ANALISIS TRANSMISI KEBIJAKAN MONETER MELALUI
SALURAN HARGA ASET
Yolanda
Argi Utami, Thomas Andrian
Universitas Lampung
[email protected], [email protected]
|
|
Abstract |
|
|
Received: |
05-09-2022 |
Monetary
policy is the policy of the monetary authority or central bank in the form of
controlling monetary quantities (money supply, base money, or bank credit) to
achieve the desired development of economic activity. The purpose of this
study is to analyze the response of the monetary policy transmission
mechanism of the asset price channel when there is a change in each variable.
The data analysis method used in this study is VAR or VECM (Vector Error
Correction Model). The first step in forming the VAR model is to perform a
data stationarity test. The results of the impulse response analysis show that
the variables in the financial sector, namely policy interest rates,
interbank rates, deposit rates, JCI, consumption, and the output gap are very
responsive to shocks that occur in each variable at the beginning of the
period that occurs before or right on the lag optimum and shows the response
according to the theory. The conclusion of this study is that the results of
the impulse response analysis in the real sector show that the variables of
policy interest rates, public interest rates, credit interest rates, IHPR,
investment and output gaps quickly respond to shocks that occur in each
variable at the beginning of the period and show a response in accordance
with which is expected |
|
Accepted: |
15-09-2022 |
|
|
Published: |
29-09-2022 |
|
|
Keywords: |
Transmission
analysis; Monetary policy; Asset Price. |
|
|
|
Abstrak |
|
|
Kata kunci: |
Analisis tranmisi; Kebijakan
Moneter; Harga Aset. |
Kebijakan moneter merupakan kebijakan otoritas moneter atau bank sentral
dalam bentuk pengendalian besaran moneter (jumlah uang beredar, uang primer,
atau kredit perbankan) untuk mencapai perkembangan kegiatan perekonomian yang
diinginkan. Tujuan dari penelitian
ini adalah Untuk
menganalisis respons variabel-variabel mekanisme transmisi kebijakan moneter
saluran harga aset saat terjadi perubahan pada setiap variabel. Metode analisis data
yang digunakan dalam penelitian ini adalah VAR atau VECM (Vector Error
Correction Model). Langkah pertama dari pembentukan model VAR adalah
dengan melakukan uji stasioneritas data.
Hasil analisis impulse response menunjukkan variabel pada sektor
finansial yaitu suku bunga kebijakan, suku bunga PUAB, suku bunga deposito,
IHSG, konsumsi, dan output gap sangat responsif terhadap shock yang
terjadi pada masing-masing variabel pada awal periode yang terjadi sebelum atau tepat pada lag
optimum dan menunjukkan respon sesuai dengan teori. Kesimpulan dari penelitian ini adalah Hasil analisis impulse response pada sektor riil
menunjukkan variabel suku bunga kebijakan, bunga puab, suku bunga kredit,
IHPR, investasi dan output gap dengan cepat merespons shock
yang terjadi pada masing-masing variabel pada awal periode dan menunjukkan
respons sesuai dengan yang diharapkan. |
Corresponding Author: Anang Saputra�
E-mail: [email protected]
PENDAHULUAN
Tabel 1. Perbandingan Target Inflasi dan Inflasi
Aktual
|
Tahun |
Target Inflasi |
Inflasi Aktual |
|
2010 |
5+1% |
6,96 |
|
2011 |
5+1% |
3,79 |
|
2012 |
4,5+1% |
4,30 |
|
2013 |
4,5+1% |
8,38 |
|
2014 |
4,5+1% |
8,36 |
|
2015 |
4+1% |
3,35 |
|
2016 |
4�1% |
3,02 |
|
2017 |
4�1% |
3,61 |
|
2018 |
3,5�1% |
3,13 |
|
2019 |
3,5�1% |
2,72 |
|
2020 |
3�1% |
1,68 |
|
2021 |
3�1% |
1,87 |
Sumber:
Bank Indonesia
Inflasi aktual mengalami fluktuasi setiap tahunnya.
Inflasi tertinggi pada tabel di atas terjadi pada tahun 2013 dan 2014 yaitu
sebesar 8,38 persen dan 8,36 persen. Penyebab utama tingginya inflasi pada
tahun 2013 dan 2014 dikarenakan adanya kenaikan harga BBM yang membuat harga
komoditas lain pun ikut meningkat. Bank Indonesia memperkirakan inflasi tahun
2013 dapat lebih rendah dari 8,5 persen dan terus menurun dalam kisaran target
4,5+1%.� Pada tahun 2019 inflasi aktual
tercatat sebesar 2,72 persen di mana angka ini berada di bawah target inflasi
yaitu sebesar 3,5�1%. Rendahnya
inflasi tahun 2019 ini artinya harga-harga barang dan jasa cenderung
terkendali. Akan tetapi rendahnya inflasi merupakan suatu peringatan. Karena
jika inflasi terlalu rendah artinya terdapat penurunan daya beli oleh
masyarakat. Pada tahun 2020 inflasi Indonesia sebesar 1,68 persen di bawah
target inflasi sebesar 3�1%. Inflasi yang rendah pada tahun 2020 dikarenakan
permintaan domestik yang belum kuat sebagai akibat dari pandemi Covid-19,
pasokan yang memadai dan sinergi kebijakan yang dilakukan antara Bank Indonesia
dengan Pemerintah dalam menjaga kestabilan harga baik di tingkat daerah maupun
di tingkat pusat. Selain itu rendahnya inflasi pada tahun 2020 juga disebabkan
adanya pembatasan mobilitas masyarakat dan upaya yang dilakukan pemerintah
dalam menurunkan harga energi untuk mendorong daya beli masyarakat. Inflasi
aktual pada tahun 2021 naik dari inflasi aktual 2020 yaitu sebesar 1,87 persen.
Angka tersebut masih terkendali dan masih pada level yang rendah dan stabil
serta berada di bawah kisaran target inflasi tahun 2021 sebesar 3�1%. Peningkatan yang terjadi ini dikarenakan aktivitas
ekonomi yang berangsur membaik dengan kelonggaran pembatasan mobilitas
masyarakat.
Dalam mencapai sasaran akhir tersebut, Bank
Indonesia secara teratur memantau tren di berbagai variabel ekonomi riil,
moneter, dan keuangan untuk memastikan bahwa target inflasi yang ditetapkan
tercapai. Variabel
ekonomi riil dipantau baik dari sisi permintaan (konsumsi, investasi, impor dan
ekspor baik swasta maupun pemerintah) dan sisi penawaran (semua sektor
ekonomi). Pemantauan variabel-variabel ini diharapkan dapat memberikan
peringatan dini terhadap kemungkinan tekanan terhadap inflasi di masa mendatang
(Warjiyo & Solikin, 2003).
Sementara itu, pemantauan terhadap
variabel-variabel moneter & keuangan sebagai sasaran antara dilakukan guna
menentukan berjalannya mekanisme transmisi kebijakan moneter ke sektor riil.
Untuk itu, Bank Indonesia memantau terus perkembangan sasaran antara yang
meliputi besaran-besaran moneter (M1 & M2), suku bunga, dan nilai tukar
rupiah. Sedangkan variabel-variabel sektor keuangan meliputi perkembangan dana
perbankan, kredit dan pembiayaan lain, syarat kesehatan perbankan dan pasar
modal. Melalui pemantauan tadi bisa dianalisis seberapa
jauh dampak kebijakan moneter yang dilakukan Bank
Indonesia, khususnya kecepatan dan tenggat waktu terhadap perkembangan ekonomi
riil dan inflasi ke depan. Dengan pemantauan terhadap
perkembangan sektor riil dan berjalannya mekanisme transmisi moneter seperti
dijelaskan pada atas, bisa dirumuskan kebijakan moneter yang perlu ditempuh
dalam rangka mengantisipasi perkembangan inflasi dan output riil ke
depan (Warjiyo & Solikin, 2003).
Bank Indonesia menetapkan BI 7-Days Reverse Repo Rate (BI
7DRR) dalam rangka memperkuat efektivitas transmisi kebijakan moneter pada 19
Agustus 2016 sebagai suku bunga kebijakan yang menggambarkan sinyal respons
kebijakan moneter dalam pengendalian inflasi sesuai dengan sasaran. Sebelumnya,
Bank Indonesia menggunakan BI rate sebagai suku bunga acuan. Dengan diperkenalkannya BI 7DRR sebagai suku bunga acuan,
maka jangka waktu instrumen tersebut akan lebih pendek yaitu setara dengan
instrumen moneter selama 7 hari, sehingga diharapkan dapat mempercepat
transmisi kebijakan moneter dan inflasi langsung sebagaimana yang telah
ditetapkan. Mekanisme perubahan BI 7DRR mempengaruhi kegiatan ekonomi dikenal
sebagai mekanisme transmisi kebijakan moneter (Bank Indonesia, 2020).
Sumber:
Bank Indonesia
Gambar
1. Perkembangan BI7DRR
BI7DRR sebagai suku
bunga acuan dimaksudkan untuk memberikan stimulus kepada lembaga perbankan agar
berperilaku sesuai dengan skenario yang ditetapkan oleh Bank Indonesia untuk
mengendalikan inflasi. Misalnya, ketika Bank Indonesia menurunkan BI 7DRR, bank
diharapkan juga dapat menurunkan suku bunga deposito dan kreditnya. Sebaliknya,
ketika Bank Indonesia menaikkan BI 7DRR diharapkan lembaga perbankan juga
menaikkan suku bunga deposito dan kredit. Naik turunnya suku bunga kredit pada
perbankan akan memengaruhi perilaku masyarakat. Jika suku bunga kredit turun
akan menimbulkan minat masyarakat untuk mengambil pinjaman. Sebaliknya, ketika
suku bunga kredit sedang naik masyarakat enggan untuk mengambil pinjaman. Dengan diterapkannya BI 7DRR ini diharapkan mekanisme
transmisi kebijakan moneter akan lebih cepat berpengaruh terhadap perekonomian
melalui kestabilan harga atau tingkat inflasi yang rendah (Susilowati &
Wahyuningdyah, 2018).
Sumber: (Warjiyo, 2004)
Gambar 2. Mekanisme Transmisi Kebijakan Moneter
Saluran Harga Aset
Mekanismenya
dimulai dari Bank Indonesia menetapkan kebijakan moneter kontraktif dengan
menaikkan suku bunga acuan BI7DRR yang akan berdampak kepada kenaikan suku
bunga di pasar uang, suku bunga kredit dan deposito. Jika tingkat suku bunga
naik akan menyebabkan harga obligasi turun dan yield obligasi akan
meningkat. Karena jika suku bunga meningkat para investor akan lebih memilih
menaruh dananya ke deposito yang memberikan bunga yang lebih tinggi dan aman (Yuliah, Triana, &
Suhandi, 2020). Selain itu, kenaikan suku bunga juga menyebabkan harga
saham akan turun, karena investor akan menjual sahamnya dan mengalihkan dananya
dalam bentuk deposito untuk memperoleh keuntungan yang lebih tinggi dengan
tingkat risiko lebih aman. Hal ini juga karena jika suku bunga naik maka beban
perusahaan akan bertambah dan akan mengurangi tingkat keuntungan perusahaan
yang pada akhirnya harga saham ikut tertekan.
Transmisi kebijakan moneter melalui harga aset di sektor
keuangan diarahkan untuk melihat pengaruhnya terhadap konsumsi yaitu melalui
efek kekayaan terhadap konsumsi. Kenaikan suku bunga yang terjadi akan di
respons oleh harga aset di sektor keuangan. Teori siklus kehidupan atas
tabungan dan konsumsi, menunjukkan bahwa pengeluaran konsumsi sekarang
ditentukan oleh sumber daya yang dimiliki oleh konsumen sepanjang hidupnya,
yaitu meliputi tidak hanya penghasilan ke depan tetapi juga kekayaan seperti
saham dan aset lainnya. Peningkatan
suku bunga kebijakan moneter akan mengurangi permintaan saham sehingga harga
saham mengalami penurunan. Peningkatan suku bunga juga berarti tingkat diskonto
yang meningkat sehingga menurunkan nilai sekarang dari aliran pendapatan dan
hasil penanaman pada saham yang akan diterima ke depan. Penurunan nilai
kekayaan tersebut akan mengurangi konsumsi dan permintaan agregat (Warjiyo & Juhro,
2020). Konsumsi yang digunakan adalah konsumsi rumah tangga
yang di mana konsumsi rumah tangga memiliki kontribusi paling besar dalam PDB
pengeluaran.
Transmisi
kebijakan moneter melalui harga aset di sektor riil diarahkan untuk melihat
pengaruhnya terhadap investasi yaitu melalui teori Tobin-q. Pada
investasi usaha, Tobin-q didefinisikan sebagai rasio nilai pasar
perusahaan yang dibagi dengan biaya penggantian modal. Jika
Tobin-q tinggi (misalnya dalam kondisi ekonomi yang sedang meningkat
sehingga nilai pasar perusahaan tinggi dan atau suku bunga kebijakan moneter
turun sehingga biaya penggantian modal juga ikut turun), maka investasi
perusahaan akan meningkat. Perusahaan akan meningkatkan kreditnya kepada
perbankan dalam pembiayaan investasinya. Analisis yang serupa juga dapat
diterapkan untuk investasi pada rumah tangga, misalnya pada properti karena
adanya kenaikan harga aset yang tinggi sementara suku bunga kredit turun (Warjiyo & Juhro,
2020).
Penurunan harga aset akan berpengaruh terhadap
pengeluaran investasi oleh perusahaan. Di mana ketika harga aset turun akan
mengurangi kemampuan perusahaan untuk melakukan ekspansi atau mendorong
penurunan investasi oleh perusahaan (Juhro, 2020). Karena peningkatan
suku bunga menyebabkan meningkatnya biaya modal yang harus dikeluarkan dalam
produksi dan investasi. Pembentukan Modal Tetap Bruto (PMTB) pada komponen
bangunan digunakan sebagai proksi investasi karena PMTB terbentuk karena adanya
kegiatan investasi, di mana sebagian dari investasi digunakan untuk kegiatan
produksi oleh perusahaan. Menurunnya pengeluaran untuk
konsumsi dan investasi akan mendorong penurunan permintaan agregat, output
dan pada gilirannya akan berpengaruh terhadap inflasi.
Gambar di bawah ini menunjukkan adanya tren
peningkatan aktivitas pada pasar saham dalam kurun waktu 10 tahun. Di mana
Perkembangan harga saham merupakan tanda untuk melihat tingkah laku investor
apakah akan membeli atau menjual sahamnya. Pergerakan harga saham salah satunya
dipengaruhi oleh suku bunga. Di mana ketika suku bunga turun maka harga saham akan
meningkat. Karena jika suku bunga turun beban perusahaan berkurang yang akan
meningkatkan tingkat keuntungan perusahaan sehingga nilai IHSG pun akan
meningkat. Peningkatan yang terjadi pada IHSG inilah yang menjadi salah satu
alasan penelitian ini dilakukan untuk melihat apakah peningkatan IHSG akan memengaruhi
mekanisme transmisi kebijakan moneter melalui saluran harga aset.
Gambar 3. Indeks Harga Saham Gabungan (IHSG)
Seperti yang ditunjukkan pada transmisi melalui efek
kekayaan terhadap konsumsi, teori siklus kehidupan atas tabungan dan konsumsi,
menunjukkan bahwa pengeluaran konsumsi sekarang ditentukan oleh sumber daya
yang dimiliki oleh konsumen sepanjang hidupnya, yaitu meliputi tidak hanya
penghasilan ke depan tetapi juga kekayaan seperti saham. Oleh karena itu pada
penelitian ini menggunakan Indeks Harga Saham Gabungan (IHSG) sebagai proksi
dari nilai harga aset di sektor keuangan.
Selain harga
saham yang digunakan sebagai transmisi saluran harga aset melalui sektor
finansial, dalam penelitian ini juga menggunakan Indeks Harga Properti
Residensial (IHPR) sebagai saluran harga aset dari sektor riil.� Indeks harga properti residensial adalah
indeks harga jual perumahan residensial, yang ditentukan dengan pembobotan
harga jual rumah besar, menengah, dan kecil untuk 18 kota terpilih di Indonesia
dan dianggap memadai untuk mengukur pertumbuhan�
properti dan industri real estate di Indonesia (Magdalena, 2015).
Gambar 4. Indeks Harga Properti Residensial (IHPR)
gabungan 18 Kota
Gambar di atas menunjukkan harga properti residensial
yang diukur dengan Indeks Harga Properti Residensial (IHPR) mengalami
peningkatan setiap tahunnya.� Hal ini
menunjukkan semakin bertambahnya permintaan akan properti baik digunakan
sebagai hunian maupun untuk investasi. Besarnya tingkat bunga dapat
mempengaruhi keputusan dalam membeli properti untuk konsumsi maupun investasi
karena besarnya bunga berarti besar pula biaya modal yang harus dikeluarkan dan
besarnya bunga juga menentukan tingkat pengembalian yang akan diperoleh (Utama, 2012).
Alasan digunakannya Indeks Harga Properti Residensial
sebagai proksi dari transmisi kebijakan moneter melalui saluran harga aset di
sektor riil yaitu terkait dengan tujuan Bank Indonesia dalam mencapai dan
memelihara kestabilan nilai rupiah terhadap barang dan jasa (inflasi) maupun
terhadap mata uang lainnya. Dalam kaitan tersebut, Bank Indonesia bertanggung
jawab terhadap pengendalian inflasi yang secara langsung dipengaruhi oleh
kebijakan moneter. Dalam rangka penyusunan kebijakan tersebut, Bank Indonesia
membutuhkan informasi mengenai salah satunya perkembangan harga properti
residensial. Pengumpulan informasi mengenai perkembangan harga-harga properti
residensial ini diselenggarakan oleh Bank Indonesia melalui Survei Harga
Properti Residensial (SHPR) yang di mana hasil survei tersebut disajikan dalam
bentuk Indeks Harga Properti Residensial (IHPR) (Bank Indonesia, 2020). Selain itu,
digunakannya Indeks Harga Properti Residensial sebagai proksi nilai harga aset
di sektor riil dikarenakan properti selain dapat digunakan sebagai tempat
tinggal juga dapat digunakan sebagai produk investasi yang di mana ketika terjadi peningkatan
pada sektor properti akan mendorong meningkatnya berbagai kegiatan pada sektor-sektor
lain yang terkait.
Dalam aktivitas ekonomi, peran properti tidak hanya
sebagai pembentuk inflasi harga aset, namun juga menjadi salah satu indikator
dini yang mencerminkan pergerakan perekonomian. Hal ini disebabkan karena
investasi di properti bersifat jangka panjang sehingga aktivitas yang dilakukan
investor menjadi salah satu indikator dari pergerakan ekonomi. Namun,
perkembangan yang berlebihan pada sektor properti dapat memberikan dampak
negatif bagi perekonomian. Apabila terjadi peningkatan pada sektor properti
yang melampaui kebutuhan, dikhawatirkan akan mengakibatkan terjadinya penurunan
harga di sektor properti secara drastis melalui terjadinya bubble burst
atau bubble prices. Hal tersebut dikhawatirkan dapat menciptakan
ketidakstabilan pada sistem keuangan yang pada akhirnya akan berdampak negatif
pada perekonomian secara keseluruhan. Oleh karena itu, kebijakan moneter
dibutuhkan untuk merespons kondisi saat harga aset properti cenderung meningkat
sebagai upaya menjaga stabilitas sektor perbankan dan sektor keuangan pada
umumnya (Wuryandani, Jony, & Prasetya, 2005).
Berdasarkan uraian di atas telah dijelaskan bahwa harga
aset di sektor finansial maupun sektor riil menunjukkan adanya pengaruh
mekanisme transmisi kebijakan moneter melalui saluran harga aset terhadap
sasaran akhir kebijakan moneter. Selain itu, mekanisme transmisi kebijakan
moneter memiliki peran yang sangat penting untuk mencapai tujuan utama dari
kebijakan moneter yaitu stabilitas harga maka penelitian ini perlu dilakukan.
Oleh karena itu, penelitian ini akan membahas mengenai peran saluran harga aset
dalam transmisi kebijakan moneter yang akan berpengaruh terhadap sasaran akhir
kebijakan moneter yang dicerminkan dengan inflasi.
Kebijakan moneter merupakan kebijakan otoritas moneter
atau bank sentral dalam bentuk pengendalian besaran moneter (seperti uang beredar,
uang primer, atau kredit perbankan) untuk mencapai perkembangan kegiatan
perekonomian yang diinginkan yaitu stabilitas ekonomi makro yang digambarkan
oleh stabilitas harga (rendahnya laju inflasi), membaiknya perkembangan output
riil (pertumbuhan ekonomi), dan kesempatan kerja yang tersedia. Untuk mengelola
dan memengaruhi perkembangan perekonomian agar dapat berlangsung dengan baik
dan stabil, dilakukan langkah-langkah yang dikenal dengan kebijakan ekonomi
makro oleh otoritas moneter. Kebijakan ekonomi makro pada dasarnya merupakan
pengelolaan sisi permintaan dan sisi penawaran suatu perekonomian agar mengarah
pada kondisi keseimbangan dengan tingkat pertumbuhan ekonomi yang
berkesinambungan (Warjiyo & Solikin, 2003).
Kebijakan moneter dikenal memiliki dua jenis, yaitu kebijakan
moneter ekspansif dan kebijakan moneter kontraktif. kebijakan moneter ekspansif
adalah kebijakan moneter yang ditujukan untuk mendorong kegiatan ekonomi, yang
dilakukan melalui peningkatan jumlah uang beredar. Kebijakan moneter kontraktif
adalah kebijakan moneter yang ditujukan untuk memperlambat kegiatan ekonomi
yang dilakukan melalui penurunan jumlah uang beredar. Pada jangka pendek
kebijakan moneter ekspansif bisa mendorong aktivitas ekonomi yang sedang
mengalami resesi yang berkepanjangan. Sebaliknya, kebijakan moneter kontraktif
bisa memperlambat laju inflasi yang biasanya terjadi dalam saat aktivitas
perekonomian yang sedang mengalami boom. Gambaran yang lebih jelas
tentang kondisi tersebut bisa dilihat dalam grafik pada bawah ini (Warjiyo & Solikin, 2003).
Sumber:
(Warjiyo & Solikin, 2003).
Gambar 5. Siklus
Kegiatan Ekonomi
Gambar di atas menjelaskan mengenai situasi pada fase
kegiatan ekonomi yang sedang mengalami resesi (misalnya dari titik A ke titik
B). Pemerintah dapat melakukan kebijakan moneter ekspansif untuk memperpendek
periode resesi sehingga perekonomian bisa lebih cepat pulih kembali.
Sebaliknya, saat kondisi perekonomian sedang mengalami perkembangan yang sangat
pesat, pemerintah dapat melakukan kebijakan moneter kontraktif untuk
menghindari pemanasan kegiatan perekonomian (over heating) (Warjiyo & Solikin, 2003).
Bank Indonesia sebagai otoritas moneter memiliki tujuan
untuk mencapai dan menjaga stabilitas nilai rupiah. Tujuan tersebut tertuang
dalam UU No. 23 Tahun 1999 tentang Bank Indonesia yang diubah melalui UU No. 3
tahun 2004 dan UU No. 6 Tahun 2009 pada pasal 7. Kestabilan nilai rupiah
memiliki dua aspek yaitu� kestabilan
nilai rupiah terhadap harga-harga barang dan jasa yang tercermin dari
perkembangan laju inflasi dan terkait dengan kestabilan nilai tukar Rupiah
terhadap mata uang negara lain yang disebut dengan nilai tukar (Bank Indonesia, 2020).
Tujuan dari penelitian ini adalah Untuk menganalisis respons variabel-variabel mekanisme
transmisi kebijakan moneter saluran harga aset saat terjadi perubahan pada
setiap variabel.
METODE
PENELITIAN
Metode analisis data yang digunakan dalam penelitian ini
adalah VAR atau VECM (Vector Error Correction Model). Langkah pertama
dari pembentukan model VAR adalah dengan melakukan uji stasioneritas data.
Apabila data stasioner pada tingkat level maka model yang digunakan adalah
model VAR biasa (unrestiricted VAR). Sebaliknya, apabila data tidak
stasioner pada level tetapi stasioner pada proses diferensi data, maka kita
harus menguji apakah data memiliki hubungan dalam jangka panjang atau tidak
dengan melakukan uji kointegrasi. Jika terdapat kointegrasi maka model yang
digunakan adalah model Vector Error Correction Model (VECM). Model VECM
ini merupakan model yang terestriksi (restricted VAR) karena adanya
kointegrasi yang menunjukkan adanya hubungan jangka panjang antar variabel di
dalam sistem VAR. Apabila tidak terdapat kointegrasi antar variabel endogen
tetapi data stasioner pada proses diferensi maka disebut model VAR dengan data
diferensi (VAR in difference) (Widarjono, 2018).
HASIL
DAN PEMBAHASAN
Langkah pertama untuk mengestimasi model VAR/VECM adalah
uji stasioneritas data. Uji stasioneritas data yang
dilakukan pada penelitian ini menggunakan uji akar unit Philips Perron.
Apabila nial t-statistik PP < nilai kritis MacKinnon maka dapat
disimpulkan bahwa variabel tersebut stasioner atau tidak mengandung akar unit.
Tabel 2. Uji
Stasioneritas Tingkat Level
|
Variabel |
Intercept |
Trend
and Intercept |
None |
Keterangan |
|
Inflasi |
-1.921859 |
-3.608382** |
-0.845730 |
Stasioner |
|
SBK |
-0.984686 |
-1.957258 |
-0.986337 |
Tidak Stasioner |
|
rPUAB |
-1.701745 |
-2.204842 |
-1.041287 |
Tidak Stasioner |
|
rDEPO |
-3.077325** |
-3.860194** |
-1.786345* |
Stasioner |
|
IHSG |
-1.817866 |
-3.265880* |
1.636569* |
Stasioner |
|
KONS |
-1.529146 |
-2.399555 |
5.205889 |
Tidak Stasioner |
|
rKREDIT |
-3.882709*** |
-4.090911** |
-0.978879 |
Stasioner |
|
IHPR |
-3.736344*** |
-3.721879** |
-3.704607*** |
Stasioner |
|
INV |
-1.162490 |
-3.760349** |
3.504013 |
Stasioner |
|
OG |
-4.409035*** |
-4.338782*** |
-4.483870*** |
Stasioner |
Sumber: Lampiran 3
*Signifikan dengan tingkat keyakinan 90%
**Signifikan dengan tingkat keyakinan 95%
***Signifikan dengan tingkat keyakinan 99%
Tabel di atas menunjukkan uji akar-akar unit yang telah
dilakukan menggunakan PP pada tingkat level. Dengan membandingkan nilai dari
t-statistik dengan nilai kritis MacKinon 5 persen dapat disimpulkan
bahwa tidak semua variabel stasioner pada tingkat level I(0). Apabila terdapat
data yang tidak stasioner, maka akan dilanjutkan dengan
uji akar-akar unit pada tingkat diferensi pertama I(1) pada masing-masing
variabel hingga semua variabel stasioner pada derajat yang sama.
Tabel 3. Uji
Stasioner pada tingkat diferensi pertama
|
Variabel |
Intercept |
Trend and Intercept |
None |
Keterangan |
|
Inflasi |
-8.863032*** |
-8.809105*** |
-8.963996*** |
Stasioner |
|
SBK |
-4.433843*** |
-4.546218*** |
-4.397978*** |
Stasioner |
|
rPUAB |
-8.099384*** |
-8.047078*** |
-8.089286*** |
Stasioner |
|
rDEPO |
-8.532269*** |
-8.410356*** |
-8.629248*** |
Stasioner |
|
IHSG |
-7.861614*** |
-8.170193*** |
-7.176746*** |
Stasioner |
|
KONS |
-10.51099*** |
-13.92613*** |
-5.810929*** |
Stasioner |
|
rKREDIT |
-8.916668*** |
-8.810096*** |
-9.019228*** |
Stasioner |
|
IHPR |
-16.24800*** |
-16.19186*** |
-16.59012*** |
Stasioner |
|
INV |
-10.09200*** |
-11.74061*** |
-6.798846*** |
Stasioner |
|
OG |
-10.19146*** |
-9.945132*** |
-10.39653*** |
Stasioner |
Sumber: Lampiran 4
*Signifikan dengan tingkat keyakinan 90%
**Signifikan dengan tingkat keyakinan 95%
***Signifikan dengan tingkat keyakinan 99%
Hasil uji panjang lag optimal dalam penelitian ini
dilakukan dengan menggunakan kriteria Akaike Information Criterion (AIC)
menunjukkan lag optimal adalah 2 untuk sektor finansial dan 3 untuk sektor riil. Hal ini
berarti secara bersama-sama variabel eksogen memengaruhi variabel endogen di
dalam model persamaan selama 2 atau 3 periode.
Tabel 4. Panjang Lag
Optimal
|
Lag |
Sektor Finansial |
Sektor Riil |
|
AIC |
||
|
0 |
41.0024 |
44.4832 |
|
1 |
39.5469 |
42.8347 |
|
2 |
� 38.5942* |
43.2032 |
|
3 |
39.2357 |
� 42.7960* |
Sumber: Lampiran 5
Sebelum
melakukan analisis lebih jauh terlebih dahulu dilakukan uji stabilitas VAR.
Apabila hasil estimasi VAR tidak stabil, maka analisis impulse response
dan variance decomposition juga menjadi tidak valid. Untuk menguji
apakah estimasi VAR stabil atau tidak dapat digunakan Inverse Roots of AR
Charateristic Polynomial dan Roots of Characteristic Polynomial (Basuki & Yusuf, 2018).
Tabel 5. Hasil uji
stabilitas Roots of Charateristic Polynomial VAR Model 1
|
Kisaran
Modulus |
Kesimpulan |
|
0.360506
- 0.972527 |
Stabil |
Sumber: Lampiran 6
Sumber: Lampiran 6
Gambar 6. Hasil Uji
Stabilitas Roots of AR Characteristic Polynomial Model 1
Berdasarkan gambar 11 pengujian stabilitas VAR
menggunakan roots of AR characteristic polynomial menunjukkan
titik-titik pada lingkaran atau penyebaran data tidak berada di luar lingkaran
yang artinya data valid untuk dilakukan analisis lebih lanjut dengan
menggunakan model VAR. Berdasarkan pengujian stabilitas VAR dengan menggunakan roots
of characteristic polynomial dan roots of AR characteristic polynomial
sudah valid yang artinya bahwa analisis impulse response dan variance
decomposition dalam estimasi VAR adalah valid pada model 1.
Tabel 6. Hasil uji
stabilitas Roots of AR Charateristic Polynomial VAR Model 2
|
Kisaran
Modulus |
Kesimpulan |
|
0.479884
- 0.984033 |
Stabil |
Sumber: Lampiran 6
Berdasarkan hasil uji stabilitas VAR pada model 2 dapat
disimpulkan bahwa estimasi VAR yang akan digunakan untuk analisis IR dan VD
sudah stabil, karena seluruh akar root memiliki modulus lebih kecil dari
satu sehingga hasil analisis IR dan VD yang digunakan dalam penelitian ini
adalah valid pada model 2. Setelah mengetahui bahwa model 1 dan model 2 sudah
stabil untuk pengujian IR dan VD maka dapat dilakukan pengujian selanjutnya.
Gambar 7. Hasil Uji
Stabilitas Roots of AR Characteristic Polynomial Model 2
Sumber: Lampiran 6
Berdasarkan gambar 12 pengujian stabilitas VAR
menggunakan roots of AR characteristic polynomial menunjukkan
titik-titik pada lingkaran atau penyebaran data tidak berada di luar lingkaran
yang artinya data valid untuk dilakukan analisis lebih lanjut dengan
menggunakan model VAR. Berdasarkan pengujian stabilitas VAR dengan menggunakan roots
of characteristic polynomial dan roots of AR characteristic polynomial
sudah valid yang artinya bahwa analisis impulse response dan variance
decomposition dalam estimasi VAR adalah valid pada model 2.
Dalam penelitian ini
uji kointegrasi dilakukan dengan menggunakan uji Johansen yang dapat digunakan
untuk mengetahui banyaknya kemungkinan kointegrasi yang terjadi pada sejumlah
variabel. Sebelum melakukan uji kointegrasi perlu dilakukan pengujian asumsi trend
deterministic. Asumsi trend deterministic dapat dilakukan
berdasarkan kriteria AIC atau SC yang terkecil. Berikut adalah hasil
uji data trend pada model 1 dengan menggunakan lag 2.
Tabel 7. Hasil uji
data trend model 1
|
Data Trend |
None |
None |
Linear |
Linear |
Quadratic |
|
Rank or No.
of CEs |
No Intercept No Trend |
Intercept No Trend |
Intercept No Trend |
Intercept Trend |
Intercept Trend |
|
Akaike Information
Criteria by Rank (rows) and Model (columns) |
|||||
|
0 |
39.63742 |
39.63742 |
38.67134 |
38.67134 |
38.53292 |
|
1 |
38.29776 |
38.33784 |
38.13774 |
38.08207 |
37.97486 |
|
2 |
38.14997 |
37.98036 |
37.97846 |
37.60400 |
37.51897* |
|
3 |
38.14655 |
37.91154 |
38.00056 |
37.66758 |
37.59947 |
|
4 |
38.26253 |
38.07197 |
38.12705 |
37.80364 |
37.73062 |
|
5 |
38.47767 |
38.30442 |
38.38267 |
38.10367 |
37.98641 |
|
6 |
39.03601 |
38.60920 |
38.65360 |
38.41634 |
38.38881 |
|
7 |
39.63600 |
39.21342 |
39.21342 |
38.86470 |
38.86470 |
Dari hasil uji
trend deterministic di atas, dilihat berdasarkan kriteria AIC disarankan
menggunakan trend deterministic dengan asumsi Quadratic Intercept
Trend, Dengan menggunakan asumsi pilihan keempat yaitu Linear Intercept
Trend, berikut hasil dari uji kointegrasi dengan menggunakan Johansen pada model 1.
Tabel 8. Uji
Kointegrasi Model 1
|
No. of CE(s) |
Trace Statistic |
0.05
Critical Value |
Prob |
Max-Eigen
Statistic |
0.05
Critical Value |
Prob |
|
None |
181.0702* |
139.2753 |
0.0000 |
53.11295* |
49.58633 |
0.0207 |
|
At most 1 |
127.9572* |
107.3466 |
0.0011 |
48.51489* |
43.41977 |
0.0129 |
|
At most 2 |
79.44233* |
79.34145 |
0.0491 |
24.37756 |
37.16359 |
0.6353 |
|
At most 3 |
55.06477 |
55.24578 |
0.0519 |
22.09840 |
30.81507 |
0.3908 |
|
At most 4 |
32.96637 |
35.01090 |
0.0815 |
16.48910 |
24.25202 |
0.3747 |
|
At most 5 |
16.47727 |
18.39771 |
0.0910 |
9.892329 |
17.14769 |
0.4073 |
|
At most 6 |
6.584939* |
3.841465 |
0.0103 |
6.584939* |
3.841465 |
0.0103 |
Sumber: Lampiran 7
Tanda (*) menunjukkan adanya kointegrasi
Tabel 10 menyajikan uji
kointegrasi Johansen untuk sektor finansial dengan panjang lag 1-2. Terdapat
dua bagian yaitu uji statistic kointegrasi dengan Trace statistic dan
uji kointegrasi dengan Max-eigen statistic. Berdasarkan uji trace
statistic dapat dilihat terdapat empat hubungan kointegrasi di mana nilai trace
statistic yang lebih besar daripada nilai kritisnya dengan tingkat
signifikansi 5%.� Pada uji kointegrasi
dengan max-eigen statistic terdapat tiga hubungan kointegrasi. Hal
ini menunjukkan bahwa hipotesis nol yang menyatakan tidak terdapat kointegrasi
pada variabel-variabel yang digunakan ditolak dan hipotesis alternatif yang
menyatakan terdapat kointegrasi pada variabel yang digunakan diterima.
Pada model 2 untuk hasil uji trend deterministic
dilihat berdasarkan kriteria AIC atau SC terkecil. Berdasarkan tabel 11 yang
memuat hasil uji data trend pada model 2 disarankan menggunakan trend
deterministic dengan asumsi Quadratic Intercept Trend, sedangkan
berdasarkan SC disarakan menggunakan trend deterministic dengan asumsi none
no intercept no trend. Berikut adalah hasil uji data trend pada pada model
2 dengan menggunakan lag 3.
Tabel 9. Hasil uji
data trend model 2
|
Data Trend |
None |
None |
Linear |
Linear |
Quadratic |
|
Rank or No. of CEs |
No Intercept No Trend |
Intercept No Ttrend |
Intercept No
Trend |
Intercept Trend |
Intercept Trend |
|
Akaike Information Criteria by
Rank (rows) and Model (columns) |
|||||
|
0 |
43.52284 |
43.52284 |
42.79604 |
42.79604 |
42.17247 |
|
1 |
41.43535 |
41.31640 |
41.23315 |
41.14818 |
40.54150 |
|
2 |
40.12228 |
39.82793 |
39.98036 |
39.65046 |
39.54805 |
|
3 |
39.46907 |
39.14107 |
39.25720 |
38.95800 |
38.84947 |
|
4 |
39.60078 |
38.89509 |
38.97286 |
38.59309 |
38.50779 |
|
5 |
39.75936 |
39.07227 |
39.12585 |
38.51113 |
38.41703* |
|
6 |
40.26152 |
39.46274 |
39.49567 |
38.74224 |
38.65417 |
|
7 |
40.83734 |
40.04083 |
40.04083 |
39.15983 |
39.15983 |
Sumber: Lampiran 7
Tabel 12. Menyajikan uji Kointegrasi Johansen untuk
sektor riil dengan dengan menggunakan asumsi pilihan keempat yaitu Quadratic
Intercept Trend dan dengan panjang lag 1-3. Terdapat dua bagian yaitu uji
statistic kointegrasi dengan Trace statistic dan uji kointegrasi dengan Max-eigen
statistic. Berdasarkan uji trace statistic dan max-eigen
statistic dapat dilihat terdapat tujuh hubungan kointegrasi di mana nilai trace
statistic yang lebih besar daripada nilai kritisnya dengan tingkat
signifikansi 5%.
Tabel 10. Uji
kointegrasi Model 2
|
Hypothesized No. of CE(s) |
Trace Statistic |
0.05 Critical Value |
Prob |
Max-Eigen Statistic |
0.05 Critical Value |
Prob |
|
None |
328.5562* |
139.2753 |
0.0000 |
99.76253* |
49.58633 |
0.0000 |
|
At most 1 |
228.7937* |
107.3466 |
0.0000 |
71.71188* |
43.41977 |
0.0000 |
|
At most 2 |
157.0818* |
79.34145 |
0.0000 |
58.73752* |
37.16359 |
0.0000 |
|
At most 3 |
98.34427* |
55.24578 |
0.0000 |
43.03382* |
30.81507 |
0.0010 |
|
At most 4 |
55.31045* |
35.01090 |
0.0001 |
31.99341* |
24.25202 |
0.0039 |
|
At most 5 |
23.31704* |
18.39771 |
0.0094 |
17.56573* |
17.14769 |
0.0435 |
|
At most 6 |
5.751307* |
3.841465 |
0.0165 |
5.751307* |
3.841465 |
0.0165 |
Sumber: Lampiran 7
Tanda (*) menunjukkan adanya kointegrasi
Berdasarkan hasil uji kointegrasi yang telah dilakukan
mengindikasikan bahwa di antara pergerakan variabel-variabel penelitian
terdapat hubungan jangka panjang. Oleh karena itu, setiap periode dalam jangka
pendek, seluruh variabel cenderung saling menyesuaikan untuk mencapai
keseimbangan jangka panjangnya. Berdasarkan hasil yang telah didapatkan, model
yang tepat digunakan dalam penelitian ini adalah menggunakan Vector Error
Correction Model (VECM) karena variabel yang digunakan stasioner pada
tingkat diferensi pertama dan terdapat hubungan kointegrasi.
Estimasi VECM pada
penelitian ini menggunakan lag 2 pada mode 1 dan lag
3 pada model 2. Estimasi VECM ini dilakukan dengan
membandingkan nilai t-statistik dengan t-tabel untuk melihat signifikansi
variabel dan melihat nilai koefisien untuk menentukan seberapa besar pengaruh
antar variabel dalam jangka panjang dan jangka pendek. Apabila nilai
t-statistik > nilai t-tabel (1.68288), maka hubungan variabel tersebut dapat
dikatakan signifikan. Sebaliknya, jika nilai t-statistik < nilai t-tabel
maka hubungan variabel tersebut tidak signifikan. Nilai t-tabel di lihat
menggunakan tingkat signifikansi 5% dan df 41 (n-k).
Tabel 11. Hasil
Estimasi VECM Model 1
|
INF |
SBK |
rPUAB |
rDEPO |
IHSG |
KONS |
OG |
|
|
|
Jangka Panjang |
||||||
|
|
1.000 |
-0.551* |
-0.296* |
0.733* |
-0.001* |
-0.021* |
0.029* |
|
|
|
[-4.095] |
[-2.200] |
[ 8.888] |
[-5.224] |
[-3.128] |
[ 7.435] |
|
|
Jangka Pendek |
||||||
|
|
|
|
|
|
|
|
|
|
(-1) |
0.610 |
0.732 |
-0.436 |
0.859 |
0.0002 |
-0.010 |
0.005 |
|
|
[0.684] |
[1.184] |
[-1.020] |
[1.019] |
[0.261] |
[-0.609] |
[0.698] |
|
(-2) |
-0.051 |
-1.549* |
0.401 |
-0.341 |
0.0005 |
-0.0257 |
0.015 |
|
|
[-0.069] |
[-2.3484] |
[1.219] |
[-0.490] |
[0.913] |
[-1.131] |
[1.259] |
|
R2������
=� 0.412918 |
|||||||
|
F-stat =�
1.230845 |
|||||||
Sumber: Lampiran 8
[]����������� : t-hitung
* : tingkat
signifikansi 5%
Dari tabel 13
diperoleh persamaan model estimasi VECM jangka panjang.
INF = -0.551SBK -
0.296RPUAB + 0.733RDEPO - 0.001IHSG -����
0.021KONS + 0.029OG
Untuk jangka
pendek berikut adalah persamaan dari estimasi VECM pada model 1.
D(INF) = 0.610D(INF(-1))
� 0.051D(INF(-2)) + 0.732D(SBK(-1)) - 1.549D(SBK(-2)) - 0.436D(RPUAB(-1))
+ 0.401D(RPUAB(-2)) + 0.859D(RDEPO(-1)) - 0.490D(RDEPO(-2))
+ 0.0002D(IHSG(-1)) + 0.0005D(IHSG(-2)) - 0.010D(KONS(-1)) - 0.0257D(KONS(-2))
+ 0.005D(OG(-1)) + 0.015D(OG(-2))
Hasil estimasi VECM untuk jangka pendek dengan
membandingkan nilai t-statistik dan nilai t-tabel dengan tingkat signifikansi
0,05 menunjukkan hanya variabel SBK yang berpengaruh negatif dan signifikan
terhadap variabel inflasi pada lag kedua, sedangkan pada lag
pertama tidak berpengaruh.
Nilai F-statistik menunjukkan sebesar 1.230845 lebih
kecil dari nilai F-tabel (2.33), artinya seluruh variabel dalam penelitian
tidak secara Bersama-sama berpengaruh signifikan terhadap inflasi.
Berikut adalah hasil VECM untuk sektor riil. Berdasarkan
hasil estimasi VECM pada tabel 14, berikut adalah persamaan VECM untuk jangka
panjang pada model 2.
INF������� =
-0.585SBK � 0.374RPUAB + 0.831RKREDIT + 0.0004IHPR� - 0.028INV - 0.028OG
Tabel 12. Hasil
Estimasi VECM Model 2
|
INF |
SBK |
rPUAB |
rKREDIT |
IHPR |
INV |
OG |
|
|
|
Jangka Panjang |
||||||
|
|
1.000 |
-0.585* |
-0.374* |
0.831* |
0.0004* |
0.020* |
-0.028* |
|
|
|
[-7.610] |
[-5.827] |
[12.23] |
[11.501] |
[3.583] |
[-6.224] |
|
|
Jangka Pendek |
||||||
|
|
|
|
|
|
|
|
|
|
(-1) |
1.619 |
1.396 |
-1.133 |
1.893 |
0.0001 |
0.019 |
-0.003 |
|
|
[0.593] |
[1.645] |
[-1.620] |
[0.712] |
[0.433] |
[0.656] |
[-0.196] |
|
(-2) |
0.4409 |
-1.331 |
0.212 |
0.016 |
0.000 |
0.009 |
-0.0005 |
|
|
[0.180] |
[-1.529] |
[0.327] |
[0.007] |
[0.283] |
[0.3109] |
[-0.036] |
|
(-3) |
-0.110 [-0.063] |
0.056 [0.065] |
-0.689 [-1.479] |
0.093 [0.053] |
0.000 [0.364] |
0.0165 [0.806] |
-0.004 [-0.403] |
|
R2������
=� 0.437574 |
|||||||
|
F-stat =�
0.676532 |
|||||||
Sumber: Lampiran 8
[]����������� :
t-hitung
* : tingkat
signifikansi 5%
Berdasarkan hasil estimasi VECM pada tabel 14, berikut
adalah persamaan VECM untuk jangka panjang pada model 2.
INF������� =
-0.585SBK � 0.374RPUAB + 0.831RKREDIT + 0.0004IHPR� - 0.028INV - 0.028OG
Untuk jangka pendek berikut adalah persamaan dari
estimasi VECM model 2.
D(INF)� =
1.619D(INF(-1)) + 0.441D(INF(-2)) - 0.110D(INF(-3)) + 1.396D(SBK(-1)) -
1.331D(SBK(-2)) + 0.056D(SBK(-3)) � 1.133D(RPUAB(-1)) + 0.212D(RPUAB(-2)) �
0.689D(RPUAB(-3)) + 1.893D(RKREDIT(-1)) + 0.016D(RKREDIT(-2)) +
0.093D(RKREDIT(-3)) + 0.0001D(IHPR(-1)) + 0.000(IHPR(-2)) + 0.000(IHPR(-3)) +
0.019D(INV(-1)) + 0.311D(INV(-2)) + 0.016D(INV(-3)) - 0.003D(OG(-1)) -
0.0005D(OG(-2)) - 0.004D(OG(-3))
Berdasarkan hasil estimasi VECM untuk Model 2 pada tabel
14 menyatakan bahwa semua variabel berpengaruh signifikan terhadap variabel
inflasi dalam jangka panjang pada Model 2. Pada jangka panjang variabel SBK,
rPUAB, dan OG berpengaruh negatif dan signifikan terhadap inflasi. Sedangkan
untuk variabel rKREDIT, IHPR, dan INV berpengaruh positif signifikan terhadap
inflasi. Pada jangka pendek tidak ada variabel signifikan terhadap inflasi.
6. Impulse
Responses dan Variance
Decomposition
Untuk mendapatkan hasil analisis yang baik dalam
menganalisis transmisi kebijakan moneter melalui saluran harga aset pada sektor
keuangan dan sektor riil dengan meninjau penelitian terdahulu, maka dalam
penelitian ini digunakan analisis impulse response dan variance
decomposition. Analisis impulse response digunakan untuk
menganalisis respons dari guncangan yang terjadi pada variabel-variabel dalam
penelitian yang di mana dalam hal ini sekaligus menjawab rumusan masalah
pertama. Kemudian, analisis variance decomposition digunakan untuk
melihat besaran kontribusi dari masing-masing variabel terhadap sasaran akhir
kebijakan moneter yang tercermin dari inflasi yang sekaligus untuk menjawab
rumusan masalah yang kedua.
Sumber: Lampiran 9
Gambar 8. Hasil Uji Impulse
Responsse Model 1
Pada gambar 11
(i) dapat dilihat bahwa variabel RPUAB merespons positif pergerakan shock
variabel SBK yang terus meningkat dari periode pertama sampai periode ketiga
sebesar 0.593650 pada periode ke-3 hingga kemudian turun� 0.491624 pada periode ke-4 dan setelahnya
menunjukkan respons yang cenderung stabil hingga periode ke-10. Perubahan yang
terjadi pada suku bunga kebijakan langsung direspons oleh suku bunga PUAB pada
periode pertama. Respons positif dapat diartikan bahwa jika terjadi peningkatan
suku bunga kebijakan SBK maka akan meningkatkan suku bunga PUAB.
Respons
variabel rDEPO terhadap shock dari variabel rPUAB ditunjukkan pada
gambar 11 (ii). Respons variabel rDEPO terhadap shock variabel rPUAB
pada periode pertama sebesar� 0.004336
dan� meningkat pada periode ke-2
sebesar� 0.194589. Respons positif
tersebut berarti perubahan suku bunga PUAB dapat ditransmisikan dengan baik ke
sektor perbankan. Kenaikan atau penurunan yang terjadi pada suku bunga PUAB
akan diikuti pula oleh kenaikan atau penurunan suku bunga deposito.
Pada gambar 11
(iii) menunjukkan respons variabel IHSG terhadap shock variabel rDEPO.
Pada gambar (iii) dapat dilihat bahwa variabel IHSG merespons secara negatif
perubahan yang terjadi pada variabel rDEPO pada periode ke-1 sebesar -46.10789
hingga periode ke-10 sebesar -38.35152. Respons negatif tersebut dapat
diartikan bahwa penurunan suku bunga deposito akan mendorong harga saham naik
karena imbal hasil saham memberikan keuntungan yang lebih tinggi daripada imbal
hasil suku bunga deposito. Oleh sebab itu, permintaan terhadap saham meningkat
yang kemudian mendorong kenaikan harga saham.
Respons
variabel KONS terhadap shock variabel IHSG dapat dilihat pada gambar 11
(iv). Respons variabel konsumsi terhadap shock variabel IHSG pada periode
pertama menunjukkan respons negatif yaitu sebesar -1.919545. Namun, pada
periode ke-2 menunjukkan respons positif sebesar� 11.32324 hingga periode ke- 10 sebesar
8.382591. Respons positif dapat diartikan bahwa ketika harga saham meningkat
akan meningkatkan aliran pendapatan dan hasil penanaman pada saham yang akan
diterima ke depan yang artinya terjadi peningkatan kekayaan yang kemudian akan
meningkatkan konsumsi.
Respons
variabel OG terhadap shock variabel konsumsi ditunjukkan pada gambar 11
(v). Respons variabel output gap terhadap perubahan yang terjadi pada
konsumsi menunjukkan respons yang berfluktuatif. Pada periode ke-1 adanya shock
konsumsi direspons positif oleh output gap sebesar� 15.59148. Setelah itu, perubahan konsumsi
pada periode ke- 2 dan periode ke-3 mengalami penurunan hingga bernilai negatif
sebesar -2.198632 dan -2.040953. Selanjutnya, respons output gap
mengalami peningkatan pada periode ke-4 dan ke-5. Setelah itu pada periode ke-6
dan ke-7 kembali menunjukkan respons negatif kemudian periode ke-8 dan ke-9
kembali bernilai positif dan pada periode ke-10 kembali merespons negatif yaitu
sebesar -1.242107. Kondisi ini menandakan bahwa shock konsumsi tidak
memiliki dampak yang tetap terhadap perubahan output gap.
Pada gambar 11
(vi) menampilkan respons variabel inflasi terhadap shock variabel OG.
Inflasi belum merespons shock dari output gap pada periode
pertama namun merespons positif pada area negatif dari periode ke-3 sebesar -0.065825. Respons
positif menunjukkan bahwa jika terjadi peningkatan pada output maka hal
tersebut akan menyebabkan peningkatan pada inflasi. Respons positif output
gap terhadap inflasi mengindikasikan bahwa nilai output aktual lebih
tinggi dari output potensialnya. Dalam kondisi tersebut permintaan
cenderung berlebih sehingga tingkat harga-harga juga cenderung meningkat.
Gambar 12
menunjukkan bagaimana respons variabel rKREDIT terhadap shock variabel
rPUAB, respons variabel IHPR terhadap shock variabel rKREDIT, respons
variabel INV terhadap shock variabel IHPR, respons variabel OG terhadap shock
variabel INV, dan respons variabel INF terhadap shock variabel OG.
Sumber: Lampiran 9
Gambar 9. Hasil Uji Impulse
Responsse Model 2
Pada gambar 12 (i) dapat dilihat bahwa variabel RPUAB
merespons positif pergerakan shock variabel SBK yang terus meningkat
dari periode pertama sampai periode ketiga sebesar 0.701850 pada periode ke-3
hingga kemudian turun� 0.570543 pada
periode ke-4 dan setelahnya menunjukkan respons yang cenderung menurun hingga
periode ke-10. Perubahan yang terjadi pada suku bunga kebijakan langsung
direspons oleh suku bunga PUAB pada periode pertama. Respons positif dapat
diartikan bahwa jika terjadi peningkatan suku bunga kebijakan SBK maka akan
meningkatkan suku bunga PUAB sesuai dengan kerangka pemikiran.
Respons variabel rKREDIT terhadap shock dari
variabel rPUAB ditunjukkan pada gambar 12 (ii). Variabel rKREDIT merespons
positif terhadap shock variabel rPUAB pada periode pertama dan periode
ke-2 sebesar 0.061896 dan 0.531232. Respons positif tersebut berarti perubahan
suku bunga PUAB dapat ditransmisikan dengan baik ke sektor perbankan. Kenaikan
atau penurunan yang terjadi pada suku bunga PUAB akan diikuti pula oleh
kenaikan atau penurunan suku bunga kredit
Pada gambar 12 (iii) menunjukkan respons variabel IHPR
terhadap shock variabel rKREDIT. Pada gambar (iii) dapat dilihat bahwa
variabel IHPR merespons secara positif perubahan yang terjadi pada variabel
rKREDIT pada periode ke-1 sebesar�
153.1924. Namun, pada perioe ke-2 merespons negatif sebesar -822.3281
persen.
Respons variabel INV terhadap shock variabel IHPR
dapat dilihat pada gambar 12 (iv). Respons variabel INV terhadap shock
variabel IHPR menunjukkan respons positif yaitu sebesar� 2.128219 pada periode ke-1. Respons positf
menunjukkan bahwa ketika terjadi peningkatan pada harga aset maka investasi
juga akan meningkat.
Respons variabel OG terhadap shock variabel INV
ditunjukkan pada gambar 12 (v). Respons variabel output gap terhadap
perubahan yang terjadi pada INV menunjukkan respons yang berfluktuatif. Pada
periode ke-1 adanya shock INV direspons positif oleh output gap
sebesar� 14.97654. Setelah itu, perubahan
INV pada periode ke- 2 dan periode ke-3 mengalami penurunan sebesar� 13.31972 dan�
16.21552. Respons positif dapat memiliki arti bahwa peningkatan
investasi perusahaan akan meningkatkan permintaan agregat yang mengakibatkan
peningkatan output.
Pada gambar 12 (vi) menampilkan respons variabel inflasi
terhadap shock variabel OG. Inflasi belum merespons shock dari output
gap pada periode pertama namun merespons secara negatif dari periode ke-2
sebesar -0.032221. Setelah itu pada periode ke-3 dan ke-4 merespons positif.
Respons positif menunjukkan bahwa jika terjadi peningkatan pada permintaan maka
tingkat harga akan cenderung mengalami peningkatan. Respons positif output gap
terhadap inflasi berarti nilai output aktualnya lebih tinggi
dibandingkan dari output potensialnya atau optimumnya. Dalam kondisi
tersebut permintaan cenderung berlebih sehingga tingkat harga-harga juga cenderung
meningkat.
Selain impulse
response, model VAR juga menyediakan analisis variance decomposition.
Analisis variance decomposition menggambarkan relatif pentingnya setiap
variabel pada sistem VAR karena adanya shock. Variance decomposition
berguna untuk memprediksi kontribusi persentase varian setiap variabel karena
adanya perubahan suatu variabel tertentu di dalam sistem VAR (Widarjono, 2018). Berikut adalah
kontribusi setiap variabel saat terjadi shock pada model
1.� Terdapat� tujuh variabel yang ditinjau, namun pada
penelitian ini dititik beratkan pada variabel � variabel mana saja yang paling
besar perannya terhadap inflasi dimasa mendatang.
Tabel 13. Hasil uji variance
decomposition Model 1
|
Period |
S.E. |
INF |
SBK |
RPUAB |
RDEPO |
IHSG |
KONS |
OG |
|
1 |
1.104 |
100.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
|
2 |
1.445 |
87.926 |
1.830 |
1.563 |
1.360 |
6.006 |
0.844 |
0.471 |
|
3 |
1.888 |
82.040 |
1.230 |
1.886 |
1.115 |
12.261 |
1.071 |
0.398 |
|
4 |
2.217 |
80.230 |
0.971 |
1.476 |
0.833 |
14.366 |
1.171 |
0.953 |
|
5 |
2.506 |
76.970 |
0.760 |
1.172 |
0.752 |
16.963 |
2.130 |
1.252 |
|
6 |
2.709 |
76.237 |
0.657 |
1.182 |
0.660 |
17.896 |
2.090 |
1.278 |
|
7 |
2.905 |
76.040 |
0.572 |
1.043 |
0.592 |
18.260 |
2.119 |
1.374 |
|
8 |
3.081 |
75.784 |
0.530 |
0.937 |
0.531 |
18.590 |
2.278 |
1.349 |
|
9 |
3.237 |
75.734 |
0.521 |
0.859 |
0.483 |
18.871 |
2.226 |
1.305 |
|
10 |
3.395 |
75.729 |
0.520 |
0.784 |
0.440 |
18.992 |
2.223 |
1.312 |
|
Rata-rata |
80.669 |
0.759 |
1.090 |
0.677 |
14.220 |
1.615 |
0.969 |
|
Sumber: Lampiran 10
Kontribusi
yang cenderung mengalami peningkatan setiap periode adalah variabel IHSG dan
KONS. Kontribusi dari variabel IHSG terus mengalami peningkatan setiap periode
hingga pada akhir periode ke-10 dengan kontribusi mencapai 18.992 persen.
Kontribusi variabel KONS cenderung mengalami peningkatan walaupun tidak besar
hingga akhir periode ke-10 sebesar 2.223 persen. Sedangkan untuk variabel INF
terjadi penurunan setiap periodenya.
Berdasarkan
hasil analisis variance decomposition dapat disimpulkan bahwa kontribusi
variabel terhadap perubahan inflasi masih dominan terhadap variabel inflasi itu
sendiri yakni berada di atas 50 persen, sedangkan variabel SBK, rPUAB, rDEPO,
IHSG, KONS, dan OG memberikan kontribusi yang tidak terlalu besar.
Tabel 14. Hasil uji variance
decomposition Model 2
|
Variance Decomposition
of INF: |
||||||||
|
Period |
S.E. |
INF |
SBK |
RPUAB |
RKRDT |
IHPR |
INV |
OG |
|
1 |
1.261 |
100.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
0.000 |
|
2 |
1.729 |
87.075 |
4.130 |
6.734 |
0.881 |
0.785 |
0.360 |
0.035 |
|
3 |
2.120 |
89.052 |
2.923 |
4.524 |
1.408 |
0.714 |
1.259 |
0.122 |
|
4 |
2.467 |
86.896 |
2.336 |
5.553 |
1.695 |
0.665 |
2.409 |
0.446 |
|
5 |
2.662 |
85.850 |
2.094 |
5.772 |
2.375 |
0.612 |
2.627 |
0.670 |
|
6 |
2.860 |
85.374 |
1.825 |
5.205 |
3.030 |
0.558 |
2.920 |
1.089 |
|
7 |
2.994 |
85.053 |
1.905 |
5.446 |
3.199 |
0.523 |
2.852 |
1.022 |
|
8 |
3.120 |
85.583 |
1.756 |
5.107 |
3.369 |
0.482 |
2.740 |
0.964 |
|
9 |
3.260 |
85.877 |
1.623 |
5.074 |
3.388 |
0.516 |
2.637 |
0.886 |
|
10 |
3.401 |
86.108 |
1.491 |
5.098 |
3.358 |
0.563 |
2.565 |
0.817 |
|
Rata-rata |
87.687 |
2.008 |
4.851 |
2.270 |
0.542 |
2.037 |
0.605 |
|
Sumber: Lampiran 10
Berdasarkan hasil uji variance decomposition pada
tabel 16 untuk model 2 menunjukkan bahwa kontribusi yang terjadi pada sasaran
akhir kebijakan moneter yang tercermin dari inflasi pada periode pertama paling
besar dijelaskan oleh variabel inflasi itu sendiri (INF) yaitu sebesar 100
persen. Pada periode ke-2 sampai dengan periode ke-10 kontribusi paling besar
terhadap inflasi masih dijelaskan oleh variabel inflasi itu sendiri meskipun
mengalami penurunan setiap periodenya.
Variabel lainnya yang cukup besar dalam kontribusi pada
sasaran akhir kebijakan moneter yang tercermin melalui inflasi yaitu suku bunga
pasar uang antar bank senilai 6.734 persen pada periode ke-2. Walaupun
cenderung menurun hingga periode ke-10, namun variabel suku bunga PUAB tetap memiliki
kontribusi terbesar kedua setelah variabel inflasi itu sendiri.
Variabel suku bunga kredit memberikan kontribusi pada
sasaran akhir kebijakan moneter yang tercermin melalui inflasi sebesar 0.881
persen pada periode ke-2 dan terus mengalami peningkatan hingga periode ke-10
sebesar 3.358 persen. Suku bunga kredit merupakan salah satu variabel yang
digunakan dalam transmisi kebijakan moneter melalui saluran harga aset untuk
mencapai tujuannya yaitu stabilitas harga yang dicerminkan oleh inflasi. Ketika
terjadi peningkatan pada inflasi maka Bank Indonesia akan meningkatkan suku
bunga kebijakan yang kemudian meningkatkan suku bunga kredit untuk mengurangi
kegiatan ekonomi yang terjadi untuk meredam aktivitas perekonomian.
Variabel investasi (INV) memiliki variasi kontribusi
terhadap inflasi sebesar 0.360 persen pada periode ke-2 dan terus meningkat
sampai periode ke-6 sebesar 2.920 persen. Pada periode ke-7 sampai periode
ke-10 kontribusi variabel investasi dalam menjelaskan variasi terhadap inflasi
mengalami penurunan. Investasi merupakan salah satu variabel yang dapat
memengaruhi inflasi, yaitu di mana ketika investasi mengalami peningkatan maka
akan meningkatkan inflasi.�
Variabel suku bunga kebijakan memiliki kontribusi yang
terbesar setelah inflasi dan suku bunga PUAB pada periode
ke-2 sebesar 4.130 persen. Namun, terus mengalami penurunan hingga periode
ke-10 sebesar 1.491 persen. Suku bunga kebijakan merupakan instrumen yang
digunakan Bank Indonesia dalam menjaga stabilitas ekonomi. Ketika inflasi
melebihi dari target maka Bank Indonesia akan meningkatkan suku bunga acuannya
guna meredam aktivitas perekonomian.
Variabel output gap (OG) dan IHPR merupakan
indikator yang memberikan kontribusi paling kecil dalam menjelaskan perubahan
yang terjadi pada sasaran akhir kebijakan moneter yang tercermin melalui
inflasi. Variabel OG memberikan kontribusi terhadap pada inflasi yaitu sebesar
0.035 persen pada periode ke-2 dan terus mengalami peningkatan hingga periode
ke-6 sebesar 1.089 persen. Kemudian dari periode ke-7 hingga periode ke-10
mengalami penurunan. Untuk variabel IHPR kontribusi pada periode ke-2 sebesar 0,785 persen
namun cenderung mengalami penurunan setiap periodenya hingga periode ke-10.
Berdasarkan hasil analisis variance decomposition
pada model 2 dapat disimpulkan bahwa kontribusi variabel terhadap perubahan
inflasi masih dominan terhadap variabel inflasi itu sendiri yakni berada di
atas 50 persen diikuti dengan variabel rPUAB, rKREDIT, INV, SBK, OG dan IHPR.
Pembahasan
Respons Suku Bunga Pasar Uang Antar Bank (PUAB) Terhadap Shock Suku
Bunga Kebijakan (SBK)
Guncangan suku bunga kebijakan sebesar satu standar
deviasi pada periode pertama direspons positif oleh suku bunga pasar uang antar
bank sebesar 0.441871 persen sebelum lag optimal. Respons suku bunga
PUAB terhadap suku bunga kebijakan SBK terus meningkat sampai periode ke-3.
Setelah itu, respons suku bunga PUAB mengalami penurunan pada periode ke-4
hingga periode ke-7 tetapi dalam pergerakannya tidak mendekati atau kembali
pada titik keseimbangan dan nilainya tetap positif. Hal ini menunjukkan bahwa
suku bunga PUAB sangat responsif terhadap shock suku bunga kebijakan SBK
dan sesuai dengan teori yang menyatakan bahwa ketika Bank Indonesia
meningkatkan suku bunga kebijakan maka suku bunga pasar uang antar bank juga
akan meningkat. Hal ini sesuai dengan teori yang dikemukakan pada buku (Simorangkir, 2014) yaitu apabila
bank sentral melakukan kebijakan moneter kontraktif maka akan mendorong
peningkatan suku bunga di pasar uang. Hal ini juga sejalan dengan penelitian
yang dilakukan oleh (Astuti & Hastuti, 2020) dan
penelitian yang dilakukan oleh (Husnansyah, 2016) bahwa suku
bunga pasar uang antar bank merespons positif terhadap perubahan suku bunga
BI7DRR, yang artinya apabila suku bunga BI7DRR mengalami guncangan kenaikan
maupun penurunan akan diikuti oleh suku bunga pasar uang antar bank dengan arah
perubahan yang sama baik dalam jangka pendek maupun dalam jangka panjang.
Apabila suku bunga BI7DRR mengalami kenaikan terus menerus, maka suku bunga PUAB akan
mengikutinya dikarenakan suku bunga BI7DRR merupakan acuan bagi transaksi
likuiditas antar bank.
Berdasarkan (Laporan Perekonomian Indonesia, 2013) perkembangan
suku bunga PUAB secara umum mengikuti kenaikan suku bunga acuan. Dalam menjaga suku
bunga PUAB tetap berada di sekitar suku bunga acuan,
Bank Indonesia melakukan upaya melalui
ketersediaan likuiditas perbankan baik dalam bentuk rupiah maupun valas. Stance
kebijakan Bank Indonesia direspons positif. Suku bunga kebijakan tetap pada 5
bulan pertama tahun 2013 direspons sama oleh suku bunga PUAB, yang tidak banyak
berubah pada paruh pertama. Selanjutnya, pada triwulan II 2013 seiring
dengan meningkatnya suku bunga acuan sebesar 175 bps, rata-rata harian suku
unga PUAB overnight (O/N) tercatat ikut meningkat sebesar 174 bps atau
dari 4,41 persen pada awal tahun 2013 menjadi 6,15 persen pada
akhir tahun 2013.
Berdasarkan (Laporan Perekonomian Indonesia, 2021) Bank Indonesia
telah menurunkan suku bunga kebijakan sebanyak enam kali sehingga suku bunga
kebijakan menjadi 3,50 persen sejak tahun 2020. Penurunan suku bunga
kebijakan dan pelonggaran kebijakan likuiditas yang ditempuh oleh Bank
Indonesia diikuti oleh penurunan tingkat suku bunga PUAB. Terjadi penurunan
suku bunga acuan (BI7DRR) pada triwulan I tahun 2021
sebesar 3,50 persen dibandingkan dengan kuartal 4 tahun 2020 sebesar 3.75 persen. Hal
ini dilakukan saat Rapat Dewan Gubernur (RDG) Bank Indonesia pada 17-18 Maret
2021 untuk menetapkan BI7DRR sebesar 3,50 persen. Hal ini
juga mendorong terjadinya penurunan suku bunga PUAB dari 3,45 persen pada
kuartal 4 tahun 2020 menjadi 2,95 persen pada triwulan I tahun 2021.
Kebijakan penurunan suku bunga yang dilakukan Bank Indonesia ini dilakukan
untuk menjaga stabilitas nilai tukar Rupiah dan mendukung pemulihan ekonomi
nasional di tengah prakiraan inflasi yang tetap rendah. Selain itu, Bank
Indonesia juga melakukan injeksi likuiditas untuk memperkuat kemampuan
perbankan dalam meningkatkan kredit kepada dunia usaha. Injeksi likuiditas ini
dilakukan untuk mengendalikan suku bunga PUAB agar tetap berada di sekitar
target yang ditetapkan oleh Bank Indonesia.
Respons Suku Bunga Deposito (rDEPO) Terhadap Shock Suku Bunga Pasar
Uang Antar Bank (rPUAB)
Guncangan� suku
bunga pasar uang antar bank sebesar satu standar deviasi pada periode
pertama direspons positif oleh suku bunga deposito sebesar 0.004336 persen sebelum
lag optimum. Respons suku bunga deposito rDEPO terhadap suku bunga pasar
uang antar bank rPUAB masih merespons positif sampai periode ke-2 sebesar
0.194589 persen. Hal ini menunjukkan bahwa suku bunga deposito rDEPO sangat
responsif terhadap shock suku bunga pasar uang antar bank rPUAB dan
sesuai dengan teori bahwa ketika terjadi peningkatan suku bunga pasar uang
antar bank akan diikuti pula oleh kenaikan atau penurunan suku bunga deposito
dan suku bunga kredit. Hal ini juga sesuai dengan penelitian yang dilakukan
oleh (Astuti & Hastuti, 2020) dan
penelitian yang dilakukan oleh (Husnansyah, 2016) yaitu respons
suku bunga deposito dan suku bunga kredit terhadap adanya perubahan yang
terjadi pada suku bunga PUAB adalah positif dan permanen. Artinya, perubahan suku
bunga PUAB dapat ditransmisikan dengan baik ke sektor perbankan yaitu suku bunga
deposito. Kenaikan atau penurunan suku bunga puab akan diikuti juga oleh
kenaikan suku perbankan.
Berdasarkan Laporan Perekonomian Indonesia (LPI) tahun
2013 sebagai langkah dalam merespons naiknya tekanan inflasi, Bank Indonesia
meningkatkan suku bunga kebijakan menjadi 7,50 persen pada
akhir tahun. Kenaikan suku bunga acuan dan suku bunga PUAB ditransmisikan
kepada suku bunga perbankan, khususnya suku bunga deposito. Suku bunga deposito
pada akhir tahun 2013 tercatat sebesar 6,89 persen,
mengalami peningkatan jika dibandingkan dengan suku bunga deposito pada akhir
tahun 2012 sebesar 6,09 persen.
Berdasarkan Laporan Perekonomian Indonesia (LPI) tahun
2021 Penurunan suku bunga kebijakan yang dilakukan oleh Bank Indonesia diikuti
oleh penurunan tingkat suku bunga di berbagai pasar. Di pasar uang dan pasar
dana, suku bunga PUAB dan suku bunga deposito ikut menurun. Bank Indonesia
menurunkan suku bunga sejalan dengan diperlukannya menjaga stabilitas nilai
rupiah dan sistem keuangan, di tengah prakiraan inflasi yang rendah dan upaya
mendukung pertumbuhan ekonomi.
Respons Indeks Harga Saham Gabungan (IHSG) Terhadap Shock Suku Bunga
Deposito (rDEPO)
Guncangan suku bunga deposito sebesar satu standar
deviasi pada periode pertama direspons negatif oleh IHSG sebesar -46.10789
persen sebelum lag optimum. Respons IHSG terhadap shock suku
bunga deposito rDEPO mulai merespons meningkat pada periode ke-2 sebesar
-19.18586 persen dan menurun pada periode ke-3 sebesar -52.32019 persen dengan
nilai yang tetap negatif. Selanjutnya, respons IHSG terus bergerak secara
fluktuatif hingga titik tertinggi pada periode ke-10 sebesar -38.35152 persen.
Artinya, respons IHSG terhadap shock suku bunga deposito rDEPO dapat
terjadi karena faktor lainnya, seperti nilai tukar rupiah, kondisi perekonomian
global, tingkat inflasi, dan jumlah uang beredar. Berdasarkan hal tersebut dapat
disimpulkan bahwa ketika suku bunga deposito sedang menurun maka akan direspons
oleh peningkatan IHSG.� Hal ini sesuai
dengan teori bahwa apabila suku bunga deposito menurun maka harga saham akan
meningkat, karena investor akan lebih memilih mengalihkan dananya dalam bentuk
saham dibandingkan ke dalam bentuk deposito untuk memperoleh keuntungan yang
lebih tinggi dan juga penurunan suku bunga akan membuat beban perusahaan akan
berkurang dan akan meningkatkan tingkat keuntungan perusahaan yang pada akhirnya
harga saham ikut meningkat. Hal ini sesuai dengan model pertumbuhan Gordon
dalam (Mishkin, 2017) yaitu
kebijakan moneter dapat memengaruhi harga saham dengan cara bank sentral
menurunkan suku bunga. Suku bunga yang lebih rendah kemungkinan akan mendorong
perekonomian, sehingga tingkat pertumbuhan dividen kemungkinan akan lebih besar
sehingga harga saham akan meningkat. Hal ini juga sejalan dengan penelitian
yang dilakukan oleh (Astuti & Hastuti, 2020) yaitu bahwa
IHSG mampu merespons negatif perubahan suku bunga dengan cepat pada bulan
pertama yang mengindikasikan kenaikan suku bunga akan mendorong investor atau
pemilik dana mengurangi permintaan terhadap aset saham dan mendorong penurunan
harga saham secara keseluruhan.
Berdasarkan Laporan Perekonomian Indonesia tahun 2013,
permasalahan struktural salah satunya terjadi pada pasar keuangan Indonesia
yang masih tipis dengan para pemain asing yang sangat dominan. Secara siklikal,
kerentanan di sektor keuangan muncul ketika terjadi aliran masuk likuiditas
global dengan deras ke dalam perekonomian domestik. Likuiditas yang melimpah
ini mendorong terjadinya penurunan suku bunga yang pada gilirannya mendorong
peningkatan harga aset. Kondisi ini menimbulkan kerentanan di sektor keuangan.
Oleh karena itu, Bank Indonesia melakukan respons kebijakan dengan meningkatkan
suku bunga yang kemudian menyebabkan terjadi penyesuaian portofolio oleh
investor di emerging market yang pada akhirnya berkontribusi dalam
koreksi berupa penurunan Indeks Harga Saham Gabungan (IHSG). Meskipun demikian,
proyeksi optimis atas kinerja keuangan emiten cukup memiliki peran dalam
menahan tekanan terhadap IHSG. Dengan kondisi tersebut, IHSG masih menunjukkan
sedikit peningkatan meskipun cenderung fluktuatif. Pada akhir tahun
2013, IHSG ditutup di level 4.274 lebih rendah dibandingkan pada akhir tahun
2012 yaitu di level 4.316. Adanya perlambatan ekonomi domestik telah mendorong
investor non residen mengurangi kepemilikannya di pasar saham.
Pada tahun 2021 IHSG ditutup di level 6.581 meningkat
dibandingkan pada tahun 2020 sebesar 5.979. IHSG mengalami penguatan setelah
Bank Indonesia memutuskan untuk menurunkan suku bunga kebijakan yang di mana
hal ini juga mendorong penurunan suku bunga deposito sehingga IHSG mengalami
peningkatan. Keputusan Bank Indonesia menurunkan suku bunga mempertimbangkan
inflasi yang lemah serta sebagai langkah lanjutan dalam mendukung pemulihan
ekonomi.
KESIMPULAN
Berdasarkan hasil penelitian dan analisis yang telah
dilakukan pada bab IV, maka dapat ditarik kesimpulan sebagai berikut.
1.
Hasil analisis impulse response menunjukkan
variabel pada sektor finansial yaitu suku bunga kebijakan, suku bunga PUAB,
suku bunga deposito, IHSG, konsumsi, dan output gap sangat responsif
terhadap shock yang terjadi pada masing-masing variabel pada awal
periode yang terjadi sebelum
atau tepat pada lag
optimum dan menunjukkan respon sesuai dengan teori.
2.
Hasil analisis impulse response pada sektor riil
menunjukkan variabel suku bunga kebijakan, bunga puab, suku bunga kredit, IHPR,
investasi dan output gap dengan cepat merespons shock yang
terjadi pada masing-masing variabel pada awal periode dan menunjukkan respons
sesuai dengan yang diharapkan.
3.
Hasil analisis variance decomposition pada
model 1 menunjukkan bahwa selain dari variabel INF itu sendiri, masing-masing
variabel memiliki kontribusi yang berbeda terhadap tingkat INF dengan urutan
yang paling besar pengaruhnya adalah IHSG, KONS, rPUAB, OG, SBK, dan rDEPO
untuk sektor finansial.
4.
Kontribusi yang terjadi pada sasaran akhir kebijakan
moneter yang tercermin dari inflasi dalam model 2
pada
periode pertama paling besar dijelaskan oleh variabel inflasi itu sendiri.
Kemudian, variabel lainnya yang cukup besar dalam kontribusi pada sasaran akhir
kebijakan moneter yang tercermin melalui inflasi yaitu suku bunga kredit, suku
bunga puab, suku bunga kebijakan. Variabel output gap (OG), IHPR, dan
INV merupakan indikator yang memberikan kontribusi paling kecil dalam
menjelaskan perubahan yang terjadi pada sasaran akhir kebijakan moneter
BIBLIOGRAFI
Astuti, Rini Dwi, & Hastuti, Rahayu
Budi. (2020). Transmisi Kebijakan Moneter di Indonesia. 10(1).
Bank Indonesia. (2020). Fungsi Utama.
Basuki, Agus T. R. I., & Yusuf, A.
Indriyani. (2018). Aplikasi Model Vecm Dalam Riset Ekonomi. Yogyakarta.
Husnansyah, Fadil. (2016). Analisis
Efektivitas Transmisi Kebijakan Moneter Melalui Interest Rate Channel dan Asset
Price Channel di Indonesia pada Masa Inflation Targeting Framework (ITF). Jurnal
Ilmiah Mahasiswa Fakultas Ekonomi Dan Bisnis.
Juhro, Solikin M. (2020). Pengantar
Kebanksentralan Teori dan Kebijakan (1st ed.). Depok: Rajawali Pers.
Laporan Perekonomian Indonesia. (2013).
Laporan Perekonomian Indonesia. (2021). Jakarta.
Magdalena, Magdalena. (2015). Pengaruh
Tingkat Suku Bunga Dan Nilai Tukar Terhadap Indeks Harga Properti Residensial
(IHPR) di Indonesia Tahun 2002-2013. ULTIMA Management, 7(1).
https://doi.org/10.31937/manajemen.v7i1.919
Mishkin, Frederic S. (2017). Ekonomi
Uang, Perbankan, dan Pasar Keuangan (11th ed.). Jakarta Selatan: Salemba
Empat.
Simorangkir, Iskandar. (2014). Pengantar
Kebanksentralan Teori dan Praktik di Indonesia. Depok: PT RajaGrafindo
Persada.
Susilowati, MG Westri Kekalih, &
Wahyuningdyah, Retno Yustini. (2018). Efektivitas BI7DRR dalam Kerangka
Mekanisme Transmisi. Jurnal PRAXIS, 1.
Utama, Chandra. (2012). Transmisi Kebijakan
Moneter Melalui Jalur Perumahan. Ekonomika Bisnis, 03.
Warjiyo, Perry. (2004). Mekanisme Transmisi
Kebijakan Moneter di Indonesia. In Seri Kebanksentralan. Jakarta.
Warjiyo, Perry, & Juhro, Solikin M.
(2020). Kebijakan Bank Sentral Teori dan Praktik. Jakarta: PT
RajaGrafindo Persada.
Warjiyo, Perry, & Solikin. (2003).
Kebijakan Moneter di Indonesia. In Seri Kebanksentralan Bank Indonesia.
Pusat Pendidikan dan Studi Kebanksentralan.
Widarjono, Agus. (2018). Ekonometrika
Pengantar dan Aplikasinya (5th ed.). Yogyakarta: UPP STIM YKPN.
Wuryandani, Gantiah, Jony, Martinus, &
Prasetya, Hermanto Reska. (2005). Perilaku Pembiayaan Dalam Industri Properti. Jurnal
Properti, XI(Januari), 1�77.
Yuliah, Triana, Leni, & Suhandi.
(2020). Pengaruh Variabel Fundamental Makroekonomi Terhadap Yield Obligasi. Jurnal
Ilmu Keuangan Dan Perbankan, 10.