30 III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan adalah data sekunder berupa time series bulanan periode Mei 2006 sampai dengan Desember 2010. Sumber data di dapat dari Statistik Ekonomi dan Perbankan Indonesia (SEKI), Statistik Perbankan Indonesia (SPI), Statistik Perbankan Syariah Bank Indonesia (SPSBI), Biro Pusat Statistik, dan Kementrian Koperasi dan Usaha Kecil Menengah. 3.2 Variabel dan Definisi Operasional Variabel-variabel yang digunakan dalam penelitian ini adalah: 1. SBIS adalah bonus Sertifikat Bank Indonesia Syariah (SBIS) yaitu bonus dari surat berharga berdasarkan prinsip syariah berjangka waktu pendek dalam mata uang rupiah yang diterbitkan oleh bank Indonesia. Data yang dipakai adalah data Bonus Sertifikat Bank Indonesia Syariah dan Sertifikat Wadiah Bank Indonesia periode bulanan dari Mei 2006 sampai dengan Desember 2010. 2. SBI adalah suku bunga SBI yaitu suku bunga dari surat berharga dalam mata uang rupiah yang diterbitkan oleh Bank Indonesia sebagai pengakuan utang berjangka waktu pendek. Data yang dipakai adalah suku bunga Sertifikat Bank Indonesia periode bulanan dari Mei 2006 sampai dengan Desember 2010. 3. PYD adalah pembiayaan UMKM perbankan syariah yaitu total pembiayaan yang diberikan kepada sektor UMKM oleh industri
31 perbankan syariah periode bulanan dari Mei 2006 sampai dengan Desember 2010. 4. CRD adalah kredit UMKM bank umum yaitu total kredit yang diberikan oleh industri perbankan konvensional kepada sektor UMKM periode bulanan dari Mei 2006 sampai dengan Desember 2010. 5. IR adalah suku bunga rata-rata kredit yaitu suku bunga rata- rata bulanan pada kredit modal kerja perbankan konvensional. Kredit modal kerja dipilih karena porsi pembiayaan kredit ini paling besar dibandingkan dengan kredit investasi atau konsumsi. Untuk tingkat pengembalian atau return pada pembiayaan perbankan syariah diklasifikasikan menjadi dua, yaitu tingkat margin rata-rata dan PLS. Hal ini dilakukan karena porsi pembiayaan jual beli (akad murabahah) mencapai 56,7 persen sedangkan pembiayaan bagi hasil (akad musyarakah ditambah dengan mudharabah) mencapai 35,3 persen. Selain itu, dengan adanya pengklasifikasian ini dapat terlihat jalur pembiayaan mana yang lebih mempengaruhi pembiayaan UMKM di Indonesia melihat adanya perbedaan mendasar antara pembiayaan dengan akad jual beli dan bagi hasil. 6. MARGIN adalah tingkat margin rata-rata pembiayaan yaitu rata- rata persentasi bagi hasil pembiayaan dengan akad murabahah pada industri perbankan syariah periode bulanan dari Mei 2006 sampai dengan Desember 2010. 7. PLS adalah profit and loss sharing yaitu persentasi bagi hasil pembiayaan dengan akad musyarakah dan mudharabah pada industri perbankan syariah periode bulanan dari Mei 2006 sampai dengan Desember 2010.
32 3.3 Metode Penelitian Permasalahan dalam studi ini akan dianalisis menggunakan Vector Autoregressive (VAR) yang menggambarkan hubungan kausalitas antar variabel dalam persamaan. Dalam pengolahan data penulis menggunakan perangkat lunak Microsoft Excel 2007 dan Eviews 4.1. 3.3.1 Vector Autoregresisve (VAR) Vector Autoregresisve (VAR) adalah salah satu model estimasi yang digunakan kembangkan oleh Cristoper A. Sims pada tahun 1980. Sims menyatakan bahwa apabila terdapat hubungan yang simultan atau hubungan sebab akibat antar variabel yang diamati, semua variabel harus diperlakukan sama sehingga tidak lagi ada variabel endogen maupun variabel endogen, sehingga pada konsep VAR semua variabel adalah peubah endogen. VAR adalah model yang a-priori terhadap teori ekonomi namun sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Model VAR juga menjadi dasar dalam pengembangan metode kointegrasi johansen yang mampu menjelaskan dengan baik perilaku variabel dalam perekonomian. Model VAR secara matematis dapat dituliskan : Dengan: Z t : vektor dari variabel variabel endogen sebanyak m X t : vektor dari variabel variabel eksogen sebanyak d termasuk di dalamnya konstanta (intercept)
33 A 1,..., A p dan B : matriks matriks koefisien yang akan diestimasi : vektor dari residual residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai nilai lag mereka sendiri dan juga tidak berkorelasi dengan seluruh variabel yang ada dalam sisi kanan persamaan di atas. Berikut adalah beberapa keunggulan VAR dibandingkan dengan model lainnya adalah: 1. Model VAR mengembangkan model dalam suatu sistem yang kompleks (multivariat), sehingga dapat menangkap hubungan keseluruhan variabel dalam sistem. 2. Uji VAR yang bersifat multivariat bisa menghindari parameter yang bias akibat tidak dimasukannya variabel yang relevan. 3. Dapat mendeteksi hubungan antar variabel dalam sistem persamaan dengan menjadikan seluruh variabel menjadi endogenus. 4. Metode VAR bebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variabel endogeneity dan exogeneity) di dalam model ekonometrik konvensional terutama pada persamaan simultan sehingga menghindari penafsiran yang salah. 5. Dengan teknik VAR maka yang akan terpilih hanya variabel yang relevan untuk disinkronisasi dengan teori yang ada. Sedangkan beberapa kelemahan VAR adalah: 1. Model VAR tidak dilandasi teori tentang hubungan antar variabel (model nonstruktural) 2. Tidak mempermasalahkan perbedaan variabel eksogen dan variabel endogen sehingga menyebabkan implikasi kebijakan yang kurang tepat.
34 3. Pemilihan banyaknya lag dalam persamaan dapat menimbulkan permasalahan. 4. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. (Malahayati, 2011) 3.3.2 Vector Error Correction Model (VECM) Vector Error Correction Model dilakukan jika terdapat variable yang tidak stasioner pada first different. VECM adalah bentuk VAR yang terekstriksi. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. Dengan menggunakan metode VECM maka akan didapatkan dampak jangka panjang dan jangka pendek. Selain itu pendugaan dengan VECM digunakan untuk melihat tingkat perubahan tertentu dengan analisis Impulse Respond Function dan Variance Decomposition. Berikut adalah tahapan yang dilakukan dalam penggunaan metode VAR dan VECM, secara lebih ringkas digambarkan dalam gambar dibawah ini: Sumber: Nugraheni, 2011 Gambar 3.1. Tahapan Analisis VAR dan VECM
35 3.3.3 Uji Stasioneritas Data Tahap pertama yang dilakukan dalam mengolah data time series adalah dengan menguji stasioneritas atau unit root test. Data yang stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-rata dan berfluktuasi di sekitar nilai rata-ratanya atau memiliki ragam yang konstan. Data yang tidak stasioner akan menghasilkan regresi yang lancung (spurious regression) yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak atau tidak sebesar regresi yang dihasilkan tersebut. Jika data stasioner maka metode yang dipilih adalah metode VAR dan jika data tidak stasioner maka menggunakan metode VECM. Pengujian stasioneritas dilakukan dengan menggunakan uji akar menggunakan Augmented Dickey Fuller (ADF) Test. Misalkan model persamaan time series sebagai berikut: Y t = ρ y t-1 + εt (3.1) dengan mengurangkan kedua sisi persamaan tersebut dengan y t-1 maka akan didapatkan persamaan, Δy t = y t-1 + ε t (3.2) dimana Δ adalah perbedaan pertama (first difference) dan = (ρ-1) sehingga didapatkan hipotesis Ho : =0 dan H1: < 0. Pada tes ini, jika nilai ADF statistik lebih kecil daripada Mac Kinnon Critical Value maka dapat disimpulkan bahwa series tersebut stasioner. Jika diketahui data tersebut tidak stasioner, maka dapat dilakukan differences non stasioner process.
36 3.3.4 Pemilihan Lag Optimum Dalam VAR penentuan lag optimal sangat penting karena penentuan lag optimal berguna untuk menghilangkan masalah autokorelasi dalam sebuah sistem VAR. Penentuan lag optimal juga berguna untuk menunjukkan berapa lama reaksi suatu variabel terhadap variabel lainnya (Gustiani, 2010). Pemilihan Ordo atau lag dilakukan berdasarkan kriteria Akaike Information Criterion (AIC), Schwarz Information Criterion (SC), dan Hannan Quinnon (HQ). Lag yang dipilih adalah model dengan nilai AIC dan SC terkecil dan nilai HQ terbesar. Lag yang dipilih pada penelitian ini berdasarkan kriteria dengan SC terkecil. SC = AIC (q) + (q/t)( logt-1) (3.3) dengan q adalah jumlah variabel, T adalah jumlah observasi dan AIC adalah Akaike Information Criteria dengan perhitungan, AIC = log i 2 N + 2k / N (3.4) dengan i 2 adalah jumlah residual kuadrat sedangkan N dan k adalah sampel jumlah variabel dari jumlah varibel yang beroperasi dalam persamaan tersebut. 3.3.5 Uji Kointegrasi Setelah diperiksa kestasioneritasannya kita dapat mengujinya kembali dengan uji kointegrasi. Jika data stasioner pada first different maka perlu dilakukan pengujian untuk melihat terjadinya kointegrasi. Uji kointegrasi bertujuan untuk melihat keseimbangan jangka panjang dan memastikan adanya hubungan jangka panjang di antara variabel yang di observasi. Kointegrasi adalah suatu hubungan jangka panjang antara variabel variabel yang meski secara individual tidak stasioner tetapi kombinasi linier antara variabel tersebut dapat
37 menjadi stasioner. Adanya hubungan kointegrasi dalam sebuah sistem persamaan menandakan bahwa dalam sistem tersebut terdapat error correction model yang menggambarkan adanya dinamisasi dalam jangka pendek secara konsisten dengan hubungan jangka panjangnya. 3.3.6 Uji Stabilitas Stabilitas dalam sistem VAR perlu diperhatikan dalam penentuan lag. Stabilitas VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil apabila seluruh roots pada tabel AR roots-nya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle. 3.3.7 Impulse Respond Function (IRF) dan Forecast Error Variance Decomposition (FEVD) Impulse Respond Funtion adalah suatu metode yang digunakan untuk melihat respon suatu variabel akibat adanya guncangan atau shock pada suatu variabel endogen Metode ini juga menunjukan arah hubungan dan besarnya pengaruh suatu variabel endogen terhadap berbagai variabel endogen lainnya yang ada dalam suatu sistem dinamis VAR. Forecast Error Variance Decomposition adalah metode yang digunakan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukan oleh perubahan error variance dipengaruhi oleh variabel- variabel lainnya. Analisis ini digunakan untuk menghitung seberapa besar pengaruh acak guncangan dari variabel tertentu terhadap variable endogen. Dengan metode ini kita dapat melihat
38 kekuatan dan kelebihan masing-masing variabel dalam mempengaruhi variabel yang lainnya dalam kurun waktu yang panjang. 3.4 Model Penelitian Model yang digunakan dalam penelitiaan ini dalam bentuk matriks sebagai berikut: X t = μ t + k t=1 A t + X t=1 + ε t (3.5) Dimana X t adalah vektor dari variabel endogen dengan dimensi (n x 1), μ t adalah vektor dari variabel endogen, termasuk konstanta dan trend, A t adalah koefisien matriks dengan dimensi (n x n), dan ε t adalah vektor dari residual. Model VECM yang akan digunakan dalam penelitian ini dalam bentuk matriks sebagai berikut : ΔX t-1 = μ t + πx t-1 + k t=1 Г t ΔX t-1 + X t=1 + ε t (3.6) Dimana π dan Г merupakan fungsi dari A t pada persamaan diatas. Matriks π dapat dipecah menjadi dua matriks, yaitu λ dan β dengan dimensi (n x n). π= λ + β α, dimana λ merupakan matriks penyesuaian, β merupakan vektor kointegrasi, dan α adalah rank kointegrasi. Model yang digunakan dalam penelitian ini dibagi menjadi dua, yaitu pembiayaan UMKM melalui jalur bank konvensional dan bank syariah. Model I adalah model yang digunakan untuk melihat penyaluran kredit UMKM melalui perbankan konvensional, sedangkan Model II adalah model yang digunakan untuk melihat penyaluran pembiayaan UMKM melalui perbankan syariah.
39 Model I dan II dijabarkan dalam tabel sebagai berikut : Tabel 3.1 Model Penelitian Model Penjabaran I CRD t = f ( IR t, SBI t,sbis t ) II PYD t = f ( PLS t, MARGIN t, SBI t, SBIS t )