35
III. METODOLOGI PENELITIAN
3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian adalah data mikro dari laporan keuangan publikasi triwulanan yang dilaporkan oleh bank kepada Bank Indonesia dan data makroekonomi dari Bank Indonesia dan BPS (Tabel 3). Untuk memecahkan model ekonometrika dalam penelitian ini digunakan software Eviews 6 dan Stata 10. Tabel 4 Jenis dan sumber data yang digunakan dalam penelitian Data
Nama Variabel
Periode
Sumber Data
Data mikro
Kredit yang diberikan, total 2005Q3 – Laporan keuangan aktiva, kas, penempatan di Bank 2011Q3 publikasi triwulanan Indonesia, penempatan di bank (Bank Indonesia) lain, surat berharga yang dimiliki, Obligasi pemerintah, CAR
Data makro
Suku bunga BI Rate, inflasi PDB atas dasar harga konstan
2005Q3 – 2011Q3 2005Q3 – 2011Q3
Bank Indonesia Badan Pusat Statistik (BPS)
3.2 Metode Analisis 3.2.1 Analisis Deskriptif Analisis deskriptif disajikan dalam bentuk tabel dan grafik untuk memudahkan pemahaman dan penafsiran mengenai struktur perbankan di Indonesia. Tabel dan grafik bersumber dari berbagai laporan publikasi Bank Indonesia. Periode yang dianalisis adalah tahun 2001 hingga tahun 2011. 3.2.2 Analisis Regresi Data Panel Data panel adalah bentuk khusus dari data pooled (data dengan elemen timeseries dan cross-section) dimana unit cross-section seperti perusahaan ataupun rumah tangga disurvey antar waktu. Jika setiap unit cross-section memiliki jumlah
36
observasi time-series yang sama maka disebut balanced panel. Sebaliknya jika setiap unit cross-section tidak memiliki jumlah observasi time-series yang sama maka disebut unbalanced panel (Gujarati, 2004). Baltagi (2005) merangkum keuntungan dari menggunakan data panel dalam penelitian yaitu : 1. Dapat mengontrol heterogenitas individu. 2. Dapat memberikan data yang lebih informatif, lebih bervariasi, kolinearitas yang rendah antar individu, derajat bebas yang lebih besar dan lebih efisien. 3. Dapat lebih baik dalam studi dynamics of adjusment karena adanya observasi cross-section yang berulang. 4. Dapat lebih baik dalam mengidentifikasi dan mengukur efek-efek yang tidak dapat dideteksi oleh data time-series saja atau cross-section saja. 5. Memungkinkan kita untuk membangun dan melakukan tes model perilaku yang rumit bila dibandingkan dengan data time-series saja atau cross-section saja. 6. Data panel mikro yang dikumpulkan mengenai individu, perusahaan atau rumah tangga dapat diukur lebih akurat daripada variabel yang serupa di tingkat makro. Data panel juga memiliki keterbatasan diantaranya adalah : 1. Masalah dalam desain dan pengumpulan data yang mencakup masalah cakupan (penghitungan yang tidak lengkap dari populasi yang dituju), nonresponse (kesalahan pewawancara), recall (responden tidak mengingat dengan benar), frekuensi wawancara, jeda wawancara, periode referensi dan penggunaan batasan. 2. Distorsi dari kesalahan pengamatan yang umumnya terjadi karena respon yang tidak sesuai. 3. Masalah selektivitas (selectivity) yang mencakup data yang dikumpulkan tidak sepenuhnya
dapat
menangkap
fenomena
yang
ada
(self-selectivity),
ketidaklengkapan jawaban yang diberikan oleh responden (nonresponse), dan berkurangnya jumlah responden akibat responden pindah, meninggal dunia atau biaya untuk menemukan responden terlalu tinggi (attrition). 4. Dimensi time-series yang pendek untuk tiap individu. 5. Dependensi cross-section yang dapat mengakibatkan inferensi yang salah.
37
3.2.2.1 Data Panel Statis Gujarati (2004) menuliskan bahwa terdapat dua pendekatan yang umum diaplikasikan dalam data panel statis yaitu Fixed Effects Approach dan Random Effects Approach. 1. Fixed Effects Approach Estimasi yang dilakukan dalam pendekatan ini tergantung pada asumsi yang kita gunakan mengenai intersep, koefisien slope dan error term. Beberapa kemungkinan dari asumsi tersebut adalah : a. Mengasumsikan bahwa koefisien intersep dan slope adalah konstan antar waktu dan antar individu dan error term menangkap perbedaan antar waktu dan individu. =
dengan :
+
+
3.1
+
Yit = peubah dependen X2it dan X3it = peubah independen = koefisien intersep = koefisien slope = error term b. Koefisien slope konstan tetapi koefisien intersep bervariasi antar individu (Least-Square Dummy Variable (LSDV) Regression Model). =
+
+
3.2
+
Perbedaan intersep dapat disebabkan oleh variasi spesifik yang dimiliki oleh tiap individu. Model tersebut umum dikenal sebagai Fixed Effect Model (FEM). Istilah fixed effects digunakan karena walaupun koefisien intersep berbeda antar individu tetapi intersep tiap individu tidak bervariasi antar waktu (time invariant). c. Koefisien slope konstan tetapi intersep bervariasi antar individu dan antar waktu. Model tersebut dapat dituliskan sebagai berikut : =
+
+
+. . + +
+
+
+
+
+
3.3
d. Semua koefisien bervariasi antar individu. Asumsi yang digunakan adalah koefisien intersep dan koefisien slope berbeda untuk semua individu atau unit cross-section. Model tersebut dapat dituliskan sebagai berikut :
37
38
=
+
+
+
+
2. Random Effects Approach
+
)+
(
(
)+
3.4
Pendekatan fixed effects (LSDV) bisa menghabiskan derajat bebas dari model jika cross-section yang digunakan cukup banyak. Random Effects Model (REM) atau yang juga dikenal dengan error component model (ECM) mengasumsikan bahwa ketidaktahuan kita akan model yang sebenarnya dapat diakomodir dalam disturbance term (uit). Model awal adalah : =
+
+
3.5
+
diasumsikan adalah variabel random dengan mean value β1. Sedangkan nilai intersep untuk semua individu dapat dinyatakan sebagai berikut : =
+
3.6
= 1,2, … ,
dimana ɛi adalah random error term dengan ɛi ̴ N(0, σɛ2).
Dengan mensubstitusikan persamaan (3.6) ke persamaan (3.5) maka : =
=
+
+
+
+
+
+
+
3.7
dengan ωit = ɛi + uit yaitu error term komposit (ωit) terdiri dari dua komponen yaitu komponen error cross-section (ɛi) dan kombinasi error komponen crosssection dan time-series (uit). Dalam memilih apakah pendekatan fixed effects atau random effects yang lebih baik, dilakukan pengujian terhadap asumsi ada atau tidaknya korelasi antara regresor dan efek individu. Uji yang dilakukan adalah uji Hausman. Hipotesis yang dirumuskan adalah sebagai berikut (Firdaus, 2011) : H0 : REM adalah model yang tepat H1 : FEM adalah model yang tepat Sebagai
dasar
penolakan
H0
digunakan
statistik
Hausman
dan
membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan : H = (βREM – βFEM)’ (MFEM – MREM)-1 (βREM – βFEM) ̴ χ2 (k) dengan : M = matriks kovarians untuk parameter β ; k = derajat bebas
3.8
39
Jika nilai H hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah fixed effects, dan begitu pula sebaliknya. 3.2.2.2 Data Panel Dinamis Analisis regresi panel dinamis memasukkan lag dari peubah dependen sebagai regressor. Hubungan dinamis yang memiliki karakteristik hadirnya lag dari peubah dependen di antara regresor yaitu : =
,
+
dimana δ adalah skalar,
+
= 1, … ,
;
= 1, … ,
3.9
adalah 1xK dan β adalah Kx1. Asumsi yang
digunakan adalah uit mengikuti one-way error component model yaitu : uit = μi + vit dimana μi ̴ IID (0,
) adalah pengaruh individu dan vit ̴ IID (0,
3.10 ) adalah
transient error (gangguan yang saling bebas satu sama lain). Model (3.9) mengandung dua permasalahan yaitu : 1. Autokorelasi karena hadirnya lag dari peubah dependen diantara regresor. yit merupakan fungsi dari μi sehingga yi,t-1 juga merupakan fungsi dari μi, dimana μi adalah fungsi dari uit. Hal tersebut akan menyebabkan terjadiya korelasi antara variabel regresor yi,t-1 dengan uit. Jika model tersebut diestimasi dengan menggunakan fixed effects ataupun random effects akan menghasilkan estimator yang bias dan tidak konsisten walaupun vit tidak mengandung korelasi serial. 2. Efek individu yang menggambarkan heterogenitas di antara individu. Untuk memecahkan permasalahan tersebut, Arellano dan Bond (1991) dalam Baltagi (2005) menyarankan pendekatan generalized method of moments (GMM). Dua prosedur estimasi GMM yang umum digunakan untuk mengestimasi model linear autoregressive yaitu First-difference GMM (FD-GMM) dan System GMM (SYS-GMM). 1. First-difference GMM (FD-GMM) Arellano dan Bond (1991) dalam Baltagi (2005) berargumen bahwa instrumen tambahan dapat dihasilkan dalam model data panel dinamis jika
39
40
menggunakan kondisi orthogonalitas yang muncul antara lag dari yit dan transient error vit. Ilustrasi dengan model sederhana dari autoregressive tanpa regresor adalah sebagai berikut : dimana
=
+
,
= 1, … ,
;
uit = μi + vit dengan μi ̴ IID (0,
= 1, … ,
) dan vit ̴ IID (0,
3.11 ). Untuk
mendapatkan estimator yang konsisten dari δ dengan N ∞ dengan T fixed maka dilakukan first difference dari (3.11) untuk mengeliminasi efek individu : yit – yi,t-1 = δ(yi,t-1 - yi,t-2) + (vit - vi,t-1)
t=2, ... ,T
3.12
dari model tesebut didapat instrumen yi,t-2 yang berkorelasi dengan (yit – yi,t-1) tetapi tidak berkorelasi dengan (vit - vi,t-1), dimana vit dan vi,t-1 tidak mengandung korelasi serial. Misal t=3 observasi periode pertama, maka kita akan mendapatkan: yi3 – yi2 = δ(yi2 - yi1) + (vi3 - vi2)
3.13
Dalam kasus ini, yi1 adalah instrumen yang valid karena berkorelasi kuat dengan (yi2 - yi1) dan tidak berkorelasi dengan (vi3 - vi2) selama vit tidak memiliki korelasi serial. Untuk t=4, periode kedua observasi, didapat : yi4 – yi3 = δ(yi3 - yi2) + (vi4 - vi3)
3.14
Dalam kasus ini, yi2 sebagaimana yi1 adalah instrumen yang valid untuk (yi3 - yi2), karena baik yi2 dan yi1 tidak berkorelasi dengan (vi4 - vi3). Hal tersebut dapat terus dilakukan untuk menambahkan instrumen valid tiap satu periode kedepan, sehingga untuk periode T set dari instrumen valid menjadi (yi1 , yi2 , ... , yi,T-2). Asumsi transient errors tidak berkorelasi antar waktu yaitu E(vit vis) = 0 untuk i=1,...,N dan s≠t, dan E(yi1 vit) = 0 untuk i=1,...,N dan t=2,...,T berimplikasi pada adanya m = 0.5(T-1)(T-2) moment restriction. Untuk E(yi,t-s ∆vt) = 0 dengan t=3,...,T dan s≥2 didapat E(Zi’ ∆vt) = 0 yang dapat ditulis dalam bentuk matriks berukuran (T-2) x m yaitu : =
0 . 0
0 . 0
0 . 0
… … … …
0 0 .
… … . … ’
0 0 .
,
dan ∆vi adalah (T-2) vektor (∆vi3, ∆vi4, ..., ∆vT) . Kerangka tersebut adalah kerangka GMM yang menggunakan lag dari peubah dependen mulai dari t-2.
41
Jika model data panel dinamis mengandung variabel eksogenus maka persamaan (3.11) dapat dituliskan kembali menjadi : =
,
+
+
+
3.15
Dalam model data panel dinamis dimana N cukup besar dan T kecil, estimator linear generalized method of moments (GMM) yang diperoleh setelah melakukan first differencing ditemukan memiliki bias sampel terbatas dan presisi yang lemah dalam studi simulasi (Blundell dan Bond, 1998). 2. System GMM (SYS-GMM) Blundell dan Bond (1998) mengembangkan metode system GMM dengan ide dasar mengestimasi sistem persamaan baik pada first-difference maupun pada level. Pada estimasi level, instrumen yang digunakan adalah lag first-difference. Menurut Blundell dan Bond (1998), penggunaan lag dari rangkaian level menyediakan instrumen yang lemah untuk first differenced dalam kasus N besar dan T relatif kecil. Oleh karena itu, Blundell dan Bond (1998) menyarankan dua alternatif estimator yang memerlukan restriksi terhadap proses initial conditions yang didesain untuk meningkatkan properti dari estimator first-differenced GMM, yaitu : 1. Tipe pertama dari restriksi menggunakan estimator extended linear GMM yang menggunakan lag dari yit difference sebagai instrumen untuk persamaan level, sebagai tambahan bagi lag yit level yang digunakan sebagai instrumen untuk persamaan first difference. 2. Tipe kedua dari restriksi memvalidasi penggunaan estimator error component GLS pada model extended yang dikondisikan pada nilai awal (initial values) yang diobservasi. Restriksi ini menyediakan estimator konsisten dibawah asumsi homoskedastis, dibawah asumsi normal, yang secara asimtot ekuivalen dengan conditional maximum likelihood. Kedua tipe restriksi valid jika dilakukan dibawah asumsi stasioner dan juga valid dibawah asumsi yang lebih lemah. Blundell dan Bond (1998) menyatakan pentingnya pemanfaatan initial condition dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika T berukuran kecil. Asumsi tambahan dalam estimasi System GMM yaitu :
41
42
E(ɳi ∆yi2) = 0 untuk i=1,...,N
3.16
Kondisi pada persamaan tersebut akan berlaku bila rataan dari yit konstan untuk periode 1,2,...,T untu setiap i. Matriks instrumen untuk System GMM adalah sebagai berikut :
∗
0 = 0 . 0
Moment condition derajat kedua E(
∆ ∗’
0 0 . 0
∗
∆
0 0 . 0
… 0 … 0 … 0 … . … ∆
) = 0 dimana
∗
=(∆vi3, ..., ∆viT, ui3, ..., uiT).
Pada System GMM, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari penduga first-difference GMM dengan masalah lemahnya instrumen yang mana hal ini dicirikan dari parameter konsentrasi t.
Firdaus (2011) menuliskan bahwa beberapa kriteria yang digunakan untuk menemukan model dinamis atau GMM terbaik adalah sebagai berikut : 1. Tidak bias. Estimator dari pooled least squares bersifat biased upwards dan estimator dari fixed-effects bersifat biased downwards. Estimator yang tidak bias berada di antara keduanya. 2. Instrumen valid. Validitas ini diperiksa dengan menggunakan uji Sargan. Instrumen akan valid bila uji Sargan tidak dapat menolak hipotesis nol. 3. Konsisten. Sifat konsistensi dari estimator yang diperoleh dapat diperiksa dari statistik Arellano-Bond m1 dan m2. Estimator akan konsisten bila statistik Arellano-Bond m1 menunjukkan hipotesis nol ditolak dan statistik ArellanoBond m2 menunjukkan hipotesis nol tidak ditolak. Hipotesis nol dari uji Sargan adalah : H0 : Over-identifying restriction untuk instrumen valid H1 : Over-identifying restriction untuk instrumen tidak valid Sedangkan hipotesis nol dari statistik Arellano-Bond m1 adalah sebagai berikut : H0 : Tidak terdapat first-order serial correlation dalam first-differenced residuals H1 : Terdapat first-order serial correlation dalam first-differenced residuals dan hipotesis nol dari statistik Arellano-Bond m2 adalah sebagai berikut :
43
H0 : Tidak terdapat second-order serial correlation dalam first-differenced residuals H1 : Terdapat second-order serial correlation dalam first-differenced residuals Dalam melakukan analisis regresi data panel dinamis, digunakan beberapa uji diantaranya uji stasioneritas, menentukan panjang lag, nested test dan model selection criterion. Uji tersebut adalah sebagai berikut : 1. Uji Stasioneritas Blundell dan Bond (1998) menyebutkan bahwa penggunaan restriksi dalam estimator GMM akan valid ketika dilakukan dengan asumsi stasioner. Kondisi stasioner adalah ketika variabel memiliki mean dan varians yang tidak bervariasi secara sistematis atau konstan antar waktu. Untuk uji stasioneritas digunakan tes unit root panel yang pada dasarnya serupa dengan tes unit root yang digunakan dalam series single. Uji unit root yang mengikuti proses AR(1) untuk data panel menggunakan model sebagai berikut : yit = ρi yit-1 + Xitδi + eit
3.17
dengan : i
= 1,2, ... ,N unit cross-section atau series
t
= 1,2, ... ,Ti periode observasi
Xit
= variabel eksogenus dalam model, mencakup fixed effects maupun trend individual
ρi
= koefisien autoregressive
eit
= error dengan asumsi mutually independent idiosyncratic
Jika |ρi| < 1 maka yi dikatakan weakly (trend-)stationary sedangkan jika |ρi| = 1 maka yi mengandung unit root. Beberapa tes yang digunakan untuk uji unit root panel adalah Levin, Lin dan Chu (LLC), Breitung dan Hadri untuk common unit root dan Im, Pesaran dan Smith (IPS), ADF-Fisher dan PP-Fisher untuk individual unit root. Dalam penelitian ini akan digunakan tes Levin, Lin dan Chu (LLC) untuk common unit root dan PP-Fisher untuk individual unit root. Levin, Lin dan Chu (LLC) mengasumsikan bahwa terdapat proses common unit root sehingga ρi identik antar cross-section atau ρi = ρ untuk semua i. Hipotesis nol yang digunakan dalam tes LLC adalah panel tidak mengandung unit root. Tes PP-
43
44
Fisher yang memperbolehkan adanya proses individual unit root sehingga ρi dapat bervariasi antar cross-section dilakukan dengan mengkombinasikan tes unit root individu untuk mendapatkan hasil panel-specific. Hipotesis dari PP-Fisher adalah sebagai berikut: H0 : cross-sections mengandung unit root H1 : beberapa cross-sections tidak mengandung unit root 2. Penentuan Panjang Lag Permasalahan dari model dinamis dengan lag adalah menentukan panjang lag. Cara menentukan panjang lag adalah dengan AIC dan SIC (Greene, 2003). Penelitian ini akan menggunakan AIC untuk menentukan panjang lag. Jika beberapa lag (P) maksimum diketahui dari tinjauan empiris, maka p < P dapat dipilih untuk meminimumkan AIC(p) atau SIC(p) dengan rumus : AIC (p) = ln (
)+ (
)
3.18
SIC(p) = AIC(p) + ( ) (ln T – 2)
3.19
dengan : RSS = residual sum square model dengan lag p T = jumlah waktu ; p = panjang lag 3. Nested test dengan F-test Model tidak terestriksi adalah model yang memasukkan semua variabel maupun lag sesuai dengan model empiris. Model tidak terestriksi akan dilihat apakah dengan tidak memasukkan beberapa variabel dalam model dapat diwakili oleh model terestriksi. F-test digunakan untuk menguji apakah model terestriksi dapat digunakan untuk mewakili model tidak terestriksi. F-test didefinisikan sebagai berikut :
dengan :
=
~
( ,(
RSSR = residual sum square model terestriksi RSSUR = residual sum square model tidak terestriksi m = jumlah restriksi linier k = jumlah parameter di model tidak terestriksi n = jumlah observasi
))
3.20
45
4. Model Selection Criterion Kriteria seleksi model digunakan untuk melihat bagaimana model terpilih sesuai (fits) dengan data dalam sampel yang tersedia (Gujarati, 2004). Dua kriteria yang akan digunakan dalam penelitian ini adalah Akaike information criterion (AIC) dan Schwarz information criterion (SIC). Definisi AIC dan SIC adalah sebagai berikut: ln AIC = ( ) + ln (
)
ln SIC = ln n + ln (
3.21 )
3.22
dengan : RSS = residual sum of squares k = jumlah regressor termasuk intersep n = jumlah observasi Nilai AIC dan SIC yang semakin kecil menyatakan bahwa model yang digunakan semakin baik. SIC menerapkan penalti yang lebih keras ketika ada penambahan regressor dalam model. Oleh karena itu, penelitian ini akan menggunakan AIC sebagai model selection criterion.
3.3 Variabel dan Spesifikasi Model Untuk membuktikan secara empiris mengenai respon perbankan terhadap perubahan kebijakan moneter dengan menggunakan data panel, digunakan model dari Ehrmann et al. (2002). Asumsi dasarnya adalah ekuilibirum antara Deposito Bank (D) dan Jumlah Uang Beredar (M) yang keduanya merupakan fungis dari suku bunga (MP) yang ditentukan oleh otoritas moneter. Model tersebut didefinisikan sebagai berikut : M=D= -ψMP + χ dengan : M
= Jumlah Uang Beredar
D
= Deposito Bank
MP
= suku bunga kebijakan
Ψ
= koefisien suku bunga kebijakan
χ
= konstanta
45
3.23
46
Bank i menghadapi permintaan kredit ( )yang tergantung pada aktivitas
perekonomian (y), tingkat inflasi (π) dan suku bunga nominal kredit (r L) dengan hubungan sebagai berikut : = φ1 y + φ 2 π – φ3 r L Permintaan
kredit
seharusnya
φ1 > 0 dan φ3 > 0
berhubungan
positif
dengan
3.24 aktivitas
perekonomian, dan secara negatif berhubungan dengan suku bunga nominal kredit. Koefisien dari inflasi (φ2) bisa positif ataupun negatif karena berhubungan erat dengan ekuilibrium steady-state di ekonomi. Penawaran kredit oleh bank ( ) adalah fungsi dari jumlah deposito yang tersedia (D), suku bunga nominal kredit (rL), dan instrumen kebijakan moneter (MP), dimana instrumen kebijakan moneter bisa suku bunga kebijakan , Giro Wajib Minimum, ataupun keduanya yang ditentukan oleh bank sentral. Dampak langsung dari suku bunga kebijakan merepresentasikan opportunity cost bagi bank ketika bank memutuskan untuk memanfaatkan pasar uang antar bank sebagai sumber likuiditas. Penawaran kredit dinyatakan sebagai berikut : = μi (xi)Di + φ4 rL – φ5 MP
φ4 > 0 dan φ5 > 0
3.25
Bank diasumsikan tidak semuanya memiliki tingkat ketergantungan yang sama terhadap deposito. Model mengasumsikan bahwa dampak dari perubahan Deposito lebih kecil bagi bank yang memiliki karakteristik rendah. Karakteristik yang dimaksud adalah ukuran (size), likuiditas (liquidity) dan kapital (capitalisation) dengan notasi xi. Asumsi tersebut dinyatakan dalam hubungan sebagai berikut : μi (xi) = μ0 - μ1 (xi)
3.26
Dari persamaan (3.24) dapat ditulis menjadi : φ3 rL = φ1y + φ2 π rL =
(φ1y + φ2 π -
)
3.27
Persamaan (3.24), (3.25) dan (3.26) dapat dinyatakan sebagai berikut : φ4 rL
= φ5 MP - μi (xi)Di +
rL
=
(φ5 MP – (μ0 - μ1 (xi))( -ψMP + χ)+
rL
=
(φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(xi) + μ1 χ xi + )
) 3.28
47
Kondisi ekuilibrium di pasar kredit dengan persamaan (3.26) dan (3.27) menghasilkan model reduced form sebagai berikut : (φ1y + φ2 π +
=
)=
(φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(x1) + μ1 χ x1 + )
(φ1y + φ2 π) =
+
+
(φ3 + φ4)Li =
(φ5 MP + μ0 ψMP - μ0 χ - μ1ψMP(xi) + μ1 χ xi)
-
-
+
-
+
+ -
+
+
Li =
(φ1 φ4y + φ2 φ4π – φ3 φ5MP - φ3 μ0ψMP + φ3 μ0 χ + φ3 μ1ψMP xi - φ3 μ1 χ x i )
Li =
(φ3 μ0 χ + φ1 φ4y + φ2 φ4π – (φ3 φ5 + φ3 μ0ψ)MP + φ3 μ1ψMP xi – φ3 μ1 χ xi )
3.29
Persamaan (3.29) dapat dituliskan dalam bentuk persamaan sebagai berikut : Li = β0 + β1y + β2 π – β3MP + β4MPxi – β5xi
3.30
dengan : Li = nilai kredit bank ke-i (jutaan rupiah) ; i =1,2,.....,101 y = pertumbuhan PDB riil π = tingkat inflasi MP = instrumen kebijakan moneter, yaitu BI Rate xi = karakteristik bank ke-i βk = parameter yang merepresentasikan μ0, μ1, dan φh ; k = 0,1,...,5 ; h = 1,2,...,5 Ehrmann et al. (2002) menambahkan respon asimetris dari kredit bank terhadap pertumbuhan perekonomian dan tingkat inflasi dengan menambahkan variabel interaksi antara variabel makroekonomi (pertumbuhan dan inflasi) dengan karakteristik bank. Model yang akan diestimasi merupakan versi model dengan variabel tingkat pertumbuhan kredit bank yang dipengaruhi oleh variabel lag dari tingkat pertumbuhan kredit bank tersebut, variabel perubahan kebijakan moneter dan lag-nya, variabel pertumbuhan PDB riil dan inflasi sebagai variabel yang menghitung situasi perekonomian secara umum, variabel karakteristik bank, dan variabel interaksi antara karakteristik bank dengan perubahan kebijakan
47
48
moneter dan kondisi perekonomian. Dasar dari penggunaan model tersebut adalah sebagai berikut : 1. Pertumbuhan kredit bank didasari oleh reaksi bank terhadap perubahan suku bunga dengan menyesuaikan jumlah kredit baru. Penyesuaian kredit baru akan melihat pada perubahan kredit di waktu-waktu sebelumnya. Nilai kredit merupakan pendekatan untuk stok kredit di triwulan tertentu, sedangkan untuk aliran (flow) kredit menggunakan pendekatan first difference. 2. BI rate digunakan sebagai instrumen kebijakan moneter karena sejak bulan Juli tahun 2005 Bank Indonesia menggunakan BI Rate sebagai suku bunga acuan, sehingga diharapkan bank dapat merespon terhadap perubahan dari BI Rate. 3. Pertumbuhan PDB riil menggambarkan situasi perekonomian yang dapat menstimulasi
investasi
yang
berarti
menyebabkan
perubahan
pada
pertumbuhan kredit akibat dari permintaan kredit yang bergeser. 4. Inflasi merupakan pendekatan untuk tingkat harga dalam perekonomian. 5. Karakteristik bank adalah indikator kesehatan dari bank dengan menggunakan pendekatan ukuran aset (size), likuiditas (liquidity), kapital dan CAR (capitalisation) dari bank. Neraca bank bulan ke-t diumumkan di bulan t+1 sehingga ada jeda waktu (lag) antara informasi dari bank dengan informasi yang dapat diakses oleh masyarakat. Lag tersebut memengaruhi penyesuaian kredit baru oleh bank. 6. Efek dari perubahan kebijakan moneter terhadap perubahan pertumbuhan kredit bank berdasarkan karakteristik bank dapat dilihat dari interaksi karakteristik bank dengan perubahan kebijakan moneter. Model yang akan diestimasi menurut Ehrmann et al.(2002), yang juga digunakan oleh Juurikkala et al. (2011), adalah sebagai berikut : ∆ ln (Li,t) = α0 + ∑ +
dengan :
∑
∑
θ
β ∆ ln
∂
,
∆ ln(
,
+∑ +
γ ∆
μxi,t-1
)+∑
+
θ
∑ ,
+∑
θ
δ ∆ ln( ,
∆
+ ɛit
)
+ 3.31
∆ ln (Li,t) = pertumbuhan kredit bank ke-i triwulan ke-t ; i = 1,2,....,N ; t=1,2,....,T
49
N
= 99 ;
T
= 24
l
= jumlah lag
α0
= konstanta ;
∆MP
= perubahan BI Rate
∆ ln (GDP) = laju pertumbuhan PDB riil Inflasi
= tingkat inflasi
xi,t-1
= lag karakteristik bank ke-i ;
xi,t-1∆MP = interaksi karakteristik bank dengan perubahan BI Rate xi,t-1∆ ln (GDP) = interaksi karakteristik bank dengan pertumbuhan PDB riil xi,t-1inflasi = interaksi karakteristik bank dengan inflasi ɛit
= error term Model (3.31) akan diestimasi dengan memasukkan tiga variabel
karakteristik bank secara terpisah maupun secara bersama-sama. Hal tersebut dilakukan untuk melihat siginifikansi dari masing-masing karakteristik maupun dari ketiga karakteristik secara bersamaan yang dapat menjelaskan karakteristik mana yang paling berpengaruh dalam pertumbuhan kredit bank. Spesifikasi model (3.31) diestimasi dengan masing-masing karakteristik bank tanpa variabel pertumbuhan PDB dan inflasi, yaitu : 1. Karakteristik ukuran aset (size). ∆ ln (Li,t) = α0 + ∑ ∑
θ
β ∆ ln
∆
,
,
+ ∑
γ ∆
+ μ (sizei,t-1) +
+ ∑
γ ∆
+ ω (liqi,t-1) +
+ ∑
γ ∆
+ τ (capi,t-1) +
+ ɛit
3.32
2. Karakteristik likuiditas (liquidity). ∆ ln (Li,t) =
α0 + ∑
∑
θ
β ∆ ln ∆
,
,
+ ɛit
3.33
3. Karakteristik kapital (capitalisation). ∆ ln (Li,t) =
α0 + ∑ ∑
θ
β ∆ ln ,
∆
,
+ ɛit
3.34
4. Karakteristik ukuran aset (size), likuiditas (liquidity), (kapital (capitalisation).
49
50
∆ ln (Li,t) = α0 + ∑ ∑
θ
∑
θ
∑
β ∆ ln
θ
,
,
,
+ ∑
,
∆
+
+
∆
+ μ (sizei,t-1) +
γ ∆
ω τ
(liqi,t-1)
+
(capi,t-1)
+
+ ɛit
∆
3.35
Spesifikasi model (3.31) diestimasi dengan masing-masing karakteristik bank dengan variabel pertumbuhan PDB dan inflasi, yaitu : 1. Karakteristik ukuran aset (size). ∆
ln
(Li,t)
=
α0
+
∑ 1)
δ ∆ ln(
∑
θ
∑
∑
β ∆ ln
+
∑
)+∑
θ
,
ln
(Li,t)
=
α0
+
∑ +
δ ∆ ln(
∑
θ
∑
β ∆ ln
∑
∑
θ
,
+ μ (sizei,t+
∆
,
)
+
,
θ
,
∂ )
+
γ ∆
∑
+
+ ɛit
)+∑
∆ ln(
,
∂
θ
∆ ln(
,
2. Karakteristik likuiditas (liquidity). ∆
+
,
3.36
∑
+
γ ∆
+ ω (liqi,t-1) +
∆
+
+ ɛit
3.37
3. Karakteristik kapital (capitalisation). ∆
ln
(Li,t)
=
α0
+
∑ +
δ ∆ ln(
∑
θ
∑
θ
β ∆ ln
∑
∑
, ,
θ
)+∑
∆ ln(
+
,
,
∆
∂ )
+ ɛit
∑
+
γ ∆
+ τ (capi,t-1) + + 3.38
4. Karakteristik total aset (size), likuiditas (liquidity), kapital (capitalisation).
51
∆ ln (Li,t) = α0 + ∑ ∑
θ
∑
θ
β ∆ ln
θ
∑
,
θ
∑
θ
∑
,
,
θ
∑
∆
,
,
,
+ ∑
,
∆
+ μ (sizei,t-1) +
γ ∆
+∑
θ
+
ω
+ ∑
θ
,
+ ∑
∆
+ ɛit
+
τ
θ
)+
∆ ln(
,
(liqi,t-1)
+
∆ ln(
) +
∆ ln(
) +
(capi,t-1)
,
+
3.39
Untuk memperkaya analisis dengan menggunakan data yang ada maka selain mengestimasi model dinamis dengan metode GMM, penelitian ini juga akan mengestimasi model pooled dengan metode pooled regression. Dengan pooled regression, restriksi semua koefisien adalah sama untuk semua unit individu tidak lagi diberlakukan. Pooled regression mengasumsikan bahwa koefisien konstanta, karakteristik bank, perubahan BI rate dan interaksi karakteristik bank dengan perubahan BI rate adalah berbeda antar individu bank. Model yang diestimasi merujuk pada model yang digunakan oleh Ehrmann et al. (2001), yang menggunakan model pooled regression untuk menganalisis tiap negara yang termasuk dalam zona Euro. Model Ehrmann et al.(2001) untuk pooled regression adalah sebagai berikut : ∆ ln (Li,t) = ∑ ∑
dengan :
∑
αi + β1∆ ln ∂
θ
ω
,
∆
,
,
∆ ln(
+ ∑
γ ∆
+
,
,
μxi,t-1
+
+
∑
)
+ ω2jccxi,t-1 + ∑
ω
+ ∑
∑
θ
,
θ
,
∆
δ ∆ ln( ∆
,
,
,
+ ɛit
,
,
) + + +
3.40
∆ ln (Li,t) = pertumbuhan kredit bank ke-i triwulan ke-t ; i = 1,2,....,N ; t=1,2,....,T T
= 24
l
= jumlah lag
αi
= konstanta ; intersep spesifik bank
∆MP
= perubahan BI Rate
∆ ln (GDP) = laju pertumbuhan PDB riil
51
52
Inflasi
= tingkat inflasi
xi,t-1
= lag karakteristik bank ke-i ;
xi,t-1∆MP = interaksi karakteristik bank dengan perubahan BI Rate xi,t-1∆ ln (GDP) = interaksi karakteristik bank dengan pertumbuhan PDB riil xi,t-1inflasi = interaksi karakteristik bank dengan inflasi c
= variabel dummy individu bank
ɛit
= error term Penggunaan dua jenis pendekatan karakteristik kapital yaitu kapital dan
CAR menuntun pada estimasi dengan dua set karakteristik bank yaitu set ukuran aset, likuiditas dan kapital serta set ukuran aset, likuiditas dan CAR. Untuk memenuhi prinsip parsimony, maka dari ke-8 spesifikasi model akan dilakukan model selection untuk memilih satu model yang paling baik dalam menjelaskan karakteristik bank dan kebijakan moneter di Indonesia. Dalam penelitian ini, hasil estimasi akan dilaporkan dalam bentuk koefisien long-run. Greene (2003) mendefinisikan koefisien lag dari model dinamis sebagai berikut : 1. Impact multiplier β0 =impact multiplier =multiplier jangka pendek (short-run multiplier) 2. Efek terakumulasi (Cumulated effect) Efek akumulasi τ periode kemudian dari impuls pada waktu t adalah βτ = ∑
3. Multiplier keseimbangan (equilibrium multiplier) β=∑
= multiplier keseimbangan = multiplier jangka panjang (long-run
multiplier) Koefisien long-run dari persamaan (3.31) didapat melalui transformasi
struktur lag. Aturan yang berlaku umum adalah sebagai berikut : Lyt = yt-1
3.41
L2yt = yt-2
3.42
Penulisan struktur lag dalam bentuk lag polinomial adalah sebagai berikut : (1+ β1L + β2L2 + ...) yt = yt + β1 yt-1 + β2 yt-2 + ....
3.43
Model (3.31) melalui ditransformasi sebagai berikut : (1-β1L-β2L2-β3L3-β4L4)∆ln(Lit) = α0 + (ϒ0 + ϒ1L - ϒ 2L2 - ϒ 3L3 - ϒ 4L4)∆MPt + (δ0 + δ 1L - δ 2L2 - δ 3L3 - δ 4L4)∆ln(GDPt) +
53
(∂0 + ∂1L - ∂2L2 - ∂3L3 - ∂4L4)Inflasit + μxi,t-1
+ (θ10 + θ11L – θ12L2 – θ13L3 – θ14L4) xi,t-1
∆MPt + + (θ20 + θ21L – θ22L2 – θ23L3 – θ24L4) xi,t-1∆ln(GDPt) + (θ30 + θ31L – θ32L2 – θ33L3 – θ34L4) xi,t-1Inflasit
3.44
Sehingga dapat dituliskan persamaan (3.31) dalam bentuk koefisien long-run sebagai berikut : ∆ln(L) = (
+
+( )
∑ (
∑
xInflasi
)
∑
x+
∑ (
∑
∆MP + ( ) ∑
)
∑
∑
x∆MP +
(
∑
∆ln(GDP) + ( ) ∑
)
∑
)
∑
x∆ln(GDP) +
(
∑
Inflasi
∑
3.45
)
3.4 Definisi Operasional Berikut ini adalah definisi operasional dari masing-masing variabel yang digunakan dalam model, antara lain : 1. Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam-meminjam antara bank dan pihak lain yang mewajibkan pihak peminjam untuk melunasi hutangnya setelah jangka waktu tertentu dengan pemberian bunga (UU No. 10 Tahun 1998 tentang Perbankan, Pasal 1 angka 11). Termasuk dalam pengertian kredit yang diberikan adalah kredit dalam rangka pembiayaan bersama, kredit dalam restrukturisasi, pembelian surat berharga debitur yang dilengkapi dengan note purchase agreement (NPA), kredit yang berasal dari bank garansi, L/C, atau fasilitas lainnya yang tidak dapat diselesaikan (wanprestasi) dan dialihkan menjadi kredit, serta cerukan. Kredit berdasarkan pengertiannya antara lain memiliki unsur-unsur sebagai berikut: 1. persetujuan atau kesepakatan pinjam-meminjam; 2. aktivitas peminjaman uang atau tagihan sebesar plafon yang disepakati; 3. jangka waktu tertentu; 4. pendapatan berupa bunga atau imbalan atau pembagian keuntungan; 5. risiko; dan 6. jaminan dan atau agunan (jika ada) 53
54
Jenis kredit menurut penggunaannya, antara lain: (a) Kredit investasi; (b) Kredit modal kerja; dan (c) Kredit konsumsi. 2. BI
rate
adalah
suku
bunga
kebijakan
yang
mencerminkan
sikap
atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. 3. PDB harga konstan (riil) yaitu PDB yang dapat digunakan untuk menunjukkan laju pertumbuhan ekonomi secara keseluruhan atau setiap sektor dari tahun ke tahun. 4. Inflasi adalah kenaikan harga barang dan jasa secara umum dimana barang dan jasa tersebut merupakan kebutuhan pokok masyarakat atau turunnya daya jual mata uang suatu negara. 6. Surat berharga adalah surat pengakuan utang, wesel, obligasi, sekuritas kredit, atau setiap derivatifnya, atau kepentingan lain, atau suatu kewajiban dari penerbit, dalam bentuk yang lazim diperdagangkan dalam pasar modal dan pasar uang. 7. Alat likuid merupakan uang tunai dan aset lain yang dapat segera diuangkan sehingga operasional usaha tetap berjalan, termasuk persediaan (inventory) barang dagangan, biaya dibayar dimuka dan aset yang dapat diuangkan dalam waktu 1 tahun (liquid assets). 8. Modal adalah sejumlah dana yang digunakan untuk menjalankan kegiatan usaha, pada perusahaan umumnya diperoleh dengan cara menerbitkan saham (capital). Cakupan modal bank antara lain : a. Modal disetor adalah modal yang telah disetor secara efektif oleh pemiliknya; bagi bank yang berbentuk hukum koperasi, modal disetor terdiri atas simpanan wajib dan modal penyertaan sebagaimana diatur dalam UU No. 25 tahun 1992 tentang perkoperasian (paid up capital). b. Modal ditempatkan adalah bagian modal dasar suatu perseroan terbatas yang tertera dalam anggaran dasar yang merupakan kewajiban para pemegang sahamnya dan telah disanggupi untuk disetor (issued capital; subscribed) 9. Modal inti adalah modal bank yang terdiri atas modal disetor, modal sumbangan, cadangan yang dibentuk dari laba setelah pajak, dan laba yang
55
diperoleh setelah diperhitungkan pajak, setelah dikurangi muhibah (goodwill) yang ada dalam pembukuan bank dan kekurangan jumlah penyisihan penghapusan aktiva produktif dan jumlah yang seharusnya dibentuk sesuai dengan ketentuan Bank Indonesia (core capital). 10. Modal pelengkap adalah modal bank yang terdiri atas modal pinjaman, pinjaman subordinasi, dan cadangan yang dibentuk tidak berasal dari laba (supplementary capital) 11. Rumus yang digunakan untuk mendapatkan variabel-variabel karakteristik bank adalah sebagai berikut : a. Bank size diukur sebagai logaritma natural dari total aset. = ln
−
3.46
∑ ln
b. Liquidity diukur sebagai share dari aset likuid dalam total aset. Aset likuid adalah kas + penempatan pada BI + penempatan pada bank lain + surat berharga yang dimiliki. =
−
∑
3.47
∑
c. Capitalization adalah rasio modal (modal inti + modal pelengkap) terhadap total aset bank. =
−
∑
∑
3.48
d. CAR didapat dari laporan triwulanan bank kepada Bank Indonesia. Karakteristik bank dinormalkan terhadap rata-rata semua bank yang dicakup oleh penelitian dengan tujuan untuk mendapatkan indikator yang memenuhi kondisi nol ketika dijumlahkan untuk seluruh waktu observasi dan membuang trend dari tiap karakteristik tersebut. Rata-rata interaksi antara karakteristik bank dengan perubahan kebijakan moneter juga bernilai nol. 12. CAR = modal / ATMR Modal bagi Bank yang berkantor pusat di Indonesia terdiri dari: a. Modal inti (tier 1); b. Modal Pelengkap (tier 2); dan c. Modal pelengkap tambahan (tier 3). Setelah memperhitungkan faktor-faktor tertentu yang menjadi pengurang modal sebagaimana dimaksud dalam pasal 13 dan pasal 20 pada PBI No. 10/15/PBI/2008.
55
56
ATMR terdiri dari: a. ATMR untuk Risiko Kredit; b. ATMR untuk Risiko Operasional; c. ATMR untuk Risiko Pasar. Setiap Bank wajib memperhitungkan ATMR untuk risiko kredit dan ATMR untuk risiko Operasional.
