METODOLOGI PENELITIAN
A. Ruang Lingkup Penelitian
Penelitian ini menganilisis hubungan antara inklusi keuangan dengan pertumbuhan ekonomi, kemiskinan, dan ketimpangan pendapatan di 12 Provinsi di Kawasan Timur Indonesia yaitu Provinsi Nusa Tenggara Barat, Nusa Tenggara Timur, Maluku, Maluku Utara, Sulawesi Barat, Gorontalo, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Utara, Sulawesi Tenggara, Papua, dan Papua Barat. Pengambilan Kawasan Timur Indonesia sebagai objek penelitian dikarenakan pada dasarnya dalam konteks Indonesia, Kawasan Timur Indonesia hingga saat ini cenderung diidentikkan dengan adalah sebuah kawasan yang relatif tertinggal.
Dachlan & Suhab (2014) dalam kajiannya menyatakan bahwa kinerja pembangunan dan pelayanan publik di Kawasan Timur Indonesia meskipun telah menunjukkan tren yang positif, namun pada nyatanya belum mampu mendekatkan pada capaian pembangunan di Kawasan Barat Indonesia. Hal tersebut juga didukung sebagaimana data dan uraian pada bab satu penelitian ini, bahwa rata-rata provinsi di Kawasan Timur Indonesia merupakan provinsi dengan tingkat kemiskinan dan ketimpangan yang cukup tinggi. Disisi lain, terdapat pula kasus yang menarik untuk dikaji dimana pada beberapa provinsi
di wilayah Kawasan Timur Indonesia memiliki kondisi dimana meskipun tingkat inklusi keuangan dan pertumbuhan ekonomi yang cukup tinggi namun masih memiliki tingkat kemiskinan dan ketimpangan yang tinggi pula.
Adapun data yang digunakan berupa angka yang di peroleh dari Otoritas Jasa Keuangan Indonesia dan Badan Pusat Statistik Indonesia, oleh karena itu pendekatan yang digunakan adalah pendekatan kuantitatif yang kemudian di analisis menggunakan statistik deskriptif.
B. Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk kuantitatif atau angka yang di dapat OJK dan BPS Indonesia. Data yang terkumpul merupakan data panel atau cross section, yaitu berupa data dari 12 provinsi di Kawasan Timur Indonesia dari tahun 2012-2019. Data tersebut mewakili 2 blok yaitu analisis pengukuran inklusi keuangan yang direpresentasikan dengan indeks dimensi ketersediaan layanan perbankan, indeks dimensi penetrasi perbankan, dan indeks dimensi penggunaan jasa perbankan. Kemudian variabel tujuan SDGs direpresentasikan oleh variabel pertumbuhan ekonomi, tingkat kemiskinan, dan indeks gini. Secara rinci data tersebut dapat dilihat pada tabel 3.1 di bawah ini:
Tabel 3.1 Jenis, Satuan, dan Sumber Data Penelitian
No Variabel Data Simbol Satuan Sumber 1 Analisis
Pengukuran
Jumlah Perbankan menurut Provinsi tahun 2012-2019
B Satuan OJK
Inklusi Keuangan
Kredit Bank Umum Menurut Provinsi Tahun 2012-2019
K Miliar
Rupiah OJK Dana Pihak Ketiga
Bank Umum Menurut Provinsi Tahun 2012- 2019
DPK Miliar
Rupiah OJK Penduduk usia 15
tahun ke atas menurut Provinsi tahun 2012- 2019
P Juta
Jiwa BPS PDRB Menurut
Provinsi Tahun 2012- 2019
PDRB Miliar
Rupiah BPS
2 Tujuan SDGs
Pertumbuhan PDRB Menurut Provinsi Tahun 2012-2019
PE Persen BPS Persentase
Kemiskinan Menurut Provinsi Tahun 2012- 2019
TK Persen BPS
Indeks Gini Menurut Provinsi Tahun 2012- 2019
IG Angka
Indeks BPS
C. Definisi Operasional Variabel
1. Indeks Dimensi Ketersediaan Layanan Perbankan
Indeks inklusi keuangan merupakan indikator digunakan untuk mengukur tingkat inklusi keuangan pada 12 Provinsi di Kawasan Timur Indonesia. Sarma (2012) dalam Azwar (2017) dalam menghitung indeks inklusi keuangan dengan menggunakan 3 dimensi yaitu dimensi ketersediaan layanan perbankan, penetrasi perbankan, dan penggunaan jasa perbankan. Untuk dimensi ketersediaan layanan perbankan, merupakan alat ukur yang digunakan
untuk mengetahui bagaimana kemampuan penggunaan jasa keuangan formal oleh masyarakat. Dalam pengukurannya dilakukan dengan menghitung rasio jumlah kantor cabang bank per 100.000 penduduk dewasa. Secara matematis, hal tersebut dapat dirumuskan sebagai berikut:
𝑑1 =𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑎𝑛𝑡𝑜𝑟 𝐶𝑎𝑏𝑎𝑛𝑔 𝐵𝑎𝑛𝑘 𝑈𝑚𝑢𝑚 (𝑡𝑎ℎ𝑢𝑛 𝑡)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑛𝑑𝑢𝑑𝑢𝑘 (𝑡𝑎ℎ𝑢𝑛 𝑡) 𝑥 100.000 (3.1)
2. Indeks Dimensi Penetrasi Perbankan
Dimensi penetrasi perbankan, merupakan alat ukur yang digunakan untuk mengetahui kondisi penetrasi perbankan pada masyarakat. Dalam pengukurannya dilakukan dengan menghitung rasio jumlah Dana Pihak Ketiga Bank Umum per 1000 penduduk dewasa daerah tersebut Sarma (2012) dalam Azwar (2017). Secara matematis, hal tersebut dapat dirumuskan sebagai berikut:
𝑑2 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑃𝐾 𝐵𝑎𝑛𝑘 𝑈𝑚𝑢𝑚 (𝑡𝑎ℎ𝑢𝑛 𝑡)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑛𝑑𝑢𝑑𝑢𝑘 𝐷𝑒𝑤𝑎𝑠𝑎 (𝑡𝑎ℎ𝑢𝑛 𝑡) 𝑥 1.000
(3.2)
3. Indeks Dimensi Penggunaan Jasa Perbankan
Dimensi penggunaan jasa perbankan, merupakan alat ukur yang digunakan untuk mengetahui bagaimana penggunaan jasa keuangan formal oleh masyarakat, diantaranya dengan memanfaatkan produk kredit bank konvensional maupun pembiayaan bank umum syariah. Dalam pengukurannya dilakukan dengan menghitung jumlah kredit bank umum maupun pembiayaan bank umum syariah terhadap Produk Domestik Regional Bruto (PDRB) daerah tersebut Sarma (2012) dalam Azwar (2017). Secara matematis, hal tersebut dapat dirumuskan sebagai berikut:
𝑑3 =𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑟𝑒𝑑𝑖𝑡 𝑑𝑎𝑛 𝑃𝑒𝑚𝑏𝑖𝑎𝑦𝑎𝑎𝑛 𝐵𝑎𝑛𝑘 𝑈𝑚𝑢𝑚 (𝑡𝑎ℎ𝑢𝑛 𝑡)
𝑃𝐷𝑅𝐵 (𝑡𝑎ℎ𝑢𝑛 𝑡) 𝑥 1.000 (3.3)
4. Laju Pertumbuhan Produk Domestik Bruto (PDRB)
Salah satu indikator untuk mengukur pertumbuhan ekonomi suatu wilayah adalah dengan melihat Produk Domestik Reginal Bruto (PDRB), menurut Badan Pusat Statistik Indonesia (2019) PDRB didefinisikan sebagai jumlah nilai akhir dari suatu barang dan atau jasa yang dihasilkan suatu unit ekonomi di wilayah tertentu, yang disajikan dalam dua bentuk yaitu atas dasar harga konstan dan atas dasar harga berlaku.
5. Kemiskinan
Bappenas (2005) mendefinisikan kemiskinan sebagai kondisi dimana seorang individu atau kelompok sosial tidak mampu dalam memenuhi hak-hak dasarnya termasuk mendapat perlakuan berbeda di berbagai hal dalam rangka upaya untuk mempertahankan dan mengembangkan kehidupan yang layak dan bermartabat.
6. Ketimpangan Pendapatan
Ketimpangan pendapatan merupakan kondisi dimana terdapat distibusi pendapatan yang tidak merata antar individu di suatu wilayah tertentu. Untuk mengukur ketimpangan pendapatan dalam penelitian ini menggunakan indeks gini.
D. Metode Analisis Data
Metode analisis data yang dugunakan dalam penelitian adalah dengan menggunakan model analisis pengukuran indeks Inklusi Keuangan oleh Sarma (2012), hasil pengukuran nilai indeks masing-masing dimensi kemudian diuji dengan variabel tujuan SDGs dengan menggunakan uji kausalitas Toda- Yamamoto dan teknik estimasi data panel Panel Vector Auto Regression (PVAR) yang dilanjutkan dengan Panel Vector Error Correction Model (PVECM) apabila data yang ada tidak stasioner pada level dan terdapat kointegrasi.
1. Pengukuran Nilai Indeks Inklusi Keuangan
Dalam rangka menjawab pertanyaan pertama penelitian, mengenai bagaimana kondisi inklusi keuangan di Kawasan Timur Indonesia, peneliti menggunakan model analisis pengukuran indeks inklusi keuangan yang dikembangkan oleh Sarma (2012). Dalam pengukurannya, langkah pertama yang dilakukan adalah mengukur nilai indeks dari masing-masing dimensi inklusi keuangan dengan formula sebagai berikut:
di = wi 𝐴𝑖−𝑚𝑖 𝑀𝑖−𝑚𝑖
(3.4) Dimana:
di = nilai aktual dimensi i, dimana i= 1,2, dan 3 wi = bobot untuk dimesi
Ai = nilai terkini dari variabel i
mi = nilai minimum atau batas bawah dari variabel i Mi = nilai maksimum atau batas atas dari variabel i
Dalam penelitian ini bobot untuk dimensi (wi) untuk seluruh dimensi diasumsikan memiliki prioritas yang sama, sehingga bobot yang diberikan untuk masing-masing dimensi adalah bernilai sama, yaitu wi=1. Setelah mendapatkan nilai dari masing-masing dimensi, kemudian dapat dihitung indeks inklusi keuangan dengan formula sebagai berikut:
IIK = 1
2 (√𝑑12+𝑑22+𝑑32
√3 + [1 −√(1−𝑑1)2+(1−𝑑2)2+(1−𝑑3)2
√3 ])
(3.5) Dimana:
IIK = Indeks inklusi keuangan
d1 = nilai aktual dimensi ketersediaan jasa perbankan d2 = nilai aktual dimensi penetrasi jasa perbankan d3 = nilai aktual dimensi penggunaan jasa perbankan
Inklusi keuangan dikategorikan rendah apabila angka indeks lebih kecil dari 0,3 dan dikatakan sedang apabila nilai indeks adalah 0,3-0,6 serta dikatakan tinggi jikan nilai indeks berada di antara 0,6-1.
2. Uji Kausalitas Toda Yamamoto
Untuk menjawab pertanyaan meneganai bagaimana hubungan anatara inklusi keuangan dengan ketimpangan pendapatan, kemiskinan, dan pertumbuhan ekonomi peneliti menggunakan metode analisis Panel Vector Autoregressive (PVAR) yang dilanjutkan dengan Panel Vector Error Correction Model (PVECM) apabila data yang ada tidak stasioner pada level dan terdapat kointegrasi dengan menggunakan uji kausaliatas Toda Yamamoto.
Uji kausalitas merupakan salah satu sebuah metode untuk mengetahui hubungan sebab akibat antara suatu variabel dengan variabel lainnya. Terdapat beberapa metode yang dapat digunakan untuk melakukan uji kausalitas, diantaranya: (i) uji Granger; (ii) uji ECM; (iii) uji VECM; dan (iv) uji Toda-Yamamoto.
Salah satu hal yang menjadi catatan penting dalam uji kausalitas Granger adalah terdapatnya beberapa kelemahan bahwa untuk menentukan lag atau selang waktu di antara variabel yang terkointegrasi akan berakhir dengan hasil regresi palsu atau spurious regression, dan uji-F tidak valid kecuali variabel terkointegrasi dalam level.
Toda & Yamamoto (1995) dalam Aziz et al. (2003) mengembangkan prosedur sederhana untuk mengatasi kelemahan di atas, dan mampu menghasilkan hasil estimasi yang valid meskipun data tidak stasioner pada tingkat level, dengan catatan maximal order of integration dmax dimasukkan ke dalam model (Aziz et al., 2003).
Untuk menerapkan metode uji kausalitas Toda-Yamamoto yang pertama adalah menentukan maximal order of integration atau dmax, kemudian menentukan lag optimal model vektor autoregresi (VAR) dengan menggunakan Schwarz Information Criterion (SIC), Akaike Information Criterion (AIC), ataupun Hannan-Quinn Information Criterion (HQ) yang dilambangkan dengan k. Ketiga, adalah dengan mengestimasi (k + dmax), kemudian hipotesis diuji dengan menggunakan uji statistik Wald yang berdistribusi Chi-square asimtotik dengan derajat kebebasan m.
Adapun persamaan umum dari uji kausalitas Toda Yamamoto dalam penelitian ini adalah sebagai berikut:
IGt = α1i + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1iIGt-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1iTKt-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1iPEt-1 +
∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1id1t-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1id2t-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α1id3t-1 + ε1t (3.6)
TKt = α2i + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α2iTKt-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α2iPEt-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α2id1t-1
+∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α2id2t-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α2id3t-1 + ε2t (3.7)
PEt = α3i + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α3iPEt-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α3id1t-1 + ∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α3id2t-1 +
∑𝑘+𝑑𝑚𝑎𝑥𝑗=1 α3id3t-1 + ε3t (3.8)
Dimana:
PEt = Pertumbuhan PDRB periode t
TKt = Tingkat Kemiskinan periode t
IGt = Indeks Gini periode t
d1 = Dimensi Ketersediaan Layanan Perbankan periode t
d2 = Dimensi Penetrasi Perbankan periode t
d3 = Dimensi Penggunaan Layanan Perbankan periode t
α = Konstanta
j = Lag
k = Panjang Lag Maksimum
dmax = order of integration
ε = Error Term
3. Estimasi Panel Vector Autoregression (PVAR)/ Panel Vector Error Correction Model (PVECM)
Model Vector Autoregression atau VAR merupakan salah satu metode yang sering digunakan dalam literatur ekonometrika yang berupa persamaan simultan, dimana semua variabel dalam model VAR diasumsikan sebagai varibel respon atau yang mempengaruhi.
Dimasukkanya model VAR dalam data panel, maka akan membantu dalam analisis data yang mengabungkan data time series dan cross section.
Perbedaan yang mendasar antara PVAR dan VAR adalah mengenai struktur data yang mengadopsi perilaku antar individu sekaligus perilaku dinamis antar variabel. PVAR yang digunakan menggunakan konsep estimator yang dikemukakan oleh (Holtz-Eakin et al., 1988). Dalam kasus PVAR, sebuah data terdiri dari i = 1,2,….,N individu. Dimana setiap individu memiliki t= 1,2,3,…t periode.
Estimasi model PVAR dalam uji kausalitas Toda-Yamamoto diperlukan untuk menentukan lag (selang waktu) optimum atau disimbolkan dengan k yang akan digunakan dalam uji-uji selanjutnya.
Adapun persamaan umum model PVAR dalam penelitian ini adalah sebagai berikut:
IGt = α1i + ∑𝑘𝑗=1α1iIGt-1 + ∑𝑘𝑗=1α1iTKt-1 + ∑𝑘𝑗=1α1iPEt-1 + ∑𝑘𝑗=1α1id1t-1 +
∑𝑘𝑗=1α1id2t-1 + ∑𝑘𝑗=1α1id3t-1 + ε1t (3.9)
TKt = α2i + ∑𝑘𝑗=1α2iTKt-1 + ∑𝑘𝑗=1α2iPEt-1 + ∑𝑘𝑗=1α2id1t-1 +∑𝑘𝑗=1α2id2t-1 +
∑𝑘𝑗=1α2id3t-1 + ε2t (3.10)
PEt = α3i + ∑𝑘𝑗=1α3iPEt-1 + ∑𝑘𝑗=1α3id1t-1 + ∑𝑘𝑗=1α3id2t-1 + ∑𝑘𝑗=1α3id3t-1 + ε3t (3.11)
Dimana:
PEt = Pertumbuhan PDRB periode t
TKt = Tingkat Kemiskinan periode t
IGt = Indeks Gini periode t
d1 = Dimensi Ketersediaan Layanan Perbankan periode t
d2 = Dimensi Penetrasi Perbankan periode t
d3 = Dimensi Penggunaan Layanan Perbankan periode t
α = Konstanta
j = Lag
k = Panjang Lag Maksimum
ε = Error Term
Model diatas, pada persamaan 3.9 ketimpangan pendapatan periode t (IGt) dipengaruhi oleh variabel sebelumnya yaitu ketimpangan pendapatan itu sendiri IGt-1), tingkat kemiskinan (TKt-1), pertumbuan ekonomi (PEt-1),
indeks dimensi ketersediaan layanan perbankan (d1t-1), indeks dimensi penetrasi perbankan (d2t-1), dan indeks dimensi penggunaan jasa perbankan (d3t-1). Demikian juga untuk variabel tingkat kemiskinan dan pertumbuhan ekonomi pada persamaan 3.10 dan 3.11.
E. Teknik Analisis Data
1. Statistik Deskriptif
Pengolahan data pada penelitian ini diawali dengan analisis statistik deskriptif, yaitu dengan menjabarkan statistik umum berupa rata-rata, nilai maksimum, nilai minimum, ataupun deskripsi data masing-masing variabel yang digunakan dalam penelitian ini.
2. Uji Stasionaritas Data
Sampai saat ini, dalam literatur ekonometrika menggunakan asumsi bahwa data adalah stasioner. Data yang tidak stasioner dapat menyebabkan regresi palsu, sehingga hasil estimasi yang didapat tidak akurat. Uji stasioneritas penting dilakukan dalam memulai uji kausalitas Toda Yamamoto dengan tujuan untuk mengetahui order of integration atau pada derajat ke berapa data stasioner (dmax). Order of integration ini penting dalam penentuan lag Toda Yamamoto (Sani, 2012). Untuk mengetahui data stasioner atau tidak dapat dilakukan dengan unit root test dan uji derajat integrasi dengan beberapa metode seperti: (i) Levin, Lin, & Chu test; (ii) Im, Pesaran, Shin test; (iii) Augmented Dickey-Fuller test, dan (iv) Philips Perron test.
Adapaun hipotesis yang digunakan dalam uji stasioneritas ini adalah sebagai berikut:
H0: data mengandung akar unit/unit root (tidak stasioner) H1: data tidak mengandung akar unit/unit root (stasioner)
Artinya, jika nilai probabilitas Levin, Lin, & Chu test; Im, Pesaran, Shin test; Augmented Dickey-Fuller test, dan atau Philips Perron test lebih kecil dari taraf signifikansi α=5%, maka H0 ditolak, atau mengandung arti bahwa data tersebut tidak terdapat akar unit/ unit root dan stasioner.
3. Penentuan Panjang Lag Optimum dengan Model PVAR
Menurut Sani (2012), dalam membentuk suatu model menentukan panjang lag (selang waktu) optimum, merupakan hal yang penting untuk dilakukan, karena dalam model PVAR pada dasarnya memiliki tujuan untuk melihat hubungan antar variabel dalam lag (selang waktu) tertentu. Untuk menentukan panjang lag (selang waktu) optimum dalam penelitian ini dapat ditentukan dengan kriteria informasi yang direkomendasikan oleh nilai terkecil dari Likelihod Ratio (LR), Final Prediction Error (FPE), Akaike Information Criteria (AIC), Schwartz Information Criteria (SIC), ataupun Hannan-Quin Criteria (HQ). Dengan menggunakan program pengolah data Eviews penentuan lag (selang waktu) optimum ditandai dengan tanda bintang (*) pada lag yang merupakan lag optimum (Batubara & Saskara, 2015).
4. Uji Stabilitas
Uji stabilitas merupakan uji yang digunakan untk melihat apakah estimasi PVAR yang dilakukan adalah stabil. Untuk mengetahui stabilitas adalah dengan melihat roots of characteristic polynomial, dikatakan stabil apabila seluruh akar unit memiliki modulus lebih kecil dari satu.
5. Uji Kointegrasi
Untuk mengetahui kemungkinan terdapatnya hubungan keseimbangan jangka panjang antar variabel penelitian, maka perlu dilakukan uji kointegrasi. Uji ini dilakukan untuk mengetahui ada atau tidaknya hubungan jangka panjang antara variabel bebas dan variabel terikat. Dalam model PVAR, model PVAR dapat digunakan ketika tidak terdapat kointegrasi antar variabel, sehingga ketika terdapat kointegrasi antar variabel maka, tahapan selanjutnya adalah melakukan estimasi dengan menggunakan PVECM.
6. Estimasi PVAR/PVECM dengan Lag Toda Yamamoto
Dalam melakukan uji kausalitas Toda Yamamoto, setelah mengetahui order of integration melalui uji stasioneritas, maka perlu dilakukan pembentukan model PVAR baru dengan menggunakan lag Toda Yamamoto. Panjang lag Toda Yamamoto tersebut diperoleh dari penjumlahan lag optimum dari pengujian lag dengan kriteria AIC, SIC, dan HQ dengan order of integration yang diperoleh dari uji stasioneritas. Secara matematis dapat dituliskan sebagai berikut:
p = k + dmax (3.12)
Dimana p merupakan lag Toda Yamamoto, k merupakan panjang lag optimum, dan dmax merupakan order of integration masing-masing variabel.
7. Uji Kausalitas Toda Yamamoto
Setelah melakukan pembentukan model PVAR dengan lag Toda Yamamoto, maka langkah selanjutnya dalah melakukan uji kausalitas Toda Yamoto atau bisa juga disebut dengan Granger Causality/Block Exogenity Wald Test.
8. Impulse Response Function
Impulse Response Function (IRF) merupakan alat analisis yang digunakan untuk melihat efek gejolak dari standar deviasi variabel baru terhadap nilai sekarang dan nilai yang akan datang masing-masing variabel yang sedang diteliti. Disisi lain, kita juga dapat melihat lama pengaruh suatu variabel terhadap variabel lain hingga pengaruh tersebut hilang atau kembali ke titik seimbang (Enders, 2004) dalam (Sani, 2012).
9. Variance Decomposition
Variance Decomposition merupakan alat analisis yang berguna dalam memberikan informasi mengenai kontribusi presentase varian setiap variabel karena adanya perubahan variabel tertentu, sehingga kita dapat mengetahui relatif penting atau tidaknya setiap variabel dalam model karena
adanya shock, serta seberapa kuat komposisi peranan variabel tertentu terhadap variabel lainnya. (Enders, 2004) dalam (Sani, 2012)
