Kerangka Pemikiran Jenis dan Sumber Data Uji Kointergrasi Uji Stasioneritas

42

2.7 Kerangka Pemikiran

Secara garis besar, kerangka pemikiran dari penelitian ini disajikan dalam gambar 2.1 Gambar 2.1 Kerangka Pemikiran Pertumbuhan Ekonomi Penurunan penggunaan non tunai Peningkatan penggunaan non tunai Less Cash Society Percepatan peningkatan volume transaksi Universitas Sumatera Utara BAB III METODOLOGI PENELITIAN

5.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data time series triwulanan dengan periode tahun 2007 sampai 2013. Variabel- variabel yang digunakan adalah sebagai berikut: Tabel 3.1 Data, Simbol, dan Sumber Data VARIABEL SIMBOL SUMBER Produk Domestik Bruto PDB Badan Pusat Statistik Jumlah Uang Beredar M1 Bank Indonesia Jumlah Uang Elektronik Beredar EM Bank Indonesia Nominal transaksi ATMDebet ATMNOR Bank Indonesia Volume transaksi ATMDebet ATMOT Bank Indonesia Nominal transaksi Kartu Kredit FNBR Bank Indonesia Volume transaksi Kartu Kredit FBT Bank Indonesia

5.2 Metode Analisis Data

5.2.1 Uji Stasioneritas

Hal penting yang berkaitan dengan penulisan yang menggunakan data time series adalah stasioneritas. Pengujian ini sangat penting agar tidak terjadi regresi yang semu apabila data tersebut tidak stasioner. Data time series dikatakan stasioner jika data tersebut menunjukkan pola yang konstan dari waktu ke waktu, artinya tidak terdapat pertumbuhan atau penurunan pada data. Universitas Sumatera Utara 44 Dalam penelitian ini, metode yang digunakan untuk mengukur keberadaan stasioneritas adalah dengan Augmented Dicky - Fuller ADF Test dan Phillips Perron PP Test. Jika nilai ADF lebih kecil dari critical value maka data tersebut stasioner atau jika nilai PP lebih kecil dari critical value maka data tersebut stasioner. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar, sementara series yang tidak stasioner harus dilanjutkan pada tahap pengujian selanjutnya yaitu pada ordo satu dan akan berimplikasi pada penggunaan VECM.

5.2.2 Penetapan Lag Optional

Penetuan lag optimal sangat penting karena suatu variabel juga dipengaruhi oleh variabel itu sendiri, selain dipengaruhi oleh variabel lain. Sebelum menentukan lag optimal, perlu dilakukan pengujian lag maksimal. Lag maksimal diperoleh jika roots memiliki modulus lebih kecil dari satu dan semuanya terletak dalam unit circle. Pengujian lag optimal dapat ditetapkan dengan beberapa kriteria, antara lain Akaike Information Criterion AIC, Schwarz Information Criterion SIC, Hannan-Quinn Information Criterion HQ, dan Likelihood Ratio LR.

5.3 Uji Kointergrasi

Cointegration Test Kointegrasi adalah suatu hubungan jangka panjang atau keseimbangan antara variabel-variabel. Walaupun secara individual variabel-variabel tersebut tidak stasioner, namun kombinasi linier antara variabel tersebut dapat menjadi stasioner. Universitas Sumatera Utara 45 Pengujian kointegrasi menjadi penting terkait dengan keharusan keberadaan sebuah variabel di dalam model. Metode yang dapat digunakan pada model VAR adalah Johansen Cointegrasion Test.

5.4 Vector Auto Regression VAR

Metode VAR pertama kali dikemukakan oleh Sims 1980 merupakan salah satu bentuk model ekonometrika yang sering digunakan untuk menganalisis permasalahan yang berkaitan dengan fluktuasi variabel makroekonomi. VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai lag lampau dari peubah itu sendiri serta nilai lag dari peubah lain yang ada dalam sistem. VAR juga dapat digunakan untuk menganalisis suatu kebijakan dan peramalan. Secara garis besar terdapat empat hal yang ingin diperoleh dari pembentukan sebuah sistem persamaan: deskripsi data, peramalan, inferensi structural, dan analisis kebijakan. VAR menyediakan alat analisis bagi keempat hal tersebut melalui empat macam penggunaannya: 1. Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel 2. Impulse Response Functions IRF, melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu 3. Forecast Error Decomposition of Variance FEDV, prediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu 4. Granger Causality Test, mengetahui hubungan sebab akibat antar variabel. Universitas Sumatera Utara 46 Oleh karena itu, model VAR untuk penelitian ini adalah: � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= 1 � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= � � � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= � � � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= � � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= � � = � + ∑ � �−� + ∑ � 1 �−� + � �= ∑ � �−� + � �= ∑ � � � �−� + ∑ � � � �−� + � �= ∑ � � �−� + � �= ∑ � � �−� + � �= � � � �= � �= Keterangan: � = Produk Domestik Bruto 1 � = Uang Beredar � = Uang Elektronik � � � = Nominal Transaksi ATMDebet � � � = Volume Transaksi ATMDebet � � = Nominal Transaksi Kartu Kredit � � = Volume Transaksi Kartu Kredit � = Intercept � � , � � , � � , � � = Residual error term

5.4.1 Impulse Response Function IRF

IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap shock dari variabel itu sendiri dan variabel endogen lainnya. IRF dapat juga mengidentifikasikan suatu shock pada satu variabel endogen sehingga dapat menentukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel lainnya sepanjang waktu. Universitas Sumatera Utara 47 IRF digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standar deviasi.

5.4.2 Forecast Error Variance Decomposition FEVD

FEDV atau lebih dikenal dengan Variance Decomposition adalah sarana untuk mengetahui kepentingan berbagai shock terhadap variabel itu sendiri maupun variabel lain dan untuk memprediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu. Variance Decomposition pun tidak terlepas dari masalah underidentification karena keberadaannya sebagai bagian dari analisa VAR dan seperti pada kasus-kasus sebelumnya cholesky decomposition dapat diterapkan pada variance decomposition.

5.5 Bentuk-Bentuk VAR

5.5.1 Unrestricted VAR

Ini merupakan bentuk VAR yang biasa dengan tanpa restriksi. Restriksi ini terkait dengan permasalahan kointegrasi. Jika data yang digunakan bersifat stasioner pada tingkat level, maka bentuk VAR yang digunakan adalah bentuk VAR tanpa restriksi. Jika data tidak stasioner pada tingkat level dan tidak memiliki hubungan kointegrasi, maka estimasi VAR dapat dilakukan dalam bentuk differens. Namun dalam perkembangannya, Sims 1980 dan Doan 1992 berargumen bahwa differencing akan membuang informasi berharga terkait dengan kemungkinan adanya hubungan kointegrasi walaupun variabel tersebut memiliki unit root. Universitas Sumatera Utara 48

5.5.2 Restricted VAR

Vector Error-Correction Model VECM merupakan bentuk VAR yang terestriksi karena adanya bentuk data non stasioner dan hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen dengan tetap membiarkan keberadaan hubungan jangka pendek. Universitas Sumatera Utara BAB IV HASIL ANALISIS DAN PEMBAHASAN

4.1 Uji Stasioneritas

Uji stasioneritas bertujuan untuk menganalisis apakah suatu variabel stasioner atau tidak. Jika stasioner maka tidak terdapat akar-akar unit, sebaliknya jika tidak stasioner maka ada akar-akar unit. Data yang digunakan dalam penelitian harus bersifat stasioner untuk menghindari model yang tidak efisien. Uji stasioneritas pada penelitian ini didasarkan pada Augmented Dickey Fuller ADF Test dan Phillips Perron PP Test sebagai perbandingan. Hasil uji stasioneritas disajikan pada tabel 4.1 dan tabel 4.2. Tabel 4.1 Hasil Uji Stasioneritas Tingkat Level ADF Variabel Nilai ADF Nilai Kritis Mc Kinnon Keterangan 1 5 10 PDB 1.553180 -3.752946 -2.998064 -2.638752 Tidak Stasioner M1 0.628118 -3.711457 -2.981038 -2.629906 Tidak Stasioner EM 2.542802 -3.752946 -2.998064 -2.638752 Tidak Stasioner NAD -0.955736 -3.831511 -3.02997 -2.655194 Tidak Stasioner NK -3.637141 -3.886751 -3.052169 -2.666593 Stasioner VAD 1.529629 -3.920350 -3.065585 -2.673459 Tidak Stasioner VK -4.383001 -3.886751 -3.052169 -2.666593 Stasioner Universitas Sumatera Utara 50 Tabel 4.2 Hasil Uji Stasioneritas Tingkat Level PP Variabel Nilai PP Nilai Kritis Mc Kinnon Keterangan 1 5 10 PDB -0.902416 -3.699871 -2.976263 -2.627420 Tidak Stasioner M1 0.124287 -3.699871 -2.976263 -2.627420 Tidak Stasioner EM 2.418305 -3.752946 -2.998064 -2.638752 Tidak Stasioner NAD -0.919389 -3.831511 -3.029970 -2.655194 Tidak Stasioner NK -2.564524 -3.808546 -3.020686 -2.650413 Tidak Stasioner VAD 1.693131 -3.831511 -3.029970 -2.655194 Tidak Stasioner VK -3.672074 -3.808546 -3.020686 -2.650413 Stasioner Tabel 4.1 menunjukkan bahwa empat varibel tidak stasioner pada tingkat level karena nilai ADF maupun nilai PP dari variabel tersebut tidak lebih besar dari nilai kritis Mc Kinnon pada tingkat critical value 5. Oleh karena itu, pengujian stasioneritas perlu dilanjutkan pada tingkat difference. Tabel 4.3 Hasil Uji Stasioneritas Tingkat Difference ADF Variabel Nilai ADF Nilai Kritis Mc Kinnon Keterangan 1 5 10 PDB -1.582908 -3.752946 -2.998064 -2.638752 Tidak Stasioner M1 -1.181740 -3.752946 -2.998064 -2.638752 Tidak Stasioner EM 1.563315 -4.057910 -3.119910 -2.701103 Tidak Stasioner NAD -3.912839 -3.857386 -3.040391 -2.660551 Stasioner 1 st NK -0.666645 -3.920350 -3.065585 -2.673459 Tidak Stasioner VAD -5.309722 -3.857386 -3.040391 -2.660551 Stasioner 1 st VK -0.867195 -3.920350 -3.065585 -2.673459 Tidak Stasioner Universitas Sumatera Utara 51 Tabel 4.4 Hasil Uji Stasioneritas Tingkat Difference PP Variabel Nilai PP Nilai Kritis Mc Kinnon Keterangan 1 5 10 PDB -7.782228 -3.788030 -3.012363 -2.646119 Stasioner 1 st M1 -8.854171 -3.711457 -2.981038 -2.629906 Stasioner 1 st EM -7.815476 -3.711457 -2.981038 -2.629906 Stasioner 1 st NAD -3.912839 -3.857386 -3.040391 -2.660551 Stasioner 1 st NK -6.095751 -3.831511 -3.029970 -2.655194 Stasioner 1 st VAD -5.435942 -3.857386 -3.040391 -2.660551 Stasioner 1 st VK -4.397166 -3.831511 -3.029970 -2.655194 Stasioner 1 st Tabel 4.2 menunjukkan bahwa semua variabel yang digunakan dalam penelitian ini telah stasioner pada tingkat difference. 4.2 Penentuan Lag Optimal Penentuan lag optimal dilakukan dengan menggunakan Akaike Information Criterion AIC dengan nilai terendah. Tabel 4.5 Hasil Penentuan Lag Optimal Lag PDB EM M1 NAD NK VAD VK 1 22.53651 29.01529 23.36813 36.01252 30.39888 35.25408 30.20784 2 21.29684 28.28176 21.56854 34.01500 28.97405 34.55561 29.08384 Tabel 4.3 menunjukkan bahwa Akaike Information Criterion terendah terdapat pada lag 2, maka lag optimal adalah pada lag 2. Universitas Sumatera Utara 52

4.3 Uji Kointegrasi