.0172 0.039192 -0.06515 199.9349 200.0651 99.87472

Apr-90 -0.01932 -0.07677 -0.01707 0.035131 -0.07803 199.922 200.078 99.79683

May-90 -0.00966 -0.06514 -0.01689 0.029716 -0.06197 199.938 200.062 99.735

Jun-90 0.057963 0.002326 -0.01666 0.022947 0.066572 200.0666 199.9334 99.80142

Jul-90 0.048303 0.009306 -0.0164 0.014824 0.056035 200.056 199.944 99.85735

Aug-90 0.135248 0.123301 -0.01609 0.005348 0.24781 200.2478 199.7522 100.1051

Sep-90 -0.01932 0.141912 -0.01573 -0.00548 0.101378 200.1014 199.8986 100.2067

Oct-90 0.106266 0.116322 -0.01533 -0.01767 0.189592 200.1896 199.8104 100.3968

Nov-90 -0.00966 0.160524 -0.01489 -0.0312 0.104774 200.1048 199.8952 100.5021

Dec-90 0.096606 0.223337 -0.0144 -0.0461 0.259452 200.2595 199.7405 100.7632

Jan-91 0.086945 0.193094 -0.01414 -0.04511 0.220796 200.2208 199.7792 100.9859

Feb-91 -0.00966 0.160524 -0.01368 -0.05794 0.079241 200.0792 199.9208 101.0659

Mar-91 0.33812 0.535079 -0.0133 -0.06737 0.79253 200.7925 199.2075 101.8701

Apr-91 0 0.169829 -0.01299 -0.07339 0.083447 200.0834 199.9166 101.9551

May-91 -0.11593 -0.00233 -0.01276 -0.076 -0.20702 199.793 200.207 101.7443

Jun-91 -0.0483 0.127954 -0.01261 -0.0752 -0.00816 199.9918 200.0082 101.736

Jul-91 0 -0.07212 -0.01253 -0.071 -0.15565 199.8444 200.1556 101.5778

Aug-91 0 0.030244 -0.01253 -0.06338 -0.04567 199.9543 200.0457 101.5314

Sep-91 -0.25117 -0.22334 -0.01261 -0.05235 -0.53948 199.4605 200.5395 100.9851

Oct-91 0.106266 -0.10934 -0.01276 -0.03792 -0.05376 199.9462 200.0538 100.9308

Nov-91 -0.00966 -0.06514 -0.01299 -0.02008 -0.10787 199.8921 200.1079 100.822

Dec-91 -0.00966 -0.04188 -0.0133 0.001171 -0.06366 199.9363 200.0637 100.7579

Jan-92 0 -0.06747 -0.01342 0.03242 -0.04847 199.9515 200.0485 100.709

Feb-92 -0.00966 -0.05351 -0.0137 0.054616 -0.02225 199.9778 200.0222 100.6866

Mar-92 -0.02898 -0.03955 -0.01387 0.07435 -0.00805 199.992 200.008 100.6785

Apr-92 0 -0.04653 -0.01393 0.091621 0.031158 200.0312 199.9688 100.7099

May-92 0 -0.10934 -0.0139 0.10643 -0.01681 199.9832 200.0168 100.693

Jun-92 -0.09661 -0.14191 -0.01375 0.118776 -0.1335 199.8665 200.1335 100.5586

Jul-92 -0.05796 -0.05351 -0.01351 0.128659 0.003682 200.0037 199.9963 100.5624

Aug-92 -0.01932 -0.11632 -0.01315 0.136079 -0.01272 199.9873 200.0127 100.5496

Sep-92 -0.05796 -0.1582 -0.01269 0.141037 -0.08782 199.9122 200.0878 100.4613

Oct-92 -0.0483 -0.12795 -0.01213 0.143532 -0.04486 199.9551 200.0449 100.4162

Nov-92 -0.03864 -0.13493 -0.01147 0.143564 -0.04148 199.9585 200.0415 100.3746

Dec-92 -0.06762 -0.08375 -0.01069 0.141134 -0.02093 199.9791 200.0209 100.3536

Jan-93 -0.01932 -0.15354 -0.00959 0.114242 -0.06821 199.9318 200.0682 100.2852

Feb-93 -0.02898 -0.07445 -0.00879 0.109018 -0.0032 199.9968 200.0032 100.282

Mar-93 -0.06086 -0.1233 -0.00806 0.103462 -0.08876 199.9112 200.0888 100.193

165

Apr-93 0.023185 -0.06514 -0.05167 0.097574 0.003948 200.0039 199.9961 100.1969

May-93 0 -0.07212 -0.05233 0.091356 -0.03309 199.9669 200.0331 100.1638

Jun-93 -0.06086 -0.04653 -0.08513 0.084805 -0.10772 199.8923 200.1077 100.056

Jul-93 -0.05893 -0.06049 -0.15543 0.077923 -0.19692 199.8031 200.1969 99.85911

Aug-93 -0.09081 -0.06979 -0.10154 0.07071 -0.19143 199.8086 200.1914 99.66814

Sep-93 -0.10144 -0.09306 0.129655 0.063166 -0.00167 199.9983 200.0017 99.66647

Oct-93 0.019321 -0.114 0.045301 0.05529 0.005917 200.0059 199.9941 99.67237

Nov-93 -0.03091 -0.114 -0.01328 0.047082 -0.1111 199.8889 200.1111 99.56169

Dec-93 -0.03768 -0.10702 -0.05389 0.038543 -0.16004 199.84 200.16 99.40248

Jan-94 0.016423 -0.09306 0 0.022377 -0.05426 199.9457 200.0543 99.34856

Feb-94 -0.04734 -0.08608 -0.04843 0.012931 -0.16891 199.8311 200.1689 99.18089

Mar-94 -0.00097 -0.08608 0.018745 0.002909 -0.06539 199.9346 200.0654 99.11606

Apr-94 0.00483 -0.02792 0.021088 -0.00769 -0.00969 199.9903 200.0097 99.10646

May-94 0.015457 -0.00698 0.073419 -0.01886 0.063037 200.063 199.937 99.16895

Jun-94 0.008695 0.023264 0.02187 -0.03061 0.02322 200.0232 199.9768 99.19198

Jul-94 0.026084 0.034896 0.058579 -0.04293 0.076628 200.0766 199.9234 99.26802

Aug-94 0.028016 0.053508 0.014059 -0.05583 0.039752 200.0398 199.9602 99.30749

Sep-94 0.007728 0.069793 0.053112 -0.06931 0.061328 200.0613 199.9387 99.36841

Oct-94 0.037676 0.062814 0.034366 -0.08336 0.051501 200.0515 199.9485 99.4196

Nov-94 -0.02222 0.039549 0.014059 -0.09798 -0.06659 199.9334 200.0666 99.35341

Dec-94 0.04154 0.074446 0.021088 -0.11318 0.023892 200.0239 199.9761 99.37716

Jan-95 0.069556 0.062814 0.047644 -0.11624 0.063776 200.0638 199.9362 99.44055

Feb-95 0.035744 0.102363 0.047644 -0.12991 0.055846 200.0558 199.9442 99.4961

Mar-95 0 0.123301 0 -0.14146 -0.01816 199.9818 200.0182 99.47803

Apr-95 0.049269 0.083752 0 -0.15091 -0.01789 199.9821 200.0179 99.46024

May-95 0.03671 0.086078 0 -0.15825 -0.03546 199.9645 200.0355 99.42498

Jun-95 0.021253 0.100037 0 -0.16348 -0.04219 199.9578 200.0422 99.38304

Jul-95 -0.00676 0.088404 0 -0.1666 -0.08495 199.915 200.085 99.29865

Aug-95 -0.00773 0.090731 0 -0.1676 -0.0846 199.9154 200.0846 99.21467

Sep-95 0.00483 0.051181 0 -0.1665 -0.11049 199.8895 200.1105 99.10511

Oct-95 0.002898 0.025591 0 -0.16329 -0.1348 199.8652 200.1348 98.9716

Nov-95 -0.00869 0.018611 0 -0.15797 -0.14806 199.8519 200.1481 98.82518

Dec-95 0.02705 0.009306 0 -0.15054 -0.11419 199.8858 200.1142 98.71239

Jan-96 -0.00386 -0.01163 -0.0906 -0.10827 -0.21437 199.7856 200.2144 98.50101

Feb-96 -0.01256 -0.00698 0 -0.09675 -0.11629 199.8837 200.1163 98.38653

Mar-96 -0.00483 0.002326 0 -0.08324 -0.08575 199.9143 200.0857 98.3022

Apr-96 0.005796 0.002326 0 -0.06775 -0.05963 199.9404 200.0596 98.2436

May-96 -0.01159 0.004653 0 -0.05028 -0.05722 199.9428 200.0572 98.18741

Jun-96 -0.02222 -0.00233 0 -0.03082 -0.05536 199.9446 200.0554 98.13306

Jul-96 0 0.011632 0 -0.00937 0.002261 200.0023 199.9977 98.13528

Aug-96 -0.02319 -0.00233 0 0.014057 -0.01145 199.9885 200.0115 98.12404

166

Sep-96 -0.0029 -0.00233 0 0.03947 0.034245 200.0342 199.9658 98.15765

Oct-96 -0.00676 -0.00233 0 0.066866 0.057778 200.0578 199.9422 98.21438

Nov-96 -0.01449 -0.00698 0 0.096247 0.074777 200.0748 199.9252 98.28785

Dec-96 -0.01159 -0.02559 0 0.127612 0.090429 200.0904 199.9096 98.37677

Jan-97 -0.02319 -0.02326 0.585791 0.082653 0.621994 200.622 199.378 98.99058

Feb-97 -0.02995 -0.03955 0 0.10451 0.035013 200.035 199.965 99.02524

Mar-97 -0.01932 -0.03257 0 0.114875 0.062984 200.063 199.937 99.08763

Apr-97 0.033812 -0.04653 0 0.113748 0.101032 200.101 199.899 99.18779

May-97 0.006762 -0.04188 0 0.101129 0.066016 200.066 199.934 99.25329

Jun-97 -0.03478 -0.03722 0 0.077019 0.005018 200.005 199.995 99.25827

Jul-97 0.042506 -0.02792 0 0.041416 0.056005 200.056 199.944 99.31388

Aug-97 1.2665 0.060487 0 -0.00568 1.321308 201.3213 198.6787 100.6348

Sep-97 -0.33812 0.093057 0 -0.06427 -0.30933 199.6907 200.3093 100.324

Oct-97 -0.1565 0.067466 0 -0.13434 -0.22338 199.7766 200.2234 100.1002

Nov-97 -0.06569 0.002326 0 -0.21592 -0.27928 199.7207 200.2793 99.82101

Dec-97 -0.33136 0.067466 0 -0.30898 -0.57287 199.4271 200.5729 99.2508

Jan-98 0.938041 0.079099 0 -0.33814 0.679 200.679 199.321 99.92701

Feb-98 0.230888 0.141912 0.156211 -0.42244 0.106571 200.1066 199.8934 100.0336

Mar-98 0.216397 0.265213 1.796425 -0.48648 1.79155 201.7915 198.2085 101.8419

Apr-98 0.296579 0.041876 0.390527 -0.53028 0.198707 200.1987 199.8013 102.0445

May-98 0.552584 0.583934 0.624843 -0.55381 1.207551 201.2076 198.7924 103.2842

Jun-98 0.158433 0.458307 0 -0.55709 0.059649 200.0596 199.9404 103.3458

Jul-98 0.203838 0.867759 0.559235 -0.54012 1.090715 201.0907 198.9093 104.4792

Aug-98 0.256971 0.772375 0.412397 -0.50289 0.938855 200.9389 199.0611 105.4648

Sep-98 0.221227 0.888697 -0.4452 -0.4454 0.21932 200.2193 199.7807 105.6963

Oct-98 -0.10047 0.395493 -0.66858 -0.36766 -0.74122 199.2588 200.7412 104.9158

Nov-98 -0.33812 0.237296 -0.74669 -0.26967 -1.11718 198.8828 201.1172 103.7502

Dec-98 -0.44922 -0.12097 -0.86697 -0.15142 -1.58858 198.4114 201.5886 102.115

Jan-99 -0.15457 -0.24428 0.078886 0.025528 -0.29443 199.7056 200.2944 101.8148

Feb-99 -0.02029 -0.26987 0.061703 0.149311 -0.07914 199.9209 200.0791 101.7342

Mar-99 -0.06666 -0.46529 0.007811 0.258374 -0.26576 199.7342 200.2658 101.4642

Apr-99 -0.11496 -0.31639 -0.32882 0.352716 -0.40746 199.5925 200.4075 101.0516

May-99 -0.39995 -0.46761 -0.55377 0.432338 -0.98899 199.011 200.989 100.0572

Jun-99 -0.58929 -0.69793 -0.56861 0.497239 -1.35859 198.6414 201.3586 98.70697

Jul-99 -0.54389 -0.74678 -0.39365 0.547419 -1.13691 198.8631 201.1369 97.59111

Aug-99 -0.29272 -0.3606 -0.0578 0.582879 -0.12823 199.8718 200.1282 97.46605

Sep-99 -0.08984 -0.17448 -0.00469 0.603618 0.334606 200.3346 199.6654 97.79272

Oct-99 -0.05023 -0.19542 0.004686 0.609637 0.368668 200.3687 199.6313 98.15392

Nov-99 -0.02512 -0.96314 -0.00859 0.600935 -0.39592 199.6041 200.3959 97.76608

Dec-99 1.01919 -0.33966 -0.07967 0.577513 1.177377 201.1774 198.8226 98.92397

Jan-00 -1.19308 -0.20007 -0.06014 0.420127 -1.03317 198.9668 201.0332 97.90718

167

Feb-00 -0.03864 -0.0884 -0.01093 0.381503 0.243521 200.2435 199.7565 98.14589

Mar-00 -0.0454 -0.0349 -0.00859 0.342397 0.253504 200.2535 199.7465 98.39501

Apr-00 -0.01739 -0.02559 -0.00234 0.30281 0.257487 200.2575 199.7425 98.64869

May-00 -0.03864 -0.06747 0.01484 0.262741 0.171472 200.1715 199.8285 98.81799

Jun-00 0.016423 -0.01396 0.098413 0.22219 0.323068 200.3231 199.6769 99.13776

Jul-00 0.03188 0 0.093726 0.181158 0.306765 200.3068 199.6932 99.44234

Aug-00 -0.00386 0.03257 0.002343 0.139645 0.170694 200.1707 199.8293 99.61223

Sep-00 -0.08984 0.027917 0.004686 0.09765 0.04041 200.0404 199.9596 99.65249

Oct-00 0 0.023264 0.009373 0.055174 0.087811 200.0878 199.9122 99.74004

Nov-00 0.008695 0.093057 0.032023 0.012216 0.145991 200.146 199.854 99.88575

Dec-00 0.052167 0.034896 0.02968 -0.03122 0.08552 200.0855 199.9145 99.97121

Jan-01 -0.01449 0.055834 0.016402 -0.0335 0.024246 200.0242 199.9758 99.99545

Feb-01 0.008695 0.088404 0.003905 -0.07186 0.029144 200.0291 199.9709 100.0246

Mar-01 0.037676 0.137259 0.061703 -0.10466 0.131981 200.132 199.868 100.1567

Apr-01 0.115927 0.076772 0.039834 -0.1319 0.100637 200.1006 199.8994 100.2575

May-01 -0.03574 0.037223 0.018745 -0.15357 -0.13335 199.8667 200.1333 100.1239

Jun-01 0.090809 0 0.024994 -0.16969 -0.05388 199.9461 200.0539 100.07

Jul-01 0.056997 -0.01861 0.040615 -0.18024 -0.10124 199.8988 200.1012 99.96875

Aug-01 0.015457 0.053508 0.039053 -0.18523 -0.07722 199.9228 200.0772 99.89159

Sep-01 0.042506 0.06514 -0.00781 -0.18466 -0.08483 199.9152 200.0848 99.80689

Oct-01 -0.00676 0.069793 0.000781 -0.17853 -0.11472 199.8853 200.1147 99.69245

Nov-01 0.010627 0.062814 0.001562 -0.16684 -0.09184 199.9082 200.0918 99.60094

Dec-01 -0.01836 0.039549 0.001562 -0.14959 -0.12683 199.8732 200.1268 99.47469

Jan-02 -0.01063 0.034896 -0.05389 -0.08925 -0.11887 199.8811 200.1189 99.35651

Feb-02 0.034778 0.009306 -0.00547 -0.06718 -0.02856 199.9714 200.0286 99.32814

Mar-02 0.008695 -0.02559 -0.00781 -0.04584 -0.07055 199.9295 200.0705 99.25809

Apr-02 -0.07825 -0.05816 -0.01172 -0.02525 -0.17337 199.8266 200.1734 99.08615

May-02 0.013525 -0.04188 -0.08592 -0.00539 -0.11966 199.8803 200.1197 98.96765

Jun-02 -0.08405 -0.02326 -0.03124 0.013726 -0.12483 199.8752 200.1248 98.84419

Jul-02 0.007728 -0.04188 -0.01406 0.032104 -0.0161 199.9839 200.0161 98.82828

Aug-02 -0.03768 -0.08608 -0.0453 0.049742 -0.11931 199.8807 200.1193 98.71043

Sep-02 -0.05023 -0.08608 -0.08826 0.066642 -0.15793 199.8421 200.1579 98.55466

Oct-02 -0.08308 -0.08143 -0.00937 0.082801 -0.09108 199.9089 200.0911 98.46494

Nov-02 -0.02029 -0.07677 -0.00312 0.098222 -0.00196 199.998 200.002 98.46301

Dec-02 -0.02705 -0.0791 -0.01015 0.112903 -0.0034 199.9966 200.0034 98.45966

Jan-03 -0.00193 -0.03955 -0.01875 0.107174 0.046947 200.0469 199.9531 98.5059

Feb-03 0.001932 -0.02559 -0.03515 0.119416 0.06061 200.0606 199.9394 98.56562

Mar-03 -0.07825 -0.06747 -0.06561 0.129959 -0.08137 199.9186 200.0814 98.48545

Apr-03 -0.03671 -0.04886 -0.02656 0.138802 0.026681 200.0267 199.9733 98.51173

May-03 -0.03188 -0.0884 -0.04843 0.145945 -0.02276 199.9772 200.0228 98.48931

Jun-03 -0.07632 -0.09771 -0.07108 0.151389 -0.09372 199.9063 200.0937 98.39705

168

Jul-03 -0.06859 -0.13493 -0.03359 0.155133 -0.08198 199.918 200.082 98.31642

Aug-03 -0.04154 -0.1233 -0.01484 0.157177 -0.0225 199.9775 200.0225 98.2943

Sep-03 -0.03574 -0.14657 -0.01953 0.157522 -0.04431 199.9557 200.0443 98.25075

Oct-03 -0.03478 -0.14424 -0.01406 0.156167 -0.03691 199.9631 200.0369 98.2145

Nov-03 -0.03478 -0.14889 0.000781 0.153113 -0.02978 199.9702 200.0298 98.18526

Dec-03 -0.01449 -0.22334 -0.01406 0.148359 -0.10353 199.8965 200.1035 98.08366

Jan-04 -0.00676 -0.14424 -0.03515 0.121669 -0.06448 199.9355 200.0645 98.02044

Feb-04 -0.02898 -0.114 -0.02968 0.114368 -0.05829 199.9417 200.0583 97.96332

Mar-04 -0.03381 -0.08143 -0.00469 0.106219 -0.0137 199.9863 200.0137 97.94989

Apr-04 -0.0058 -0.0791 -0.00703 0.097222 0.005298 200.0053 199.9947 97.95508

May-04 -0.02608 -0.02326 -0.00078 0.087378 0.03725 200.0372 199.9628 97.99158

Jun-04 -0.00097 0.002326 0.001562 0.076687 0.079609 200.0796 199.9204 98.06962

Jul-04 -0.01063 0.016285 0.001562 0.065148 0.072368 200.0724 199.9276 98.14062

Aug-04 -0.01642 0.062814 0.000781 0.052761 0.099933 200.0999 199.9001 98.23874

Sep-04 0.058929 0.044202 0.001562 0.039526 0.14422 200.1442 199.8558 98.38052

Oct-04 -0.06859 0.023264 0.001562 0.025445 -0.01832 199.9817 200.0183 98.3625

Nov-04 -0.01063 0.016285 0 0.010515 0.016173 200.0162 199.9838 98.37841

Dec-04 -0.01352 0.013959 0.001562 -0.00526 -0.00327 199.9967 200.0033 98.3752

Jan-05 -0.01352 -0.00931 -0.00078 -0.01945 -0.04306 199.9569 200.0431 98.33284

Feb-05 0.026084 0.037223 0.000781 -0.03497 0.029121 200.0291 199.9709 98.36148

Mar-05 -0.03188 0.025591 0.000781 -0.04937 -0.05488 199.9451 200.0549 98.30752

Apr-05 0.018355 -0.05816 0.020307 -0.06266 -0.08216 199.9178 200.0822 98.22678

May-05 0.012559 0.002326 0.019526 -0.07484 -0.04043 199.9596 200.0404 98.18708

Jun-05 0.015457 0 0.023432 -0.08591 -0.04702 199.953 200.047 98.14092

Jul-05 0.024151 0.041876 0.018745 -0.09587 -0.0111 199.9889 200.0111 98.13002

Aug-05 0.045405 0.034896 0.079668 -0.10472 0.05525 200.0552 199.9448 98.18426

Sep-05 0.214465 0.132607 0.038272 -0.11246 0.272887 200.2729 199.7271 98.45255

Oct-05 0.049269 0.141912 0.078105 -0.11908 0.150205 200.1502 199.8498 98.60055

Nov-05 0.079217 0.179135 0.097632 -0.1246 0.231387 200.2314 199.7686 98.82896

Dec-05 0.059896 0.181462 0.039053 -0.129 0.151409 200.1514 199.8486 98.97871

Jan-06 -0.00097 0.23497 0 -0.10512 0.128888 200.1289 199.8711 99.10636

Feb-06 -0.01159 0.120974 0 -0.10615 0.003236 200.0032 199.9968 99.10957

Mar-06 -0.01642 0.093057 0 -0.10491 -0.02828 199.9717 200.0283 99.08155

Apr-06 -0.01352 0.023264 0 -0.10142 -0.09168 199.9083 200.0917 98.99075

May-06 0.001932 0 -0.01953 -0.09566 -0.11326 199.8867 200.1133 98.8787

Jun-06 -0.04251 -0.02559 0 -0.08764 -0.15574 199.8443 200.1557 98.72482

Jul-06 -0.0029 -0.02792 -0.01953 -0.07736 -0.12771 199.8723 200.1277 98.59883

Aug-06 -0.01932 -0.04188 -0.03905 -0.06482 -0.16507 199.8349 200.1651 98.4362

Sep-06 -0.06762 -0.06281 -0.03905 -0.05001 -0.2195 199.7805 200.2195 98.22037

Oct-06 -0.01352 -0.06049 -0.03905 -0.03294 -0.14601 199.854 200.146 98.07706

Nov-06 -0.07535 -0.06514 -0.03905 -0.01361 -0.19316 199.8068 200.1932 97.8878

169

Dec-06 -0.03574 -0.06514 -0.03905 0.007979 -0.13196 199.868 200.132 97.75871

Jan-07 -0.05603 -0.10004 -0.01953 0.020031 -0.15556 199.8444 200.1556 97.60676

Feb-07 -0.03864 -0.10934 -0.01953 0.040271 -0.12724 199.8728 200.1272 97.48264

Mar-07 0.009661 -0.11865 -0.01953 0.056895 -0.07162 199.9284 200.0716 97.41285

Apr-07 -0.01836 -0.09306 0 0.069905 -0.04151 199.9585 200.0415 97.37242

May-07 -0.01836 -0.06979 -0.01953 0.079298 -0.02838 199.9716 200.0284 97.3448

Jun-07 -0.02898 -0.0442 -0.01953 0.085077 -0.00763 199.9924 200.0076 97.33737

Jul-07 0 -0.04653 -0.01953 0.087239 0.021184 200.0212 199.9788 97.35799

Aug-07 -0.00097 -0.04653 0 0.085787 0.038292 200.0383 199.9617 97.39528

Sep-07 0.018355 -0.04653 0 0.080718 0.052545 200.0525 199.9475 97.44647

Oct-07 0.014491 -0.00931 0 0.072035 0.07722 200.0772 199.9228 97.52174

Nov-07 0.005796 -0.01396 0 0.059735 0.051573 200.0516 199.9484 97.57205

Dec-07 -0.00193 -0.01163 -0.01953 0.043821 0.01073 200.0107 199.9893 97.58252

Jan-08 -0.0058 -0.00698 0 0.01458 0.001804 200.0018 199.9982 97.58428

Feb-08 -0.01546 -0.00698 -0.00547 -0.00267 -0.03057 199.9694 200.0306 97.55445

Mar-08 0.000966 -0.00465 0.002343 -0.01764 -0.01899 199.981 200.019 97.53593

Apr-08 0.086945 0 0.002343 -0.03034 0.058951 200.059 199.941 97.59344

May-08 -0.03671 0.016285 0.024994 -0.04075 -0.03618 199.9638 200.0362 97.55814

Jun-08 0.043473 0.034896 0.032804 -0.04889 0.062286 200.0623 199.9377 97.61892

Jul-08 0.028982 0.067466 0.039053 -0.05474 0.080757 200.0808 199.9192 97.69779

Aug-08 0.03671 0.081425 0.003905 -0.05832 0.063719 200.0637 199.9363 97.76006

Sep-08 0.089843 0.165177 0.033585 -0.05962 0.228984 200.229 199.771 97.98417

Oct-08 0.116893 0.083752 0.099194 -0.05864 0.241198 200.2412 199.7588 98.22079

Nov-08 0.072454 0.109342 0.020307 -0.05538 0.146722 200.1467 199.8533 98.36501

Dec-08 0.001932 0.086078 -0.03202 -0.04984 0.006143 200.0061 199.9939 98.37105

Jan-09 -0.01159 0.051181 -0.10388 -0.02754 -0.09183 199.9082 200.0918 98.28076

Feb-09 -0.03091 0.013959 -0.05936 -0.02013 -0.09645 199.9036 200.0964 98.18602

Mar-09 -0.0029 -0.03955 -0.0414 -0.01314 -0.09698 199.903 200.097 98.09084

Apr-09 -0.03671 -0.0349 -0.04843 -0.00656 -0.12659 199.8734 200.1266 97.96674

May-09 -0.02705 -0.06049 -0.02656 -0.00039 -0.11448 199.8855 200.1145 97.85465

Jun-09 -0.01739 -0.06747 -0.02343 0.005368 -0.10292 199.8971 200.1029 97.75399

Jul-09 -0.03574 -0.06979 -0.01875 0.010714 -0.11357 199.8864 200.1136 97.64304

Aug-09 -0.03188 -0.0791 -0.01015 0.015648 -0.10548 199.8945 200.1055 97.54009

Sep-09 -0.02222 -0.09306 -0.00781 0.02017 -0.10292 199.8971 200.1029 97.43976

Oct-09 -0.01352 -0.05583 0.000781 0.02428 -0.0443 199.9557 200.0443 97.3966

Nov-09 -0.0029 -0.05816 -0.00156 0.027978 -0.03464 199.9654 200.0346 97.36287

Dec-09 -0.04251 -0.08143 -0.00078 0.031265 -0.09345 199.9066 200.0934 97.27193

Jan-10 -0.03768 -0.06514 -0.00078 0.031782 -0.07182 199.9282 200.0718 97.2021

Feb-10 -0.02898 -0.05118 -0.00312 0.034763 -0.04852 199.9515 200.0485 97.15494

Mar-10 -0.00193 -0.01396 -0.01093 0.037851 0.011025 200.011 199.989 97.16565

Apr-10 -0.01932 -0.03955 -0.00547 0.041045 -0.02329 199.9767 200.0233 97.14302

170

May-10 -0.01449 -0.02326 0.007811 0.044345 0.0144 200.0144 199.9856 97.15701

Jun-10 -0.01449 -0.01163 -0.00312 0.047751 0.018504 200.0185 199.9815 97.17499

Jul-10 0.003864 0 0.018745 0.051264 0.073874 200.0739 199.9261 97.24681

Aug-10 -0.00097 -0.00233 0 0.054883 0.051591 200.0516 199.9484 97.29699

Sep-10 -0.02512 -0.00465 0 0.058609 0.028838 200.0288 199.9712 97.32505

Oct-10 -0.01449 0.004653 0 0.062441 0.052603 200.0526 199.9474 97.37626

Nov-10 0.011593 0.013959 0 0.066379 0.09193 200.0919 199.9081 97.46582

Dec-10 -0.0029 0.037223 0 0.070423 0.104748 200.1047 199.8953 97.56797

Jan-11 -0.07632 -0.05816 0 0.072582 -0.0619 199.9381 200.0619 97.50759

Feb-11 -0.00966 0.011632 0.019526 0.076387 0.097885 200.0979 199.9021 97.60309

Mar-11 0.010627 0.023264 0 0.079847 0.113737 200.1137 199.8863 97.71416

Apr-11 0.000966 0.004653 0 0.08296 0.088579 200.0886 199.9114 97.80075

May-11 -0.00386 0.006979 0 0.085727 0.088842 200.0888 199.9112 97.88768

Jun-11 0.012559 0 0 0.088148 0.100707 200.1007 199.8993 97.98631

Jul-11 0 -0.00233 0 0.090224 0.087897 200.0879 199.9121 98.07248

Aug-11 -0.02029 0.002326 0 0.091953 0.073993 200.074 199.926 98.14507

Sep-11 -0.01932 0.055834 0 0.093337 0.12985 200.1299 199.8701 98.27259

Oct-11 -0.01063 0.006979 -0.01953 0.094375 0.071201 200.0712 199.9288 98.34259

Nov-11 -0.01642 -0.01163 -0.03905 0.095067 0.027959 200.028 199.972 98.37009

Dec-11 -0.01449 -0.04188 0 0.095413 0.039046 200.039 199.961 98.40851

171

Lampiran 10. Perbandingan Grafik Variabel Kandidat Leading Indicator


Sebelum Mengalami Proses X-12 ARIMA Sesudah Mengalami X-12 ARIMA

Perbandingan Grafik Variabel Suku Bunga LIBOR 6 Bulan Sebelum dan

Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor

Musiman


Perbandingan Grafik Variabel M2/Cadangan Devisa Sebelum dan Sesudah


172


Perbandingan Grafik Variabel Loan to GDP Sebelum dan Sesudah



Perbandingan Grafik Variabel LQ 45 Sebelum dan Sesudah Mengalami

Proses X-12 ARIMA Untuk Mengisolir Faktor Musiman

173

Sebelum Mengalami Proses X-12 ARIMA Sesudah Mengalami

Proses X-12 ARIMA

Perbandingan Grafik Variabel Nominal Effective Exchange Rate Sebelum

dan Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor

Musiman

174

Lampiran 11. Perhitungan Composite Leading Index

Periode mt Var07 mt Var66 mt Var96 mt Var111 it 200+it 200-it It

Jan-90

Feb-90 0.031975 0.04618 0.104368 -0.00758 0.174947 200.1749 199.8251 100.1751

Mar-90 0.010923 0.063966 0.150208 -0.00624 0.218856 200.2189 199.7811 100.3946

Apr-90 -0.08232 -0.14863 0.149451 -0.00775 -0.08926 199.9107 200.0893 100.305

May-90 -0.00982 -0.13243 0.133209 -0.00549 -0.01453 199.9855 200.0145 100.2904

Jun-90 -0.25653 -0.10003 0.083639 -0.00678 -0.2797 199.7203 200.2797 100.0103

Jul-90 -0.0599 -0.03748 0.078701 -0.00678 -0.02547 199.9745 200.0255 99.98485

Aug-90 0.017544 0.023951 0.071216 -0.00918 0.103533 200.1035 199.8965 100.0884

Sep-90 0.051852 0.098217 0.069754 -0.00846 0.211359 200.2114 199.7886 100.3002

Oct-90 -0.05219 0.149117 0.058747 -0.00166 0.154019 200.154 199.846 100.4548

Nov-90 -0.13739 0.1755 0.118205 -0.01392 0.142402 200.1424 199.8576 100.5979

Dec-90 -0.04422 0.141166 0.086026 -0.01311 0.169854 200.1699 199.8301 100.769

Jan-91 -0.06926 0.04423 0.337545 -0.00612 0.306397 200.3064 199.6936 101.0782

Feb-91 -0.28593 -0.02329 -0.24412 -0.00739 -0.56073 199.4393 200.5607 100.513

Mar-91 -0.23091 -0.06328 -0.00893 -0.00955 -0.31267 199.6873 200.3127 100.1992

Apr-91 -0.1629 -0.05904 0.057473 -0.00581 -0.17028 199.8297 200.1703 100.0287

May-91 -0.1112 -0.06022 -0.01516 -0.00798 -0.19456 199.8054 200.1946 99.83431

Jun-91 0.034299 -0.05011 -0.01141 -0.00737 -0.03458 199.9654 200.0346 99.79979

Jul-91 0.026238 -0.02847 0.062883 -0.00275 0.0579 200.0579 199.9421 99.85759

Aug-91 -0.18051 -0.01235 0.00985 -0.00786 -0.19088 199.8091 200.1909 99.66716

Sep-91 -0.11017 -0.00152 0.001931 -0.00478 -0.11453 199.8855 200.1145 99.55308

Oct-91 -0.16109 -0.01915 -0.01787 -0.0048 -0.20292 199.7971 200.2029 99.35127

Nov-91 -0.27937 -0.04574 -0.07431 -0.00768 -0.4071 199.5929 200.4071 98.94763

Dec-91 -0.21884 -0.10448 -0.01786 -0.00441 -0.3456 199.6544 200.3456 98.60626

Jan-92 -0.11098 -0.14944 0.001068 -0.00549 -0.26484 199.7352 200.2648 98.34546

Feb-92 0.022999 -0.15536 0.061659 -0.01034 -0.08104 199.919 200.081 98.26579

Mar-92 0.114567 -0.0763 -0.06677 -0.00147 -0.02998 199.97 200.03 98.23633

Apr-92 -0.13757 0.041512 -0.0342 -0.00563 -0.13589 199.8641 200.1359 98.10293

May-92 -0.13354 0.093729 -0.04767 -0.00471 -0.0922 199.9078 200.0922 98.01253

Jun-92 -0.03848 0.034134 0.025046 -0.00232 0.018385 200.0184 199.9816 98.03055

Jul-92 -0.22894 -0.08275 -0.04795 -0.00447 -0.36411 199.6359 200.3641 97.67426

Aug-92 -0.02245 -0.11647 -0.01154 -0.0006 -0.15105 199.8489 200.1511 97.52683

Sep-92 -0.10109 -0.0125 0.092959 -0.00413 -0.02475 199.9752 200.0248 97.50269

Oct-92 0.057532 0.159278 0.057348 -0.00852 0.265641 200.2656 199.7344 97.76204

Nov-92 0.142164 0.227267 0.002117 -0.0092 0.362349 200.3623 199.6377 98.11692

Dec-92 -0.00468 0.121583 0.032906 -0.00033 0.14948 200.1495 199.8505 98.2637

Jan-93 -0.05566 -0.13064 -0.03818 -0.00173 -0.22621 199.7738 200.2262 98.04167

Feb-93 -0.07033 -0.28246 0.05556 0.001246 -0.29598 199.704 200.296 97.75191

175

Mar-93 -0.06234 -0.30675 0.004589 -0.00145 -0.36595 199.634 200.366 97.39484

Apr-93 -0.02968 -0.16056 -0.04221 -0.00516 -0.23761 199.7624 200.2376 97.1637

May-93 0.022346 -0.05667 0.057286 -0.00474 0.018223 200.0182 199.9818 97.18141

Jun-93 0.02786 0.047854 0.012663 -0.00609 0.082283 200.0823 199.9177 97.2614

Jul-93 0.027559 0.109442 0.0313 -0.00733 0.160968 200.161 199.839 97.41809

Aug-93 -0.00313 0.148925 0.029008 -0.00623 0.168572 200.1686 199.8314 97.58245

Sep-93 -0.02411 0.122728 -0.001 -0.00715 0.090464 200.0905 199.9095 97.67076

Oct-93 -0.00517 0.027188 0.007752 0.002385 0.032159 200.0322 199.9678 97.70218

Nov-93 0.029759 -0.03734 0.070625 0.001574 0.064614 200.0646 199.9354 97.76533

Dec-93 0.016996 -0.07453 0.027628 -0.00303 -0.03293 199.9671 200.0329 97.73314

Jan-94 0.009543 -0.06571 0.02129 -0.00688 -0.04176 199.9582 200.0418 97.69233

Feb-94 0.209837 -0.06123 0.021607 -0.01015 0.160062 200.1601 199.8399 97.84882

Mar-94 0.154245 -0.04243 -0.04576 -0.00576 0.060297 200.0603 199.9397 97.90784

Apr-94 0.150397 -0.03288 0.156241 -0.0039 0.269853 200.2699 199.7301 98.1724

May-94 0.264385 -0.04228 0.026751 -0.00624 0.242615 200.2426 199.7574 98.41087

Jun-94 -0.02362 -0.09421 -0.01745 -0.00465 -0.13992 199.8601 200.1399 98.27327

Jul-94 0.156425 -0.14138 0.043729 -0.00697 0.051809 200.0518 199.9482 98.3242

Aug-94 0.044269 -0.14364 -0.06625 -0.00393 -0.16955 199.8304 200.1696 98.15763

Sep-94 0.143183 -0.12327 -0.00524 -0.00816 0.006512 200.0065 199.9935 98.16402

Oct-94 0.199714 0.152533 -0.00083 -0.00381 0.347603 200.3476 199.6524 98.50583

Nov-94 0.120648 0.150959 -0.0955 -0.0045 0.171602 200.1716 199.8284 98.67502

Dec-94 0.414379 0.104795 0.098919 -0.0036 0.614495 200.6145 199.3855 99.28324

Jan-95 0.004996 -0.04186 0.069152 -0.00234 0.029947 200.0299 199.9701 99.31298

Feb-95 -0.0981 -0.12464 0.043758 -0.00415 -0.18313 199.8169 200.1831 99.13127

Mar-95 -0.0707 -0.1299 -0.04161 -0.00181 -0.24403 199.756 200.244 98.88965

Apr-95 -0.1404 -0.04529 -0.0151 -0.01 -0.21079 199.7892 200.2108 98.68142

May-95 -0.12278 0.006739 0.000285 -0.00466 -0.12042 199.8796 200.1204 98.56266

Jun-95 -0.14032 0.038556 0.009303 -0.0097 -0.10216 199.8978 200.1022 98.46202

Jul-95 -0.04368 0.025078 -0.04222 -0.00819 -0.06901 199.931 200.069 98.39409

Aug-95 0.082011 0.00917 0.051864 -0.00958 0.133464 200.1335 199.8665 98.5255

Sep-95 -0.01323 -0.03425 0.002459 -0.00783 -0.05285 199.9472 200.0528 98.47345

Oct-95 -0.00651 -0.08082 0.014091 -0.00769 -0.08092 199.9191 200.0809 98.3938

Nov-95 -0.08208 -0.10145 0.009191 -0.00796 -0.1823 199.8177 200.1823 98.21459

Dec-95 -0.08032 -0.0718 0.056351 -0.0053 -0.10107 199.8989 200.1011 98.11538

Jan-96 -0.0401 0.004076 0.014721 0.004491 -0.01682 199.9832 200.0168 98.09888

Feb-96 -0.15204 0.052764 -0.09993 -0.01261 -0.21182 199.7882 200.2118 97.89131

Mar-96 0.101739 0.070192 -0.00942 -0.00561 0.156902 200.1569 199.8431 98.04502

Apr-96 0.052682 0.040413 0.034128 -0.00407 0.12315 200.1231 199.8769 98.16584

May-96 0.036716 0.01829 0.013518 -0.01274 0.055787 200.0558 199.9442 98.22062

Jun-96 0.05131 -0.01212 0.005751 0.006539 0.051475 200.0515 199.9485 98.27119

Jul-96 0.032025 -0.02283 0.009425 -0.00575 0.012867 200.0129 199.9871 98.28383

176

Aug-96 -0.01819 -0.01538 0.007422 -0.0115 -0.03765 199.9623 200.0377 98.24684

Sep-96 0.050982 0.038211 0.029604 0.01438 0.133178 200.1332 199.8668 98.37777

Oct-96 -0.08365 0.101442 0.019872 -0.00884 0.028827 200.0288 199.9712 98.40613

Nov-96 -0.04368 0.12334 -0.07891 -0.00836 -0.00761 199.9924 200.0076 98.39865

Dec-96 0.00459 0.067391 -0.05792 -0.00675 0.00731 200.0073 199.9927 98.40584

Jan-97 0.093501 -0.02168 -0.03602 -0.00435 0.031454 200.0315 199.9685 98.4368

Feb-97 0.045504 -0.04945 0.01311 -0.00721 0.001946 200.0019 199.9981 98.43871

Mar-97 0.028107 0.028786 -0.02075 -0.00715 0.02899 200.029 199.971 98.46725

Apr-97 0.055453 0.184153 -0.04787 -0.01194 0.179794 200.1798 199.8202 98.64445

May-97 0.007556 0.272065 -0.05086 -0.00823 0.220524 200.2205 199.7795 98.86223

Jun-97 -0.07649 0.263629 0.053663 -0.00779 0.233015 200.233 199.767 99.09286

Jul-97 -0.05952 0.128824 -0.11335 -0.09971 -0.14376 199.8562 200.1438 98.9505

Aug-97 -0.00339 0.027182 -0.14649 -0.2591 -0.3818 199.6182 200.3818 98.57343

Sep-97 0.017596 -0.07132 -0.24425 -0.12259 -0.42056 199.5794 200.4206 98.15974

Oct-97 0.040988 -0.10686 0.033777 -0.19065 -0.22275 199.7773 200.2227 97.94133

Nov-97 0.029326 -0.11407 -0.00653 0.011508 -0.07977 199.9202 200.0798 97.86324

Dec-97 0.020657 -0.03313 -0.09948 -0.38391 -0.49587 199.5041 200.4959 97.37916

Jan-98 -0.03494 0.072683 -1.14712 -1.26572 -2.3751 197.6249 202.3751 95.09346

Feb-98 -0.03148 0.102786 0.53928 0.333755 0.944337 200.9443 199.0557 95.99572

Mar-98 -0.01209 -0.00609 0.090379 0.058637 0.13083 200.1308 199.8692 96.12139

Apr-98 -0.00829 -0.21637 -0.04343 0.053619 -0.21447 199.7855 200.2145 95.91546

May-98 -0.0329 -0.33836 -0.52316 -0.46715 -1.36158 198.6384 201.3616 94.61833

Jun-98 -0.01904 -0.33449 -0.31457 -0.55389 -1.22198 198.778 201.222 93.46912

Jul-98 -0.02877 -0.16589 0.029245 0.197 0.031585 200.0316 199.9684 93.49865

Aug-98 -0.0179 -0.04079 0.249301 0.25673 0.447336 200.4473 199.5527 93.91784

Sep-98 -0.141 0.079647 -0.01052 0.062898 -0.00898 199.991 200.009 93.90941

Oct-98 -0.13245 0.128298 0.502242 0.580583 1.078669 201.0787 198.9213 94.92788

Nov-98 0.042975 0.145709 0.060487 0.059574 0.308745 200.3087 199.6913 95.22141

Dec-98 -0.01144 0.064745 -0.12621 -0.14368 -0.21658 199.7834 200.2166 95.01541

Jan-99 0.021838 -0.08553 -0.16891 -0.17295 -0.40554 199.5945 200.4055 94.63086

Feb-99 0.044822 -0.17208 0.088729 0.050208 0.011683 200.0117 199.9883 94.64192

Mar-99 -0.07917 -0.16584 -0.11526 0.012782 -0.34749 199.6525 200.3475 94.31362

Apr-99 -0.02431 -0.05223 0.092466 0.057437 0.073367 200.0734 199.9266 94.38284

May-99 0.006098 0.022286 0.046207 0.019867 0.094457 200.0945 199.9055 94.47203

Jun-99 0.111182 0.072284 0.263763 0.310227 0.757456 200.7575 199.2425 95.19033

Jul-99 0.099514 0.055941 -0.07007 -0.04353 0.041854 200.0419 199.9581 95.23018

Aug-99 0.106486 0.030942 -0.17 -0.1642 -0.19677 199.8032 200.1968 95.04299

Sep-99 0.088912 -0.04454 -0.14248 -0.16955 -0.26767 199.7323 200.2677 94.78893

Oct-99 0.131168 -0.12524 0.305515 0.340567 0.652005 200.652 199.348 95.40898

Nov-99 0.015806 -0.15808 -0.09812 -0.11167 -0.35207 199.6479 200.3521 95.07367

Dec-99 0.0499 -0.09777 0.122103 0.072546 0.146774 200.1468 199.8532 95.21331

177

Jan-00 0.047955 0.034888 -0.03356 -0.0666 -0.01731 199.9827 200.0173 95.19683

Feb-00 0.038384 0.110597 -0.10173 -0.02761 0.019637 200.0196 199.9804 95.21552

Mar-00 0.092591 0.108579 -0.05756 -0.01235 0.13126 200.1313 199.8687 95.34059

Apr-00 -0.00425 0.019122 -0.03879 -0.09652 -0.12044 199.8796 200.1204 95.22583

May-00 0.188747 -0.03633 -0.09307 -0.13533 -0.07598 199.924 200.076 95.1535

Jun-00 0.016355 -0.06748 -0.01812 -0.03025 -0.09949 199.9005 200.0995 95.05888

Jul-00 -0.10711 -0.04658 -0.10013 -0.04448 -0.29831 199.7017 200.2983 94.77573

Aug-00 -0.03267 -0.02395 0.133197 0.130443 0.207027 200.207 199.793 94.97215

Sep-00 -0.02616 0.028181 -0.14005 -0.08549 -0.22352 199.7765 200.2235 94.7601

Oct-00 0.04626 0.080777 -0.09864 -0.07864 -0.05024 199.9498 200.0502 94.7125

Nov-00 0.092935 0.104115 -0.00561 -0.03355 0.157887 200.1579 199.8421 94.86216

Dec-00 -0.16375 0.069172 0.027975 -0.01852 -0.08513 199.9149 200.0851 94.78144

Jan-01 -0.44646 -0.00732 0.110426 0.040076 -0.30328 199.6967 200.3033 94.49442

Feb-01 -0.18775 -0.04631 -0.04532 -0.06981 -0.34919 199.6508 200.3492 94.16503

Mar-01 -0.25677 -0.03106 -0.03925 -0.10104 -0.42811 199.5719 200.4281 93.76276

Apr-01 -0.24311 0.009806 -0.14694 -0.2151 -0.59535 199.4046 200.5954 93.2062

May-01 -0.21935 0.009238 0.047841 0.078138 -0.08413 199.9159 200.0841 93.12782

Jun-01 -0.14876 -0.06139 -0.02231 -0.05187 -0.28434 199.7157 200.2843 92.8634

Jul-01 -0.0596 -0.1175 0.171594 0.317982 0.312471 200.3125 199.6875 93.15402

Aug-01 -0.08849 -0.0963 0.177813 0.112193 0.105214 200.1052 199.8948 93.25208

Sep-01 -0.31594 0.086773 -0.17711 -0.1433 -0.54958 199.4504 200.5496 92.74099

Oct-01 -0.28523 0.302905 0.00441 -0.06611 -0.04402 199.956 200.044 92.70017

Nov-01 -0.13372 0.373685 0.022887 -0.02141 0.241442 200.2414 199.7586 92.92426

Dec-01 -0.04759 0.170289 0.091894 -0.00827 0.206317 200.2063 199.7937 93.11618

Jan-02 -0.05503 -0.21951 0.008094 0.009757 -0.25669 199.7433 200.2567 92.87747

Feb-02 0.077173 -0.42833 0.062437 0.017929 -0.27079 199.7292 200.2708 92.6263

Mar-02 0.121606 -0.36841 0.087947 0.079572 -0.07928 199.9207 200.0793 92.55289

Apr-02 -0.07994 -0.0528 0.072506 0.054218 -0.00602 199.994 200.006 92.54731

May-02 -0.05235 0.121897 0.037417 0.080358 0.187324 200.1873 199.8127 92.72084

Jun-02 -0.04495 0.142626 -0.02055 0.007503 0.084629 200.0846 199.9154 92.79934

Jul-02 -0.08153 0.007044 -0.14776 -0.03708 -0.25932 199.7407 200.2593 92.55901

Aug-02 -0.04595 -0.05272 0.053093 0.037325 -0.00825 199.9917 200.0083 92.55137

Sep-02 -0.00506 -0.03901 -0.02304 -0.02552 -0.09263 199.9074 200.0926 92.46567

Oct-02 -0.02507 0.047615 0.002284 -0.00334 0.021493 200.0215 199.9785 92.48555

Nov-02 -0.09898 0.097217 0.060476 0.033926 0.092643 200.0926 199.9074 92.57127

Dec-02 -0.04738 0.109232 -0.09028 -0.00284 -0.03127 199.9687 200.0313 92.54233

Jan-03 -0.00051 0.065354 0.015307 -0.00091 0.07924 200.0792 199.9208 92.61569

Feb-03 -0.04078 0.031117 -0.00335 -0.01188 -0.02489 199.9751 200.0249 92.59264

Mar-03 -0.01977 -0.01178 0.029737 -0.00499 -0.0068 199.9932 200.0068 92.58635

Apr-03 -0.01843 -0.04108 0.015646 0.038323 -0.00555 199.9945 200.0055 92.58121

May-03 -0.04864 -0.05492 0.031256 0.071729 -0.00057 199.9994 200.0006 92.58068

178

Jun-03 -0.05372 -0.03103 -0.01042 0.001941 -0.09323 199.9068 200.0932 92.49441

Jul-03 -0.01154 0.017648 -0.05878 -0.02714 -0.07981 199.9202 200.0798 92.42062

Aug-03 0.049687 0.040989 0.012612 -0.00127 0.102021 200.102 199.898 92.51495

Sep-03 0.003584 0.02605 0.00655 0.040418 0.076603 200.0766 199.9234 92.58585

Oct-03 0.015861 -0.01829 -0.00732 -0.00669 -0.01644 199.9836 200.0164 92.57062

Nov-03 0.003747 -0.03905 -0.01438 -0.0292 -0.07888 199.9211 200.0789 92.49763

Dec-03 0.003436 -0.02735 0.020113 0.025526 0.021724 200.0217 199.9783 92.51773

Jan-04 0.00948 0.017813 -0.03834 -0.02346 -0.03452 199.9655 200.0345 92.4858

Feb-04 -0.0238 0.04725 0.028244 -0.01312 0.038576 200.0386 199.9614 92.52148

Mar-04 0.015473 0.061969 -0.05468 -0.01073 0.012036 200.012 199.988 92.53262

Apr-04 0.04526 0.051778 -0.00316 -0.02833 0.065547 200.0655 199.9345 92.59329

May-04 0.105932 0.028874 -0.06339 -0.10369 -0.03228 199.9677 200.0323 92.56341

Jun-04 0.163581 0.014503 0.050569 -0.02593 0.202718 200.2027 199.7973 92.75124

Jul-04 0.039712 0.005492 0.019568 0.054473 0.119245 200.1192 199.8808 92.86191

Aug-04 -0.01938 -0.00016 -0.02073 -0.00951 -0.04979 199.9502 200.0498 92.81569

Sep-04 0.075086 -0.00371 0.019058 0.019525 0.109964 200.11 199.89 92.91781

Oct-04 0.110385 -0.00593 0.022565 0.022497 0.149519 200.1495 199.8505 93.05684

Nov-04 0.167293 -0.00733 -0.00141 0.014366 0.172923 200.1729 199.8271 93.2179

Dec-04 0.125903 0.043504 -0.02477 -0.05757 0.087069 200.0871 199.9129 93.2991

Jan-05 0.114506 -0.0486 0.019421 0.001383 0.086713 200.0867 199.9133 93.38004

Feb-05 0.156456 -0.05449 0.000524 -0.02056 0.081932 200.0819 199.9181 93.45657

Mar-05 0.089079 -0.06629 0.035009 -0.04115 0.016649 200.0166 199.9834 93.47214

Apr-05 0.036263 -0.06551 0.041647 -0.015 -0.0026 199.9974 200.0026 93.46971

May-05 0.026254 -0.05256 0.047266 0.015118 0.036079 200.0361 199.9639 93.50344

Jun-05 0.053342 -0.00896 0.022573 -0.03535 0.031602 200.0316 199.9684 93.53299

Jul-05 0.055987 0.034992 0.082742 -0.01316 0.160563 200.1606 199.8394 93.68329

Aug-05 0.086426 0.04848 0.047023 -0.02848 0.153454 200.1535 199.8465 93.82716

Sep-05 0.108415 0.001216 0.029961 -0.02827 0.11132 200.1113 199.8887 93.93167

Oct-05 0.087358 -0.07222 -0.0499 0.023742 -0.01102 199.989 200.011 93.92132

Nov-05 0.161153 -0.09799 -0.00225 0.023682 0.084596 200.0846 199.9154 94.00081

Dec-05 0.116715 -0.04151 -0.01832 0.025658 0.082547 200.0825 199.9175 94.07843

Jan-06 0.056327 0.088599 0.062363 0.049222 0.256511 200.2565 199.7435 94.32006

Feb-06 0.130105 0.173277 0.062593 0.03231 0.398285 200.3983 199.6017 94.69648

Mar-06 0.083143 0.203908 -0.13797 0.032163 0.181245 200.1812 199.8188 94.86826

Apr-06 0.057058 0.149056 -0.04402 0.041549 0.203642 200.2036 199.7964 95.06165

May-06 -0.0134 0.105512 -0.11481 -0.06662 -0.08931 199.9107 200.0893 94.97679

Jun-06 0.067009 0.041839 0.126369 -0.02041 0.214811 200.2148 199.7852 95.18103

Jul-06 -0.01819 -0.02333 0.003419 0.049974 0.011872 200.0119 199.9881 95.19233

Aug-06 -0.07276 -0.06913 -0.03519 0.014957 -0.16212 199.8379 200.1621 95.03813

Sep-06 0.053633 -0.07692 -0.04734 -0.0238 -0.09442 199.9056 200.0944 94.94843

Oct-06 -0.03596 -0.04687 0.198436 0.002025 0.117626 200.1176 199.8824 95.06018

179

Nov-06 -0.03759 -0.03592 -0.05267 0.006274 -0.11991 199.8801 200.1199 94.94626

Dec-06 0.086311 -0.04424 0.007114 0.01694 0.066129 200.0661 199.9339 95.00907

Jan-07 0.119781 -0.06178 -0.03871 -0.01738 0.001904 200.0019 199.9981 95.01088

Feb-07 0.004166 -0.06469 -0.05424 -0.01762 -0.13238 199.8676 200.1324 94.88519

Mar-07 -0.05402 -0.04291 -0.00341 0.000411 -0.09992 199.9001 200.0999 94.79043

Apr-07 -0.01846 -0.01234 -0.04293 0.011594 -0.06213 199.9379 200.0621 94.73155

May-07 -0.06374 -0.00206 -0.01705 0.036845 -0.046 199.954 200.046 94.68798

Jun-07 -0.09129 -0.02795 -0.02833 -0.02723 -0.17481 199.8252 200.1748 94.5226

Jul-07 -0.04737 -0.04736 -0.0574 -0.03995 -0.19208 199.8079 200.1921 94.34122

Aug-07 0.019898 -0.02736 -0.00306 -0.00357 -0.01409 199.9859 200.0141 94.32793

Sep-07 0.092766 0.074723 -0.01691 0.03558 0.18616 200.1862 199.8138 94.50369

Oct-07 -0.18495 0.171784 0.030703 0.001368 0.01891 200.0189 199.9811 94.52157

Nov-07 -0.14162 0.18426 -0.06863 -0.04778 -0.07377 199.9262 200.0738 94.45187

Dec-07 0.087973 0.025051 0.000417 0.003423 0.116864 200.1169 199.8831 94.56231

Jan-08 -0.47662 -0.19762 0.023475 0.015386 -0.63538 199.3646 200.6354 93.96339

Feb-08 -0.51196 -0.28033 0.080002 0.032037 -0.68025 199.3197 200.6803 93.32636

Mar-08 -0.15235 -0.11487 -0.05987 -0.03016 -0.35725 199.6427 200.3573 92.99355

Apr-08 0.060057 0.243483 0.036702 -0.00344 0.336801 200.3368 199.6632 93.30728

May-08 -0.02626 0.450102 0.010277 -0.0229 0.411214 200.4112 199.5888 93.69176

Jun-08 0.066071 0.449701 -0.02132 0.016475 0.510925 200.5109 199.4891 94.17168

Jul-08 0.014463 0.18936 -0.03413 0.015414 0.185112 200.1851 199.8149 94.34617

Aug-08 -0.00506 0.006071 0.054885 0.027544 0.083438 200.0834 199.9166 94.42492

Sep-08 0.202043 -0.15309 0.065536 -0.06278 0.051712 200.0517 199.9483 94.47376

Oct-08 0.28937 -0.22169 0.005775 -0.25416 -0.1807 199.8193 200.1807 94.3032

Nov-08 -0.69084 -0.26914 -0.13462 -0.14928 -1.24388 198.7561 201.2439 93.13743

Dec-08 -0.23163 -0.22902 0.144925 0.188379 -0.12734 199.8727 200.1273 93.01891

Jan-09 -0.23921 -0.12359 -0.03948 -0.07247 -0.47475 199.5252 200.4748 92.57834

Feb-09 0.051831 -0.07308 -0.01865 -0.08704 -0.12694 199.8731 200.1269 92.4609

Mar-09 -0.07105 -0.09974 -0.05293 0.029245 -0.19449 199.8055 200.1945 92.28125

Apr-09 -0.17752 -0.18884 0.11139 0.126706 -0.12826 199.8717 200.1283 92.16297

May-09 -0.02979 -0.23196 0.000905 0.054977 -0.20587 199.7941 200.2059 91.97342

Jun-09 -0.10872 -0.21436 0.046399 0.03135 -0.24534 199.7547 200.2453 91.74805

Jul-09 -0.09742 -0.12213 0.050667 0.022032 -0.14685 199.8532 200.1468 91.61342

Aug-09 -0.06902 -0.0533 -0.00428 0.012298 -0.1143 199.8857 200.1143 91.50877

Sep-09 -0.06908 0.00605 -0.06823 0.044798 -0.08646 199.9135 200.0865 91.42968

Oct-09 -0.0473 0.04207 -0.02757 0.035593 0.002794 200.0028 199.9972 91.43224

Nov-09 -0.04616 0.075913 0.026708 0.009316 0.065778 200.0658 199.9342 91.4924

Dec-09 -0.0301 0.093737 0.009373 0.023663 0.096675 200.0967 199.9033 91.58089

Jan-10 -0.02018 0.087763 -0.11771 0.017637 -0.03249 199.9675 200.0325 91.55114

Feb-10 -0.00542 0.085908 0.051898 -0.00141 0.130975 200.131 199.869 91.67112

Mar-10 0.00381 0.080393 0.051185 0.028546 0.163933 200.1639 199.8361 91.82153

180

Apr-10 0.028172 0.068542 -0.15241 -0.00311 -0.0588 199.9412 200.0588 91.76755

May-10 0.091751 0.057186 0.094276 -0.03862 0.204592 200.2046 199.7954 91.95549

Jun-10 0.041197 0.043648 0.007166 0.039615 0.131626 200.1316 199.8684 92.07661

Jul-10 -0.00729 0.028079 -0.04493 0.007367 -0.01678 199.9832 200.0168 92.06116

Aug-10 -0.07371 0.013676 -0.06917 0.00893 -0.12027 199.8797 200.1203 91.9505

Sep-10 -0.03455 0.000588 -0.06227 0.002981 -0.09325 199.9068 200.0932 91.8648

Oct-10 -0.01818 -0.01265 -0.0752 0.004452 -0.10157 199.8984 200.1016 91.77154

Nov-10 -0.01187 -0.02728 0.012499 0.003838 -0.02281 199.9772 200.0228 91.75061

Dec-10 0.009515 -0.04476 -0.04303 0.012838 -0.06544 199.9346 200.0654 91.69059

Jan-11 0.006122 -0.04196 0.0612 -0.00534 0.020017 200.02 199.98 91.70895

Feb-11 0.002759 -0.02616 -0.09859 0.013075 -0.10892 199.8911 200.1089 91.60911

Mar-11 -0.00668 0.025778 -0.02894 0.026306 0.016464 200.0165 199.9835 91.62419

Apr-11 -0.01728 0.106329 -0.07929 0.010815 0.020576 200.0206 199.9794 91.64305

May-11 -0.02199 0.165048 -0.0581 0.010608 0.095571 200.0956 199.9044 91.73067

Jun-11 -0.00427 0.194407 -0.02641 -0.01715 0.146571 200.1466 199.8534 91.86522

Jul-11 0.007233 0.13506 -0.00177 0.009416 0.149935 200.1499 199.8501 92.00307

Aug-11 0.030309 0.037987 0.018376 -0.0086 0.078073 200.0781 199.9219 92.07492

Sep-11 0.046846 -0.05743 0.10027 -0.02002 0.069673 200.0697 199.9303 92.1391

Oct-11 0.038941 -0.09534 0.059599 -0.01498 -0.01177 199.9882 200.0118 92.12825

Nov-11 0.070011 -0.06951 0.002247 -0.03936 -0.03662 199.9634 200.0366 92.09452

Dec-11 0.036043 -0.01307 0.081159 0.016148 0.120284 200.1203 199.8797 92.20536

181

Lampiran 12. Perbandingan Grafik Variabel Kandidat Lagging Indicator



Perbandingan Grafik Variabel Suku Bunga Pinjaman Modal Kerja (Rupiah)

Yang Diberikan Bank Persero Sebelum dan Sesudah Mengalami Proses X-12



Perbandingan Grafik Variabel Suku Bunga Simpanan Rupiah Berjangka 24

Bualn di Bank Umum Sebelum dan Sesudah Mengalami Proses X-12


182


Perbandingan Grafik Variabel Import Merchandise Sebelum dan Sesudah



Perbandingan Grafik Variabel Local Equity Market Index Sebelum dan

Sesudah Mengalami Proses X-12 ARIMA Untuk Mengisolir Faktor

Musiman

183

Lampiran 13. Perhitungan Composite Lagging Debt Index

Periode mt 34 mt 64 mt 97 mt 81 it 200+it 200-it It

Jan-90

Feb-90 -0.1272 0.0952 0.3971 0.0818 0.4469 200.4469 199.5531 100.4479

Mar-90 -0.1272 -0.0451 0.0545 0.0797 -0.0381 199.9619 200.0381 100.4097

Apr-90 -0.2968 -0.0851 -0.0167 0.0777 -0.3210 199.6790 200.3210 100.0879

May-90 -0.0424 -0.0351 0.0745 0.0757 0.0728 200.0728 199.9272 100.1608

Jun-90 0.0000 -0.1202 -0.3478 0.0739 -0.3941 199.6059 200.3941 99.7668

Jul-90 -0.0424 -0.1002 0.0932 0.0721 0.0227 200.0227 199.9773 99.7895

Aug-90 0.1272 0.0351 -0.2298 0.0705 0.0029 200.0029 199.9971 99.7925

Sep-90 0.5937 0.0551 -0.4910 0.0689 0.2267 200.2267 199.7733 100.0189

Oct-90 0.1272 0.0901 0.7704 0.0674 1.0552 201.0552 198.9448 101.0799

Nov-90 0.1272 0.1152 -0.1488 0.0659 0.1595 200.1595 199.8405 101.2413

Dec-90 0.3392 0.0250 0.2592 0.0645 0.6880 200.6880 199.3120 101.9402

Jan-91 1.5690 0.1052 -0.4162 0.0632 1.3212 201.3212 198.6788 103.2960

Feb-91 -1.1450 0.1252 0.3971 0.0634 -0.5592 199.4408 200.5592 102.7200

Mar-91 0.3817 0.6961 0.0545 0.0265 1.1588 201.1588 198.8412 103.9172

Apr-91 0.3817 0.0300 -0.0167 0.0921 0.4871 200.4871 199.5129 104.4247

May-91 0.0848 -0.4007 0.0745 -0.1111 -0.3524 199.6476 200.3524 104.0573

Jun-91 0.0000 0.5559 -0.3478 -0.2316 -0.0234 199.9766 200.0234 104.0330

Jul-91 0.0000 -0.0701 0.0932 -0.4810 -0.4580 199.5420 200.4580 103.5576

Aug-91 0.0000 0.0601 -0.2298 -0.1224 -0.2921 199.7079 200.2921 103.2556

Sep-91 -1.0177 0.0351 -0.4910 -0.6617 -2.1354 197.8646 202.1354 101.0739

Oct-91 0.0848 0.1102 0.7704 -0.5786 0.3868 200.3868 199.6132 101.4657

Nov-91 0.0848 -0.2304 -0.1488 0.2399 -0.0545 199.9455 200.0545 101.4104

Dec-91 1.2298 0.0050 0.2592 0.1360 1.6300 201.6300 198.3700 103.0770

Jan-92 -0.0848 0.2204 0.3200 0.0835 0.5391 200.5391 199.4609 103.6342

Feb-92 -1.1450 -0.3706 -0.0258 0.3412 -1.2002 198.7998 201.2002 102.3978

Mar-92 0.0000 0.2154 -0.3773 -0.0865 -0.2484 199.7516 200.2484 102.1437

Apr-92 0.0424 0.0401 0.2773 -0.0741 0.2857 200.2857 199.7143 102.4359

May-92 -0.0424 -0.0901 -0.1212 0.2264 -0.0273 199.9727 200.0273 102.4079

Jun-92 -0.0848 0.0100 -0.2040 0.2801 0.0013 200.0013 199.9987 102.4093

Jul-92 0.0000 -0.0351 -0.0164 -0.1158 -0.1672 199.8328 200.1672 102.2383

Aug-92 -0.0848 -0.0200 0.0711 -0.1307 -0.1644 199.8356 200.1644 102.0703

Sep-92 0.0424 -0.0351 0.1040 -0.1449 -0.0336 199.9664 200.0336 102.0360

Oct-92 -0.0424 0.2304 -0.3839 0.0336 -0.1622 199.8378 200.1622 101.8706

Nov-92 -0.1272 -0.3355 0.5225 -0.1880 -0.1283 199.8717 200.1283 101.7400

Dec-92 -0.1272 -0.1553 0.1774 -0.2756 -0.3806 199.6194 200.3806 101.3535

Jan-93 -0.0848 -0.1102 -0.1031 0.0052 -0.2929 199.7071 200.2929 101.0571

Feb-93 -0.1272 -0.0501 -0.3662 0.2166 -0.3269 199.6731 200.3269 100.7273

184

Mar-93 -0.1569 -0.1703 0.0856 0.0826 -0.1590 199.8410 200.1590 100.5673

Apr-93 -0.0806 -0.1052 0.1788 0.0117 0.0047 200.0047 199.9953 100.5720

May-93 -0.1145 -0.0801 -0.2521 0.2052 -0.2415 199.7585 200.2415 100.3294

Jun-93 -0.1145 -0.1603 0.5258 0.3059 0.5570 200.5570 199.4430 100.8898

Jul-93 -0.2205 0.1803 -0.0208 0.0098 -0.0513 199.9487 200.0513 100.8381

Aug-93 -0.1103 -0.3155 -0.5766 0.2768 -0.7256 199.2744 200.7256 100.1090

Sep-93 -0.1696 -0.4858 0.9393 0.3161 0.6000 200.6000 199.4000 100.7115

Oct-93 -0.0721 -0.1502 -0.4003 -0.0200 -0.6426 199.3574 200.6426 100.0663

Nov-93 -0.1569 -0.0250 -0.0685 0.2945 0.0441 200.0441 199.9559 100.1104

Dec-93 0.1357 -0.4457 -0.0594 0.1545 -0.2149 199.7851 200.2149 99.8955

Jan-94 -0.1018 -0.2354 -0.1841 0.3418 -0.1794 199.8206 200.1794 99.7164

Feb-94 -0.0382 0.0701 0.4356 -0.1087 0.3589 200.3589 199.6411 100.0749

Mar-94 -0.2078 -0.2554 0.3064 -0.3738 -0.5306 199.4694 200.5306 99.5453

Apr-94 -0.2035 -0.0100 -0.4409 -0.3372 -0.9917 199.0083 200.9917 98.5630

May-94 -0.0848 -0.1302 0.3672 0.0520 0.2042 200.2042 199.7958 98.7645

Jun-94 -0.0170 -0.2504 -0.2592 0.0384 -0.4882 199.5118 200.4882 98.2835

Jul-94 -0.0170 0.1853 0.1750 -0.1628 0.1805 200.1805 199.8195 98.4612

Aug-94 -0.0466 -0.1452 0.1474 0.1928 0.1484 200.1484 199.8516 98.6074

Sep-94 -0.0297 0.6410 -0.1566 0.2025 0.6572 200.6572 199.3428 99.2575

Oct-94 -0.0975 -0.6561 0.3954 -0.1056 -0.4638 199.5362 200.4638 98.7982

Nov-94 -0.6743 0.0751 -0.0528 -0.0795 -0.7314 199.2686 200.7314 98.0782

Dec-94 0.3774 0.0701 0.3055 -0.3857 0.3673 200.3673 199.6327 98.4391

Jan-95 0.3392 -0.0501 -0.4401 -0.1038 -0.2548 199.7452 200.2548 98.1886

Feb-95 0.0721 -0.2103 0.4693 0.0664 0.3975 200.3975 199.6025 98.5797

Mar-95 -0.0254 0.0851 -0.0953 -0.1062 -0.1418 199.8582 200.1418 98.4400

Apr-95 0.1272 -0.2654 -0.1200 -0.1027 -0.3610 199.6390 200.3610 98.0854

May-95 0.0297 -0.2154 0.1690 0.2228 0.2061 200.2061 199.7939 98.2877

Jun-95 -0.0212 0.0901 0.4800 0.2540 0.8030 200.8030 199.1970 99.0801

Jul-95 0.0466 0.0751 -0.2758 0.0900 -0.0640 199.9360 200.0640 99.0167

Aug-95 0.0382 0.0200 0.4246 -0.0722 0.4107 200.4107 199.5893 99.4241

Sep-95 0.0763 0.3005 -0.0996 -0.1576 0.1197 200.1197 199.8803 99.5432

Oct-95 0.0466 0.0601 -0.3993 0.0173 -0.2753 199.7247 200.2753 99.2695

Nov-95 -0.0212 0.2103 -0.0107 -0.1665 0.0120 200.0120 199.9880 99.2814

Dec-95 0.0254 0.2254 -0.1949 0.2076 0.2635 200.2635 199.7365 99.5434

Jan-96 -0.0042 0.0901 0.3033 0.2953 0.6845 200.6845 199.3155 100.2271

Feb-96 0.0212 -0.1653 -0.2022 0.2623 -0.0839 199.9161 200.0839 100.1430

Mar-96 0.0212 0.0451 0.2327 -0.0959 0.2031 200.2031 199.7969 100.3466

Apr-96 -0.0466 0.0401 0.3630 0.1858 0.5423 200.5423 199.4577 100.8922

May-96 -0.0085 0.0351 0.2261 0.0097 0.2624 200.2624 199.7376 101.1573

Jun-96 -0.1187 0.1202 -0.1584 -0.1308 -0.2877 199.7123 200.2877 100.8667

Jul-96 -0.0551 0.0401 -0.3034 -0.1068 -0.4253 199.5747 200.4253 100.4386

185

Aug-96 0.0382 -0.0050 -0.1757 -0.1693 -0.3119 199.6881 200.3119 100.1259

Sep-96 -0.0127 0.0100 0.0810 0.1121 0.1904 200.1904 199.8096 100.3167

Oct-96 0.0085 0.0150 -0.1339 0.1376 0.0273 200.0273 199.9727 100.3441

Nov-96 0.0382 0.0300 0.3081 0.1585 0.5348 200.5348 199.4652 100.8822

Dec-96 -0.0339 -0.4107 -0.1029 0.1069 -0.4406 199.5594 200.4406 100.4387

Jan-97 0.0085 0.4357 0.5256 0.1448 1.1146 201.1146 198.8854 101.5644

Feb-97 0.0254 0.0451 -0.3108 0.0424 -0.1979 199.8021 200.1979 101.3636

Mar-97 -0.0382 -0.0751 0.3717 -0.1495 0.1089 200.1089 199.8911 101.4740

Apr-97 -0.0678 0.0050 -0.2049 -0.1375 -0.4053 199.5947 200.4053 101.0636

May-97 0.0170 -0.4457 0.0973 0.0338 -0.2977 199.7023 200.2977 100.7632

Jun-97 0.0721 0.3406 -0.2967 0.1768 0.2927 200.2927 199.7073 101.0585

Jul-97 -0.0551 -0.0952 0.2516 -0.0993 0.0021 200.0021 199.9979 101.0606

Aug-97 1.1746 0.0000 -0.4668 -0.7457 -0.0378 199.9622 200.0378 101.0224

Sep-97 0.6022 0.2304 0.0788 -0.6362 0.2752 200.2752 199.7248 101.3008

Oct-97 -0.1018 -0.1803 0.0309 -0.5972 -0.8483 199.1517 200.8483 100.4451

Nov-97 0.0551 -0.1102 -0.2359 -0.3733 -0.6643 199.3357 200.6643 99.7801

Dec-97 -1.0093 0.0100 -0.0977 -1.4050 -2.5020 197.4980 202.5020 97.3144

Jan-98 0.6827 -0.0851 -0.3626 -1.7598 -1.5249 198.4751 201.5249 95.8417

Feb-98 -0.1357 0.0401 -0.2354 0.5977 0.2667 200.2667 199.7333 96.0976

Mar-98 0.4834 0.3255 -0.2278 -0.0321 0.5491 200.5491 199.4509 96.6268

Apr-98 0.4834 -0.2454 -0.9044 0.4727 -0.1937 199.8063 200.1937 96.4398

May-98 0.9584 0.4557 0.3487 -1.2854 0.4774 200.4774 199.5226 96.9014

Jun-98 0.1908 -0.2103 0.2019 -0.9581 -0.7757 199.2243 200.7757 96.1526

Jul-98 0.0933 0.2154 0.5636 0.4526 1.3249 201.3249 198.6751 97.4350

Aug-98 0.8396 -0.2103 -0.4788 -0.2130 -0.0624 199.9376 200.0624 97.3742

Sep-98 0.3901 -0.1402 -0.0916 -0.9880 -0.8297 199.1703 200.8297 96.5696

Oct-98 0.2544 0.2805 0.4141 0.8636 1.8127 201.8127 198.1873 98.3361

Nov-98 0.1272 0.1302 -0.0535 1.1404 1.3443 201.3443 198.6557 99.6671

Dec-98 -1.5690 0.0200 0.1498 0.3466 -1.0526 198.9474 201.0526 98.6235

Jan-99 1.6581 0.3205 -1.0515 -0.0385 0.8885 200.8885 199.1115 99.5036

Feb-99 -0.0127 0.0200 0.3961 -0.2450 0.1584 200.1584 199.8416 99.6614

Mar-99 -0.2926 0.7011 -0.0543 -0.1467 0.2076 200.2076 199.7924 99.8685

Apr-99 0.1654 0.0150 0.2170 0.6105 1.0079 201.0079 198.9921 100.8802

May-99 -0.2502 0.0901 -0.2225 1.1328 0.7503 200.7503 199.2497 101.6399

Jun-99 -0.4453 -0.5509 -0.1786 0.6709 -0.5039 199.4961 200.5039 101.1290

Jul-99 -0.7251 -0.3105 0.0962 0.0862 -0.8533 199.1467 200.8533 100.2698

Aug-99 -0.4071 -0.2704 -0.0461 -0.6973 -1.4209 198.5791 201.4209 98.8552

Sep-99 -0.3605 0.0050 0.0294 -0.5842 -0.9102 199.0898 200.9102 97.9594

Oct-99 -0.0424 0.2504 -0.2033 0.5235 0.5282 200.5282 199.4718 98.4782

Nov-99 -0.4792 -0.4507 -0.0434 0.3388 -0.6346 199.3654 200.6346 97.8553

Dec-99 1.6708 1.0667 0.2242 0.0174 2.9792 202.9792 197.0208 100.8147

186

Jan-00 -2.1542 -2.9699 0.3472 0.0292 -4.7478 195.2522 204.7478 96.1392

Feb-00 -0.0085 -0.0300 -0.0841 -0.4058 -0.5284 199.4716 200.5284 95.6325

Mar-00 -0.3223 0.8113 0.0219 -0.1601 0.3509 200.3509 199.6491 95.9687

Apr-00 -0.0551 -0.0351 0.2712 -0.2971 -0.1161 199.8839 200.1161 95.8573

May-00 -0.2502 0.0851 0.0665 -0.4821 -0.5807 199.4193 200.5807 95.3023

Jun-00 -0.2756 -0.4307 0.1456 -0.4101 -0.9709 199.0291 200.9709 94.3815

Jul-00 0.2968 0.0050 0.2935 -0.0545 0.5409 200.5409 199.4591 94.8934

Aug-00 -0.4877 0.5609 0.6655 0.1390 0.8778 200.8778 199.1222 95.7300

Sep-00 0.0339 0.0000 0.0994 -0.4103 -0.2769 199.7231 200.2769 95.4653

Oct-00 0.0212 -0.0451 0.0571 -0.3382 -0.3050 199.6950 200.3050 95.1746

Nov-00 -0.0042 0.0050 0.0912 -0.1436 -0.0516 199.9484 200.0516 95.1255

Dec-00 0.5046 0.0100 -0.0255 -0.1555 0.3337 200.3337 199.6663 95.4434

Jan-01 -0.5810 0.8814 -0.1677 -0.0387 0.0941 200.0941 199.9059 95.5332

Feb-01 -0.0170 0.1202 0.3080 0.2588 0.6700 200.6700 199.3300 96.1755

Mar-01 0.0127 0.0451 -0.1836 -0.5784 -0.7043 199.2957 200.7043 95.5005

Apr-01 0.0212 -0.0100 -0.2577 -0.5830 -0.8295 199.1705 200.8295 94.7116

May-01 0.0424 -0.0050 0.0223 0.1466 0.2063 200.2063 199.7937 94.9072

Jun-01 0.0085 -0.0050 -0.2118 0.3328 0.1244 200.1244 199.8756 95.0254

Jul-01 0.0382 -0.2003 -0.5059 0.3444 -0.3236 199.6764 200.3236 94.7183

Aug-01 0.0382 0.7112 -0.3591 0.4954 0.8857 200.8857 199.1143 95.5609

Sep-01 0.0382 0.0601 -0.4496 -0.1865 -0.5378 199.4622 200.5378 95.0484

Oct-01 0.0806 0.2554 0.0774 -0.6659 -0.2525 199.7475 200.2525 94.8086

Nov-01 0.0212 0.0401 0.1747 -0.2341 0.0019 200.0019 199.9981 94.8105

Dec-01 0.0000 -0.0250 -0.0314 0.0325 -0.0239 199.9761 200.0239 94.7878

Jan-02 -0.0297 0.0701 0.2547 0.4021 0.6973 200.6973 199.3027 95.4511

Feb-02 -0.0127 -0.0050 0.1019 0.3569 0.4411 200.4411 199.5589 95.8731

Mar-02 -0.0254 0.0150 0.0872 0.2877 0.3644 200.3644 199.6356 96.2231

Apr-02 0.0000 -0.0150 0.0117 0.5617 0.5584 200.5584 199.4416 96.7619

May-02 0.0127 -0.0250 0.2483 0.1048 0.3408 200.3408 199.6592 97.0923

Jun-02 0.0424 -0.0150 0.0238 0.1136 0.1648 200.1648 199.8352 97.2524

Jul-02 -0.0212 0.0050 0.1266 -0.3749 -0.2645 199.7355 200.2645 96.9955

Aug-02 -0.0212 -0.0901 0.1121 -0.1378 -0.1371 199.8629 200.1371 96.8626

Sep-02 -0.0042 0.0651 -0.0514 -0.2793 -0.2698 199.7302 200.2698 96.6016

Oct-02 -0.0170 -0.0100 0.4163 -0.5376 -0.1482 199.8518 200.1482 96.4585

Nov-02 0.0042 0.0000 -0.0740 0.0961 0.0264 200.0264 199.9736 96.4840

Dec-02 -0.0551 -0.0100 -0.1374 0.4024 0.1999 200.1999 199.8001 96.6770

Jan-03 0.0085 -0.0250 -0.3400 -0.0966 -0.4532 199.5468 200.4532 96.2399

Feb-03 -0.0254 0.0000 -0.0731 -0.0758 -0.1744 199.8256 200.1744 96.0722

Mar-03 -0.0042 0.0050 -0.0317 -0.0293 -0.0602 199.9398 200.0602 96.0144

Apr-03 -0.0297 0.0000 -0.1031 0.4396 0.3068 200.3068 199.6932 96.3094

May-03 -0.0254 -0.0100 -0.0830 0.4395 0.3210 200.3210 199.6790 96.6191

187

Jun-03 -0.1018 -0.0050 -0.1803 0.3154 0.0283 200.0283 199.9717 96.6464

Jul-03 -0.1696 -0.4808 0.0785 -0.0204 -0.5923 199.4077 200.5923 96.0757

Aug-03 -0.2799 0.1252 0.0076 -0.1775 -0.3245 199.6755 200.3245 95.7644

Sep-03 -0.0891 0.0150 0.1513 0.4012 0.4784 200.4784 199.5216 96.2237

Oct-03 -0.1272 -1.9432 0.0625 0.3252 -1.6827 198.3173 201.6827 94.6180

Nov-03 -0.1442 0.7713 -0.0077 -0.1229 0.4965 200.4965 199.5035 95.0889

Dec-03 -0.1442 0.6010 0.0940 0.1918 0.7425 200.7425 199.2575 95.7976

Jan-04 -0.0636 -0.0801 0.6489 0.4988 1.0039 201.0039 198.9961 96.7642

Feb-04 -0.0382 -0.3005 -0.0309 0.0114 -0.3582 199.6418 200.3582 96.4182

Mar-04 -0.0636 -0.4407 -0.2101 -0.1536 -0.8680 199.1320 200.8680 95.5849

Apr-04 -0.0594 -1.0567 0.1337 0.2330 -0.7493 199.2507 200.7493 94.8713

May-04 -0.1145 -0.1553 -0.2870 -0.3197 -0.8765 199.1235 200.8765 94.0434

Jun-04 -0.1484 -1.3823 0.6432 -0.2348 -1.1223 198.8777 201.1223 92.9939

Jul-04 -0.0466 -0.1502 0.2139 0.3679 0.3849 200.3849 199.6151 93.3526

Aug-04 -0.0636 -0.1753 -0.3017 -0.1130 -0.6536 199.3464 200.6536 92.7444

Sep-04 -0.0509 0.1402 0.2129 0.2826 0.5848 200.5848 199.4152 93.2884

Oct-04 -0.0254 -0.3155 -0.0807 0.2245 -0.1971 199.8029 200.1971 93.1046

Nov-04 -0.0339 -0.0150 -0.2018 0.3235 0.0728 200.0728 199.9272 93.1724

Dec-04 -0.0806 -0.0801 1.1591 0.1177 1.1161 201.1161 198.8839 94.2182

Jan-05 0.0000 -0.0851 -0.8008 0.1579 -0.7280 199.2720 200.7280 93.5348

Feb-05 -0.0170 0.0050 0.1159 0.0780 0.1819 200.1819 199.8181 93.7051

Mar-05 -0.0254 0.7312 0.4790 0.0672 1.2520 201.2520 198.7480 94.8856

Apr-05 0.0170 -0.7663 -0.0477 -0.1231 -0.9200 199.0800 200.9200 94.0166

May-05 -0.0212 -0.0050 -0.1270 -0.0146 -0.1678 199.8322 200.1678 93.8590

Jun-05 0.0127 0.0851 -0.1379 0.1652 0.1252 200.1252 199.8748 93.9766

Jul-05 -0.0127 -0.0050 -0.1018 0.0455 -0.0740 199.9260 200.0740 93.9071

Aug-05 -0.0042 0.1002 0.1616 -0.1403 0.1172 200.1172 199.8828 94.0172

Sep-05 0.4113 0.2905 -0.4064 -0.2384 0.0571 200.0571 199.9429 94.0709

Oct-05 0.1230 0.5860 0.2454 0.0604 1.0147 201.0147 198.9853 95.0303

Nov-05 0.0551 0.4908 -0.7975 -0.0592 -0.3108 199.6892 200.3108 94.7354

Dec-05 0.0509 0.9816 0.7714 0.3797 2.1836 202.1836 197.8164 96.8269

Jan-06 0.0339 -0.1502 -0.4828 0.3196 -0.2794 199.7206 200.2794 96.5567

Feb-06 0.0297 -0.0351 0.2777 0.0950 0.3673 200.3673 199.6327 96.9119

Mar-06 0.0127 0.0401 -0.3837 0.1665 -0.1645 199.8355 200.1645 96.7527

Apr-06 -0.0466 0.0100 0.1614 0.3901 0.5149 200.5149 199.4851 97.2521

May-06 -0.0085 0.0050 0.1750 -0.0057 0.1659 200.1659 199.8341 97.4136

Jun-06 -0.0212 -0.0300 0.7003 -0.4352 0.2138 200.2138 199.7862 97.6221

Jul-06 -0.0042 -0.0300 -0.5450 0.1619 -0.4174 199.5826 200.4174 97.2155

Aug-06 -0.0042 0.0100 0.0615 0.2359 0.3032 200.3032 199.6968 97.5106

Sep-06 -0.0212 -0.0501 0.3414 0.1106 0.3807 200.3807 199.6193 97.8825

Oct-06 -0.0466 -0.0601 -0.6062 0.1094 -0.6035 199.3965 200.6035 97.2936

188

Nov-06 -0.0085 -0.0751 0.8994 0.2432 1.0590 201.0590 198.9410 98.3294

Dec-06 -0.0636 -0.1803 -0.7392 0.1805 -0.8027 199.1973 200.8027 97.5433

Jan-07 -0.0678 0.0050 0.5356 -0.0218 0.4509 200.4509 199.5491 97.9841

Feb-07 -0.0382 -0.0451 -0.5232 -0.0622 -0.6686 199.3314 200.6686 97.3311

Mar-07 -0.0933 -0.0150 0.5264 -0.0323 0.3858 200.3858 199.6142 97.7074

Apr-07 -0.0551 -0.0100 -0.1650 0.3115 0.0813 200.0813 199.9187 97.7868

May-07 -0.0678 -0.0050 0.4660 0.1612 0.5544 200.5544 199.4456 98.3304

Jun-07 -0.1442 0.0150 -0.2418 0.0225 -0.3485 199.6515 200.3485 97.9884

Jul-07 0.0000 -0.0050 -0.0950 0.2679 0.1679 200.1679 199.8321 98.1531

Aug-07 0.1187 -0.2103 0.2569 -0.2612 -0.0960 199.9040 200.0960 98.0589

Sep-07 -0.2714 -0.0300 -0.0568 0.2541 -0.1041 199.8959 200.1041 97.9569

Oct-07 -0.0933 -0.0401 -0.2933 0.5407 0.1141 200.1141 199.8859 98.0687

Nov-07 -0.0170 -0.0200 0.4691 0.0674 0.4995 200.4995 199.5005 98.5597

Dec-07 -0.0721 -0.1452 -0.3899 0.0788 -0.5284 199.4716 200.5284 98.0404

Jan-08 0.0212 -0.1703 1.5594 -0.1294 1.2809 201.2809 198.7191 99.3042

Feb-08 -0.0254 -0.1502 0.1988 0.2169 0.2400 200.2400 199.7600 99.5429

Mar-08 -0.0509 -0.0651 -0.3359 -0.2890 -0.7408 199.2592 200.7408 98.8081

Apr-08 -0.0254 -0.0501 0.4106 -0.2331 0.1019 200.1019 199.8981 98.9089

May-08 -0.0254 -0.0300 -0.3879 0.1830 -0.2604 199.7396 200.2604 98.6517

Jun-08 -0.0254 0.0050 0.1138 -0.1244 -0.0311 199.9689 200.0311 98.6211

Jul-08 0.0127 0.0200 0.0143 -0.1550 -0.1079 199.8921 200.1079 98.5147

Aug-08 0.0594 -0.0100 -0.0385 -0.1911 -0.1802 199.8198 200.1802 98.3373

Sep-08 0.1187 -0.0501 0.1570 -0.4362 -0.2106 199.7894 200.2106 98.1305

Oct-08 0.2248 -0.1052 0.4525 -1.0251 -0.4530 199.5470 200.4530 97.6870

Nov-08 0.1611 -0.1052 -0.4165 -0.9386 -1.2992 198.7008 201.2992 96.4260

Dec-08 0.0382 -0.3956 -0.3575 0.2886 -0.4264 199.5736 200.4264 96.0157

Jan-09 -0.0085 -0.0150 -0.2844 0.1403 -0.1677 199.8323 200.1677 95.8549

Feb-09 -0.0466 -0.1502 -0.1781 -0.3324 -0.7074 199.2926 200.7074 95.1792

Mar-09 -0.0127 0.0200 0.0022 0.1380 0.1475 200.1475 199.8525 95.3197

Apr-09 -0.0297 0.0050 -0.0097 0.6915 0.6571 200.6571 199.3429 95.9482

May-09 -0.0424 0.2304 0.2200 0.6367 1.0446 201.0446 198.9554 96.9557

Jun-09 -0.0509 0.1152 0.0020 0.3152 0.3814 200.3814 199.6186 97.3263

Jul-09 0.0042 0.0000 0.2505 0.2059 0.4606 200.4606 199.5394 97.7756

Aug-09 -0.0382 0.0551 0.2864 0.4154 0.7187 200.7187 199.2813 98.4808

Sep-09 -0.0212 0.0000 -0.2443 0.1281 -0.1373 199.8627 200.1373 98.3457

Oct-09 -0.0127 -0.0501 0.3250 0.2098 0.4720 200.4720 199.5280 98.8109

Nov-09 -0.0424 0.0100 -0.4332 -0.0621 -0.5277 199.4723 200.5277 98.2909

Dec-09 -0.1145 0.0200 0.7194 0.0976 0.7226 200.7226 199.2774 99.0037

Jan-10 -0.2460 -0.7112 -0.0783 0.1706 -0.8648 199.1352 200.8648 98.1512

Feb-10 -0.0127 -0.0952 0.3170 -0.1580 0.0512 200.0512 199.9488 98.2014

Mar-10 0.2587 0.4958 0.1299 0.2236 1.1080 201.1080 198.8920 99.2955

189

Apr-10 -0.0466 -0.0751 -0.0422 0.2213 0.0573 200.0573 199.9427 99.3525

May-10 -0.0806 -0.3005 -0.4975 -0.2154 -1.0940 198.9060 201.0940 98.2714

Jun-10 -0.0212 0.1903 0.7899 0.0921 1.0511 201.0511 198.9489 99.3099

Jul-10 0.0339 -0.0451 0.0231 0.1638 0.1758 200.1758 199.8242 99.4846

Aug-10 0.1187 0.2855 -0.2136 0.0443 0.2349 200.2349 199.7651 99.7185

Sep-10 -0.1866 -0.3355 -0.8164 0.2146 -1.1239 198.8761 201.1239 98.6040

Oct-10 0.0127 0.2805 0.7696 0.2140 1.2768 201.2768 198.7232 99.8710

Nov-10 -0.0254 -0.0601 0.2553 0.0156 0.1853 200.1853 199.8147 100.0563

Dec-10 -0.0466 -0.1252 -0.1852 -0.1209 -0.4779 199.5221 200.4779 99.5792

Jan-11 -0.0170 -0.1102 0.0459 -0.1687 -0.2499 199.7501 200.2499 99.3306

Feb-11 -0.0127 0.0801 -0.1959 -0.0334 -0.1619 199.8381 200.1619 99.1699

Mar-11 -0.5555 -0.0501 0.3186 0.2039 -0.0832 199.9168 200.0832 99.0875

Apr-11 -0.0127 -0.0952 -0.0325 0.2209 0.0806 200.0806 199.9194 99.1674

May-11 -0.0254 -0.1853 0.0295 0.0749 -0.1064 199.8936 200.1064 99.0619

Jun-11 -0.0297 -0.0601 0.1178 -0.0299 -0.0019 199.9981 200.0019 99.0600

Jul-11 0.4665 -0.0050 -0.0039 0.1992 0.6568 200.6568 199.3432 99.7128

Aug-11 -0.0042 -0.2704 -0.1454 -0.0885 -0.5086 199.4914 200.5086 99.2069

Sep-11 -0.0424 -0.0451 0.3077 -0.2522 -0.0320 199.9680 200.0320 99.1752

Oct-11 -0.0170 -0.0100 0.0248 -0.1045 -0.1067 199.8933 200.1067 99.0695

Nov-11 -0.0254 -0.0250 -0.0434 0.0966 0.0027 200.0027 199.9973 99.0722

Dec-11 -0.0170 -0.1152 0.2353 -0.0085 0.0946 200.0946 199.9054 99.1660

Documents

EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA ... · EARLY WARNING SYSTEM KRISIS UTANG DI INDONESIA : ... Sejak tahun 1998 hingga 2009, ... Umum, laju inflasi Indonesia, ekspor barang