BAB III METODOLOGI PENELITIAN

Transkripsi

1 40 BAB III METODOLOGI PENELITIAN 3.1 Jenis Data dan Metode Pengumpulan Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder, dengan deret waktu bulanan. Data tersebut akan dikumpulkan dari berbagai sumber, seperti Bank Indonesia, Badan Pusat Statistik, IMF dan sumber-sumber publikasi lainnya. Adapun jumlah variabel makroekonomi yang berhasil dikumpulkan dalam penelitian ini adalah sebanyak 111 variabel, sebagaimana yang terlampir pada Lampiran Metode Analisis Penelitian ini menggunakan metode analisis siklus bisnis (business cycle analysis). Dalam prosesnya, pengolahan data akan dilakukan dengan menggunakan Eviews 6. Penyusunan leading indicator merupakan adopsi dari analisis business cycle yang dibangun untuk mendeteksi siklus perekonomian. Hal yang mendasari analisis business cycle adalah bahwa shock (guncangan) yang berasal dari internal maupun eksternal menyebabkan volatilitas (fluktuasi) aktifitas perekonomian. Dalam jangka panjang, fluktuasi tersebut akan membentuk suatu siklus (business cycle) perekonomian dimana pergerakan naik dan turunnya aktivitas perekonomian tersebut berada dalam level absolut. Untuk menjelaskan turning point dari terjadinya fenomena krisis utang di Indonesia, maka penelitian ini menggunakan variabel ekonomi rasio utang luar

2 41 negeri terhadap Produk Domestik Bruto (PDB) Indonesia (debt to GDP ratio). Varibel ekonomi ini digunakan sebagai reference series karena mampu memberikan penilaian tepat atas tingkat solvabilitas suatu negara, sehingga dapat menggambarkan tingkat indebtness suatu negara. Adapun nilai threshold variabel ekonomi debt to GDP ratio yang digunakan untuk menggambarkan terjadinya krisis utang mengacu pada ketentuan dari salah satu lembaga keuangan internasional, yaitu IMF (International Monetary Fund). IMF menetapkan bahwa suatu negara dikategorikan menghadapi beban utang yang tinggi bila variabel ekonomi debt to GDP ratio mencapai nilai yang lebih tinggi dari 60 persen. Dengan mengamati pergerakan variabel makroekonomi terhadap reference series, maka dapat ditentukan apakah variabel tersebut termasuk Coincident, Leading atau Lagging Indicators. Suatu variabel makroekonomi dikategorikan sebagai Leading Indicator bila memiliki pergerakan yang mendahului reference series, sehingga variabel tersebut dapat menggambarkan kondisi perekonomian apakah berpotensi mengalami krisis utang dalam beberapa bulan ke depan. Sementara itu, suatu variabel dikategorikan sebagai Lagging Indicator apabila pergerakannya (lag) mengikuti reference series. Apabila suatu variabel makroekonomi bergerak seiring dengan reference series sehingga mampu menggambarkan kondisi perekonomian saat ini, maka variabel tersebut dikategorikan sebagai Coincident Indicator.

3 Tahapan Penyusunan Leading Economic Indicators Secara umum, tahapan-tahapan untuk membangun Leading Indicators dengan analisis business cycle adalah sebagai berikut. 1. Pengumpulan Data Sekunder Adapun tahap pertama yang dilakukan adalah dengan mengumpulkan datadata sekunder yang dipelukan dari berbagai sumber. Idealnya, jumlah data yang diperlukan dapat mencapai ratusan variabel. Variabel-variabel tersebut diperkirakan dapat menjadi kandidat komponen leading, coincident dan lagging index. Data yang dikumpulkan sebaiknya memiliki periode yang panjang dengan frekuensi tinggi (data bulanan) agar dapat diperoleh hasil yang baik. Kriteria pemilihan variabel harus dilihat dari aspek ekonomi dan perilaku data secara statistika. 2. Disagregasi Data Tahap kedua adalah melakukan disagregasi data dengan menggunakan metode Qubic Splines atau dapat pula digunakan metode interpolasi lainnya. Hal ini dilakukan apabila data yang tersedia memiliki frekuensi observasi tahunan atau kuartalan untuk disesuaikan menjadi data bulanan. 3. Mengisolir Pengaruh Musiman Tahap ketiga adalah membersihkan data dengan mengisolir pengaruh musim sehingga tidak menyebabkan misleading dan indeks yang diperoleh tidak volatile. Pada banyak negara, faktor musim biasanya bersifat fix (tetap) seperti pada peristiwa hari raya (lebaran, natal, tahun baru atau lainnya) maupun musim yang ekstrem (musim hujan, kemarau, dingin, dan panas). Untuk kasus Indonesia,

4 43 selain faktor musim yang tetap, juga ada faktor yang bergerak seperti Idul Fitri dan Tahun Baru Imlek. 4. Pemilihan Kandidat Variabel Coincident, Leading dan Lagging Indicators Tahap keempat adalah pemilihan kandidat variabel Coincident, Leading dan Lagging Indicators. Ada beberapa metode yang digunakan untuk memilih suat variabel menjadi kandidat Leading Indicators, yaitu dengan pendekatan grafis, uji granger causality, dan uji cross-correlation. Oleh karena Leading Indicators bergerak mendahului reference series, maka kandidat Leading Indicators secara visual melalui grafis seharusnya bergerak mendahului reference series. Adapun kriteria penentuan Leading Indicators berdasarkan uji cross correlation dapat dilihat dari adanya korelasi yang cukup tinggi dengan lag yang cukup jauh. Pada uji granger causality, dapat dilihat dari adanya hubungan kausalitas yang sifatnya satu arah pada lag yang cukup jauh pula. Pengujian koefisien korelasi antara reference series dengan variabel-variabel yang diperkirakan akan menjadi Leading Indicators dilakukan secara terpisah-pisah untuk masing-masing periode leading yang ingin kita bentuk. Untuk mencari kandidat Leading Indicators 3 bulan maka kita harus mencari korelasi antara reference series dengan seluruh variabel pada tiga bulan berikutnya. Begitu pula halnya jika kita ingin mencari kandidat Leading Indicators 6 dan 12 bulan. Sebaliknya, karena sifatnya yang bergerak sejalan kandidat Coincident Indicators secara grafis haruslah berjalan sejalan dengan variabel reference dengan korelasi tinggi di sekitar lag nol. Causality antara Coincident Indicators dan variabel reference haruslah bersifat dua arah dengan lag yang pendek.

5 44 5. Penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI) Tahap kelima adalah penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI) dengan basis indicators yang diperoleh dari tahap keempat dengan cara menggabungkan (compose) variabel-variabel kandidat. Akan tetapi, karena amplitudo dari masing-masing variabel atau series bisa jadi berbeda-beda, maka penyusunan indeks tanpa terlebih dahulu dilakukan standardisasi data bisa mengakibatkan terjadinya distorsi pada index yang terbentuk. Untuk menghindari distorsi tersebut, perlu dilakukan normalisasi terhadap semua komponen siklikal yang diturunkan dari variabel-variabel kandidat serta reference series. Pada prinsipnya, proses standardisasi diarahkan agar semua variabel kandidat memiliki mean 100 serta varian yang sama. Proses penggabungan (compose) variabel-variabel kandidat untuk mendapatkan Coincident Debt Index (CDI) dan Leading Debt Index (LDI) terbaik dilakukan dengan cara trial-error. Indikator baiknya Coincident Debt Index didasarkan pada persamaan pergerakannya dengan variabel reference, sementara untuk LDI didasarkan pada kemampuannya untuk memprediksi CI dan Reference Series. Setiap indikator atau variabel untuk pembentuk CDI dan LDI terbaik tersebut memilki bobot tertentu yang mencerminkan tingkat kemiripan pola antara variabel tersebut dengan indeks yang terbentuk. Dari ketiga indeks tersebut, Leading Debt Index lebih menarik perhatian, karena dapat memberikan deteksi dini (early warning system) tentang kemungkinan terjadinya krisis utang di

6 45 Indonesia secara agregat. Sementara Coincident Debt Index dapat memberikan gambaran tentang kondisi beban utang Indonesia yang terjadi saat ini Metode Penyusunan Early Warning Indicators Metode-metode yang digunakan dalam proses penyusunan Early Warning Indicators dapat dijelaskan seperti berikut ini. 1. Metode Cubic-Spline Data sekunder yang dipublikasi umumnya memiliki frekuensi release yang tahunan. Dalam penyusunan Leading Indicator, data yang digunakan umumnya berupa data bulanan. Apabila data yang tersedia memiliki frekuensi kuartalan, maka perlu dilakukan disagregasi menjadi bulanan, sehingga diperlukan metode khusus yang dapat memberikan hasil optimal, salah satunya adalah metode Cubic- Spline. 2. X12-ARIMA Fluktuasi data yang bersifat musiman dan periodik sepanjang waktu seringkali mengganggu pergerakan siklikal. Oleh karena itu, hal tersebut perlu dihilangkan terlebih dahulu. Metode X-12 ARIMA adalah salah satu metode yang dapat digunakan untuk de-seasonality data. Penelitian ini menggunakan X-12 ARIMA karena sifatnya yang lebih sesuai dengan kondisi di Indonesia. Menurut pandangan Jackson dan Leonard (2001), penyesuaian musiman (seasonal adjustment) dari sebuah series didasarkan pada asumsi bahwa fluktuasifluktuasi musiman dapat diukur dari series awal (x t, t=1,2,...,n) dan dipisahkan dari trend cycle component (C t ), trading day component(d t ), dan flukutuasi

7 46 irregular (I t ). Komponen musiman atau seasonal (S t ) dapat didefinisikan sebagai variasi dalam setahun yang berulang secara konstan dari tahun ke tahun. C t mengukur variasi variabel menuju faktor siklus jangka panjang, siklus bisnis, dan faktor-faktor jangka panjang lainnya. D t adalah variasi yang ditunjukkan pada komposisi dari kalender. Sebagai tambahan, I t adalah variasi residual. Banyak variabel makroekonomi yang time series mempunyai bentuk hubungn multiplicative (x t =C t D t S t ) dan lainnya berbentuk additivr (x t =C t +D t +S t +I t ). Sebuah time series yang disesuaikan secara musiman hanya terdiri atas trend cycle dan komposisi irregular. X-12 ARIMA merupakan sebuah model yang dapat digunakan untuk mendekomposisi sebuah time series baik dengan asumsi additive ataupun multiplicative untuk memperoleh komponen-komponen C t, D t, S t, ataupun I t. Model ARIMA (Autoregressive Integrated Moving Average) umumnya digunakan untuk seasonal time series. Model ARIMA dengan asumsi multiplicative seasonal times series, x t dapat dituliskan menjadi : ø(b)φ(b s )(1-B) d (1-B s ) D x t = θ (B)Ө (B s )a t (3.1) dimana : B adalah operator lag (Bx t =x t-1 ) s adalah periode musiman, ø(b) = (1 - ø 1 B ø p B p ) adalah operator non seasonal autoregressive (AR), Φ(B) = (1 - Φ 1 B s Φ P B Ps ) adalah operator seasonal AR, θ(b) = (1 - ø 1 B ø q B q ) adalah operator non seasonal moving average (MA), Φ(B s ) = (1 - Φ 1 B s Φ Q B Qs ) adalah opeartor seasonal moving average

8 47 a t s i.i.d dengan rata-rata nol dan varian σ 2.(1 B) d (1 B s ) D mengimplikasikan perbedaan non seasonal orde ke-d dan perbedaan seasonal orde ke-d. Jika d=d=0 (tidak ada perbedaan), maka pada umunya dilakukan perhitungan kembali x t pada persamaan di atas dengan mengurangkannya terhadap rata-ratanya, yaitu : dengan x t -μ dimana μ = E[x t ]. 3. Cross Correlation Metode ini digunakan untuk menganalisis dan menentukan apakah variabelvariabel ekonomi dan keuangan lainnya, jika dikorelasi silangkan dengan reference series akan menjadi Leading Indicators, Coincident Indicators, atau Lagging Indicators. Jika ternyata ada beberapa variabel yang dapat dijadikan Leading Indicators, maka bisa dibentuk Composite Leading Indicators (CLI). Korelasi silang (cross correlation) antara dua variabel, katakan x dan y dapat dihitung : dan.. (3.2) (3.3) Periode waktu yang digunakan untuk menguji korelasi adalah 12 periode atau selama satu tahun dengan data bulanan. Untuk dapat dijadikan sebagai indicators

9 48 maka nilai r xy yang dicari adalah nilai yang paling tinggi selama periode pengujian. Kriteria pemilihan kandidat leading pada uji cross correlation (korelasi silang) adalah dengan melihat korelasi tinggi pada lag yang cukup jauh. Pemilihan kandidat lagging berdasarkan korelasi tertinggi pada lead yang cukup jauh. Sementara itu, penetuan kandidat coincident dilakukan dengan melihat korelasi tertinggi pada lead dan lag nol. 4. Granger Causality Test Salah satu tahap dalam analisis siklus bisnis adalah penggunanaan metode ekonometrik dalam pemilihan kandidat leading indicators. Langkah pertama dalam pemilihan komponen LEI adalah uji kointegrasi setiap calon komponen LEI dengan reference series untuk melihat ada tidaknya hubungan jangka panjang. Kemudian, dilakukan pengujian Granger Causality Test antara calon komponen LEI (dengan berbagai spesifikasi lag) dengan reference series. Uji granger yang dilakukan dalam penelitian ini menggunakan 4 spesifikasi lag, yaitu 1, 3, 6, dan 12. Berdasarkan penelitian yang dilakukan, penentuan lag tersebut diasumsikan telah mampu memberikan hasil yang cukup akurat dan mewakili keseluruhan lag. Penggunaan 4 spesifikasi lag tersebut dilakukan untuk mengetahui perbandingan tingkat spesifikasi pada lag yang semakin jauh. Dengan pengujian ini, dapat diperoleh variable-variabel yang tergolong sebagai leading indicators. Granger Causality Test dilakukan untuk melihat adanya hubungan sebab-akibat (kausalitas) dan arah kausalitas di antara variabel-variabel yang digunakan dalam analisis. Uji kausalitas dilakukan karena terdapat tiga

10 49 kemungkinan arah kausalitas yang terjadi antara dua variabel, yakni variabel reference dan variabel tertentu yang diuji (misalnya variabel X), yaitu : 1.) Variabel reference menyebabkan (granger cause) variabel X 2.) Variabel X menyebabkan (granger cause) variabel reference 3.) Variabel reference dan variabel X memiliki hubungan timbal balik yang terjadi apabila variabel reference menyebabkan variabel X dan pada saat yang bersamaan variabel X juga menyebabkan variabel reference. Dengan menggunakan Granger Causality Test, maka dapat diketahui apakah antara X dan Y memiliki hubungan kausalitas dan bagaimana arah kausalitas di antara kedua variabel tersebut. Nilai probabilitas (P value) yang dihasilkan menentukan signifikansi arah hubungan kausalitas antar variabel. Ketentuan yang secara konvensional disepakati adalah jika probabilitas lebih kecil dari 5 persen, maka dikatakan terjadi kausalitas yang signifikan. Kriteria kandidat leading pada granger causality ini adalah adanya hubungan kausalitas satu arah pada lag cukup jauh yang menunjukkan bahwa variabel X menyebabkan (granger cause) variabel reference. Sementara itu, kriteria kandidat lagging didasarkan pada adanya hubugan kausalitas satu arah pada lag cukup jauh yang menunjukkan bahwa variabel reference menyebabkan (granger cause) variabel X. Adapun pemilihan kandidat Coincident Indicators dilihat dari adanya hubungan kausalitas dua arah dengan lag di sekitar nol. 5. Metode Penyusunan Composite Coincident Debt Index (CDI) dan Leading Debt Index (LDI) Setelah berbagai data variabel makroekonomi yang tersedia dikelompokkan ke dalam kandidat Coincident Indicator, Leading Indicator dan Lagging Indicator,

11 50 langkah selanjutnya adalah menyusun composite CI dan LI dengan prosedur sebagai berikut : Untuk setiap variabel, lakukan perhitungan : 1. Hitung perubahan persentase simetris month-on-month (MoM) untuk setiap variabel atau komponen dengan rumus : x t = 200* (X t -X t-1 )/(X t -X t-1 )...(3.4) dimana X t adalah nilai observasi komponen X pada waktu t. Jika satuan pengukuran untuk komponen X berupa presentasi (seperti suku bunga), maka month-on-month dihitung dengan formula : x t = (X t -X t-1 )...(3.5) 2. Lakukan adjustement terhadap MoM change dari setiap komponen. Hal ini dimaksudkan untuk menyamakan volatilitas MoM change dari semua komponen. Adjustement tersebut dilakukan dengan prosedur sebagai berikut : a) Hitung standard deviation MoM change dari setiap komponen (misalkan = σ x ) b) Hitung inverse dari σx (misalkan w x = 1/σ x ) c) Jumlahkan semua w x (misalkan = k) d) Hitung faktor standarisasi (weight) untuk setiap komponen dengan rumus: r x = (1/k)*w x...(3.6) Adjustment terhadap MoM change dari setiap komponen dihitung dengan rumus : m t = r x *x t...(3.7)

12 51 3. Jumlahkan MoM change yang telah di-adjust (langkah 2); misalkan = i t 4. Lakukan adjustment terhadap i t untuk menyamakan volatilitas dengan reference series; untuk Coincident Economic Indicator (CEI) menggunakan reference series yakni debt to GDP, serta untuk Leading Economic Indicator (LEI) dan Lagging Economic Indicator menggunakan reference series CEI atau reference series debt to GDP. 5. Hitung angka preliminary leading dan Coincident Debt Index dengan menetapkan nilai indeks awal sama dengan 100. Nilai indeks berikutnya dihitung dengan menggunakan rumus : I t = I t -1 * (200 + i t ) / (200-i t )...(3.8) Kombinasi variabel yang menghasilkan composite CI dan LI terbaik diperoleh dengan cara trial and error. Ukuran kebaikan CI didasarkan pada kesamaan pergerakannya dengan debt to GDP (reference series), sementara untuk LI didasarkan pada kemampuannya memprediksi pergerakan CI. 6. Penentuan Turning Point Coincident, Leading dan Lagging Debt Index dengan Metode Bry Boschan Procedure Setelah proses seleksi selesai dilakukan, maka selanjutnya variabel-variabel yang menjadi kandidat Coincident, Leading dan Lagging Indicators akan melalui suatu proses perhitungan sehingga dihasilkan suatu indeks bagi masing-masing indikator tersebut. Pada tahap selanjutnya, dilakukan penentuan turning point pada ketiga indeks yang dihasilkan, yakni Coincident Debt Index, Leading Debt Index dan Lagging Debt Index. Penentuan turning points dimaksudkan untuk menetapkan waktu (bulan dan tahun) dimana ketiga indeks tersebut mengalami pembalikan dari fase

13 52 ekspansi ke kontraksi atau sebaliknya. Penentuan turning points ini penting untuk menyusun kronologi siklus bisnis di Indonesia. Adapun metode yang digunakan untuk melakukan penentuan turning point tersebut adalah metode Bry Boschan Procedure. Metode ini telah dikembangkan sejak lama oleh NBER dan masih digunakan secara luas hingga saat ini. Secara visual, grafik Leading Debt Index bergerak mendahului Coincident Debt Index dengan selang waktu tertentu. Selang waktu Leading Debt Index bergerak mendahului Coincident Debt Index tersebut dapat ditentukan secara akurat dengan menghitung rata-rata perbedaan antar titik puncak dan lembah dari kedua indeks tersebut. Perbedaan rata-rata selang waktu Leading Debt Index mendahului Coincident Debt Index selanjutnya ditetapkan sebagai jangka waktu kemungkinan terjadinya krisis utang setelah munculnya sinyal pada system deteksi dini yang telah dibuat. Dengan demikian, pihak pengambil kebijakan memiliki waktu dalam periode tertentu untuk merumuskan dan mengimplementasikan kebijakan yang penting dalam rangka menghindari kemungkinan terjadinya krisis utang. Adapun Lagging Debt Index secara visual pergerakan grafiknya mengikuti Coincident Debt Index. Selang waktu Lagging Debt Index bergerak mengikuti Coincident Debt Index tersebut dapat ditentukan secara akurat dengan menghitung rata-rata perbedaan antar titik puncak dan lembah dari kedua indeks tersebut. Perbedaan rata-rata selang waktu Lagging Debt Index mendahului Coincident Debt Index selanjutnya ditetapkan sebagai jangka waktu dampak penyebaran (contagion effect) akibat terjadinya krisis utang setelah munculnya sinyal. Dengan

14 53 demikian, pihak pengambil kebijakan memiliki waktu dalam periode tertentu untuk merumuskan dan mengimplementasikan kebijakan yang penting dalam rangka menghindari dampak penyebaran secara luas terhadap perekonomian secara agregat akibat terjadinya krisis utang yang tidak dapat terhindarkan lagi. Pengujian secara grafis dengan metode Bry Boschan Procedure ini diawali dengan penentuan titik puncak (peak) dan lembah (trough) pada grafik dari masing-masing indeks yang telah dihasilkan. Penentuan titik puncak (peak) dan lembah (trough) tersebut menjadi hal yang sangat penting untuk dilakukan mengingat langkah ini akan memudahkan penentuan selang waktu perbedaan antara Coincident Debt Index dengan Leading Debt Index dan Lagging Debt Index. Titik puncak suatu indeks ditentukan pada periode tertentu dimana indeks tersebut mencapai nilai tertinggi, sedangkan titik lembah suatu indeks ditentukan pada periode tertentu dimana indeks tersebut mencapai nilai terendah. Suatu indeks tertentu dikatakan memiliki satu siklus bila pada rentang periode tertentu memiliki satu titik puncak dan satu titik lembah. Metode Bry Boschan Procedure menetapkan bahwa jarak perbedaan waktu antara titik puncak terhadap lembah (peak to trough) atau titik lembah terhadap puncak (trough to peak) dalam satu siklus minimal enam bulan. Bila suatu variabel memiliki lebih dari satu siklus dalam rentang periode tertentu, ditetapkan pula bahwa jarak antar titik puncak (peak to peak) atau antar titik lembah (trough to trough) minimal lima belas bulan.

15 54 Setelah menetapkan peak dan trough dari masing-masing indeks, maka selang waktu perbedaan pergerakan Leading Debt Index dan Lagging Debt Index terhadap Coincident Debt Index dapat dihitung secara tepat.

16 55 Kompilasi Data Pengumpulan variabel/data sekunder 1. Berdasarkan ketersediaan data 2. Kriteria ekonomi 3. Kriteria statistik Data hasil seleksi Generating Data Metode : 1. Disagregasi data (Cubic Splines) Data siap digunakan Seleksi Kandidat Composite Index Metode : 1. Cross-Correlation Test 2. Granger Causality Test Kandidat Coincident Indicators Kandidat Leading Indicators Kandidat LaggingIndicators Metode X-12 ARIMA Metode X-12 ARIMA Metode X-12 ARIMA Penyusunan Composite Index Metode Indeksasi Coincident Debt Index Leading Debt Index Lagging Debt Index Metode Bry Boschan Procedure Metode Bry Boschan Procedure Metode Bry Boschan Procedure Penentuan Turning Point dan Perbedaan Selang Waktu Antara Coincident Debt Index dengan Leading Debt Index dan Lagging Debt Index Gambar 3.1 Alur Penyusunan Komponen Early Warning System

17 Definisi Operasional Adapun beberapa definisi operasional yang penting untuk dipahami dalam penelitian ini adalah sebagai berikut. 1. Utang luar negeri Indonesia adalah posisi kewajiban aktual penduduk Indonesia kepada bukan penduduk pada suatu waktu, tidak termasuk kontinjen, yang membutuhkan pembayaran kembali bunga dan/atau pokok pada waktu yang akan datang. 2. Utang luar negeri pemerintah adalah utang yang dimiliki oleh pemerintah pusat, terdiri dari utang bilateral atau multilateral, fasilitas kredit ekspor (FKE), utang komersial, dan leasing, termasuk pula Surat Berharga Negara (SBN) (yang diterbitkan di luar maupun di dalam negeri) yang dimiliki oleh bukan penduduk. SBN terdiri dari Surat Utang Negara (SUN) dan Surat Berharga Syariah Negara (SBSN). SUN terdiri dari Obligasi Negara yang berjangka waktu lebih dari 12 bulan dan Surat Perbendaharaan Negara (SPN) yang berjangka waktu sampai dengan 12 bulan. SBSN terdiri SBSN jangka panjang (Ijarah Fixed Rate/IFR) dan Global Sukuk. 3. Utang luar negeri bank sentral adalah utang yang dimiliki oleh Bank Indonesia dalam rangka mendukung neraca pembayran dan cadangan devisa. Termasuk dalam utang luar negeri Bank Indonesia adalah kewajiban dalam bentuk Sertifikat Bank Indonesia (SBI) yang dimiliki oleh bukan penduduk serta simpanan (deposits) bukan penduduk di Bank Indonesia. 4. Pendapatan Negara dan Hibah adalah seluruh penerimaan negara yang terdiri dari Penerimaan Dalan Negeri dan Hibah.

18 57 5. Belanja Negara adalah seluruh pengeluaran negara berupa belanja pemerintah pusat dan transfer ke daerah. 6. Surplus adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang lebih besar dari belanja negara. 7. Defisit adalah selisih yang dihasilkan dari pendapatan negara dan hibah yang lebih rendah dari belanja negara. 8. Total Pembiayaan adalah pembiayaan yang dapat diterima/dibentuk untuk menutupi defisit yang terjadi/membiayai Anggaran Pendapatan dan Belanja Negara (APBN). Pembiayaan mencakup transaksi penjualan asset negara, penerimaan pinjaman pemerintah dari luar negeri dan dalam negeri, dan rekening-rekening pemerintah. 9. Balance of Payment (BoP) atau Neraca Pembayaran Indonesia (NPI) adalah catatan transaksi ekonomu yang terjadi antara penduduk dengan bukan penduduk Indonesia pada suatu periode waktu tertentu. 10. Transaksi berjalan mencakup ekspor dan impor barang, jasa, pendapatan, serta transfer berjalan. Transaksi finansial meliputi investasi langsung, investasi portofolio, derivatif finansial, dan investasi lainnya di luar cadangan devisa dan kredit/pinjaman IMF yang disajikan sebagai komponen sendiri. 11. Transaksi ekspor dan impor barang masing-masing dikelompokkan atsa ransaksi ekspor dan impor migas dan nonmigas. 12. Cadangan devisa resmi Indonesia (Indonesian official reserve assets) merupakan aset eksternal yang dapat langsung tersedua bagi dan berada di bawah kontrol Bank Indonesia selaku otoritas moneter untuk membiayai

19 58 ketidakseimbangan neraca pembayaran, melakukan intervensi pasar, dalam rangka memelihara kestabilan nilai tukar, dan/atau tujuan lainnya (antara lain menjaga ketahan perekonomian daan nilai tukar serta sebagai bantalan terhadap net kewajiban Indonesia). 13. Hak Tarik Khusus (Special Drawing Rights SDR) merupakan cadangan devisa internasional yang diciptakan oleh IMF untuk menambah cadangan devisa negara anggota dan secara periodik dialokasikan kepada anggota secara proporsional sesuai dengan kuotanya. Walaupun tidak memiliki jangka waktu jatuh tempo, anggota IMF yang menerima alokasi SDR tersebut memiliki kewajiban untuk embayar kembali saat keluar dari keanggotaan IMF. 14. Debt Service Payment adalah jumlah pembayaran pokok dan bunga utang luar negeri, termasuk fee. 15. Debt Service Ratio adalah rasio pembayaran pokok dan bunga utang luar negeri terhadap penerimaan hasil ekspor suatu negara. 16. Debt to Export Ratio adalah rasio total utang luar negeri terhadap penerimaan hasil ekspor suatu negara. 17. Debt to GDP Ratio adalah rasio total utang luar negeri terhadap Produk Domestik (PDB) suatu negara.