iii.metodologi penelitian 3.1 jenis dan sumber data · 35 iii.metodologi penelitian 3.1 jenis dan...
TRANSCRIPT
35
III.METODOLOGI PENELITIAN
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian adalah data mikro dari laporan
keuangan publikasi triwulanan yang dilaporkan oleh bank kepada Bank Indonesia
dan data makroekonomi dari Bank Indonesia dan BPS (Tabel 3). Untuk
memecahkan model ekonometrika dalam penelitian ini digunakan software
Eviews 6 dan Stata 10.
Tabel 4 Jenis dan sumber data yang digunakan dalam penelitian
Data Nama Variabel Periode Sumber Data
Datamikro
Kredit yang diberikan, totalaktiva, kas, penempatan di BankIndonesia, penempatan di banklain, surat berharga yangdimiliki, Obligasi pemerintah,CAR
2005Q3 –2011Q3
Laporan keuanganpublikasi triwulanan(Bank Indonesia)
Datamakro
Suku bunga BI Rate, inflasi 2005Q3 –2011Q3
Bank Indonesia
PDB atas dasar harga konstan 2005Q3 –2011Q3
Badan Pusat Statistik(BPS)
3.2 Metode Analisis
3.2.1 Analisis Deskriptif
Analisis deskriptif disajikan dalam bentuk tabel dan grafik untuk
memudahkan pemahaman dan penafsiran mengenai struktur perbankan di
Indonesia. Tabel dan grafik bersumber dari berbagai laporan publikasi Bank
Indonesia. Periode yang dianalisis adalah tahun 2001 hingga tahun 2011.
3.2.2 Analisis Regresi Data Panel
Data panel adalah bentuk khusus dari data pooled (data dengan elemen time-
series dan cross-section) dimana unit cross-section seperti perusahaan ataupun
rumah tangga disurvey antar waktu. Jika setiap unit cross-section memiliki jumlah
36
observasi time-series yang sama maka disebut balanced panel. Sebaliknya jika
setiap unit cross-section tidak memiliki jumlah observasi time-series yang sama
maka disebut unbalanced panel (Gujarati, 2004). Baltagi (2005) merangkum
keuntungan dari menggunakan data panel dalam penelitian yaitu :
1. Dapat mengontrol heterogenitas individu.
2. Dapat memberikan data yang lebih informatif, lebih bervariasi, kolinearitas
yang rendah antar individu, derajat bebas yang lebih besar dan lebih efisien.
3. Dapat lebih baik dalam studi dynamics of adjusment karena adanya observasi
cross-section yang berulang.
4. Dapat lebih baik dalam mengidentifikasi dan mengukur efek-efek yang tidak
dapat dideteksi oleh data time-series saja atau cross-section saja.
5. Memungkinkan kita untuk membangun dan melakukan tes model perilaku
yang rumit bila dibandingkan dengan data time-series saja atau cross-section
saja.
6. Data panel mikro yang dikumpulkan mengenai individu, perusahaan atau
rumah tangga dapat diukur lebih akurat daripada variabel yang serupa di
tingkat makro.
Data panel juga memiliki keterbatasan diantaranya adalah :
1. Masalah dalam desain dan pengumpulan data yang mencakup masalah
cakupan (penghitungan yang tidak lengkap dari populasi yang dituju),
nonresponse (kesalahan pewawancara), recall (responden tidak mengingat
dengan benar), frekuensi wawancara, jeda wawancara, periode referensi dan
penggunaan batasan.
2. Distorsi dari kesalahan pengamatan yang umumnya terjadi karena respon yang
tidak sesuai.
3. Masalah selektivitas (selectivity) yang mencakup data yang dikumpulkan tidak
sepenuhnya dapat menangkap fenomena yang ada (self-selectivity),
ketidaklengkapan jawaban yang diberikan oleh responden (nonresponse), dan
berkurangnya jumlah responden akibat responden pindah, meninggal dunia
atau biaya untuk menemukan responden terlalu tinggi (attrition).
4. Dimensi time-series yang pendek untuk tiap individu.
5. Dependensi cross-section yang dapat mengakibatkan inferensi yang salah.
37
37
3.2.2.1 Data Panel Statis
Gujarati (2004) menuliskan bahwa terdapat dua pendekatan yang umum
diaplikasikan dalam data panel statis yaitu Fixed Effects Approach dan Random
Effects Approach.
1. Fixed Effects Approach
Estimasi yang dilakukan dalam pendekatan ini tergantung pada asumsi yang
kita gunakan mengenai intersep, koefisien slope dan error term. Beberapa
kemungkinan dari asumsi tersebut adalah :
a. Mengasumsikan bahwa koefisien intersep dan slope adalah konstan antar
waktu dan antar individu dan error term menangkap perbedaan antar waktu dan
individu. = + + + 3.1
dengan :
Yit = peubah dependen
X2it dan X3it = peubah independen
= koefisien intersep
= koefisien slope
= error term
b. Koefisien slope konstan tetapi koefisien intersep bervariasi antar individu
(Least-Square Dummy Variable (LSDV) Regression Model).= + + + 3.2
Perbedaan intersep dapat disebabkan oleh variasi spesifik yang dimiliki oleh
tiap individu. Model tersebut umum dikenal sebagai Fixed Effect Model (FEM).
Istilah fixed effects digunakan karena walaupun koefisien intersep berbeda antar
individu tetapi intersep tiap individu tidak bervariasi antar waktu (time invariant).
c. Koefisien slope konstan tetapi intersep bervariasi antar individu dan antar
waktu. Model tersebut dapat dituliskan sebagai berikut := + +. . + + + + ++ + + 3.3
d. Semua koefisien bervariasi antar individu. Asumsi yang digunakan adalah
koefisien intersep dan koefisien slope berbeda untuk semua individu atau unit
cross-section. Model tersebut dapat dituliskan sebagai berikut :
38
= + + + + ( ) + ( ) ++ 3.4
2. Random Effects Approach
Pendekatan fixed effects (LSDV) bisa menghabiskan derajat bebas dari
model jika cross-section yang digunakan cukup banyak. Random Effects Model
(REM) atau yang juga dikenal dengan error component model (ECM)
mengasumsikan bahwa ketidaktahuan kita akan model yang sebenarnya dapat
diakomodir dalam disturbance term (uit). Model awal adalah := + + + 3.5
diasumsikan adalah variabel random dengan mean value β1. Sedangkan nilai
intersep untuk semua individu dapat dinyatakan sebagai berikut := + = 1,2, … , 3.6
dimana ɛi adalah random error term dengan ɛi ̴ N(0, σɛ2).
Dengan mensubstitusikan persamaan (3.6) ke persamaan (3.5) maka := + + + += + + + 3.7
dengan ωit = ɛi + uit yaitu error term komposit (ωit) terdiri dari dua komponen
yaitu komponen error cross-section (ɛi) dan kombinasi error komponen cross-
section dan time-series (uit).
Dalam memilih apakah pendekatan fixed effects atau random effects yang
lebih baik, dilakukan pengujian terhadap asumsi ada atau tidaknya korelasi antara
regresor dan efek individu. Uji yang dilakukan adalah uji Hausman. Hipotesis
yang dirumuskan adalah sebagai berikut (Firdaus, 2011) :
H0 : REM adalah model yang tepat
H1 : FEM adalah model yang tepat
Sebagai dasar penolakan H0 digunakan statistik Hausman dan
membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan :
H = (βREM – βFEM)’ (MFEM – MREM)-1 (βREM – βFEM) ̴ χ2 (k) 3.8
dengan :
M = matriks kovarians untuk parameter β ; k = derajat bebas
39
39
Jika nilai H hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk
melakukan penolakan terhadap H0 sehingga model yang digunakan adalah fixed
effects, dan begitu pula sebaliknya.
3.2.2.2 Data Panel Dinamis
Analisis regresi panel dinamis memasukkan lag dari peubah dependen
sebagai regressor. Hubungan dinamis yang memiliki karakteristik hadirnya lag
dari peubah dependen di antara regresor yaitu := , + + = 1, … , ; = 1, … , 3.9
dimana δ adalah skalar, adalah 1xK dan β adalah Kx1. Asumsi yang
digunakan adalah uit mengikuti one-way error component model yaitu :
uit = μi + vit 3.10
dimana μi ̴ IID (0, ) adalah pengaruh individu dan vit ̴ IID (0, ) adalah
transient error (gangguan yang saling bebas satu sama lain).
Model (3.9) mengandung dua permasalahan yaitu :
1. Autokorelasi karena hadirnya lag dari peubah dependen diantara regresor. yit
merupakan fungsi dari μi sehingga yi,t-1 juga merupakan fungsi dari μi, dimana
μi adalah fungsi dari uit. Hal tersebut akan menyebabkan terjadiya korelasi
antara variabel regresor yi,t-1 dengan uit. Jika model tersebut diestimasi dengan
menggunakan fixed effects ataupun random effects akan menghasilkan
estimator yang bias dan tidak konsisten walaupun vit tidak mengandung
korelasi serial.
2. Efek individu yang menggambarkan heterogenitas di antara individu.
Untuk memecahkan permasalahan tersebut, Arellano dan Bond (1991)
dalam Baltagi (2005) menyarankan pendekatan generalized method of moments
(GMM). Dua prosedur estimasi GMM yang umum digunakan untuk mengestimasi
model linear autoregressive yaitu First-difference GMM (FD-GMM) dan System
GMM (SYS-GMM).
1. First-difference GMM (FD-GMM)
Arellano dan Bond (1991) dalam Baltagi (2005) berargumen bahwa
instrumen tambahan dapat dihasilkan dalam model data panel dinamis jika
40
menggunakan kondisi orthogonalitas yang muncul antara lag dari yit dan transient
error vit. Ilustrasi dengan model sederhana dari autoregressive tanpa regresor
adalah sebagai berikut := , + = 1, … , ; = 1, … , 3.11
dimana uit = μi + vit dengan μi ̴ IID (0, ) dan vit ̴ IID (0, ). Untuk
mendapatkan estimator yang konsisten dari δ dengan N ∞ dengan T fixed
maka dilakukan first difference dari (3.11) untuk mengeliminasi efek individu :
yit – yi,t-1 = δ(yi,t-1 - yi,t-2) + (vit - vi,t-1) t=2, ... ,T 3.12
dari model tesebut didapat instrumen yi,t-2 yang berkorelasi dengan (yit – yi,t-1)
tetapi tidak berkorelasi dengan (vit - vi,t-1), dimana vit dan vi,t-1 tidak mengandung
korelasi serial. Misal t=3 observasi periode pertama, maka kita akan
mendapatkan:
yi3 – yi2 = δ(yi2 - yi1) + (vi3 - vi2) 3.13
Dalam kasus ini, yi1 adalah instrumen yang valid karena berkorelasi kuat dengan
(yi2 - yi1) dan tidak berkorelasi dengan (vi3 - vi2) selama vit tidak memiliki korelasi
serial. Untuk t=4, periode kedua observasi, didapat :
yi4 – yi3 = δ(yi3 - yi2) + (vi4 - vi3) 3.14
Dalam kasus ini, yi2 sebagaimana yi1 adalah instrumen yang valid untuk (yi3 - yi2),
karena baik yi2 dan yi1 tidak berkorelasi dengan (vi4 - vi3). Hal tersebut dapat terus
dilakukan untuk menambahkan instrumen valid tiap satu periode kedepan,
sehingga untuk periode T set dari instrumen valid menjadi (yi1 , yi2 , ... , yi,T-2).
Asumsi transient errors tidak berkorelasi antar waktu yaitu E(vit vis) = 0 untuk
i=1,...,N dan s≠t, dan E(yi1 vit) = 0 untuk i=1,...,N dan t=2,...,T berimplikasi pada
adanya m = 0.5(T-1)(T-2) moment restriction. Untuk E(yi,t-s ∆vt) = 0 dengan
t=3,...,T dan s≥2 didapat E(Zi’ ∆vt) = 0 yang dapat ditulis dalam bentuk matriks
berukuran (T-2) x m yaitu :
= 0 0 … 0 … 00 … 0 … 0. . . … . . .0 0 0 … … ,dan ∆vi adalah (T-2) vektor (∆vi3, ∆vi4, ..., ∆vT)’. Kerangka tersebut adalah
kerangka GMM yang menggunakan lag dari peubah dependen mulai dari t-2.
41
41
Jika model data panel dinamis mengandung variabel eksogenus maka
persamaan (3.11) dapat dituliskan kembali menjadi := , + + + 3.15
Dalam model data panel dinamis dimana N cukup besar dan T kecil,
estimator linear generalized method of moments (GMM) yang diperoleh setelah
melakukan first differencing ditemukan memiliki bias sampel terbatas dan presisi
yang lemah dalam studi simulasi (Blundell dan Bond, 1998).
2. System GMM (SYS-GMM)
Blundell dan Bond (1998) mengembangkan metode system GMM dengan
ide dasar mengestimasi sistem persamaan baik pada first-difference maupun pada
level. Pada estimasi level, instrumen yang digunakan adalah lag first-difference.
Menurut Blundell dan Bond (1998), penggunaan lag dari rangkaian level
menyediakan instrumen yang lemah untuk first differenced dalam kasus N besar
dan T relatif kecil. Oleh karena itu, Blundell dan Bond (1998) menyarankan dua
alternatif estimator yang memerlukan restriksi terhadap proses initial conditions
yang didesain untuk meningkatkan properti dari estimator first-differenced GMM,
yaitu :
1. Tipe pertama dari restriksi menggunakan estimator extended linear GMM
yang menggunakan lag dari yit difference sebagai instrumen untuk persamaan
level, sebagai tambahan bagi lag yit level yang digunakan sebagai instrumen
untuk persamaan first difference.
2. Tipe kedua dari restriksi memvalidasi penggunaan estimator error component
GLS pada model extended yang dikondisikan pada nilai awal (initial values)
yang diobservasi. Restriksi ini menyediakan estimator konsisten dibawah
asumsi homoskedastis, dibawah asumsi normal, yang secara asimtot ekuivalen
dengan conditional maximum likelihood.
Kedua tipe restriksi valid jika dilakukan dibawah asumsi stasioner dan juga
valid dibawah asumsi yang lebih lemah. Blundell dan Bond (1998) menyatakan
pentingnya pemanfaatan initial condition dalam menghasilkan penduga yang
efisien dari model data panel dinamis ketika T berukuran kecil. Asumsi tambahan
dalam estimasi System GMM yaitu :
42
E(ɳi ∆yi2) = 0 untuk i=1,...,N 3.16
Kondisi pada persamaan tersebut akan berlaku bila rataan dari yit konstan
untuk periode 1,2,...,T untu setiap i. Matriks instrumen untuk System GMM adalah
sebagai berikut :
∗ = 0 0 … 00 ∆ 0 … 00 0 ∆ … 0. . . … .0 0 0 … ∆Moment condition derajat kedua E( ∗’ ∗) = 0 dimana ∗=(∆vi3, ..., ∆viT, ui3, ..., uiT).
Pada System GMM, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari
penduga first-difference GMM dengan masalah lemahnya instrumen yang mana hal ini
dicirikan dari parameter konsentrasi t.
Firdaus (2011) menuliskan bahwa beberapa kriteria yang digunakan untuk
menemukan model dinamis atau GMM terbaik adalah sebagai berikut :
1. Tidak bias. Estimator dari pooled least squares bersifat biased upwards dan
estimator dari fixed-effects bersifat biased downwards. Estimator yang tidak
bias berada di antara keduanya.
2. Instrumen valid. Validitas ini diperiksa dengan menggunakan uji Sargan.
Instrumen akan valid bila uji Sargan tidak dapat menolak hipotesis nol.
3. Konsisten. Sifat konsistensi dari estimator yang diperoleh dapat diperiksa dari
statistik Arellano-Bond m1 dan m2. Estimator akan konsisten bila statistik
Arellano-Bond m1 menunjukkan hipotesis nol ditolak dan statistik Arellano-
Bond m2 menunjukkan hipotesis nol tidak ditolak.
Hipotesis nol dari uji Sargan adalah :
H0 : Over-identifying restriction untuk instrumen valid
H1 : Over-identifying restriction untuk instrumen tidak valid
Sedangkan hipotesis nol dari statistik Arellano-Bond m1 adalah sebagai berikut :
H0 : Tidak terdapat first-order serial correlation dalam first-differenced
residuals
H1 : Terdapat first-order serial correlation dalam first-differenced
residuals
dan hipotesis nol dari statistik Arellano-Bond m2 adalah sebagai berikut :
43
43
H0 : Tidak terdapat second-order serial correlation dalam first-differenced
residuals
H1 : Terdapat second-order serial correlation dalam first-differenced
residuals
Dalam melakukan analisis regresi data panel dinamis, digunakan beberapa
uji diantaranya uji stasioneritas, menentukan panjang lag, nested test dan model
selection criterion. Uji tersebut adalah sebagai berikut :
1. Uji Stasioneritas
Blundell dan Bond (1998) menyebutkan bahwa penggunaan restriksi dalam
estimator GMM akan valid ketika dilakukan dengan asumsi stasioner. Kondisi
stasioner adalah ketika variabel memiliki mean dan varians yang tidak bervariasi
secara sistematis atau konstan antar waktu. Untuk uji stasioneritas digunakan tes
unit root panel yang pada dasarnya serupa dengan tes unit root yang digunakan
dalam series single. Uji unit root yang mengikuti proses AR(1) untuk data panel
menggunakan model sebagai berikut :
yit = ρi yit-1 + Xitδi + eit 3.17
dengan :
i = 1,2, ... ,N unit cross-section atau series
t = 1,2, ... ,Ti periode observasi
Xit = variabel eksogenus dalam model, mencakup fixed effects maupun trend
individual
ρi = koefisien autoregressive
eit = error dengan asumsi mutually independent idiosyncratic
Jika |ρi| < 1 maka yi dikatakan weakly (trend-)stationary sedangkan jika |ρi| = 1
maka yi mengandung unit root. Beberapa tes yang digunakan untuk uji unit root
panel adalah Levin, Lin dan Chu (LLC), Breitung dan Hadri untuk common unit
root dan Im, Pesaran dan Smith (IPS), ADF-Fisher dan PP-Fisher untuk
individual unit root. Dalam penelitian ini akan digunakan tes Levin, Lin dan Chu
(LLC) untuk common unit root dan PP-Fisher untuk individual unit root. Levin,
Lin dan Chu (LLC) mengasumsikan bahwa terdapat proses common unit root
sehingga ρi identik antar cross-section atau ρi = ρ untuk semua i. Hipotesis nol
yang digunakan dalam tes LLC adalah panel tidak mengandung unit root. Tes PP-
44
Fisher yang memperbolehkan adanya proses individual unit root sehingga ρi dapat
bervariasi antar cross-section dilakukan dengan mengkombinasikan tes unit root
individu untuk mendapatkan hasil panel-specific. Hipotesis dari PP-Fisher adalah
sebagai berikut:
H0 : cross-sections mengandung unit root
H1 : beberapa cross-sections tidak mengandung unit root
2. Penentuan Panjang Lag
Permasalahan dari model dinamis dengan lag adalah menentukan panjang
lag. Cara menentukan panjang lag adalah dengan AIC dan SIC (Greene, 2003).
Penelitian ini akan menggunakan AIC untuk menentukan panjang lag. Jika
beberapa lag (P) maksimum diketahui dari tinjauan empiris, maka p < P dapat
dipilih untuk meminimumkan AIC(p) atau SIC(p) dengan rumus :
AIC (p) = ln ( ) + ( ) 3.18
SIC(p) = AIC(p) + ( ) (ln T – 2) 3.19
dengan :
RSS = residual sum square model dengan lag p
T = jumlah waktu ; p = panjang lag
3. Nested test dengan F-test
Model tidak terestriksi adalah model yang memasukkan semua variabel
maupun lag sesuai dengan model empiris. Model tidak terestriksi akan dilihat
apakah dengan tidak memasukkan beberapa variabel dalam model dapat diwakili
oleh model terestriksi. F-test digunakan untuk menguji apakah model terestriksi
dapat digunakan untuk mewakili model tidak terestriksi. F-test didefinisikan
sebagai berikut : = ~ ( ,( )) 3.20
dengan :
RSSR = residual sum square model terestriksi
RSSUR = residual sum square model tidak terestriksi
m = jumlah restriksi linier
k = jumlah parameter di model tidak terestriksi
n = jumlah observasi
45
45
4. Model Selection Criterion
Kriteria seleksi model digunakan untuk melihat bagaimana model terpilih
sesuai (fits) dengan data dalam sampel yang tersedia (Gujarati, 2004). Dua kriteria
yang akan digunakan dalam penelitian ini adalah Akaike information criterion
(AIC) dan Schwarz information criterion (SIC). Definisi AIC dan SIC adalah
sebagai berikut:
ln AIC = ( ) + ln ( ) 3.21
ln SIC = ln n + ln ( ) 3.22
dengan :
RSS = residual sum of squares
k = jumlah regressor termasuk intersep
n = jumlah observasi
Nilai AIC dan SIC yang semakin kecil menyatakan bahwa model yang
digunakan semakin baik. SIC menerapkan penalti yang lebih keras ketika ada
penambahan regressor dalam model. Oleh karena itu, penelitian ini akan
menggunakan AIC sebagai model selection criterion.
3.3 Variabel dan Spesifikasi Model
Untuk membuktikan secara empiris mengenai respon perbankan terhadap
perubahan kebijakan moneter dengan menggunakan data panel, digunakan model
dari Ehrmann et al. (2002). Asumsi dasarnya adalah ekuilibirum antara Deposito
Bank (D) dan Jumlah Uang Beredar (M) yang keduanya merupakan fungis dari
suku bunga (MP) yang ditentukan oleh otoritas moneter. Model tersebut
didefinisikan sebagai berikut :
M=D= -ψMP + χ 3.23
dengan :
M = Jumlah Uang Beredar
D = Deposito Bank
MP = suku bunga kebijakan
Ψ = koefisien suku bunga kebijakan
χ = konstanta
46
Bank i menghadapi permintaan kredit ( )yang tergantung pada aktivitas
perekonomian (y), tingkat inflasi (π) dan suku bunga nominal kredit (rL) dengan
hubungan sebagai berikut :
= φ1y + φ2 π – φ3 rL φ1 > 0 dan φ3 > 0 3.24
Permintaan kredit seharusnya berhubungan positif dengan aktivitas
perekonomian, dan secara negatif berhubungan dengan suku bunga nominal
kredit. Koefisien dari inflasi (φ2) bisa positif ataupun negatif karena berhubungan
erat dengan ekuilibrium steady-state di ekonomi. Penawaran kredit oleh bank ( )adalah fungsi dari jumlah deposito yang tersedia (D), suku bunga nominal kredit
(rL), dan instrumen kebijakan moneter (MP), dimana instrumen kebijakan moneter
bisa suku bunga kebijakan , Giro Wajib Minimum, ataupun keduanya yang
ditentukan oleh bank sentral. Dampak langsung dari suku bunga kebijakan
merepresentasikan opportunity cost bagi bank ketika bank memutuskan untuk
memanfaatkan pasar uang antar bank sebagai sumber likuiditas. Penawaran kredit
dinyatakan sebagai berikut :
= μi (xi)Di + φ4 rL – φ5 MP φ4 > 0 dan φ5 > 0 3.25
Bank diasumsikan tidak semuanya memiliki tingkat ketergantungan yang
sama terhadap deposito. Model mengasumsikan bahwa dampak dari perubahan
Deposito lebih kecil bagi bank yang memiliki karakteristik rendah. Karakteristik
yang dimaksud adalah ukuran (size), likuiditas (liquidity) dan kapital
(capitalisation) dengan notasi xi. Asumsi tersebut dinyatakan dalam hubungan
sebagai berikut :
μi (xi) = μ0 - μ1 (xi) 3.26
Dari persamaan (3.24) dapat ditulis menjadi :
φ3 rL = φ1y + φ2 π -
rL = (φ1y + φ2 π - ) 3.27
Persamaan (3.24), (3.25) dan (3.26) dapat dinyatakan sebagai berikut :
φ4 rL = φ5 MP - μi (xi)Di +
rL = (φ5 MP – (μ0 - μ1 (xi))( -ψMP + χ)+ )
rL = (φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(xi) + μ1 χ xi + ) 3.28
47
47
Kondisi ekuilibrium di pasar kredit dengan persamaan (3.26) dan (3.27)
menghasilkan model reduced form sebagai berikut :
(φ1y + φ2 π - ) = (φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(x1) + μ1 χ x1 + )+ = (φ1y + φ2 π) - (φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(xi) + μ1 χ xi)+ = + - - + + -
(φ3 + φ4)Li = + - - + +
-
Li = (φ1 φ4y + φ2 φ4π – φ3 φ5MP - φ3 μ0ψMP + φ3 μ0 χ + φ3 μ1ψMP xi - φ3
μ1 χ xi )
Li = (φ3 μ0 χ + φ1 φ4y + φ2 φ4π – (φ3 φ5 + φ3 μ0ψ)MP + φ3 μ1ψMP xi –
φ3 μ1 χ xi ) 3.29
Persamaan (3.29) dapat dituliskan dalam bentuk persamaan sebagai berikut :
Li = β0 + β1y + β2 π – β3MP + β4MPxi – β5xi 3.30
dengan :
Li = nilai kredit bank ke-i (jutaan rupiah) ; i =1,2,.....,101
y = pertumbuhan PDB riil
π = tingkat inflasi
MP = instrumen kebijakan moneter, yaitu BI Rate
xi = karakteristik bank ke-i
βk = parameter yang merepresentasikan μ0, μ1, dan φh ; k = 0,1,...,5 ; h = 1,2,...,5
Ehrmann et al. (2002) menambahkan respon asimetris dari kredit bank
terhadap pertumbuhan perekonomian dan tingkat inflasi dengan menambahkan
variabel interaksi antara variabel makroekonomi (pertumbuhan dan inflasi)
dengan karakteristik bank. Model yang akan diestimasi merupakan versi model
dengan variabel tingkat pertumbuhan kredit bank yang dipengaruhi oleh variabel
lag dari tingkat pertumbuhan kredit bank tersebut, variabel perubahan kebijakan
moneter dan lag-nya, variabel pertumbuhan PDB riil dan inflasi sebagai variabel
yang menghitung situasi perekonomian secara umum, variabel karakteristik bank,
dan variabel interaksi antara karakteristik bank dengan perubahan kebijakan
48
moneter dan kondisi perekonomian. Dasar dari penggunaan model tersebut adalah
sebagai berikut :
1. Pertumbuhan kredit bank didasari oleh reaksi bank terhadap perubahan suku
bunga dengan menyesuaikan jumlah kredit baru. Penyesuaian kredit baru akan
melihat pada perubahan kredit di waktu-waktu sebelumnya. Nilai kredit
merupakan pendekatan untuk stok kredit di triwulan tertentu, sedangkan untuk
aliran (flow) kredit menggunakan pendekatan first difference.
2. BI rate digunakan sebagai instrumen kebijakan moneter karena sejak bulan
Juli tahun 2005 Bank Indonesia menggunakan BI Rate sebagai suku bunga
acuan, sehingga diharapkan bank dapat merespon terhadap perubahan dari BI
Rate.
3. Pertumbuhan PDB riil menggambarkan situasi perekonomian yang dapat
menstimulasi investasi yang berarti menyebabkan perubahan pada
pertumbuhan kredit akibat dari permintaan kredit yang bergeser.
4. Inflasi merupakan pendekatan untuk tingkat harga dalam perekonomian.
5. Karakteristik bank adalah indikator kesehatan dari bank dengan menggunakan
pendekatan ukuran aset (size), likuiditas (liquidity), kapital dan CAR
(capitalisation) dari bank. Neraca bank bulan ke-t diumumkan di bulan t+1
sehingga ada jeda waktu (lag) antara informasi dari bank dengan informasi
yang dapat diakses oleh masyarakat. Lag tersebut memengaruhi penyesuaian
kredit baru oleh bank.
6. Efek dari perubahan kebijakan moneter terhadap perubahan pertumbuhan
kredit bank berdasarkan karakteristik bank dapat dilihat dari interaksi
karakteristik bank dengan perubahan kebijakan moneter.
Model yang akan diestimasi menurut Ehrmann et al.(2002), yang juga
digunakan oleh Juurikkala et al. (2011), adalah sebagai berikut :
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + ∑ δ ∆ ln( )+ ∑ ∂ + μxi,t-1 + ∑ θ , ∆ +∑ θ , ∆ ln( ) + ∑ θ , + ɛit 3.31
dengan :
∆ ln (Li,t) = pertumbuhan kredit bank ke-i triwulan ke-t ; i = 1,2,....,N ; t=1,2,....,T
49
49
N = 99 ;
T = 24
l = jumlah lag
α0 = konstanta ;
∆MP = perubahan BI Rate
∆ ln (GDP) = laju pertumbuhan PDB riil
Inflasi = tingkat inflasi
xi,t-1 = lag karakteristik bank ke-i ;
xi,t-1∆MP = interaksi karakteristik bank dengan perubahan BI Rate
xi,t-1∆ ln (GDP) = interaksi karakteristik bank dengan pertumbuhan PDB riil
xi,t-1inflasi = interaksi karakteristik bank dengan inflasi
ɛit = error term
Model (3.31) akan diestimasi dengan memasukkan tiga variabel
karakteristik bank secara terpisah maupun secara bersama-sama. Hal tersebut
dilakukan untuk melihat siginifikansi dari masing-masing karakteristik maupun
dari ketiga karakteristik secara bersamaan yang dapat menjelaskan karakteristik
mana yang paling berpengaruh dalam pertumbuhan kredit bank. Spesifikasi model
(3.31) diestimasi dengan masing-masing karakteristik bank tanpa variabel
pertumbuhan PDB dan inflasi, yaitu :
1. Karakteristik ukuran aset (size).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + μ (sizei,t-1) +∑ θ , ∆ + ɛit 3.32
2. Karakteristik likuiditas (liquidity).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + ω (liqi,t-1) +∑ θ , ∆ + ɛit 3.33
3. Karakteristik kapital (capitalisation).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + τ (capi,t-1) +∑ θ , ∆ + ɛit 3.34
4. Karakteristik ukuran aset (size), likuiditas (liquidity), (kapital (capitalisation).
50
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + μ (sizei,t-1) +∑ θ , ∆ + ω (liqi,t-1) +∑ θ , ∆ + τ (capi,t-1) +∑ θ , ∆ + ɛit 3.35
Spesifikasi model (3.31) diestimasi dengan masing-masing karakteristik
bank dengan variabel pertumbuhan PDB dan inflasi, yaitu :
1. Karakteristik ukuran aset (size).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ +∑ δ ∆ ln( ) + ∑ ∂ + μ (sizei,t-
1) + ∑ θ , ∆ +∑ θ , ∆ ln( ) +∑ θ , + ɛit 3.36
2. Karakteristik likuiditas (liquidity).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ +∑ δ ∆ ln( ) + ∑ ∂ + ω (liqi,t-1)
+ ∑ θ , ∆ +∑ θ , ∆ ln( ) +∑ θ , + ɛit 3.37
3. Karakteristik kapital (capitalisation).
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ +∑ δ ∆ ln( ) + ∑ ∂ + τ (capi,t-1)
+ ∑ θ , ∆ +∑ θ , ∆ ln( ) +∑ θ , + ɛit 3.38
4. Karakteristik total aset (size), likuiditas (liquidity), kapital (capitalisation).
51
51
∆ ln (Li,t) = α0 + ∑ β ∆ ln , + ∑ γ ∆ + μ (sizei,t-1) +∑ θ , ∆ + ∑ θ , ∆ ln( ) +∑ θ , + ω (liqi,t-1) +∑ θ , ∆ + ∑ θ , ∆ ln( ) +∑ θ , + τ (capi,t-1) +∑ θ , ∆ + ∑ θ , ∆ ln( ) +∑ θ , + ɛit 3.39
Untuk memperkaya analisis dengan menggunakan data yang ada maka
selain mengestimasi model dinamis dengan metode GMM, penelitian ini juga
akan mengestimasi model pooled dengan metode pooled regression. Dengan
pooled regression, restriksi semua koefisien adalah sama untuk semua unit
individu tidak lagi diberlakukan. Pooled regression mengasumsikan bahwa
koefisien konstanta, karakteristik bank, perubahan BI rate dan interaksi
karakteristik bank dengan perubahan BI rate adalah berbeda antar individu bank.
Model yang diestimasi merujuk pada model yang digunakan oleh Ehrmann et al.
(2001), yang menggunakan model pooled regression untuk menganalisis tiap
negara yang termasuk dalam zona Euro. Model Ehrmann et al.(2001) untuk
pooled regression adalah sebagai berikut :
∆ ln (Li,t) = αi + β1∆ ln , + ∑ γ ∆ , + ∑ δ ∆ ln( , ) +∑ ∂ , + μxi,t-1 + ∑ θ , ∆ , +∑ θ , ∆ ln( , ) + ∑ θ , , +∑ ω ∆ + ω2jccxi,t-1 + ∑ ω , ∆ , + ɛit 3.40
dengan :
∆ ln (Li,t) = pertumbuhan kredit bank ke-i triwulan ke-t ; i = 1,2,....,N ; t=1,2,....,T
T = 24
l = jumlah lag
αi = konstanta ; intersep spesifik bank
∆MP = perubahan BI Rate
∆ ln (GDP) = laju pertumbuhan PDB riil
52
Inflasi = tingkat inflasi
xi,t-1 = lag karakteristik bank ke-i ;
xi,t-1∆MP = interaksi karakteristik bank dengan perubahan BI Rate
xi,t-1∆ ln (GDP) = interaksi karakteristik bank dengan pertumbuhan PDB riil
xi,t-1inflasi = interaksi karakteristik bank dengan inflasi
c = variabel dummy individu bank
ɛit = error term
Penggunaan dua jenis pendekatan karakteristik kapital yaitu kapital dan
CAR menuntun pada estimasi dengan dua set karakteristik bank yaitu set ukuran
aset, likuiditas dan kapital serta set ukuran aset, likuiditas dan CAR. Untuk
memenuhi prinsip parsimony, maka dari ke-8 spesifikasi model akan dilakukan
model selection untuk memilih satu model yang paling baik dalam menjelaskan
karakteristik bank dan kebijakan moneter di Indonesia. Dalam penelitian ini, hasil
estimasi akan dilaporkan dalam bentuk koefisien long-run. Greene (2003)
mendefinisikan koefisien lag dari model dinamis sebagai berikut :
1. Impact multiplier
β0 =impact multiplier =multiplier jangka pendek (short-run multiplier)
2. Efek terakumulasi (Cumulated effect)
Efek akumulasi τ periode kemudian dari impuls pada waktu t adalah βτ =∑3. Multiplier keseimbangan (equilibrium multiplier)
β = ∑ = multiplier keseimbangan = multiplier jangka panjang (long-run
multiplier)
Koefisien long-run dari persamaan (3.31) didapat melalui transformasi
struktur lag. Aturan yang berlaku umum adalah sebagai berikut :
Lyt = yt-1 3.41
L2yt = yt-2 3.42
Penulisan struktur lag dalam bentuk lag polinomial adalah sebagai berikut :
(1+ β1L + β2L2 + ...) yt = yt + β1 yt-1 + β2 yt-2 + .... 3.43
Model (3.31) melalui ditransformasi sebagai berikut :
(1-β1L-β2L2-β3L3-β4L4)∆ln(Lit) = α0 + (ϒ0 + ϒ1L - ϒ 2L2 - ϒ 3L3 - ϒ 4L4)∆MPt +
(δ0 + δ 1L - δ 2L2 - δ 3L3 - δ 4L4)∆ln(GDPt) +
53
53
(∂0 + ∂1L - ∂2L2 - ∂3L3 - ∂4L4)Inflasit + μxi,t-1
+ (θ10 + θ11L – θ12L2 – θ13L3 – θ14L4) xi,t-1
∆MPt + + (θ20 + θ21L – θ22L2 – θ23L3 – θ24L4)
xi,t-1∆ln(GDPt) + (θ30 + θ31L – θ32L2 – θ33L3 –θ34L4) xi,t-1Inflasit 3.44
Sehingga dapat dituliskan persamaan (3.31) dalam bentuk koefisien long-run
sebagai berikut :
∆ln(L) = ( ∑ ) + ∑( ∑ ) ∆MP + ∑( ∑ ) ∆ln(GDP) + ∑( ∑ ) Inflasi
+ ( ∑ ) x + ∑( ∑ ) x∆MP + ∑( ∑ ) x∆ln(GDP) + ∑( ∑ )xInflasi 3.45
3.4 Definisi Operasional
Berikut ini adalah definisi operasional dari masing-masing variabel yang
digunakan dalam model, antara lain :
1. Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan
itu, berdasarkan persetujuan atau kesepakatan pinjam-meminjam antara bank
dan pihak lain yang mewajibkan pihak peminjam untuk melunasi hutangnya
setelah jangka waktu tertentu dengan pemberian bunga (UU No. 10 Tahun
1998 tentang Perbankan, Pasal 1 angka 11). Termasuk dalam pengertian kredit
yang diberikan adalah kredit dalam rangka pembiayaan bersama, kredit dalam
restrukturisasi, pembelian surat berharga debitur yang dilengkapi dengan note
purchase agreement (NPA), kredit yang berasal dari bank garansi, L/C, atau
fasilitas lainnya yang tidak dapat diselesaikan (wanprestasi) dan dialihkan
menjadi kredit, serta cerukan. Kredit berdasarkan pengertiannya antara lain
memiliki unsur-unsur sebagai berikut:
1. persetujuan atau kesepakatan pinjam-meminjam;
2. aktivitas peminjaman uang atau tagihan sebesar plafon yang disepakati;
3. jangka waktu tertentu;
4. pendapatan berupa bunga atau imbalan atau pembagian keuntungan;
5. risiko; dan
6. jaminan dan atau agunan (jika ada)
54
Jenis kredit menurut penggunaannya, antara lain: (a) Kredit investasi; (b)
Kredit modal kerja; dan (c) Kredit konsumsi.
2. BI rate adalah suku bunga kebijakan yang mencerminkan sikap
atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan
diumumkan kepada publik.
3. PDB harga konstan (riil) yaitu PDB yang dapat digunakan untuk menunjukkan
laju pertumbuhan ekonomi secara keseluruhan atau setiap sektor dari tahun ke
tahun.
4. Inflasi adalah kenaikan harga barang dan jasa secara umum dimana barang
dan jasa tersebut merupakan kebutuhan pokok masyarakat atau turunnya daya
jual mata uang suatu negara.
6. Surat berharga adalah surat pengakuan utang, wesel, obligasi, sekuritas kredit,
atau setiap derivatifnya, atau kepentingan lain, atau suatu kewajiban dari
penerbit, dalam bentuk yang lazim diperdagangkan dalam pasar modal dan
pasar uang.
7. Alat likuid merupakan uang tunai dan aset lain yang dapat segera diuangkan
sehingga operasional usaha tetap berjalan, termasuk persediaan (inventory)
barang dagangan, biaya dibayar dimuka dan aset yang dapat diuangkan dalam
waktu 1 tahun (liquid assets).
8. Modal adalah sejumlah dana yang digunakan untuk menjalankan kegiatan
usaha, pada perusahaan umumnya diperoleh dengan cara menerbitkan saham
(capital). Cakupan modal bank antara lain :
a. Modal disetor adalah modal yang telah disetor secara efektif oleh
pemiliknya; bagi bank yang berbentuk hukum koperasi, modal disetor
terdiri atas simpanan wajib dan modal penyertaan sebagaimana diatur
dalam UU No. 25 tahun 1992 tentang perkoperasian (paid up capital).
b. Modal ditempatkan adalah bagian modal dasar suatu perseroan terbatas
yang tertera dalam anggaran dasar yang merupakan kewajiban para
pemegang sahamnya dan telah disanggupi untuk disetor (issued capital;
subscribed)
9. Modal inti adalah modal bank yang terdiri atas modal disetor, modal
sumbangan, cadangan yang dibentuk dari laba setelah pajak, dan laba yang
55
55
diperoleh setelah diperhitungkan pajak, setelah dikurangi muhibah (goodwill)
yang ada dalam pembukuan bank dan kekurangan jumlah penyisihan
penghapusan aktiva produktif dan jumlah yang seharusnya dibentuk sesuai
dengan ketentuan Bank Indonesia (core capital).
10. Modal pelengkap adalah modal bank yang terdiri atas modal pinjaman,
pinjaman subordinasi, dan cadangan yang dibentuk tidak berasal dari laba
(supplementary capital)
11. Rumus yang digunakan untuk mendapatkan variabel-variabel karakteristik
bank adalah sebagai berikut :
a. Bank size diukur sebagai logaritma natural dari total aset.= ln − ∑ ln 3.46
b. Liquidity diukur sebagai share dari aset likuid dalam total aset. Aset likuid
adalah kas + penempatan pada BI + penempatan pada bank lain + surat
berharga yang dimiliki. = − ∑ ∑ 3.47
c. Capitalization adalah rasio modal (modal inti + modal pelengkap)
terhadap total aset bank. = − ∑ ∑ 3.48
d. CAR didapat dari laporan triwulanan bank kepada Bank Indonesia.
Karakteristik bank dinormalkan terhadap rata-rata semua bank yang dicakup
oleh penelitian dengan tujuan untuk mendapatkan indikator yang memenuhi
kondisi nol ketika dijumlahkan untuk seluruh waktu observasi dan membuang
trend dari tiap karakteristik tersebut. Rata-rata interaksi antara karakteristik bank
dengan perubahan kebijakan moneter juga bernilai nol.
12. CAR = modal / ATMR
Modal bagi Bank yang berkantor pusat di Indonesia terdiri dari: a. Modal inti
(tier 1); b. Modal Pelengkap (tier 2); dan c. Modal pelengkap tambahan (tier 3).
Setelah memperhitungkan faktor-faktor tertentu yang menjadi pengurang modal
sebagaimana dimaksud dalam pasal 13 dan pasal 20 pada PBI No.
10/15/PBI/2008.
56
ATMR terdiri dari: a. ATMR untuk Risiko Kredit; b. ATMR untuk Risiko
Operasional; c. ATMR untuk Risiko Pasar. Setiap Bank wajib memperhitungkan
ATMR untuk risiko kredit dan ATMR untuk risiko Operasional.