Model Kelahiran-Kematian: Menjelaskan Mekanisme Revisi Penggajian

Pada pukul 08:30 Waktu Timur pada Jumat pertama setiap bulan, pasar keuangan bersiap untuk laporan nonfarm payroll (NFP) AS. Deviasi hanya 50.000 pekerjaan dari perkiraan konsensus dapat memicu reaksi segera dan kuat di seluruh kelas aset. Futures ekuitas mungkin berayun 0,5%, indeks dolar bisa bergerak 30 basis points, dan imbal hasil Treasury dua tahun mungkin mengalami repricing 5-10 basis points dalam hitungan menit. Reaksi-reaksi ini didasarkan pada angka yang secara inheren tidak lengkap pada saat publikasi pertamanya.Bureau of Labor Statistics (BLS), lembaga yang bertanggung jawab untuk menyusun data krusial ini, beroperasi di bawah kendala signifikan: menghitung pekerjaan secara akurat dalam ekonomi yang dinamis. Sumber utama untuk angka NFP adalah program Current Employment Statistics (CES), sebuah survei pendirian yang mengumpulkan data dari sekitar 122.000 bisnis dan lembaga pemerintah. Survei ini mencakup sekitar sepertiga dari total pekerjaan non-pertanian, yang berarti sekitar 697.000 lokasi kerja individu. Terlepas dari cakupannya, survei CES tidak dapat secara instan menangkap dinamika pekerjaan dari bisnis yang baru dibentuk atau yang baru saja berhenti beroperasi.Di sinilah konsep 'data yang tertinggal' menjadi krusial. Pembentukan dan penutupan bisnis adalah proses yang berkelanjutan. Sebuah startup baru yang mempekerjakan lima orang bulan ini tidak akan segera diidentifikasi dan dimasukkan dalam sampel survei CES. Demikian pula, bisnis kecil yang menutup pintunya mungkin tidak segera dihapus dari survei. Perubahan yang tidak terdeteksi ini mewakili celah dalam data pekerjaan real-time yang harus diatasi BLS untuk menyajikan estimasi bulanan yang kredibel. Kegagalan untuk memperhitungkan pergeseran ini akan menyebabkan penghitungan pekerjaan yang secara sistematis kurang atau lebih, membuat laporan NFP kurang berguna bagi pembuat kebijakan dan pelaku pasar.

Untuk menjembatani kesenjangan informasi mengenai bisnis baru dan yang menghilang, BLS menggunakan apa yang disebut 'Model Kelahiran-Kematian'. Model ini adalah estimasi statistik yang dirancang untuk memperhitungkan perubahan bersih pekerjaan dari kelahiran bisnis (startup) dan kematian (penutupan) yang terlalu baru atau terlalu kecil untuk ditangkap oleh sampel survei CES bulanan rutin. Tanpa penyesuaian ini, angka NFP akan secara sistematis meremehkan penciptaan lapangan kerja selama periode ekspansi ekonomi dan melebih-lebihkan kehilangan pekerjaan selama kontraksi, khususnya di antara perusahaan-perusahaan kecil.Model ini bukan hitungan real-time tetapi proyeksi berdasarkan tren historis. Model ini memperkirakan perubahan bersih dalam pekerjaan dari bisnis-bisnis yang tidak dapat diidentifikasi ini. Misalnya, jika data historis menunjukkan bahwa selama bulan tertentu dalam industri tertentu, rata-rata 10.000 pekerjaan diciptakan oleh bisnis baru sementara 5.000 hilang karena penutupan, model akan menambahkan net positif 5.000 pekerjaan ke perhitungan NFP untuk bulan itu, disesuaikan dengan musiman dan kondisi ekonomi saat ini. Ini adalah estimasi yang berorientasi ke depan, artinya model ini mencoba memprediksi apa yang akan terjadi berdasarkan pola masa lalu.Penting untuk dipahami bahwa Model Kelahiran-Kematian menyumbangkan bagian yang substansial, meskipun diestimasi, terhadap angka NFP keseluruhan. Misalnya, selama periode pertumbuhan yang kuat, model mungkin menyumbangkan net positif 50.000 hingga 100.000 pekerjaan ke angka NFP utama. Namun, selama resesi, model mungkin mengurangi pekerjaan. Kontribusi signifikan ini berarti akurasi model, atau ketiadaannya, secara langsung memengaruhi persepsi pasar awal tentang kesehatan pasar tenaga kerja AS.

Model Birth-Death BLS beroperasi dengan algoritma canggih yang mengintegrasikan beberapa titik data untuk menghasilkan estimasi bulanannya. Input inti berasal dari data historis yang diturunkan dari Quarterly Census of Employment and Wages (QCEW), yang merupakan catatan administratif ekstensif dari hampir semua bisnis AS. QCEW menyediakan hitungan pekerjaan yang hampir universal, tetapi tertinggal dari aktivitas ekonomi saat ini selama beberapa bulan. BLS menggunakan data QCEW historis ini untuk mengamati pola pembentukan dan penutupan bisnis di berbagai industri dan ukuran perusahaan.Model ini mempertimbangkan beberapa faktor:1. Faktor Musiman: Ini memperhitungkan pola musiman yang dapat diprediksi dalam kelahiran dan kematian bisnis, seperti peningkatan pembukaan ritel sebelum liburan atau penutupan perusahaan konstruksi di musim dingin.2. Rata-Rata Historis: Ini menetapkan perubahan bersih rata-rata pekerjaan dari peristiwa kelahiran-kematian untuk bulan dan industri tertentu selama beberapa tahun.3. Penyesuaian Tren: Model ini terus disempurnakan untuk mencerminkan perubahan kondisi ekonomi, meskipun penyempurnaan ini tidak instan. Misalnya, jika ekonomi bergeser ke resesi, rata-rata historis model mungkin awalnya melebih-lebihkan penciptaan lapangan kerja dari kelahiran, menyebabkan revisi ke bawah berikutnya.Setiap bulan, model menghitung estimasi untuk penambahan pekerjaan dari kelahiran bisnis dan kehilangan pekerjaan dari kematian bisnis. Kedua komponen ini kemudian di-netting untuk menghasilkan satu 'penyesuaian net kelahiran-kematian' yang ditambahkan ke hitungan pekerjaan yang berasal dari survei CES. Penyesuaian ini bukan angka tetap; ini bervariasi setiap bulan dan siklus ekonomi. Misalnya, Januari yang kuat mungkin melihat kontribusi kelahiran-kematian positif yang mencerminkan perekrutan pasca-liburan dan startup tahun baru, sementara Agustus yang lesu dapat melihat kontribusi yang lebih kecil atau bahkan negatif. Ini adalah bagian yang dilewati sebagian besar panduan: angka sebenarnya didasarkan pada pola historis yang mendalam, bukan pergeseran ekonomi langsung. Ini sering berarti model tertinggal dalam mengenali titik balik.Tabel di bawah ini mengilustrasikan bagaimana penyesuaian net Birth-Death dapat berfluktuasi setiap bulan, berdasarkan pengamatan historis dan pola musiman. Ini adalah nilai hipotetis, tetapi mereka mewakili skala penyesuaian yang disumbangkan model ke angka NFP total.

Penyesuaian Net Kelahiran-Kematian Bulanan Hipotetis

Inti dari laporan nonfarm payroll adalah program Current Employment Statistics (CES), survei bulanan ekstensif yang dilakukan oleh BLS. Program ini mengumpulkan data dari sampel sekitar 122.000 bisnis dan lembaga pemerintah di seluruh sektor non-pertanian di Amerika Serikat. Lembaga-lembaga ini melaporkan data ketenagakerjaan penggajian, jam kerja, dan pendapatan karyawan mereka.Survei CES dirancang untuk menangkap porsi signifikan dari angkatan kerja, memastikan sampel yang valid secara statistik. Pengumpulan data biasanya dilakukan selama minggu yang mencakup tanggal 12 setiap bulan. Respons survei dikumpulkan melalui berbagai metode, termasuk surat, telepon, dan pengiriman elektronik. BLS kemudian memproses data mentah ini, menyesuaikannya untuk non-respons dan variabilitas sampling guna menghasilkan estimasi awal perubahan ketenagakerjaan.Meskipun CES menyediakan sebagian besar angka NFP, metodologinya secara inheren melewatkan segmen ekonomi tertentu. Secara spesifik, CES tidak dapat segera memperhitungkan dampak ketenagakerjaan dari bisnis yang baru saja dibuka atau ditutup. Misalnya, bisnis kecil yang baru mungkin membutuhkan beberapa bulan untuk diidentifikasi dan dimasukkan ke dalam kerangka sampling BLS. Keterlambatan ini persis mengapa Birth-Death Model menjadi komponen yang sangat diperlukan dalam perhitungan NFP awal, memberikan perkiraan terdidik di mana data survei langsung tidak tersedia.

Meskipun survei CES dan Birth-Death Model memberikan estimasi tepat waktu, otoritas tertinggi pada angka ketenagakerjaan AS adalah Quarterly Census of Employment and Wages (QCEW). Ini bukan survei sampel, melainkan penghitungan data ketenagakerjaan dan upah yang hampir lengkap untuk pekerja yang dicakup oleh undang-undang Asuransi Pengangguran (UI) negara bagian dan untuk pekerja federal. Data QCEW berasal dari catatan administratif yang diserahkan oleh sekitar 11,2 juta perusahaan, mewakili lebih dari 95% ketenagakerjaan AS. Ini adalah yang paling mendekati sensus penuh pekerjaan penggajian.Perbedaan krusial antara QCEW dan CES terletak pada waktu dan cakupannya. CES adalah survei cepat berbasis sampel yang memberikan estimasi singkat. Sebaliknya, QCEW adalah enumerasi yang cermat dan hampir lengkap, namun datang dengan jeda waktu yang signifikan. Data QCEW untuk kuartal tertentu biasanya tersedia dengan penundaan sekitar lima hingga enam bulan. Sebagai contoh, data QCEW untuk kuartal pertama (Januari-Maret) baru akan diselesaikan dan tersedia pada akhir Agustus atau awal September.Keterlambatan ini menciptakan kebutuhan akan proses revisi NFP. BLS menggunakan data QCEW sebagai 'patokan' untuk mengoreksi dan memperbarui estimasi CES. Setiap tahun, biasanya pada bulan Februari, BLS merilis revisi patokan tahunannya, mengaitkan kembali seri CES dengan data QCEW yang lebih akurat. Proses ini memperhitungkan perubahan ketenagakerjaan pada bisnis yang tidak tertangkap secara memadai oleh sampel CES atau tidak diestimasi secara tepat oleh Birth-Death Model selama tahun sebelumnya. Tanpa kalibrasi ulang tahunan yang ketat terhadap data QCEW ini, seri NFP akan menyimpang secara signifikan dari kondisi ketenagakerjaan yang sebenarnya seiring waktu.

Angka NFP yang dirilis pada Jumat pertama setiap bulan hanyalah angka awal. Ini mengalami proses revisi bertahap dan terstruktur yang dirancang untuk memasukkan data yang lebih lengkap seiring ketersediaannya. Memahami tahapan-tahapan ini sangat penting untuk menafsirkan lintasan sebenarnya dari pasar tenaga kerja. Revisi Pertama: Satu bulan setelah rilis awal, BLS menerbitkan angka 'revisi pertama'. Revisi ini memasukkan tanggapan survei tambahan dari bisnis yang melaporkan terlalu lambat untuk estimasi awal. Biasanya, sekitar 80% data survei CES terkumpul pada saat rilis awal. Revisi pertama menangkap 10-15% tanggapan lainnya, menghasilkan gambaran yang lebih lengkap, meskipun belum final. Sebagai contoh, jika NFP awal untuk Januari adalah 200.000, laporan Februari akan menyertakan angka Januari yang direvisi, yang mungkin 185.000 atau 215.000. Revisi Kedua: Dua bulan setelah rilis awal, angka 'revisi kedua' diterbitkan. Ini biasanya memasukkan sisa tanggapan survei yang terlambat dan lebih lanjut menyempurnakan estimasi. Pada tahap ini, data jauh lebih lengkap dibandingkan rilis awal, dengan hampir 98% tanggapan survei termasuk di dalamnya. Jarang sekali revisi kedua mengubah narasi secara signifikan seperti revisi pertama, tetapi tetap dapat menggeser sentimen pasar jika perubahannya substansial. Revisi Benchmark Tahunan: Ini adalah revisi paling signifikan, terjadi setiap tahun pada bulan Februari. BLS kembali mengaitkan seri pekerjaan CES dengan data QCEW yang jauh lebih rinci, yang tersedia dengan jeda beberapa bulan. Revisi benchmark ini dapat menyesuaikan tingkat pekerjaan sebelumnya untuk seluruh tahun sebelumnya, terkadang hingga ratusan ribu pekerjaan. Sebagai contoh, revisi benchmark tahun 2023, yang dirilis pada Februari 2024, menunjukkan penyesuaian naik bersih sebesar 258.000 pekerjaan untuk Maret 2023. Penyesuaian ini mencerminkan dampak bersih sebenarnya dari kelahiran dan kematian bisnis yang awalnya diperkirakan oleh model Birth-Death. Bagi trader, revisi benchmark tahunan dapat secara dramatis mengubah persepsi kekuatan atau kelemahan ekonomi masa lalu, berpotensi menyebabkan evaluasi ulang ekspektasi kebijakan moneter. Revisi ini bukan sekadar keanehan statistik; ini adalah metode BLS untuk beralih dari estimasi awal ke penghitungan yang lebih tepat, mengakui kesulitan inheren dalam pengumpulan data real-time di ekonomi yang dinamis. Tabel di bawah ini menunjukkan urutan hipotetis data NFP, menggambarkan bagaimana revisi dapat mengubah gambaran awal.

Urutan Revisi NFP Hipotetis

Proses revisi multi-tahap untuk nonfarm payrolls menciptakan tantangan persisten bagi pelaku pasar. Angka NFP awal memicu volatilitas pasar segera, memengaruhi segalanya mulai dari strategi trading jangka pendek hingga keputusan investasi jangka panjang. Namun, reaksi awal ini didasarkan pada data yang tidak lengkap, termasuk estimasi dari model Birth-Death. Ini berarti pelaku pasar seringkali bertransaksi berdasarkan angka yang ditakdirkan untuk berubah.Pertimbangkan skenario di mana rilis NFP awal mencapai 300.000 pekerjaan yang sangat tinggi, melebihi ekspektasi analis sebesar 200.000. Ini dapat memicu reli dolar yang kuat dan aksi jual tajam pada obligasi, karena trader memperhitungkan jalur kebijakan Federal Reserve yang lebih agresif. Namun, sebulan kemudian, angka 300.000 itu bisa direvisi turun menjadi 220.000. Meskipun pasar mungkin tidak bereaksi dengan keganasan yang sama seperti rilis awal, penyesuaian berkelanjutan dapat terjadi, mengurai beberapa transaksi bulan sebelumnya. Ini menyoroti kebutuhan akan pendekatan yang cermat terhadap data NFP.Trader dan analis berpengalaman menyadari bahwa revisi adalah fitur reguler dari laporan NFP. Mereka seringkali memberikan perhatian tidak hanya pada angka headline, tetapi juga pada revisi bulan-bulan sebelumnya. Revisi turun yang signifikan pada laporan kuat sebelumnya, bahkan jika angka bulan berjalan tampak kuat, dapat mengisyaratkan kelemahan mendasar yang mungkin pada akhirnya diperhitungkan pasar. Revisi naik, bagaimanapun, dapat memperkuat narasi pasar tenaga kerja yang kuat. Mengabaikan revisi berarti bertransaksi berdasarkan informasi yang berpotensi usang atau tidak akurat. Fenomena 'whisper number', di mana estimasi tidak resmi beredar sebelum rilis, seringkali sangat berfokus pada angka baru, tetapi desk cerdas juga memodelkan potensi revisi.

Meskipun diperlukan, model Birth-Death tidak luput dari kritik. Kekhawatiran utama berpusat pada desain inherennya: model ini mengandalkan hubungan historis dan pola musiman untuk memperkirakan aktivitas ekonomi saat ini. Ketergantungan ini menjadi kelemahan signifikan selama titik balik ekonomi, seperti awal atau pemulihan dari resesi.Ketika ekonomi bergeser dengan cepat, rata-rata historis model dapat menjadi usang. Misalnya, pada awal resesi, kematian bisnis meningkat dan kelahiran melambat secara dramatis. Namun, model Birth-Death, yang masih beroperasi berdasarkan pola historis sebelumnya yang lebih optimis, mungkin terus memproyeksikan kontribusi pekerjaan positif bersih dari bisnis baru, sehingga melebih-lebihkan pertumbuhan pekerjaan dalam laporan NFP awal. Ini menciptakan 'bias pro-siklikal,' yang berarti model cenderung melebih-lebihkan tren ekonomi: melebih-lebihkan pertumbuhan ketika ekonomi baik dan meremehkan kerugian ketika buruk.Namun, selama tahap awal pemulihan, ketika pembentukan bisnis baru mungkin melonjak, ketergantungan model pada rata-rata historis yang rendah dapat menyebabkan model meremehkan penciptaan lapangan kerja, sehingga meremehkan kekuatan sejati pasar tenaga kerja. Keterlambatan dalam kemampuan model untuk beradaptasi dengan realitas ekonomi yang berubah ini sering disebut sebagai alasan untuk revisi benchmark besar, terutama setelah periode gangguan ekonomi yang signifikan seperti krisis keuangan 2008 atau pandemi COVID-19. Model ini adalah instrumen kasar yang mencoba memperkirakan realitas mikro-ekonomi yang terus berkembang, dan keterbatasannya didokumentasikan dengan baik oleh para ekonom. Keterlambatan inheren ini berarti bahwa model hampir selalu 'salah' pada saat titik balik pasar terjadi.

Bagi pelaku pasar, berhasil menafsirkan rilis NFP membutuhkan lebih dari sekadar bereaksi terhadap angka headline. Ini menuntut pemahaman tentang proses revisi dan keterbatasan model Birth-Death. Langkah pertama melibatkan pengakuan NFP awal sebagai estimasi, bukan kebenaran definitif. Revisi selanjutnya, terutama benchmark tahunan, menawarkan representasi yang lebih akurat dari kondisi pasar tenaga kerja di masa lalu, yang dapat membentuk kembali narasi ekonomi.Trader sering menggunakan strategi yang mempertimbangkan kemungkinan revisi. Salah satu pendekatan adalah meredam reaksi instan terhadap kejutan NFP yang ekstrem, terutama jika angka tersebut jauh di luar kisaran yang diharapkan. Kejutan positif yang besar mungkin awalnya memicu reli, tetapi jika kejutan itu sebagian besar didorong oleh penyesuaian Birth-Death yang luar biasa tinggi, trader yang bijaksana mungkin mengantisipasi revisi turun di masa depan dan menyesuaikan posisi mereka sesuai. Revisi naik yang konsisten pada data bulan-bulan sebelumnya, bagaimanapun, dapat mengisyaratkan tren mendasar yang lebih kuat daripada yang disarankan oleh angka headline individual, mendorong sikap bullish pada pertumbuhan dan berpotensi suku bunga.Aplikasi praktis lainnya melibatkan pelacakan revisi itu sendiri. Arah dan besaran revisi dapat memberikan petunjuk tentang bias model saat ini. Jika BLS secara konsisten merevisi angka NFP bulan-bulan sebelumnya ke bawah, ini mungkin menunjukkan bahwa model Birth-Death melebih-lebihkan penciptaan lapangan kerja, menyarankan kehati-hatian untuk rilis awal di masa mendatang. Revisi naik, di sisi lain, dapat mengisyaratkan kekuatan mendasar. Trader dapat memanfaatkan data dari sumber seperti US Bureau of Labor Statistics — Employment Situation dan FRED — 10-Year Treasury constant maturity untuk melacak tren ini dan potensi dampaknya pada pasar pendapatan tetap. Memperhatikan konteks revisi, terutama konsistensinya selama beberapa bulan, dapat memberikan keunggulan informasi yang signifikan dibandingkan mereka yang hanya berfokus pada angka headline awal yang seringkali singkat.

Laporan nonfarm payroll bulanan, dengan segala nuansa dan revisinya, tetap menjadi salah satu indikator ekonomi yang paling diawasi secara global. Pengaruhnya terhadap kebijakan moneter, kepercayaan investor, dan perilaku konsumen sangat mendalam. Model Birth-Death, meskipun tidak sempurna, adalah alat statistik yang diperlukan yang memungkinkan BLS untuk memberikan pandangan yang tepat waktu, meskipun estimasi, tentang pasar tenaga kerja AS yang dinamis, menjembatani kesenjangan yang ditinggalkan oleh keterlambatan inheren dalam pengumpulan data.Meskipun ketergantungan model pada rata-rata historis dapat menyebabkan kesalahan penilaian selama pergeseran ekonomi, proses benchmarking tahunan yang efektif, memanfaatkan Quarterly Census of Employment and Wages (QCEW), pada akhirnya mengoreksi estimasi awal ini. Siklus estimasi, revisi, dan benchmarking yang berkelanjutan ini adalah komitmen BLS untuk menyajikan gambaran seakurat mungkin, bahkan jika gambaran itu berkembang seiring waktu. Memahami proses ini memungkinkan interpretasi data yang lebih terinformasi, bergerak melampaui kejutan angka headline awal untuk memahami tren yang mendasari.Bagi pelaku pasar, pelajarannya jelas: perlakukan rilis NFP awal sebagai sinyal yang kuat, namun bersifat sementara. Berikan perhatian yang sama besar pada revisi bulan-bulan sebelumnya seperti pada angka headline bulan berjalan. Revisi ini bukan hanya koreksi statistik; ini adalah realisasi bertahap pasar tentang keadaan sebenarnya dari ketenagakerjaan, seringkali mengarah pada repricing aset yang lebih fundamental. Oleh karena itu, integrasikan pemahaman tentang model Birth-Death dan siklus revisi selanjutnya ke dalam kerangka analitis Anda untuk menghindari terkejut oleh pergeseran narasi ekonomi.