Lanjutan 2: KEBIJAKAN MONETER, INTERMEDIASI KEUANGAN PERBANKAN, EKSPOR DAN TINGKAT OUTPUT DI INDONESIA: SUATU APLIKASI VECTOR ERROR CORRECTION MODEL (VECM), 1999-2009

Amaluddin
Staf Pengajar Fakultas Ekonomi Universitas Pattimura
Jln.Ir.M.Putuhena, Kampus Poka, Ambon
e-mail: Amaluddin001@gmail.com

METODOLOGI PENELITIAN

Penelitian ini menggunakan jenis data time series bulanan yaitu bulan Januari tahun 1999 sampai dengan bulan Desember tahun 2009, sehingga dapat diperoleh sebanyak 132 data observasi. Alasan dipilihnya data bulanan berkaitan dengan kebutuhan analisis time series yang memerlukan data panjang untuk mengatasi persoalan degree of freedom dan karena pertimbangan akurasi/ presisi serta ketajaman hasil analisis.

Semua data yang diperoleh adalah data bulanan kecuali data PDB dan Pembentukan Modal Tetap Domestik Bruto yang tersedia hanya data triwulan, sehingga diinterpolasi menjadi data bulanan dengan menggunakan maximum observation-cubic match last. Data yang diperoleh bersumber dari Badan Pusat Statistik (BPS), Departemen Perdagangan dan Statistik Ekonomi-Keuangan Indonesia (SEKI) yang dipublikasikan oleh Bank Indonesia (BI).

Alat analisis yang digunakan untuk menjawab permasalahan penelitian secara kuantitatif adalah Vector Autoregression (VAR). Model VAR digunakan untuk menjelaskan perilaku dinamis antar variabel yang diamati dan saling mempunyai keterkaitan dan akan diuraikan lebih lanjut melalui fungsi propertinya yaitu fungsi Impulse Response dan Variance Decomposition. VAR terdiri dari dua model alternatif yaitu : Unrestricted VAR model (UnVAR) dan Vector Error Correction Model (VECM). Model Unrestricted VAR digunakan jika terdapat sifat stationary dalam data time series pada nilai level atau data time series setiap variabel berintegrasi pada order 0, I[0]. Sebaliknya, jika data time series dari setiap variabel stabil pada nilai first difference atau berintegrasi pada order 1, I[1] dan seluruh variabel berkointegrasi pada order 1, CI[1,1], maka model yang digunakan adalah Vector Error Correction Model (VECM). 

Semua variabel yang digunakan dalam penelitian ini dikonversi ke dalam natural logaritma (Ln) kecuali variabel kebijakan moneter atau suku bunga SBI. Dalam model VAR memperlakukan kelima variabel yakni suku bunga SBI, LDR, investasi swasta, ekspor, dan GDP sebagai variabel endogen sebagaimana tertulis dalam persamaan berikut ini:

 

Dimana:

SBI adalah kebijakan moneter, diproksi dengan suku bunga SBI 1 Bulan (%). LDR adalah Intermediasi keuangan perbankan, diukur dengan nilai Loan to Deposit Ratio (%). INV adalah Investasi swasta, diproksi dengan nilai pembentukan Modal Tetap Domestik Bruto (Milyar Rupiah). EX adalah ekspor, diukur dengan nilai total ekspor barang dan jasa (USD juta). GDP adalah Tingkat Output, diukur dengan produk domestik bruto (GDP) atas dasar harga konstan tahun 2000 (Milyar Rp). adalah stochastic error term yang dalam bahasa VAR disebut impulses, innovations atau shock (Gujarati, 2004).

Apabila data dari variabel-variabel yang hendak diestimasi tidak stasioner pada nilai level, namun stasioner pada nilai first difference dan berkointegrasi, maka model VAR di atas harus dimodifikasi antara lain dengan mengubah setiap variabel dalam bentuk turunan pertamanya (delta), serta menambahkan sebuah persamaan kointegrasi ke dalam model untuk mengoreksi setiap perubahan sehingga terjadi keseimbangan dalam jangka panjang. Analisis VAR/VECM dilengkapi dengan beberapa tahapan pengujian untuk meningkatkan akurasi, presisi serta memenuhi aspek comprehensiveness dari keseluruhan analisis VAR. Adapun tahapan-tahapan penggunaan VAR/VECM sebagai berikut :

1. Uji Akar Unit (Unit Root Test). Uji akar unit digunakan untuk mengetahui ada tidaknya stasioneritas data. Pengertian stasioneritas terkait erat dengan konsistensi pergerakan data time series. Suatu data dikatakan stasioner apabila memenuhi tiga kriteria, yaitu jika nilai rata-rata dan varians konstan sepanjang waktu dan kovarians antara dua runtut waktu/periode waktu hanya tergantung dari kelambanan antara dua periode waktu tersebut. Estimasi model ekonometrik time series akan menghasilkan kesimpulan yang tidak berarti, ketika data yang digunakan mengandung akar unit (tidak stasioner). (Gujarati, 2004, Enders, 2004).
2. Penentuan Lag Optimum (Lag Length). Salah satu tahapan yang krusial di dalam estimasi VAR adalah masalah penentuan kelambanan atau penentuan lag optimum. Dalam penentuan lag optimum terdapat beberapa kriteria yang seringkali digunakan, namun dalam penelitian ini akan digunakan Akaike Information Criterion (AIC) dan Schwartz Information Criterion (SIC) dengan tetap mempertimbangkan adjusted R² sistem VAR. Panjang kelambanan optimal terjadi jika nilai Akaike Information Criterion (AIC) dan Schwartz Information Criterion (SIC) bernilai absolut paling kecil dan nilai adjusted R² paling tinggi. 
3. Uji Kointegrasi (Cointegration Test).  Dalam penelitian ini akan digunakan uji kointegrasi Engle-Granger (EG) dan uji kointegrasi Johansen. 
4. Uji Kausalitas (Granger Causality Test). Uji ini dimaksudkan untuk mendeteksi arah hubungan antara setiap dua variabel dengan lag-lag yang terdistribusi dalam suatu sistem VAR. Jika nilai F-Statistik ini lebih besar dari nilai F kritis pada tingkat signifikansi tertentu (α =1%; 5% atau 10%), maka null hypothesis (H₀ : ∑α_ij = 0) ditolak atau alternative hypothesis (Ha :∑α_ij ≠ 0) diterima, yang berarti terdapat pengaruh simultan dari suatu variabel bebas dengan distributed lag tertentu terhadap variabel terikat.  
5. Impulse Response Function (IRF). Impulse Response Function (IRF) digunakan untuk melihat shock suatu standar deviasi dari variabel inovasi terhadap nilai sekarang (current time value) dan nilai yang akan datang (future values) dari variabel variabel endogen yang terdapat dalam model yang diamati. Dengan kata lain, uji Impulse Response Function berguna untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel dengan memanfaatkan seluruh informasi masa lalu variabel.  
6. Variance Decomposition (VDC). Model analisis ini digunakan untuk menjelaskan proporsi perubahan-perubahan salah satu variabel dalam suatu sistem VAR/VECM yang disebabkan oleh goncangan-goncangan variabel tersebut dibanding goncangan-goncangan variabel lain. Variance Decomposition (VDC) berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem VAR/VECM (Wang, 2003, Enders, 2004).

READ MORE....!

Tweet

Pemilihan Model Panel Data

Dalam analisis model data panel dikenal tiga macam pendekatan estimasi yaitu pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect) dan pendekatan efek acak (random effect). Pada bagian ini akan dijelaskan bagaimana memilih satu dari tiga pendekatan yang ada. Pemilihan ini bertujuan agar pendekatan yang dipilih cocok dengan tujuan penelitian dan karakteristik data sehingga proses estimasi memberikan hasil yang lebih tepat. 

Menurut Hsiao (1986), penggunaan data panel memberikan dua keuntungan, yaitu: 1) Data panel memberikan jumlah observasi atau data yang lebih besar bagi peneliti, sehingga akan meningkatkan derajat kebebasan (degree of freedom), mengurangi kolinieritas diantara variabel bebas, dan akan menghasilkan estimasi ekonometrik yang lebih efisien. 2) Dengan menggunakan data panel, memungkinkan bagi peneliti untuk menganalisis sejumlah pertanyaan penting yang tidak bisa diselesaikan bila hanya menggunakan data time series atau cross section.

Gujarati (2004) juga mengemukakan beberapa keunggulan yang dimiliki oleh data panel dibanding data time series atau cross section, yaitu:

1. Teknik estimasi menggunakan data panel akan menghasilkan keanekaragaman secara tegas dalam  perhitungan dengan melibatkan variabel-variabel individual secara lebih spesifik.
2. Mengkombinasikan pengamatan time series dan cross section akan memberikan informasi yang lebih banyak, variabilitas yang lebih baik, mengurangi hubungan antar variabel bebas, memberikan lebih banyak derajat kebebasan, dan lebih efisien.
3. Data panel lebih cocok digunakan jika akan melakukan studi tentang perubahan dinamis.  
4. Data panel dapat mendeteksi dan mengukur efek yang tidak bisa dilakukan oleh data time-series atau cross section. 
5. Data panel memungkinkan peneliti untuk mempelajari model perilaku yang lebih kompleks.
6. Data panel dapat meminimalkan bias.

Dalam analisis model data panel dikenal tiga macam pendekatan estimasi yaitu pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect) dan pendekatan efek acak (random effect). Pada bagian ini akan dijelaskan bagaimana memilih satu dari tiga pendekatan yang ada. Pemilihan ini bertujuan agar pendekatan yang dipilih cocok dengan tujuan penelitian dan karakteristik data sehingga proses estimasi memberikan hasil yang lebih tepat. Metode OLS (Pooled Least Square) terlalu sederhana untuk mendeskripsikan fenomena yang ada, sehingga pilihan selanjutnya adalah memilih di antara Fixed Effect Model (FEM) atau Random Effect Model (REM). Penentuan atas dua model tersebut dapat ditentukan secara teoritis. Jika diasumsikan bahwa error antar individu tidak berkorelasi dengan regressor  X, maka random effect yang dipilih. Kemudian, jika diasumsikan bahwa error antar individu berkorelasi dengan X (error mempunyai pengaruh tetap/ dianggap sebagai bagian dari intersep), maka fixed effect yang dipilih.


Jika secara teoritis tidak dapat ditentukan model mana yang akan dipilih, maka dasar pemilihan model selanjutnya dapat didasarkan pada sampel penelitian. Jika data diambil dari sampel individu atas suatu populasi yang besar secara acak, maka random effect yang dipilih. Namun jika sampel merupakan seluruh populasi yang dipilih, maka fixed effect merupakan metode yang lebih tepat (Hsiao, 1986).
Read more....

Tweet

Lanjutan 3: KEBIJAKAN MONETER, INTERMEDIASI KEUANGAN PERBANKAN, EKSPOR DAN TINGKAT OUTPUT DI INDONESIA: SUATU APLIKASI VECTOR ERROR CORRECTION MODEL (VECM), 1999-2009

Amaluddin
Staf Pengajar Fakultas Ekonomi Universitas Pattimura
Jln.Ir.M.Putuhena, Kampus Poka, Ambon
e-mail: Amaluddin001@gmail.com

 HASIL PENELITIAN

Uji akar unit digunakan untuk mengetahui ada tidaknya stasioneritas data. Penelitian ini menggunakan uji Augmented Dickey Fuller (ADF) dan Phillip-Perron (PP) sebagaimana tampak pada Tabel 1. Hasil uji ADF tingkat level mengindikasikan bahwa nilai mutlak uji statistik Augmented Dickey Fuller (ADF) terhadap LDR, INV, EX dan GDP tidak signifikan pada tingkat signifikansi alfa 10 %, 5 % dan 1 % yang ditunjukkan oleh nilai P-value dengan asumsi konstanta dan konstanta-linier trend sehingga dapat disimpulkan semua variabel mempunyai akar unit atau tidak stasioner kecuali variabel SBI.

Selanjutnya, uji akar unit Phillip-Perron menampilkan hasil yang sedikit berbeda dengan uji Augmented Dickey-Fuller (ADF) sebagaimana yang diperlihatkan oleh nilai p-value variabel GDP dan SBI yang masing-masing dapat signifikan pada alfa 10 % dan  1 %. Kendati demikian, mayoritas variabel pada uji Phillip-Perron (PP) masih mengandung akar unit atau tidak stasioner. Dengan kata lain, sejumlah besar variabel yang digunakan berpotensi menghasilkan estimasi “spurious regression”.

Solusi utama ekonometrik yang dapat dilakukan untuk mengatasi masalah data yang tidak stasioner pada tingkat level adalah melakukan proses diferensiasi atau modifikasi menjadi first difference sampai pada tingkatan second difference bertujuan untuk menstasionerkan semua variabel pada derajat yang sama. Tabel 2 menampilkan informasi hasil uji ADF dan Phillip-Perron (PP) pada tingkat first difference dengan intercept dan intercept-linear trend. Tampak bahwa dengan memasukkan unsur konstanta dalam uji ADF maka semua variabel (GDP, INV, EX, SBI, dan LDR) dapat stasioner pada tingkat signifikansi alfa sebesar 1 % namun apabila uji ADF menggunakan asumsi konstanta dan linier trend maka semua variabel sudah dapat stasioner pada tingkat signifikansi alfa sebesar 5 %. 

Sedangkan uji akar unit Phillip-Perron memperlihatkan hasil yang agak sama dengan uji Augmented Dickey-Fuller (ADF) sebagaimana yang diperlihatkan oleh nilai p-value semua variabel yang signifikan pada alfa sebesar  1 % kecuali variabel investasi swasta yang baru dapat signifikan pada alfa sebesar 10 % artinya semua variabel yang digunakan tidak mengandung akar unit (stasioner) pada tingkat derajat first difference.

Dalam Penentuan lag optimum terdapat beberapa kriteria yang seringkali digunakan, namun dalam penelitian ini akan digunakan Akaike Information Criterion Criterion (AIC) dan Schwartz Information Criterion (SIC) dengan tetap mempertimbangkan adjusted-R² sistem VAR. Pada lag 8 memiliki nilai adjusted-R² yang lebih tinggi dibanding lag 3 namun banyak variabel dengan uji-t maupun uji-F tidak signifikan secara statistik dan memperlihatkan perubahan tanda yang tidak konsisten dengan teori. Terdapat indikasi bahwa penggunaan 8 lag dapat menghasilkan model yang tidak stabil pada sistem VECM. Pada 3 lag memiliki nilai Adj-R² yang cukup tinggi yaitu sebesar dan justru mayoritas variabel signifikan secara statistik sehingga dapat dipilih 3 lag sebagai lag optimum atau penentuan panjang lag didasarkan pada indikator Schwartz Information Criterion (SIC).

Kointegrasi dapat digunakan sebagai salah satu cara untuk menghindari masalah regresi lancung (spurious regression). Adanya hubungan kointegrasi dalam suatu persamaan merupakan indikasi awal dari spesifikasi VECM. Dalam penelitian ini untuk menguji ada tidaknya variabel yang terkointegrasi maka digunakan prosedur Engle-Granger two steps dan metode Johansen cointegration test yang relevan dengan model VECM.

Berdasarkan hasil uji kointegrasi Engle-Granger (EG) (Tabel 1) dapat diketahui bahwa variabel-variabel yang digunakan terkointegrasi diindikasikan oleh signifikannya uji statistik Augmented Dickey Fuller (ADF) dari nilai residual pada tingkat signifikansi alfa sebesar 1 %.Dari pengujian kointegrasi Johansen cointegration test (Tabel 5), diperoleh kesimpulan keberadaan hubungan kointegrasi di dalam sistem VAR yang dibentuk. Pengujian trace-statistics menyimpulkan keberadaan 2 (dua) persamaan hubungan kointegrasi pada nilai kritis 5%. Sementara pengujian Max-statistics menyimpulkan keberadaan 1 (satu) persamaan hubungan kointegrasi pada nilai kritis  5 %.  Dengan menggunakan nilai kritis alfa sebesar 1 % maka masing-masing diperoleh satu persamaan hubungan kointegrasi dalam trace test statistic dan max-eigen statistic.

Prinsip inovasi dari Granger-Causality Test dalam penelitian ini didasarkan atas Vector Error Correction Model (VECM). Penentuan panjang lag (lag length selection) didasarkan pada lag optimum menurut indikator Schwartz Information Criterion (SIC) yaitu 3 lag. Hasil uji kausalitas Granger (GCT) ditampilkan pada Tabel 1 yang memperlihatkan perilaku hubungan jangka pendek antar-variabel. Dalam jangka pendek, kebijakan moneter (SBI) dan tingkat output (GDP) memiliki hubungan kausalitas berpola dua arah (bi-directional causality) atau hubungan yang saling mempengaruhi (feedback). Pengaruh kebijakan moneter terhadap tingkat output diindikasikan oleh signifikannya nilai F-statistik pada alfa sebesar 1 persen dan 10 %. Hubungan berpola bi-directional causality atau feedback ditemukan juga pada variabel investasi swasta dan tingkat output (GDP) dan hubungan antara variabel intermediasi keuangan perbankan (LDR) dan investasi swasta. 

Tabel 1

Hasil Uji Kausalitas Granger (Granger Causality Test)

                          
                            Sumber : Hasil Pengolahan Data

Variabel ekspor (EX) dan tingkat output (GDP) tampak memiliki hubungan kausalitas berpola satu arah (uni-directional causality) atau hubungan kausalitas yang mempengaruhi tingkat output. Pengaruh signifikan ekspor terhadap tingkat output dengan tingkat signifikansi nilai F-statistik pada alfa masing-masing sebesar 1 persen. Pola serupa ditemukan pada hubungan antara kebijakan moneter yang mempengaruhi investasi swasta atau antara kedua variabel tersebut terdapat hubungan 1 arah (uni-directional causality). Terdapat pola hubungan kausalitas satu arah antara kebijakan moneter dan ekspor. Pola hubungan kausalitas tersebut memperlihatkan adanya pengaruh perubahan kebijakan moneter 3 bulan sebelumnya terhadap perubahan ekspor melalui jalur nilai tukar.

Impulse Response Function (IRF) digunakan untuk melihat shock suatu standar deviasi dari variabel inovasi terhadap nilai sekarang (current time value) dan nilai yang akan datang (future values) dari variabel variabel endogen yang terdapat dalam model yang diamati. Dengan kata lain, uji Impulse Response Function berguna untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel dengan memanfaatkan seluruh informasi masa lalu variabel.  Gambar berikut menampilkan respon investasi swasta, ekspor dan output akibat guncangan (shock) suku bunga SBI. Tampak bahwa respon variabel-variabel riil (investasi swasta, ekspor dan output) menunjukkan kecenderungan yang negatif dari bulan ke-1 sampai dengan akhir periode yaitu bulan ke-12 kecuali respon variabel ekspor yang menunjukkan kecenderungan positif pada bulan ke-1 dan sesudahnya menampilkan respon negatif yang cenderung stabil.

Guncangan senilai 1 standar deviasi dari variabel suku bunga SBI di bulan  ke-1 direspon secara negatif oleh variabel investasi swasta dan output, dengan nilai respon masing-masing sebesar -0,095 persen dan -0,06 persen sedangkan pada bulan ke-1 respon variabel ekspor bernilai positif sebesar 0,003199. Pada akhir periode atau bulan ke-12 semua variabel riil menunjukkan respon negatif. Peningkatan 1 standar deviasi guncangan variabel suku bunga SBI direspon negatif oleh ketiga variabel riil masing-masing bernilai sebesar -0,006987, -0.021327 dan -0.002726. Pada bulan ke-12, guncangan variabel suku bunga SBI sebesar 1 standar deviasi direspon negatif oleh investasi swasta, ekspor dan output, dengan nilai respon masing-masing sebesar -0,006987, 0,021327 dan  -0.002726.

Hasil respon variabel-variabel riil terhadap perubahan 1 standar deviasi variabel proksi intermediasi keuangan perbankan menampilkan arah respon yang berbeda dibandingkan dengan guncangan variabel suku bunga SBI sebelumnya. Respon variabel-variabel ekspor dan output menunjukkan kecenderungan atau tren yang positif dari bulan ke-1 sampai dengan akhir periode yaitu bulan ke-12 sedangkan respon variabel investasi swasta menunjukkan arah negatif pada bulan pertama dan bulan ke-3 selanjutnya bernilai positif sampai dengan bulan ke-12. Dapat dikatakan bahwa variabel intermediasi keuangan perbankan berpengaruh secara positif terhadap variabel investasi swasta, ekspor dan tingkat output. Semakin besar perhatian sektor keuangan perbankan dalam menjalankan fungsi intermediasinya akan mampu memberikan kontribusi utama terhadap peningkatan sektor riil.

Pada bulan ke-3, guncangan 1 standar deviasi dari variabel LDR direspon secara positif oleh variabel investasi swasta dengan nilai respon sebesar 0,033 persen dan pada bulan  ke-12, inovasi 1 standar deviasi dari variabel LDR direspon secara positif oleh variabel investasi swasta dengan nilai respon sebesar 0,34 persen. Pada bulan yang sama, peningkatan 1 standar deviasi variabel intermediasi keuangan perbankan (LDR) mempengaruhi respon variabel ekspor dan output masing-masing bernilai positif sebesar 2,01 persen dan 0,34 persen.      

Secara agregat baik variabel investasi swasta (INV), ekspor (EX) dan output (GDP) memiliki hubungan positif dengan variabel intermediasi sektor keuangan perbankan atau terdapat kecenderungan bahwa kemampuan intermediasi perbankan yang semakin besar dalam menghimpun dana dari masyarakat kemudian menyalurkannya dalam bentuk kredit memiliki multiplier effect terhadap perkembangan sektor riil, yang diwakili oleh investasi swasta, ekspor dan output dengan dukungan kebijakan moneter yang ekspansif.

Shock investasi swasta, ekspor direspon secara positif oleh tingkat output. Respon output terhadap guncangan investasi swasta menampilkan nilai negatif pada bulan ke-1 sampai dengan bulan ke-3 dan pasca bulan ke-3 secara stabil menunjukkan hubungan positif. Nilai respon output pada bulan ke-5 sebesar 0.001290 akibat adanya guncangan investasi swasta sebesar 1 standar deviasi. Perubahan 1 standar deviasi investasi swasta di bulan ke-12 akan direspon secara positif oleh output sebesar 0,010 persen. Tampilan hasil IRF positif secara stabil ditunjukkan oleh respon output terhadap ekspor pada bulan ke-1 sampai dengan bulan ke-12.  Respon terbesar terjadi pada bulan ke-4, dengan nilai respon output sebesar 0,043 persen akibat adanya inovasi ekspor sebesar 1 standar deviasi. Pada bulan ke-12, guncangan 1 standar deviasi variabel ekspor akan direspon secara positif oleh output, dengan nilai respon sebesar 0,023 persen.

Tabel 2, menyajikan hasil Forecast Error Variance Decomposition dari tingkat output. Pada awal periode sampai dengan bulan ke-12, fluktuasi output lebih banyak dipengaruhi oleh proporsi guncangan variabel itu sendiri dan variabel ekspor. Peran relatif variabel itu sendiri (output) dan ekspor mulai menunjukkan dominasinya pada bulan ke-3 dengan proporsi masing-masing sebesar 67,60 % dan  12,69 %. Mencermati nilai rata-ratanya selama bulan ke-1 sampai dengan bulan ke-12, tampak bahwa proporsi kontribusi terbesar dalam menjelaskan tingkat output didominasi oleh variabel output itu sendiri dan ekspor, dengan nilai persentase rata-rata masing-masing sebesar 19,10 % dan 58,95 %.

 

Tabel 2

Hasil Variance Decomposition (VDC) dari Output (%)

Periode	S.E.	Independent Variables
		SBI	LDR	INV	EX	GDP
1	0.002942	1.970581	3.511101	20.31816	2.052296	72.14786
2	0.007200	4.310420	4.956687	12.41906	7.186857	71.12698
3	0.011402	6.109575	6.050166	7.542843	12.69294	67.60448
4	0.014515	6.511798	6.699191	4.947779	19.20834	62.63289
5	0.016288	6.032019	7.410153	3.932364	23.94816	58.67730
6	0.017139	5.490410	8.431886	3.559281	26.02698	56.49144
7	0.017651	5.192524	9.850613	3.462664	26.09302	55.40118
8	0.018243	4.863028	11.65102	3.907761	25.00607	54.57212
9	0.019100	4.667746	13.64679	4.593448	23.35868	53.73334
10	0.020133	4.871709	15.58876	4.836940	21.90971	52.79288
11	0.021121	5.197837	17.41168	4.618893	21.07433	51.69726
12	0.021934	5.334642	19.17196	4.309125	20.60397	50.58031
Rata-rata		5.046024	10.365	6.53736	19.09678	58.95484

                        Sumber : Hasil Pengolahan

   SIMPULAN 

Berdasarkan hasil penelitian dan pembahasan, maka dapat ditarik kesimpulan sebagai berikut :

1. Berdasarkan hasil Granger Causality Test, kebijakan moneter dan tingkat output memiliki pola hubungan kausalitas dua arah (bi-directional causality) atau hubungan yang saling mempengaruhi (feedback). Hasil tersebut didukung oleh adanya hubungan searah yang berlangsung dari kebijakan moneter ke investasi swasta dan ekspor serta hubungan kausalitas 2 arah antara intermediasi keuangan perbankan dan investasi swasta. Investasi swasta dan tingkat output memiliki pola hubungan kausalitas yang saling mempengaruhi (feedback). Sedangkan ekspor dan tingkat output hanya memiliki pola hubungan kausalitas 1 arah (uni-directional causality) yang berlangsung dari ekspor ke tingkat output. 
2. Kebijakan moneter dengan proksi suku bunga SBI berpengaruh negatif signifikan terhadap tingkat output. Secara tidak langsung kebijakan moneter juga berpengaruh negatif terhadap tingkat output melalui investasi swasta dan ekspor yang ditunjukkan oleh adanya respon negatif variabel-variabel tersebut akibat adanya guncangan sebesar 1 standar deviasi. 
3. Intermediasi keuangan perbankan dengan ukuran Loan to Deposit Ratio (LDR) berpengaruh positif signifikan terhadap tingkat output. Secara tidak langsung intermediasi keuangan perbankan berpengaruh positif terhadap tingkat output melalui investasi swasta, diindikasikan oleh respon positif variabel tersebut akibat adanya shock dari variabel intermediasi keuangan perbankan (LDR).
4. Investasi swasta dan ekspor berpengaruh positif signifikan terhadap tingkat output, diindikasikan oleh adanya respon positif tingkat output terhadap shock investasi swasta dan ekspor. Respon positif tingkat output terhadap guncangan investasi swasta mulai berlangsung pada bulan ke-4 sampai dengan bulan ke-12. Sedangkan respon positif tingkat output terhadap shock ekspor terjadi pada bulan ke-1 sampai dengan bulan ke-12.

SARAN-SARAN

Adapun saran-saran atau rekomendasi kebijakan yang dapat diberikan berdasarkan hasil penelitian yang telah dilakukan adalah sebagai berikut :

1. Pemerintah Indonesia dan Bank Indonesia sebagai otoritas moneter perlu melakukan kebijakan untuk memperkuat dukungan terhadap sektor riil khususnya investasi melalui penguatan peran sektor keuangan perbankan dalam menyalurkan kredit investasi yang lebih besar dibanding kredit konsumsi.
2. Suku bunga memiliki peran vital dalam transmisi kebijakan moneter. Bank Indonesia harus lebih peka dalam merespon adanya guncangan dari sektor riil dan guncangan kebijakan moneter terhadap investasi swasta, ekspor. Kesalahan dalam pengambilan kebijakan dapat menimbulkan instabilitas tingkat harga, nilai tukar dan hasil akhirnya turunnya investasi swasta, ekspor dan tingkat output. 
3. Untuk mendapatkan informasi empiris secara lengkap, pada penelitian selanjutnya perlu memasukkan variabel nilai tukar, suku bunga pinjaman, modal perbankan, inflasi dan suku bunga luar negeri.  
4. Periode penelitian ini adalah pasca krisis moneter. Penelitian selanjutnya perlu dikomparasikan juga dengan periode sebelum krisis moneter.

Tweet