IV. METODE PENELITIAN

69 IV. METODE PENELITIAN 4.1. Jenis dan Sumber Data Penelitian menggunakan data sekunder, baik data yang bersifat kuantitatif maupun kualitatif. Data kuantitatif yang digunakan adalah data sekunder dengan bentuk deret waktu (time series) yang bersumber dari laporan dan data yang dipublikasikan berbagai pihak, ditunjukkan pada Tabel 1. Tabel 1. Peubah Penelitian, Simbol, Satuan, dan Sumber Data No Peubah Simbol Satuan Sumber Data 1 Pembiayaan perbankan syariah 2 Dana Pihak Ketiga 3 Return on asset diproksi dengan laba per aset 4 Pembiayaan Bermasalah 5 Kredit Bank Umum 6 Sertifikat wadiah Bank Indonesia 7 Jakarta Islamic index 8 Output diproksi dengan Indeks Produksi Industri LNPBS Miliar rupiah Bank Indonesia LNDPK Miliar rupiah Bank Indonesia LPA Persen Bank Indonesia NPF Persen Bank Indonesia LNKBU Miliar rupiah Bank Indonesia LNSWBI Miliar rupiah Bank Indonesia LNJII Indeks Bank Indonesia Bursa Efek Indonesia LNIPI Indeks Badan Pusat Statistik Data yang bersumber dari Bank Indonesia adalah dari statistik perbankan Indonesia, statistik perbankan syariah, laporan perkembangan perbankan syariah, laporan perekonomian Indonesia, laporan pengawasan perbankan, statistik ekonomi keuangan Indonesia, statistik ekonomi moneter Indonesia, dan laporan mingguan Bank Indonesia. Data yang bersumber dari Bursa Efek Indonesia adalah dari laporan bulanan bursa efek Jakarta, sedangkan data yang bersumber dari Badan Pusat Statistik adalah dari indikator ekonomi Indonesia bulanan. Penelitian didasarkan pada data observasi, mulai bulan November tahun 2002

70 sampai dengan Juni tahun 2008, sehingga yang digunakan dalam bentuk bulanan sebanyak 68 observasi. 4.2. Peubah dan Definisi Operasional Berikut penjelasan mengenai peubah yang digunakan dalam penelitian beserta definisi singkat operasionalnya: 1. Pembiayaan Bank Syariah (PBS), adalah posisi pembiayaan bank syariah (BUS dan UUS) pada akhir bulan periode penelitian, dinyatakan dengan miliar rupiah, dan untuk analisis digunakan data logaritma natural. 2. Dana Pihak Ketiga Bank Syariah (DPK) adalah jumlah tabungan dan deposito pihak ketiga yang berada di bank syariah posisi akhir bulan, dinyatakan dengan rupiah, dan untuk analisis digunakan data logaritma natural. 3. Return On Asset Bank Syariah di proksi dengan Laba Per Aset (LPA), rasio yang digunaan untuk mengukur kemampuan menghasilkan keuntungan (rentabilitas). ROA membandingkan laba berjalan terhadap total aset, dinyatakan dengan persen. 4. Pembiayaan bermasalah bank syariah atau Non Performing Financing (NPF) adalah besarnya pembiayaan yang masuk kategori kurang lancar (substandart), diragukan (doubtful) dan macet (loss), terhadap total pembiayaan dinyatakan dengan persen. 5. Jumlah Kredit Bank Umum (KBU), adalah posisi kredit bank umum pada akhir bulan periode penelitian baik dalam rupiah dan valas, dan dinyatakan dengan miliar rupiah, dan untuk analisis digunakan data logaritma natural. 6. Sertifikat Wadiah Bank Indonesia (SWBI) yang digunakan adalah posisi SWBI akhir bulan, baik yang berjangka waktu 7 hari, 14 hari, maupun 28 hari,

71 dan dinyatakan dengan miliar rupiah, serta digunakan data logaritma natural. 7. Jakarta Islamic index (JII) yang digunakan adalah indeks saham pada Bursa Efek Indonesia (dulu Bursa Efek Jakarta) yang mulai dikenalkan pada Juli tahun 2000, dinyatakan dengan indeks, dan digunakan data logaritma natural. 8. Output, agar mendapatkan data bulanan, maka output nasional ini diproksi dengan Indeks Produksi Industri (IPI), yang merupakan ukuran output dari industri-industri sedang dan besar secara bulanan, dan dinyatakan dengan indeks, serta digunakan data logaritma natural. 4.3. Metode Analisis 4.3.1. Analisis Deskriptif Analisis deskriptif bertujuan untuk membuat gambaran secara sistematik, faktual dan akurat mengenai fakta-fakta, sifat-sifat serta hubungan antar fenomena yang diselidiki (Nazir 1988). Deskripsi diperlukan untuk melakukan rincian, gambaran akurat, klarifikasi langkah-langkah yang ditempuh (Neuman 2003), sehingga dinamika masing-masing peubah perlu dideskripsikan lebih terinci. Analisis deskripsi dibantu dengan grafis dapat menjelaskan kondisi ratarata, atau menjelaskan saat masing-masing peubah mengalami kondisi ektrim tertentu, sehingga mampu memberikan gambaran umum, pola keseluruhan maupun pergerakan data dari masing-masing peubah yang terlibat dalam model. Dari sisi implikasi kebijakan, analisis deskripsi mampu menjelaskan kebijakankebijakan yang sedang berjalan terkait dengan temuan penelitian. 4.3.2. Analisis Ekonometrika 4.3.2.1. Analisis Vector Autoregression (VAR) Seringkali dalam teori ekonomi belum mampu menentukan spesifikasi

72 model yang tepat, misalnya karena teori terlalu komplek sehingga simplifikasi harus dibuat, atau sebaliknya fenomena yang ada terlalu komplek jika hanya dijelaskan dengan teori yang ada. Karena itu C.A. Sim mempopulerkan model Vector Autoregresssion (VAR) pada tahun 1980. Model VAR dibangun dengan pertimbangan meminimalkan pendekatan teori dengan tujuan agar mampu menangkap fenomena ekonomi dengan baik. Dalam VAR tidak perlu membedakan antara peubah endogen dan eksogen. Semua peubah endogen maupun eksogen dipercaya saling berhubungan dan seharusnya dimasukkan di dalam model. Model VAR berguna menunjukkan ketergantungan antar peubah ekonomi sehingga model sangat baik menjelaskan perilaku peubah dalam kompleksitas perekonomian. keterangan: Model VAR secara matematis ditulis sebagai berikut (Thomas, 1997): k z t = A i z t-i + ε t...(4.1) i =1 z t = Vektor kolom observasi waktu t semua peubah z t-i = Vektor kolom dari nilai random pengganggu A i = Matriks parameter yang tidak benilai 0 ε t = Vektor error Model VAR tersebut dapat dimengerti dengan baik jika dicontohkan dengan model tiga persamaan. Misalnya dengan panjang lag periode maksimum pada k = 2, maka persamaan yang terbentuk adalah: w t = a 11 w t-i + a 12 x t-i + a 13 y t-i + b 11 w t-2 + b 12 x t-2 + b 13 y t-2 + ε 1t x t = a 21 w t-i + a 22 x t-i + a 23 y t-i + b 21 w t-2 + b 22 x t-2 + b 23 y t-2 + ε 2t y t = a 31 w t-i + a 32 x t-i + a 33 y t-i + b 31 w t-2 + b 32 x t-2 + b 33 y t-2 + ε 3t...(4.2)

73 vektor z t dan ε t adalah: w t z t = x t y t ε t ε t = ε 2t ε 3t karena k = 2, maka terdapat dua matrik A i, 3x3 a 11 a 12 a 13 b 11 b 12 b 13 A 1 = a 21 a 22 a 23 A 2 = b 21 b 22 b 23 a 31 a 32 a 33 b 21 b 22 b 23 Asumsi dari persamaan (4.2) adalah: (1) w t, x t, dan y t adalah stasioner, (2) ε 1t, ε 2t, ε 3t adalah white noise disturbance dengan standar deviasi σ 1, σ 2, σ 3, dan (3) ε 1t ε 2t ε 3t white noise disturbance yang tidak berkorelasi (Enders, 2004). Persamaan tersebut menunjukkan bahwa masing-masing peubah pada model VAR tergantung pada peubah yang lain, dengan struktur lag yang sama panjang pada msing-masing peubah seluruh persamaan. Dalam praktek, hal-hal seperti intersep, peubah dummy, dan tren waktu deterministik dapat ditambahkan dalam model. Untuk mengetahui hubungan antar peubah dalam model VAR membutuhkan kelambanan atau lag dari peubah yang ada. Lag peubah diperlukan untuk menangkap efek dari suatu peubah terhadap peubah lainnya dalam model. Karena model VAR adalah model linier maka mudah diestimasikan dengan menggunakan metode Ordinary Least Square (OLS). 4.3.2.2. Pembentukan Model Pembentukan model VAR dilakukan melalui beberapa tahap berikut: 1. Uji stasioneritas data. Jika data adalah stasioner pada tingkat level, maka model yang terbentuk VAR biasa (Unrestricted VAR). Data ekonomi time series umumnya bersifat

74 stokastik atau memiliki tren yang tidak stasioner, artinya data tersebut mengandung akar unit. Untuk dapat mengestimasikan suatu model menggunakan data tersebut, maka langkah pertama yang harus dilakukan adalah masalah uji stasioneritas data atau dikenal dengan unit root test. Apabila data mengandung akar unit, maka sulit untuk mengestimasikan suatu model dengan menggunakan data tersebut karena tren data tersebut cenderung berfluktuasi tidak disekitar nilai rata-rata, maka dapat disimpulkan bahwa data yang stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2003). Menurut Thomas (1997), perilaku dari data series yang stasioner adalah: (1) nilai rata-rata dari data menunjukkan perilaku yang konstan, (2) data stasioner menunjukkan varians yang konstan, dan (3) correlogram yang menyempit seiring dengan penambahan waktu. Uji akar unit dilakukan dengan menggunakan Augmented Dickey Fuller (ADF). Perbedaan antara data series yang stasioner dan yang tidak stasioner yaitu pada data yang stasioner dampak guncangan yang terjadi pada data series bersifat sementara. Sejalan dengan waktu dampak guncangan tersebut akan berkurang dan data series akan kembali ke long run mean level dan berfluktuasi disekitar mean tersebut. 2. Penentuan Kelambanan Optimal. Tahap kedua yang harus dilakukan adalah menentukan panjang lag (ordo) optimal. Penentuan lag optimal dapat diidentifikasikan dengan menggunakan Akaike Info Criterion (AIC), Schwarz Info Criterion (SC) maupun Hannnan Quinn Criterion (HQ) dan sebagainya. Dalam penelitian ini akan digunakan kriteria SC. Besarnya lag optimal ditentukan oleh lag yang memiliki kriteria SC

75 terkecil. Perhitungan SC adalah sebagai berikut: Keterangan: SC =AIC (q) + (q/t) (log T-1)...(4.3) q T = Jumlah peubah = Jumlah observasi AIC = Akaike Info Criterion Sedangkan perhitungan AIC adalah sebagai berikut: AIC = log ε 2 t / N + 2 K / N...(4.4) Keterangan: ε 2 t = Jumlah residu kuadrat N K = Jumlah sampel = Jumlah peubah Kelambanan peubah diperlukan untuk menangkap efek dari peubah tersebut terhadap peubah yang lain di dalam model. Selain itu pengujian panjang lag optimal sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR, sehingga dengan digunakannya lag optimal diharapkan tidak muncul lagi masalah autokorelasi. 3. Uji Kointegrasi. Jika data tidak stasioner pada level tetapi stasioner pada proses diferensi data, maka dilakukan uji kointegrasi. Apabila terjadi kointegrasi maka modelnya adalah Vector Error Correction Model (VECM). Jika tidak terjadi kointegrasi maka disebut model VAR dengan data direfensi (VAR indifference). Konsep kointegrasi dikemukakan oleh Eangle dan Granger pada tahun 1987, yang berarti fenomena di mana kombinasi linier dari dua atau lebih peubah yang tidak stasioner. Kombinasi linier ini dikenal dengan nama persamaan

76 kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara peubah. Uji kointegrasi bertujuan untuk menentukan apakah peubah-peubah yang tidak stasioner mengalami kointegrasi atau tidak. Untuk menguji terjadinya kombinasi peubah yang tidak stasioner mengalami kointegrasi, pengujian yang dapat dilakukan adalah uji kointegrasi Engle-Granger, Johansen, maupun Durbin-Watson. Pengujian-pengujian tersebut dilakukan untuk memperoleh hubungan jangka panjang antara peubah yang telah memenuhi persyaratan dalam proses integrasi, di mana semua peubah telah stasioner pada derajat yang sama yaitu first difference. Uji kointegrasi dapat dijadikan dasar penentuan persamaan estimasi yang digunakan memiliki keseimbangan jangka panjang atau tidak. Apabila persamaan estimasi lolos dari uji ini maka persamaan estimasi tersebut memiliki keseimbangan jangka panjang (Gujarati, 1995). Uji kointegrasi yang digunakan dalam penelitian adalah uji kointegrasi Johansen. Metode Johansen mengintegrasikan persamaan dinamik jangka panjang dan jangka pendek dalam satu kesatuan. Metode ini juga dapat menentukan jumlah vektor kointegrasi atau jumlah persamaan keseimbangan jangka panjang. Prosedur dalam uji kointegrasi Johansen menyarankan pentingnya joint hypotesis untuk menentukan ada tidaknya komponen deterministik dalam model maupun terhadap rank. 4. Vector Error Correction Model Vector Error Correction Model (VECM) jika persamaan lebih dari satu, atau Error Correction Model (ECM) jika satu persamaan, merupakan pengembangan analisis data time series yang relatif baru dalam ilmu ekonometrika, yang merupakan bentuk Vector Autoregression (VAR) terestriksi

77 untuk digunakan pada seri data yang bersifat non-stasioner dan diketahui berkointegrasi. Eangel-Granger menunjukkan bahwa walaupun data time series seringkali tidak stasioner pada tingkat level atau disebut nonstasioner, tetapi kombinasi liner antara dua atau lebih data non stasioner menjadi stasioner. Apabila data time series model VAR non struktural tidak stasioner pada level tetapi stasioner pada data diferensi dan terkointegrasi, sehingga menunjukkan adanya hubungan teoritis antar peubah maka digunakan model VECM. VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi dengan merestriksi perilaku jangka panjang dari peubah-peubah endogen untuk menuju (converge) ke hubungan jangka panjangnya serta memungkinkan dilakukan penyesuaian jangka pendek secara dinamik. Istilah kointegrasi dikenal pula dengan istilah koreksi karena deviasi dari ekuilibrium jangka panjang dikoreksi secara gradual melalui suatu seri penyesuaian jangka pendek. Terminologi kointegrasi ini dikenal sebagai koreksi kesalahan (error correction) karena bila terjadi deviasi terhadap keseimbangan jangka panjang, maka dikoreksi secara bertahap melalui penyesuaian parsial jangka pendek secara bertahap. Koefisien koreksi ketidakseimbangan dalam bentuk nilai absolut menjelaskan seberapa cepat waktu diperlukan untuk mendapatkan nilai keseimbangan. Derivasi Vector Error Correction Model (VECM) didasarkan pada teorema Johansen (1988). Misalkan {Z} adalah tingkat derajat VAR ke-p dan Zt ={Y:X). Y adalah vektor variabel endogen X adalah vektor variabel eksogen. Hal ini dapat dinyatakan sebagai berikut:

78...(4.5) Keterangan: ε t = Gaussian error term w t = Vektor variabel-variabel stationer Satu vektor time series Z t mempunyai representasi error correction jika ia dapat diekspresikan sebagai berikut: Keterangan: Γ i = -Ι + Π 1 + + Π i (i=1,2, p-1)...(4.6) Π = -(Ι - Π 1 - -Π p ) = αβ ε yt a y0 Π y Γ yi ε t =, a 0 =, Π =, Γ i = ε xt a x0 0 Γ xi Untuk mengestimasi persamaan regresi (4.9), Johansen memberikan prosedur unified maximum likelihood, nilai α dan β diperoleh dari dekomposisi matrik. Metode Johansen mengintegrasikan persamaan dinamik jangka pendek dan jangka panjang dalam satu kesatuan, dan dapat menentukan jumlah vektor kointegrasi atau jumlah persamaan keseimbangan jangka panjang. 5. Stabilitas Model Stabilitas VAR perlu diuji dahulu sebelum melakukan analisis lebih lanjut. Karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan tidak stabil, maka analisis selanjutnya yaitu IRF dan FEDV menjadi tidak valid. Untuk menguji stabil tidaknya estimasi VAR yang telah dibentuk maka dilakukan VAR stability condition check berupa roots of characteristis polynomial. Suatu sistem VAR dikatakan stabil jika seluruh nilai akar memiliki

79 modulus lebih kecil dari satu. 6. Analisis Impulse Response Function Analisis IRF adalah metode yang digunakan untuk menentukan respon suatu peubah endogen terhadap guncangan (shock) peubah tertentu. IRF juga digunakan untuk melihat guncangan dari satu peubah yang lain dan berapa lama pengaruh tersebut terjadi. Melalui IRF, respon sebuah peubah independen sebesar satu standar deviasi dapat ditinjau. IRF menelusuri danpak gangguan sebesar satu standar kesalahan (standart error) sebagai inovasi pada sesuatu peubah endogen terhadap peubah endogen yang lain. Suatu inovasi pada satu peubah, secara langsung akan berdampak pada peubah yang bersangkutan, kemudian dilanjutkan ke semua peubah endogen yang lain melalui struktur dinamik dari VAR. 7. Analisis Forecast Error Variance Decomposition Forecast Error Variance Decomposition (FEVD) atau dekomposisi ragam kesalahan peramalan, menguraikan inovasi pada suatu peubah terhadap komponen komponen peubah yang lain dalam VAR. Informasi yang disampaikan dalam FEDV adalah proporsi pergerakan secara berurutan yang diakibatkan oleh guncangan sendiri dan peubah lain. FEDV juga digunakan untuk menghitung dan menganalisis seberapa besar pengaruh acak guncangan dari peubah tertentu terhadap peubah endogen. FEDV menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak atau seberapa kuat komposisi dari peranan peubah tertentu terhadap peubah lainnya dalam model VAR. Dengan metode ini pula dapat ditinjau kekuatan dan kelemahan dari masing-masing peubah dalam mempengaruhi peubah lainnya dalam kurun waktu yang panjang.

80 4.3.2.3. Spesifikasi Model Persamaan ekonometrika vector error correction model (VECM) yang digunakan dalam penelitian, terdapat 8 peubah, dengan demikian vektor Z merupakan vektor 8 X 1 sebagai berikut: Z t = (LNPBS, LNDPK, LPA, NPF, LNKBU, LNSWBI, LNJII, LNIPI) Jika kointegrasi model VAR memiliki ordo p maka Z t menjadi:...(4.7) Keterangan: Z t Π α β Γ i ε t = Vektor first difference = αβ adalah matrik 8 x 8 parameter = Matrik loading = Vektor kointegrasi = 8 x 8 matrik koefisien regresi = 8 x 1 vektor proses white noise Kalau diuraikan maka terdapat delapan persamaan yang berkedudukan sama, sesuai dengan jumlah peubah yang digunakan, tetapi karena yang menjadi fokus penelitian adalah pembiayaan perbankan syariah, maka persamaan yang mendapatkan perhatian adalah: p p LNPBS t = α 1 + α LNPBS е t-1 + α 1 1 (i) LNPBS t-1 + α 1 2 (i) LNDPK t-1 i=1 i=1 p p p + α 1 3 (i) LNKBU t-1+ α 1 4 (i) LNSWBI t-1 + α 1 5 (i) LPA t-1 i=1 i=1 i=1 p p p + α 1 6 (i) LNJII t-1+ α 1 7 (i) LNIPI t-1 + α 1 8 (i) NPF t-1 i=1 i=1 i=1 + ε PBS...(4.8)

81 Keterangan: = Nilai first difference e = Error correction terms dari regresi keseimbangan jangka panjang ε t = Error term = Periode i p = Lag length Matrik Π atau vektor kointegrasi (β) pada persamaan (4.8) merupakan petunjuk adanya hubungan jangka panjang dari peubah yang dianalisis, yaitu pembiayaan perbankan syariah. Rank matrik kointegrasi yang terbentuk adalah diperoleh dari langkah nomor tiga dari sub bab pencarian model, Dari spesifikasi dan estimasi model yang akan dibuat, diharapkan dapat menjawab tujuan penelitian yang telah ditentukan, yaitu: 1. Tujuan penelitian pertama dianalisis dengan metode VAR atau VECM. Dengan metode tersebut dapat diketahui hubungan antar peubah, dan jika datanya terkointegrasi, dapat diketahui perilaku jangka pendek dan jangka panjang. Nilai koefisien yang terbentuk dapat diketahui besar dan arah pengaruh sisi permintaan dan penawaran terhadap pembiayaan perbankan syariah. 2. Tujuan penelitian kedua dianalisis dengan metode IRF. Dengan analisis IRF dapat diketahui dampak guncangan kinerja internal bank syariah, instrumen moneter syariah, kondisi makroekonomi, kinerja industri perbankan, dan pasar modal syariah terhadap pembiayaan bank syariah. 3. Tujuan penelitian ketiga dianalisis dengan metode FEDV. Dengan analisis FEDV dapat diketahui pengaruh guncangan masing-masing terhadap pembiayaan secara dinamis beberapa periode ke depan, juga kontribusi sisi

82 permintaan dan penawaran terhadap pembiayaan perbankan syariah. 4. Tujuan penelitian keempat berupa implikasi kebijakan, merupakan deskripsi kebijakan yang telah ada, dan saran yang dapat diberikan berdasarkan hasil temuan dari tujuan penelitian pertama, kedua, dan ketiga. Gambar 12 menunjukkan alur kerja penelitian termasuk tahapan penelitian dan pembentukan Model VEC. Setelah menentukan permasalahan dan tujuan penelitian, maka tujuan penelitian akan dijawab dengan metode ekonometrika yang dilengkapi dengan analisis deskriptif. Kerangka teoritis yang disusun berdasarkan dari teori dan beberapa penelitian yang terkait dengan penelitian. Dua hal tersebut kemudian disesuaikan dengan nature data time series yang akan diteliti, sehingga metode analisis yang digunakan tepat dan mampu menjawab permasalahan penelitian. Representasi fenomena aktual dirumuskan menjadi sebuah model. Model ekonometrika yang digunakan adalah model VAR dan VECM. Model VAR dan VECM dibentuk melalui proses pembentukan model seperti telah dijelaskan sebelumnya. Terbentuknya model kemudian dilanjutkan dengan aplikasi VAR atau VECM yaitu IRF dan FEDV. Tahap akhir penelitian adalah dengan memberikan implikasi kebijakan, kesimpulan hasil penelitian, dan saran untuk penelitian selanjutnya.

83 1. Permasalahan Penelitian 2. Kerangka Teoritis Eksplorasi Data Teori Ekonomi Penelitian Sebelumnya Tujuan Penelitian 3. Metode Analisis Deskriptif Ekonometrika Pembentukan Model VAR/VEC Tujuan Pertama: Hubungan Struktural VECM Uji Stasioneritas Data Tujuan Kedua: Dampak Guncangan Tujuan Ketiga: Kontribusi Dinamis 4. A n a l i s i s IRF FEDV Penentuan Lag Optimum Uji Kointegrasi Spesifikasi Model VAR/VEC 5. Implikasi Estimasi Model VAR/VEC 6. Simpulan dan Saran Stabilitas Model Gambar 12. Alur Kerja Penelitian