METODE PENELITIAN
2. Variabel Penelitian Terkait dengan Perbankan Konvensional
a. Kredit Konstruksi (CK) merupakan jumlah kredit yang disalurkan perbankan konvensional di Indonesia kepada sektor usaha konstruksi. b. Dana Pihak Ketiga (DPKk) merupakan jumlah dana pihak ketiga yang
berhasil dihimpun oleh sector perbankan konvensional.
c. Suku Bunga Kredit (SBK) merupakan suku bunga kredit bank umum konvensional di Indonesia.
d. Persentase Non Performing Loan (NPL) sektor konstruksi merupakan persentase tingkat kredit bermasalah yang ada di kredit sektor konstruksi bank konvensional.
e. Suku bunga SBI (SBI) merupakan suku bunga dari penyertaan dana pada sertifikat bank Indonesia yang merupakan instrumen moneter. f. Indeks Harga Perdagangan Besar Bangunan/ Konstruksi Indeks Harga
Perdagangan Besar (IHPB) adalah indikator yang menggambarkan besarnya perubahan harga di tingkat pedagang besar/harga grosir dari komoditi komoditi yang diperdagangkan di suatu negara/daerah. Komoditi tersebut merupakan hasil produksi dalam negeri yang dipasarkan di dalam negeri atau diekspor, dan komoditi yang diimpor dari luar negeri. Indeks ini sebagai proksimasi dari keadaan ekonomi sektor konstruksi di Indonesia.
g. Indeks Harga Konsumen adalah Indeks yang menghitung rata-rata perubahan harga dari suatu paket barang dan jasa yang dikonsumsi oleh rumah tangga dalam kurun waktu tertentu. IHK merupakan indikator yang digunakan untuk mengukur tingkat inflasi. Perubahan
IHK dari waktu ke waktu menggambarkan tingkat kenaikan (inflasi) atau tingkat penurunan (deflasi) dari barang dan jasa.
h. Inflasi (INF) merupakan tingkat inflasi yang berlaku di Indonesia. Inflasi adalah kecenderungan naiknya harga barang dan jasa pada umumnya yang berlangsung secara terus menerus. Jika inflasi meningkat, maka harga barang dan jasa di dalam negeri mengalami kenaikan. Naiknya harga barang dan jasa tersebut menyebabkan turunnya nilai mata uang. Dengan demikian, inflasi dapat juga diartikan sebagai penurunan nilai mata uang terhadap nilai barang dan jasa secara umum.
i. PDRB sektor konstruksi adalah Produk Domestik Regional Bruto suatu daerah untuk sektor konstruksi.
j. PDRB perkapita adalah nilai dari hasil pembagian PDRB dengan jumlah penduduk.
Metode Analisis dan Pengolahan Data
Metode yang digunakan dalam penelitian ini adalah metode campuran dengan menggunakan metode analisis yang bersifat deskriptif dan kuantitatif. Penelitian ini menggunakan analisis kuantitafif dengan pengolahan data dengan analisis Vector Error Correction Model untuk menjawab permasalahan pertama dan analisis panel data untuk menjawab permasalahan kedua.
Analisis Vector Error Correction Model
Alat analisis yang digunakan untuk menjawab permasalahan pertama dalam penelitian ini adalah metode Vector Autoregression (VAR) apabila data-data yang digunakan stasioner dan tidak terkointegrasi, kemudian dilanjutkan dengan metode Vector Error Correction Model (VECM) apabila data-data yang digunakan stasioner dan terdapat kointegrasi.
Pengolahan data dilakukan secara bertahap, sebelum sampai pada analisis VAR dan VECM perlu dilakukan beberapa pengujian praestimasi yaitu, uji non stationeritas 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, tekhnik 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. Untuk melihat tahapan proses pengolahan data dengan menggunakan VAR dapat dilihat dari Gambar 7.
Gambar 7 Proses analisis VAR dan VECM
Berikut merupakan tahapan pengujian yang dilakukan dalam penelitian ini: 1. Uji Non Stasioneritas Data
Salah satu persyaratan penting untuk mengaplikasikan model seri waktu yaitu dipenuhinya asumsi data yang normal atau stabil (stasioner) dari variabel- variabel pembentuk persamaan regresi. Penggunaan data dalam penelitian ini berpotensi menimbulkan data yang tidak stasioner karena adanya unit root pada tingkat level, maka dalam penelitian ini perlu dilakukan uji stasioner. Uji stasioneritas ini dilakukan dengan menggunakan Augmented Dickey Fuller test pada tingkat level dan tingkat first difference. Jika nilai uji ADF lebih kecil dari nilai kritisnya, maka data tersebut stasioner. Nilai kritis yang dipakai pada penelitian ini adalah 5 persen.
2. Uji Lag Optimal
Penetapan lag optimum bertujuan untuk menunjukan berapa lama reaksi suatu variabel terhadap variabel lainnya serta menghilangkan masalah autokorelasi dalam sebuah sistem VAR (Firdaus, 2011). Pengujian panjang lag ditentukan berdasarkan kriteria Akaike Information Criterion (AIC), Schwarz Criterion (SC) dan Hanan-Quinn (HQ) yang terkecil. Pada penelitian ini model VAR diestimasi dengan tingkat lag yang berbeda-beda kemudian dibandingkan nilai AIC-nya. Nilai AIC terkecil dipakai sebagai acuan nilai lag optimal.
3. Uji Stabilitas Model VAR
Panjang lag yang diperoleh pada uji lag optimum selanjutnya akan diuji kestabilannya. Uji stabilitas VAR dilakukan untuk mendapatkan hasil yang valid pada IRF dan FEVD. Model VAR dapat dikatakan stabil jika root-nya yang memiliki modulus kurang dari satu.
Tidak Stasioner
Uji Kointegrasi Pada Level
Uji Akar Unit pada First Difference Uji Korelasi antar eror Korelasi Tinggi Korelasi Rendah Terkointe- grasi Tidak Terkointe- grasi Stasioner Tidak Stasioner
SVAR VAR VECM VAR FD
Impulse Response dan Forecast Error Decomposition of Variance Data Time Series pada Level
Pengujian Akar Unit
Stasioner
4. Vector Autoregression (VAR)
Model Vector Autoregressive (VAR) diperkenalkan oleh Christopher Sims pada tahun 1980. Stock dan Watson (2001) dalam Firdaus (2011) memaparkan bahwa jika sebelumnya univariate autoregressive merupakan sebuah persamaan tunggal dengan model linier variabel tunggal, di mana nilai sekarang dari masing- masing variabel dijelaskan oleh nilai lag-nya sendiri, serta nilai saat ini dan masa lampaunya.
Menurut Arsana (2005) dalam Firdaus (2011), alat analisis yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi structural, dan analisis kebijakan dilakukan melalui empat macam penggunaannya, yakni Forecasting Impulse Function (IRF), Forecast Error Variance Decomposition (FEVD), dan Granger Causality Test.
Adapun persamaan umum VAR adalah sebagai berikut: yt= A0 + A1yt-1 + A2yt-2 + … + Apyt-p + et ………. (1)
Di mana:
yt : vector berukuran (n.1) yang berisikan n variabel yang terdapat dalam sebuah
model VAR
A0 : vector intersep berukuran (n.1)
Ai : matriks koefisien / parameter berukuran (n.n) untuksetiap i = 1,2,…,p
et : vector error berukuran (n.1)
Model VAR tidak banyak tergantung pada teori dalam penyusunan model. Hal-hal yang perlu ditentukan dalam model VAR yaitu variabel yang saling berinteraksi atau saling mempengaruhi yang perlu dimasukkan dalam model. Kedua, banyaknya variabel jeda yang perlu diikutsertakan dalam model yang diharapkan dapat menangkap keterkaitan antarvariabel dalam sistem .Oleh karena itu, sebelum memilih variabel yang dianalisis dalam model perlu diuji terlebih dahulu sifat kausalitas dari variabel-variabel tersebut dengan menggunakan uji kausalitas granger.
Model VAR memiliki kelebihan daripada analisis dengan model lainnya. Kelebihan dari model ini yaitu yang pertama, Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variabel endogen dan eksogen. Semua variabel pada model VAR dapat dianggap variabel endogen. Kedua, cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada tiap- tiap persamaan secara terpisah. Ketiga, peramalan menggunakan model VAR pada beberapa hal lebih baik dari peramalan yang menggunakan model dengan persamaan simultan yang lebih kompleks. Keempat, Semua variabel pada model VAR harus sudah stasioner. Jika data variabel belum stasioner maka harus ditransformasi terlebih dahulu agar stasioner. Kelima, Interpretasi parameter yang telah diestimasi pada model VAR tidak mudah. Oleh karenanya, para praktisi kadang-kadang malah mengestimasi IRF (Impulse Response Function). IRF melacak respons dari variabel terikat pada model VAR bila terjadi perubahan shock melalui u1 dan u2 (untuk model dengan 2 variabel).
Menurut Gujarati dalam Firdaus (2011), model VAR juga memiliki beberapa kelemahan yaitu antara lain yang pertama, model VAR lebih bersifat teori karena tidak memanfaatkan informasi dari teori-teori terdahulu. Kedua, karena lebih menitikberatkan pada peramalan (forecasting), maka model VAR dianggap tidak sesuai untuk implikasi kebijakan. Ketiga, tantangan terberat VAR pemilihan panjang lag yang tepat. Keempat, semua variabel yang digunakan
dalam model VAR harus stasioner. Kelemahan VAR kelima yaitu koefisien dalam estimasi VAR sulit untuk diinterpretasikan.
5. Uji Kausalitas Granger
Uji kausalitas Granger dilakukan untuk melihat hubungan kausalitas di antara variabel – variabel yang ada dalam model. Uji ini untuk mengetahui apakah suatu variabel bebas (independent variable) meningkatkan kinerja forecasting dari variabel tidak bebas (dependent variable). Pertanyaan yang sering ada dalam analisis time series adalah tidak hanya satu atau lebih variabel ekonomi yang dapat memperkirakan variabel ekonomi lainnya.
Pengujian hubungan sebab akibat dalam pengertian Granger, dengan menggunakan F-test untuk menguji apakah lag informasi dalam variabel Y memberikan informasi statistik yang signifikan tentang variabel X dalam menjelaskan perubahan X. Jika tidak, Y tidak ada hubungan sebab akibat Granger dengan X. Eviews akan menjalankan estimasi dengan bentuk persamaan :
yt= α0+ α1yt-1+ ….+ α1yt-1+ β1x1, t-1+ …. βlx-l+ Ɛt ………..…… (2)
xt= α0+ α1xt-1+ ….+ α1xt-1+ β1y1, t-1+ …. βly-l+ Ɛt ………..…… (3)
Nilai F-statistik dihitung berdasarkan Wald statistic untuk hipotesis βl = β2 = …=βl = 0 untuk setiap persamaan. Pada persamaan pertama, hipotesis nol adalah x
tidak mempengaruhi Granger y, sedangkan y tidak mempengaruhi Granger x pada persamaan kedua.
6. Uji Kointegrasi
Uji Kointegrasi dilakukan untuk menentukan apakah variabel-variabel yang stasioner pada tingkat first difference terkointegrasi atau tidak. Uji kointegrasi mengimplikasikan bahwa dalam sistem persamaan mengimplikasikan bahwa dalam sistem tersebut terdapat error correction model yang menggambarkan adanya dinamisasi jangka pendek secara konsisten dengan hubungan jangka panjangnya. Uji kointegrasi dalam penelitian ini menggunakan pendekatan Johansen dengan membandingkan trace statistic dengan nilai kritis sebesar 5 persen. Jika nilai trace statistic lebih besar dibandingkan nilai kritisnya maka terdapat kointegrasi dalam sistem persamaan tersebut.
7. Vector Error Correction Model (VECM)
Pada jangka pendek terdapat kemungkinan terjadi ketidakseimbangan, karena adanya ketidakseimbangan tersebut maka diperlukan adanya koreksi dengan model koreksi kesalahan (error correction model). Model sederhana error correction model dapat dinyatakan dengan :
∆rSt= αS(rLt-1–βrSt-1) +ƐSt αS > 0 ….………(4) ∆rLt = -αL(rLt-1–βrSt-1) +ƐLt αL > 0 ….………(5) ƐSt danƐLt : error
rLt : keadaan jangka panjang
rLt : keadaan jangka pendek αS, αL danβ : parameter
Formulasi model secara umum dengan menggunakan perubahan lag, dapat dinyatakan dengan :
∆rSt = a10+ αS(rLt-1–βrSt-1) + Σa11(ί) ∆rSt-ί+ Σa12(ί) ∆rLt-ί +ƐSt ……….. (6) ∆rLt = a20–αL(rLt-1–βrSt-1) + Σa21(ί) ∆rSt-ί+ Σa22(ί) ∆rLt-ί +ƐLt………... (7)
Variabel error correction model bivariate VAR di first differences ditambah dengan error correction terms αS(rLt-1–βrSt-1) +ƐSt dan-αL(rLt-1 –βrSt-1), dimana αS
dan αL memiliki interpretasi speed of adjustment dari jangka pendek ke jangka
panjang (Enders 2004)
Vector Error Correction (VEC) model adalah VAR terestriksi yang digunakan untuk variabel yang nonstationer tetapi memiliki potensi untuk terkointegrasi, setelah dilakukan pengujian kointegrasi pada model yang digunakan, maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan, dengan demikian dalam VECM terdapat speed of adjustment dari jangka pendek ke jangka panjang (Firdaus 2011). Adapun spesifikasi model VECM secara umum adalah sebagai berikut:
k-1
∆yt =µ0x + µ1xt +∏xyt-1+ Σ Γix∆yt-i+ Ɛt ……… (8)
i=1
Keterangan :
yt =vektor yang berisi variabel yang dianalisis dalam penelitian
µ0x = vektor intercept
t = time trend
∏x = αxβ’ dimana b’mengandung persamaan kointegrasi jangka panjang
yt-I = variabel in – level Γix = matriks koefisien regresi
k-1 = ordo VECM dari VAR
Ɛt = error term
8. Simulasi Impuls Respond Function (IRF)
Impuls Response Function (IRF) adalah suatu metode yang digunakan untuk menentukan respons suatu variabel endogen terhadap suatu shock tertentu. Hal ini dikarenakan shock variabel misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja, tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur lag dalam VAR, atau dengan kata lain IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan di masa yang akan datang.
IRF bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik, yang artinya suatu variabel dapat dipengaruhi oleh shock atau guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum (Firdaus 2011). 9. Forecasting Error Variance Decomposition (FEDV)
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 variable-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).
Analisis Panel Data
Penelitian ini menggunakan analisis regresi panel data untuk menjawab permasalahan kedua, penelitian ini menggunakan data cross section yang terdiri dari 33 provinsi dan data time series tahun 2009 hingga 2013. Data panel adalah gabungan antara data cross section dengan data time series. Keuntungan penggunaan model data panel dibandingkan data time series dan cross section yaitu dapat menghasilkan jumlah observasi yang lebih besar, menambah derajat bebas (degree of freedom) sehingga dapat meningkatkan efisiensi serta mengurangi kolinearitas antar variabel, dan mengurangi masalah identifikasi dengan mengakomodasi tingkat heterogenitas variabel.
Dengan analisis panel data, kita dapat menangkap perilaku sejumlah individu yang memiliki karakteristik yang berbeda-beda dalam suatu periode waktu tertentu. Heterogenitas antar individu maupun antar waktu digambarkan dalam model dengan intersep dan koefisien slope yang berbeda-beda. Nilai intersep dan koefisien slope yang berbeda-beda ini berasal dari pengaruh variabel yang tidak termasuk dalam variabel penjelas dalam persamaan regresi biasa. Model umum regresi data panel dapat dituliskan seperti:
yit = i + Xit + it ……….. (9) dengan: = individual heterogeneity y = variabel dependen x = variabel independen i = individu = komponen error t = periode waktu
Menurut Firdaus (2011), berdasarkan ada tidaknya korelasi antara komponen error dengan variabel dependen, terdapat 2 model yang dapat diaplikasikan dalam regresi data panel. Adapun model tersebut adalah Fixed Effects Model (FEM) dan Random Effects Model (REM). Jika terdapat korelasi antara efek individu dan peubah penjelas atau memiliki pola yang tidak acak, maka digunakan Fixed Effects Model (FEM). Penduga dalam FEM dapat dihitung dengan beberapa teknik sebagai berikut:
1. Pendekatan Pooled Least Square (PLS)
Pendekatan ini menggunakan gabungan dari seluruh data (pooled). Adapun model yang digunakan yaitu:
yit=αi + Xit β + uit ……….. (10)
dimana αi bersifat konstan untuk semua observasi, atau αi = α.
Pendekatan ini memiliki kelemahan yaitu dugaan parameter β akan bias.
Parameter yang bias ini disebabkan karena PLS tidak dapat membedakan observasi yang berbeda pada periode yang sama, atau tidak dapat membedakan observasi yang sama pada periode yang berbeda.
2. Pendekatan Within Group (WG)
Pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu.
3. Pendekatan Least Square Dummy Variable (LSDV)
Metode ini bertujuan untuk dapat merepresentasikan perbedaan intersep yaitu dengan dummy variable, dengan memasukkan sejumlah dgit= 1 (g = i),
persamaan awal menjadi:
yit= α1d1it+ α2 d2it+ αN dNit+ xit' β + uit ……… (11)
Persamaan ini dapat diestimasi dengan pendekatan OLS sehingga diperoleh
parameter βLSDV.
4. Pendekatan Two Way Error Components Fixed Effect Model
Model ini disusun berdasarkan fakta bahwa terkadang fixed effects tidak hanya berasal dari variasi antar individu (time invariants) tetapi juga berasal dari variasi antar waktu (time effect).
Pendekatan Random Effect Model (REM) muncul ketika antara efek individu dan variabel bebas tidak ada korelasi. Asumsi ini membuat komponen eror dari efek individu dan waktu dimasukkan ke dalam eror. Asumsi yang paling penting dalam REM adalah asumsi bahwa nilai harapan dari xit untuk setiap τi
adalah 0 atau E(τi xit) = 0.
Untuk menguji apakah model yang digunakan sudah tepat, maka dapat digunakan Chow test dan Hausman test. Chow test akan membandingkan model Pooled Least Square dengan model fixed effects. Jika hasil estimasi menunjukkan hasil yang signifikan, maka model yang dipilih adalah model fixed effect. Kemudian untuk memilih apakah fixed atau random effects yang lebih baik, dilakukan pengujian terhadap asumsi ada tidaknya korelasi antara variabel bebas dan efek individu. Untuk menguji asumsi ini dapat digunakan Hausman Test. Jika probabilitas lebih kecil dari alpha atau nilai H hasil pengujian lebih besar dari χ2 tabel, maka tolak H0 dan model yang tepat adalah Fixed Effects Model. Jika kedua
uji menunjukkan hasil yang signifikan, maka diputuskan model terbaik adalah model fixed effects.
Model Penelitian
Untuk menjawab permasalahan pertama dalam menganalisis faktor-faktor yang memengaruhi pembiayaan sektor konstruksi perbankan syariah, penelitian ini menggunakan pendekatan VECM dengan menggunakan pengembangan variabel yang berasal dari gabungan beberapa penelitian terdahulu. Penelitian ini menggunakan variabel pembiayaan konstruksi (PK) sebagai variabel dependen dan variabel Dana Pihak Ketiga perbankan syariah (DPKs), Indeks Harga Konsumen (IHK), Equivalent rate pembiayaan (ERP), Persentase Non Performing Financing (NPF), Bonus Sertifikat Bank Indonesia Syariah (BSBIS), dan Indeks Harga Perdagangan Besar Konstruksi (IHPB) sebagai variabel independen. Model persamaan VECM dalam bentuk notasi matriks yang digunakan adalah sebagai berikut : [ ] = [ α α α α α α α ] + [ α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α ][ ] + [ � � � � � � � ] ……..(12)
Keterangan
PKt : Jumlah pembiayaan Sektor Konstruksi periode ke-t
IHKt : Indeks Harga Konsumen periode ke-t
DPKst : Dana Pihak Ketiga perbankan syariah periode ke-t
IHPB_Konstt : Indeks Harga perdagangan besar konstruksi periode ke-t
Persentase_NPF_Konstt : Persentase Non Performing Financing sektor konstruksi pada
periode ke-t
ERP_Konstt : Equivalent rate pembiayaan konstruksi pada periode ke-t
BSBISt : bonus SBIS pada periode ke-t (persen)
e1t : Error term (sisaan)
Untuk menjawab permasalahan pertama dalam menganalisis faktor-faktor yang memengaruhi kredit sektor konstruksi perbankan konvensional, penelitian ini menggunakan pendekatan VECM dengan variabel kredit konstruksi (CK) sebagai variabel dependen dan variabel Dana Pihak Ketiga perbankan konvensional (DPKk), Indeks Harga Konsumen (IHK), suku bunga kredit (SBK), Persentase Non Performing Loan (NPL), suku bunga Sertifikat Bank Indonesia (SBI), dan Indeks Harga Perdagangan Besar Konstruksi sebagai variabel independen. Model persamaan VECM dalam bentuk notasi matriks yang digunakan adalah sebagai berikut :
[ ] = [ α α α α α α α ] + [ α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α α ][ ] + [ � � � � � � � ] …(13) Keterangan
CKt : Jumlah Kredit Sektor Konstruksi periode ke-t
IHKt : Indeks Harga Konsumen periode ke-t
DPKkt : Dana Pihak Ketiga perbankan konvensional periode ke-t
IHPB_Konstt : Indeks Harga perdagangan besar konstruksi periode ke-t
SBKt : Suku bunga kredit pada periode ke-t
SBIt : Suku bunga SBI pada periode ke-t
Persentase_NPL_Konstt : Persentase Non Performing Loan pada periode ke-t
e1t : Error term (sisaan)
Untuk menjawab permasalahan kedua dalam menganalisis faktor-faktor yang memengaruhi pembiayaan sektor konstruksi perbankan syariah antar wilayah, penelitian ini menggunakan pendekatan panel data dengan melibatkan data 33 provinsi. Data yang digunakan adalah data series tahunan dari tahun 2009 sampai dengan tahun 2013. Variabel Pembiayaan konstruksi (PKit) sebagai variabel dependen. Variabel Dana Pihak Ketiga perbankan syariah (DPKsit), jumlah pembiayaan bermasalah pada perbankan syariah (NPFit), tingkat inflasi daerah (INFit), Produk Domestik Regional Bruto sektor Konstruksi (PDRB_Konstit) dan Produk Domestik Regional Bruto per kapita
(PDRB_Perkapitait) sebagai variabel independen. Model persamaan yang
digunakan adalah sebagai berikut :
��� …..(14)
dengan:
Yit = Variabel dependen (jumlah pembiayaan konstruksi
Ln_PKit )
Xit = Variabel independen (ln_DPKSit,, NPFit, INFit,
ln_PDRB_Konstit dan ln_PDRB_Perkapitait)
i = Individu (N=33 provinsi)
t = Periode waktu (T=5 tahun , 2009 sampai dengan 2013,) = Komponen error
Untuk menjawab permasalahan kedua dalam menganalisis faktor-faktor yang memengaruhi kredit sektor konstruksi perbankan konvensional antar wilayah, penelitian ini menggunakan pendekatan panel data dengan melibatkan data 33 provinsi. Data yang digunakan adalah data series tahunan dari tahun 2009 sampai dengan tahun 2013. Variabel kredit konstruksi (CKit) sebagai variabel dependen. Variabel Dana Pihak Ketiga perbankan konvensional (DPKkit), jumlah pembiayaan bermasalah pada perbankan konvensional (NPLit), tingkat inflasi daerah (INFit), Produk Domestik Regional Bruto sektor Konstruksi (PDRB_Konstit) dan Produk Domestik Regional Bruto per kapita
(PDRB_Perkapitait) sebagai variabel independen. Model persamaan yang
digunakan adalah sebagai berikut :
....(15)
dengan:
Yit = Variabel dependen (kredit konstruksi CKit )
Xit = Variabel independen (ln_DPKKit, NPLit, INFit,
ln_PDRB_Konst, dan ln_PDRB_Perkapita) i = Individu (N=33 provinsi)
t = Periode waktu (T=5 tahun , 2009 sampai dengan 2013) = Komponen error