Pada penelitian ini jenis data yang diperoleh dan digunakan penulis adalah data sekunder. Data-data tersebut meliputi data jumlah Dana Pihak Ketiga (DPK),
Capital AdequacyRatio (CAR), Loan to Deposit Ration (LDR), Non Performing Loan (NPL) pertanian, Return on Asset (ROA), suku bunga BI dan inflasi.
Data sekunder yang digunakan dalam penelitian ini bersifat kuantitatif. Data
time series yang diperoleh dari publikasi Bank Indonesia, merupakan data bulanan Statistik Perbankan Indonesia dan data bulanan Statistik Ekonomi Moneter Indonesia periode 2007 sampai 2013.
Definisi Operasional
Definisi operasional dari variabel-variabel yang digunakan dalam penelitian ini adalah:
1. Kredit Pertanian merupakan jumlah kredit Bank Umum yang tersalur untuk pertanian.
2. DPK merupakan jumlah dana pihak ketiga yang berhasil dihimpun oleh Bank Umum.
3. CAR merupakan kemampuan bank dalam membayar kembali simpanan nasabah pada saat ditarik.
4. NPL merupakan jumlah pembiayaan yang mengalami masalah dari Bank Umum. NPL di dalam penelitian ini dikhususkan pada NPL pertanian.
5. LDR merupakan kemampuan bank dalam menjalankan kegiatan usahanya. 6. ROA merupakan tingkat laba yang diperoleh bank.
7. Suku bunga BI (BI rate) merupakan suku bunga acuan bank.
8. Inflasi merupakan kenaikan tingkat harga selama kurun waktu tertentu.
Metode Analisis Data
Metode ini yang digunakan dalam penelitian ini adalah dengan menggunakan metode deskriptif dan kuantitatif. Analisis deskriptif adalah analisis yang digunakan untuk memberikan gambaran umum tentang data yang telah diperoleh. Analisis deskriptif dapat dilakukan dengan menggunakan bantuan grafik, tabel dan diagram. Dalam penelitian ini, analisis deskriptif dilakukan untuk mengetahui gambaran umum mengenai perkembangan penyaluran kredit pertanian oleh Bank Umum periode 2007 sampai 2013.. Digunakan metode kuantitatif karena penelitian ini akan menganalisis masalah yang diwujudkan dengan nilai tertentu. Alat analisis data dalam penelitian ini menggunakan metode
Vector Autoregression (VAR), Granger Causality dan Vector Correction Model
Analisis Vector Autoregression (VAR)
Pada penelitian ini penulis menggunakan metode analisis yaitu metode kuantitatif model VAR. Metode VAR oleh Sims (1980) adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linier dari konstanta dan nilai lag dari peubah itu sendiri sebagai nilai lag dari peubah lain yang ada dalam sistem yang mengasumsikan bahwa semua variabel yang terdapat dalam model bersifat endogen (ditentukan di dalam model). Oleh karena itu, metode VAR disebut sebagai model yang a-teoritis (tidak berlandaskan teori).Metode ini digunakan karena sering kita jumpai keadaan dimana teori ekonomi saja ternyata tidak mampu menangkap (tidak cukup kaya menyediakan spesifikasi) secara tepat dan lengkap hubungan dinamis antar variabel. Atau dengan kata lain, model VAR tidak banyak bergantung pada teori, melainkan perlu menentukan variabel yang saling berinteraksi, serta banyaknya variabel jeda yang perlu diikutsertakan dalam model tersebut (Nachrowi dan Usman 2006)
Menurut Arsana (2005), alat analisa yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan dilakukan melalui empat macam penggunaannya, yakni Forecasting, Impuls Response Function (IRF), Forecast Error Variance Decomposition (FEVD), dan Granger Causality Test.
Spesifikasi model VAR kriteria Sim dalam Firdaus (2011) meliputi pemilihan variabel yang sesuai dengan teori ekonomi yang relevan dan sesuai dengan pemilihan lag yang digunakan dalam model. Dalam pemilihan selang optimal yang dipakai, penelitian ini memanfaatkan informasi Akaike Information Criterion (AIC) dan Schwarz Criterion (SC) maupun Hannan-Quinn Criterion
(HQ).
Keunggulan metode VAR dibandingkan dengan metode ekonometrika konvensional adalah:
1. Mengembangkan model secara bersamaan di dalam suatu system yang kompleks sehingga dapat menangkap hubungan keseluruhan variabel di dalam persamaan.
2. Uji VAR yang multivariat bias menghindarkan parameter yang bias akibat tidak dimasukkannya variabel yang relevan.
3. Uji VAR dapat mendeteksi hubungan antarvariabel di dalam system persamaan, dengan menjadikan seluruh variabel sebagai endogen.
4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul, termasuk gejala perbedaan palsu (spurious variable) di dalam model ekonometrika konvesioanal.
Menurut Gujarati (1978), model VAR juga memiliki beberapa kelemahan, yaitu:
1. Model VAR lebih bersifat teori karena tidak memanfaatkan informasi dari teori-teori terdahulu.
2. Karena lebih menitikberatkan pada peramalan, maka model VAR dianggap tidak sesuai untuk imlplikasi kebijakan.
3. Tantangan terberat VAR adalah pemilihan panjang lag yang tepat. 4. Semua variabel yang digunakan dalam model VAR harus stasioner. 5. Koefisien dalam estimasi VAR sulit untuk diinteprestasikan.
Enders (2004) memformulasikan bentuk sederhana dari sistem VAR yang primitif ditunjukkan oleh sistem bivariate sederhana sebagai berikut:
yt = b10–b12zt + 11zt-1 + 12zt-1 +εyt ………... (5)
zt = b20–b21yt + 21yt-1 + 22yt-1 +εzt ……….…………...….. (6) Kedua persamaan di atas menunjukkan bahwa yt dan zt saling memengaruhi satu sama lain. Misalnya, – b21 merupakan efek serentak dari perubahan zt
terhadap yt dan 21 merupakan efek dari perubahan zt-1 terhadap yt. Metode Granger Causality
Uji kausalitas Granger dilakukan untuk melihat hubungan kausalitas di antara variabel-variabel yang ada dalam model. Uji ini untuk mengetahui apakah suatu variabel bebas meningkatkan kinerja forecasting dari variabel tidak bebas (Firdaus, 2011). Pengujian hubungan sebab akibat, XY ( X menyebabkan Y), YX (Y menyebabkan X), atau XY (X menyebabkan Y dan Y menyebabkan X. Uji kausalitas Granger dipercaya jauh lebih bermakna dari uji biasa. Dengan uji kausalitas Granger dapat diketahui beberapa hal sebagai berikut:
1. Apakah X mendahului Y, apakah Y mendahului X atau hubungan X dan Y timbal balik.
2. Suatu variabel X dikatakan menyebabkan variabel lain Y, apabila Y saat ini diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X.
3. Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut waktu yang memiliki kovarians linear yang stastioner
Secara matematis, persamaan kausalitas Grenger ini dapat dituliskan sebagai berikut:
Yt = a0 + a1Yt-1 +...+ a1Yt-1+ β1Xt-1 +...+ β1Xt-1………..……. (7)
Xt = a0 + a1Xt-1 +...+ a1Xt-1+ β1Yt-1 +...+ β1Yt-1…………...………… (8)
Impuls Response Function (IRF)
Metode IRF merupakan metode yang digunakan untuk menentukan respon variabel endogen terhadap suatu shock tertentu. Metode IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tetentu di masa yang akan datang. Sementara itu, bertujuan untuk mengisolasi suatu gunjangan agar lebih spesifik. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan secara umum (Firdaus 2011).
Forecast Error Variance Decomposition (FEVD)
Metode FEVD merupakan metode yang digunakan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh error variance dipengaruhi oleh variabel-variabel lainnya. Dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel memengaruhi variabel lainnya dalam kurun waktu yang panjang. Metode FEVD merinci ragam dari peramalan galat menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Faktor-faktor yang memengaruhi fluktuasi dari variabel tertentu dapat diketahui pasti melalui FEVD (Firdaus 2011).
Analisis Vector Error Correlation Model (VECM)
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 perbedaan pertama (first difference) atau I (1) (Firdaus 2011).
Oleh karena itu, untuk mengantisipasi hilangnya informasi jangka, maka digunakan VECM apabila ternyata data yang digunakan memiliki derajat stasioneritas I(1). Caranya adalah dengan mentransformasi persamaan awal pada level menjadi persamaan baru sebagai berikut:
∆yt = b10 + b11∆yt-1 + b12∆zt-1 – (yt-1 – a10 – a11yt-2 –a12zt-1) + εyt ……...…. (9)
∆zt = b20 + b21∆yt-1 + b22∆zt-1 – (zt-1 – a20 – a21yt-1–a22zt-2) + εzt …….…. (10) Koefisien a merupakan koefisien regresi jangka panjang, b merupakan koefisien regresi jangka pendek, merupakan parameter koreksi error dan persamaan dalam tanda kurung menunjukkan kointegrasi antara variabel y dan z.
Pengolahan Data Uji Stasioneritas Data
Setelah data yang digunakan dalam penelitian ini didapat, untuk melakukan estimasi VAR atau VECM terlebih dahulu harus melakukan beberapa pengujian pra estimasi. Beberapa pengujian yang harus dilakukan adalah uji stasioneritas data, uji penentuan lag optimal, uji stabilitas VAR dan kointegrasi.
Uji stasionary digunakan untuk mengidentifikasi apakah suatu variabel stasioner atau tidak. Data time series dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit (unit root) dimana mean, variance dan covariance
konstan sepanjang waktu. Sebaliknya data time series dikatakan tidak stasioner mengandung akar-akar unit, dimana mean, variance dan covariance data tersebut tidak konstan. Untuk menguji akar-akar unit pada penelitian ini digunakan uji
Augmented Dickey-Fuller (ADF).
Jika dari hasil uji stasioneritas berdasarkan uji ADF diperoleh data seluruh variabel belum stasioner pada level, atau integrasi derajat nol I(0), maka untuk memperoleh data yang stasioner dapat dilakukan dengan cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya. Dengan demikian melalui differencing pertama (first difference) diperoleh data selisih. Prosedur uji ADF kemudian diaplikasikan kembali untuk menguji data first difference. Jika dari hasil uji ternyata data first difference telah stasioner, maka dikatakan data time series tersebut terintegrasi pada derajat pertama I(1) untuk seluruh variabel. Tetapi jika data first difference tersebut belum stasioner maka
perlu dilakukan differencing kedua pada data tersebut. Prosedur ini seterusnya dilakukan hingga diperoleh data yang stasioner.
Penentuan Lag Optimal
Salah satu hal yang paling menentukan dalam uji stasioneritas adalah penentuan lag, karena dengan lag yang terlalu sedikit maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya dan standar kesalahan tidak
diestimasi secara baik. Namun jika memasukkan terlalu banyak lag maka dapat mengurangi kemampuan untuk menolak Ho karena tambahan parameter yang terlalu banyak akan mengurangi degress of freedom (Gujarati 2003).
Uji Stabilitas VAR
Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial. Jika semua akar dari fungsi polinomial berada di dalam unit circle
atau jika nilai absolutnya <1 maka model VAR tersebut dianggap stabil sehingga IRF dan FEVD yang dihasilkan dianggap valid.
Uji Kointegrasi
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Konsep kointegrasi sebagai kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan sebagai hubungan keseimbangan jangka panjang di antara variabel.
Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi yaitu Eagle-Granger Cointegration Test, Johansen Cointegration dan
Cointegration Regression Durbin Watson Test. Keberadaan persamaan kointegrasi ini akan menentukan metode yang akan digunakan pada model VECM. Jika terdapat hubungan minimal satu persamaan kointegrasi maka metode VECM akan digunakan untuk mengistimasi model. Sedangkan jika tidak terdapat persamaan kointegrasi maka metode VAR first difference yang akan digunakan.
Model Penelitian
Pada penelitian ini model VAR dan VECM yang digunakan, sebagai berikut:
Xt = t +∑ i + Xt-1 + εt ………..……….. (11)
Xt merupakan vektor dari variabel endogen dengan dimensi (n x l), t merupakan vektor variabel eksogen, termasuk konstanta (intersep) dan trend, At adalah koefisien matriks dengan dimensi (n x n), dan
ε
t adalah vektor dariresidual.Koefisien π dan merupakan fungsi dari A (lihat persamaan 11). Matriks π dapat dipecah menjadi dua matriks gama dan beta dengan dimensi (n x r). π = .
Dimana merupakan matriks penyesuaian, merupakan vektor kointegrasi dan Γ merupakan rank kointegrasi.
Persamaan untuk penelitian kali ini adalah:
∆LNKPt = + ∑ (i) ∆LNKPt-1 + ∑ (i) ∆BIRATEt-1 + ∑ (i) ∆INFt-1+ ∑ (i) ∆NPLt-1
+ ∑ (i) ∆CARt-1+ ∑ (i) ∆LDRt-1
+ ∑ (i) ∆ROAt-1 + ∑ (i)LNDPKt-1 + …...(13) Keterangan:
KP = Kredit Pertanian BIRATE = Suku bunga BI INF = Inflasi
NPL = Non Performing Loan
CAR = Capital Adequacy Ratio
LDR = Loan to Deposit Ratio
ROA = Return on Asset
DPK = dana pihak ketiga
ε = error