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.