Jurnal Covid 7.en - Id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Pasar Keuangan Asia-Pasifik (2022) 29:411–447

https://doi.org/10.1007/s10690-021-09354-4
PENELITIAN ASLI
Dinamika Pasar Keuangan dan Kebijakan Moneter

Indonesia di Tengah Pandemi COVID‑19
Eric Alexander Sugandi1
Diterima: 1 Oktober 2021 / Diterbitkan online: 19 Oktober 2021

© Penulis, di bawah lisensi eksklusif untuk Springer Japan KK, bagian dari Springer Nature 2021
Abstrak
Kami membahas dampak pandemi COVID-19 terhadap pasar keuangan Indonesia
dan dinamika kebijakan moneter. Kami mengeksplorasi lima jenis pasar keuangan di
Indonesia: (1) pasar uang antar bank Rupiah (IDR); (2) pasar uang antar bank Dolar
Amerika (USD); (3) pasar obligasi konvensional negara (SUN); (4) pasar saham; dan
(5) pasar spot USD/IDR. Kami mengkaji tiga instrumen kebijakan moneter Bank
Indonesia (BI): (1) BI 7-day Reverse Repo Rate (suku bunga kebijakan); (2) Rasio Giro
Wajib Minimum Bank (GWM); dan (3) operasi moneter BI. Kami menemukan bahwa
beberapa instrumen kebijakan memiliki dampak signifikan terhadap pasar keuangan
tertentu sebelum dan selama pandemi, yaitu kebijakan suku bunga di pasar uang
antar bank IDR dan USD, GWM IDR di pasar SUN jangka menengah, dan valuta asing
(FX). ) GWM di pasar FX. Kami juga menemukan bahwa pandemi COVID-19
memperkuat dampak instrumen kebijakan BI terhadap pasar keuangan tertentu
selama pandemi dibandingkan periode sebelum pandemi. Kami menyarankan BI
terus menjaga stabilitas pasar keuangan untuk mendukung upaya pemerintah
memulihkan perekonomian dari sisi fiskal.
Kata kunciCOVID-19 · Kebijakan moneter · Pasar keuangan Indonesia · Bank

Indonesia
Klasifikasi JELE58 · G10
1. Perkenalan
Pemerintah Indonesia mengumumkan kasus positif COVID-19 pertama di Indonesia pada

2 Maret 2020. Sejak itu, jumlah kasus baru yang dilaporkan meningkat pesat. Pada
tanggal 31 Maret 2020, pemerintah Indonesia mendeklarasikan sosial berskala besar
* Eric Alexander Sugandi esugandi@adbi.org ;

ericsugandi@gmail.com
1
Asian Development Bank Institute, Gedung Kasumigaseki Lantai 8, 3 Chome-2-5
Kasumigaseki, Chiyoda-ku, Tokyo 100-6008, Jepang
Jil.:(01213456789)
412 EA Sugandi
kebijakan pembatasan jarak (PSBB) untuk memperlambat penyebaran penyakit. Karena

perekonomian Indonesia berisiko tinggi memasuki resesi, pemerintah mengakhiri PSBB dan
memberlakukan kebijakan 'normal baru' pada awal Juni 2020 untuk melanjutkan aktivitas
perekonomian secara perlahan. Pemerintah secara bertahap membuka sembilan sektor
ekonomi pada Juli 2020, meski jumlah kasus baru COVID-19 terus meningkat.
Untuk memitigasi dampak negatif COVID-19 terhadap perekonomian, pemerintah
mengumumkan paket stimulus fiskal pertama pada akhir Februari 2020 dan paket stimulus
fiskal kedua pada 13 Maret 2020. Pemerintah menerbitkan Peraturan Pemerintah Pengganti
Undang-Undang (Perppu) No.1/ 2020 pada tanggal 31 Maret 2020 yang memberikan
kewenangan kepada pemerintah, bank sentral (Bank Indonesia), dan lembaga terkait lainnya
untuk menerapkan kebijakan ekonomi yang bersifat diskresi. Pada kesempatan yang sama,
pemerintah mengumumkan paket stimulus fiskal ketiga yang jauh lebih besar dibandingkan
sebelumnya. Pada Juli 2020, Perppu No. 1/2020 diganti dengan Undang-Undang (UU) No.
2/2020 yang lebih kuat secara hukum. Pemerintah kemudian menaikkan target defisit anggaran
tahun 2020 dari 1,8% PDB nominal menjadi 6,3%. Peningkatan defisit anggaran sebagian besar
akan dibiayai melalui penerbitan surat utang pemerintah (Surat Berharga Negara, SBN).
Pemerintah meluncurkan Program Pemulihan Ekonomi Nasional (PEN) pada Mei 2020 yang
berisi program khusus untuk membangkitkan perekonomian.
Bank Indonesia (BI) menjalankan kebijakan moneter ekspansif untuk merangsang
perekonomian. Sejak Januari 2020 hingga akhir September 2020, BI telah memangkas BI 7-day
Reverse Repo Rate (suku bunga kebijakan) sebesar 100 basis poin (bps) secara total menjadi
4,00%. BI menurunkan rasio Giro Wajib Minimum (GWM) Rupiah untuk bank konvensional
sebesar 200 bps menjadi 3,5% dan bank syariah sebesar 50 bps menjadi 3,5% (berlaku mulai 1
Mei 2020), serta menerapkan berbagai kebijakan makroprudensial lainnya. BI memangkas
GWM Valas dari 8 menjadi 4% yang berlaku mulai 16 Maret 2020. BI juga melakukan kebijakan
pelonggaran kuantitatif (quantitative easing) untuk menyuntikkan likuiditas ke perekonomian
yang sejak awal tahun hingga akhir September 2020 berjumlah Rp666 triliun. . Perppu Nomor 1
Tahun 2020 memperbolehkan BI membeli instrumen SBN di pasar perdana melalui private
penempatan, dimana sebelumnya BI hanya bisa membeli instrumen SBN di pasar sekunder.
Pada tanggal 6 Juli 2020, BI dan pemerintah mengumumkan skema pembagian beban dimana
BI akan membantu sebagian membiayai defisit anggaran pemerintah dengan membeli
instrumen SBN dan menanggung sebagian pembayaran bunganya.
Pandemi COVID-19 telah mempengaruhi dinamika pasar keuangan dan kebijakan moneter
Indonesia. Namun, kajian mengenai dampak COVID-19 terhadap perekonomian Indonesia dan
respons kebijakan otoritas Indonesia sebagian besar berfokus pada sektor riil perekonomian
dan aspek kebijakan fiskal. Di antaranya adalah penelitian Susilawati dkk. (2020), yang
berpendapat bahwa sektor rumah tangga adalah sektor yang paling terkena dampak pandemi
ini; Surhayadi dkk. (2020), yang membahas tentang meningkatnya angka kemiskinan akibat
pandemi; dan Hasibuan dkk. (2020), yang membahas langkah-langkah kebijakan fiskal untuk
mengatasi pandemi.
Dalam makalah ini, kami menyelidiki dampak pandemi COVID-19 terhadap pasar
keuangan Indonesia dan dinamika kebijakan moneter. Makalah ini berlanjut sebagai
berikut. Bagian2membahas secara singkat literatur terkait dampak COVID-19 terhadap
perekonomian dan pasar keuangan, serta respons kebijakan di berbagai negara. Bagian3
menggambarkan dinamika pasar keuangan Indonesia selama pandemi.
13
Dinamika Pasar Keuangan dan Kebijakan Moneter Indonesia… 413
Bagian4membahas respon kebijakan moneter BI. Bagian5menguraikan model

regresi yang mengkaji dampak pandemi COVID-19 terhadap pasar keuangan dan
dinamika kebijakan moneter. Bagian6menyimpulkan.
2 Literatur Terkait
Kajian ekonomi terkini mengenai pandemi COVID-19 sebagian besar terbagi dalam
kategori berikut: (1) analisis dampak ekonomi, saluran transmisi dampak tersebut, dan
dampak ekonomi dari pandemi ini; (2) pengkajian opsi kebijakan untuk memitigasi
dampak pandemi terhadap perekonomian; dan (3) analisis dampak pandemi terhadap
sistem keuangan di tingkat global, regional, dan nasional. Banyak dari penelitian ini
menelusuri pandemi di masa lalu untuk menemukan kesamaan dengan pandemi
COVID-19 yang sedang berlangsung.
Secara umum, pandemi berdampak pada perekonomian melalui sisi penawaran dan permintaan
perekonomian masing-masing negara dan dapat ditularkan antar negara melalui saluran
perdagangan, keuangan, dan perjalanan/pariwisata. Correia dkk. (2020) menunjukkan bahwa
penurunan perekonomian AS selama pandemi Great Influenza tahun 1918 didorong oleh sisi
permintaan dan penawaran. Verikios dkk. (2011) menemukan bahwa semakin terintegrasi suatu
wilayah ke dalam perekonomian dunia, semakin besar kemungkinan wilayah tersebut terkena dampak
pandemi. Mereka juga menemukan bahwa aktivitas ekonomi global akan lebih terpengaruh oleh
pandemi dengan tingkat infeksi yang tinggi dibandingkan dengan tingkat virulensi yang tinggi.
Karena pandemi COVID-19 masih jauh dari selesai, perkiraan dampak ekonomi yang
ditimbulkan oleh pandemi ini hanyalah perkiraan awal dan akan terus berubah. Barro dkk. (
2020) menunjukkan bahwa pandemi Influenza Besar pada tahun 1918 dapat memberikan
skenario terburuk yang masuk akal terhadap tingkat kematian dan kontraksi ekonomi akibat
pandemi COVID-19 yang sedang berlangsung. Dengan mempertimbangkan COVID-19, pada
bulan April 2020 Dana Moneter Internasional (IMF) (2020a) mengubah proyeksi pertumbuhan
PDB global untuk tahun 2020 dari 3,3% sebelum pandemi menjadi −3,0%. Pada bulan Oktober
2020 (IMF, 2020b), IMF merevisi perkiraan pertumbuhan PDB global tahun 2020 menjadi −4,4%.
Bank Pembangunan Asia (ADB) (2020) memperkirakan kerugian ekonomi akibat COVID-19
dapat mencapai 6,4% PDB global dalam skenario penahanan 3 bulan dan 9,7% PDB global
dalam skenario penahanan 6 bulan.
Ada beberapa perbedaan pendapat di antara para peneliti mengenai pilihan kebijakan
terbaik untuk memitigasi dampak kesehatan dan ekonomi akibat COVID-19. Misalnya,
Acemoglu dkk. (2020) dan Boissay dkk. (2020) menyarankan lockdown, sementara Ozili
dan Arun (2020) malah menyarankan pembatasan pergerakan internal. Pindyck (2020)
menunjukkan bahwa strategi mengurangi '"angka reproduksi' R0 menurunkan jumlah
kematian namun memperpanjang durasi pandemi, meningkatkan biaya ekonomi, dan
meningkatkan kemungkinan gelombang kedua pandemi. Kohlscheen dkk. (2020)
memperkirakan penurunan PDB karena tindakan lockdown akan berlarut-larut selama
beberapa kuartal.
Kajian mengenai dampak COVID-19 terhadap sistem keuangan cenderung mencakup
bidang-bidang berikut, yang sering kali tumpang tindih dalam analisisnya: (1) sistem
perbankan dan pasar kredit; (2) pasar surat utang; (3) pasar saham; dan (4) pasar valuta
asing. Studi tentang dampak COVID-19 pada pasar negara berkembang
13
414 EA Sugandi
Pasar keuangan negara-negara EME (EME) sebagian besar menganalisis dinamika aliran
modal lintas negara dari negara-negara maju ke EME selama pandemi dan dampaknya
terhadap stabilitas sistem keuangan EME.
Beberapa penelitian mengkaji dampak COVID-19 pada sistem perbankan. Aldasoro dkk. (
2020) melihat bahwa semua bank di negara-negara maju dan negara-negara berkembang
terdampak oleh pandemi ini dan memperkirakan pasar kredit akan tetap ketat meskipun terjadi
pemulihan di pasar keuangan. Ari dkk. (2020) melihat bahwa sistem perbankan UE saat ini
berada pada posisi yang lebih baik dalam mengatasi risiko kredit bermasalah (NPL) akibat
pandemi ini dibandingkan dengan posisinya saat krisis keuangan global tahun 2008. Perkins
dkk. (2020) melihat bahwa industri perbankan AS masih dalam posisi yang sehat namun perlu
mengantisipasi risiko gagal bayar pinjaman dari bank-bank yang memiliki konsentrasi pinjaman
yang tinggi dalam portofolionya.
Sebuah studi oleh Rismanchi (2020) mengenai langkah-langkah regulasi perbankan yang dilakukan oleh 33
yurisdiksi dan otoritas untuk merespons pandemi ini menunjukkan bahwa negara-negara maju cenderung
menggunakan kombinasi langkah-langkah terkait permodalan, penyediaan, likuiditas, jadwal waktu, dan peraturan
lainnya. EME cenderung tidak mengeluarkan atau hanya mengeluarkan lebih sedikit peraturan mengenai permodalan.
Indonesia tidak menggunakan langkah-langkah regulasi mengenai permodalan dan pencadangan, namun
menggunakan langkah-langkah likuiditas dan jenis-jenis lainnya.
Hördahl dan Shim (2020) menyelidiki dampak pandemi COVID-19 terhadap hubungan
antara arus keluar portofolio obligasi dan nilai tukar, serta antara arus keluar obligasi dan
suku bunga jangka panjang di 19 EME. Arus keluar portofolio obligasi dari EME biasanya
terkait dengan depresiasi mata uang negara-negara tersebut dan tingkat suku bunga
jangka panjang, namun sulit untuk menentukan arah kausalitasnya. Pandemi COVID-19
menegaskan hubungan ini.
Hofmann dkk. (2020a,2020b) menunjukkan bahwa pinjaman melalui obligasi dalam mata uang domestik tidak
melindungi negara-negara berkembang dari guncangan finansial yang disebabkan oleh COVID-19. Banyak negara di
negara-negara berkembang yang berupaya menarik investor asing untuk membeli surat utang dalam mata uang lokal,
karena strategi ini dapat membantu mengurangi ketergantungan mereka pada pinjaman bank internasional yang
mengandung risiko ketidaksesuaian ganda (misalnya, ketidaksesuaian mata uang dan jatuh tempo), seperti yang
terlihat sebelum tahun 1990an. krisis keuangan EME. Namun, strategi ini menghadapkan EME terhadap risiko arus
keluar modal di tengah guncangan keuangan global, seperti yang terjadi pada kasus COVID-19.
Beirne dkk. (2020,2021) meneliti dampak paket stimulus kebijakan fiskal dan kebijakan
pelonggaran kuantitatif di 38 negara, dan menemukan bahwa kebijakan-kebijakan ini telah membantu
memulihkan kepercayaan investor secara keseluruhan dengan mengurangi imbal hasil obligasi dan
meningkatkan harga saham. Mereka juga menemukan bahwa dampak pelonggaran kuantitatif yang
dilakukan bank sentral di negara-negara maju terkait COVID-19 juga meluas ke negara-negara EME
dan membantu menstabilkan dinamika aliran modal di negara-negara tersebut.
Haroon dan Rizvi (2020) mengkaji dampak pandemi COVID-19 terhadap likuiditas di 23 EME.
Mereka menemukan bahwa tren penurunan (peningkatan) jumlah kasus terkonfirmasi
dikaitkan dengan peningkatan (pemburukan) likuiditas di pasar keuangan. Mereka juga
menemukan bahwa intervensi kebijakan dalam hal pembatasan pergerakan dan dunia usaha
berhubungan dengan peningkatan likuiditas. Mereka menyimpulkan bahwa meratakan kurva
infeksi virus corona membantu mengurangi ketidakpastian di kalangan investor.
Ruiz dan Villafranca (2020) membandingkan dampak empat jalur penularan
pandemi COVID-19 terhadap EME: (1) perdagangan (diukur dari ekspor ke AS,
13
UE, dan Republik Rakyat Tiongkok sebagai persentase PDB); (2) pariwisata (kontribusi
sektor pariwisata sebagai persentase terhadap PDB); (3) hidrokarbon (ekspor energi
bersih sebagai persentase PDB); dan (4) pengendalian (diambil dari indeks keketatan
respons pemerintah terhadap COVID-19 dari Universitas Oxford). Dalam kasus Indonesia,
dampak COVID-19 sebagian besar ditularkan melalui jalur pembendungan (containment
channel).
García-Herrero dan Ribakova (2020) melihat bahwa EME mempunyai pilihan kebijakan atau ruang
kebijakan yang terbatas untuk mengatasi menyusutnya likuiditas global. Hal ini ditunjukkan oleh respons
kebijakan bank sentral di negara-negara berkembang yang kurang agresif dibandingkan bank sentral di
negara-negara Barat karena mata uang mereka melemah, sehingga meningkatkan biaya kewajiban USD.
García-Herrero dan Ribakova berpendapat bahwa IMF memainkan perannya sebagai pemberi pinjaman
pilihan terakhir (lender of last resort) bagi EME namun dengan beberapa perbaikan pada praktik pemberian
pinjaman saat ini agar pinjaman tersebut lebih efektif.
Esteves dan Sussman (2020) menunjukkan bahwa pandemi COVID-19 hanya memiliki kekuatan penjelasan
yang terbatas terhadap tekanan finansial di EME. Meskipun, pada awalnya, perekonomian negara-negara EME
lebih terkena dampaknya dibandingkan negara-negara maju, negara-negara EME mulai mendapatkan
manfaat dari pulihnya pasar global meskipun tingkat kematian di negara-negara tersebut meningkat. Selain
itu, EME tampaknya tidak terlalu terkena dampak pandemi ini dibandingkan saat krisis keuangan global tahun
2008.
3 Dinamika Pasar Keuangan Indonesia di Tengah Pandemi COVID‑19

Pandemi
Bagian ini membahas dinamika pasar uang antar bank IDR di Indonesia, pasar
uang antar bank USD, pasar SBN konvensional, pasar saham, dan pasar valuta
asing (FX) USD/IDR di tengah pandemi COVID-19. Instrumen SBN dibedakan
antara Surat Utang Konvensional (SUN) dan Surat Utang Syariah (SBSN).
Instrumen SUN selanjutnya dapat dibedakan berdasarkan tenornya: (1)
Instrumen SUN yang tenornya paling lama 1 tahun (SPN); dan (2) Instrumen
SUN yang tenornya lebih dari 1 tahun (ON). Kami tidak membahas instrumen
SBSN karena pasar SBSN mempunyai aturan yang berbeda dengan pasar SUN.
Nilai tukar pasar uang antar bank (JIBOR) IDR bergerak searah dengan BI rate (Gbr. 2).1). Seluruh
JIBOR mengalami penurunan ketika BI 7-day Reverse Repo Rate dipangkas pada bulan Februari, Maret,
Juni, dan Juli 2020. Sejak akhir Juni 2020, JIBOR overnight turun lebih besar dibandingkan JIBOR lain
yang tenornya lebih panjang. Likuiditas dalam sistem perbankan meningkat pesat sejak akhir Juni 2020
seiring dengan mulainya pemerintah menempatkan dana dalam jumlah besar di beberapa bank milik
negara dan swasta untuk disalurkan ke sektor riil perekonomian. Karena dana tersebut perlu segera
disalurkan untuk mempercepat pemulihan perekonomian Indonesia, sebagian besar dana tersebut
ditempatkan pada rekening pemerintah overnight di bank-bank tersebut, sehingga menyebabkan
penurunan JIBOR overnight dengan cepat.
Rata-rata suku bunga pasar uang antar bank USD bergerak lebih dinamis dibandingkan
JIBOR (Gbr. 2).2). Meskipun suku bunga tersebut mengalami tren penurunan sejak awal tahun
hingga akhir September 2020, namun hal tersebut tidak sejalan dengan pergerakan BI.
13
416 EA Sugandi
Gambar 1 Suku bunga PUAB IDR dan BI 7-day Reverse Repo Rate (%).Sumber: Bloomberg
Gambar 2Rata-rata Suku Bunga Pasar Uang Antar Bank USD dan BI 7-day Reverse Repo Rate (%).Sumber:
Bloomberg
13
Gambar 3SUN Jangka Pendek (SPN) dan BI 7-day Reverse Repo Rate (%).Sumber: Bloomberg
7-day Reverse Repo Rate karena juga terdampak oleh pergerakan nilai
tukar IDR terhadap USD.
Angka3menunjukkan pergerakan imbal hasil SPN 3 bulan dan 6 bulan yang cukup beragam
pada bulan Februari dan awal Maret 2020. Yield instrumen SPN tersebut tidak selalu bergerak
searah dengan BI 7-day Reverse Repo Rate. Pasar instrumen SPN kurang likuid dibandingkan
pasar instrumen SUN yang tenornya lebih panjang; Oleh karena itu, interaksi permintaan dan
penawaran di pasar ini kurang responsif terhadap perubahan suku bunga kebijakan dan
variabel makroekonomi lainnya dibandingkan dengan pasar SUN tenor panjang.
Angka4Dan5menunjukkan dinamika masing-masing instrumen SUN jangka menengah

dan panjang. Meskipun SPN bertenor 1 tahun menurut undang-undang Indonesia
dikategorikan sebagai obligasi pemerintah jangka pendek, kami mengkategorikannya
sebagai obligasi jangka menengah dalam model regresi karena pergerakan imbal hasil
SPN satu tahun dengan imbal hasil sebesar 2 instrumen SUN tenor lebih pendek.
Yield instrumen SUN jangka menengah dan panjang bergerak berlawanan arah
dengan BI 7-day Reverse Repo Rate pada Maret 2020. Faktor ekspektasi berperan di sini.
Terdapat kekhawatiran di kalangan investor obligasi asing terhadap kemungkinan
pemerintah menaikkan target defisit anggaran untuk meluncurkan paket stimulus fiskal
ketiga dan ketidakpastian mengenai besaran kenaikan defisit anggaran dan pasokan SBN.
Akibatnya, investor asing mengurangi kepemilikan SBN dan menyebabkan imbal hasil
SBN meningkat.
Yield instrumen SUN jangka menengah dan panjang mulai stabil pada bulan April 2020,
diduga karena pemerintah Indonesia akhirnya mengumumkan kebijakan PSBB dan paket
stimulus fiskal pada tanggal 31 Maret 2020. Meski defisit anggaran meningkat, pengumuman
paket stimulus ketiga Paket kebijakan fiskal membantu mengurangi kekhawatiran di kalangan
investor karena memberikan kejelasan mengenai kebijakan pemerintah
13
418 EA Sugandi
Gambar 4 SUN Jangka Menengah dan BI 7-day Reverse Repo Rate (%).Sumber: Bloomberg
Gambar 5SUN Jangka Panjang dan BI 7-day Reverse Repo Rate (%).Sumber: Bloomberg
arah kebijakan untuk mengatasi pandemi ini dan memitigasi dampak negatifnya terhadap
perekonomian.
Angka6menunjukkan dinamika Indeks Harga Saham Gabungan (IHSG) dan indeks
sektoralnya: (a) keuangan (JAKFIN); (b) konstruksi, properti, dan real estate
13
Gambar 6Indeks Harga Saham Gabungan (IHSG) dan Indeks Sektoral.Sumber: Bloomberg
(JAKPROP); (c) pertambangan (JAKMINE); (d) barang konsumsi (JAKCONS); (e)

Industri Dasar dan Kimia (JAKBIND); (f) pertanian (JAKAGRI); (g) aneka industri
(JAKMIND); (h) infrastruktur, utilitas, dan transportasi (JAKINFR); dan (i) Jasa
Perdagangan dan Penanaman Modal (JAKTRAD).
IHSG dan indeks sektoralnya melemah pada awal dan pertengahan Maret 2020,
sebagian besar disebabkan oleh sentimen negatif dari bursa saham utama global dan
berita wabah COVID-19 di Indonesia. IHSG dan indeks sektoralnya mulai rebound (meski
belum kembali ke level sebelum pandemi) pada akhir Maret 2020 di tengah membaiknya
sentimen investor. Seperti Esteves dan Sussman (2020) menunjukkan bahwa EME tidak
terlalu terkena dampak selama pandemi COVID-19 dibandingkan dengan krisis keuangan
global tahun 2008, sehingga penurunan IHSG selama pandemi ini jauh lebih kecil
dibandingkan penurunan IHSG pada krisis tahun 2008. IHSG anjlok sebesar 38% sejak
awal tahun 2020 hingga titik terendah pada 24 Maret 2020, dibandingkan penurunan
sebesar 147% pada awal tahun 2008 hingga titik terendah pada 28 Oktober 2008.
Angka7menampilkan pergerakan kurs spot USD/IDR, kurs domestik non-deliverable
forward (DNDF) BI 1 bulan, dan kurs DNDF 3 bulan selama pandemi. Rupiah mengalami
depresiasi yang pesat di pasar spot dari 14.318 per USD pada akhir Februari 2020 menjadi
16.310 per USD pada akhir Maret di tengah arus keluar modal dari instrumen SUN dan
pasar saham. Tekanan yang cukup besar terhadap nilai tukar Rupiah menyebabkan tarif
transaksi lindung nilai swap BI FX meningkat tajam pada minggu kedua bulan Maret 2020
(Gbr. 2).8). USD/IDR mulai rebound pada awal April 2020 seiring dengan mulai stabilnya
pasar keuangan global dan seiring diumumkannya Perppu oleh pemerintah Indonesia
pada tanggal 31 Maret 2020.
Meski terjadi pandemi COVID-19, total kepemilikan instrumen SUN yang
diperdagangkan meningkat dari Rp 2267 triliun di awal tahun menjadi Rp 2660
13
420 EA Sugandi
Gambar 7 Kurs Spot USD/IDR dan DNDF.Sumber: Bloomberg
Gambar 8Kurs Transaksi Lindung Nilai Swap BI FX (Swap Point).Sumber: Bloomberg
triliun pada akhir September 2020. Terdapat perubahan substansial pada

komposisi kepemilikan instrumen SUN tradable selama pandemi. Kepemilikan
oleh investor non-residen (asing) (yang bukan pemerintah asing atau pusat
13
bank) menurun dari 37,4% dari total instrumen SUN yang dapat diperdagangkan pada awal
tahun menjadi 27,3% dari total pada akhir September 2020. Sebaliknya, porsi kepemilikan oleh
bank konvensional meningkat dari 19,3% dari total pada awal tahun. tahun ini menjadi 38,1%
pada akhir September 2020. Seiring melambatnya permintaan kredit perbankan, perbankan
meningkatkan penempatan dana pada instrumen SUN. BI juga meningkatkan kepemilikannya
pada SUN pemerintah yang dapat diperdagangkan. Peningkatan kepemilikan SUN perbankan
yang diperdagangkan sebagian besar berasal dari operasi moneter BI.
Komposisi kepemilikan saham di Kustodian Sentral Efek Indonesia (KSEI) juga
mengalami perubahan selama pandemi. Total nilai saham yang disimpan di KSEI
turun dari Rp 3248 triliun pada akhir Februari 2020 menjadi Rp 2727 triliun pada
akhir Maret 2020. Kepemilikan saham Indonesia baik lokal maupun asing turun pada
Maret 2020 sebelum rebound pada April 2020, dan tercatat sebesar Rp 3.023 triliun
pada akhir September 2020. Terjadi perubahan komposisi kepemilikan saham yang
cukup besar. Pada akhir Januari 2020, investor asing menguasai 52,5% dari total nilai
saham di KSEI, sedangkan investor lokal menguasai 47,5%. Pada akhir September
2020, investor lokal menguasai 51,7% dibandingkan investor asing sebesar 48,3%.
Market size instrumen SBI jauh lebih kecil dibandingkan pasar SUN dan pasar
saham. Terjadi penurunan jumlah SBI yang diterbitkan BI secara signifikan, dari
Rp35,4 triliun pada akhir Februari 2020 menjadi Rp9,3 triliun pada akhir Juli
2020. Pada akhir Juli 2020, sekitar 90% instrumen SBI tersebut telah diterbitkan.
dimiliki oleh bank. BI mengurangi frekuensi lelang SBI dan lebih sering
menggunakan instrumen SUN untuk operasi moneternya.
4 Respons Kebijakan Moneter
Bagian ini mengeksplorasi tiga respons kebijakan utama BI untuk melindungi

perekonomian Indonesia dari dampak negatif pandemi COVID-19: (1)
penurunan BI 7-day Reverse Repo Rate; (2) Operasi moneter BI; dan (3)
penurunan rasio GWM pada bank konvensional dan syariah.
BI memangkas BI 7-day Reverse Repo Rate masing-masing sebesar 25bps pada bulan Februari,
Maret, Juni, dan Juli 2020 (Gbr. 2).9), dan memotong fasilitas pinjaman BI dan fasilitas simpanan BI
dengan besaran yang sama dengan suku bunga kebijakan. BI memperkirakan pemotongan ini akan
membantu mendorong pertumbuhan kredit perbankan dan merangsang perekonomian. Penurunan
BI 7-day Reverse Repo Rate ini mungkin tidak optimal jika sisi permintaan perekonomian (khususnya
konsumsi rumah tangga) masih lemah, karena melemahnya permintaan barang dan jasa
menyebabkan investor sektor riil mengurangi pinjamannya ke bank. Sisi permintaan Indonesia telah
melemah sejak berakhirnya lonjakan harga komoditas pada tahun 2012. Perekonomian tumbuh rata-
rata sebesar 5,0% dari tahun 2015 hingga 2019, dibandingkan dengan 5,6% dari tahun 2009 hingga
2014. Meskipun BI telah mengurangi BI 7-day Reverse Repo Rate sebesar 100 bps menjadi 5,00% pada
tahun 2019, pertumbuhan kredit perbankan melambat menjadi 6% (dari 12% pada tahun 2018) dan
pertumbuhan PDB melambat menjadi 5,0% (dari 5,2% pada tahun 2018). Pandemi COVID-19 telah
memperburuk masalah sisi permintaan.
Angka10menampilkan komposisi basis moneter (uang cadangan) awal
tahun hingga akhir September 2020. Uang yang beredar
13
422 EA Sugandi
Gambar 9BI 7-Day Reverse Repo, BI Lending Facility, dan Suku Bunga BI Deposit Facility (%).Sumber:
Bloomberg
Gambar 10Komposisi Basis Moneter (Rp triliun).Sumber: Bank Indonesia
terdiri dari mata uang di luar bank komersial dan bank pedesaan dan uang tunai di brankas
bank. Terdapat tren peningkatan uang kartal di luar bank umum dan bank perkreditan rakyat
sejak awal Maret 2020, yang mungkin mengindikasikan adanya penimbunan uang tunai oleh
rumah tangga sebagai tindakan pencegahan di masa pandemi. Kebijakan BI yang memangkas
rasio GWM IDR menyebabkan total simpanan perbankan di BI turun drastis pada awal Mei
2020.
13
Gambar 11Saldo Operasi Moneter Rupiah BI (Rp triliun).Sumber: Bank Indonesia
Angka11menunjukkan saldo operasi moneter IDR BI dari awal tahun hingga akhir
September 2020. Komponen saldo operasi moneter BI adalah: (1) Sertifikat BI (SBI);
(2) Deposito berjangka IDR yang ditempatkan bank di BI; (3) reverse repo SUN; (4)
Repo SUN; (5) Sertifikat BI Syariah (SBIS); (6) sukuk BI; (7) reverse repo SBSN; (8) Repo
SBSN; (9) fasilitas standing BI; dan (10) fasilitas standing syariah BI. Instrumen net
reverse repo SUN pada Gambar diperoleh dengan mengurangkan repo SUN dengan
reverse repo SUN. Begitu pula dengan reverse repo SBSN net yang diperoleh
dengan mengurangkan repo SBSN dengan reverse repo SBSN. Komponen (1)–(8)
merupakan total saldo operasi pasar terbuka (OMO) BI, sedangkan komponen
(1)–(10) merupakan total saldo operasi moneter BI. Kenaikan (penurunan) neraca
moneter BI menunjukkan bahwa BI melakukan operasi penyerapan likuiditas
(injeksi) neto.
Sembari menjalankan pelonggaran kebijakan moneter untuk mengatasi pandemi ini, BI
tetap mengendalikan tekanan inflasi dengan menyerap kelebihan likuiditas dalam
perekonomian. Angka11menunjukkan bahwa saldo operasi moneter BI telah meningkat sejak
akhir April 2020. Likuiditas IDR dalam perekonomian cukup besar karena faktor-faktor berikut:
(1) penurunan rasio GWM IDR sejak 1 Mei 2020; (2) pengambilan simpanan rupiah oleh bank
untuk memenuhi kebutuhan uang tunai nasabahnya selama Ramadhan pada Mei 2020; (3)
penempatan dana pemerintah pada bank-bank terpilih mulai akhir Juni 2020.
BI memangkas GWM FX dari 8 menjadi 4% pada bulan Maret 2020 untuk meningkatkan likuiditas USD di sistem
perbankan, karena bank perlu memenuhi permintaan USD dari nasabahnya. Namun saldo pasar uang antar bank
dalam USD dalam mata uang USD meningkat pada bulan Maret 2020, karena BI menerbitkan lebih banyak deposito
dalam USD untuk menyerap USD dan memperkuat cadangan devisanya di tengah tekanan yang kuat pada nilai tukar
Rupiah (Gbr. 2).12). BI menggunakan cadangan devisanya untuk menstabilkan pasar Valas IDR guna mengurangi
volatilitas IDR. Saldo OPT antar bank dalam mata uang USD BI turun pada bulan April 2020 karena berkurangnya
tekanan terhadap IDR; jumlahnya meningkat secara bertahap mulai Mei 2020, sebelum turun secara substansial pada
bulan September.
13
424 EA Sugandi
Gambar 12Saldo OPT Pasar Uang Antarbank USD BI (miliar USD).Sumber: Bank Indonesia
5 Dampak COVID‑19 terhadap Pasar Keuangan dan Moneter Indonesia

Dinamika Kebijakan
5.1 Spesifikasi Model
Kami mengembangkan empat model gabungan/panel untuk menguji dampak

instrumen kebijakan moneter terhadap pasar keuangan Indonesia: (1) pasar uang
antar bank IDR (Model 1); (2) pasar uang antar bank USD (Model 2); (3) pasar Surat
Utang Konvensional (SUN) Rupiah (Model 3); dan (4) pasar saham (Model 4). Kami
memperkirakan keempat model ini menggunakan dua metode berbeda: (1)
kumpulan Estimasi Generalized Least Squares (EGLS) atau dikenal juga dengan
Feasible Generalized Least Squares (FGLS) dengan efek tetap penampang dan bobot
penampang; dan (2) metode panel Autoregressive Distributed Lag (ARDL).1Kami
membandingkan estimasi dari kedua metode untuk memeriksa kekokohan hasilnya.
Kami juga membangun model time-series untuk IDR
1Kami menggunakan metode pooled EGLS dengan cross-section fixed-effect dan cross-section bobot karena
dapat mengatasi permasalahan korelasi serial dan heteroskedastisitas pada struktur data pooled/panel.
Menjalankan model menggunakan panel EGLS dan bukan EGLS gabungan akan menghasilkan hasil yang
sama. Kami memilih panel ARDL dibandingkan metode panel Generalized Methods of Moments (GMM) karena
metode ARDL lebih sesuai untuk model dengan jumlah observasi time-series lebih besar dibandingkan jumlah
cross-section. Ada dua keterbatasan utama metode panel GMM dalam mengestimasi struktur data panel jenis
ini: (1) metode ini hanya menangkap dinamika jangka pendek dan mengabaikan hubungan jangka panjang
karena estimator dirancang untuk rentang waktu yang kecil. dan mungkin memberikan hasil yang palsu dan
bukannya keseimbangan jangka panjang (Asteriou et al.,2021; Christopoulos & Tsionas,2004); dan (2) penduga
GMM mungkin mengalami masalah autokorelasi pada sisa estimasi perbedaan pertama (Asteriou et al.,2021).
Metode estimasi ARDL dapat mengatasi kedua permasalahan tersebut.
13
nilai tukar spot terhadap USD (Model 5) dan menggunakan metode Ordinary Least
Square (OLS) dan Error Correction Model (ECM) untuk estimasinya.
Ada tiga instrumen kebijakan yang menjadi perhatian utama kajian kami: (1) BI 7-
day Reverse Repo Rate (BI7D); (2) rasio giro wajib minimum (GWM) bank
konvensional (yaitu rasio IDR_GWM dan FX_GWM); dan (3) keseimbangan operasi
moneter BI yang sesuai. BI7D dinyatakan sebagai variabel lag 1 hari pada Model 1, 2,
3, dan 4 karena pengumuman suku bunga kebijakan ini dilakukan pada malam hari
dan mulai berdampak pada pasar keuangan pada hari berikutnya. Nilai BI7D pada
hari yang sama digunakan dalam estimasi OLS untuk Model 5, karena pasar FX
beroperasi 24 jam.
Jenis operasi moneter yang sesuai untuk Model 1 adalah operasi pasar terbuka
pasar uang antar bank IDR (MM_OMO) BI yang menggunakan sertifikat BI (SBI),
deposito berjangka IDR bank di BI, dan sertifikat deposito BI. Jenis operasi moneter
yang sesuai untuk Model 2 adalah OMO pasar uang antar bank valuta asing (FX) BI
(FX_MM_OMO) yang menggunakan deposito berjangka USD. Operasi moneter yang
sesuai untuk Model 3 adalah operasi pasar terbuka BI di pasar SUN yang
menggunakan instrumen SUN (SUN_OMO). Jenis operasi yang sesuai untuk Model 4
adalah operasi moneter total IDR (TMO) BI yang terdiri dari OMO dan operasi
lainnya.
Kami menggunakan tiga variabel kontrol terkait COVID-19 di semua model:
(i) boneka COVID-19 (COVID); (ii) boneka PSBB; dan (iii) boneka paket kebijakan
fiskal (FISPACK). Selain variabel kontrol terkait COVID-19 tersebut, setiap model
dapat memiliki variabel kontrol lainnya.
Variabel COVID memiliki nilai 1 untuk setiap tanggal mulai 30 Januari 2020 (hari
ketika WHO mengumumkan status darurat global untuk wabah COVID-19) hingga 30
September 2020 (tanggal observasi terakhir dalam penelitian kami), dan 0 jika
tidak. .
Variabel PSBB adalah membedakan antara periode sebelum pemerintah
memberlakukan pembatasan sosial berskala besar (PSBB = 0), periode ketika
diberlakukan pembatasan sosial (PSBB = 1), dan periode ketika pemerintah secara
resmi mengakhiri pembatasan sosial dan menggantinya. dengan kebijakan 'new
normal' (PSBB=2).
Variabel FISPACK membedakan antara periode sebelum pengumuman paket
kebijakan fiskal pertama (FISPACK=0), periode antara pengumuman paket
kebijakan fiskal pertama dan pengumuman paket kebijakan fiskal kedua
(FISPACK=1), periode antara pengumuman paket kedua dan pengumuman
paket ketiga (FISPACK=2), serta jangka waktu sejak pengumuman paket fiskal
ketiga sampai dengan tanggal 30 September 2020 (FISPACK=3).
Kami memasukkan variabel interaksi berikut ke dalam model untuk
mengetahui dampak pandemi COVID-19 terhadap hubungan antara instrumen
kebijakan moneter dan variabel dependen di setiap model: (1) variabel interaksi
antara BI7D dan COVID; (2) variabel interaksi antara GWM dan COVID; dan (3)
variabel interaksi antara operasi moneter BI dengan COVID. Masing-masing
variabel interaksi diperoleh dengan mengalikan masing-masing variabel
instrumen kebijakan moneter dengan variabel dummy COVID.
Bentuk umum persamaan regresi pada Model 1, 2, 3, 4, dan 5 dinyatakan sebagai:
13
426 EA Sugandi
T= 0+ 1JENDERALMENIPUSaya,t atau t−1 + 2COVIDMENIPUJ,T + 3MPOLk,kerugian−1

(1)
+ 4MPOL_COVIDk,kerugian−1+T
dimana Y adalah variabel terikat;0adalah suku konstan; GEN_CON adalah sekumpulan

variabel kontrol umum yang mempengaruhi variabel dependen; COVID_CON adalah
sekumpulan variabel kontrol yang secara khusus terkait dengan pandemi COVID-19;
MPOL merupakan seperangkat variabel instrumen kebijakan moneter BI; MPOL_COVID
adalah sekumpulan variabel interaksi antara kebijakan moneter dan variabel dummy
COVID; dan ε adalah istilah kesalahan. Indeks i, j, dan k adalah indeks variabel dalam
model, dan t adalah indeks waktu;1,2,3, Dan4adalah matriks koefisien untuk masing-
masing variabel dalam model. Meja1menampilkan daftar variabel dalam model.
Variabel terikat pada Model 1 adalah suku bunga PUAB IDR yang
merupakan JIBOR berbagai tenor. Regressor tercantum dalam Tabel1. Data
JIBOR terdiri dari tenor (1) overnight, (2) 1 minggu, (3) 1 bulan, (4) 3 bulan,
(5) 6 bulan, dan (6) 1 tahun.
Variabel terikat pada Model 2 adalah rata-rata suku bunga pasar uang antar
bank USD. Regressor tercantum dalam Tabel1. Data rata-rata suku bunga PUAB
USD pool/panel terdiri dari tenor sebagai berikut: (1) 1 bulan, (2) 3 bulan, (3) 6
bulan, dan (4) 1 tahun.
Kami menjalankan regresi terpisah pada Model 3 untuk tiga kelompok instrumen SUN:
(a) Model 3A untuk kelompok SUN jangka pendek (yaitu SPN); (b) Model 3B kelompok SUN
jangka menengah; dan (c) Model 3C untuk kelompok SUN jangka panjang. Variabel terikat
pada Model 3A, 3B, dan 3C masing-masing adalah imbal hasil SUN. Regressor tercantum
dalam Tabel1. Kelompok SPN terdiri dari instrumen SPN 3 bulan dan 6 bulan. Kelompok
SUN jangka menengah terdiri dari instrumen SUN 1 tahun, 2 tahun, 3 tahun, 5 tahun, dan
7 tahun. Kelompok SUN jangka panjang terdiri dari instrumen SUN tenor 10 tahun, 15
tahun, 20 tahun, dan 30 tahun.
Surat utang US Treasury (UST) yang relevan untuk kelompok SUN yang diregresi
adalah: (1) UST 3 bulan untuk kelompok SPN; (2) UST 5 tahun untuk kelompok SUN jangka
menengah; dan (3) UST 10 tahun untuk kelompok SUN jangka panjang. Yield variabel UST
dinyatakan sebagai variabel one-day lag karena pasar keuangan Indonesia beroperasi
setelah pasar Amerika tutup.
Variabel dependen untuk Model 4 adalah indeks sektoral di Bursa Efek Indonesia.
Regressor tercantum dalam Tabel1. Indeks Volatilitas Chicago Board Options
Exchange (indeks VIX), dengan jeda 1 hari, dimasukkan ke dalam model untuk
mengendalikan dampak volatilitas pasar saham global yang berasal dari volatilitas
pasar saham AS. Indeks S&P 500 AS (dengan jeda 1 hari), indeks Strait Times
Singapura, dan indeks Shanghai Composite Tiongkok dimasukkan dalam model
untuk mengendalikan dampak indeks pasar saham utama di Bursa Efek Indonesia.
Variabel terikat untuk Model 5 adalah nilai tukar spot USD/IDR. Regressor
tercantum dalam Tabel1. Indeks mata uang USD (indeks DXY) dimasukkan ke dalam
model untuk mengendalikan dampak tidak langsung penilaian USD terhadap mata
uang utama terhadap IDR. Model 5 tidak memasukkan variabel intervensi harian FX
BI karena tidak tersedianya data publik.
13
Tabel 1Variabel dalam model
Model 1 Model 2 Model 3A Model 3B Model 3C Model 4 Model 5
Variabel tak bebas antarbank Rp Rata-rata Rp MATAHARI jangka pendek SUN jangka menengah MATAHARI jangka panjang Indeks sektoral Kurs spot USD/IDR
pasar uang uang antar bank atau imbal hasil SPN imbal hasil (MTGB) imbal hasil (LTGB) di Indonesia (ER)
tarif (JIBOR) harga pasar (STGB) Bursa Efek
(USDA) (JAK)
JENDERALMENIPU – USD/Rp (1) USD/Rp (1) USD/Rp (1) USD/Rp (1) USD/Rp (1) Kom-
(2)Indonesia (2)Indonesia (2)Indonesia (2) MATAHARI 10 tahun Indeks Posisi (IHSG)
Indeks komposit Indeks komposit Indeks komposit menghasilkan (2) Rata-rata 1 bulan
(IHSG) (IHSG) (IHSG) (3) indeks VIX antar bank USD
(3) AS 3 bulan (3) AS 5 tahun (3) AS 10 tahun (4) Indeks S&P 500 kurs pasar uang
Hutang negara Hutang negara Hutang negara (SPX) (1 hari (3) SPN 3 bulan
keamanan (AS GB keamanan (AS GB keamanan (AS ketinggalan) menghasilkan
3 M) hasil (jeda 1 5Y) hasil (1 hari GB 10Y) hasil (5) Selat Times (4) MATAHARI 5 tahun
hari) ketinggalan) (keterlambatan 1 hari) indeks (IMS) menghasilkan
(6) Shanghai (5) MATAHARI 10 tahun

Dinamika Pasar Keuangan dan Kebijakan Moneter Indonesia…
Indeks komposit menghasilkan
(SHCOMP) (6) Indeks DXY

COVIDMENIPU (1) COVID-19 (1) COVID-19 (1) COVID-19 (1) COVID-19 (1) COVID-19 (1) COVID-19 (1) COVID-19
(2) PSBB (2) PSBB (2) PSBB (2) PSBB (2) PSBB (2) PSBB (2) PSBB
(3) FISPACK (3) FISPACK (3) FISPACK (3) FISPACK (3) FISPACK (3) FISPACK (3) FISPACK
MPOL (1) BI7D (1) BI7 (1) BI7D (1) BI7D (1) BI7D (1) BI7D (1) BI7D
(2) Rp GWM (2) USD GWM (2) Rp GWM (2) Rp GWM (2) Rp GWM (2) Rp GWM (2) FX GWM
(3) Rp MM OMO (3) USD juta (3) Rp MATAHARI (3) Rp MATAHARI (3) Rp MATAHARI 3) TMO
Ya ampun Ya ampun Ya ampun Ya ampun
MPOL_COVID (1) BI7DX (1) BI7DCOVID (1) BI7DX (1) BI7DX (1) BI7DX (1) BI7DX (1) BI7D X COVID
COVID (2) FX GWM X COVID COVID COVID COVID (2) FX GWM X
(2) Rp GWM X COVID (2) Rp GWM X (2) Rp GWM X (2) Rp GWM X (2) Rp GWM X COVID
COVID (3) USD juta COVIDCOVIDCOVIDCOVID
(3) Rp MM OMO OMO X COVID (3) Rp MATAHARI (3) Rp MATAHARI (3) Rp MATAHARI (3) TMOX
13
X COVID OMO X COVID OMO X COVID OMO X COVID COVID
427
428 EA Sugandi
Rentang sampel dalam model kami mencakup seluruh hari kerja mulai 1 Januari 2017
hingga 30 September 2020. Data penelitian kami diambil dari website BI, website
Kementerian Keuangan, Bloomberg, CEIC, dan media-media besar di Indonesia. Kami
menggunakan metode interpolasi kuadrat pada software EViews 12 untuk mengubah
data mingguan saldo operasi moneter BI menjadi data harian.2Metode ini lebih cocok
untuk situasi ketika titik data yang diinterpolasi relatif sedikit dan sumber datanya cukup
lancar, seperti yang ada pada data kami. Beberapa penelitian telah menggunakan metode
interpolasi kuadrat, seperti pada Cheung et al. (2010), Patra dan Ray (2010), dan Beirne
dkk. (2021).
Semua variabel non-dummy dalam estimasi EGLS yang dikumpulkan untuk Model 1, 2,
3A, 3B, 3C, dan 4 dan estimasi OLS untuk Model 5 dinyatakan sebagai perbedaan hari
demi hari (h/d) untuk menjadikannya stasioner. Uji Augmented Dickey-Fuller dan Phillip-
Peron pada tingkat signifikansi 5% mengkonfirmasi stasioneritas semua variabel pada
pembedaan orde pertama.
Kami menggunakan efek tetap penampang dan bobot penampang untuk estimasi EGLS
yang dikumpulkan. Uji efek tetap redundan menolak hipotesis nol redundansi efek tetap dalam
Model, 1, 2, 3, dan 4 pada tingkat signifikansi 5%, yang menegaskan bahwa kita harus
memasukkan efek tetap dalam model kita.3Pembobotan penampang pada Model 1, 2, 3, dan 4
digunakan untuk mengatasi masalah heteroskedastisitas. Kami menambahkan istilah
autoregresi (AR) yang sesuai untuk menangani masalah korelasi serial dalam estimasi EGLS
yang dikumpulkan untuk Model 1, 2, 3, dan 4.
Kami melakukan Pedroni (1999) uji kointegrasi untuk Model 1, 2, 3A, 3B, 3C, dan 4
sebelum melakukan estimasi model menggunakan metode panel ARDL. Hasil uji
kointegrasi menunjukkan bahwa masing-masing model terkointegrasi karena hipotesis
nol tidak adanya kointegrasi ditolak pada taraf signifikansi 5% pada setiap model. Kami
melakukan Pesaran dan Shin (1995) uji batas untuk Model 5 sebelum menjalankan
estimasi. Hasilnya menunjukkan bahwa Model 5 terkointegrasi, karena hipotesis nol tidak
adanya kointegrasi ditolak pada tingkat signifikansi 5%. Karena model ini terkointegrasi,
kami menggunakan metode estimasi ECM untuk Model 5.
Untuk estimasi panel ARDL pada Model 1, 2, 3A, 3B, 3C, dan 4 kami melakukan parameterisasi ulang
Persamaan. (1) sehingga diperoleh persamaan berikut:
( � ) ∑ P−1 Q−1
∑ �
YSaya,T=SayaYSaya,T−1- SayaXSaya,T + Saya,JΔYSaya,T-J+
Saya,JΔXSaya,T-J+Saya,T+Saya,T
⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟J=1 J=0 (2)

persamaan jangka panjang ⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏞⏞⏞⏞⏞⏞
lari jarak pendek
Di mana
2Interpolasi kuadrat dalam EViews 12 menciptakan polinomial kuadrat dengan mengambil kumpulan tiga titik yang
berdekatan dari rangkaian sumber dan menyesuaikan kuadrat sehingga rata-rata atau jumlah titik frekuensi tinggi
cocok dengan data frekuensi rendah yang sebenarnya diamati (EViews 12 Desember 2020).
3EViews 12 tidak dapat menjalankan Hausman karena jumlah variabel dalam model kami lebih besar daripada jumlah
penampang. Oleh karena itu, kami hanya menggunakan uji efek tetap yang berlebihan.
13
�X
ii,T=1JENDERALMENIPU +2COVIDMENIPU + 3MPOLSaya3,T+ 4MPOLCOVIDSaya3,T
Saya1,T Saya2,T
Saya=koefisien penyesuaian, dimana tanda negatif dari koefisien ini menunjukkan bahwa model tersebut
konvergen pada keseimbangan jangka panjangnya.
YSaya,T=vektor variabel terikat. X
Saya,T=vektorregresi. ∆ = operator
pembeda
P=urutan jeda optimal untuk variabel terikat.
=urutan lag optimal untuk regressor.
Saya,J=matriks koefisien untuk variabel dependen yang berbeda dalam jangka pendek
persamaan.
Saya,J=matriks koefisien untuk regresi yang berbeda dalam persamaan jangka pendek.
Saya,T=vektor efek tetap, termasuk konstanta dan istilah koreksi kesalahan (ECT).
Saya,T=vektor istilah kesalahan.
Kami membuat parameter ulang Persamaan. (1) untuk mendapatkan persamaan ECM berikut untuk Model 5:
Q−1
∑ �
YT=Hai+ Saya,JΔXSaya,T-J+DLLT-J+T (3)
J=0
Di mana
�ΔXSaya,T=
Saya 1ΔJENDERALMENIPUSaya1,T + 2ΔCOVIDMENIPUSaya2,T + 3ΔMPOLSaya3,T+ 4ΔMPOLCOVIDSaya3,T
YSaya,T=variabel tak bebas.

Hai= suku konstan.
1,2,3, Dan4adalah matriks koefisien untuk masing-masing variabel dalam
model.
XSaya,T=vektor regresi. ∆
= operator pembeda
=urutan lag optimal untuk regressor.
= koefisien penyesuaian, dimana tanda negatif dari koefisien ini menunjukkan bahwa model
tersebut konvergen pada keseimbangan jangka panjangnya.
DLLT-J=vektor istilah koreksi kesalahan.
Saya,T=istilah kesalahan.
Kami menerapkan Akaike Information Criteria (AIC) untuk memilih jumlah lag
optimal untuk panel ARDL dan estimasi ECM. Jumlah lag optimum adalah yang
menghasilkan nilai AIC terendah pada model.
Kami menggunakan matriks korelasi untuk mendeteksi kemungkinan masalah
multikolinearitas di semua model.4Kami membuang variabel yang menyebabkan masalah
multikolinearitas dari model akhir. Kami membuang variabel interaksi FX GWM dan
4Kami juga melakukan uji variance inflasi faktor (VIF) menggunakan EViews 12 hingga Model 5 untuk
mendeteksi masalah multikolinearitas. Variabel dengan nilai VIF terpusat kurang dari 10 tidak mempunyai
konsekuensi masalah multikolinearitas (Hair et al.,2005; Mela & Kopalle,2002). Namun uji VIF biasa pada
EViews 12 kurang cocok untuk model data panel, sehingga kami hanya menggunakan matriks korelasi untuk
mendeteksi kemungkinan terjadinya masalah multikolinearitas pada Model 1, 2, 3, dan 4.
13
430 EA Sugandi
Dummy COVID dari Model 2 dan Model 5 karena variabel ini menimbulkan
masalah multikolinearitas karena korelasinya yang sangat kuat dengan variabel
dummy COVID (koefisien korelasinya 0,94).
5.2 Hasil Estimasi
Pada subbab ini penafsiran hasil estimasi didasarkan pada asumsi ceteris
paribus. Hasil estimasi ditampilkan pada Lampiran. Hasilnya dievaluasi
pada tingkat signifikansi 5% (yaitu, α=5%).
Semua model cocok untuk kumpulan regresi EGLS, kecuali Model 3A.
Hasil uji F menolak hipotesis nol ketidaksesuaian model pada taraf
signifikansi 5%, kecuali Model 3A (hipotesis nol tidak dapat ditolak). Semua
model terbebas dari masalah korelasi serial, terlihat dari nilai statistik
Durbin-Watson (DW) yang mendekati 2.
Nilai R-kuadrat yang disesuaikan untuk kelompok SPN (Model 3A) sangat rendah, yang
berarti bahwa model tersebut tidak cocok untuk menjelaskan variasi hasil SPN. Selain itu,
semua variabel dalam Model 3A tidak signifikan secara statistik, kecuali variabel dummy COVID.
Seperti yang dibahas di Sekte.3, pasar SPN yang tidak likuid menyebabkan harga dan imbal
hasil di pasar ini kurang sensitif terhadap perubahan variabel makroekonomi dan kebijakan
dibandingkan dengan SUN tenor panjang.
Hasil estimasi EGLS yang dikumpulkan menunjukkan bahwa variabel BI7D signifikan secara
statistik dan memiliki tanda positif pada Model 1. Hasil estimasi panel ARDL menunjukkan
bahwa policy rate memiliki hubungan positif yang signifikan dalam jangka pendek dan jangka
panjang dengan JIBOR ("Lampiran1"). Dengan kata lain, suku bunga kebijakan dan JIBOR
bergerak ke arah yang sama, baik dalam jangka panjang maupun jangka pendek. Kenaikan
(penurunan) suku bunga kebijakan akan menaikkan (menurunkan) JIBOR. Variabel interaksi
antara BI7D dan dummy COVID adalah signifikan dan memiliki tanda positif, baik dalam pooled
EGLS maupun hasil estimasi ARDL panel jangka pendek dan jangka panjang. Hal ini
menunjukkan bahwa dampak suku bunga kebijakan terhadap JIBOR lebih besar selama periode
tersebut. pandemi COVID-19 dibandingkan periode sebelum pandemi.
BI7D signifikan dan bertanda positif pada hasil estimasi pooled EGLS untuk Model 2.
Hasil estimasi ARDL menunjukkan bahwa policy rate memiliki hubungan positif jangka
panjang dengan rata-rata suku bunga pasar uang antar bank USD. Hal ini tidak signifikan
dalam jangka pendek ("Lampiran2"). Kenaikan (penurunan) suku bunga kebijakan akan
meningkatkan (menurunkan) rata-rata suku bunga pasar uang antar bank USD dalam
jangka panjang. Variabel interaksi antara suku bunga kebijakan dan dummy COVID tidak
signifikan, baik dalam gabungan Berdasarkan hasil estimasi EGLS dan panel ARDL, maka
tidak terdapat perbedaan signifikan dampak policy rate terhadap rata-rata suku bunga
PUAB USD sebelum dan pada masa pandemi.
Hasil estimasi pooled EGLS menunjukkan bahwa policy rate tidak signifikan pada Model 3A,
3B, dan 3C. Meskipun demikian, estimasi panel ARDL menunjukkan hubungan positif jangka
panjang yang signifikan antara suku bunga kebijakan dan imbal hasil SUN jangka pendek,
jangka menengah, dan jangka panjang (“Lampiran3"). Kenaikan (cut) policy rate menaikkan
(menurunkan) imbal hasil SUN jangka pendek, jangka menengah, dan jangka panjang dalam
jangka panjang. Policy rate mempunyai pengaruh jangka pendek yang signifikan
13
hubungan positif hanya dengan imbal hasil SUN jangka pendek. Variabel interaksi antara
policy rate dan dummy COVID hanya signifikan pada hasil estimasi ARDL jangka pendek
terhadap imbal hasil SUN jangka panjang. Oleh karena itu, pandemi ini untuk sementara
memperkuat dampak kebijakan suku bunga terhadap imbal hasil SUN jangka panjang.
Hasil estimasi pooled EGLS menunjukkan bahwa policy rate tidak signifikan pada
Model 4. Hasil estimasi ARDL menunjukkan bahwa policy rate tidak memiliki
hubungan signifikan dalam jangka pendek dan jangka panjang dengan indeks
sektoral pasar saham (“Lampiran4"). Variabel interaksi antara BI7D dan dummy
COVID tidak signifikan, baik pada hasil pooled EGLS maupun panel ARDL. Oleh
karena itu, tidak ada perbedaan signifikan dalam hubungan antara policy rate dan
indeks sektoral pasar saham sebelumnya. dan selama pandemi.
Policy rate tidak signifikan pada hasil estimasi OLS dan ECM untuk Model 5.
("Lampiran5"). Oleh karena itu, policy rate tidak berpengaruh signifikan
terhadap nilai tukar USD/IDR. Variabel interaksi antara policy rate dengan
dummy COVID adalah signifikan dan bertanda negatif pada hasil estimasi OLS
dan ECM. Artinya, pandemi ini melemahkan dampak suku bunga kebijakan
terhadap nilai tukar USD/IDR.
Hasil estimasi pooled EGLS menunjukkan bahwa variabel IDR_GWM signifikan pada
Model 3B dan Model 4 tetapi tidak signifikan pada Model 1, 3A, dan 3C. Hasil estimasi
panel ARDL untuk persamaan jangka panjang menunjukkan bahwa variabel IDR_GWM
signifikan pada Model 3B namun tidak signifikan pada Model 1, 3A, 3C, dan 4. Sedangkan
untuk persamaan jangka pendek, hasil estimasi ARDL menunjukkan bahwa Variabel IDR_
GWM signifikan pada Model 3B, Model 3C, dan 4, namun tidak signifikan pada Model 1
dan Model 3A.
Hasil estimasi pooled EGLS dan panel jangka pendek ARDL untuk Model 3B
menunjukkan hubungan yang signifikan dan negatif antara rasio GWM IDR dan imbal
hasil SUN jangka menengah. Namun rasio GWM IDR memiliki hubungan positif terhadap
imbal hasil SUN jangka menengah dalam jangka panjang. ("Lampiran 3"). Kenaikan rasio
GWM IDR menurunkan imbal hasil SUN jangka menengah dalam jangka pendek namun
meningkatkan imbal hasil dalam jangka panjang.
Hasil estimasi gabungan EGLS dan panel ARDL jangka pendek menunjukkan bahwa
variabel interaksi antara IDR_GWM dan dummy COVID signifikan dan bertanda positif
pada Model 3B, namun tidak signifikan dalam jangka panjang. EGLS yang dikumpulkan
menunjukkan bahwa variabel interaksi tidak signifikan dalam Model 3C. Hasil estimasi
panel ARDL untuk Model 3C menunjukkan bahwa variabel interaksi signifikan dan
bertanda positif dalam jangka pendek, namun tidak signifikan dalam jangka panjang. Kita
dapat menyimpulkan bahwa pandemi ini untuk sementara waktu memberikan dampak
pada rasio GWM IDR terhadap imbal hasil SUN jangka menengah dan jangka panjang.
Dalam jangka panjang, pandemi tidak terlalu mempengaruhi hubungan antara rasio
GWM IDR dengan imbal hasil SUN jangka menengah dan jangka panjang.
Rasio GWM IDR memiliki dampak yang signifikan terhadap indeks sektoral pasar
saham dalam jangka pendek namun tidak dalam jangka panjang. Hasil estimasi dari
pooled EGLS dan persamaan jangka pendek dalam ARDL menunjukkan tanda-tanda
negatif (“Lampiran4"). Artinya, indeks sektoral pasar saham bergerak berlawanan
arah dengan rasio minimum GWM IDR.
13
432 EA Sugandi
Variabel interaksi antara IDR_GWM dan dummy COVID signifikan dan bertanda positif
pada pooled EGLS dan hasil estimasi ARDL panel jangka pendek untuk Model 4. Signifikan
namun bertanda negatif pada hasil estimasi ARDL jangka panjang . Oleh karena itu,
pandemi ini untuk sementara waktu memperkuat dampak rasio GWM Rupiah terhadap
indeks sektoral di pasar saham, namun akan melemahkan dampak tersebut dalam jangka
panjang.
Variabel FX_GWM tidak signifikan pada pooled EGLS dan hasil estimasi ARDL
panel jangka panjang untuk Model 2. Variabel ini signifikan pada hasil estimasi ARDL
jangka pendek, dimana tandanya positif pada t-1 namun negatif pada t-2
( "Lampiran 2"). Variabel tersebut signifikan dan bertanda negatif pada hasil estimasi
OLS dan ECM untuk Model 5 ("Lampiran5"). Kita dapat menyimpulkan bahwa
FX_GWM memiliki dampak jangka pendek terhadap nilai tukar USD/IDR dan rata-rata
suku bunga pasar uang antar bank USD. Variabel interaksi antara FX GWM dan
dummy COVID dibuang dari Model 2 dan Mode 5 karena menimbulkan masalah
multikolinearitas.
Variabel MM_OMO signifikan dan bertanda positif pada pooled EGLS dan hasil
estimasi ARDL jangka pendek dan jangka panjang untuk Model 1 (“Lampiran 1").
Meskipun signifikan secara statistik, dampak MM_OMO terhadap JIBOR bersifat
marginal (yaitu mendekati nol). Variabel interaksi antara MM_OMO dan dummy
COVID adalah signifikan dan memiliki tanda positif dalam kumpulan EGLS, meskipun
dampaknya bersifat marginal. Variabel interaksi ini tidak signifikan pada hasil
estimasi ARDL jangka pendek dan jangka panjang. Tidak terdapat perbedaan yang
signifikan atau paling sedikit perbedaan marginal dalam hubungan antara intervensi
pasar uang antar bank IDR BI dengan JIBOR sebelum dan selama pandemi.
Variabel FX_MM_OMO dan variabel interaksi antara FX_MM_ OMO dan
dummy COVID tidak signifikan dalam kumpulan EGLS dan dalam hasil estimasi
ARDL untuk Model 2 ("Lampiran2"). Artinya, operasi pasar terbuka valas yang
dilakukan BI tidak berdampak signifikan terhadap rata-rata suku bunga pasar
uang antar bank USD.
Hasil pooled EGLS menunjukkan bahwa variabel SUN_OMO tidak signifikan pada Model 3A,
3B, dan 3C ("Lampiran3"). Variabel tersebut signifikan dalam jangka panjang dan bertanda
positif pada hasil estimasi ARDL Model 3B. Tidak signifikan dalam jangka pendek. Meskipun
demikian, dampak SUN_OMO terhadap imbal hasil jangka menengah SUN bersifat marginal
karena mendekati nol. Variabel tersebut tidak signifikan dalam estimasi ARDL jangka pendek
dan jangka panjang untuk Model 3A dan 3C. Dengan demikian, operasi pasar terbuka BI di
pasar SUN tidak berdampak signifikan atau paling banyak hanya berdampak pada memiliki
dampak marginal terhadap imbal hasil SUN.
Hasil estimasi EGLS yang dikumpulkan menunjukkan bahwa variabel interaksi antara
SUN_OMO dan variabel dummy COVID signifikan dan bertanda positif pada Model 3B.
Variabel interaksi signifikan pada persamaan jangka pendek namun tidak signifikan pada
persamaan jangka panjang hasil estimasi ARDL. Hasil tersebut menyiratkan bahwa
pandemi ini untuk sementara memperkuat dampak OPT SUN BI terhadap imbal hasil SUN
jangka menengah.
Variabel TMO signifikan dalam pooled EGLS dan estimasi ARDL jangka pendek
menghasilkan Model 4 ("Lampiran4"), namun tidak signifikan dalam ARDL jangka panjang.
Meski demikian, pengaruh variabel TMO terhadap variabel dependen adalah besar
13
sangat mendekati nol. Hal ini menyiratkan bahwa total operasi moneter BI hanya
mempunyai dampak kecil terhadap indeks sektoral di pasar saham Indonesia.
Variabel interaksi antara TMO dan dummy COVID tidak signifikan pada EGLS dan
hasil estimasi ARDL jangka pendek dan jangka panjang. Oleh karena itu, pandemi ini
tidak memperkuat atau melemahkan hubungan antara operasi moneter total BI dan
indeks sektoral di pasar saham.
5.3 Pembahasan dan Analisis
BI 7-day Reverse Repo Rate merupakan instrumen yang efektif di pasar uang antar bank IDR, dimana
JIBOR bergerak searah dengan policy rate tersebut. Ketika BI memangkas BI 7-day Reverse Repo Rate,
BI juga memangkas BI deposit facility rate dan BI lending facility rate. Ketika suku bunga fasilitas
simpanan BI turun, bank terdorong untuk mengurangi penempatan dananya di BI, sehingga
meningkatkan pasokan likuiditas Rupiah di pasar uang antar bank dan menyebabkan penurunan
JIBOR. Pemotongan suku bunga fasilitas pinjaman BI mengurangi biaya pinjaman dari BI dibandingkan
pinjaman dari bank lain. Jika suatu bank membutuhkan likuiditas, bank tersebut lebih memilih
meminjam dari BI dibandingkan meminjam dari bank lain, sehingga mengurangi permintaan
pendanaan pasar uang antar bank dalam mata uang Rupiah dan menyebabkan JIBOR turun.
GWM IDR merupakan instrumen moneter yang efektif di pasar SUN jangka menengah.
Berdasarkan ketentuan BI, GWM Rupiah terdiri dari GWM primer (yaitu simpanan Rupiah
bank di BI) dan GWM sekunder (dalam bentuk instrumen SUN, sertifikat BI, dan/atau
sertifikat deposito BI). Yield SUN jangka menengah bergerak berlawanan arah dengan
rasio GWM IDR dalam jangka pendek. Ketika BI memangkas rasio GWM IDR, perbankan
untuk sementara mengurangi permintaan terhadap instrumen SUN jangka menengah
karena memiliki lebih banyak likuiditas untuk memenuhi kewajiban jangka pendeknya.
Turunnya permintaan perbankan menyebabkan imbal hasil SUN meningkat (atau harga
SUN turun).
Namun, pemotongan ketentuan minimum GWM IDR menimbulkan kelebihan likuiditas
bagi bank dalam jangka panjang. Bank umum akan meningkatkan permintaan terhadap
surat utang untuk menempatkan dananya, sehingga meningkatkan kepemilikan surat
utangnya dan menyebabkan imbal hasil SPN jangka menengah turun (atau harga SUN
naik). Angka13menampilkan hubungan positif jangka panjang antara rasio minimum
GWM IDR dan total surat utang yang dimiliki bank umum. Angka14menunjukkan
hubungan positif jangka panjang antara rasio GWM dengan imbal hasil SUN jangka
menengah.
Instrumen GWM IDR juga memiliki dampak jangka pendek yang signifikan, namun tidak
dalam jangka panjang, terhadap pasar saham Indonesia. Dampak-dampak ini ditularkan secara
tidak langsung (misalnya melalui perubahan likuiditas perekonomian) dan langsung ke pasar
saham karena bank-bank umum di Indonesia tidak diperbolehkan memperdagangkan saham di
pasar modal. Rasio GWM IDR mempunyai hubungan negatif terhadap indeks sektoral di pasar
modal. Kenaikan rasio minimum GWM IDR menurunkan indeks sektoral di pasar saham. Ketika
BI menyerap likuiditas dari sistem perbankan dan perekonomian secara keseluruhan, likuiditas
perekonomian berkurang. Likuiditas IDR yang lebih ketat di
13
434 EA Sugandi
Gambar 13Persyaratan Rasio Minimum GWM Rupiah dan Kepemilikan Surat Utang Bank Umum.
Sumber: CEIC, Bloomberg
Gambar 14Persyaratan Rasio GWM Minimum IDR dan Yield SUN 5 Tahun. Sumber: Bloomberg
Perekonomian menyebabkan permintaan saham Indonesia turun dan berujung pada

penurunan harga saham dan indeks sektoral pasar modal.
Rasio FX GWM merupakan instrumen kebijakan yang efektif di pasar Valas. Variabel FX_GWM
memiliki tanda negatif pada Model 5. Jika BI menaikkan (memotong) persyaratan minimum
rasio FX GWM, Rupiah menguat (melemah) terhadap USD. Hasilnya berlawanan dengan intuisi
jika dilihat sebagai kausalitas, namun masuk akal jika dilihat sebagai konkurensi antara kedua
variabel. BI menaikkan rasio FX GWM dari 1 menjadi 8% pada tahun 2011 untuk menyerap
kelebihan likuiditas USD di sistem perbankan ketika IDR mengalami tren apresiasi. BI
memangkas rasio tersebut dari 8 menjadi 4% pada Maret 2020 menjadi
13
menyuntikkan likuiditas USD ke sistem perbankan ketika IDR berada di bawah tekanan
akibat pandemi COVID-19. Meski begitu, makalah ini mengakui hasil tersebut sebagai
anomali yang perlu dikaji secara menyeluruh dalam penelitian selanjutnya.
Operasi pasar BI tidak efektif di pasar uang antarbank IDR dan USD, pasar
SUN lintas tenor, dan pasar saham. Meskipun variabel operasi moneter
signifikan secara statistik di pasar uang antar bank IDR (baik dalam jangka
pendek maupun jangka panjang), pasar SUN jangka menengah (hanya dalam
jangka panjang), dan pasar saham (hanya dalam jangka panjang). jangka
pendek), dampaknya terhadap JIBOR, imbal hasil SUN jangka menengah, dan
indeks sektoral di pasar saham bersifat marginal. Operasi moneter BI tidak
berdampak signifikan terhadap pasar uang antar bank USD dan pasar SUN
jangka pendek dan jangka panjang.
Pandemi COVID-19 memperkuat dampak instrumen kebijakan moneter tertentu terhadap
pasar tertentu. Pandemi ini memperkuat tingkat kebijakan JIBOR, baik dalam jangka pendek
maupun jangka panjang. Pandemi tersebut menyebabkan rasio GWM IDR untuk sementara
waktu memberikan dampak yang lebih besar terhadap imbal hasil SUN jangka menengah dan
panjang dibandingkan pada periode sebelum pandemi. Pandemi ini menegaskan dampak rasio
GWM IDR terhadap indeks sektoral pasar saham dalam jangka pendek dan jangka panjang.
Pandemi COVID-19 telah menciptakan situasi krisis sementara di pasar keuangan Indonesia pada
bulan Maret 2020, sebelum pasar mulai pulih pada bulan April 2020. Suku bunga kebijakan dan GWM
IDR sebagai instrumen kebijakan moneter memiliki dampak yang lebih kuat pada saat krisis
dibandingkan pada saat krisis. -situasi krisis. Banyak bank sentral yang memangkas suku bunga
kebijakan dan persyaratan rasio cadangan minimum bagi bank selama pandemi untuk menyuntikkan
likuiditas ke pasar (IMF,2020c).
Dari hasil estimasi keseluruhan, kami menemukan adanya keterbatasan pada
instrumen kebijakan moneter BI karena instrumen tersebut hanya berdampak signifikan
pada pasar keuangan tertentu. Suku bunga kebijakan hanya berlaku untuk pasar uang
antar bank IDR dan USD, rasio minimum GWM IDR hanya untuk pasar SUN jangka
menengah dan pasar saham, dan rasio minimum FX GWM hanya untuk pasar FX.
Selain itu, dampak instrumen moneter terhadap pasar keuangan tidak dapat sepenuhnya
ditransmisikan ke perekonomian. Misalnya, penurunan suku bunga kebijakan yang dilakukan BI
mengurangi JIBOR namun dengan besaran yang lebih kecil dibandingkan penurunan suku bunga
kebijakan. Suku bunga kredit perbankan yang menggunakan JIBOR sebagai acuan turun dengan
besaran yang lebih kecil dibandingkan JIBOR.
Penurunan suku bunga kebijakan BI selama pandemi telah menurunkan JIBOR dan, pada
tingkat yang lebih kecil, menurunkan suku bunga kredit perbankan. Pemotongan suku bunga
kebijakan ini tidak dapat mencegah kontraksi kredit perbankan pada tahun 2020 karena
permintaan kredit perbankan telah melemah secara signifikan akibat pandemi. Pandemi dan
PSBB menyebabkan daya beli rumah tangga terpuruk dan menurunkan permintaan agregat
terhadap barang dan jasa. Akibatnya, perusahaan membatasi aktivitas produksi dan
permintaan kredit perbankan. Kebijakan moneter saja tidak dapat menyelesaikan masalah sisi
permintaan yang disebabkan oleh pandemi ini. Stimulus fiskal diperlukan untuk memulihkan
daya beli rumah tangga (misalnya bantuan tunai langsung dan bantuan sosial) dan kegiatan
usaha.
13
436 EA Sugandi
Contoh lain dari keterbatasan instrumen kebijakan BI adalah tidak efektifnya kebijakan suku bunga
dalam mempengaruhi pasar Valas. BI sering menaikkan suku bunga kebijakan untuk
mempertahankan nilai tukar Rupiah dari arus modal keluar yang besar. Hasil regresi kami
menunjukkan bahwa kenaikan suku bunga kebijakan tidak efektif untuk mempertahankan IDR karena
faktor lain lebih berpengaruh terhadap nilai tukar USD/IDR. Oleh karena itu, kenaikan suku bunga
kebijakan diperlukan untuk meyakinkan para pelaku pasar Valas bahwa BI responsif terhadap situasi
tersebut sambil terus melakukan intervensi (yaitu menjual USD) di pasar Valas.
Begitu pula dengan operasi pasar terbuka BI yang tidak efektif
mempengaruhi pasar uang antar bank dan pasar SUN. Meski demikian, operasi
pasar BI tetap diperlukan untuk meyakinkan pelaku pasar uang antar bank dan
pasar SUN bahwa BI sedang melakukan stabilisasi pasar.
Singkatnya, instrumen kebijakan BI diperlukan untuk menjaga stabilitas pasar
keuangan. Pasar keuangan yang bergejolak dapat merugikan perekonomian karena
pasar keuangan merupakan tempat dimana perusahaan dan pemerintah mencari
pendanaan untuk membiayai kegiatan mereka di sektor riil perekonomian. Nilai tukar
yang sangat berfluktuasi menciptakan ketidakpastian bagi arus kas bisnis perusahaan
dan anggaran pemerintah terkait dengan transaksi lintas negara (misalnya ekspor, impor,
dan utang luar negeri). Fluktuasi suku bunga PUAB yang tinggi menimbulkan
ketidakpastian likuiditas perbankan, fluktuasi imbal hasil SUN yang tinggi menimbulkan
ketidakpastian anggaran pemerintah, dan fluktuasi harga saham yang tinggi dapat
merugikan aset emiten pasar modal.
Oleh karena itu, ketahanan terhadap guncangan dan pasar keuangan yang stabil sangat
penting untuk menjaga stabilitas ekonomi dan memfasilitasi pertumbuhan ekonomi. Oleh
karena itu, kebijakan BI untuk menjaga stabilitas pasar keuangan sangat penting untuk
mendukung kebijakan fiskal pemulihan perekonomian Indonesia.
6 Kesimpulan
Kami menemukan bahwa beberapa instrumen kebijakan mempunyai dampak signifikan

terhadap pasar keuangan tertentu baik sebelum maupun selama pandemi: (1) suku
bunga kebijakan pada suku bunga pasar uang antar bank IDR dan USD; (2) rasio
minimum GWM IDR terhadap imbal hasil SUN jangka menengah dan indeks sektoral
pasar saham; dan (3) rasio FX GWM minimum di pasar Valas. Operasi pasar yang
dilakukan BI tidak mempunyai dampak yang signifikan atau paling signifikan secara
statistik namun mempunyai dampak marginal terhadap pasar uang antar bank IDR, pasar
SUN, dan pasar saham.
Kami juga menemukan bahwa pandemi COVID-19 memperkuat dampak instrumen
kebijakan BI terhadap pasar-pasar tertentu berikut ini selama pandemi dibandingkan pada
periode sebelum pandemi: (a) suku bunga kebijakan di pasar uang antar bank IDR (dalam
jangka pendek dan jangka pendek). jangka panjang); (2) rasio GWM IDR minimum pada pasar
SUN jangka menengah dan jangka panjang (hanya dalam jangka pendek); dan (3) rasio
minimum GWM IDR pada indeks sektoral pasar modal (jangka pendek dan jangka panjang).
Kami menyarankan BI terus menjaga stabilitas pasar keuangan untuk
mendukung upaya pemerintah memulihkan perekonomian dari sisi fiskal.
13
Lampiran 1
Model 1: Faktor-Faktor yang Mempengaruhi Suku Bunga Pasar Uang IDR PUAB
(Nilai koefisien dalam %, probabilitas t-statistik dalam tanda kurung)
Model EGLS gabungan Panel ARDL model ARDL (4, 1, 1, 1, 1, 1, 1, 1,

1, 1)
Variabel tak bebas D(JIBOR) Variabel tak bebas D(JIBOR)
Regresor Regresor
Konstan − 0,0017 (0,0005***) Persamaan jangka panjang
COVID − 0,0018 (0,0407**) COVID − 3,2914 (0,0677*)

PSBB − 0,0035 (0,0000***) PSBB − 0,1001 (0,4814)
FISPACK 0,0022 (0,0000***) FISPACK 0,1217 (0,0469**)
D(BI7D(-1)) 0,6086 (0,0000***) BI7D(−1) 0,9584 (0,0000***)
D(Rp_GWM) − 0,0044 (0,1063) Rp_GWM 0,1438 (0,0518*)
D(MM_OMO) 0,0000 (0,0030***) MM_OMO 0,0000 (0,0000***)
D(BI7D(-1))XCOVID 0,2665 (0,0000***) BI7D(−1)XCOVID 0,8121 (0,0129**)
D(Rp_GWM) X COVID 0,0037 (0,1798) Rp_GWM X COVID − 0,1583 (0,1219)
D(MM_OMO) X COVID 0,0000 (0,0115**) MM_OMO X COVID 0,0000 (0,1013)
AR(1) − 0,1300 (0,2922) Persamaan jangka pendek
Efek tetap (Silang) Konstan − 0,0568 (0,3249)

_ON–C 0,00158 DLL − 0,1085 (0,2530)
_1W–C 0,00008 D(JIBOR(−1)) − 0,1287 (0,3185)
_1M–C 0,00054 D(JIBOR(−2)) − 0,1153 (0,1190)
_3M–C − 0,00060 D(JIBOR(−3)) − 0,0363 (0,4347)
_6M–C − 0,00077 D(COVID) − 1,0157 (0,0001***)
_1Y–C − 0,00083 D(PSBB) 0,0078 (0,5299)
D (FISPACK) − 0,0041 (0,1715)
D(BI7D(−1)) 0,5259 (0,0000***)
D(Rp_GWM) − 0,0007 (0,9652)
D(MM_OMO) 0,0000 (0,0050***)
D(BI7D(−1)XCOVID) 0,2147 (0,0000***)
D(COVID X Rp_GWM) − 0,0028 (0,8140)
D(COVID X MM_OMO) 0,0000 (0,8129)
Statistik tertimbang
Jumlah pengamat seimbang kumpulan 5232 Jumlah observasi panel 5s322

liburan
R-kuadrat 0,314717 Catat kemungkinannya 7.007.264
R-kuadrat yang disesuaikan 0,312746
Masalah (F-Statistik) 0,000000***
Statistik DW 2.034155
* Signifikan pada α=10%; **signifikan pada α=5%; ***signifikan pada α=1%
Sumber : Perhitungan penulis
13
438 EA Sugandi
Lampiran 2
Model 2: Faktor-Faktor yang Mempengaruhi Suku Bunga Pasar Uang USD Antar Bank
Model EGLS gabungan Model panel ARDL

ARDL(4, 2, 2, 2, 2, 2, 2, 2, 2, 2)
Variabel tak bebas D(USDA) Variabel tak bebas D(USDA)
Regresor Regresor
Konstan 0,0006 (0,0700*) Persamaan Jangka Panjang
COVID − 0,0043 (0,0142**) COVID − 0,5548 (0,6952)

PSBB 0,0013 (0,4069) PSBB 0,2776 (0,0269**)
FISPACK 0,0000 (0,9854) FISPACK − 0,1704 (0,0947*)
D(ER(−1)) 0,0000 (0,0303**) UGD(−1) 0,0002 (0,0000***)
D(BI7D(−1)) 0,0374 (0,0090***) BI7D(−1) 0,1917 (0,0000***)
D(FX_GWM) 0,0058 (0,1124) FX_GWM − 0,0275 (0,6506)
D(FX_MM_OMO) 0,0000 (0,3153) FX_MM_OMO 0,0000 (0,9363)
D(BI7D(−1))XCOVID − 0,0592 (0,0736*) BI7D(−1)XCOVID 0,1229 (0,6656)
D(FX_MM_OMO)X 0,0000 (0,7409) FX_MM_OMO X COVID 0,0000 (0,3480)
COVID
AR(1) − 0,5919 (0,0000***) Persamaan jangka pendek
AR(2) − 0,3208 (0,0000***)

Efek tetap (Silang) Konstan − 0,0814 (0,0000***)
_1M–C − 0,00003 DLL − 0,0417 (0,0000***)
_3M–C 0,00001 D(USDA(−1)) − 0,6244 (0,0000***)
_6M–C 0,00000 D(USDA(−2)) − 0,4222 (0,0000***)
13

ARDL(4, 2, 2, 2, 2, 2, 2, 2, 2, 2)
Variabel tak bebas D(USDA) Variabel tak bebas D(USDA)

_1Y–C 0,00002 D(USDA(−3)) − 0,1936 (0,0000***)
D(COVID) 0,0860 (0,3922)
D(COVID (−1)) 0,5478 (0,1487)
D(PSBB) 0,0003 (0,9705)
D(PSBB(−1)) − 0,0010 (0,7938)
D (FISPACK) − 0,0003 (0,9299)
D(FISPACK(−1)) 0,0107 (0,0033***)
D(ER(−1)) 0,0000 (0,1535)
D(ER(−2)) 0,0000 (0,8919)
D(BI7D(−1)) 0,0000 (0,9992)
D(BI7D(−2)) 0,0846 (0,2059)
D(FX_GWM) 0,0091 (0,0000***)
D(FX_GWM (−1)) − 0,0046 (0,0231**)
D(FX_MM_OMO) 0,0000 (0,2260)
D(FX_MM_OMO(−1)) 0,0000 (0,5398)
D(BI7D(−1)XCOVID) − 0,0212 (0,2387)
D(BI7D(−2)XCOVID − 0,1021 (0,1240)
(−1))
D(COVID) X FX_MM_ 0,0000 (0,3084)
om)
D(COVID(−1) X FX_ 0,0000 (0,6884)
MM_OMO(−1))
Jumlah pengamat seimbang kumpulan 3896 Jumlah observasi panel 3896

liburan

Variabel interaksi antara FX GWM dengan dummy COVID-19 dibuang dari Model 2 karena
menimbulkan masalah multikolinearitas
Sumber: Perhitungan penulis
Lampiran 3
Model 3A: Faktor-Faktor yang Mempengaruhi Imbal Hasil Obligasi Pemerintah Jangka Pendek
13
440 EA Sugandi
Model EGLS gabungan Model ARDL panel ARDL(1, 1, 1, 1, 1, 1, 1, 1,

1, 1, 1, 1, 1)
Variabel tak bebas D(STGB) Variabel tak bebas D(STGB)
Regresor Regresor
Konstan − 0,0031 (0,3178) Persamaan jangka panjang
COVID − 0,0244 (0,0290**) COVID 1,7335 (0,7568)

D(US_GB_3M(−1)) 0,0692 (0,2161) US_GB_3M(−1) 0,0326 (0,9218)
D(ER) 0,0000 (0,4416) UGD 0,0000 (0,8932)
D(IHSG) 0,0000 (0,5512) IHSG − 0,0003 (0,4183)
PSBB 0,0007 (0,9508) PSBB 0,6737 (0,0819*)
FISPACK 0,0087 (0,1762) FISPACK − 0,2882 (0,2285)
D(BI7D(−1)) 0,0632 (0,4759) BI7D(−1) 0,4013 (0,0174**)
D(Rp_GWM) − 0,1252 (0,1046) Rp_GWM 0,0223 (0,9310)
H(MINGGU_OMO) 0,0000 (0,4446) MATAHARI_OMO 0,0000 (0,0579*)
D(BI7D(−1))XCOVID 0,1408 (0,3194) BI7D(−1)XCOVID − 0,7743 (0,4477)
D(Rp_GWM) X COVID 0,1248 (0,1269) Rp_GWM X COVID 0,0148 (0,9618)
H(MINGGU_OMO) X COVID 0,0000 (0,2037) SUN_OMO X COVID 0,0000 (0,3764)
Efek Tetap (Silang) Persamaan jangka pendek
_3M–C 0,00030 Konstan 0,2019 (0,0765*)

_6M–C − 0,00030 DLL − 0,0469 (0,0842*)
D(COVID) − 1,2033 (0,0326**)
D(US_GB_3M(−1)) 0,0964 (0,3499)
D(ER) 0,0000 (0,5293)
D(IHSG) 0,0000 (0,4205)
D(PSBB) 0,0025 (0,3705)
D (FISPACK) 0,0399 (0,0035**)
D(BI7D(−1)) 0,1233 (0,0000***)
D(Rp_GWM) − 0,1523 (0,2807)
H(MINGGU_OMO) 0,0000 (0,3108)
D(BI7D(−1)XCOVID) 0,0999 (0,0529*)
D(Rp_GWM X COVID) 0,1579 (0,2650)
D(MINGGU_OMO X COVID) 0,0000 (0,0000***)
Jumlah observasi seimbang kumpulan 958 Jumlah observasi panel 1099

tions 1.199.393
R-kuadrat 0,021801 Catat kemungkinannya

Masalah (F-Statistik) 0,091011*
13
Model 3B: Faktor-Faktor yang Mempengaruhi Imbal Hasil Obligasi Pemerintah Jangka Menengah
(Nilai koefisien dalam%, probabilitas t-statistik dalam tanda kurung).

ARDL(3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(MTGB) Variabel tak bebas D(MTGB)
Regresor Regresor
Konstan − 0,0020 (0,0398**) Persamaan Jangka Panjang
COVID − 0,0174 (0,0017***) COVID − 8,1103 (0,0546*)

D(US_GB_5Y(−1)) 0,0689 (0,0026***) US_GB_5Y(−1) 0,4712 (0,0014***)
D(ER) 0,0004 (0,0000***) UGD 0,0006 (0,0002***)
PSBB − 0,0314 (0,0000***) PSBB − 0,1859 (0,6014)
FISPACK 0,0156 (0,0001***) FISPACK 0,4194 (0,0136**)
D(IHSG) − 0,0002 (0,0000***) IHSG − 0,0011 (0,0000***)
D(BI7D(−1)) 0,0112 (0,6255) BI7D(−1) 0,3040 (0,0042***)
D(GWM) − 0,0656 (0,0010***) Rp_GWM 0,4421 (0,0440**)
H(MINGGU_OMO) 0,0000 (0,1412) MATAHARI_OMO 0,0000 (0,0000***)
D(BI7D(−1))XCOVID − 0,0201 (0,7138) BI7D(−1)XCOVID 1,6901 (0,0414**)
D(Rp_GWM) X COVID 0,0691 (0,0006***) Rp_GWM X COVID − 0,3020 (0,3056)
H(MINGGU_OMO) X COVID 0,0000 (0,0008***) SUN_OMO X COVID 0,0000 (0,0538*)
AR(1) 0,11736 (0,0000***) Persamaan jangka pendek
Efek tetap (Silang) Konstan 0,0041 (0,4364)

_1Y–C − 0,00109 DLL − 0,0240 (0,0000***)
_2Y–C − 0,00100 D(ID_GB(−1)) 0,1289 (0,0036***)
_3Y–C 0,00031 D(ID_GB(−2)) − 0,0240 (0,2491)
_5Y–C 0,00034 D(COVID) − 0,6849 (0,0179**)
_7Y–C 0,00144 D(US_GB_5Y(−1)) 0,0700 (0,0014***)
D(ER) 0,0003 (0,0000***)
D(PSBB) 0,0080 (0,5008)
D (FISPACK) 0,0819 (0,0001***)
D(IHSG) − 0,0002 (0,0000***)
D(BI7D(−1)) 0,0007 (0,9558)
D(Rp_GWM) − 0,0926 (0,0000***)
H(MINGGU_OMO) 0,0000 (0,8342)
D(BI7D(−1)XCOVID) 0,0339 (0,5380)
D(Rp_GWM X COVID) 0,0763 (0,0000***)
Jumlah pengamat seimbang kumpulan 4350 Jumlah Pengamatan Panel 4425

liburan
13
442 EA Sugandi

ARDL(3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(MTGB) Variabel tak bebas D(MTGB)

Model 3C: Faktor-Faktor yang Mempengaruhi Imbal Hasil Obligasi Pemerintah Jangka Panjang

ARDL(3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(LTGB) Variabel tak bebas D(LTGB)
Regresor Regresor
Konstan − 0,0010 (0,3590) Persamaan Jangka Panjang
COVID − 0,0066 (0,2410) COVID − 3,1835 (0,1340)

D(US_GB_10Y(−1)) 0,1259 (0,0000***) US_GB_10Y(−1) 0,3930 (0,0000***)
D(ER) 0,0004 (0,0000***) UGD 0,0004 (0,0000***)
PSBB − 0,0127 (0,0339**) PSBB 0,1762 (0,3087)
FISPACK 0,0064 (0,0643*) FISPACK 0,1088 (0,1895)
D(IHSG) − 0,0002 (0,0000***) IHSG − 0,0007 (0,0000***)
D(BI7D(−1)) − 0,0076 (0,7677) BI7D(−1) 0,5320 (0,0000***)
D(Rp_GWM) − 0,0578 (0,0896*) Rp_GWM 0,0505 (0,6596)
H(MINGGU_OMO) 0,0000 (0,5910) MATAHARI_OMO 0,0000 (0,3710)
D(BI7D(−1))XCOVID 0,0395 (0,4724) BI7D(−1)XCOVID 0,5427 (0,1819)
D(Rp_GWM) X COVID 0,0648 (0,0727*) Rp_GWM X COVID 0,0368 (0,8079)
H(MINGGU_OMO) X COVID 0,0000 (0,0844*) SUN_OMO X COVID 0,0000 (0,6332)
AR(1) 0,1488 (0,0000***) Persamaan jangka pendek
Efek tetap (Silang) Konstan 0,1256 (0,0000***)

_10Y–C − 0,00012 DLL − 0,0464 (0,0000***)
_15Y–C 0,00019 D(ID_GB(−1)) 0,1712 (0,0077***)
_20Y–C 0,00054 D(ID_GB(−2)) − 0,0967 (0,0000***)
13

ARDL(3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(LTGB) Variabel tak bebas D(LTGB)

_30Y–C − 0,00062 D(COVID) − 1,2326 (0,0025***)
D(US_GB_10Y(−1)) 0,1197 (0,0109**)
D(ER) 0,0004 (0,0000***)
D(PSBB) 0,0246 (0,0824*)
D (FISPACK) 0,0027 (0,8184)
D(IHSG) − 0,0002 (0,0232**)
D(BI7D(−1)) − 0,0193 (0,4662)
D(Rp_GWM) − 0,0881 (0,0000***)
H(MINGGU_OMO) 0,0000 (0,2015)
D(BI7D(−1)*COVID) 0,1474 (0,0178**)
D(Rp_GWM X COVID) 0,0744 (0,0004***)
Jumlah pengamat seimbang kumpulan 3480 Jumlah observasi panel 3540

liburan
* signifikan pada α=10%; **signifikan pada α=5%; ***signifikan pada α=1%
Lampiran 4
Model 4: Faktor-Faktor yang Mempengaruhi Indeks Sektoral Bursa Efek Indonesia

ARDL(4, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(JAK) Variabel tak bebas D(JAK)
Regresor Regresor
Konstan − 0,1487 (0,1613) Persamaan jangka panjang
COVID − 2,8804 (0,0000***) COVID − 1.974,5 (0,7046)

D(VIX(−1)) 0,0223 (0,8743) VIX(−1) − 12,9 (0,1616)
D(US_SPX(−1)) 0,0099 (0,2485) AS_SPX(−1) − 0,6 (0,1349)
D(SG_STI) 0,0694 (0,0000***) SG_STI − 0,7 (0,1119)
D(CN_SHCOMP) 0,0149 (0,0000***) CN_SHCOMP − 0,5 (0,1156)
D(ER) − 0,0147 (0,0000***) UGD 0,6 (0,0157**)
13
444 EA Sugandi

ARDL(4, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
Variabel tak bebas D(JAK) Variabel tak bebas D(JAK)

D(ID_GB_10Y) − 33,9498 (0,0000***) ID_GB_10Y − 686,5 (0,0028***)
PSBB 0,9018 (0,3645) PSBB 936,7 (0,0221**)
FISPACK 0,3753 (0,4655) FISPACK − 158,8 (0,3522)
D(BI7D(−1)) 1,9001 (0,5214) BI7D(−1) 86,6 (0,4392)
D(Rp_GWM) − 17,4492 (0,0008***) Rp_GWM 432,7 (0,0924*)
D(TMO) 0,0000 (0,0001***) TMO 0,0 (0,9439)
D(BI7D(−1))XCOVID − 9,3569 (0,2047) BI7D(−1)XCOVID 1.249,6 (0,1994)
D(Rp_GWM) X COVID 16,9175 (0,0011***) Rp_GWM X COVID − 778,9 (0,0114**)
D(TMO)*COVID 0,0000 (0,9951) TMO X COVID 0,0 (0,2240)
Efek tetap (Silang) Persamaan jangka pendek
_AGRI–C − 0,64813 Konstan 5,3496 (0,0149**)

_Mengikat–C 0,44154 DLL − 0,0049 (0,0000***)
_KON–C − 0,48014 D(JAK(−1)) 0,0068 (0,6701)
_FIN–C 0,55505 D(JAK(−2)) − 0,0713 (0,0000***)
_INFR–C 0,12145 D(JAK(−3)) − 0,0101 (0,5787)
_PIKIRAN–C − 0,23156 D(COVID) − 58,8674 (0,3095)
_TAMBANG–C − 0,09875 D(VIX(−1)) 0,2661 (0,1392)
_PROP–C 0.20204 D(US_SPX(−1)) 0,0243 (0,0196**)
_TRAD–C 0,13848 D(SG_STI) 0,1023 (0,0000***)
D(CN_SHCOMP) 0,0260 (0,0000***)
D(ER) − 0,0268 (0,0000***)
D(ID_GB_10Y) − 46,5219 (0,0000***)
D(PSBB) − 1,1545 (0,5553)
D (FISPACK) 3,6550 (0,0446**)
D(BI7D(−1)) − 1,5628 (0,7480)
D(Rp_GWM) − 28,3005 (0,0000***)
D(TMO) − 0,0001 (0,0000***)
D(BI7D(−1)XCOVID) − 20,9169 (0,1188)
D(Rp_GWM X COVID) 27,6687 (0,0000***)
D(TMO X COVID) 0,0000 (0,5448)
Jumlah kolam seimbang 7929 Jumlah observasi panel 7929

pengamatan Kemungkinan log - 3.0525,73
R-kuadrat 0,167009
13
Lampiran 5
Model 5: Faktor-Faktor yang Mempengaruhi Nilai Tukar USD/IDR
model OLS model ECM
Variabel tak bebas D(ER) Variabel tak bebas D(ER)
Regresor Regresor
Konstan − 0,7932 (0,7311) Konstan − 0,4933 (0,8233)
COVID 31,4507 (0,0029***) ECT(−4) − 0,0303 (0,0429**)
D(DXY) 27,2329 (0,0000***) COVID-19 (−4) 65,4872 (0,0015***)
D(ID_USDA_1M) − 30,9572 (0,5374) D(DXY(−4)) 24.1015 (0.1164)
D(ID_GB_3M) − 18,3319 (0,4755) D(ID_USDA_1M(−4) − 68,3634 (0,2426)
D(ID_GB_5Y) 319.5011 (0,0000***) D(ID_GB_3M(−4)) 43,7479 (0,1970)
D(ID_GB_10Y) 237.0181 (0,0001***) D(ID_GB_5Y(−4)) 273,4094 (0,2367)
D(IHSG) − 0,1569 (0,0000***) D(ID_GB_10Y(−4)) − 195,4811 (0,3085)
PSBB 20,6995 (0,0023***) D(IHSG(−4)) 0,0064 (0,9384)
FISPACK − 20,6510 (0,0001***) PSBB(−4) 20,6542 (0,2248)
D(BI7D) − 11,1656 (0,8463) FISPACK(−4) − 32,2473 (0,0056***)
D(FX_GWM) − 34,5097 (0,0096***) D(BI7D(−4)) 40.1931 (0.3230)
D(BI7D)XCOVID − 417,3297 (0,0006***) D(FX_GWM(−4)) − 20,2300 (0,0182**)
D(BI7D(−4)) X COVID(−4) 212,4921 (0,0419**)
Jumlah observasi 680 Jumlah observasi 673
R-kuadrat 0,485259 R-kuadrat 0,077408
R-kuadrat yang disesuaikan 0,475999 Statistik DW 1.822228
Sumber: Perhitungan penulis
Referensi
Acemoglu, D., Chernozhukov, V., Werning, I., dan Whinston, MD (2020). Model SIR Multi-Risiko
dengan lockdown yang ditargetkan secara optimal.Seri Kertas Kerja NBER, No. 27102. Biro Riset
Ekonomi Nasional.
Aldasoro, I., Fender, I., Hardy, B., dan Tarashev, N. (2020). Dampak COVID-19 pada sektor perbankan:
penilaian pasar.Buletin BIS, P. 12. Bank Penyelesaian Internasional
Asteriou, D., Pilbeam, K., & EnyPratiwi, CE (2021). Utang publik dan pertumbuhan ekonomi: Bukti data panel
kehormatan bagi negara-negara Asia.Jurnal Ekonomi dan Keuangan, 45, 270–287.
Ari, A., Chen, S., dan Ratnovski, L. (2020). COVID-19 dan kredit bermasalah: Pelajaran dari masa lalu
krisis.Buletin Penelitian ECB, P. 71. Bank Sentral Eropa.https://ssrn.com/abstract=3632272
13
446 EA Sugandi
Bank Pembangunan Asia. (2020). Penilaian terkini mengenai dampak ekonomi dari COVID-19.ADB
celana dalam, P. 133. Manila: Bank Pembangunan Asia.
Barro, RJ, Ursúa, JF, dan Weng, J. (2020). Virus Corona dan pandemi influenza yang hebat: Les-
putra-putra dari “Flu Spanyol” untuk mengetahui potensi dampak virus corona terhadap kematian dan
aktivitas ekonomi.Seri Kertas Kerja NBER No.26866.Biro Riset Ekonomi Nasional.
Beirne, J., Renzhi N., Sugandi, E., Volz U. (2020). Dinamika pasar keuangan dan arus modal selama ini
pandemi COVID-19.Seri Kertas Kerja ADBI, P. 1158. Institut Bank Pembangunan Asia.
Beirne, J., Renzhi N., Sugandi E., Volz U. (2021a). COVID-19, pasar aset dan arus modal.Pasifik
Tinjauan Ekonomi, Artikel Edisi Khusus.Jurnal Wiley.https://doi.org/10.1111/1468-0106.12368
Beirne, J., Renzhi, N., & Volz, U. (2021). Pasar obligasi mata uang lokal, partisipasi investor asing dan
volatilitas aliran modal di negara-negara berkembang di Asia.Tinjauan Ekonomi Singapura.https://doi.org/10.1142/S0217
590821410083
Boissay, F., Rees, D., dan Rungcharoenkitkul, P. (2020). Menangani COVID-19: Memahami
pilihan kebijakan.Buletin BIS, P. 19. Bank Penyelesaian Internasional.
Cheung, Y.-W., Chinn, MD, & Fujii, E. (2010). Neraca transaksi berjalan dan nilai tukar Tiongkok. Di SJ Wei
(Ed.),Meningkatnya peran Tiongkok dalam perdagangan dunia(Jil. 7, hal.231–271). Pers Universitas Chicago. Correia, S.,
Keberuntungan, S., dan Verner, E. (2020). Pandemi menekan perekonomian dan intervensi kesehatan masyarakat
jangan: Bukti dari Flu 1918.https://ssrn.com/abstract=3561560
Christopoulos, DK, & Tsionas, EG (2004). Perkembangan keuangan dan pertumbuhan ekonomi: Bukti
dari uji akar unit panel dan kointegrasi.Jurnal Ekonomi Pembangunan, 73(1), 55–74. Esteves, R., &
Sussman, N. (2020). Corona menyebar ke pasar negara berkembang. Dalam S. Djankov & U. Panizza
(Edisi),COVID-19 di negara berkembang: eBook CEPR Press VoxEU.org(hal.362–373). CEPR dan
Institut Pascasarjana Studi Internasional dan Pembangunan.
EView,Panduan Pengguna EViews 12. Irvine, CA: IHS Global Inc.http://www.EViews.com/help/helpintro.
html#halaman/konten/Basedata-Frequency_Conversion.html
García-Herrero, A., dan Ribakova, E. (2020). Kejutan realitas COVID-19 bagi orang-orang yang bergantung pada pendanaan eksternal
negara-negara berkembang.Kontribusi kebijakan10/2020. Bruegel.
Rambut, JF, Joseph, F., Babin, BJ, Black, WC, Anderson, RE, & Tatham, RL (2005).Multivarian
analisis data(edisi ke-6). Perusahaan Penerbitan Macmillan.
Haroon, O., dan Rizvi, SAR (2020). Meratakan kurva dan likuiditas pasar saham: Sebuah penyelidikan
negara-negara berkembang.Keuangan dan Perdagangan Pasar Berkembang56, hal. 10. Taylor &
Fransiskus. Hasibuan, GL, Dermawan, D., Ginting, HS, & Muda, I. (2020). Alokasi epidemi COVID-19
pendanaan anggaran di Indonesia.Jurnal Internasional Penelitian dan Review, 7(5), 75–80.
Hofmann, B., Shim, I., dan Shin, HS (2020a). Nilai tukar ekonomi pasar berkembang dan lokal
pasar obligasi mata uang di tengah pandemi COVID-19.Buletin BIS, P. 5. Bank Penyelesaian
Internasional.
Hofmann, B., Shim, I., & Shin, HS (2020). Pengurangan dosa asal dan respons kebijakan di negara-negara berkembang
ket ekonomi selama pandemi COVID-19”. Dalam S. Djankov & U. Panizza (Eds.),COVID-19 di
negara berkembang: eBook CEPR Press VoxEU.org(hal.353–361). CEPR dan Institut Pascasarjana
Studi Internasional dan Pembangunan.
Hördahl, P., dan Shim, I. (2020). Aliran portofolio obligasi EME dan suku bunga jangka panjang selama
Pandemi covid-19.Buletin BIS, P. 18. Bank Penyelesaian Internasional.
Dana Moneter Internasional. (2020a).Prospek perekonomian dunia, April 2020: Lockdown besar-besaran. Antar-
Dana Moneter Nasional.
Dana Moneter Internasional. (2020b).Prospek perekonomian dunia bulan Oktober 2020: Panjang dan sulit
pendakian. Dana Moneter Internasional.
Dana Moneter Internasional. (2020c). Dukungan bank sentral terhadap pasar keuangan di tengah pandemi virus corona
demic. Seri khusus tentang COVID-19. Dana Moneter Internasional.
Kohlscheen, E., Mojon, B., dan Rees, D. (2020). Dampak limpahan pandemi terhadap perekonomian makro
perekonomian global.Buletin BIS,P. 4. Bank Penyelesaian Internasional.
Mela, CF, & Kopalle, PK (2002). Dampak kolinearitas terhadap analisis regresi: Asimetris
efek korelasi negatif dan positif.Ekonomi Terapan, 34, 667–677.
Ozili, P., dan Arun, T. (2020). Dampak COVID-19 terhadap perekonomian global.https://ssrn.com/
abstrak=3562570
Patra, MD, dan Ray, P. (2010). Ekspektasi inflasi dan kebijakan moneter di India: Sebuah eksplorasi empiris
jatah.Kertas Kerja IMF, Jil. 2010, Edisi 084. Dana Moneter Internasional.https://www.elibr
ary.imf.org/view/journals/001/2010/084/001.2010.issue-084-en.xml
13
Pedroni, P. (1999). Nilai kritis untuk uji kointegrasi dalam panel heterogen dengan regresi berganda
maaf.Buletin Ekonomi dan Statistik Oxford, 61, 653–670.https://doi.org/10.1111/1468-0084.
0610s1653
Perkins, DW, Gnanarajah, R., Labonte, M., dan Scott, AP (2020). COVID-19 dan industri perbankan
coba: Risiko dan respons kebijakan.Layanan penelitian Kongres, P. R46422. Kongres AS.https://
crsreports.congress.gov/product/pdf/R/R46422
Pesaran, MH, & Shin, Y. (1995). Pendekatan pemodelan lag terdistribusi Autoregresif untuk kointegrasi
analisis tion. Dalam S.Strøm (Ed.),Ekonometrika dan teori ekonomi pada abad ke-20: Simposium seratus
tahun Ragnar Frisch (monografi masyarakat ekonometrik)(hal.371–413). Pers Universitas Cambridge.
https://doi.org/10.1017/CCOL521633230.011
Pindyck, RS (2020). COVID-19 dan dampak kesejahteraan dari pengurangan penularan.Kertas Kerja NBER
Seri, P. 27121. Biro Riset Ekonomi Nasional.
Rismanchi, K. (2020).Pandangan udara mengenai respons kehati-hatian bank terhadap COVID-19. Lembaga
Keuangan Internasional.
Ruiz, À., & Villafranca, B. (2020).Negara-negara berkembang dan COVID-19: Di ambang krisis keuangan
kakak?Penelitian CaixaBank.
Surhayadi, A, Ridho AI, dan Suryadarma, D. (2020). Dampak wabah COVID-19 terhadap kemiskinan:
Estimasi untuk Indonesia.Buletin Kajian Ekonomi Indonesia. Taylor & Fransiskus.https://doi. org/
10.1080/00074918.2020.1779390
Susilawati, S., Falevi, R., & Purwoko, A. (2020). Dampak pandemi COVID-19 terhadap perekonomian
Indonesia.Institut Penelitian dan Kritikus Internasional Budapest (BIRCI-Journal) Humaniora dan
Sosial, 3(2), 1147–1156.
Verikios, G., Maura, S., Stojanovski, P., Giesecke, J., dan Woo, G. (2011). dampak ekonomi global dari
influenza pandemi.Makalah UmumG-224. Pusat Studi Kebijakan, Universitas Monash.
Catatan PenerbitSpringer Nature tetap netral sehubungan dengan klaim yurisdiksi dalam peta yang
dipublikasikan dan afiliasi kelembagaan.
13

Jurnal Covid 7.en - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jurnal Covid 7.en - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Pasar Keuangan Asia-Pasifik (2022) 29:411–447

Dinamika Pasar Keuangan dan Kebijakan Moneter

Eric Alexander Sugandi1

Diterima: 1 Oktober 2021 / Diterbitkan online: 19 Oktober 2021

Kata kunciCOVID-19 · Kebijakan moneter · Pasar keuangan Indonesia · Bank

Klasifikasi JELE58 · G10

Pemerintah Indonesia mengumumkan kasus positif COVID-19 pertama di Indonesia pada

* Eric Alexander Sugandi esugandi@adbi.org ;

kebijakan pembatasan jarak (PSBB) untuk memperlambat penyebaran penyakit. Karena

Bagian4membahas respon kebijakan moneter BI. Bagian5menguraikan model

menggunakan langkah-langkah likuiditas dan jenis-jenis lainnya.

3 Dinamika Pasar Keuangan Indonesia di Tengah Pandemi COVID‑19

Angka4Dan5menunjukkan dinamika masing-masing instrumen SUN jangka menengah

(JAKPROP); (c) pertambangan (JAKMINE); (d) barang konsumsi (JAKCONS); (e)

Gambar 7 Kurs Spot USD/IDR dan DNDF.Sumber: Bloomberg

Gambar 8Kurs Transaksi Lindung Nilai Swap BI FX (Swap Point).Sumber: Bloomberg

triliun pada akhir September 2020. Terdapat perubahan substansial pada

4 Respons Kebijakan Moneter

Bagian ini mengeksplorasi tiga respons kebijakan utama BI untuk melindungi

Gambar 10Komposisi Basis Moneter (Rp triliun).Sumber: Bank Indonesia

Gambar 11Saldo Operasi Moneter Rupiah BI (Rp triliun).Sumber: Bank Indonesia

5 Dampak COVID‑19 terhadap Pasar Keuangan dan Moneter Indonesia

5.1 Spesifikasi Model

Kami mengembangkan empat model gabungan/panel untuk menguji dampak

T= 0+ 1JENDERALMENIPUSaya,t atau t−1 + 2COVIDMENIPUJ,T + 3MPOLk,kerugian−1

dimana Y adalah variabel terikat;0adalah suku konstan; GEN_CON adalah sekumpulan

Model 1 Model 2 Model 3A Model 3B Model 3C Model 4 Model 5

hari) ketinggalan) (keterlambatan 1 hari) indeks (IMS) menghasilkan

(6) Shanghai (5) MATAHARI 10 tahun

Indeks komposit menghasilkan

(SHCOMP) (6) Indeks DXY

⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟J=1 J=0 (2)

lari jarak pendek

YSaya,T=variabel tak bebas.

5.2 Hasil Estimasi

5.3 Pembahasan dan Analisis

Perekonomian menyebabkan permintaan saham Indonesia turun dan berujung pada

Kami menemukan bahwa beberapa instrumen kebijakan mempunyai dampak signifikan

(Nilai koefisien dalam %, probabilitas t-statistik dalam tanda kurung)

Model EGLS gabungan Panel ARDL model ARDL (4, 1, 1, 1, 1, 1, 1, 1,

Variabel tak bebas D(JIBOR) Variabel tak bebas D(JIBOR)

COVID − 0,0018 (0,0407**) COVID − 3,2914 (0,0677*)

Efek tetap (Silang) Konstan − 0,0568 (0,3249)

Jumlah pengamat seimbang kumpulan 5232 Jumlah observasi panel 5s322

* Signifikan pada α=10%; **signifikan pada α=5%; ***signifikan pada α=1%

Sumber : Perhitungan penulis

(Nilai koefisien dalam %, probabilitas t-statistik dalam tanda kurung)

Model EGLS gabungan Model panel ARDL

Variabel tak bebas D(USDA) Variabel tak bebas D(USDA)

COVID − 0,0043 (0,0142**) COVID − 0,5548 (0,6952)

AR(2) − 0,3208 (0,0000***)

Model EGLS gabungan Model panel ARDL

Variabel tak bebas D(USDA) Variabel tak bebas D(USDA)

Jumlah pengamat seimbang kumpulan 3896 Jumlah observasi panel 3896

* Signifikan pada α=10%; **signifikan pada α=5%; ***signifikan pada α=1%

(Nilai koefisien dalam %, probabilitas t-statistik dalam tanda kurung)

Model EGLS gabungan Model ARDL panel ARDL(1, 1, 1, 1, 1, 1, 1, 1,

Variabel tak bebas D(STGB) Variabel tak bebas D(STGB)

COVID − 0,0244 (0,0290**) COVID 1,7335 (0,7568)

_3M–C 0,00030 Konstan 0,2019 (0,0765*)

Jumlah observasi seimbang kumpulan 958 Jumlah observasi panel 1099

R-kuadrat yang disesuaikan 0,008330

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%

* Signifikan pada α=10%; signifikan pada α=5%; *signifikan pada α=1%