Jenis dan Sumber Data Model Penelitian

III. METODE PENELITIAN

3.1. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan data time series bulanan dari Januari 1994 sampai Desember 2005. Model dalam penelitian ini menggunakan lima variabel yaitu variabel suku bunga deposito satu bulan RDEP, jumlah uang beredar dalam arti luas M2, tingkat harga CPI, suku bunga Sertifikat Bank Indonesia RSBI dan Loan to Deposit Ratio LDR. Sumber data berasal dari beberapa penerbitan Bank Indonesia seperti Statistik Ekonomi dan Keuangan Indonesia SEKI, dan Statistik Perbankan Indonesia SPI.

3.2. Metode Analisis Data

Dalam rangka mencapai tujuan dari permasalahan penelitian ini digunakan metode analisis Vector Autoregression VAR. VAR adalah suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi linier dari konstanta dan nilai lag dari variabel itu sendiri serta nilai lag dari variabel lain yang ada dalam sistem. Vector Autoregression VAR dengan ordo p dengan n peubah tak bebas pada waktu ke-t dapat dimodelkan sebagai berikut: 1 1 2 2 ...... t t t p t p t Y A AY A Y A Y u − − − = + + + + + 3.1 dimana: Y t = vektor peubah tak bebas Y 1t , Y 2t , Y nt berukuran n x 1, A = vektor intersep berukuran n x 1, A i = matriks parameter berukuran n x n, untuk setiap i = 1, 2, ...,p, u t = vektor sisaan u 1t , u 2t , ..., u nt berukuran n x 1. Metode analisis Vector Autoregression VAR akan digunakan dalam penelitian ini apabila data-data yang akan digunakan stasioner dan tidak memiliki kointegrasi. Sedangkan apabila data-data yang digunakan tidak stasioner namun memiliki kointegrasi maka metode analisis Vector Error Correction Model VECM yang digunakan dalam penelitian ini. Keunggulan metode VAR dibandingkan dengan metode ekonometri konvensional Syabran, 2004 adalah: 1. Mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks multivariat, sehingga dapat menangkap hubungan keseluruhan variabel dalam persamaan itu. 2. Uji VAR yang multivariat bisa menghindari parameter yang bias akibat tidak dimasukkannya variabel yang relevan. 3. VAR dapat mendeteksi hubungan antar variabel di dalam sistem persamaan, dengan menjadikan seluruh variabel sebagai variabel edogenous. 4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan palsu spurious variable endogenty and exogenty . Sebagai metode ekonometri, VAR juga tidak terlepas dari kelemahan, diantaranya adalah sebagai berikut: 1. Model VAR lebih bersifat teoritik karena tidak memanfaatkan informasi teori- teori terdahulu, oleh karena itu sering disebut model yang tidak struktural. 2. Karena tujuan utamanya untuk forecasting, maka model VAR menyebabkan implikasi kebijakan kurang tepat. 3. Pemilihan banyaknya lag yang diikutsertakan pada model juga menimbulkan masalah baru dalam proses estimasi. 4. Semua variabel yang digunakan dalam VAR harus stasioner, jika belum stasioner maka harus ditransformasikan terlebih dahulu agar stasioner. Secara garis besar terdapat dua hal yang ingin dicapai dalam penelitian ini: 1. Estimasi VECM, yang akan menunjukkan persamaan jangka pendek dan jangka panjang setelah terlebih dahulu menentukan derajat stasioneritas, panjangnya lag dan melakukan uji kointegrasi. 2. Menyusun Variance Decomposition VD, dimana VD dapat memprediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.

3.2.1. Model Umum Vector Autoregression

Sistem persamaan VAR merupakan sebuah sistem persamaan multivariat dimana sistem VAR membuat seluruh variabel menjadi endogenous dan menurunkan distributed lags-nya. Menurut Hsiao dalam Tirtayasi 2005, dengan menggunakan contoh tiga variabel Y, X, Z, akan dapat memberikan hubungan kausalitas diantara ketiga variabel tersebut. Berikut merupakan matriks dari susunan variabel tersebut guna mempermudah analisa hubungan antar variabel: 1 1 1 1 2 1 3 1 1 2 1 2 2 2 3 1 1 3 1 3 2 3 3 1 t t t Y L L L Y u X L L L X v Z L L L Z w α α α α α α α α α ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ = + ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ 3.2 Hsio juga secara rinci menjelaskan teorema pola hubungan antara variabel dalam sistem variabel berdasarkan nilai dalam ij α sebagai berikut: 1. Bila variabel X tidak mempengaruhi Z, maka syaratnya adalah: 32 L α = 2. Bila variabel X mempengaruhi Z, syaratnya: 32 L α ≠ 3. Hubungan timbal balik antara variabel X dan Z melalui Y, syaratnya: 32 L α ≠ dan 23 L α ≠ 4. Hubungan tidak langsung dari variabel X da Z melalui Y, syaratnya adalah: 32 31 12 0; 0; L L L α α α = ≠ ≠ 5. Hubungan palsu jenis I dari variabel X terhadap Z jika dan hanya jika terdapat kondisi: 21 32 0; L L α α = ≠ , untuk semua panjang lag 6. Hubungan palsu jenis II dari variabel X terhadap Z jika dan hanya jika terdapat kondisi: 32 12 0; L L α α = = , untuk semua panjang lag k dan 31 21 0; L L α α ≠ ≠ , untuk semua panjang lag k

3.2.2. Pengujian Stasioneritas

Pengujian stasioner pada data time series penting dilakukan untuk menguji apakah data yang dipakai benar-benar bersifat stationary atau non-stationary. Data deret waktu dikatakan bersifat stasioner jika data tersebut menunjukkan pola yang konstan dari waktu ke waktu. Masalah kestasioneran data menjadi sangat penting karena data yang tidak stasioner akan menghasilkan Spurious Regression regresi palsu, yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik namun pada kenyataannya tidak demikian. Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan stasioneritas data, salah satunya adalah dengan menggunakan The Augmented Dickey Fuller ADF test. Jika nilai ADF statistiknya lebih kecil dari MacKinnon Critical Value maka dapat disimpulkan bahwa data tersebut stasioner. Namun jika nilai ADF statistiknya lebih besar dari MacKinnon Critical Value maka dapat disimpulkan bahwa data tersebut tidak stasioner. Apabila uji ADF telah dilakukan pada data time series dan diketahui bahwa hasilnya adalah tidak stasioner maka dapat dilakukan difference non stationary processes Enders, 2004. ADF test pada dasarnya melakukan estimasi terhadap persamaan regresi, sebagai berikut: 1 2 1 1 1 1 m t t t t t t Y Y Y β β δ α ε − − − Δ = + + + Δ + ∑ 3.3 dimana: t ε = white noise, 1 2 t t t Y Y Y − − Δ = − Pada ADF yang akan diuji adalah apakah δ = dengan hipotesis alternatif δ 0, jika t hitung untuk δ lebih kecil dari nilai ADF, maka hipotesis nol yang mengatakan bahwa data tidak stasioner ditolak terhadap hipotesis alternatifnya.

3.2.3 Penentuan Lag Optimal

Salah satu hal yang sangat penting dalam menggunakan VAR atau VECM adalah menentukan lag lampau yang optimal. Penentuan lag yang optimal dapat dibantu dengan menggunakan kriteria informasi Schwarz Information Criteria SIC, yang dirumuskan sebagai berikut: lo g 1 q S IC q A IC q T T ⎛ ⎞ = + − ⎜ ⎟ ⎝ ⎠ 3.4 dimana: 2 1 2 e q A I C q L o g T T ⎛ ⎞ = + ⎜ ⎟ ⎝ ⎠ ∑ 3.5 dengan: 2 1 e ∑ = jumlah residual kuadrat, T = jumlah sampel, q = jumlah variabel dalam sistem persamaan Untuk menetapkan tingkat lag yang paling optimal, model VAR atau VECM harus diestimasi dengan tingkat lag yang berbeda-beda. Kemudian apabila menggunakan kriteria SIC maka nilai SIC yang paling kecil dipakai sebagai patokan pada tingkat lag paling optimal, karena nilai SIC minimum menggambarkan residual error yang paling kecil.

3.2.4. Kointegrasi

Suatu data time series dikatakan terintegrasi pada tingkat lag ke-d jika data tersebut stasioner setelah pendiferensian sebanyak d kali. Data-data tidak stasioner yang terintegrasi pada tingkat yang sama dapat membentuk kombinasi linier yang bersifat stasioner. Komponen dari vektor y t dikatakan terkointegrasi jika ada vektor β = β 1 , β 2 , β n sehingga kombinasi linier β yt bersifat stasioner, dengan syarat ada unsur matrik β bernilai tidak sama dengan nol. Vektor β dinamakan vektor kointegrasi. Rank kointegrasi r dari vektor y t adalah banyaknya vektor kointegrasi yang saling bebas. Nilai r dapat diketahui melalui uji Johansen. Hipotesis yang diuji adalah: H : rank ≤ r H 1 : rank ≥ r Jika rank kointegrasi lebih besar dari nol, maka model yang digunakan adalah Vector Error Correction Model VECM. Jika rank kointegrasi sama dengan nol, maka model yang dgunakan adalah model VAR dengan pendiferensian sampai lag ke-d.

3.2.5. Vector Error Correction Model

Model VECM disusun apabila rank kointegrasi r lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r dituliskan sebagai: 1 1 1 1 t p t i t t i y y y π φ ε − − − − Δ = Α + + Δ + ∑ 3.6 dimana: π = αβ, β = vektor kointegrasi berukuran rx1, α = vektor adjustment berukuran rx1, i φ = 1 p j j i = + − Α ∑ Model VECM dapat dituliskan dalam model VAR dengan menguraikan nilai diferensi: 1 t t t y y y − Δ = − 3.7

3.2.6. Variance Decomposition

Variance Decomposition VD merupakan uji yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel makro yang ditunjukkan oleh perubahan varians error dipengaruhi oleh variabel-variabel lainnya. Metode ini dapat mencirikan struktur dinamis dalam model VAR. Kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang dapat dilihat dengan metode ini. Variance Decomposition merinci varians dari error peramalan forecast error menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung presentase squared prediction error dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel-variabel lainnya.

3.3. Model Penelitian

Variabel yang digunakan dalam penelitian ini adalah suku bunga deposito, jumlah uang beredar, tingkat harga, suku bunga SBI, dan Loan to Deposit Ratio LDR. Dengan demikian model penelitian ini adalah: 11 12 13 14 15 21 22 23 24 25 31 32 33 34 35 41 42 43 44 45 51 52 53 54 55 2 t t t t t RDEP L L L L L M L L L L L CPI L L L L L RSBI L L L L L LDR L L L L L α α α α α α α α α α α α α α α α α α α α α α α α α ⎡ ⎤ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ = ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ ⎣ ⎦ ⎣ ⎦ 1 2 3 4 5 2 t t t t t t t t t t RDEP u M v CPI w RSBI x LDR z ⎡ ⎤ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎥⎢ ⎥ ⎢ ⎥ + ⎥⎢ ⎥ ⎢ ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎣ ⎦ ⎣ ⎦ 3.8 dimana: RDEPt = suku bunga deposito, M2t = jumlah uang beredar, CPI t = tingkat harga, RSBIt = suku bunga SBI, LDRt = loan to deposit ratio. Dari model tersebut dapat dilihat bahwa model VAR atau VECM untuk analisis jangka pendeknya, semua variabel bisa menjadi variabel endogen ataupun eksogen, artinya semua variabel dapat saling mempengaruhi. Namun demikian, penelitian ini dibatasi hanya menganalisis persamaan pertama saja. Dari persamaan pertama, penulis ingin menganalisis pengaruh jumlah uang beredar, tingkat harga, suku bunga SBI dan LDR terhadap suku bunga deposito pada bank pemerintah. Tabel 4 menunjukkan deskripsi data model penelitian. Tabel 4. Deskripsi Data Model Penelitian Variabel Deskripsi RDEP = suku bunga deposito Suku bunga deposito riil 1 bulan bank-bank pemerintah M2 = jumlah uang beredar Pengertian uang secara luas CPI = tingkat harga IHK Indeks Harga Konsumen tahun dasar 2000 RSBI = suku bunga SBI Suku bunga SBI riil 1 bulan LDR = loan to deposit ratio Rasio kredit terhadap DPK bank pemerintah Data yang diestimasi adalah dalam bentuk logaritma, kecuali data yang sudah dalam bentuk persen seperti suku bunga dan LDR. Berdasarkan hal tersebut, maka dalam penelitian ini, variabel M2 dan CPI diubah dalam bentuk logaritma, sedangkan variabel yang lain dalam bentuk persen.

IV. GAMBARAN UMUM SUKU BUNGA DEPOSITO PADA BANK UMUM PEMERINTAH SERTA KONDISI VARIABEL-

VARIABEL YANG MEMPENGARUHINYA