pengaruh struktur pasar terhadap kinjerja bprs di...
TRANSCRIPT
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
i
ii
iii
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)
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
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
terhadap total pembiayaan murabahah yang disalurkan oleh BPRS.
H1 : Tingkat margin murabahah BUS-UUS berpengaruh signifikan
terhadap total pembiayaan murabahah yang disalurkan oleh BPRS.
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
pembiayaan murabahah yang disalurkan oleh BPRS.
e. H0 : Indeks harga konsumen tidak berpengaruh signifikan terhadap total
pembiayaan murabahah yang disalurkan oleh BPRS.
H1 : Indeks harga konsumen berpengaruh signifikan terhadap total
pembiayaan murabahah yang disalurkan oleh BPRS.
f. H0 : Indeks produksi industri tidak berpengaruh signifikan terhadap total
pembiayaan murabahah yang disalurkan oleh BPRS.
H1 : Indeks produksi industri berpengaruh signifikan terhadap total
pembiayaan murabahah yang disalurkan oleh BPRS.
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
pendapatan operasional dan operasional lainnya yang diperoleh oleh
BPRS.
b. H0 : Biaya tenaga kerja BPRS tidak berpengaruh signifikan terhadap total
pendapatan operasional dan operasional lainnya yang diperoleh oleh
BPRS.
H1 : Biaya tenaga kerja BPRS berpengaruh signifikan terhadap total
pendapatan operasional dan operasional lainnya yang diperoleh oleh
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
terhadap total pendapatan operasional dan operasional lainnya yang
diperoleh oleh BPRS.
d. H0 : Total modal BPRS tidak berpengaruh signifikan terhadap total
pendapatan operasional dan operasional lainnya yang diperoleh oleh
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
pendapatan operasional dan operasional lainnya yang diperoleh oleh
BPRS.
H1 : Total pembiayaan BPRS berpengaruh signifikan terhadap total
pendapatan operasional dan operasional lainnya yang diperoleh oleh
BPRS.
f. H0 : Total pembiayaan bermasalah BPRS tidak berpengaruh signifikan
terhadap total pendapatan operasional dan operasional lainnya yang
diperoleh oleh BPRS.
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
profitabilitas BPRS.
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
profitabilitas BPRS.
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
bermasalah pada BPRS.
29
b. H0 : FDR BPRS tidak berpengaruh signifikan terhadap total pembiayaan
bermasalah pada BPRS.
H1 : FDR BPRS berpengaruh signifikan terhadap total pembiayaan
bermasalah pada BPRS.
c. H0 : ROA BPRS tidak berpengaruh signifikan terhadap total pembiayaan
bermasalah pada BPRS.
H1 : ROA BPRS berpengaruh signifikan terhadap total pembiayaan
bermasalah pada BPRS.
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
pembiayaan bermasalah pada BPRS.
f. H0 : Indeks harga konsumen tidak berpengaruh signifikan terhadap total
pembiayaan bermasalah pada BPRS.
H1 : Indeks harga konsumen berpengaruh signifikan terhadap total
pembiayaan bermasalah pada BPRS.
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
Idqan Fahmi, “Dinamika Struktur Pasar dan Perilaku Bank serta Dampaknya terhadap Kinerja
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
Tabel 4.2 di atas menggambarkan statistik deskriptif dari variabel-variabel
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
Tabel 4.3 di atas menggambarkan statistik deskriptif dari variabel-variabel
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
Tabel 4.4 di atas menggambarkan statistik deskriptif dari variabel-variabel
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.
b. Tingkat Persaingan antar sesama BPRS
Tabel 4.6 : Uji Heterokedastisitas Model Log(TR)
Heterokedasticity Test Breusch-Pagan-Godfrey
F-Statistic 0,786189 Prob F (6,58) 0,5843
Obs*R-squared 4,888834 Prob Chi-Square(6) 0,5581
Tabel 4.6 di atas memperlihatkan hasil uji heterokedastisitas pada model
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
c. Pengaruh Struktur Pasar terhadap Kinerja Profitabilitas BPRS
Tabel 4.7 : Uji Heterokedastisitas Model ROE
Heterokedasticity Test Breusch-Pagan-Godfrey
F-Statistic 6,727892 Prob F (6,58) 0,0001
Obs*R-squared 23,03035 Prob Chi-Square(6) 0,0003
Tabel 4.7 di atas memperlihatkan hasil uji heterokedastisitas pada model
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.
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
Tabel 4.8 : Uji Heterokedastisitas Model NPF
Heterokedasticity Test Breusch-Pagan-Godfrey
F-Statistic 0,963063 Prob F (6,58) 0,4591
Obs*R-squared 5,898472 Prob Chi-Square(6) 0,4347
84
Tabel 4.8 di atas memperlihatkan hasil uji heterokedastisitas pada model
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
a. Batas-batas Pasar antara BPRS dan BUS-UUS
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
Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian ini yakni
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).
b. Tingkat Persaingan antar sesama BPRS
. Tabel 4.10 : Uji Autokorelasi Model Log(TR)
Breusch-Godfrey Serial Correlation LM Test
F-Statistic 8,421584 Probability 0,0006
Obs*R-squared 15,02963 Probability 0,0005
Tabel 4.10 di atas memperlihatkan hasil uji autokorelasi pada model
Log(TR) yang bertujuan untuk menjawab tujuan kedua penelitian ini yakni
menganalisa tingkat persaingan antar sesama unit BPRS. Nilai dari p-value
Obs*R-square adalah sebesar 0,0005. 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(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
c. Pengaruh Struktur Pasar terhadap Kinerja Profitabilitas BPRS
Tabel 4.11 : Uji Autokorelasi Model ROE
Breusch-Godfrey Serial Correlation LM Test
F-Statistic 7,775614 Probability 0,0011
Obs*R-squared 13,81283 Probability 0,0010
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
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
Tabel 4.12 : Uji Autokorelasi Model NPF
Breusch-Godfrey Serial Correlation LM Test
F-Statistic 32,64068 Probability 0,0000
Obs*R-squared 33,68452 Probability 0,0000
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
Obs*R-square adalah sebesar 0,0000. 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 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
a. Batas-batas Pasar antara BPRS dan BUS-UUS
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
Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian ini yakni
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.
b. Tingkat Persaingan antar sesama BPRS
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
Tabel 4.14 di atas memperlihatkan hasil uji multikolinearitas pada model
Log(TR) yang bertujuan untuk menjawab tujuan kedua penelitian ini yakni
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.
c. Pengaruh Struktur Pasar terhadap Kinerja Profitabilitas BPRS
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
Tabel 4.15 di atas memperlihatkan hasil uji multikolinearitas pada model
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.
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
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)
a. Batas-batas Pasar antara BPRS dan BUS-UUS
Tabel 4.17 di bawah memperlihatkan hasil uji validitas F pada model
Log(MUR) yang bertujuan untuk menjawab tujuan pertama penelitian ini yakni
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
b. Tingkat Persaingan antar sesama BPRS
Tabel 4.18 di bawah memperlihatkan hasil uji validitas F pada model
Log(TR) yang bertujuan untuk menjawab tujuan kedua penelitian ini yakni
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)
F-Statistic Prob (F-Statistic)
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
bahwa seluruh variabel independen dapat digunakan untuk memprediksi variabel
dependen. Dengan kata lain, Log(TA), Log(TPF), OER, CAR, dan CR4 secara
simultan signifikan memengaruhi ROE.
Tabel 4.19 : Uji F Model ROE
F-Statistic Prob (F-Statistic)
Coefficient 37,18238 0,000000
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
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
bahwa seluruh variabel independen dapat digunakan untuk memprediksi variabel
dependen. Dengan kata lain, CR4, FDR, Log(CPI), ROA, CAR, dan
RRMURBUS secara simultan signifikan memengaruhi NPF.
Tabel 4.20 : Uji F Model NPF
F-Statistic Prob (F-Statistic)
Coefficient 12,73319 0,000000
95
2. Uji Parsial (Uji t)
a. Batas-batas Pasar antara BPRS dan BUS-UUS
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
b. Tingkat Persaingan antar sesama BPRS
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)
Variable Coefficient Std. Error t-Statistic Prob.
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
Variable Coefficient Std. Error t-Statistic Prob.
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
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
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
Variable Coefficient Std. Error t-Statistic Prob.
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)
a. Batas-batas Pasar antara BPRS dan BUS-UUS
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
Tabel 4.26 di bawah memperlihatkan hasil uji R2
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)
Model R Square Adjusted R Square
2 0,989875 0,988828
c. Pengaruh Struktur Pasar terhadap Profitabilitas BPRS
Tabel 4.27 di bawah memperlihatkan hasil uji R2
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
Model R Square Adjusted R Square
3 0,774917 0,754076
106
d. Pengaruh Struktur Pasar terhadap Resiko Pembiayaan BPRS
Tabel 4.28 di bawah memperlihatkan hasil uji R2
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
Model R Square Adjusted R Square
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
Idqan Fahmi, “Dinamika Struktur Pasar dan Perilaku Bank serta Dampaknya terhadap Kinerja
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.
. Peraturan Bank Indonesia Nomor : 9/17/PBI/2007 tentang
Sistem Penilaian Tingkat Kesehatan Bank Perkreditan Rakyat
Berdasarkan Prinsip Syariah. Jakarta: BI, 2007.
. 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, 2012.
. Peraturan Bank Indonesia Nomor : 17/12/PBI/2015 tentang
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
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
Method: Leas t Squares
Date: 12/12/16 Tim e: 21:26
Sam ple: 2010M01 2015M05
Included obs ervations : 65
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
Method: Leas t Squares
Date: 12/12/16 Tim e: 21:29
Sam ple: 2010M01 2015M05
Included obs ervations : 65
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
Dependent Variable: LOGMUR
Method: ARMA Maxim um Likelihood (OPG - BHHH)
Date: 12/12/16 Tim e: 21:38
Sam ple: 2010M01 2015M05
Included obs ervations : 65
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
LOGOFFICE 0.185513 0.142040 1.306064 0.1969 LOGRRMURBUSUUSBPRS -0.004360 0.046599 -0.093561 0.9258
RRMURBPRS -0.051396 0.403107 -0.127500 0.8990 RRMURBUSUUS 0.007247 0.051209 0.141513 0.8880
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
6.408212 Adjus ted R-s quared 0.996164 S.D. dependent var 0.160796 S.E. of regres s ion 0.009958 Akaike info criterion -6.153690 Sum s quared res id 0.005553 Schwarz criterion -5.852621 Log likelihood 208.9949 Hannan-Quinn criter. -6.034899 F-s tatis tic 2078.751 Durbin-Wats on s tat 0.578428 Prob(F-s tatis tic) 0.000000
Inverted AR Roots
1.00
Lampiran 6 : Koreksi Autokorelasi LOG(MUR) Autoregressive
Dependent Variable: LOGMUR
Method: Leas t Squares
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
LOGOFFICE 0.039627 0.030778 1.287504 0.2031 LOGRRMURBUSUUSBPRS -0.031328 0.034939 -0.896662 0.3737
RRMURBPRS -0.190203 0.100595 -1.890778 0.0637 RRMURBUSUUS 0.037179 0.038891 0.955960 0.3431
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
Method: Leas t Squares
Date: 12/12/16 Tim e: 23:56
Sam ple: 2010M01 2015M05
Included obs ervations : 65
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)
0.5843 Obs *R-s quared 4.888834 Prob. Chi-Square(6) 0.5581 Scaled explained SS 3.241603 Prob. Chi-Square(6) 0.7780
Tes t Equation:
Dependent Variable: RESID^2
Method: Leas t Squares
Date: 12/12/16 Tim e: 23:59
Sam ple: 2010M01 2015M05
Included obs ervations : 65
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)
Breus ch-Godfrey Serial Correlation LM Tes t:
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:
Dependent Variable: RESID
Method: Leas t Squares
Date: 12/13/16 Tim e: 00:00
Sam ple: 2010M01 2015M05
Included obs ervations : 65
Pres am ple m is s ing value lagged res iduals s et to zero.
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
Method: ARMA Maxim um Likelihood (OPG - BHHH)
Date: 12/13/16 Tim e: 04:04
Sam ple: 2010M01 2015M05
Included obs ervations : 65
Convergence achieved after 69 iterations
Coefficient covariance com puted us ing outer product of gradients
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
Breus ch-Godfrey Serial Correlation LM Tes t:
F-s tatis tic
16.36452 Prob. F(2,55)
0.0000 Obs *R-s quared 23.87646 Prob. Chi-Square(2) 0.0000
Tes t Equation:
Dependent Variable: RESID
Method: Leas t Squares
Date: 12/13/16 Tim e: 04:07
Sam ple: 2010M02 2015M05
Included obs ervations : 64
Pres am ple m is s ing value lagged res iduals s et to zero.
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
Method: Leas t Squares
Date: 04/13/17 Tim e: 18:55
Sam ple: 2010M06 2015M05
Included obs ervations : 60
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
0.180333 Adjus ted R-s quared 0.754076 S.D. dependent var 0.043475 S.E. of regres s ion 0.021559 Akaike info criterion -4.741363 Sum s quared res id 0.025100 Schwarz criterion -4.531929 Log likelihood 148.2409 Hannan-Quinn criter. -4.659442 F-s tatis tic 37.18238 Durbin-Wats on s tat 1.079664 Prob(F-s tatis tic) 0.000000
159159159
Lampiran 17 : Uji Heterokedastisitas Model ROE
H eteros kedas ticity Tes t: Breus ch-Pagan-Godfrey
F-s tatis tic
6.727892
Prob. F(5,54)
0.0001 Obs *R-s quared 23.03035 Prob. Chi-Square(5) 0.0003 Scaled explained SS 20.21933 Prob. Chi-Square(5) 0.0011
Tes t Equation:
Dependent Variable: RESID^2
Method: Leas t Squares
Date: 04/13/17 Tim e: 18:55
Sam ple: 2010M06 2015M05
Included obs ervations : 60
Variable
Coefficient
Std. Error t-Statis tic
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
Breus ch-Godfrey Serial Correlation LM Tes t:
F-s tatis tic
7.775614 Prob. F(2,52)
0.0011 Obs *R-s quared 13.81283 Prob. Chi-Square(2) 0.0010
Tes t Equation:
Dependent Variable: RESID
Method: Leas t Squares
Date: 04/13/17 Tim e: 18:56
Sam ple: 2010M06 2015M05
Included obs ervations : 60
Pres am ple m is s ing value lagged res iduals s et to zero.
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
Dependent Variable: ROE
Method: ARMA Maxim um Likelihood (OPG - BHHH)
Date: 04/13/17 Tim e: 18:57
Sam ple: 2010M06 2015M05
Included obs ervations : 60
Convergence achieved after 11 iterations
Coefficient covariance com puted us ing outer product of gradients
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
0.180333 Adjus ted R-s quared 0.846268 S.D. dependent var 0.043475 S.E. of regres s ion 0.017046 Akaike info criterion -5.157174 Sum s quared res id 0.015109 Schwarz criterion -4.877928 Log likelihood 162.7152 Hannan-Quinn criter. -5.047946 F-s tatis tic 47.39773 Durbin-Wats on s tat 2.092615 Prob(F-s tatis tic) 0.000000
Inverted AR Roots
.88
162162162
Lampiran 20 : Koreksi Autokorelasi Model ROE Autoregressive
Dependent Variable: ROE
Method: Leas t Squares
Date: 04/13/17 Tim e: 18:57
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
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
0.181005 Adjus ted R-s quared 0.861566 S.D. dependent var 0.043533 S.E. of regres s ion 0.016197 Akaike info criterion -5.296968 Sum s quared res id 0.013642 Schwarz criterion -5.050480 Log likelihood 163.2605 Hannan-Quinn criter. -5.200749 F-s tatis tic 61.16189 Durbin-Wats on s tat 2.113072 Prob(F-s tatis tic) 0.000000
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
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:05
Sam ple: 2010M06 2015M05
Included obs ervations : 60
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
0.074555 Adjus ted R-s quared 0.544046 S.D. dependent var 0.008979 S.E. of regres s ion 0.006063 Akaike info criterion -7.263842 Sum s quared res id 0.001948 Schwarz criterion -7.019502 Log likelihood 224.9153 Hannan-Quinn criter. -7.168268 F-s tatis tic 12.73319 Durbin-Wats on s tat 0.532341 Prob(F-s tatis tic) 0.000000
167167167
Lampiran 24 : Uji Heterokedastisitas Model NPF
H eteros kedas ticity Tes t: Breus ch-Pagan-Godfrey
F-s tatis tic
0.963063
Prob. F(6,53)
0.4591 Obs *R-s quared 5.898472 Prob. Chi-Square(6) 0.4347 Scaled explained SS 10.02762 Prob. Chi-Square(6) 0.1235
Tes t Equation:
Dependent Variable: RESID^2
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:06
Sam ple: 2010M06 2015M05
Included obs ervations : 60
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
Breus ch-Godfrey Serial Correlation LM Tes t:
F-s tatis tic
32.64068 Prob. F(2,51)
0.0000 Obs *R-s quared 33.68452 Prob. Chi-Square(2) 0.0000
Tes t Equation:
Dependent Variable: RESID
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:06
Sam ple: 2010M06 2015M05
Included obs ervations : 60
Pres am ple m is s ing value lagged res iduals s et to zero.
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
-4.32E-17 Adjus ted R-s quared 0.492610 S.D. dependent var 0.005747 S.E. of regres s ion 0.004093 Akaike info criterion -8.021363 Sum s quared res id 0.000855 Schwarz criterion -7.707211 Log likelihood 249.6409 Hannan-Quinn criter. -7.898481 F-s tatis tic 8.160170 Durbin-Wats on s tat 2.051435 Prob(F-s tatis tic) 0.000000
169169169
Lampiran 26 : Koreksi Autokorelasi Model NPF Cochrane Orcut Iteration
Dependent Variable: NPF
Method: ARMA Maxim um Likelihood (OPG - BHHH)
Date: 04/13/17 Tim e: 19:06
Sam ple: 2010M06 2015M05
Included obs ervations : 60
Convergence achieved after 10 iterations
Coefficient covariance com puted us ing outer product of gradients
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
0.074555 Adjus ted R-s quared 0.783933 S.D. dependent var 0.008979 S.E. of regres s ion 0.004174 Akaike info criterion -7.967981 Sum s quared res id 0.000888 Schwarz criterion -7.653829 Log likelihood 248.0394 Hannan-Quinn criter. -7.845099 F-s tatis tic 27.75792 Durbin-Wats on s tat 2.168435 Prob(F-s tatis tic) 0.000000
Inverted AR Roots
.76
170170170
Lampiran 27 : Koreksi Autokorelasi Model NPF Autoregressive
Dependent Variable: NPF
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:07
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
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
0.074646 Adjus ted R-s quared 0.784674 S.D. dependent var 0.009029 S.E. of regres s ion 0.004190 Akaike info criterion -7.986941 Sum s quared res id 0.000895 Schwarz criterion -7.705241 Log likelihood 243.6147 Hannan-Quinn criter. -7.876976 F-s tatis tic 31.19414 Durbin-Wats on s tat 2.253468 Prob(F-s tatis tic) 0.000000
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)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:09
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.001341 Adjus ted R-s quared 0.222527 S.D. dependent var 0.012586 S.E. of regres s ion 0.011098 Akaike info criterion -6.114668 Sum s quared res id 0.006897 Schwarz criterion -6.009030 Log likelihood 183.3827 Hannan-Quinn criter. -6.073431 F-s tatis tic 9.300337 Durbin-Wats on s tat 2.387913 Prob(F-s tatis tic) 0.000325
172172172
Lampiran 30 : Uji Unit Root Level CR4
N ull Hypothes is : CR4 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 -1.801888 0.6913
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(CR4)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:10
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.001758 Adjus ted R-s quared 0.023792 S.D. dependent var 0.013306 S.E. of regres s ion 0.013147 Akaike info criterion -5.775711 Sum s quared res id 0.009679 Schwarz criterion -5.670074 Log likelihood 173.3835 Hannan-Quinn criter. -5.734475 F-s tatis tic 1.706788 Durbin-Wats on s tat 1.781703 Prob(F-s tatis tic) 0.190750
173173173
Lampiran 31 : Uji Unit Root First Difference CR4
N ull Hypothes is : D(CR4) 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 -7.047070 0.0000
Tes t critical values : 1% level -4.124265
5% level -3.489228
10% level -3.173114
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(CR4,2)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:10
Sam ple (adjus ted): 2010M08 2015M05
Included obs ervations : 58 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.000205 Adjus ted R-s quared 0.455646 S.D. dependent var 0.018479 S.E. of regres s ion 0.013634 Akaike info criterion -5.702190 Sum s quared res id 0.010223 Schwarz criterion -5.595615 Log likelihood 168.3635 Hannan-Quinn criter. -5.660677 F-s tatis tic 24.85563 Durbin-Wats on s tat 1.966395 Prob(F-s tatis tic) 0.000000
174174174
Lampiran 32 : Uji Unit Root Level FDR
N ull Hypothes is : FDR has a unit root
Exogenous : Cons tant, Linear Trend
Lag Length: 1 (Autom atic - bas ed on SIC, m axlag=10)
t-Statis tic Prob.*
Augm ented Dickey-Fuller tes t s tatis tic -3.026562 0.1341
Tes t critical values : 1% level -4.124265
5% level -3.489228
10% level -3.173114
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(FDR)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:10
Sam ple (adjus ted): 2010M08 2015M05
Included obs ervations : 58 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.001053 Adjus ted R-s quared 0.168829 S.D. dependent var 0.026355 S.E. of regres s ion 0.024027 Akaike info criterion -4.552796 Sum s quared res id 0.031174 Schwarz criterion -4.410696 Log likelihood 136.0311 Hannan-Quinn criter. -4.497445 F-s tatis tic 4.859321 Durbin-Wats on s tat 2.050877 Prob(F-s tatis tic) 0.004590
175175175
Lampiran 33 : Uji Unit Root First Difference FDR
N ull Hypothes is : D(FDR) has a unit root
Exogenous : Cons tant, Linear Trend
Lag Length: 5 (Autom atic - bas ed on SIC, m axlag=10)
t-Statis tic Prob.*
Augm ented Dickey-Fuller tes t s tatis tic -6.885271 0.0000
Tes t critical values : 1% level -4.140858
5% level -3.496960
10% level -3.177579
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(FDR,2)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:10
Sam ple (adjus ted): 2011M01 2015M05
Included obs ervations : 53 after adjus tm ents
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
0.001696 Adjus ted R-s quared 0.529665 S.D. dependent var 0.028467 S.E. of regres s ion 0.019523 Akaike info criterion -4.896179 Sum s quared res id 0.017152 Schwarz criterion -4.598777 Log likelihood 137.7487 Hannan-Quinn criter. -4.781813 F-s tatis tic 9.365629 Durbin-Wats on s tat 2.164321 Prob(F-s tatis tic) 0.000000
176176176
Lampiran 34 : Uji Unit Root Level Log(CPI)
N ull Hypothes is : CPI 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 -2.022011 0.5773
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(CPI)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:11
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-5.10E-05 Adjus ted R-s quared 0.043434 S.D. dependent var 0.037585 S.E. of regres s ion 0.036760 Akaike info criterion -3.719319 Sum s quared res id 0.075672 Schwarz criterion -3.613681 Log likelihood 112.7199 Hannan-Quinn criter. -3.678082 F-s tatis tic 2.316793 Durbin-Wats on s tat 1.917327 Prob(F-s tatis tic) 0.107968
177177177
Lampiran 35 : Uji Unit Root First Difference Log(CPI)
N ull Hypothes is : D(CPI) 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 -7.506749 0.0000
Tes t critical values : 1% level -4.124265
5% level -3.489228
10% level -3.173114
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(CPI,2)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:11
Sam ple (adjus ted): 2010M08 2015M05
Included obs ervations : 58 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.000183 Adjus ted R-s quared 0.488177 S.D. dependent var 0.053670 S.E. of regres s ion 0.038396 Akaike info criterion -3.631371 Sum s quared res id 0.081085 Schwarz criterion -3.524796 Log likelihood 108.3098 Hannan-Quinn criter. -3.589858 F-s tatis tic 28.18335 Durbin-Wats on s tat 1.999365 Prob(F-s tatis tic) 0.000000
178178178
Lampiran 36 : Uji Unit Root Level NPF
N ull Hypothes is : NPF 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 -2.949971 0.1550
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(NPF)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:11
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
0.000419 Adjus ted R-s quared 0.110793 S.D. dependent var 0.004699 S.E. of regres s ion 0.004431 Akaike info criterion -7.950792 Sum s quared res id 0.001100 Schwarz criterion -7.845154 Log likelihood 237.5484 Hannan-Quinn criter. -7.909555 F-s tatis tic 4.613319 Durbin-Wats on s tat 2.379292 Prob(F-s tatis tic) 0.013975
179179179
Lampiran 37 : Uji Unit Root First Difference NPF
N ull Hypothes is : D(NPF) 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 -11.05361 0.0000
Tes t critical values : 1% level -4.124265
5% level -3.489228
10% level -3.173114
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(NPF,2)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:11
Sam ple (adjus ted): 2010M08 2015M05
Included obs ervations : 58 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-3.10E-05 Adjus ted R-s quared 0.678320 S.D. dependent var 0.007824 S.E. of regres s ion 0.004437 Akaike info criterion -7.947225 Sum s quared res id 0.001083 Schwarz criterion -7.840651 Log likelihood 233.4695 Hannan-Quinn criter. -7.905712 F-s tatis tic 61.09745 Durbin-Wats on s tat 2.149722 Prob(F-s tatis tic) 0.000000
180180180
Lampiran 38 : Uji Unit Root Level ROA
N ull Hypothes is : ROA 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 -2.471624 0.3406
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(ROA)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:12
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.000261 Adjus ted R-s quared 0.071281 S.D. dependent var 0.001515 S.E. of regres s ion 0.001460 Akaike info criterion -10.17154 Sum s quared res id 0.000119 Schwarz criterion -10.06591 Log likelihood 303.0606 Hannan-Quinn criter. -10.13031 F-s tatis tic 3.225805 Durbin-Wats on s tat 1.955076 Prob(F-s tatis tic) 0.047211
181181181
Lampiran 39 : Uji Unit Root First Difference ROA
N ull Hypothes is : D(ROA) 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 -7.713888 0.0000
Tes t critical values : 1% level -4.124265
5% level -3.489228
10% level -3.173114
*MacKinnon (1996) one-s ided p-values .
Augm ented Dickey-Fuller Tes t Equation
Dependent Variable: D(ROA,2)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:12
Sam ple (adjus ted): 2010M08 2015M05
Included obs ervations : 58 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-8.62E-06 Adjus ted R-s quared 0.502234 S.D. dependent var 0.002197 S.E. of regres s ion 0.001550 Akaike info criterion -10.05105 Sum s quared res id 0.000132 Schwarz criterion -9.944474 Log likelihood 294.4804 Hannan-Quinn criter. -10.00954 F-s tatis tic 29.75577 Durbin-Wats on s tat 1.989825 Prob(F-s tatis tic) 0.000000
182182182
Lampiran 40 : Uji Unit Root Level RRMURBUSUUS
N ull Hypothes is : RRMURBUSUUS 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 -62.27620 0.0001
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(RRMURBUSUUS)
Method: Leas t Squares
Date: 04/13/17 Tim e: 19:12
Sam ple (adjus ted): 2010M07 2015M05
Included obs ervations : 59 after adjus tm ents
Variable
Coefficient
Std. Error t-Statis tic
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
-0.009892 Adjus ted R-s quared 0.986030 S.D. dependent var 0.075548 S.E. of regres s ion 0.008929 Akaike info criterion -6.549449 Sum s quared res id 0.004465 Schwarz criterion -6.443811 Log likelihood 196.2087 Hannan-Quinn criter. -6.508212 F-s tatis tic 2047.931 Durbin-Wats on s tat 1.355202 Prob(F-s tatis tic) 0.000000
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
Res trictions are linear in coefficients .
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
Null Hypothes is : C(22)=C(23)=C(24)=C(25)=C(26)=0
Null Hypothes is Sum m ary:
Norm alized Res triction (= 0)
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
Res trictions are linear in coefficients .
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
Null Hypothes is : C(27)=C(28)=C(29)=C(30)=C(31)=0
Null Hypothes is Sum m ary:
Norm alized Res triction (= 0)
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
Res trictions are linear in coefficients .
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
Null Hypothes is : C(17)=C(18)=C(19)=C(20)=C(21)=0
Null Hypothes is Sum m ary:
Norm alized Res triction (= 0)
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
Null Hypothes is : C(32)=C(33)=C(34)=C(35)=C(36)=0
Null Hypothes is Sum m ary:
Norm alized Res triction (= 0)
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
Res trictions are linear in coefficients .
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
Null Hypothes is : C(37)=C(38)=C(39)=C(40)=C(41)=0
Null Hypothes is Sum m ary:
Norm alized Res triction (= 0)
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
Res trictions are linear in coefficients .
189189189
Lampiran 50 : Uji IRF NPF terhadap NPF
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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
Response to Cholesky One S.D. Innovations
.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