NOWCASTING KONSUMSI RUMAH TANGGA DAN INVESTASI …

1

WP/10/2018

WORKING PAPER

NOWCASTING KONSUMSI RUMAH TANGGA DAN

INVESTASI REGIONAL SUMATERA, JAWA, DAN

KAWASAN TIMUR INDONESIA (KTI)

Wahyu Dewati, Rama Rahadian Prakasa, Rizki Fitrama, Deasy

Ariyanti, Donny Hendri Pratama, Dythia Sendrata, Warsono, Erwin

Syafii

2018

Kesimpulan, pendapat, dan pandangan yang disampaikan oleh penulis dalam paper ini merupakan kesimpulan, pendapat, dan pandangan penulis dan bukan merupakan kesimpulan, pendapat, dan pandangan resmi Bank Indonesia.

1

Nowcasting Konsumsi Rumah Tangga dan Investasi Regional Sumatra, Jawa, dan Kawasan

Timur Indonesia (KTI)

Wahyu Dewati, Rama Rahadian Prakasa, Rizki Fitrama, Deasy Ariyanti, Donny Hendri Pratama, Dythia Sendrata, Warsono,

Erwin Syafii1

Abstrak

Untuk menjalankan peran sebagai strategic advisor bagi pemerintah

daerah, Kantor Perwakilan Bank Indonesia membutuhkan tools yang dapat digunakan untuk mengetahui perkembangan ekonomi terkini. Dengan melihat besarnya pangsa konsumsi rumah tangga dan investasi dalam

perekonomian di setiap wilayah, tools untuk tracking pertumbuhan ekonomi melalui nowcasting atas kedua variabel tersebut diharapkan dapat

memberikan gambaran mengenai kondisi perkembangan ekonomi daerah secara keseluruhan. Kajian ini bertujuan untuk menyusun model nowcasting

atas variabel pertumbuhan konsumsi dan investasi di wilayah Sumatra, Jawa, dan Kawasan Timur Indonesia (KTI) menggunakan metode Bridge Model dan Distributed Lag Model (DLM).

Hasil pengujian menunjukkan bahwa indikator yang dapat digunakan untuk nowcasting pertumbuhan konsumsi rumah tangga di Sumatra adalah

nilai tukar petani, kredit konsumsi, indeks keyakinan konsumen, harga kopi arabika, dan total DPK berdasarkan metode DLM. Sementara itu, nowcasting

pertumbuhan konsumsi di Jawa menggunakan indikator berupa indeks keyakinan konsumen, suku bunga deposito, inflasi perumahan; listrik; gas; dan air, serta produksi kendaraan roda empat dengan metode DLM mampu

memberikan hasil yang baik. Selanjutnya, nowcasting konsumsi di KTI menggunakan indikator nilai tukar petani, kredit kendaraan bermotor, dan

ekspor barang industri berdasarkan metode Bridge mampu menangkap dinamika konsumsi di KTI. Sementara itu, nowcasting pertumbuhan

investasi di Sumatra yang dapat dilakukan adalah kombinasi indikator penjualan semen, total kredit, dan harga CPO berdasarkan metode DLM, sedangkan nowcasting pertumbuhan investasi di Jawa dapat dilakukan

berdasarkan metode Bridge dengan menggunakan kombinasi data konsumsi semen, impor barang modal, dan juga indeks saham untuk sektor

perdagangan. Lebih lanjut, metode Bridge Model juga mampu memberikan gambaran atas pertumbuhan investasi di KTI dengan menggunakan data

pertumbuhan kredit modal kerja.

Keywords: Nowcasting, Bridge Model, Distributed Lag Model JEL classification: C50, O40, P25, R12

1 Penulis mengucapkan terima kasih kepada Suhaedi, Dwi Pranoto, dan Wiwiek Sisto Widayat atas masukan dan arahannya, rekan-rekan di Departemen Kebijakan Ekonomi dan Moneter yaitu Robbi Nur Rakhman dan Rakhmat Pratama atas bantuannya, serta Prof. Insukindro dan Prof. Firdaus atas masukannya. Isi paper ini merupakan pandangan penulis, dan tidak merepresentasikan pandangan atau kebijakan Bank Indonesia.

1

1. Pendahuluan

1.1. Latar Belakang

Dalam menjalankan tugasnya sebagai strategic advisor bagi pemerintah

daerah, Kantor Perwakilan Bank Indonesia (KPwBI) perlu memperhitungkan

ketepatan dan pemahaman akan proyeksi pertumbuhan ekonomi provinsi sebagai

hal yang sangat mendasar. Proyeksi pertumbuhan ekonomi provinsi merupakan

input yang disampaikan oleh KPwBI kepada pemerintah daerah untuk digunakan

sebagai bahan pertimbangan dan asumsi dalam penyusunan RAPBD provinsi dan

RPJMD. Bagi Bank Indonesia, proyeksi pertumbuhan ekonomi provinsi juga

berperan dalam mendukung pemahaman atas kondisi perekonomian yang pada

gilirannya akan berkontribusi dalam proses penyusunan kebijakan Bank Indonesia.

Dengan demikian, penguatan model proyeksi pertumbuhan ekonomi provinsi, baik

untuk jangka pendek, jangka menengah, maupun jangka panjang, menjadi makin

penting untuk dilakukan.

Pada tahun 2015 seluruh KPwBI di provinsi telah memiliki model struktural

untuk proyeksi makroekonomi regional, yaitu Regional Macroeconomic Model Bank

Indonesia (REMBI). Model tersebut digunakan untuk memproyeksikan

pertumbuhan ekonomi provinsi dengan jangka waktu pendek—menengah (1—2

tahun ke depan). Selanjutnya, pada tahun 2016 dan 2017 model REMBI telah

diperkuat dengan penyusunan model satelit REMBI (SaREMBI) yang terdiri atas

nowcasting dan composite leading indicator (CLI). Penyusunan nowcasting tersebut

digunakan untuk melakukan tracking besaran PDRB pada triwulan berjalan.

Adapun CLI digunakan untuk memberikan indikasi arah, baik pertumbuhan PDRB

maupun inflasi.

Dalam perkembangannya, diperlukan penyempurnaan proyeksi

pertumbuhan ekonomi dalam lingkup regional yang dikelompokkan menjadi tiga

wilayah besar, yaitu Sumatra, Jawa, dan Kawasan Timur Indonesia (Balinusra,

Kalimantan, Sulawesi, Maluku, dan Papua) melalui pengembangan model satelit

atau model pendukung berbasis wilayah. Secara khusus, penyempurnaan model

indikator untuk konsumsi rumah tangga dan investasi menjadi penting untuk

dilakukan dalam tahap awal karena besarnya kontribusi kedua komponen tersebut

terhadap PDRB di Indonesia (mencapai kurang lebih 70% dari total PDRB).

Penyempurnaan tersebut diperlukan untuk menjadi bahan diskusi dan acuan atas

2

proyeksi KPwBI di provinsi serta untuk mendapatkan pemahaman yang lebih baik

atas dinamika konsumsi dan investasi yang bersifat unik di tiap-tiap wilayah.

Kajian ini bertujuan untuk membangun model indikator yang dapat

digunakan untuk melakukan proyeksi konsumsi rumah tangga dan investasi pada

kuartal berjalan di tingkat wilayah serta memperkuat model makroekonomi yang

telah dibangun pada tingkat wilayah dan provinsi (SaREMBI). Pada bagian

selanjutnya dari kajian ini akan dibahas tinjauan literatur, metodologi penelitian,

penyajian hasil; analisis; dan pembahasan atas hasil uji empiris yang dilakukan,

serta simpulan dan rencana penyempurnaan ke depan.

1.2. Ruang Lingkup

Kajian ini merupakan upaya awal untuk melakukan pengembangan model

indikator untuk melakukan nowcasting (proyeksi kuartal berjalan) atas besaran

konsumsi rumah tangga dan investasi. Model yang dibangun merupakan model

sederhana dengan metode Bridge Model dan Distributed Lag Model (DLM) dengan

menggunakan data frekuensi bulanan atau dengan frekuensi yang lebih tinggi

selama rentang observasi tahun 2009–2017 untuk wilayah Sumatra dan Jawa,

sedangkan pengujian untuk wilayah Kawasan Timur Indonesia dilakukan selama

periode observasi 2011—2017. Sementara itu, pengujian pseudo out-of-sample

dilakukan dengan menggunakan data tahun 2018.

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membangun model indikator yang

dapat digunakan untuk melakukan proyeksi konsumsi rumah tangga dan investasi

pada kuartal berjalan di tingkat wilayah.

3

2. Tinjauan Literatur

Sebagaimana disebutkan sebelumnya, perekonomian Indonesia secara

umum ditopang oleh dua komponen utama, yaitu konsumsi rumah tangga dan

investasi. Kedua komponen tersebut memiliki pangsa hingga 70% (rata-rata tahun

2011—2017) terhadap PDRB sehingga gambaran atas perkembangan konsumsi dan

investasi diharapkan dapat memberikan pemahaman atas arah pertumbuhan

ekonomi regional secara menyeluruh. Dengan merujuk pada penyusunan

peramalan konsumsi dan investasi dengan menggunakan metode nowcasting

terhadap komponen yang sama di level nasional (Tarsidin dkk, 2016),

penyempurnaan metode proyeksi regional untuk konsumsi dan investasi akan

dilakukan dengan metode nowcasting dengan menggunakan data atau variabel

terkini yang dapat memperkirakan arah pertumbuhan konsumsi dan investasi yang

dipublikasikan secara triwulanan.

Penyusunan dan penguatan model satelit berupa nowcasting pada level

regional menjadi penting karena belum terdapat model struktural yang dapat

dipergunakan untuk mengetahui perkiraan kondisi ekonomi regional terkini. Saat

ini tracking pertumbuhan ekonomi regional masih mengandalkan hasil agregasi

provinsi dan pemantauan terhadap beberapa indikator yang relevan. Mengingat

keterbatasan dalam membuat model struktural di level regional dan penggunaan

nowcasting yang mulai berkembang pada tahun 2018, penyusunan nowcasting

regional untuk komponen konsumsi rumah tangga dan investasi menjadi salah satu

pilihan dalam melakukan perkiraan pertumbuhan ekonomi regional terkini.

Penyusunan nowcasting menggunakan data atau variabel terkini dengan

frekuensi yang tinggi sehingga dapat memberikan gambaran terkait dengan

perkembangan ekonomi regional terkini secara lebih akurat. Nowcasting juga dapat

menghasilkan perkiraan atau estimasi, baik berupa arah pertumbuhan maupun

besaran angka pertumbuhan. Penggunaan nowcasting dalam tracking pertumbuhan

ekonomi telah banyak dibahas, antara lain, oleh Angelini, et al. (2008) serta

Andersson dan Reijer (2015), sedangkan nowcasting atas perekonomian Indonesia

telah dilakukan oleh Kurniawan (2014) dan Luciani, et al. (2015).

Dalam perkembangannya, metode atau pendekatan untuk nowcasting

berkembang cukup pesat pada beberapa periode terakhir. Metode atau pendekatan

yang banyak digunakan, antara lain, ialah Bridge Equation, Mixed Data Sampling

4

(MIDAS, dikembangkan oleh Ghysels, et.al. (2004)), Mixed Frequency VAR (MF-VAR,

dikembangkan oleh Mariano dan Murasawa (2010) dan Schorfheide dan Song

(2013)), serta Dynamic Factor Model (DFM, disebut pula Mixed Frequency Factor

Model (MF-FM) yang dikembangkan oleh Mariano dan Murasawa (2003) dan

Giannone, et.al. (2008)). Nowcasting atas PDB Indonesia, antara lain, dilakukan oleh

Kurniawan (2014) yang menggunakan MIDAS dan Mixed Frequency Factor Model dan

Luciani, et.al. (2015) yang menggunakan Dynamic Factor Model.

Namun, nowcasting yang dilakukan untuk komponen pembentuk PDB atau

PDRB masih relatif terbatas. Tarsidin, dkk. (2016) telah melakukan nowcasting

untuk konsumsi rumah tangga dan investasi untuk perekonomian Indonesia

dengan menggunakan metode Dynamic Factor Model (DFM). Dari hasil penelitian

tersebut dijelaskan bahwa indikator yang digunakan untuk melakukan nowcasting

variabel konsumsi rumah tangga adalah penjualan kendaraan bermotor, total

simpanan, suku bunga kredit konsumsi, M1, dan nilai tukar rupiah riil (NEER).

Sementara itu, indikator yang digunakan untuk nowcasting investasi adalah

penjualan semen, produksi kendaraan bermotor, konsumsi listrik, total kredit, dan

M1. Dalam riset tersebut juga disebutkan bahwa forecast error model nowcasting

konsumsi rumah tangga menggunakan metode DFM relatif kecil sehingga cukup

baik dalam memprediksi besaran konsumsi rumah tangga. Sementara itu, forecast

error model nowcasting investasi menggunakan metode DFM cukup besar, tetapi

lebih baik dibandingkan dengan model benchmark, yaitu Bridge Equation dan

ARIMA.

Penelitian lain yang menggunakan nowcasting untuk konsumsi rumah

tangga dan investasi memakai metode Bridge Equation pernah dilakukan oleh

Baffigi, et al. (2004). Hasilnya menunjukkan bahwa bagi konsumsi rumah tangga,

indeks penjualan ritel merupakan komponen penting, sedangkan consumer

confidence index tidak memiliki hubungan yang signifikan (kemungkinan akibat

adanya korelasi dengan indikator lainnya). Lebih lanjut, registrasi kendaraan

merupakan indikator yang sejalan dengan konsumsi barang tahan lama. Sementara

itu, data-data survei menjadi indikator penting dalam memperkirakan pertumbuhan

investasi, terutama yang terkait dengan dinamika permintaan dalam jangka pendek.

Data lain yang tidak kalah pentingnya adalah indikator terkait dengan konstruksi.

Sementara itu, Sørensen (2011) menyebutkan bahwa mengingat besarnya

kontribusi konsumsi rumah tangga terhadap PDB, konsumsi rumah tangga

merupakan faktor penting dalam melakukan asesmen perekonomian (state of the

5

economy). Metode nowcasting yang digunakan adalah Bridge Equation dengan

estimasi Ordinary Least Square (OLS) yang indikatornya dipilih melalui pendekatan

general to specific berdasarkan information criteria, model reduction tests, dan

misspecification tests. Dari hasil uji ditemukan sejumlah indikator yang signifikan,

yaitu jumlah registrasi baru atas kendaraan penumpang, perputaran uang, dan

consumer confidence index.

6

3. Metodologi

3.1. Metode

3.1.1. Metode Estimasi

Metode estimasi yang digunakan dalam model Bridge Equation dan DLM

adalah Ordinary Least Square (OLS). OLS adalah suatu metode ekonometrik yang di

dalamnya terdapat variabel independen yang merupakan variabel penjelas dan

variabel dependen yang merupakan variabel yang dijelaskan dalam suatu

persamaan linier. Dalam OLS hanya terdapat satu variabel dependen, sedangkan

variabel independen jumlahnya bisa lebih dari satu. Jika variabel bebas yang

digunakan hanya satu, hal itu disebut dengan regresi linier sederhana, sedangkan

jika variabel bebas yang digunakan lebih dari satu, hal itu disebut sebagai regresi

linier majemuk.

OLS merupakan metode regresi yang baik karena dapat menghasilkan nilai

residual terkecil. Nilai residual terkecil merupakan hasil dari suatu analisis regresi

dan menunjukkan nilai estimasi yang mendekati nilai aktualnya. OLS digunakan

untuk menduga koefisien regresi klasik dengan cara meminimalkan sum of squared

error. Caranya ialah dengan meminimalkan persamaan berikut.

Estimator dalam metode OLS diperoleh dengan cara meminimalkan persamaan

berikut:

(3.1)

dengan adalah sum of squares error.

Pada notasi matriks sum of squares error dapat dituliskan sebagai berikut.

(3.2)

Oleh karena itu, perkalian matriks error menjadi sebagai berikut.

(3.3)

7

Untuk meminimalkannya, diturunkan terhadap β sehingga diperoleh

persamaan normal sebagai berikut.

Setelah disusun kembali dan semua parameter diganti dengan estimator,

sistem persamaan ini dapat ditulis sebagai berikut.

Persamaan tersebut disebut persamaan normal. Jika ditulis dalam lambang

matriks, bentuknya menjadi

Atau secara lengkap jika ditulis dalam notasi matriks akan menjadi sebagai

berikut.

8

Dengan demikian, diperoleh estimator untuk OLS sebagai berikut.

Berdasarkan asumsi-asumsi dari model regresi linear klasik, estimator OLS

memiliki variansi minimum di antara estimator-estimator takbias lainnya sehingga

estimator OLS disebut sebagai estimator takbias linear terbaik (Best Linear Unbiased

Estimators/ BLUE). Berikut ini adalah pembuktian dari sifat BLUE OLS (Gujarati,

2004).

a. Linear

Estimator yang diperoleh dengan metode OLS adalah linear dan persamaannya

adalah sebagai berikut:

Hal itu disebabkan (X’X)-1X’ merupakan matriks dengan bilangan tetap dengan

�̂� merupakan fungsi linear dari Y.

b. Takbias (Unbiased)

Jadi, �̂� merupakan estimator takbias dari �̂�.

c. Variansi Minimum

Cara menunjukkan bahwa semua 𝜷𝑖 dalam vektor �̂� adalah estimator terbaik

(best estimator) ialah dengan membuktikan bahwa �̂� mempunyai variansi yang

terkecil atau minimum di antara variansi estimator takbias linear yang lain.

9

Dengan demikian, akan ditunjukkan bahwa var (�̂�) < var (�̂�*).

Jika �̂�* adalah estimator linear yang lain dari �̂�, persamaannya dapat ditulis

sebagai berikut.

Dengan c adalah matriks konstanta, persamaannya adalah sebagai berikut.

Karena diasumsikan bahwa (�̂�*) merupakan estimator takbias dari β, E(�̂�*)

seharusnya β, dengan kata lain cXβ seharusnya merupakan matriks nol, atau cX =

0.

Jadi, diperoleh �̂�* - β = (X’X)-1 X’ε + cε = ((X’X)-1X’ + c)ε

10

Dalam persamaan di atas ditunjukkan bahwa matriks variansi estimator

linear takbias �̂� merupakan penjumlahan matriks variansi estimator OLS dengan

σ2cc’. Secara matematis, terbukti bahwa var (�̂�*) < var (�̂�*).

Menurut Kuncoro (2001), terdapat beberapa asumsi utama yang mendasari

model regresi linear klasik dengan metode OLS yang meliputi hal-hal sebagai

berikut.

1. Model regresi adalah linear dalam parameter.

2. Error term dan sampling koefisien regresi terdistribusi normal sehingga nilai

harapan dan rata-rata kesalahan (error) adalah nol.

3. Varians-nya tetap (homoscedastic).

4. Tidak ada hubungan antara variabel bebas dan error term.

5. Tidak ada autocorrelation dalam error term.

6. Hubungan antarvariabel bebas (multicolinearity) pada regresi linear berganda

tidak terjadi.

3.1.2. Metode Nowcasting

Dalam penyusunan nowcasting terhadap konsumsi rumah tangga dan

investasi, beberapa metode yang dapat digunakan adalah Bridge Equation, Mixed

Data Sampling (MIDAS), Mixed Frequency VAR, dan Mixed Frequency Factor Model

(atau sering juga disebut Dynamic Factor Model). Namun, metode yang digunakan

dalam penelitian ini adalah metode Bridge Equation dan Distributed Lag Model (DLM).

3.1.2.1. Bridge Equation

Metode Bridge Equation pertama kali diperkenalkan oleh Baffigi, et al. (2004).

Bridge Equation merupakan regresi linier yang menghubungkan variabel-variabel

berfrekuensi tinggi dengan variabel-variabel berfrekuensi lebih rendah. Dalam hal

11

ini, data PDB/PDRB yang memiliki frekuensi kuartalan dihubungkan dengan

sejumlah prompt indikator yang berfrekuensi bulanan. Namun, agar data-data yang

memiliki perbedaan frekuensi tersebut dapat diestimasi, data dengan frekuensi yang

lebih tinggi perlu dikonversi terlebih dahulu menjadi data dengan frekuensi yang

lebih rendah. Dengan demikian, dengan menggunakan Bridge Equation dapat

diperoleh estimasi atas kondisi terkini perekonomian sebelum dikeluarkannya data

kuartalan dimaksud. Adapun spesifikasi dari Bridge Equation adalah sebagai

berikut:

𝒚𝒕 = 𝜶 + 𝜷𝒙𝒕−𝟏𝒒

+ 𝒖𝒕 (2.1)

Keterangan:

Yt : Reference series (kuartalan)

Xt : Indikator bulanan yang diagregasi menjadi kuartalan

β : Koefisien dengan lag polynomial

Tahapan dalam penyusunan Bridge Equation adalah indikator bulanan pada

triwulan berjalan yang apabila belum tersedia dapat diproyeksi secara autoregresif,

baik dengan menggunakan ARIMA maupun VAR. Setelah itu, nilai indikator yang

telah diagregasi diperlakukan sebagai regressor. Namun, sebagaimana yang

diungkapkan oleh Bańbura, et al. (2012), penggunaan Bridge Equation memiliki

keterbatasan, yaitu kemungkinan hilangnya sejumlah informasi akibat

pengagregasian data dari bulanan menjadi kuartalan.

3.1.2.2. Distributed Lag Model

Distributed Lag Model (DLM) merupakan pendekatan alternatif untuk

menghindari konversi data bulanan menjadi data kuartalan. Merujuk pada

penggunaan DLM oleh Kurniawan (2014), data bulanan dibagi menjadi tiga

kelompok, yaitu data bulan pertama kuartal berjalan, data bulan kedua kuartal

berjalan, dan data bulan ketiga kuartal berjalan. Dengan demikian, terdapat tiga

data kuartalan untuk setiap indikator. Adapun spesifikasi dari model distributed lag

adalah sebagai berikut:

𝒚𝒕 = 𝝁 + ∑ 𝜷𝒋𝒙𝒕−

(𝒋−𝟏)

𝟑

+ 𝒖𝒕𝒎𝒋=𝟏 j=1,…,m (2.2)

Dalam kasus tersebut, data yang digunakan adalah data kuartalan dan

bulanan dan yang kita gunakan hanya data bulanan pada kuartal berjalan (𝑚=3).

Persamaan (2.2) di atas dapat ditulis ulang sebagai berikut:

12

𝒚𝒕 = 𝝁 + 𝜷𝟏𝒙𝒕 + 𝜷𝟐𝒙𝒕−

𝟏

𝟑

+ 𝜷𝟑𝒙𝒕−

𝟐

𝟑

+ 𝒖𝒕 (2.3)

Secara umum, apabila hasil estimasi 𝛽1, 𝛽2, dan 𝛽3 dalam Persamaan (2.3) adalah

1

3, Distributed Lag Model dengan 𝑚=3 akan sama dengan Bridge Model pada

persamaan (2.1) di atas. Dengan kata lain, Bridge Model merupakan bentuk khusus

dari Distributed Lag Model.

3.1.3. Metode Validasi

Validitas dari model dapat diukur berdasarkan keakuratan nilai ramalan

yang dihasilkan dari model dibandingkan dengan nilai aktualnya sehingga tolok

ukurnya adalah deviasi minimal antara nilai ramalan tersebut dan nilai aktual.

Keakuratan hasil ramalan pada model ini akan sangat bergantung pada

a) keakuratan spesifikasi model;

b) keakuratan data yang digunakan dalam estimasi; dan

c) keakuratan metode estimasi yang digunakan.

Untuk menguji keakuratan model nowcasting, metode perhitungan deviasi

yang digunakan terhadap persamaan-persamaan yang dihasilkan adalah dengan

Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute

Percentage Error (MAPE), dan Theil’s Inequality Coefficient (U-Theil). Berbagai metode

ini pada dasarnya mempunyai tujuan yang sama, yaitu untuk mengukur seberapa

dekat hasil ramalan yang dilakukan dibandingkan dengan data aktualnya. Makin

kecil deviasi, makin akurat model yang dihasilkan. Tiap-tiap metode pengukuran

tersebut dituliskan sebagai berikut.

a) Root Mean Square Error (RMSE)

𝑅𝑀𝑆𝐸 = √1

𝑇∑ (𝑌𝑡

𝑆 − 𝑌𝑡𝑎)2𝑇

𝑡=1

b) Mean Absolute Error (MAE)

Deviasi variabel yang disimulasikan dari actual time path adalah sebagai berikut.

𝑀𝐴𝐸 =1

𝑇∑ |𝑌𝑡

𝑆 − 𝑌𝑡𝑎|𝑇

𝑡=1

c) Mean Absolute Percentage Error (MAPE)

Kesalahan nilai simulasi (deviasi) dibandingkan dengan nilai aktual variabel

tersebut ialah sebagai berikut.

13

𝑀𝐴𝑃𝐸 =1

𝑇∑ |

𝑌𝑡𝑆−𝑌𝑡

𝑎

𝑌𝑡𝑎 |𝑇

𝑡=1

d) Theil’s Inequality Coefficient (U-Theil)

𝑈 − 𝑇ℎ𝑒𝑖𝑙 =√

1

𝑇∑ (𝑌𝑡

𝑆−𝑌𝑡𝑎)

2𝑇𝑡=1

√1

𝑇∑ (𝑌𝑡

𝑆)2𝑇

𝑡=1 +√1

𝑇∑ (𝑌𝑡

𝑎)2𝑇

𝑡=1

𝑌𝑡𝑆 adalah nilai ramalan, 𝑌𝑡

𝑎 adalah nilai aktual, dan T adalah jumlah periode

simulasi. Besaran U-Theil adalah 1U-Theil0. Jika U-Theil sama dengan 0,

artinya nilai simulasi sama dengan nilai aktual (perfect fit). Dalam hal ini, model

yang baik seharusnya memiliki nilai U-Theil 0,1.

Untuk mengetahui stabilitas mode, digunakan uji stabilitas struktural model

atau yang lebih dikenal dengan Uji Stabilitas Brown et.al (1975). Pada prinsipnya,

uji stabilitas yang didasarkan pada recursive residual dapat dibedakan menjadi dua,

yaitu CUSUM (cumulative sum) dan CUSUMQ (cumulative sum of square).

CUSUM menyatukan semua informasi dari deret nilai sampel dengan

menggabungkan jumlah kumulatif dari deviasi nilai sampel dan nilai target. Untuk

ukuran sampel yang lebih besar dari 1 (n>1), CUSUM dibentuk dari plot nilai

Ci=∑ (𝑥𝑗 𝜇0)𝑖𝑗−1 terhadap nilai sampel i, dengan 𝑥𝑗 adalah rata-rata sampel ke-j dan 𝜇0

adalah target dari mean proses.

CUSUM digunakan untuk memantau rataan dan variasi dari proses dengan

mengakumulasikan selisih dari 𝜇0 yang berada di atas target dengan statistik C+ dan

mengakumulasikan selisih dari 𝜇0 yang berada di bawah target dengan statistik C-.

Kedua statistik tersebut, C+ dan C- , disebut CUSUM sisi atas dan sisi bawah.

Keduanya dihitung dengan rumus sebagai berikut:

Pada persamaan di atas, K biasa disebut sebagai nilai rekomendasi atau nilai

toleransi dan sering kali dipilih sekitar setengah antara nilai target 𝜇0 dan nilai di

luar kendali dengan rataan 𝜇1.

Uji CUSUM ini didasarkan pada nilai kumulatif dari jumlah recursive residual.

Jika nilai kumulatif recursive residual ini berada di dalam band, hal itu

mengindikasikan adanya kestabilan parameter estimasi di dalam periode penelitian.

14

Sebaliknya, jika nilai kumulatif recursive residual berada di luar band berarti

menunjukkan adanya ketidakstabilan parameter di dalam periode penelitian

(Widarjono, 2013).

3.2. Data

Data yang akan digunakan dalam penelitian ini adalah data dari tahun 2009

hingga tahun 2017, tetapi periode data di tiap-tiap regional dapat berbeda

bergantung pada ketersediaan data. Pengujian pseudo out of sample dilakukan

dengan menggunakan data tahun 2018. Untuk data reference series, yaitu data

konsumsi rumah tangga dan investasi menggunakan data yang dirilis oleh BPS

dengan waktu rilis 35 hari setelah triwulan laporan. Sementara itu, data yang akan

digunakan sebagai variabel atau component series merupakan data sekunder yang

didapatkan dari berbagai sumber. Adapun data-data untuk component series tidak

memiliki awal dan akhir periode yang sama sehingga akan disesuaikan

ketersediaannya terhadap data reference series.

Untuk data reference series yaitu konsumsi rumah tangga, data pada tahun

2010—2017 merupakan data dengan tahun dasar 2010, sedangkan data dari

2005—2010 merupakan data dengan tahun dasar 2000. Terkait dengan perbedaan

tersebut, dilakukan backcasting dengan menggunakan pertumbuhannya. Adapun

data konsumsi rumah tangga dengan tahun dasar 2010 tidak meliputi konsumsi

lembaga nonprofit. Perlakuan yang sama diterapkan pada data investasi atau PMTB.

3.3. Tahapan

Penyusunan nowcasting untuk konsumsi rumah tangga dan juga investasi

dilakukan melalui beberapa tahapan yang meliputi pemilihan indikator, nowcasting

exercise, dan juga evaluasi kinerja model. Tahap pertama adalah melakukan

pemilihan indikator yang akan dimasukkan ke dalam model. Berdasarkan OECD

(2012), dalam pemilihan indikator harus diperhatikan keterkaitan ekonomi atau

relevansi antara dependent dan independent variable. Selain itu, dalam pemilihan

indikator juga perlu dilihat pertimbangan praktikal, yaitu adanya ketersediaan data

yang baik dengan frekuensi tinggi sehingga dapat diandalkan (revisi/perubahan

data masa lalu jarang terjadi), adanya data historis yang relatif panjang, serta

adanya timelag publikasi yang tidak lama. Selanjutnya, setelah indikator yang

memiliki keterkaitan ekonomi dengan komponen konsumsi rumah tangga dan

investasi dipilih, indikator-indikator tersebut akan diseleksi dengan pertimbangan

15

beberapa kriteria. Hal tersebut dilakukan untuk melihat keeratan hubungan antara

reference series dan component series.

Setelah dilakukan pemilihan indikator, tahapan selanjutnya adalah exercise

terhadap model. Dalam hal ini, estimasi akan dilakukan menggunakan metode

Bridge Model dan DLM dengan menggunakan data tahun 2009—2017 untuk wilayah

Sumatra dan Jawa, sedangkan pengujian untuk wilayah Kawasan Timur Indonesia

dilakukan selama periode observasi 2011—2017. Exercise model dilakukan dengan

mengombinasikan beberapa component series. Pemilihan component series dapat

dilakukan dengan mengombinasikan tiga, empat, lima, hingga enam indikator dari

kandidat indikator yang telah terpilih. Selanjutnya, pemilihan model terbaik

dilakukan melalui pengujian pseudo out-of-sample dengan memakai data tahun

2018. Beberapa kriteria akan diuji berdasarkan kemampuan model dalam

memperkirakan pertumbuhan konsumsi rumah tangga dan investasi pada tiap

triwulan pada tahun 2018.

Tahapan terakhir dari penyusunan nowcasting adalah evaluasi kinerja model.

Evaluasi yang dilakukan adalah memilih kombinasi terbaik dari setiap metode

nowcasting yang digunakan. Setelah itu, dilakukan pemilihan terhadap hasil yang

lebih baik (deviasi) antara pengujian pseudo out-of-sample dengan menggunakan

Bridge Equation dan juga DLM. Selain itu, dilihat juga nilai RMSE terkecil yang

menunjukkan bahwa hasil prediksi model tersebut lebih akurat.

16

4. Hasil dan Analisis

4.1. Regional Sumatra

4.1.1. Pemilihan Indikator Regional Sumatra

Sebagaimana disebutkan di awal, dalam pemilihan indikator dipersyaratkan

dua hal, yakni relevansi ekonomi dan pertimbangan praktikal. Atas dasar tersebut

dihasilkan beberapa kandidat indikator bagi konsumsi rumah tangga dan investasi

yang memenuhi kedua persyaratan tersebut. Selanjutnya, beberapa kandidat

indikator tersebut diseleksi lebih lanjut untuk melihat keeratan hubungannya dan

kontribusinya dalam menjelaskan reference series.

Konsumsi rumah tangga merupakan komponen PDRB yang terbesar dalam

perekonomian Sumatra. Porsi konsumsi rumah tangga dalam PDRB Sumatra

berkisar antara 47,5%—49,6% selama tahun 2011—2018. Berdasarkan relevansi

ekonomi diperoleh sejumlah indikator yang memiliki keterkaitan erat dengan

konsumsi rumah tangga, yang dapat dikategorikan sebagai berikut.

Indikator yang merepresentasikan besarnya konsumsi rumah tangga dan

pandangan masyarakat terhadap prospek perekonomian ke depan sehingga

mendasari keputusan dalam melakukan konsumsi meliputi indeks penjualan

riil (IPR), nilai tukar petani (NTP), indeks keyakinan konsumen (komposit,

kondisi ekonomi saat ini, dan ekspektasi) dan harga komoditas global (minyak,

CPO, karet, batubara, dan kopi, baik robusta maupun arabika).

Indikator yang terkait dengan kinerja perekonomian yang dapat memengaruhi

tingkat pendapatan dan/atau konsumsi rumah tangga meliputi impor barang

konsumsi, total ekspor, dan bongkar muat barang (baik melalui pelabuhan

domestik maupun internasional).

Indikator yang terkait dengan perbankan yang mencerminkan konsumsi

masyarakat serta nilai tukar yang dapat memengaruhi keputusan masyarakat

untuk melakukan konsumsi meliputi kredit (total dan konsumsi), simpanan

(total DPK, giro, tabungan, dan deposito) serta nilai tukar rupiah terhadap USD

secara nominal.

Tabel 4.1 menunjukkan koefisien korelasi beberapa kandidat indikator,

dalam growth y-o-y (difference-nya untuk data dalam persentase), terhadap

konsumsi rumah tangga. Dari hasil tersebut dipilih indikator dengan nilai koefisien

17

korelasi dalam growth y-o-y (difference-nya untuk data dalam persentase) yang relatif

tinggi, yaitu di atas 0,15 dan memiliki tanda korelasi yang sesuai dengan teori

ekonomi untuk diproses ke tahap selanjutnya.

Tabel 0.1. Koefisien Korelasi, Frekuensi, dan Lag Publikasi Kandidat Indikator Konsumsi

Rumah Tangga

Berdasarkan kriteria tersebut, indikator yang terpilih adalah nilai tukar

petani, indeks penjualan eceran, harga CPO, harga kopi robusta, harga kopi arabika,

indeks keyakinan konsumen, kredit (total dan konsumsi), dan simpanan (giro,

tabungan, deposito, dan total DPK). Khusus untuk indikator harga kopi arabika dan

tabungan tetap dipilih meski nilai koefisien korelasi dalam growth y-o-y di bawah

0,15 dengan mempertimbangkan adanya keterkaitan yang erat dengan konsumsi

rumah tangga.

Berdasarkan aspek pertimbangan praktikal, seluruh indikator terpilih

tersebut juga memenuhi persyaratan, yaitu memiliki frekuensi bulanan dan harian

serta lag publikasi yang tidak terlalu lama, berkisar antara satu hari sampai dengan

dua bulan.

Growth (yoy) tanda

1 Nilai Tukar Petani 0.29 √ bulanan 1 hari

2 Indeks Penjualan Eceran 0.55 √ bulanan 7 hari

3 Impor barang konsumsi -0.41 - bulanan 30 hari

4 Ekspor -0.48 - bulanan 30 hari

5 Harga CPO 0.45 √ harian 1 hari

6 Harga Karet -0.60 - harian 1 hari

7 Harga Batubara -0.54 - harian 1 hari

8 Harga Kopi Robusta 0.15 √ harian 1 hari

9 Harga Kopi Arabika 0.01 √ harian 1 hari

10 Indeks Keyakinan Konsumen 0.17 √ bulanan 9 hari

11 Indeks Kondisi Ekonomi 0.04 √ bulanan 9 hari

12 Indeks Ekspektasi Konsumen 0.02 √ bulanan 9 hari

13 Kargo muat pelabuhan internasional 0.26 √ bulanan 1-2 bulan

14 Kargo muat pelabuhan domestik -0.36 - bulanan 1-2 bulan

15 Kargo bongkar pelabuhan internasional -0.30 - bulanan 1-2 bulan

16 Kargo bongkar pelabuhan domestik -0.19 - bulanan 1-2 bulan

17 Total kredit 0.43 √ bulanan 14 hari

18 giro -0.27 √ bulanan 14 hari

19 tabungan -0.05 √ bulanan 14 hari

20 deposito -0.29 √ bulanan 14 hari

21 Total DPK -0.31 √ bulanan 14 hari

22 Harga Minyak Minas -0.29 - harian 1 hari

23 Harga Minyak WTI -0.29 - harian 1 hari

24 Nilai tukar rupiah terhadap USD 0.42 - harian 1 hari

25 Kredit konsumsi 0.37 √ bulanan 14 hari

Koef. KorelasiNo. Indikator Frekuensi Lag Publikasi

18

Investasi atau penanaman modal tetap bruto (PMTB) juga merupakan

komponen dalam PDRB yang memberikan kontribusi cukup signifikan dan menjadi

penggerak perekonomian. Porsi investasi dalam PDRB Sumatra berkisar antara

30,8%—32,1% selama tahun 2011—2018. Berdasarkan relevansi ekonomi diperoleh

sejumlah indikator yang memiliki keterkaitan erat dengan investasi, yang dapat

dikategorikan sebagai berikut.

Indikator yang merepresentasikan besarnya investasi adalah penjualan semen.

Indikator yang terkait dengan kinerja perekonomian sehingga dapat

memengaruhi kemampuan investasi perusahaan dan/atau rumah tangga

dalam investasi meliputi impor barang modal, total impor, total ekspor, dan

bongkar muat barang (baik melalui pelabuhan domestik maupun

internasional)

Indikator yang terkait dengan perbankan, yang mencerminkan investasi serta

nilai tukar dan dapat memengaruhi keputusan perusahaan dan/atau rumah

tangga untuk melakukan investasi meliputi kredit (total dan investasi) serta

nilai tukar rupiah terhadap USD secara nominal.

Dari sejumlah kandidat tersebut dipilih beberapa indikator yang memiliki

nilai koefisien korelasi yang cukup tinggi. Tabel 4.2 menunjukkan koefisien korelasi

beberapa kandidat indikator dalam persentase pertumbuhan tahunan terhadap

investasi. Dari hasil tersebut dipilih indikator dengan nilai koefisien korelasi di atas

0,15 dan memiliki tanda korelasi yang sesuai dengan teori ekonomi untuk diproses

ke tahap selanjutnya.

19

Tabel 0.2. Koefisien Korelasi, Frekuensi, dan Lag Publikasi Kandidat Indikator Investasi

Berdasarkan kriteria tersebut, indikator yang terpilih ialah penjualan semen,

impor barang modal, harga CPO, harga karet, harga batubara, harga kopi robusta,

harga kopi arabika, total kredit, kredit investasi, dan nilai tukar rupiah terhadap

USD.

Berdasarkan aspek pertimbangan praktikal, seluruh indikator terpilih

tersebut juga memenuhi persyaratan, yaitu memiliki frekuensi bulanan dan harian

serta lag publikasinya berkisar antara satu hari sampai dengan dua bulan

4.1.2. Nowcasting Exercise dan Evaluasi Kinerja Model Regional Sumatra

Untuk mendapatkan model dengan kemampuan nowcasting terbaik,

dilakukan exercise dengan menggunakan beberapa kombinasi indikator yang

berbeda. Selanjutnya, berdasarkan hasil pengujian pseudo out-of-sample dipilih

model yang nilai RMSE-nya kecil dan adjustred R-squared tertinggi dengan hasil

sebagai berikut.

4.1.2.1. Konsumsi Rumah Tangga-Bridge Model

Exercise dilakukan dengan melakukan regresi atas sejumlah kombinasi dari

dua belas kandidat indikator terpilih yang menghasilkan lima kombinasi indikator

terbaik sebagaimana ditunjukkan pada Tabel 4.3. Dari exercise tersebut diperoleh

Growth (yoy) tanda

1 Penjualan Semen 0.65 √ bulanan 11-15 hari

2 Impor barang modal 0.28 √ bulanan 30 hari

3 Total Impor 0.57 √ bulanan 30 hari

4 Total Ekspor 0.36 √ bulanan 30 hari

5 Harga CPO 0.38 √ harian 1 hari

6 Harga karet 0.24 √ harian 1 hari

7 Harga batubara 0.30 √ harian 1 hari

8 Harga kopi robusta 0.30 √ harian 1 hari

9 Harga kopi arabika 0.03 √ harian 1 hari

10 Indeks Keyakinan Konsumen 0.25 √ bulanan 9 hari

11 Indeks Kondisi Ekonomi 0.18 √ bulanan 9 hari

12 Indeks Ekspektasi Konsumen 0.13 √ bulanan 9 hari

13 Kargo muat pelabuhan internasional 0.07 √ bulanan 1-2 bulan

14 Kargo muat pelabuhan domestik 0.43 √ bulanan 1-2 bulan

15 Kargo bongkar pelabuhan internasional -0.07 - bulanan 1-2 bulan

16 Kargo bongkar pelabuhan domestik 0.22 √ bulanan 1-2 bulan

17 Total kredit 0.63 √ bulanan 14 hari

18 Harga Minyak Minas 0.49 √ harian 1 hari

19 Harga Minyak WTI 0.40 √ harian 1 hari

20 kredit invetasi 0.59 √ bulanan 14 hari

21 nilai tukar rupiah terhadap USD (nominal) -0.30 √ harian 1 hari

Koef. KorelasiNo. Indikator Frekuensi Lag Publikasi

20

kombinasi component series atau indikator yang terbaik di Nomor 3, yaitu nilai tukar

petani, tabungan, giro dan kredit konsumsi berdasarkan adjustred R-squared

terbaik, dan nilai RMSE yang kecil.

Tabel 0.3. Nowcasting Exercise-Konsumsi Rumah Tangga dengan Bridge Model

No.

Component Series

(Indikator yang digunakan)

Error (Selisih nowcasting

terhadap aktual) Adj R2 RMSE MSE

2018

I II

1 A–B– C (0.13) 0.56 0.69 0.40 0.16

2 A–B–C–F (0.14) 0.55 0.67 0.39 0.15

3 A – B – C – D (0.35) 0.35 0.84 0.34 0.12

4 A–E–G (0.05) 0.76 0.91 0.53 0.28

5 D–E (0.25) 0.33 0.64 0.29 0.08

Keterangan:

A. Nilai Tukar Petani B. Tabungan

C. Giro

D. Kredit Konsumsi

E. Indeks Keyakinan Konsumen

F. Deposito

G. Harga Kopi Arabika H. Total Kredit

I. Total DPK

J. Harga CPO

K. Harga Kopi Robusta

L. Indeks Penjualan Eceran

Secara lebih terperinci, kombinasi indikator Nomor 3 dan 4 memiliki common

factor tertinggi dalam hal konsumsi rumah tangga. Hal itu terlihat dari nilai

Adjustred R-squared yang cukup tinggi (berada di atas 0,80). Meskipun demikian,

kombinasi indikator Nomor 3 memiliki keakuratan yang lebih baik karena nilai

RMSE-nya kecil. Hasil exercise pada Tabel 4.3 juga menunjukkan bahwa perbedaan

kinerja lima kombinasi indikator terbaik tersebut sangat tipis. Hal itu terlihat dari

perbedaan RMSE antarkombinasi yang sangat kecil. Adapun hasil estimasi dari

kombinasi Nomor 3 dapat dilihat pada tabel 4.4 sebagai berikut.

Tabel 0.4. Hasil Bridge Model Konsumsi Rumah Tangga

Variabel Koefisien Prob. Std. Error Cusum Test

C -10.54 0.0000 1.9403

Nilai Tukar Petani 0.15 0.0000 0.0199

Tabungan -0.02 0.0126 0.0099

Giro -0.01 0.0143 0.0050

Kredit Konsumsi 0.005 0.5166 0.0078

Adjusted R Square

Durbin-Watson Stat

LM Test Stat Cusum Square Test

Heteroscedasticity

RMSE

MSE

U-Theil

Akaike info criterion

Schwarz criterion

0.12

-0.49

-0.67

0.05

Diagnostic Test

0.84

2.52

0.02

0.05

0.34

-15

-10

-5

0

5

10

15

III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II

2012 2013 2014 2015 2016 2017 2018

CUSUM 5% Significance

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II

2012 2013 2014 2015 2016 2017 2018

CUSUM of Squares 5% Significance

21

4.1.2.2. Konsumsi Rumah Tangga-Distributed Lag Model

Seperti yang dilakukan dengan metode Bridge Model, exercise dilakukan

dengan melakukan regresi atas sejumlah kombinasi dari dua belas kandidat

indikator yang terpilih dan menghasilkan lima kombinasi indikator terbaik

sebagaimana ditunjukkan pada Tabel 4.5. Dari exercise tersebut diperoleh

kombinasi component series atau indikator yang terbaik di Nomor 5, yaitu nilai tukar

petani, kredit konsumsi, indeks keyakinan konsumen, harga kopi arabika, dan total

DPK, berdasarkan nilai adjustred R-squared terbaik dan RMSE terkecil.

Tabel 0.5. Nowcasting Exercise-Konsumsi Rumah Tangga dengan Distributed Lag Model

No.

Component Series

(Indikator yang

digunakan)

Error

(Selisih nowcasting terhadap aktual) Adj R2 RMSE MSE

2018

I II

1 B–C–H (0.13) 0.47 0.66 0.34 0.11

2 A–B–D–G 0.01 0.74 0.95 0.52 0.27

3 A–D–G–I (0.15) 0.33 0.80 0.25 0.06

4 A–E–D–J–K (0.77) 0.51 0.90 0.65 0.40

5 A–D–E–G–I (0.07) 0.18 0.92 0.13 0.02

Keterangan:

A. Nilai Tukar Petani

B. Tabungan C. Giro

D. Kredit Konsumsi

E. Indeks Keyakinan Konsumen

F. Deposito

G. Harga Kopi Arabika

H. Total Kredit I. Total DPK

J. Harga CPO

K. Harga Kopi Robusta

L. Indeks Penjualan Eceran

Secara lebih terperinci, kombinasi indikator Nomor 2, 3, dan 5 memiliki

common factor tertinggi dengan konsumsi rumah tangga yang terlihat dari nilai

Adjustred R-squared yang cukup tinggi (berada di atas 0,80). Meskipun demikian,

kombinasi indikator Nomor 5 memiliki keakuratan yang lebih optimal terlihat dari

nilai RMSE-nya yang paling kecil. Adapun hasil estimasi dari kombinasi Nomor 5

dapat dilihat pada Tabel 4.6 sebagai berikut:

22

Tabel 0.6. Hasil Distributed Lag Model Konsumsi Rumah Tangga

4.1.2.3. Investasi-Bridge Model

Seperti halnya pada konsumsi rumah tangga, uji regresi untuk investasi

dilakukan terhadap sejumlah kombinasi dari sepuluh kandidat indikator yang

terpilih yang menghasilkan lima kombinasi indikator terbaik sebagaimana

ditunjukkan pada Tabel 4.7. Dari exercise tersebut diperoleh kombinasi variabel

yang terbaik di Nomor 2, yaitu penjualan semen, impor barang modal, harga CPO,

harga karet, harga batubara, dan total kredit, berdasarkan nilai adjustred R-squared

terbaik dan RMSE terkecil.

Tabel 0.7. Nowcasting Exercise–Investasi dengan Bridge Model

No.

Component Series

(Indikator yang

digunakan)

Error

(Selisih nowcasting


2018

I II

1 A–B–C–D–E–I 1.84 0.60 0.91 1.36 1.85

2 A–B–C–D–E–H 0.56 (0.63) 0.83 0.59 0.35

3 A–C–I 0.22 (0.95) 0.80 1.36 1.85

4 A–C–I–J (0.31) 1.27 0.87 0.92 0.85

5 A–D 1.45 1.13 0.73 1.29 1.66

Keterangan:


C -0.59 0.7654 1.9369

Nilai Tukar Petani_1 -0.12 0.0247 0.0480

Nilai Tukar Petani_2 0.15 0.0157 0.0526


Harga Kopi Arabika_1 0.003 0.1467 0.0023



Indeks Keyakinan Konsumen_1 0.03 0.0348 0.0131

Indeks Keyakinan Konsumen_2 -0.01 0.1732 0.0121

Indeks Keyakinan Konsumen_3 0.005 0.0975 0.0029

Kredit Konsumsi_1 0.10 0.0001 0.0157

Kredit Konsumsi_2 0.006 0.8815 0.0411

Kredit Konsumsi_3 -0.01 0.7650 0.0339 Cusum Square Test

Total DPK_1 -0.03 0.1729 0.0237

Total DPK_2 0.01 0.6976 0.0295

Total DPK_3 -0.06 0.0915 0.0350

Std. Error

Adjusted R Square

Durbin-Watson Stat

LM Test Stat

Heteroscedasticity

RMSE

MSE

U-Theil


Schwarz criterion

-1.30

-0.36

0.02

Diagnostic Test

0.77

0.13

0.01

0.92

1.80

0.88

-10.0

-7.5

-5.0

-2.5

0.0

2.5

5.0

7.5

10.0

II III IV I II III IV I II

2016 2017 2018


-0.4

0.0

0.4

0.8

1.2

1.6

II III IV I II III IV I II

2016 2017 2018


23

A. Penjualan Semen

B. Impor Barang Modal

C. Harga CPO

D. Harga Karet E. Harga Batubara

F. Harga Kopi Robusta


H. Total Kredit

I. Kredit Investasi Nilai tukar rupiah terhadap USD

(nominal)

Secara lebih terperinci, kombinasi indikator Nomor 1, 2, dan 4 memiliki

common factor tertinggi dengan investasi, terlihat dari nilai Adjustred R-squared yang

cukup tinggi. Meskipun demikian, kombinasi Nomor 2 memiliki keakuratan yang

lebih optimal yang terlihat dari nilai RMSE-nya yang paling kecil. Adapun hasil

estimasi dari kombinasi Nomor 2 dapat dilihat pada Tabel 4.8 sebagai berikut:

Tabel 0.8. Hasil Bridge Model Investasi

4.1.2.4. Investasi-Distributed Lag Model

Seperti yang dilakukan pada metode Bridge Model, exercise dilakukan dengan

melakukan regresi sejumlah kombinasi dari sepuluh kandidat indikator yang

terpilih dan menghasilkan lima kombinasi indikator terbaik sebagaimana

ditunjukkan pada Tabel 4.8. Dari exercise tersebut diperoleh kombinasi component

series atau indikator yang terbaik di Nomor 1, yaitu penjualan semen, total kredit,

dan harga CPO berdasarkan nilai adjustred R-squared terbaik dan RMSE terkecil.


C 3.93 0.0000 0.3899

Total Kredit 0.06 0.0080 0.0218

Impor barang modal 0.04 0.0002 0.0093

Harga CPO 0.01 0.1511 0.0104

Harga Batubara 0.02 0.0458 0.0136

Harga Karet 0.01 0.2233 0.0083

Penjualan semen 0.06 0.0449 0.0311

Adjusted R Square

Durbin-Watson Stat Cusum Square Test

LM Test Stat

Heteroscedasticity

RMSE

MSE

U-Theil


Schwarz criterion

2.93

3.43

0.35

0.94

0.59

0.83

1.70

0.39

Diagnostic Test

0.04

-6

-4

-2

0

2

4

6

2017q4 2018q1 2018q2


-0.4

0.0

0.4

0.8

1.2

1.6

2017q4 2018q1 2018q2


24

Tabel 0.9. Nowcasting Exercise–Investasi dengan Distributed Lag Model

No.

Component Series

(Indikator yang

digunakan)

Error

(Selisih nowcasting


2018

I II

1 A–C–H (0.40) 0.01 0.85 0.28 0.08

2 A–C–I–J 2.70 0.32 0.89 1.92 3.69

3 A–C–I 0.55 0.14 0.90 0.39 0.15

4 A–C–H–J 2.55 1.15 0.82 1.97 3.88

5 C–I–J 2.00 1.53 0.87 1.77 3.13

Keterangan:

A. Penjualan Semen

B. Impor Barang Modal

C. Harga CPO D. Harga Karet

E. Harga Batubara

F. Harga Kopi Robusta


H. Total Kredit

I. Kredit Investasi Nilai tukar rupiah terhadap USD

(nominal)

Secara lebih terperinci, kombinasi indikator Nomor 1 dan 3 memiliki common

factor tertinggi dengan investasi, terlihat dari nilai Adjustred R-squared yang cukup

tinggi (berada di atas 0,80), serta memiliki keakuratan yang cukup baik tercermin

dari nilai RMSE yang relatif kecil dibandingkan dengan ketiga model lainnya.

Meskipun demikian, kombinasi Nomor 1 dinilai memiliki keakuratan lebih optimal

terlihat dari nilai RMSE-nya yang lebih kecil. Adapun hasil estimasi dari kombinasi

Nomor 1 dapat dilihat pada Tabel 4.10 sebagai berikut.

Tabel 0.10. Distributed Lag Model Investasi


C 1.07 0.0203 0.4314

Total Kredit_1 0.45 0.0322 0.1986

Total Kredit_2 -0.34 0.0930 0.1980

Total Kredit_3 0.13 0.0001 0.0290

Penjualan semen_1 0.01 0.0094 0.0160

Penjualan semen_2 0.0002 0.0057 0.0235

Penjualan semen_3 -0.03 0.0001 0.0147

Harga CPO_1 0.04 0.2916 0.0166

Harga CPO_2 -0.07 0.9851 0.0150

Harga CPO_3 0.06 0.0637 0.0167

Cusum Square Test

Adjusted R Square

Durbin-Watson Stat

LM Test Stat

Heteroscedasticity

RMSE

MSE

U-Theil


Schwarz criterion

2.83

3.41

0.08

Diagnostic Test

0.43

0.28

0.01

0.85

0.94

1.94

-15

-10

-5

0

5

10

15

II III IV I II III IV I II III IV I II III IV I II III IV

2013 2014 2015 2016 2017


-0.4

0.0

0.4

0.8

1.2

1.6


2013 2014 2015 2016 2017


25

4.1.3. Hasil dan Pembahasan

Berdasarkan uji regresi yang telah dilakukan, diperoleh hasil bahwa

kombinasi NTP, tabungan, giro, dan kredit konsumsi dengan metode Bridge Model

serta kombinasi NTP, kredit konsumsi, indeks keyakinan konsumen, harga kopi

arabika, dan total DPK dengan metode DLM menghasilkan proyeksi konsumsi

rumah tangga terbaik untuk wilayah Sumatra. Dari hasil tersebut terlihat bahwa

NTP yang merupakan indikator dalam menentukan tingkat kesejahteraan petani

dan menggambarkan pendapatan di sektor pertanian, terbilang substansial dalam

memengaruhi perilaku konsumsi rumah tangga di Sumatra. Hal itu sejalan dengan

tingginya kontribusi sektor pertanian dalam PDRB Sumatra, yang mencapai 22%,

menjadi sektor terbesar dalam PDRB Sumatra.

Kredit konsumsi juga memegang peranan penting dalam memberikan

indikasi atas tumbuhnya konsumsi rumah tangga sesuai dengan besarnya pangsa

kredit konsumsi terhadap total kredit di Sumatra yang mencapai 32%. Kredit

konsumsi yang meliputi kredit kendaraan bermotor (KKB), kredit multiguna, kredit

pemilikan rumah (KPR), dan rredit pemilikan apartemen (KPA) menjadi pilihan bagi

masyarakat sebagai sumber dana untuk meningkatkan belanja.

Selain itu, harga kopi arabika internasional turut memengaruhi aktivitas

konsumsi masyarakat. Hal itu sejalan dengan pentingnya peran industri kopi dalam

perekonomian sebagai salah satu komoditas unggulan ekspor Sumatra. Kopi

sebagai komoditas ekspor nonmigas Sumatra memberikan sumbangan sebesar 2%

terhadap total nilai ekspor nonmigas pada tahun 2017. Sumatra juga menjadi sentra

utama produsen kopi Indonesia dengan mencapai 70,2% dari total produksi kopi

nasional pada tahun 2017. Industri kopi Sumatra juga memiliki peran besar dalam

menyerap tenaga kerja, yaitu sekitar 758 ribu orang atau 3% dari total angkatan

kerja Sumatra pada tahun 2017. Oleh karena itu, pergerakan harga kopi arabika

diperkirakan mampu memberi indikasi atas pergerakan pertumbuhan konsumsi di

Sumatra.

Indikator lain yang merepresentasikan besarnya konsumsi rumah tangga

adalah indeks keyakinan konsumen (IKK). IKK diperoleh dari survei yang dilakukan

oleh Bank Indonesia secara bulanan untuk mengetahui keyakinan konsumen

mengenai kondisi ekonomi saat ini dan ekspektasi konsumen terhadap kondisi

perekonomian enam bulan yang akan datang. Secara konseptual, IKK digunakan

untuk mengukur perilaku konsumen rumah tangga atas berbagai faktor ekonomi

yang memengaruhi pengambilan keputusan, terutama terkait dengan belanja dan

26

simpanan. Oleh karena itu, perubahan IKK sangat berkaitan dengan konsumsi riil

masyarakat.

Selanjutnya, DPK juga menjadi variabel yang memengaruhi konsumsi rumah

tangga di Sumatra. Secara teoretis, pendapatan akan memengaruhi konsumsi dan

simpanan rumah tangga. Terkait dengan hal tersebut, makin besar konsumsi

masyarakat akan berdampak pada menurunnya simpanan dan begitu juga

sebaliknya, makin kecil konsumsi masyarakat, berpengaruh pada meningkatnya

simpanan.

Terkait dengan investasi, diperoleh hasil bahwa kombinasi penjualan semen,

impor barang modal, harga CPO, harga karet, harga batubara, dan total kredit

dengan metode Bridge Model serta kombinasi penjualan semen, total kredit dan

harga CPO dengan metode DLM mampu memberikan hasil proyeksi investasi

terbaik.

Dari kombinasi terbaik tersebut terlihat bahwa penjualan semen menjadi

indikator yang penting dalam pembentukan investasi di Sumatra. Sebagaimana

diketahui, investasi dapat dibedakan menjadi investasi bangunan dan

nonbangunan. Di wilayah Sumatra investasi bangunan tercatat terus meningkat

dibandingkan investasi nonbangunan, dengan pangsa investasi bangunan mencapai

71% pada tahun 2017. Salah satu indikator untuk melihat aktivitas investasi

bangunan adalah proyek infrastruktur dan konstruksi lain yang tentunya

berpengaruh pada konsumsi semen yang digunakan sehingga penjualan semen

sangat relevan dalam mencerminkan aktivitas investasi bangunan.

Selain itu, investasi di Sumatra juga dipengaruhi oleh pergerakan harga

komoditas unggulan ekspor Sumatra, seperti CPO, karet, dan batubara, karena

sektor ekonomi dan komoditas unggulan ekspor di Sumatra masih berbasis pada

sumber daya alam. Harga komoditas global yang tinggi dapat memunculkan

sentimen positif sehingga mendorong investasi yang lebih tinggi untuk

meningkatkan produksi. Lebih lanjut, variabel total kredit juga dapat menjadi

indikator yang baik dalam mencerminkan arah pertumbuhan investasi, mengingat

sumber dana investasi tidak hanya berasal dari modal atau laba perusahaan, tetapi

juga pembiayaan dari sistem perbankan melalui kredit investasi.

27

4.2. Regional Jawa

4.2.1. Pemilihan Indikator Regional Jawa

Konsumsi rumah tangga di bidang ekonomi di wilayah Jawa memiliki pangsa

terbesar dalam PDRB wilayah, yaitu berkisar antara 60%-64% pada periode 2009-

2017. Dalam perkembangannya, porsi konsumsi rumah tangga tersebut terus

mengalami penurunan dan mencapai angka terendah dalam sepuluh tahun terakhir

pada tahun 2017, yaitu sebesar 59,6%. Selanjutnya, beberapa indikator yang

dipertimbangkan sebagai indikator dalam estimasi adalah sebagai berikut.

Indikator yang merepresentasikan besaran konsumsi rumah tangga dan

pandangan konsumen terhadap kondisi perekonomian, seperti indeks keyakinan

konsumen (IKK), mencerminkan optimisme konsumen, misalnya dalam hal

penjualan kendaraan roda empat dan penjualan kendaraan roda dua.

Indikator yang terkait dengan kinerja perekonomian wilayah, baik di Jawa

maupun tingkat nasional meliputi industrial production index (IPI), produksi

kendaraan bermotor roda empat, impor barang konsumsi, ekspor komoditas

makanan dan minuman, inflasi (umum dan kelompok perumahan, listrik, gas

dan air), indeks harga saham sektoral (property, consumer goods, basic industries

dan manufacturing), dan volume bongkar pelabuhan serta volume muat

pelabuhan.

Indikator yang terkait dengan jasa keuangan atau perbankan ialah suku bunga

(DPK, deposito, tabungan, kredit dan kredit konsumsi).

Setelah dilakukan pemetaan awal atas beberapa pilihan indikator di atas,

selanjutnya dilakukan pemilihan variabel berdasarkan nilai koefisien korelasi yang

tinggi. Adapun indikator yang akan dipilih untuk dapat diproses lebih lanjut adalah

indikator yang memiliki nilai koefisien korelasi di atas 0,15. Selain itu, kriteria

indikator yang akan dipilih juga harus memiliki tanda korelasi yang benar.

28

Tabel 0.11. Koefisien Korelasi Kandidat Indikator Konsumsi Rumah Tangga

Melalui beberapa pertimbangan, seperti nilai koefisien korelasi tingkat

pertumbuhan yang berada di atas 0,15, ketepatan tanda dengan reference series,

serta ketersediaan data dalam waktu satu bulan (kecuali IPI yang mengalami lag 2-

3 bulan, memiliki peranan penting sebagai indikator industri pengolahan di Jawa),

telah dipilih lima belas indikator yang disimulasikan dalam nowcasting sebagai

berikut.

Tabel 0.12. Indikator Konsumsi Rumah Tangga Terpilih untuk Simulasi

Pilihan Indikator terhadap Konsumsi Rumah Tangga

1 Indeks Properti 6 Volume Bongkar

Pelabuhan

11 Suku Bunga Kredit

Konsumsi

2 Industrial Production Index

7 Produksi Mobil 12 Inflasi Umum

3 Ekspor Mamin 8 Suku Bunga Deposito 13 Impor Barang

Konsumsi *

4 Consumer Goods Index 9 Inflasi PLGA 14 Penjualan Mobil *

5 Indeks Manufaktur 10 Suku Bunga Kredit 15 Indeks Keyakinan

Konsumen *

*) Ketiga indikator tersebut tetap dimasukkan ke dalam pilihan indikator meski memiliki

nilai koefisien korelasi yang relatif kecil karena memiliki peran besar terhadap konsumsi rumah tangga.

Pertumbuhan ekonomi Jawa turut didorong oleh pertumbuhan investasi atau

penanaman modal tambah bruto (PMTB) yang di dalamnya terdapat porsi investasi

Growth (yoy) Tanda

1 Index Properti 0.28 √ Bulanan 1 hari

2 Industrial Production Index 0.25 √ Bulanan 2-3 bulan

3 Ekspor Mamin 0.23 √ Bulanan 1 bulan

4 Index Consumer Goods 0.22 √ Bulanan 1 hari

5 Index Manufacturing 0.20 √ Bulanan 1 hari

6 Volume Bongkar Pelabuhan 0.17 √ Bulanan 1-2 bulan

7 Produksi Mobil 0.15 √ Bulanan 1 bulan

8 Impor Barang Konsumsi 0.06 √ Bulanan 1 bulan

9 Penjualan Mobil 0.05 √ Bulanan 1 bulan

10 Index Keyakinan Konsumen 0.05 √ Bulanan 1 hari

11 Suku Bunga DPK -0.13 √ Bulanan 14 hari

12 Suku Bunga Deposito -0.16 √ Bulanan 14 hari

13 Inflasi PLGA -0.20 √ Bulanan 1 hari

14 Suku Bunga Kredit -0.27 √ Bulanan 14 hari

15 Suku Bunga Kredit Konsumsi -0.34 √ Bulanan 14 hari

16 Inflasi Umum -0.50 √ Bulanan 1 hari

17 Index Basic Industries -0.11 - Bulanan 1 hari

18 Volume Muat Pelabuhan -0.13 - Bulanan 1-2 bulan

19 Penjualan Motor -0.22 - Bulanan 1 bulan

FrekuensiLag

PublikasiNo Indikator

Koefisien Korelasi

29

berkisar pada angka 31—32%. Porsi investasi di Jawa tidak banyak mengalami

perubahan pada periode 2008—2017. Realisasi investasi di Jawa lebih banyak

didorong oleh pertumbuhan investasi bangunan dengan porsi mencapai 78%.

Sehubungan dengan hal tersebut, beberapa indikator yang akan dipilih untuk

kandidat estimasi adalah sebagai berikut.

Indikator yang merepresentasikan besarnya investasi meliputi konsumsi

semen, penjualan kendaraan roda empat, dan penjualan kendaraan roda

dua.

Indikator yang terkait dengan kinerja perekonomian di wilayah Jawa meliputi

IPI, volume bongkar pelabuhan, volume muat pelabuhan, indeks harga

saham sektoral (property, trade, basic industries, dan manufacturing), impor

barang modal, impor total, ekspor komoditas tekstil dan produk tekstil, serta

ekspor komoditas makanan dan minuman.

Indikator yang terkait dengan jasa keuangan atau perbankan ialah suku

bunga (kredit, kredit investasi, dan kredit modal kerja).

Setelah melakukan pemetaan awal terhadap beberapa pilihan indikator di

atas, dilakukan pemilihan variabel berdasarkan nilai koefisien korelasi yang tinggi.

Adapun indikator yang akan dipilih untuk dapat diproses lebih lanjut adalah

indikator yang memiliki nilai koefisien korelasi di atas 0,15. Selain itu, kriteria

indikator yang akan dipilih juga harus memiliki tanda korelasi yang benar.


Growth (yoy) Tanda

1 Impor Barang Modal 0.76 √ Bulanan 1 bulan

2 Impor Total 0.67 √ Bulanan 1 bulan

3 Produksi Mobil 0.62 √ Bulanan 1 bulan

4 Ekspor Mamin 0.62 √ Bulanan 1 bulan

5 Penjualan Mobil 0.61 √ Bulanan 1 bulan

6 Konsumsi Semen 0.43 √ Bulanan 1 bulan

7 Index Trade 0.43 √ Bulanan 1 hari

8 Ekspor TPT 0.41 √ Bulanan 1 bulan

9 Volume Bongkar Pelabuhan 0.40 √ Bulanan 1-2 bulan

10 Volume Muat Pelabuhan 0.32 √ Bulanan 1 bulan

11 Volume Muat Pelabuhan 0.32 √ Bulanan 1-2 bulan

12 Index Properti 0.19 √ Bulanan 1 hari

13 Index Manufacturing 0.18 √ Bulanan 1 hari

14 Penjualan Motor 0.18 √ Bulanan 1 bulan

15 Industrial Production Index 0.17 √ Bulanan 2-3 bulan

16 Index Basic Industries 0.15 √ Bulanan 1 hari

17 Suku Bunga Kredit Konsumsi -0.52 √ Bulanan 14 hari

18 Suku Bunga Investasi -0.58 √ Bulanan 14 hari

19 Suku Bunga Kredit -0.69 √ Bulanan 14 hari

Lag


Koefisien KorelasiFrekuensi

30

Dengan mempertimbangkan nilai koefisien korelasi tingkat pertumbuhan

yang berada di atas 0,15, ketepatan tanda dengan reference series, serta

ketersediaan data yang tersedia dalam waktu satu bulan (kecuali IPI yang

mengalami lag 2-3 bulan, tetapi memiliki peranan penting sebagai indikator industri

pengolahan di Jawa), sembilan belas indikator di atas akan dimasukkan ke dalam

nowcasting exercise.

4.2.2. Nowcasting Exercise dan Evaluasi Kinerja Model Regional Jawa

Dalam rangka mendapatkan suatu model yang dapat menghasilkan

nowcasting terbaik, dilakukan simulasi dengan menggunakan kombinasi

berdasarkan pilihan indikator yang telah dipilih sebelumnya. Pengujian model

terbaik tersebut dilakukan dengan pseudo out-of-sample dengan mencari RMSE

terkecil dan juga dengan melihat adjusted R-squared yang lebih tinggi dibandingkan

dengan kombinasi lainnya. Adapun hasil untuk nowcasting exercise konsumsi

rumah tangga dan investasi menggunakan metode Bridge dan DLM adalah sebagai

berikut.

4.2.2.1. Konsumsi Rumah Tangga- Bridge Model

Exercise yang dilakukan dalam membuat Bridge Model untuk komponen

konsumsi rumah tangga telah dilakukan dengan menggunakan kombinasi 3, 4, atau

5 indikator. Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi 15

indikator terpilih, diperoleh 5 kombinasi terbaik untuk melakukan nowcasting

sebagai berikut.

Tabel 0.14. Metode Bridge-Konsumsi Rumah Tangga

No.

Component Series

(Indikator yang

digunakan)

Error (deviasi terhadap

realisasi) Adj. R2 RMSE MSE 2018

I II

1 G-B-H-E-C 0.23 0.40 0.54 0.33 0.11

2 G-B-H-E 0.19 0.38 0.44 0.31 0.09

3 G-H-C 0.49 0.24 0.38 0.38 0.38

4 G-H-C-I 0.33 0.43 0.38 0.39 0.39

5 G-H-C-A 0.47 0.25 0.35 0.38 0.38

Keterangan :

A = Ekspor Mamin

B = Impor Barang Konsumsi C = Consumer Goods Index

D = Indeks Manufaktur E = Indeks Properti

F = IPI

G = Produksi Mobil

H = Suku Bunga Deposito

I = Suku Bunga Kredit

31

Nomor 1 dan 2 menunjukkan bahwa kombinasi tersebut memiliki common

factor yang paling tinggi terhadap konsumsi rumah tangga. Hal tersebut terlihat dari

angka adjusted R-squared yang tinggi dan disertai dengan RMSE yang terendah.

Selain itu, hasil error atau deviasi terhadap realisasi tercatat paling rendah apabila

dibandingkan dengan kombinasi lainnya. Namun, kombinasi yang dipilih adalah

kombinasi Nomor 1 karena telah memiliki adjusted R-squared di atas 0,5 meski

memiliki RMSE yang relatif lebih tinggi dibandingkan dengan kombinasi Nomor 2.

Adapun hasil estimasi dari kombinasi Nomor 1 adalah sebagai berikut.

Tabel 0.15. Hasil Estimasi Kombinasi Bridge Konsumsi RT

4.2.2.2. Konsumsi Rumah Tangga- Distributed Lag Model

Uji regresi dengan model DLM untuk komponen konsumsi rumah tangga

telah dilakukan dengan menggunakan kombinasi 3, 4, atau 5 indikator.

Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi 15 indikator

terpilih, diperoleh 5 kombinasi terbaik dalam melakukan nowcasting sebagai

berikut.

Tabel 0.16. Metode Distributed Lag Model-Konsumsi Rumah Tangga

No.

Component Series

(Indikator yang digunakan)



I II

1 A–B–C 0.20 0.70 0.55 0.38 0.14

2 A–B–D 0.61 0.10 0.53 0.36 0.13

3 D–E–F–G–H 0.18 0.49 0.49 0.28 0.08

Variabel Koefisien Prob std error CUSUM Test

Produksi Mobil 0.010 0.0016 0.003

Impor Barang Konsumsi 0.012 0.0027 0.004

Suku Bunga Deposito -0.009 0.0908 0.075

Index Properti 0.008 0.0593 0.004

Index Consumer Goods 0.020 0.0000 0.004

c 5.050 0.0000 0.502

Adjusted R Square

Durbin Watson Stat CUSUM Square Test

LM Test Stat (p-value)

Heteroskedasticity Test Stat (p-value)

RMSE

MSE

U-Theil


Schwarz criterion

0.03

0.44

0.81

0.11

2.16

0.63

0.20

0.33

Diagnostic Test

0.54

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV

2011 2012 2013 2014 2015 2016 2017


-15

-10

-5

0

5

10

15

IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV

2011 2012 2013 2014 2015 2016 2017


32

4 D–E–F–G–I 0.31 0.30 0.45 0.34 0.12

5 A–F–B–D 0.11 0.38 0.43 0.09 0.01

Keterangan :

A = Indeks Keyakinan Konsumen

B = Inflasi Perumahan LGA

C = Penjualan Mobil

D = Produksi Mobil

E = Impor Barang Konsumsi

F = Suku Bunga Deposito

G = Indeks Properti H = Consumer Goods Index

I = Indeks Manufaktur

Berdasarkan hasil lima kombinasi terbaik di atas untuk metode DLM, dapat

terlihat bahwa kombinasi Nomor 5 merupakan yang terbaik karena memiliki deviasi

yang paling rendah dibandingkan dengan kombinasi lainnya. Selain itu, meski

adjusted R-squared dari kombinasi nomor merupakan yang terendah apabila

dibandingkan dengan yang lainnya, tetapi RMSE dari kombinasi tersebut memiliki

RMSE paling kecil yang menunjukkan error dari model tersebut adalah yang paling

rendah. Adapun hasil estimasi dari kombinasi nomor 5 adalah sebagai berikut.

Tabel 0.17. Hasil Estimasi Kombinasi DLM Konsumsi RT

4.2.2.3. Investasi-Bridge

Exercise yang dilakukan berdasarkan model Bridge untuk komponen

investasi atau PMTB dilakukan dengan menggunakan kombinasi 3 indikator dan 4


Index Keyakinan Konsumen_1 0.030 0.0208 0.023

Index Keyakinan Konsumen_2 0.008 0.6777 0.018

Index Keyakinan Konsumen_3 -0.016 0.4025 0.019

Suku Bunga Deposito_1 -0.484 0.5781 0.853

Suku Bunga Deposito_2 0.246 0.7897 0.907

Suku Bunga Deposito_3 0.116 0.0705 0.060

Inflasi Perumahan LGA_1 -0.048 0.0175 0.034

Inflasi Perumahan LGA_2 -0.003 0.9203 0.030

Inflasi Perumahan LGA_3 0.001 0.9805 0.031

Produksi Mobil_1 -0.003 0.5329 0.004

Produksi Mobil_2 -0.004 0.3418 0.004

Produksi Mobil_3 0.009 0.0077 0.003 CUSUM Square Test

c 3.433 0.0244 1.389

Adjusted R Square

Durbin Watson Stat

LM Test Stat

Heteroskedasticity Test Stat

RMSE

MSE

U-Theil


Schwarz criterion

0.01

0.78

1.47

1.67

0.66

0.97

0.09

0.01

Diagnostic Test

0.43

-15

-10

-5

0

5

10

15


2013 2014 2015 2016 2017


-0.4

0.0

0.4

0.8

1.2

1.6


2013 2014 2015 2016 2017


33

indikator. Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi 15

indikator terpilih, diperoleh 5 kombinasi terbaik dalam melakukan nowcasting

sebagai berikut.

Tabel 0.18. Metode Bridge-Investasi

No. Component Series

(Indikator yang

digunakan)



I II

1 A–B–C–D 1.04 0.77 0.86 1.27 1.62

2 E–F–B 0.01 0.66 0.81 0.63 0.39

3 E–F–B–D 0.40 1.27 0.80 1.14 1.31

4 G–B–H–D 0.11 1.74 0.79 1.34 1.79

5 G–B–H 0.30 0.86 0.77 0.64 0.41

Keterangan :

A = Impor Total

B = Konsumsi Semen Jawa

C = Ekspor Mamin

D = Muat Pelabuhan

E = Indeks Perdagangan

F = Impor Barang Modal Nas

G = Impor Barang Modal Jawa

H = Indeks Properti

Berdasarkan hasil 5 kombinasi terbaik dengan metode Bridge terhadap

investasi, kombinasi yang dipilih adalah kombinasi 2. Pemilihan tersebut

didasarkan pada angka adjusted R-squared yang sudah relatif tinggi, yaitu sebesar

0,81 dan dengan RMSE yang paling rendah apabila dibandingkan dengan kombinasi

lainnya. Deviasi terhadap realisasi pada kombinasi 2 juga tercatat yang paling kecil.

Adapun hasil estimasi dari kombinasi Nomor 2 adalah sebagai berikut

Tabel 0.19. Hasil Estimasi Kombinasi Bridge Investasi


Investasi (-1) 0.217 0.0871 0.123

Index Perdagangan 0.025 0.0019 0.007

Impor Barang Modal Nas 0.045 0.0083 0.016

Konsumsi Semen Jawa 0.047 0.0352 0.021

c 3.493 0.0000 0.676

Adjusted R Square


LM Test Stat


RMSE

MSE

U-Theil


Schwarz criterion

0.05

3.22

3.53

0.49

0.94

0.63

0.40

Diagnostic Test

0.81

2.26

-16

-12

-8

-4

0

4

8

12

16

2010 2011 2012 2013 2014 2015 2016 2017


-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

2010 2011 2012 2013 2014 2015 2016 2017


34


Uji yang dilakukan dengan kerangka model DLM untuk komponen investasi

menggunakan kombinasi 3 indikator, 4 indikator maupun 5 indikator. Berdasarkan

hasil exercise yang telah dilakukan dengan kombinasi 15 indikator terpilih,

didapatkan 5 kombinasi terbaik sebagai berikut:

Tabel 0.20. Metode Distributed Lag Model-Investasi

No.

Component Series

(Indikator yang

digunakan)



I II

1 A–B–C 0.03 1.73 0.81 0.03 0.00

2 A–D–C 0.47 1.32 0.81 0.61 0.37

3 A–D–C–F 0.34 1.73 0.79 0.25 0.06

4 A–C–E–G 0.74 1.54 0.75 0.70 0.49

5 A–C–E 0.12 1.47 0.77 0.36 0.13

Keterangan :

A = Impor Barang Modal Jawa

B = Produksi Mobil

C = Konsumsi Semen Jawa

D = Penjualan Mobil E = Indeks Properti

F = Ekspor TPT

G = Muat Pelabuhan

Hasil exercise dari lima kombinasi terbaik menunjukkan bahwa hasil dari

kombinasi 1 merupakan yang terbaik sehingga dipilih untuk metode DLM terhadap

investasi. Pemilihan tersebut didasarkan pada angka adjusted R-squared yang

tertinggi serta RMSE yang paling rendah, yaitu di bawah 0,1. Selain itu, berdasarkan

hasil outsample di atas, deviasi terhadap realisasi yang dihasilkan merupakan yang

paling rendah meski pada triwulan II deviasi tersebut melebar. Adapun hasil

estimasi dari kombinasi Nomor 1 adalah sebagai berikut.

35

Tabel 0.21. Hasil Estimasi Kombinasi DLM Investasi


Hasil estimasi nowcasting untuk konsumsi rumah tangga, baik dengan

menggunakan model Bridge maupun DLM, menunjukkan bahwa variabel yang

dapat menjadi indikator konsumsi rumah tangga, antara lain, adalah indeks sektor

properti dan indeks sektor consumer goods dalam IHSG, suku bunga deposito,

produksi mobil nasional, impor bahan baku Jawa, indeks keyakinan konsumen

(IKK) dari survei konsumen serta inflasi perumahan, listrik, gas, dan air. Secara

terperinci, pergerakan indeks sektor consumer goods (JAKCONS) dan IKK mampu

mengindikasikan tingkat belanja ritel dan optimisme masyarakat karena besarnya

porsi konsumsi makanan dan minuman rumah tangga di Jawa berkisar pada 25%-

30%. Sementara itu, suku bunga deposito juga dapat mengindikasikan

pertumbuhan konsumsi rumah tangga mengingat suku bunga deposito merupakan

opportunity cost atas keputusan masyarakat dalam melakukan konsumsi.

Di sisi lain, laju inflasi perumahan, listrik, gas, dan air serta indeks sektor

properti (JAKPROP) juga terpilih menjadi indikator dalam nowcasting konsumsi

rumah tangga di Jawa. Hal tersebut sejalan dengan porsi konsumsi perumahan dan

perlengkapan rumah tangga dalam PDRB Jawa yang berkisar pada 12%—14%

dalam lima tahun terakhir. Selain itu, tingkat inflasi perumahan, listrik, gas, dan

air berdampak terhadap tingkat konsumsi rumah tangga masyarakat karena

kenaikan biaya tersebut akan berpengaruh terhadap pengeluaran yang dilakukan


Impor Barang Modal Jawa_1 0.023 0.2401 0.019



Produksi Mobil_1 0.046 0.0452 0.022

Produksi Mobil_2 -0.027 0.2531 0.023

Produksi Mobil_3 -0.017 0.3220 0.016

Konsumsi Semen Jawa_1 -0.040 0.1137 0.024

Konsumsi Semen Jawa_2 0.025 0.3611 0.027

Konsumsi Semen Jawa_3 0.072 0.0095 0.026

c 4.812 0.0000 0.268

Diagnostic Test CUSUM Square Test

Adjusted R Square

Durbin Watson Stat

LM Test Stat


RMSE

MSE

U-Theil


Schwarz criterion 3.81

0.03

0.00

0.00

3.28

0.81

1.67

0.51

0.90

-15

-10

-5

0

5

10

15

I II III IV I II III IV I II III IV I II III IV I II III IV

2013 2014 2015 2016 2017


-0.4

0.0

0.4

0.8

1.2

1.6

I II III IV I II III IV I II III IV I II III IV I II III IV

2013 2014 2015 2016 2017


36

untuk kelompok lainnya. Sementara itu, pergerakan indeks sektor properti dapat

mencerminkan perkembangan pembangunan properti yang mengindikasikan

permintaan properti residensial dari masyarakat sehingga diperkirakan dapat

menjadi indikator konsumsi rumah tangga. Indikator konsumsi rumah tangga juga

dapat diketahui dari sisi produksi, salah satunya adalah produksi mobil nasional.

Basis produksi mobil nasional masih berpusat di Jawa Barat dan Jakarta sehingga

indikator tersebut dapat digunakan untuk mendukung data Jawa. Data produksi

mobil dapat menjadi indikasi permintaan atau penjualan mobil di Jawa dan secara

tidak langsung dapat mencerminkan tingkat konsumsi rumah tangga di Jawa.

Selain itu, data impor bahan baku juga dapat menjadi indikator kinerja industri

pengolahan di Jawa. Peningkatan atau penurunan produksi dari industri

pengolahan di Jawa tersebut merupakan cerminan dari permintaan domestik

terhadap barang konsumsi yang pada gilirannya dapat mencerminkan tingkat

konsumsi masyarakat di Jawa.

Sementara itu, untuk nowcasting investasi di Jawa, beberapa indikator

terpilih adalah impor barang modal, data penjualan semen, produksi mobil nasional,

dan juga indeks IHSG untuk sektor perdagangan atau trade. Secara umum, struktur

PMTB di Jawa lebih didorong oleh investasi bangunan dengan rata-rata lima tahun

terakhir yang mencapai 77%, sedangkan sisanya merupakan investasi

nonbangunan. Salah satu indikator peningkatan investasi bangunan adalah terus

berlanjutnya pembangunan infrastruktur dan proyek-proyek lainnya yang dapat

dilihat dari besarnya konsumsi semen yang digunakan. Oleh karena itu, data

penjualan semen menjadi salah satu indikator utama dalam melihat pertumbuhan

investasi. Di sisi lain, pertumbuhan investasi nonbangunan dapat tercermin dari

nilai impor barang modal yang masuk ke Jawa, baik itu berupa mesin, kendaraan,

maupun peralatan lainnya.

Pendekatan tracking pertumbuhan investasi juga dapat dilihat dari sisi

produksi atau sektoral. Berdasarkan data historis selama lima tahun terakhir,

lapangan usaha utama di Jawa adalah industri pengolahan, perdagangan besar dan

eceran, serta jasa konstruksi. Secara khusus, industri otomotif atau alat angkutan

merupakan sublapangan usaha terbesar kedua dalam industri pengolahan setelah

industri makanan dan minuman. Oleh karena itu, indikator produksi mobil yang

masih terkonsentrasi di Jawa dapat menjadi salah satu indikator pertumbuhan

PMTB di wilayah Jawa. Sementara itu, indeks sektor perdagangan (JAKCONS)

mencerminkan kebutuhan barang atau supply pada lapangan usaha perdagangan

37

yang dapat berimplikasi pada kebutuhan investasi yang akan dilakukan oleh

industri pengolahan dalam memenuhi permintaan, baik domestik maupun luar

negeri.

4.3. Regional Kawasan Timur Indonesia (KTI)

4.3.1. Pemilihan Indikator Regional Kawasan Timur Indonesia

Pemilihan indikator dilakukan berdasarkan pada relevansi ekonomi dengan

reference series dan juga pertimbangan praktikal. Selanjutnya, dalam pemilihan

indikator, baik pada nowcasting konsumsi rumah tangga maupun investasi,

dipertimbangkan korelasi dan kontribusinya untuk menghasilkan indikator yang

akan digunakan dalam melakukan estimasi.

Konsumsi rumah tangga merupakan komponen dengan pangsa terbesar pada

ekonomi wilayah KTI, yaitu rata-rata sebesar 40%—42% pada periode 2010 hingga

2017. Pangsa konsumsi rumah tangga tersebut relatif stabil selama tujuh tahun

terakhir meskipun cenderung menurun pada level yang terbatas. Sehubungan

dengan hal tersebut, beberapa indikator yang akan dipilih untuk kandidat estimasi

adalah sebagai beriku.t

Indikator yang merepresentasikan besarnya konsumsi rumah tangga dan

pandangan konsumen terhadap perekonomian yang mendasari

keputusannya dalam mengonsumsi meliputi indeks penjualan riil (Hasil

Survei SPE), nilai tukar petani (NTP), indeks keyakinan konsumen (Hasil

Survei Konsumen berupa komposit, kondisi ekonomi saat ini, dan

ekspektasi), tingkat inflasi (Umum dan Bahan Makanan), dan kunjungan

wisatawan mancanegara.

Indikator yang terkait dengan kinerja perekonomian, yang pada akhirnya

memengaruhi tingkat pendapatan dan konsumsi rumah tangga, meliputi data

impor, data ekspor, harga komoditas global sesuai dengan karakteristik

perekonomian KTI (batubara, tembaga, CPO, karet, kayu, ikan, dan nikel) dan

bongkar muat barang di pelabuhan utama.

Indiaktor yang terkait dengan perbankan dan turut memengaruhi keputusan

konsumen dalam mengonsumsi meliputi data kredit, data simpanan (DPK),

dan suku bunga (kredit dan DPK).

Setelah dilakukan pemetaan awal terhadap beberapa pilihan indikator di

atas, selanjutnya dilakukan pemilihan variabel berdasarkan nilai koefisien korelasi

38

yang tinggi dalam pertumbuhan tahunan (%, yoy). Adapun indikator yang akan

dipilih untuk diujikan ke dalam model nowcasting adalah indikator-indikator yang

memiliki nilai koefisien korelasi yang cukup tinggi dengan arah yang konsisten

dengan teori ekonomi.


*) Seluruh indikator merupakan angka pertumbuhan tahunan, kecuali suku bunga yang

menggunakan data level (dalam %)

Berdasarkan pertimbangan nilai koefisien korelasi antara variabel-variabel

indikator dan pertumbuhan konsumsi dan kesesuaian dengan teori ekonomi serta

berdasarkan faktor lag publikasi data (maksimal 2 bulan), terdapat 15 indikator

yang akan diujikan dalam model nowcasting konsumsi rumah tangga sebagai

berikut

Growth (yoy)* Tanda

1 Indeks Keyakinan Konsumen 0.43 √ Bulanan 1 Hari

2 Indeks Penjualan Riil 0.59 √ Bulanan 1 Bulan

3 Kredit Konsumsi 0.63 √ Bulanan 2 Minggu

4 Kredit Perorangan 0.66 √ Bulanan 2 Minggu

5 Suku Bunga Kredit Konsumsi 0.04 - Bulanan 2 Minggu

6 Suku Bunga Kredit Perorangan 0.43 - Bulanan 2 Minggu

7 DPK Perorangan 0.84 - Bulanan 2 Minggu

8 Suku Bunga DPK Perorangan 0.02 - Bulanan 2 Minggu

9 Bongkar Barang 0.17 √ Bulanan 1-2 Bulan

10 Muat Barang 0.35 √ Bulanan 1-2 Bulan

11 Inflasi Umum 0.11 - Bulanan 1 Hari

12 Indeks Harga Ekspor KTI -0.43 - Bulanan 1 Bulan

13 Nilai Tukar Petani 0.24 √ Bulanan 1 Hari

14 Kunjungan Wisman -0.36 - Bulanan 1 Bulan

15 Harga CPO -0.23 - Bulanan 1 Bulan

16 Harga Karet -0.33 - Bulanan 1 Bulan

17 Harga Kayu 0.32 √ Bulanan 1 Bulan

18 Harga Nikel -0.31 - Bulanan 1 Bulan

19 Kredit Perdagangan 0.75 √ Bulanan 2 Minggu

20 Indeks Kondisi Ekonomi 0.64 √ Bulanan 1 Hari

21 Indeks Ekspektasi Ekonomi 0.29 √ Bulanan 1 Hari

22 Inflasi Bahan Makanan -0.03 √ Bulanan 1 Hari

23 Suku Bunga Deposito -0.27 √ Bulanan 2 Minggu

24 Impor Barang Konsumsi -0.04 - Bulanan 1 Bulan

25 Impor Bahan Baku -0.21 - Bulanan 1 Bulan

26 Kredit KPR 0.45 √ Bulanan 2 Minggu

27 Kredit Multiguna 0.57 √ Bulanan 2 Minggu

28 Kredit KKB 0.52 √ Bulanan 2 Minggu

29 Total Ekspor 0.30 √ Bulanan 1 Bulan

30 Ekspor Barang Industri 0.27 √ Bulanan 1 Bulan

FrekuensiLag


Koefisien Korelasi

39

Tabel 0.23. Indikator Konsumsi Rumah Tangga Terpilih untuk Simulasi

Pilihan Indikator terhadap Konsumsi Rumah Tangga

1 Indeks Kondisi Ekonomi 6 Indeks Keyakinan

Konsumen

11 Ekspor Barang

Industri

2 Kredit Perdagangan 7 Volume Bongkar Muat 12 Suku Bunga

Deposito

3 Kredit Perorangan 8 Nilai Tukar Petani 13 Total Ekspor

4 Indeks Penjualan Riil 9 Kredit KKB 14 Indeks Ekspektasi

Ekonomi

5 Kredit Konsumsi 10 Harga Kayu Internasional 15 Inflasi Bahan Makanan *

*) Indikator Inflasi Bahan Makanan tetap dipertimbangkan sebagai indikator terpilih

meskipun memiliki korelasi relatif rendah mengingat mayoritas konsumsi di KTI masih

berupa bahan makanan sehingga diprakirakan memiliki pengaruh yang besar pada

konsumsi rumah tangga

Sementara itu, pemilihan indikator dalam melakukan peramalan jangka

pendek pertumbuhan investasi di KTI dengan metode nowcasting dilakukan dengan

memperhatikan aspek teoretis, common sense, dan professional judgement. Selain

itu, pembentukan beberapa provinsi yang relatif baru pada beberapa tahun

belakangan menjadikan beberapa provinsi di kawasan Indonesia Timur cukup

tertinggal dalam masalah ketersediaan data. Untuk itu, faktor ketersediaan data

perlu diperhatikan dalam analisis perekonomian wilayah timur Indonesia.

Dalam melakukan nowcasting, variabel pembentukan modal tetap bruto

(PMTB) dipilih sebagai variabel proxy investasi. Secara definisi statistik, PMTB

merupakan pengeluaran untuk barang modal yang memiliki umur pemakaian lebih

dari satu tahun dan bukan merupakan barang konsumsi. PMTB mencakup

bangunan tempat tinggal dan bukan tempat tinggal, bangunan lain seperti jalan dan

bandara, serta mesin dan peralatan. Namun, pengeluaran barang modal untuk

keperluan militer tidak termasuk dalam perincian PMTB, tetapi tergolong sebagai

konsumsi pemerintah.

Untuk melakukan peramalan jangka pendek, terdapat beberapa variabel,

baik yang diperkirakan bersifat leading maupun bersifat coincidence, untuk menjadi

kandidat indikator PMTB. Berdasarkan pertimbangan-pertimbangan yang telah

dikemukakan, beberapa variabel yang diujicobakan meliputi sebagai berikut.

Tabel 0.24. Koefisien Korelasi Kandidat Indikator Investasi

Variabel Koefisien Korelasi

Frekuensi Lag Publikasi

1 Harga Tembaga 0,60 Bulanan 1 bulan

2 Harga Batubara 0,58 Bulanan 1 bulan

3 Indeks Harga Komoditas Ekspor

(IHEX)*

0,64 Bulanan 1 bulan

40

4 Inflasi 0,19 Bulanan 1 hari

5 Suku Bunga KI 0,31 Bulanan 1 bulan

6 Suku Bunga KMK 0,32 Bulanan 14 hari

7 Suku Bunga KK 0,31 Bulanan 14 hari

8 Pertumbuhan KI 0,50 Bulanan 14 hari

9 Pertumbuhan KMK 0,71 Bulanan 14 hari

10 Pertumbuhan KK 0,64 Bulanan 14 hari

11 Pertumbuhan Kredit LGA 0,60 Bulanan 14 hari

12 Pertumbuhan Kredit

Pertambangan

0,61 Bulanan 14 hari

13 Pertumbuhan Kredit Konstruksi 0,48 Bulanan 14 hari

14 Pertumbuhan Kredit Industri 0,02 Bulanan 14 hari

15 Upah Minimum Provinsi -0,68 Tahunan 1 tahun

16 Konsumsi Semen 0,56 Bulanan 1 bulan

14 Pertumbuhan Nilai Proyek (BCI)

(Perkiraan)

0,22

Bulanan 0

15 Pertumbuhan Jml Proyek (BCI) (Perkiraan)

0,40 Bulanan 0

* Komoditas ekspor KTI yang digunakan untuk menyusun IHEX terdiri atas

batu bara, bijih besi, nikel, udang/perikanan, kayu, karet, dan CPO.

Berdasarkan hasil uji korelasi variabel di atas, terbukti bahwa terdapat

sejumlah data yang memiliki kedekatan yang cukup erat dengan variabel PMTB yang

meliputi suku bunga kredit investasi, pertumbuhan KMK, pertumbuhan nilai

proyek, serta pertumbuhan kredit sektor industri manufaktur.

4.3.2. Nowcasting Exercise dan Evaluasi Kinerja Model Regional Kawasan

Timur Indonesia

Agar diperoleh suatu model yang dapat menghasilkan nowcasting terbaik,

dilakukan simulasi dengan menggunakan kombinasi berdasarkan pilihan indikator

yang telah dipilih sebelumnya. Pengujian model terbaik tersebut dilakukan dengan

mencari RMSE terkecil dan juga dengan melihat adjusted R-squared yang lebih tinggi

dibandingkan dengan kombinasi lainnya. Adapun hasil pengujian untuk nowcasting

konsumsi rumah tangga dan investasi menggunakan metode Bridge maupun DLM

adalah sebagai berikut.

4.3.2.1. Konsumsi Rumah Tangga-Bridge Model

Exercise yang dilakukan dengan menggunakan Bridge Model untuk

komponen konsumsi rumah tangga ialah kombinasi tiga indikator dan empat

indikator. Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi lima

belas indikator terpilih, diperoleh lima kombinasi terbaik dalam melakukan

nowcasting sebagai berikut.

41

Tabel 0.25. Metode Bridge-Konsumsi Rumah Tangga

No

Component Series

(Indikator yang

digunakan)



I II

1 A–B–C–D 0.45 0.23 0.87 0.35 0.12

2 A–E–F 0.59 0.44 0.88 0.51 0.26

3 A–E–G – H 0.50 0.25 0.83 0.39 0.15

4 A–I –J 0.06 (0.22) 0.80 0.21 0.04

5 A–I–K 0.07 (0.21) 0.92 0.16 0.03

Keterangan :

A = Nilai Tukar Petani

B = Kredit Perdagangan

C = Indeks Kondisi

Ekonomi D = Inflasi Bahan Makanan

E = Bongkar Muat

F = Kredit Konsumsi

G = Kredit Perorangan

H = Indeks Penjualan Riil

I = Kredit KKB J = Harga Kayu Intl

K = Ekspor Barang Industri

Kombinasi indikator Nomor 1, 2, dan 5 memiliki kemiripan common factor

tertinggi dengan konsumsi rumah tangga. Hal itu terlihat dari nilai Adjusted R-

squared yang cukup tinggi (berada di atas 0.87). Meskipun demikian, kombinasi

Nomor 5 memiliki keakuratan yang lebih optimal yang terlihat dari nilai RMSE-nya

yang lebih kecil. Hasil exercise pada Tabel 4.25 tersebut juga menunjukkan bahwa

perbedaan kinerja antara lima kombinasi indikator terbaik relatif kecil. Hal itu

terlihat dari perbedaan RMSE-nya yang rendah. Dengan demikian, dapat

disimpulkan bahwa indikator alternatif dalam melakukan nowcasting konsumsi

rumah tangga cukup banyak tersedia. Adapun hasil estimasi dari kombinasi Nomor

5 adalah sebagai berikut.

Tabel 0.26. Hasil Estimasi Kombinasi Bridge Konsumsi RT

Variabel Koefisien Prob. Std Error CUSUM Test

Kons.RT (-1) 0.490 0.0000 0.0850

Kredit KKB 0.004 0.0470 0.0018

Nilai Tukar Petani 0.190 0.0013 0.0496

Ekspor Barang Industri 0.004 0.1488 0.0028

c -16.636 0.0028 4.7676

Dummy Waktu

Adjusted R Square


LM Test Stat


RMSE

MSE

U-Theil


Schwarz criterion

-0.65

-0.17

Diagnostic Test

0.92

2.13

0.52

0.07

0.16

0.02

0.03

-15

-10

-5

0

5

10

15

III IV I II III IV I II III IV I II III IV I II III IV I II III IV

2012 2013 2014 2015 2016 2017


-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

III IV I II III IV I II III IV I II III IV I II III IV I II III IV

2012 2013 2014 2015 2016 2017


42

4.3.2.2. Konsumsi Rumah Tangga-Distributed Lag Model

Exercise yang dilakukan dengan menggunakan DLM untuk komponen

konsumsi rumah tangga ialah kombinasi tiga indikator dan empat indikator.

Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi lima belas

indikator terpilih, diperoleh lima kombinasi terbaik dalam melakukan nowcasting

sebagai berikut.

Tabel 0.27. Metode Distributed Lag Model-Konsumsi Rumah Tangga

No

Component Series

(Indikator yang

digunakan)

Error (deviasi terhadap realisasi)

Adj. R2 RMSE MSE 2018

I II

1 A–B–C 0.45 0.12 0.80 0.33 0.11

2 B–E–D 0.54 0.33 0.84 0.44 0.19

3 B–F–G 1.19 0.49 0.80 0.90 0.81

4 B–C–G–H 1.78 0.84 0.92 1.39 1.93

5 B–C–E–F 0.87 0.80 0.86 0.83 0.69

Keterangan : A = Muat Barang

B = Nilai Tukar Petani

C = Kredit Perorangan

D = Indeks Keyakinan Konsumen

E = Bongkar Muat Barang

F = Kredit Perdagangan

G = Indeks Kondisi Ekonomi

H = Indeks Penjualan Riil

Berdasarkan hasil lima kombinasi terbaik di atas dengan metode DLM, dapat

terlihat bahwa kombinasi Nomor 1 merupakan yang terbaik karena memiliki deviasi

yang paling rendah dibandingkan dengan kombinasi lainnya. Selain itu, meski

adjusted R-squared dari kombinasi Nomor 1 merupakan yang terendah apabila

dibandingkan dengan yang lainnya, tetapi RMSE dari kombinasi tersebut ialah yang

terkecil sehingga menunjukkan error terendah. Adapun hasil estimasi dari

kombinasi Nomor 5 adalah sebagai berikut.

43

Tabel 0.28. Hasil Estimasi Kombinasi DLM Konsumsi RT

4.3.2.3. Investasi-Bridge Model

Berdasarkan hasil exercise yang telah dilakukan dengan kombinasi delapan

belas indikator terpilih, diperoleh lima kombinasi terbaik dalam melakukan

nowcasting sebagai berikut.

Tabel 0.29. Metode Bridge- Investasi

Variabel Koefisien Prob. Std Error CUSUM Test

Muat Barang_1 0.007 0.2159 0.0067

Muat Barang_2 0.006 0.1617 0.0055

Muat Barang_3 0.000 0.9487 (0.0003)

Nilai Tukar Petani_1 -0.252 0.3158 (0.2523)


Nilai Tukar Petani_3 -0.118 0.6269 (0.1177)

Kredit Perorangan_1 0.040 0.0293 0.0400

Kredit Perorangan_2 -0.053 0.1386 (0.0525)

Kredit Perorangan_3 0.042 0.0880 0.0416

c 4.737 0.0000 0.1086

CUSUM Square Test

Adjusted R Square

Durbin Watson Stat

LM Test Stat


RMSE

MSE

U-Theil


Schwarz criterion

0.26

0.87

0.11

0.16

0.74

0.33

0.02

Diagnostic Test

0.80

2.33

-15

-10

-5

0

5

10

15

III IV I II III IV I II III IV I II III IV I II III IV

2013 2014 2015 2016 2017


-0.4

0.0

0.4

0.8

1.2

1.6

III IV I II III IV I II III IV I II III IV I II III IV

2013 2014 2015 2016 2017


No Kombinasi

Variabel


realisasi)

Adj. R2

RMSE

MSE 2018

I II

1 A-B (2.53) (4.01) 0.58 2.62 6.86

2 A-C* 0.75 (1.65) 0.52 0.53 0.28

3 A-D-E 0.76 (1.20) 0.56 0.51 0.26

4 A-B-F (2.5) (3.7) 0.59 2.06 4.24

5 A* (0.05) 1.66 0.52 0.21 0.04

Keterangan :

A = Pertumbuhan KMK

B = Suku Bunga KI

C = Pertumbuhan Jumlah Proyek

D = Pertumbuhan Kredit LGA

E = Konsumsi Semen F = Pertumbuhan Kredit Pertambangan Time Dummy

*dengan lag variabel dependen

44

Dalam Tabel 4.29 ditunjukkan bahwa model dengan kombinasi variabel

pertumbuhan kredit modal kerja (KMK) dengan nilai masa lalu dari variabel

dependen (lag dari pertumbuhan PMTB) menghasilkan RMSE dan MSE yang baik

sehingga deviasi antara aktual dan proyeksi cukup rendah, terutama pada triwulan

I tahun 2018. Model dengan kombinasi variabel yang cukup minimal mampu

menghasilkan nilai proyeksi yang lebih superior dibandingkan dengan model dengan

kombinasi variabel yang lebih banyak sehingga kombinasi Nomor 5 dipilih untuk

merepresentasikan pertumbuhan investasi dengan Bridge Model. Hasil estimasi

yang diperoleh adalah sebagai berikut.

Tabel 0.30. Hasil Estimasi Kombinasi Bridge Investasi


Sebagai pembanding atas metode Bridge Model, estimasi berdasarkan metode

DLM dilakukan dengan berdasarkan pada ketersediaan variabel sebagaimana tabel

korelasi di atas. Hasil estimasi dengan DLM menghasilkan lima kombinasi terbaik

sebagai berikut.

Tabel 0.31. Metode Distributed Lag Model-Investasi

-12

-8

-4

0

4

8

12

I II III IV I II III IV I II III IV

2015 2016 2017


-0.4

0.0

0.4

0.8

1.2

1.6

I II III IV I II III IV I II III IV

2015 2016 2017


No. Kombinasi

Variabel

Error (deviasi

terhadap realisasi) Adj. R2 RMSE MSE

2018

I II

1 A-B-F 2.6 1,1 0,44 0,27 0,07

2 A-B-G 0,2 1,2 0,56 0,22 0,04

3 A-B 0,5 1,2 0,36 0,34 0,11

4 A-B-C 0,4 1,2 0,47 0,37 0,13

Variabel Koefisien Prob. St Error

gPMTB (-1) 0.370 0.07 0.20

g KMK (-1) 0.080 0.10 0.05

C 2.390 0.01 0.93

Adjusted R-squared

Durbin Watson Stat

LM Test Stat


RMSE

MSE

U-Theil

Akaike Info. Criterion

Schwarz Info.Criterion

0.01

4.00

4.19

Diagnostic Test

0.04

0.52

1.96

0.94

0.81

0.21

45

Berdasarkan hasil lima kombinasi terbaik di atas, kombinasi Nomor 5 dipilih

sebagai model yang lebih baik untuk memproyeksikan pertumbuhan investasi.

Meskipun memiliki RMSE terbesar dibandingkan dengan keempat kombinasi

lainnya, Nomor 5 mampu menghasilkan estimasi yang lebih baik, yang ditunjukkan

oleh relatif tingginya nilai adjusted R-squared dibandingkan dengan model lainnya.

Adapun hasil estimasi dari kombinasi Nomor 5 adalah sebagai berikut.

Tabel 0.32. Hasil Estimasi Kombinasi Distributed Lag Model Investasi

IHEX merupakan indeks komposit atas harga komoditas ekspor utama KTI yang terdiri atas harga batu bara, bijih besi, nikel, udang/perikanan, kayu, karet, dan CPO.


Berdasarkan hasil exercise dari beberapa kombinasi, diketahui bahwa

kombinasi terbaik untuk konsumsi rumah tangga dengan menggunakan metode

Bridge adalah nilai tukar petani (NTP), kredit kendaraan bermotor, dan ekspor

barang industri. Sementara itu, apabila menggunakan metode DLM, kombinasi

indikator terbaik adalah NTP, volume muat barang, dan kredit perorangan.

Dari hasil tersebut dapat disimpulkan bahwa nilai tukar petani memberikan

pengaruh yang cukup besar pada perkembangan pertumbuhan konsumsi rumah

Variabel Koefisien Prob. St Error

IHEX_1 -0.02 0.49 0.029

IHEX_2 -0.07 0.05 0.033

IHEX_3 0.09 0.01 0.030

GKK_1 0.30 0.01 0.094

GKK_2 0.13 0.54 0.211

GKK_3 -0.16 0.39 0.184

C 2.55 0.00 0.737

Time Dummy

Adjusted R-squared

Durbin Watson Stat

LM Test Stat


RMSE

U-Theil

Akaike Info. Criterion

Schwarz Info. Criterion

3.85

4.41

0.99

0,54

0,04

Diagnostic Test

0.62

1.94

0.26

5 A-E 0,6 1,1 0,62 0,54 0,29

Keterangan:

A = IHEX E = Pertumbuhan KK

B = Suku Bunga Kredit Investasi F = Pertumbuhan Kredit Sektor LGA C = Pertumbuhan KMK G = Pertumbuhan Konsumsi Semen

D = Pertumbuhan Kredit Konstruksi Time Dummy

46

tangga di KTI. NTP mampu menjadi indikator yang menggambarkan tingkat

kesejahteraan petani sekaligus memberikan gambaran mengenai pendapatan pada

lapangan usaha pertanian (termasuk perkebunan dan perikanan). Hal tersebut

sejalan dengan pangsa lapangan usaha pertanian pada PDRB KTI yang sebesar 17%

secara rata-rata dalam 7 tahun terakhir dan merupakan pangsa lapangan usaha

terbesar kedua setelah pertambangan. Selain itu, berdasarkan rilis data

ketenagakerjaan BPS pada Agustus 2018, sektor pertanian juga merupakan sektor

terbesar dalam penyerapan tenaga kerja di KTI dengan pangsa 40,19%.

Selanjutnya, penyaluran kredit juga merupakan indikator yang memiliki

pengaruh besar terhadap pertumbuhan konsumsi rumah tangga di KTI. Dengan

kondisi perekonomian KTI yang tengah berkembang, kebutuhan kredit khususnya

untuk rumah tangga menjadi alternatif pembiayaan utama, baik untuk pemenuhan

kebutuhan jangka pendek (multiguna) maupun jangka panjang (KKB dan KPR).

Selain itu, kredit kepada debitur perseorangan di KTI memiliki pangsa mencapai

60% dari total kredit KTI pada tahun 2017, dengan nominal mencapai 470 triliun

rupiah. Sementara itu, pertumbuhan kredit kendaraan bermotor (KKB) juga

diperkirakan mampu menggambarkan daya beli masyarakat kelas menengah di KTI

yang memiliki tingkat konsumsi yang relatif tinggi.

Indikator konsumsi rumah tangga juga dapat didekati dari sisi kinerja

perdagangan dan kinerja ekspor KTI. Kinerja perdagangan dapat direpresentasikan

dari volume bongkar muat barang di pelabuhan. Hal ini sejalan dengan kondisi KTI

yang selalu mencatatkan kondisi net impor antardaerah dalam PDRB seiring masih

terbatasnya faktor produksi yang bersumber dari KTI. Oleh karena itu,

perkembangan bongkar muat di pelabuhan utama KTI mampu mencerminkan

peningkatan atau penurunan kebutuhan rumah tangga. Di sisi lain, kinerja ekspor

KTI mampu menangkap adanya peningkatan pendapatan pada level rumah tangga.

Ekspor KTI pada tahun 2017 didominasi oleh hasil pertambangan dengan pangsa

67% dan hasil industri dengan pangsa 31%. Ekspor hasil pertambangan yang lebih

banyak didominasi oleh korporasi besar memengaruhi konsumsi rumah tangga

secara minimal sehingga indikator ekspor hasil industri (hasil olahan perkebunan

dan perikanan) dipilih sebagai indikator yang digunakan dalam pengujian model

nowcasting.

Dari sisi investasi, komponen investasi (PMTB) dalam PDRB KTI memiliki

rata-rata pangsa yang cukup signifikan, yaitu sebesar 31,4% selama tiga tahun

terakhir. Namun, sepanjang periode observasi pertumbuhan investasi KTI

47

berfluktuasi dalam rentang yang cukup lebar, yaitu 2,47%—11,22% (yoy) dengan

rata-rata pertumbuhan sebesar 6,50% (yoy) yang mengindikasikan tingginya

volatilitas pertumbuhan serta derajat ketidakpastian pertumbuhan investasi di KTI.

Oleh karena itu, peramalan pertumbuhan investasi KTI memiliki suatu tingkat

kesulitan tersendiri.

Hasil analisis dengan metode Bridge menunjukkan bahwa terdapat

pergerakan variabel pertumbuhan kredit modal kerja (KMK) yang mampu

memberikan indikasi pertumbuhan investasi di KTI. Pertumbuhan KMK mampu

menjadi indikasi aktivitas perekonomian yang meningkat dalam jangka menengah.

Meningkatnya aktivitas perekonomian dalam jangka menengah pada gilirannya

diharapkan dapat mendorong pertumbuhan investasi seiring dengan meningkatnya

aktivitas perusahaan.

Berdasarkan hasil uji dengan DLM, terdapat dua variabel yang cukup baik

dalam mengindikasikan pertumbuhan investasi di KTI, yaitu pertumbuhan indeks

harga komoditas utama KTI (IHEX) serta pertumbuhan kredit konsumsi. Sesuai

dengan esensi nowcasting, variabel harga komoditas dan pertumbuhan kredit

perbankan dengan frekuensi bulanan cukup relevan untuk mencerminkan

pertumbuhan investasi yang dipublikasikan secara triwulanan. Dengan demikian,

sesuai dengan hasil estimasi DLM, pertumbuhan investasi di KTI diperkirakan akan

meningkat apabila terjadi kenaikan indeks harga komoditas ekspor KTI yang

mencerminkan kenaikan aktivitas ekspor dan apabila terjadi peningkatan

pertumbuhan kredit konsumsi.

Secara terperinci, pergerakan harga komoditas mampu memberikan indikasi

pertumbuhan investasi di KTI karena besarnya pangsa komoditas SDA dalam total

ekspor KTI. Kenaikan harga komoditas diperkirakan akan memacu produksi yang

pada gilirannya memerlukan peningkatan investasi. Sementara itu, pertumbuhan

kredit konsumsi diperkirakan mampu memberikan indikasi atas pertumbuhan

investasi ke depan. Peningkatan pertumbuhan kredit konsumsi merupakan

cerminan peningkatan permintaan masyarakat yang dapat direspons oleh

perusahaan dengan menaikkan produksi untuk dapat memenuhi permintaan

masyarakat tersebut, yang pada gilirannya dapat menaikkan tingkat investasi

secara umum.

48

5. Simpulan dan Rekomendasi

5.1. Simpulan

5.1.1. Wilayah Sumatra

Berdasarkan pengujian yang telah dilakukan, diperoleh hasil bahwa metode

DLM dengan kombinasi indikator NTP, kredit konsumsi, indeks keyakinan

konsumen (IKK), harga kopi arabika, dan total DPK menjadi model terbaik dalam

memproyeksikan konsumsi rumah tangga pada triwulan berjalan. Pemilihan

tersebut didasarkan pada hasil pengujian yang menunjukkan nilai RMSE yang lebih

rendah dan adjustred R-squared yang lebih tinggi dibandingkan dengan metode

Bridge Model.

Untuk investasi, metode DLM dengan kombinasi indikator penjualan semen,

total kredit, dan harga CPO menjadi model terbaik dalam memproyeksikan investasi

pada triwulan berjalan. Pemilihan tersebut didasarkan pada hasil pengujian yang

menunjukkan nilai RMSE yang lebih rendah dan adjustred R-squared yang lebih

tinggi dibandingkan dengan metode Bridge Model.

5.1.2. Wilayah Jawa

Berdasarkan pengujian dengan Bridge Model dan DLM, dapat disimpulkan

bahwa metode DLM dengan kombinasi indikator indeks keyakinan konsumen (IKK),

suku bunga deposito, inflasi perumahan, harga listrik; gas; dan air, serta produksi

kendaraan roda empat menjadi model terbaik dalam memproyeksikan konsumsi

rumah tangga pada triwulan berjalan. Pemilihan tersebut didasarkan pada hasil

pengujian yang menunjukkan nilai RMSE dan deviasi terhadap realisasi yang lebih

rendah dibandingkan dengan metode Bridge Model.

Sementara itu, metode Bridge Model dengan kombinasi indikator konsumsi

semen, impor barang modal, dan indeks saham untuk sektor perdagangan menjadi

model terbaik dalam memproyeksikan investasi pada triwulan berjalan dengan nilai

adjustred R-squared yang relatif sama. Pemilihan metode Bridge Model didasarkan

pada deviasi terhadap realisasi yang lebih rendah dibandingkan dengan metode

DLM.

5.1.3. Wilayah Kawasan Timur Indonesia (KTI)

Berdasarkan pengujian atas sejumlah indikator, dapat disimpulkan bahwa

metode Bridge Model dengan kombinasi indikator NTP, kredit kendaraan bermotor,

49

dan ekspor barang industri menjadi model terbaik dalam memproyeksikan

konsumsi rumah tangga pada triwulan berjalan. Pemilihan tersebut didasarkan

pada hasil pengujian yang menunjukkan nilai RMSE dan MSE yang lebih rendah

dan adjusted R-squared yang lebih tinggi dibandingkan dengan metode DLM.

Lebih lanjut, berdasarkan hasil uji empiris dapat disimpulkan bahwa metode

Bridge Model juga lebih baik dalam hal peramalan jangka pendek terhadap

pertumbuhan investasi di KTI dibandingkan dengan metode DLM karena nilai RMSE

dan MSE yang lebih kecil sehingga mampu memberikan nilai proyeksi yang lebih

mendekati nilai aktualnya.

5.2. Rekomendasi

Beberapa saran dan/atau rekomendasi terkait dengan hasil kajian ini adalah

sebagai berikut.

1) Nowcasting konsumsi rumah tangga dan investasi merupakan salah satu alat

yang dapat digunakan untuk melakukan tracking pertumbuhan terkini.

Namun, hasil dari nowcasting tersebut masih perlu diperkuat dengan data,

survei, dan informasi anekdotal lain yang dapat memperkuat hasil

nowcasting dimaksud.

2) Untuk pengembangan model ke depan, perlu dilakukan eksplorasi terhadap

data-data lain yang saat ini belum tersedia, seperti data e-commerce dan

sistem pembayaran (high frequency) yang terindikasi memiliki keterkaitan

dengan pertumbuhan konsumsi rumah tangga dan investasi.

3) Selain itu, perlu dilakukan penguatan model nowcasting dengan

menggunakan metode nowcasting lain yang lebih mampu menangkap

kompleksitas pertumbuhan konsumsi rumah tangga dan investasi di tiap-

tiap wilayah sesuai dengan perkembangan metodologi terkini.

50

Daftar Pustaka

Angelini, Elena; Camba-Méndez, Gonzalo; Giannone, Domenico; Rünstler, Gerhard;

dan Reichlin, Lucrezia. “Short-Term Forecasts of Euro Area GDP Growth”.

ECB Working Paper Series, Oktober 2008.

Andersson, Michael K. dan Reijer, J.J. den. “Nowcasting”. Sveriges Riksbank

Economic Review, 2015.

Baffigi, Alberto; Golinelli, Roberto; dan Parigi, Giuseppe. “Bridge Models to Forecast

the Euro Area GDP.” International Journal of Forecasting, 2004.

Bańbura, Marta; Giannone, Domenico; Modugno, Michele; dan Reichlin, Lucrezia.

“Now-Casting and the Real-Time Data Flow.” ECARES Working Paper,

Agustus 2012.

Ghysels, Eric; Santa-Clara, Pedro; dan Valkanov, Rossen. “The Midas Touch: Mixed

Data Sampling Regression Models.” Juni 2004.

Giannone, Domenico; Reichlin, Lucrezia; dan Small, David. “Nowcasting: The Real-

Time Informational Contect of Macroeconomic Data. “Journal of Monetary

Economics, 55, 2008.”

Kurniawan, Ferry. “Nowcasting Indonesian Economy”. Bank Indonesia, Oktober

2015.

Luciani, Matteo; Pundit, Madhavi; Ramayandi, Arief; dan Veronese, Giovanni.

“Nowcasting Indonesia.” FRB Finance and Economics Discussion Series,

September 2015.

Mariano, Roberto S. Dan Murasawa, Yasutomo. “A New Coincident Index of Business

Cycles Based on Monthly and Quarterly Series.” Journal of Applied

Econometrcs, 18(4), 2003.

Mariano, Roberto S. Dan Murasawa, Yasutomo. “A Coincident Index, Common

Factors, and Monthly Real GDP.”Oxford Bulletin of Economics and Statistics,

72(1), 2010.

OECD System of Composite Leading Indicators. OECD, April 2012.

Sørensen, Jonas. “Indicator Models for Private Consumption.” Monetary Review,

2011.

Tarsidin; Idham; Nur Rakhman, Robbi. “Nowcasting Konsumsi Rumah Tangga dan

Investasi”. Bank Indonesia, Juni 2016.

NOWCASTING KONSUMSI RUMAH TANGGA DAN INVESTASI …

Documents

Transcript of NOWCASTING KONSUMSI RUMAH TANGGA DAN INVESTASI …