Pengujian - Pengujian Statistik 1. Uji Stasioneritas Data

112

VI. APLIKASI MODEL VECTOR ERROR CORRECTION UNTUK MENGANALISIS PEMBIAYAAN BANK

SYARIAH Model Vector Error Correction VEC merupakan model Vector Autoregression VAR yang terestriksi. Restriksi karena data yang tidak stasioner namun terkointegrasi. Spesifikasi Model VEC merestriksi hubungan jangka panjang variabel-variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Istilah kointeg rasi dikenal juga sebagai istilah error correction, karena deviasi terhadap ekuilibium jangka panjang dikoreksi secara bertahap melalui penyesuaian jangka pendek. Jika data tidak stasioner namun berkointegrasi, maka model VAR yang digunakan adalah Model VEC. Tahapan pembentukan model VAR atau model VEC diawali uji stasioneritas data, dilanjutkan dengan pencarian lag optimal dan uji kointegrasi. 6.1. Pengujian - Pengujian Statistik 6.1.1. Uji Stasioneritas Data Analisis model ekonometrika runtun waktu mempunyai syarat stasioner agar data terhindar dari regresi lancung spurious regression. Regresi lancung terjadi ketika hasil regresi menunjukkan hubungan yang signifikan antar peubah dengan koefisien determinasi yang tinggi, padahal terjadi karena hubungan contemporaneous dan tidak memiliki makna kausal. Salah satu metode untuk menguji stasioner data adalah uji akar unit unit root test. Dickey dan Fuller mengembangkan uji Augmented Dickey-Fuller ADF untuk mendeteksi stasioneritas data, sehingga dapat diketahui data 113 stasioner pada tingkat level yang biasa ditulis I0, atau tingkat difference yang biasa ditulis I1. Prosedurnya adalah membandingkan nilai absolut statistik ADF dengan nilai kritis, jika nilai ADF lebih besar dari nilai kritis maka data menunjukkan stasioner. Hasil rangkuman uji stasioneritas pada tingkat level pada Tabel 8, sedangkan perhitungan lengkap uji stasioner dari software eviews, pada Lampiran 4. Tabel 8. Uji Stasioneritas Data Level Peubah Nilai ADF Nilai Kritis Mac Kinnon 5 persen Keterangan LNPBS -0.964060 -3.478305 Tidak Stasioner LNDPK -1.475614 -3.478305 Tidak Stasioner LNKBU -1.317010 4.100935 Tidak Stasioner LPA -4.340584 -3.478305 Stasioner NPF -1.986726 -3.478305 Tidak Stasioner LNIPI -6.522181 -3.478305 Tidak Stasioner LNJII -2.648214 -3.478305 Tidak Stasioner LNSWBI -2.631570 -3.478305 Tidak Stasioner Karena pada tingkat level hanya satu peubah yang stasioner, maka dilanjutkan dengan menguji peubah di first difference. Hasil ringkasan uji stasioner pada derajat pertama, pada Tabel 9. Tabel 9. Uji Stasioneritas Data Derajat Pertama Peubah Nilai ADF Nilai Kritis Mac Kinnon 5 persen Keterangan LNPBS -4.044185 -2.906923 Stasioner LNDPK -9.862839 -2.906210 Stasioner LNKBU -7.793568 -2.906210 Stasioner LPA -10.09750 -2.914517 Stasioner NPF -8.149104 -2.906210 Stasioner LNIPI -8.513479 -2.906923 Stasioner LNJII -7.962883 -2.906210 Stasioner LNSWBI -7.175081 -2.906210 Stasioner Hasil uji akar-akar unit pada Tabel 9, diketahui bahwa seluruh data telah stasioner pada tingkat I1. Masing-masing nilai absolut ADF lebih tinggi dari 114 nilai kritisnya. Selanjutnya adalah menguji hubungan kointegrasi antar peubah, sebelum melakukan uji kointegrasi menentukan menentukan panjang lag maksimal dan optimal dari persamaan.

6.1.2. Kelambanan Optimal

Pemilihan kelambanan atau lag yang tepat menghasilkan residual bersifat gaussian, terbebas dari permasalahan autokorelasi dan heteroskedastisitas Enders, 1989. Langkah menentukan lag optimal didahului oleh penentuan lag maksimum dengan mempertimbangkan kriteria stabilitas sistem, selanjutnya menentukan kandidat kriteria lag optimal, terakhir menentukan lag optimal. Lag maksimum yang terbentuk adalah lag empat, karena pada lag tersebut sistem masih stabil yang ditandai dengan besaran modulus kurang dari satu, yaitu sebesar 0.99, lengkapnya pada Lampiran 5. Dari lag empat sebagai lag maksimum , tersebut, terdapat pilihan kandidat lag optimal dari berbagai kriteria informasi yang disediakan oleh software eviews pada Tabel 10, atau pada Lampiran 6. Tabel 10. Kandidat Kriteria Kelambanan Optimal Lag LR FPE AIC SC HQ 1 890.3046 5.68e-19 -19.32350 -16.89476 -18.36670 2 96.85249 5.85e-19 -19.38419 -14.79657 -17.57689 3 89.93390 5.51e-19 -19.69019 -12.94368 -17.03240 4 82.19121 4.86e-19 -20.34152 -11.43613 -16.83324 Keterangan : = Lag terseleksi oleh kriteria informasi LR = Sequential modified LR test statistic FPE = Final Prediction Error AIC = Akaike Information Criterion SC = Schwarz Information Criterion HQ = Hannan-Quinn Information Criterion Tiga kandidat lag optimum yang terbentuk yaitu lag satu, lag tiga atau lag 115 empat, ditandai dengan tanda asterik di atas. Dipilih lag satu karena berdasarkan kriteria Schwarz information criterion dan Hannan-Quinn information criterion, lag yang optimal adalah ordo satu, selain itu kriteria SC dan HQ menunjukkan lag terkecil, sehingga tidak berkurang degree of freedom dan efisiensi dari model.

6.1.3. Uji Kointegrasi

Untuk mengetahui ada tidaknya hubungan jangka panjang antar peubah dilakukan uji kointegrasi. Jika terjadi kointegasi maka diperoleh kombinasi linier antar peubah yang bersifat stasioner. Uji kointegrasi Johansen dengan menggunakan lag optimal satu, tahap pertama adalah menentukan asumsi tren deterministik. Berdasarkan data yang ada, bentuk tren deterministik adalah asumsi keempat yaitu data level dan persamaan kointegrasi mempunyai tren linier, hal tersebut diperkuat dengan Akaike Information Criteria dan Schwarz Criteria yang menunjuk pada asumsi tersebut. Tahapan kedua adalah menentukan jumlah kointegrasi, dari lag optimum dan bentuk deterministik tren yang telah dicari sebelumnya, trace statictic menunjukkan bahwa terjadi dua kointegrasi, ditunjukkan pada Tabel 11, dan pada Lampiran 7. Tabel 11. Rangkuman Hasil Uji Kointegrasi Johansen Hipotesis H ; r H 1 ; r Trace Statistic Nilai Kritis 5 persen r = 0 r 0 210.3884 182.82 r ≤ 1 r 1 147.7327 146.76 r ≤ 2 r 2 100.6815 114.90 r ≤ 3 r 3 69.74108 87.31 r ≤ 4 r 4 41.89161 62.99 r ≤ 5 r 5 20.81606 42.44 r ≤ 6 r 6 11.40328 25.32 r ≤ 7 r 7 4.035113 12.25 116 Tabel 11 menunjukkan bahwa hipotesis ketiga H ; r ≤ 2, nilai trace statistic lebih kecil dari critical value dalam tingkat lima persen 100.68 114.90, maka H diterima, sehingga kesimpulan adalah dalam sistem terdapat dua matrik kointegrasi.

6.1.4. Estimasi Model

Karena tujuan utama penelitian adalah faktor-faktor yang mempengaruhi pembiayaan perbankan syariah, maka estimasi model VEC yang dianalisis, difokuskan pada estimasi pembiayaan perbankan syariah, LNPBS, terutama persamaan jangka panjang. Tabel 12. Estimasi Kointegrasi Peubah Kointegrasi 1 Kointegrasi 2 LNPBS-1 1.000000 0.000000 LNDPK-1 0.000000 1.000000 NPF-1 0.425923 0.338193 0.06432 0.05125 [ 6.62151] [ 6.59907] LPA-1 -0.055478 -0.499084 0.19393 0.15451 [-0.28608] [-3.23021] LNKBU-1 7.362829 3.850769 1.91127 1.52276 [ 3.85232] [ 2.52881] LNJII-1 0.599937 -0.449242 0.57016 0.45426 [ 1.05222] [-0.98895] LNIPI-1 0.289373 2.692673 0.94007 0.74898 [ 0.30782] [ 3.59513] LNSWBI-1 0.070917 -0.066402 0.12648 0.10077 [ 0.56071] [-0.65896] TREND02:11 -0.177753 -0.087566 0.04044 0.03222 [-4.39583] [-2.71802] C -108.2131 -68.74216 Keterangan: Standard errors pada , dan t-statistik pada [ ] = signifikan t 58 α ;5 persen = 2.00 R 2 = 0.4578 F-statistik = 4.64 F 7,58 α ;5 persen = 2.16 117 Tabel 12 menunjukkan estimasi vektor kointegrasi yang keseimbangan jangka panjang. Menggunakan uji kointegrasi metode Johansen dengan lag optimal satu maka terjadi dua kointegrasi dalam sistem VECM. Dengan terdapat kointegrasi dalam sistem, menunjukkan bahwa terjadi hubungan struktural jangka panjang antara peubah pembiayaan perbankan syariah dengan peubah internal perbankan, kondisi makroekonomi, kebijakan moneter, dan pasar modal. Dengan meletakkan peubah pembiayaan sebagai peubah yang dijelaskan, sesuai fokus penelitian, maka hasil estimasi pembiayaan perbankan syariah jangka panjang seperti persamaan berikut: LNPBS-1 = -0.43 NPF-1 +0.05 LPA-1 -7.36 LNKBU-1 -0.60 LNJII-1 -0.29LNIPI-1 +0.07 LNSWBI-1 +0.18 TREND +108.21 ................................................6.1 Jika dilakukan uji koefisien parsial menggunakan uji t, maka dari t statistik masing-masing peubah dibandingkan dengan t tabel, peubah pembiayaan bermasalah, NPF, dan peubah kredit bank umum, LNKBU, yang signifikan pada tingkat kesalahan lima persen, sedangkan peubah laba per aset, LPA, peubah indeks produksi industri, LNIPI, peubah Jakarta Islamic index, LNJII, dan peubah sertifikat wadiah Bank Indonesia, LNSWBI, tidak signifikan. Meskipun dalam uji koefisien parsial hanya dua peubah yang signifikan, tetapi jika ditinjau secara keseluruhan, peubah-peubah yang terdapat dalam model, signifikan mempengaruhi pembiayaan perbankan syariah. Hal tersebut ditandai dengan nilai F statistik yang lebih besar dari nilai F tabel, artinya secara bersama-sama semua peubah independen mempengaruhi pembiayaan. Koefisien determinasi R 2 menunjukkan angka 45.78 persen, artinya kemampuan seluruh peubah independen menjelaskan peubah pembiayaan sebesar 118 45.78 persen, sedangkan sisanya sebesar 54.22 persen dijelaskan oleh faktor lain di luar model. Bagian kedua estimasi output model VEC adalah vektor koreksi kesalahan yang melibatkan seluruh peubah pada derajat pertama, I1, dan koreksi kesalahan yang terbentuk. Bentuk lengkap dapat terlihat pada Lampiran 8, sedangkan jika difokuskan pada persamaan jangka pendek pembiayaan, DLNPBS, maka estimasi yang terbentuk ditunjukkan pada Tabel 13. Tabel 13. Estimasi Model Koreksi Kesalahan Peubah DLNPBS Standard error t-statistik Koreksi Kesalahan 1 -0.060284 0.02011 [-2.99718] Koreksi Kesalahan 2 0.004337 0.02457 [ 0.17652] DLNPBS-1 -0.401060 0.12384 [-3.23849] DLNDPK-1 -0.160552 0.09094 [-1.76547] DNPF-1 0.018428 0.01128 [ 1.63361] DLPA-1 0.018680 0.01481 [ 1.26136] DLNKBU-1 0.655438 0.34986 [ 1.87343] DLNJII-1 0.034706 0.05916 [ 0.58667] DLNIPI-1 0.085003 0.06419 [ 1.32416] DLNSWBI-1 -0.015919 0.01219 [-1.30636] C 0.043139 0.00818 [ 5.27372] = P0.05 t 58 α ;5 persen = 2.00 = P0.10 t 58 α ;10 persen = 1.67 Tabel 13 menunjukkan bahwa salah satu peubah koreksi kesalahan signifikan terhadap pembiayaan sebesar -0.06, artinya terdapat penyesuaian dari persamaan jangka pendek menuju persamaan jangka panjang sebesar 0.06 persen. Dapat pula diartikan bahwa setiap bulan, kesalahan dikoreksi sebesar 0.06 persen menuju keseimbangan jangka panjang. Dari beberapa peubah yang mempengaruhi pembiayaan dalam jangka pendek, hanya peubah diferensi satu dari pembiayaan yang signifikan pada tingkat kesalahan lima persen, dan jika ditingkatkan menjadi 10 persen, terdapat tiga peubah yang signifikan, yaitu pembiayaan, 119 dana pihak ketiga dan kredit bank umum pada diferensi satu dan lag satu. Berikut hasil estimasi persamaan jangka pendek pembiayaan perbankan syariah: DLNPBS = -0.06 LNPBS-1 +0.43 NPF-1 -0.06 LPA-1 +7.36 LNKBU-1 +0.60 LNJII-1 +0.29 LNIPI-1 +0.07 LNSWBI-1 -0.18 TREND-108.21 +0.00 LNDPK-1 +0.34 NPF-1 -0.50 LPA-1 +3.85 LNKBU-1 -0.45 LNJII-1 +2.69 LNIPI-1 -0.07 LNSWBI-1 -0.09 TREND -68.74 -0.40 DLNPBS-1 -0.16 DLNDPK-1 +0.02 DNPF-1 + 0.02 DLPA-1 +0.66 DLNKBU-1 + 0.03 DLNJII-1 +0.09 DLNIPI-1 -0.02 DLNSWBI-1 +0.04 ........6.2 Sesuai tujuan pertama penelitian, untuk menganalisis keterkaitan kebijakan moneter syariah, makroekonomi, pasar modal syariah, industri perbankan dan internal bank syariah terhadap pembiayaan bank syariah, maka estimasi yang digunakan adalah persamaan jangka panjang model VEC yang terbentuk melalui proses kointegrasi pada sub bab 6.1.3. Ringkasan estimasi jangka panjang pembiayaan perbankan syariah pada Persamaan 6.1, dengan tambahan sisi penawaran dan permintaan dan signifikansi hubungan, pada Tabel 14. Tabel 14 menunjukkan bahwa dari sisi penawaran, peubah pembiayaan bermasalah, sertifikat wadiah Bank Indonesia, dan laba per aset, menunjukkan arah sesuai dengan dugaan awal, dari sisi penawaran, kredit bank umum, indeks produksi industri, dan Jakarta Islamic index menunjukkan arah berbeda dengan dugaan awal. 120 Tabel 14. Ringkasan Estimasi Kointegrasi Jangka Panjang Pembiayaan Deskripsi Peubah Koefisien T-Statistik Signifikansi Sisi Penawaran: Pembiayaan bermasalah - 0.43 -6.62 Signifikan Laba per aset 0.06 0.29 Tidak signifikan Sertifikat wadiah Bank Indonesia - 0.07 -0.56 Tidak signifikan Sisi Permintaan: Kredit bank umum - 7.36 -3.85 Signifikan Indeks produksi industri - 0.29 -0.31 Tidak signifikan Jakarta Islamic index - 0.60 -1.05 Tidak signifikan Dari sisi penawaran, hanya peubah pembiayaan bermasalah yang signifikan mempengaruhi pembiayaan dengan koefisien sebesar -0.43, artinya setiap kenaikan satu persen pembiayaan bermasalah, pembiayaan yang ditawarkan mengalami penurunan sebesar 0.43 persen. Dapat pula berarti bahwa jika perbankan syariah mampu menekan pembiayaan bermasalah sebesar satu persen, maka perbankan syariah mampu menambah penawaran sebesar 0.43 persen pembiayaan kepada masyarakat. Dua peubah sisi penawaran lainnya, laba per aset dan sertifikat wadiah Bank Indonesia secara parsial tidak signifikan menentukan pembiayaan perbankan syariah. Signifikannya pembiayaan bermasalah menunjukkan bahwa kondisi pembiayaan bermasalah pada bank syariah harus mendapat perhatian, karena jika terjadi pembiayaan bermasalah, maka akan mengurangi potensi kemampuan bank menyalurkan pembiayaan selanjutnya. Apabila terjadi pembiayaan bermasalah, bank wajib menyediakan cadangan khusus untuk menutup kemungkinan resiko, yang dimasukkan pada pos Penyisihan Penghapusan Aktiva Produktif PPAP. Penyediaan dana pada pos tersebut mengurangi potensi penawaran pembiayaan 121 pada periode berikutnya. Di sisi permintaan, temuan menarik bahwa, kredit bank umum signifikan mempengaruhi permintaan pembiayaan perbankan syariah. Koefisien kredit bank umum menunjukkan arah negatif sebesar 7.36, artinya setiap kenaikan satu persen kredit bank umum, menurunkan permintaan pembiayaan perbankan syariah sebesar 7.36 persen, atau permintaan pembiayaan perbankan syariah naik 7.36 persen, jika terjadi penurunan kredit bank umum sebesar satu persen. Hal tersebut tidak sesuai dengan dugaan awal bahwa jika terjadi kenaikan kredit bank umum, maka permintaan pasar keuangan domestik juga meningkat, termasuk permintaan pembiayaan perbankan syariah. Justru yang terjadi sebaliknya, selama periode penelitian, hubungan jangka panjang antara pembiayaan perbankan syariah dengan kredit bank umum menunjukkan hubungan substitusi. Jika diasumsikan pasar pembiayaan dan kredit tetap, maka yang berperan adalah kategori nasabah yang floating consumer, yaitu nasabah yang mudah berpindah dari bank konvensional ke bank syariah, atau sebaliknya. Dua peubah sisi permintaan lainnya, indeks produksi industri dan Jakarta Islamic index, tidak signifikan secara parsial untuk mempengaruhi pembiayaan. Tidak signifikannya indeks produksi industri menunjukkan bahwa kinerja sektor manufaktur formal tidak mampu mempengaruhi pembiayaan perbankan syariah, demikian pula dengan Jakarta Islamic index, yang menunjukkan kinerja pasar modal juga tidak mampu mempengaruhi pembiayaan perbankan syariah. Hal tersebut sejalan dengan komposisi pembiayaan berdasarkan golongan pembiayaan, termasuk usaha kecil menengah, atau non usaha kecil menengah. Data per Juni 2008, menunjukkan bahwa golongan nasabah usaha kecil menengah mencapai 70.70 persen, sedangkan sebesar 29.30 persen adalah golongan nasabah 122 non usaha kecil menengah.

6.1.5. Diagnostik Model

Sebelum membentuk model, dilakukan chow test untuk mengetahui adanya struktural break dari data series yang yang digunakan. Dari hasil pengujian tiap peubah tiap bulan, tidak terdapat satu bulanpun yang menunjukkan bahwa tiap peubah mengalami structural break pada bulan yang sama, sehingga disimpulkan tidak terdapat structural break yang mempengaruhi sistem persamaan. Fenomena yang terjadi selama periode penelitian juga tidak menunjukkan adanya peristiwa yang mengakibatkan goncangan besar pada perkembangan pembiayaan perbankan syariah. Dari hasil pengujian AR root tabel maupun grafis, tampak bahwa model VEC stabil yang ditandai dengan modulus yang kurang dari satu dari tabel dan secara grafis tidak ada yang keluar dari lingkaran, ditunjukkan pada Lampiran 9. Hasil uji residual yang terdiri dari uji heteroskedastisitas, serial korelasi dan normalitas data, menunjukkan bahwa model tidak mengalami gangguan tersebut. VEC residual heteroskedasticity Tests menunjukkan probabilitas sebesar 0.1442, VEC residual serial correlation LM Tests pada lag satu menunjukkan probabilitas sebesar 0.2082, dan VEC residual normality tests menunjukkan probabilitas sebesar 0.9511, ditunjukkan pada Lampiran 10, artinya probabilitas di atas 0.05, berarti tidak ada masalah heteroskedastisitas, serial korelasi, dan normalitas data.

6.2. Analisis Respon Pembiayaan