Laporan Akhir-output gap-10dec14.pdf

39
Laporan Akhir Estimasi Output Gap Indonesia Oleh: Damhuri Nasution Anton Hendranata KEMENTERIAN KEUANGAN REPUBLIK INDONESIA BADAN KEBIJAKAN FISKAL PUSAT KEBIJAKAN EKONOMI MAKRO Jakarta, 10 Desember 2014 Kata Pengantar

Transcript of Laporan Akhir-output gap-10dec14.pdf

Page 1: Laporan Akhir-output gap-10dec14.pdf

 

Laporan  Akhir  

Estimasi  Output  Gap  Indonesia    

 

 

 

 

 

 

Oleh:  

Damhuri  Nasution  

Anton  Hendranata  

 

 

 

 

 

KEMENTERIAN  KEUANGAN  REPUBLIK  INDONESIA  

BADAN  KEBIJAKAN  FISKAL  

PUSAT  KEBIJAKAN  EKONOMI  MAKRO  

 

 

Jakarta,  10  Desember  2014  

Kata  Pengantar  

Page 2: Laporan Akhir-output gap-10dec14.pdf

 

Laporan   ini   merupakan   Laporan   Akhir   kajian   Estimasi   Output   Gap   Indonesia,   yang  merupakan  hasil  kerjasama  dengan  Pusat  Kebijakan  Ekonomi  Makro,  Badan  Kebijakan  Fiskal,  Kementerian  Keuangan  RI.    Penelitian   ini  dilakukan  oleh  peneliti  utama  Damhuri  Nasution    dan  Anton  Hendranata.    

Akhirnya,  perlu  kami  sampaikan  bahwa  pemikiran-­‐pemikiran  serta  pendapat-­‐pendapat  yang  dikemukakan   di   dalam   studi   ini  merupakan   pemikiran   kolektif   dari   Tim   Peneliti   dan   tidak  mencerminkan  keinginan-­‐keinginan  dari  pihak-­‐pihak  yang  mempercayakan  studi  ini  kepada  kami.  

   

Jakarta,    10  Desember  2014    

Tim  Peneliti      

 

 

 

 

 

 

   

Page 3: Laporan Akhir-output gap-10dec14.pdf

A.  Pendahuluan  

Output   gap   di   definisikan   sebagai   selisih   antara   output   aktual   dengan   output   potensial.  Output   aktual   adalah   nilai   output   perekonomian   yang   sesungguhnya,   sedangkan   output  potensial  adalah  nilai  output  perekonomian  yang  optimum  yang  dapat  dianggap  permanen  dan  berkelanjutan  (sustainable)  dalam  jangka  menengah  tanpa  adanya  kejutan  (shock)  dan  tekanan   inflasi.   Dengan   demikian   output   gap   dapat   memberikan   gambaran   mengenai  keberadaan   kelebihan   permintaan   (excess   demand)   atau   kelebihan   penawaran   (excess  supply)   dalam   perekonomian.   Gambar   1   menyajikan   secara   visual   output   aktual   dan  potensial  serta  output  gap.  

Gambar  1.  Output  aktual,  output  potensial  dan  output  gap  

 

  Output   gap   yang   bernilai   negatif   mengindikasikan   nilai   output   aktual   yang   lebih  rendah  dari   potensialnya   atau  pertumbuhan  ekonomi   yang   tidak  optimum.  Dalam  kondisi  seperti  ini  penawaran  cenderung  berlebih  (excess  supply)  sehingga  tingkat  harga-­‐harga  juga  cenderung   menurun   atau   deflasi.   Pertumbuhan   ekonomi   yang   tidak   maksimum   juga  menyebabkan  meningkatnya  angka  pengangguran  serta  penurunan  penerimaan  pajak.  

  Jika   output   gap   bernilai   negatif,   pemerintah   dapat   mempertimbangkan   untuk  melakukan   kebijakan   fiskal   yang   ekspansif,   antara   lain   melalui   penurunan   pajak   untuk  mendorong  konsumsi  dan  investasi  yang  pada  gilirannya  akan  meningkatkan  pertumbuhan  ekonomi.   Pemerintah   juga   dapat   mendorong   peningkatan   ekspor   dengan   memberikan  insentif  kepada  eksportir,  khususnya  eksportir  manufaktur.  Disamping   itu  pemerintah   juga  dapat   merelaksasi   kebijakan   impor   bahan   baku   dan   penolong   untuk   meningkatkan  

Page 4: Laporan Akhir-output gap-10dec14.pdf

pertumbuhan   sektor   industri,  meningkatkan  belanja  pemerintah   serta  beberapa  kebijakan  fiskal  lainnya.  

  Dari   sisi   kebijakan   moneter,   bank   sentral   dapat   mempertimbangkan   untuk  melakukan   kebijakan   moneter   longgar   seperti   penurunan   suku   bunga   dan   meningkatkan  jumlah   uang   beredar   sehingga   penyaluran   kredit   meningkat,   dan   dengan   demikian   akan  meningkatkan   pertumbuhan   ekonomi.   Disamping   itu   relaksasi   makroprudensial   seperti  peningkatan   loan  to  value  (LTV)  rasio  dan   loan  to  deposit  rasio   juga  dapat  menjadi  pilihan  kebijakan  untuk  mendorong  peningkatan  aktifitas  perekonomian  serta  beberapa  kebijakan  moneter  lainnya.  

Sebaliknya   output   gap   yang   positif  mengindikasikan   nilai   output   aktual   yang   lebih  tinggi   dari   output   optimumnya.   Output   gap   positif   biasanya   ditandai   dengan   permintaan  yang   berlebih   (excess   demand)   sehingga   tingkat   harga-­‐harga   cenderung   mengalami  kenaikan   yang   signifikan   atau   laju   inflasi   yang   relatif   tinggi.   Pertumbuhan   ekonomi   yang  melampaui   optimumnya   juga   menyebabkan   meningkatnya   permintaan   terhadap   barang-­‐barang  impor,  sehingga  neraca  perdagangan  menjadi  defisit  atau  neraca  transaksi  berjalan  mengalami   defisit   yang   pada   gilirannya   dapat   memicu   sentimen   negatif   terhadap  perekonomian   secara   keseluruhan,   terutama   terhadap   nilai   tukar   rupiah.   Kondisi  perekonomian  dengan  output  gap  yang  positif  ini  biasanya  disebut  over  heating.  

  Pada   saat   output   gap   positif,   pemerintah   dapat   melakukan   kebijakan   fiskal   yang  kontraktif   untuk   memperlambat   pertumbuhan   ekonomi   agar   tidak   kepanasan.   Kebijakan  tersebut  antara  lain  dengan  menaikkan  pajak,  termasuk  menaikkan  pajak  impor  bahan  baku  dan   penolong,   mengurangi   belanja   pemerintah,   menaikkan   harga   BBM   bersubsudi   serta  beberapa  kebijakan  lainnya  yang  dapat  memperlambat  pertumbuhan  ekonomi.  

  Pada   saat   yang   sama   otoritas   moneter   juga   dapat   memperlambat   pertumbuhan  ekonomi   dengan   menaikkan   suku   bunga,   memperlambat   pertumbuhan   jumlah   uang  beredar   sehingga   memperlambat   pertumbuhan   kredit   yang   pada   gilirannya   akan  memperlambat  pertumbuhan  ekonomi  secara  keseluruhan.  Disamping  itu  otoritas  moneter  juga  dapat  melakukan  kebijakan  makroprudensial  dengan  menurunkan   loan   to  value   ratio  (LTV)  maupun  loan  to  deposit  ratio  (LDR)  dan  lain-­‐lain.  

Uraian   di   atas   memberikan   gambaran   mengenai   pentingnya   estimasi   output   gap  karena   dapat   menjadi   indikator   ringkas   keberadaan   kelebihan   permintaan   dan   kelebihan  penawaran   dalam   perekonomian.   Dalam   jangka   pendek   kedua   hal   tersebut   dapat  menyebabkan   tekanan   inflasi   atau   deflasi,   yang   pada   gilirannya   dapat   direspon   dengan  kebijakan  moneter  dan  fiskal  yang  sesuai.  

  Meskipun   permasalahan   output   gap   sangat   penting   dalam   penyusunan   kebijakan  fiskal  dan  moneter,  namun  studi  yang  komprehensif  mengenai  ini  di  Indonesia  masih  sangat  terbatas.   Hal   ini   bisa   difahami  mengingat   output   potensial  maupun   output   gap   keduanya  

Page 5: Laporan Akhir-output gap-10dec14.pdf

adalah  variabel  yang  tidak  teramati  atau  laten  (unobservable),  yang  dalam  pengukuran  atau  estimasinya  mengandung  unsur  kesalahan  atau  ketidakpastian.  Jika  unsur  ketidakpastiannya  atau  kesalahan  pengukurannya  relatif  besar,  maka  penggunaan  output  potensial  dan  output  gap   untuk   menyusun   rekomendasi   kebijakan   dapat   menimbulkan   kesalahan.   Karena   itu  estimasi   output   potensial   dan   output   gap   haruslah   dilakukan   sedemikian   rupa   dengan  menggunakan   metode   yang   ilmiah   dan   dievaluasi   menggunakan   metodologi   yang   sesuai  dengan  teori  ekonomi  yang  mendasarinya.  

  Salah  satu  studi  yang  pernah  dilakukan  untuk  estimasi  output  potensial  dan  output  gap   di   Indonesia   dilakukan   oleh   Tjahjono,   Munandar   dan   Waluyo   (2010)   dari   Biro   Riset  Ekonomi  Bank  Indonesia.  Studi   ini   lebih  mengedepankan  pendekatan  dengan  model  fungsi  produksi,   dimana   output   potensial   dihitung   berdasarkan   fungsi   produksi   dan   adanya  hubungan   antara   output   gap   dengan   laju   inflasi.   Selanjutnya   Cerra   dan   Saxena   (2000)  melakukan   studi   untuk   estimasi   ouput   potensial   dan   output   gap   di   Swedia   dengan  menggunakan  beberapa  pendekatan  yang   secara  umum  dibagi  menjadi  dua  yaitu  metode  Univariate   dan   Multivariate.   Studi   yang   mirip   juga   dilakukan   oleh   Saulo   (2010)   yang  mencoba   memperkirakan   output   potensial   dan   output   gap   dengan   menggunakan  serangkaian   metode   Univariate   seperti   Hodrick-­‐Prescott   filter,   Band-­‐Pass   filter,   rata-­‐rata  bergerak  dan  lain-­‐lain  serta  pendekatan  fungsi  produksi  dan  structural  VAR.  

  Bertolak   dari   uraian   di   atas,   maka   studi   ini   bertujuan   untuk  mengestimasi   output  potensial   dan   output   gap   perekonomian   Indonesia.  Mengingat   banyaknya   pilihan  metode  yang   tersedia,   maka   dalam   studi   ini   akan   digunakan   beberapa   pendekatan   baik   yang  tergolong   univariate   maupun   multivariate,   dan   akan   dipilih   salah   satu   pendekatan   yang  dianggap   terbaik.   Pemilihan   model   terbaik   didasarkan   pada   kemampuan   output   gap  menjelaskan   dinamika   inflasi   di   Indonesia.   Dalam   hal   ini   model   yang   baik   seharusnya  mampu  menjelaskan  pergerakan  laju  inflasi  dari  waktu  ke  waktu.  

 

B.  Tinjauan  Metodologi  

Ada   dua   pendekatan   yang   umum   digunakan   untuk   estimasi   output   gap,   yaitu   metode  univariate  dan  multivariate.  Metode  univariate  pada  dasarnya  adalah  mendekomposisikan  satu   variabel   time   series  menjadi   komponen   permanen   dan   siklus.   Adapun  metode   yang  termasuk   dalam   kategori   univariate   antara   lain   Hodrick-­‐Prescott   filter,   Beveridge-­‐Nelson  decomposition,   Band-­‐Pass   filter,   univariate   unobserved   component   model,   dan   lain-­‐lain.  Proses   estimasi   output   potensial   dan   output   gap   dengan   menggunakan   univariate   tidak  mengikutsertakan   variabel-­‐variabel   kunci   makroekonomi,   sehingga   kadangkala   agak   sulit  menjelaskan   dinamika   yang   dihasilkan   sesuai   dengan   teori   ekonomi  maupun   pemahaman  secara  empiris.    

Page 6: Laporan Akhir-output gap-10dec14.pdf

  Selanjutnya   pendekatan   multivariate   dilakukan   dengan   membangun   model  ekonometrika   yang   didasarkan   pada   teori   ekonomi   yang   solid   dan   mengikutsertakan  variabel-­‐variabel   kunci   makroekonomi.   Dengan   demikian   dinamika   output   potensial   dan  output  gap  yang  dihasilkan  dengan  pendekatan  ini  diharapkan  dapat  dijelaskan  berdasarkan  teori  ekonomi  yang  mendasarinya  maupun  pemahaman  empiris.  

  Secara   teknis   pendekatan   univarate   lebih   sederhana   dibandingkan   dengan  multivariate.  Namun  demikian  bukan  berarti  hasil  estimasi  output  potensial  dan  output  gap  yang   dihasilkan   dengan   pendekatan   univariate   selalu   lebih   inferior   dibandingkan   dengan  pendekatan  multivariate.  Studi  yang  dilakukan  oleh  Saulo  (2010)  untuk  estimasi  output  gap  di  Brasil   dengan  menggunakan  beberapa  metode  univariate  dan  multivariate  menemukan  bahwa  metode  Beveridge-­‐Nelson  decomposition  (salah  satu  kategori  univariate)  merupakan  metode   terbaik.   Studi   ini   menemukan   bahwa   penambahan   outgap   sebagai   salah   satu  variabel   bebas   dalam   persamaan   kurva   Phillips   dapat   meningkatkan   daya   prediksi   model  secara  signifikan.  

  Sebaliknya  studi  yang  dilakukan  Cerra  dan  Saxena  (2000)  untuk  estimasi  output  gap  di   Swedia   yang   juga   dengan   menggunakan   beberapa   pendekatan   univariate   dan  multivariate   menemukan   bahwa   pendekatan   fungsi   produksi   (salah   satu   kategori  multivariate)   merupakan   metode   terbaik   dibandingkan   dengan   metode   lainnya.   Namun  dalam   kasus   Swedia   sangat   sulit   untuk   mengestimasi   angka   tenaga   kerja   dengan   kondisi  ekonomi  full  employment,  sehingga  pendekatan  univariate  tetap  bermanfaat  dalam  studi  ini  untuk  mendekomposisikan  variabel  tenaga  kerja  tersebut.  

  Studi   yang   dilakukan   oleh   Tjahjono,  Munandar   dan  Waluyo   (2010)   untuk   estimasi  output   potensial   dan   output   gap   di   Indonesia   dengan   menggunakan   beberapa   metode  univariate   dan   multivariate   menemukan   bahwa   pendekatan   multivariate   lebih   baik  dibandingkan   dengan   pendekatan   lainnya.   Studi   ini   menggunakan   model   multivariate  dengan   pendekatan   unemployment   dan   capacity   utilization.   Model   ini   memasukkan  hubungan   empirik   yang   relevan   antara   PDB   aktual,   PDB   potensial,   tingkat   pengangguran,  laju   inflasi   dan   capacity   utilization   sektor   manufaktur   dalam   kerangka   small  macroeconometric  model.  

  Dengan   latar   belakang   seperti   itu,  maka   estimasi   output   potensial   dan   output   gap  dalam  studi  ini  akan  digunakan  beberapa  pendekatan  yang  termasuk  pendekatan  univariate  maupun  multivariate.  Adapun  metode  yang  akan  digunakan  meliputi  Hodrick-­‐Prescott  filter,  Band-­‐Pass   filter,   ARIMA   +   Hodrick-­‐Prescott,   fungsi   produksi   dan   structural   VAR.   Dari  beberapa  metode   ini   akan   dipilih   satu   metode   terbaik   berdasarkan   kemampuan   variabel  output  gap  yang  dihasilkan  untuk  menjelaskan  pergerakan  dinamika  laju  inflasi  di  Indonesia.    

 

 

Page 7: Laporan Akhir-output gap-10dec14.pdf

B.1.  Metode  Univariate  

Pendekatan   univariate   dimaksudkan   untuk  mendekomposisikan   suatu   data   time   series   ke  dalam  komponen  tren  jangka  panjang  dan  komponen  siklus.  Beberapa  metode  yang  umum  digunakan  untuk  estimasi  ouput  potensial  dengan  pendekatan  univariate  meliputi  Hodrick-­‐Prescott   filter,   Beveridge-­‐Nelson   decomposition,   the   Band-­‐Pass   filter,   dan   masih   ada  beberapa   pendekatan   univariate   lainnya.   Sebagaimana   disebutkan   di   atas,   metode  univariate  yang  akan  digunakan  dalam  studi   ini  meliputi  Hodrick-­‐Prescott   filter,  Band-­‐Pass  filter  dan  ARIMA  +  Hodrick-­‐Prescott.  

B.1.1.  Hodrick-­‐Prescott  Filter  

Hodrick-­‐Prescott  (HP)  filter  adalah  salah  satu  metode  smoothing  yang  tergolong  sederhana  yang   semakin   populer   dan   digunakan   secara   luas.     Selain   sederhana,   HP   juga   memiliki  fleksibilitas   untuk   tracking   karakteristik   pergerakan   tren   output   potensial.   Karena   itu  metode  ini  banyak  digunakan  oleh  bank  sentral,  seperti  Dana  Moneter  Internasional  (IMF),  bank   sentral   Eropa   (ECB),   dan   bebarapa   bank   sentral   lainnya.   Jika   yt   adalah   nilai   aktual  output  dan  gt   adalah  output  potensial   serta  dt   adalah  deviasi   dari   output  potensial,  maka  estimasi   output   potensial   (gt)   diperoleh   dengan   meminimumkan   kombinasi   gap   antara  output  aktual  dengan  output  potensialnya,  atau:  

   

Dimana   λ   =   parameter   pemulusan   estimasi   tren   output.   Jika   λ   rendah,  maka   tren   output  atau  output  potensial  yang  dihasilkan  dari  estimasi  di  atas  akan  cenderung  mendekati  data  aktualnya.     Sebaliknya   jika   λ   tinggi,   maka   tren   output   yang   dihasilakan   dengan   estimasi  seperti   diatas   akan   lebih   mulus   dan   menjauhi   data   aktualnya.   Selanjutnya   jika   λ   tak  terhingga,  maka  hasil  estimasi  output  potensial  akan  berupa  garis  lurus.  Terakhir  jika  λ  =  0,  maka     gt   =   yt   yang   artinya   output   potensial   akan   sama   dengan   nilai   aktual-­‐nya.   Dengan  gambaran   seperti   itu,   estimasi   output   potensial   dengan  HP   filter   sangat   sensitif   terhadap  pemilihan  nilai  λ,  dan  akan  sangat  mempengaruhi  hasil  estimasi,  khususnya  pada  data  awal  dan   akhir   periode   observasi.   Sifat   HP   filter   yang   sangat   sensitif   terhadap   pemilihan   λ,  merupakan   salah   satu   kekurangan   HP   filter.   Tidak   ada   patokan   yang   pasti   mengenai  besarnya   nilai   λ   yang   harus   digunakan.   Namun   untuk   keperluan   praktisnya,   maka  penggunaan  λ=100  untuk  data   tahunan  banyak  digunakan  praktisi.  Untuk  data   triwulanan  dan   bulanan,   maka   penggunaan   masing-­‐masing   λ=1600   dan   λ=14400   banyak   disarankan  oleh   praktisi.   Perlu   ditambahkan   disini   bahwa   metode   ini   kurang   sesuai   digunakan   jika  kondisi  perekonomian  tidak  stabil.  

 

 

Page 8: Laporan Akhir-output gap-10dec14.pdf

B.1.2.  The  Band-­‐Pass  Filter  

Sebagaimana   diketahui   filtering   adalah   salah   metode   untuk   menonjolkan   data   dengan  frekuensi   tertentu.   Artinya   metode   filtering   akan   mengisolasi   data   dengan   frekuensi  tertentu  dan  tetap  mempertahankan  data  dengan  frekuensi  lainnya.  Jika  data  yang  diisolasi  adalah   yang   memiliki   frekuensi   tinggi   (berarti   mempertahankan   frekuensi   yang   rendah),  maka  disebut   low-­‐pass  filtering.  Sebaliknya   jika  data  yang  disolasi  adalah  frekuensi  rendah  (berarti  mempertahankan  frekuensi  tinggi),  maka  disebut  high-­‐pass  filtering.  Sementara  itu  Band-­‐Pass   (BP)   filtering  adalah   suatu   teknik   filtering  yang  akan  mengisolasi  data   frekuensi  rendah  dan  frekuensi  tinggi  dan  mempertahankan  data  yang  ada  diantara  keduanya.  

  Dalam   konteks   filtering   data   time   series,   Band-­‐Pass   filter   adalah   suatu   metode  filiering  yang  bersifat  linier  yang  akan  mengekstrak  komponen  siklus  suatu  data  time  series  dalam   suatu   kisaran   durasi   tertentu.   Dengan   kata   lain   BP   filtering   akan   menghitung  komponen   siklus   dengan   menggunakan   rata-­‐rata   bergerak   di   kedua   sisi   data   sedemikian  rupa  sehingga  komponen  tersebut  berada  dalam  suatu  kisaran  batas  atas  dan  batas  bawah.  Kisaran   durasi   harus   diplih   berdasarkan   pengetahuan   mengenai   kisaran   panjang   sikulus  bisnis  suatu  negara,  misalnya  1.5  tahun  sampai  dengan  8  tahun.  BP  filtering  dihitung  dengan  menggunakan  formula:  

     

Adapun  kelebihan  metode   ini   adalah   karena   relatif   sederhana  dan  aplikasinya  di  berbagai  negara  dan  bidang  ilmu  seringkali  memberikan  hasil  yang  sangat  memuaskan.  Sementara  itu  kekurangannya   dalam   perhitungan   output   potensial   adalah   BP  memerlukan   pengetahuan  mengenai  kisaran  panjang  siklus  bisnis,  dimana  informasi  ini  seringkali  belum  tersedia  untuk  beberapa  negara  berkembang.  Disamping  itu  penggunaan  BP  untuk  filtering  suatu  data  time  series  akan  menghilangkan  satu  observasi  di  awal  dan  akhir  data.  

 

B.1.3.  ARIMA  +  HODRICK-­‐PRESCOTT  FILTER  

Salah  satu  metode   filtering  yang   termasuk  kategori  Univariate  dan   juga  banyak  digunakan  adalah   metode   dekomposisi   Beveridge-­‐Nelson   (BN).   BN   filtering   pada   prinsipnya  mendekomposisikan  suatu  data  time  series  ke  dalam  tiga  komponen,  yaitu  komponen  tren  deterministik,   komponen   siklus   dan   komponen   residual.   Proses   dekomposisi   tersebut  dilakukan  dengan  menggunakan  model  ARMA(p,q),  atau  model  ARIMA  (p,d,q)(P,D,Q)S  tanpa  faktor  musim  (s)  dan  tanpa  differencing  (d).  Dengan  menggunakan  pendekatan  yang  hampir  sama,  maka  dalam  studi  ini  akan  digunakan  model  ARIMA(p,d,q)  untuk  mendekomposisikan  data  PDB  kedalam  tiga  komponen  di  atas.  Dalam  hal  ini  faktor  musim  tidak  dimasukkan  ke  dalam   model   karena   data   PDB   yang   digunakan   memiliki   frekuensi   observasi   tahunan.  

Page 9: Laporan Akhir-output gap-10dec14.pdf

Kemudian   terhadap   komponen   deterministik   akan   dilakukan   pemulusan   dengan  menggunakan  HP  filter.  

  Model   ARIMA(p,d,q)   diturunkan   dari   model   regresi   diri   atau   AR(p)   dan   rataan  bergerak  atau  MA(q),  dimana  kedua  model  tersebut  masing-­‐masing  diformulasikan  sebagai:  

   

   

Selanjutnya  model  regresi  diri  dan  rataan  bergerak  tanpa  faktor  musiman  atau  ARIMA(p,d,q)  diformulasikan  sebagai:  

   

Atau:      

   

Untuk  menentukan  nilai  p  dan  q  dilakukan  dengan  menggunakan  plot  autokorelasi  maupun  dengan  menggunakan  Schwarz  criterion.  

 

B.2.  Metode  Multivariate  

Pendekatan  multivariate  dimaksudkan  untuk  mengisolasikan  pengaruh  sturuktur  dan  siklus  perekonomian  terhadap  output  berdasarkan  teori  ekonomi  yang  mendasarinya.  Model  yang  digunakan   dengan   pendekatan   ini   dibangun   berdasarkan   fundamental   ekonomi   dan  kemudian  diestimasi  berdasarkan  prinsip-­‐prinsip  ekonometrika.  Adapun  model  yang  umum  digunakan   dengan   pendekatan   ini   antara   lain   adalah   pendekatan   fungsi   produksi   dan  structural  VAR.  

B.2.1.  Fungsi  Produksi  Cobb-­‐Duglas  

Misalkan   y,   l   dan   k   masing-­‐masing   adalah   menyatakan   logaritma   natural   output,   tenaga  kerja  dan  modal,  serta  e  adalah  total  factor  productivity,  maka  model  umum  fungsi  produksi  Cobb-­‐Douglas  dapat  dituliskan  sebagai:  

   

 

Selanjutnya  output  potensial  dihitung  dengan:  

Y Y Y Y et t t p t p t= + + + + +− − −δ ϕ ϕ ϕ1 1 2 2 ...

Y e e e et t t t q t q= + − − − −− − −δ θ θ θ1 1 2 2 ...

( ... ) ( ... )1 11 22

1 22− − − − = + − − − −ϕ ϕ ϕ δ θ θ θB B B Y B B B ep

pt q

qt (1 - B)d

ϕ δ θp t q tB W B e( ) ( )= +

Page 10: Laporan Akhir-output gap-10dec14.pdf

   

Dalam   hal   ini   tenaga   kerja   dan   total   factor   productivity   terlebih   dahulu  menjalani   proses  pemulusan   dengan   menggunakan   HP   filter.   Sedangkan   kapital   tetap   menggunakan   data  aslinya.   Sebagaimana   disebutkan   di   atas,   kelebihan   pendekatan   ini   terutama   adalalah  karena  model  dibangun  berdasarkan  teori  ekonomi.  Sementara  itu  kelemahan  penggunaan  model   ini   terletak   pada   sulitnya   mendapatkan   data   kapital   serta   data   tenaga   kerja   yang  validitasnya  seringkali  dipertanyakan.  

 

B.2.2.  Structural  VAR  

Model   structural   VAR   yang   digunakan   dalam   riset   ini   didasarkan   pada   model   yang  dikembangkan  oleh  Blanchard  dan  Quah  (1989)  dengan  model  umum  sebagai  berikut:  

   

Adapun   variabel   yang   dimasukkan   ke   dalam   model   adalah   pertumbuhan   ekonomi,   nilai  tukar  rupiah  terhadap  dolar  Amerika  serta  laju  inflasi.  Adapun  kelebihan  utama  dari  model  ini   adalah   dibangun   berdasarkan   teori   ekonomi   serta   mampu  menangkap   dinamika   yang  ada   dalam   perekonomian.   Sedangkan   kelemahannya   adalah   terlalu   banyak   parameter  model  yang  harus  diestimasi  serta  sangat  sensitif  terhadap  spesiifkasi  model.  

 

B.3.  Evaluasi  Model  

Selanjutnya   untuk  menentukan  model   terbaik   dari   beberapa   pendekatan   estimasi   output  potensial   dan  output   gap  yang  dikemukakan  di   atas   akan  digunakan  kurva  Phillips.  Dalam  hal   ini   model   atau   metode   terbaik   adalah   model   yang   menghasilkan   output   gap   yang  mampu   menjelaskan   dinamika   laju   inflasi   di   dalam   negeri.   Secara   umum   model   kurva  Phillips  yang  umum  digunakan  adalah  sebagai  berikut:  

   

Dimana  π  adalah  laju  inflasi  dan  ygap  adalah  out  put  gap.  

 

 

Page 11: Laporan Akhir-output gap-10dec14.pdf

C.  Data  dan  Sumber  Data  

Studi   dilakukan   dengan   menggunakan   data   makroekonomi   tahunan   dengan   periode  observasi   1983   –   2013.   Adapun   variabel   yang   digunakan  meliputi   Produk  Domestik   Bruto  (PDB)   ril,   capital   stock,   jumlah   tenaga   kerja   dan   indeks   harga   konsumen   serta   nilai   tukar  rupiah   terhadap   dolar   Amerika.   Data   tersebut   bersumber   dari     Badan   Pusat   Statistik   dan  Bank  Indonesia.  

 

   

Page 12: Laporan Akhir-output gap-10dec14.pdf

D.  Hasil  Estimasi  dan  Pembahasan  

D.1.  Univariate  

D.1.1.  Hodrick  Prescott  Filter  (HP  filter)  

Hasil  estimasi  output  potensial  menggunakan  metode  HP  filter  disajikan  pada  Tabel  4.1,  Gambar  4.1,  dan  Gambar  4.2.  Pendekatan  metode  ini  cenderung  menghasilkan  dugaan  PDB  potensial  yang  lebih    rendah  dari  PDB  aktualnya.  

 

Tabel  4.1.  PDB  Aktual  vs  PDB  Potensial  menggunakan  HP  Filter  

 

 

HP  filterTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           na na na1984 689,169                           649,717                           6.98% na1985 706,137                           703,137                           2.46% 8.22%1986 747,623                           756,952                           5.88% 7.65%1987 784,451                           811,586                           4.93% 7.22%1988 829,796                           867,370                           5.78% 6.87%1989 891,670                           924,365                           7.46% 6.57%1990 956,246                           982,254                           7.24% 6.26%1991 1,022,342                   1,040,394                   6.91% 5.92%1992 1,088,768                   1,097,883                   6.50% 5.53%1993 1,159,499                   1,153,637                   6.50% 5.08%1994 1,246,925                   1,206,481                   7.54% 4.58%1995 1,349,422                   1,255,301                   8.22% 4.05%1996 1,454,923                   1,299,384                   7.82% 3.51%1997 1,523,302                   1,338,959                   4.70% 3.05%1998 1,323,343                   1,375,813                   -­‐13.13% 2.75%1999 1,333,812                   1,413,573                   0.79% 2.74%2000 1,389,770                   1,455,344                   4.20% 2.95%2001 1,440,406                   1,503,432                   3.64% 3.30%2002 1,505,216                   1,559,486                   4.50% 3.73%2003 1,577,171                   1,624,528                   4.78% 4.17%2004 1,656,517                   1,699,035                   5.03% 4.59%2005 1,750,815                   1,783,011                   5.69% 4.94%2006 1,847,127                   1,876,035                   5.50% 5.22%2007 1,964,327                   1,977,363                   6.35% 5.40%2008 2,082,456                   2,085,964                   6.01% 5.49%2009 2,178,850                   2,200,674                   4.63% 5.50%2010 2,314,459                   2,320,296                   6.22% 5.44%2011 2,464,566                   2,443,414                   6.49% 5.31%2012 2,618,938                   2,568,554                   6.26% 5.12%2013 2,770,345                   2,694,452                   5.78% 4.90%

Growth

Page 13: Laporan Akhir-output gap-10dec14.pdf

 

 

Gambar  4.1.  PDB  Aktual  vs  PDB  Potensial  menggunakan  HP  Filter  

 

 

Gambar  4.2.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  HP  Filter  

 

 

 

 

Page 14: Laporan Akhir-output gap-10dec14.pdf

D.1.2.  Band  Pass  Filter  

Hasil   estimasi   output   potensial   menggunakan   metode   Band   Pass   filter   disajikan   pada   Tabel   4.2,  Gambar   4.3,   dan   Gambar   4.4.     Metode   ini   menghasilkan   dugaan   PDB   potensial   yang   cenderung  mendekati  PDB  aktualnya  dan  mampu  menangkap  dengan  baik  pola  goncangan  krisis  ekonomi  1998  dan  2009.  

 

Tabel  4.2.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Band  Pass  Filter  

 

 

 

Band  PassTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           na na na1984 689,169                           na 6.98% na1985 706,137                           714,009                           2.46% na1986 747,623                           746,128                           5.88% 4.50%1987 784,451                           787,185                           4.93% 5.50%1988 829,796                           835,102                           5.78% 6.09%1989 891,670                           892,537                           7.46% 6.88%1990 956,246                           956,734                           7.24% 7.19%1991 1,022,342                   1,022,448                   6.91% 6.87%1992 1,088,768                   1,090,150                   6.50% 6.62%1993 1,159,499                   1,164,859                   6.50% 6.85%1994 1,246,925                   1,251,764                   7.54% 7.46%1995 1,349,422                   1,350,387                   8.22% 7.88%1996 1,454,923                   1,443,005                   7.82% 6.86%1997 1,523,302                   1,437,152                   4.70% -­‐0.41%1998 1,323,343                   1,390,901                   -­‐13.13% -­‐3.22%1999 1,333,812                   1,348,416                   0.79% -­‐3.05%2000 1,389,770                   1,388,061                   4.20% 2.94%2001 1,440,406                   1,444,957                   3.64% 4.10%2002 1,505,216                   1,507,510                   4.50% 4.33%2003 1,577,171                   1,579,544                   4.78% 4.78%2004 1,656,517                   1,661,317                   5.03% 5.18%2005 1,750,815                   1,751,462                   5.69% 5.43%2006 1,847,127                   1,853,833                   5.50% 5.84%2007 1,964,327                   1,964,625                   6.35% 5.98%2008 2,082,456                   2,075,478                   6.01% 5.64%2009 2,178,850                   2,191,440                   4.63% 5.59%2010 2,314,459                   2,319,114                   6.22% 5.83%2011 2,464,566                   2,465,935                   6.49% 6.33%2012 2,618,938                   2,617,986                   6.26% 6.17%2013 2,770,345                   na 5.78% na

Growth

Page 15: Laporan Akhir-output gap-10dec14.pdf

 

 

 

Gambar  4.3.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Band  Pass  Filter  

 

 

 

Gambar  4.4.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  Band  Pass  Filter  

 

 

Page 16: Laporan Akhir-output gap-10dec14.pdf

 

D.1.3.  Arima  +  HP  filter  

Hasil  estimasi  model  ARIMA  disajikan  pada  Tabel  4.3,  hasil  dugaannya  jauh  dari  memuaskan  karena  tidak  mampu  menangkap  perilaku  PDB  dengan  baik.  

 

Tabel  4.3.  Model  ARIMA(1,1,0)  

Dependent Variable: D(GDP) Method: Least Squares Date: 11/28/14 Time: 09:20 Sample: 1984 2013 Included observations: 30 Convergence achieved after 5 iterations

Variable Coefficient Std. Error t-Statistic Prob. C 74473.62 19728.46 3.774933 0.0008

AR(1) 0.462780 0.172220 2.687138 0.0120 R-squared 0.205013 Mean dependent var 70870.49

Adjusted R-squared 0.176621 S.D. dependent var 63460.31 S.E. of regression 57584.04 Akaike info criterion 24.82422 Sum squared resid 9.28E+10 Schwarz criterion 24.91763 Log likelihood -370.3633 Hannan-Quinn criter. 24.85410 F-statistic 7.220711 Durbin-Watson stat 2.018593 Prob(F-statistic) 0.011989

Inverted AR Roots .46

Hasil  estimasi  output  potensial  menggunakan  metode  ARIMA  dan  HP  filter  disajikan  pada  Tabel  4.4,  Gambar   4.5,   dan   Gambar   4.6.   Pendekatan   metode   ini   cenderung   menghasilkan   dugaan   PDB  potensial  yang  lebih    rendah  dari  PDB  aktualnya.  

 

Page 17: Laporan Akhir-output gap-10dec14.pdf

Tabel  4.4.  PDB  Aktual  vs  PDB  Potensial  menggunakan  ARIMA  dan  HP  Filter  

 

 

 

 

 

 

 

 

Arima  +  HPTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           633,511                           na na1984 689,169                           681,207                           6.98% 7.53%1985 706,137                           729,215                           2.46% 7.05%1986 747,623                           777,995                           5.88% 6.69%1987 784,451                           828,215                           4.93% 6.46%1988 829,796                           880,306                           5.78% 6.29%1989 891,670                           934,481                           7.46% 6.15%1990 956,246                           990,567                           7.24% 6.00%1991 1,022,342                   1,047,956                   6.91% 5.79%1992 1,088,768                   1,105,733                   6.50% 5.51%1993 1,159,499                   1,162,769                   6.50% 5.16%1994 1,246,925                   1,217,805                   7.54% 4.73%1995 1,349,422                   1,269,550                   8.22% 4.25%1996 1,454,923                   1,316,857                   7.82% 3.73%1997 1,523,302                   1,359,158                   4.70% 3.21%1998 1,323,343                   1,397,084                   -­‐13.13% 2.79%1999 1,333,812                   1,433,113                   0.79% 2.58%2000 1,389,770                   1,471,701                   4.20% 2.69%2001 1,440,406                   1,515,683                   3.64% 2.99%2002 1,505,216                   1,566,960                   4.50% 3.38%2003 1,577,171                   1,626,837                   4.78% 3.82%2004 1,656,517                   1,695,985                   5.03% 4.25%2005 1,750,815                   1,774,559                   5.69% 4.63%2006 1,847,127                   1,862,260                   5.50% 4.94%2007 1,964,327                   1,958,377                   6.35% 5.16%2008 2,082,456                   2,061,917                   6.01% 5.29%2009 2,178,850                   2,171,625                   4.63% 5.32%2010 2,314,459                   2,286,210                   6.22% 5.28%2011 2,464,566                   2,404,435                   6.49% 5.17%2012 2,618,938                   2,524,839                   6.26% 5.01%2013 2,770,345                   2,646,085                   5.78% 4.80%

Growth

Page 18: Laporan Akhir-output gap-10dec14.pdf

 

 

 

Gambar  4.5.  PDB  Aktual  vs  PDB  Potensial  menggunakan  ARIMA  +  HP  Filter  

 

 

Gambar  4.6.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  ARIMA  +  HP  Filter  

 

 

 

 

 

Page 19: Laporan Akhir-output gap-10dec14.pdf

D.2.  Multivariate  

D.2.1.  Fungsi  Produksi  

D.2.1.1.  Fungsi  Produksi  Tanpa  Restriksi  

Hasil   estimasi   fungsi   produksi   tanpa   restriksi   dugaan     parameter   koefiisein   regresi   disajikan   pada  Tabel   4.5   dan   4.6.   Fungsi   produksi   Indonesia   bersifat   increasing   return   scale   karena   total   dugaan  koefisien  regresinya  >  1.  

 

Tabel  4.5.  Fungsi Produksi Tanpa Restriksi, Faktor Tenaga Kerja Menggunakan HP Filter  

Dependent Variable: LOG(GDP) Method: Least Squares Date: 12/14/14 Time: 20:32 Sample (adjusted): 1985 2013 Included observations: 29 after adjustments Convergence achieved after 40 iterations MA Backcast: 1984

Variable Coefficient Std. Error t-Statistic Prob. C -7.134757 18.81056 -0.379295 0.7078

LOG(K) 1.216915 0.421459 2.887388 0.0081 LOG(TK_HP) 0.248359 1.900115 0.130707 0.8971

AR(1) 0.923401 0.052419 17.61573 0.0000 MA(1) 0.370988 0.193716 1.915117 0.0675

R-squared 0.993864 Mean dependent var 14.16239

Adjusted R-squared 0.992841 S.D. dependent var 0.383466 S.E. of regression 0.032445 Akaike info criterion -3.862971 Sum squared resid 0.025264 Schwarz criterion -3.627230 Log likelihood 61.01307 Hannan-Quinn criter. -3.789140 F-statistic 971.8297 Durbin-Watson stat 1.982670 Prob(F-statistic) 0.000000

Inverted AR Roots .92

Inverted MA Roots -.37

 

 

 

 

 

 

 

Page 20: Laporan Akhir-output gap-10dec14.pdf

 

Tabel  4.6.  Fungsi Produksi Tanpa Restriksi, Faktor Tenaga Kerja dan Kapital Menggunakan HP Filter  

Dependent Variable: LOG(GDP) Method: Least Squares Date: 12/14/14 Time: 20:32 Sample (adjusted): 1985 2013 Included observations: 29 after adjustments Convergence achieved after 11 iterations MA Backcast: 1984

Variable Coefficient Std. Error t-Statistic Prob. C -13.23222 7.655311 -1.728502 0.0967

LOG(K_HP) 0.112080 0.363407 0.308415 0.7604 LOG(TK_HP) 2.261033 1.136266 1.989881 0.0581

AR(1) 0.641123 0.193220 3.318095 0.0029 MA(1) 0.406892 0.223527 1.820330 0.0812

R-squared 0.992491 Mean dependent var 14.16239

Adjusted R-squared 0.991240 S.D. dependent var 0.383466 S.E. of regression 0.035891 Akaike info criterion -3.661102 Sum squared resid 0.030915 Schwarz criterion -3.425362 Log likelihood 58.08598 Hannan-Quinn criter. -3.587271 F-statistic 793.0849 Durbin-Watson stat 1.936489 Prob(F-statistic) 0.000000

Inverted AR Roots .64

Inverted MA Roots -.41

Page 21: Laporan Akhir-output gap-10dec14.pdf

Hasil   estimasi   output   potensial   menggunakan   metode   fungsi   produksi   tanpa   restriksi   dugaan  parameter   koefisien   regresi   disajikan   pada   Tabel   4.7,   Gambar   4.7,   dan   Gambar   4.8.   Nilai   PDB  potensial   kecenderungan   mendekati   PDB   aktualnya   dan   mampu   menangkap   dengan   baik   pola  penurunan  krisis  ekonomi  1998  dan  2009.  

 

Tabel  4.7.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Tanpa  Restriksi  (TK  HP  Filter)  

 

 

 

 

FP_TKHPTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           na na na1984 689,169                           na 6.98% na1985 706,137                           713,644                           2.46% na1986 747,623                           738,324                           5.88% 3.46%1987 784,451                           782,465                           4.93% 5.98%1988 829,796                           826,777                           5.78% 5.66%1989 891,670                           882,042                           7.46% 6.68%1990 956,246                           961,056                           7.24% 8.96%1991 1,022,342                   1,028,371                   6.91% 7.00%1992 1,088,768                   1,082,875                   6.50% 5.30%1993 1,159,499                   1,153,252                   6.50% 6.50%1994 1,246,925                   1,235,819                   7.54% 7.16%1995 1,349,422                   1,336,645                   8.22% 8.16%1996 1,454,923                   1,447,490                   7.82% 8.29%1997 1,523,302                   1,556,039                   4.70% 7.50%1998 1,323,343                   1,403,192                   -­‐13.13% -­‐9.82%1999 1,333,812                   1,329,824                   0.79% -­‐5.23%2000 1,389,770                   1,476,895                   4.20% 11.06%2001 1,440,406                   1,411,586                   3.64% -­‐4.42%2002 1,505,216                   1,466,385                   4.50% 3.88%2003 1,577,171                   1,532,250                   4.78% 4.49%2004 1,656,517                   1,624,703                   5.03% 6.03%2005 1,750,815                   1,723,983                   5.69% 6.11%2006 1,847,127                   1,826,661                   5.50% 5.96%2007 1,964,327                   1,944,196                   6.35% 6.43%2008 2,082,456                   2,074,261                   6.01% 6.69%2009 2,178,850                   2,217,900                   4.63% 6.92%2010 2,314,459                   2,317,221                   6.22% 4.48%2011 2,464,566                   2,467,186                   6.49% 6.47%2012 2,618,938                   2,635,325                   6.26% 6.82%2013 2,770,345                   2,809,513                   5.78% 6.61%

Growth

Page 22: Laporan Akhir-output gap-10dec14.pdf

 

 

 

Gambar  4.7.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Tanpa  Restriksi  (TK  HP  Filter)  

 

 

Gambar  4.8.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Tanpa    Restriksi  (TK  HP  Filter)  

   

 

400,000

800,000

1,200,000

1,600,000

2,000,000

2,400,000

2,800,000

3,200,000

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDP GDP_FP_TKHP

-15

-10

-5

0

5

10

15

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDPGROWTH GDPGROWTH_FP_TKHP

Page 23: Laporan Akhir-output gap-10dec14.pdf

 

D.2.1.2.  Fungsi  Produksi  Dengan  Restriksi  

Hasil  estimasi   fungsi  produksi  dengan   restriksi  dugaan    parameter  koefiisein   regresi  disajikan  pada  Tabel  4.8  dan  4.9.  Fungsi  produksi  Indonesia  bersifat  capital  intensif,  dugaan  koefisien  regresi  capital  sebesar   0,6,   sedangkan   tenaga   kerjanya   sebesar   0,4.   Penelitian   Van   Der   Eng,   memberikan   hasil  dugaan  koefisien  regresi  yang  hampir  sama  dengan  penelitian  ini.  

 

Tabel  4.8.  Fungsi Produksi Dengan Restriksi, Faktor Tenaga Kerja Menggunakan HP Filter  

Dependent Variable: LOG(GDP) Method: Least Squares Date: 12/14/14 Time: 20:36 Sample (adjusted): 1984 2013 Included observations: 30 after adjustments LOG(GDP) = C(1) + C(2)*LOG(K) + (1-C(2))*LOG(TK_HP)

Coefficient Std. Error t-Statistic Prob. C(1) 0.712284 0.114354 6.228744 0.0000

C(2) 0.600133 0.033185 18.08436 0.0000 R-squared 0.969447 Mean dependent var 14.13842

Adjusted R-squared 0.968356 S.D. dependent var 0.399017 S.E. of regression 0.070980 Akaike info criterion -2.388495 Sum squared resid 0.141069 Schwarz criterion -2.295081 Log likelihood 37.82742 Hannan-Quinn criter. -2.358611 F-statistic 888.4494 Durbin-Watson stat 0.247864 Prob(F-statistic) 0.000000

Tabel  4.9.  Fungsi Produksi Dengan Restriksi, Faktor Tenaga Kerja dan Kapital Menggunakan HP Filter  

Dependent Variable: LOG(GDP) Method: Least Squares Date: 12/14/14 Time: 20:40 Sample (adjusted): 1984 2013 Included observations: 30 after adjustments LOG(GDP) = C(1) + C(2)*LOG(K_HP) + (1-C(2))*LOG(TK_HP)

Coefficient Std. Error t-Statistic Prob. C(1) 0.689960 0.121106 5.697140 0.0000

C(2) 0.605983 0.035112 17.25844 0.0000 R-squared 0.966710 Mean dependent var 14.13842

Adjusted R-squared 0.965521 S.D. dependent var 0.399017 S.E. of regression 0.074091 Akaike info criterion -2.302701 Sum squared resid 0.153706 Schwarz criterion -2.209288 Log likelihood 36.54052 Hannan-Quinn criter. -2.272817 F-statistic 813.1024 Durbin-Watson stat 0.300992 Prob(F-statistic) 0.000000

Page 24: Laporan Akhir-output gap-10dec14.pdf

Hasil   estimasi   output   potensial   menggunakan   metode   fungsi   produksi   tanpa   restriksi   dugaan  parameter   koefisien   regresi  disajikan  pada  Tabel  4.10,  Gambar  4.9,  dan  Gambar  4.10.  Pendekatan  metode  ini  cenderung  menghasilkan  dugaan  PDB  potensial  yang  lebih    rendah  dari  PDB  aktualnya.  

 

Tabel  4.10.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Dengan  Restriksi  (TK  HP  Filter)  

 

 

 

 

FP_TKHP_restriksiTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           na na na1984 689,169                           650,305                                         6.98% na1985 706,137                           689,239                                         2.46% 5.99%1986 747,623                           733,036                                         5.88% 6.35%1987 784,451                           778,340                                         4.93% 6.18%1988 829,796                           828,467                                         5.78% 6.44%1989 891,670                           885,205                                         7.46% 6.85%1990 956,246                           953,314                                         7.24% 7.69%1991 1,022,342                   1,023,520                                   6.91% 7.36%1992 1,088,768                   1,086,177                                   6.50% 6.12%1993 1,159,499                   1,151,582                                   6.50% 6.02%1994 1,246,925                   1,224,988                                   7.54% 6.37%1995 1,349,422                   1,307,336                                   8.22% 6.72%1996 1,454,923                   1,395,068                                   7.82% 6.71%1997 1,523,302                   1,485,270                                   4.70% 6.47%1998 1,323,343                   1,520,778                                   -­‐13.13% 2.39%1999 1,333,812                   1,548,311                                   0.79% 1.81%2000 1,389,770                   1,580,138                                   4.20% 2.06%2001 1,440,406                   1,615,142                                   3.64% 2.22%2002 1,505,216                   1,651,945                                   4.50% 2.28%2003 1,577,171                   1,687,356                                   4.78% 2.14%2004 1,656,517                   1,734,469                                   5.03% 2.79%2005 1,750,815                   1,791,542                                   5.69% 3.29%2006 1,847,127                   1,849,644                                   5.50% 3.24%2007 1,964,327                   1,917,250                                   6.35% 3.66%2008 2,082,456                   1,988,969                                   6.01% 3.74%2009 2,178,850                   2,073,314                                   4.63% 4.24%2010 2,314,459                   2,156,916                                   6.22% 4.03%2011 2,464,566                   2,246,854                                   6.49% 4.17%2012 2,618,938                   2,345,032                                   6.26% 4.37%2013 2,770,345                   2,451,920                                   5.78% 4.56%

Growth

Page 25: Laporan Akhir-output gap-10dec14.pdf

 

 

 

Gambar  4.9.  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Restriksi  (TK  HP  Filter)  

 

-16

-12

-8

-4

0

4

8

12

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDPGROWTH GDPGROWTH_FP_RESTRIKSI  

 

Gambar  4.10.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  Fungsi  Produksi  Dengan  Restriksi    (TK  HP  Filter)  

400,000

800,000

1,200,000

1,600,000

2,000,000

2,400,000

2,800,000

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDP GDP_FP_TKHP_RESTRIKSI

Page 26: Laporan Akhir-output gap-10dec14.pdf

D.2.2.  SVAR  

Hasil  estimasi  model  struktural  VAR  disajikan  pada  Tabel  4.11.  

Tabel  4.11.  Estimasi  Model  SVAR  

Vector Autoregression Estimates Date: 11/28/14 Time: 07:25 Sample (adjusted): 1985 2013 Included observations: 29 after adjustments Standard errors in ( ) & t-statistics in [ ]

LOG(GDP) LOG(ERUS) LOG(CPI) LOG(GDP(-1)) 1.179956 -2.047814 -0.126604 (0.51193) (2.93900) (0.91874) [ 2.30490] [-0.69677] [-0.13780]

LOG(GDP(-2)) -0.899156 6.110028 1.094883 (0.48982) (2.81202) (0.87905) [-1.83570] [ 2.17282] [ 1.24553]

LOG(ERUS(-1)) -0.077156 1.138481 0.299958 (0.06751) (0.38758) (0.12116) [-1.14285] [ 2.93739] [ 2.47573]

LOG(ERUS(-2)) 0.058153 -0.046060 -0.143416 (0.05605) (0.32181) (0.10060) [ 1.03744] [-0.14313] [-1.42564]

LOG(CPI(-1)) 0.331777 -3.303251 -0.020862 (0.23973) (1.37629) (0.43023) [ 1.38395] [-2.40012] [-0.04849]

LOG(CPI(-2)) -0.615117 4.418113 1.029814 (0.21401) (1.22861) (0.38407) [-2.87427] [ 3.59602] [ 2.68134]

C 8.749930 -48.96206 -12.49216 (2.74705) (15.7707) (4.92998) [ 3.18520] [-3.10461] [-2.53392]

@TREND 0.063029 -0.309974 -0.058541 (0.02566) (0.14729) (0.04604) [ 2.45678] [-2.10457] [-1.27146] R-squared 0.994367 0.960282 0.996616

Adj. R-squared 0.992489 0.947043 0.995489 Sum sq. resids 0.023192 0.764384 0.074696 S.E. equation 0.033232 0.190786 0.059640 F-statistic 529.5874 72.53311 883.6461 Log likelihood 62.25367 11.57250 45.29433 Akaike AIC -3.741633 -0.246379 -2.572022 Schwarz SC -3.364448 0.130806 -2.194837 Mean dependent 14.16239 8.418592 3.428764 S.D. dependent 0.383466 0.829058 0.887942

Determinant resid covariance (dof adj.) 3.03E-09

Determinant resid covariance 1.15E-09 Log likelihood 175.0147

Page 27: Laporan Akhir-output gap-10dec14.pdf

Akaike information criterion -10.41481 Schwarz criterion -9.283254

 

Structural VAR Estimates Date: 11/28/14 Time: 07:25 Sample (adjusted): 1985 2013 Included observations: 29 after adjustments Estimation method: method of scoring (analytic derivatives) Convergence achieved after 11 iterations Structural VAR is just-identified

Model: Ae = Bu where E[uu']=I

Restriction Type: short-run text form @e1 = c(1)*@u1 @e2 = -c(2)*@e1 + c(3)*@u2 @e3 = -c(4)*@e1 - c(5)*@e2 + c(6)*@u3 where @e1 represents LOG(GDP) residuals @e2 represents LOG(ERUS) residuals @e3 represents LOG(CPI) residuals

Coefficient Std. Error z-Statistic Prob. C(2) 5.342595 0.390195 13.69211 0.0000

C(4) 1.014557 0.362020 2.802490 0.0051 C(5) -0.114983 0.063059 -1.823417 0.0682 C(1) 0.033232 0.004364 7.615773 0.0000 C(3) -0.069830 0.009169 -7.615773 0.0000 C(6) 0.023713 0.003114 7.615773 0.0000

Log likelihood 160.9741 Estimated A matrix:

1.000000 0.000000 0.000000 5.342595 1.000000 0.000000 1.014557 -0.114983 1.000000

Estimated B matrix: 0.033232 0.000000 0.000000 0.000000 0.069830 0.000000 0.000000 0.000000 0.023713

 

Page 28: Laporan Akhir-output gap-10dec14.pdf

Hasil  estimasi  output  potensial  menggunakan  metode  SVAR  disajikan  pada  Tabel  4.12,  Gambar  4.11,  dan  Gambar  4.12.  Pendekatan  metode  ini  cenderung  menghasilkan  dugaan  PDB  potensial  yang  lebih    rendah  dari  PDB  aktualnya.  

 

Tabel  4.12.  PDB  Aktual  vs  PDB  Potensial  menggunakan  SVAR  

 

 

 

 

 

SVARTahun PDB  Aktual PDB  potensial PDB  Aktual PDB  potensial

1983 644,230                           644,230                           na na1984 689,169                           689,169                           6.98% 6.98%1985 706,137                           729,084                           2.46% 5.79%1986 747,623                           749,713                           5.88% 2.83%1987 784,451                           778,402                           4.93% 3.83%1988 829,796                           838,534                           5.78% 7.73%1989 891,670                           906,937                           7.46% 8.16%1990 956,246                           971,552                           7.24% 7.12%1991 1,022,342                   1,037,436                   6.91% 6.78%1992 1,088,768                   1,099,665                   6.50% 6.00%1993 1,159,499                   1,153,231                   6.50% 4.87%1994 1,246,925                   1,201,032                   7.54% 4.14%1995 1,349,422                   1,244,687                   8.22% 3.63%1996 1,454,923                   1,284,255                   7.82% 3.18%1997 1,523,302                   1,322,027                   4.70% 2.94%1998 1,323,343                   1,360,581                   -­‐13.13% 2.92%1999 1,333,812                   1,401,614                   0.79% 3.02%2000 1,389,770                   1,447,064                   4.20% 3.24%2001 1,440,406                   1,498,944                   3.64% 3.59%2002 1,505,216                   1,558,760                   4.50% 3.99%2003 1,577,171                   1,627,721                   4.78% 4.42%2004 1,656,517                   1,706,830                   5.03% 4.86%2005 1,750,815                   1,796,687                   5.69% 5.26%2006 1,847,127                   1,897,487                   5.50% 5.61%2007 1,964,327                   2,009,081                   6.35% 5.88%2008 2,082,456                   2,130,939                   6.01% 6.07%2009 2,178,850                   2,262,172                   4.63% 6.16%2010 2,314,459                   2,401,608                   6.22% 6.16%2011 2,464,566                   2,547,889                   6.49% 6.09%2012 2,618,938                   2,699,573                   6.26% 5.95%2013 2,770,345                   2,855,283                   5.78% 5.77%

Growth

Page 29: Laporan Akhir-output gap-10dec14.pdf

 

 

 

Gambar  4.9.  PDB  Aktual  vs  PDB  Potensial  menggunakan  SVAR  

 

 

Gambar  4.10.  Pertumbuhan  (%)  PDB  Aktual  vs  PDB  Potensial  menggunakan  SVAR  

 

 

 

500,000

1,000,000

1,500,000

2,000,000

2,500,000

3,000,000

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDP GDP (Baseline)

-16

-12

-8

-4

0

4

8

12

84 86 88 90 92 94 96 98 00 02 04 06 08 10 12

GDPGROWTH SVARGROWTH

Page 30: Laporan Akhir-output gap-10dec14.pdf

 

D.3.  Metode  Terbaik  

Untuk   memilih   model   mana   yang   terbaik   menjelaskan   estimasi   output   potensial   perekonomian  Indonesia   digunakan   pendekatan   kurva   Phillips   yang  menjelaskan   hubungan   inflasi   dengan   output  gap.  

Hasil   regresi  dari  setiap  metode  estimasi  output  potensial  menggunakan  pendekatan  kurva  Phillips  disajikan  pada  Tabel  4.13-­‐4.18.  

 

Tabel  4.13.  Model  Inflasi  Dengan  Output  Gap  HP  Filter  

 

 

 

Dependent Variable: INFMethod: Least SquaresDate: 06/15/14 Time: 06:24Sample (adjusted): 1986 2013Included observations: 28 after adjustmentsConvergence achieved after 439 iterationsMA Backcast: 1985

Variable Coefficient Std. Error t-Statistic Prob.

C -1.037006 1.286360 -0.806155 0.4281YGAP_HP(-1) 0.640504 0.150203 4.264251 0.0003

INF(-1) 0.838271 0.095805 8.749717 0.0000MA(1) -0.953224 0.043392 -21.96793 0.0000

R-squared 0.448232 Mean dependent var 10.03851Adjusted R-squared 0.379261 S.D. dependent var 9.994564S.E. of regression 7.874418 Akaike info criterion 7.096679Sum squared resid 1488.155 Schwarz criterion 7.286994Log likelihood -95.35351 Hannan-Quinn criter. 7.154860F-statistic 6.498840 Durbin-Watson stat 2.137056Prob(F-statistic) 0.002246

Inverted MA Roots .95

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 1.396732 Prob. F(2,22) 0.2685Obs*R-squared 2.937198 Prob. Chi-Square(2) 0.2302

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 9.117761 Prob. F(2,25) 0.0011Obs*R-squared 11.80961 Prob. Chi-Square(2) 0.0027Scaled explained SS 29.29934 Prob. Chi-Square(2) 0.0000

Page 31: Laporan Akhir-output gap-10dec14.pdf

 

Tabel  4.14.  Model  Inflasi  Dengan  Output  Gap  Band  Pass  Filter  

 

 

 

 

 

 

 

 

Dependent Variable: INFMethod: Least SquaresDate: 06/15/14 Time: 05:52Sample (adjusted): 1986 2013Included observations: 28 after adjustmentsConvergence achieved after 20 iterationsMA Backcast: 1985

Variable Coefficient Std. Error t-Statistic Prob.

C 2.192296 0.435481 5.034198 0.0000YGAP_BP(-1) 0.000505 3.10E-05 16.27245 0.0000

INF(-1) 0.846976 0.037172 22.78508 0.0000MA(1) -0.999987 2.55E-06 -391460.1 0.0000

R-squared 0.920306 Mean dependent var 10.03851Adjusted R-squared 0.910344 S.D. dependent var 9.994564S.E. of regression 2.992630 Akaike info criterion 5.161746Sum squared resid 214.9400 Schwarz criterion 5.352061Log likelihood -68.26444 Hannan-Quinn criter. 5.219927F-statistic 92.38391 Durbin-Watson stat 2.116295Prob(F-statistic) 0.000000

Inverted MA Roots 1.00

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.796834 Prob. F(2,22) 0.0827Obs*R-squared 5.321928 Prob. Chi-Square(2) 0.0699

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.861947 Prob. F(2,25) 0.4345Obs*R-squared 1.806212 Prob. Chi-Square(2) 0.4053Scaled explained SS 1.396833 Prob. Chi-Square(2) 0.4974

Page 32: Laporan Akhir-output gap-10dec14.pdf

Tabel  4.15.  Model  Inflasi  Dengan  Output  Gap  ARIMA  +  HP  

 

 

Dependent Variable: INFMethod: Least SquaresDate: 06/15/14 Time: 06:43Sample (adjusted): 1985 2013Included observations: 29 after adjustmentsConvergence achieved after 15 iterationsMA Backcast: 1984

Variable Coefficient Std. Error t-Statistic Prob.

C 2.232692 1.186233 1.882169 0.0715YGAP_ARIMA(-1) 4.38E-05 1.37E-05 3.187877 0.0038

INF(-1) 0.833074 0.103806 8.025318 0.0000MA(1) -0.931119 0.065153 -14.29127 0.0000

R-squared 0.320620 Mean dependent var 9.855481Adjusted R-squared 0.239094 S.D. dependent var 9.863835S.E. of regression 8.604213 Akaike info criterion 7.269823Sum squared resid 1850.812 Schwarz criterion 7.458416Log likelihood -101.4124 Hannan-Quinn criter. 7.328888F-statistic 3.932753 Durbin-Watson stat 1.805981Prob(F-statistic) 0.019901

Inverted MA Roots .93

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.375891 Prob. F(2,23) 0.6908Obs*R-squared 0.805112 Prob. Chi-Square(2) 0.6686

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 8.771810 Prob. F(2,26) 0.0012Obs*R-squared 11.68403 Prob. Chi-Square(2) 0.0029Scaled explained SS 34.37171 Prob. Chi-Square(2) 0.0000

Page 33: Laporan Akhir-output gap-10dec14.pdf

Tabel  4.16.  Model  Inflasi  Dengan  Output  Gap  Fungsi  Produksi  Tanpa  Restriksi  

 

 

 

 

Dependent Variable: INFMethod: Least SquaresDate: 12/01/14 Time: 03:42Sample (adjusted): 1986 2013Included observations: 28 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 9.735553 2.757166 3.530999 0.0016YGAP_FP_TKHP(-1) -0.000103 6.75E-05 -1.525027 0.1398

INF(-1) 0.034972 0.203184 0.172120 0.8647

R-squared 0.105884 Mean dependent var 10.03851Adjusted R-squared 0.034354 S.D. dependent var 9.994564S.E. of regression 9.821384 Akaike info criterion 7.507958Sum squared resid 2411.490 Schwarz criterion 7.650694Log likelihood -102.1114 Hannan-Quinn criter. 7.551594F-statistic 1.480285 Durbin-Watson stat 1.923724Prob(F-statistic) 0.246845

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.128232 Prob. F(2,23) 0.8803Obs*R-squared 0.308773 Prob. Chi-Square(2) 0.8569

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 1.245681 Prob. F(2,25) 0.3050Obs*R-squared 2.537457 Prob. Chi-Square(2) 0.2812Scaled explained SS 18.50361 Prob. Chi-Square(2) 0.0001

Page 34: Laporan Akhir-output gap-10dec14.pdf

Tabel  4.17.  Model  Inflasi  Dengan  Output  Gap  Fungsi  Produksi  Dengan  Restriksi  

Dependent Variable: INF Method: Least Squares Date: 12/15/14 Time: 05:33 Sample (adjusted): 1985 2013 Included observations: 29 after adjustments

Variable Coefficient Std. Error t-Statistic Prob. C 8.566602 2.888977 2.965272 0.0064

YGAP_FP_TKHP_RESTRIKSI(-1) -4.01E-06 1.89E-05 -0.212592 0.8333 INF(-1) 0.129552 0.220808 0.586717 0.5625

R-squared 0.024682 Mean dependent var 9.855481

Adjusted R-squared -0.050342 S.D. dependent var 9.863835 S.E. of regression 10.10907 Akaike info criterion 7.562440 Sum squared resid 2657.025 Schwarz criterion 7.703885 Log likelihood -106.6554 Hannan-Quinn criter. 7.606739 F-statistic 0.328989 Durbin-Watson stat 1.943074 Prob(F-statistic) 0.722603

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.564663 Prob. F(2,24) 0.5759

Obs*R-squared 1.303276 Prob. Chi-Square(2) 0.5212

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.064752 Prob. F(2,26) 0.9375

Obs*R-squared 0.143730 Prob. Chi-Square(2) 0.9307 Scaled explained SS 1.290119 Prob. Chi-Square(2) 0.5246

Page 35: Laporan Akhir-output gap-10dec14.pdf

Tabel  4.18.  Model  Inflasi  Dengan  Output  Gap  SVAR  

 

 

 

Dependent Variable: INFMethod: Least SquaresDate: 09/29/14 Time: 22:28Sample (adjusted): 1985 2013Included observations: 29 after adjustmentsConvergence achieved after 20 iterationsMA Backcast: 1984

Variable Coefficient Std. Error t-Statistic Prob.

C 4.335793 1.059527 4.092199 0.0004YGAP_SVAR(-1) 3.22E-05 9.06E-06 3.555010 0.0015

INF(-1) 0.639183 0.090025 7.100020 0.0000MA(1) -0.999357 0.192435 -5.193212 0.0000

R-squared 0.523804 Mean dependent var 9.855481Adjusted R-squared 0.466660 S.D. dependent var 9.863835S.E. of regression 7.203570 Akaike info criterion 6.914472Sum squared resid 1297.285 Schwarz criterion 7.103065Log likelihood -96.25985 Hannan-Quinn criter. 6.973537F-statistic 9.166456 Durbin-Watson stat 2.052018Prob(F-statistic) 0.000288

Inverted MA Roots 1.00

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.255412 Prob. F(2,23) 0.1275Obs*R-squared 4.562684 Prob. Chi-Square(2) 0.1021

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 36.68307 Prob. F(2,26) 0.0000Obs*R-squared 21.41190 Prob. Chi-Square(2) 0.0000Scaled explained SS 57.24462 Prob. Chi-Square(2) 0.0000

Page 36: Laporan Akhir-output gap-10dec14.pdf

Dari   Tabel   4.13   –   4.18,   berdasarkan   uji   statistik   t,   F,   dan   koefisien   determinasi   (R2   (adj)),   model  terbaik   yang   mampu   mengestimasi   output   potensial   Indonesia   adalah   metode   Band   Pass   Filter.  Metode   ini   mampu  menjelaskan   dengan   sangat   baik   hubungan   inflasi   dengan   output   gap   karena  memiliki   koefisien   determinasi   yang   paling   tinggi   yaitu   0.91   dan   tidak   terjadi   pelanggaran   asumsi  heteroskedastisitas,   walaupun   melanggar   asumsi   autokorelasi.   Namun   demikian,   pelanggaran  autokorelasi  tidak  menggangu  kesimpulan  pengujian  koefisien  regresi  secara  parsial.  

 

   

   

Page 37: Laporan Akhir-output gap-10dec14.pdf

E.  Prospek  Perekonomian  Ke  Depan  

Dalam  penelitian  ini,  untuk  memprediksi  output  potensial  menggunakan  tiga  pendekatan,  yaitu:  (1)  Distributed  lag  model,  (2)  ARIMA,  (3)  Band  Pass  filter.  

Untuk  pendekatan  model  Distributed  lag  dan  ARIMA  menghasilkan  dugaan  output  potensial  yang   terlalu   rendah,   karena   tren   pertumbuhan   ekonomi   Indonesia   cenderung  melambat   dalam   5  tahun  terakhir.    

Prinsip  dasar  dari  distributed  lag  dan  ARIMA  adalah  model  yang  dipengaruhi  oleh  data  masa  lalunya.  Ketika  data  masa  lalunya  cenderung  turun,  maka  prediksi  ke  depannya  juga  akan  cenderung  menurun  atau  dalam  keadaan  sebaliknya.  

Oleh  karena  ini  pendekatan  yang  digunakan  dalam  penelitian  ini,  untuk  memprediksi  output  potensial  Indonesia  menggunakan  Band  Pass  Filter.  Untuk  pertumbuhan  ekonomi  tahun  2014-­‐2018  menggunakan  asumsi  pertumbuhan  ekonomi  yang  ada  dalam  RAPBN  2015.  

Hasil  estimasi  output  potensial  2014-­‐2018  disajikan  pada  Gambar  4.11.  

 

 

Gambar  4.11.  Prediksi  Pertumbuhan  Output  Potensial  Menggunakan  Band  Pass  Filter  

 

Pada   tahun   2014   –   2015   diperkirakan   PDB   aktualnya   lebih   rendah   dari   PDB   potensialnya.  Dalam   periode   ini,   pertumbuhan   ekonomi   Indonesia   berada   di   bawah   output   potensialnya.   Oleh  karena  itu,  sebaiknya  kebijakan  fiskal  (pemerintah)  dan  moneter  (BI)  bersifat  longgar.    

5.78%

5.30%

5.60%

6.20%

6.60%

6.95%

5.76%

5.55%

5.71%

6.15%

6.60%

6.96%

5.0%

5.5%

6.0%

6.5%

7.0%

2013 2014 2015 2016 2017 2018

GDP GDP  Potensial

Page 38: Laporan Akhir-output gap-10dec14.pdf

Walaupun  Indonesia  dibayangi  oleh  defisit  neraca  transaksi  berjalan  karena  tingginya  impor  barang   dan   jasa,   sedangkan   ekspor   Indonesia   sulit   diharapkan  meningkat   karena   lemahnya   harga  komoditas   primer.   Hal   ini   bukan   berarti   adanya   sinyal   overheating   dalam   perekonomian,   sebab  output  aktualnya  masih  berada  di  bawah  output  potensialnya.  

Kebijakan  BI   dengan  menaikkan   suku  bunga   secara   signifikan  pada   tahun  2013  dari   5,75%  menjadi   7,50%,   kemudian   dinaikkan   kembali   pada   November   2014   menjadi   7,75%,   kami   kira  kuranglah   tepat   dan   berlawanan   kebijakan   suku   bunga   negara   maju.   Pemulihan   krisis   ekonomi  global   tahun  2008,  memaksa  negara-­‐negara  maju  melakukan  kebijakan  ekonomi  moneter   longgar,  dengan   menurunkan   suku   bunga   acuannya   dan   dipertahankan   rendah   dalam   kurun   waktu   yang  cukup  lama.  AS  sudah  mempertahankan  suku  bunga  acuannya  0,25%  selama  hampir  6  tahun,  begitu  juga  dengan  Japan  (0,1%).  Sementara   itu  EU,   terus  menurunkan  suku  bunga  acuannya  sampai   titik  yang  terendah  yaitu  0,05%  sejak  Jun  2014.  

Akibat  kebijakan  moneter  ketat  BI,  maka  kemungkinan  pertumbuhan  ekonomi  pada   tahun  2014   berkisar   5-­‐5,1%,   berada   di   bawah   output   potensialnya   5,6%.   Kondisi   ini   kemungkinan   akan  berlanjut  pada  tahun  2015,  di  mana  output  aktualnya  (5,6%)  berada  di  bawah  output  potensialnya  (5,7%).  

Diharapkan   BI   dan   pemerintah   dapat   melakukan   stimulus   perekonomian   secara   efektif,  sehinga   mulai   tahun   2016-­‐2018   pertumbuhan   ekonomi   aktual   berada   di   kisaran   output  potensialnya.  Apalagi  pemerintah  yang  baru  Jokowi  –  JK,  akan  fokus  memperbaiki  infrastrukur  yang  merupakan  masalah  struktural  yang  dihadapi  oleh  Indonesia.    

 

 

 

 

 

 

   

Page 39: Laporan Akhir-output gap-10dec14.pdf

F.  Kesimpulan  

Dari   hasil   penelitian   yang   telah   dilakukan  mengenai   “Output   Gap   Indonesia”,   diperoleh   beberapa  kesimpulan  yaitu:  

1. Untuk   melihat   apakah   suatu   perekonomian   mengalami   overheating   atau   tidak?   Salah   satu  pendekatan  yang  bisa  digunakan  adalah  menghitung  output  potensial  suatu  perekonomian,  yang  kemudian  diperoleh  output  gapnya.  

2. Untuk  negara  maju,  output  potensial   sering  digunakan  untuk  melihat  kapasitas  perekonomian,  sedangkan  studi  di  Indonesia  relatif  terbatas.  BI  sudah  melakukan  riset  tentang  output  potensial,  namun  baru  sebatas  konsumsi  internal.  

3. Dalam  perhitungan  output  potensial,   pada  umumnya  dibagi  dua  pendekatan  yaitu:   (1)   analisis  univariat   (HP   filter,   Band   pass   filter,   ARIMA   +   HP   filter)   dan   (2)   analisis   multivariate   (   fungsi  produksi  dan  SVAR).  

4. Untuk  memilih  model  terbaik,  didekati  dengan  kurva  Phillips  yang  menjelaskan  hubungan  inflasi  dengan  output  gap.  

5. Metode   Band   pass   filter   merupakan   model   terbaik   untuk   mengestimasi   output   potensial  Indonesia,  metode  ini  cocok  juga  digunakan  untuk  Brasil.  

6. Output  potensial  Indonesia  pada  tahun  2014  diperkirakan  tumbuh  sebesar  5,6%,  berada  jauh  di  atas  perkiraan  pertumbuhan  ekonomi  Indonesia  5-­‐5,1%.  Oleh  karena  itu,  kondisi  perekonomian  Indonesia  tidak  akan  mengalami  overheating,  walaupun  ada  ancaman  defisit  transaksi  berjalan.  

7. Target  pemerintahan  Jokowi  –  JK,  pertumbuhan  ekonomi  Indonesia  7%  dalam  3  tahun  ke  depan  (2016),  nampaknya  akan  sulit  tercapai,  karena  pertumbuhan  output  potensialnya  masih  berada  di  bawah  6,5%.