BAB III METODE PENELITIAN
3.1. Jenis dan Sumber Data
Data yang akan dipakai dalam penelitian ini berupa data sekunder. Data sekunder yang akan digunakan ialah data deret waktu bulanan time series dari bulan
Mei 2006 – Desember 2010 yang merupakan data jumlah total nilai emisi sukuk,
Indeks Harga Konsumen IHK, jumlah pengangguran terbuka, Produk Domestik Bruto PDB, jumlah uang beredar M2, dan bonus Sertifikat Bank Indonesia
Syariah SBIS. Semua data ini diperoleh yang di peroleh dari instansi-instansi terkait, yaitu Statistik Ekonomi dan Keuangan Indonesia Bank Indonesia SEKI-BI,
Badan Pusan Statistik BPS, Badan Pengawas Pasar Modal dan Lembaga Keuangan Bapepam-LK, dan sumber lainnya.
Table 3.1. Variabel, Notasi, dan Sumber Data
Variabel Notasi
Satuan Sumber Data
Total Nilai Emisi Sukuk LnSukuk Milyar Rupiah Bapepam-LK dan
Direktorat Utang Kemenkeu Indeks Harga Konsumen LnIHK
Indeks SEKI-BI
Pengangguran Terbuka LnPT
Jiwa BPS
Gross Domestic Product LnPDB Milyar Rupiah
SEKI-BI Jumlah Uang Beredar
LnM2 Milyar Rupiah
SEKI-BI Bonus SBIS
LnSBIS Persen
SEKI-BI
3.2. Metode Analisis
Penelitian ini terdiri dari metode kuantitatif dan metode analisis deskriptif. Metode analisis deskriptif digunakan untuk menjelaskan kondisi perkembangan
sukuk di Indonesia dan kondisi makroekonomi di Indonesia sebelum diterbitkannya sukuk. Metode kuantitatif digunakan untuk pengujian model
Vector Autoregressive
VAR yang akan dipakai untuk menganalisis dampak penerbitan sukuk terhadap indicator makroekonomi Indonesia. Jika
variabel-variabel yang digunakan dalam penelitian ini stasioner pada first difference-nya maka akan menggunakan metode
kuantitatif Vector Error Correction Model VECM.
Menurut Arsana 2005 dalam Firdaus 2011, alat analisa yang disediakan oleh VARVECM dilakukan melalui empat macam penggunaannya, yakni :
1. Forecasting : ekstrapolasi nilai saat ini dan nilai masa depan seluruh variable dengan memanfaatkan seluruh informasi masa lalu dari variable
tersebut. 2. Impulse Respons Function IRF : melacak respon saat ini dan masa depan
dari setiap variable akibat shock atau perubahan suatu variable tertentu. 3. Forecast Error Variance Decomposition FEVD : sebagai prediksi
kontribusi persentase varians setiap variable terhadap perubahan suatu variable tertentu.
4. Granger Causality Test : untuk mengetahui hubungan sebab akibat antar variable.
Untuk melihat tahapan proses pengolahan data dengan menggunakan VARVECM dapat dilihat dari gambar di bawah ini :
Sumber : Azam Noer Achsani 2011
Gambar 3.1. Proses Analisis VAR dan VECM
Langkah pertama yang harus dilakukan adalah pengumpulan data yang akan digunakan dalam penelitian. Adapun data yang dikumpulkan adalah data-data yang
secara umum dianggap relevan dan mempunyai hubungan dengan penelitian yang akan dilakukan.
Langkah kedua adalah pengujian akar unit dari seluruh data yang sudah terkumpul. Seperti telah dijelaskan sebelumnya, pengujian akar unit ini biasannya
dilakukan dengan uji Augmented Dickey-Fuller ADF. Adapun tujuan dari pengujian akar unit ini adalah untuk menguji stasioneritas dan derajat integritas dari variabel
tersebut. Jika seluruh data bersifat stasioner pada level, maka kita bisa langsung melakukan estimasi VAR terhadap data tersebut. Apabila data yang ada tidak
stasioner pada level maka akan dilakukan uji kointegrasi pada level dan apabila
hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Karena pada penelitian ini hampir semua data tidak stasioner pada
data levelnya maka yang digunakan dalam penelitian ini adalah estimasi pada model VECM. Model VAR hanya digunakan untuk pengujian FEDV dan IRF.
3.2.1. Metode
Vector Error Correction Model VECM
Vector Error Correction Model VECM adalah VAR terestriksi yang digunakan
untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Setelah dilakukan pengujian kointegrasi pada model yang digunakan maka dianjurkan untuk
memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki tingkat stasioneritas pada first difference atau I1. VECM
kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series nonstasioner yang
memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of adjustment
dari jangka pendek ke jangka panjang. Adapun spesifikasi model VECM secara umum adalah sebagai berikut :
Δy
t
= µ
0x
+ µ
1x
t + π
x
y
t-1
+ Δy
t-I
+
t
…………………………………… 3.2
di mana : y
t
= vektor yang berisi variabel yang dianalisis dalam penelitian µ
0x
= vector intercept µ
1x
= vector koefisien regresi t = time trend
π
x
= α
x
β
y
di mana b‟ mengandung persamaan kointegrasi jangka panjang y
t-1
= variabel in-level
Γ
ix
= matriks koefisien regresi k -1 = ordo VECM dari VAR
ε
t
= error term
3.2.2. Pengujian Sebelum Estimasi
Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus
dilakukan: 1.
Uji Stasioneritas Data Uji stasioneritas dapat dilakukan dengan metode Augmented Dickey Fuller
ADF sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Apabila hasil dari pengujian ini menunjukkan nilai mutlak t-ADF lebih besar dari
nilai mutlak MacKinnon critical values-nya maka data telah stasioner pada taraf nyata sebesar lima persen atau satu persen. Dapat juga dilihat pada nilai
probabilitasnya. Apabila nilai probabilitasnya kurang dari taraf satu persen, lima persen, dan sepuluh persen maka data tersebut stasioner pada taraf tersebut.
Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR,
yaitu VAR dalam bentuk first difference atau VECM. Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar
variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data
stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test.
2. Penentuan Lag Optimal
Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang
maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots
karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan
semuanya terletak di dalam unit circle Lutkepohl, 1991. Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan
kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion AIC dan Schwarz Information
Criterion SC. Jika kriteria informasi hanya merujuk pada sebuah kandidat selang,
maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Selain melalui kriteria AIC, pemillihan lag
optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion SC. Pada tahap terakhir, nilai Adjusted R
2
variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model
VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R
2
terbesar pada variabel-variabel penting dalam sistem.
3. Pengujian Hubungan Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara
variabel tersebut dapat menjadi stasioner Thomas, 1997. Salah satu syarat agar
tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series
yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegration Test, Johansen Cointegration Test,
dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut Id jika data tersebut bersifat
stasioner setelah pendiferensian sebanyak d kali. 4.
Uji Stabilitas Model VAR Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots
karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots
-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil. 5.
Bentuk Urutan Variabel ordering Kebutuhan bentuk urutan variabel sesuai dengan uji kausalitas hanya terjadi
jika nilai korelasi residual antar variabel di dalam sistem secara mayoritas lebih dari 50 persen menjadi 0,2. Jika mayoritas nilai korelasi antar variabelnya bernilai di atas
0,2 maka spesifikasi urutan variabel sesuai dengan teori ekonomi atau uji kausalitas perlu dilakukan. Jika hasilnya yang ditemukan kontradiktif atau sebaliknya, maka
bentuk urutan yang tepat tidak perlu dipermasalahkan.
3.3. Model Penelitian
Dalam penelitian ini akan mengkaji hubungan antara sukuk dengan indikator makroekonomi Indonesia baik hubungan jangka pendek maupun hubungan jangka
panjang sehingga model persamaannya adalah sebagai berikut :
LnSukuk
t
= LnSukuk
t-i
+ LnPDB
t-i +
LnM2
t-i +
LnIHK
t-i
+
t-i
+
+
LnSBIS
t-i + t
di mana : Ln Sukuk = Total Nilai Emisi Penerbitan Sukuk
Ln PDB = Gross Domestic Product Ln M2 = Jumlah Uang Beredar Luas
Ln IHK = Indeks Harga Konsumen Ln PT = Pengangguran Terbuka
Ln SBIS = Bonus Sertifikat Bank Indonesia Syariah
3.4. Definisi Operasional
Dalam penelitian ini defisnisi operasional dari setiap variabel yang dipakai, yaitu :
1. Penawaran Sukuk
Variabel penawaran sukuk yang dipakai dalam penelitian ini merupakan total jumlah nilai emisi sukuk yang diterbitkan oleh korporasi dan sukuk negara yang
masih beredar outstanding. Total nilai emisi sukuk korporasi terdiri dari sukuk yang sudah dilunasi dan sukuk yang masih beredar di pasar outstanding. Total nilai emisi
sukuk Negara SBSN hanya terdiri dari total sukuk yang masih beredar di pasar outstanding karena diterbitkan pertama kali pada tahun 2008 dan memiliki waktu
jatuh tempo pada tahun 2015.
2. Inflasi
Variabel inflasi yang dipakai dalam penelitian ini merupakan indeks harga konsumen IHK gabungan di 66 kota di Indonesia. Sejak tahun 2004, IHK
dihitung berdasarkan tahun dasar 2002 2002 = 100 di 45 kota. Sejak bulan Juni 2008, IHK dihitung berdasarkan tahun dasar 2007 2007 = 100 di 66
kota. 3.
Pengangguran Terbuka Setelah tahun 2000, yang dimaksud jumlah pengangguran terbuka merupakan
angkatan kerja yang mencari pekerjaan, yang mempersiapkan usaha, yang tidak mencari pekerjaan karena merasa tidak mungkin mendapatkan pekerjaan, dan yang
sudah punya pekerjaan, tetapi belum mulai bekerja. Angkatan kerja mulai tahun 2000 dihitung berdasarkan penduduk usia kerja 15 tahun atau lebih. Data pengangguran
terbuka dalam penelitian ini pun mendapatkan perlakuan karena data yang diterbitkan oleh BPS merupakan data semesteran. Perlakuan yang dilakukan untuk data
semesteran tersebut menggunakan metode
Qubic’s Plien pada software e-views
, sehingga data semesteran tersebut menjadi data bulanan dan memudahkan dalam
melakukan estimasi. 4.
Pertumbuhan Ekonomi Pertumbuhan ekonomi yang dipakai dalam penelitian ini merupakan indikasi
dari pendapatan nasional yang mengalami peningkatan atau penurunan yang dapat dilihat dari jumlah total GDP menurut lapangan usaha atas harga konstan 2000. Data
GDP dalam penelitian ini pun mendapatkan perlakuan karena data yang diterbitkan oleh BPS merupakan data kuartalan. Perlakuan yang dilakukan untuk data kuartalan
tersebut menggunakan metode
Qubic’s Plien pada software e-views
, sehingga data kuartalan tersebut menjadi data bulanan dan memudahkan dalam melakukan estimasi.
5. Jumlah Uang Beredar
Variabel jumlah uang beredar yang dipakai dalam penelitian ini yaitu data bulanan uang beredar luas M2 yang merupakan penjumlahan antara uang beredar
sempit M1 dengan uang kuasi. Uang beredar sempit M1 terdiri dari Uang Kartal di Luar Bank Umum dan BPR serta Simpanan Giro Rupiah.
6. Bonus SBIS
Variable Bonus SBIS yang digunakan dalam penelitian ini berupa data bulanan dan dinyatakan dalam satuan persen.
BAB IV GAMBARAN UMUM
4.1. Gambaran Umum Obligasi Syariah Sukuk di Indonesia
4.1.1. Sejarah Sukuk dan Perkembangan Sukuk Dunia
Sukuk pertama kali diperkenalkan di daerah Timur Tengah pada abad pertengahan yang dipergunakan dalam konteks perdagangan internasional. Sukuk
berasal dari bentuk jamak “Sakk” dalam Bahasa Arab yang berarti sertifikat atau surat kepemilikan. Kata tersebut kemudian menjadi asal dari kata “Cheque” dalam Bahasa
Eropa yang berarti dokumen yang merepresentasikan sebuah kontrak contracts atau pengalihan kepemilikan conveyance of rights, obligasi obligations atau kewajiban
yang harus dipenuhi monies done berdasarkan prinsip syari‟ah. Sukuk digunakan
secara luas oleh masyarakat pada zaman itu dalam bentuk surat berharga yang mewakili kewajiban pembiayaan yang berasal dari perdagangan dan kegiatan
komersil.
4
Dalam perkembangannya, upaya mengembangkan dan meluncurkan kembali surat
berharga yang serupa obligasi syari‟ah dilakukan di Negara Yordania pada tahun 1978. Pemerintah setempat memberikan izin kepada Bank Islam Jordan untuk
menerbitkan obligasi islam yang dikenal dengan obligasi mukharadah. Hal ini menjadi inspirasi bagi Negara Pakistan yang pada akhirnya menerbitkan undang-
undang UU khusus yang disebut Peraturan tentang Perusahaan Mudarabah dan Aturan Pengembangan dan Kontrol Mudarabah 1980.
4
Nur Kholis, 2011. SUKUK : Instrument yang Halal dan Menjanjikan