3 METODE PENELITIAN

Lokasi dan Waktu Penelitian

Lokasi penelitian ini bertempat di Kota Bekasi dan Kabupaten Bekasi dengan pertimbangan perkembangan usaha mikro dinamis di kedua daerah ini. Adapun waktu penelitian dilakukan pada Agustus 2014.

Sumber dan Jenis Data

Penelitian ini menggunakan basis data primer dan basis data sekunder. Data primer diperoleh melalui wawancara dengan menggunakan instrumen kuesioner Pengambilan data primer menggunakan metode acak sederhana terhadap responden dengan menggunakan kerangka sampling debitur ULaMM yang berada di Kota dan Kabupaten Bekasi.

Dalam studi ini, jumlah sampel responden ditentukan sebanyak 80 orang responden yang ditentukan secara purposive untuk ULaMM di Kota dan Kabupaten Bekasi. Berdasarkan data terkini, di Kota dan Kabupaten Bekasi masing-masing terdapat 5 ULaMM. Dengan demikian studi ini menggunakan 40 sampel responden di Kota Bekasi dan 40 sampel responden di Kabupaten Bekasi. Sementara itu data sekunder diperoleh dari berbagai sumber seperti: Kementerian Koperasi dan Usaha Mikro Kecil Menengah (UMKM), Badan Pusat Statistik (BPS), Bank Indonesia (BI) dan UlaMM PNM yang beroperasi di Kota dan Kabupaten Bekasi. Data primer adalah data crossection yang dikumpulkan pada Agustus 2014. Variabel-variabel yang digunakan dalam penelitian ini secara umum dirangkum pada Tabel 3.

Tabel 3 Variabel-variabel penelitian

No Variabel Keterangan Satuan

1 PMKT Permintaan Kredit Mikro Rp Juta

2 USA Usia Debitur Tahun

3 PDK1 Pendidikan Debitur 1 = Lulusan SMP/SMA Sederajat; 0= Lainnya

4 PDK2 Pendidikan debitur 1 = Lulusan D3/S1; 0= Lainnya 4 KLMN Jenis Kelamin Debitur 1= Laki-laki;

0 =Perempuan 5 KLG Jumlah Anggota

Keluarga/Karyawan

Orang

6 HRT Aset/Harta Debitur Rp Juta

7 JRK Jarak/Akses Debitur ke Unit Mikro

Kilometer 8 SBP Suku Bunga Pinjaman Persen per Bulan

Pengolahan dan Analisis Data

Untuk mengkaji faktor-faktor apa saja yang berpengaruh terhadap permintaan kredit mikro dan kecil akan digunakan pendekatan data cross section. Data cross section mengacu kepada data primer yang terdiri dari 80 responden debitur unit usaha mikro.

Variabel-variabel yang digunakan dalam model adalah PMKT mencerminkan komponen indeks pembentuknya yakni USA, PDK, KLMN, KLG, HRT, JRK, SBP, dan TENOR. Secara umum, model yang digunakan dalam model ini mengadopsi model Ajagbe et al. (2012), Kausar (2013) dan Cheng, (2007). Model tersebut diekspresikan sebagai berikut :

PMKTit = α0+ α1USAit+ α21 PDK1it + α22 PDK2it+ α3 KLMNit+ α4 KLGit+ α5

HRTit+ α6JRKit + α7 SBP it + α8 TENOR it +µit

dengan

 PMKTit menyatakan permintaan kredit mikro (Rp Juta)

 USAit menyatakan usia debitur (Tahun)

 PDK1it menyatakan pendidikan debitur (1=SMA dan derajat;

0=Lainnya)

 PDK2it menyatakan pendidikan debitur (1=D3/S1; 0=Lainnya)

 KLMNit menyatakan jenis kelamin debitur (1=Laki-Laki;

0=Perempuan)

 KLG it menyatakan jumlah anggota keluarga/karyawan debitur (Orang)

 HRTit menyatakan harta atau aset debitur (Rp Juta)

 JRKit menyatakan jarak/lokasi debitur (Kilometer)

 SBP it menyatakan tingkat suku bunga pinjaman debitur (Persen per

Bulan)

 TENOR it menyatakan jangka waktu pinjaman debitur (Bulan)  µitmenyatakan gangguan acak

Pemilihan faktor-faktor yang mempengaruhi PMKT dilandasi oleh alasan berikut:

 USA. Menurut Ajagbe et al. (2012) usia debitur mempengaruhi total pinjaman debitur. Menurutnya semakin tinggi usia debitur maka semakin rendah tingkat pinjaman. Hal ini dikarenakan semakin tinggi usia debitur, maka usia produktif peminjam semakin kecil, sehingga unit mikro selaku lembaga peminjam akan mengurangi jumlah pinjaman terhadap debitur untuk mengurangi tingkat resiko pengembalian kredit.

 PDK. Menurut Ajagbe et al. (2012) level pendidikan mempengaruhi total pinjaman debitur. Menurutnya semakin tinggi level pendidikan debitur maka diduga semakin tinggi tingkat pinjamannya. Hal ini dikarenakan semakin tinggi level pendidikan, lembaga keuangan mikro memiliki kepercayaan tinggi memberikan pinjaman kredit dan resiko pengembalian kredit lebih rendah. Menurut Cheng (2007) level pendidikan diduga berpengaruh positif terhadap total pinjaman. Menurutnya semakin tinggi level pendidikan debitur diduga kepercayaan lembaga keuangan mikro memberikan pinjaman kredit semakin tinggi.

28

 KLMN. Secara umum dari beberapa literatur jenis kelamin mempengaruhi tingkat pinjaman debitur dari kreditur. Menurut Ajagbe et al. (2012) laki- laki diduga berpengaruh positif terhadap total pinjaman debitur dari kreditur. Menurutnya peminjam laki-laki diduga lebih dipercaya oleh lembaga keungan mikro dibanding peminjam perempuan. Namun, penelitian Kausar (2013) menduga peminjam perempuan lebih dipercaya lembaga keuangan mikro dibanding peminjam laki-laki. Perbedaan ini diduga dikarenakan perbedaan kondisi sosial dan budaya negara atau wilayah yang diteliti.

 KLG. Menurut Ajagbe et al. (2012) jumlah anggota keluarga atau karyawan diduga berpengaruh positif terhadap total pinjaman debitur. Menurutnya makin besar jumlah anggota keluarga/karyawan maka jumlah pinjaman semakin besar. Karyawan semakin banyak produksi semakin tinggi sehingga dibutuhkan kredit yang lebih besar.

 HRT. Menurut Ajagbe et.al. (2012) jumlah harta diduga berpengaruh positif terhadap total pinjaman debitur dari kreditur. Menurutnya makin besar jumlah harta debitur maka lembaga keuangan mikro semakin percaya memberikan pinjaman sehingga permintaan kredit meningkat.  JRK. Menurut Ajagbe et.al. (2012) ) jarak/lokasi usaha ke unit mikro

diduga berpengaruh positif terhadap pinjaman debitur. Menurutnya semakin dekat jarak atau lokasi usaha ke lembaga keuangan mikro maka akses semakin mudah sehingga memudahkan pijaman. Menurut Kausar (2013) terbatasnya akses ke kredit mikro diduga berpengaruh negatif terhadap pinjaman debitur dari kreditur. Menurutnya akses yang terbatas membuat peminjam sulit menjangkau lembaga keuangan mikro sehingga permintaan kredit juga terbatas.

 SBP. Menurut Kausar (2013), suku bunga pinjaman berhubungan negatif terhadap total pinjaman debitur dari kreditur. Menurutnya, semakin tinggi suku bunga pinjaman maka peminjam akan mengurangi pinjaman sehingga permintaan kredit juga menurun.

 TENOR. Menurut Ajagbe et al. (2012) TENOR atau jangka waktu pinjaman kredit di duga berpengaruh positif terhadap pinjaman kredit. Menurutnya semakin lama jangka waktu pinjaman maka jumlah pengajuan pinjaman debitur semakin besar.

Uji Asumsi Model Regresi Linier

Multikolinieritas

Istilah multikolinieritaspertama digunakan oleh Ragner Frish di dalam bukunya: Statistical confluence analysis by means of Complete Regression Systems.

Aslinya istilah itu berarti adanya hubungan linear yang sempurna atau eksak (perfect or exact) di antara variabel-variabel bebas dalam model regresi. Istilah

kolinearitas (collinearity) sendiri berarti hubungan linear tunggal (single linear relationship), sedangkan kolinearitas ganda (multikolinieritas)menunjukkan adanya lebih dari satu hubungan linear yang sempurna.

Multikolinieritas sempurna menjelaskan adanya korelasi yang sempurna atau eksak (perfect or exact) di antara variabel-variabel bebas dalam model regresi. Sedangkan multikolinieritas Tinggi tapi tidak sempurna: adanya korelasi yang tinggi (mendekati satu) di antara variabel-variabel bebas dalam model regresi.

Heteroskedastisitas

Heteroskedastisitas ialah suatu keadaan di mana varian dari kesalahan pengganggu tidak konstan untuk semua nilai variabel bebas, yaitu



X_i, _i



0 E  sehingga

 

 _2 i Var

Ini merupakan pelanggaran salah satu asumsi tentang model regresi linear berdasarkan metode kuadrat terkecil. Di dalam regresi, biasanya kita berasumsi bahwaVar

 

_i 2, untuk semua , artinya untuk semua kesalahan pengganggu, variannya sama. Pada umumnya heteroskedastisitas terjadi di dalam analisis data cross section, yaitu data yang menggambarkan keadaan pada suatu waktu tertentu, misalnya data hasil suatu survei. Sebagai contoh misalnya, varian kesalahan pengganggu yang berhubungan dengan pengeluaran dari keluarga berpenghasilan rendah biasanya lebih kecil daripada keluarga berpenghasilan tinggi, oleh karena pengeluaran bagi keluarga berpenghasilan rendah biasanya hanya terbatas pada kebutuhan pokok.

Dengan heteroskedastisitas, perkiraan parameter berdasarkan OLS, masih

unbiased and consistent akan tetapi tidak efisien, maksudnya mempunyai varian yang lebih besar daripada "minimum variance". Lebih lanjut, perkiraan varian parameter akan "biased" dan menyebabkan pengujian hipotesis tentang parameter tidak tepat, interval keyakinan menjadi bias (biased confidence intervals).

Langkah-langkah pengujian heteroskedastisitas dengan menggunakan Uji White:

1. Misalkan diberikan persamaan model regresi populasi sebagai berikut: i

i i

i X X

Y ₀_{1 1} _{2 2} 

2. Tentukan koefisien dugaan regresi ˆ₀, ˆ₁, dan ˆ₂ yang diperoleh melalui regresi model estimasi berikut:

i i

i X X

Yˆ ˆ₀ ˆ_{1 1} ˆ_{2 2}

3. Tentukan ˆ_i yang diperoleh melalui perumusan ˆ_i YˆYˆ_i. 4. Regresikan ˆ_i2 melalui persamaan regresi berikut:

2 2 2 0 1 1 2 2 3 1 4 2 ˆi Xi X i Xi X i vi        (no cross terms) 2 2 2 0 1 1 2 2 3 1 4 2 5 1 2 ˆ_i X_i X _i X_i X _i X X_{i i} v_i         (cross terms) 5. Hitung R2 dari hasil regresi sebelumnya dan kalikan dengan jumlah observasi/

30

6. Bila nR2  2(m), dengan m adalah derajat bebas yang dihitung dari banyaknya koefisien regresi kecuali intersep (dalam kasus ini m = 5),  adalah taraf nyata, dan _2(m) adalah PersentaseChi Square, maka kita akan menolak H₀ :₁ ₂ ₃ ₄ ₅ 0 sehingga dapat disimpulkan bahwa varian gangguan bersifat heteroskedastik. Bila sebaliknya yang terjadi maka

0

H diterima dan dapat disimpulkan bahwa varian gangguan bersifat homoskedastik.

Autokorelasi

Autokorelasi atau korelasi serial (serial correlated), ialah suatu keadaan di mana kesalahan pengganggu dalam periode tertentu, katakan _i, berkorelasi dengan kesalahan pengganggu dari periode lainnya, katakan _j. Jadi, kesalahan pengganggu tidak bebas, satu sama lain berkorelasi, saling berhubungan. Apabila kesalahan pengganggu dari suatu periode (katakan waktu t) berkorelasi dengan kesalahan pengganggu dalam periode sebelumnya (katakan waktu t-1), maka keadaan ini disebut autokorelasi tingkat pertama (first-order autocorrelation).

Autokorelasi bisa positif, bisa juga negatif, tetapi kebanyakan data ekonomi time series menunjukkan otokorelasi yang positif. Otokorelasi tingkat pertama terjadi E



_t,_t1



0. Jadi, melanggar salah satu asumsi dalam OLS, menurut asumsi nilainya nol. Hal ini sering muncul dalam analisis data time series.

Dengan adanya autokorelasi, perkiraan parameter OLS masih tak bias dan konsisten, akan tetapi menjadi tidak efisien dan standard error dari perkiraan parameter regresi menjadi bias, sehingga menyebabkan pengujian hipotesis menjadi tidak tepat, selain itu interval keyakinan juga menjadi bias.

Salah stau pendekatan yang dapat digunakan untuk menguji autokorelasi adalah uji Breusch-Godfrey (LM Tests). Uji iniadalah uji dua tahap yang merupakan pengembangan uji Durbin Watson. Dikatakan pengembangan karena uji ini menguji autokorelasi orde ke-r (di mana r dapatlebih dari1).



2



3 3 2 2 1 1 t t t ... r t r t ; t ~ 0, v t         v v N    _  _  _   _ 

Uji hipotesis bagi uji Breusch-Godfrey (LM Tests) adalah 0 .. : _{1 2 3} 0     r  H     : 1

H minimal ada satu _i 0 ;i1,2,...,r

Bila H₀ diterima maka dapat disimpulkan bahwa tidak terdapat autokorelasi di antara kesalahan penganggu, namun bila H₀ ditolak maka dapat disimpulkan bahwa terdapat autokorelasi di antara kesalahan penganggu.

Langkah-langkah pengujian uji B-G

1. Buat regresi dengan OLS dan hitung perkiraan kesalahan pengganggu t

t t Y Y

e   ˆ.

pi p i i X X X Yˆ ˆ₀ ˆ_{1 1} ˆ_{2 2} ...ˆ

2. Regresikan ˆ_t e_t dengan semua variabel bebas dan koefisien regresi (termasuk intersep) dari model regresi pada langkah 1 ditambah

r t t t e e e_1, _2,..., _ . r t r t t pi p i i t X X X e e e e ˆ₀ ˆ_{1 1} ˆ_{2 2} ...ˆ ˆ_{1 1} ˆ_{2 2} ...ˆ _ Dari hasil regresi di atas tentukan nilai R2.

3. Tentukan nilai (nr)R2, di mana n adalah banyaknya data pengamatan, r

adalah orde dari autokorelasi.

4. Bila (nr)R2 _2(r) maka tolak H₀ dan simpulkan bahwa terdapat autokorelasi.

Bila (nr)R2 2(r) maka tolak H0 dan simpulkan bahwa tidak terdapat autokorelasi.

Uji Normalitas

Uji signifikansi pengaruh variabel indepedenden terhadap variabel- variabel depdenden melalui uji-t hanya akan valid manakala residual yang diperoleh dari hasil estimasi model mempunyai distribusi normal. Ada beberapa metode yang dapat digunakan untuk mendekteksi kenormalan dari residual, yakni: metode hitogram dan uji Jarque-Berra.

Uji normalitas residual metode OLS secara formal dapat dideteksi dari metode yang dikembangkan oleh Jarque-Bera (J-B). Metode JB ini didasarkan pada sampel besaryang diasumsikan bersifat asymptotic. Uji statistik dari J-B ini menggunakan perhitungan skewness dan kurtosis. Adapun formula uji statistik J- B adalah sbb:





2 2 ₃ 6 24 K S JB n  _         

denganS menyatakan koefisien skewness dan Kmenyatakan koefisien kurtosis. Jika suatu variabel didistribusikan secara normal maka nilai koefisien S = 0 dan K=3. Oleh karena itu, jika residual terdistribusi secara normal maka diharapkan nilai statistik JB akan sama dengan nol. Nilai statistik JB ini didasarkan pada distribusi Chi Squares dengan derajat kebebasan 2. Jika nilai probabilitas p dari statistik JB besar atau dengan kata lain jika nilai statistik dari JB ini tidak signifikan maka kita menerima hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB mendekati nol. Sebaliknya jika nilai probabilitas p dari statistik JB kecil atau signifikan maka kita menolak hipotesis bahwa residual mempunyai distribusi normal karena nilai statistik JB tidak sama dengan nol.

32