Metodologi Working Paper | DY Index untuk Mega-Policy Architecture

Metodologi Riset & Modeling

DY Index untuk Menguji Arsitektur Mega-Policy: MBG–BGN, Kopdes Merah Putih, dan Danantara

Dokumen ini memfokuskan diri pada metode, tahapan estimasi, rumus modeling, struktur data, dan logika inferensi untuk menjawab pertanyaan riset: apakah tiga kebijakan tersebut menunjukkan pola umum berupa pembentukan program/lembaga raksasa, janji manfaat besar, serta eksposur fiskal dan governance risk yang juga besar?

3Node kebijakan

2Model DY utama

4Dimensi indeks

VAR/GFEVDMesin estimasi

Arah Metodologis

Metode dibangun dalam dua lapis: Model A—Policy-Node Connectedness untuk melihat keterhubungan MBG, Kopdes, dan Danantara; serta Model B—Dimension-Node Connectedness untuk menguji apakah skala sumber daya, janji manfaat, ekspansi kelembagaan, dan beban tata kelola saling menguatkan sebagai satu pola mega-policy.

4,48 jutaBalita stunting resmi 2024

82,9 jutaTarget penerima MBG 2026

80.000Target Kopdes/Kelurahan

US$1 TAset kelolaan Danantara

📌

Catatan integritas metodologis. Halaman ini adalah versi khusus metode. Angka faktual yang ditampilkan berfungsi sebagai anchor data untuk menjelaskan struktur variabel dan urgensi riset. Estimasi DY final harus menggunakan seri waktu yang konsisten dan tidak boleh diklaim sebagai hasil empiris apabila data bulanan/kuartalan belum memenuhi syarat estimasi VAR/GFEVD.

M1 — Research Design

Pertanyaan Riset, Objek Uji, dan Mengapa Diebold–Yilmaz

Pertanyaan riset tidak hanya meminta perbandingan angka anggaran. Ia menuntut pembuktian apakah tiga kebijakan membentuk pola sistemik: skala sumber daya besar, janji manfaat luas, institusionalisasi cepat, dan risiko tata kelola yang ikut membesar.

Rumusan inti

RQ: Apakah MBG–BGN, Kopdes Merah Putih, dan Danantara menunjukkan arsitektur kebijakan yang serupa, sehingga perubahan intensitas salah satu kebijakan berkorelasi dan/atau menularkan dinamika ke kebijakan lain?

Fokusnya adalah connectedness, bukan sekadar korelasi sederhana. Karena itu metode DY lebih cocok daripada membandingkan angka nominal secara statis.

Alasan memilih DY Index

DY mengukur total connectedness suatu sistem.
DY memisahkan siapa transmitter dan siapa receiver.
GFEVD bersifat invariant to ordering, cocok untuk sistem kebijakan yang tidak memiliki urutan kausal tunggal.
Model dapat diperluas menjadi rolling connectedness dan VARX.

1. Anchor DataAmbil angka riil resmi: anggaran, cakupan, unit pelaksana, aset, aturan.

2. Indeks KebijakanBangun indikator komposit agar program yang heterogen dapat dibandingkan.

3. VAR/GFEVDEstimasi sistem dinamis dan hitung kontribusi shock antar-node.

4. ConnectednessHitung TCI, to, from, net, dan pairwise connectedness.

5. InferensiPutuskan apakah muncul pola mega-policy yang umum dan stabil.

M2 — Data Architecture

Struktur Data: Dari Fakta Kebijakan ke Seri Waktu Estimasi

Karena MBG, Kopdes, dan Danantara memiliki bentuk kelembagaan berbeda, data tidak dapat langsung dibandingkan dalam satuan nominal mentah. Solusinya adalah membangun indikator terstandar per kebijakan dan per dimensi.

Kebijakan	Anchor faktual	Dimensi yang diwakili	Contoh seri waktu yang dikumpulkan	Sumber resmi utama
MBG–BGN	Target 82,9 juta penerima; dukungan fiskal 2026 dipublikasikan Rp335 T; BGN menjelaskan Rp268 T pagu utama + Rp67 T dana cadangan.	Resource scale, benefit reach, delivery network, governance burden.	Realisasi anggaran bulanan; penerima; SPPG aktif; laporan/aduan/insiden; revisi regulasi teknis.	BGN, Kemenkeu, Perpres MBG.
Kopdes Merah Putih	Percepatan pembentukan 80.000 koperasi; narasi pembiayaan indikatif Rp5 miliar/koperasi dalam publikasi Setkab.	Institutional proliferation, financing exposure, coverage of village economy.	Koperasi terbentuk/aktif; pembiayaan disalurkan; fasilitas fisik; regulasi pendanaan; masalah kepatuhan.	Inpres 9/2025, PMK 49/2025, Setkab.
Danantara	Mandat lembaga investasi strategis melalui UU 1/2025 dan PP 10/2025; dikomunikasikan mengelola aset US$1 triliun.	Asset concentration, institutional centralization, strategic promise, governance exposure.	Aset dikelola; PMN/transfer aset; jumlah BUMN dalam lingkup; proyek investasi; pembaruan governance.	Danantara, UU/PP, laporan kelembagaan.
Motivasi stunting	SSGI 2024: 19,8% atau 4.482.340 balita stunting.	Policy justification baseline untuk membaca mismatch antara masalah spesifik dan desain program universal.	Prevalensi/jumlah stunting; penurunan tahunan; distribusi wilayah.	Kemenko PMK, Kemenkes/BKPK.

Peringatan penting: Danantara bukan belanja APBN tahunan, melainkan badan pengelola investasi/aset. Karena itu dalam indeks digunakan istilah resource exposure atau asset exposure, bukan disamakan mentah dengan belanja program MBG.

M3 — Index Construction

Membangun Mega-Policy Intensity Index (MPI)

MPI adalah jembatan antara data kebijakan yang heterogen dan model time-series connectedness. Setiap kebijakan diubah menjadi skor intensitas yang dapat dianalisis secara dinamis.

Empat dimensi inti

Fiscal / Resource Exposure (FE): besaran anggaran, pembiayaan, aset, atau komitmen sumber daya.
Benefit Promise Breadth (BP): luasnya penerima, dampak sosial yang dijanjikan, atau cakupan transformasi.
Institutional Expansion (IE): unit organisasi, jaringan pelaksana, koperasi, SPPG, atau portofolio entitas.
Governance Burden / Risk Proxy (GR): kompleksitas monitoring, konsentrasi keputusan, kepatuhan, insiden, atau aduan.

Kenapa perlu indeks?

MBG dihitung dalam penerima dan anggaran, Kopdes dalam unit koperasi serta pembiayaan, Danantara dalam aset dan mandat investasi. Agar dapat dimasukkan ke VAR yang sebanding, masing-masing indikator harus ditransformasikan dan distandardisasi.

Hasil akhirnya bukan “siapa paling besar” secara nominal, melainkan siapa paling intensif dalam pola mega-policy pada setiap periode.

Standardisasi dasar

\[ z_{i,k,t}=\frac{x_{i,k,t}-\mu_k}{\sigma_k} \]

Keterangan: $i$ = kebijakan; $k$ = dimensi/indikator; $t$ = waktu; $\mu_k$ dan $\sigma_k$ adalah rata-rata dan simpangan baku indikator ke-$k$.

Mega-Policy Intensity Index per kebijakan

\[ MPI_{i,t}=\omega_{FE}FE_{i,t}+\omega_{BP}BP_{i,t}+\omega_{IE}IE_{i,t}+\omega_{GR}GR_{i,t}, \qquad \sum_{r\in\{FE,BP,IE,GR\}}\omega_r=1 \]

Bobot dapat ditetapkan equal-weight sebagai baseline atau ditentukan melalui PCA/ANP/expert weighting sebagai robustness.

Transformasi bila indikator sangat miring

\[ x^{*}_{i,k,t}=\ln\!\left(1+x_{i,k,t}\right) \]

Direkomendasikan untuk sumber daya, jumlah penerima, atau jumlah unit pelaksana agar rentang nilai tidak mendominasi model.

M4 — Model A

Policy-Node DY Connectedness: Menguji Apakah Tiga Kebijakan Bergerak sebagai Satu Arsitektur

Model A menjadikan MBG, Kopdes, dan Danantara sebagai node. Ia menjawab langsung apakah intensitas kebijakan tersebut saling terhubung secara dinamis.

Vektor node kebijakan

\[ \mathbf{Y}_t= \begin{bmatrix} MPI^{MBG}_t\\ MPI^{Kopdes}_t\\ MPI^{Danantara}_t \end{bmatrix} \]

VAR(p)

\[ \mathbf{Y}_t=\mathbf{c}+\sum_{\ell=1}^{p}\mathbf{A}_{\ell}\mathbf{Y}_{t-\ell}+\boldsymbol{\varepsilon}_t, \qquad \boldsymbol{\varepsilon}_t\sim\left(\mathbf{0},\boldsymbol{\Sigma}\right) \]

Moving Average Representation

\[ \mathbf{Y}_t=\sum_{h=0}^{\infty}\boldsymbol{\Psi}_{h}\boldsymbol{\varepsilon}_{t-h} \]

Generalized Forecast Error Variance Decomposition (GFEVD)

\[ \theta^{g}_{ij}(H)= \frac{ \sigma_{jj}^{-1}\displaystyle\sum_{h=0}^{H-1} \left(\mathbf{e}_{i}^{\prime}\boldsymbol{\Psi}_{h}\boldsymbol{\Sigma}\mathbf{e}_{j}\right)^2 }{ \displaystyle\sum_{h=0}^{H-1} \left(\mathbf{e}_{i}^{\prime}\boldsymbol{\Psi}_{h}\boldsymbol{\Sigma}\boldsymbol{\Psi}_{h}^{\prime}\mathbf{e}_{i}\right) } \]

GFEVD dipakai agar dekomposisi varians tidak bergantung pada urutan variabel, mengikuti Diebold–Yilmaz berbasis pendekatan generalized VAR.

Normalisasi GFEVD

\[ \widetilde{\theta}^{g}_{ij}(H)= \frac{\theta^{g}_{ij}(H)}{\displaystyle\sum_{j=1}^{N}\theta^{g}_{ij}(H)}, \qquad \sum_{j=1}^{N}\widetilde{\theta}^{g}_{ij}(H)=1 \]

Makna empiris Model A

Jika shock pada MBG menjelaskan variasi MPI Kopdes, maka ekspansi program gizi berkaitan dengan dinamika arsitektur kebijakan desa.
Jika Danantara menjadi transmitter besar, maka konsentrasi aset/investasi strategis berperan dalam pola mega-policy yang lebih luas.
Jika ketiga node saling memberi spillover, maka hipotesis “pola umum” mendapat dukungan empiris.

Objek yang diuji

TCI: seberapa terhubung sistem tiga kebijakan.
Directional TO: kebijakan yang paling menularkan shock.
Directional FROM: kebijakan yang paling menyerap shock.
Net: status net transmitter atau net receiver.
Pairwise: pasangan kebijakan paling kuat keterhubungannya.

M5 — Model B

Dimension-Node DY Connectedness: Menguji Mesin Pembentuk Mega-Policy

Model B tidak lagi menempatkan kebijakan sebagai node, tetapi dimensi pembentuk mega-policy. Tujuannya adalah menjelaskan mekanisme: apakah skala sumber daya, janji manfaat, ekspansi kelembagaan, dan governance burden saling memperkuat.

Agregasi dimensi lintas kebijakan

\[ \begin{aligned} D^{FE}_t &= \sum_{i=1}^{3}\lambda_i FE_{i,t}, & D^{BP}_t &= \sum_{i=1}^{3}\lambda_i BP_{i,t},\\ D^{IE}_t &= \sum_{i=1}^{3}\lambda_i IE_{i,t}, & D^{GR}_t &= \sum_{i=1}^{3}\lambda_i GR_{i,t} \end{aligned} \qquad \sum_{i=1}^{3}\lambda_i=1 \]

Vektor dimensi

\[ \mathbf{D}_t= \begin{bmatrix} D^{FE}_t\\ D^{BP}_t\\ D^{IE}_t\\ D^{GR}_t \end{bmatrix} \]

Interpretasi Model B

Jika FE → IE kuat, maka ekspansi sumber daya diikuti perluasan jaringan kelembagaan.
Jika BP → FE kuat, maka janji manfaat publik mendorong pembesaran sumber daya fiskal/aset.
Jika IE → GR kuat, maka proliferasi unit pelaksana meningkatkan governance burden.
Jika GR menjadi receiver besar, governance risk tampak sebagai konsekuensi dari skala dan kompleksitas.

Kenapa Model B penting?

Research question Bapak bukan hanya “apakah tiga kebijakan besar?”, tetapi “apakah ada pola umum di balik kebijakan besar itu?”. Model B menjawab pola tersebut pada level mekanisme.

Model A = siapa terhubung dengan siapa. Model B = melalui mekanisme apa keterhubungan itu terbentuk.

M6 — Extension

DY–VARX: Memisahkan Pola Mega-Policy dari Kondisi Makro/Fiskal Umum

Sebagaimana logika dua tahap dalam studi spillover suku bunga Indonesia, rancangan ini dapat diperluas melalui VARX agar keterhubungan kebijakan tidak keliru dibaca sebagai spillover padahal hanya dipicu kondisi makro yang sama.

VARX(p, q)

\[ \mathbf{Y}_t= \mathbf{c} +\sum_{\ell=1}^{p}\mathbf{A}_{\ell}\mathbf{Y}_{t-\ell} +\sum_{m=0}^{q}\mathbf{B}_{m}\mathbf{Z}_{t-m} +\boldsymbol{\varepsilon}_t \]

Kandidat variabel eksogen $\mathbf{Z}_t$	Alasan memasukkan	Contoh sumber
Defisit APBN / rasio fiskal	Membedakan spillover kebijakan dari tekanan fiskal umum.	Kemenkeu/APBN Kita.
Yield SBN jangka panjang	Menangkap persepsi risiko fiskal dan pembiayaan negara.	DJPK, BI, Kemenkeu.
Regulatory-event dummy	Menangkap perubahan hukum, revisi tata kelola, atau penyesuaian skema pendanaan.	Peraturan BPK/JDIH, siaran resmi.
Public communication shock	Menangkap lonjakan janji manfaat atau perluasan target yang diumumkan resmi.	Pidato, nota keuangan, siaran lembaga.

VARX bukan untuk membuktikan sebab-akibat politik secara final. Fungsinya adalah robustness control agar connectedness yang tertangkap tidak sekadar bayangan dari faktor makro bersama.

M7 — Estimation Pipeline

Tahapan Estimasi Detail dari Database ke Kesimpulan

Bagian ini adalah protokol kerja riset yang dapat langsung dijadikan blueprint pelaksanaan project.

1. Menetapkan frekuensiGunakan data bulanan atau kuartalan. Bulanan lebih kaya untuk MBG dan Kopdes; Danantara perlu strategi event-coding bila data rutin terbatas.

2. Menyusun database panjangFormat panel: kebijakan × waktu × indikator. Setiap angka harus memiliki sumber dan tanggal rilis.

3. Transformasi awalGunakan log(1+x), normalisasi, dan standardisasi agar skala tidak didominasi satu variabel.

4. Bangun FE, BP, IE, GRHitung skor dimensi dan Mega-Policy Intensity Index (MPI) per kebijakan.

5. Uji stasioneritasGunakan ADF/KPSS; bila indeks trending kuat, gunakan $\Delta MPI_t$ sebagai baseline.

6. Pilih lag VARAIC, BIC, HQ, dan keterbatasan sampel. Jangan memakai lag besar bila observasi pendek.

7. Tentukan horizon HMisal H=6 atau H=12 bulan; laporkan robustness atas horizon alternatif.

8. Estimasi VAR / VARXModel A dan Model B dihitung terpisah agar inferensi langsung dan mekanisme dapat dibedakan.

9. Hitung GFEVDDapatkan matriks variance decomposition yang sudah dinormalisasi per baris.

10. Hitung DY metricsTCI, directional TO/FROM, net spillover, dan net pairwise connectedness.

11. Rolling connectednessJika data memadai, gunakan rolling window untuk melihat apakah pola mega-policy menguat saat program membesar.

12. Inferensi & robustnessGunakan bootstrap, alternatif bobot indeks, alternatif transformasi, dan placebo policy set.

Baseline transformasi stationarity

\[ X_{i,t}=\Delta MPI_{i,t}=MPI_{i,t}-MPI_{i,t-1} \]

Jika $MPI$ tidak stasioner dalam level, gunakan perubahan indeks agar VAR memodelkan shock terhadap intensitas kebijakan, bukan tren mekanis.

M8 — Interactive Calculator

Simulator Kesiapan Sampel VAR / VARX

Gunakan kalkulator ini untuk memeriksa apakah jumlah observasi sudah memadai dibanding kompleksitas model.

Jumlah node endogen (N)

Lag VAR (p)

Variabel eksogen (K)

Total observasi (T)

4Regressor per persamaan

12Total parameter sistem

6,0xObservasi / regressor per persamaan

Sampel masih tipis. Pertimbangkan data bulanan lebih panjang, lag lebih kecil, atau model yang lebih parsimonious.

M9 — Interactive Simulator

Simulator Mega-Policy Intensity Index (MPI)

Simulasi ini memperlihatkan bagaimana bobot empat dimensi membentuk skor intensitas mega-policy. Skor input 0–100 adalah nilai terstandar/dashboard, bukan hasil final statistik.

Input skor dimensi

Fiscal / Resource ExposureSkor: 92

Benefit Promise BreadthSkor: 88

Institutional ExpansionSkor: 90

Governance Burden / Risk ProxySkor: 78

Bobot

ω FE

ω BP

ω IE

ω GR

Output skor MPI

87,0Mega-Policy Intensity IndexBobot tepat = 1,00

Skor sangat tinggi: kebijakan tampil sebagai mega-policy berintensitas besar dan layak diuji connectedness-nya secara dinamis.

M10 — Interactive GFEVD Sandbox

Simulator Matriks GFEVD dan DY Connectedness

Masukkan matriks variance decomposition 3×3. Setiap baris idealnya berjumlah 1 setelah normalisasi. Kalkulator menghitung TCI, FROM, TO, NET, dan pasangan spillover terbesar. Ini adalah sandbox metodologis, bukan hasil empiris final.

Input matriks $\widetilde{\Theta}^g(H)$

MBG ← MBG

MBG ← Kopdes

MBG ← Danantara

Kopdes ← MBG

Kopdes ← Kopdes

Kopdes ← Danantara

Danantara ← MBG

Danantara ← Kopdes

Danantara ← Danantara

Baris sudah mendekati normalisasi 1,00.

36,67%Total Connectedness Index

MBGNet transmitter utama

KopdesNet receiver utama

MBG → KopdesPairwise gap terbesar

Node	FROM Others (%)	TO Others (%)	NET (%)	Status

Rumus Total Connectedness

\[ TCI^{g}(H)=\frac{100}{N} \sum_{\substack{i,j=1\\ i\neq j}}^{N} \widetilde{\theta}^{g}_{ij}(H) \]

Directional & Net Spillover

\[ \begin{aligned} FROM_i(H)&=100\sum_{\substack{j=1\\ j\neq i}}^{N}\widetilde{\theta}^{g}_{ij}(H),\\ TO_i(H)&=100\sum_{\substack{j=1\\ j\neq i}}^{N}\widetilde{\theta}^{g}_{ji}(H),\\ NET_i(H)&=TO_i(H)-FROM_i(H) \end{aligned} \]

Net Pairwise Connectedness

\[ NP_{ij}(H)=100\left[ \widetilde{\theta}^{g}_{ji}(H)- \widetilde{\theta}^{g}_{ij}(H) \right] \]

Nilai positif menunjukkan node $i$ lebih dominan mentransmisikan shock ke node $j$ dibanding arah sebaliknya.

M11 — Inference Logic

Bagaimana Metode Ini Menjawab Pertanyaan Riset?

Kesimpulan tidak diambil dari satu angka nominal, tetapi dari konsistensi pola connectedness, mekanisme dimensi, dan robustness.

Kriteria 1 — Policy System Connectedness

Model A menunjukkan TCI yang bermakna dan tidak hilang dalam robustness. Artinya ketiga kebijakan tidak bergerak sebagai episode yang terisolasi.

Kriteria 2 — Directional Asymmetry

Ada transmitter dan receiver yang jelas. Misalnya satu kebijakan mendorong ekspansi arsitektur kebijakan lain atau menyerap shock dari pola umum.

Kriteria 3 — Mechanism Connectedness

Model B memperlihatkan FE, BP, IE, dan GR saling terhubung; terutama jika Resource Exposure dan Institutional Expansion mendorong Governance Burden.

Hipotesis operasional	Indikator dukungan	Jika tidak terpenuhi
H1: Tiga kebijakan membentuk pola mega-policy yang sama.	TCI Model A signifikan; pairwise connectedness lintas kebijakan tidak nol; rolling TCI meningkat seiring ekspansi.	Kebijakan besar tetapi berdiri sendiri-sendiri; argumen pola umum melemah.
H2: Pola umum terbentuk melalui pembesaran sumber daya dan jaringan kelembagaan.	Model B menunjukkan FE ↔ IE dan BP → FE/IE dominan.	Skala besar tidak berkorelasi dengan institusionalisasi; desain berbeda secara fundamental.
H3: Governance burden merupakan konsekuensi sistemik dari mega-policy.	GR menjadi net receiver besar atau IE → GR pairwise spillover kuat.	Governance burden tidak terhubung dengan skala; risiko tata kelola harus dibaca kasus per kasus.

Putusan riset “Ya, ada pola umum” baru layak jika Model A, Model B, dan robustness bergerak dalam arah yang saling konsisten.

M12 — Robustness & Deliverables

Uji Ketahanan, Keterbatasan, dan Format Output Working Paper

Bagian ini memastikan metode tidak berhenti sebagai dashboard visual, tetapi dapat dikembangkan menjadi riset akademik yang defensible.

Robustness checks wajib

Bobot MPI: equal weight vs PCA/expert weight.
Transformasi: level, growth, first difference.
Lag: p=1, p=2 bila observasi memadai.
Horizon: H=3, 6, 12.
Rolling window vs expanding window.
VAR vs VARX dengan kontrol fiskal/makro.
Placebo policy set: bandingkan dengan kebijakan yang tidak terkait.

Keterbatasan yang harus dinyatakan

Seri waktu Danantara/Kopdes masih relatif baru sehingga sample length menjadi isu.
Governance risk sulit diukur langsung; gunakan proxy transparan dan terdokumentasi.
DY mengukur connectedness, bukan kausalitas struktural penuh.
Resource exposure lintas kebijakan tidak identik secara akuntansi; standardisasi wajib dilakukan.

Tabel utama

Data dictionary, summary statistics, matriks spillover, directional/net table, robustness table.

Gambar utama

Roadmap metodologi, rolling TCI, network connectedness, radar index, pairwise heatmap.

Narasi discussion

Jelaskan transmitter, receiver, mekanisme FE–IE–GR, dan implikasi kebijakan fiskal/tata kelola.

References & Source Architecture

Sumber Model dan Sumber Data yang Digunakan

Rujukan metodologi dan anchor data dikunci agar working paper dapat diaudit dan dikembangkan menjadi artikel ilmiah.

Sumber model utama

Diebold & Yilmaz (2012): generalized spillover index, total dan directional volatility spillovers.
Diebold & Yilmaz (2011/2014): connectedness table, network topology, pairwise dan system-wide connectedness.
Adaptasi struktur dua tahap dari draft artikel Domestic and Global Spillovers in Indonesia’s Interest Rate System: logika baseline domestic system dan augmented VARX.

Sumber data resmi awal

BGN dan Kemenkeu: target penerima MBG, dukungan anggaran 2026, realisasi program.
Kemenkes/BKPK dan Kemenko PMK: SSGI 2024, prevalensi dan jumlah balita stunting.
Inpres 9/2025, PMK 49/2025, dan publikasi Setkab: arsitektur Kopdes Merah Putih.
Danantara dan Peraturan BPK: UU 1/2025, PP 10/2025, mandat lembaga, asset statement.

Penggunaan data riil dalam versi metode: angka resmi ditampilkan sebagai landasan definisi variabel dan logika riset, bukan sebagai estimasi akhir connectedness. Estimasi DY final harus dihitung dari database seri waktu yang konsisten.