1. Latar Belakang dan Tujuan

1.1. Konteks dan Masalah Kebijakan

Sesi 1 LPS–OJK–Bank Indonesia menempatkan likuiditas dan intermediasi sebagai persoalan yang tidak dapat dibaca hanya dari indikator agregat. Likuiditas sistem dapat terlihat longgar pada saat yang sama ketika bank tertentu menghadapi kenaikan kebutuhan pendanaan, pertumbuhan kredit yang lebih cepat daripada DPK, atau perubahan komposisi deposan. Karena itu, research problem bukan ‘apakah likuiditas cukup’, melainkan bagaimana membedakan penyesuaian pendanaan yang normal dari pergeseran yang mulai mengandung risiko deposit flight. Perspektif ini penting bagi LPS karena indikator agregat yang stabil dapat menyembunyikan kerentanan liability-side pada kelompok bank tertentu.

Literatur deposito menunjukkan bahwa deposit bersifat persisten, tetapi sensitivitasnya terhadap bunga, pendapatan, nilai tukar, reputasi bank dan kondisi makro dapat berubah menurut konteks. Dalantaibaatar et al. (2026) memperlihatkan bahwa determinan deposit dalam sistem perbankan emerging market tidak sepenuhnya sama dengan asumsi sederhana bahwa deposan hanya mengejar bunga. Di sisi lain, Maingi (2025) menekankan perlunya membedakan net outflow dari redistribusi deposito antarlembaga: penurunan deposito pada satu bank dapat mencerminkan flight-to-safety yang tetap berada di dalam sistem, bukan hilangnya dana dari sistem secara keseluruhan. Distingsi ini menjadi dasar pengukuran outcome penelitian.

Perubahan suku bunga dan tekanan pasar dapat memperkuat mekanisme tersebut. Alter et al. (2025) menunjukkan bahwa higher-for-longer interest-rate environment perlu dianalisis sebagai joint stress, karena dampak suku bunga menjadi lebih besar ketika bertemu dengan kerentanan likuiditas dan kualitas aset. Dalam konteks New Monetary Trinity, shock suku bunga, nilai tukar/arus modal, dan pasar SBN diperlakukan sebagai lingkungan makro-finansial yang dapat mengubah funding condition bank secara bersamaan. Penelitian ini tidak mengasumsikan bahwa salah satu shock pasti memicu run; yang diuji adalah konfigurasi state ketika gabungan shock dan funding gap mulai berasosiasi dengan outflow abnormal.

1.2. Masalah Penelitian dan Kesenjangan Pengetahuan

Kecukupan likuiditas agregat tidak menjamin bahwa likuiditas terdistribusi merata antarkelompok bank. Perbedaan akses pasar uang, kualitas agunan, basis dana murah, konsentrasi deposan, dan kapasitas modal dapat membuat sebagian kelompok mempertahankan surplus likuiditas ketika kelompok lain menghadapi kenaikan biaya dana. Ketimpangan tersebut disebut fragmentasi pendanaan apabila perbedaan pertumbuhan DPK, funding gap, dan penyangga likuiditas meningkat secara persisten serta tidak dapat dijelaskan hanya oleh pola musiman atau perubahan klasifikasi bank.

Digitalisasi menambahkan dimensi kecepatan pada mekanisme tersebut. Informasi dapat tersebar dan ditindaklanjuti melalui mobile banking, internet banking, dan infrastruktur pembayaran cepat tanpa kehadiran fisik di kantor cabang. Akan tetapi, kemudahan transfer tidak otomatis menyebabkan penarikan simpanan. Digitalisasi diposisikan sebagai mekanisme akselerasi yang dapat memperpendek jeda informasi–keputusan–transaksi ketika deposan merespons perubahan imbal hasil, tekanan makro-finansial, atau persepsi mengenai kondisi bank.

Dengan sumber publik, aktivitas BI-FAST tidak dapat diperlakukan sebagai ukuran digital deposit flight aktual. BI-FAST mencatat aktivitas transfer ritel yang sebagian besar merupakan transaksi normal dan tidak mengidentifikasi apakah dana berasal dari DPK kelompok bank tertentu, berpindah ke bank tujuan tertentu, atau keluar dari sistem perbankan. Oleh karena itu, konstruk digital yang dapat diukur secara bertanggung jawab adalah Digital Fund Mobility (DFM), yaitu perubahan nilai dan volume transfer melalui BI-FAST. Istilah digital deposit flight dipertahankan sebagai risiko yang diuji, bukan sebagai kejadian aktual yang dianggap telah terobservasi.

Funding gap didefinisikan sebagai pertumbuhan kredit dikurangi pertumbuhan DPK pada kelompok bank. Nilai positif yang persisten menunjukkan ekspansi aset lebih cepat daripada basis simpanan. Normal funding adjustment adalah perubahan pendanaan yang masih dapat dijelaskan oleh pola historis, musim, aktivitas kredit, dan repricing serta dapat diserap tanpa pelemahan likuiditas yang material. Abnormal deposit outflow adalah penyimpangan negatif pertumbuhan DPK terhadap nilai yang diperkirakan, disertai penurunan bersih simpanan dan tekanan pendanaan. Konsep ini dibedakan dari deposit reallocation, yakni perpindahan dana antarkelompok di dalam sistem, dan net system outflow, yakni berkurangnya DPK sistem secara agregat.

Kesenjangan pengetahuan penelitian adalah belum memadainya bukti mengenai bagaimana mobilitas dana digital berinteraksi dengan fragmentasi pendanaan dan keterhubungan moneter–perbankan dalam menjelaskan risiko abnormal deposit outflow. Studi ini tidak mengklaim bahwa kenaikan BI-FAST adalah bank run. Yang diuji adalah apakah perubahan DFM memperoleh keterhubungan yang lebih kuat dengan funding gap, pertumbuhan DPK, dan indikator outflow abnormal ketika dispersi pendanaan antarkelompok meningkat.

Unit analisis utama adalah sistem perbankan dan KBMI 1–4. Lapisan kepemilikan—BUMN, swasta nasional, BPD, dan kantor cabang bank asing—serta orientasi digital dipakai sebagai heterogenitas apabila seri yang konsisten tersedia. Klasifikasi KBMI dibuat time-varying dan dibandingkan dengan fixed cohort agar merger, konsolidasi, atau perpindahan kelompok tidak keliru dibaca sebagai arus simpanan. Orientasi digital suatu bank bukan bukti digital deposit flight; ia hanya menunjukkan eksposur terhadap kanal digital.

1.3. Tujuan dan Pertanyaan Penelitian

Penelitian bertujuan menjelaskan mengapa likuiditas agregat dapat berjalan bersama fragmentasi pendanaan, mengidentifikasi perubahan arah keterhubungan moneter–pendanaan antarkelompok bank, serta menguji apakah perkembangan mobilitas dana digital berkaitan dengan meningkatnya risiko abnormal deposit outflow ketika funding gap dan fragmentasi pendanaan membesar.

Pertanyaan penelitian dirumuskan sebagai berikut: Bagaimana perkembangan Digital Fund Mobility berinteraksi dengan fragmentasi pendanaan dan keterhubungan moneter–perbankan dalam menjelaskan risiko abnormal deposit outflow pada kelompok bank di Indonesia?

Pertanyaan tersebut dijawab melalui satu rantai bukti. Funding gap dan dispersi pertumbuhan DPK menunjukkan kerentanan dan fragmentasi; DFM mengukur perkembangan mobilitas transfer digital; residual DPK menunjukkan kandidat outflow abnormal; sedangkan TCI, TO, FROM, NET, dan NPDC menunjukkan kapan intensitas serta arah hubungan DFM ↔ funding gap ↔ DPK berubah. Jika data arus digital keluar-masuk menurut bank atau KBMI diperoleh, pengujian dapat ditingkatkan dari risiko menjadi identifikasi digital deposit flight yang lebih langsung.

1.4. Kontribusi Ilmiah dan Relevansi Kelembagaan

Kontribusi ilmiah penelitian adalah membangun arsitektur transisi sisi liabilitas yang menghubungkan shock suku bunga, nilai tukar, dan SBN dengan funding gap, fragmentasi pendanaan, mobilitas dana digital, perubahan DPK, dan abnormal deposit outflow. Kontribusi tidak berasal dari penggunaan BI-FAST atau TVP-VAR semata, melainkan dari pembedaan konstruk yang sering tercampur: aktivitas transfer digital, perpindahan deposito antarkelompok, arus keluar bersih sistem, dan penurunan simpanan yang abnormal.

Kerangka tersebut memungkinkan pengujian role switching. Pada awal pengetatan, RATE, FX, atau SBN dapat menjadi pengirim shock. Ketika funding gap membesar, variabel pendanaan dapat berubah dari penerima menjadi pengirim tekanan. DFM dapat menjadi transmitter hanya apabila inovasi variance-nya secara konsisten meningkatkan penjelasan terhadap FGAP atau DPK; posisi tersebut tetap dibaca sebagai keterhubungan prediktif, bukan bukti bahwa transfer BI-FAST menyebabkan penarikan simpanan.

Manfaat praktisnya adalah menghasilkan indikator peringatan dini yang lebih disiplin bagi lembaga penjamin simpanan dan resolusi. Sistem dapat membedakan peningkatan transaksi digital normal dari episode ketika DFM, fragmentasi, funding gap, dan outflow abnormal bergerak bersama. Keluaran model merupakan pendukung keputusan yang harus diverifikasi dengan informasi pengawasan; threshold statistik bukan trigger hukum dan tidak menggantikan penilaian otoritas.

Artikel ditempatkan pada Topik Stabilitas Sistem Keuangan, terutama risiko flight to quality dan pengukuran potensi krisis. Relevansi tambahannya berada pada program penjaminan simpanan dan kesiapan resolusi karena percepatan perubahan struktur pendanaan dapat mengurangi waktu respons. Klaim kebijakan tetap dibatasi oleh frekuensi bulanan dan ketiadaan data arus digital per bank dalam sumber publik.

2. Studi Literatur

2.1. Sintesis Teoretis dan Mekanisme Digital Deposit Flight

Kerangka penelitian menggabungkan transmisi moneter, manajemen aset-liabilitas, disiplin deposan, bank run, adopsi pembayaran digital, dan jaringan keuangan. Transmisi moneter menjelaskan perubahan biaya dana dan valuasi. Manajemen aset-liabilitas menjelaskan mengapa funding gap serta penyangga likuiditas menentukan kapasitas absorpsi. Disiplin deposan dan flight to quality menjelaskan perpindahan dana menurut imbal hasil serta persepsi keamanan. Teori bank run menjelaskan strategic complementarity, sedangkan infrastruktur digital menjelaskan bagaimana respons dapat dieksekusi dengan waktu yang lebih singkat.

Digital deposit flight bukan kategori yang sepenuhnya terpisah dari deposit flight konvensional. Fundamental, informasi, insentif, dan ekspektasi deposan tetap menjadi pemicu. Perbedaannya terletak pada friksi transaksi dan jeda waktu. Kanal digital memungkinkan deposan membandingkan alternatif, menerima informasi, serta mentransfer dana tanpa batasan jam atau lokasi kantor cabang. Mekanisme digital karena itu diperlakukan sebagai akselerator bersyarat: pengaruhnya diperkirakan lebih material ketika funding gap persisten, likuiditas melemah, konsentrasi deposan tinggi, atau shock makro-finansial meningkatkan ketidakpastian.

Secara operasional, DFM dibentuk dari perubahan log nilai dan volume BI-FAST. DIG1 menangkap perubahan nominal transfer, sedangkan DIG2 menangkap perubahan frekuensi transaksi. Keduanya merupakan indikator mobilitas sistem pembayaran, bukan arus simpanan kelompok bank. Indeks DFM dapat dibentuk melalui standardisasi rata-rata DIG1 dan DIG2 atau dianalisis sebagai dua node dalam uji ketahanan. Klaim digital deposit flight baru dapat dibuat secara langsung apabila tersedia data transfer keluar, perubahan saldo, atau kecepatan penarikan menurut bank/KBMI dengan frekuensi harian atau intrahari.

Fragmentasi pendanaan diukur dari dispersi pertumbuhan DPK KBMI 1–4 dan diperkuat dengan funding gap serta rasio likuiditas. Dispersi tinggi tidak selalu berarti stres karena dapat timbul dari strategi bisnis, base effect, atau reklasifikasi. Episode dianggap lebih relevan ketika FRAG meningkat bersamaan dengan funding gap kelompok tertentu, penurunan penyangga likuiditas, perubahan pangsa DPK, dan residual DPK negatif. Kombinasi ini membedakan variasi lintas kelompok yang normal dari fragmentasi yang berpotensi mengganggu stabilitas.

New Monetary Trinity dioperasionalkan melalui tiga node: suku bunga kebijakan, tekanan nilai tukar, dan yield atau operasi surat berharga. Pada model digital parsimonis, SBN ditempatkan sebagai spesifikasi alternatif karena 55 observasi tidak memadai untuk sistem berdimensi besar. Desain tersebut mempertahankan isi teoretis tanpa mengorbankan kestabilan estimasi. TVP-VAR-DY kemudian membaca perubahan intensitas dan arah hubungan, termasuk apakah DFM, FGAP, atau DPK berganti peran sebagai transmitter dan receiver.

Desain menggunakan dua jendela. Jendela inti 2015M1–2026M7 mempelajari dinamika moneter, likuiditas, funding gap, dan DPK dengan jumlah observasi yang lebih memadai. Jendela digital 2022M1–2026M7 dimulai setelah implementasi BI-FAST dan menguji model lima node yang parsimonis. Pemisahan ini mencegah data digital sebelum tersedia dipaksakan menjadi nol atau diimputasi, serta memungkinkan temuan jangka panjang dibandingkan dengan mekanisme era pembayaran cepat.

2.2. Tiga Penelitian Terdekat

Tabel 2. Penelitian terdekat dan batas transfer

Penelitian	Desain	Unsur yang ditransfer	Batas transfer
Maingi (2025/2026) — Regional Banks, Aggregate Effects	Model kuantitatif spasial + episode 2023	Gunakan dekomposisi flow dan disiplin klasifikasi state; model GE spasial tidak perlu disalin bila data geografis tidak cukup.	Validitas eksternal Indonesia dan kebutuhan data mikro/spasial.
Dalantaibaatar et al. (2026) — Determinants of deposits in an emerging banking system	Panel dinamis / system-GMM	Jadikan persamaan determinan sebagai expected-flow baseline sebelum residual diklasifikasi abnormal.	GMM bukan pilihan otomatis: jumlah bank, kekuatan instrumen, dan instrument proliferation harus diuji.
Alter et al. (2025) — Are higher interest rates a concern for financial stability in MENA?	Joint stress test + local projections	Adopsi interaksi shock dan logika joint stress; ubah keluaran menjadi probabilitas state liability-side.	Stress-test level bukan bukti abnormal deposit flight tanpa outcome simpanan.

2.3. Sintesis Kesenjangan dan Proposisi

Sintesis literatur menempatkan paper setelah studi yang telah menjelaskan bagian-bagian mekanisme secara terpisah. Missing link yang diuji ialah arsitektur liability-side yang menggabungkan expected-flow baseline, dekomposisi net outflow versus reallocation, serta probabilitas transisi yang divalidasi di luar sampel. Fokus ini membuat kebaruan dapat difalsifikasi: bila integrasi mekanisme tidak memberi tambahan interpretasi atau predictive value dibandingkan benchmark, klaim kebaruan harus diturunkan.

Proposisi utama menyatakan bahwa hubungan menuju probabilitas state: normal adjustment → reallocation/flight-to-quality → abnormal flight bersifat state-dependent. Besar dan arah hubungan dapat berubah ketika exposure bertemu vulnerability, buffer, atau friksi implementasi. Paper tidak memaksakan satu tanda universal bila mekanisme teoretis memberi lebih dari satu kemungkinan. Boundary, transition, dan heterogeneity diperlakukan sebagai keluaran penelitian.

Proposisi kedua menyatakan bahwa nilai kebijakan sebuah sinyal tidak sama dengan signifikansi statistik. Sinyal harus memberi lead time, calibration, dan incremental information yang cukup setelah mempertimbangkan false alarm dan missed event. Proposisi ketiga menyatakan bahwa data readiness dan governance merupakan bagian dari validitas penggunaan, bukan lampiran administratif.

3. Metodologi dan Data

3.1. Desain Dua Jendela dan Ketersediaan Data

Penelitian menggunakan data bulanan dengan dua jendela analisis. Model inti memakai 2015M1–2026M7 untuk mengestimasi keterhubungan moneter–pendanaan. Ekstensi digital memakai 2022M1–2026M7 atau 55 observasi, sesuai era implementasi BI-FAST. Data mentah DPK dan kredit dikumpulkan sejak 2021M1 agar pertumbuhan tahunan sepanjang 2022 dapat dihitung tanpa kehilangan dua belas observasi awal.

Tabel 1. Kesesuaian variabel dan sumber publik

Blok	Variabel	Sumber	Status inferensi
Digital	Nilai dan volume BI-FAST	BI SPIP	Proksi DFM; kontinuitas 55 bulan harus diaudit
Moneter	BI-Rate/BI7DRR, USD/IDR, yield SBN	BI SEKI, BI/DJPPR	Seri bulanan tersedia
Perbankan	DPK dan kredit sistem serta KBMI 1–4	OJK SPI dan Portal Data	Tersedia; format sebelum/sesudah migrasi harus diharmonisasi
Likuiditas	AL/DPK, AL/NCD atau proksi konsisten	BI SSKI/OJK	Agregat tersedia; seri KBMI diaudit
Outcome	Abnormal deposit outflow	Turunan DPK aktual dan expected	Indikator risiko, bukan arus digital aktual

3.2. Tahap 1 Membangun Master Dataset

Seluruh seri diselaraskan pada akhir bulan. Master nasional berisi RATE, FX, SBN, nilai dan volume BI-FAST, DPK, kredit, serta likuiditas. Panel KBMI berisi date, KBMI, DPK, kredit, aset likuid, jumlah bank, klasifikasi, sumber, dan data vintage. Nilai yang belum tersedia diberi NA, bukan nol. Perubahan definisi, migrasi portal OJK sejak 2025, merger, dan perpindahan KBMI dicatat dalam metadata.

3.3. Tahap 2 Likuiditas, Funding Gap, dan Fragmentasi

Untuk kelompok $i$, funding gap dihitung sebagai $FGAP_{i,t}=g^{CREDIT}_{i,t}-g^{DPK}_{i,t}$. Fragmentasi awal dihitung sebagai $FRAG_t=SD(g^{DPK}_{1,t},...,g^{DPK}_{4,t})$. Interpretasi FRAG harus konsisten dengan perubahan pangsa DPK, AL/DPK, dan fixed-cohort robustness. DPK sistem dibandingkan dengan jumlah empat KBMI untuk mendeteksi perbedaan cakupan.

3.4. Tahap 3 Digital Fund Mobility

Dua indikator utama adalah $DIG1_t=\Delta\ln(BIFAST\_VALUE_t)$ dan $DIG2_t=\Delta\ln(BIFAST\_VOLUME_t)$. DFM utama dibentuk sebagai rata-rata skor baku DIG1 dan DIG2. Robustness menjalankan keduanya secara terpisah dan menambahkan statistik digital banking jika definisinya konsisten. Lonjakan DFM tidak diberi label outflow tanpa dukungan perubahan DPK.

3.5. Tahap 4 Abnormal Deposit Outflow

Expected DPK growth diestimasi menggunakan model parsimonis dengan musiman bulanan, lag pertumbuhan DPK, suku bunga relatif, RATE, dan aktivitas kredit. Residual $ADF_{i,t}=g^{DPK}_{i,t}-\widehat{g}^{DPK}_{i,t}$. Kandidat abnormal outflow ditetapkan apabila residual berada di bawah ambang praregistrasi, DPK nominal menurun, dan indikator bertahan lebih dari satu periode atau memperoleh konfirmasi likuiditas. Ambang utama menggunakan persentil bawah residual rolling; alternatif memakai z-score dan quantile regression.

3.6. Tahap 5 TVP-VAR Diebold–Yilmaz

Model digital utama dibatasi pada lima node: RATE, FX, DFM, FGAP, dan pertumbuhan DPK. SBN menggantikan FX atau RATE dalam spesifikasi alternatif. Lag utama satu dan horizon GFEVD enam bulan; horizon tiga dan dua belas bulan digunakan sebagai robustness. TCI mengukur intensitas jaringan, TO dan FROM menunjukkan shock yang dikirim serta diterima, NET menunjukkan posisi bersih, dan NPDC menunjukkan arah bersih hubungan pasangan. Fokus utama adalah DFM ↔ FGAP ↔ DPK.

3.7. Tahap 6 Pengujian Risiko Digital Deposit Flight

Model dasar tanpa DFM dibandingkan dengan model yang memasukkan DFM. Pengujian tambahan menggunakan model sederhana $Pr(ADF_{i,t+h}=1)=f(FGAP_{i,t},LIQ_{i,t},DFM_t,DFM_t\times FGAP_{i,t})$. Karena kejadian abnormal dapat langka, Firth logit atau penalized logit digunakan bila diperlukan. Jika jumlah kejadian tidak memadai, inferensi dibatasi pada connectedness dan indeks risiko; probabilitas tidak dipaksakan.

3.8. Diagnostik dan Ketahanan

Pengujian mencakup ADF/PP, lag sensitivity, prior sensitivity, horizon GFEVD, model tanpa/ dengan DFM, DIG1 versus DIG2, fixed cohort, pengeluaran outlier, dan rolling VAR-DY. Connectedness bersifat prediktif, bukan kausal. Data bulanan juga tidak dapat mengidentifikasi kecepatan penarikan harian; klaim akselerasi langsung memerlukan data berfrekuensi lebih tinggi.

3.9. Struktur Workbook dan Replikasi RStudio

Workbook menyediakan master resmi kosong yang mengikuti struktur sumber, panel KBMI, lembar DFM, data demo deterministik untuk menguji kode, kamus variabel, matriks ketersediaan, sumber klik-langsung, dan script R. Data demo diberi label DEMO_SYNTHETIC; script menghentikan estimasi empiris apabila status data resmi belum OFFICIAL_OBSERVED. Dengan demikian, pipeline dapat diuji sekarang tanpa menyamarkan angka ilustratif sebagai fakta.

Tabel 2. Roadmap pengolahan data

Tahap	Data	Metode	Output
1	BI, OJK, SPIP 2021–2026	Cleaning dan harmonisasi	Master nasional dan panel KBMI
2	Kredit, DPK, likuiditas	FGAP dan dispersi	Fragmentasi pendanaan
3	BI-FAST nilai dan volume	Log difference dan standardisasi	DFM
4	DPK aktual dan expected	Residual dan threshold	Abnormal deposit outflow
5	RATE, FX/SBN, DFM, FGAP, DPK	TVP-VAR-DY	TCI, TO, FROM, NET, NPDC
6	ADF, DFM, FGAP, LIQ	Model risiko sederhana	Peta risiko dan early warning

Sumber utama tersedia melalui SPIP Bank Indonesia, SEKI, SSKI, statistik perbankan OJK, dan Portal Data OJK. Lampiran SPIP Januari 2022 telah terbit, tetapi kelengkapan 55 nilai BI-FAST tetap diaudit satu per satu sebelum status seri diubah menjadi resmi-lengkap.

4. Hasil Analisis

4.1. Status Hasil dan Prinsip Inferensi

Artikel ini merupakan rancangan empiris siap estimasi. Tidak ada angka TCI, NET, atau probabilitas yang dinyatakan sebagai hasil sebelum seri resmi terisi dan lolos audit. Hasil akan dilaporkan dalam urutan deskriptif, fragmentasi, DFM, abnormal outflow, connectedness, dan validasi model risiko.

4.2. Bukti Minimum untuk Klaim Digital

Kenaikan BI-FAST hanya membuktikan peningkatan mobilitas transaksi digital. Bukti risiko digital deposit flight memerlukan sekurang-kurangnya tiga kondisi: DFM meningkat, tekanan pendanaan atau fragmentasi meningkat, dan kelompok bank mengalami residual DPK negatif yang material. Klaim lebih kuat membutuhkan data transfer keluar menurut bank atau KBMI serta frekuensi harian. Tanpa data tersebut, hasil disebut keterkaitan DFM dengan risiko abnormal outflow.

4.3. Pembacaan Connectedness dan Role Switching

TCI dibaca sebagai intensitas ketergantungan prediktif. Perubahan NET menunjukkan role switching hanya jika bertahan dan konsisten dengan NPDC. DFM yang menjadi net transmitter menuju FGAP atau DPK menunjukkan bahwa inovasi mobilitas digital membantu menjelaskan variasi pendanaan pada horizon model, bukan bahwa setiap transfer digital merupakan penarikan panik.

4.4. Keputusan Inferensi

Temuan utama membutuhkan konsistensi antara model inti 2015–2026 dan ekstensi digital 2022–2026, model tanpa dan dengan DFM, DIG1 dan DIG2, serta klasifikasi KBMI dinamis dan fixed cohort. Jika estimator tidak stabil akibat sampel pendek, hasil digital dilaporkan sebagai eksploratif dan model lebih sederhana menjadi acuan.

5. Kesimpulan dan Rekomendasi Kebijakan

5.1. Kesimpulan

Penelitian menawarkan kerangka untuk membedakan likuiditas agregat, fragmentasi pendanaan, mobilitas dana digital, dan abnormal deposit outflow. Kontribusi yang dapat dipertanggungjawabkan dengan sumber publik adalah pengujian apakah DFM berinteraksi dengan fragmentasi serta keterhubungan moneter–perbankan dalam menjelaskan risiko outflow abnormal. Identifikasi digital deposit flight langsung menunggu data arus digital kelompok bank yang lebih granular.

5.2. Implikasi bagi Lembaga Penjamin Simpanan dan Resolusi

Sistem peringatan dini dapat menempatkan DFM sebagai indikator lingkungan, bukan trigger tunggal. Alert yang lebih bermakna muncul ketika DFM, FRAG, FGAP, pelemahan LIQ, dan ADF bergerak bersama serta arah connectedness mendukung mekanisme ekonomi. Hasil diverifikasi dengan informasi pengawasan sebelum digunakan untuk eskalasi atau kesiapan resolusi.

5.3. Keterbatasan

Data publik BI-FAST bersifat agregat nasional, data DPK kelompok berfrekuensi bulanan tidak mengamati arus intrahari, dan 55 observasi membatasi dimensi TVP-VAR. Karena itu, penelitian tidak mengklaim kausalitas, tidak mengidentifikasi tujuan dana, dan tidak menyamakan aktivitas bank digital dengan deposit flight.

5.4. Tata Kelola Data dan Replikasi

Setiap observasi menyimpan source_id, halaman atau tabel, tanggal akses, vintage, definisi, dan status verifikasi. Perubahan format OJK dipetakan sebelum seri digabungkan. Nilai BI-FAST diperiksa terhadap lampiran SPIP dan laporan kebijakan; DPK serta kredit sistem direkonsiliasi dengan jumlah kelompok. Tidak ada interpolasi pada model utama.

Replikasi dilakukan dengan dua mode. Mode demo menjalankan seluruh pipeline pada data sintetis deterministik untuk memeriksa kode. Mode resmi hanya berjalan apabila seluruh variabel inti berstatus OFFICIAL_OBSERVED. Log estimasi mencatat spesifikasi, seed, prior, lag, horizon, checksum data, serta alasan pengeluaran observasi.

Dashboard akhir menampilkan TCI, TO, FROM, NET, NPDC, FRAG, FGAP, LIQ, DFM, dan ADF beserta kualitas data. Indikator digital selalu diberi label proksi apabila hanya menggunakan BI-FAST agregat. Label digital deposit flight aktual hanya digunakan setelah tersedia bukti arus digital keluar menurut kelompok bank.

5.5. Protokol Pembentukan Seri Digital Fund Mobility

Pengumpulan BI-FAST dilakukan dari lampiran SPIP setiap bulan, bukan dari angka yang dikutip ulang oleh media. Untuk setiap periode dicatat nilai transaksi, volume transaksi, satuan, status provisional atau final, serta tanggal publikasi. Angka nilai dinyatakan dalam miliar rupiah dan volume dalam juta transaksi agar skala konsisten. Apabila publikasi menyediakan pertumbuhan tanpa level, observasi tersebut tidak digunakan untuk merekonstruksi level kecuali tersedia titik dasar yang dapat diverifikasi. Perubahan cakupan peserta, batas nominal transaksi, atau klasifikasi instrumen dicatat sebagai break metadata.

DIG1 dan DIG2 dihitung setelah level nominal serta volume diurutkan secara kronologis. Transformasi log-difference dipilih karena pertumbuhan ekosistem pembayaran menghasilkan tren yang kuat dan varians yang meningkat. Sebelum standardisasi, kedua seri diperiksa terhadap outlier kalender seperti Idulfitri, akhir tahun, hari kerja, dan gangguan layanan. Outlier tidak dihapus secara otomatis. Model utama mempertahankan observasi aktual, sedangkan robustness menggunakan winsorization terbatas atau dummy peristiwa agar hasil tidak bergantung pada satu bulan ekstrem.

Indeks DFM dibentuk dari rata-rata skor baku DIG1 dan DIG2 dengan parameter standardisasi yang dihitung hanya pada sampel estimasi. Cara ini mencegah informasi masa depan masuk ke evaluasi pseudo-out-of-sample. Karena nilai dan volume dapat bergerak berbeda, artikel juga melaporkan hasil keduanya secara terpisah. Kenaikan nilai dengan volume yang stabil dapat mencerminkan transaksi berukuran lebih besar, sedangkan kenaikan volume dengan nilai rata-rata yang menurun dapat mencerminkan perluasan penggunaan ritel. Perbedaan tersebut penting bagi interpretasi mekanisme mobilitas dana.

5.6. Protokol Panel KBMI dan Fragmentasi Pendanaan

Panel KBMI dibentuk dari nilai nominal DPK, kredit, dan aset likuid sebelum rasio serta pertumbuhan dihitung. Pertumbuhan kelompok tidak diperoleh dengan merata-ratakan pertumbuhan bank karena cara tersebut memberi bobot sama pada bank kecil dan besar. Nilai bank diagregasikan berdasarkan klasifikasi yang berlaku pada bulan tersebut, kemudian pertumbuhan tahunan dihitung dari total kelompok. Rekonsiliasi dilakukan dengan membandingkan jumlah KBMI terhadap angka sistem. Selisih harus dijelaskan oleh cakupan, pembulatan, cabang bank asing, bank syariah, atau perubahan publikasi.

Klasifikasi dinamis diperlukan karena modal inti, merger, akuisisi, dan konsolidasi dapat memindahkan bank antar-KBMI. Tanpa histori klasifikasi, masuknya bank besar ke suatu kelompok dapat menghasilkan lonjakan DPK yang keliru dibaca sebagai flight to quality. Model utama memakai keanggotaan periode berjalan karena mencerminkan struktur industri aktual. Dua fixed cohort—berdasarkan posisi awal dan akhir sampel—digunakan untuk menguji apakah FRAG, FGAP, dan connectedness tetap menunjukkan pola serupa ketika komposisi kelompok dibekukan.

FRAG merupakan indikator dispersi, bukan diagnosis krisis. Nilai tinggi dapat muncul karena satu kelompok menjalankan strategi ekspansi deposito, perubahan suku bunga khusus, atau base effect. Oleh karena itu, episode fragmentasi substantif mensyaratkan koherensi sedikitnya tiga dimensi: dispersi pertumbuhan DPK meningkat, funding gap kelompok pengirim membesar, dan buffer likuiditas melemah atau biaya dana meningkat. Perubahan pangsa DPK digunakan untuk membedakan perbedaan laju pertumbuhan dari realokasi posisi di dalam sistem.

5.7. Estimasi Expected Deposit Movement

Model expected deposit movement berfungsi membangun counterfactual statistik mengenai pertumbuhan DPK yang masih normal. Spesifikasi awal memuat satu lag pertumbuhan DPK, pertumbuhan kredit, suku bunga kebijakan, perbedaan suku bunga simpanan bila tersedia, dan dummy bulan. Model diperluas secara terbatas dengan FX, kegiatan ekonomi, atau tren apabila diagnostik menunjukkan kebutuhan. Dengan sampel pendek, pemilihan variabel didasarkan pada mekanisme dan kemampuan prediksi, bukan pencarian signifikansi yang berulang.

Residual negatif belum otomatis menjadi abnormal outflow. Kandidat ADF harus melampaui ambang persentil bawah yang ditetapkan sebelum hasil utama dibaca, bertepatan dengan penurunan DPK nominal, dan memperoleh konfirmasi dari persistensi atau pelemahan likuiditas. Ambang alternatif menggunakan z-score rolling dan quantile regression. Jika model expected flow menghasilkan residual yang berkorelasi kuat atau tidak stabil, definisi abnormal ditahan dan penelitian melaporkan downside surprise tanpa mengubahnya menjadi indikator biner.

Penggunaan istilah ADF dalam artikel merujuk pada abnormal deposit flow, bukan Augmented Dickey–Fuller. Untuk menghindari ambiguitas pada tabel dan kode, uji akar unit selalu ditulis ADF-test, sedangkan outcome ditulis ADO atau ADFLOW dalam dataset final. Penamaan tersebut diperiksa sebelum publikasi agar pembaca tidak mencampurkan prosedur stasioneritas dengan indikator outflow.

5.8. Parsimoni TVP VAR dan Identifikasi Network

Jendela digital hanya memiliki 55 observasi sebelum kehilangan data akibat lag. Karena itu, model utama tidak memasukkan RATE, FX, SBN, DFM, FGAP, LIQ, FRAG, seluruh DPK KBMI, dan ADF secara bersamaan. Sistem lima node RATE–FX–DFM–FGAP–DPK menjadi baseline. SBN menggantikan FX atau RATE pada model New Monetary Trinity alternatif, sedangkan LIQ atau FRAG menggantikan FGAP untuk robustness. Pemisahan spesifikasi menjaga rasio observasi terhadap parameter dan mengurangi ketergantungan hasil pada prior.

Horizon enam bulan mencerminkan kebutuhan mendeteksi transmisi jangka pendek tanpa memanjangkan proyeksi melampaui informasi sampel. Horizon tiga dan dua belas bulan digunakan sebagai sensitivitas. Lag utama satu dipilih untuk parsimoni dan dibandingkan dengan lag dua jika diagnostik memungkinkan. Prior TVP-VAR, forgetting factor, dan shrinkage dicatat secara lengkap. Apabila posterior atau lintasan parameter tidak stabil, rolling-window VAR-DY dipakai sebagai benchmark dan kesimpulan dibatasi pada pola yang konsisten.

NPDC antara DFM dan FGAP menunjukkan arah bersih kontribusi forecast error pada horizon tertentu. Nilai positif dari DFM menuju FGAP berarti inovasi DFM relatif lebih banyak menjelaskan variasi prediktif FGAP dibanding arah sebaliknya. Ukuran itu tidak menunjukkan jumlah rupiah yang berpindah dan tidak mengidentifikasi bank asal atau tujuan. Interpretasi substantif membutuhkan kronologi, perubahan DPK, FRAG, LIQ, serta robustness terhadap DIG1 dan DIG2.

5.9. Pengujian Risiko dan Rare Events

Tahap risiko membandingkan model tanpa dan dengan DFM. Nilai tambah digital dinilai dari perbaikan log-likelihood, AIC/BIC, area under the curve, calibration, atau predictive score, bukan hanya signifikansi satu koefisien. Interaksi DFM×FGAP menguji apakah hubungan mobilitas digital dengan outflow abnormal lebih kuat ketika kerentanan pendanaan meningkat. Marginal effect dilaporkan pada beberapa tingkat FGAP karena koefisien interaksi logit tidak dapat dibaca secara langsung sebagai perubahan probabilitas yang konstan.

Jumlah kandidat abnormal outflow mungkin sangat sedikit. Sebelum regresi, penelitian menghitung event per parameter dan distribusi event menurut waktu serta KBMI. Jika terjadi separation atau jumlah event tidak memadai, Firth logit atau penalized logit dapat digunakan sebagai analisis tambahan. Namun, estimator tidak dipakai untuk menutupi ketiadaan variasi. Dalam kondisi tersebut, hasil utama dibatasi pada connectedness, event study deskriptif, dan indeks risiko komposit yang transparan.

5.10. Validasi Episode dan Structural Break

Event registry disusun sebelum grafik connectedness ditafsirkan. Registry memuat perubahan suku bunga, tekanan rupiah, repricing SBN, peluncuran instrumen moneter, perubahan batas BI-FAST, gangguan sistem pembayaran, merger bank, serta perubahan klasifikasi KBMI. Peristiwa tidak otomatis diberi label krisis. Fungsinya adalah memeriksa apakah lonjakan TCI atau role switching memiliki kronologi ekonomi yang masuk akal dan bukan artefak perubahan definisi.

Perubahan format statistik OJK pada 2025 diperlakukan sebagai risiko structural break administratif. Seri sebelum dan setelah migrasi dibandingkan pada periode overlap apabila tersedia. Definisi, satuan, dan cakupan ditelusuri ke katalog dataset. Jika tidak ada overlap yang memadai, model memasukkan dummy break atau menggunakan subperiode. Seri tidak disambung hanya karena memiliki nama variabel yang sama.

5.11. Implikasi Kebijakan yang Proporsional

DFM berguna sebagai indikator lingkungan kecepatan transfer, bukan indikator kesehatan bank. Alert tidak dipicu oleh lonjakan BI-FAST saja. Sinyal memperoleh prioritas ketika kenaikan DFM bertepatan dengan FRAG yang melebar, FGAP positif, penurunan LIQ, residual DPK negatif, dan hubungan NPDC yang konsisten. Kerangka berlapis ini mengurangi false positive pada periode transaksi musiman yang tinggi serta mengarahkan pendalaman pada kombinasi kondisi yang memiliki mekanisme ekonomi.

Implementasi awal dilakukan melalui shadow exercise. Model dijalankan tanpa memengaruhi keputusan operasional, kemudian false positive dan false negative dibandingkan dengan penilaian ahli. Setiap alert memiliki tanggal mulai, data vintage, variabel pemicu, reviewer, hasil verifikasi, dan tanggal penutupan. Override memerlukan alasan tertulis. Model dihentikan atau dikalibrasi ulang ketika definisi BI-FAST, struktur KBMI, atau cakupan data perbankan berubah material.

Dengan tata kelola tersebut, judul digital deposit flight tetap dapat dipertahankan sebagai arah riset karena artikel secara eksplisit menguji risiko akselerasi digital. Namun, bahasa kesimpulan mengikuti kekuatan data. Sumber publik hanya mendukung pernyataan mengenai keterkaitan DFM dengan risiko abnormal outflow. Pernyataan bahwa dana benar-benar keluar melalui kanal digital dari KBMI tertentu menunggu data transaksi yang lebih granular dan terlindungi.

5.12. Interpretasi Perbedaan Frekuensi

Data bulanan dipilih karena merupakan frekuensi bersama yang paling mungkin diperoleh secara konsisten untuk moneter, perbankan, dan sistem pembayaran. Pilihan ini memungkinkan pengujian jaringan sepanjang 55 bulan era BI-FAST, tetapi tidak merekam lintasan tekanan di dalam bulan. Penarikan besar pada awal bulan yang dipulihkan sebelum akhir bulan dapat menghasilkan perubahan DPK akhir periode yang kecil. Demikian pula, volume BI-FAST bulanan tidak menunjukkan apakah transaksi terkonsentrasi dalam beberapa hari atau tersebar merata.

Konsekuensinya, kata “kecepatan” hanya dipakai untuk menjelaskan mekanisme teoretis digitalisasi, bukan sebagai variabel yang telah diukur langsung. Analisis empiris bulanan menilai perubahan intensitas hubungan, bukan durasi penarikan dalam jam atau hari. Jika data harian tersedia, indikator lanjutan dapat mencakup maximum cumulative outflow, hari menuju puncak penarikan, gross outflow sebelum inflow pemulihan, dan rasio arus keluar digital terhadap saldo awal. Ukuran tersebut akan memberikan pengujian akselerasi yang lebih dekat dengan definisi digital deposit flight.

5.13. Pemisahan Bank Digital dan Kanal Digital

Bank berorientasi digital tidak disamakan dengan kanal digital. Bank konvensional besar dapat memiliki volume transaksi digital yang sangat tinggi, sedangkan bank yang dipasarkan sebagai bank digital dapat memiliki struktur deposan yang berbeda. Karena itu, digital orientation dipakai sebagai karakteristik heterogenitas, sementara DFM tetap diukur pada tingkat sistem. Perbandingan bank digital dan non-digital hanya dilakukan apabila definisi, tanggal transformasi model bisnis, dan cakupan observasi dapat dikunci secara konsisten.

Analisis heterogenitas dapat membandingkan sensitivitas pertumbuhan DPK terhadap DFM dan shock moneter, tetapi tidak boleh menyimpulkan bahwa kelompok yang lebih sensitif mengalami run digital. Bukti tambahan memerlukan kesesuaian arah dengan ADFLOW, perubahan pangsa simpanan, likuiditas, dan informasi peristiwa. Identitas bank tidak dipublikasikan apabila data berasal dari lingkungan pengawasan atau perjanjian akses terbatas.

5.14. Strategi Pengembangan Data Granular

Pengembangan tahap berikutnya memerlukan struktur data bank–hari atau bank–jam yang memuat saldo awal, transfer keluar digital, transfer masuk digital, penarikan tunai, jenis deposan, ukuran rekening, mata uang, status penjaminan, dan kanal transaksi. Data tersebut memungkinkan pemisahan gross outflow, net outflow, reallocation, dan perpindahan di dalam kelompok usaha. Akses dilakukan melalui lingkungan aman, prinsip minimisasi data, pseudonimisasi, dan keluaran agregat agar kerahasiaan deposan serta bank tetap terlindungi.

Dengan data granular, TVP-VAR-DY bulanan tidak perlu ditinggalkan. Model bulanan tetap menjelaskan lingkungan makro dan perubahan jaringan kelompok, sedangkan analisis frekuensi tinggi menjelaskan percepatan episode tertentu. Hubungan kedua lapisan dapat diuji melalui event study, local projections, survival analysis, atau hazard model terhadap waktu penarikan. Desain bertingkat tersebut mengubah digital deposit flight dari risiko yang diproksi menjadi mekanisme yang dapat diamati lebih langsung.

5.15. Urutan Pelaporan Temuan

Pelaporan empiris dimulai dari audit kelengkapan data dan tidak langsung menampilkan network. Tabel pertama menyajikan cakupan bulan, missingness, perubahan definisi, dan hasil rekonsiliasi. Tabel kedua menunjukkan statistik deskriptif DFM, pertumbuhan DPK, FGAP, FRAG, dan LIQ. Grafik berikutnya membandingkan likuiditas agregat dengan dispersi KBMI agar pembaca dapat menilai apakah fragmentasi muncul ketika sistem terlihat likuid. Setelah itu baru ditampilkan expected DPK, residual ADFLOW, dan episode yang memenuhi kriteria kandidat abnormal.

Keluaran TVP-VAR disajikan dalam urutan TCI, TO/FROM, NET, dan NPDC. TCI menunjukkan kapan sistem lebih saling terhubung, tetapi tidak mengidentifikasi sumbernya. TO dan FROM memberi konteks arah, sedangkan NET menunjukkan perubahan peran. NPDC DFM–FGAP dan DFM–DPK kemudian diperiksa pada episode FRAG tinggi dan ADFLOW negatif. Urutan ini mencegah satu grafik connectedness digunakan untuk membuat klaim yang tidak didukung outcome simpanan.

Bagian akhir membandingkan spesifikasi tanpa dan dengan DFM. Digital mechanism memperoleh dukungan apabila penambahan DFM memperbaiki performa model, hubungan pasangan memiliki arah yang konsisten, dan episode yang sama terlihat pada indikator pendanaan. Apabila hasil digital sensitif terhadap proksi atau prior, artikel menyimpulkan bahwa mobilitas digital belum memberikan bukti tambahan yang kuat. Pelaporan hasil nol atau tidak stabil merupakan bagian dari integritas desain, bukan kegagalan penelitian.

Setiap kesimpulan diberi tingkat kekuatan bukti. Tingkat pertama menunjukkan ko-movement deskriptif; tingkat kedua menunjukkan connectedness prediktif yang robust; tingkat ketiga menunjukkan keterkaitan dengan abnormal outflow; dan tingkat keempat memerlukan data digital per bank untuk identifikasi langsung. Hirarki ini menjaga agar rekomendasi kelembagaan selalu sebanding dengan granularitas data, kualitas estimasi, serta batas inferensi yang benar-benar dicapai. Seluruh tingkatan dilaporkan secara terbuka dan konsisten.

LPS CFR 2026