Nilai ADF statistiknya menunjukan nilai yang lebih kecil dari nilai kritis 1 persen. Dan fase pergerakan semua variabel berbentuk leading, maka semua variabel
pembentuk indeks komposit akan digunakan sebagai indikator dini yang menunjukan kerentanan nilai tukar.
Tabel 4.4. Uji Stasioneritas dan Korelasi Silang Indikator dalam IMV
Uji Stasioneritas Korelasi Silang dengan ISP
Variabel IMV
Nilai ADF Nilai Kristis
McKinnon 1 persen
Keterangan Fase LeadLag
Time Coef
IREER IDC
IM2 ICPI
IEQ -8.785495
-10.20585 -10.11411
-4.417978 -8.869741
-3.4812173 -3.4812173
-3.4812173 -3.4812173
-3.4812173 Stasioner 1
Stasioner 1 Stasioner 1
Stasioner 1 Stasioner 1
Leading Leading
Leading Leading
Leading 5
5 5
1 2
0.4275 0.4199
0.3489 0.4048
0.3706
Tabel 4.5. Uji Stasioneritas dan Korelasi silang Indikator dalam IBV
Uji Stasioneritas Korelasi Silang dengan IBC
Variabel IBV
Nilai ADF Nilai Kristis
McKinnon 1
persen Keterangan Fase
LeadLag Time
Coef ILDR
IROA IOCOR
IFL IIPI
IDC IER
ICPI -14.18620
-5.188319 -5.248009
-9.775907 -3.153170
-10.20585 -8.998236
-4.417978 -3.4812173
-3.4812173 -3.4812173
-3.4812173 -3.4812173
-3.4812173 -3.4812173
-3.4812173 Stasioner 1
Stasioner 1 Stasioner 1
Stasioner 1
Tidak Sta. 1 Stasioner 1
Stasioner 1 Stasioner 1
Leading Lagging
Lagging Leading
Leading Leading
Leading Leading
2 4
6 5
4
12 5
4 0.3323
0.5483 0.4108
0.3234 0.1673
0.3366 0.4495
0.5750
Fase pergerakan yang dihasilkan untuk indikator yang digunakan dalam krisis perbankan ada beberapa yang memiliki fase pergerakan lagging, yaitu ROA
dan OCOR. Hal ini berarti ROA dan OCOR lebih merupakan hasil atau dampak dari krisis itu sendiri dan tentunya tidak bisa digunakan dalam analisis kerentanan
perbankan yang digunakan sebagai sistem deteksi dini. Oleh karena itu, menurut hasil uji cross correlation ROA dan OCOR harus dikeluarkan dalam komposit
pembentuk IBV.
IIPI tidak stasioner pada tingkat level, kestasioneran merupakan hal yang
penting dalam analisis ini karena meskipun dipaksakan untuk dianalisis akan menghasilkan hasil regresi yang tidak baik dan tidak menggambarkan kejadian
nyata yang terjadi. Selain itu, meskipun IIPI berbentuk leading namun nilai koefisisen korelasinya paling kecil diantara semuanya yaitu 0.1673. Berdasarkan
pertimbangan tersebut maka indikator pembentuk indeks komposit kerentanan perbankan yaitu LDR, FL, DC, ER dan CPI.
4.3.2. Hasil Estimasi GARCH setiap Varibel dalam IMV dan IBV
Data siklikal yang telah memenuhi kriteria untuk dijadikan indikator komposit kerentanan melalui uji unit root dan uji korelasi silang, kemudian dicari
threshold setiap indikator tersebut agar evaluasi kinerja setiap indikator dapat
diketahui. Adapun threshold berasal dari nilai rata-rata ditambah dengan 1.5 standar deviasi dari conditional standar deviation CSD setiap indikator.
Dimana Izt adalah variabel pembentuk komposit IMV atau IBV dalam bentuk siklikal yang telah distandarisasi.
2 t
σ adalah conditional variance yang nantinya akan dihitung untuk mendapatkan CSD.
Pada literatur-literatur
keuangan conditional stándar deviation
dari model GARCH menunjukan volatilitas Mirwan, 2003. Dalam berbagai referensi
volatilitas biasa disimbolkan dengan σ
t,
secara statistik volatilitas ini sama dengan standar deviasi Putra, 2004. Sehingga proses filtering dengan menggunakan
CSD untuk mendapatkan sinyal berdasarkan pada volatilitasnya yang berubah
mengikuti waktu Garcia dan Herrera, 1999. Volatilitas pada penelitian ini
menunjukan tingkat kerentanan setiap indikator, kerentanan yang semakin meningkat dan melebihi threshold yang ditentukan merupakan periode dimana
sinyal krisis akan dihasilkan. Tabel4.6. Persamaan Ragam Hasil Estimasi GARCH untuk IMV
Persamaan Ragam Variabel
Coef Std.Erros Nilai-P
IREER C
ARCH1 0.001112
1.321573 9.60E-05
0.032607 0.0000
0.0000 IDC
C ARCH1
0.005552 0.207974
0.000242 0.125189
0.0000 0.0967
IM2 C
ARCH1 0.005996
0.180687 0.000421
0.164854 0.0000
0.2731 ICPI
C ARCH1
0.003860 0.212853
0.009100 0.113900
0.9077 0.0000
IEQ C
ARCH1 0.006973
0.074926 0.000626
0.123506 0.0000
0.5441
Berdasarkan tabel diatas, dengan tingkat kepercayaan 90 persen kerentanan setiap variabel yang akan dijadikan komposit tersebut menunjukan
nilai probabilitas 0.0000 yang berarti threshold yang dihasilkan 90 persen adalah benar. Sedangkan untuk IREER dan IDC apabila sudah terjadi peningkatan
kerentanan satu persen, kemungkinan besar kerentanan tersebut akan terus meningkat dibulan yang akan datang sebesar 1.32 persen dan 0.20 persen.
Berdasarkan koefisien ARCH-nya secara berturut-turut variabel yang akan mudah terpengaruhi apabila terjadi guncangan atau volatil adalah REER, CPI, DC, M2,
dan EQ dengan kenaikan kerentanan sebesar 1.32 persen, 0.21 persen, 0.20 persen, 0.18 persen dan 0.07.
Kerentanan pada indikator pembentuk komposit IBV dipengaruhi oleh kerentanan pada bulan sebelumnya, hal ini mengindikasikan sekali saja terdapat
peningkatan kerentanan maka kerentanan tersebut akan terus meningkat dibulan-