Agar penelitian ini dapat dilaksanakan sesuai dengan yang diharapkan, maka perlu dipahami unsur-unsur yang menjadi dasar penelitian ilmiah yang termuat dalam operasionalisasi variabel penelitian. Secara rinci, defenisi operasional variabel ditunjukkan oleh tabel berikut :
25
Tabel 3.1 Defenisi Operasional
Jenis
Variabel Variabel Simbol Defenisi Variabel Satuan
Endogen Jumlah Uang Elektronik
Beredar Y Jumlah uang elektronik yang beredar di
masyarakat dalam periode penelitian % Endogen Jumlah Uang
Beredar (M1) X1 Uang kartal dan giral yang di pegang
masyarakat dalam periode penelitian %
Endogen
Volume Transaksi
Uang Elektronik
X2 Jumlah transaksi pembelanjaan oleh masyarakat dengan menggunakan uang
elektronik dalam periode penelitian %
Endogen
Nominal dari transaksi pembelanjaan oleh masyarakat menggunakan uang elektronik
pada periode penelitian % Endogen Mesin EDC X4 Jumlah unit alat pembayaran yang
digunakan untuk transaksi uang elektronik %
Sumber data : Data Diolah (2019) 3.6 Metode Analisis Data
Pengolahan data dalam penelitian ini menggunakan Microsoft Office Excel 2018 dan Eviews 10. Pengolahan dan perhitungan data sekunder untuk variabel-variabel bebas dan variabel-variabel terikat akan diolah dan dihitung menggunakan Eviews 10. Microsoft Office Excel 2018 juga akan digunakan untuk pengolahan data bentuk tabel dan grafik. Penelitian ini menggunakan model Vector Auto Regression apabila data dalam penelitian ini stasioner, namun bila data tidak stationer dan terdapat hubungan kointegrasi antara variabel-variabelnya maka penelitian akan menggunakan model Vector Error Correction Model (VECM).
3.6.1 Uji Root Test
Tahap awal sebelum melakukan analisis lebih lanjut yakni analisis jangka pendek atau jangka panjang perlu dilakukan pengujian stasioneritas suatu data yaitu dengan melakukan Uji Akar unit atau (Unit Root Test). Variabel variabel dari suatu deret waktu dikatakan stasioner apabila memiliki suatu nilai rata-rata dan varians
yang konstan sepanjang waktu serta fungsi auto korelasinya semata-mata tergantung pada panjangnya lag yang digunakan. (Ekananda, 2016 : 35)
Dalam penelitian ini digunakan Uji Root test dengan prosedur Philip-Perron test. Metode PP mengestimasi persamaan uji non-augmented DF, dan memodifikasi t-ratio dari koefisien α sehingga serial korelasi tidak mempengaruhi distribusi asimtotik dari statistik uji.
3.6.2 Uji Kointergrasi
Uji kointegrasi digunakan untuk melanjutkan analisis time series yang non stasioner. Sebagai dasarnya kointegrasi adalah bahwa sejumlah data time series yang dapat menyimpang dari rata-ratanya dalam jangka pendek, namun bergerak bersama-sama (co-movement atau co-integration). Untuk waktu yang lebih mana data menuju kondisi keseimbangan dalam jangka panjang. Jika sejumlah variabel bergerak bersama-sama dalam jangka panjang pada orde yang sama, dapat dikatakan bahwa variabel-variabel dalam model tersebut berkointegrasi.
Salah satu cara untuk mengetahui ada tidaknya kointegrasi atau hubungan keseimbangan jangka panjang antara dua variabel atau lebih adalah dengan Uji Kointegrasi dari Engle dan Granger (EG). Untuk melakukan Uji Kointegrasi Engle-Granger, terlebih dahulu harus melakukan regresi persamaan jangka panjangnya dan kemudian mendapatkan residualnya.
3.6.3 Penetapan Lag Optimal
Penetapan lag sangatlah penting dalam model VAR, karena jika lag yang ditentukan terlalu sedikit menyebabkan model tidak dapat secara tepat mengestimasi actual error sehingga dan standar kesalahan tidak diestimasi dengan baik, sedangkan jika lag yang ditentukan terlalu banyak akan mengurangi degrees
27
of freedom. Penetapan lag optimal dapat ditentukan dengan melihat kriteria yang ditentukan oleh Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Hannan-Quin Information Criterion (HQ), dan Likelihood Ratio (LR).
3.6.4 Uji Stabilitas VAR
Uji stabilitas VAR penting untuk melihat apakah model pada VAR stabil atau tidak, karena jika model VAR tidak stabil maka hasil analisis Impulse Response Function (IRF) dan Variance Decomposition (VD) menjadi tidak valid. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari AR Root Table dan AR Root graph. Model VAR dikatakan stabil bila seluruh akar unitnya memiliki modulus lebih kecil dari satu dan terletak didalam unit circle.
3.6.5 Uji Granger
Uji Kausalitas dilakukan untuk mengetahui apakah suatu variabel endogen dapat diperlakukan sebagai variabel eksogen. Hal ini bermula dari ketidaktahuan keterpengaruhan antar variabel. Jika ada dua variabel y dan z, maka apakah y menyebabkan z atau z menyebabkan y atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel y menyebabkan variabel z artinya berapa banyak nilai z pada periode sekarang dapat dijelaskan oleh nilai z pada periode sebelumnya dan nilai y pada periode sebelumnya.
Teknik pengambilan keputusan adalah sebagai berikut : Ho = tidak ada hubungan kausalitas (Prob > α (0.05))
Ha = ada hubungan kausalitas (Prob < α (0.05))
3.6.6 Vector Autoregression (VAR)
Vector Auto Regression (VAR) digunakan untuk memproyeksikan sebuah sistem dengan variabel runtut waktu dan untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam variabel tersebut. Pada dasarnya analisis Var sama dengan suatu model persamaan simultan, karena dalam analisis VAR kita mempertimbangkan variabel endogen secara bersama-sama dalam suatu model.
Dalam analisis VAR dilakukan uji stasioner untuk menentukan stasioneritas suatu data pada level. Jika data tidak stasioner namun berkointegrasi, maka model VAR yang digunakan adalah model VECM. Namun jika data tidak stasioner dan tidak berkointegrasi maka model yang digunakan adalah Var In Difference Tahapan pembentukan model VAR atau model VECM diawali uji stasioneritas data, dilanjutkan dengan pencarian Lag optimal dan uji kointegrasi.
3.6.7 Vector Error Correction Model
Teknik untuk mengoreksi ketidakseimbangan jangka pendek menuju pada keseimbangan jangka panjang disebut Vector Error Correction Model (VECM).
VECM adalah bentuk VAR yang terestriksi. Restriksi tambahan harus diberikan karena variabel mengandung unit root namun berkointegrasi. Seperti model ECM, model VECM memiliki satu persamaan untuk setiap variabel (sebagai variabel endogen). Adapun spesifikasi model VECM secara umum adalah sebagai berikut : Δyt = µ0x + µ1xt + πxyt-1 + ∑𝑖=1𝑘−1𝛤𝑖𝑥 Δyt-I + εt
keterangan :
Yt = vektor yang berisi variabel yang dianalisis dalam penelitian µ0x = vector intercept
µ1x = vector koefisien regresi
29
t = time trend
πx = αx βy di mana b’ mengandung persamaan kointegrasi jangka panjang yt-1 = variabel in-level
Γix = matriks koefisien regresi k -1 = ordo VECM dari VAR εt = error term.
Pada penelitian ini menggunakan variabel X1,X2,X3 dan X4. Sehingga untuk mengkaji hubungan antara Permintaan Uang Elektronik dengan variabel tersebut diperoleh persamaan sebagai berikut :
𝑌𝑡 = ∑𝑖=14 𝑌𝑡−𝑖+∑𝑡=14 𝑋1𝑡−𝑖 +∑𝑖=14 𝑋2𝑡−𝑖+∑𝑖=14 𝑋3𝑡−𝑖+∑𝑖=14 𝑋4𝑡−𝑖+𝜀𝑡
Keterangan :
Y = Permintaan Uang Elektronik;
X1 = Jumlah Uang Beredar (M1)
X2 = Volume Transaksi Uang Elektronik;
X3 = Nilai Transaksi Uang Elektronik;
X4 = Infastruktur Uang Elektronik;
𝜀𝑡 = Error Term.
BAB IV
ANALISIS DAN PEMBAHASAN