pengaruh struktur pasar terhadap kinjerja bprs di...

PENGARUH STRUKTUR PASAR TERHADAP

KINJERJA BPRS DI INDONESIA

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh

Gelar Sarjana Ekonomi (S.E)

SABRINA FITRIA

NIM : 1111046100103

PROGRAM STUDI PERBANKAN SYARIAH

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA

1437 H/2017 M

iv

ABSTRAK

Sabrina Fitria. (1111046100103) Pengaruh Struktur Pasar terhadap Kinerja

BPRS di Indonesia. Program Studi Perbankan Syariah. Fakultas Ekonomi

dan Bisnis. Universitas Islam Negri Syarif Hidayatullah Jakarta, 2017.

Bank Pembiayaan Rakyat Syariah (BPRS) perlahan mulai terancam posisinya di

pasar oleh Bank Umum Syariah (BUS) dan Unit Usaha Syariah (UUS). Menggunakan

data periode 2010-2015, penelitian ini bertujuan untuk menganalisa batas-batas pasar

antara BPRS dan BUS-UUS serta menentukan tingkat persaingan di antara perbankan

syariah di Indonesia. Hasilnya akan digunakan untuk mengidentifikasi pengaruh struktur

pasar terhadap kinerja BPRS. Dengan metode OLS dan VECM, penelitian ini

menunjukkan bahwa BPRS dan BUS-UUS selalu berada pada pasar pembiayaan yang

sama. Sementara itu dengan pengecualian BUS-UUS, BPRS memiliki tingkat persaingan

monopolistik yang sangat kompetitif. Meskipun BUS-UUS mendominasi pasar

pembiayaan, penelitian ini tidak menunjukkan adanya pengaruh yang signifikan antara

tingkat konsentrasi dengan profitabilitas BPRS. Namun dominasi BUS-UUS yang tinggi

tersebut cenderung menaikkan resiko pembiayaan yang dihadapi BPRS.

Kata kunci : Bank Pembiayaan Rakyat Syariah, Struktur Pasar, Bank,Kinerja Perbankan,

OLS, VECM.

Pembimbing : Ir. M. Nadratuzzaman Hosen, MS, MSc, Ph.D

Daftar Pustaka : Tahun 1999 s.d Tahun 2016

v

ABSTRACT

Sabrina Fitria. (1111046100103) The Influence of Market Structure on

Performance of Islamic Rural Bank in Indonesia. Sharia Banking Studies

Program, Faculty of Economic and Business. State Islamic University of Syarif

Hidayatullah Jakarta, 2017.

Islamic Rural Banks (IRB) are slowly being threatened by Islamic Commercial

Banks (ICB) and Islamic Business Unit of a Conventional Banks (IBCB). Using data

from 2010-2015, this study aims to analyze market boundary between IRB, ICB, and

IBCB. This study also has a purpose to determine market structure among Islamic banks

in Indonesia. The result will be used to identify whether market structure influences

performance of IRB. By using OLS and VECM methods, this study shows that IRB, ICB,

and IBCB have always been in the same market in terms of financing. Nevertheless, IRB

is in almost almost monopolistic market competition without ICB-IBCB. Despite the

finding that ICB-IBCB dominate financing market, this research shows that there is no

significant influence between market concentration towards profitability. However, the

high level domination of ICB-IBCB tend to increase financing risk faced by IRB.

Moreover, this influence between concentration rate toward financing risk decrease year

by year.

Keywords : Islamic Rural Bank, Market Structure, Banks’ Peformance, OLS, VECM.

Advisor : Ir. M. Nadratuzzaman Hosen, MS, MSc, Ph.D

Reference : 1999 to 2016

vi

DAFTAR RIWAYAT HIDUP

A. Data Pribadi

Nama Lengkap : Sabrina Fitria

Tempat, Tanggal Lahir : Bekasi, 23 Maret 1993

Jenis Kelamin : Perempuan

Agama : Islam

Alamat : Jalan Raya AL Gang Haji Rijin No. 53 RT 001/09

Jatimakmur, Pondok Gede, Bekasi, 17413

Telepon : 087883530721

Email : [email protected]

B. Latar Belakang Pendidikan Formal

1999 s.d 2005 : SDIT IQRA

2005 s.d 2008 : SMPN 9 Bekasi

2008 s.d 2011 : SMAN 5 Bekasi

C. Pengalaman Organisasi

2017 s.d sekarang : ASEAN Youth Organization of Indonesia

(Audit Nasional)

2016 s.d sekarang : UI Toastmasters

(Anggota)

2016 s.d sekarang : Center for Indonesia’s Development Strategic and

Initiative (Penggerak Nusantara – Enumerator)

2016 s.d sekarang : Young on Top Bekasi

(Bendahara)

2016 : ASEAN Youth Organization of Indonesia

(Project Leader – ASEAN Training at ASEAN Secretariat)

mailto:[email protected]

vii

2016 : ASEAN Youth Organization of Australia

(Think Tank Officer)

2016 : Indonesian Youth for Sustainable Development Goals

(Researcher Volunteer)

2015 : Youth Corps Indonesia

(Reformis Muda Indonesia)

2014 : YouthsToday.com

(Campus Ambassador)

viiiviiiviii

KATA PENGANTAR

Assalamu’alaikum Wr. Wb

Alhamdulillah, segala puji dan syukur penulis haturkan kehadirat Allah

SWT yang telah memberikan anugerah dan nikmat-Nya sehingga penulis dapat

menyelesaikan skripsi ini. Shalawat serta salam semoga selalu tercurah kepada

Nabi besar junjungan Muhammad SAW, keluarga, sahabat, beserta pengikutnya

hingga akhir jaman.

Penulis sepenuhnya menyadari berbagai hambatan dan kesulitan selama

proses mengerjakan skripsi. Namun berkat kesungguhan hati, kerja keras, serta

dukungan dari berbagai pihak, baik secara langsung maupun tidak langsung,

penulis akhirnya berhasil mencapai titik ini. Untuk itu, ucapan terima kasih dan

penghargaan penulis sampaikan kepada :

1. Bapak Asep Saipudin Jahar, MA, Ph.D, selaku Dekan Fakultas Syariah

dan Hukum Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta.

2. Ibu Dr. Euis Amalia, MA, selaku Wakil Dekan bidang akademik Program

Studi Muamalat Fakultas Syariah dan Hukum (FSH).

3. Bapak A.M Hasan Ali, MA, selaku Ketua Program Studi Muamalat.

4. Bapak Ir. M. Nadratuzzaman Hosen, MS, MSc, Ph.D selaku Dosen

Pembimbing yang telah dengan sabar membimbing dan membagikan

ilmunya, baik selama proses penyelesaian skripsi maupun proses belajar-

mengajar yang sangat menginspirasi.

5. Bapak Ahmad Chairul Hadi, MA, selaku Dosen Pembimbing Akademik

yang telah memberikan saran-saran pada penulis selama masa kuliah.

6. Ferry Yusuf dan Heni Kunur Wanti, selaku kedua orang tua yang telah

banyak memberikan dukungan tidak terhingga baik moriil maupun materiil

kepada penulis. Terima kasih untuk kepercayaannya selama ini.

7. Faris Alfatah, Ambar Fida, Zulfikar Fajri, dan Muhammad Ainul Fikri,

sebagai adik-adik penulis.

ix

8. Ika Yulita, sebagai teman berbagi mimpi, model panutan dan partner

bisnis bagi penulis. Terima kasih sudah sabar menghadapi penulis di saat-

saat susah. Semoga impian-impian yang penulis dan Ika selalu ceritakan

satu sama lain tercapai.

9. Amaliyah Ismah, Rika Yulita, dan Dina Fadhillah Az Zahara, sebagai

teman-teman seperjuangan semasa kuliah. Hari-hari di kelas tidak akan

semenyenangkan yang pernah penulis alami tanpa kalian.

10. Dyah Wuri Khairina dan Margaretha Butar-butar, sebagai teman-teman

baik yang saat ini terpisah jarak dan waktu, namun selalu memberikan

dukungan-dukungan positif kepada penulis.

11. Ridho Fotokopi, termasuk di antaranya, Ibu Tuti dan Suami, Mas Mul,

Mas Jaya, Mas Harno, dan kawan-kawan yang tanpa lelah selalu

membantu penulis.

12. Kakek, Nenek, serta Mutia Rika selaku Tante penulis, yang selalu

berusaha membantu penulis tiap ada kesempatan.

13. Seluruh pihak terkait yang tidak bisa disebutkan satu-persatu namun telah

banyak memberikan bantuan pada penulis.

Jakarta, 27 Februari 2017

Penulis,

Sabrina Fitria

x

DAFTAR ISI

PERSETUJUAN PEMBIMBING.................................................................. i

LEMBAR PENGESAHAN............................................................................ ii

LEMBAR PERNYATAAN .......................................................................... iii

ABSTRAK ..................................................................................................... iv

ABSTRACT ................................................................................................... v

DAFTAR RIWAYAT HIDUP ..................................................................... vi

KATA PENGANTAR ................................................................................ viii

DAFTAR ISI .................................................................................................. x

DAFTAR TABEL ....................................................................................... xiv

DAFTAR GAMBAR DAN GRAFIK ...................................................... xvii

DAFTAR LAMPIRAN ............................................................................ xviii

BAB I PENDAHULUAN

A. Latar Belakang .............................................................................. 1

B. Identifikasi Masalah .................................................................... 11

C. Pembatasan Masalah ................................................................... 12

D. Perumusan Masalah ..................................................................... 12

E. Tujuan dan Manfaat Penelitian ................................................... 13

F. Review Studi Terdahulu .............................................................. 14

xi

G. Hipotesis ...................................................................................... 24

BAB II LANDASAN TEORI

A. Bank Pembiayaan Rakyat Syariah .............................................. 30

B. Teori Panzar-Rosse ..................................................................... 33

C. Structure-Coduct Performance .................................................... 37

D. Teori Competition-Fragility dan Competition-Stability ............. 45

E. Kerangka Pemikiran .................................................................... 51

BAB III METODE PENELITIAN

A. Metode Penelitian ........................................................................ 50

1. Jenis Penelitian .................................................................... 50

2. Sumber Data dan Objek Penelitian ..................................... 50

3. Teknik Pengumpulan Data .................................................. 51

B. Variabel Penelitian ...................................................................... 52

1. Variabel Dependen .............................................................. 52

2. Variabel Independen ........................................................... 52

C. Teknik Analisis Data ................................................................... 55

1. Uji Asumsi Klasik ............................................................... 55

a. Uji Heterokedasitas ...................................................... 55

b. Uji Autokorelasi ........................................................... 56

c. Uji Multikolinearitas .................................................... 57

2. Analisis Regresi Linear Berganda ....................................... 59

a. Persamaan Linear Berganda ......................................... 59

xii

b. Uji Simultan (Uji F) ..................................................... 63

c. Uji Parsial (Uji t) .......................................................... 63

d. Uji Koefisien Determinasi (Uji R2) .............................. 64

3. Vector Autoregression (VAR) dan Vector Error Correction

Model (VECM) ................................................................... 64

a. Uji Stasioneritas dan Derajat Integrasi ......................... 66

b. Uji Lag Length ............................................................. 67

c. Uji Kausalitas Granger ................................................. 68

d. Uji Kointegrasi ............................................................. 69

e. VAR-VECM ................................................................ 70

f. Impulse Response Function (IRF) ................................ 71

g. Forecast Error Variance Decomposition (FEVD) ...... 72

BAB IV HASIL DAN ANALISIS DATA

A. Analisis Statistik Deskriptif ........................................................ 74

B. Uji Asumsi Klasik ....................................................................... 81

1. Uji Heterokedastisitas ........................................................... 81

2. Uji Autokorelasi .................................................................... 84

3. Uji Multikolinearitas ............................................................. 88

C. Analisis Regresi Linear Berganda ............................................... 92

1. Uji Simultan (Uji F) .............................................................. 92

2. Uji Parsial (Uji t) .................................................................. 95

3. Uji Koefisien Determinasi (Uji R2) ..................................... 103

4. Analisis Regresi Linear Berganda ....................................... 107

xiii

D. Model VECM ............................................................................ 126

1. Uji Stasioneritas dan Derajat Integrasi ................................ 127

2. Uji Lag Length .................................................................... 128

3. Uji Kausalitas Granger ........................................................ 129

4. Uji Kointegrasi .................................................................... 130

5. Uji Vector Error Correction Model (VECM) ..................... 132

6. Uji Impulse Response Function (IRF) ................................. 134

7. Uji Forecast Error Variance Decomposition (FEVD) ......... 136

BAB V PENUTUP

A. Kesimpulan ................................................................................ 139

B. Saran .......................................................................................... 141

DAFTAR PUSTAKA ................................................................................ 142

LAMPIRAN ............................................................................................... 145

xiv

DAFTAR TABEL

Tabel 1.1 Perbandingan Pangsa Pasar Bank Syariah di Indonesia .................. 7

Tabel 2.1 Tingkat Persaingan pada H-Stat .................................................... 34

Tabel 3.1 Jumlah Objek Per Periode Penelitian ............................................ 51

Tabel 3.2 Tabel Autokorelasi ........................................................................ 57

Tabel 4.1 Statistik Deskriptif Model Log(MUR) .......................................... 74

Tabel 4.2 Statistik Deskriptif Model Log(TR) .............................................. 76

Tabel 4.3 Statistik Deskriptif Model ROE .................................................... 78

Tabel 4.4 Statistik Deskriptif Model NPF ..................................................... 80

Tabel 4.5 Uji Heterokedastisitas Model Log(MUR) ..................................... 81

Tabel 4.6 Uji Heterokedastisitas Model Log(TR) ......................................... 82

Tabel 4.7 Uji Heterokedastisitas Model ROE ............................................... 83

Tabel 4.8 Uji Heterokedastisitas Model NPF ................................................ 83

Tabel 4.9 Uji Autokorelasi Model Log(MUR) ............................................. 84

Tabel 4.10 Uji Autokorelasi Model Log(TR) ............................................... 85

Tabel 4.11 Uji Autokorelasi Model ROE ...................................................... 86

Tabel 4.12 Uji Autokorelasi Model NPF ...................................................... 87

xv

Tabel 4.13 Uji Multikolinearitas Model Log(MUR) .................................... 88

Tabel 4.14 Uji Multikolinearitas Model Log(TR) ........................................ 89

Tabel 4.15 Uji Multikolinearitas Model ROE ............................................... 90

Tabel 4.16 Uji Multikolinearitas Model NPF ............................................... 92

Tabel 4.17 Uji F Model Log(MUR) .............................................................. 93

Tabel 4.18 Uji F Model Log(TR) .................................................................. 93

Tabel 4.19 Uji F Model ROE ........................................................................ 94

Tabel 4.20 Uji F Model NPF ......................................................................... 94

Tabel 4.21 Uji t Model Log(MUR) ............................................................... 97

Tabel 4.22 Uji t Model Log(TR) ................................................................... 99

Tabel 4.23 Uji t Model ROE ....................................................................... 101

Tabel 4.24 Uji t Model NPF ........................................................................ 103

Tabel 4.25 Uji Koefisien Determinasi Log(MUR) ..................................... 104

Tabel 4.26 Uji Koefisien Determinasi Log(TR) ......................................... 105

Tabel 4.27 Uji Koefisien Determinasi ROE ................................................ 105

Tabel 4.28 Uji Koefisien Determinasi NPF ................................................ 106

Tabel 4.29 Uji H-stat BPRS di Indonesia ................................................... 112

xvi

Tabel 4.30 Uji Unit Root ............................................................................. 127

Tabel 4.31 Uji Lag Length Criteria ............................................................ 129

Tabel 4.32 Uji Granger Causality ............................................................... 130

Tabel 4.33 Uji Derajat Kointegrasi ............................................................. 131

Tabel 4.34 Hasil Estimasi Jangka Panjang dan Jangka Pendek (VECM) ... 134

xvii

DAFTAR GAMBAR DAN GRAFIK

Grafik 1.1 Perkembangan BPRS di Indonesia ................................................ 2

Grafik 1.2 Proporsi Jumlah Tenaga Kerja UMKM dan Usaha Besar .............. 3

Grafik 1.3 Penyaluran Pembiayaan UMKM oleh BUS .................................. 4

Grafik 1.4 Rasio ROE pada BPRS, BUS-UUS, dan BPR ............................... 8

Grafik 1.5 Rasio NPF (BPRS dan BUS-UUS) dan NPL (BPR) ..................... 9

Grafik 4.1 Ekuivalen Bagi Hasil Deposito 12 Bulan .................................. 114

Grafik 4.2 Uji Impulse Response Function ................................................. 135

Grafik 4.3 Uji Forecast Error Variance Decomposition ............................ 138

Gambar 2.1 Alur Structure-Conduct-Performance ....................................... 38

Gambar 2.2 Alur Sstructure-Conduct-Performance pada BPRS .................. 43

Gambar 2.3 Kerangka Pemikiran Penelitian ................................................. 49

Gambar 3.1 Proses Analisis VAR-VECM .................................................... 73

xviiixviiixviii

DAFTAR LAMPIRAN

Lampiran 1 Data Model Log(MUR) ........................................................... 145

Lampiran 2 Analisis Regresi Linear Berganda Log(MUR) ........................ 147

Lampiran 3 Uji Heterokedastisitas Log(MUR) ........................................... 148

Lampiran 4 Uji Autokorelasi Log(MUR) ................................................... 148

Lampiran 5 Koreksi Autokorelasi Log(MUR) Cochrane Orcut Iteration ... 149

Lampiran 6 Koreksi Autokorelasi Log(MUR) Autoregressive ................... 149

Lampiran 7 Uji Multikolinearitas Log(MUR) ............................................ 150

Lampiran 8 Data Model Log(TR) ............................................................... 150

Lampiran 9 Analisis Regresi Linear Berganda Model Log(TR) ................. 152

Lampiran 10 Uji Heterokedastisitas Model Log(TR) ................................. 152

Lampiran 11 Uji Autokorelasi Model Log(TR) .......................................... 153

Lampiran 12 Koreksi Autokorelasi Model Log(TR) Cochrane Ourcut ...... 153

Lampiran 13 Koreksi Autokorelasi Model Log(TR) Autoregressive ......... 154

Lampiran 14 Uji Muktikolinearitas Model Log(TR) .................................. 154

Lampiran 15 Data Model ROE ................................................................... 155

Lampiran 16 Analisis Regresi Linear Berganda Model ROE ..................... 158

xix

Lampiran 17 Uji Heterokedastisitas Model ROE ....................................... 159

Lampiran 18 Uji Autokorelasi Model ROE ................................................ 160

Lampiran 19 Koreksi Model ROE Cochrane Orcut Iteration ..................... 161

Lampiran 20 Korelasi Autokorelasi Model ROE Autoregressive .............. 162

Lampiran 21 Uji Multikolinearitas Model ROE ......................................... 162

Lampiran 22 Data Model NPF .................................................................... 163

Lampiran 23 Analisis Regresi Linear Berganda Model NPF ..................... 166

Lampiran 24 Uji Heterokedastisitas Model NPF ........................................ 167

Lampiran 25 Uji Autokorelasi Model NPF ................................................. 168

Lampiran 26 Koreksi Model NPF Cochrane Orcut Iteration ....................... 169

Lampiran 27 Koreksi Autokorelasi Model NPF Autoregressive ................ 170

Lampiran 28 Uji Multikolinearitas Model NPF .......................................... 170

Lampiran 29 Uji Unit Root Level CAR ...................................................... 171

Lampiran 30 Uji Unit Root Level CR4 ....................................................... 172

Lampiran 31 Uji Unit Root First Difference CR4 ....................................... 173

Lampiran 32 Uji Unit Root Level FDR ...................................................... 174

Lampiran 33 Uji Unit Root First Difference FDR ...................................... 175

xx

Lampiran 34 Uji Unit Root Level Log(CPI) ............................................... 176

Lampiran 35 Uji Unit Root First Difference Log(CPI) ............................... 177

Lampiran 36 Uji Unit Root Level NPF ....................................................... 178

Lampiran 37 Uji Unit Root First Difference NPF ....................................... 179

Lampiran 38 Uji Unit Root Level ROA ...................................................... 180

Lampiran 39 Uji Unit Root First Difference ROA ..................................... 181

Lampiran 40 Uji Unit Root Level RRMURBUSUUS ................................ 182

Lampiran 41 Uji Kausalitas Granger .......................................................... 183

Lampiran 42 Uji Derajat Kointegrasi .......................................................... 184

Lampiran 43 Uji VECM Jangka Panjang .................................................... 185

Lampiran 44 Uji Wald CAR ....................................................................... 186

Lampiran 45 Uji Wald CR4 ........................................................................ 186

Lampiran 46 Uji Wald FDR ........................................................................ 187

Lampiran 47 Uji Wald Log(CPI) ................................................................ 187

Lampiran 48 Uji Wald ROA ....................................................................... 188

Lampiran 49 Uji Wald RRMURBUSUUS ................................................. 188

Lampiran 50 Uji IRF NPF terhadap NPF .................................................... 189

xxi

Lampiran 51 Uji IRF CAR terhadap NPF ................................................... 189

Lampiran 52 Uji IRF CR4 terhadap NPF ................................................... 190

Lampiran 53 Uji IRF FDR terhadap NPF ................................................... 190

Lampiran 54 Uji IRF Log(CPI) terhadap NPF ............................................ 191

Lampiran 55 Uji IRF ROA terhadap NPF .................................................. 191

Lampiran 56 Uji IRF RRMURBUSUUS terhadap NPF ............................. 192

Lampiran 57 Forecast Error Variance Decomposition ............................... 192

BAB I

PENDAHULUAN

A. Latar Belakang

Lahirnya Bank Perkreditan Rakyat (BPR) berawal dari keinginan untuk

membantu petani, buruh, serta pegawai agar terlepas dari jeratan rentenir yang

memberikan kredit dengan suku bunga yang terlalu tinggi. BPR yang pada abad

ke-19 merupakan berbagai lembaga perkreditan seperti lumbung desa, bank desa,

bank tani, dan bank dagang desa mengalami perkembangan yang pesat dari tahun

ke tahun berkat dukungan pemerintah berupa landasan hukum yang

semakin jelas.1

Saat ini, BPR merupakan lembaga keuangan perbankan yang turut

berperan penting terhadap pertumbuhan ekonomi Indonesia. dan memiliki fokus

usaha mikro berdasarkan Peraturan Bank Indonesia (PBI) No. 3/1/PBI/2001.

Seperti halnya BPR, Bank Pembiayaan Rakyat Syariah (BPRS) memiliki

fungsi serupa hanya saja kegiatan usahanya berlandaskan prinsip-prinsip syariah.

Selain Bank Umum Syariah (BUS) dan Unit Usaha Syariah (UUS), fenomena

pertumbuhan industri perbankan syariah yang drastis juga terjadi pada BPRS.

Pertumbuhan tersebut dapat dilihat dari sisi aset, dana pihak ketiga atau third-

party fund (TPF) dan total pembiayaan yang disalurkannya. Secara berturut-turut,

ketiga indikator tersebut menunjukkan tingkat kenaikan sebesar 219,78%,

226,7%, dan 242,6% dari tahun 2010 ke tahun 2015. Kenaikan yang lebih dari dua

kali lipat dalam lima tahun terakhir ini sudah seharusnya diiringi dengan naiknya

1

Bank Indonesia, “Perkembangan Sejarah BPR”, Dokumen diakses pada 3 Juni 2016, dari

http://www.bi.go.id/id/perbankan/edukasi/Pages/edukasiperbankan9.aspx.

1

http://www.bi.go.id/id/perbankan/edukasi/Pages/edukasiperbankan9.aspx

2

Jan

-10

Jul-

10

Ja

n-1

1

Jul-

11

Ja

n-1

2

Jul-

12

Ja

n-1

3

Jul-

13

Ja

n-1

4

Jul-

14

Ja

n-1

5

kontribusi BPRS dalam memberdayakan sektor Usaha Mikro Kecil Menengah

(UMKM) di Indonesia.

Grafik 1.1 :

Perkembangan BPRS di Indonesia (dalam miliar rupiah)

8000000

7000000

6000000

5000000

4000000

3000000

2000000

1000000

0

Aset

DPK

Pembiayaan

Sumber : Statistik Perbankan Syariah, diolah 2015

Selain merupakan jenis usaha yang paling dominan, UMKM juga menjadi

sumber penghasilan sebagian besar masyarakat di Indonesia, yakni lebih dari 90%

total populasi. Namun, Usaha Besar (UB) yang justru jumlahnya jauh lebih sedikit

yakni tidak sampai satu perseratus dibanding UMKM memiliki daya serap tenaga

kerja yang lebih tinggi. Secara rata-rata, tiap UB yang beroperasi dapat menyerap

sampai dengan 592 pekerja sementara UMKM pada umumnya hanya dijalankan

oleh 1-2 orang. Dilihat dari kontribusinya terhadap Produk Domestik Bruto (PDB)

nasional menurut harga konstan 2000, pada tahun 2011 masing-masing UB dan

UMKM menyumbang sebesar Rp 1.007,8 Triliun dan Rp 1.369,3 Triliun. Dengan

jumlah yang minoritas, kontribusi UB terhadap ekonomi nasional mencapai 42%

dari total PDB. Terlihat dengan jelas, UMKM masih belum tergarap dengan

optimal. Akan tetapi dengan jumlahnya yang sangat besar, pengembangan

3

terhadap UMKM dapat berdampak pada meningkatnya pertumbuhan ekonomi

serta menurunnya tingkat pengangguran.

Grafik 1.2: Proporsi Jumlah Tenaga Kerja UMKM dan Usaha Besar

(dalam %)

Mikro Kecil Menengah Besar

2.78% 2.76%

2.70% 2.72% 3.55% 3.75%

90.98%

90.77%

2010 2011

Sumber : Kementrian Koperasi dan Usaha Kecil Menegah

Keseriusan pemerintah terhadap pengembangan UMKM tercermin dari

penerapan berbagai kebijakan yang bertujuan untuk mempermudah akselerasi

sektor UMKM. Dikeluarkannya Peraturan Bank Indonesia (PBI) 17/12/PBI/2015

sebagai perubahan atas PBI No. 14/22/PBI/2012 yang mewajibkan bank umum

untuk menyalurkan pembiayaan pada UMKM secara bertahap merupakan salah

satunya. Penyaluran tersebut dimulai pada tahun 2015 dengan jumlah minimum

yang wajib disalurkan adalah 5% dari total kredit/pembiayaan, dan berujung pada

tahun 2018 dengan jumlah minimum yang disalurkan sebesar 20%.

4

Grafik 1.3 : Penyaluran Pembiayaan UMKM oleh BUS

80%

70%

60%

50%

40%

30%

20%

10%

0%

2013 2014 2015 2016

Bank Syariah Mandiri

Bank Muamalat Indonesia

BRI Syariah

BNI Syariah

Bank Mega Syariah

BCA Syariah

BJBS

Panin Syariah

Bank Syariah Bukopin

Victoria Syariah

Maybank Syariah

Sumber : Laporan Keuangan Publikasi Bank 2013 – 2016 (Diolah)

Pada umumnya BUS yang beroperasi di Indonesia sudah mencapai

penyaluran pembiayaan pada sektor UMKM di atas 20% bahkan sebelum tahun

2015 (Lihat Grafik 1.3). Sebaliknya, terjadi kelesuan pada sektor UMKM akibat

kondisi ekonomi yang melemah sehingga dana yang digelontorkan oleh BUS pada

sektor ini cenderung berkurang. Akan tetapi terdapat beberapa bank yang justru

mengalami peningkatan seperti Bank Victoria Syariah dan Maybank Syariah yang

sebelum tahun 2015 sama sekali tidak menyalurkan pembiayaan terhadap sektor

UMKM. Bank Mega Syariah yang sejak awal proporsi pembiayaan UMKM-nya

sudah tinggi juga mengalami peningkatan pada tahun 2016. Kenaikan tersebut

bisa jadi dimotivasi oleh PBI 17/12/PBI/2015 atau kebutuhan bisnis belaka. Pada

intinya, Grafik 1.3 di atas menunjukkan bahwa regulasi yang ada (Government)

mempengaruhi perilaku bank-bank (Conduct) dalam menyalurkan pembiayaan.

5

UMKM di Indonesia memang belum sepenuhnya tergarap, namun

cenderung kebal terhadap gejolak krisis. Ditambah dengan lesunya industri

korporat beberapa tahun belakangan, sektor UMKM telah menarik perhatian

bank-bank umum termasuk Bank Umum Syariah (BUS) maupun Unit Usaha

Syariah (UUS). BUS-UUS bahkan sudah mulai menyalurkan pembiayaan pada

sektor UMKM jauh sebelum PBI 17/12/PBI/2015 dirilis. Pada tahun 2010, total

pembiayaan yang disalurkan BUS-UUS terhadap usaha kecil dan menengah

adalah sebesar Rp 52.570 Miliar rupiah, atau lebih tiga kali lipat dibandingkan

sektor usaha lainnya.

Sebagai lembaga keuangan mikro, BPRS memiliki keunggulan dari sisi

pendekatan yang lebih personal terhadap konsumen, biaya administrasi yang lebih

murah, serta akses yang lebih mudah sedangkan keunggulan BUS-UUS terletak

pada kuatnya modal serta fasilitas maupun teknologi yang lebih mumpuni.2

Akan

tetapi, BUS-UUS terus-menerus meningkatkan kualitas pelayanan maupun

menerapkan tingkat bagi hasil pembiayaan yang semakin bersaing. Berdasarkan

Statistik Perbankan Syariah (SPS) Mei 2015, rata-rata tingkat bagi hasil

pembiayaan yang ditetapkan BUS-UUS dan BPRS secara berturut-turut adalah

13,01% dan 18,39%. Oleh karena keduanya mengincar salah satu pasar

pembiayaan yang sama yakni UMKM, perbedaan terhadap tingkat bagi hasil yang

cukup jauh tersebut dapat memengaruhi nasabah yang sebagian besar termasuk

kategori rasional karena mereka mempertimbangkan besarnya margin yang harus

2 Syafaat Muhari dan Muhamad Nadratuzzaman Hosen, “Efficiency of the Islamic Rural Bank in

Six Zones of Indonesia Using Non-Parametric and Parametric Method”, Journal of Islamic

Banking and Finance 32, No. 3 (Juli 2015): h. 52.

6

ditanggung. Dengan target pasar pembiayaan yang sama yakni UMKM, serta tipe

nasabah yang rasional, terdapat indikasi bahwa BPRS dan BUS-UUS berada pada

pasar yang sama.

Dengan mengecualikan BUS-UUS sebagai bagian dari pasar, BPRS

diperkirakan menghadapi struktur pasar persaingan yang sangat kompetitif. Hal

tersebut disebabkan oleh banyaknya jumlah BPRS yang beroperasi di Indonesia

diiringi dengan ukurannya yang masing-masing relatif kecil sehingga tidak adanya

bank besar yang mendominasi. Ruang operasi BPRS juga dibatasi garis-garis

provinsi. Studi terdahulu menunjukkan bahwa pasar kredit mikro BPR tanpa

melibatkan bank umum dikategorikan sebagai unconcentrated market karena

tingkat konsentrasi yang sangat rendah.3

Namun penelitian yang sama dengan

BPRS sebagai objek masih sangat minim.

Dengan dugaan terdapatnya persaingan antara BPRS dengan BUS-UUS

akibat PBI yang mewajibkan BUS untuk menyalurkan pembiayaan lebih besar

pada sector UMKM (conduct), struktur pasar akan berbalik menjadi sangat

terkonsentrasi (structure) sebab industri perbankan syariah di Indonesia sangat

didominasi oleh beberapa bank umum besar, yakni Bank Syariah Mandiri (BSM),

Bank Muamalat Indonesia (BMI), Bank Rakyat Indonesia Syariah (BRIS), dan

Bank Negara Indonesia (BNIS). Terhitung Mei 2015, keempat bank tersebut

secara bersama-sama menguasai pangsa pasar perbankan syariah sebesar 59,51%.

Struktur pasar yang terkonsentrasi ini menimbulkan pertanyaan apakah situasi

3

Januar Hafidz et all, “Tingkat Persaingan dan Efisiensi Bank Umum dan BPR di Pasar Kredit

Mikro di Indonesia,” (Working Paper Bank Indonesia, 2013), h. 30.

7

yang ada mendorong keempat bank terbesar untuk menjalankan praktik-praktik

kolusi dan senantiasa menggunakan kekuatan pasar yang dimiliki untuk meraih

keuntungan supernormal (performance). Pola seperti yang terjadi pada Traditional

Hypothesis dari teori Structure-Conduct-Performance (SCP).4

Pada kasus BPRS

di mana adanya indikasi batas-batas pasar tidak yang jelas, kemungkinan

terjadinya praktik kolutif dapat mengancam posisi bank-bank syariah kecil

lainnya, termasuk BPRS.

Tabel 1.1

Perbandingan Pangsa Pasar Bank Syariah di Indonesia

Bank Syariah Pangsa Pasar

BSM 24,42%

BMI 19,66%

BRIS 7,81%

BNIS 7,61%

BUS-UUS lain 40,49%

BPRS 2,45%

TOTAL 100%

Sumber : Data diolah dari Statistik Perbankan Syariah, 2015

Struktur pasar berupa tingkat konsentrasi (structure) juga dapat

mempengaruhi kinerja BPRS dilihat dari aspek earning atau profitabilitas

(performance). Tingkat profitabilitas pada BPRS salah satunya dapat diproksikan

oleh variabel Return on Equity (ROE). Apabila BPRS dibandingkan dengan BUS-

UUS serta BPRS, ketiganya memiliki pola pergerakan ROE yang sama yakni

4

Idqan Fahmi, “Dinamika Struktur Pasar dan Perilaku Bank serta Dampaknya terhadap Kinerja

Industri Perbankan Syariah di Indonesia,” (Disertasi S3 Fakultas Program Studi Ilmu Ekonomi

Pertanian, Institut Pertanian Bogor, 2012), h. 56.

8

cenderung menurun setelah tahun 2013 (Lihat Grafik 1.4). Akan tetapi, BPR yang

jenis operasinya cenderung mirip dengan BPRS terlihat memiliki ROE yang jauh

lebih tinggi dibandingkan BUS-UUS serta BPRS sendiri.

Grafik 1.4 : Rasio ROE pada BPRS, BUS-UUS, dan BPR

40.00%

35.00%

30.00%

25.00%

20.00%

15.00%

10.00%

5.00%

0.00%

2010 2011 2012 2013 2014 2015

26.48% 15.08%

7.98%

BPRS

BUS-UUS

BPR

Sumber : Statistik Perbankan Syariah 2010-2015 dan Statistik Perbankan

Indonesia 2010-2015 (Diolah)

Pergerakan ROE pada BPRS menimbulkan pertanyaan apakah tingkat

profitabilitas BPRS dipengaruhi oleh struktur pasar berupa tingkat konsentrasi.

Jika tingkat konsentrasi terbukti berpengaruh positif terhadap ROE, terdapat

indikasi adanya praktik-praktik kolutif antara bank-bank besar. Namun sebagai

industri yang beroperasi dengan prinsip-prinsip syariah, bank syariah tidak

seharusnya menggunakan menggunakan kekuatan yang dimilikinya untuk

mengeksploitasi pasar di luar batas kewajaran yang berakibat pada kerugian oleh

pihak-pihak lain.

9

8,2

5,37

3,98%

4

Sementara itu, aspek asset BPRS yang umumnya menggunakan Non-

Performing Financing (NPF) sebagai indikator dalam mengukur kinerja

perbankan, terus menunjukkan kenaikan dari tahun ke tahun. Selama beberapa

tahun terakhir, rasio NPF BPRS selalu berada pada peringkat faktor keuangan 2

menurut Kodifikasi Penilaian Tingkat Kesehatan BPRS oleh Bank Indonesia,

yakni berada di antara angka 7% sampai dengan 10%.5

Di sisi lain, BUS-UUS

yang juga beroperasi dengan prinsip syariah dan BPR yang memiliki jenis usaha

yang sama dengan BPRS justru tampak lebih dapat mengontrol resiko

kredit/pembiayaan yang dihadapinya (Lihat Grafik 1.5). Oleh karena itu,

penelitian terhadap faktor-faktor yang memengaruhi NPF pada BPRS, di mana

struktur pasar merupakan salah satu determinannya, menjadi penting. Apabila

situasi yang sama terus berlanjut dan bertambah parah, peluang terjadinya resiko

sistemik bisa datang kapanpun.

Grafik 1.5 : Rasio NPF (BPRS dan BUS-UUS) dan NPL (BPR)

10

% 8

6 BPRS

% BUS-UUS

BPR 2

0

2011 2012 2013 2014

Sumber : Statistik Perbankan Syariah (Diolah)

5

Bank Indonesia, Kodifikasi Peraturan Bank Indonesia Kelembagaan Penilaian Tingkat

Kesehatan Bank (Jakarta: Bank Indonesia, 2012), h. 296.

10

Masih sedikitnya studi yang menganalisa struktur pasar perbankan syariah

di Indonesia, terutama BPRS, serta pengaruhnya terhadap kinerja mendorong

penulis untuk mengangkat tema tersebut. Urgensi penelitian ini juga didorong

oleh dikeluarkannya PBI 17/12/PBI/2015 yang mempersengit tingkat persaingan

dalam pasar pembiayaan dengan fokus UMKM, serta rasio NPF BPRS yang

belum juga mengalami penurunan. Oleh karena itu, penulis memutuskan untuk

meneliti lebih jauh permasalahan ini ke dalam skripsi yang berjudul “Pengaruh

Struktur Pasar terhadap Kinerja BPRS di Indonesia.”

11

B. Identifikasi Masalah

Berdasarkan latar belakang tersebut, maka identifikasi masalah dalam

penelitian ini adalah :

1. Dirilisnya Peraturan Bank Indonesia (PBI) 17/12/PBI/2015 yang

mendorong bank umum untuk menyalurkan pembiayaan secara bertahap

pada sektor UMKM menimbulkan tanda tanya mengenai batas-batas pasar

antara Bank Umum Syariah dan Unit Usaha Syariah (BUS-UUS) dengan

Bank Pembiayaan Rakyat Syariah (BPRS) yang selama ini menjadikan

usaha mikro, kecil, dan menengah sebagai fokus utama pembiayaannya.

2. Banyaknya jumlah BPRS yang tersebar di Indonesia serta tidak

terdapatnya beberapa bank yang mendominasi memunculkan pertanyaan

mengenai tingkat persaingan antar sesama BPRS.

3. Industri perbankan syariah di Indonesia yang dominasi oleh empat BUS

terbesar membuka peluang terjadinya praktik-praktik kolutif yang

merugikan bank-bank berskala kecil seperti BPRS.

4. Tingkat pembiayaan bermasalah yang ditanggung BPRS selalu berada di

atas BUS-UUS dan BPR serta terus mengalami kenaikan dari tahun ke

tahun menimbulkan kekhawatiran akan resiko sistemik sehingga perlu

dianalisa faktor-faktor yang memengaruhinya, termasuk di antaranya

struktur pasar.

5. Tingginya tingkat pembiayaan bermasalah yang ditanggung BPRS

menimbulkan pertanyaan bagaimana faktor-faktor yang ada terutama

12

struktur pasar mempengaruhi pembiayaan bermasalah BPRS baik dalam

jangka pendek maupun jangka panjang.

C. Pembatasan Masalah

Dari latar belakang serta identifikasi masalah di atas, maka penulis

memberikan batasan-batasan pada penelitian berupa :

a. Metode analisis yang digunakan adalah regresi linear berganda serta

VAR-VECM.

b. Jangka waktu penelitian dari Januari 2010 hingga Mei 2015 untuk Model

1 dan 2 serta Juni 2010 hingga Mei 2015 untuk Model 3 dan 4.

c. Bank Syariah yang diteliti adalah BPRS. BUS-UUS turut dimasukkan ke

dalam model hanya sebagai variabel struktur pasar.

d. Struktur pasar yang diteliti pada penelitian ini menggunakan tingkat

konsentrasi yang diukur dari total aset.

D. Perumusan Masalah

Melalui pembatasan masalah di atas, penulis merumuskan masalah

penelitian sebagai berikut :

a. Bagaimana batas-batas pasar antara BUS-UUS dan BPRS?

b. Bagaimana struktur pasar BPRS tanpa melibatkan BUS-UUS?

c. Bagaimana pengaruh struktur pasar terhadap kinerja BPRS dilihat dari sisi

profitabilitas?

13

d. Bagaimana pengaruh struktur pasar terhadap kinerja BPRS dilihat dari sisi

resiko pembiayaan?

e. Bagaimana pengaruh struktur pasar terhadap kinerja BPRS baik dalam

jangka pendek maupun jangka panjang?

E. Tujuan dan Manfaat Penelitian

1. Tujuan Penelitian

Tujuan utama yang ingin dicapai oleh penelitian ini adalah :

a. Untuk menganalisa batas-batas pasar antara BPRS dan BUS-UUS dengan

menggunakan analisis regresi linear berganda.

b. Untuk mengidentifikasi struktur pasar BPRS tanpa melibatkan BUS-UUS

dengan menggunakan analisis regresi linear berganda.

c. Untuk menganalisa pengaruh struktur pasar terhadap kinerja BPRS dilihat

dari sisi profitabilitas dengan menggunakan regresi linear berganda.

d. Untuk menganalisa pengaruh struktur pasar terhadap kinerja BPRS dilihat

dari sisi resiko pembiayaan dengan menggunakan analisis regresi linear

berganda.

e. Untuk menganalisa pengaruh struktur pasar terhadap kinerja BPRS dilihat

dari sisi resiko pembiayaan baik dalam jangka pendek maupun jangka

panjang serta mengonfirmasi hasil analisis dari tujuan keempat dengan

menggunakan analisis Vector Autoregressive/Vector Error Correction

Model (VAR-VECM).

14

2. Manfaat Penelitian

a. Teori

Menambah pemahaman maupun menjadi referensi baik bagi akademisi

seperti mahasiswa dan dosen, maupun kalangan non-akademisi seperti

masyarakat.

b. Praktis

Menjadi referensi bagi kalangan manajemen perbankan terutama BPRS

dalam menjalankan bisnisnya, maupun regulator dalam menetapkan

kebijakan baru yang dapat mendukung perkembangan industri perbankan

syariah di Indonesia.

F. Review Studi Terdahulu

Idqan Fahmi (2012) Dinamika Struktur Pasar dan Perilaku Bank serta

Dampaknya terhadap Kinerja Industri Perbankan Syariah di Indonesia.

Menggunakan data tahunan beberapa BUS dan UUS yang beroperasi dari tahun

2005 sampai 2010 yang diolah dengan model Fixed Effect (FE), penelitian ini

menunjukkan bahwa bukannya menjadi ancaman, bank konvensional dan bank

syariah justru saling berkomplementer. Hal tersebut disebabkan oleh co-movement

antara suku bunga dengan tingkat bagi hasil. Hasil ini mengindikasikan masih

mengekornya bank syariah terhadap sistem suku bunga karena dominannya jenis

pembiayaan murabahah. Sementara itu konsentrasi pasar yang tinggi, baik dengan

pendekatan struktural maupun non-struktural, terbukti tidak memengaruhi bank-

bank syariah besar untuk melakukan praktik-praktik kolutif. Tidak signifikannya

pengaruh tingkat konsentrasi terhadap tingkat keuntungan serta tingginya

15

koefisien H-stat mendukung temuan di atas. Namun, tingkat konsentrasi ternyata

berpengaruh terhadap menurunnya pertumbuhan industri perbankan syariah di

Indonesia. Pengembangan terhadap bank-bank syariah yang masih berskala kecil

terbukti dapat menjadi boost dan sangat direkomendasikan, seperti halnya yang

terjadi pada BRI Syariah. Setelah melakukan spin-off, BRI Syariah mengambil

alih posisi Bank Mega Syariah dalam waktu yang relatif singkat.

Syafaat Muhari dan Muhamad Nadratuzzaman Hosen (2013). Efficiency of

the Sharia Rural Bank in Indonesia Lead to Modified CAMEL. Penelitian ini

bertujuan untuk menganalisa efisiensi biaya BPRS di Indonesia selama periode

Juni 2011 – Desember 2012 dengan menggunakan Stochastic Frontier Approach

(SFA) sebagai teknik analisis serta mengidentifikasi faktor-faktor yang memiliki

pengaruh yang signifikan terhadap tingkat efisiensi. Hasilnya adalah

didapatkannya tingkat efisiensi tertinggi sebesar 97,77% dan terendah sebesar

60,07%. Variabel independen berupa komponen input seperti biaya bagi hasil

pendanaan dan biaya tenaga kerja, serta komponen output seperti total pendanaan

dan penyimpanan pada bank lain terbukti memiliki pengaruh yang signifikan

terhadap tingkat efisiensi BPRS. Hanya saja apabila dibandingkan dengan BUS

(93,96%), tingkat efisiensi BPRS (80,44%) masih jauh tertinggal. Tingkat

efisiensi yang lebih baik membuka kesempatan bagi BUS untuk menetapkan

tingkat bagi hasil yang lebih kompetitif sehingga menjelaskan sifat rasional

nasabah perbankan syariah di Indonesia. Penelitian ini juga secara tidak langsung

mendukung hipotesis bahwa BPRS dan BUS-UUS berada pada pasar yang sama.

16

Januar Hafidz et. all. Tingkat Persaingan dan Efisiensi Bank Umum dan

BPR di Pasar Kredit Mikro di Indonesia. Bertujuan mengidentifikasi batas-batas

pasar dan tingkat efisiensi, Januar menggunakan pendekatan Herfindahl-

Hirschman Index (HI) dan Data Envelopment Analysis (DEA) Penelitian ini

menemukan bukti terdapatnya struktur pasar kredit mikro yang sangat

terkonsentrasi pada bank umum berdasarkan CR2, yakni mencapai lebih dari 70%

sedangkan BPR tidak lebih dari 6%. Sementara bila keduanya digabungkan,

tingkat konsentrasi yang tinggi tetap terjadi. Menurut survey dan Focus Group

Discussion (FGD) sebelumnya, 90% BPR menganggap bank umum sebagai

saingan dalam merebut nasabah kredit mikro sedangkan hanya 42% bank umum

yang beranggapan demikian. Masih banyaknya bank umum yang optimis

berpendapat bahwa keduanya berada pada pasar yang berbeda didasarkan pada

perbedaan plafon kredit yang ditawarkan. BPR cenderung memilih nasabah

dengan plafon yang relatif rendah, sedangkan nasabah kredit pada bank umum

biasanya berplafon menengah dan besar. Ditinjau dari sisi konsumen, 21% debitur

pada BPR mengaku pernah mendapatkan tawaran dari bank umum untuk

melakukan take over kredit.

Muhamed Zulkhibri Abdul-Majid (2007). Market Structure and Emerging

Market : Evidence from Malaysian Islamic Banking Industry. Penelitian ini

menggunakan 17 bank syariah, baik domestik maupun kepemilikan asing, yang

beroperasi di Malaysia selama tahun 2001-2005 serta teknik analisis FE.

Menggunakan data tahunan dan pendekatan non-struktural Panzar-Rosse, hasil

penelitian menunjukkan terdapatnya persaingan monopolistik yang dicerminkan

17

oleh nilai H-stat untuk tingkat keuntungan sebesar 0,375-0,616. Dari ketiga

variabel biaya input yang ada, hanya biaya kapital dan overhead (BKAP) yang

tidak berpengaruh signifikan. Sementara itu, biaya tenaga kerja (BTK) merupakan

variabel yang memiliki pengaruh paling besar dalam model. Dari bukti-bukti yang

ada, diambil kesimpulan bahwa terdapat kenaikan tingkat persaingan pada sektor

bank syariah beberapa tahun terakhir.

Nur Iman (2009). Analisis Tingkat Persaingan Industri Perbankan Syariah

Indonesia : Aplikasi Model Panzar-Rosse. Dalam penelitiannya, Nur Iman

menggunakan beberapa bank syariah serta bank konvensional yang beroperasi

selama tahun 2003-2008 sebagai objek serta FE sebagai teknik analisis. Dengan

data panel, penelitian ini mendukung terdapatnya tingkat persaingan monopolistik

yang sangat kompetitif antar bank syariah. Hal tersebut ditunjukkan oleh nilai H-

stat yang mencapai 0.977, di mana biaya bagi hasil (BBH) tercatat sebagai

variabel biaya input yang memiliki pengaruh terbesar. Di sisi lain, BKAP lagi-lagi

terbukti tidak berpengaruh secara signifikan terhadap tingkat keuntungan. Berbeda

dengan bank syariah, ketiga variabel biaya input pada bank konvensional

memiliki pengaruh signifikan terhadap total penerimaan yang diperoleh dengan

nilai H-stat sebesar 0,961. Dengan demikian, terdapatnya tingkat persaingan

monopolistik di antara bank konvensional pun terbukti. Namun sama halnya

dengan bank syariah, biaya bunga/bagi hasil juga merupakan variabel biaya yang

memiliki pengaruh terbesar terhadap tingkat keuntungan. Penelitian ini tidak

menemukan cukup bukti untuk menyatakan bahwa persaingan antara bank

konvensional dan bank syariah berbeda.

18

Ratna Sri Widyastuti dan Boedi Armanto (2013). Kompetisi Industri

Perbankan Indonesia. Penelitian ini mencoba menganalisa tingkat persaingan

antar bank umum di Indonesia setelah Arsitektur Perbankan Indonesia (API)

diterbitkan dengan menggunakan teknik estimasi Random Effect (RE).

Menggunakan data panel serta pendekatan non-struktural Panzar-Rosse dan Uji

Wald, hasil penelitian menunjukkan bahwa secara keseluruhan terdapat penurunan

tingkat persaingan semenjak API berlaku. Bank-bank umum yang pada masa

konsolidasi menghadapi pasar persaingan monopolistik berubah menjadi

monopoli atau oligopoli kolutif. Bila dirinci berdasarkan jenis bank, hanya bank

persero dan bank devisa yang sebenarnya mengalami penurunan tingkat

persaingan. Di sisi lain, situasi monopoli dan oligopoli kolutif pada Bank

Pembangunan Daerah (BPD) serta bank campuran tidak mengalami perubahan

yang signifikan setelah API. Sebaliknya, bank asing merupakan kategori bank

dengan tingkat persaingan yang paling rendah.

Rizki Yudaruddin (2014). Dampak Tingkat Konsentrasi terhadap Kinerja

dan Stabilitas Perbankan di Indonesia Tahun 2003-2013. Menggunakan laporan

keuangan bulanan bank-bank yang beroperasi selama Januari 2003 – Desember

2013, penelitian ini mencoba menganalisa pengaruh tingkat konsentrasi terhadap

kinerja perbankan, terutama setelah kebijakan API dirilis. Penelitian ini

menggunakan teknik analisis FE dan RE sehingga dihasilkan persamaan yang

secara umum menunjukkan signifikannya tingkat konsentrasi dalam memengaruhi

tingkat keuntungan yang diproksikan oleh variabel ROA. Tingkat konsentrasi

yang digunakan dibagi menjadi empat yakni CR3, CR4, CR5, serta indeks

19

Hirschman-Herfindhal (HHI). Di antara keempat variabel tingkat konsentrasi,

hanya HHI yang tidak memiliki pengaruh yang signifikan terhadap ROA.

Sementara itu CR3, CR4, dan CR5 membantah penelitian Smirlock (1985) yang

menyatakan bahwa profit tidak dipengaruhi oleh tingkat konsentrasi pasar.

Pengaruh di antara keduanya mendukung efficiency hypothesis yang berarti

tingkat konsentrasi bukan merupakan kejadian acak atau tindakan anti kompetisi,

melainkan hasil dari efisiensi.

Sapto Jumono, et. all (2016). The Effect of Loan Market Concentration on

Banking Profitability: A Study of Indonesian Commercial Banking, Dynamics

Panel Data Regression Approach. Penelitian ini bertujuan untuk menganalisa

pengaruh pangsa pasar dan tingkat konsentrasi yang diproksikan dengan HHI

terhadap profitabilitas perbankan yang dicerminkan oleh ROE. Menggunakan data

panel dan teknik analisis Ordinary Least Square (OLS), Generalized Method

Moment (GMM), serta FE dari bank-bank umum yang beroperasi selama periode

penelitian 2001-2012, hasil penelitian menunjukkan bahwa pasar kredit perbankan

di Indonesia maju pesat dari tahun 2001 ke tahun 2012 sehingga tercipta tingkat

persaingan yang monopolistik. Sementara itu dilihat dari pengaruhnya terhadap

profitabilitas, terdapat hubungan yang positif signifikan antara HHI dengan ROE.

Dengan demikian, dapat disimpulkan bahwa praktik-praktik yang kolutif masih

mengakar pada industri perbankan di Indonesia. Selain HHI, variabel lain yang

juga memengaruhi ROE adalah total aset, rasio beban operasional terhadap

pendapatan operasional (BOPO) atau operating expense ratio (OER), Non-

Performing Loan (NPL), pangsa pasar, serta ROE pada satu periode sebelumnya.

20

Adinda Khoirunnisa (2014). Pengaruh Konsentrasi Industri Perbankan

terhadap Kinerja Keuangan BPR di Indonesia. Menanggapi PBI No.

14/22/PBI/2012, penelitian ini merasa perlu meneliti perubahan pada struktur

pasar karena bank-bank umum dituntut untuk menyalurkan dana pada sektor

UMKM hingga 20% dari total kreditnya sehingga dapat memengaruhi kinerja

keuangan BPR di Indonesia. Variabel stuktur pasar yang digunakan adalah HHI

yang dihitung dari tingkat konsentrasi BPR di Indonesia, sementara kinerja

keuangan yang diteliti terdiri dari ROA, NPL, dan CAR. Dengan menggunakan

teknik analisis regresi linear serdehana serta data periode januari sampai juni

2013, penelitian ini gagal membuktikan terdapatnya pengaruh antara HHI

terhadap ketiga variabel kinerja keuangan BPR. Dengan demikian dapat

disimpulkan bahwa BPR dengan segala keterbatasannya mampu bersaing dengan

bank umum dalam memperebutkan UMKM.

Christos K. Staikouras (2004). The Determinants of European Bank

Profitability. Objek penelitian yang digunakan adalah 685 bank-bank di Eropa

yang terdiri dari 138 bank-bank besar dan 547 bank-bank kecil yang beroperasi

selama periode penelitian berlangsung. Menggunakan teknik analisis FE,

penelitian ini bertujuan untuk menganalisa faktor-faktor yang memengaruhi

profitabilitas bank, termasuk di antaranya variabel pangsa pasar dan tingkat

konsentrasi yang diproksikan dengan HHI. Namun bukti-bukti yang ada justru

membantah efficiency hypothesis serta structure conduct performance (SCP). Hal

tersebut ditunjukkan oleh tidak signifikannya kedua variabel struktur pasar, yakni

HHI dan pangsa pasar dalam memengaruhi tingkat keuntungan yang didapatkan.

21

Namun apabila variabel independen loan-loss provision (LLP) dikeluarkan dari

model, tanda pada variabel tingkat konsentrasi justru berubah menjadi signifikan

negatif. Selain kedua variabel tersebut, mayoritas variabel independen lain

berpengaruh signifikan dan mendukung teori-teori yang ada.

Syafaat Muhari dan Muhamad Nadratuzzaman Hosen (2015). Efficiency of

the Islamic Rural Bank in Six Zones in Indonesia. Menggunakan 73 BPRS sebagai

objek yang dibagi ke dalam 6 wilayah di Indonesia, penelitian ini bertujuan untuk

membandingkan efisiensi biaya antar wilayah menggunakan teknik analisis DEA

dan Stochastic Frontier Analysis (SFA), serta menganalisa faktor-faktor yang

memengaruhinya. Berdasarkan kedua metode tersebut, BPRS yang paling

menonjol tingkat efisiensinya justru berasal dari wilayah timur Indonesia.

Penyebabnya adalah jumlah BPRS yang lebih sedikit dibandingkan wilayah barat

seperti Sumatera, DKI Jakarta, dan lain-lain sehingga tingkat persaingannya juga

lebih rendah. Revenue sharing tercatat sebagai komponen output yang memiliki

bobot paling besar dalam tingkat efisiensi sedangkan komponen input yang

memiliki kontribusi terbesar adalah biaya lain-lain serta biaya tenaga kerja. Di

antara kedua metode yang dipakai, DEA dianggap lebih cocok untuk digunakan

karena terdapatnya heterokedastisitas serta distribusi data yang tidak normal pada

model dengan metode SFA.

Kristin Ward Heimdal dan Kristoffer Johnsen Solberg (2015). The Effect

of Competition on Non-Performing Loan Rates. Menggunakan data perbankan

Norwegia selama dua dekade terakhir, penelitian ini bertujuan untuk menganalisa

pengaruh persaingan yang terjadi pada pasar terhadap resiko kredit yang

22

dicerminkan oleh variabel NPL. Tingkat persaingan pada pasar diproksikan oleh

variabel tingkat konsentrasi pasar berupa C5 dan HHI, margin suku bunga kredit,

serta H-stat. Dengan memakai empat teknik analisis sekaligus yakni, OLS, Fixed

Effect (FE), regresi-IV, dan GMM, hasil penelitian menunjukkan terdapatnya

perbedaan hasil tergantung indikator kompetisi yang digunakan. C5 dan HHI

menunjukkan terdapatnya hubungan non-linear tingkat konsentrasi pasar terhadap

kredit macet (NPL). Dengan demikian terdapat korelasi berbentuk U pada model,

di mana pada tingkat konsentrasi yang rendah NPL cenderung turun. Namun

ketika pasar semakin terkonsentrasi, NPL akan meningkat. Di sisi lain, margin

suku bunga memiliki hubungan yang linear signifikan secara negatif dengan NPL.

Hal ini menundukung teori franchise-value yang menyatakan bahwa margin suku

bunga yang rendah menandakan rendahnya kemungkinan merugi sehingga bank

akan cenderung mencari nasabah yang tingkat resikonya lebih tinggi. H-stat juga

memiliki pengaruh linear signifikan positif terhadap resiko kredit. Hasil ini

mendukung temuan sebelumnya yang menyatakan semakin tinggi H-stat yang

berarti semakin ketat tingkat persaingan, resiko kredit yang dihadapi akan

semakin tinggi. Variabel pangsa pasar serta beberapa variabel kontrol lain seperti

pertumbuhan Produk Domestik Bruto (PDB), ROA, dan rasio permodalan justru

terbukti tidak memiliki pengaruh yang signifikan secara keseluruhan pada

keempat teknik analisis.

Gabriela Jimenez dan Jose A. Lopez (2007). How Does Competition

Impact Bank Risk-Taking? Objek penelitian yang digunakan di sini adalah 1.262

bank-bank yang beroperasi di Spanyol selama empat belas tahun terakhir.

23

Penelitian ini memilih teknik analisis GMM dengan tujuan untuk mendapatkan

parameter yang tidak bias. Dengan menggunakan tiga indikator tingkat persaingan

yakni tingkat konsentrasi kelima bank terbesar (C5), Hirschman-Herfindhal

(HHI), serta Indeks Lerner, hasil yang didapat secara mengejutkan membantah

penelitian-penelitian sebelumnya. Temuan-temuan yang ada tidak cukup

membuktikan terdapatnya pengaruh yang signifikan antara C5 dan HHI terhadap

kredit macet yang terjadi pada bank-bank di Spanyol. Sementara Indeks Lenner

terbukti secara negatif signifikan berpengaruh terhadap NPL sehingga mendukung

teori franchise-value. Dengan kata lain, penelitian ini menyimpulkan kurang

tepatnya penggunaan variabel konsentrasi seperti C5 dan HHI sebagai indikator

persaingan pada pasar perbankan.

Abdul Latif Alhassan et. all. Asset Quality in a Crisis Period : An

Empirical Examination of Ghanian Banks (2014). Menggunakan data dari 25

bank di Ghana yang beroperasi selama periode tahun 2005-2010 dengan laporan

bulanan serta teknik estimasi GMM dan OLS, penelitian ini bertujuan untuk

menganalisa faktor-faktor yang memengaruhi kualitas kredit perbankan. Faktor-

faktor yang dimaksud terbagi menjadi tiga jenis variabel yakni variabel internal

bank di mana tingkat konsentrasi pasar yang diproksikan dengan HHI dari total

kredit merupakan salah satunya, variabel makro ekonomi, serta lag dari variabel

dependen itu sendiri. Variabel kualitas kredit yang digunakan terbagi menjadi

empat yaitu rasio kredit kurang lancar, rasio kredit diragukan, rasio kredit macet,

dan akumulasi ketiganya. Hasil menunjukkan terdapatnya pengaruh yang negatif

antara HHI dengan akumulasi ketiga kualitas kredit, rasio kredit diragukan, dan

24

rasio kredit macet pada tingkat signifikansi 1%. Sementara itu pengaruh HHI

terhadap rasio kredit kurang lancar terbukti berpengaruh negatif pada tingkat

signifikansi 5%. Hal tersebut mengindikasikan bahwa kualitas aset cenderung

membaik pada pasar yang terkonsentrasi sehingga mendukung teori competition-

fragility. Hubungan tersebut dapat dijelaskan oleh karakteristik pasar yang

monopolistik di mana pasar hanya dikuasai beberapa bank sehingga informasi

mengenai debitur lebih mudah didapat. Bank-bank dengan kekuatan monopolistik

cenderung dekat dengan debiturnya sehingga resiko adverse-selection dan moral-

hazard dapat diminimalisasi.

G. Hipotesis

1) Batas-batas Pasar (Y = Total Pembiayaan Murabahah BPRS)

a. H0 : Tingkat margin murabahah BPRS tidak berpengaruh signifikan

terhadap total pembiayaan murabahah yang disalurkan oleh BPRS.

H1 : Tingkat margin murabahah BPRS berpengaruh signifikan terhadap

total pembiayaan murabahah yang disalurkan oleh BPRS.

b. H0 : Tingkat margin murabahah BUS-UUS tidak berpengaruh signifikan


H1 : Tingkat margin murabahah BUS-UUS berpengaruh signifikan


25

c. H0 : Tingkat margin murabahah relatif BUS-UU dan BPRS tidak

berpengaruh signifikan terhadap total pembiayaan murabahah yang

disalurkan oleh BPRS.

H1 : Tingkat margin murabahah relatif BUS-UUS dan BPRS berpengaruh

signifikan terhadap total pembiayaan murabahah yang disalurkan oleh

BPRS.

d. H0 : Jumlah kantor BPRS tidak berpengaruh signifikan terhadap total

pembiayaan murabahah yang disalurkan oleh BPRS.

H1 : Jumlah kantor BPRS berpengaruh signifikan terhadap total


e. H0 : Indeks harga konsumen tidak berpengaruh signifikan terhadap total


H1 : Indeks harga konsumen berpengaruh signifikan terhadap total


f. H0 : Indeks produksi industri tidak berpengaruh signifikan terhadap total


H1 : Indeks produksi industri berpengaruh signifikan terhadap total


2) Tingkat Persaingan antar BPRS (Y = Total Pendapatan Operasional dan

Operasional Lainnya BPRS)

26

a. H0 : Beban bagi hasil BPRS tidak berpengaruh signifikan terhadap total

pendapatan operasional dan operasional lainnya yang diperoleh oleh

BPRS.

H1 : Beban bagi hasil BPRS berpengaruh signifikan terhadap total


BPRS.

b. H0 : Biaya tenaga kerja BPRS tidak berpengaruh signifikan terhadap total


BPRS.

H1 : Biaya tenaga kerja BPRS berpengaruh signifikan terhadap total


BPRS.

c. H0 : Biaya atas kapital dan overhead BPRS tidak berpengaruh signifikan

terhadap total pendapatan operasional dan operasional lainnya yang

diperoleh oleh BPRS.

H1 : Biaya atas kapital dan overhead BPRS berpengaruh signifikan



d. H0 : Total modal BPRS tidak berpengaruh signifikan terhadap total


BPRS.

27

H1 : Total modal BPRS berpengaruh signifikan terhadap total pendapatan

operasional dan operasional lainnya yang diperoleh oleh BPRS.

e. H0 : Total pembiayaan BPRS tidak berpengaruh signifikan terhadap total


BPRS.

H1 : Total pembiayaan BPRS berpengaruh signifikan terhadap total


BPRS.

f. H0 : Total pembiayaan bermasalah BPRS tidak berpengaruh signifikan



H1 : Total pembiayaan bermasalah BPRS berpengaruh signifikan terhadap

total pendapatan operasional dan operasional lainnya yang diperoleh oleh

BPRS.

3) Pengaruh Struktur Pasar terhadap Profitabilitas BPRS (Y = ROE)

a. H0 : Total aset BPRS tidak berpengaruh signifikan terhadap profitabilitas

BPRS.

H1 : Total aset BPRS berpengaruh signifikan terhadap profitabilitas BPRS.

b. H0 : Total dana pihak ketiga BPRS tidak berpengaruh signifikan terhadap

profitabilitas BPRS.

28

H1 : Total dana pihak ketiga BPRS berpengaruh signifikan terhadap


c. H0 : Perbandingan biaya operasional dan pendapatan operasional atau

OER BPRS tidak berpengaruh signifikan terhadap profitabilitas BPRS.

H1 : Perbandingan biaya operasional dan pendapatan operasional OER

BPRS berpengaruh signifikan terhadap profitabilitas BPRS.

d. H0 : CAR BPRS tidak berpengaruh signifikan terhadap profitabilitas

BPRS.

H1 : CAR BPRS berpengaruh signifikan terhadap profitabilitas BPRS.

e. H0 : Tingkat konsentrasi tidak berpengaruh signifikan terhadap


H1 : Tingkat konsentrasi berpengaruh signifikan terhadap profitabilitas

BPRS.

4) Pengaruh Struktur Pasar terhadap Kualitas Aset BPRS (Y = Pembiayaan

Bermasalah)

a. H0 : CAR BPRS tidak berpengaruh signifikan terhadap total pembiayaan

bermasalah pada BPRS.

H1 : CAR BPRS berpengaruh signifikan terhadap total pembiayaan


29

b. H0 : FDR BPRS tidak berpengaruh signifikan terhadap total pembiayaan


H1 : FDR BPRS berpengaruh signifikan terhadap total pembiayaan


c. H0 : ROA BPRS tidak berpengaruh signifikan terhadap total pembiayaan


H1 : ROA BPRS berpengaruh signifikan terhadap total pembiayaan


d. H0 : Tingkat margin murabahah BUS-UUS tidak berpengaruh signifikan

terhadap total pembiayaan bermasalah pada BPRS.

H1 : Tingkat margin murabahah BUS-UUS berpengaruh signifikan

terhadap total pembiayaan bermasalah pada BPRS.

e. H0 : Tingkat konsentrasi tidak berpengaruh signifikan terhadap total

pembiayaan bermasalah pada BPRS.

H1 : Tingkat konsentrasi berpengaruh signifikan terhadap total


f. H0 : Indeks harga konsumen tidak berpengaruh signifikan terhadap total


H1 : Indeks harga konsumen berpengaruh signifikan terhadap total


30

BAB II LANDASAN

TEORI

A. Bank Pembiayaan Rakyat Syariah

Sejak awal pendiriannya, Bank Perkreditan Rakyat (BPR) memang

diperuntukkan bagi masyarakat berpenghasilan rendah. Sejarah BPR dimulai dari

abad ke-19 dengan dibentuknya lumbung desa, bank desa, bank tani dan bank

dagang. Perkembangan yang positif tersebut kemudian disusul dengan pendirian

Lembaga Dana Kredit Pedesaan (LDKP) oleh pemerintah daerah pada awal tahun

1970. Paket Kebijakan Oktober 1988 (PAKTO 1988) yang dikeluarkan

berdasarkan Keputusan Presiden RI No. 38 pun turut mendukung pendirian BPR-

BPR baru. Namun landasan hukum yang paling jelas terdapat pada Undang-

Undang (UU) No. 7 tahun 1992 tentang perbankan yang telah direvisi oleh UU

No. 10/1998. BPR baru disebut sebagai salah satu jenis perbankan selain bank

umum dalam UU tersebut.6

Perbedaan mendasar antara BPR dengan bank umum terletak pada wilayah

operasi maupun kegiatan usaha yang dilakukan. Bank umum konvensional

diperbolehkan membuka unit kerja yang beroperasi dengan prinsip syariah yang

disebut Unit Usaha Syariah (UUS), sedangkan BPR hanya dapat memilih salah

satu dari kedua sistem tersebut yakni konvensional atau syariah.7

BPR

konvensional tidak diperbolehkan membuka unit kerja syariah seperti halnya bank

6 Bank Indonesia, Op.cit., h. 1-2. 7

Syafaat Muhari, “Tingkat Efisiensi BPRS di Indonesia (Perbandingan Metode SFA dan DEA dan

Hubungannya dengan CAMEL),” (Skripsi S1 Fakultas Syariah dan Hukum, Universitas Islam

Negri Syarif Hidayatullah Jakarta, 2013), h. 17.

30

31

umum, tetapi harus berupa BPR syariah sejak awal pendiriannya. BPR yang

beroperasi berdasarkan prinsip syariah selanjutnya disebut Bank Pembiayaan

Rakyat Syariah (BPRS).

Dibandingkan dengan Bank Umum Syariah dan Unit Usaha Syariah

(BUS-UUS), kegiatan usaha BPRS lebih terbatas. Pada produk pendanaan

misalnya, BPRS dilarang menghimpun simpanan dalam bentuk giro dan tidak

diperbolehkan ikut serta dalam lalu lintas pembayaran sehingga menimbulkan

perbedaan target pasar pendanaan antara BUS-UUS dengan BPRS.8

Sebaliknya,

pada produk pembiayaan, BPRS serupa dengan BPR, memiliki fokus penyaluran

dana pada nasabah mikro, kecil, dan menengah yang secara relatif membutuhkan

plafon lebih rendah.9

Nasabah yang diincar BPRS, baik pada produk pendanaan

maupun pembiayaan, biasanya merupakan nasabah yang kurang bankanble.

Berbeda halnya dengan bank umum, BPRS dapat membuka kantor cabang

selama masih berada dalam provinsi yang sama sedangkan pembukaan kantor kas

hanya diijinkan dalam kabupaten/kotamadya yang sama. Meskipun terbatas dalam

konteks wilayah operasional, tingkat persaingan yang dihadapi BPRS berbeda-

beda tergantung regional. BPRS pada wilayah Jakarta dan sekitarnya misalnya,

menghadapi tingkat persaingan yang lebih sengit dibandingkan BPRS di wilayah

timur. Terkonsentrasinya usaha perbankan pada ibukota dan kota-kota besar yang

menambah jumlah pesaing baik dari BPRS itu sendiri, BPR, maupun bank-bank

8 Bank Indonesia, Op.cit., h. 2. 9

Ali Suyanto Herli, Pengelolaan BPR dan Lembaga Keuangan Pembiayaan Mikro (Yogyakarta :

Penerbit Andi, 2013), h. 3.

32

umum. Situasi ini kian mendorong BPR untuk semakin kompetitif dalam menarik

hati para nasabah.

Agar dapat berkompetisi dengan para pesaingnya, BPRS maupun BPR

menonjolkan keunggulan dari sisi pendekatan yang lebih personal. Pendekatan ini

sangat tepat ditujukan pada tipe nasabah yang selalu menjadi target utama mereka,

yakni nasabah berpenghasilan relatif rendah dan kurang terjangkau oleh bank-

bank umum. Sementara itu, bank-bank umum memiliki kelebihan dari sisi

permodalan yang kuat, teknologi mumpuni serta pelayanan yang lebih memadai.

Modal disetor bagi BPRS berbeda-beda besarnya, tergantung wilayah pendirian.

Jumlah yang harus dipenuhi untuk mendirikan BPRS masing-masing adalah Rp

2.000.000.000,00 pada Jabodetabek, Rp 1.000.000.000,00 pada ibukota provinsi,

serta Rp 5.00.000.000,00 pada wilayah di luar Jabodetabek dan bukan ibukota

provinsi.10

Sebagai unit bisnis yang menjalankan usahanya berdasarkan prinsip-

prinsip syariah, BPRS juga harus memiliki Dewan Pengawas Syariah (DPS),

seperti halnya BUS-UUS. Tujuannya adalah untuk menghindari praktik-praktik

kolutif yang bertentangan dengan hukum syariah serta berdampak pada kerugian

pihak-pihak lain. Pihak-pihak lain yang dimaksud termasuk pesaing lainnya,

maupun nasabah.

10 Syafaat Muhari, “Tingkat Efisiensi BPRS di Indonesia (Perbandingan Metode SFA dan DEA

dan Hubungannya dengan CAMEL),” Op.Cit., h. 18.

11 Ratna Sri Widyastuti dan Boedi Armanto, “Kompetisi Industri Perbankan Indonesia”, Buletin

Ekonomi Moneter dan Perbankan, (April 2013): h. 422.

33

B. Teori Panzar-Rosse

Model Panzar-Rosse (P-R) merupakan pendekatan non-struktural yang

pertama kali dikembangkan oleh Panzar dan Rosse pada tahun 1987 untuk

mengidentifikasi tingkat persaingan pada industri percetakan. Selanjutnya,

pendekatan ini mulai digunakan pada industri lain, termasuk di antaranya

perbankan.11

Pendekatan non-struktural yang dimaksud di sini adalah tidak

dimasukkannya variabel-variabel struktur pasar seperti tingkat konsentrasi atau

pun pangsa pasar dari tiap unit bisnis. Premis yang dijadikan dasar pada model P-

R yakni bank cenderung menetapkan strategi diferensiasi harga untuk merespon

perubahan yang terjadi pada biaya input, tergantung struktur pasar yang berlaku.

Tanpa memasukkan variabel struktur pasar secara langsung pada model, pengaruh

biaya input terhadap tingkat penerimaan akan menggambarkan tingkat persaingan

yang terjadi pada pasar, apakah terjadi persaingan sempurna, monopolistik,

oligopoli, atau malah monopoli.

Walaupun terkadang bervariasi, komponen biaya yang biasa dijadikan

variabel input terdiri dari biaya bunga atau bagi hasil pada nasabah pendanaan

(BBH), biaya tenaga kerja (BTK), serta biaya kapital dan overhead (BKAP).

Akumulasi elastisitas ketiga biaya input tersebut akan menghasilkan H-stat yang

bernilai lebih kecil dari nol sampai 1. Apabila H-stat yang didapatkan lebih kecil

atau sama dengan nol, maka terjadi persaingan monopoli atau oligopoli kartel

pada pasar. Sebaliknya, tingkat persaingan akan semakin sengit saat H-stat

34

semakin mendekati angka 1. H-stat bernilai 1 menandakan terdapatnya tingkat

persaingan sempurna, namun jarang terjadi.

Tabel 2.1 :

Tingkat Persaingan pada H-Stat

H-Statistik Derajat Persaingan

H ≤ 0 Monopoli dan oligopoli kolusif

0 ≤ H ≤ 1 Persaingan monopolistik

H = 1 Persaingan sempurna

Sumber : Abdul Majid (2007)

Lebih jelas lagi, Panzar-Rose menyatakan bahwa pasar dengan tingkat

persaingan monopolistik maupun oligopoli kolusif sempurna dapat

mengakibatkan meningkatnya biaya marginal atau marginal cost (MC) bila harga

input mengalami kenaikan. Hal ini berakibat pada berkurangnya keseimbangan

output dan akhirnya menurunkan tingkat pendapatan. Proses tersebut pada

akhirnya akan menghasilkan H-stat yang bernilai negatif. Sementara untuk pasar

persaingan sempurna dan monopolistik, naiknya biaya input akan direspon oleh

naiknya harga output untuk menpertahankan keuntungan normal. Dengan kata

lain, dalam jangka panjang harga yang ditetapkan sama dengan biaya rata-

ratanya.12

Pengujian yang dilakukan diturunkan dari model perbankan umum yang

menjadi penentu keseimbangan output dan keseimbangan jumlah bank pada level

bank maupun level industri. Pada level perbankan, tingkat keuntungan mencapai

12 Nur Iman, “Analisis Tingkat Persaingan Industri Perbankan Syariah di Indonesia (Aplikasi

Model Panzar-Rosse,” (Skripsi S1 Fakultas Ekonomi, Universitas Indonesia, 2009).

35

titik maksimum saat penerimaan marginal (MR) setara dengan biaya marginal

(MC) :

Ri (oi, n, xi) – Ci (oi, ii, zi) = 0 (2.1)

Di mana,

Ri = Tingkat penerimaan bank i

oi = Output yang dihasilkan bank i

ni = Jumlah bank i

xi = Variabel eksogen pada total penerimaan i

Ci = Tingkat biaya bank i

ii = Biaya internal bank i

zi = Variabel eksogen pada tingkat biaya bank i

Kemudian, pada level industri terjadi kendala keuntungan normal

(persamaan 2.2) yang pada akhirnya menghasilkan H-statistik (persamaan 2.3)

sebagai berikut :

R*

i (o*, n

*, xi) – C

*i (o

*, i, z) = 0 (2.2)

H = ∑ ( ) (2.3)

Dalam aplikasinya, terdapat beberapa pendekatan alternatif yang biasa

digunakan pada model P-R untuk menganalisa tingkat persaingan pada industri

36

perbankan yakni pendekatan produksi maupun pendekatan intermediasi.

Pendekatan intermediasi menganggap kredit sebagai output dan deposito sebagai

input. Penelitian-penelitian terdahulu saling berbeda pendapat dalam menentukan

pendekatan mana yang paling tepat untuk digunakan.13

Bikker et al. dalam Fahmi (2012) mengingatkan banyaknya modifikasi

pada model P-R yang menyebabkan kurang validnya H-stat yang dihasilkan.

Salah satu bentuk modifikasi yang dimaksud adalah penggunaan variabel total

aset sebagai pembagi variabel dependen maupun independen. Penggunaan total

aset ini menjadikan model P-R bukan lagi sebagai fungsi penerimaan, melainkan

fungsi harga. Walaupun banyak peneliti yang beranggapan bahwa model P-R

lebih representatif dalam situasi riil, penggunaan aset untuk mengeliminasi

pengaruh skala usaha terhadap elastisitas penerimaan dan biaya tersebut oleh para

peneliti lain justru dianggap mengurangi keunikan nilai H-stat.

Sebelum melangkah pada analisa tingkat persaingan antar perusahaan,

model P-R mengharuskan dijalankannya uji ekuilibrium. Uji ekuilibrium

bertujuan untuk memastikan perusahaan berada dalam keseimbangan jangka

panjang. Variabel-variabel independen yang digunakan pada uji ekulibrium sama

persis dengan model P-R. Satu-satunya pengecualian adalah penggunaan tingkat

keuntungan sebagai variabel dependennya. Pada industri perbankan, indikator

tingkat keuntungan dapat menggunakan rasio-rasio seperti Return on Asset

(ROA), Return on Equity (ROE), atau pun Return on Capital (ROC).

13 Muhamed Zulkhibri Abdul Majid dan Fadzlan Sufian, “Market Structure and Competition in

Emerging Market : Evidence from Malaysian Islamic Banking Industry”, Munich Personal RePec

Archive, No. 12126.

37

Nilai H-stat yang dihitung dari akumulasi koefisien variabel biaya input

yang dihasilkan uji ekuilibrium memperlihatkan apakah bank berada pada tingkat

keseimbangan jangka panjang atau tidak. Apabila penjumlahan h1 + h2 + h3 sama

dengan nol, maka dapat disimpulkan bahwa bank seimbang dalam jangka panjang.

H-stat yang tidak mencapai angka nol tidak dapat diproses ke dalam model P-R.

Akan tetapi, penafsiran terhadap nilai H-stat ini harus dilakukan dengan hati-hati

karena kondisi disequilibrium bukan berarti bahwa H-stat model P-R sama sekali

tidak dapat digunakan. Pada negara-negara yang masih berkembang yang sedang

mengalami transisi seperti Indonesia, hasil uji ekuilibrium yang bias tidak terlalu

berpengaruh besar. Jadi, H-stat model P-R yang dihasilkan nantinya tetap dapat

digunakan sebagai indikator yang terpercaya.14

C. Structure-Conduct Performance

Pendekatan Structure-Conduct Performance (SCP) pertama kali

diperkenalkan oleh Edward S. Mason yang selanjutnya dikembangkan oleh Joe S.

Bain, muridnya di Harvard University pada tahun 1940-1950. Pada dasarnya SCP

adalah pendekatan umum yang sering digunakan untuk mengkaji hubungan antara

tingkat persaingan industri dengan kinerjanya. Meskipun awalnya SCP digunakan

hanya untuk industri manufaktur, seiring dengan perkembangannya semakin

banyak industri jasa yang dianalisa dengan pendekatan SCP, termasuk perbankan.

14 J. Goddard dan J.O.S. Wilson, “Measuring Competition in Banking : A Disequilibrium

Approach”, Journal of Banking and Finance 33 No. 12 (April, 2008): h. 3.

38

Gambar 2.1 : Alur Structure-Conduct-Performance (SCP)

Struktur Perilaku Kinerja

SCP merupakan pendekatan struktural dengan konsep bahwa kinerja atau

performance (P) dipengaruhi oleh perilaku perusahaan atau conduct (C) yang

berada dalam industri yang sama. Perilaku perusahaan sendiri dipengaruhi oleh

karakteristik struktur pasar atau structure (S). Untuk memastikan pasar berjalan

dengan semestinya, seluruh komponen SCP diatur oleh kebijakan pemerintah baik

yang bersifat langsung maupun tidak langsung. 15

a) Struktur Pasar

Struktur pasar menggambarkan tingkat persaingan dalam suatu

industri. Seperti yang sudah dibahas sebelumnya, struktur pasar dapat

bersifat sangat kompetitif seperti yang terjadi pada pasar persaingan

sempurna hingga yang memiliki kekuatan absolut seperti pasar monopoli.

Namun pada praktiknya di industri perbankan, kedua jenis struktur pasar

tersebut sangat jarang dijumpai. Perbankan biasanya menghadapi struktur

pasar oligopoli di mana terdapat beberapa bank besar yang menguasai

pasar atau struktur pasar monopolistik di mana terdapat banyak bank yang

beroperasi namun dengan produk-produk yang terdiferensiasi.

Indikator yang biasanya digunakan untuk menggambarkan struktur

pasar adalah jumlah penjual dan pembeli, sekat pasar, serta diferensiasi

15


Industri Perbankan Syariah di Indonesia,” Op. cit., h. 15 – 23.

39

produk. Jumlah penjual dan pembeli dapat diukur dengan tingkat

konsentrasi pasar atau concentration ratio (CR) yang dihitung dari

perbandingan antara pangsa pasar beberapa perusahaan besar terhadap

total pangsa pasar. Indeks Hirschman Herfindahl Index (HHI) merupakan

contoh lain indikator konsentrasi pasar. Kedua alat ukur tersebut paling

sering dipakai untuk menganalisa pengaruh struktur pasar terhadap kinerja

perbankan.

Sementara itu, keberaadaan sekat-sekat pada pasar dapat

menghalangi perusahaan lain untuk masuk. Beberapa contoh sekat pasar

adalah hak paten, kekuasaan atas sumber daya, serta keunggulan dalam

skala ekonomi. Hambatan-hambatan tersebut membuat perusahaan enggan

memasuki pasar sebab mereka akan dipaksa untuk beroperasi pada tingkat

rugi. Indikator struktur pasar lainnya, yaitu diferensiasi, membantu

perusahaan mengurangi resiko karena produk mereka seakan-akan berada

dalam pasar yang berbeda dengan produk milik perusahaan lainnya.

b) Perilaku Perusahaan

Dalam merespon struktur pasar yang terbentuk, perusahaan akan

menetapkan berbagai strategi dengan tujuan untuk mempertahankan

posisinya dalam pasar atau bahkan meningkatkan keuntungan. Penetapan

harga, riset pasar, periklanan, kerja sama antar perusahaan, dan lain-lain

merupakan beberapa contoh strategi yang biasa ditetapkan oleh

perusahaan. Pada struktur pasar yang lebih kompetitif, perusahaan

40

berusaha untuk menetapkan harga serendah mungkin agar memperoleh

lebih banyak konsumen. Hal tersebut didasarkan atas pertimbangan tingkat

efisiensi. Sebaliknya, perusahaan memiliki keunggulan untuk menetapkan

harga yang lebih tinggi pada struktur pasar yang cukup terkonsentrasi

seperti oligopoli, duopoli, dan monopoli.

Riset digunakan untuk memperkirakan respon konsumen terhadap

produk yang akan diluncurkan, sementara periklanan dapat membantu

perusahaan untuk menjalankan promosi. Strategi ini lebih cocok

diimplementasikan pada pasar yang bersifat kompetitif. Perusahaan

monopoli tidak mermerlukan periklanan sebab ia merupakan unit bisnis

tunggal pada industrinya atau sudah cukup dikenal oleh pasar. Di sisi lain,

kerja sama antar perusahaan atau kolusi dan kartel biasanya dipraktikkan

oleh beberapa perusahaan besar yang disebut pasar oligopoli. Tujuannya

adalah untuk mendapatkan keuntungan yang lebih besar.

c) Kinerja Perusahaan

Perilaku-perilaku suatu perusahaan akan menentukan kinerja

perusahaan itu sendiri. Perbankan sebagai industri keuangan dengan peran

intermediasi memiliki indikator kinerja yang berbeda dengan industri

lainnya. Di Indonesia sendiri, permodalan (Capital), kualitas asset (Asset),

manajemen (Management), rentabilitas atau profitabilitas (Equity), dan

likuiditas (Liquidity) atau CAMEL merupakan prinsip yang digunakan

untuk mengukur tingkat kesehatan BPRS. Penjelasan selanjutnya tentang

41

CAMEL akan mengacu pada PBI No. 9/17/PBI/2007 tentang sistem

penilaian tingkat kesehatan Bank Pembiayaan Rakyat Syariah (BPRS).

Permodalan menggunakan variabel capital to adequacy ratio

(CAR) yang dihitung dengan cara membandingkan total modal terhadap

aktiva tertimbang menurut resikonya. Rasio CAR menggambarkan

kemampuan bank dalam menampung kerugian yang diakibatkan oleh

kredit atau aktiva yang beresiko. Meskipun batas minimum yang

disyaratkan adalah sebesar 6,5%, semakin tingginya pemenuhan rasio

CAR semakin baik karena artinya bank mempunyai cadangan yang lebih

besar.

Kualitas asset pada dasarnya memperlihatkan aktiva produktif

mana yang lancar dan mana yang bermasalah. Perbankan menggunakan

Non-Performing Financing (NPF) yang diukur dengan cara

membandingkan jumlah pembiayaan yang telah masuk kategori dalam

perhatian khusus (DPK), kurang lancar (KL), diragukan (D), dan macet

(M) terhadap akumulasi seluruh total pembiayaannya. Semakin tinggi

NPF/NPL suatu bank, kredibilitasnya di mata pasar akan semakin turun.

Kualitas asset yang buruk biasanya diakibatkan karena pemilihan nasabah

pembiayaan yang kurang selektif (adverse selection) atau kurangnya

pengawasan terhadap nasabah setelah pembiayaan disalurkan (moral

hazard). Batas maksimum NPF yang disyaratkan oleh Bank Indonesia (BI)

untuk BPRS adalah sebesar 16%.

42

Manajemen merupakan satu-satunya indikator kinerja yang bersifat

kualitatif sebab ia mengukur pelaksanaan atas pemenuhan komitmen

terhadap BI yang berupa penerapan manajemen resiko, kepatuhan terhadap

prinsip-prinsip syariah bagi bank-bank syariah, serta pelaksana fungsi

sosial. Apabila ketentuan-ketentuan tersebut dilanggar, bank dianggap

memiliki sistem manajemen yang buruk.

Rentabilitas atau profitabilitas merupakan penilaian terhadap

kemampuan bank dalam menghasilkan keuntungan. Indikator yang biasa

digunakan adalah Return on Aset (ROA) dan Return on Equity (ROE).

ROA membandingkan keuntungan setelah pajak terhadap total asset.

Hampir serupa, ROE menggambarkan seberapa besar tingkat

pengembalian atas modal dalam bentuk keuntungan. Tingkat profitabilitas

yang baik dicirikan oleh rasio ROA dan ROE yang semakin tinggi. Batas

minimum ROA dan ROE untuk BPRS masing-masing adalah sebesar

0,765% dan 8%.

Seperti namanya, likuiditas menggambarkan kemampuan bank

dalam memelihara tingkat likuiditas yang memadai. Financing to Deposit

Ratio (FDR) yang merupakan pembagian antara total pembiayaan yang

disalurkan terhadap total dana pihak ketiga adalah salah satu indikator

likuiditas yang paling sering digunakan. Tanpa diiringi oleh sistem

manajemen yang baik, rasio FDR dapat menjadi cambuk-balik bagi bank

yang menyalurkan pembiayaan terlalu tinggi. Pada kasus-kasus tertentu,

43

FDR dapat bernilai lebih besar dari 100% karena bank ikut menggunakan

modal miliknya sendiri.

Interaksi antara komponen SCP tidak selalu berjalan satu arah seperti

ilustrasi yang telah dijelaskan sebelumnya, akan tetapi bisa saling memengaruhi

satu sama lain. Sebagai contoh, kinerja yang sangat baik dapat mendorong

perusahaan untuk menawarkan harga yang juga sangat rendah pada konsumen.

Hal tersebut dapat dilakukan karena perusahaan tersebut memiliki keunggulan

berupa tingkat efisiensi. Perubahan terhadap sistem pricing ini dapat berakibat

buruk pada perusahaan-perusahaan yang kurang efisien dengan harga produk yang

lebih tinggi. Akibatnya, perusahaan-perusahaan yang kurang efisien tersebut

menjadi kurang menarik di mata konsumen. Perusahaan-perusahaan yang tidak

mampu bersaing pada akhirnya dihadapkan oleh dua pilihan yakni menghentikan

bisnis untuk sementara waktu atau menutup usahanya secara permanen.

Mundurnya beberapa perusahaan akan menciptakan struktur pasar yang baru.

Pemerintah yang melihat perubahan struktur pasar dapat mengambil tindakan-

tindakan melalui kebijakan publik agar situasi tetap terkendali sebab struktur pasar

yang melenceng terlalu jauh dapat menimbulkan perilaku kolusi yang merugikan

berbagai pihak, baik konsumen maupun pesaing lainnya. Dengan kata lain,

terciptalah iklim persaingan yang tidak sehat.

Gambar 2.2 : Alur Sstructure-Conduct-Performance pada BPRS

Kebijakan Pemerintah

Perilaku Struktur Kinerja

44

Pada kasus BPRS setelah PBI 17/12/PBI/2015 terbit, interaksi yang

terbentuk digambarkan oleh Gambar 2.2 di atas. Interaksi dimulai oleh kebijakan

pemerintah yakni diterbitkannya PBI 17/12/PBI/2015. PBI tersebut selanjutnya

memengaruhi perilaku BUS maupun BUK dalam menyalurkan pembiayaan pada

sektor UMKM. Perubahan perilaku tersebut tercermin dari meningkatnya jumlah

penyaluran pembiayaan atau kredit pada UMKM. Pada akhirnya proses ini

berujung pada berubahnya struktur pasar yang ada, di mana tingkat konsentrasi

beberapa bank terbesar dilihat dari penyaluran pembiayaan atau kreditnya

meningkat. Struktur pasar yang berubah akan berpengaruh pada berubahnya

kinerja bank-bank yang beroperasi dalam pasar.

Terdapat perhatian khusus dalam hal pengaruh struktur pasar berupa

tingkat konsentrasi terhadap kinerja perbankan berupa tingkat keuntungan.

Hipotesis tradisional mengatakan bahwa hubungan antar kedua indikator tersebut

adalah positif. Artinya perusahaan-perusahaan dengan tingkat konsentrasi yang

tinggi cenderung melakukan praktik-praktik kolusi bersama-sama melalui

berbagai macam cara. Di antaranya adalah merencanakan jumlah barang yang

dilepas ke pasar, menetapkan harga yang ditawarkan, dan lain-lain. Praktik-

praktik ini dijalankan dengan tujuan tercapainya keuntungan maksimum bagi

beberapa perusahaan besar saja.

Pada kenyataannya tidak semua perusahaan-perusahaan besar saling

bekerja sama seperti itu. Sering kali skala ekonomilah yang memiliki peran besar

terhadap pencapaian tingkat keuntungan yang tinggi. Skala ekonomi memberikan

keleluasaan bagi unit bisnis untuk menurunkan harga produk yang dijual sehingga

45

lebih laku di pasaran. Proses tersebut akan berujung pada meningkatnya

keuntungan. Inilah yang disebut Efficiency Hypothesis. Selain tingkat efisiensi,

diferensiasi produk juga memiliki andil terhadap peningkatan keuntungan.

Strategi untuk mendifirensiasi produk dengan tujuan meraih keuntungan lebih

besar disebut Product Differentiation Hypothesis.

Hubbard dan O’Brian (2010) menyebutkan bahwa suatu pasar disebut

terkonsentrasi apabila hanya terdapat beberapa perusahaan yang menguasai

sebagian besar pangsa pasar. Walaupun Smirlock (1985) menyatakan bahwa

pangsa pasar (market share) merupakan indikator yang lebih baik sebagai

representasi struktur pasar, tingkat konsentrasi terbukti berpengaruh terhadap

keuntungan perbankan pada penelitian-penelitian terdahulu.

D. Teori Competition-Fragility dan Competition-Stability16

Konsensus mengenai pengaruh kompetisi pada pasar terhadap resiko

perbankan sampai sekarang masih belum jelas. Namun dengan

mempertimbangkan hubungan antara kompetisi dengan tingkat stabilitas, terdapat

setidaknya dua paradigma yang sering kali menjadi bahan perdebatan yakni

Competition-Fragility dan Competition-Stability.

a) Competition-fragility

Paradigma bahwa kompetisi mendukung ketidakstabilan telah terbukti

secara empiris maupun teoritis. Keeley (1990) memperkenalkan hipotesis

16

Kristin Ward Heimdal dan Kristoffer Johnsen Solberg, “The Effect of Competition on Non-

Performing Loan Rates (Evidence from the Norwegian Banking Market)”, (Tesis S2 Fakultas

Ekonomi dan Administrasi Bisnis, Norwegian School of Economics, 2015), h. 8 – 11.

46

franchise value yang menyatakan bahwa bangkrutnya sektor perbankan pada

tahun 1980-an merupakan akibat dari deregulasi yang mempersengit persaingan

antar bank. Deregulasi tersebut kemudian diikuti oleh menurunnya tingkat

profitabilitas yang disebabkan oleh bertambahnya pemain dalam pasar. Pada

gilirannya, proses tersebut akan menurunkan franchise value suatu bank dan

meningkatkan kesanggupan bank untuk mengambil resiko yang lebih tinggi. Bank

akan mengambil resiko lebih tinggi karena adanya tekanan persaingan dari

pemain-pemain baru dalam pasar. Hipotesis ini didukung oleh Hellmann et al.

yang berpendapat bahwa kompetisi untuk memperebutkan nasabah pendanaan

cenderung menurunkan keuntungan yang diperoleh sehingga bank akan merespon

dengan menyalurkan dana pihak ketiganya pada sektor-sektor dengan tingkat

resiko lebih tinggi.

Di lihat dari sisi pembiayaan, industri perbankan yang kompetitif dapat

berdampak pada kurangnya kredibilitas kredit yang disalurkan. Dengan terlalu

banyaknya bank yang beroperasi pada pasar, nasabah yang ditolak aplikasinya

dapat mengajukan pembiayaan kembali pada bank lain. Apabila proses seleksi

nasabah antar bank saling independen dan terjadi salah penilaian, nasabah dengan

resiko adverse-selection akan ikut tersaring. Proses ini akan berujung pada gagal

bayar oleh nasabah tersebut sehingga meningkatkan rasio pembiayaan bermasalah

atau non-performing loan (NPL) pada bank.

Allen dan Gale (2000) juga menyatakan bahwa tingkat persaingan yang

tinggi pada pasar uang antar bank (PUAB) dapat menimbulkan resiko sistemik.

Bank-bank akan bertindak sebagai price taker karena ukurannya yang relatif kecil

47

dibandingkan pasar secara keseluruhan sehingga tidak ada insentif untuk

menyediakan likuditas bagi bank lain. Pada akhirnya, bank-bank akan mengalami

masalah likuiditas dan berakibat pada ketidakstabilan perbankan secara nasional.

b) Competition-Stability

Bertolak belakang dengan teori sebelumnya, paradigma competition-

stability menyatakan bahwa kompetisi justru mengarah pada sistem perbankan

yang lebih stabil. Merespon hipotesis competition-fragility, Boyd dan De Nicolo

(2005) mengembangkan konsep bernama risk-shifting effect. Keduanya

beragumen bahwa bank yang beroperasi pada pasar dengan tingkat kompetisi

yang rendah memang akan memiliki franchise value berupa kekuatan untuk

menaikkan tingkat suku bunga lebih tinggi. Namun di sisi lain, nasabah akan

mengalami penurunan franchise value karena tidak sanggup membayar angsuran

yang disertai bunga terlalu tinggi. Nasabah tersebut nantinya akan mengalami

gagal bayar yang juga berujung pada meningkatnya NPL yang harus ditanggung

oleh bank.

Konsep risk-shifting juga berlaku pada produk pendanaan. Suku bunga

deposito yang tinggi memang akan menaikkan franchise value suatu bank, tapi

juga menurunkan franchise value nasabah pendanaan pada waktu yang sama.

Oleh karena hubungan resiko perbankan pada produk pendanaan serta

pembiayaan saling berkebalikan, Heimdal (2015) menyimpulkan tidak adanya

pengaruh selama kompetisi pada dua produk tersebut dipisahkan.

48

Teori Too Big Too Fail dari Mishkin (1999) juga mendukung

kemungkinan kompetisi yang justru mendorong kestabilan perbankan. Dasar teori

ini adalah adanya bank-bank pada ukuran tertentu yang meyakini bahwa

pemerintah akan memberikan bantuan berupa bail out saat krisis karena mereka

memegang dana masyarakat umum. Asumsi ini akan mendorong bank untuk

mengambil resiko lebih tinggi, baik dengan cara menawarkan suku bunga yang

tinggi pada nasabah pendanaan dan suku bunga yang rendah pada nasabah

pembiayaan.

49

E. Kerangka Penelitian

Batas Pasar BPRS BUS-UUS

Regresi Linear Berganda

Beda Pasar

BPRS

Sama Pasar

BUS-BPRS

Persaingan Sesama BPRS Regresi Linear Berganda

Monopoli Oligopoli Monopolistik Sempurna

Persaingan BPRS dan BUS-UUS

Struktur Pasar terhadap Rentabilitas

Regresi Linear Berganda

Hipotesis Tradisional Hipotesis Efisiensi

Struktur Pasar terhadap Kualitas

Regresi Linear Berganda dan VAR-

VECM

Competition-Fragility Competition-Stability

Gambar 2.3 : Kerangka Pemikiran Penelitian

Sama dan beda Sama Pasar Beda Pasar

50

BAB III

METODE PENELITIAN

A. Metode Penelitian

1. Jenis Penelitian

Penelitian ini menggunakan pendekatan kuantitatif dan deskriptif dalam

menganalisa masalah yang diangkat. Pendekatan kuantitatif digunakan karena

permasalahan penelitian yang sudah jelas serta objek penelitian dengan

karakteristik populasi yang besar. Pendekatan kuantitatif lebih sesuai diterapkan

untuk menguji suatu teori atau hipotesis yang bersifat parametrik, sama halnya

dengan tujuan penelitian ini.17

Hasil analisa dengan pendekatan kuantitatif

nantinya akan disajikan dalam bentuk angka-angka dan uraian sedangkan

pendekatan deskriptif akan menjelaskan hasil penelitian dengan cara penjabaran

melalui prosedur-prosedur ilmiah.

2. Sumber Data dan Objek Penelitian

Jenis data yang digunakan adalah data time-series sekunder bulanan yang

diambil dari website resmi Bank Indonesia (BI), Otoritas Jasa Keuangan (OJK)

dan Badan Pusat Statistik (BPS). Data dari BI berasal dari Statistik Ekonomi dan

Keuangan Indonesia (SEKI), sedangkan data dari OJK diambil dari Statistik

Perbankan Syariah (SPS). SPS menggunakan Badan Pembiayaan Rakyat Syariah

(BPRS) dan Bank Umum Syariah-Unit Usaha Syariah (BUS-UUS) secara

17 Sofian Effendi, Metode Penelitian Survei (Jakarta : LP3ES, 2012) h. 9.

50

51

keseluruhan sebagai objek. Periode penelitian dimulai dari Januari 2010 sampai

Mei 2015 untuk Model Log(MUR) dan Model Log(TR) serta Juni 2010 sampai

Mei 2015 untuk Model ROE dan Model NPF.

Tabel 3.1

Jumlah Objek Per Periode Penelitian (Per Mei Tiap Tahunnya)

Tahun BUS UUS BPRS

2010 10 24 144

2011 11 23 153

2012 11 24 156

2013 11 24 159

2014 11 23 163

2015 12 22 162

Sumber : Statistik Perbankan Syariah 2010-2015 (diolah)

3. Teknik Pengumpulan Data

Populasi dan sampel pada penelitian ini sama, yakni seluruh BPRS dan

BUS-UUS yang beroperasi selama periode penelitian. Oleh karena itu teknik

pengambilan sampel yang digunakan adalah metode purposive sampling dengan

kriteria sebagai berikut :

a. Merupakan bank yang tergolong sebagai BPRS, BUS, dan UUS.

b. Bank yang menyerahkan laporan keuangan bulanannya pada BI dan OJK

sehingga datanya tercatat pada SPS.

c. Bank yang beroperasi dari Januari 2010 sampai Mei 2015.

52

Teknik pengumpulan data yang dipakai adalah metode studi pustaka melalui

jurnal-jurnal ilmiah terakreditasi, buku-buku, skripsi, disertasi, tesis, working

paper, serta laporan dari badan-badan resmi yang diperoleh pada situs resmi. Data

yang dimaksud termasuk data yang belum diolah dalam bentuk kuantitatif,

tinjauan pustaka yang relevan, serta teori-teori yang mendukung.

B. Variabel Penelitian

1. Variabel Dependen

Variabel dependen atau terikat pada penelitian ini ada empat, yakni :

Y1 = Total pembiayaan murabahah yang disalurkan oleh BPRS

Y2 = Total pendapatan operasional utama dan pendapatan operasional lainnya

dibagi total aset yang diperoleh oleh BPRS

Y3 = Profitabilitas BPRS dengan menggunakan rasio Return on Equity (ROE)

Y4 = Kualitas aset BPRS dengan menggunakan rasio Non-Performing Financing

(NPF)

2. Variabel Independen

Variabel bebas atau dependen pada penelitian ini adalah :

a. Batas-batas pasar antara BPRS dan BUS-UUS (Y = Total pembiayaan

murabahah BPRS)

X1 : Tingkat margin murabahah BPRS

53

X2 : Tingkat margin murabahah BUS-UUS

X3 : Tingkat margin relatif murabahah yang dihitung dari perbandingan tingkat

margin murabahah BUS-UUS dengan BPRS

X4 : Jumlah kantor BPRS

X5 : Logaritma dari Indeks harga konsumen sebagai proksi inflasi

X6 : Logaritma dari Indeks produksi industri sebagai proksi pertumbuhan

ekonomi

b. Tingkat persaingan antar sesama BPRS (Y = Total pendapatan operasional

utama dan operasional lainnya dibagi total aset BPRS)

X1 : Biaya bagi hasil (BBH) BPRS yang dihitung dari total pendapatan terhadap

total asset.

X2 : Biaya pendidikan dan pelatihan tenaga kerja (BTK) terhadap total asset

BPRS

X3 : Selisih biaya operasional lainnya dengan biaya pendidikan dan pelatihan

tenaga kerja dibagi total asset sebagai proksi biaya atas kapital dan overhead

(BKAP).

X4 : Total ekuitas terhadap total asset BPRS

X5 : Total pembiayaan terhadap total asset BPRS

X6 : Total NPF terhadap total asset BPRS

54

c. Pengaruh struktur pasar terhadap kinerja profitabilitas BPRS (Y = ROE BPRS)

X1 : Logaritma dari total asset BPRS

X2 : Logaritma dari dana pihak ketig a atau third-party fund (TPF) BPRS

X3 : Rasio biaya operasional terhadap pendapatan operasional (BOPO) atau

operating expense ratio (OER) pada BPRS

X4 : Rasio CAR BPRS

X5 : Tingkat konsentrasi empat bank terbesar di pasar (CR4) yang dihitung dari

total pembiayaan empat BUS terbesar dengan total pembiayaan seluruh bank

syariah pada pasar

d. Pengaruh struktur pasar terhadap resiko pembiayaan BPRS (Y = NPF BPRS)

X1 : Rasio CAR BPRS

X2 : Rasio FDR BPRS

X3 : Rasio ROA BPRS

X4 : Tingkat margin murabahah BUS-UUS

X5 : Tingkat konsentrasi empat bank terbesar di pasar (CR4) yang dihitung dari

total pembiayaan empat BUS terbesar dengan total pembiayaan seluruh bank

syariah pada pasar

X6 : Indeks harga konsumen atau consumer price index (CPI)

55

C. Teknik Analisis Data

1. Uji Asumsi Klasik

a. Uji Heterokedastisitas

Heterokedastisitas merupakan suatu kondisi gangguan pada regresi linear

maupun berganda, di mana semua gangguan yang muncul tidak memiliki varians

yang sama. Heterokedastisitas sering ditemukan pada data cross section, namun

jarang dijumpai pada data time series karena perilaku data yang sama dari waktu

ke waktu akan mengalami fluktuasi yang relatif stabil. Adanya heterokedastisitas

akan menghasilkan model yang bukan Best Linear Unbiased Estimator (BLUE),

melainkan hanya Linear Unbiased Estimator (LUE), sehingga terdapat

konsekuensi berupa :

1) Varian yang tidak minimum akan menyebabkan tidak bisa

dipercayanya perhitungan standard error metode OLS.

2) Tidak kredibelnya perhitungan standard error OLS akan menghasilkan

interval estimasi serta uji hipotesis yang didasarkan pada distribusi t

tidak lagi bisa dipercaya untuk evaluasi hasil regresi.

Cara mengetahui ada atau tidaknya heterokedastisitas dapat dilakukan

dengan berbagai macam metode. Contohnya adalah metode informal, metode

Park, metode Glesjer, metode korelasi Spearman, metode Goldfeld-Quandt,

metode Breusch-Pagan, serta metode white. Penelitian ini hanya akan

56

menggunakan metode Breusch-Pagan-Godfrey dalam mengidentifikasi

keberadaan heterokedastisitas pada model.18

H0 : Tidak terdapat heterokedastisitas

H1 : Ada heterokedastisitas

Metode Breusch-Pagan-Godfrey dilakukan dengan membandingkan nilai

p-value Obs*R-square dan tingkat signifikansi 0,05. Apabila p-value lebih kecil

dari 0,05, maka hipotesis nol akan ditolak. Sebaliknya, apabila p-value lebih besar

dari 0,05 artinya hipotesis nol diterima karena tidak ada autokorelasi pada model.

b. Uji Autokorelasi19

Autokorelasi atau otokorelasi adalah suatu kondisi pada model di mana

terdapat korelasi baik negatif ataupun positif antar anggota observasi yang

diurutkan menurut waktu dan ruang. Dalam kaitannya dengan model OLS,

autokorelasi berarti terdapatnya hubungan antara satu variabel gangguan dengan

variabel gangguan lainnya. Salah satu asumsi OLS adalah tidak terdapatnya

korelasi antar variabel gangguan sehingga kemunculan autokorelasi tidak

diharapkan dalam penelitian ini. Data time-series lebih sering mengalami masalah

autokorelasi dibandingkan cross-section karena karakteristiknya berupa periode

penelitian yang lebih lama. Sama halnya dengan heterokedastisitas, data yang

terdeteksi mengandung autokorelasi hanya mencapai tahap LUE.

18 Agus Widarjano, Ekonometrika Pengantar dan Aplikasinya : Disertai Panduan Eviews

(Yogyakarta : UPP STM YKPN, 2013), h. 115-125. 19

Ibid., h. 137.

57

Tabel 3.2 : Tabel Autokorelasi

Hasil Nilai Statistik d

Autokorelasi Positif 0 < d < dl

Tidak Ada Kesimpulan dl < d < du

Tidak Ada Autokolreasi du < d < 4 – du

Tidak Ada Kesimpulan 4 – du < d < 4 – dl

Autokolreasi Negatif 4 – dl < d < 4

Sumber : Ekonometrika Pengantar dan Aplikasinya –

Disertai Panduan Eviews oleh Agus Widarjono (2013)

H0 : Tidak ada autokorelasi

H1 : Ada autokorelasi

Pengujian terhadap autokorelasi dapat dilakukan dengan melakukan uji

LM (metode Bruesch Godfrey). Model dikatakan tidak memiliki korelasi atau

hipotesis nol diterima apabila p-value pada Obs* R-square lebih besar dari tingkat

signifikansi 0,05. Sebaliknya, Obs* R-square yang lebih kecil dari 0,05

menandakan diterimanya hipotesis alternatif atau terdapatnya autokorelasi pada

model. Uji lain yang juga umum digunakan adalah Durbin-Watson. Pengambilan

keputusan mengenai keberadaan gangguan autokorelasi dilakukan dengan

mengacu pada Tabel 3.2 di atas.

c. Uji Multikolinearitas

Multikolinearitas adalah suatu kondisi di mana variabel independen dalam

model regresi linear berganda saling berkorelasi atau berhubungan. Hubungan

58

tersebut dapat bersifat sempurna maupun kurang sempurna. Berbeda dengan

autokorelasi dan heterokedastisitas, adanya masalah multikolinearitas tidak akan

menyebabkan hilangnya karakteristik BLUE pada model namun tetap harus

dihilangkan karena hasil yang didapat nantinya cenderung menyesatkan.

Model dengan gejala multikolinearitas biasanya dicirikan dengan

tingginya koefisien determinasi (R2) dan uji simultan (Uji F) yang berarti variabel

independen secara bersama-sama memengaruhi variabel dependen yang ada. Di

sisi lain, nilai statistik t dari variabel independen rendah sehingga sebenarnya

variabel-variabel independen tersebut tidak memiliki pengaruh yang signifikan

terhadap variabel dependen tadi. Terjadinya kondisi yang kontradiktif ini

disebabkan oleh adanya hubungan antar variabel independen dengan koefisien

korelasi lebih tinggi dari 0,8.

Menghilangkan multikolinearitas dapat dilakukan dengan berbagai cara.

Salah satu cara yang paling mudah adalah dengan menyingkirkan satu saja

variabel independen yang memiliki hubungan paling kuat. Namun metode ini

dapat berakibat pada timbulnya kesalahan struktural karena disingkirkannya

variabel yang menurut teori berpengaruh. Dalam beberapa kasus, multikolinearitas

memang tidak dapat dihindari dan bukan merupakan kesalahan teknik analisis

atau OLS secara general sehingga variabel independen yang saling berkorelasi

tidak perlu dihapus dari model.20

20 Peter Kennedy, A Guide to Econometrics Fifth Edition (Massachusetts : The MIT Press

Cambridge, 2003) h. 214.

59

Transformasi ke bentuk differensiasi pertama juga dapat digunakan untuk

mengatasi multikolinearitas. Walaupun variabel saling berhubungan, bentuk

turunannya belum tentu tetap memiliki korelasi. Kekurangannya adalah

diferensiasi memungkinkan timbulnya autokorelasi karena bisa saja terjadi

korelasi antara variabel gangguan. Pada kasus multikolinearitas di mana variabel

independen tidak signifikan, penambahan data juga dapat menurunkan varian dan

standar eror. Proses ini selanjutnya berakibat pada kembali berpengaruhnya

variabel independen terhadap variabel dependen.

2. Analisis Regresi Linear Berganda

a. Persamaan Linear Berganda

Dalam penelitian ini, regresi linear berganda diperlukan untuk

menganalisa pengaruh antara variabel independen yang banyak jumlahnya

terhadap variabel dependen. Persamaan analisis yang digunakan adalah sebagai

berikut :

a) Batas-batas Pasar antara BPRS dan BUS-UUS

Y1 = β0 + β1x1 + β2x2 β3x3 + β4x4 + β5x5 + β6x6 + e………………….…(3.1)

Keterangan :

Y1 = Logaritma dari total pembiayaan murabahah yang disalurkan oleh BPRS

β0 = Konstanta

β1x1 = Tingkat margin murabahah BPRS

60

β2x2 = Tingkat margin murabahah BUS-UUS

β3x3 = Logaritma tingkat margin relatif murabahah yang dihitung dari

perbandingan tingkat margin murabahah BUS-UUS dengan BPRS

β4x4 = Logaritma jumlah kantor BPRS

β5x5 = Logaritma dari indeks harga konsumen

β6x6 = Logaritma dari indeks produksi industri

e = error

b) Tingkat Persaingan antar sesama BPRS

Y2 = β0 + β1x1 + β2x2 β3x3 + β4x4 + β5x5 + β6x6 + e ……….…………...(3.2)

Keterangan :

Y2 = Logaritma dari total pendapatan operasional utama dan pendapatan o

perasional lainnya terhadap total asset

β0 = Konstanta

β1x1 = Logaritma biaya bagi hasil BRPS yang dihitung dari total pendapatan

terhadap total asset

β2x2 = Logaritma biaya pendidikan dan pelatihan tenaga kerja terhadap total

asset BPRS

61

β3x3 = Logaritma biaya lain-lain BPRS yang dihitung dari selisih biaya

operasional lainnya dengan biaya pendidikan dan pelatihan tenaga kerja,

dibagi total asset sebagai proksi biaya atas kapital dan overhead

β4x4 = Logaritma total ekuitas terhadap total asset BPRS

β5x5 = Logaritma total pembiayaan terhadap total asset BPRS

β6x6 = Logaritma total NPF terhadap total asset BPRS

e = error

c) Pengaruh Struktur Pasar terhadap Kinerja Profitabilitas BPRS

Y3 = β0 + β1x1 + β2x2 β3x3 + β4x4 + β5x5 + e ……….…………...………(3.3)

Keterangan :

Y3 = ROE BPRS

β0 = Konstanta

β1x1 = Logaritma total asset BPRS

β2x2 = Logaritma total dana pihak ketiga atau third-party fund (TPF) BPRS

β3x3 = Rasio biaya operasional terhadap pendapatan operasional BPRS

β4x4 = Rasio CAR BPRS

62

β5x5 = Tingkat konsentrasi empat bank terbesar di pasar yang dihitung dari

pembagian total asset empat BUS terbesar dengan total asset seluruh bank

syariah pada pasar

e = error

d) Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS

Y4 = β0 + β1x1 + β2x2 β3x3 + β4x4 + β5x5 + β6x6 + β7x7 +e ….......……..(3.4)

Keterangan :

Y4 = Rasio NPF BPRS

β0 = Konstanta

β1x1 = Rasio CAR BPRS

β2x2 = Rasio FDR BPRS

β3x3 = Rasio ROA BPRS

β4x4 = Tingkat margin murabahah BUS-UUS

β5x5 = Tingkat konsentrasi empat bank terbesar di pasar yang dihitung dari

pembagian total asset empat BUS terbesar dengan total asset seluruh bank

syariah pada pasar

β4x4 = Logaritma indeks harga konsumen

β5x5 = Logaritma indeks produksi industri

63

e = error

b. Uji Simultan (Uji F)

Uji simultan (Uji F) sering juga disebut sebagai uji anova atau uji model

secara keseluruhan. Uji ini bertujuan untuk menganalisa pengaruh variabel-

variabel independen secara simultan terhadap variabel dependennya. Pengaruh

dikatakan signifikan apabila F hitung lebih besar dari F tabel, ataupun p-value nya

lebih kecil dari tingkat signifkansi 0,05.

H0 : Variabel-variabel independen secara simultan tidak berpengaruh terhadap

variabel dependen.

H1 : Variabel-variabel independen secara simultan berpengaruh terhadap variabel

dependen.

c. Uji Parsial (Uji t)

Uji parsial atau uji t memiliki fungsi untuk menganalisa pengaruh variabel-

variabel independen terhadap variabel dependen secara parsial. Walaupun uji F-

nya baik, bisa saja terdapat beberapa variabel yang ditinjau dari kontribusinya

secara parsial tidak signifikan dalam memengaruhi variabel dependen. Signifikan

atau tidaknya uji t dapat dilihat dari perbandingan t-hitung dan t-tabel nya.

Apabila t-hitung lebih besar dari t-tabel, maka terdapat pengaruh yang signifikan

antara variabel independen terhadap variabel dependen, begitu pun sebaliknya.

Selain membandingkan t-hitung dengan t-tabel, nilai p-value di bawah tingkat

signifikansi 0,05 juga menandakan adanya pengaruh yang signifikan.

64

H0 : Variabel-variabel independen secara parsial tidak berpengaruh terhadap

variabel dependen.

H1 : Variabel-variabel independen secara parsial berpengaruh terhadap variabel

dependen.

d. Uji Koefisien Determinasi (Uji R2)21

Koefisien determinasi (R2) menggambarkan seberapa baik garis regresi

dalam menjelaskan data yang ada (goodness of fit). Dengan kata lain, koefisien

determinasi menunjukkan seberapa jauh variabel-variabel independen yang ada

dalam menerangkan perubahan yang terjadi pada variabel dependen. Nilai

koefisien ini selalu berkisar antara angka 0 hingga 1. Semakin mendekati angka 1,

semakin bagus model yang digunakan karena variabel-variabel independennya

dapat menjelaskan variasi pada variabel dependen. Koefisien determinasi dengan

nilai sempurna atau angka satu jarang sekali dijumpai.

3. Vector Autoregression (VAR) dan Vector Error Correction Model (VECM)22

Metode Vector Autoregression (VAR) pertama kali diperkenalkan oleh

Christoper Sims (1980) yang dilatarbelakangi oleh ketidaksetujuannya terhadap

metode simultan. Menurutnya, model yang simultan seharusnya memiliki

variabel-variabel dengan kedudukan yang sama, tidak terdapat perbedaan antara

variabel endogen maupun eksogen. Hasilnya, metode VAR yang dikembangkan

oleh Sims memperlakukan semua variabel secara simetris tanpa mempertanyakan

21 Agus Widarjono, Op. Cit, h. 24-27. 22

Hendri Tanjung dan Devi, Metodologi Penelitian Ekonomi Islam (Jakarta : Gramata Publishing,

2013), h. 261-269.

65

statusnya, entah independen ataupun dependen. Jadi, VAR menganggap seluruh

variabelnya sebagai variabel endogen.

Metode VAR banyak mendapat kritikan dari para ahli seperti Granger

(1969) dan Lucas (1978) karena sering kali melakukan pengujian tanpa

mempertimbangkan teori ekonominya atau bersifat eteoritis. Semenjak

mendapatkan penolakan, VAR mulai mengalami perkembangan berupa

penggunaan uji kausalitas, penggabungan informasi priori non-statistikal, dan

lain-lain. Walaupun begitu, VAR masih memiliki beberapa kekurangan, yakni :

1. Menggunakan banyak lag sehingga terjadi masalah baru pada proses

estimasi.

2. Bersifat apriori atau tidak berdasarkan teori.

3. Kesulitan dalam mentransformasikan semua variabel ke bentuk stastioner.

Secara garis besar, terdapat tiga jenis VAR yakni unrestricted VAR

(VAR), struktural VAR (S-VAR), dan restricted VAR (VECM). Unrestricted

VAR atau yang biasa disebut VAR saja, terbagi lagi menjadi dua yakni VAR in

level yang berarti variabel-variabelnya stasioner pada tingkat level, serta VAR in

difference yang artinya semua variabel tidak stasioner dalam level namun

memiliki atau tidak memiliki hubungan kointegrasi. VAR yang stasioner pada

tingkat level tetapi memiliki korelasi yang tinggi sehingga terdapat restriksi

disebut S-VAR.

Restricted VAR atau yang lebih sering disebut VECM merupakan VAR

yang juga teristriksi. Perbedaan utamanya adalah variabelnya tidak stasioner pada

66

level, tetapi memiliki hubungan kointegrasi. Tujuan dari VECM adalah untuk

mengoreksi keseimbangan jangka pendek menuju keseimbangan jangka

panjangnya. VECM digunakan karena terdapat kemungkinan hilangnya informasi

jangka panjang akibat transformasi data pada turunan pertama.

Sebelum melangkah pada analisis VAR-VECM, terdapat beberapa tahapan

yang harus dilalui. Begitu pun setelahnya, ada teknik-teknik analisis yang dapat

membantu menjelaskan model VAR-VECM yang dihasilkan. Langkah-langkah

tersebut adalah sebagai berikut : 23

a. Uji Stasioneritas dan Derajat Integrasi

Pengecekan terhadap stasioneritas data merupakan tahap pertama semua

jenis VAR. Uji Augmented Dickey-Fuller (ADF) digunakan untuk

mengidentifikasi apakah data stasioner pada tingkat level ataupun turunan. Data

yang stasioner mencerminkan varians yang tidak terlalu besar serta terdapat

kecenderungan untuk mendekati rata-rata. Data yang tidak stasioner pada level

akan diproses ulang oleh uji derajat integrasi dengan cara menjalankan uji ADF

pada turunan pertama dan seterusnya hingga stasioneritas tercapai.

Persamaan uji stasioner dengan teknik analisis ADF dirumuskan oleh

Gujarati sebagai berikut :

ΔYt = α0 + γYt-1 + β1 ∑ Yt-i+1 + εt.................................................................(3.5)

23 Shochrul RA, dkk, Cara Cerdas Menguasai EViews (Jakarta: Salemba Empat, 2011), h. 163-

192.

67

Keterangan :

Yt = Bentuk dari turunan pertama

α0 = Intersep

Y = Variabel yang stasionernya diuji

P = panjang lag yang dipakai pada model

Ε = Error term

Hipotesis nol (H0) dalam persamaan tersebut adalah terdapatnya unit root

dalam model sehingga data tidak stasioner. Sebaliknya, hipotesis alternatif (H1)

berarti tidak ada unit root sehingga stasioneritas tercapai. Untuk melihat ada atau

tidaknya unit root, perbandingan antara nilai ADFstatistik serta Mackinnon Critical

Value perlu dilakukan. ADFstatistik yang lebih besar dari mackinnon critical value-

nya menunjukkan stasionernya data. Sementara itu, ADFstatistik yang lebih kecil

memerlukan uji derajat integrasi karena terdeteksinya unit root yang

menyebabkan data tidak stasioner.

b. Uji Lag Legth24

Penentuan lag optimal penting dicari tahu karena lag yang terlalu sedikit

meningkatkan kemungkinan residual regresi yang menampilkan proses white

noise sehingga actual error yang diestimasi tidak tepat. Sebaliknya, lag yang

terlalu besar akan mengurangi kemampuan menolak H0 karena semakin banyak

tambahan parameter, sehingga derajat bebasnya juga akan semakin berkurang.

24 Ibid., h. 166-167.

25 Ibid., h. 167.

68

Terdapat beberapa cara untuk mengukur lag optimal, yakni Akaike Information

Criterion (AIC), Scwarz Information Criterion (SIC), dan Hannah-Quinn

Information Criterion (HQ). Dari ketiga cara tersebut lag optimal dipilih

berdasarkan final prediction error-nya, yakni jumlah AIC/SIC/HQ yang paling

kecil lagnya. Uji lag optimal berlaku pada VAR maupun VECM.

AIC : …………………..……………………………………………(3.6)

SIC : ……………………...………………………………………...(3.7)

HQ : …………………………………………...………...(3.8)

c. Uji Kausalitas Granger25

Seperti namanya, uji kausalitas Granger memiliki fungsi untuk

menganalisa pengaruh hubungan timbal-balik antar variabel. Uji ini juga

diperlukan baik untuk VAR maupun VECM. Granger (2003) menginterpretasikan

hasil dari uji ini menjadi tiga jenis, yaitu :

a) Unindirectional causality antara variabel dependen terhadap variabel

independen. Fenomena unindirectional causality terjadi ketika koefisien

lag variabel dependen berbeda dari nol, sedangkan koefisien lag variabel

independennya sama dengan nol.

b) Feedback/bidirectional causality merupakan hubungan saling

memengaruhi antar variabel. Hubungan ini ditunjukkan oleh koefisien lag

variabel dependen maupun independennya yang berbeda dari nol.26

69

c) Independence causality yang terjadi ketika baik kofisien lag variabel

dependen maupun independen berbeda dengan nol.

d. Uji Kointegrasi

Data yang pada uji ADF stasioner pada level tidak memerlukan uji

kointegrasi lagi, tetapi bisa langsung menuju estimasi VAR atau S-VAR. Yang

harus melalui uji kointegrasi adalah data pada model yang baru stasioner pada

turunan pertama. Uji kointegrasi biasanya dilakukan dengan metode Johansen.

Model VAR yang dipakai Johansen dalam melakukan uji kointegrasi

menggunakan ordo P pada persamaan berikut :27

yt = A1yt-1 + …. + Apyt-p + Bπt + et……………………………..……………..(3.7)

di mana :

yt : vektor-k pada variabel-variabel yang tidak stasioner

πt : vektor-d pada variabel deterministik

et : vektor inovasi

Model dengan vektor yang terkointegrasi memiliki maximum egenvalue

dan trace statistic yang lebih besar dari nilai statistiknya. Model yang demikian

mempunyai keseimbangan jangka panjang. Apabila setidaknya satu hubungan

kointegrasi ditemukan, maka model akan berlanjut pada teknik estimasi VECM,

sedangkan bila tidak, first difference VAR akan menjadi tahap selanjutnya.

26

Ali Rama, “Perbankan Syariah dan Pertumbuhan Ekonomi”, Jurnal Etikonomi XII No. 1

(April, 2013): h. 15. 27

Shochrul R.A et.all, Op. Cit, h. 190.

70

e. VAR-VECM

Model VAR atau VECM digunakan untuk mengonfirmasi hasil estimasi

tujuan keempat pada penelitian ini yakni menganalisa pengaruh struktur pasar

terhadap resiko pembiayaan BPRS (Model NPF). Penggunaan model yang tepat

didasarkan pada uji stasioneritas atau uji kointegrasi yang telah dijalankan

sebelumnya.

a) Estimasi VAR28

Dalam melakukan estimasi VAR, model yang digunakan adalah sebagai

berikut :

Yt = α + ∑ jYt-j + ∑ jXt-j + u1t………………………………...……….(3.8)

Xt = α + ∑ jXt-j + ∑ jYt-j + u2t……………………………………...….(3.9)

Estimasi VAR bertujuan untuk menganalisa pengaruh variabel Y terhadap

variabel X, begitu pun sebaliknya. Untuk mengetahui hasil analisa, nilai t-statistik

dengan t-tabel harus diperbandingkan. Apaila t-statistik lebih besar dari t-tabel,

maka pengaruh antar variabel satu terhadap variabel lainnya dapat dikatakan

signifikan.

b) Estimasi VECM29

Data dalam model VAR yang memiliki kointegrasi selanjutnya akan

diproses dengan Vector Error Correction Model (VECM). VECM digunakan

28 Ibid., h. 167-168. 29

Ibid., h. 191-192.

71

untuk mengukur tingkah laku jangka pendek antar variabel melalui koefisien

standar dan mengestimasi hubungan jangka panjang memakai lag residual dari

regresi yang terkointegrasi. Hoffman dan Rasche (1997) menerangkan model

estimasi VECM untuk data time-series secara umum sebagai berikut :

ΔΧt = μ + α β' Xt-1 + ∑ Xj ΔXt-j + εt………………………...…………….(3.10)

di mana,

Г : koefisien matriks (p x p); j = 1,…,k

μ : vektor (p x 1) yang mencakup semua komponen determinan dalam sistem

α,β : matriks (p x r); 0 < r < p dan r adalah jumlah kombinasi linear elemen Xt

yang hanya dipengaruhi oleh shock transistor

β'Xt-1 : error correction term yakni jumlah pemberat pembalik rata-rata pada

vektor kointegrasi pada data ke-t-1

α : matriks dari koefisien error correction

f. Impulse Response Function (IRF)30

IRF dijelaskan oleh Sims (1992) sebagai suatu fungsi yang menjelaskan

ekspektasi k-periode ke depan terhadap kesalahan prediksi suatu variabel akibat

inovasi variabel lainnya. Hal tersebut menjadikan IRF mampu memprediksi

lamanya pengaruh shock dari suatu variabel terhadap variabel lain hingga

30

Ibid., h. 168.

72

pengaruhnya benar-benar hilang atau kembali pada titik keseimbangan. IRF dapat

diformulasikan sebagai berikut (Enders, 2003) :

⌊ ⌋=* ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ ++∑ [ ] [ ]………………......……(3.11)

g. Forecast Error Variance Decomposition (FEVD)31

Variance Decomposition atau Forecast Error Variance Decomposition

(FEVD) adalah salah satu perangkat pada model VAR yang memisahkan variasi

dan variabel yang diestimasi menjadi komponen-komponen shock atau variabel-

variabel inovasi. Hal ini menyebabkan dapat digunakannya FEVD dalam melihat

proporsi pengaruh shock suatu variabel terhadap variabel lainnya. Baik IRF

maupun FEVD dapat diterapkan pada model VAR dan VECM.

31

Ibid.

73

Transformasi Data

(Log)

Observasi Data

Unit Root Tidak Ada Ada

Stasioner pada Level Stasioner pada turunan pertama

Uji Korelasi Uji Kointegrasi

Tinggi Rendah

Ada Tidak Ada

S-VAR VAR Level VECM VAR turunan pertama

Uji IRF dan FEVD

Gambar 3.1 : Proses Analisis VAR-VECM (Sumber : Ascarya, 2012)

74

BAB IV

HASIL DAN ANALISIS DATA

A. Analisis Statistik Deskriptif

a. Batas-batas Pasar antar BPRS dan BUS-UUS

Tabel 4.1 : Statistik Deskriptif Model Log(MUR)

MUR

BPRS

RRMUR

BPRS

RRMUR

BUSUUS

RRMUR

BUSUUS

/BPRS

OFFICE

CPI

IPI

Mean 2729288 0,191737 0,175343 0,911960 368,7077 126,6849 110,6780

Median 2742817 0,192000 0,146600 0,758372 386,0000 126,2900 112,3100

Maximum 4281505 0,231900 0,857100 4,381902 486,0000 146,8400 127,7400

Minimum 1277588 0,181600 0,115500 0,590341 262,0000 110,9900 92,55000

Std. Dev 938432,1 0,007446 0,139031 0,706934 62,50893 10,16279 8,876066

Skewness 0,022099 2,438273 4,335714 4,332216 -0,336040 0,278675 0,016752

Kurtosis 1,589255 14,23403 20,04386 20,03464 1,938567 2,191673 1,963055

Obs 65 65 65 65 65 65 65

Tabel 4.1 di atas menggambarkan statistik deskriptif dari variabel-variabel

pada model Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian

ini yakni menganalisa batas-batas pasar antar BPRS dan BUS-UUS. Secara

historis, Bank Pembiayaan Rakyat Syariah (BPRS) cenderung menawarkan

margin murabahah (RRMURBPRS) untuk nasabah pembiayaan dengan rate yang

rata-rata lebih tinggi dari Bank Umum Syariah dan Unit Usaha Syariah

(RRMURBUSUUS). Rata-rata dari margin murabahah BPRS adalah 19,17%

sedangkan BUS-UUS mampu menekan angka tersebut lebih rendah sekitar dua

persen, yakni sebesar 17,53%.

74

75

Fenomena tingkat suku bunga kredit yang tinggi juga sering terjadi pada

Bank Perkreditan Rakyat (BPR) maupun bank-bank berskala kecil. Penerapan

tersebut didorong oleh ketatnya persaingan pada pasar pendanaan sehingga bank-

bank kecil yang kalah skala ekonominya akan menetapkan strategi dengan cara

menaikkan tingkat suku bunga/bagi hasil deposito. Tujuannya adalah untuk

menjaring dana pihak ketiga atau Third Party-Fund (TPF) sehingga bank dapat

beroperasi. Agar dapat memenuhi kewajiban pada nasabah pendanaan serta

memperoleh keuntungan, suku bunga kredit/pembiayaan pun turut dinaikkan.

Tingkat margin murabahah relatif (RRMURBUSUUS/BPRS)

menggambarkan perbandingan margin murabahah yang ditawarkan BUS-UUS

terhadap margin murabahah yang ditetapkan oleh BPRS. Rata-rata sebesar 0,911

mendukung temuan sebelumnya yang menyatakan bahwa BUS-UUS cenderung

menawarkan tingkat margin yang lebih rendah dibandingkan BPRS. Akan tetapi,

terdapat beberapa kasus di mana margin murabahah BUS-UUS lebih tinggi hingga

empat kali (4,38) dari BPRS, namun sangat jarang ditemui.

Dari sisi total pembiayaan murabahah BPRS (MURBPRS) serta jumlah

kantor (OFFICE), terjadi kenaikan dalam jangka panjang. Secara teoritis,

pembukaan kantor baru akan berdampak pada meningkatnya pembiayaan yang

disalurkan. Sementara itu, indeks harga konsumen atau consumer price index

(CPI) dan indeks produksi industri (IPI) cenderung berfluktuasi dari waktu ke

waktu. Fluktuasi pada kedua variabel tersebut lebih disebabkan oleh peralihan

tahun dasar yang digunakan, dari tahun 2000 menjadi tahun 2010.

76

b. Tingkat Persaingan antar sesama BPRS

Tabel 4.2 : Statistik Deskriptif Model Log(TR)

TR BBH BTK BKAP EQ FINC NPF

Mean 307726,8 186171,4 4644,231 12091,60 679060,1 3421746 261871,8

Median 282992,0 135937,0 3972,000 11344,00 650989,0 3404739 230466

Maximum 782054,0 796943,0 12905,00 32427,00 1054174 5433635 590903

Minimum 29789,00 12991,00 382,0000 1064,000 405870,0 1586579 116745

Std. Dev 190827,8 167405,9 3149,277 7697,824 196789,7 1179073 117871,6

Skewness 0,547507 1,823794 0,719339 0,702787 0,309298 0,057184 0,705881

Kurtosis 2,536432 6,286290 2,738175 3,071185 1,784139 1,608628 2,498980

Obs 65 65 65 65 65 65 65


pada model Log(TR) yang bertujuan untuk menjawab tujuan kedua penelitian ini

yakni menganalisa tingkat persaingan antar sesama unti BPRS. Model Log(TR)

memperlihatkan bahwa biaya bagi hasil (BBH) sebagai variabel beban input yang

menjadi pengeluaran terbesar BPRS memiliki mean sebesar 186.171,4 juta rupiah.

Angka tersebut disusul oleh biaya lain-lain (BKAP) serta biaya tenaga kerja

(BTK) yang masing-masing memiliki mean sebesar 12.091,6 juta rupiah serta

4.644,23 juta rupiah. Pada dasarnya bank-bank memang cenderung

mengalokasikan pengeluaran terbesarnya dalam biaya bunga atau bagi hasil untuk

nasabah pendanaan. Iman (2009) dalam penelitiannya menunjukkan bahwa baik

bank syariah maupun bank konvensional di Indonesia sama-sama menghadapi

biaya bunga/bagi hasil yang lebih besar dibandingkan BTK dan BKAP.

77

Dilihat dari perkembangannya, total ekuitas (EQ), total pembiayaan

(FINC), maupun total pendapatan operasional (TR) terus mengalami peningkatan

dari waktu ke waktu. Dalam lima tahun BPRS berhasil melipatgandakan EQ,

sedangkan FINC naik hingga 3,4 kali lipat. Peningkatan yang paling drastis terjadi

pada TR, di mana kenaikannya mencapai 11 kali lipat dibandingkan lima tahun

sebelumnya.

Berdasarkan indikator statistik mean maupun median, non-performing

financing (NPF) yang dihadapi BPRS selama lima tahun terakhir berada pada

kisaran nominal 261.871,8 juta rupiah atau sebesar 7% dari total pembiayaan.

Angka ini masih lebih tinggi dari NPF yang dihadapi BUS-UUS dan non-

performing loan (NPL) yang ditanggung BPR. Secara historis, rasio NPF pada

BPRS terus mengalami kenaikan. Walaupun begitu angka tersebut masih

tergolong baik karena batas maksimumnya sebesar 16% sehingga masih berada

dalam peringkat kedua berdasarkan Peraturan Bank Indonesia (PBI)

17/12/PBI/2015.

c. Pengaruh Struktur Pasar terhadap Kinerja Profitabilitas BPRS


pada model ROE yang bertujuan untuk menjawab tujuan ketiga penelitian ini

yakni menganalisa pengaruh struktur pasar terhadap tingkat profitabilitas BPRS.

Capital Adequacy Ratio (CAR) yang merupakan salah satu indikator kesehatan

perbankan menunjukkan bahwa BPRS memiliki cadangan modal yang lebih dari

cukup, ditunjukkan oleh rata-rata dan median yang masing-masing sebesar

78

24,57% dan 24,47%. Angka tersebut tidak hanya melampaui ketentuan minimum

sebesar 6,5%, tetapi juga jauh di atas peringkat satu yang mensyaratkan CAR

sebesar 11%. Rasio ini lebih tinggi dari yang dimiliki oleh BUS, baik Bank

Umum Kelompok Usaha (BUKU) 1 maupun BUKU 2. Dengan demikian

berdasarkan cadangan modalnya, BPRS dapat dikatakan memiliki kinerja yang

sangat baik.

Tabel 4.3 : Statistik Deskriptif Model ROE

ROE TA TPF OER CAR CR4

Mean 0,180333 4567781 2796115 0,811493 0,245663 0,630345

Median 0,187800 4640260 2889639 0,791350 0,244650 0,603900

Maximu

m

0,254500

6839352

4204807

0,897700

0,301200

0,714500

Minimum 0,093700 2373598 1385733 0,752000 0,217300 0,575200

Std. Dev 0,043475 1404338 906490,9 0,047595 0,022825 0,050635

Skewness -0,303049 -0,011706 -0,087520 0,732732 0,850829 0,601630

Kurtosis 2,260297 1,643673 1,595937 1,921046 2,925968 1,633960

Obs 60 60 60 60 60 60

Menggunakan empat bank syariah terbesar pada pasar yang terdiri atas Bank

Syariah Mandiri (BSM), Bank Muamalat Indonesia (BMI), Bank Rakyat

Indonesia Syariah (BRIS), dan Bank Negara Indonesia Syariah (BNIS), rasio

tingkat konsentrasi (CR4) yang terbentuk menunjukkan tren yang cenderung

menurun dalam jangka panjang. Terhitung Juni 2010, CR4 yang semula berada

pada angka 69,39% perlahan turun hingga mencapai 59,02% pada Mei 2015.

Berkurangnya dominasi keempat bank di atas lebih disebabkan oleh faktor

eksternal berupa BUS-UUS lain yang asetnya tumbuh dengan sangat cepat.

79

Pada penelitian ini, operating expense ratio (OER) yang juga biasa disebut

dengan istilah beban operasional perpendapatan operasional (BOPO)

menggambarkan tingkat efisiensi BPRS secara agregat. Dibandingkan dengan

Malaysia yang sering disebut-sebut sebagai kiblat perbankan syariah di Asia,

bank-bank syariah di Indonesia terkenal memiliki rasio OER yang cenderung

tinggi, yakni berkisar 70%-90%. Sementara itu bank-bank syariah di Malaysia

mampu mengontrol OER-nya menjadi sekitar 20%-60%.32

Namun bila ditinjau

dari ketentuan yang ada, selama masih berada di angka 87%, kinerja OER BPRS

masih dapat dikatakan cukup baik.

Sebagai pengganti return on asset (ROA) yang merupakan salah satu variabel

profitabilitas yang paling sering digunakan dalam penelitian-penelitian tentang

Structure Conduct Product (SCP), variabel return on equity (ROE) dipilih untuk

menganalisa model ketiga. Selama lima tahun terakhir, BPRS memiliki rata-rata

ROE sebesar 18,03% sehingga masih tergolong cukup baik berdasarkan PBI No.

9/17/PBI/2007. Untuk total aset (TA) dan total dana pihak ketiga (TPF), kenaikan

yang terjadi dalam jangka panjang merupakan pertanda baik. Dibandingkan lima

tahun sebelumnya, kedua variabel tersebut meningkat hingga lebih dari tiga kali

lipat.

d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS


pada model NPF yang bertujuan untuk menjawab tujuan keempat penelitian ini

32

Ika Yulita, Op. Cit, h. 7.

80

yakni menganalisa pengaruh struktur pasar terhadap resiko pembiayaan BPRS.

Variabel ROA pada tabel di bawah menunjukkan bahwa BPRS mampu

mendistribusikan dana yang ada sedemikian rupa hingga tercapai tingkat

keuntungan yang besar, yakni 2,8% berdasarkan rata-rata selama lima tahun

terakhir. Angka ini jauh lebih tinggi dari peringkat komposit ke-1 yang

mesyaratkan rasio ROA sebesar 1,450%. Dengan kata lain, dapat disimpulkan

bahwa BPRS memiliki kinerja yang sangat baik dilihat dari segi profitabilitasnya.

Tabel 4.4 : Statistik Deskriptif Model NPF

NPF

FDR

ROA

CAR

RRMU

RBUSU

US

CR4

CPI

Mean 0,074555 1,283872 0,027552 0,245663 0,154084 0,630345 127,3813

Median 0,072300 1,277250 0,027200 0,244650 0,146600 0,603900 126,9250

Maximum 0,103600 1,399600 0,037100 0,301200 0,733000 0,714500 146,8400

Minimum 0,061100 1,194600 0,021730 0,217300 0,115500 0,575200 110,9900

Std. Dev 0,008979 0,051153 0,003911 0,022825 0,076560 0,050635 10,27710

Skewness 1,058829 0,278647 0,734859 0,850829 7,382078 0,601630 0,133239

Kurtosis 3,754512 2,387953 3,258316 2,925968 56,35501 1,633960 2,174036

Obs 60 60 60 60 60 60 60

Di sisi lain, Financing to Deposit Ratio (FDR) menunjukkan rata-rata

sebesar 128% selama lima tahun terakhir. Rasio tersebut memang tergolong tinggi

bila dibandingkan dengan Bank Umum Konvensional (BUK) atau BPR pada

umumnya. Namun, fenomena FDR yang tinggi hingga melampaui 100% ini

terbilang wajar dalam dunia perbankan syariah di Indonesia. Sebagai contoh, baik

BUS-UUS memiliki FDR dengan rata-rata 96,65% selama setahun terakhir (SPS,

2015). Dalam penelitiannya, Tarsidin dan Warjiyo (2006) juga mengemukakan

81

bahwa alasan dibalik tingginya rasio FDR ini adalah Cost of Fund (COF) pada

bank syariah yang bukan ditetapkan di muka melainkan berdasarkan kinerja

proyek-proyek yang dibiayai. Oleh karena itu satu-satunya cara untuk meraih

keuntungan lebih tinggi dan memberikan bagi hasil yang kompetitif pada nasabah

pendanaan adalah dengan menyalurkan pembiayaan yang masif.33

B. Uji Asumsi Klasik

Sebelum melangkah pada tahap analisis regresi linear berganda, data time

series yang digunakan akan dicek terlebih dahulu untuk memastikan tidak

terdapatnya masalah-masalah seperti multikolinearitas, heterokedastisitas, maupun

autokorelasi. Pada penelitian ini, uji normalitas diabaikan karena jumlah observasi

yang digunakan sudah lebih dari 30.

1. Uji Heterokedastisitas

a. Batas-batas Pasar antara BPRS dan BUS-UUS

Tabel 4.5 : Uji Heterokedastisitas Model Log(MUR)

Heterokedasticity Test Breusch-Pagan-Godfrey

F-Statistic 1,902653 Prob F (6,58) 0,0957

Obs*R-squared 10,68969 Prob Chi-Square(6) 0,0985

Tabel 4.5 di atas memperlihatkan hasil uji heterokedastisitas pada model

Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian ini yakni

33 Tarsidin dan Perry Warjiyo, “Perbankan Syariah dan Perbankan Berdasarkan Bunga : Manakah

yang Lebih Optimal?”, Buletin Ekonomi Moneter dan Perbankan IX No. 2 (Oktober, 2006): h. 88.

82

menganalisa batas-batas pasar antara BPRS dan BUS-UUS. Nilai dari probability-

value (p-value) Obs*Square yang ditunjukkan adalah sebesar 0,0985. Oleh karena

probabilitas lebih besar dari α sebesar 0,05, maka H0 diterima dan H1 ditolak.

Dengan kata lain, tidak terdapat heterokedastisitas pada model Log(MUR) atau

fungsi regresi populasi memiliki varians yang sama.


Tabel 4.6 : Uji Heterokedastisitas Model Log(TR)





Log(TR) yang bertujuan untuk menjawab tujuan kedua penelitian ini yakni

menganalisa tingkat persaingan antar sesama BPRS. Nilai dari p-value

Obs*Square adalah sebesar 0,5581. Oleh karena probabilitas lebih besar dari α

sebesar yakni 0,05, maka H0 diterima dan H1 ditolak. Dengan kata lain, tidak

terdapat he terokedastisitas pada model Log(TR) atau fungsi regresi populasi

memiliki varians yang sama.

83


Tabel 4.7 : Uji Heterokedastisitas Model ROE





ROE yang bertujuan untuk menjawab tujuan ketiga penelitian ini yakni

menganalisa pengaruh dari struktur pasar terhadap kinerja profitabilitas BPRS.

Nilai dari p-value Obs*Square adalah sebesar 0,0003. Oleh karena probabilitas

lebih kecil dari α sebesar 0,05, maka H0 ditolak dan H1 diterima. Dengan kata lain,

terdapat heterokedastisitas pada model ROE atau fungsi regresi populasi memiliki

varians yang berbeda-beda. Heterokedastitias pada dasarnya sangat jarang

dijumpai pada data time-series sehingga kemunculannya pada penelitian ini dapat

diabaikan.


Tabel 4.8 : Uji Heterokedastisitas Model NPF




84


NPF yang bertujuan untuk menjawab tujuan keempat penelitian ini yakni

menganalisa pengaruh struktur pasar terhadap resiko pembiayaan BPRS. Nilai

dari p-value Obs*Square adalah sebesar 0,4347. Oleh karena probabilitas lebih

besar dari α sebesar 0,05, maka H0 diterima dan H1 ditolak. Dengan kata lain,

tidak terdapat heterokedastisitas pada model NPF atau fungsi regresi populasi

memiliki varians yang sama.

1. Uji Autokorelasi


Tabel 4.9 : Uji Autokorelasi Model Log(MUR)

Breusch-Godfrey Serial Correlation LM Test

F-Statistic 9,453408 Probability 0,0003

Obs*R-squared 16,40629 Probability 0,0003

Tabel 4.9 di atas memperlihatkan hasil uji autokorelasi pada model


menganalisa batas-batas pasar antara BPRS dan BUS-UUS. Nilai dari p-value

Obs*R-square adalah sebesar 0,0003. Probabilitas tersebut lebih rendah dari α

yang bernilai 0,05. Oleh karena itu dapat disimpulkan bahwa H0 ditolak

sedangkan H1 diterima. Dengan kata lain, model Log(MUR) menunjukkan

terdapatnya gejala-gejala autokorelasi. Beberapa upaya telah dilakukan untuk

menghilangkan masalah serial korelasi ini, yakni dengan menggunakan Cochrane

85

Orcut Iteration dan model Autoregressive. Walaupun autokorelasi sempat teratasi,

hal ini berakibat pada tidak signifikannya mayoritas variabel independen (Lihat

Lampiran 5 dan 6).


. Tabel 4.10 : Uji Autokorelasi Model Log(TR)




Tabel 4.10 di atas memperlihatkan hasil uji autokorelasi pada model


menganalisa tingkat persaingan antar sesama unit BPRS. Nilai dari p-value



sedangkan H1 diterima. Dengan kata lain, model Log(TR) menunjukkan

terdapatnya gejala-gejala autokorelasi. Berbagai upaya telah dilakukan untuk

menghilangkan serial korelasi tersebut yakni dengan menjalankan Cochrane

Orcut Iteration dan model Autoregressive. Koreksi Cochrane Orcut Iteration

berakibat pada tidak dapat dijalankannya uji autokorelasi, sedangkan model

Autoregressive tidak berhasil menghilangkan masalah serial korelasi yang muncul

dalam model (Lihat Lampiran 12 dan 13).

86


Tabel 4.11 : Uji Autokorelasi Model ROE




Tabel 4.11 di atas memperlihatkan hasil uji autokorelasi pada model ROE

yang bertujuan untuk menjawab tujuan ketiga penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap profitabilitas BPRS. Nilai dari p-value Obs*R-

square adalah sebesar 0,0010. Probabilitas tersebut lebih rendah dari α yang

bernilai 0,05. Oleh karena itu dapat disimpulkan bahwa H0 ditolak sedangkan H1

diterima. Dengan kata lain, model ROE menunjukkan adanya gejala-gejala

autokorelasi. Koreksi autokorelasi menggunakan Cochrane Orcut Iteration dan

model Autoregressive sudah dijalankan, namun berdampak pada tidak

signifikannya hampir semua variabel independen (Lihat Lampiran 19 dan 20),

sehingga uji regresi linear berganda dilanjutkan dengan model yang mengandung

autokorelasi.

87


Tabel 4.12 : Uji Autokorelasi Model NPF




Tabel 4.12 di atas memperlihatkan hasil uji autokorelasi pada model NPF

yang bertujuan untuk menjawab tujuan keempat penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap resiko pembiayaan BPRS. Nilai pada p-value



sedangkan H1 diterima. Dengan kata lain, model NPF menunjukkan terdapatnya

gejala-gejala autokorelasi. Sama halnya dengan ketiga model sebelumnya,

transformasi ke dalam bentuk Cochrane Orcut Iteration dan persamaan

Autoregressive menyebabkan tidak signifikannya mayoritas variabel independen

(Lihat lampiran 26 dan 27).

88

2. Uji Multikolinearitas


Tabel 4.13 : Uji Multikolinearitas Model Log(MUR)

CPI

IPI

OFFICE

RRMUR

BPRS

RRMUR

BUSUUS

RRMUR

BUSUUS

BPRS

CPI 1 -0,101110 0,003390 0,029767 -0,186268 -0,188450

IPI -0,101110 1 0,873392 -0,420151 -0,224997 -0,208031

OFFICE 0,003390 0,873392 1 -0,381356 -0,367737 -0,353093

RRMUR

BPRS

0,029767

-0,420151

-0,381356

1

0,130067

0,093496

RRMUR

BUSUUS

-0,186268

-0,224997

-0,367737

0,130067

1

0,999311

RRMUR

BUSUUS

BPRS

-0,188450

-0,208031

-0,353093

0,093496

0,999311

1

Tabel 4.13 di atas memperlihatkan hasil uji multikolinearitas pada model


menganalisa batas-batas pasar antara BPRS dan BUS-UUS. Uji tersebut

menunjukkan terdapatnya dua hubungan multikolinearitas pada model

Log(MUR). Tingkat margin relatif murabahah (RRMURBUSUUS/BPRS) dan

tingkat margin murabahah BUS-UUS (RRMURBUSUUS) memiliki matriks

89

korelasi sebesar 0,999311 (lebih besar dari 0,8), sehingga dapat disimpulkan

bahwa terjadi gejala multikolinearitas di antara keduanya. Cara penghitungan

RRMURBUSUUS/BPRS yang melibatkan RRMURBUSUUS bisa jadi

merupakan penyebabnya.

Gejala multikolinearitas yang kedua terjadi antara variabel Indeks Produksi

Industri (IPI) dan variabel jumlah kantor cabang (OFFICE) dengan matriks

korelasi sebesar 0,873392. Korelasi antar IPI dan OFFICE dapat dijelaskan oleh

peningkatan produk domestik masyarakat. Pada saat pendapatan masyarakat

meningkat, bank memiliki ekspektasi yang tinggi ke depannya sehingga banyak

kantor cabang baru.


Tabel 4.14 : Uji Multikolinearitas Model Log(TR)

BBH BKAP BTK EQ FINC NPF

BBH 1 0,490409 0,854518 -0,158719 0,367603 0,296600

BKAP 0,490409 1 0,616735 0,456973 0,071538 -0,246904

BTK 0,854518 0,616735 1 -0,179425 0,355139 -0,034389

EQ -0,158719 0,456973 -0,179425 1 -0,244597 -0,236554

FINC 0,367603 0,071538 0,355139 -0,244597 1 0,475122

NPF 0,296600 -0,246904 -0,034389 -0,236554 0,475122 1



90

menganalisa tingkat persaingan antar sesama unit BPRS. Uji tersebut

menunjukkan terdapatnya gejala multikolinearitas di antara variabel biaya tenaga

kerja (BTK) dan variabel biaya bagi hasil (BBH) pada model ROE. Nilai matriks

korelasi di atas 0,8 yang mencapai 0,854518 membuktikan terdapatnya

multikolinearitas. Namun untuk menghindari terjadinya kesalahan struktural,

kedua variabel tersebut tetap digunakan dalam model.


Tabel 4.15 : Uji Multikolinearitas Model ROE

TA TPF OER CAR CR4

TA 1 0,998580 0,840805 -0,847439 -0,900080

TPF 0,998580 1 0,823499 -0,844825 -0,913635

OER 0,840805 0,823499 1 -0,636216 -0,690859

CAR -0,847439 -0,844825 -0,636216 1 0,749236

CR4 -0,900080 -0,913635 -0,690859 0,749236 1


ROE yang bertujuan untuk menjawab tujuan ketiga penelitian ini yakni

menganalisa pengaruh struktur pasar terhadap profitabilitas BPRS. Uji tersebut

menunjukkan terdapatnya beberapa hubungan multikolinearitas antar variabel

independen. Total dana pihak ketiga atau third-party fund (TPF) memiliki matriks

korelasi di atas 0,8 dengan variabel rasio beban operasional per pendapatan

operasional (BOPO) atau operating expense ratio (OER), CAR, total aset (TA),

91

dan tingkat konsentrasi (CR4). Secara berturut-turut besar matriks korelasinya

sebesar 0,823499, -0,844825, 0,998580, dan -0,913635. Begitu pun dengan

variabel total aset (Log TA) yang mempunyai hubungan multikolinearitas dengan

variabel OER, CAR, dan CR4 dengan matrik korelasi masing-masing sebesar

0,840805, -0,847439, dan -0,90080. Nilai yang lebih besar dari 0,8 tersebut

menandakan terdapatnya gejala multikolinearitas. Walaupun transformasi variabel

ke bentuk logaritma sudah dijalankan, multikoleniaritas tetap terjadi. Penyingkiran

terhadap variabel-variabel independen yang saling berkorelasi tinggi tidak

dilakukan untuk mencegah terjadinya kesalahan struktural.


Tabel 4.16 di bawah memperlihatkan hasil uji multikolinearitas pada

model NPF yang bertujuan untuk menjawab tujuan keempat penelitian ini yakni

menganalisa pengaruh struktur pasar terhadap resiko pembiayaan BPRS.

Berdasarkan tabel di bawah, tidak terdapat hubungan multikolinearitas antar

variabel independen sehingga model dapat dikatakan tergolong baik.

92

Tabel 4.16 : Uji Multikolinearitas Model NPF

FDR

ROA

CAR

RRMUR

BUSUUS

CR4

CPI

FDR 1 0,150295 0,293627 0,230574 0,601537 -0,259735

ROA 0,150295 1 0,618896 0,329999 0,402326 0,300162

CAR 0,293627 0,618896 1 0,323351 0,749236 -0,020988

0,230574

0,329999

0,323351

1

0,211182

-0,115640

CR4 0,601537 0,402326 0,749236 0,211182 1 -0,006206

CPI -0,259735 0,300162 -0,020988 -0,115640 0,006206 1

C. Analisis Regresi Linear Berganda

1. Uji Simultan (Uji F)


Tabel 4.17 di bawah memperlihatkan hasil uji validitas F pada model


menganalisa batas-batas pasar antara BPRS dan BUS-UUS. Berdasarkan tabel

tersebut, diperoleh hasil F hitung sebesar 282,5906 dengan tingkat signifikansi

0,000. Oleh karena F-hitung yang diperoleh lebih tinggi dari F-tabel sebesar 2,257

dan tingkat signifikansi lebih rendah dari 0,05 atau 5%, maka dapat disimpulkan

bahwa seluruh variabel independen dapat digunakan untuk memprediksi variabel

dependen. Dengan kata lain, Log(IPI), Log(OFFICE), Log(CPI), RRMUR

BUSUUS, RRMUR BPRS, dan Log(RRMUR BUSUUS/BPRS) secara simultan

signifikan memengaruhi Log(MUR).

93

Tabel 4.17 : Uji F Model Log(MUR)

F-Statistic Prob (F-Statistic)

Coefficient 282,5906 0.000000


Tabel 4.18 di bawah memperlihatkan hasil uji validitas F pada model


menganalisa tingkat persaingan antar sesama BPRS. Tabel tersebut menunjukkan

F hitung sebesar 945,0938 dengan tingkat signifikansi 0,000. Oleh karena F-

hitung yang diperoleh lebih tinggi dari F-tabel sebesar 2,257 dan tingkat

signifikansi lebih rendah dari 0,05 atau 5%, maka dapat disimpulkan bahwa

seluruh variabel independen dapat digunakan untuk memprediksi variabel

dependen. Dengan kata lain, Log(BBH), Log(BKAP), Log(BTK), Log(EQ),

Log(FINC), dan Log(NPF) secara simultan signifikan memengaruhi Log(TR).

Tabel 4.18 : Uji F Model Log(TR)


Coefficient 945,0938 0,000000

c. Pengaruh Struktur Pasar terhadap Profitabilitas BPRS

Tabel 4.19 di bawah memperlihatkan hasil uji validitas F pada model ROE

yang bertujuan untuk menjawab tujuan ketiga penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap profitabilitas BPRS. Tabel tersebut di bawah

menunjukkan F hitung sebesar 37,18238 dengan tingkat signifikansi 0,000. Oleh

karena F-hitung yang diperoleh lebih tinggi dari F-tabel sebesar 2,38607 dan

94

tingkat signifikansi lebih rendah dari 0,05 atau 5%, maka dapat disimpulkan


dependen. Dengan kata lain, Log(TA), Log(TPF), OER, CAR, dan CR4 secara

simultan signifikan memengaruhi ROE.

Tabel 4.19 : Uji F Model ROE


Coefficient 37,18238 0,000000


Tabel 4.20 di bawah memperlihatkan hasil uji validitas F pada model NPF

yang bertujuan untuk menjawab tujuan keempat penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap resiko pembiayaan BPRS. Tabel tersebut

menunjukkan F hitung sebesar 12,73319 dengan tingkat signifikansi 0,000. Oleh

karena F-hitung yang diperoleh lebih tinggi dari F-tabel sebesar 2,275388 dan

tingkat signifikansi lebih rendah dari 0,05 atau 5%, maka dapat disimpulkan


dependen. Dengan kata lain, CR4, FDR, Log(CPI), ROA, CAR, dan

RRMURBUS secara simultan signifikan memengaruhi NPF.

Tabel 4.20 : Uji F Model NPF


Coefficient 12,73319 0,000000

95

2. Uji Parsial (Uji t)


Tabel 4.20 memperlihatkan hasil uji t dari model Log(MUR) yang

bertujuan untuk menjawab tujuan pertama penelitian ini yakni menganalisa batas-

batas pasar antara BPRS dan BUS-UUS. Dengan jumlah obervasi sebanyak 65

dan total 7 jenis variabel, t-tabel pada model Log(MUR) bernilai 1,672. Variabel

tingkat margin murabahah BPRS (RRMUR BPRS) mempunyai t-hitung sebesar -

2,271067 dengan probabilitas 0,0269. T-hitung yang lebih besar dari t-tabel, yakni

-2,271067 > 1,672 mendorong diambilnya kesimpulan bahwa RRMUR BPRS

secara parsial berpengaruh negatif signifikan terhadap Log(MUR). Atau, H0

ditolak dan H1 diterima.

Lain halnya dengan RRMUR BPRS, variabel tingkat margin murabahah

pada BUS dan UUS (RRMUR BUSUUS) memiliki t-hitung sebesar 2,104426

dengan probabilitas 0,0397. Lebih besarnya t-hitung dibandingkan t-tabel atau

2,104426 > 1,672 menggiring pada kesimpulan bahwa RRMUR BUSUUS secara

parsial berpengaruh positif signifikan terhadap Log(MUR). Hal tersebut juga

berarti bahwa H0 ditolak dan H1 diterima.

Variabel tingkat margin relatif murabahah atau Log(MURBUSUUSBPRS)

yang merupakan pembagian antara kedua variabel sebelumnya memiliki t-hitung

sebesar -2,293129 dengan probabilitas 0,0255. Nilai t-hitung yang melampaui t-

tabel, yakni -2,293129 > 1,672, mengandung arti bahwa

96

Log(MURBUSUUSBPRS) secara parsial berpengaruh negatif signifikan terhadap

Log(MUR) sehingga H0 ditolak dan H1 diterima.

Tabel 4.21 di bawah menunjukkan juga variabel jumlah kantor (Log

OFFICE) yang memiliki t-hitung sebesar 11,69202 dengan probabilitas sebesar

0,0000. Oleh karena t-hitung > t-tabel, yakni 11,69202 > 1,672, maka

Log(OFFICE) secara parsial berpengaruh signifikan positif terhadap tingkat

margin murabahah BPRS (Log MUR). Dengan kata lain, H0 ditolak dan H1

diterima.

Sebagai salah satu variabel makro, indeks produksi industri atau Log(IPI)

mempunyai t-hitung sebesar -0,103761. T-hitung yang lebih kecil dari t-tabel, di

mana -0,103761 < 1,672, menggiring kesimpulan pada tidak terdapatnya

hubungan secara parsial yang signifikan antara Log(IPI) dan Log(MUR) sehingga

H1 ditolak dan H0 diterima.

Di sisi lain, indeks harga konsumen atau Log(CPI) memperoleh t-hitung

sebesar 6,589086 dengan probabilitas sebesar 0,0000. Oleh karena t-hitungnya

lebih besar dari t-tabel, yakni 6,589086 > 1,672, maka dapat diambil kesimpulan

bahwa Log(CPI) secara parsial berpengaruh positif signifikan terhadap

Log(MUR). Dengan kata lain, H0 ditolak dan H1 diterima. Di antara enam variabel

independen yang digunakan dalam model ini, hanya Log(IPI) yang tidak memiliki

pengaruh yang signifikan terhadap Log(MUR).

97

Tabel 4.21 : Uji t Model Log(MUR)

Variable Coefficient Std. Error t-Statistic Prob.

C 0,117648 0,462697 0,254265 0,8002

RRMUR BPRS -1,647692 0,725515 -2,271067 0,0269

RRMUR BUSUUS 0,527415 0,250622 2,104426 0,0397

Log(RRMURBUSUUS -0,515140

0,224645

-2,293129

0,0255

BPRS)

Log(OFFICE) 1,307374 0,111818 11,69202 0,0000

Log(CPI) 1,541119 0,233890 6,589086 0,0000

Log(IPI) -0,012390 0,119406 -0,103761 0,9177


Tabel 4.22 memperlihatkan hasil uji t dari model Log(TR) yang bertujuan

untuk menjawab tujuan kedua penelitian ini yakni menganalisa tingkat persaingan

antar sesama unit BPRS. Sama halnya dengan model Log(MUR), model Log(TR)

juga memiliki jumlah observasi sebesar 65 buah dan total variabel sebanyak 7

buah sehingga t-tabel yang berlaku tetap 1,672. Tabel 4.22 di bawah

memperlihatkan hasil uji t pada model Log(TR), terutama ketiga variabel biaya

input. Biaya bagi hasil atau Log(BBH) mempunyai t-hitung sebesar 2,911728

dengan probabilitas 0,0051. Oleh karena t-hitung lebih besar dari t-tabel, yakni

2,911728 > 1,672, maka dapat disimpulkan bahwa Log(BBH) secara parsial

berpengaruh positif signifikan terhadap Log(TR). Dengan kata lain, H0 ditolak dan

H1 diterima.

98

Variabel biaya tenaga kerja atau Log(BTK) memiliki t-hitung sebesar

11,71601 dengan probabilitas 0,0000. T-hitung yang jauh lebih besar

dibandingkan t-tabelnya, yakni 11,71601 > 1,672, menandakan terdapatnya

hubungan yang secara parsial positif signifikan antara Log(BTK) dengan Log(TR)

sehingga H0 ditolak dan H1 diterima.

Variabel biaya input terakhir, yakni biaya lain-lain atau Log(BKAP)

menunjukkan t-hitung sebesar 1,334382 dengan probabilitas bernilai 0,1873.

Lebih rendahnya t-hitung dibandingkan dengan t-tabel, yakni 1,334382 > 1,672,

menggiring pada kesimpulan tidak terdapatnya hubungan secara parsial yang

signifikan antara Log(BKAP) dengan Log(TR). Artinya, H1 ditolak dan H0

diterima.

Variabel ekuitas atau Log(EQ) mempunyai t-hitung sebesar 5,008872

dengan probabilitas 0,0000. Oleh karena t-hitungnya lebih besar dari t-tabel, yakni

5,008872 > 1,672, maka dapat diambil kesimpulan bahwa Log(EQ) secara parsial

berpengaruh positif signifikan terhadap Log(TR) sehingga H0 ditolak dan H1

diterima.

Total pembiayaan BPRS atau Log(FINC) memiliki t-hitung sebesar

1,078617 dengan probabilitas 0,2852. Bila dibandingkan dengan t-tabel yang

bernilai 1,672, terlihat bahwa hubungan antara Log(FINC) dengan Log(MUR)

tidak signifikan secara parsial sehingga disimpulkan bahwa H1 ditolak dan H0

diterima.

99

Rasio pembiayaan bermasalah pada BPRS atau Log(NPF) mempunyai t-

hitung sebesar -3,592471. Oleh karena t-hitung lebih besar dari t-tabel, yakni -

3,592471 > 1,672, maka dapat diambil kesimpulan bahwa Log(NPF) secara

parsial berpengaruh signifikan negatif terhadap Log(TR) sehingga H0 ditolak dan

H1 diterima. Di antara enam variabel independen pada model Log(TR), terdapat

satu variabel biaya input dan satu variabel kontrol yang tidak berpengaruh

signifikan, yakni Log(BKAP) dan Log(FINC).

Tabel 4.22 : Uji t Model Log(TR)


C 1,923571 0,305195 6,302755 0,0000

Log(BBH) 0,155787 0,053503 2,911728 0,0051

Log(BTK) 0,771968 0,065890 11,71601 0,0000

Log(BKAP) 0,054331 0,040716 1,334382 0,1873

Log(EQ) 1,230347 0,245633 5,008872 0,0000

Log(FINC) 0,727902 0,674847 1,078617 0,2852

Log(NPF) -0,531768 0,148023 -3,592471 0,0007

c. Pengaruh Struktur Pasar terhadap Profitabilitas ROE

Tabel 4.23 memperlihatkan hasil uji t dari model ROE yang bertujuan

untuk menjawab tujuan ketiga penelitian ini yakni menganalisa pengaruh struktur

pasar terhadap profitabilitas BPRS. Menggunakan ROE sebagai variabel

dependen, lima variabel independen lainnya, serta total observasi sebanyak 60

100

buah, t-tabel yang diperoleh adalah 1,673. Variabel total asset atau Log(TA)

memiliki t-hitung sebesar -2,610860 dengan probabilitas 0,0117. Oleh karena t-

hitung lebih besar dari t-tabel, yakni 2,610860 > 1,673, maka dapat disimpulkan

bahwa Log(TA) secara parsial berpengaruh negatif signifikan terhadap ROE.

Artinya, H0 ditolak dan H1 diterima.

Total dana pihak ketiga pada BPRS atau Log(TPF) mempunyai t-hitung

sebesar 2,738075 dengan probabilitas 0,0084. Lebih besarnya t-hitung

dibandingkan t-tabel, yakni 2,738075 > 1,673, menggiring pada kesimpulan pada

terdapatnya pengaruh yang signifikan positif secara parsial antara Log(TPF)

terhadap ROE. Dengan kata lain, H0 ditolak dan H1 diterima.

Rasio OER memiliki t-hitung sebesar -3,801169 dengan probailitas

0,0004. Oleh karena t-hitung lebih besar dari pada t-tabel, yakni 3,801169 >

1,673, maka dapat diambil kesimpulan bahwa OER secara parsial berpengaruh

negatif signifikan terhadap ROE sehingga H0 ditolak dan H1 diterima.

CAR sebagai variabel yang menunjukkan tingkat kecukupan modal suatu

bank menunjukkan t-hitung sebesar -3,056201 dengan probabilitas sebesar

0,0035. Lebih besarnya t-hitung dibandingkan t-tabel, yakni 3,056201 > 1,673

juga berarti bahwa CAR secara parsial berpengaruh negatif signifikan terhadap

ROE sehingga H0 ditolak dan H1 diterima.

Di sisi lain, CR4 yang mewakili tingkat konsentrasi keempat bank terbesar

dalam pasar terlihat mempunyai t-hitung sebesar -2,606616. Angka tersebut lebih

besar dibandingkan t-tabel, yakni 2,606616 > 1,673, sehingga dapat disimpulkan

101

bahwa CR4 secara parsial berpengaruh negatif signifikan terhadap ROE. Dengan

kata lain, H0 ditolak dan H1 diterima.

Tabel 4.23 : Uji t Model ROE


C 1,657276 0,617523 2,683747 0,0096

Log(TA) -1,498205 0,573836 -2,610860 0,0117

Log(TPF) 1,458225 0,532573 2,738075 0,0084

OER -0,537576 0,141424 -3,801169 0,0004

CAR -0,757972 0,248011 -3,056201 0,0035

CR4 -0,434341 0,166630 -2,606616 0,0118


Tabel 4.24 memperlihatkan hasil uji t dari model NPF yang bertujuan

untuk menjawab tujuan keempat penelitian ini yakni menganalisa pengaruh

struktur pasar terhadap resiko pembiayaan BPRS. Dengan ketersediaan jumlah

observasi sebesar 60 dan total variabel baik dependen serta independen sebanyak

enam, t-tabel yang digunakan adalah 1,6741.

Tingkat kesehatan BPRS dilihat dari tingkat kecukupan modalnya (CAR)

memang terbilang sangat baik, namun pengaruhnya terhadap NPF ternyata tidak

cukup signifikan. Probabilitas CAR lebih besar dari 0,05 yakni sebesar 0,8949.

102

Temuan ini menandakan tidak terdapatnya pengaruh secara parsial yang

signifikan antara CAR terhadap NPF sehingga H1 ditolak dan H0 diterima.

Variabel Financing to Deposit Ratio (FDR) mempunyai t-hitung sebesar

2,298411 dengan probabilitas 0,0255. Oleh karena t-hitung yang diperoleh lebih

besar dari t-tabel, yakni 2,298411 > 1,6741, maka terdapat pengaruh secara parsial

yang signifikan positif antara FDR terhadap NPF. Artinya, H0 ditolak dan H1

diterima.

Menggambarkan tingkat profitabilitas BPRS, variabel ROA memiliki t-

hitung sebesar -1,255042 dengan probabilitas 0,2150. Apabila dibandingkan, t-

hitung tampak lebih rendah yakni 1,255042 < 1,6741 sehingga dapat disimpulkan

bahwa secara parsial tidak terdapat pengaruh yang signifikan antara ROA

terhadap NPF. Dengan kata lain, H1 ditolak dan H0 diterima.

Variabel RRMUR BUSUUS menunjukkan t-hitung sebesar -0,104952 dan

probabilitas 0,9168. Oleh karena t-hitung kecil besar dari t-tabel, yakni 0,104952

< 1,6741, maka dapat diambil kesimpulan bahwa RRMUR BUSUUS secara

parsial tidak berpengaruh signifikan terhadap NPF yang ditanggung oleh BPRS.

Dengan kata lain, H1 ditolak dan H0 diterima.

Dalam pengaruhnya terhadap pembiayaan bermasalah (NPF), CR4

memiliki t-hitung sebesar -3,367923. Lebih tingginya t-hitung dibandingkan t-

tabel, yakni 3,367923 > 1,6741, mendorong pada kesimpulan bahwa CR4 secara

parsial memiliki pengaruh yang signifikan negatif terhadap NPF. Dengan kata

lain, H0 ditolak dan H1 diterima.

103

Sebagai salah satu variabel makro pada model NPF, Log(CPI) terlihat

mempunyai t-hitung sebesar -4,093326 dengan probabilitas 0,0001. Lebih

besarnya t-hitung dibandingkan t-tabel, yakni -4,093326 > 1,6741, berujung pada

kesimpulan terdapatnya pengaruh secara parsial yang negatif signifikan antara

Log(CPI) terhadap NPF. Dengan kata lain, H0 ditolak dan H1 diterima.

Tabel 4.24 : Uji t Model NPF


C 0,315907 0,067420 4,685644 0,0000*

CAR 0,009141 0,068874 0,132718 0,8949

FDR 0,051221 0,022285 2,298411 0,0255*

ROA -0,370432 0,295155 -1,255042 0,2150

RRMURBUS UUS -0,001202 0,011452 -0,104952 0,9168

CR4 -0,105580 0,031349 -3,367923 0,0014*

Log(CPI) -0,047980 0,011722 -4,093326 0,0001*

3. Uji Koefisien Determinasi (Uji R2)


Tabel 4.25 di bawah memperlihatkan hasil uji R2

dari model Log(MUR)

yang bertujuan untuk menjawab tujuan pertama penelitian ini yakni menganalisa

batas-batas pasar antara BPRS dan BUS-UUS. Berdasarkan tabel tersebut,

adjusted R square yang diperoleh pada model Log(MUR) bernilai 0,963502.

Temuan ini menandakan bahwa seluruh variabel independen, yaitu jumlah kantor

104

BPRS (Log OFFICE), tingkat margin murabahah BPRS (RRMUR BPRS), tingkat

margin murabahah BUS dan UUS (RRMUR BUSUUS), tingkat margin

murabahah relatif (Log RRMUR BUSUUS), indeks harga konsumen sebagai

proksi inflasi (Log CPI), serta indeks produksi industri sebagai proksi produk

domestik bruto (Log IPI) mampu menjelaskan variabel total murabahah BPRS

sebesar 96,35% sedangkan sisa 3,65% lainnya dipengaruhi oleh variabel di luar

model.

Tabel 4.25 : Uji Koefisien Determinasi Log(MUR)

Model R Square Adjusted R Square

1 0,966924 0,963502

b. Tingkat Persaingan antar sesama unit BPRS


dari model Log(TR)

yang bertujuan untuk menjawab tujuan kedua penelitian ini yakni menganalisa

tingkat persaingan antar sesama unit BPRS. Tabel tersebut menunjukkan nilai

adjusted R square pada model Log(TR) yang bernilai 0,988828. Temuan ini

menandakan bahwa seluruh variabel independen, yaitu biaya bagi hasil (Log

BBH), biaya tenaga kerja (Log BTK), biaya lain-lain (Log BKAP), total ekuitas

(Log EQ), total pembiayaan (Log FINC), serta rasio pembiayaan bermasalah (Log

NPF) mampu menjelaskan variabel total pendapatan operasional dan pendapatan

operasional lainnya pada BPRS sebesar 98,88% sedangkan sisa 1,12% lainnya

dipengaruhi oleh variabel di luar model.

105

Tabel 4.26 :Uji Koefisien Determinasi Log(TR)


2 0,989875 0,988828

c. Pengaruh Struktur Pasar terhadap Profitabilitas BPRS


dari model ROE yang

bertujuan untuk menjawab tujuan ketiga penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap profitabilitas BPRS. Tabel tersebut menunjukkan

adjusted R square pada model ROE yang bernilai 0,754076. Hasil ini

menggambarkan bahwa seluruh variabel independen, yaitu total aset (Log TA),

total dana pihak ketiga (Log TPF), rasio beban operasional terhadap pendapatan

operasional (OER), rasio kecukupan modal (CAR), dan tingkat konsentrasi

keempat bank terbesar dalam pasar (CR4) mampu menjelaskan variabel Return on

Equity (ROE) pada BPRS sebesar 75,4076% sedangkan sisa 24,59% lainnya

dipengaruhi oleh variabel di luar model. Walaupun koefisien determinasi tidak

setinggi dua model sebelumnya, model ROE ini tetap tergolong baik karena

nilainya yang masih di atas 50%.

Tabel 4.27 :Uji Koefisien Determinasi ROE


3 0,774917 0,754076

106



dari model NPF yang

bertujuan untuk menjawab tujuan keempat penelitian ini yakni menganalisa

pengaruh struktur pasar terhadap resiko pembiayaan BPRS. Tabel tersebut

menunjukkan nilai adjusted R square pada model NPF yang bernilai 0,544046.

Hasil ini menggambarkan bahwa seluruh variabel independen, yaitu tingkat

konsentrasi empat bank terbesar (CR4), Financing to Deposit Ratio (FDR), inflasi

yang diproksikan oleh indeks harga konsumen atau consumer price index (Log

CPI), rasio Return on Asset (ROA), Capital Adequacy Ratio (CAR), dan tingkat

margin murabahah pada BUS-UUS (RRMUR BUSUUS) mampu menjelaskan

variabel Non-Performing Financing (NPF) pada BPRS sebesar 54,40% sedangkan

sisa 45,60% lainnya dipengaruhi oleh variabel di luar model. Dengan demikian,

model NPF dapat dikatakan representatif karena koefisien determinasinya masih

di atas 50%.

Tabel 4.28 :Uji Koefisien Determinasi NPF


4 0,590415 0,544046

107

4. Analisis Regresi Linear Berganda

1. Batas-batas Pasar antara BPRS dan BUS-UUS (Y = Log(MUR))

Berdasarkan tabel 4.21 sebelumnya, didapat persamaan regresi sebagai berikut :

Log(MUR) = 0,12 – 1,65 RRMUR BPPRS + 0,53 RRMURBUSUUS – 0,52

LOG(RRMUR BUSUUSBPRS) + 1,31 Log(OFFICE) – 0,01

Log(CPI) + 0,54 Log(IPI) + e....................................................(4.1)

Persamaan di atas memperlihatkan hasil analisis regresi linear berganda

dari model Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian

ini yaitu mengidentifikasi batas-batas pasar antara BPRS dan BUS-UUS.

Konstanta sebesar 0,12 pada persamaan 4.1 di atas mengandung arti bahwa jika

seluruh variabel independen dalam keadaan konstan, maka total pembiayaan

murabahah yang disalurkan oleh BPRS adalah senilai 1,12750 milliar rupiah dari

total aset (ex

+ 0,12 = 1,12750). Namun, angka tersebut tidak berarti banyak

karena pengaruh tidak signifikan yang ditunjukkan oleh kecilnya p-value (Lihat

Tabel 4.21).

Dengan tingginya nilai pembiayaan murabahah yang disalurkan oleh

BPRS, yakni 78,76% dari total pembiayaan terhitung Mei 2015, tingkat margin

murabahah (RRMURBPRS) selayaknya menjadi faktor utama nasabah dalam

mengajukan pembiayaan. Koefisien negatif sebesar -1,65 menandakan penurunan

pembiayaan murabahah yang disalurkan tiap RRMURBPRS naik satu unit. Dari

temuan ini, dapat dipastikan bahwa tingkat margin murabahah BPRS merupakan

variabel yang paling berpengaruh terhadap penyaluran pembiayaan murabahah

108

pada BPRS dilihat dari besarnya koefisien yang diperoleh. Hasil regresi linear

berganda ini juga menunjukkan bahwa konsumen BPRS tergolong rasional karena

masih mempertimbangkan besar kecilnya margin yang harus mereka tanggung.

Hasil serupa mengenai karakteristik nasabah perbankan syariah di

Indonesia yang rasional juga terjadi pada BUS-UUS dengan dana pihak ketiga

atau third-party fund (TPF) sebagai indikatornya. Fahmi (2012) menemukan

pengaruh yang positif signifikan antara tingkat rata-rata bagi hasil yang diberikan

terhadap TPF pada enam BUS-UUS. Temuan ini turut didukung oleh Kasri dan

Kassim (2009) yang menyatakan bahwa total pembiayaan mudharabah merespon

positif terhadap kenaikan yang terjadi pada tingkat pengembalian riil investasi

mudharabah satu bulan.

Pernyataan mengenai nasabah BPRS yang mempertimbangkan besar

kecilnya margin yang harus mereka tanggung seharusnya didukung pula oleh

variabel margin murabahah yang ditawarkan oleh pesaingnya, yakni BUS dan

UUS. Oleh karena itu, model ini menyertakan tingkat margin pembiayaan

murabahah yang ditawarkan oleh BUS-UUS (RRMURBUSUUS). Koefisien

positif sebesar 0,53 berarti tiap kenaikan satu unit yang terjadi pada

RRMURBUSUUS, total pembiayaan murabahah yang disalurkan akan naik

sebesar 53%. Nasabah akan mencari alternatif pembiayaan lain, dalam hal ini

BPRS, sehingga membuktikan karakteristiknya yang tidak loyal. Walaupun pada

praktiknya tingkat margin murabahah BPRS selalu lebih tinggi dari BUS dan

UUS, BPRS menawarkan kelebihan berupa biaya administrasi yang rendah serta

akses yang mudah sebagai daya tarik. Hasil tersebut secara tidak langsung

109

didukung oleh Muhari (2013) yang dalam penelitiannya menyatakan bahwa BUS

memiliki tingkat efisiensi yang lebih tinggi dibandingkan BPRS. Situasi tersebut

pada akhirnya akan membuka kesempatan bagi BUS untuk menetapkan tingkat

margin murabahah yang lebih kecil dibandingkan BPRS untuk menarik lebih

banyak nasabah pembiayaan. Temuan ini juga menggiring pada kesimpulan lain,

yakni dalam hal pembiayaan, pasar BPRS maupun BUS-UUS tidak terpisah

secara tegas.

Variabel selanjutnya, yaitu tingkat margin murabahah relatif

(RRMURBUSUUSBPRS), turut menentukan apakah BPRS dan BUS-UUS berada

pada pasar pembiayaan yang sama. Koefisien negatif signifikan sebesar 0,52

seakan-akan memperlihatkan adanya hubungan yang tidak searah antara tingkat

margin pembiayaan murabahah yang ditawarkan oleh BPRS dan BUS-UUS. Pada

praktik di lapangan, BPRS sering kali mendapatkan fresh money dari BUS dan

UUS sehingga hubungan yang tidak searah antara keduanya mustahil terjadi.

Ketika margin murabahah BUS-UUS naik, BPRS otomatis akan menaikkan

margin murabahahnya untuk mengimbangi perubahan yang terjadi dan menjaga

tingkat profitabilitas. Namun, BUS dan UUS tidak perlu menyesuaikan tingkat

margin murabahah mereka saat BPRS menaikkan tingkat margin murabahahnya.

Hal inilah yang menjelaskan tanda negatif pada variabel RRMURBUSUUSBPRS

walaupun nilainya tidak absolut.

Persamaan 4.1 di atas juga menunjukkan variabel jumlah kantor (Log

OFFICE) yang memiliki koefisien sebesar 1,31. Apabila diterjemahkan, angka

tersebut mengindikasikan terdapatnya kenaikan sebesar 1,31% pada total

110

pembiayaan murabahah (Log MUR) yang disalurkan oleh BPRS tiap kantor

cabang baru yang dibuka naik sebesar 1%, ceteris paribus. Nilai koefisien yang

lebih besar dari 1 tersebut menandakan adanya pengaruh yang elastis di antara

kedua variabel. Pembukaan kantor baru akan meningkatkan total nilai dana pihak

ketiga yang diperoleh sehingga total nilai pembiayaan yang disalurkan ikut

meningkat. Penelitian-penelitian sebelumnya pada umumnya menganalisa

pengaruh bertambahnya kantor cabang terhadap dana pihak ketiga (TPF), namun

dengan kesimpulan yang sama. Fahmi (2012) dalam disertasinya mendapati

adanya pengaruh yang positif signifikan antara jumlah kantor cabang dengan TPF

pada enam BUS-UUS di Indonesia, walau dengan koefisien yang inelastis.

Sebaliknya, Kasri dan Kassim (2009) menemukan pengaruh yang positif namun

tidak signifikan antar jumlah kantor cabang terhadap total pembiayaan

mudharabah pada perbankan syariah di Indonesia secara agregat.

Tingkat inflasi yang diproksikan oleh variabel indeks harga konsumen atau

Consumer Price Index (Log CPI) dan pertumbuhan ekonomi yang diproksikan

oleh variabel Indeks Produksi Industri atau Industrial Production Index (Log IPI)

juga dimasukkan ke dalam model untuk melihat pengaruh faktor makro terhadap

Log(MUR). Sayangnya CPI tidak menunjukkan pengaruh yang signifikan

terhadap Log(MUR) sehingga nilainya dapat diabaikan. Transformasi variabel ke

dalam bentuk bentuk logaritma sudah dilakukan sebelumnya, namun tidak

membuahkan hasil yang berarti. Akan tetapi, tidak signifikannya variabel CPI

tidak begitu dipermasalahkan karena fokus utama model ini adalah pengaruh

RRMURBUSUUS dan RRMURBUSUUSBPRS terhadap Log(MUR).

111

Sebaliknya, Log(IPI) memiliki pengaruh yang positif signifikan terhadap

Log(MUR) dengan koefisien sebesar 1,54. Artinya, kenaikan sebesar 1% yang

terjadi pada IPI akan menaikkan penyaluran pembiayaan murabahah sebesar

1,54%. Situasi ini dapat dijelaskan oleh sikap BPRS dalam menganggapi kenaikan

pertumbuhan ekonomi atau booming. Dalam kondisi booming, bank memiliki

ekspektasi yang optimis ke depannya sehingga menyalurkan lebih banyak

pembiayaan murabahah ke pasar. Temuan ini didukung oleh Hoffman (2001) dan

Shahini (2014).

2. Tingkat Persaingan antar sesama BPRS (Y = Log(TR))

Setelah mengetahui bahwa BPRS dan BUS-UUS berada pada pasar yang sama,

analisis regresi linear berganda dijalankan pada model Log(TR) untuk menjawab

tujuan kedua penelitian ini yaitu menganalisa tingkat persaingan antar sesama

BPRS.

Log(ROA) = -6,17 – 0,33 Log(BBH) + 0,19 Log(BTK) + 0,11 Log(BKAP) + 3,59

Log(EQ) + 4,47 Log(FINC) – 1,39 Log(NPF) + e......................(4.2)

Sebelum masuk ke dalam analisa tingkat persaingan industri antar BPRS

di Indonesia, terlebih dahulu diuji kondisi ekuilibrium jangka panjangnya.

Pengujian terhadap uji ini dilakukan dengan cara menjumlahkan h1 + h2 + h3 yang

diambil dari koefisien pada variabel biaya bagi hasil (BBH), biaya tenaga kerja

(BTK), serta biaya lain-lain (BKAP) pada persamaan regresi 4.2 di atas. Hasilnya

adalah -0,33 yang secara teori menunjukkan tidak terdapatnya keseimbangan

jangka panjang pada model sehingga uji panzar-rosse seharusnya tidak dapat

112

dilanjutkan (Lihat kolom Log ROA pada Tabel 4.29). Namun, nilai tersebut dapat

diabaikan karena Indonesia merupakan negara berkembang yang masih berada

dalam proses transisi sehingga H-stat pada uji panzar-rosse tetap dapat digunakan

sebagai indikator yang terpercaya.

Tabel 4.29 : Uji H-stat BPRS di Indonesia

Log(ROA) Log(TR)

BBH -0,33* 0,16*

BTK 0,19 0,77*

BKAP 0,11 0,05

H-stat -0,33 0,93

Keterangan : *Signifikan pada taraf 1%

Persamaan regresi 4.3 di bawah menggambarkan tingkat persaingan antar

sesama BPRS tanpa melibatkan BUS-UUS yang pada model Log(MUR) pertama

ternyata terbukti mengincar pasar pembiayaan yang sama. Nilai H-stat yang

berjumlah 0,93 pada kolom Log(TR) merupakan penjumlahan dari koefisien

variabel biaya input, yaitu BBH dan BTK (Lihat Tabel 4.29). Variabel BKAP

dikecualikan dalam perhitungan H-stat karena nilainya yang tidak signifikan.

Nilai H-stat yang mendekati angka 1 mencerminkan tingkat persaingan

monopolistik yang sangat kompetitif. Temuan ini tidak mengherankan, mengingat

karakteristik BPRS di Indonesia yang ukurannya relatif kecil satu sama lain

sehingga tidak ada beberapa bank besar yang mendominasi. Wilayah operasi yang

juga dibatasi oleh garis-garis povinsi ikut menyumbang terhadap tingkat

persaingan yang kompetitif pada industri BPRS secara nasional. Intensitas

113

persaingan mungkin akan berubah bila BUS-UUS dimasukkan ke dalam model

seperti temuan Widyastusi (2013) yang mengategorikan jenis bank ke dalam tujuh

kelompok. Di antara ketujuh kelompok tersebut, hanya bank asing yang

menghadapi tingkat persaingan monopolistik sedangkan sisanya yaitu bank

umum, bank persero, bank devisa, bank non-devisa, BPD, serta bank campuran

yang jenis pasarnya merupakan monopoli/oligopoli kolusif.34

Log(TR) = 1,92 + 0,16 Log(BBH) + 0,77 Log(BTK) + 0,05 Log(BKAP) + 1,23

Log(EQ) + 0,73 Log(FINC) – 0,53 Log(NPF) + e.........................(4.3)

Pada persamaan 4.3 di atas, biaya bagi hasil (BBH) tercatat sebagai

variabel input utama yang secara signifikan berpengaruh positif terhadap TR

dengan koefisien sebesar 0,16. Apabila diterjemahkan, angka tersebut

menggambarkan kenaikan yang terjadi pada pendapatan operasional utama dan

pendapatan operasional lainnya BPRS sebesar 0,16% tiap BBH naik 1%. Di lihat

dari tingkat bagi hasil produk pendanaannya, BPRS memang lebih unggul

dibandingkan BUS-UUS (Lihat Grafik 4.1). Namun, kelebihan tersebut tidak serta

merta menjadikan BPRS lebih diminati oleh nasabah, terutama yang memiliki

karakterisrik cenderung rasional. Faktor-faktor penting lainnya seperti sebaran

kantor cabang maupun teknologi mumpuni yang mendukung penggunaan layanan

online banking, ATM, dan lain-lain juga memengaruhi keputusan nasabah dalam

memilih bank. Dua kategori terakhir tersebutlah yang membuat BPRS sering kali

kalah bersaing dengan BUS-UUS. Pada akhirnya, besar-kecilnya bagi hasil yang

34

Ratna Sri Widyastuti dan Boedi Armanto, Op. Cit., h. 430.

35 Syafaat Muhari, Loc.Cit.

114

disalurkan pada dana pihak ketiga bukan lagi merupakan kontributor terbesar total

penerimaan BPRS.

Grafik 4.1 : Ekuivalen Bagi Hasil Deposito 12 Bulan

14.00%

12.00%

10.00%

8.00%

6.00%

4.00%

2.00%

0.00%

BPRS

BUS-UUS

Sumber : Statistik Perbankan Syariah Mei 2015 (Diolah)

Sementara itu, biaya tenaga kerja (BTK) pada BPRS tercatat sebagai

komponen beban yang paling berpengaruh terhadap TR dengan koefisien

signifikan positif sebesar 0,77. Angka tersebut menunjukkan bahwa TR akan naik

sebesar 0,77% tiap BTK naik 1%. Apabila dibandingkan dengan kedua variabel

biaya lainnya, BTK merupakan variabel input utama yang paling berpengaruh

tehadap tingkat penerimaan yang diperoleh BPRS. Oleh karena kurang

berkembangnya teknologi serta infrastruktur, keunggulan BPRS ditekankan dari

sisi pendekatan yang personal terhadap nasabah.35

Dengan kata lain, sumber daya

manusia merupakan aset utama dalam bersaing antar sesama BPRS maupun

dengan BUS-UUS sehingga investasi yang dilakukan terhadap BTK berupa biaya

pendidikan dan biaya pelatihan akan memberikan dampak yang lebih nyata pada

meningkatnya tingkat penerimaan BPRS. Walaupun begitu, secara persentase

115

kenaikan yang terjadi pada investasi tenaga kerja (BTK) tidak akan mengimbangi

besarnya kenaikan yang terjadi pada pendapatan operasional (TR).

Sementara itu, BKAP ternyata tidak memiliki pengaruh yang signifikan

terhadap total pendapatan operasional dan pendapatan operasional lainnya (TR)

sehingga tidak dimasukkan ke dalam penjumlahan H-stat (Lihat Tabel 4.22).

Temuan ini didukung oleh Iman (2009) yang melakukan penelitian terhadap tiga

BUS di Indonesia dan Majid (2007) yang menganalisa industri perbankan syariah

di Malaysia. Namun, hasil penelitian ini bertentangan dengan Fahmi (2012) yang

menyatakan bahwa BKAP justru merupakan variabel biaya yang paling

berpengaruh besar terhadap 10 BUS-UUS yang beroperasi di Indonesia.

Perbedaan ini dapat dijelaskan dengan cukup mudah, mengingat

terdapatnya gap periode penelitian serta jenis objek yang diteliti. Penelitian Iman

(2009) dan Majid (2007) dilakukan pada masa-masa di mana perkembangan

infrastruktur bank syariah belum semaju sekarang. Contohnya adalah Bank

Syariah Mandiri (BSM) yang pada saat itu merupakan satu-satunya bank syariah

yang menawarkan jasa mobile banking serta minimnya promosi dalam bentuk

iklan.36

Di sisi lain, Fahmi (2012) melakukan penelitian setelah Undang-undang

No. 21 Tahun 2008 secara berangsur-angsur mendorong semakin banyaknya UUS

yang bertransformasi menjadi BUS serta semakin berkembangnya industri

perbankan syariah di Indonesia. Dalam kasus BPRS, berbagai keterbatasan seperti

wilayah operasi dan jenis produk tidak lantas membuat BPRS gencar dalam

beriklan maupun memperbaiki infrastrukturnya demi mendapatkan lebih banyak

36

Nur Iman, Op. Cit.

116

konsumen. Sebab nasabah yang diincar BPRS biasanyanya kurang bankable

sehingga promosi iklan maupun peningkatan fasilitas layanan yang terlalu canggih

tidak akan berdampak banyak. Hal ini pada akhirnya menyebabkan kurang

signifikannya penggunaan BKAP terhadap total penerimaan BPRS.

Di luar ketiga variabel input utama, persamaan 4.3 juga memasukkan

beberapa variabel tingkat resiko spesifik agar diperoleh model yang lebih

representatif. Total ekuitas (Log EQ) memiliki koefisien positif signifikan sebesar

1,23. Artinya, total pendapatan operasional utama dan pendapatan operasional

lainnya BPRS akan naik sebesar 1,23% tiap ekuitas naik 1%. Angka tersebut juga

menunjukkan bahwa ekuitas merupakan variabel dalam model dengan kontribusi

terbesar terhadap tingkat penerimaan. Sebagian penelitian membantah hasil ini

dengan menyatakan terdapatnya hubungan yang negatif antar kedua variabel.

Iman (2009) dan Majid (2007) berargumen bahwa bank yang menyalurkan

modalnya pada pembiayaan memiliki kesempatan untuk meraih pendapatan yang

lebih tinggi. Hal ini sesuai dengan prinsip high risk high return. Sebaliknya,

temuan dalam penelitian ini didukung oleh Guitierrez (2007), Al-Qaisi (2006), Le

(2014), serta Kashi dkk (2015) yang membuktikan terdapatnya pengaruh yang

positif antara ekuitas dengan tingkat penerimaan pada bank-bank di Spanyol,

Yordania, Vietnam, dan Iran. Argumen yang dikemukakan adalah adanya

permodalan yang baik akan berdampak pada rendahnya kemungkinan macet pada

pembiayaan sehingga menurunkan cost of fund secara keseluruhan. Hubungan

yang searah di antara keduanya juga dapat dijelaskan oleh kenaikan pada TR yang

secara otomatis menaikkan ekuitas suatu bank juga.

117

Variabel selanjutnya adalah total pembiayaan atau finance (Log FINC)

yang berdasarkan persamaan 4.3 memiliki koefisien positif sebesar 0,73.

Sayangnya, pengaruh tersebut tidak cukup signifikan sehingga nilainya bisa

diabaikan. Berbagai macam upaya seperti transformasi ke dalam bentuk logaritma

sudah dilakukan, namun tidak berhasil membalikkan keadaan. Sementara itu,

penyingkiran variabel Log(FINC) dihindari untuk mencegah terjadinya kesalahan

secara struktural.

Pembiayaan bermasalah atau Non-Performing Finance (Log NPF) sebagai

variabel tingkat resiko spesifik terakhir menunjukkan pengaruh yang signifikan

secara negatif terhadap pendapatan operasional utama dan pendapatan operasional

lainnya pada BPRS dengan koefisien sebesar 0,53. Angka tersebut menunjukkan

bahwa kenaikan sebesar 1% yang terjadi pada NPF akan diikuti oleh penurunan

pada tingkat penerimaan pada BPRS sebesar 0,53%. Pengaruh yang negatif antara

NPF/NPL terhadap peneriman sudah sesuai dengan teori umum yang berlaku.

Pembiayaan yang bermasalah akan berakibat pada terganggunya proses

pengumpulan angsuran pokok serta keuntungan sehingga pada akhirnya

menurunkan pendapatan operasional yang diperoleh. Walaupun begitu, beberapa

penelitian sebelumnya seperti Iman (2009) dan Majid (2007) gagal membuktikan

signifikannya pengaruh NPF terhadap TR.

118

3. Pengaruh Struktur Pasar terhadap Profitabilitas BPRS (Y = ROE)

Persamaan di bawah ini memperlihatkan hasil analisa regresi linear berganda dari

model ROE yang bertujuan untuk menjawab tujuan ketiga pada penelitian ini

yaitu menganalisa pengaruh struktur pasar terhadap profitabilitas BPRS :

ROE = 1,66 – 1,50 Log(TA) + 1,46 Log(TPF) – 0,54 OER – 0,76 CAR - 0,43

CR4 + e...................................................................................................(4.4)

Pada persamaan 4.4 di atas, konstanta menunjukkan nilai sebesar 1,66.

Artinya, pada kondisi ceteris paribus di mana variabel-variabel independen yang

ada bersifat tetap, tingkat profitabilitas BPRS yang diukur dengan variabel Return

on Equity (ROE) bernilai 1,66 satuan.

Variabel total aset pada model ini memiliki koefisien signifikan negatif

sebesar 1,50. Jadi, tiap kenaikan sebesar 1% yang terjadi pada Log(TA) akan

berujung pada penurunan ROE BPRS sebesar 0,15 unit satuan. Temuan ini

bertolak belakang dengan teori pada umumnya serta hasil penelitian Fahmi (2012)

yang menyebutkan terdapatnya hubungan yang positif signifikan antara total aset

bank syariah terhadap tingkat profitabilitas melalui variabel Return on Asset

(ROA). Akan tetapi, perbedaan ini dapat dijelaskan oleh karakteristik BPRS yang

memiliki tingkat FDR yang sangat tinggi. Tingginya FDR tersebut menjadikan

BPRS menjadi kurang berpengalaman dalam mengelola aset non-pembiayaannya.

Pada saat aset mengalami kenaikan, BPRS lambat dalam menginvestasikan aset

tersebut dalam instrumen-instrumen lain yang lebih menguntungkan dibandingkan

dengan pembiayaan. Hal ini menjelaskan tanda negatif pada variabel total aset.

119

Staikouras dan Wood (2011) juga mengonfirmasi pernyataan tersebut dengan

temuannya yang meneliti bank-bank di Eropa.

Variabel independen lainnya, yakni total dana pihak ketiga atau Third-

Party Funds (TPF) terlihat memiliki koefisien positif signifikan sebesar 1,46.

Apabila diterjemahkan, angka tersebut mempunyai arti bahwa tiap kenaikan 1%

yang terjadi pada total dana pihak ketiga BPRS akan diikuti oleh naiknya ROE

sebesar 0,146 unit satuan. Ditinjau dari penelitian terdahulu sendiri, pada dasarnya

terdapat dua argumen yang berbeda. Fahmi (2012) mewakili pendapat pertama

yang menyatakan terdapatnya pengaruh yang negatif antara TPF terhadap tingkat

profitabilitas bank syariah. Alasan yang dikemukakan adalah besarnya

penggunaan TPF yang disalurkan pada dana investasi untuk membuka kantor

cabang baru sehingga tingkat keuntungan yang diperoleh tidak maksimal.37

Di sisi

lain, terdapat penelitian seperti Setiyaningsih dkk (2014) yang menitikberatkan

peran dana pihak ketiga untuk mendongkrak profitabilitas perbankan karena

pengaruhnya yang positif. Argumen kedua inilah yang pada umumnya berlaku di

dunia perbankan, yakni semakin besar dana pihak ketiga suatu perbankan semakin

besar juga kredit atau pembiayaan yang disalurkan sehingga berujung pada

keuntungan yang lebih tinggi. Total aset dan total dana pihak ketiga merupakan

variabel independen yang paling berpengaruh pada model ini sehingga upaya

peningkatan keuntungan pada BPRS sebaiknya berfokus pada kedua variabel

tersebut.

37


Industri Perbankan Syariah di Indonesia,” Op. cit., h. 89.

120

Perbandingan antara beban operasional dan pendapatan operasional pada

BPRS yang digambarkan oleh rasio OER memiliki koefisien negatif signifikan

sebesar 0,54. Dengan kata lain, ROE akan turun sebesar 0,54 satuan tiap OER

naik sebesar satu satuan. Hal ini cukup jelas mengingat bank dengan biaya yang

semakin besar bila dibandingkan pendapatannya secara otomatis akan

menurunkan tingkat keuntungan yang dimiliki. Pada kasus BPRS sendiri,

tingginya gaji direksi juga diperkirakan berpengaruh terhadap besarnya OER.

Temuan ini didukung oleh Fahmi (2012) yang melakukan penelitian terhadap

beberapa bank syariah di Indonesia dan Yudaruddin (2014) yang menganalisa

industri perbankan Indonesia secara makro.

Rasio kecukupan modal atau Capital Adequacy Ratio (CAR) yang juga

merupakan variabel independen pada persamaan 4.4 menunjukkan koefisien

negatif signifikan sebesar 0,76. Angka tersebut berarti ROE akan turun sebesar

0,76 satuan ketika CAR naik sebesar satu satuan. Pengaruh yang negatif ini dapat

dijelaskan oleh karakteristik BPRS yang sangat gencar dalam menyalurkan

pembiayaan sehingga tingkat FDR-nya pun tinggi. Tingginya FDR menuntut

BPRS untuk meningkatkan cadangan modalnya. Untuk memenuhi persyaratan

cadangan modal tersebut, BPRS meminjam fresh money dari BUS dan UUS yang

tergolong sebagai dana mahal. Akibatnya, tingkat keuntungan pada titik tertentu

justru akan mengalami penurunan. Wadonda (1999) yang melakukan penelitian

terhadap bank-bank di Malawi dengan menggunakan Error Correction Model

(ECM) mendukung temuan di atas, di mana CAR berpengaruh negatif signifikan

terhadap profitabilitas yang diproksikan oleh variabel Return on Capital (ROC).

121

Sebaliknya, penelitian yang dilakukan oleh Berger dan Bouwman (2011) terhadap

perbankan di Amerika Serikat membantah temuan tersebut dengan menyatakan

bahwa permodalan memiliki hubungan yang searah dengan kinerja profitabilitas

pada bank-bank berskala kecil baik di masa krisis maupun non-krisis. Walaupun

begitu, pengaruhnya kurang signifikan terhadap bank-bank berskala medium dan

besar.

Variabel tingkat konsentrasi (CR4) diambil dari keempat bank syariah

terbesar pada pasar. Dalam kasus ini, keempatnya kebetulan merupakan Bank

Umum Syariah (BUS). Penggunaan BUS didorong oleh temuan pada model

Log(MUR) yang menyatakan tidak terdapatnya batas-batas pasar yang jelas antara

BPRS dengan BUS-UUS.

Persamaan 4.4 membuktikan terdapatnya pengaruh yang signifikan di

antara tingkat konsentrasi terhadap profitabilitas. Pengaruh yang signifikan

tersebut ditunjukkan oleh koefisien negatif sebesar -0,43 dengan probabilitas

sebesar sebesar 0,0118. Sekilas temuan ini mengindikasikan bahwa Bank Syariah

Mandiri (BSM), Bank Muamalat Indonesia (BMI), Bank Rakyat Indonesia

Syariah (BRIS), dan Bank Negara Indonesia Syariah (BNIS) saling bekerja sama

dalam mengeksploitasi pasar sehingga merugikan kompetitornya, yaitu BPRS.

Namun, hasil ini harus dianalisa dengan lebih hati-hati karena Fahmi (2012) yang

juga meneliti pengaruh struktur pasar terhadap tingkat profitabilitas bank syariah

di Indonesia menemukan hubungan yang signifikan antara tingkat konsentrasi dan

pangsa pasar terhadap profitabilitas bank syariah. Walaupun tingkat konsentrasi

terbukti berpengaruh terhadap tingkat profitabilitas, Traditional Hypothesis dari

122

teori SCP tidak serta merta diambil kesimpulan. Hal ini disebabkan karena

terdapatnya pengaruh yang signifikan dari variabel pangsa pasar sehingga bank

syariah dianggap tidak menyalahgunakan kekuatan pasarnya dan Efficiency

Hypothesis diterima. Akan tetapi, penelitian ini tidak menggunakan variabel

pangsa pasar sehingga sulit mengonfirmasi hasil penelitian Fahmi (2012).

Di sisi lain, beberapa penelitian yang dilakukan terhadap bank

konvensional rata-rata menunjukkan hasil yang sebaliknya. Khoirunnisa (2014)

yang menggunakan Herfindahl Hirschman (HHI) sebagai variabel struktur pasar

mendapati adanya pengaruh yang positif namun tidak signifikan terhadap ROA

BPR di Indonesia. Begitu pun dengan Yudaruddin (2014) yang menggunakan

empat jenis variabel struktur pasar yaitu HHI, CR3, CR4, dan CR5. Hanya tingkat

konsentrasi keempat bank terbesar (CR4) dan kelima bank terbesarlah (CR5) yang

memiliki pengaruh positif signifikan terhadap ROA perbankan di Indonesia.

Namun, tidak serta merta tiap bank syariah mendukung Efficienct Structure

Hypothesis sedangkan bank konvensional cenderung ke arah Traditional

Hypothesis. Tidak signifikannya penelitian Khoirunnisa merupakan salah satu

contohnya.

4. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS (Y = NPF)

Persamaan di bawah memperlihatkan hasil analisis regresi linear berganda dari

model NPF yang bertujuan untuk menjawab tujuan keempat penelitian ini :

NPF = 0,32+ 0,05 FDR + 0,01 CAR – 0,37 ROA – 0,001 RRMURBUSUUS – 0,11

CR4 – 0,05 Log(CPI) + e......................................................................(4.5)

123

Model NPF berusaha menganalisa pengaruh variabel tingkat konsentrasi

yang diwakili oleh empat bank terbesar yakni Bank Syariah Mandiri (BSM), Bank

Muamalat Indonesia (BMI), Bank Rakyat Indonesia Syariah (BRIS) dan Bank

Negara Indonesia Syariah (BNIS) terhadap resiko pembiayaan pada BPRS secara

agregat. Faktor makro maupun faktor mikro yang berperan sebagai variabel

kontrol ikut dimasukkan ke dalam persamaan regresi agar diperoleh model yang

representatif.

Mengacu pada Uji t sebelumnya, beberapa variabel independen yakni

Return on Asset yang mencerminkan tingkat profitabilitas yang berhasil diperoleh,

Capital Adequacy Ratio (CAR) yang menggambarkan rasio kecukupan modal

yang dimiliki, serta RRMURBUSUUS yang meunjukkan tingkat margin bagi

hasil pada BUS dan UUS tidak memberikan pengaruh yang signifikan terhadap

NPF dikarenakan rendahnya p-value ketiganya (Lihat Tabel 4.24). Oleh karena

itu, pengaruh ketiga variabel tersebut terhadap NPF akan diabaikan pada

penjelasan selanjutnya.

Variabel FDR yang menggambarkan perbandingan antara total pendanaan

yang diterima dan total pembiayaan yang disalurkan menunjukkan koefisien yang

positif signifikan sebesar 0,05. Dengan kata lain, rasio NPF akan naik sebesar 0,05

satuan tiap FDR naik sebesar satu satuan. Pengaruh tersebut menunjukkan bahwa

penyaluran pembiayaan yang berlebihan akan berdampak buruk pada kualitas

pembiayaan itu sendiri. Tingkat kompetisi yang tinggi merupakan salah satu

alasan bank dalam menaikkan FDR-nya pada investasi atau pembiayaan yang

lebih beresiko dengan harapan mendapatkan keuntungan yang juga lebih tinggi.

124

Pengaruh yang positif antara FDR/LDR terhadap NPF/NPL didukung oleh

penelitian yang dilakukan Ranjan dan Dhal (2003), Ahmad (2007) dan Faiz

(2007). Namun, hasil ini bertentangan dengan penelitian milik Poetry (2011) yang

menemukan pengaruh yang negatif antara kedua variabel tersebut pada perbankan

konvensional maupun syariah di Indonesia.

Variabel tingkat konsentrasi (CR4) terlihat memiliki koefisien negatif

signifikan sebesar 0,11. Artinya, kenaikan satu satuan tingkat konsentrasi pada

pasar akan berakibat pada menurunnya NPF BPRS sebesar 0,11 satuan. Dengan

kata lain, temuan ini mendukung teori competition-fragility yang menyatakan

bahwa adanya kompetisi justru berakibat pada ketidakstabilan pada bank.

Melihat terdapatnya tren yang menurun dari variabel CR4 selama periode

penelitian 2010-2015, dapat disimpulkan bahwa tingkat persaingan yang dihadapi

oleh bank-bank justru bergerak ke arah yang lebih kompetitif. Perubahan tersebut

dapat disebabkan oleh semakin banyaknya pemain baik BPRS serta BUS-UUS

yang masuk ke dalam pasar maupun deregulasi yang berakibat pada menurunnya

franchise value yang dimiliki suatu bank. Pada gilirannya, proses ini menurunkan

tingkat keuntungan yang diperoleh sehingga BPRS terdorong untuk melakukan

investasi yang lebih beresiko seperti menyalurkan pembiayaan pada nasabah yang

sebenarmya kurang layak. Hal tersebut berpengaruh pada meningkatnya

pembiayaan bermasalah yang dihadapi BPRS. Terdapatnya tren NPF BPRS yang

terus meningkat dari tahun ke tahun membuktikan keabsahan teori competition-

fragility pada BPRS di Indonesia.

125

Penyebab lainnya adalah terdapatnya presepsi dari masyarakat yang

menganggap BPRS sebagai second layer. BPRS dianggap sebagai second layer

karena BPRS bukanlah prioritas utama nasabah dalam mengajukan pembiayaan.

Pada dasarnya, nasabah akan lebih tertarik pada BUS-UUS yang memiliki layanan

maupun fasilitas lebih mumpuni serta tingkat margin yang juga bersaing.

Nasabah-nasabah yang ditolak pengajuan pembiayaannya oleh BUS-UUS akan

beralih pada BPRS yang menawarkan akses yang lebih mudah. Namun, nasabah

yang ditolak oleh BUS-UUS biasanya merupakan nasabah yang memang kurang

pantas mendapatkan pembiayaan. Oleh karena tidak terdapat pilihan lain, BPRS

pun menerima pembiayaan dari nasabah dengan resiko tinggi tadi sehingga

menaikkan rasio pembiayaan bermasalahnya juga (NPF). Semakin tingginya

tingkat konsentrasi, semakin terpusat juga nasabah calon penerima pembiayaan

pada beberapa bank syariah terbesar. Aplikasi pembiayaan yang diterima oleh

bank-bank syariah besar tersebut akan dilanjutkan, sementara yang ditolak akan

mengajukan pembiayaan kembali pada bank-bank lain yang lebih kecil, termasuk

BPRS.

Temuan di atas didukung oleh Alhassan et all (2014) yang melakukan

penelitian terhadap perbankan di Ghana, di mana hubungan antara konsentrasi

pasar yang diproksikan oleh HHI terhadap NPL menunjukkan pengaruh yang

negatif. Jimenez et all (2010) yang menganalisa bank-bank di Spanyol juga

menemukan fenomena serupa, di mana indikator kekuatan pasar yang diproksikan

oleh indeks Lerner secara empiris terbukti berpengaruh negatif signifikan terhadap

NPL. Sebaliknya, Heimdal dan Solberg (2015) mendapati hubungan yang non-

126

linear atau berbentuk U antara NPL dengan tingkat kompetisi yang diproksikan

oleh variabel tingkat konsentrasi lima bank terbesar (CR5) dan HHI.

Pentingnya faktor-faktor makro dalam memengaruhi stabilitas keuangan

secara nasional mendorong dimasukkannya tingkat inflasi yang diproksikan oleh

variabel Indeks Harga Konsumen atau Consumer Price Index (CPI). CPI ternyata

terbukti memengaruhi NPF secara signifikan negatif dengan koefisien sebesar

0,05. Artinya, NPF akan turun sebesar 0,0005 satuan tiap CPI naik sebesar 1%.

Pernyataan ini didukung oleh Poetry (2011) yang menemukan fenomena serupa

pada perbankan syariah di Indonesia. Hal ini dapat dijelaskan oleh hubungan

antara inflasi serta instrumen keuangan syariah seperti Sertifikat Bank Indonesia

Syariah (SBIS) yang memiliki hubungan tidak searah. Ketika inflasi naik, imbal

hasil SBIS akan turun sehingga rate of return pembiayaan pada bank syariah juga

ikut turun. Pada gilirannya, permintaan akan pembiayaan akan meningkat

dikarenakan rendahnya rate of return sehingga berdampak pada produksi dengan

biaya lebih rendah, meningkatnya daya beli konsumen, kemudahan pengembalian

pembiayaan, sampai pada menurunnya rasio NPF. Walaupun begitu, terdapat

beberapa penelitian yang memiliki hasil bertolak belakang yakni Alhassan (2014),

Diyanti (2012), Faiz (2010), serta Simon (2010), di mana pengaruh inflasi

terhadap NPF justru bertanda positif.

B. Model Vector Error Correction Model (Y = NPF)

Untuk memperkuat hasil yang diperoleh sebelumnya, penelitian ini menggunakan

model VAR atau VECM untuk mengonfirmasi temuan pada model NPF. Sebelum

127

beralih pada model VAR-VECM, beberapa uji dijalankan untuk menentukan

penggunaan model yang paling tepat.

1. Uji Stasioneritas dan Derajat Kointegrasi

Untuk melihat bagaimana variabel-variabel independen yang ada berpengaruh

terhadap NPF baik dalam jangka pendek maupun jangka panjang, teknik analisis

VAR-VECM digunakan dalam penelitian ini. Langkah pertama adalah melakukan

Uji Unit Root atau uji akar unit untuk memastikan stasioneritas pada data.

Terdapat beberapa uji yang bisa digunakan, namun penelitian ini menggunakan

Uji Augmented Dicky-Fuller (ADF) terhadap semua variabel. Tabel 4.30

memperlihatkan hasil uji ADF di mana hanya variabel CAR dan

RRMURBUSUUS saja yang stasioner pada level. Dengan kata lain, baik rata-rata,

varian, maupun kovarian pada tiap lag dari ketiga variabel tersebut sama setiap

waktu. Hal tersebut ditunjukkan oleh p-value yang lebih kecil dari tingkat

signifikansi 0,05. Sementara itu variabel lainnya, yakni NPF, FDR, ROA, CR4,

dan Log(CPI) masih terdeteksi memiliki unit root pada level. Artinya, kelima

variabel tersebut memiliki data series yang bergerak secara random (random

walk).

Tabel 4.30 : Uji Unit Root

Variabel P-Value Level P-Value First Difference

NPF 0,1550 0,0000*

CAR 0,0063* 0,0000*

FDR 0,1341 0,0000*

128

ROA 0,3406 0,0000*

RRMURBUSUUS 0,0001* 0,0001*

CR4 0,6913 0,0000*

Log(CPI) 0,5773 0,0000*

Catatan : *Signifikan pada 5%. Uji ADP berdasarkan

Model trend dan intercept

Untuk mengatasi masalah stasioneritas, variabel yang memiliki akar unit

maupun yang sudah stasioner ditransformasikan ke dalam bentuk turunan

pertamanya (first difference). Pada turunan pertama, semua variabel berhasil

mencapai p-value lebih kecil dari 0,05 sehingga mengindikasikan series yang

saling terintegrasi. Angka-angka tersebut juga berarti bahwa semua variabel sudah

dalam keadaan stasioner. Dengan demikian, terdapat kemungkinan adanya

hubungan jangka panjang antar variabel.

2. Uji Lag Length

Sebelum uji derajat kointegrasi, dilakukan uji lag lenght criteria untuk

mengetahui lag optimal yang akan digunakan dalam model VECM nanti.

Berdasarkan Tabel 4.31, Akaike Information Criteria (AIC) menunjukkan lag ke-5

sebagai lag optimal. Penentuan lag optimal ditentukan oleh nilai kreteria yang

paling kecil. Lag ke-6 tidak dimunculkan karena menghasilkan jumlah observasi

yang tidak cukup (Insufficient numbers of observation). Oleh karena itu, penelitian

ini akan menggunakan lag ke-5 sebagai lag optimal.

129

Tabel 4.31 : Uji Lag Length Criteria

Lag Akaike Information Criteria

1 -44,70273

2 -44,21039

3 -44,68846

4 -45,75750

5 -48,77621*

Catatan : * menandakan panjang lag yang terpilih oleh jenis Akaike Information

Criteria

3. Uji Kausalitas Granger

Untuk melihat secara spesifik hubungan antar ketujuh variabel

independen, digunakan Uji Granger Causality. Di antara semua hubungan

kausalitas, hanya terdapat satu kasus bilateral causality. Bilateral atau hubungan

yang saling memengaruhi dua arah terjadi antara variabel FDR dengan CAR.

Sementara itu, hubungan saling memengaruhi satu arah atau Unindirectional

Causality terjadi pada lebih banyak variabel, yakni pengaruh variabel

RRMURBUSUUS terhadap Log(CPI), pengaruh ROA terhadap CR4, dan

pengaruh FDR terhadap ROA. Berbeda dengan dua jenis hubungan sebelumnya,

independence causality menandakan sama sekali tidak terdapatnya hubungan

saling memengaruhi antar variabel independen. Sisa hubungan kausalitas yang

tidak disebutkan dalam bilateral causality dan unindirectional causality masuk ke

dalam kategori ini.

130

Tabel 4.32 : Uji Granger Causality

Bilateral Causality

Unindirectional

Causality

Independence

FDR-CAR

RRMURBUSUUS-

Log(CPI)

Log(CPI)-CAR

ROA-CR4 CR4-CAR

FDR-ROA ROA-CAR

RRMURBUSUUS-CAR

CR4-Log(CPI)

FDR-Log(CPI)

ROA-Log(CPI)

FDR-CR4

RRMURBUSUUS-CR4

RRMURBUSUUS-FDR

RRMURBUSUUS-ROA

4. Uji Kointegrasi

Uji derajat kointegrasi diperlukan untuk menentukan teknik estimasi utama

yang akan digunakan. Apabila ditemukan setidaknya satu hubungan kointegrasi,

maka terdapat indikasi adanya hubungan jangka panjang sehingga VECM dapat

dijalankan. Apabila tidak ada, penelitian akan dilanjutkan dengan teknik estimasi

VAR. Menggunakan lag 5 dan variabel-variabel yang sudah ditransformasikan ke

dalam bentuk first-difference, kriteria AIC menunjukkan penganjurkan

131

penggunaan spesifikasi tes kointegrasi ke-5 dan lag ke-5. Hasil dari uji kointegrasi

dengan menggunakan spesifikasi tes kointegrasi ke-5 terpampang pada Tabel

4.33.

Tabel 4.33 : Uji Derajat Kointegrasi

Nul

Hypothesis

Trace

Statistic

0.05 Critical

Value

Max-Eigen

Statistic

0.05 Critical

Value

r = 0 627,1594 139,2753* 252,3795 49,58633*

r ≤ 1 374,7799 107,3466* 157,0972 43,41977*

r ≤ 2 217,6827 79,34145* 86,60823 37,16359*

r ≤ 3 131,0745 55,24578* 72,46988 30,81507*

r ≤ 4 58,60459 35,01090* 30,57090 24,25202*

r ≤ 5 28,03369 18,39771* 27,94885 17,14769*

r ≤ 6 0,084838 3,841466 0,084838 3,841466

Perbandingan antara trace-statistic serta max-eigen value terhadap nilai

statistik pada tingkat kritis sebesar 5% menunjukkan keberadaan sedikitnya 6

hubungan kointegrasi. Adapun hasil ini mengarah pada bukti-bukti bahwa dalam

setiap periode jangka pendek, semua variabel saling menyesuaikan untuk

mencapai keseimbangan jangka panjang. Hal ini juga berarti bahwa hasil estimasi

tidak bersifat spurious karena terdapatnya hubungan jangka panjang di antara

variabel.

132

5. Uji Vector Error Correction Model (VECM)

Uji derajat kointegrasi yang membuktikan terdapatnya enam hubungan

kointegrasi menggiring pada kesimpulan bahwa VECM merupakan teknik

estimasi yang paling tepat untuk penelitian ini. Model VECM sendiri bertujuan

untuk mengonfirmasi hasil estimasi dari model NPF pada tujuan keempat yakni

untuk menganalisa pengaruh struktur pasar terhadap resiko pembiayaan BPRS.

Dengan menggunakan lag 5, spesifikasi tes kointegrasi kuadratik, serta jumlah

kointegrasi sebanyak 6 seperti yang dianjurkan pada uji derajat kointegrasi,

seluruh variabel diubah ke dalam bentuk turunan pertamanya (first difference).

Transformasi ke bentuk turunan pertama disebabkan oleh masih terdapatnya

beberapa variabel yang pada level memiliki unit root (Lihat Tabel 4.30).

Dari Tabel 4.34, didapat temuan bahwa fslsm jsngka panjang seluruh variabel

independen secara bersama-sama tidak berpengaruh signifikan terhadap resiko

pembiayaan BPRS yang diproksikan oleh variabel NPF. P-value yang memiliki

nilai di atas tingkat signifikansi 5% serta koefisien yang bertanda positif

membuktikan kebenaran temuan ini. Ditinjau dari koefisien determinasinya,

model VECM memiliki R-Square sebesar 0,92. Angka tersebut memiliki makna

bahwa variabel-variabel independen yang ada mampu menjelaskan perubahan

pada NPF sebesar 92% sementara sisa 8%-nya dipengaruhi oleh variabel di luar

model. Berdasarkan koefisien determinasinya, model ini mendapatkan nilai R-

square yang jauh lebih tinggi dibandingkan model NPF sebelumnya pada analisis

regresi linear berganda. Model ini juga tidak memiliki masalah heterokedastisitas

dilihat dari nilai probabilitas chi-square-nya yang lebih besar dari 0,05.

133

Selanjutnya, Uji F memiliki tingkat signifikansi di bawah 5%, yakni sebesar

0,0411. Tingkat signifikansi sebesar 4,11% tersebut menunjukkan bahwa seluruh

variabel independen secara simultan memengaruhi NPF pada tingkat signifikansi

5%. Berdasarkan uji F, model NPF sebelumnya pada analisis regresi linear

berganda memiliki pengaruh simultan yang lebih baik yakni signifikan pada

tingkat signifikansi di bawah 1%.

Sayangnya masalah autokorelasi tetap tidak dapat dihindari. Hal tersebut

dapat dilihat dari probabilitas Obs-R squared-nya yang lebih kecil dari 0,05. Di

sisi lain, pengujian jangka pendek antar masing-masing variabel independen

kecuali FDR terhadap NPF dengan menggunakan Uji Wald gagal membuktikan

adanya pengaruh yang signifikan. Hal tersebut ditunjukkan oleh P-Value masing-

masing variabel yang selalu bernilai lebih dari 5%. Tidak adanya pengaruh antar

masing-masing variabel independen terhadap NPF disebabkan oleh tingkat

produktivitas BPRS yang masih sangat rendah. Pengaruh FDR yang signifikan

terhadap NPF juga didukung oleh analisis regresi linear berganda sebelumnya.

Namun, tingkat signifikansi pengaruh FDR pada model VECM ini lebih tinggi

dibandingkan pada analisis regresi linear berganda.

134

Tabel 4.34 : Hasil Estimasi Jangka Panjang dan Jangka Pendek (VECM)

Estimasi Jangka Panjang

Koefisien P-Value

Semua Variabel 0,364952 0,7205

R-Square 0,922001

Uji F 0,0411*

Autokorelasi 0,0000

Heterokedastisitas 0,3960*

Estimasi Jangka Pendek (Uji Wald)

Koefisien P-Value

DCAR 0,2271

DROA 0,2093

DFDR 0,0027*

DRRMURBUSUUS 0,5404

DCR4 0,2774

DLog(CPI) 0,1441

Keterangan : *Signifikan 5%

6. Uji Impulse Response Function (IRF)

Uji Impulse Response Function (IRF) digunakan untuk melihat jejak respon

resiko pembiayaan pada BPRS yang diproksikan oleh variabel NPF terhadap

guncangan yang terjadi pada masing-masing variabel independen. Grafik 4.2

menunjukkan bahwa NPF tidak juga mencapai titik stabil walaupun variabel

135

independen yang digunakan berbeda-beda dan periode yang dimasukkan sudah

sebanyak 60.

NPF cenderung merespon positif terhadap shock yang terjadi pada CAR.

Walaupun begitu, terdapat beberapa periode awal di mana respon yang terjadi

justru negatif. Berbeda dengan CAR, CR4 memiliki pengaruh yang cenderung

berfluktuasi terhadap NPF. Sementara itu, shock yang terjadi pada FDR

berpengaruh negatif terhadap NPF dengan tingkat fluktuasi yang cenderung

rendah. Respon yang positif terjadi hanya beberapa kali, terutama pada periode

ke-3 dan ke-5.

Grafik 4.2 : Uji Impulse Response Function

Response to Cholesky One S.D. Innovations

Res pons e of DNPF to DROA Res pons e of DNPF to DRRMURBUSUUS

.003 .003

.002

.002

.001

.001

.000

.000

-.001

-.001

-.002

1 2 3 4 5 6 7 8 9 10

-.002

1 2 3 4 5 6 7 8 9 10

Res pons e of DNPF to DCAR

Res pons e of DNPF to DCPI

.003 .003

.002

.002

.001

.001

.000

.000

-.001

-.001

-.002

1 2 3 4 5 6 7 8 9 10

-.002

1 2 3 4 5 6 7 8 9 10

Res pons e of DNPF to DCR4

Res pons e of DNPF to DFDR

.003 .003

.002

.002

.001

.001

.000

.000

-.001

-.001

-.002

1 2 3 4 5 6 7 8 9 10

-.002

1 2 3 4 5 6 7 8 9 10

Apabila ditarik benang merah dari seluruh grafik uji IRF di atas, didapat

tren yang sangat berfluktuatif di antara shock variabel-variabel independen

136

terhadap NPF. Grafik dikatakan sangat berfluktuatif karena NPF tidak juga

mencapai titik stabil sampai pada periode k-10. Hubungan ini dapat dijelaskan

oleh pergerakan yang sangat dinamis dari masing-masing variabel independen

maupun NPF itu sendiri. Kemungkinan terdapatnya variabel-variabel lain di luar

model, terutama variabel makro, seperti nilai tukar, suku bunga Bank Indonesia,

dan lain-lain yang memengaruhi NPF juga dapat menjadi penjelasan atas tidak

stabilnya hasil uji IRF. Hal ini didukung oleh temuan pada Tabel 4.28, di mana

adjusted R-Square yang diperoleh oleh persamaan regresi linear berganda model

NPF adalah sebesar 0,544046. Sementara 45,6% sisanya diduga dipengaruhi oleh

variabel-variabel makro di luar model yang memang bersifat sangat tidak stabil.

7. Uji Forecast Error Variance Decomposition (FEVD)

Berbeda halnya dengan uji IRF, uji Forecast Error Variance

Decomposition (FEVD) diperlukan untuk memprediksi kontribusi masing-masing

variabel independen terhadap NPF pada BPRS (Lihat Grafik 4.3). Namun,

keduanya sama-sama memasukkan sepuluh periode penelitian pertama ke dalam

model yang dianalisa. Pada masa-masa awal, satu-satunya faktor yang

berpengaruh terhadap NPF adalah variabel NPF itu sendiri. Namun proporsinya

semakin menurun seiring waktu hingga hanya mencapai 42,08% di akhir periode.

Dalam model FEVD ini, variabel mikro seperti CAR, RRMURBUSUUS,

dan CR4 lebih mendominasi dibandingkan variabel independen lainnya.

RRMURBUSUUS, misalnya, memiliki kontribusi sebesar 17,63% terhadap NPF

pada akhir periode. Angka tersebut menunjukkan posisi RRMURBUSUUS

137

sebagai variabel independen dengan kontribusi terbesar terhadap NPF. Temuan ini

berlawanan dengan hasil analisis regresi linear berganda sebelumnya yang

menyatakan tidak signifikannya pengaruh RRMUSBUSUUS terhadap NPF. Di

belakangnya, CAR yang menunjukkan pemenuhan kecukupan modal dari BPRS

dan CR4 yang mengammbarkan tingkat konsentrasi pada pasar menyusul dengan

proporsi masing-masing sebesar 15,18% dan 11,5%. Dengan demikian, penentuan

kebijakan publik yang berkaitan dengan kontrol terhadap resiko pembiayaan

BPRS perlu memperhatikan ketiga variabel ini, mengingat besarnya kontribusi

yang diberikan.

ROA sebagai variabel mikro yang menggambarkan tingkat profitabilitas

BPRS berpengaruh terhadap NPF dengan proporsi sebesar 9,29% pada akhir

periode. Sementara itu, CPI dan FDR merupakan variabel independen yang

kontribusinya termasuk paling rendah. Kontribusi masing-masing variabel

tersebut terhadap NPF adalah sebesar 2,66% dan 1,65%.

138

Grafik 4.3 : Uji Forecast Error Variance Decomposition

100%

90%

80%

70%

60%

50%

40%

30%

20%

10%

0%

CPI

CR4

RRMURBUSUUS

FDR

ROA

CAR

NPF

139

BAB V

PENUTUP

A. Kesimpulan

Penelitian ini bertujuan untuk menganalisa struktur pasar pembiayaan Bank

Pembiayaan Rakyat Syariah (BPRS) maupun pengaruhnya terhadap kinerja

berupa tingkat profitabilitas yang diproksikan oleh variabel Return on Equity

(ROE) dan kaulitas aset yang diproksikan oleh variabel Non-Performing

Financing (NPF). Berdasarkan analisa data dan pembahasan yang dikemukakan

pada Bab IV sebelumnya, diambil beberapa kesimpulan, yakni :

1. BPRS dan Bank Umum Syariah-Unit Usaha Syariah (BUS-UUS) terbukti

berada pada pasar pembiayaan yang sama. Pernyataan ini didukung oleh

pengaruh yang positif antara tingkat margin murabahah yang ditawarkan

BUS-UUS terhadap total pembiayaan murabahah yang disalurkan oleh

BPRS.

2. Tanpa memperhitungkan BUS-UUS, tingginya H-stat dengan

menggunakan model Panzar-Rosse mengonfirmasi terdapatnya tingkat

persaingan monopolistik yang sangat kompetitif antar sesama BPRS.

3. Dengan memperhitungkan BUS-UUS, struktur pada pasar pembiayaan

perbankan syariah yang sangat didominasi oleh beberapa BUS terbesar

berpengaruh secara positif signifikan terhadap kinerja BPRS dilihat dari

tingkat profitabilitasnya. Namun, temuan ini tidak serta merta

139

140

menyimpulkan keabsahan Traditional Hypothesis pada teori SCP karena

variabel pangsa pasar tidak dimasukkan ke dalam model.

4. Struktur pada pasar pembiayaan perbankan syariah yang sangat didominasi

oleh beberapa BUS terbesar ternyata mempengaruhi kinerja BPRS dilihat

dari segi kualitas asetnya. Variabel tingkat konsentrasi keempat BUS

terbesar yang berpengaruh negatif signifikan terhadap variabel Non-

Performing Financing (NPF) BPRS mendukung teori competition-fragility

yang menunjukkan bahwa tingkat kompetisi justru berakibat pada

melemahnya kualitas pembiayaan BPRS.

5. Dalam jangka panjang, NPF secara simultan tidak dipengaruhi oleh tingkat

konsentrasi keempat BUS terbesar (CR4), capital adequacy ration (CAR),

financing to deposit ratio (FDR), return on asset (ROA), consumer price

index (CPI), serta tingkat margin murabahah BUS-UUS

(RRMURBUSUUS). Dilihat dari pengaruh jangka pendek, hanya variabel

FDR yang berpengaruh signifikan terhadap NPF. Di sisi lain, NPF tidak

juga mencapai titik stabil terhadap gejolak yang terjadi pada masing-

masing variabel independen. Dinamisnya tiap variabel dan kurangnya

variabel makro dalam model diduga merupakan penyebab utamanya.

Sementara itu, RRMURBUSUUS, CAR, dan ROA tercatat sebagai

variabel dengan kontribusi terbesar terhadap NPF dalam dalam sepuluh

tahun pertama.

141

B. Saran

Berdasarkan hasil penelitian “Pengaruh Struktur Pasar terhadap Kinerja BPRS

di Indonesia” ini, penulis memberikan beberapa masukan bagi pihak-pihak terkait,

yaitu berupa :

1. Bagi penentu kebijakan, perlu mengambil tindakan-tindakan agar

Peraturan Bank Indonesia (PBI) 17/12/PBI/2015 yang diterbitkan baru-

baru ini tidak mempengaruhi kinerja BPRS ke arah yang negatif.

Mengingat hasil analisis regresi linear berganda sebelumnya di mana

tingkat konsentrasi keempat BUS terbesar berpengaruh negatif signifikan

terhadap NPF BPRS, tingkat kompetisi yang justru menuju ke arah

monopolistik kompetitif justru menjadi kurang diinginkan. Selain itu,

kebijakan-kebijakan yang berhubungan dengan zakat serta wakaf cash

perlu dikembangkan sebagai alternatif dana untuk BPRS selain dari BUS

dan UUS.

2. Bagi pihak manajemen BPRS di Indonesia, untuk mengurangi

ketergantungan dana dari BUS dan UUS karena ketiganya ternyata berada

pada pasar yang sama. Ketergantungan dana pada BUS dan UUS terus

menerus akan menjadikan BPRS kurang kompetitif karena harus

menyesuaikan tingkat bagi hasil atau margin pembiayaannya menjadi lebih

tinggi.

3. Bagi kalangan akademisi, untuk mengonfirmasi temuan-temuan pada

skripsi ini dengan melakukan penelitian sejenis namun dengan metode,

variabel, periode penelitian, serta jenis data yang berbeda.

142142142

DAFTAR PUSTAKA

Alhassan, Abdul Latif, dkk. “Asset Quality in a Crisis Period : An Empirical

Examination of Ghanian Banks”. Review of Development Finance IV.

(Maret 2014): h. 56-60.

Anita. “Analisis Tingkat Kesehatan Bank Pembiayaan Rakyat Syariah PD. BPRS

Kota Bekasi berdasarkan Peraturan Bank Indonesia Nomor :

9/17/PBI/2007.” Skripsi S1 Fakultas Syariah dan Hukum, Universitas

Islam Negri Syarif Hidayatullah Jakarta, 2009.

Bank Indonesia (BI). Kodifikasi Peraturan Bank Indonesia Kelembagaan

Penilaian Tingkat Kesehatan Bank. Jakarta: BI, 2012.

. Peraturan Bank Indonesia Nomor : 3/1/PBI/2001 tentang

Proyek Kredit Mikro. Jakarta: BI, 2001.


Sistem Penilaian Tingkat Kesehatan Bank Perkreditan Rakyat

Berdasarkan Prinsip Syariah. Jakarta: BI, 2007.


Pemberian Kredit atau Pembiayaan oleh Bank Umum dan Bantuan Teknis

dalam Rangka Pengembangan Usaha Mikro, Kecil, dan Menengah.

Jakarta: BI, 2012.


Perubahan atas Peraturan Bank Indonesia Nomor 14/22/PBI/2012

tentang Pemberian Kredit atau Pembiayaan oleh Bank Umum dan

Bantuan Teknis dalam Rangka Pengembangan Usaha Mikro, Kecil, dan

Menengah. Jakarta: BI, 2015.

. Perkembangan Sejarah BPR. Jakarta: BI, 2007.

Fahmi, Idqan. “Dinamika Struktur Pasar dan Perilaku Bank serta Dampaknya

terhadap Kinerja Industri Perbankan Syariah di Indonesia.” Disertasi S3

Fakultas Program Studi Ilmu Ekonomi Pertanian, Institut Pertanian Bogor,

2012.

Goddard, J. dan J.O.S Wilson. “Measuring Competition in Banking: A

Disequilibrium Approac”. Journal of Banking and Finance. No. 12. (April

2008): h. 2.

Effendi, Sofian. Metode Penelitian Survei. Jakarta: LP3ES, 2012.

143143143

Hafidz, Januar, dkk. “Tingkat Persaingan dan Efisiensi Bank Umum dan BPR di

Pasar Kredit Mikro di Indonesia.” Working Paper Bank Indonesia. No. 4.

(Desember 2013): h. 30.

Heimdal, Kristin Ward dan Kristoffer Johnsen, Solberg. “The Effect of

Competition on Non-Performing Loan Rates (Evidence from the

Norwegian Banking Market).” Tesis S2 Fakultas Ekonomi dan

Administrasi Bisnis, Norwegian School of Economics, 2015.

Hendar. “Kebijakan Bank Indonesia dalam Keuangan Inklusif melalui Gerakan

Nasional Non Tunai”. Artikel diakses pada 11 September 2016 dari

http://www.bi.go.id/id/ruangmedia/pidatodewan%20gubernur/Documents/

kuliah_umum_hendar_Kediri_270315.pdf .

Herli, Ali Suyanto. Pengelolaan BPR dan Lembaga Keuangan Pembiayaan

Mikro. Yogyakarta: Penerbit Andi, 2013.

Iman, Nur. “Analisis Tingkat Persaingan Industri Perbankan Syariah di Indonesia

: Aplikasi Model Panzar-Rosse.” Skripsi S1 Fakultas Ekonomi,

Universitas Indonesia, 2009.

Jimenez, Gabriel, dan Jose A, Lopez. “How Does Competition Impact Bank Risk-

Taking?” Federal Reserve Bank of San Fransisco Working Paper Series.

No. 23. (September 2007): h. 16-24.

Jumono, Sapto, dkk. “The Effect of Loan Market Concentration on Banking

Profitability: A Study of Indonesian Commercial Banking, Dynamics

Panel Data Regression Approach.” International Journal of Economics

and Financial Issues VI. No. 1. (2016): h. 210-212.

Kennedy, Peter. A Guide to Econometrics Fifth Edition. Massachusetts: The MIT

Press Cambridge, 2003.

Khoirunnisa, Adinda. “Pengaruh Industri Perbankan terhadap Kinerja Keuangan

BPR di Indonesia.” Jurnal Ilmu Manajemen 2. No. 1. (Januari 2014): h.

182-185.

Majid, Muhamed Zulkhibri Abdul dan Fadzlan, Sufian. “Market Structure and

Competition in Emerging Market : Evidence from Malaysian Islamic

Banking Industry.” Munich Personal RePec Archive. No. 12126.

(Desember 2008): h. 12-15.

Mankiw, N. Gregory. Pengantar Ekonomi Mikro. Jakarta: Penerbit Salemba

Empat, 2012.

Muhari, Syafaat dan Muhamad Nadratuzzaman, Hosen. “Efficiency of the Islamic

Rural Bank in Six Zones of Indonesia Using Non-Parametric and

http://www.bi.go.id/id/ruangmedia/pidatodewan%20gubernur/Documents/kuliah_umum_hendar_Kediri_270315.pdf

http://www.bi.go.id/id/ruangmedia/pidatodewan%20gubernur/Documents/kuliah_umum_hendar_Kediri_270315.pdf

144144144

Parametric Method.” Journal of Islamic Banking and Finance 32. No. 3

(Juli 2015): h. 52.

. “Efficiency of the Sharia

Rural Bank in Indonesia Lead to Modified Camel.” International of

Academic Research in Economics and Management Sciences 2. No. 5

(September 2013): h. 41-50.

Muhari, Syafaat. “Tingkat Efisiensi BPRS di Indonesia (Perbandingan Metode

SFA dan DEA dan Hubungannya dengan CAMEL).” Skripsi S1 Fakultas

Syariah dan Hukum, Universitas Islam Negri Syarif Hidayatullah Jakarta,

2013.

RA, Shochrul, dkk. Cara Cerdas Menguasai Eviews. Jakarta: Salemba Empat,

2011.

Rama, Ali. “Perbankan Syariah dan Pertumbuhan Ekonomi.”Jurnal Etikonomi

XII. No. 1 (April 2013): h. 15.

Staikouras, Christos K, dan Geoffrey E, Wood. “The Determinants of European

Bank Profitability.” International Business and Economic Research

Journal III. No. 6 (2004): h. 64-67.

Tanjung, Hendri dan Devi. Metodologi Penelitian Ekonomi Islam. Jakarta:

Gramata Publishing, 2013.

Tarsidin dan Perry, Warjiyo. “Perbankan Syariah dan Perbankan Berdasarkan

Bunga : Manakah yang Lebih Optimal?” Buletin Ekonomi Moneter dan

Perbankan IX. No. 2 (Oktober 2006): h. 88.

Wadonda, Ephraim. “Determinants of Commercial Banks’ Profitability in Malawi

: A Cointegration Approach.” Working Paper, Departemen Ekonomi,

Universitas Malawi, 1999.

Widarjano, Agus. Ekonometrika Pengantar dan Aplikasinya. Yogyakarta: UPP

STM YKPN, 2013.

Widyastuti, Ratna Sri dan Boedi, Armanto. “Kompetisi Industri Perbankan

Indonesia.” Buletin Ekonomi Moneter dan Perbankan. (April 2013): h.

422.

Yudaruddin, Rizki. “Dampak Tingkat Konsentrasi terhadap Kinerja dan Stabilitas

Perbankan di Indonesia Tahun 2003-2013.” Jurnal Keuangan dan

Perbankan 18. No. 2. (Mei 2014): h. 281.283.

145145145

LAMPIRAN

Lampiran 1 : Data Model LOG(MUR)

PERIOD

E

MUR

RRMU

RBPRS

RRMU

RBUS

UUS

RRMU

RBUS

UUSB

PRS

OFFI

CE

CPI

IPI

10-Jan

1277588

19.31%

15.87% 0.0006

1

262

118.01

96.83

10-Feb

1331195

19.28%

16.51% 0.0006

2

265

118.36

97.52

10-Mar

1359346

19.51%

16.44% 0.0006 2

266

118.19

101.62

10-Apr

1406532

19.56%

85.71% 0.0031

6

271

118.37

101.69

Mei-10

1448029

19.57%

80.69% 0.0029

8

271

118.71

101.15

10-Jun

1487086

19.60%

73.30% 0.0026 7

275

119.86

104.98

10-Jul

1519599

19.49%

15.77% 0.0005 7

276

121.74

101.19

10-Aug

1540553

19.62%

15.51% 0.0005 6

277

122.67

101.37

10-Sep

1549744

19.71%

15.49% 0.0005 6

278

123.21

92.55

10-Sep

1595058

19.69%

15.61% 0.0005 5

282

123.29

101.02

10-Nov

1595644

20.15%

15.53% 0.0005 5

283

124.03

100.48

10-Dec

1621526

20.07%

15.30% 0.0005 3

286

125.17

99.6

11-Jan

1648173

19.51%

15.40% 0.0005 3

290

126.29

100.42

11-Feb

1692259

19.72%

15.32% 0.0005

3

291

126.46

94.68

11-Mar

1706035

19.55%

15.23% 0.0005

2

293

126.05

104.3

11-Apr

1753431

19.21%

11.55% 0.0003 9

293

125.66

100.68

11-May

1848734

19.14%

15.25% 0.0005 1

300

125.81

105.07

11-Jun

1930667

19.03%

15.15% 0.0005

1

300

126.5

108.77

11-Jul 1984584 19.07% 15.13% 0.0005 300 127.35 112.11

11-Aug

2044532

18.93%

15.05% 0.0004 2

362

128.54

105.6

11-Sep

2031305

18.96%

15.04% 0.0004 2

362

128.89

105.49

11-Oct

2079543

18.77%

14.93% 0.0004

1

362

128.74

107.59

11-Nov

2148849

19.34%

14.76% 0.0004 1

362

129.18

101.35

11-Dec 2154494 19.41% 14.72% 0.0004 364 129.91 102.89

12-Jan 2206455

12-Feb

2287665

19.53%

14.66% 0.0003 9

374

130.96

105.63

12-Mar

2362617

19.48%

14.63% 0.0003

9

373

131.05

102.46

12-Apr

2430331

19.50%

14.40% 0.0003 8

376

131.32

103.38

12-May

2509860

19.42%

14.33% 0.0003 8

377

131.41

108.31

12-Jun

2586517

19.40%

14.21% 0.0003 8

378

132.23

109.79

12-Jul

2665612

19.16%

14.12% 0.0003 8

370

133.16

114.41

12-Aug

2686926

19.09%

13.81% 0.0003

8

364

134.43

100.78

12-Sep

2742817

19.44%

13.94% 0.0003

6

386

134.45

109.61

12-Oct

2784644

19.41%

13.85% 0.0003 6

390

134.67

118.17

12-Nov

2826537

19.26%

13.81% 0.0003 5

390

134.76

114.13

12-Dec

2854646

23.19%

13.69% 0.0003 4

401

135.49

114.12

13-Jan

2875131

19.20%

13.74% 0.0003 5

398

136.88

113.91

13-Feb

2949093

18.98%

13.68% 0.0003

5

395

137.91

112.31

13-Mar

3015928

18.91%

13.57% 0.0003

4

399

138.78

112.58

13-Apr

3120674

18.72%

13.52% 0.0003

5

386

138.64

114.12

13-May 3221050.6

9

18.65%

13.64% 0.0003

4

399

138.6

115.78

13-Jun 3314377.0 3

18.89%

13.56% 0.0003 4

397

140.03

113.34

13-Jul 3388589.7 8

18.70%

13.47% 0.0003 4

398

144.63

115.28

13-Aug 3374621.5

7

18.81%

13.41% 0.0003

4

398

146.25

113.37

13-Sep 3424415.6

6

18.63%

17.15% 0.0004

2

413

145.74

116.36

13-Oct 3,468,913.

33

18.65%

13.34% 0.0003

3

399

145.87

118.05

13-Nov 3515763.6

7

18.63%

13.32% 0.0003

3

399

146.04

116.2

13-Dec 3546360.6

1

18.27%

13.18% 0.0003

3

402

146.84

117.36

14-Jan

3569175

18.25%

13.20% 0.0003

1

420

110.99

117.32

14-Feb

3650853

18.21%

13.22% 0.0003

1

428

111.28

116.6

14-Mar

3718012

18.22%

13.30% 0.0003 1

431

111.37

116.8

14-Apr 3769009 18.16% 13.45% 0.0003 425 111.35 117.25

19.51% 14.66% 0.0004 364 130.9 102.76

146

147147147

14-May

3810577

19.20%

13.45% 0.0003 1

428

111.53

120.16

14-Jun

3857695

19.33%

14.45% 0.0003

4

429

112.01

120.22

14-Jul

3865210

20.60%

14.66% 0.0003

5

424

113.05

117.05

14-Aug

3854672

20.42%

14.66% 0.0003

4

436

113.58

120.13

14-Sep

3899660

18.56%

14.60% 0.0003

4

433

113.89

127.74

14-Oct

3918522

18.44%

14.81% 0.0003 4

431

114.42

124.37

14-Nov

3940199

18.53%

15.52% 0.0003

5

438

116.14

121.73

14-Dec

3965543

18.51%

15.43% 0.0003

5

439

119

124.94

15-Jan

3990394

18.48%

14.77% 0.0003

1

477

118.71

123.33

15-Feb 4054034 18.50% 14.73% 0.0003 486 118.28 119.67

15-Mar

4132430

18.48%

14.68% 0.0003

1

471

118.48

125.46

15-Apr

4212147

18.32%

14.91% 0.0003

4

433

118.91

127.11

15-May

4281505

18.45%

14.94% 0.0003 4

440

119.5

123.03

2

Lampiran 2 : Analisis Regresi Linear Berganda LOG(MUR)

Dependent Variable: LOGMUR

Method: Leas t Squares

Date: 12/08/16 Tim e: 00:16

Sam ple: 2010M01 2015M05

Included obs ervations : 65

Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGCPI

-0.012390

0.119406

-0.103761

0.9177 LOGIPI 1.541119 0.233890 6.589086 0.0000

LOGOFFICE 1.307374 0.111818 11.69202 0.0000 LOGRRMURBUSUUSBPRS -0.515140 0.224645 -2.293129 0.0255

RRMURBPRS -1.647692 0.725515 -2.271067 0.0269 RRMURBUSUUS 0.527415 0.250622 2.104426 0.0397

C 0.117648 0.462697 0.254265 0.8002

R-s quared

0.966924

Mean dependent var

6.408212 Adjus ted R-s quared 0.963502 S.D. dependent var 0.160796 S.E. of regres s ion 0.030719 Akaike info criterion -4.026430 Sum s quared res id 0.054732 Schwarz criterion -3.792265 Log likelihood 137.8590 Hannan-Quinn criter. -3.934037 F-s tatis tic 282.5906 Durbin-Wats on s tat 1.044015 Prob(F-s tatis tic) 0.000000

148148148

Lampiran 3 : Uji Heterokedastisitas LOG(MUR)

Heteros kedas ticity Tes t: Breus ch-Pagan-Godfrey

F-s tatis tic

1.902653

Prob. F(6,58)

0.0957 Obs *R-s quared 10.68969 Prob. Chi-Square(6) 0.0985 Scaled explained SS 9.876082 Prob. Chi-Square(6) 0.1300

Tes t Equation:

Dependent Variable: RESID^2


Date: 12/12/16 Tim e: 21:26

Sam ple: 2010M01 2015M05


Variable

Coefficient

Std. Error

t-Statis tic

Prob.

C

0.018621

0.018696

0.995946

0.3234 LOGCPI -0.027540 0.009451 -2.914018 0.0051 LOGIPI 0.003007 0.004825 0.623228 0.5356

LOGOFFICE 0.012525 0.004518 2.772147 0.0075 LOGRRMURBUSUUSBPRS 0.011804 0.009077 1.300404 0.1986

RRMURBPRS 0.017839 0.029316 0.608503 0.5452 RRMURBUSUUS -0.013102 0.010127 -1.293789 0.2009

R-s quared

0.164457

Mean dependent var

0.000842 Adjus ted R-s quared 0.078021 S.D. dependent var 0.001293 S.E. of regres s ion 0.001241 Akaike info criterion -10.44392 Sum s quared res id 8.94E-05 Schwarz criterion -10.20976 Log likelihood 346.4275 Hannan-Quinn criter. -10.35153 F-s tatis tic 1.902653 Durbin-Wats on s tat 1.662226 Prob(F-s tatis tic) 0.095716

Lampiran 4 : Uji Autokorelasi LOG(MUR)

Breus ch-Godfrey Serial Correlation LM Tes t:

F-s tatis tic

9.453408 Prob. F(2,56)

0.0003 Obs *R-s quared 16.40629 Prob. Chi-Square(2) 0.0003

Tes t Equation:

Dependent Variable: RESID


Date: 12/12/16 Tim e: 21:29

Sam ple: 2010M01 2015M05


Pres am ple m is s ing value lagged res iduals s et to zero.

Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGCPI

-0.349700

0.226362

-1.544868

0.1280 LOGIPI -0.008314 0.105998 -0.078436 0.9378

LOGOFFICE 0.151431 0.109038 1.388792 0.1704 LOGRRMURBUSUUSBPRS 0.039257 0.207155 0.189505 0.8504

RRMURBPRS -0.009108 0.673069 -0.013532 0.9893 RRMURBUSUUS -0.021093 0.229425 -0.091938 0.9271

C 0.353374 0.416558 0.848318 0.3999 RESID(-1) 0.519554 0.136983 3.792836 0.0004 RESID(-2) 0.063585 0.147373 0.431453 0.6678

R-s quared

0.252404

Mean dependent var

-2.33E-15 Adjus ted R-s quared 0.145605 S.D. dependent var 0.029244 S.E. of regres s ion 0.027031 Akaike info criterion -4.255785 Sum s quared res id 0.040917 Schwarz criterion -3.954716 Log likelihood 147.3130 Hannan-Quinn criter. -4.136994 F-s tatis tic 2.363352 Durbin-Wats on s tat 1.823184 Prob(F-s tatis tic) 0.028791

149149149

Lampiran 5 : Koreksi Autokorelasi LOG(MUR) Cochrane Orcut Iteration


Method: ARMA Maxim um Likelihood (OPG - BHHH)

Date: 12/12/16 Tim e: 21:38

Sam ple: 2010M01 2015M05


Convergence achieved after 28 iterations

Coefficient covariance com puted us ing outer product of gradients

Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGCPI

0.101724

0.081858

1.242690

0.2192 LOGIPI 0.062162 0.103233 0.602150 0.5495



C 5.572200 0.512449 10.87367 0.0000 AR(1) 0.999209 0.010551 94.70187 0.0000

SIGMASQ 8.54E-05 2.33E-05 3.667344 0.0005

R-s quared

0.996644

Mean dependent var


Inverted AR Roots

1.00

Lampiran 6 : Koreksi Autokorelasi LOG(MUR) Autoregressive



Date: 12/12/16 Tim e: 21:39

Sam ple (adjus ted): 2010M02 2015M05

Included obs ervations : 64 after adjus tm ents

Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGMUR(-1)

0.948237

0.019519

48.58025

0.0000 LOGCPI 0.094873 0.041313 2.296421 0.0253 LOGIPI 0.034023 0.013409 2.537317 0.0139



R-s quared

0.999177

Mean dependent var

6.412927 Adjus ted R-s quared 0.999090 S.D. dependent var 0.157471 S.E. of regres s ion 0.004749 Akaike info criterion -7.758749 Sum s quared res id 0.001286 Schwarz criterion -7.522622 Log likelihood 255.2800 Hannan-Quinn criter. -7.665727 Durbin-Wats on s tat 1.543639

Catatan : Autokolreasi Hilang & Variabel Independen Tidak Signifikan

150150150

Lampiran 7 : Uji Multikolinearitas LOG(MUR)

LOGCPI LOGIPI LOGOFFICE LOGRRMU... RRMURBPRS RRMURBU... LOGCPI 1 -0.1067094... 0.02232472... -0.2153389... 0.04530124... -0.1828847... LOGIPI -0.1067094... 1 0.86267655... -0.2129654... -0.4168767... -0.2246414...

LOGOFFICE 0.02232472... 0.86267655... 1 -0.3896062... -0.3724988... -0.3858532... LOGRRMU... -0.2153389... -0.2129654... -0.3896062... 1 0.04672734... 0.98934234...

RRMURBPRS 0.04530124... -0.4168767... -0.3724988... 0.04672734... 1 0.13006710... RRMURBU... -0.1828847... -0.2246414... -0.3858532... 0.98934234... 0.13006710... 1

Lampiran 8 : Data Model LOG(TR)

PERIODE TR BBH BTK BKAP EQ FINC NPF

10-Jan 29789 12,991 382 1482 405,870 1586579 116,745

10-Feb 61260 26,052 675 4637 413,255 1653875 123,764

10-Mar 93617 39,794 993 6999 413,140 1690571 124,599

10-Apr 127447 54,246 1,357 8630 420,271 1757256 126,428

Mei-10 163427 69,208 1,713 11878 427,940 1817361 129,557

10-Jun 198415 84,076 2,255 13741 437,497 1873570 129,698

10-Jul 235613 99,240 2,688 16744 442,972 1925743 137,901

10-Aug 267870 113,894 2,976 19267 443,678 1954179 140,318

10-Sep 309993 130,010 3,383 21205 450,694 1979912 147,142

10-Sep 352106 147,580 3,862 24758 463,205 2042042 152,721

10-Nov 371129 162,459 4,097 11817 465,319 2041367 153,653

10-Dec 429295 180,257 4,710 31085 481,666 2060437 133,872

11-Jan 37196 17,109 437 1064 485,468 2084220 141,430

11-Feb 78906 33,585 1,155 6500 497,260 2139992 150,712

11-Mar 118043 50,813 1,680 8927 484,061 2163977 154,681

11-Apr 156402 68,535 2,146 10613 489,823 2216572 155,616

11-May 198272 87,731 2,825 13099 487,514 2328813 162,102

11-Jun 243510 106,764 3,610 14269 503,885 2431963 172,450

11-Jul 319958 126,026 3,972 8051 510,336 2501869 174,130

11-Aug 319827 145,681 4,458 9739 518,156 2576971 181,781

11-Sep 362334 165,544 4,893 9823 535,465 2563432 177,918

11-Oct 408345 186,020 5,419 17062 529,779 2620259 186,014

11-Nov 469657 206,786 5,962 26999 558,407 2691843 196,591

11-Dec 512840 226,083 6,568 29743 553,966 2675930 163,602

12-Jan 47679 21,716 552 1463 566,267 2726937 182,123

12-Feb 95504 43,496 1,395 3122 571,984 2818790 186,266

12-Mar 145687 66,005 2,278 4640 581,480 2910280 186,826

12-Apr 196576 88,964 2,808 7178 588,407 2997076 194,757

12-May 215785 111,958 3,396 9474 578,440 3105951 200,977

12-Jun 263056 135,937 3,954 11487 609,921 3218420 205,737

12-Jul 319954 159,707 4,741 13540 629,172 3313819 221,396

12-Aug 365434 184,909 6,109 14480 639,618 3335761 230,466

12-Sep 413774 211,274 7,065 16637 650,989 3404739 233,812

12-Oct 465968 237,946 7,126 16988 670,398 3465137 236,615

12-Nov 519803 265,156 7,936 22091 690,589 3529357 240,033

12-Dec 575418 292,584 8,846 21117 702,340 3553520 218,635

13-Jan 54164 27,405 837 1287 704,850 3565521 246,340

13-Feb 105578 53,114 1,625 2536 710,223 3657567 268,234

13-Mar 162564 79,726 2,561 4099 700,781 3749205 270,001

13-Apr 221176 107,317 3,539 5262 722,166 3891842 284,874

13-May 282992 134,071 4,574 7510.27 742,921 4032718 310,107

13-Jun 344408 161,884 5,671 8737.97 762,801 4160304 301,628

13-Jul 405467 193,492 6,580 11343.7 768,042 4260883 313,291

13-Aug 462108 222,936 7,357 12325.7 771,324 4240623 334,655

13-Sep 535200 252,984 8,244 14292.5 801,761 4315666 326,943

13-Oct 601157 283,648 9,292 16083 830,042 4354183 325,570

13-Nov 673110 315,284 10,518 16886.2 848,727 4414984 324,142

13-Dec 738913 344,477 11,560 19679.4 863,767 4433492 288,373

14-Jan 61806.1 31,068 1,098 1266.78 872,440 4422674 340,602

14-Feb 123786 62,563 2,235 2588.93 872,009 4538689 350,152

14-Mar 185180 95,406 3,263 5910.41 877,020 4635162 358,905

14-Apr 248628 127,362 4,603 7511.54 877,428 4726792 378,329

14-May 312385 160,346 5,766 8985.03 883,668 4788995 394,024

14-Jun 377431 384,562 6,779 10690 883,959 4845333 396,133

14-Jul 437766 446,242 7,774 13347 882,153 4850077 418,131

14-Aug 501269 510,407 8,724 14471 895,584 4845573 427,676

14-Sep 565729 576,281 9,692 16779 916,190 4918284 426,987

14-Oct 634127 646,370 11,063 17964 951,674 4947756 442,285

14-Nov 697219 711,962 11,365 26884 975,519 4980312 438,563

14-Dec 782054 796,943 12,905 32427 1,004,820 5004909 394,671

15-Jan 66321 67,434 783 2066 1,015,981 5004436 448,712

15-Feb 128218 130,208 1,849 4175 1,054,174 5093212 464,197

15-Mar 196562 199,038 3,213 5630 1,013,770 5216058 489,452

15-Apr 268446 273,622 4,464 11134 1,023,246 5326101 496,720

15-May 338589 344,850 5,519 13732 1,012,635 5433635 590,903

151

152152152

Lampiran 9 : Analisis Regresi Linear Berganda Model Log(TR)

Dependent Variable: LOGTR


Date: 12/12/16 Tim e: 23:56

Sam ple: 2010M01 2015M05


Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGBBH

0.155787

0.053503

2.911728

0.0051 LOGBKAP 0.054331 0.040716 1.334382 0.1873 LOGBTK 0.771968 0.065890 11.71601 0.0000 LOGEQ 1.230347 0.245633 5.008872 0.0000

LOGFINC 0.727902 0.674847 1.078617 0.2852 LOGNPF -0.531768 0.148023 -3.592471 0.0007

C 1.923571 0.305195 6.302755 0.0000

R-s quared

0.989875

Mean dependent var

-1.234105 Adjus ted R-s quared 0.988828 S.D. dependent var 0.318767 S.E. of regres s ion 0.033693 Akaike info criterion -3.841610 Sum s quared res id 0.065843 Schwarz criterion -3.607446 Log likelihood 131.8523 Hannan-Quinn criter. -3.749217 F-s tatis tic 945.0934 Durbin-Wats on s tat 1.087796 Prob(F-s tatis tic) 0.000000

Lampiran 10 : Uji Heterokedastisitas Model Log(TR)

H eteros kedas ticity Tes t: Breus ch-Pagan-Godfrey

F-s tatis tic

0.786189

Prob. F(6,58)


Tes t Equation:



Date: 12/12/16 Tim e: 23:59

Sam ple: 2010M01 2015M05


Variable

Coefficient

Std. Error

t-Statis tic

Prob.

C

0.002302

0.012055

0.190921

0.8493 LOGBBH 0.000944 0.002113 0.446885 0.6566 LOGBKAP 0.000164 0.001608 0.101925 0.9192 LOGBTK -0.001566 0.002603 -0.601595 0.5498 LOGEQ 0.002169 0.009702 0.223585 0.8239

LOGFINC -0.016551 0.026656 -0.620887 0.5371 LOGNPF 0.003476 0.005847 0.594421 0.5545

R-s quared

0.075213

Mean dependent var

0.001013 Adjus ted R-s quared -0.020455 S.D. dependent var 0.001317 S.E. of regres s ion 0.001331 Akaike info criterion -10.30452 Sum s quared res id 0.000103 Schwarz criterion -10.07036 Log likelihood 341.8970 Hannan-Quinn criter. -10.21213 F-s tatis tic 0.786189 Durbin-Wats on s tat 1.830140 Prob(F-s tatis tic) 0.584308

153153153

Lampiran 11 : Uji Autokorelasi Model Log(TR)


F-s tatis tic 8.421584 Prob. F(2,56) 0.0006 Obs *R-s quared 15.02963 Prob. Chi-Square(2) 0.0005

Tes t Equation:



Date: 12/13/16 Tim e: 00:00

Sam ple: 2010M01 2015M05



Variable Coefficient Std. Error t-Statis tic Prob.

LOGBBH 0.015366 0.048021 0.319976 0.7502 LOGBKAP 0.041826 0.038067 1.098748 0.2766 LOGBTK -0.070281 0.061769 -1.137800 0.2600 LOGEQ -0.227510 0.227249 -1.001147 0.3211

LOGFINC 0.352422 0.609691 0.578034 0.5656 LOGNPF 0.040815 0.132460 0.308133 0.7591

C -0.175223 0.276308 -0.634158 0.5286 RESID(-1) 0.404941 0.134759 3.004930 0.0040 RESID(-2) 0.205732 0.139749 1.472150 0.1466

R-s quared 0.231225 Mean dependent var -3.51E-16 Adjus ted R-s quared 0.121400 S.D. dependent var 0.032075 S.E. of regres s ion 0.030065 Akaike info criterion -4.043029 Sum s quared res id 0.050618 Schwarz criterion -3.741960 Log likelihood 140.3984 Hannan-Quinn criter. -3.924238 F-s tatis tic 2.105396 Durbin-Wats on s tat 1.893242 Prob(F-s tatis tic) 0.050356

Lampiran 12 : Koreksi Autokorelasi Model Log(TR) Chocrane Orcut Iteration

Dependent Variable: LOGTR


Date: 12/13/16 Tim e: 04:04

Sam ple: 2010M01 2015M05




Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGBBH

0.362441

0.047641

7.607770

0.0000 LOGBKAP 0.054031 0.023395 2.309513 0.0246 LOGBTK 0.551853 0.050867 10.84885 0.0000 LOGEQ 0.614820 0.583065 1.054463 0.2962

LOGFINC -0.031175 1.238910 -0.025163 0.9800 LOGNPF -0.166882 0.309029 -0.540020 0.5913

C 1.423337 0.522335 2.724950 0.0086 AR(1) 0.887450 0.090255 9.832726 0.0000

SIGMASQ 0.000673 0.000117 5.770109 0.0000 R-s quared

0.993271

Mean dependent var

-1.234105

Adjus ted R-s quared 0.992310 S.D. dependent var 0.318767 S.E. of regres s ion 0.027954 Akaike info criterion -4.164819 Sum s quared res id 0.043759 Schwarz criterion -3.863750 Log likelihood 144.3566 Hannan-Quinn criter. -4.046028 F-s tatis tic 1033.302 Durbin-Wats on s tat 2.218076 Prob(F-s tatis tic) 0.000000

Inverted AR Roots

.89

Catatan : Uji Autokorelasi tidak dapat diproses

154154154

Lampiran 13 : Koreksi Autokorelasi Model Log(TR) Autoregressive


F-s tatis tic

16.36452 Prob. F(2,55)


Tes t Equation:



Date: 12/13/16 Tim e: 04:07

Sam ple: 2010M02 2015M05



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

LOGBBH

-0.008997

0.047701

-0.188622

0.8511 LOGBKAP 0.011435 0.040339 0.283471 0.7779 LOGBTK -0.020063 0.035859 -0.559495 0.5781 LOGEQ -0.105426 0.208832 -0.504839 0.6157

LOGFINC 0.258289 0.674453 0.382960 0.7032 LOGNPF 0.087189 0.127102 0.685981 0.4956

LOGTR(-1) -0.005793 0.017873 -0.324113 0.7471 RESID(-1) 0.569196 0.147418 3.861112 0.0003 RESID(-2) 0.121463 0.153287 0.792386 0.4315

R-s quared

0.373014

Mean dependent var

0.000385 Adjus ted R-s quared 0.281816 S.D. dependent var 0.041299 S.E. of regres s ion 0.034999 Akaike info criterion -3.737309 Sum s quared res id 0.067370 Schwarz criterion -3.433716 Log likelihood 128.5939 Hannan-Quinn criter. -3.617708 Durbin-Wats on s tat 1.957412

Lampiran 14 : Uji Multikolinearitas Model Log(TR)

BBH BKAP BTK EQ FINC NPF BBH 1 0.49040931... 0.85451831... -0.1587192... 0.36760342... 0.29659999... BKAP 0.49040931... 1 0.61673513... 0.45697280... 0.07153816... -0.2469039... BTK 0.85451831... 0.61673513... 1 -0.1794247... 0.35513852... -0.0343886... EQ -0.1587192... 0.45697280... -0.1794247... 1 -0.2445969... -0.2365544...

FINC 0.36760342... 0.07153816... 0.35513852... -0.2445969... 1 0.47512189... NPF 0.29659999... -0.2469039... -0.0343886... -0.2365544... 0.47512189... 1

Lampiran 15 : Data Model ROE

PERIODE ROE TA TPF OER CAR CR4

10-Jun

14.07%

2,373,598

1,385,733

0.752

29.64% 69.39%

10-Jul

14.08%

2,446,928

1,418,726

0.7561

29.20%

69.15%

10-Aug

13.14%

2,428,654

1,396,035

0.7649

27.17%

69.05%

10-Sep

13.17%

2,522,083

1,457,768

0.7693

29.10%

69.00%

10-Sep

14.50%

2,618,834

1,531,242

0.7718

26.25%

68.57%

10-Nov

14.58%

2,615,232

1,517,715

0.7624

28.70%

67.99%

10-Dec

14.29%

2,738,745

1,603,778

0.7808

27.46%

69.35%

11-Jan

9.96%

2,776,932

1,640,651

0.7629

30.12%

70.26%

11-Feb

10.38%

2,825,235

1,668,330

0.7637

29.75%

70.54%

11-Mar

9.61%

2,843,734

1,672,303

0.7727

28.42%

71.21%

11-Apr

9.37%

2,887,121

1,700,135

0.7765

27.71%

71.11%

11-May

10.25%

3,006,859

1,765,586

0.77

24.63%

71.10%

11-Jun

10.35%

3,081,853

1,785,628

0.7735

26.71%

71.00%

11-Jul

10.91%

3,158,045

1,829,152

0.7659

25.24%

70.42%

11-Aug

18.43%

3,211,882

1,846,202

0.7696

25.24%

71.00%

11-Sep

19.30%

3,284,235

1,902,369

0.7575

24.75%

71.45%

11-Oct

16.05%

3,351,624

1,962,353

0.7823

24.63%

70.64%

11-Nov

17.61%

3,460,461

2,035,207

0.7879

24.78%

70.30%

155

156156156

11-Dec

18.95%

12-Jan

18.61%

3,613,003

2,191,946

0.7842

25.90%

63.18%

12-Feb

19.27%

3,697,478

2,254,563

0.7813

25.24%

62.92%

12-Mar

19.75%

3,788,705

2,318,437

0.7788

24.93%

61.82%

12-Apr

19.48%

3,882,921

2,397,989

0.7873

24.53%

63.33%

12-May

19.11%

3,977,447

2,464,205

0.7914

23.28%

62.78%

12-Jun

20.67%

4,061,428

2,480,775

0.7913

24.33%

62.51%

12-Jul

20.30%

4,169,475

2,553,710

0.8022

24.36%

61.48%

12-Aug

19.68%

4,253,662

2,611,314

0.8091

24.48%

60.69%

12-Sep

20.01%

4,370,039

2,686,937

0.8089

25.26%

60.33%

12-Oct

22.27%

4,460,831

2,776,159

0.7908

25.04%

59.87%

12-Nov

21.57%

4,581,568 2,841,475

0.791

23.87%

59.47%

12-Dec

20.54%

4,698,952

2,937,802

0.8002

25.16%

63.71%

13-Jan

24.35%

4,745,579

2,984,272

0.7934

25.06%

62.71%

13-Feb

24.38%

4,829,827

3,061,863

0.7917

24.45%

57.97%

13-Mar

24.73%

4,896,574

3,132,989

0.7913

24.10%

58.00%

13-Apr

25.45%

4,983,462

3,176,886

0.7869

22.76%

58.14%

13-May

25.09%

5,073,842

3,215,790

0.7897

22.44%

58.33%

13-Jun

24.07%

5,169,696

3,209,453

0.7899

22.40%

58.69%

3,520,417 2,095,333 0.7631 23.49% 69.60%

157157157

13-Jul

23.00%

13-Aug

20.65%

5,361,033

3,340,032

0.8129

22.10%

59.05%

13-Sep

22.88%

5,488,358

3,411,188

0.8008

21.96%

59.24%

13-Oct

23.42%

5,591,083

3,457,890

0.7962

22.40%

59.18%

13-Nov

23.52%

5,684,967

3,538,801

0.7996

24.63%

59.18%

13-Dec

21.22%

5,833,488

3,666,174

0.8075

22.08%

59.12%

14-Jan

21.35%

5,840,487

3,669,308

0.8948

24.62%

59.04%

14-Feb

21.61%

5,898,585

3,710,588

0.8672

23.78%

59.30%

14-Mar

20.31%

5,958,901

3,765,463

0.8755

23.08%

59.14%

14-Apr

19.09%

5,946,018

3,734,325

0.8793

22.78%

59.02%

14-May

18.22%

5,936,854

3,681,411

0.8795

22.50%

58.97%

14-Jun

21.14%

5,931,511

3,598,842

0.8751

22.21%

58.86%

14-Jul

18.23%

5,934,073

3,591,662

0.8977

21.86%

58.99%

14-Aug

18.51%

6,082,640

3,728,581

0.8965

21.78%

58.99%

14-Sep

16.26%

6,150,274

3,752,963

0.8913

21.80%

58.44%

14-Oct

15.60%

6,266,436

3,801,904

0.8849

22.22%

58.61%

14-Nov

15.59%

6,342,831

3,852,613

0.885

22.34%

58.37%

14-Dec

16.13%

6,573,331

4,028,415

0.8779

22.77%

57.89%

15-Jan

16.59%

6,580,072

4,052,117

0.8803

24.43%

57.66%

5,246,610 3,240,056 0.7965 22.09% 58.91%

158158158

15-Feb

15.82%

15-Mar

14.18%

6,731,785

4,152,997

0.8866

23.04%

60.06%

15-Apr

15.27%

6,800,044

4,204,807

0.8868

22.53%

60.45%

15-May

15.08%

6,839,352

4,193,194

0.8838

21.73%

59.02%

6,641,186 4,082,765 0.8716 24.67% 57.52%

Lampiran 16 : Analisis Regresi Linear Berganda Model ROE

Dependent Variable: ROE


Date: 04/13/17 Tim e: 18:55

Sam ple: 2010M06 2015M05


Variable

Coefficient

Std. Error t-Statis tic

Prob.

CAR

-0.757972

0.248011 -3.056201

0.0035 CR4 -0.434341 0.166630 -2.606616 0.0118 OER -0.537576 0.141424 -3.801169 0.0004 TA -1.498205 0.573836 -2.610860 0.0117

TPF 1.458225 0.532573 2.738075 0.0084 C 1.657276 0.617523 2.683747 0.0096

R-s quared

0.774917

Mean dependent var


159159159

Lampiran 17 : Uji Heterokedastisitas Model ROE


F-s tatis tic

6.727892

Prob. F(5,54)


Tes t Equation:



Date: 04/13/17 Tim e: 18:55

Sam ple: 2010M06 2015M05


Variable

Coefficient


Prob.

C

-0.036560

0.014597 -2.504634

0.0153 CAR -0.003931 0.005863 -0.670451 0.5054 CR4 0.017998 0.003939 4.569492 0.0000 OER -0.000116 0.003343 -0.034601 0.9725 TA -0.001495 0.013564 -0.110231 0.9126

TPF 0.005702 0.012589 0.452965 0.6524

R-s quared

0.383839

Mean dependent var

0.000418 Adjus ted R-s quared 0.326787 S.D. dependent var 0.000621 S.E. of regres s ion 0.000510 Akaike info criterion -12.23116 Sum s quared res id 1.40E-05 Schwarz criterion -12.02172 Log likelihood 372.9347 Hannan-Quinn criter. -12.14924 F-s tatis tic 6.727892 Durbin-Wats on s tat 1.893262 Prob(F-s tatis tic) 0.000061

160160160

Lampiran 18 : Uji Autokolreasi Model ROE


F-s tatis tic

7.775614 Prob. F(2,52)


Tes t Equation:



Date: 04/13/17 Tim e: 18:56

Sam ple: 2010M06 2015M05



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

0.189718

0.226917

0.836068

0.4069 CR4 0.010608 0.149007 0.071194 0.9435 OER -0.098463 0.135583 -0.726221 0.4710 TA 0.501692 0.551695 0.909365 0.3674

TPF -0.417362 0.506538 -0.823950 0.4137 C -0.623704 0.590700 -1.055873 0.2959

RESID(-1) 0.433708 0.140427 3.088488 0.0032 RESID(-2) 0.143865 0.151847 0.947430 0.3478

R-s quared

0.230214

Mean dependent var

2.78E-15 Adjus ted R-s quared 0.126589 S.D. dependent var 0.020626 S.E. of regres s ion 0.019276 Akaike info criterion -4.936339 Sum s quared res id 0.019321 Schwarz criterion -4.657093 Log likelihood 156.0902 Hannan-Quinn criter. -4.827111 F-s tatis tic 2.221604 Durbin-Wats on s tat 1.899609 Prob(F-s tatis tic) 0.047135

161161161

Lampiran 19 : Koreksi Autokorelasi Model ROE Cochrane Orcut Iteration



Date: 04/13/17 Tim e: 18:57

Sam ple: 2010M06 2015M05




Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

-0.019386

0.225557

-0.085948

0.9318 CR4 -0.160409 0.438736 -0.365617 0.7161 OER -0.283721 0.109891 -2.581842 0.0127 TA 0.651130 0.836776 0.778141 0.4400

TPF -0.477804 0.768221 -0.621962 0.5367 C -0.743006 2.192160 -0.338938 0.7360

AR(1) 0.881941 0.121813 7.240119 0.0000 SIGMASQ 0.000252 4.34E-05 5.801604 0.0000

R-s quared

0.864507

Mean dependent var


Inverted AR Roots

.88

162162162

Lampiran 20 : Koreksi Autokorelasi Model ROE Autoregressive



Date: 04/13/17 Tim e: 18:57



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

-0.288304

0.202213

-1.425748

0.1599 CR4 -0.091854 0.135976 -0.675521 0.5023 OER -0.284847 0.113183 -2.516705 0.0150 TA -0.174876 0.476233 -0.367207 0.7150

TPF 0.211030 0.443642 0.475675 0.6363 ROE(-1) 0.696487 0.105860 6.579333 0.0000

C 0.220310 0.512516 0.429860 0.6691

R-s quared

0.875886

Mean dependent var


Lampiran 21 : Uji Multikolinearitas Model ROE

TA TPF OER CAR CR4 TA 1 0.99857987... 0.84080519... -0.8474390... -0.9000795...

TPF 0.99857987... 1 0.82349870... -0.8448249... -0.9136348... OER 0.84080519... 0.82349870... 1 -0.6362164... -0.6908592... CAR -0.8474390... -0.8448249... -0.6362164... 1 0.74923596... CR4 -0.9000795... -0.9136348... -0.6908592... 0.74923596... 1

Lampiran 22 : Data Model NPF

PERIOD

E NPF CAR FDR ROA RRMUR

BUSUUS CR4

10-Jun

0.0692

0.2964

1.352

0.0371

0.733

69.39%

10-Jul

0.0716

0.292

1.3574

0.0368

0.1577

69.15%

10-Aug

0.0718

0.2717

1.3996

0.0352

0.1551

69.05%

10-Sep

0.0743

0.291

1.3582

0.0347

0.1549

69.00%

10-Sep

0.0748

0.2625

1.3336

0.0361

0.1561

68.57%

10-Nov

0.0753

0.287

1.345

0.0359

0.1553

67.99%

10-Dec

0.065

0.2746

1.2847

0.0349

0.153

69.35%

11-Jan

0.0679

0.3012

1.2704

0.0283

0.154

70.26%

11-Feb

0.0704

0.2975

1.2827

0.0284

0.1532

70.54%

11-Mar

0.0715

0.2842

1.294

0.0271

0.1523

71.21%

11-Apr

0.0702

0.2771

1.3038

0.0265

0.1155

71.11%

11-May

0.0682

0.2463

1.3322

0.0273

0.1525

71.10%

11-Jun

0.0709

0.2671

1.362

0.0272

0.1515

71.00%

11-Jul

0.07

0.2524

1.3729

0.0274

0.1513

70.42%

11-Aug

0.0705

0.2524

1.3958

0.0272

0.1505

71.00%

11-Sep

0.0694

0.2475

1.3475

0.028

0.1504

71.45%

11-Oct

0.071

0.2463

1.3353

0.0239

0.1493

70.64%

11-Nov

0.073

0.2478

1.3226

0.0253

0.1476

70.30%

11-Dec

0.0611

0.2349

1.2771

0.0267

0.1472

69.60%

163

12-Jan

0.0668

0.259

1.2441

0.0265

0.1466 63.18%

12-Feb

0.0661

0.2524

1.2503

0.027

0.1466

62.92%

12-Mar

0.0642

0.2493

1.2553

0.0273

0.1463

61.82%

12-Apr

0.065

0.2453

1.2498

0.0266

0.144

63.33%

12-May

0.0647

0.2328

1.2604

0.0259

0.1433

62.78%

12-Jun

0.0639

0.2433

1.2973

0.0274

0.1421

62.51%

12-Jul

0.0668

0.2436

1.2976

0.0267

0.1412

61.48%

12-Aug

0.0691

0.2448

1.2774

0.0257

0.1381

60.69%

12-Sep

0.0687

0.2526

1.2671

0.0258

0.1394

60.33%

12-Oct

0.0683

0.2504

1.2482

0.0282

0.1385

59.87%

12-Nov

0.068

0.2387

1.2421

0.0276

0.1381

59.47%

12-Dec

0.0615

0.2516

1.2096

0.0264

0.1369

63.71%

13-Jan

0.0691

0.2506

1.1948

0.0307

0.1374

62.71%

13-Feb

0.0733

0.2445

1.1946

0.0305

0.1368

57.97%

13-Mar

0.0721

0.241

1.1967

0.0306

0.1357

58.00%

13-Apr

0.0732

0.2276

1.225

0.0314

0.1352

58.14%

13-May

0.0769

0.2244

1.254 0.0309564

38

0.13636

58.33%

13-Jun

0.0725

0.224

1.2963 0.0298389

67

0.13558

58.69%

13-Jul

0.0735

0.2209

1.3151 0.0287102

13

0.13468

58.91%

13-Aug

0.0789

0.221

1.2696 0.0263235

49

0.13415

59.05%

164

13-Sep

0.0758

0.2196

1.2652 0.0285231

13

0.17155

59.24%

13-Oct

0.0748

0.224

1.2592 0.0289951

02

0.13343

59.18%

13-Nov

0.0734

0.2463

1.2476 0.0289264

42

0.1332

59.18%

13-Dec

0.065

0.2208

1.2093

0.0279

0.1318

59.12%

14-Jan

0.0777

0.2462

1.2052

0.0278

0.13195

59.04%

14-Feb

0.0771

0.2378

1.223 0.0280934

55

0.1322

59.30%

14-Mar

0.0774

0.2308

1.231 0.0270518

42

0.133

59.14%

14-Apr

0.08

0.2278

1.2658 0.0256384

85

0.13448

59.02%

14-May

0.0823

0.225

1.3009 0.0246828

3

0.13448

58.97%

14-Jun

0.0818

0.2221

1.3464

0.02221

0.1445

58.86%

14-Jul

0.0862

0.2186

1.3504

0.02186

0.1466

58.99%

14-Aug

0.0883

0.2178

1.2996

0.02178

0.1466

58.99%

14-Sep

0.0868

0.218

1.317

0.0218

0.146

58.44%

14-Oct

0.0894

0.2222

1.3014

0.02222

0.1481

58.61%

14-Nov

0.0881

0.2234

1.2927

0.02234

0.1552

58.37%

14-Dec

0.0789

0.2277

1.244

0.02277

0.1543

57.89%

15-Jan

0.0897

0.2443

1.235

0.02443

0.1477

57.66%

15-Feb

0.0911

0.2467

1.2475

0.02467

0.1473

57.52%

15-Mar

0.1036

0.2304

1.256

0.02304

0.1468

60.06%

15-Apr

0.0933

0.2253

1.2667

0.02253

0.1491

60.45%

165

166166166

15-May

0.0939

0.2173

1.2963

0.02173

0.1494 59.02%

Lampiran 23 : Analisis Regresi Linear Berganda Model NPF

Dependent Variable: NPF


Date: 04/13/17 Tim e: 19:05

Sam ple: 2010M06 2015M05


Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

0.009141

0.068874

0.132718

0.8949 CPI -0.047980 0.011722 -4.093326 0.0001 CR4 -0.105580 0.031349 -3.367923 0.0014 FDR 0.051221 0.022285 2.298411 0.0255 ROA -0.370432 0.295155 -1.255042 0.2150

RRMURBUSUUS -0.001202 0.011452 -0.104952 0.9168 C 0.315907 0.067420 4.685644 0.0000

R-s quared

0.590415

Mean dependent var


167167167

Lampiran 24 : Uji Heterokedastisitas Model NPF


F-s tatis tic

0.963063

Prob. F(6,53)


Tes t Equation:



Date: 04/13/17 Tim e: 19:06

Sam ple: 2010M06 2015M05


Variable

Coefficient

Std. Error

t-Statis tic

Prob.

C

0.000635

0.000762

0.833364

0.4084 CAR 9.32E-05 0.000778 0.119819 0.9051 CPI -5.55E-05 0.000132 -0.418921 0.6770 CR4 -9.34E-05 0.000354 -0.263665 0.7931 FDR -0.000143 0.000252 -0.569591 0.5714 ROA -0.004361 0.003334 -1.308141 0.1965

RRMURBUSUUS 4.35E-05 0.000129 0.335955 0.7382

R-s quared

0.098308

Mean dependent var

3.25E-05 Adjus ted R-s quared -0.003770 S.D. dependent var 6.84E-05 S.E. of regres s ion 6.85E-05 Akaike info criterion -16.23047 Sum s quared res id 2.49E-07 Schwarz criterion -15.98613 Log likelihood 493.9142 Hannan-Quinn criter. -16.13490 F-s tatis tic 0.963063 Durbin-Wats on s tat 1.402712 Prob(F-s tatis tic) 0.459123

168168168

Lampiran 25 : Uji Autokorelasi Model NPF


F-s tatis tic

32.64068 Prob. F(2,51)


Tes t Equation:



Date: 04/13/17 Tim e: 19:06

Sam ple: 2010M06 2015M05



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

0.072679

0.047384

1.533838

0.1313 CPI 0.001574 0.007916 0.198825 0.8432 CR4 -0.028728 0.021465 -1.338385 0.1867 FDR 0.009215 0.015088 0.610764 0.5441 ROA -0.161926 0.200281 -0.808495 0.4226

RRMURBUSUUS -0.003153 0.007744 -0.407226 0.6855 C -0.014091 0.045555 -0.309329 0.7583

RESID(-1) 0.676940 0.136713 4.951538 0.0000 RESID(-2) 0.148464 0.141581 1.048618 0.2993

R-s quared

0.561409

Mean dependent var


169169169

Lampiran 26 : Koreksi Autokorelasi Model NPF Cochrane Orcut Iteration



Date: 04/13/17 Tim e: 19:06

Sam ple: 2010M06 2015M05




Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

0.049537

0.065569

0.755497

0.4534 CPI -0.045687 0.022369 -2.042439 0.0463 CR4 -0.095359 0.044556 -2.140223 0.0371 FDR 0.037058 0.024720 1.499094 0.1400 ROA -0.397545 0.397579 -0.999914 0.3221

RRMURBUSUUS -0.005250 0.059080 -0.088867 0.9295 C 0.308526 0.129662 2.379470 0.0211

AR(1) 0.761662 0.116856 6.517956 0.0000 SIGMASQ 1.48E-05 2.14E-06 6.932655 0.0000

R-s quared

0.813230

Mean dependent var


Inverted AR Roots

.76

170170170

Lampiran 27 : Koreksi Autokorelasi Model NPF Autoregressive



Date: 04/13/17 Tim e: 19:07



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

CAR

0.087398

0.049240

1.774958

0.0819 CPI -0.018955 0.008953 -2.117264 0.0391 CR4 -0.070014 0.022336 -3.134588 0.0029 FDR 0.025025 0.016180 1.546694 0.1281 ROA -0.220452 0.204869 -1.076061 0.2870

RRMURBUSUUS 0.000427 0.073615 0.005800 0.9954 NPF(-1) 0.697015 0.095578 7.292625 0.0000

C 0.111282 0.053676 2.073205 0.0432

R-s quared

0.810662

Mean dependent var


Lampiran 28 : Uji Multikolinearitas Model NPF

CAR ROA FDR RRMURBU... CR4 CPI CAR 1 0.61889569... 0.29362677... 0.32335124... 0.74923596... -0.0209882... ROA 0.61889569... 1 0.15029489... 0.32999923... 0.40232602... 0.30016194... FDR 0.29362677... 0.15029489... 1 0.23057396... 0.60153749... -0.2597347...

RRMURBU... 0.32335124... 0.32999923... 0.23057396... 1 0.21118231... -0.1156403... CR4 0.74923596... 0.40232602... 0.60153749... 0.21118231... 1 -0.0062062... CPI -0.0209882... 0.30016194... -0.2597347... -0.1156403... -0.0062062... 1

171171171

Lampiran 29 : Uji Unit Root Level CAR

N ull Hypothes is : CAR has a unit root

Exogenous : Cons tant, Linear Trend

Lag Length: 0 (Autom atic - bas ed on SIC, m axlag=10)

t-Statis tic Prob.*

Augm ented Dickey-Fuller tes t s tatis tic -4.287992 0.0063

Tes t critical values : 1% level -4.121303

5% level -3.487845

10% level -3.172314

*MacKinnon (1996) one-s ided p-values .

Augm ented Dickey-Fuller Tes t Equation

Dependent Variable: D(CAR)


Date: 04/13/17 Tim e: 19:09



Variable

Coefficient


Prob.

CAR(-1)

-0.474697

0.110704 -4.287992

0.0001 C 0.129673 0.030967 4.187500 0.0001

@TREND("2010M06") -0.000472 0.000146 -3.226452 0.0021

R-s quared

0.249337

Mean dependent var


mailto:@TREND

172172172

Lampiran 30 : Uji Unit Root Level CR4

N ull Hypothes is : CR4 has a unit root



t-Statis tic Prob.*



5% level -3.487845

10% level -3.172314



Dependent Variable: D(CR4)


Date: 04/13/17 Tim e: 19:10



Variable

Coefficient


Prob.

CR4(-1)

-0.122834

0.068169 -1.801888

0.0769 C 0.083969 0.048384 1.735478 0.0882

@TREND("2010M06") -0.000274 0.000202 -1.358355 0.1798

R-s quared

0.057454

Mean dependent var


mailto:@TREND

173173173

Lampiran 31 : Uji Unit Root First Difference CR4

N ull Hypothes is : D(CR4) has a unit root



t-Statis tic Prob.*



5% level -3.489228

10% level -3.173114



Dependent Variable: D(CR4,2)


Date: 04/13/17 Tim e: 19:10



Variable

Coefficient


Prob.

D(CR4(-1))

-0.958927

0.136075 -7.047070

0.0000 C -0.002883 0.003752 -0.768371 0.4456

@TREND("2010M06") 3.93E-05 0.000107 0.366506 0.7154

R-s quared

0.474746

Mean dependent var


mailto:@TREND

174174174

Lampiran 32 : Uji Unit Root Level FDR

N ull Hypothes is : FDR has a unit root



t-Statis tic Prob.*



5% level -3.489228

10% level -3.173114



Dependent Variable: D(FDR)


Date: 04/13/17 Tim e: 19:10



Variable

Coefficient


Prob.

FDR(-1)

-0.219751

0.072608 -3.026562

0.0038 D(FDR(-1)) 0.374592 0.127614 2.935349 0.0049

C 0.286673 0.096528 2.969851 0.0044 @TREND("2010M06") -0.000175 0.000215 -0.815835 0.4182

R-s quared

0.212575

Mean dependent var


mailto:@TREND

175175175

Lampiran 33 : Uji Unit Root First Difference FDR

N ull Hypothes is : D(FDR) has a unit root



t-Statis tic Prob.*



5% level -3.496960

10% level -3.177579



Dependent Variable: D(FDR,2)


Date: 04/13/17 Tim e: 19:10



Variable

Coefficient

Std. Error

t-Statis tic

Prob.

D(FDR(-1))

-1.609034

0.233692

-6.885271

0.0000 D(FDR(-1),2) 0.731993 0.192754 3.797544 0.0004 D(FDR(-2),2) 0.681697 0.174706 3.901964 0.0003 D(FDR(-3),2) 0.758300 0.163828 4.628629 0.0000 D(FDR(-4),2) 0.706685 0.142483 4.959780 0.0000 D(FDR(-5),2) 0.468233 0.117014 4.001499 0.0002

C -0.005384 0.006525 -0.825101 0.4137 @TREND("2010M06") 0.000142 0.000178 0.796530 0.4299

R-s quared

0.592979

Mean dependent var


mailto:@TREND

176176176

Lampiran 34 : Uji Unit Root Level Log(CPI)

N ull Hypothes is : CPI has a unit root



t-Statis tic Prob.*



5% level -3.487845

10% level -3.172314



Dependent Variable: D(CPI)


Date: 04/13/17 Tim e: 19:11



Variable

Coefficient


Prob.

CPI(-1)

-0.123809

0.061231 -2.022011

0.0480 C 0.610044 0.298806 2.041607 0.0459

@TREND("2010M06") -0.000341 0.000289 -1.182201 0.2421

R-s quared

0.076419

Mean dependent var


mailto:@TREND

177177177

Lampiran 35 : Uji Unit Root First Difference Log(CPI)

N ull Hypothes is : D(CPI) has a unit root



t-Statis tic Prob.*



5% level -3.489228

10% level -3.173114



Dependent Variable: D(CPI,2)


Date: 04/13/17 Tim e: 19:11



Variable

Coefficient


Prob.

D(CPI(-1))

-1.012329

0.134856 -7.506749

0.0000 C 0.005560 0.010518 0.528646 0.5992

@TREND("2010M06") -0.000193 0.000303 -0.637093 0.5267

R-s quared

0.506136

Mean dependent var


mailto:@TREND

178178178

Lampiran 36 : Uji Unit Root Level NPF

N ull Hypothes is : NPF has a unit root



t-Statis tic Prob.*



5% level -3.487845

10% level -3.172314



Dependent Variable: D(NPF)


Date: 04/13/17 Tim e: 19:11



Variable

Coefficient


Prob.

NPF(-1)

-0.278242

0.094320 -2.949971

0.0046 C 0.017364 0.006106 2.843495 0.0062

@TREND("2010M06") 0.000124 4.77E-05 2.591160 0.0122

R-s quared

0.141455

Mean dependent var


mailto:@TREND

179179179

Lampiran 37 : Uji Unit Root First Difference NPF

N ull Hypothes is : D(NPF) has a unit root



t-Statis tic Prob.*



5% level -3.489228

10% level -3.173114



Dependent Variable: D(NPF,2)


Date: 04/13/17 Tim e: 19:11



Variable

Coefficient


Prob.

D(NPF(-1))

-1.376226

0.124505 -11.05361

0.0000 C -0.000649 0.001212 -0.535512 0.5945

@TREND("2010M06") 3.90E-05 3.49E-05 1.116136 0.2692

R-s quared

0.689607

Mean dependent var


mailto:@TREND

180180180

Lampiran 38 : Uji Unit Root Level ROA

N ull Hypothes is : ROA has a unit root



t-Statis tic Prob.*



5% level -3.487845

10% level -3.172314



Dependent Variable: D(ROA)


Date: 04/13/17 Tim e: 19:12



Variable

Coefficient


Prob.

ROA(-1)

-0.165317

0.066886 -2.471624

0.0165 C 0.004865 0.002187 2.224327 0.0302

@TREND("2010M06") -1.85E-05 1.51E-05 -1.226846 0.2250

R-s quared

0.103306

Mean dependent var


mailto:@TREND

181181181

Lampiran 39 : Uji Unit Root First Difference ROA

N ull Hypothes is : D(ROA) has a unit root



t-Statis tic Prob.*



5% level -3.489228

10% level -3.173114



Dependent Variable: D(ROA,2)


Date: 04/13/17 Tim e: 19:12



Variable

Coefficient


Prob.

D(ROA(-1))

-1.041399

0.135003 -7.713888

0.0000 C -0.000488 0.000428 -1.139254 0.2595

@TREND("2010M06") 7.13E-06 1.22E-05 0.584358 0.5614

R-s quared

0.519699

Mean dependent var


mailto:@TREND

182182182

Lampiran 40 : Uji Unit Root Level RRMURBUSUUS

N ull Hypothes is : RRMURBUSUUS has a unit root



t-Statis tic Prob.*



5% level -3.487845

10% level -3.172314



Dependent Variable: D(RRMURBUSUUS)


Date: 04/13/17 Tim e: 19:12



Variable

Coefficient


Prob.

RRMURBUSUUS(-1)

-0.978578

0.015714 -62.27620

0.0000 C 0.144715 0.003788 38.19935 0.0000

@TREND("2010M06") -0.000125 7.06E-05 -1.767459 0.0826

R-s quared

0.986512

Mean dependent var


mailto:@TREND

Lampiran 41 : Uji Kausalitas Granger

183

Lampiran 42 : Uji Derajat Kointegrasi

184

Lampiran 43 : Uji VECM Jangka Panjang

185

Res trictions are linear in coefficients .

186186186

Lampiran 44 : Uji Wald CAR

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

1.571950

(5, 11)

0.2468 Chi-s quare 7.859748 5 0.1641

Null Hypothes is : C(12)=C(13)=C(14)=C(15)=C(16)=0

Null Hypothes is Sum m ary:

Norm alized Res triction (= 0)

Value

Std. Err.

C(12)

0.512382

0.460890 C(13) 0.595996 0.479130 C(14) 0.337612 0.431129 C(15) 0.297211 0.321252 C(16) 0.282443 0.165966


Lampiran 45 : Uji Wald CR4

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

1.391741

(5, 11)

0.3001 Chi-s quare 6.958703 5 0.2237




Value

Std. Err.

C(22)

-0.042167

0.079451 C(23) 0.031320 0.086787 C(24) -0.015096 0.079884 C(25) 0.025856 0.070906 C(26) 0.115401 0.068622


187187187

Lampiran 46 : Uji Wald FDR

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

4.020852

(5, 11)

0.0255 Chi-s quare 20.10426 5 0.0012




Value

Std. Err.

C(27)

0.190129

0.137800 C(28) 0.191279 0.113964 C(29) 0.120919 0.080704 C(30) 0.218821 0.070265 C(31) 0.065590 0.063455


Lampiran 47 : Uji Wald Log(CPI)

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

2.013259

(5, 11)

0.1549 Chi-s quare 10.06630 5 0.0734




Value

Std. Err.

C(17)

0.056853

0.037714 C(18) 0.092402 0.033049 C(19) 0.053424 0.026997 C(20) 0.010652 0.024890 C(21) 0.053205 0.027955

188188188

Lampiran 48 : Uji Wald ROA

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

1.575964

(5, 11)

0.2457 Chi-s quare 7.879822 5 0.1630




Value

Std. Err.

C(32)

-0.323771

0.710207 C(33) 1.271033 0.940823 C(34) 0.743955 0.906082 C(35) 0.090357 0.633375 C(36) 0.496915 0.548625


Lampiran 49 : Uji Wald RRMURBUSUUS

Wald Tes t:

Equation: Untitled

Tes t Statis tic

Value

df

Probability

F-s tatis tic

0.881276

(5, 11)

0.5248 Chi-s quare 4.406378 5 0.4925




Value

Std. Err.

C(37)

0.152144

0.337108 C(38) 0.053236 0.278399 C(39) -0.054410 0.188958 C(40) 0.037213 0.145640 C(41) 0.004304 0.013624


189189189

Lampiran 50 : Uji IRF NPF terhadap NPF


.004

Response of NPF to NPF

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

Lampiran 51 : Uji IRF CAR terhadap NPF


.004

Response of NPF to CAR

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

190190190

Lampiran 52 : Uji IRF CR4 terhadap NPF


.004

Response of NPF to CR4

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

Lampiran 53 : Uji IRF FDR terhadap NPF


.004

Response of NPF to FDR

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

191191191

Lampiran 54 : Uji IRF Log(CPI) terhadap NPF


.004

Response of NPF to CPI

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

Lampiran 55 : Uji IRF ROA terhadap NPF


.004

Response of NPF to ROA

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

192192192

Lampiran 56 : Uji IRF RRMURBUSUUS terhadap NPF


.004

Response of NPF to RRMURBUSUUS

.003

.002

.001

.000

-.001

-.002 1 2 3 4 5 6 7 8 9 10

Lampiran 57 : Forecast Error Variance Decomposition (dalam Persen)

Period

S.E.

NPF

CAR

CPI

CR4

FDR

ROA

RRMURB...

1

0.003006

100.0000

0.000000

0.000000

0.000000

0.000000

0.000000

0.000000 2 0.003230 87.49008 7.594517 0.543427 1.240227 2.603507 0.063430 0.464816 3 0.003470 76.10968 10.06941 0.495085 1.272919 9.842597 1.587370 0.622932 4 0.003708 67.77560 14.20382 2.804026 3.859285 9.076668 1.411345 0.869256 5 0.004343 51.37411 15.71727 5.362586 3.303180 18.53304 1.346088 4.363735 6 0.005168 36.27998 19.44946 8.026123 6.284138 23.04027 3.061112 3.858912 7 0.005217 37.01691 19.09021 7.878604 6.285755 22.62506 3.077310 4.026160 8 0.005416 34.39228 23.13228 7.982261 6.402538 21.13191 3.180521 3.778220 9 0.005778 32.54677 25.95041 7.292090 7.365836 18.58934 3.152915 5.102637 10 0.006183 29.28055 22.76623 6.464403 7.951091 17.12107 4.055880 12.36077

Choles ky Ordering: NPF CAR CPI CR4 FDR ROA RRMURBUSUUS