Jenis dan Sumber Data
Data yang digunakan yaitu data sekunder dengan frekuensi bulanan dari Januari 2008 sampai dengan Desember 2012 yang bersangkutan dengan pembiayaan yang diberikan Bank Umum Syariah (BUS) dan Unit Usaha Syariah (UUS). Data bersumber dari publikasi Bank Indonesia antara lain Statistik Perbankan Syariah Bank Indonesia (SPS BI), Statistik Perbankan Indonesia (SPI), Direktorat Perbankan Syariah Indonesia (DPbS-BI) dan Statistik Ekonomi dan Keuangan Indonesia (SEKI), serta data dari Badan Pusat Statistika (BPS). Penelitian ini juga menggunakan data pelengkap lainnya dari literatur-literatur yang berkaitan, jurnal, buku, dan dari media internet.
Tabel 3 Jenis dan Sumber data
No Peubah Simbol Satuan Sumber Data
1 Pembiayaan Sektor PHR Rasio_PPHR persen BI 2 Jumlah Dana Pihak Ketiga DPK Miliar Rp BI 3 Industrial Production
Index/Jakarta Islamic index
IPI Index BPS
4 Suku Bunga Kredit SBK Persen BI
5 Tingkat Inflasi INF Persen BI
6 Pembiayaan bermasalah NPF Persen BI
7 Bonus SBIS SBIS Persen BI
8 Penempatan dana pada PUAS
PUAS Persen BI
9 Equivalent rate
Pembiayaan periode ke-t
ERP Miliar Rp BI
Sumber : Data dengan Sumber (diolah)
Metode Analisis Data
Penelitian ini menggunakan metode analisis yang bersifat deskriptif dan kuantitatif. Alat analisis yang digunakan dalam penelitian ini adalah metode
19
Vector Autoregression (VAR) apabila data-data yang digunakan stasioner dan tidak terkointegrasi, kemudian dilanjutkan dengan metode Vector Correction Model (VECM) apabila data-data yang digunakan stasioner dan terdapat kointegrasi. Sebelum sampai pada analisis VAR dan VECM perlu dilakukan beberapapengujian praestimasi yaitu, uji stasioneritas data atau uji akar unit (unit root test), penentuan panjang lag optimum, dan uji stabilitas VAR. Selanjutnya, akan dilakukan uji kausalitas Granger, uji kointegrasi, VECM, teknik Impuls Response Function (IRF), dan Forecast Error Decomposition of Variance
(FEDV). Perangkat lunak yang digunakan untuk proses pengolahan adalah
Microsoft Excel 2007 dan Eviews 6. Uji stasioneritas data
Jika data adalah stasioner pada tingkat level, maka model yang terbentuk VAR biasa (Unrestricted VAR). Data ekonomi time series umumnya bersifat stokastik atau memiliki tren yang tidak stasioner, artinya data tersebut mengandung akar unit. Untuk dapat mengestimasikan suatu model menggunakan data tersebut, maka langkah pertama yang harus dilakukan adalah masalah uji stasioneritas data atau dikenal dengan unit root test. Apabila data mengandung akar unit, maka sulit untuk mengestimasikan suatu model dengan menggunakan data tersebut karena tren data tersebut cenderung berfluktuasi tidak disekitar nilai rata-rata, maka dapat disimpulkan bahwa data yang stasioner akan mempunyai kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2006).
Perilaku dari data series yang stasioner adalah: (1) nilai rata-rata dari data menunjukkan perilaku yang konstan, (2) data stasioner menunjukkan varians yang konstan, dan (3) correlogram yang menyempit seiring dengan penambahan waktu. Uji akar unit dilakukan dengan menggunakan Augmented Dickey Fuller (ADF). Perbedaan antara data series yang stasioner dan yang tidak stasioner yaitu pada data yang stasioner dampak guncangan yang terjadi pada data series bersifat sementara. Sejalan dengan waktu dampak guncangan tersebut akan berkurang dan data series akan kembali ke long run mean level dan berfluktuasi disekitar mean tersebut.
Uji selang optimal
Tahap kedua yang harus dilakukan adalah menentukan panjang lag (ordo) optimal. Penentuan lag optimal dapat diidentifikasikan dengan menggunakan Akaike Info Criterion (AIC), Schwarz Info Criterion (SC) maupun Hannnan Quinn Criterion (HQ) dan sebagainya. Dalam penelitian ini akan digunakan kriteria SC. Besarnya lag optimal ditentukan oleh lag yang memiliki kriteria SC terkecil. Kelambanan peubah diperlukan untuk menangkap efek dari peubah tersebut terhadap peubah yang lain di dalam model. Selain itu pengujian panjang lag optimal sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR, sehingga dengan digunakannya lag optimal diharapkan tidak muncul lagi masalah autokorelasi.
Uji Stabilitas VAR
Uji stabilitas VAR dilakukan agar Impulse Response Function (IRF) dan
20
Uji stabilitas VAR dilakukan dengan menghitunh akar-akar dari fungsi polynomial atau dikenal dengan roots of characteristic polinomial. Jika semua akar dari fungsi polinomial tersebut berada di dalam unit circle atau jika nilai modulus kurang dari 1 maka model VAR tersebut dianggap stabil (Firdaus 2011). Uji Kointegrasi
Jika data tidak stasioner pada level tetapi stasioner pada proses diferensi data, maka dilakukan uji kointegrasi. Apabila terjadi kointegrasi maka modelnya adalah Vector Error Correction Model (VECM). Jika tidak terjadi kointegrasi maka disebut model VAR dengan data diferen (VAR indifference). Konsep kointegrasi dikemukakan oleh Eangle dan Granger pada tahun 1987, yang berarti fenomena di mana kombinasi linier dari dua atau lebih peubah yang tidak stasioner. Kombinasi linier ini dikenal dengan nama persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang diantara peubah.
Uji kointegrasi bertujuan untuk menentukan apakah peubah-peubah yang tidak stasioner mengalami kointegrasi atau tidak. Untuk menguji terjadinya kombinasi peubah yang tidak stasioner mengalami kointegrasi, pengujian yang dapat dilakukan adalah uji kointegrasi Engle-Granger, Johansen, maupun Durbin- Watson. Pengujian-pengujian tersebut dilakukan untuk memperoleh hubungan jangka panjang antara peubah yang telah memenuhi persyaratan dalam proses integrasi, di mana semua peubah telah stasioner pada derajat yang sama yaitu first difference. Uji kointegrasi dapat dijadikan dasar penentuan persamaan estimasi yang digunakan memiliki keseimbangan jangka panjang atau tidak. Apabila persamaan estimasi lolos dari uji ini maka persamaan estimasi tersebut memiliki keseimbangan jangka panjang (Gujarati, 2006).
Analisis Vector Error Correction Model (VECM)
Vector Error Correction Model (VECM) jika persamaan lebih dari satu, atau Error Correction Model (ECM) jika satu persamaan, merupakan pengembangan analisis data time series yang relatif baru dalam ilmu ekonometrika, yang merupakan bentuk Vector Autoregression (VAR) terestriksi untuk digunakan pada seri data yang bersifat non-stasioner dan diketahui berkointegrasi. Eangel-Granger menunjukkan bahwa walaupun data time series seringkali tidak stasioner pada tingkat level atau disebut nonstasioner, tetapi kombinasi liner antara dua atau lebih data non stasioner menjadi stasioner. Apabila data time series model VAR non struktural tidak stasioner pada level tetapi stasioner pada data diferensi dan terkointegrasi, sehingga menunjukkan adanya hubungan teoritis antar peubah maka digunakan model VECM.
VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi dengan merestriksi perilaku jangka panjang dari peubah-peubah endogen untuk menuju (converge) ke hubungan jangka panjangnya serta memungkinkan dilakukan penyesuaian jangka pendek secara dinamik. Istilah kointegrasi dikenal pula dengan istilah koreksi karena deviasi dari ekuilibrium jangka panjang dikoreksi secara gradual melalui suatu seri penyesuaian jangka pendek. Terminologi kointegrasi ini dikenal sebagai koreksi kesalahan (error correction) karena bila terjadi deviasi terhadap keseimbangan jangka panjang, maka dikoreksi secara bertahap melalui penyesuaian parsial jangka pendek secara
21 bertahap. Koefisien koreksi ketidakseimbangan dalam bentuk nilai absolut menjelaskan seberapa cepat waktu diperlukan untuk mendapatkan nilai keseimbangan.
Analisis Impulse Response Function
Analisis IRF adalah metode yang digunakan untuk menentukan respon suatu peubah endogen terhadap guncangan (shock) peubah tertentu. IRF juga digunakan untuk melihat guncangan dari satu peubah yang lain dan berapa lama pengaruh tersebut terjadi. Melalui IRF, respon sebuah peubah independen sebesar satu standar deviasi dapat ditinjau. IRF menelusuri danpak gangguan sebesar satu standar kesalahan (standart error) sebagai inovasi pada sesuatu peubah endogen terhadap peubah endogen yang lain. Suatu inovasi pada satu peubah, secara langsung akan berdampak pada peubah yang bersangkutan, kemudian dilanjutkan ke semua peubah endogen yang lain melalui struktur dinamik dari VAR.
Forecast Error Variance of Decomposition (FEVD)
Metode yang dapat dilakukan untuk melihat bagaimana perubahan suatu variabel yang ditunjukan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR, dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD merinci ragam dari peramalan galat menjadi komponen – komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel dapat inovasi dalam variabel-variabel lain maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti faktor-faktor yang mempengaruhi fluktuasi dari variabel tertentu (Firdaus 2011).
Implementasi Model VECM
Model persamaan VECM dalam bentuk notasi matriks yang digunakan dalam penelitian ini mengacu pada penelitian yang dilakukan Kusumawati (2013) yang berjudul Analisis Pembiayaan Sektor Konstruksi pada Perbankan Syariah di Indonesia. Kusumawati (2013) membagi faktor-faktor yang memengaruhi pembiayaan pada perbankan syariah dibagi menjadi 4 kategori yaitu kategori kinerja perbankan syariah dengan variabel Dana Pihak Ketiga (DPK) dan Non Performing Financing (NPF) , kategori kondisi makro dengan variabel Industrial Production Index (IPI) dan tingkat Inflasi (INF), kategori instrumen moneter dengan variabel Bonus Sertifikat Berharga Indonesia Syariah (SBIS) dan volume penempatan pada Pasar Uang Antarbank Syariah (PUAS), dan kategori return pembiayaan dengan variabel Equivalent rate (ERP) dan Suku Bunga Kredit (SBK). Sehingga model yang dipakai di penelitian ini adalah sebagai berikut:
22 [ ] [ ] [ ][ ][ ] Keterangan :
Rasio PHR : Rasio pembiaayan sektor PHR (persen) LDPK : Total DPK perbankan syariah (miliar rupiah) ERP : Equivalent Rate pembiayaan (persen)
INF : Tingkat Inflasi (persen)
IPI : Industrial Production Index (index) NPF : Pembiayaan bermasalah (persen)
PUAS : Penempatan dana pada PUAS (miliar rupiah)
SBIS : Bonus Sertifikat Berharga Indonesia Syariah (persen) SBK : Suku Bunga Kredit (persen)