35
3.4. Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif sekunder yang bersumber dari Bank Indonesia. Data yang digunakan adalah data
time series bulanan dengan sampel waktu dari 2010:1 sampai 2013:12.
Tabel. 3.1. Jenis, Satuan, Simbol dan Sumber Data
Jenis Data Variabel Satuan
Simbol Sumber
Narrow Money Rp. Miliar
M1 BI
Broad Money Rp. Miliar
M2 BI
Volume Transaksi ATMDebet Transaksi
VTATM BI
Volume Transaksi Kartu Kredit Transaksi VTKK
BI Volume Transaksi E-Money
Transaksi VTE
BI Volume Transaksi SKNBI
Transaksi VTKLIRING BI
Volume Transaksi BI-RTGS Transaksi
VTRTGS BI
Nilai Transaksi ATMDEBET Rp. Juta
NTATM BI
Nilai Transaksi Kartu Kredit Rp. Juta
NTKK BI
Nilai Transaksi E-Money Rp. Juta
NTE BI
Nilai Transaksi SKNBI Rp. Juta
NTKLIRING BI
Nilai Transaksi BI-RTGS Rp. Miliar
NTRTGS BI
Sumber: diolah penulis
3.5. Metode Pengumpulan Data
Dalam penelitian ini penulis menggunakan metode kepustakaan library research, yang diperoleh dari publikasi resmi dari Bank Indonesia melalui
website www.bi.go.id
. 3.6.
Teknik Analisis
Teknik analisis yang digunakan dalam penelitian ini adalah Johansen Cointegration Test dan Error Correction Model ECM. Adapun tahapan analisis
yang dilakukan ialah sebagai berikut. Pertama, uji akar unit untuk melihat stasioneritas data dari masing-masing variabel yang digunakan. Dalam hal ini
pengujian dilakukan dengan menggunakan Augmented Dickey Fuller ADF Test. Kedua, uji kointegrasi untuk mengetahui adanya hubungan jangka panjang dan
Universitas Sumatera Utara Universitas Sumatera Utara
36
meramalkan adanya keseimbangan dengan menggunakan Johansen Cointegration Test. Ketiga, melakukan koreksi kesalahan error correction dengan
menggunakan Error Correction Model ECM. Model persamaan dalam jangka pendek yang digunakan dalam penelitian
ini dapat dirumuskan sebagai berikut: ∆�1 = ∝
+ ∝
1
∆�����
�
+ ∝
2
∆����
�
+ ∝
3
∆���
�
+ ∝
4
∆���������
�
+ ∝
5
∆������
�
+ ∝
6
∆�����
�
+ ∝
7
∆����
�
+ ∝
8
∆���
�
+ ∝
9
∆���������
�
+ ∝
10
∆������
�
+ ∝
11
��
�
_1 + �
�
3.1 ∆�2 =∝
+ ∝
1
∆�����
�
+ ∝
2
∆����
�
+ ∝
3
∆���
�
+ ∝
4
∆���������
�
+ ∝
5
∆������
�
+ ∝
6
∆�����
�
+ ∝
7
∆����
�
+ ∝
8
∆���
�
+ ∝
9
∆���������
�
+ ∝
10
∆������
�
+ ∝
11
��
�
_2 + �
�
3.2 dimana:
M1 = narrow money
M2 = broad money
VTATM = volume transaksi ATMdebet
VTKK = volume transaksi kartu kredit
VTE = volume transaksi e-money
VTKLIRING = volume transaksi SKNBI VTRTGS
= volume transaksi BI-RTGS NTATM
= nilai transaksi ATMdebet NTKK
= nilai transaksi kartu kredit NTE
= nilai transaksi e-money NTKLIRING = nilai transaksi SKNBI
Universitas Sumatera Utara Universitas Sumatera Utara
37
NTRTGS = nilai transaksi BI-RTGS
∝ = konstanta
∝
1
…. ∝
10
= koefisien jangka pendek ∝
11
= koefisien koreksi ketidak seimbangan EC
= Error Correction Term yang merupakan ukuran bagi ketidakseimbangan disequilibrium error
��
�
_1 =
�1
�−1
− � − �
1
�����
�−1
− �
2
����
�−1
− �
3
∆���
�−1
− �
4
���������
�−1
− �
5
∆������
�−1
− �
6
�����
�−1
− �
7
����
�−1
− �
8
���
�−1
− �
9
���������
�−1
− �
10
������
�−1
��
�
_2 =
�2
�−1
− � − �
1
�����
�−1
− �
2
����
�−1
− �
3
���
�−1
− �
4
���������
�−1
− �
5
������
�−1
− �
6
�����
�−1
− �
7
����
�−1
− �
8
���
�−1
− �
9
���������
�−1
− �
10
������
�−1
Untuk mengetahui apakah model spesifikasi ECM yang digunakan dalam penelitian adalah valid, maka dilakukan pegujian terhadap EC
t
. Jika hasil pengujian koefisien EC
t
signifikan, maka spesifikasi model ECM yang digunakan adalah valid. Seluruh data yang digunakan dalam proses pengujian telah diubah
dalam bentuk logaritmanya. Sementara itu, pengolahan data dalam penelitian ini menggunakan software Eviews 6.
3.6.1. UJi Akar Unit
Sebelum melakukan analisis data, perlu diketahui apakah datanya bersifat stasioner atau tidak. Untuk melihat apakah data time series yang dianalisis
Universitas Sumatera Utara Universitas Sumatera Utara
38
berbentuk stasioner atau tidak dilakukan dengan pengujian akar unit. Data yang tidak stasioner bila diregresi akan mudah menghasilkan spurious regression
regresi lancung. Spurious regression adalah regresi yang menggambarkan hubungan dua variabel atau lebih yang kelihatannya signifikan secara statistik dan
nilai koefisien determinasi yang tinggi namun hubungan antar variabel dalam model tidak saling berhubungan.
Dalam penelitian ini untuk menguji apakah data mengalami masalah stasioneritas dengan menggunakan metode Augmented Dickey Fuller ADF test.
Adapun formulasi uji ADF adalah sebagai berikut Widarjono, 2013: 309: ∆�
�
= ��
�−1
+ ∑
�
�
∆�
�−1+1
+ �
� �
�=2
3.3 ∆�
�
= �
+ ��
�−1
+ ∑
�
�
∆�
�−1+1
+ �
� �
�=2
3.4 ∆�
�
= �
+ �
1
� + ��
�−1
+ ∑
�
�
∆�
�−1+1
+ �
� �
�=2
3.5 dimana:
Y = variabel yang diamati
∆�
�
= �
�
− �
�−1
T = trend waktu
�
�
= error term Hipotesis yang diuji adalah Gujarati, 2012 :447:
H :
� = 0 data tidak stasioner H
1
: � 0 data stasioner
Prosedur untuk menentukan stasioneritas data adalah dengan cara membandingkan antara nilai statistik ADF dengan nilai kritisnya yang disebut
Mackinnon. Nilai statistik ADF ditunjukkan oleh nilai t statistik koefisien ��
�−1
Universitas Sumatera Utara Universitas Sumatera Utara
39
pada persamaan 3.3 sampai 3.5. Jika nilai absolut statistik ADF lebih besar dari nilai kritisnya maka data yang diamati menunjukkan stasioner dan jika
sebaliknya nilai absolut statistik ADF lebih kecil dari nilai kritisnya maka data tidak stasioner. Dalam ADF akan tetap diuji apkah
� = 0 dan
3.6.2. UJi Kointegrasi Johansen Cointegration Test
Data yang tidak stasioner seringkali menunjukkan hubungan keseimbangan jangka pendek, tetapi ada kecenderungan terjadinya hubungan
keseimbangan jangka panjang. Untuk itu analisis selanjutnya berkaitan dengan uji kointegrasi untuk mengetahui ada tidaknya hubungan jangka panjang dalam
variabel yang diteliti. Suatu sistem variabel disebut terkointegrasi jika beberapa variabel tersebut minimal satu variabel terintegrasi pada ordo yang sama dan
berlaku kombinasi linier dari sistem variabel tersebut yang terintegrasi pada ordo nol I0, yaitu disequillibrium error atau residual u
t
bersifat stasioner
.
Variabel yang saling berkointegrasi menggambarkan keadaan keseimbangan jangka
panjang long run equilibrium. Metode uji kointegrasi yang dipakai dalam penelitian ini adalah
pendekatan multivariate yaitu, Johansen Cointegration Test. Uji kointegrasi ini dikembangkan oleh Johansen dapat digunakan untuk menentukan kointegrasi
sejumlah variabel vector. Dalam uji Johansen penentuan kointegrasi didilihat dari nilai trace statictic dan maximum eigenvalue statistic. Jika nilai trace statictic
dan maximum eigenvalue statistic lebih besar dari nilai kritisnya maka, terdapat kointegrasi sejumlah variabel dan sebaliknya jika nilai trace statictic dan
Universitas Sumatera Utara Universitas Sumatera Utara
40
maximum eigenvalue statistic lebih kecil dari nilai kritisnya maka tidak ada kointegrasi.
3.6.3. Error Correction Model ECM
Error Correction Model ECM digunakankan untuk mengoreksi ada kemungkinan terjadi ketidakseimbangan disequilibrium dalam jangka pendek.
Pendekatan model ECM mulai timbul sejak perhatian para ahli ekonometrika membahas secara khusus ekonometrika time series. Model ECM diperkenalkan
oleh Sargan, dikembangkan oleh Hendry, dan dipopulerkan oleh Engle dan Granger 1987. Model ECM mempunyai beberapa kegunaan, namun penggunaan
yang paling utama dalam ekonometrika adalah mengatasi data runtun waktu yang tidak stasioner dan spurious regression. Model ECM Engle-Granger dapat
didefinisikan sebagai berikut Widarjono, 2013: 322:
∆�
�
= �
+ �
1
∆�
�
+ �
2
��
�
+ �
�
3.6
dimana ��
�
= �
�−1
− � − �
1
�
�−1
3.7 �
1
= koefisien jangka pendek �
1
= koefisien jangka panjang �
2
= koefisien koreksi ketidakseimbangan. Koefisien koreksi ketidakseimbangan
�
2
adalah nilai absolut yang menjelaskan seberapa cepat waktu yang diperlukan untuk mendapatkan nilai
keseimbangan.
Universitas Sumatera Utara Universitas Sumatera Utara
41
3.6.4. Uji Asumsi Klasik 1. Uji Autokolerasi
Model regresi linier klasik mengasumsikan bahwa faktor pengganggu yang berhubungan dengan observasi tidak dipengaruhi oleh faktor pengganggu
pada pengamatan lainnya. Apabila terjadi gangguan antara anggota serangkaian observasi pada data runtun waktu maka akan muncul autokolerasi. Dalam
penelitian ini untuk mendeteksi auto kolerasi mengunakan Breusch-Godfrey Serial Corelation LM Test. Adapun hipotesis dalam uji ini adalah:
H :
tidak terdapat autokolerasi H
1
: terdapat autokolerasi
Wilayah kritik penolakan H adalah Probability ObsR-Ssquared
α.
2. Uji Heteroskedastisitas
Apabila varians σ
2
dari faktor pengganggu error term adalah sama untuk semua observasi atas variabel bebas X
i
, disebut dengan homoskedastisitas varian sama. Apabila nilai varian dari variabel tak bebas Y
i
meningkat sebagai akibat meningkatnya varian dari variabel bebas X
i
maka varian dari Y
i
tidak sama, maka dapat dikatakan mengalami heteroskedastisitas. Dalam penelitian ini,
untuk mendeteksi heterokedastisitas dengan melakukan uji White. Hipotesis yang diuji adalah:
H :
tidak terdapat heteroskedastisitas H
1
: terdapat heteroskedastisitas
Wilayah kritik penolakan H adalah Probability ObsR-Ssquared
α.
Universitas Sumatera Utara Universitas Sumatera Utara
42
3. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah normal atau tidaknya faktor pengganggu error term. Dalam penelitian ini untuk menguji apakah data
telah berdistribusi normal dengan mengunakan JB-test. Apabila angka probability 0,05 maka data berdistribusi normal, sebaliknya apabila angak
probability 0,05 maka data tidak berdistrubusi normal.
Universitas Sumatera Utara Universitas Sumatera Utara
43
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1.Gambaran Deskriptif Variabel 4.1.1. Perkembangan Jumlah Uang Beredar
Uang beredar adalah suatu istilah yang dipakai dalam ilmu ekonomi yang didefenisikan sebagai jumlah uang yang berada di tangan masyarakat. Namun
defenisi tersebut terus berkembang, sehingga perhitungan jumlah uang beredar di berbagai negara dapat berbeda-beda. Di Indonesia, peredaran uang dalam
masyarakat secara umum dibagi menjadi uang beredar dalam arti sempit M1- narrow money yang terdiri dari uang kartal dan giro Rupiah dan uang beredar
dalam arti luas M2-broad money yang terdiri dari M1 dan uang kuasi. Dalam gambar 4.1 ditunjukkan perkembangan jumlah uang beredar di masyarakat.
Sumber: Data Olahan Eviews, Lampiran 1
Gambar 4.1. Perkembangan Jumlah Uang Beredar M1 dan M2
Sebagaimana terlihat dalam gambar 4.1. di atas, jumlah uang beredar dalam arti sempit M1 dan dalam arti luas M2 mengalami peningkatan dari
Universitas Sumatera Utara Universitas Sumatera Utara
44
waktu ke waktu selama periode pengamatan. Dalam hal ini terdapat tiga pelaku utama yang mendorong peningkatan jumlah uang beredar di Indonesia yaitu,
pemerintah, perusaahaan, dan masyarakat. Pemerintah sebagai pelaku ekonomi membutuhkan uang untuk malaksanakan program pembangunan. Bagi perusahaan
uang sangat diperlukan untuk membiayai proses produksi dan distribusi barang dan jasa yang dihasilkan oleh perusahaan. Sedangkan, masyarakat membutuhkan
uang untuk digunakan sebagai alat dalam melakukan transasi ekonomi setiap harinya. Maka tidak mengherankan jika jumlah uang beredar di Indonesia selalu
memngalami peningkatan.
4.1.2. Sistem Pembayaran Non Tunai
Sistem pembayaran non tunai memegang peran yang strategis dalam mendukung aktivitas perekonomian terutama untuk menjamin terselengaranya
berbagai transaksi pembayaran yang dilakukan oleh para pelaku ekonomi. Selain itu sistem pembayaran juga berperan penting dalam mendukung terciptanya
stabilitas keuangan dan pelaksanaan kebijakan moneter. Saat ini sistem pembayaran di Indonesia diselenggarakan oleh Bank Indonesia dan pihak luar
Bank Indonesia atau industri pembayaran. Sistem pembayaran yang diselenggarakan oleh Bank Indonesia yakni, system BI-RTGS, SKNBI dan BI-
SSSS, sementara itu APMK, e-money, dan Kegiatan Usaha Pengiriman Uang KUPU diselengarakan oleh bank maunpun lembaga non-bank.
Perkembangan sistem pembayaran di Indonesia secara umum menunjukan trend kearah sistem pembayaran non tunai. Peningkatan inovasi dalam sistem
pembayaran non tunai tidak terlepas dari semakin meningkatnya kebutuhan
Universitas Sumatera Utara Universitas Sumatera Utara
45
masyarakat akan instrumen pembayaran yang praktis, efisien dan nyaman. Dalam gambar 4.2. ditunjukkan perkembangan sistem pembayaran non tunai yang
diselengarakan oleh Bank Indonesia. Dengan nilai transaksi yang cukup tinggi, BI-RTGS dikategorikan sebagai Systematically Important Payment System SIPS,
yaitu sistem yang memproses transaksi bernilai besar dengan potensi resiko sistematik Bank Indonesia, 2013: 11.
Sumber: Data Olahan Eviews, Lampiran 1
Gambar 4.2. Perkembangan Transaksi Melalui Sistem BI-RTGS dan SKNBI
Pada gambar 4.2. di atas terlihat bahwa, baik sistem BI-RTGS maupun SKNBI menunjukkan trend kenaikan baik dari segi nilai transaksi dan volume
transaksi selama periode pengamatan. Hal ini disebabkan dengan semakin luasnya cakupan wilayah pelaksanaan BI-RTGS dan penyempurnaan SKNBI yang
semakin meningkatkan minat masyarakat untuk mengunakan jasa pembayaran tersebut. Peningkatan volume transaksi BI-RTGS mengindikasikan bahwa transfer
dana melalui BI-RTGS dan SKNBI masih menjadi pilihan transfer selain transfer melalui APMK.
2,000 3,000
4,000 5,000
6,000 7,000
8,000 9,000
10,000 11,000
400 600
800 1,000
1,200 1,400
1,600 1,800
2,000 2,200
2009 2010
2011 2012
2013 NTRTGS
VTRTGS Nilai Triliun Rupiah
Volume Juta Transaksi
50 100
150 200
250 300
2 4
6 8
10 12
2009 2010
2011 2012
2013 NTKLIRING
VTKLIRING Nilai Triliun rupiah
Volume Juta Transaksi
100 120
140 160
180 200
220 240
260 280
6 7
7 8
8 9
9 10
10 11
2010 2011
2012 2013
NTKLIRING VTKLIRING
Nilai Triliun Rupiah Volume Juta Transaksi
3,000 4,000
5,000 6,000
7,000 8,000
9,000 10,000
11,000
900 1,000
1,100 1,200
1,300 1,400
1,500 1,600
1,700
2010 2011
2012 2013
NTRTGS VTRTGS
Nilai Triliun Rupiah Volume Juta Transaksi
Universitas Sumatera Utara Universitas Sumatera Utara
46
Sebagaimana dijelaskan sebelumnya, sistem pembayaran non tunai juga diselenggarakan oleh pihak di luar Bank Indonesia. Sistem pembayaran yang
diselenggarakan oleh pihak di luar bank Indonesia meliputi APMK, e-money. Yang termasuk dalam APMK adalah aktivitas pengunaan instrumen pembayaran
menggunkan kartu ATM Debet, kartu kredit. Dalam gambar 4.3. ditunjukkan perkembangan transaksi menggunakan APMK di Indonesia.
Sum ber: Data Olahan Eviews, Lampiran 1
Gambar 4.3. Perkembangan Transaksi Menggunakan APMK
Perkembangan transaksi APMK menunjukkan trend peningkatan dari waktu ke waktu selama periode penelitian baik dari sisi nilai transaksi maupun
volume tramsaksi. Peningkatan ini diprediksi akan terus meningkat sejalan dengan semakin beragamnya fasilitas dan fungsi yang di tawarkan oleh APMK. Selain itu
dengan semakin meningkatnya jumlah merchant yang menerima pembayaran melalui EFT POS Electronic Fund Transfer – Point Of Sales. Melalui EFT POS
pemegang kartu ATMdebit dapat melakukan pembayaran untuk pembelian
8 10
12 14
16 18
20 22
24 26
14 15
16 17
18 19
20 21
22 23
2010 2011
2012 2013
NTKK VTKK
Nilai Triliun Rupiah Volume Juta Transaksi
120 160
200 240
280 320
360 400
100 150
200 250
300 350
400 450
2010 2011
2012 2013
NTATM VTATM
Nilai Triliun Rupiah Volume Juta Transaksi
Universitas Sumatera Utara Universitas Sumatera Utara
47
barang atau jasa melalui transfer dana online dari account pemegang kartu ke account merchant pemilik toko.
E-money pertama kali diterbitkan di Indonesia pada tahun 2007. Dibandingkan dengan instrumen non tunai lainnya penggunaan e-money masih
belum signifikan, meskipun pada dasarnya e-money memiliki potensi yang cukup besar, khususnya di sektor pembayaran ritel. Dalam gambar 4.4 ditunjukkan
perkembangan transaksi menggunakan e-money.
Sumber: Data Olahan Eviews, Lampiran 1
Gambar 4.4. Perkembangan Transaksi Menggunakan
E-money
Terlihat dari nilai transaksi dan volume transaksi untuk e-money menunjukkan trend peningkatan selama periode pengamatan. Bahkan aktivitas
peggunanan e-money pada tahun 2012 mengalami peningkatan cukup tinggi, dibandingkan periode sebelumnya, yaitu naik sekitar 37 untuk volume transaksi
dan 89 untuk nilai transaksi. Peningkatan ini dapat menjadi indikasi adanya perubahan pola transaksi pembayaran konsumen yang sebagian besar
menggunakan transaksi tunai mulai berubah secara perlahan menuju penggunaan e-money. Walaupun pada periode 2012-2013 terlihat bahwa aktivitas transaksi e-
Universitas Sumatera Utara Universitas Sumatera Utara
48
money sangat fluktuatif tetapi tetap megarah kepada pola peningkatan penggunaan e-money.
Secara keseluruhan variabel pembayaran non tunai, BI-RTGS, SKNBI, APMK, dan e-money menunjukkan trend kenaikan selama periode penelitian. Hal
ini terjadi seiring dengan pesatnya kemajuan teknologi yang mengakibatkan semakin berkembangnya akses dan ketersediaan instrumen pembayaran non tunai
sehingga mendorong masyarakat untuk mengguanakannya. Perkembangan ini tentunya tidak terlepas dari inovasi dan persaingan industri perbankan dalam
menyediakan layanan keuangan kepada masyarakat unuk terus menarik minat masyarakat dalam menggunakan produk mereka.
4.2.Analisis Data 4.2.1. Pengujian Stasioneritas
Sebelum data dipergunakan dalam estimasi model, berdasarkan prosedur pengunaan data time series perlu dilakukan pengujian unit root. Uji akar unit
dilakukan untuk melihat stasioneritas data. Data yang digunakan dalam pengestimasian model harus bersifat stasioner. Data yang tidak stasioner akan
menyebabkan regresi lancung. Dalam penelitian uji akar unit dilakukan dengan menggunakan metode Augmented Dickey Fuller ADF test.
Tabel 4.1 berikut ini menunjukkan hasil pengujian akar unit dengan menggunakan ADF-Test pada tingkat level, dapat dilihat bahwa terdapat dua
variabel dari seluruh variabel yang digunakan dalam penelitian ini yang bersifat stasioner. Yaitu volume transaksi SKNBI dan volume transaksi BI-RTGS. Hal ini
terlihat dari nilai absolut ADF-nya lebih besar dari nilai kritis McKinnon pada
Universitas Sumatera Utara Universitas Sumatera Utara
49
taraf nyata 1 persen dan 5 persen. Dengan demikian dapat dikatakan bahwa pada tahap ini, data yang dipergunakan mengandung unit root atau tidak stasioner pada
derajat yang sama yaitu tingkat level I0 atau derajat nol. Oleh karena itu, pengujian akan dilanjutkan pada uji stasioneritas pada first-difference sampai
semua variable stasioner pada derajat yang sama.
Tabel 4.1. Hasil Uji Stasioneritas – ADF Test pada
Level
Variabel t-statistic
Keterangan Nilai ADF
McKinnon 1
5 10
M1 -0.964764 -3.577723 -2.925169 -2.600658 Tidak Stasioner
M2 -0.299991 -3.577723 -2.925169 -2.600658 Tidak Stasioner
VTATM 0.236140
-3.600987 -2.935001 -2.605836 Tidak Stasioner VTKK
0.088128 -3.600987 -2.935001 -2.605836 Tidak Stasioner
VTE -0.651198 -3.581152 -2.926622 -2.601424 Tidak Stasioner
VTKLIRING -4.400480
-3.577723
-2.925169 -2.600658 Stasioner
VTRTGS -3.549386 -3.577723 -2.925169 -2.600658
Stasioner NTATM
-0.468220 -3.600987 -2.935001 -2.605836 Tidak Stasioner NTKK
-0.656295 -3.600987 -2.935001 -2.605836 Tidak Stasioner NTE
-0.392691 -3.584743 -2.928142 -2.602225 Tidak Stasioner
NTKLIRING -0.005990
-3.584743 -2.928142 -2.602225 Tidak Stasioner NTRTGS
-1.792367 -3.577723 -2.925169 -2.600658 Tidak Stasioner
Keterangan: data stasioner pada taraf nyata 1 persen, 5 persen, dan 10 persen
data stasioner pada taraf nyata 5 persen dan 10 persen data stasioner pada taraf nyata 10 persen
Sumber : Data Olahan Eviews, Lampiran 2
Berdasarkan hasil uji unit root sebagai mana terlihat dalam Tabel 4.2. berikut ini. Hasil uji statistik ADF pada first-difference menunjukkan bahwa
hipotesis nol dapat ditolak, artinya data telah stasioner setelah diturunkan satu kali pada derajat integrasi satu I1. Hal ini dibuktikan dengan nilai absolut statistik
ADF-nya lebih besar dari nila kritis McKinnon-nya pada taraf nyata 1 persen.
Universitas Sumatera Utara Universitas Sumatera Utara
50
Tabel 4.2. Hasil Uji Stasioneritas – ADF Test pada
First Difference Tanpa Tren
Variabel t-statistic
Keterangan Nilai ADF
McKinnon 1
5 10
M1 -6.889905 -3.584743 -2.928142 -2.602225
Stasioner M2
-8.787332 -3.581152 -2.926622 -2.601424 Stasioner
VTATM -5.666488 -3.600987 -2.935001 -2.605836
Stasioner VTKK
-5.713612 -3.600987 -2.935001 -2.605836 Stasioner
VTE -9.927890 -3.581152 -2.926622 -2.601424
Stasioner
VTKLIRING
-8.553965 -3.584743 -2.928142 -2.602225 Stasioner
VTRTGS -6.517804 -3.592462 -2.931404 -2.603944
Stasioner NTATM
-6.499457 -3.600987 -2.935001 -2.605836 Stasioner
NTKK -5.530286 -3.600987 -2.935001 -2.605836
Stasioner NTE
-8.520118 -3.584743 -2.928142 -2.602225 Stasioner
NTKLIRING
-9.953422 -3.584743 -2.928142 -2.602225 Stasioner
NTRTGS -7.388482 -3.581152 -2.926622 -2.601424
Stasioner
Keterangan: data stasioner pada taraf nyata 1 persen, 5 persen, dan 10 persen
data stasioner pada taraf nyata 5 persen dan 10 persen data stasioner pada taraf nyata 10 persen
Sumber: Data Olahan Eviews, Lampiran 3
Dengan demikian, sesuai dengan hasil uji unit root pada Tabel 4.2. diatas dapat disimpulkan bahwa seluruh variabel yang digunakan dalam penelitian ini
telah stasioner pada tingkat first-difference. Dengan kata lain, variabel tersebut terintegrasi pada derajat yang sama yaitu pada derajat intergrasi satu I1.
4.2.2. Uji Kointegrasi
Uji kointegrasi ini dilakukan dalam rangka untuk memperoleh hubungan jangka panjang yang stabil antar variabel. Berdasarkan hasil pengujian unit root
seluruh variabel telah terintegrasi pada derajat yang sama yaitu derajat satu, I1, dengan demikian seluruh varabel telah memenuhi persyaratan untuk proses
integrasi dan pengujian kointegrasi dapat dilakukan. Pada penelitian ini pengujian kointegrasi dilakukan dengan metode Johansen Cointegration Test.
Universitas Sumatera Utara Universitas Sumatera Utara
51
Pada Tabel 4.3 berikut ini menunjukkan hasil pengujian Johansen Cointegration pada persamaan M1 dengan menngunakan asumsi deterministic 3
linear, intercept no trend. Bedasarkan uji trace statistic dan max-eigenvalues statistic data variabel pada persamaan M1 menunjukkan terdapat sejumlah
hubungan kointergrasi pada tingkat signifikansi 5 persen. Berdasarkan uji trace statistic menunjukkan terdapat delapan hubungan kointegrasi, sedangkan
berdasarkan uji max-eigenvalues statistic menunjukkan terdapat dua hubungan kointegrasi pada persamaan M1. Hal ini terlihat dari perbandingan nilai trace
statistic-nya dan max-eigenvalues statistic-nya yang lebih besar dibandingkan nilai kritisnya.
Tabel 4.3. Hasil Uji Kointegrasi Variabel-Variabel Persamaan M1
Cointegration Rank Test Trace Cointegration Rank Test Maximum
Eigenvalue Hypothesized
No. of CEs Trace
Statistic 0.05
Critical Value
Hypothesized No. of CEs
Max-Eigen Statistic
0.05 Critical
Value None
392.6288 285.1425 None
93.01939 70.53513
At most 1 299.6094 239.2354
At most 1 67.83643
64.50472 At most 2
231.7730 197.3709 At most 2
52.47754 58.43354
At most 3 179.2954 159.5297
At most 3 47.22422
52.36261 At most 4
132.0712 125.6154 At most 4
27.93523 46.23142
At most 5 104.1360 95.75366
At most 5 26.79110
40.07757 At most 6
77.34487 69.81889 At most 6
25.55443 33.87687
At most 7 51.79044 47.85613
At most 7 23.62044
27.58434 At most 8
28.17000 29.79707 At most 8
18.17695 21.13162
At most 9 9.993051 15.49471
At most 9 9.415337
14.26460 At most 10
0.577714 3.841466 At most 10
0.577714 3.841466
Trace test indicates 8 cointegrating eqns at the 0.05 level.
denotes rejection of the hypothesis at the 0.05 level.
Max-eigenvalue test indicates 2 cointegrating eqns at the 0.05 level.
denotes rejection of the hypothesis at the 0.05 level.
Sumber: Data Olahan Eviews, Lampiran 4
Universitas Sumatera Utara Universitas Sumatera Utara
52
Pada Tabel 4.4 berikut ini menunjukkan hasil pengujian Johansen Cointegration pada persamaan M2 dengan menngunakan asumsi deterministic 3
linear, intercept no trend. Bedasarkan uji trace statistic dan max-eigenvalues statistic data variabel pada persamaan M2 menunjukkan terdapat sejumlah
hubungan kointergrasi pada tingkat signifikansi 5 persen. Berdasarkan uji trace statistic menunjukkan terdapat delapan hubungan kointegrasi, sedangkan
berdasarkan uji max-eigenvalues statistic menunjukkan terdapat dua hubungan kointegrasi pada persamaan M2. Hal ini terlihat dari perbandingan nilai trace
statistic-nya dan max-eigenvalues statistic-nya yang lebih besar dibandingkan nilai kritisnya.
Tabel 4.4. Hasil Uji Kointegrasi Variabel-Variabel Persamaan M2
Cointegration Rank Test Trace Cointegration Rank Test Maximum
Eigenvalue Hypothesized
No. of CEs Trace
Statistic 0.05
Critical Value
Hypothesized No. of CEs
Max- Eigen
Statistic 0.05
Critical Value
None 404.2748
285.1425 None
85.61264 70.53513 At most 1
318.6621 239.2354
At most 1 71.54004 64.50472
At most 2 247.1221
197.3709 At most 2
56.31920 58.43354 At most 3
190.8029 159.5297
At most 3 53.61780 52.36261
At most 4 137.1851
125.6154 At most 4
33.43892 46.23142 At most 5
103.7462 95.75366
At most 5 28.40735 40.07757
At most 6 75.33883
69.81889 At most 6
26.08026 33.87687 At most 7
49.25858 47.85613
At most 7 20.49609 27.58434
At most 8 28.76249
29.79707 At most 8
18.77738 21.13162 At most 9
9.985107 15.49471
At most 9 7.840782 14.26460
At most 10 2.144325
3.841466 At most 10
2.144325 3.841466
Trace test indicates 8 cointegrating eqns at the 0.05 level.
denotes rejection of the hypothesis at the 0.05 level.
Max-eigenvalue test indicates 2 cointegrating eqns at the 0.05 level.
denotes rejection of the hypothesis at the 0.05 level.
Sumber: Data Olahan Eviews, Lampiran 5
Universitas Sumatera Utara Universitas Sumatera Utara
53
Berdasarkan hasil uji kointegrasi yang telah dilakukan menunjukkan adanya hubungan kointegrasi pada persamaan M1 dan persamaan M2 pada tingkat
signifikansi 5 persen. Hal ini berarti terdapat hubungan jangka panjang antara jumlah uang beredar dalam arti sempit M1-narrow money dan jumlah uang
beredar dalam arti luas M2-broad money dengan variabel-variabel yang mempengaruhinya yakni pembayaran non tunai yang didekati dengan empat
pilihan transaksi yaitu BI-RTGS, SKNBI, APMK dan e-money. 4.2.3. Analisis
Error Correction Model ECM
Dalam penelitian ini Error Correction Model digunakan untuk mengestimasi model jangka pendek dinamis. Setelah melakukan uji kointegrasi
dari Johansen terbukti bahwa terdapat keseimbangan jangka panjang antara M1 dengan variabel-variabel pembayaran non tunai dan M2 dengan variabel
pembayaran non tunai. Hasil estimasi persamaan M1 dan persamaan M2 dalam jangka panjang ditunjukkan pada Tabel 4.5 berikut ini.
Universitas Sumatera Utara Universitas Sumatera Utara
54
Tabel 4.5. Hasil Estimasi Jangka Panjang Pengaruh Pembayaran Non Tunai terhadap
Jumlah Uang Beredar
Dependen Variabel: M1 Dependen Variabel: M2
Variable Coefficient t-Statistic
Variable Coefficient t-Statistic
VTATM 0.020456
0.102460 VTATM
0.255092 1.614049
VTKK -0.344789 -1.355340
VTKK -0.200554 -0.995897
VTE 0.076006
2.156282 VTE
0.109413 3.921194
VTKLIRING 0.050884
0.388221
VTKLIRING
-0.198711 -1.915181 VTRTGS
0.001617 0.012109
VTRTGS 0.063721
0.602639 NTATM
0.478318 1.982533
NTATM 0.103944
0.544244 NTKK
0.212455 0.849588
NTKK 0.154473
0.780339 NTE
0.008671 0.256933
NTE -0.022422 -0.839296
NTKLIRING -0.107266 -0.988351 NTKLIRING
0.099067 1.153103
NTRTGS 0.043215
1.731694 NTRTGS 0.037065
1.876263 C
5.320534 2.787913
C 7.116031
4.710326 R-squared
0.977036 R-squared 0.984299
Adjusted R-squared 0.970830 Adjusted R-squared
0.980056
Keterangan: signifikan pada α =1 persen
signifikan pada α =5 persen signifikan pada α = 10 persen
Sumber: Data Olahan Eviews, Lampiran 6, Lampiran 7
Berdasarkan Tabel 4.5 diatas, terdapat tiga variabel yang signifikan mempengaruhi jumlah uang beredar M1 dan M2. Penggunaan e-money melalui
proxy volume transaksi e-money berpengaruh positif dan signifikan terhadap jumlah uang beredar M1 dan M2. Pengaruh yang positif dan signifikan juga
ditunjukkan oleh penggunaan APMK melalui proxy nilai transaksi ATMDebet terhadap M1. Penggunaan SKNBI melalui proxy volume transaksi kliring
berpengaruh negatif dan signifikan terhadap M2. Selanjutnya transaksi BI-RTGS melalui proxy nilai transaksi BI-RTGS menunjukkan pengaruh yang positif dan
signifikan terhadap jumlah uang beredar M1 dan M2. Setelah melihat hunbungan jangka panjang selanjutnya adalah melihat
hubungan jangka pendek dari variabel-variabel yang digunakan dalam model ECM. Hasil estimasi persamaan jangka pendek M1 dan M2 digunakan untuk
Universitas Sumatera Utara Universitas Sumatera Utara
55
melihat perilaku jangka pendek dari persamaan dengan mengestimasi dinamika error correction term, yaitu ECT1-1 dan ECT2-1.
Hasil estimasi jangka pendek dengan pendekatan ECM Engle-Granger persamaan M1 ditunjukkan dalam Tabel 4.6 berikut ini.
Tabel 4.6. Hasil Estimasi ECM Pengaruh Pembayaran Non Tunai terhadap Jumlah
Uang Beredar dalam Arti Sempit M1-Narrow Money
Variabel Coefficient
Std. Error t-Statistic
Prob. C
0.011108 0.003913
2.838336 0.0093
DM1-1 0.245064
0.152274 1.609365
0.1212 DVTATM
-0.124728 0.127368
-0.979278 0.3376
DVTATM-1 -0.012256
0.242011 -0.050640
0.9600 DVTKK
0.035009 0.171820
0.203752 0.8403
DVTKK-1 0.388537
0.148280 2.620286
0.0153 DVTE
-0.030918 0.038454
-0.804041 0.4296
DVTE-1 0.062610
0.044326 1.412489
0.1712 DVTKLIRING
0.321420 0.091010
3.531688 0.0018
DVTKLIRING-1 0.076207
0.090520 0.841890
0.4085 DVTRTGS
-0.097746 0.091035
-1.073718 0.2941
DVTRTGS-1 0.015482
0.077939 0.198637
0.8443 DNTATM
0.343695 0.129857
2.646722 0.0144
DNTATM-1 -0.025600
0.209154 -0.122398
0.9036 DNTKK
-0.201127 0.143673
-1.399896 0.1749
DNTKK-1 -0.309514
0.151996 -2.036330
0.0534 DNTE
0.045129 0.018580
2.428843 0.0234
DNTE-1 -0.058135
0.020854 -2.787742
0.0105 DNTKLIRING
-0.252364 0.104203
-2.421842 0.0237
DNTKLIRING-1 -0.139797
0.094230 -1.483570
0.1515 DNTRTGS
0.095399 0.026541
3.594349 0.0015
DNTRTGS-1 -0.021663
0.030208 -0.717150
0.4805 ECT1-1
-0.509278 0.135039
-3.771339 0.0010
R-squared 0.850237 Akaike info criterion
-5.169282 Adjusted R-squared
0.706985 Schwarz criterion -4.254961
F-statistic 5.935268 Durbin-Watson stat
2.004579
Sumber: Data Olahan Eviews, Lampiran 8
Bersarkan hasil estimasi persamaan jangka pendek pada Tabel 4.6 di atas memperlihatkan bahwa banyak variabel yang tidak signifikan secara statistik.
Salah satu kelebihan dari model ECM adalah dapat mengeliminiasi variabel-
Universitas Sumatera Utara Universitas Sumatera Utara
56
variabel yang tidak signifikan tanpa menimbulkan masalah terhadap diagnostic statistic, untuk meningkatkan efisiensi dari estimasi. Oleh karena itu, hasil
estimasi persamaan jangka pendek dapat dilakukan dengan melakukan retriksi terhadap variabel-variabel yang berpengaruh signifikan. Hasil estimasi ECM yang
signifikan dapat dilihat pada Tabel 4.7 berikut ini.
Tabel 4.7. Hasil Estimasi ECM Pengaruh Pembayaran Non Tunai terhadap Jumlah
Uang Beredar dalam Arti Sempit M1- Narrow Money yang Signifikan
Variabel Coefficient
Std. Error t-Statistic
Prob. C
0.010654 0.002760
3.860257 0.0005
DVTKK-1 0.247947
0.123461 2.008297
0.0522 DVTKLIRING
0.156273 0.053863
2.901285 0.0063
DNTATM 0.149253
0.058072 2.570161
0.0144 DNTKK-1
-0.193687 0.094660
-2.046135 0.0481
DNTE 0.045916
0.014762 3.110388
0.0036 DNTE-1
-0.022367 0.014190
-1.576189 0.1237
DNTKLIRING -0.185082
0.058708 -3.152594
0.0033 DNTRTGS
0.059069 0.023727
2.489570 0.0175
ECT1-1 -0.547199
0.119603 -4.575108
0.0001 R-squared
0.707856 Akaike info criterion -5.066306
Adjusted R-squared 0.634820 Schwarz criterion
-4.668775 F-statistic
9.691861 Durbin-Watson stat 1.940775
Sumber: Data Olahan Eviews, Lampiran 10
Hasil estimasi model ECM menunjukan nilai ECT yang signifikan secara statistik , dengan p value sebesar 0.0001. Hal ini berarti model spesifikasi ECM
yang digunakan dalam penelitian ini adalah valid. Berdasarkan Tabel 4.7, koefisien koreksi kesalahan ECT1-1 memiliki nilai negatif dan secara absolut
kurang dari satu. Nilai koefisien ECt adalah 0.547199 mempunyai makna bahwa perbedaan antara nilai aktual M1 dengan nilai keseimbangannya sebesar 0.547199
akan disesuaikan dalam waktu dua bulanan.
Universitas Sumatera Utara Universitas Sumatera Utara
57
Hasil estimasi jangka pendek dengan pendekatan ECM Engle-Granger persamaan M2 ditunjukkan dalam Tabel 4.6 berikut ini.
Tabel 4.8. Hasil Estimasi ECM Pengaruh Pembayaran Non Tunai terhadap Jumlah
Uang Beredar dalam Arti Luas M2- Broad Money
Variabel Coefficient
Std. Error t-Statistic
Prob. C
0.011179 0.002461
4.542666 0.0001
DM2-1 0.328503
0.160962 2.040868
0.0529 DVTATM
-0.042485 0.060858
-0.698108 0.4921
DVTATM-1 -0.009238
0.114834 -0.080449
0.9366 DVTKK
0.075834 0.080573
0.941184 0.3564
DVTKK-1 0.111950
0.070933 1.578256
0.1282 DVTE
-0.027757 0.018176
-1.527068 0.1404
DVTE-1 0.006962
0.021146 0.329241
0.7450 DVTKLIRING
0.132765 0.042827
3.100000 0.0050
DVTKLIRING-1 0.073887
0.042158 1.752603
0.0930 DVTRTGS
0.075871 0.043746
1.734353 0.0962
DVTRTGS-1 -0.066704
0.039388 -1.693498
0.1039 DNTATM
0.043595 0.061326
0.710868 0.4843
DNTATM-1 0.006514
0.099706 0.065331
0.9485 DNTKK
0.025744 0.066286
0.388378 0.7013
DNTKK-1 -0.036794
0.073133 -0.503117
0.6197 DNTE
0.012962 0.008895
1.457213 0.1586
DNTE-1 -0.037523
0.010014 -3.747226
0.0011 DNTKLIRING
-0.233121 0.052070
-4.477045 0.0002
DNTKLIRING-1 -0.094546
0.045314 -2.086474
0.0482 DNTRTGS
0.049908 0.013308
3.750141 0.0010
DNTRTGS-1 0.020076
0.014147 1.419084
0.1693 ECT2-1
-0.288223 0.092501
-3.115889 0.0049
R-squared 0.864734 Akaike info criterion
-6.646855 Adjusted R-squared
0.735349 Schwarz criterion -5.732534
F-statistic 6.683424 Durbin-Watson stat
2.021831
Sumber: Data Olahan Eviews, Lampiran 9
Untuk mengefisienkan hasil estimasi ECM maka variabel yang tidak signifikan dapat dieliminasi. Oleh karena itu, hasil estimasi persamaan jangka
pendek dilakukan dengan melakukan retriksi terhadap variabel-variabel yang
Universitas Sumatera Utara Universitas Sumatera Utara
58
berpengaruh signifikan. Hasil estimasi ECM yang signifikan dapat dilihat pada Tabel 4.9 berikut ini.
Tabel 4.9. Hasil Estimasi ECM Pengaruh Pembayaran Non Tunai terhadap Jumlah
Uang Beredar dalam Arti Luas M2- Broad Money yang Signifikan
Variabel Coefficient
Std. Error t-Statistic
Prob. C
0.012429 0.001992
6.239739 0.0000
DM2-1 0.150724
0.139486 1.080566
0.2871 DVTKLIRING
0.131727 0.032521
4.050469 0.0003
DVTKLIRING-1 0.065982
0.030357 2.173526
0.0364 DVTRTGS
0.063317 0.033415
1.894888 0.0662
DNTE-1 -0.023347
0.007166 -3.258136
0.0025 DNTKLIRING
-0.181153 0.035203
-5.145958 0.0000
DNTKLIRING-1 -0.090592
0.031414 -2.883799
0.0066 DNTRTGS
0.058353 0.011433
5.103747 0.0000
ECT2-1 -0.248492
0.081252 -3.058303
0.0042 R-squared
0.746728 Akaike info criterion -6.584853
Adjusted R-squared 0.683410 Schwarz criterion
-6.187322 F-statistic
11.79332 Durbin-Watson stat 2.087185
Sumber: Data Olahan Eviews, Lampiran 11
Hasil estimasi model ECM menunjukan nilai ECT yang signifikan secara statistik, dengan p value sebesar 0.0042. Hal ini berarti model spesifikasi ECM
yang digunakan dalam penelitian ini adalah valid. Berdasarkan Tabel 4.9, koefisien koreksi kesalahan ECT1-1 memiliki nilai negatif dan secara absolut
kurang dari satu. Nilai koefisien ECt adalah 0.248492 mempunyai makna bahwa perbedaan antara nilai aktual M1 dengan nilai keseimbangannya sebesar 0.248492
akan disesuaikan dalam waktu empat bulanan. Dengan kata lain, jumlah uang beredar dalam ati luas M2 tidak terlalu responsif terhadap error di waktu
sebelumnya, ketidakseimbangan dikoreksi dengan lambat.
4.2.4. Uji Asumsi Klasik
Pengujian asumsi klasik dilakukan untuk mengatahui ada atau tidaknya masalah-masalah yang muncul dari estimasi OLS. Pengujian yang dilakuakan
Universitas Sumatera Utara Universitas Sumatera Utara
59
harus memenuhi asumsi BLUE Best Linier Unbiased Estimator atinya, bahwa persamaan bebas dari pealanggaran asumsi OLS. Pengujian yang dilakukan yaitu,
uji autokolerasi, uji heterokedastisitas, uji normalitas.
Tabel 4.10. Hasil Uji Auto Kolerasi Dengan Metode LM
test
Variabel Dependen ObsR-squared
Prob. M1
2.379495 0.3043
M2 0.875005
0.6456
Sumber: Data Olahan Eviews, Lampiran 12, Lampiran 13
Berdasarkan hasil uji autokolerasi dengan LM test maka dapat disimpulkan kedua persamaan terbebas dari masalah autokolerasi. Hal ini terlihat
dari nilai probability-nya yang cukup besar di atas 0.05, sehingga H diterima,
yaitu tidak ada autokolerasi.
Tabel 4.11. Hasil Uji Heterokedastisitas dengan Uji
White
Variabel Dependen ObsR-squared
Prob. M1
13.13017 0.1568
M2 7.003126
0.6368
Sumber: Data Olahan Eviews, Lampiran 14, Lampiran 15
Berdasarkan hasil uji heterokedastisitas dengan uji white maka dapat disimpulkan kedua persamaan tidak mengandung masalah heterokedastisitas. Hal
ini terlihat dari nilai probability-nya yang lebih tinggi dari 0.05, sehingga H diterima, maka hasil estimasi tidak terkena heterokedastisitas.
Tabel 4.12.Hasil Uji Normalitas dengan Metode JB- test
Variabel Dependen Jargue-Bera
Probability M1
1.583421 0.453069
M2 0.117881
0.942761
Sumber: Data Olahan Eviews, Lampiran 16, Lampiran 17
Selanjutnya dilakukan uji normalitas dari faktor penggangu error term dari persamaan tersebut. Berdasarkan hasil pengujian normalitas dengan JB-test dapat
disimpulkan bahwa error term pada kedua persamaan telah terdistibusi secara
Universitas Sumatera Utara Universitas Sumatera Utara
60
normal. Hal ini terlihat dari nilai probabilitas Jargue-Bera yang lebih besar dari
0.05. 4.3. Pembahasan
Sistem pembayaran telah mengalami perkembangan yang cukup pesat. Transaksi tunai telah banyak tergantikan oleh instrumen pembayaran non tunai
yang lebih efisien, cepat dan mudah. Sistem pembayaran diperkirakan masih memiliki potensi yang cukup besar untuk terus berkembang. Berdasarkan hasil
penelitian yang telah dilakukan menunjukkan bahwa masing-masing indikator dari pembayaran non tunai volume dan nilai transaksi APMK, e-money, SKNBI,
dan sistem BIRTGS memberikan pengaruh yang berbeda-beda terhadap jumlah uang beredar M1 dan M2.
Lebih lanjut, hasil estimasi ECM memperlihatkan bahwa, variabel transaksi APMK melalui proxy volume transaksi kartu kredit VTKK
berpengaruh positif dan signifikan terhadap M1 pada lag 1. Variabel transaksi APMK melalui proxy nilai transaksi ATMDebet NTATM berpengaruh positif
dan signifikan terhadap M1 pada periode yang sama. Hal yang sama juga ditunjukkan dalam estimasi jangka panjang, dimana variabel transaksi APMK
melalui proxy nilai transaksi ATMDebet NTATM berpengaruh positif dan signifikan terhadap M1. Hal ini berarti bahwa transaksi APMK melalui proxy
volume transaksi kartu kredit VTKK dan nilai transaksi ATMDebet NTATM akan meningkatkan jumlah uang beredar M1 secara keseluruhan. Hal ini cukup
beralasan, mengingat semakin bervariasinnya transaksi yang dapat dilakukan dengan menggunakan APMK. Seperti pembayaran tagihan listik, air, pembelian
Universitas Sumatera Utara Universitas Sumatera Utara
61
pulsa, dan lain-lain yang dapat dilakukan melaui mesin ATM maupun EDC Electronic Data Capture pada merchant. Namun perlu untuk dicermati, bahwa
penggunaan APMK belum sepenuhnya mampu mensubstitusi penggunaan uang kartal dalam transaksi masyarakat. Dengan kata lain, penggunaan kartu ATM,
kartu debet maupun kartu kredit masih diikuti dengan kebutuhan akan uang kartal. Hal ini dapat dipahami karena penggunaan APMK yang masih mengandung unsur
penarikan tunai melalui ATM. Sebagaimana ditunjukkan pada gambar 4.5, dimana pada tahun 2013 nilai dan volume transaksi ATM Debet masih
didominasi oleh penarikan tunai dan transfer, sementara nilai dan volume transaksi untuk belanja masih relatif kecil.
Sumber: Data Olahan Microsoft Exel 2010, Bank Indonesia 2013
Gambar 4.5. Pangsa Nilai dan Volume Transaksi ATM Debet tahun 2013
Hasil yang berbeda ditunjukkan pada persamaan M2, dimana seluruh indikator yang digunakan sebagai proxy variabel transaksi APMK VTATM,
VTKK, NTATM, NTKK secara statistik sama sekali tidak berpengaruh signifikan terhadap M2 dalam jangka pendek maupun dalam jangka panjang.
Universitas Sumatera Utara Universitas Sumatera Utara
62
Hasil ini sejalan dengan penelitian yang dilakukan oleh Ferry Syariffuddin, et, al 2009 yang menggunakan metode Structural Cointegration VAR. Berdasarkan
hasil general impulse response, penelitian Ferry Syariffuddin, et, al 2009 menunjukkan bahwa pengaruh shock variabel pembayaran non tunai terhadap
permintaan uang M2 terlihat positif. Ferry Syariffuddin, et, al 2009 menjelaskan bahwa hasil tersebut tidak dapat ditranslasikan secara langsung sebagai pengaruh
penggunaan APMK terhadap M2, karena porsi APMK dalam variabel pembayaran non tunai masih relatif kecil, dimana variabel pembayaran non tunai
yang digunakan dalam penelitian ini adalah nilai transaksi APMK, kliring dan RTGS.
Berdasarkan pada hasil estimasi ECM, ditemukan bahwa transaksi e- money melalui proxy nilai transaksi e-money NTE menunjukkan pengaruh yang
positif dan signifikan terhadap M1 pada periode yang sama. Dalam jangka panjang transaksi e-money melalui proxy volume transaksi e-money VTE
berpengaruh positif dan signifikan terhadap M1. Pengaruh positif ini mengindikasikan bahwa transaksi e-money akan menyebabkan peningkatan
pemintaan uang M1 secara keseluruhan dan akan menekan kebutuhan akan uang kartal. Hasil ini sesuai dengan penelitian yang dilakukan oleh Joilson Dias 2000
yang meneliti tentang dampak penggunaan digital money terhadap kesejahteraan dan kebijakan moneter di Brazil. Hasil penelitian Joilson Dias 2000 menemukan
bahwa pengunaan digital money dalam transaksi akan mengurangi transaction cost yang akan menyebabkan peningkatkan permintaan uang M1. Hasil estimasi
ECM pada persamaan M2 menunjukkan bahwa variabel transaksi e-money
Universitas Sumatera Utara Universitas Sumatera Utara
63
melalui proxy nilai transaksi e-money NTE berpengaruh negatif dan signifikan terhadap M2 pada lag 1. Hasil yang berbeda ditemukan dalam jangka panjang,
dimana transaksi e-money melalui proxy nilai transaksi e-money NTE tidak berpengaruh signifikan terhadap M2, tetapi transaksi e-money melalui proxy
volume transaksi e-money VTE berpengaruh positif dan signifikan terhadap M2. Dari sisi transaksi SKNBI, hasil estimasi estimasi ECM menunjukkan
bahwa, transaksi SKNBI melalui proxy volume transaksi SKNBI VTKLIRING berpengaruh positif dan signifikan terhadap M1 pada periode yang sama. Hal
yang sama juga terlihat dalam persamaan M2 dimana, variabel transaksi SKNBI melalui proxy volume transaksi SKNBI VTKLIRING berpengaruh positif dan
signifikan terhadap M2 pada periode yang sama dan lag 1. Hubungan positif yang ditunjukkan pada variabel SKNBI melalui proxy volume transaksi SKNBI diatas
berarti bahwa penggunaan transaksi SKNBI dalam transaksi pembayaran masyarakat akan menyebabkan kenaikan jumlah uang beredar M1 dan M2. Hal
ini diduga terjadi karena semakin efisiennya proses transakai melaui SKNBI, dimana penyelesaian transaksinya telah dapat dilakukan secara online.
Sementara itu, transaksi SKNBI melalui proxy nilai transaksi SKNBI NTKLIRING berpengaruh negatif dan signifikan terhadap M1 pada periode
yang sama dan lag 1. Hal yang sama juga ditunjukkkan pada persamaan M2 dimana, transaksi SKNBI melalui proxy nilai transaksi SKNBI NTKLIRING
berpengaruh negatif dan signifikan terhadap M2 pada periode yang sama dan lag 1. Hal ini mengindikasikan bahwa dari sisi nilai transaksi, SKNBI belum menjadi
pilihan transaksi masyarakat terutama untuk transaksi bernilai besar. Hal ini
Universitas Sumatera Utara Universitas Sumatera Utara
64
memperkuat penelitian yang dilakukan oleh Sierra Rosa Sitorus 2006 yang menemukan bahwa nilai transaksi kliring belum mampu mensubstitusi nilai
transaksi tunai. Menurut Sierra Rosa Sitorus 2006 hal ini diduga terjadi karena transaksi-transaksi dalam masyarakat maupun antar bank yang bernilai besar
dilakukan dengan menggunakan fasilitas BI-RTGS. Sedangkan transaksi SKNBI masih terbatas pada transaksi konvensional yaitu transaksi Cek dan Bilyet Giro.
Untuk kliring kredit nilai maksimal yang dapat diproses melalui SKNBI adalah Rp. 100.000.000,00.
Berdasarkan pada hasil estimasi ECM ditemukan bahwa, variabel transaksi BI-RTGS melalui proxy nilai transaksi BI-RTGS NTRTGS berpengaruh positif
dan signifikan terhadap M1 pada periode yang sama. Pengaruh yang sama juga ditunjukkan dalam jangka panjang, dimana variabel transaksi BI-RTGS melalui
proxy nilai transaksi BI-RTGS NTRTGS berpengaruh positif dan signifikan terhadap M1. Pada estimasi persamaan M2, variabel transaksi BI-RTGS melalui
proxy volume dan nilai transaksi BI-RTGS VTRTGS berpengaruh positif dan signifikan terhadap M2 pada periode yang sama. Dalam jangka panjang transaksi
BI-RTGS melalui proxy nilai transaksi BI-RTGS NTRTGS berpengaruh positif dan signifikan terhadap M2. Pengaruh positif yang ditemukan pada variabel
transaksi BI-RTGS melalui proxy nilai dan volume transaksi BI-RTGS berarti bahwa transaksi melalui BI-RTGS akan meningkatkan jumlah uang beredar M1
dan M2. Dari perspektif efisiensi sistem pembayaran peningkatan terhadap jumlah uang beredar ini diduga terjadi karena penyelasain transaksi BI-RTGS
yang dilakukan secara per individual dan real time yang mendukung percepatan
Universitas Sumatera Utara Universitas Sumatera Utara
65
penyelesaian transaksi dan efisiensi transaksi. Pengaruh positif ini mengidikasikan bahwa transfer dana melalui sistem BI-RTGS masih menjadi pilihan utama
dibandingkan dengan transfer melalui APMK dan SKNBI terutama untuk transaksi yang bernilai besar.
Universitas Sumatera Utara Universitas Sumatera Utara
66
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil pengujian dan pembahasan yang telah dilakukan maka dapat diambil kesimpulan sebagai berikut:
1. Transaksi APMK melalui proxy volume transaksi kartu kredit berpengaruh positif dan signifikan terhadap M1 dalam jangka pendek namun tidak
signifikan dalam jangka panjang. Transaksi APMK melalui proxy nilai transaksi ATMDebet berpengaruh positif dan signifikan terhadap M1 dalan
jangka pendek dan jangka panjang. Transaksi e-money melalui proxy nilai transaksi e-money menunjukkan pengaruh yang positif dan signifikan
terhadap M1 dalam jangka pendek. Sedangkan dalam jangka panjang transaksi e-money yang berpengaruh positif dan signifikan terhadap M1
ditemui melalui proxy volume transaksi e-money. Transaksi SKNBI memberikan pengaruh positif dan signifikan melalui proxy volume transaksi
SKNBI terhadap M1 dalam jangka pendek dan jangka panjang, sedangkan melalui proxy nilai trasnsaksi SKNBI menunjukkan pengaruh yang negatif
dan signifikan terhadap M1 dalam jangka pendek, namun tidak signifikan dalam jangka panjang. Transaksi BI-RTGS melalui proxy nilai transaksi BI-
RTGS menunjukkan pengaruh yang positif dan signifikan terhadap M1 dalam jangka pendek dan jangka panjang.
2. Transaksi APMK melalui proxy volume dan nilai transaksi kartu ATMDebet dan kartu kredit belum menunjukkan pengaruh yang signifikan terhadap M2
dalam jangka pendek dan jangka panjang. Variabel transaksi e-money melalui
Universitas Sumatera Utara Universitas Sumatera Utara
67
proxy nilai transaksi e-money berpengaruh negatif dan signifikan terhadap M2 dalam jangka pendek, namun tidak signifikan dalam jangka panjang. Variabel
transaksi SKNBI melalui proxy volume transaksi SKNBI memberikan pengaruh positif terhadap M2 dalam jangka pendek namun tidak signifikan
dalam jangka panjang, sedangkan melalui proxy nilai trasnsaksi SKNBI menunjukkan pengaruh yang negatif terhadap M2 dalam jangka pendek
sedangkan dalam jangka panjang menunjukkan pengaruh yang positif namun tidak signifikan. Transaksi BI-RTGS melalui proxy volume dan nilai
transaksi BI-RTGS berpengaruh positif dan signifikan terhadap M2 dalam jangka pendek dan jangka panjang.
5.2. Saran
Kategori